松毛虫越冬幼虫上下树时期与气象因子的相关分析

应用灰色系统理论原理。对秦皇岛市松毛虫越冬幼虫上、下树始期、始盛期与气象因子进行关联分析。在此基础上,选择关联度较大的气象因子,建立了松毛虫上、下树时期的GM(I.N)预测模型。并对此模型进行了实践检验。     

赤松毛虫预测预报因子研究报告

本文利用1984—1986年3年时间,对赤松毛虫年生活史、各虫态历期、各虫态发生期、蛹重—携卵量的关系、幼虫及蛹的自然死亡率、幼虫食叶量、幼虫上(下)树规律等,进行了观测研究。结果表明,赤松毛虫幼虫平均历期346天,上(下)树进度与气温关系密切,赤松毛虫不仅直接取食为害,还可造成松针死亡或折断,其蛹重—携卵量的关系为y=-54.9+148.3x(r=0.9612,S=±4.9),呈直线紧密相关关系。根据赤松毛虫年生活史及其活动规律,本文还提出了最佳防治期。     

冀北松毛虫越冬幼虫上树始见期预测模型研究

该文通过对松毛虫越冬幼虫上树始见期与 2月中旬至 3月上旬旬平均气温连续 6a的调查 ,对其进行了相关性研究 ,建立了松毛虫越冬幼虫上树始见期预测模型 ,从而为确定防治适期 ,统筹安排防治提供了依据。     

河套地区麦秆蝇越冬代成虫始盛期预测

麦秆蝇(Meromyza saltatrix L.)属双翅目,秆蝇科,是巴盟河套地区小麦主要害虫之一,每年都有不同程度的发生,对小麦造成严重为害。麦秆蝇在本地区一年发生二代,以幼虫在拂子茅、披硷草等禾本科野生杂草寄主中越冬。越冬代成虫子5月上旬始见,5月下旬至6月上句进入盛期。一代幼虫于6月中、下句大量孵化,危害麦类。麦秆蝇越冬代成虫始盛期预测通常采用下式:760—     

赤松毛虫上下树期距预测预报的研究

根据积累8a的观测资料统计分析,建立赤松毛虫下、下树进度预测数学模型。当发现该虫上、下树始见期时,可根据这些模型预测上、下树始盛(16%)、高峰(50%)和盛末(84%)日期。     

光肩星天牛生物学特性及预测预报的研究初探

该文研究了光肩星天牛的生物学特性,在呼市地区二年发生一工,以老熟幼虫,初龄幼虫及未孵化的幼虫在孵壳内均可越冬,也有极少数的以蛹越冬。成虫６月下旬始见,７月中旬进入高峰期,８月中旬进入盛末期。雌虫平均产卵量为２２粒。孵始见期为７月上旬,始盛期为８月上旬,高峰期为８月下旬,盛末期为９月上旬。该文提出的发生期,发生量的预测预报方法具有实用价值。     

两种主要森林害虫发生面积预报的初步研究

应用马尔可夫链和灰色系统GM (1,1)预测模型对宁化县 2种主要森林害虫—马尾松毛虫和黄脊竹蝗的年度发生面积进行了分析和预测。结果表明 :马尔可夫链对马尾松毛虫和黄脊竹蝗发生面积预测效果较好 ,灰色系统GM (1,1)预测模型对马尾松毛虫发生面积预测效果较好 ,而对黄脊竹蝗发生面积预测效果较差     

枯叶蛾绒茧蜂生活习性观察及繁育试验

一、前言枯叶蛾绒茧蜂(Apanteles liparidis Bouche)为松毛虫幼虫期寄生蜂。分布范围较广,寄生率较高,在我省松毛虫发生区的赤松毛虫(Dendroljmus spectabilis Butler),油松毛虫(D.tabulaetormjs Tsai et liu)、落叶松毛虫D.Superans(Butler)及舞毒蛾(Lymantria dispar L)幼虫体上均见寄生。1976～1977年在丰宁县对12块松林调查,枯     

梦尼夜蛾生物学特性的研究

梦尼夜蛾是阔叶树的重要食叶害虫之一,通过野外观察,结合室内饲养,对其形态特征、生活史、生活习性等进行了研究。梦尼夜蛾在阿尔山林区1年发生1代,以蛹在枯枝落叶层中越冬。翌年4月中旬开始羽化,羽化盛期为4月27日～5月2日,4月末成虫开始产卵,产卵盛期为5月10日,卵孵化始见期为5月16日,孵化盛期5月25日,6月2日孵化结束。幼虫共5龄,幼虫期与气温有关。幼虫危害始盛期为6月中旬,危害高峰期为6月下旬。7月上旬老熟幼虫下树入土化蛹,幼虫化蛹始见期为7月上旬,盛期为7月中旬。蛹期最长,从7月上旬至翌年4月中旬,时长约为9个月。     

应用质型多角体病毒防治赤松毛虫林间试验

赤松毛虫严重危害油松、赤松、落叶松的正常生长,为了选择安全有效的防治方法,在林间开展赤松毛虫的防效试验。通过抽样调查卵期赤眼蜂寄生率、2龄幼虫病毒感染率、幼虫下树前死亡率和越冬后幼虫死亡率,对直接喷洒传递松毛虫质型多角体病毒(CPV)和利用赤眼蜂为媒介传递该病毒的防效进行比较。结果显示:赤松毛虫卵期赤眼蜂寄生率比对照提高25%左右。直接喷洒CPV病毒的防效要优于利用赤眼蜂携带CPV病毒进行防治的效果,2龄幼虫病毒感染率、幼虫下树前死亡率和越冬后幼虫死亡率分别提高20%、4.1%和4.0%,二者的防治效果,明显高于对照。     

我国21世纪森林资源发展趋势灰色预测

应用邓聚龙教授创立的灰色理论与方法,以我国森林资源连续清查统计数据为基础,建立灰色预测的GM(1 1)模型,对全国森林资源主要指标(1)森林覆盖率;2)有林地面积;3)活立木总蓄积量)的发展趋势进行预测。由于连续清查数据具有连续性、可比性特征,因此,预测结果经检验,精度较高,可以作为宏观决策的科学依据。     

森林火灾受害面积的灰色预测模型的研究

运用灰色系统理论和方法,研究了森林火灾受害面积变化趋势的预测和分析方法.以江西省为例,建立了GM(1,1)预测模型,得出了灰色预测曲线和灰色预测区间,并对2010年前该省森林火灾情况进行了预测和分析,从而为森林保护的有关决策提供了依据.此外,通过预测精度分析,以及与回归方法的比较分析,表明本文方法已达到精度要求,且明显优于白色预测方法.     

中国森林火灾发生规律及预测模型研究

量化分析森林火灾发生规律能为预测和防治森林火灾提供科学依据。文中采用四参数Weibull分布描述了我国森林火灾发生次数和火场面积分布规律,运用Spearman相关系数分析承灾主体因子、灾害管理因子、孕灾环境因子与森林火灾发生次数、面积间关系,基于全国森林火灾数据分别建立灰色系统理论模型、BP人工神经网络模型和时间序列ARIMA模型,并采用Markov随机过程改进已建立模型。结果表明,我国森林火灾发生次数分布呈左偏正态分布,火场面积呈倒J型分布,火灾次数和火场面积分布模型拟合决定系数分别为0.63和0.66;承灾主体、孕灾环境和灾害管理对森林火灾次数和火场面积影响程度依次减小,人工林面积、累年年平均气温、年降雨量平均差值、年最低气温平均日数与森林火灾发生具有明显相关性,影响森林火灾的因子与森林火灾发生次数、火场面积间存在指数型关系;不同模型对森林火灾发生次数和火场面积拟合优度次序为BP模型、GM（1,1）-Markov模型、BP-Markov模型、GM（1,1）模型、ARIMA模型、ARIMA-Markov模型,采用Markov过程能显著改进GM（1,1）预测模型对火灾随机性的预测效果,可以更好地反映森林火灾发生规律。     

森林资源蓄积量预测技术初探

以福建省三明市森林资源二类调查资料为基础数据,采用VB编程语言,自主开发了森林资源蓄积量预测系统,用GM(1,1)模型、复利公式和BP人工神经网络模型分别对森林资源蓄积量进行宏观预测.3种方法的预测结果显示:BP人工神经网络模型拟合效果较好,其次是灰色系统模型,平均相对误差最大的是复利公式.最后分析了3种方法的优劣,探讨进一步优化的方法.     

广西北部湾经济区“十二五”期末森林覆盖率的预测分析

以广西北部湾经济区2005～2012年森林覆盖率数据为基础,运用灰色系统预测模型对北部湾经济区“十二五”期末森林覆盖率进行预测,并对模型的精度进行分析和检验.建立GM（1,1）模型经精度检验（C=S1/S2=0.1445; P=P{｜ εi（）0-ε-（0）｜ 0.6745S2}=1 ＞0.95））判为好,预测“十二五”期末森林覆盖率,可为广西北部湾经济区制定相关政策规划提供参考依据.     

基于灰色系统理论的森林火灾预测模型研究

依据灰色系统建模的基本理论，在系统分析内蒙古大兴安岭林区森林火灾发生规律的基础上，建立了森林火灾高火险及重灾年景灰色灾变GM（1，1）预测模型。模型模拟检验精度达到Ⅰ水平，发展系数-α小于0.3，可用于该地区森林火灾灾变中长期预测。预测结果显示，2001-2010年间，该林区将出现3个森林火灾高火险年，5个森林火灾重灾年，二者出现的间隔期均为2-3a，平均相对精度达98%以上；预测2007年将是高火险、重灾年份，前者预测精度为98.05%，后者预测精度为99.78%。     

灰色系统理论对我国“十一五”期间征占用林地数量预测分析

以我国"十五"期间征占用林地数量为基础,运用灰色系统预测模型对我国"十一五"期间征占用林地趋势进行预测,并对模型精度进行了分析和检验。建立的GM(1,1)模型经精度检验(C=0.50,P=1.00)判为合格,预测的"十一五"期间林地征占用数据,可作为编制我国"十一五"期间林地定额的参考依据。     

广东南昆山毛竹林结构Weibull分布模型研究

在机械抽取的37块毛竹(Phyllostachys Pubescens)林样地(面积为0.06ha)的基础上,分别建立37个Weibull分布模型:并对模型拟合值和实际值进行误差分析及灰色关联分析,其结果表明模型的拟合效果良好。     

基于灰色RBF神经网络组合模型的交通量预测研究

根据新陈代谢灰色模型和RBF神经网络模型各自的特点,构造一种新陈代谢灰色模型与RBF神经网络模型组合的平面型模型,模型对无检测器公路的交通量具有较好的预测能力,并用实地调查的数据进行仿真和比较,验证此模型具有较高的精度,从而证明这一模型的可行性和有效性。