赤松毛虫越冬幼虫抗寒性研究

赤松毛虫(Dendrolimus spectabilis)越冬幼虫在鲁中山区以5龄为优势龄期；以树干2m以下的树皮裂缝以及树盘根际周围50cm以内的杂草、石块等处为主要越冬场所；幼虫下树越冬期集中在11月上旬、出蛰上树期集中在3月中、下旬；测定越冬幼虫的过冷却点以1、2月最低，分别为-19．94℃和-19．30℃，10月和4月最高．分别为-8．67℃和-9．04℃。越冬幼虫死亡率以11月下旬和3月下旬最高．分别为23．3％和18．0％，最终死亡率为59．3％。气温变化影响幼虫的抗寒能力。     

应用模糊综合评判技术预测马尾松毛虫越冬代发生量

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。     

油松毛虫越冬幼虫垂直分布的调查

通过4块标准地与30株标准木的伐木调查,表明:油松毛虫越冬幼虫以在地面分布为主,其虫口数约为树干上分布的3倍;在树干1.5m以上的分布占越冬幼虫的2.2％。从而为早春防治越冬幼虫的上树,所采取的各种阻隔防治方法,提供了可靠数据。     

控制越冬幼虫为主的油松毛虫综合防治的研究

本文报道了1983～1986年期间油松毛虫综合防治研究中,越冬幼虫在树干及地面的分布规律,年发生世代数,幼虫空间格局及其抽样技术和越冬幼虫种群数量变动;文中叙述了控制越冬幼虫的有效措施:塑料薄膜围环、拟菊酯类杀虫剂毒环、毒纸环阻杀越冬下树或出蛰上树幼虫,干基围纸环、干基地面铺石块诱集下树越冬幼虫,施拟青霉菌剂防治越冬幼虫等;文中还涉及到了天敌的调查利用,以及合理使用化学农药等方面的研究结果,并提出以控制越冬幼虫为中心的综合防治系统方框图。     

文山松毛虫越冬代幼虫空间分布型及其应用

选择10块不同立地条件的林分设样地，测定文山松毛虫越冬代幼虫的空间分布型，分别建立最适抽样数关系式，并对越冬代幼虫进行序贯抽样分析、结果表明：越冬代幼虫空间分布为聚集分布．当m0=21条／株时，最大抽样数为282株；m0=17条／株时，最大抽样数为188株。     

油松毛虫越冬幼虫上树下树历期的预测

通过1984～1986年对越冬幼虫的系统调查数据,分别求得油松毛虫越冬幼虫上树历期约为51d;下树历期约为87d;上树高峰期为每年的3月28日～4月19日;下树高峰期为每年的10月份。并同时对越冬幼虫上树过程中的物候学进行了观察。     

马尾松毛虫发生量灰色系统模型的建立及其预报

运用灰色系统理论的原理和方法，根据相关系数法和逐步回归法，分别选取与马尾松毛虫有虫面积、虫口密度、有虫株率相关关系密切的气象因子作为样本的因子变量，分别建立马尾松毛虫有虫面积、虫口密度、有虫诛率与气象因子的灰色系统预测模型。结果表明：所建立的各预测模型具有令人满意的预测效果。有虫面积模型预报因子数为8个时，预留样本的平均预测误差为7．47％；虫口密度模型预报因子数为6个时，预留样本的第1年预测不准，第2年的预测误差为2．21％；有虫株率模型预报因子数为5个时，预留样本的平均预测误差为3．60％,总预测成功率为83．33％.     

基于遗传神经网络混合模型预测马尾松毛虫发生量的研究

根据相关系数法、均生函数法及逐步回归法分别选取与马尾松毛虫有虫面积、虫口密度、虫株率相关关系密切的气象因子和延拓均生函数序列作为各预测模型的输入特征,分别建立马尾松毛虫有虫面积、虫口密度、虫株率与气象因子的GA-BP混合模型。结果表明,所建立的各GA-BP混合预测模型,具有令人满意的拟合精度和预测精度。当隐含层神经元个数为13个,预报因子数为6个时,3组预留有虫面积的平均预测误差为4．41％;虫口密度GA-BP混合模型的隐层神经元个数为9个,预报因子数为4个时,3组预留样本的平均预测误差为2．17％;虫株率GA-BP混合模型的隐层神经元个数为9个,预报因子数为4个时,3组预留样本的平均预测误差为4．25％。     

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。     

基于粒子群优化神经网络混合模型预测马尾松毛虫发生量

针对BP网络具有局部精确搜索但易陷入局部极小、粒子群算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的新算法--PSO-BP算法.根据相关系数法、均生函数法及逐步回归法分别选取与马尾松毛虫有虫面积、虫口密度、有虫株率相关关系密切的气象因子和延拓均生函数序列作为样本的输入特征,分别建立马尾松毛虫有虫面积、虫口密度、有虫株率与气象因子和延拓均生函数序列的PSO-BP混合模型.结果表明:建立的各PSO-BP混合模型,具有令人满意的拟合精度和预测精度.当隐含层神经元个数为13个,预报因子数为6个时,3组预留有虫面积的平均预测误差为4.01%;虫口密度PSO-BP混合模型的隐层神经元个数为9个,预报因子数为4个时,预留样本的平均预测误差为3.32%;有虫株率PSO-BP混合模型的隐层神经元个数为9个,预报因子数为4个时,预留样本的平均预测误差为2.83%.上述3个指标的预测准确率均为100%.     

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。     

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。     

三种松毛虫混合种群越冬幼虫空间格局的研究及其在实践中的应用

本文应用种群空间格局研究中的两种单指标方法和四种多指标方法,就三种松毛虫混合种群越冬幼虫的17组调查资料进行了分析,结果表明:三种松毛虫混合种群越冬幼虫空间格局的基本成分是疏松的个体群,且存在多重集群,小集群的面积较固定为2株油松所占区域,中等集群和大集群的面积分别约为8～10株和40株油松所占区域:个体群内个体的分布是随机的:属聚集度逆密度制约型种群,种群聚集的临界密度(m。)为0.157(头/株),即当mm_0时为聚集型分布;基本成分的分布格局可能由环境异质性所引起。此外,文中还应用Taylor幂法则中的两个参数,对最适理论抽样数和最适样方大小的确定以及资料代换方法等进行了探讨。