马尾松毛虫的主要危害与预测预报技术

分析马尾松毛虫的主要危害,并探讨当前马尾松毛虫害的若干预测预报技术。     

冬季最低气温对2～3代类型区马尾松毛虫发生面积的影响研究

研究表明:马尾松毛虫年度累计发生面积与冬季最低气温在直观上略呈反向关系,但线性关系不明显。基于径向基函数的神经网络分析表明,冬季最低气温对年度累计发生面积影响呈现明显的非线性关系,对马尾松毛虫的发生面积影响显著。因此,冬季最低气温可以作为马尾松毛虫预测预报非线性建模因子,开展马尾松毛虫精细化短期预报。     

幼虫期降水对马尾松毛虫发生量的影响

本文研究了幼虫期降水对马尾松毛虫发生量的影响。结果表明,降雨对于马尾松毛虫发生量的影响线性关系不明显,但非线性关系很明显,其中基于多层感知器分析表明,第1、2龄期降雨量自变量重要性值为0.867,规范化后的重要性值为100.0%。因此,第1、2龄期降雨量可以作为马尾松毛虫精细化预报建模的主要因子之一对马尾松毛虫进行预报,以实现马尾松毛虫灾害精细化管理。     

马尾松毛虫的生活习性及预测预报

分析了马尾松毛虫的危害,阐述了其生活习性,介绍了几种虫情调查方法和发生期预测预报的方法,以期为马尾松毛虫的防治提供借鉴。     

幼虫期降水对马尾松毛虫发生量影响研究

通过安徽省潜山市监测数据实证分析表明,降雨对于马尾松毛虫发生量的影响线性关系不明显,但非线性关系很明显,其中基于多层感知器分析结果表明,第1、2龄降雨量(mm)自变量重要性值为0.867,规范化后的重要性值分别为100.0%。因此,第1、2龄降雨量(mm)可以作为马尾松毛虫精细化预报建模主要因子之一,对马尾松毛虫进行预报,实现马尾松毛虫灾害精细化管理。     

基于机器学习的马尾松毛虫发生面积预测模型

为了提高马尾松毛虫预测预报的准确性,分别采用随机森林、支持向量机和深度学习3种机器学习模型,应用气象因子预测马尾松毛虫发生面积,并将模型预测结果与实际发生面积进行比较。结果表明:3个机器学习模型的拟合效果均优于多元线性模型,其中深度学习对马尾松毛虫发生面积的预测最为稳健,拟合决定系数(R~2)和预测准确率(PA)最高(R~2=0.9901,PA=99.27%),均方根误差(RSME)最低(RSME=0.1711);支持向量机模型预测效果也较好(R~2=0.9617,RSME=0.3275,PA=92.13%)。深度学习可用于马尾松毛虫发生面积与气象因子非线性模型的构建。     

卵期气温对马尾松毛虫发生量影响神经网络的分析

基于神经网络非线性数据实证分析表明,马尾松毛虫发生面积(hm2)与上一代防治面积(hm2)、上一代防治效果(虫口减退比率)、卵期极低气温(℃)、卵期平均气温(℃)、卵期积温(日度)具有高度非线性相关性,并可以作为马尾松毛虫预测预报非线性建模因子之一,进行马尾松毛虫灾害预测预报。     

福建省马尾松毛虫发生与ENSO事件的关系

以1971～1991年(反)厄尔尼诺事件、南方涛动指数及福建省马尾松毛虫发生程度的资料为基础,探讨它们之间的关系,揭示这种关系产生的内在机制,并建立福建省马尾松毛虫发生预测预报模型.结果表明:福建省马尾松毛虫发生与(反)厄尔尼诺事件年、南方涛动指数总和变动异常年有显著关联;所建立模型精度达83.33%,可以对马尾松毛虫发生、气候异常起监测作用.     

茅山丘陵山区马尾松毛虫发生因子及危害程度预测

防治松毛虫,预测预报是关键。介绍了马尾松毛虫在茅山丘陵山区的的发生特点,分析了其发生与环境条件的关系,同时指出了其危害程度预测的方法。     

灾变模型在马尾松毛虫幼虫发生量预报中的应用

  目的  提高马尾松毛虫Dendrolimus punctatus幼虫发生量预测预报结果的准确性。  方法  利用灰色灾变预测GM(1, 1)模型预测了安徽省潜山县1989-2016年马尾松毛虫越冬代、1代和2代严重发生的年份。  结果  马尾松毛虫越冬代虫口数的GM(1, 1)灾变预测模型为:${\hat z^{(1)}}(k + 1) = 9.580\;75{{\rm{e}}^{0.269\;33k}} - 8.580\;75$, 其中k为年序号, ${\hat z^{(1)}}(k + 1)$为灾变年序号。1代幼虫虫口数的GM(1, 1)灾变预测模型为:${\hat z^{(1)}}(k + 1) = 18.181\;8{{\rm{e}}^{0.241\;87k}} - 17.181\;8$。2代幼虫虫口数的GM(1, 1)灾变预测模型为:${\hat z^{(1)}}$(k+1)=20.123 7e0.197 58k-19.123 7。根据此模型求得已知年份的拟合值与观察值, 对两者差异进行t检验, 差异均不显著, 即拟合值与观察值间吻合度高, 各灾变年精度值平均为84.40%, 84.85%和84.08%, 总体平均精度依次为96.25%, 92.34%和94.09%, 模型精度高。由此推算未来时刻的预测值得到, 从2011年马尾松毛虫越冬代幼虫灾变年算起, 再过10 a即2021年为马尾松毛虫越冬代大发生年。从2011年马尾松毛虫1代幼虫灾变年算起, 再过11 a即2022年为马尾松毛虫1代幼虫大发生年。从2011年马尾松毛虫2代幼虫灾变年算起, 再过9 a即2020年为马尾松毛虫2代幼虫大发生年。  结论  灾变预测对马尾松毛虫幼虫发生量灾变的预报是一种较理想的预报方法。     

基于机器学习的马尾松毛虫发生面积预测模型

为了提高马尾松毛虫预测预报的准确性,分别采用随机森林、支持向量机和深度学习3种机器学习模型,应用气象因子预测马尾松毛虫发生面积,并将模型预测结果与实际发生面积进行比较。结果表明:3个机器学习模型的拟合效果均优于多元线性模型,其中深度学习对马尾松毛虫发生面积的预测最为稳健,拟合决定系数(R²)和预测准确率(PA)最高(R2)和预测准确率(PA)最高(R²=0.9901,PA=99.27%),均方根误差(RSME)最低(RSME=0.1711);支持向量机模型预测效果也较好(R2=0.9901,PA=99.27%),均方根误差(RSME)最低(RSME=0.1711);支持向量机模型预测效果也较好(R²=0.9617,RSME=0.3275,PA=92.13%)。深度学习可用于马尾松毛虫发生面积与气象因子非线性模型的构建。     

马尾松毛虫发生量时空回归预测的研究

[目的]为控制马尾松毛虫的危害提供理论依据。[方法]以1983年9月～1989年9月浙江省仙居县虫情调查资料和气象资料为研究对象,考察各调查点马尾松毛虫有虫面积随气象因子及时间、空间的动态变化,建立马尾松毛虫发生量的时空回归预测模型,并用所建立模型对1989年3代马尾松毛虫有虫面积进行预报检验。[结果]共建立了1个线性、8个非线性马尾松毛虫发生量时空回归预测模型。1989年3代马尾松毛虫实际危害村数及有虫面积分别为141、143、138村和4533．1、4181．3、5166．0hm^2,9个模型预报的3代马尾松毛虫的发生村数均为193村,线性模型预报的3代马尾松毛虫的发生面积分别为3978．5、4159．5、3427．5hm^2,非线性模型预报的各测报点3代马尾松毛虫的发生面积分别与实际最大相差71．6868、99．8359、119．9478hm^2。[结论]所建立模型对马尾松毛虫有虫面积的预报准确率均为66．7％。     

马尾松毛虫发生量空间定点预报模型的研究

利用1983年9月至1989年9月马尾松毛虫的虫情调查资料,研究仙居县各测报点的马尾松毛虫有虫面积、虫口密度的时空变化规律,分别建立三维自回归趋势面模型、预测克立格模型、空间-时间序列预测之自回归模型和广义时空回归模型4种发生量空间定点预报模型。结果表明,所建立的4种发生量空间定点预报模型均具有较好的预报效果,对1989年3代的虫口密度、有虫面积进行预报检验,预测克立格模型的预报准确率为100％;空间-时间序列预测之自回归模型和广义时空回归模型对两者的预报准确率则均为66.7％;三维自回归趋势面模型虫口密度预报准确率为33.3％,有虫面积的预报准确率为66.7％。     

精细化预报技术在潜山县马尾松毛虫预报中的应用

将多因子回归、径向基函数、多层感知器3种模型应用于2016年、2017年马尾松毛虫预报,发生量与发生期预测,预测精度均符合生产预报要求。因此,推广林业有害生物精细化预报技术,有利于实现林业的有害生物精确管理。     

基于性诱技术马尾松毛虫发生期预报试验

采取性诱剂诱捕马尾松毛虫成虫的方法,进行幼虫高峰期预测试验,回归分析结果表明,其精度完全满足生产预报精度要求。     

马尾松毛虫2～3龄高峰期预报神经网络建模试验

根据安徽省安庆市大观区马尾松毛虫监测数据,通过神经网络模型建模进行试验,结果表明,选择合适的神经网络模型和训练参数,其预测精度完全可以满足生产预报要求。     

马尔可夫链在马尾松毛虫发生程度预测中的应用

根据广东梅州1975～2002年马尾松毛虫发生程度的历史资料,应用马尔可夫链方法对2003～2005年的马尾松毛虫发生程度进行预测,并对1993～2002年的发生程度进行回测,历史符合率为85%。该方法简便易行,为马尾松毛虫发生程度的长期预测提供了一条新途径。     

马尾松毛虫虫源地的发生规律与预防控制方法

经数年的调查统计分析,基本掌握了马尾松毛虫虫源地的形成与发展规律。虫源地是松毛虫发生中心,它的变动对于种群是否爆发成灾或减退都有极端重要的影响,甚至具有决定作用。搞好虫源地种群动态的预测预报,对松毛虫进行防治和控制具有重要意义。     

马尾松毛虫精细化预报多层感知器建模试验研究

经过多次神经网络多层感知器试验,筛选拟合度高的马尾松毛虫精细化预报模型。结果表明:R2均大于0.9,多层感知器马尾松毛虫预报模型要优于径向基函数与回归方法建立的模型。     

三明市马尾松毛虫越冬代幼虫的空间格局

结合三明市马尾松毛虫工程治理中所调查的越冬代马尾松毛虫幼虫种群数量和危害程度,采用概率分布模型、分布型指数及回归模型法探讨三明市马尾松毛虫越冬代幼虫空间分布格局。结果表明,三明市马尾松毛虫越冬代幼虫呈聚集分布,分布的基本成分为个体群。同时,列出林间调查最适抽样数及序贯抽样分析表,提出马尾松毛虫防治的上下限指标,为害虫的综合治理提供了一定的理论依据。