付衛(wèi)勝

摘要? ? 本文研究了幼蟲期降水對馬尾松毛蟲發(fā)生量的影響。結(jié)果表明，降雨對于馬尾松毛蟲發(fā)生量的影響線性關(guān)系不明顯，但非線性關(guān)系很明顯，其中基于多層感知器分析表明，第1、2齡期降雨量自變量重要性值為0.867，規(guī)范化后的重要性值為100.0%。因此，第1、2齡期降雨量可以作為馬尾松毛蟲精細化預報建模的主要因子之一對馬尾松毛蟲進行預報，以實現(xiàn)馬尾松毛蟲災害精細化管理。

關(guān)鍵詞? ? 馬尾松毛蟲;幼蟲期;降水;多層感知器;非線性

中圖分類號? ? S763.42+1? ? ? ? 文獻標識碼? ? A

文章編號? ?1007-5739（2019）16-0107-02? ? ? ? ? ??開放科學（資源服務(wù)）標識碼（OSID）

馬尾松毛蟲（Dendrolimus punctatus Walker）是我國常發(fā)性、暴發(fā)性森林害蟲，呈周期性發(fā)生。特別是在南方林區(qū)，1 年多代，每個世代發(fā)生時間較短，最佳防治時間短暫[1-3]。因此，研究影響馬尾松毛蟲發(fā)生相關(guān)因子，探索馬尾松毛蟲精細化預測預報模型，對開展馬尾松毛蟲預報有著十分重要的作用[4-5]。通過對國內(nèi)馬尾松毛蟲預測預報研究文獻檢索分析，當前我國關(guān)于馬尾松毛蟲預測預報研究文獻較多，但多是針對某一地區(qū)建立的數(shù)學模型，通用性較差。一些研究文獻以及馬尾松毛蟲生命表分析還表明，對馬尾松毛蟲影響的關(guān)鍵因子，除了氣溫之外，降雨的沖刷、機械損傷以及由于降雨高濕造成馬尾松毛蟲感染病害死亡也是影響馬尾松毛蟲種群增長的重要因子[6-8]。

本文旨在通過數(shù)據(jù)實證分析，研究降雨對馬尾松毛蟲發(fā)生發(fā)展的影響，以建立更好的預測預報模型，用于馬尾松毛蟲生產(chǎn)性預報，指導防治實踐。

1? ? 材料與方法

1.1? ? 材料來源

本研究馬尾松毛蟲發(fā)生數(shù)據(jù)來源于安徽省潛山市林業(yè)局馬尾松毛蟲監(jiān)測數(shù)據(jù)，氣象數(shù)據(jù)來源于國家氣象信息中心。由于潛山市為2～3代馬尾松毛蟲發(fā)生類型區(qū)，越冬代與上年第2代為同一世代，因而將越冬代與上年第2代發(fā)生數(shù)據(jù)合并，具體見表1。

1.2? ? 研究方法

當前我國馬尾松毛蟲預測預報模型多是線性模型。為了研究降雨對馬尾松毛蟲的影響，本文選擇了第1、2齡期降雨量、幼蟲期降雨量、世代降雨量作為分析變量，進行線性相關(guān)性研究。

2? ? 結(jié)果與分析

2.1? ? 線性相關(guān)性

由表2可知，第1、2齡期降雨量、幼蟲期降雨量、世代降雨量等3個變量對馬尾松毛蟲發(fā)生面積的線性相關(guān)性值分別為-0.064 415 6、-0.010 572、-0.032 287 3，雖然均為負相關(guān)，但是線性相關(guān)性不高。其中，在回歸統(tǒng)計中相關(guān)系數(shù)為0.147 325 95，判定系數(shù)為0.021 704 93，調(diào)整判定系數(shù)為-0.027 209 8，標準誤差為6 971.209 71，觀測值為64。

進一步進行多元線性回歸分析，如表3～4、圖1所示，分析結(jié)果表明，在α=0.05水平下，線性回歸相關(guān)Multiple R值僅為0.147 325 95，F(xiàn)值為0.443 729 83，小于Significance F=0.722 61，且3個變量對馬尾松毛蟲發(fā)生面積的P值均大于0.05，實際值與回歸預測值殘差較大，相關(guān)性不顯著。

2.2? ? 基于多層感知器的非線性相關(guān)性

以上分析表明，降雨因子對馬尾松毛蟲發(fā)生量影響的線性相關(guān)性不顯著，使用線性模型建模進行馬尾松毛蟲預測預報準確度不高，通用性不強。因此，使用多層感知器對上述數(shù)據(jù)進行非線性相關(guān)性分析，分析過程如下。

樣本培訓數(shù)37，占比為97.4%;有效樣本數(shù)為38，占比100.0%。其中，輸入層因子為第1、2齡期降雨量，輸入層協(xié)變量為幼蟲期降雨量，輸入層協(xié)變量為世代降雨量;輸入層協(xié)變量的重縮放比例方法采用標準化方法，隱藏層數(shù)為1，隱藏層單位數(shù)為10，隱藏層激活函數(shù)為雙曲正切函數(shù)，輸出層因變量為世代發(fā)生面積;輸出層比例相關(guān)性的重縮放比例方法采用標準化方法，輸出層激活函數(shù)為恒等函數(shù)，輸出層錯誤函數(shù)采用平方和函數(shù)。在整個分析過程中排除偏差單位，以保證較高的擬合性。

SPSS多層感知器培訓所使用的停止規(guī)則為1個連續(xù)步驟中錯誤沒有減少，培訓時間為0.02 s，培訓結(jié)果的平方和誤差為0.950，相對錯誤為0.053。測試結(jié)果平方和誤差為0.925。自變量重要性如表5、圖2所示。

分析結(jié)果表明，第1、2齡期降雨量、幼蟲期降雨量、世代降雨量3個變量馬尾松毛蟲發(fā)生面積非線性影響各不相同，其自變量重要性值分別為0.867、0.069、0.063，規(guī)范化后的重要性值分別為100.0%、8.0%、7.3%。顯然，第1、2齡期降?雨量對馬尾松毛蟲的發(fā)生發(fā)展非線性影響很大，主要原因是降雨造成第1、2齡馬尾松毛蟲幼蟲沖刷、機械損傷或感染病菌致死，這與國內(nèi)馬尾松毛蟲生命表研究文獻結(jié)論基本一致[6-10]。

3? ? 結(jié)論與討論

綜上所述，對馬尾松毛蟲發(fā)生量影響較大的降雨變量是第 1、2齡期降雨量。因此，第1、2齡期降雨量可以作為馬尾松毛蟲精細化預報建模主要因子之一對馬尾松毛蟲進行預報，實現(xiàn)馬尾松毛蟲災害精細化管理[11-16]。

4? ? 參考文獻

[1] 余燕，李尚，王振興，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，（5）：882-893.

[2] 張國慶.災害管理理論研究[J].現(xiàn)代農(nóng)業(yè)科技，2012（10）：24-25.

[3] 張國慶.基于TSE分析理論的林業(yè)生物災害精細化預報技術(shù)研究[J].現(xiàn)代農(nóng)業(yè)科技，2014（20）：155-157.

[4] 張國慶.氣候變化對生物災害發(fā)生的影響及對策[J].現(xiàn)代農(nóng)業(yè)科技，2011（1）：320-323.

[5] 張國慶.馬尾松毛蟲防治關(guān)鍵期與防治歷研究[J].現(xiàn)代農(nóng)業(yè)科技，2010（24）：144-146.

[6] 張國慶.馬尾松毛蟲暴發(fā)年份的自然種群生命表研究[J].四川林業(yè)科技，2011（1）：114-118.

[7] 張國慶.復雜系統(tǒng)生態(tài)論方法及其應用[J].現(xiàn)代農(nóng)業(yè)科技，2013（11）：192-195.

[8] 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.

[9] 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（6）：84-87.

[10] 余燕，王振興，李尚，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，2018，55（4）：748-758.

[11] 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.

[12] 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.

[13] 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（3）：22-25.

[14] 張國慶.基于系統(tǒng)健康管理理論的林業(yè)生物災害精細化預報管理研究[J].現(xiàn)代農(nóng)業(yè)科技，2014（19）：198-199.

[15] 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.

[16] 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.