摘要：通過潛山市數(shù)據(jù)實證分析表明，馬尾松毛蟲的發(fā)生與1～2齡幼蟲氣溫、降雨不具有線性相關(guān)性，但具有較高的非線性相關(guān)性。利用其非線性相關(guān)性，采用神經(jīng)網(wǎng)絡建模，對潛山市2015年～2018年發(fā)生數(shù)據(jù)進行驗證，預測精度均大于90%。

關(guān)鍵詞：馬尾松毛蟲;幼蟲期;氣溫;降雨;神經(jīng)網(wǎng)絡;非線性

中圖分類號： S763.421 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： ?A ? ? ? ? ? ? ? ? ? ?DOI編號： ? 10.14025/j.cnki.jlny.2019.14.061

馬尾松毛蟲（Dendrolimus punctatus Walker）是潛山市的主要歷史性森林害蟲，呈周期性發(fā)生。大發(fā)生年份，除了對松林造成嚴重危害之外，還嚴重威脅人畜健康，誘發(fā)松毛蟲病。

1 數(shù)據(jù)來源與建模工具選擇

馬尾松毛蟲發(fā)生防治面積數(shù)據(jù)來源于安徽省潛山市1983年～2014年監(jiān)測數(shù)據(jù)，氣象數(shù)據(jù)來源于國家氣象信息中心《中國地面國際交換站氣候資料日值數(shù)據(jù)》，如表1所示。

建模工具選擇MathWorks公司的MATLAB R2016年。由于潛山市屬于2～3代馬尾松毛蟲發(fā)生區(qū)，以幼蟲越冬，越冬代即為上一年的第二代，為了便于建模分析，對潛山市馬尾松毛蟲監(jiān)測數(shù)據(jù)進行適當變換，將第二代發(fā)生面積與翌年越冬代發(fā)生面積合并，氣象數(shù)據(jù)也作相應的合并，如表1。

2 線性相關(guān)性分析

基于余燕等學者研究，馬尾松毛蟲的發(fā)生與1～2齡幼蟲氣溫、降雨有較高的相關(guān)性。選取第1、第2齡極低氣溫（℃），第1、第2齡平均氣溫（℃），第1、第2齡積溫（日度），第1、第2齡降雨量（mm）作為分析建模氣象因子，如表1。對表1數(shù)據(jù)進行線性相關(guān)性分析，如表2所示。從表2可以看出，馬尾松毛蟲發(fā)生面積與第1、第2齡極低氣溫（℃），第1、第2齡平均氣溫（℃），第1、第2齡積溫（日度），第1、第2齡降雨量（mm）存在一定的相關(guān)性，但線性相關(guān)性不明顯。

3 非線性相關(guān)性分析

采用神經(jīng)網(wǎng)絡建模，對表2數(shù)據(jù)進行分析，神經(jīng)網(wǎng)絡建模參數(shù)為：

% Map Minimum and Maximum Input Processing Function

function y = mapminmax_apply（x，settings）

y = bsxfun（@minus，x，settings.xoffset）;

y = bsxfun（@times，y，settings.gain）;

y = bsxfun（@plus，y，settings.ymin）;

end

% Sigmoid Symmetric Transfer Function

function a = tansig_apply（n，～）

a = 2 ./ （1 + exp（-2*n）） - 1;

end

% Map Minimum and Maximum Output Reverse-Processing ? ? ? ? Function

function x = mapminmax_reverse（y，settings）

x = bsxfun（@minus，y，settings.ymin）;

x = bsxfun（@rdivide，x，settings.gain）;

x = bsxfun（@plus，x，settings.xoffset）

分析結(jié)果如圖1所示。從圖1可以看出，馬尾松毛蟲發(fā)生面積與第1、第2齡極低氣溫（℃），第1、第2齡平均氣溫（℃），第1、第2齡積溫（日度），第1、第2齡降雨量（mm）存在較高的非線性相關(guān)性，其模型的訓練、驗證、測試、綜合4個指標的R分別為0.96389、0.84157、0.90799、0.94358，該模型具有較高的可靠性，可以作為馬尾松毛蟲短期預報使用。

4 模型驗證

將2015年～2018年的第1、第2齡極低氣溫（℃），第1、第2齡平均氣溫（℃），第1、第2齡積溫（日度），第1、第2齡降雨量（mm）導入上述模型，得到預測數(shù)據(jù)，并將與實際發(fā)生數(shù)據(jù)進行對比，如表3、圖2所示。

表3、圖2數(shù)據(jù)表明，利用該模型對潛山市2015年～2018年馬尾松毛蟲發(fā)生面積進行預報，預測精度均大于90%。因此，利用神經(jīng)網(wǎng)絡建模進行馬尾松毛蟲短期預報，具有較高的精度和可行性。

5 討論

利用現(xiàn)有的監(jiān)測數(shù)據(jù)，選擇合適的建模方法，開展林業(yè)有害生物災害精細化預報，確定林業(yè)有害生物防治關(guān)鍵期并進行防治，可以更好地預防林業(yè)有害生物暴發(fā)成災，降低防治成本。

參考文獻

[1]張楨.潛山縣松毛蟲病調(diào)查分析及精細化預防對策[J].現(xiàn)代農(nóng)業(yè)科技，2015（15）：148-150.

[2]余燕，等.馬尾松毛蟲幼蟲發(fā)生高峰期的三種預測模型[J].應用昆蟲學報，2018（04）：748-758.

[3]高薇，等.基于馬爾科夫鏈和列聯(lián)表法的馬尾松毛蟲發(fā)生面積預測模型研究[J].中國森林病蟲，2018（03）：31-34.

[4]周夏芝，等.馬尾松毛蟲幼蟲高峰期發(fā)生量的預測模型研究[J].應用昆蟲學報，2017（06）：1031-1043.

[5]余燕，等.馬尾松毛蟲幼蟲發(fā)生嚴重程度的預測研究[J].安徽農(nóng)業(yè)大學學報，2017（05）：882-893.

[6]張國慶.森林健康與林業(yè)有害生物管理[J].四川林業(yè)科技，2008，29（06）：84-87.

[7]張國慶.生物災害管理論研究與生物災害精確管理[J].現(xiàn)代農(nóng)業(yè)科技，2011（03）：22-25.

[8]張國慶.基于生態(tài)論的生物災害精細化預報理論研究[J].現(xiàn)代農(nóng)業(yè)科技，2014（20）：148-152.

[9]張國慶.生態(tài)健康評價及生態(tài)系統(tǒng)管理方法[J].現(xiàn)代農(nóng)業(yè)科技，2012（11）：247-248.

[10]張國慶.基于系統(tǒng)關(guān)鍵因子分析理論的林業(yè)有害生物防治關(guān)鍵期分析技術(shù)研究[J].現(xiàn)代農(nóng)業(yè)科技，2014（19）：201-203.

[11]張國慶.節(jié)氣與生物災害防治歷研究[J].現(xiàn)代農(nóng)業(yè)科技，2011（02）：227-230.

[12]張國慶.基于高分辨率遙感數(shù)據(jù)與TSE方法的生態(tài)系統(tǒng)精細化管理技術(shù)研究[J].現(xiàn)代農(nóng)業(yè)科技，2015（16）：153-156.

作者簡介：葛王送，大專學歷，工程師，研究方向：林業(yè)有害生物防治。