马尾松毛虫精细化预报回归建模试验研究

通过线性回归、曲线回归、非线性回归、Logistics回归等回归多次建模试验的比较,建立了显著性较高的马尾松毛虫发生量和幼虫高峰期线性预报模型。     

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。     

马尾松毛虫精细化预报径向基函数建模试验研究

采用神经网络径向基函数建模方法,通过反复建模试验的比较,排除相关性不高的干扰变量,选择合适的相关性较高的变量进行建模,以获得拟合度较高的模型,以满足马尾松毛虫精细化预报要求。     

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。     

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。     

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。     

马尾松毛虫的发生与防治

本文主要对马尾松毛虫的发生与防治为重点进行阐述,结合当下南岳马尾松毛虫大面积发生原因为主要依据,从人工防治法、塑料围环防治法、扒树盘防治法、灯诱防治法、喷洒药剂防治法、林地营救措施进行深入探索与研究,其目的在于加强马尾松毛虫防治力度,为推动林业产业发展提供有利条件。     

马尾松腮扁叶蜂发生期预测预报技术研究

马尾松腮扁叶蜂是腮扁叶蜂属的一个种,主要分布在重庆和四川等地,严重危害马尾松。该文运用林间观察和室内外饲养相结合的方法,对马尾松腮扁叶蜂的虫情调查方法和预测预报方法进行了研究。     

马尾松毛虫的发生与防治

马尾松毛虫以幼虫取食松针,大发生时针叶常被吃光,轻者影响松林生长,重者造成松树枯死。本文通过对马尾松毛虫形态特征、生态习性的详细介绍,总结了该虫的防治措施。     

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。     

基于文献学分析马尾松毛虫预测预报的研究综述

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。     

马尾松毛虫精细化预报建模变量筛选研究

通过相关性分析,结合精细化预报中的“精”“细”“简”要求和生产实践,确定了潜山县马尾松毛虫精细化预报建模来选用因子变量。     

新邵县马尾松毛虫的发生与防控

马尾松是新邵县的乡土树种,分布广,面积大,加之近年来退耕还林普遍栽植的湿地松和火炬松,为马尾松毛虫的繁殖以及暴发提供了丰富的食物来源。本文介绍了马尾松毛虫的生物学特性以及危害性,并提出了综合防控马尾松毛虫的措施和建议,以期为马尾松毛虫的防治提供参考。     

浙江省马尾松毛虫发生特点的研究

通过浙江省余杭县长乐林场1966—1978年和缙云县1972—1974年马尾松毛虫一次发生全过程的调查表明,在自然状态下,马尾松毛虫每隔3—4a大发生一次,大约相隔5—9个世代;大发生多在第一代,其次是越冬代;马尾松毛虫危害特点是“蚕食—嵌镶—联片发生。依据马尾松毛虫数量变动特点,把常灾区松林分为四种类型:渐进发生型、爆发发生型、扩散发生型和低密度稳定发生型。根据发生特点和发生类型,可相应采取生物防治和化学防治措施。     

桂阳县2007年马尾松毛虫发生趋势

2006年11月预测桂阳县2007年全年马尾松毛虫发生面积4．5万亩，其依据是：1、2006年存在少量防治效果较差区域和漏防区，形成新虫源地，并且虫口基数较大，在有利种群发展的气候环境、天敌、寄主等因子影响下，迅速向四周松林扩散，越冬前虫口密度分别达到50—80条／株、20—30条／株。     

云南松毛虫发生期与危害程度预测预报研究

运用发育进度法和期距法,提出了云南松毛虫(Dendrolimus houi Lajonquière)发生期初步测报式;编制出了云南松毛虫预测预报虫灾级数表,进而提出了云南松毛虫危害程度初步测报式.研究结果为确定防治适期和是否需要防治及如何防治提供了科学依据.     

马尾松毛虫危害程度分级预报的研究

根据相关系数法筛选出与马尾松毛虫各级危害程度的危害面积相关关系都比较密切的气象因子,分别建立多对多线性回归模型、脉冲响应函数模型、线性差分方程之带输入项的线性自回归模型、人工神经网络模型以及双重筛选逐步回归模型5种马尾松毛虫危害程度分级预报的数学模型。结果表明,运用所建立的5种分级预报模型对预留的4年共16组样本进行预测结果检验,都取得较好的预测效果,其中以线性差分方程之带输入项的线性自回归模型的预测效果最好,人工神经网络模型的预测效果次之,双重筛选逐步回归模型最差。