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。     

冬季最低气温对2～3代类型区马尾松毛虫发生面积的影响研究

研究表明:马尾松毛虫年度累计发生面积与冬季最低气温在直观上略呈反向关系,但线性关系不明显。基于径向基函数的神经网络分析表明,冬季最低气温对年度累计发生面积影响呈现明显的非线性关系,对马尾松毛虫的发生面积影响显著。因此,冬季最低气温可以作为马尾松毛虫预测预报非线性建模因子,开展马尾松毛虫精细化短期预报。     

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。     

卵期降雨量对马尾松毛虫发生量影响相关性分析研究——以安徽省潜山市为例

对安徽省潜山市1983年至2014年监测数据进行分析,研究结果表明,马尾松毛虫发生量与卵期降雨量不具有线性相关性,但具有很高的非线性相关性,并可以据此建立马尾松毛虫精细化预报模型。     

马尾松毛虫发生量时空回归预测的研究

[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％。     

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。     

基于响应面方法的马尾松毛虫发生量混沌特性检测及其预测

以非线性动力学为基础,通过响应面方法建立马尾松毛虫有虫面积序列密度依赖离散世代的非线性模型.结果表明:用响应面方法检测的马尾松毛虫有虫面积序列具有混沌特征,马尾松毛虫世代间有虫面积动态为2级相关,可以用前1代及前2代的有虫面积预测下1代的有虫面积,且预测准确性较高.     

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。     

马尾松毛虫的生活习性及预测预报

分析了马尾松毛虫的危害,阐述了其生活习性,介绍了几种虫情调查方法和发生期预测预报的方法,以期为马尾松毛虫的防治提供借鉴。     

马尾松毛虫的主要防治措施

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。     

福建省马尾松毛虫发生与ENSO事件的关系

以1971～1991年(反)厄尔尼诺事件、南方涛动指数及福建省马尾松毛虫发生程度的资料为基础,探讨它们之间的关系,揭示这种关系产生的内在机制,并建立福建省马尾松毛虫发生预测预报模型.结果表明:福建省马尾松毛虫发生与(反)厄尔尼诺事件年、南方涛动指数总和变动异常年有显著关联;所建立模型精度达83.33%,可以对马尾松毛虫发生、气候异常起监测作用.     

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。     

马尾松毛虫发生量空间定点预报模型的研究

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％。     

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。     

飞机防治马尾松毛虫飞行高度对防治效果的影响分析

2010年潜山县第2代马尾松毛虫发生面积2.01万hm2,根据虫情,确定飞机防治面积1.2万hm2,共设计9个作业区。通过防治效果调查分析,结合历年来潜山县马尾松毛虫飞机防治经验,马尾松毛虫飞机防治,要选择在气象条件较好的早春越冬代或秋季第2代进行防治,有利于飞机飞行作业,并能保证飞机作业高度在50 m左右,既保证防治效果,又减少药液飘移污染,最大限度地减少对蚕业的影响。     

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。     

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％.     

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。     

马尾松毛虫种群动态预测

本文根据广西省柳城县(1969～1987)19年马尾松毛虫发生危害面积的历史资料、应用马尔柯夫链理论和方法,对1988、1989年马尾松毛虫动态进行了预测,结果与实况完全相符合。     

武平县马尾松毛虫的综合治理

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。