共查询到20条相似文献,搜索用时 15 毫秒
1.
气温变化对潜山县马尾松毛虫发生时间的影响 总被引:1,自引:0,他引:1
通过60年的气象和马尾松毛虫发生数据,分析了气温变化对潜山县马尾松毛虫发生时间的影响。结果表明:随着全球气候变暖,马尾松毛虫的发生期提前,发生范围扩大,危害程度加大,尤其是年平均气温、冬季平均气温、冬季最低气温的上升,促进马尾松毛虫的发生,其线性相关达到显著水平。 相似文献
2.
3.
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。 相似文献
4.
[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%。 相似文献
5.
6.
马尾松松毛虫危害与气象因子的关系初探 总被引:6,自引:3,他引:6
以湖南祁阳县1990~1999年的气象观测数据及松毛虫的年发生面积为依据,应用因子筛选、聚类分析、统计检验方法找出了影响马尾松松毛虫减灾的关键气象因子.为预报和防治马尾松松毛虫的成灾提供了合理和实用的方法,有助于为防治灾害作出正确的决策. 相似文献
7.
基于机器学习的马尾松毛虫发生面积预测模型 总被引:1,自引:0,他引:1
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。 相似文献
8.
关于马尾松毛虫预测预报文献统计分析表明,在年度分布上主要集中在2007年之后,主要作者和主要机构文献数占比分别为18.79%和22.90%,被引文献和最新相关度较高文献分布与作者分布基本一致。从文献内容看,当前马尾松毛虫预测预报文献主要集中在基于马尾松毛虫生物生态学特性和气象因子之上。 相似文献
9.
[目的]明确南平市延平区马尾松毛虫(Dendrolimus punctatus)的发生趋势,为当地应用白僵菌防治马尾松毛虫提供参考.[方法]调查近10年延平区马尾松毛虫的发生面积与发生程度,总结当地马尾松毛虫的发生特点;采用不同剂型球孢白僵菌(Beauveria bassiana)对马尾松毛虫越冬幼虫进行了室内致病力测... 相似文献
10.
11.
潜山县松毛虫病调查分析及精细化预防对策 总被引:22,自引:22,他引:0
《现代农业科技》2015,(15):147-149
通过对1996年安徽省潜山县松毛虫病流行病学调查数据SSPS分析,结果表明,1996年潜山县松毛虫病发病治疗人数与松毛虫中、重度发生面积呈线性相关。提出对于松毛虫病应该从减少病源和减少病源接触2个方面着手预防工作,包括加强监测预警,推行精细化预报,及时进行精准防治,避免松毛虫虫口上升蔓延成灾;对松林纯林,尤其是常灾区松树纯林进行改造,并适时补充天敌,以利于马尾松毛虫天敌建立稳定的种群密度,遏制马尾松毛虫种群增长成灾,以减少松毛虫病病源;对居住在常灾区松林中的居民,逐渐迁移出去,以减少与马尾松毛虫的接触,避免松毛虫病的发生;在进行松毛虫风险分析时,适当调高松毛虫风险等级以利于做出正确的预警与救灾预案,以最大限度地减轻灾害给人类带来的损失。 相似文献
12.
13.
福建省武平县马尾松纯林及马尾松混交林占全县有林地面积比例很大。由于纯林的多种因素,致使由以往马尾松毛虫偶灾区变成常灾区。本文根据武平县的气候、环境等因素及松毛虫的发生规律,采用及时预测预报、营造及保护混交林,开展以菌治虫、以鸟治虫等生物防治,结合物理、化学防治等措施,取得了很好的防治效果。 相似文献
14.
《江西农业学报》2022,(5)
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。 相似文献
15.
《青海农林科技》2016,(2)
本文利用统计学等方法统计分析青海省43个气象站点2010至2015年逐日逐时气温、最低气温及出现的时间等资料后发现:1.逐日(20~20时)最低气温出现的时间有明显的变化规律,绝大多数出现在5~10时之间,季节性明显,冬季偏晚,多在9时左右,夏季偏早,多在6时左右;2.为简便起见以旬为时间单位做统计分析,发现各站逐日7~10时之间最低气温与06时气温具有较明显的线性关系,根据该线性关系,利用逐日6时气温做7~10时之间最低气温预报,再加以订正系数后即作为初次预报值,统计发现该线性差值也有明显的季节变化,冬季偏大,夏季偏小;3.根据初次预报值对中央气象台24h最低气温(8~8时)预报进行订正,订正方法是若中央气象台给某站最低气温预报值较对应的初次预报值偏高,则以初次预报值代替之作为该站24h最低气温(8~8时)预报值;4.回代结果显示预报准确率的订正结果随季节不同变化较大,冬季(12、1、2)正订正明显,春季(3、4、5)和秋季(9、10、11)是正少负多,夏季(6、7、8)均为负订正,全年平均为弱的负订正。 相似文献
16.
浙江省龙泉市植物资源极其丰富,有松木林面积4.66万hm2,马尾松毛虫是为害马尾松林的大敌,防控马尾松毛虫发生为害任务十分艰巨。 相似文献
17.
应用模糊综合评判技术预测马尾松毛虫越冬代发生量 总被引:4,自引:0,他引:4
应用浙江省临海市连续9a马尾松毛虫发生面积的调查资料和当地气象资料,根据相关系数法选出预报因子,采用模糊评判的6个数学模型预测松毛虫越冬代的发生量。经回报检验,各数学模型预测值与实测值的吻合程度达88.9%,具有较好的实用价值。 相似文献
18.
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%。 相似文献
19.
基于机器学习的落叶松毛虫发生面积预测模型 总被引:2,自引:0,他引:2
落叶松毛虫为我国主要害虫之一,其发生严重影响了我国林木生长和森林资源的安全。因此,及时准确地对落叶松毛虫虫害发生趋势进行预测、预报十分必要。虫害的发生受到多种因素的影响,存在复杂的非线性关系,传统的预测方法大多为基于线性的预测,导致其预测效果不够理想。本研究选取当年3月中旬的总蒸发量、上年7月上旬的平均最低气温、当年3月下旬的极端最低气温以及上年11月上旬的平均风速作为自变量,虫害发生面积作为因变量,利用多层前馈神经网络(MLFN)、广义回归神经网络(GRNN)以及支持向量机(SVM)3种机器学习算法对落叶松毛虫发生面积进行预测,并将3种方法的预测结果与传统多元线性回归预测方法相比较。结果表明,机器学习的预测效果均在很大程度上优于多元线性回归预测,并且在3种机器学习算法中,SVM模型的预测效果最好,在30%容忍度下其预测精度可以达到100%,并且该模型还有较低的RMSE值(0.077)和较短的训练时间(1 s)。这表明,机器学习可以应用于生产实际并有效预测虫害发生面积,尤其是SVM模型可以作为一种很好的虫害发生预测手段。 相似文献
20.