油松毛虫越冬幼虫“部分轮枝抽样”技术的研究

本文探讨以油松的“部分轮枝”(从油松基部起第1,2,3轮枝层中着生1,2a生针叶的枝条段构成的轮枝层)代替整株油松作为样本单元,估计油松毛虫越冬幼虫口密度的可行性;拟合积性模型建立了越冬幼虫种群的“部分轮枝抽样”模型;并对模型的估计精度、可靠性及置信区间进行了分析,导出了理论抽样数的计算公式;最后对“部分轮枝抽样”模型进行了实际应用检验。     

赤松毛虫幼虫在油松树冠中的分布及抽样估计的初步研究

该文调查了赤松毛虫幼虫在天然油松林树冠中的分布规律。同时探讨了应用轮枝、枝条为抽样单元估测全株虫口的抽样估计方法,建立了回归估计模型。     

马尾松毛虫种群数量与马尾松树高和树冠大小关系的初步研究

1988—1989年笔者在浙江省金华县,研究了马尾松毛虫Dendrolimus pun-ctatus Walker越冬后、第一代、第二代种群数量与马尾松树高和树冠大小的关系。结果表明,松毛虫的种群分布与树冠大小密切相关,在同一林分中,不论高树、矮树、树冠大小,平均每平方米树冠投影面积的上方林冠的虫数近似相等。因此,对矮树每平方米树冠投影面积的虫数调查,可以估测全林分的虫口密度(条/m~2),也可以调查矮树上的虫数和冠幅与高树的冠幅,估测全林分的虫口密度(条/株)。根据每平方米树冠投影面积的平均虫数和针叶量与松毛虫食叶量的关系,可以预测危害程度。     

油松毛虫蛹种群的简易序贯抽样决策模型

本文将Steel-Torrie序贯决策模型与Gerrard-Chiang种群密度的简易估计模型相结合,推导出了油松毛虫蛹种群的“简易序贯决策”模型。拟定蛹种群的防治指标m。=3枚蛹/株,则相对应的有蛹株率P_1=exp[-(m。/1.9318)~(0:8717)]=77％,序贯决策限模型,即q个样株中有蛹株数的上界,下界,允许误差h=0.15时的最大抽样数q_(max)=[t_a~2P_t(1-P_t)]h~2≈32。 简易序贯抽样方法仅需检查样本单元中有无虫即可,而不必逐一统计虫口数,因而比较简便。     

松毛虫蛹和越冬幼虫空间分布型及取样方法研究

为准确掌握松毛虫的发生量,提高调查精度和预测预报的准确性,选择6块具代表性的林地,对松毛虫蛹、越冬幼虫空间分布型及取样方法进行了研究。研究结果表明,松毛虫蛹及越冬幼虫基本属于聚集分布,蛹期调查取样以Z 字形、越冬幼虫以对角线为最好,调查范围以树冠投影内为宜。本文给出了不同虫口密度下最佳取样株数参数表和越冬幼虫上树虫口估测参数表。     

泡桐金花虫空间分布型及抽样技术的研究

泡桐金花虫成虫、幼虫、蛹的空间分布型属于负二项分市,最适抽样方法为例“V”字型抽样,最小抽样比为成虫与幼虫为50:1,蛹为60:1。可用树冠下层虫口数回归估计整株虫数。     

马尾松毛虫抽样技术新探索

本文提出了一种新的马尾松毛虫种群密度的估计方法。该方法以单位叶鲜重为统计单位,通过剪枝抽样估计种群密度。对幼虫、蛹样地的回估结果表明,精度基本上满足要求。     

应用矮树虫口调查估计马尾松毛虫种群密度的研究*

应用矮树虫口调查估计马尾松毛虫种群密度的研究毛超旭，王武昂，汤荣堂，严小君，周国法关键词马尾松毛虫，种群密度，树冠投影马尾松毛虫幼虫的调查一般均在２～３ｍ高的小树上直接进行。前人曾研究了松毛虫种群数量与马尾松树高、树冠大小之间的关系，并提出若以单位面...     

油松飞播林油松毛虫空间分布型初步研究

由频次分布X~2检验法和聚集度指标法统计结果表明,油松毛虫在油松飞播纯林空间分布型为负二项分布。其聚集的程度随着种群密度的升高而增大。种群的扩散为聚集型扩散。结果还表明,种群中是以个体群存在的。个体群的平均大小亦随着虫口密度的升高而增大。在一定的允许误差(0.1、0.2、0.3)内,最适抽样数分别为168株、45株和20株。并且与虫口密度关系不密切。     

快速预测马尾松毛虫越冬代幼虫发生量方法的研究

从抽样单位的选择入手，调查和分析了马尾松毛虫越冬代恢复取食Ⅳ龄幼虫在寄主上的垂直分布规律，研究得出的中，高虫口密度发生量测报模式，估计算林分虫口发生量在虫情级３级（１０条／株）以上时，预报准确度为８０％～９０％。     

中国晋盾蚧雌戍虫空闻分布型及抽样技术研究

本文对中国晋盾蚧雌成虫空间分布型及抽样技术进行了研究,研究表明,该虫在旱柳防护林的树冠内和林间均为负二项分布;虫口密度在树冠上的分布,具有东侧>西侧>北侧>南侧和上层>中层>下层之特点;在防护林带或块状林地内,用折线式取样均有较高精度;以着虫末级枝为取样单位,在树冠西侧三层各抽一枝所得虫口密度均值对整株虫口密度均值有很强的代表性。     

套袋—剪枝法昆虫种群抽样调查技术的研究

本文介绍了套袋一剪枝抽样方法用于马尾松毛虫幼虫种群密度调查的情况．并研究了此法的抽样技术和害虫的空间分布型，分析和推导出了概率统计数学模型，探讨了虫口密度单位的换算等问题．此法可以克服传统方法的某些弊端，精度较高，具有一定的实用价值．     

三种松毛虫混合种群幼虫抽样技术的研究

本文应用Taylor幂法则模型中的两个参数a和b,就3种松毛虫混合种群幼虫的抽样技术进行了以下几个方面的研究:①最适理论抽样数的确定;②种群密度的简易估计;③复序贯抽样技术;④简易序贯抽样技术;⑤简单随机抽样最适样方大小的确定;⑥资料代换方法。此外,文中还就种群聚集临界密度进行了探讨。为进行松毛虫种群动态的研究和实施综合管理决策,提供了优化的抽样设计,收到了良好的应用效果.     

大袋蛾种群的空间格局及理论抽样数的研究

研究表明,大袋蛾袋囊中的活幼虫空间分布型呈聚集分布。在夏末、秋冬季,当允许误差D=0.2时,不同虫口密度下X的抽样数为n=(167.5700)/X+10.2525;在冬季当D=0.05时,且不同活体老熟幼虫虫口密度为X,理论抽样数为n=(246.6000)/X+209.9200。大袋蛾袋囊及越冬活幼虫在东、西、南、北各方位的分布,以南方聚集度最大,种群数量最大,大袋蛾在各轮枝上垂直分布经F测验,各轮枝间差异不显著。     

蜀柏毒蛾种群密度简易调查法的研究

对蜀柏毒蛾低龄幼虫有虫株率(p)与虫口密度(m)进行相关分析,两者存在着极显著的相关关系,种群大暴发时期的相关模型为m_1=9.16346〔—In(1—p)〕~(1.27004)。种群数量相对稳定时期的相关模型和m_2=4.23675[—In(l—p]~(1.03675)]经协方差分析,两者差异极显著。由此分别编制了有虫株率与虫口密度的关系表。实际应用时只需调查有虫株率,即可从这个关系表中查出虫口密度的估计值,而不需实查虫口数。并对误差进行了检验,其准确率80％左右。同时,对目标精度固定时的抽样数以及抽样数固定时的抽样误差进行探讨。另外对以有虫株率来检定林间蜀柏毒蛾的发生程度的序贯抽样进行了分析。     

石榴毡蚧种群的空间格局及其抽样模型的建立

【目的】了解石榴毡蚧在石榴林间的空间分布格局,为摸清石榴毡蚧的危害情况及变化趋势提供参考,并为石榴毡蚧的预测预报及科学防控提供依据。【方法】采用聚集度指标、线性回归模型,对石榴毡蚧种群空间分布格局进行分析,并利用Blackith种群聚集均数(λ)分析其聚集原因,建立最适理论抽样数模型与最佳序贯抽样模型。【结果】石榴毡蚧种群空间分布为聚集型负二项分布,且分布具有密度依赖性。石榴毡蚧种群在任意密度下都是聚集的,其聚集强度随种群密度升高而增加。通过λ-m相关分析,得出回归方程λ=0.509 7m-0.342 8,R~2=0.723 7。当λ2时,种群聚集可能是由于某些环境因素作用所引起;当λ≥2时,种群聚集是环境因素和昆虫习性的共同作用;当λ=2时,m=4.596 4。实际λ值均远大于2,每叶石榴毡蚧虫口数量均大于4.596 4头。建立的最适理论抽样数=模型为n(1/D)2 (15.886 0/m+0.382 6),依据该模型能确定不同虫口密度、不同误差条件下的最适理论抽样数。最佳序贯抽样模型为T 0′(n),T 0′(n)=5n±9.433 7n,依据该模型可计算出不同累计虫口数相应抽样数的上、下限值。【结论】石榴毡蚧种群空间分布为聚集型负二项分布,这是石榴毡蚧种群对生态环境适应的结果。聚集分布是其生活习性和生存环境综合影响的结果。根据所建立的抽样模型能准确计算出最适理论抽样数和虫口的数量。     

3种松毛虫混合种群幼虫在油松林上垂直分布规律的探讨

本文采用Iwao的m-m回归分析方法和Blackith的种群聚集均数(λ),对油松毛虫、赤松毛虫、落叶松毛虫混合种群幼虫(7龄)在油松林立体空间上的分布规律进行了探讨。结果表明,无论以轮枝层为样方还是以整株树为样方,均呈聚集型分布;分布的基本成分为h_5层上存在个体群、h_1、h_2层上为单个个体,余者个体问均系相互排斥的;种群密度2～3头/层(株)为其聚集机制发生变化的临界值,此为生产中值得注意的生物学指标。     

马尾松毛虫发生量的非线性似乎不相关分析

根据非线性似乎不相关回归原理,建立仙居县1983—2009年马尾松毛虫虫口密度、有虫面积和有虫株率的非线性似乎不相关回归模型,结果表明:虫口密度、有虫面积和有虫株率的非线性似乎不相关模型的拟合精度高于普通最小二乘法的拟合精度;用非线性似乎不相关模型预测未参与建模的2010—2011年4代马尾松毛虫的虫口密度、有虫面积和有虫株率,预测的平均相对误差分别为18.25%,18.17%和14.35%。     

基于人工神经网络的马尾松毛虫发生量预测模型的研究

运用人工神经网络的原理和方法，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，虫株率相关关系密切的气象因子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，虫株率与气象因子的BP网络模型。结果表明，所建立的各BP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15个，预报因子数为8个时，2组预留有虫面积的2a平均预测误差为3.15%，虫口密度BP模型的隐层神经元个数为8个，预报因子数为6个时，预留样本的平均预测误差为5.91%，虫株率BP模型的隐层神经元个数为4个，预报因子数为5个时，预留样本的平均预测误差为10.65%。     

松毛虫幼虫空间分布型及应用的研究初报

研究、阐明松毛虫的空间分布型,不仅可以决定松毛虫调查确切的抽样方法,准确地估计其种群密度,对研究资料提出适当的数理统计方法;而且还可以利用这种信息,分析松毛虫种群数量的消长,有助于提高测报与防治技术。为此,我们于1982—83年做了4—8龄松毛虫幼虫种群空间分布型的调查研究,获得了一些初步结果。