留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

灾变模型在马尾松毛虫幼虫发生量预报中的应用

张书平 余燕 毕守东 周夏芝 邹运鼎 张国庆 张桢 方国飞 宋玉双

张书平, 余燕, 毕守东, 周夏芝, 邹运鼎, 张国庆, 张桢, 方国飞, 宋玉双. 灾变模型在马尾松毛虫幼虫发生量预报中的应用[J]. 浙江农林大学学报, 2020, 37(1): 93-99. doi: 10.11833/j.issn.2095-0756.2020.01.012
引用本文: 张书平, 余燕, 毕守东, 周夏芝, 邹运鼎, 张国庆, 张桢, 方国飞, 宋玉双. 灾变模型在马尾松毛虫幼虫发生量预报中的应用[J]. 浙江农林大学学报, 2020, 37(1): 93-99. doi: 10.11833/j.issn.2095-0756.2020.01.012
ZHANG Shuping, YU Yan, BI Shoudong, ZHOU Xiazhi, ZOU Yunding, ZHANG Guoqing, ZHANG Zhen, FANG Guofei, SONG Yushuang. A catastrophe model to forecast larvae occurrence of Dendrolimus punctatus[J]. Journal of Zhejiang A&F University, 2020, 37(1): 93-99. doi: 10.11833/j.issn.2095-0756.2020.01.012
Citation: ZHANG Shuping, YU Yan, BI Shoudong, ZHOU Xiazhi, ZOU Yunding, ZHANG Guoqing, ZHANG Zhen, FANG Guofei, SONG Yushuang. A catastrophe model to forecast larvae occurrence of Dendrolimus punctatus[J]. Journal of Zhejiang A&F University, 2020, 37(1): 93-99. doi: 10.11833/j.issn.2095-0756.2020.01.012

灾变模型在马尾松毛虫幼虫发生量预报中的应用

doi: 10.11833/j.issn.2095-0756.2020.01.012
基金项目: 

国家林业公益性创业科研专项 201404410

详细信息
    作者简介: 张书平, 从事生物数学研究。E-mail:2711143928@qq.com
    通信作者: 毕守东, 教授, 博士, 从事种群生态、数量生态研究。E-mail:bishoudong@163.com
  • 中图分类号: S763.3

A catastrophe model to forecast larvae occurrence of Dendrolimus punctatus

  • 摘要:   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。
  • 表  1  马尾松毛虫越冬代、1代幼虫和2代幼虫累计虫口数

    Table  1.   Accumulative population of D. punctatus during wintering, first and second generation larvae

    序号 年份 累计虫口数/(头·株-1)
    越冬代 1虫 2虫
    1 1989 42.5 18.3 34.1
    2 1990 37.3 42.5 18.4
    3 1991 18.5 7.6 13.2
    4 1992 12.2 7.8 11.8
    5 1993 7.8 7.4 26.5
    6 1994 18.6 38.6 40.4
    7 1995 18.2 19.6 19.6
    8 1996 38.6 40.1 52.6
    9 1997 42.1 7.1 12.4
    10 1998 - - -
    11 1999 6.2 6.6 11.6
    12 2000 7.6 7.2 12.3
    13 2001 6.2 6.1 12.6
    14 2002 7.1 8.6 16.4
    15 2003 15.7 18.6 18.8
    16 2004 7.6 7.7 22.6
    17 2005 6.4 16.4 12.6
    18 2006 6.6 12 11.8
    19 2007 6.4 12.6 12.1
    20 2008 6.6 12.1 13.2
    21 2009 8.4 12.8 13.8
    22 2010 16.2 16.2 26.8
    23 2011 16.6 16.1 16.7
    24 2012 7.2 7.4 8.9
    25 2013 7.2 6.7 7.2
    26 2014 6.4 6.7 7.4
    27 2015 6.2 6.3 7.4
    28 2016 7.1 6.6 8.1
    说明:"-"表示数据缺失
    下载: 导出CSV

    表  2  马尾松毛虫越冬代虫口数预测的拟合值与误差

    Table  2.   Fitting value and error of population prediction of D. punctatus in overwintering generation

    序号 大于阈值的年份 虫口数/(头·株-1) 精度/%
    观察值 拟合值 误差
    x(1) 1989 1 1.00 0 100.00
    x(2) 1990 2 2.96 -0.96 51.94
    x(3) 1991 3 3.88 -0.88 70.78
    x(4) 1994 6 5.07 0.93 84.58
    x(5) 1995 7 6.64 0.36 94.91
    x(6) 1996 8 8.70 -0.70 91.29
    x(7) 1997 9 11.38 -2.38 73.50
    x(8) 2003 15 14.90 0.10 99.36
    x(9) 2010 22 19.51 2.49 88.68
    x(10) 2011 23 25.54 -2.54 88.95
    下载: 导出CSV

    表  3  马尾松毛虫1代幼虫虫口数预测的拟合值与误差

    Table  3.   Fitting value and error of prediction of population number of first generation larvae of D. punctatus

    序号 大于阈值的年份 虫口数/(头·株-1) 精度/%
    观察值 拟合值 误差
    x(1) 1989 1 1.00 0 100.00
    x(2) 1990 2 4.97 -2.97 48.75
    x(3) 1994 6 6.34 -0.34 94.40
    x(4) 1995 7 8.07 -1.07 84.72
    x(5) 1996 8 10.28 -2.28 71.53
    x(6) 2003 15 13.09 1.91 87.27
    x(7) 2005 17 16.67 0.33 98.07
    x(8) 2010 22 21.23 0.77 96.52
    x(9) 2011 23 27.04 -4.04 82.42
    下载: 导出CSV

    表  4  马尾松毛虫2代幼虫虫口数预测的拟合值与误差

    Table  4.   Fitting value and error of prediction of population number of second generation larvae of D. punctatus

    序号 大于阈值的年份 虫口数/(头·株-1) 精度/%
    观察值 拟合值 误差
    x(1) 1989 1 1.00 0 100.00
    x(2) 1990 2 4.40 -2.40 19.80
    x(3) 1993 5 5.36 -0.36 92.88
    x(4) 1994 6 6.53 -0.53 91.23
    x(5) 1995 7 7.95 -0.95 86.40
    x(6) 1996 8 9.69 -1.69 78.89
    x(7) 2002 14 11.81 2.19 84.33
    x(8) 2003 15 14.38 0.62 95.90
    x(9) 2004 16 17.53 -1.53 90.46
    x(10) 2010 22 21.36 0.64 97.07
    x(11) 2011 23 26.02 -3.02 86.87
    下载: 导出CSV
  • [1] 萧刚柔.中国森林害虫[M]. 2版.北京:林业出版社, 1992:948-953.
    [2] 侯陶谦.中国松毛虫[M].北京:科学出版社, 1987:188-191.
    [3] 邹运鼎, 程扶玖, 查光济.松针内含物与马尾松毛虫生存发育关系的研究[J].林业科学, 1990, 26(2):142-148.

    ZOU Yunding, CHENG Fujiu, CHA Guangji. Effect of the chemical components of pine needle on the existence and growth of pine caterpillars Dendrolimus punctatus[J]. Sci Silv Sin, 1990, 26(2):142-148.
    [4] 张真, 李典谟.马尾松毛虫暴发机制分析[J].林业科学, 2008, 44(1):140-150.

    ZHANG Zhen, LI Dianmo. Approach to outbreak mechanism of Dendrolimus punctatus[J]. Sci Silv Sin, 2008, 44(1):140-150.
    [5] 陈绘画, 王坚娅, 徐志宏.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[J].东北林业大学学报, 2011, 39(9):94-96.

    CHEN Huihua, WANG Jianya, XU Zhihong. Application of response-surface methodology to chaos detection and forecast of occurrence quantity of Dendrolimus punctatus[J]. J Northeast For Univ, 2011, 39(9):94-96.
    [6] 张爱兵, 陈建, 王正军, 等. BP网络模型和LOGIT模型在森林害虫测报上的应用初报[J].生态学报, 2001, 21(12):2159-2156.

    ZHANG Aibing, CHEN Jian, WANG Zhengjun, et al. The application of BP model and LOGIT model to prediction of forest insect pests[J]. Acta Ecol Sin, 2001, 21(12):2159-2156.
    [7] 田万银, 徐华潮.浙江沿海防护林马尾松毛虫的预测预报模型[J].环境昆虫学报, 2012, 34(4):401-406.

    TIAN Wanyin, XU Huachao. The prediction model of Dendrolimus punctatus Walker in coastal shelterbelt of Zhejiang[J]. J Environ Entomol, 2012, 34(4):401-406.
    [8] 许章华, 李聪慧, 刘健.马尾松毛虫害等级的Fisher判别分析[J].农业机械学报, 2014, 45(6):401-406.

    XU Zhanghua, LI Conghui, LIU Jian. Fisher discriminant analysis of Dendrolimus punctatus Walker pest level[J]. Trans Chin Soc Agric Mach, 2014, 45(6):401-406.
    [9] PARK Y S, CEREGHINO R, COMPIN A. Applications of artificial neural networks for patterning and predicting aquatic insect species richness in running waters[J]. Ecol Modelling, 2003, 160(3):265-280.
    [10] 唐启义. DPS数据处理系统[M]. 2版.北京:科学出版社, 2010:1084-1092.
    [11] 张传珂.应用灰色系统模型对麦蜘蛛灾变预测的研究[J].安徽农业科学, 2005, 33(2):221-222.

    ZHANG Chuanke. Research on the forecast of the sudden change of the wheat spider with grey system theory[J]. J Anhui Agric Sci, 2005, 33(2):221-222.
    [12] 王守会, 戴建国, 赖军臣, 等.基于GM(1, 1)模型的新疆棉叶螨预测研究[J].绿洲农业科学与工程, 2016(4):25-30.

    WANG Shouhui, DAI Jianguo, LAI Junchen, et al. Predictive study on Xinjiang cotton spider mites based on GM(1, 1) models[J]. Oasis Agric Sci Eng, 2016(4):25-30.
    [13] 熊彩珍, 白锡川.灰色理论在桑螟灾变预测中的应用[J].蚕业科学, 2009, 35(4):869-871.

    XIONG Caizheng, BAI Xichuan. Application of grey theory in forecasting the Diaphania pyloalis cataclysm[J]. Sci Seric, 2009, 35(4):869-871.
    [14] 吴秋芳, 贺春玲, 路志芳.杨树苗圃地下害虫灰色灾变预测研究[J].湖北农业科学, 2014, 53(15):3553-3559.

    WU Qiufang, HE Chunling, LU Zhifang. Grey disaster forecast of soil-inhabiting pests of poplar nursery[J]. Hubei Agric Sci, 2014, 53(15):3553-3559.
    [15] 宋丁权, 周晓路.灾变模型在马尾松毛虫灾级预报上的应用[J].南京林业大学学报, 1993, 17(2):75-78.

    SONG Dingquan, ZHOU Xiaolu. Application of disaster model to Dendrolimus punctatus disaster degree prediction[J]. J Nanjing For Univ, 1993, 17(2):75-78.
  • [1] 沈鹏, 李功权.  基于生态位因子模型的湖北省松材线虫病风险评估 . 浙江农林大学学报, 2021, 38(3): 560-566. doi: 10.11833/j.issn.2095-0756.20200365
    [2] 柳懿祥, 汪杭军, 徐铁平.  1种基于全局对比度的害虫收集方法 . 浙江农林大学学报, 2021, 38(2): 369-376. doi: 10.11833/j.issn.2095-0756.20200318
    [3] 叶碧欢, 李海波, 叶卫邦, 陈友吾.  锈色粒肩天牛幼虫的COⅠ、COⅡ、Cytb和28S基因片段序列分析 . 浙江农林大学学报, 2020, 37(2): 303-310. doi: 10.11833/j.issn.2095-0756.2020.02.015
    [4] 叶晓明, 钱宇汀, 叶雯, 沈黄莹, 曾燕如, 喻卫武, 戴文圣.  香榧绿藻的生物学特性及物种鉴定 . 浙江农林大学学报, 2019, 36(4): 629-637. doi: 10.11833/j.issn.2095-0756.2019.04.001
    [5] 原晓龙, 李娟, 李云琴, 王毅.  1个含有SDR结构域PKS/NRPS基因的克隆 . 浙江农林大学学报, 2019, 36(6): 1247-1253. doi: 10.11833/j.issn.2095-0756.2019.06.024
    [6] 张恒, 孙子健, 张运林, 金森, 王玉霞.  不同距离气象数据对细小可燃物含水率预测模型精度的影响 . 浙江农林大学学报, 2018, 35(3): 529-536. doi: 10.11833/j.issn.2095-0756.2018.03.019
    [7] 卜宇飞, 祁骁杰, 温俊宝, 许志春.  2种天牛幼虫的4类声行为特征 . 浙江农林大学学报, 2017, 34(1): 50-55. doi: 10.11833/j.issn.2095-0756.2017.01.008
    [8] 王凯, 牛树奎.  基于Rothermel模型的北京鹫峰国家森林公园潜在火行为 . 浙江农林大学学报, 2016, 33(1): 42-50. doi: 10.11833/j.issn.2095-0756.2016.01.006
    [9] 汪爱娟, 洪文英, 吴燕君, 李阿根, 张舟娜, 许张杰.  浙江塘栖枇杷黄毛虫种群数量特征及预测模型 . 浙江农林大学学报, 2016, 33(4): 712-717. doi: 10.11833/j.issn.2095-0756.2016.04.022
    [10] 秦飞飞, 唐丽华.  基于数字高程模型的森林火灾远程视频同步跟踪算法 . 浙江农林大学学报, 2012, 29(6): 917-922. doi: 10.11833/j.issn.2095-0756.2012.06.017
    [11] 信晓颖, 江洪, 周国模, 余树全, 王永和.  加拿大森林火险气候指数系统(FWI)的原理及应用 . 浙江农林大学学报, 2011, 28(2): 314-318. doi: 10.11833/j.issn.2095-0756.2011.02.023
    [12] 项移娟, 管剑锋, 李健, 黄继玉, 马良进.  浙江省松材线虫病发生程度预测预报模型 . 浙江农林大学学报, 2011, 28(5): 775-778. doi: 10.11833/j.issn.2095-0756.2011.05.015
    [13] 和秋菊, 易传辉.  曲足侎缘蝽生物学特性及防治 . 浙江农林大学学报, 2008, 25(3): 363-366.
    [14] 沈幼莲, 劳冲, 冯林国.  慈溪市蔗扁蛾生物学特性及防治 . 浙江农林大学学报, 2008, 25(3): 367-370.
    [15] 楼雄伟, 方陆明, 徐爱俊, 叶祥根.  多源数据融合下的森林防火本底数据库建立 . 浙江农林大学学报, 2008, 25(4): 405-410.
    [16] 毛胜凤, 张立钦, 张健, 林海萍, 马良进, 徐清信.  马尾松叶提取物的抗菌活性 . 浙江农林大学学报, 2008, 25(3): 359-362.
    [17] 胡国良, 程益鹏, 楼君芳, 王国杜, 夏国华, 陈建刚, 章祖平.  山核桃花蕾蛆生物学特性及防治技术 . 浙江农林大学学报, 2007, 24(4): 463-467.
    [18] 张思玉, 蔡金榜, 陈细目.  杉木幼林地表可燃物含水率对主要火环境因子的响应模型 . 浙江农林大学学报, 2006, 23(4): 439-444.
    [19] 谢大洋.  毛竹枯梢病灾区区划及预测模型 . 浙江农林大学学报, 2003, 20(4): 398-402.
    [20] 蒋文伟, 管宇, 王祖良, 潘军辉.  灰色残差GM (1 , 1)模型在大气二氧化硫预测中的应用 . 浙江农林大学学报, 2002, 19(2): 178-181.
  • 加载中
  • 链接本文:

    https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.2020.01.012

    https://zlxb.zafu.edu.cn/article/zjnldxxb/2020/1/93

计量
  • 文章访问数:  1422
  • HTML全文浏览量:  381
  • PDF下载量:  25
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-12-28
  • 修回日期:  2019-04-02
  • 刊出日期:  2020-02-20

灾变模型在马尾松毛虫幼虫发生量预报中的应用

doi: 10.11833/j.issn.2095-0756.2020.01.012
    基金项目:

    国家林业公益性创业科研专项 201404410

    作者简介:

    张书平, 从事生物数学研究。E-mail:2711143928@qq.com

    通信作者: 毕守东, 教授, 博士, 从事种群生态、数量生态研究。E-mail:bishoudong@163.com
  • 中图分类号: S763.3

摘要:   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。

English Abstract

张书平, 余燕, 毕守东, 周夏芝, 邹运鼎, 张国庆, 张桢, 方国飞, 宋玉双. 灾变模型在马尾松毛虫幼虫发生量预报中的应用[J]. 浙江农林大学学报, 2020, 37(1): 93-99. doi: 10.11833/j.issn.2095-0756.2020.01.012
引用本文: 张书平, 余燕, 毕守东, 周夏芝, 邹运鼎, 张国庆, 张桢, 方国飞, 宋玉双. 灾变模型在马尾松毛虫幼虫发生量预报中的应用[J]. 浙江农林大学学报, 2020, 37(1): 93-99. doi: 10.11833/j.issn.2095-0756.2020.01.012
ZHANG Shuping, YU Yan, BI Shoudong, ZHOU Xiazhi, ZOU Yunding, ZHANG Guoqing, ZHANG Zhen, FANG Guofei, SONG Yushuang. A catastrophe model to forecast larvae occurrence of Dendrolimus punctatus[J]. Journal of Zhejiang A&F University, 2020, 37(1): 93-99. doi: 10.11833/j.issn.2095-0756.2020.01.012
Citation: ZHANG Shuping, YU Yan, BI Shoudong, ZHOU Xiazhi, ZOU Yunding, ZHANG Guoqing, ZHANG Zhen, FANG Guofei, SONG Yushuang. A catastrophe model to forecast larvae occurrence of Dendrolimus punctatus[J]. Journal of Zhejiang A&F University, 2020, 37(1): 93-99. doi: 10.11833/j.issn.2095-0756.2020.01.012
  • 马尾松毛虫Dendrolimus punctatus分布于安徽、河南、四川、贵州、陕西、云南、江西、江苏、湖南、浙江、福建、广东、海南和广西等, 主要危害马尾松Pinus massoniana, 还危害黑松Pinus thunbergii, 火炬松Pinus taeda, 湿地松Pinus elliottii, 晚松Pinus rigida var. serotina和海南松Pinus fenzeliana等松属Pinus植物。20世纪中叶在中国森林害虫中马尾松毛虫是发生最广、危害面积最大、经常猖獗成灾的害虫。在广大丘陵地区虫害此起彼伏, 为害时如同火烧, 造成了巨大的经济效益和生态效益损失。该虫不但影响林业生产, 还危害人身健康[1-4], 人们的林事活动中接触马尾松毛虫毒毛, 容易引发皮炎和关节肿痛。进入21世纪, 封山育林、混交、间作等措施优化了森林生态环境, 使马尾松毛虫的危害得到有效控制, 但该虫具有强大的繁殖潜力, 遇到有利的生态环境极易爆发成灾, 不能放松对它的监测。马尾松毛虫1 a发生2~4代, 发生世代的多少随不同地方而异。在河南省信阳地区1 a发生2代为主, 在长江流域诸省1 a发生2~3代, 而在广东、广西、福建南部1 a发生3~4代, 海南1 a发生4~5代[1]。安徽潜山县1 a发生3代, 即4-6月上旬为越冬代, 6月上旬至8月中下旬为1代, 8月中下旬至12月为2代。马尾松毛虫发生的预测预报是对其进行综合防治的基本工作。研究者[5-9]分别采用不同的预测方法预测马尾松毛虫的发生量、虫害等级、发生类别、发生空间格局, 为马尾松毛虫的综合防治工作提供了有力支持。由于各地气象条件、植被条件和地形地貌等不同, 马尾松毛虫的发生特点也不完全相同。为了有效地防治马尾松毛虫, 本研究采用灰色理论中的灾变预测法研究了安徽省潜山县马尾松毛虫幼虫越冬代、1代和2代严重发生的年份, 以期为马尾松毛虫的综合治理提供科学依据。

    • 马尾松毛虫资料来自国家林业和草原局森林病虫中心测报点——安徽省潜山县森林病虫防治站, 时间跨度为1989-2016年, 其中1998年缺失。采用踏查和详查相结合的方法, 沿林班线、林道、公路、铁路等线路调查, 目测发生范围、危害状况, 发现虫情或灾情立即设临时标准地, 采取平行线抽样法抽取20株标准株详查。幼虫期调查, 1~2龄幼虫调查枯黄卷曲的枝数, 推算幼虫数, 3龄以上的幼虫且3 m以下的小树直接调查合计树冠上的幼虫数, 大树用"虫粪粒推算法"调查, 幼虫越冬期间调查树干基部树皮缝中的幼虫数推算全部虫口。

    • 灰色系统理论认为, 一切随机量都是在一定范围内、一定时段上变化的灰色量及其灰色过程, 主张从事物内部研究其发展变化规律。对于灰色量的处理, 不是去寻求它的统计规律和概率分布, 而是从无规律的原始数据中找出规律, 即对数据通过一定方式处理后再建立模型。因为客观系统无论怎样复杂, 它总是有关联、有序、有整体功能的, 作为系统行为特征的数据, 总是蕴含着某种规律。

      原始数据${x^{(0)}} = \left[ {\begin{array}{*{20}{l}} {x_{(1)}^{(0)}, }&{x_{(2)}^{(0)}, }&{ \cdots , x_{(n)}^{(0)}} \end{array}} \right]$, $x_{(i)}^{(0)}$指数列x(0)中第i年的发生数量。令ξ为异常值, 如果$x_{(i)}^{(0)} \ge \xi $为灾变, 则称这种情况为上灾变。如果$x_{(i)}^{(0)} \le \xi $为灾变, 则称为下灾变。一般上下灾变统称灾变, ξ为灾变阈值, 或灾变值[10]。在害虫发生量和为害损失的预测预报中, 最关心的是上灾变, 也即预测数量或损失超过某个阈值出现的时间。x(0)中每一个数据$x_{(\mathit{k})}^{(0)}$应该说是数值$x_{(\mathit{k})}^{(0)}$与年序号k的二元组合, 记为[k, $x_{(\mathit{k})}^{(0)}$]。

      如果在x(0)中有新的数列$x_\xi ^{(0)} = \left[ {x_{\left( {{1^\prime }} \right)}^{(0)}, \quad x_{\left( {{2^\prime }} \right)}^{(0)}, \cdots , x_{\left( {{n^\prime }} \right)}^{(0)}} \right]$, n′<n是符合灾变定义的数列, 则对于上灾变$x_{\left( {{i^\prime }} \right)}^{(0)}$≥ξ, V′∈[1′, 2′, …, n′], 其中:i′为灾变年序号, V′为灾变年序号取值范围。

      x(0)xξ(0)是一种映射, 记为ξ:[x(0)]→[xξ(0)]。为了建立灾变预测数据集, 将二元组合$x_{\left( {{i^\prime }} \right)}^{(0)}$记为[i′, $x_{\left( {{i^\prime }} \right)}^{(0)}$]。

      为了便于辨认, 特记灾变年序号i′为z(i′)或z(i)。并作灾变号映射p, p[xξ(0)]=(ω); p[xξ(0)]=[z(1′), z(2′), …, z(n′)]=(z), 记z的1次累加生成数(accumulated generating operation, OAG)为OAG:(z)→(z(1)), 则灾变预测的GM(1, 1)模型有如下算式:d(z)(1)/dt+az(1)=u, $\hat{a}=\left[\begin{array}{l} {a} \\ {u} \end{array}\right], \quad \hat{a}=\left(\boldsymbol{B}^{\mathrm{T}} \boldsymbol{B}\right)^{-1} \boldsymbol{B}^{\mathrm{T}} y_{N}$, 其中:t为年份, a为发展灰数, u为内生控制灰数, $\hat a$为待估灰数, B为累加矩阵, BT为转置矩阵, yN为常数项向量。

      $$ \mathit{\boldsymbol{B}} = \left[ {\begin{array}{*{20}{c}} { - (1/2)\left[ {{z^{(1)}}(1) + {z^{(1)}}(2)} \right]}&1\\ { - (1/2)\left[ {{z^{(1)}}(2) + {z^{(1)}}(3)} \right]}&1\\ \cdots&\cdots \\ { - (1/2)\left[ {{z^{(1)}}(N - 1) + {z^{(1)}}(N)} \right]}&1 \end{array}} \right], \;\;{y_N} = \left[ {\begin{array}{*{20}{c}} {z(2)}\\ {z(3)}\\ \cdots \\ {z(N)} \end{array}} \right]。 $$

      灾变模型为${\hat z^{(1)}}(k + 1) = \left[ {{z^{(0)}}(1) - u/a} \right]{{\rm{e}}^{ - ak}} + u/a$, 其中:z(0)为原始灾变年序号, 如z(0)(1)为第1次发生灾变的年份, 即1989年, ${\hat z^{(1)}}(k + 1)$为灾变年序号。

    • 马尾松毛虫每年越冬代、1代幼虫和2代幼虫的累计虫口数见表 1, 将其作为原始数据。

      表 1  马尾松毛虫越冬代、1代幼虫和2代幼虫累计虫口数

      Table 1.  Accumulative population of D. punctatus during wintering, first and second generation larvae

      序号 年份 累计虫口数/(头·株-1)
      越冬代 1虫 2虫
      1 1989 42.5 18.3 34.1
      2 1990 37.3 42.5 18.4
      3 1991 18.5 7.6 13.2
      4 1992 12.2 7.8 11.8
      5 1993 7.8 7.4 26.5
      6 1994 18.6 38.6 40.4
      7 1995 18.2 19.6 19.6
      8 1996 38.6 40.1 52.6
      9 1997 42.1 7.1 12.4
      10 1998 - - -
      11 1999 6.2 6.6 11.6
      12 2000 7.6 7.2 12.3
      13 2001 6.2 6.1 12.6
      14 2002 7.1 8.6 16.4
      15 2003 15.7 18.6 18.8
      16 2004 7.6 7.7 22.6
      17 2005 6.4 16.4 12.6
      18 2006 6.6 12 11.8
      19 2007 6.4 12.6 12.1
      20 2008 6.6 12.1 13.2
      21 2009 8.4 12.8 13.8
      22 2010 16.2 16.2 26.8
      23 2011 16.6 16.1 16.7
      24 2012 7.2 7.4 8.9
      25 2013 7.2 6.7 7.2
      26 2014 6.4 6.7 7.4
      27 2015 6.2 6.3 7.4
      28 2016 7.1 6.6 8.1
      说明:"-"表示数据缺失
    • 根据安徽省潜山县森林病虫害防治总站提供的1983-2016年马尾松毛虫发生情况的资料, 马尾松毛虫越冬代虫口数大于15头·株-1的年份为大发生年, 故以每株虫口数15头为灾变阈值。

    • 原始数列为x(0)={x(0)(1), x(0)(2), …, x(0)(28)}={42.5, 37.3, 18.5, 12.2, 7.8, 18.6, 18.2, 38.6, 42.1, 6.2, 7.6, 6.2, 7.1, 15.7, 7.6, 6.4, 6.6, 6.4, 6.6, 8.4, 16.2, 16.6, 7.2, 7.2, 6.4, 6.2, 7.1}。对原始数列作灾变映射, 按ξ≥15得灾变数列:

      ξ{x(0)}={42.5, 37.3, 18.5, 18.6, 18.2, 38.6, 42.1, 15.7, 16.2, 16.6}={x(0)(1), x(0)(2), x(0)(3), x(0)(6), x(0)(7), x(0)(8), x(0)(9), x(0)(15), x(0)(22), x(0)(23)}={x(0)(1′), x(0)(2′), x(0)(3′), x(0)(4′), x(0)(5′), x(0)(6′), x(0)(7′), x(0)(8′), x(0)(9′), x(0)(10′)}=xξ(0)

      然后再作灾变序号映射p, p{xξ(0)}={z}, pxξ(0)={z(1′), z(2′), z(3′), z(4′), z(5′), z(6′), z(7′), z(8′), z(9′), z(10′)}={1′, 2′, 3′, 4′, 5′, 6′, 7′, 8′, 9′, 10′}=z

      由于1′=1, 2′=2, 3′=3, 4′=6, 5′=7, 6′=8, 7′=9, 8′=15, 9′=22, 10′=23, 故得到灾变日期集z={1, 2, 3, 6, 7, 8, 9, 15, 22, 23}即为建模时所需的原始数列。

    • 对灾变年序集z建立GM(1, 1)模型, 按原始数列z={1, 2, 3, 6, 7, 8, 9, 15, 22, 23}作OAG(一次累加生成算子)得:

      OAG{z(0)}=z(1)={z(1)(1), z(1)(2), z(1)(3), z(1)(4), z(1)(5), z(1)(6), z(1)(7), z(1)(8), z(1)(9), z(1)(10)}={1, 3, 6, 12, 19, 27, 36, 51, 73, 96}。

      z(1)建模:$\hat a = {\left( {{\mathit{\boldsymbol{B}}^{\rm{T}}}\mathit{\boldsymbol{B}}} \right)^{ - 1}}{\mathit{\boldsymbol{B}}^{\rm{T}}}{y_N} = \left[ {\begin{array}{*{20}{c}} { - 0.269\;33}\\ {2.311\;06} \end{array}} \right]$, 即$\hat a$=-0.269 33, u=2.311 06, u/a=-8.580 75, z(0)(1)=1, 由此得出马尾松毛虫越冬代虫口数的GM(1, 1)灾变预测模型:${\hat z^{(1)}}(k + 1)$=9.580 75e0.269 33k-8.580 75。

      将根据马尾松毛虫越冬代虫口数的GM(1, 1)灾变预测模型得到的拟合值、误差等列于表 2

      表 2  马尾松毛虫越冬代虫口数预测的拟合值与误差

      Table 2.  Fitting value and error of population prediction of D. punctatus in overwintering generation

      序号 大于阈值的年份 虫口数/(头·株-1) 精度/%
      观察值 拟合值 误差
      x(1) 1989 1 1.00 0 100.00
      x(2) 1990 2 2.96 -0.96 51.94
      x(3) 1991 3 3.88 -0.88 70.78
      x(4) 1994 6 5.07 0.93 84.58
      x(5) 1995 7 6.64 0.36 94.91
      x(6) 1996 8 8.70 -0.70 91.29
      x(7) 1997 9 11.38 -2.38 73.50
      x(8) 2003 15 14.90 0.10 99.36
      x(9) 2010 22 19.51 2.49 88.68
      x(10) 2011 23 25.54 -2.54 88.95

      对观察值和拟合值间的差异进行t检验, t=0.101 7, df=18时, t0.05=2.10, tt0.05, 差异不显著, 平均误差(2个均数之差)只有观察值均数的3.40%。实际观察值与通过GM(1, 1)灾变预测模型得到的拟合值之间误差较小, 各灾变年的平均精度为84.40%, 总体精度(观察值的平均值减去误差的平均值与观察值的平均值之比)为96.25%。由此可以通过这个模型求得未来5个时刻的预测值, 用所建灾变预测模型${\hat z^{(1)}}(k + 1)$=9.580 75e0.269 33k-8.580 75对未来马尾松毛虫越冬代灾变年份进行预测${\hat z^{(0)}}(11) = {\hat z^{(1)}}(11)$-z(1)(10)=33.434 8, 由原始序号得知, 原始序列最后一次灾变是2011年, z(0)(10)=23, 现预测下一次灾变年的序号${\hat z^{(0)}}(11)$=33.434 8, 即从2011年马尾松毛虫越冬代灾变年算起, 再过10 a即2021年为马尾松毛虫越冬代大发生年, 同理可预测之后年份z(t+1)=33.434 8, z(t+2)=43.769 1, z(t+3)=57.297 6, z(t+4)=75.007 5, z(t+5)=98.191 4。

    • 与上述马尾松毛虫越冬代虫口数GM(1, 1)灾变预测模型相似, 由表 1根据阈值大于15头·株-1可以得到马尾松毛虫1代幼虫虫口数GM(1, 1)灾变预测模型。

      原始数列为x(0)={x(0)(1), x(0)(2), ..., x(0)(28)}={18.3, 42.5, 7.6, 7.8, 7.4, 38.6, 19.6, 40.1, 7.1, 6.6, 7.2, 6.1, 8.6, 18.6, 7.7, 16.4, 12.0, 12.6, 12.1, 12.8, 16.2, 16.1, 7.4, 6.7, 6.7, 6.3, 6.6}。

      对原始数列作灾变映射, 按ξ≥15得灾变数列, 最终得到灾变日期集={1, 2, 6, 7, 8, 15, 17, 22, 23}即为建模时所需的原始数列。

      OAG得:OAG{z(0)}=z(1)={1, 3, 9, 16, 24, 39, 56, 78, 101}。

      z(1)建模:$\hat a = {\left( {{\mathit{\boldsymbol{B}}^{\rm{T}}}\mathit{\boldsymbol{B}}} \right)^{ - 1}}{\mathit{\boldsymbol{B}}^{\rm{T}}}{y_N} = \left[ {\begin{array}{*{20}{c}} { - 0.241\;87}\\ {4.155\;67} \end{array}} \right]$, 即$\hat a$=-0.241 87, u=4.155 67, u/a=-17.181 8, z(0)(1)=1, 由此得出马尾松毛虫1代幼虫虫口数的GM(1, 1)灾变预测模型:${\hat z^{(1)}}(k + 1)$=18.181 8e0.241 87k-17.181 8。

      将根据马尾松毛虫1代幼虫虫口数的GM(1, 1)灾变预测模型得到的拟合值、误差等列于表 3

      表 3  马尾松毛虫1代幼虫虫口数预测的拟合值与误差

      Table 3.  Fitting value and error of prediction of population number of first generation larvae of D. punctatus

      序号 大于阈值的年份 虫口数/(头·株-1) 精度/%
      观察值 拟合值 误差
      x(1) 1989 1 1.00 0 100.00
      x(2) 1990 2 4.97 -2.97 48.75
      x(3) 1994 6 6.34 -0.34 94.40
      x(4) 1995 7 8.07 -1.07 84.72
      x(5) 1996 8 10.28 -2.28 71.53
      x(6) 2003 15 13.09 1.91 87.27
      x(7) 2005 17 16.67 0.33 98.07
      x(8) 2010 22 21.23 0.77 96.52
      x(9) 2011 23 27.04 -4.04 82.42

      对观察值和拟合值的差异进行t检验, t=0.218 6, df=16时, t0.05=2.12, tt0.05, 两者差异不显著, 平均误差(2个均数之差)只有观察值均数的6.49%。实际观察值与通过GM(1, 1)灾变预测模型得到的拟合值之间误差较小, 各灾变年的精度平均为84.85%, 总体精度为92.34%。由此可以通过这个模型求得未来5个时刻的预测值, 用所建灾变预测模型${\hat z^{(1)}}(k + 1)$=18.181 8e0.241 87k-17.181 8对未来马尾松毛虫一代幼虫灾变年份进行预测${\hat z^0}(10) = {\hat z^{(1)}}(10)$-z(1)(9)=34.443 8, 由原始序号得知, 原始序列最后一次灾变是2011年, z(0)(9)=23, 现预测下一次灾变年的序号${\hat z^{(0)}}(10)$=34.443 8, 即从2011年马尾松毛虫1代幼虫灾变年算起, 再过11 a即2022年为马尾松毛虫一代幼虫大发生年, 同理可以预测之后年份z(t+1)=34.443 8, z(t+2)=43.868 4, z(t+3)=55.871 7, z(t+4)=71.159 5, z(t+5)=90.630 2。

    • 与马尾松毛虫越冬代和1代幼虫虫口数GM(1, 1)灾变预测模型相似, 由表 1根据阈值大于15头·株-1可以得到马尾松毛虫2代幼虫虫口数GM(1, 1)灾变预测模型。

      原始数列为x(0)={x(0)(1), x(0)(2), ..., x(0)(28)}={34.1, 18.4, 13.2, 11.8, 26.5, 40.4, 19.6, 52.6, 12.4, 11.6, 12.3, 12.6, 16.4, 18.8, 22.6, 12.6, 11.8, 12.1, 13.2, 13.8, 26.8, 16.7, 8.9, 7.2, 7.4, 7.4, 8.1}。

      对原始数列作灾变映射, 按ξ≥15得灾变数列, 最终得到灾变日期集z={1, 2, 5, 6, 7, 8, 14, 15, 16, 22, 23}即为建模时所需的原始数列。

      OAG得:OAG{z(0)}=z(1)={1, 3, 8, 14, 21, 29, 43, 58, 74, 96, 119}。

      z(1)建模:$\hat a = {\left( {{\mathit{\boldsymbol{B}}^{\rm{T}}}\mathit{\boldsymbol{B}}} \right)^{ - 1}}{\mathit{\boldsymbol{B}}^{\rm{T}}}{y_N}\left[ {\begin{array}{*{20}{c}} { - 0.197\;58}\\ {3.778\;40} \end{array}} \right]$, 即$\hat a$=-0.197 58, u=3.778 40, u/a=-19.123 7, z(0)(1)=1, 由此得出马尾松毛虫2代幼虫虫口数的GM(1, 1)灾变预测模型:${\hat z^{(1)}}(k + 1)$=20.123 7e0.197 58k-19.123 7。

      将根据马尾松毛虫2代幼虫虫口数的GM(1, 1)灾变预测模型得到的拟合值、误差等列于表 4

      表 4  马尾松毛虫2代幼虫虫口数预测的拟合值与误差

      Table 4.  Fitting value and error of prediction of population number of second generation larvae of D. punctatus

      序号 大于阈值的年份 虫口数/(头·株-1) 精度/%
      观察值 拟合值 误差
      x(1) 1989 1 1.00 0 100.00
      x(2) 1990 2 4.40 -2.40 19.80
      x(3) 1993 5 5.36 -0.36 92.88
      x(4) 1994 6 6.53 -0.53 91.23
      x(5) 1995 7 7.95 -0.95 86.40
      x(6) 1996 8 9.69 -1.69 78.89
      x(7) 2002 14 11.81 2.19 84.33
      x(8) 2003 15 14.38 0.62 95.90
      x(9) 2004 16 17.53 -1.53 90.46
      x(10) 2010 22 21.36 0.64 97.07
      x(11) 2011 23 26.02 -3.02 86.87

      对观察值和拟合值的差异进行t检验, t=0.195 2, df=20时, t0.05=2.09, tt0.05, 两者差异不显著, 平均误差只占观察值均数的5.4%。实际观察值与通过GM(1, 1)灾变预测模型得到的拟合值之间误差较小, 各灾变年的精度平均为84.08%, 总体平均精度为94.09%。由此可以通过这个模型求得未来5个时刻的预测值, 用所建灾变预测模型${\hat z^{(1)}}(k + 1)$=20.123 7e0.197 58k-19.123 7对未来马尾松毛虫2代幼虫灾变年份进行预测${\hat z^{(0)}}(12) = {\hat z^{(1)}}(12)$-z(1)(11)=31.704 2, 由原始序号得知, 最后一次灾变是2011年, z(0)(11)=23, 现预测下一次灾变年的序号${\hat z^{(0)}}(12)$=31.704 2, 即从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, 同理可预测之后年份z(t+1)=31.704 2, z(t+2)=38.629 8, z(t+3)=47.068 4, z(t+4)=57.350 3, z(t+5)=69.878 2。

    • 利用灰色灾变模型预测法对安徽省潜山县1989-2016年马尾松毛虫幼虫越冬代、1代和2代累计虫口的灾变进行预测, GM(1, 1)灾变预测模型分别是${\hat z^{(1)}}(k + 1)$=9.580 75e0.269 33k-8.580 75, ${\hat z^{(1)}}(k + 1)$=18.181 8 e0.241 87k-17.181 8和${\hat z^{(1)}}(k + 1)$=20.123 7e0.197 58k-19.123 7。根据预测模型求得的已知年份的拟合值与观察值进行t检验, t=0.101 7, 0.218 6和0.195 2, 均小于t0.05, 差异均不显著, 总体平均精度达96.25%、92.34%和94.09%, 各灾变年精度平均值为84.40%、84.85%和84.08%, 误差极小。说明灾变预测法对马尾松毛虫幼虫发生量灾变的预测预报是一种较理想的预报方法。从2011年算起, 预测越冬代灾变年为2021年, 1代灾变年为2022年, 2代灾变年为2020年。

      害虫种群的消长, 其本质是害虫种群与环境之间进行物质交换和能量传递的结果, 它既含有已知的信息, 又含有未知的或非确知的信息, 实际上是一个灰色系统。灰色系统灾变预测一般是指某种大于阈值的灾害在哪一年份出现, 灰色系统灾变预测已经运用到国民经济各个方面的预测, 在植物保护方面也被大量利用。在农业害虫的预测上, 预测结果与实际情况吻合度很高[11-13]。灰色系统灾变预测结果在林业害虫的预测上也有报道, 吴秋芳等[14]对河南省安阳县杨树Populus苗圃地下害虫进行灰色灾变预测, 平均精度达90.40%。宋丁权等[15]用灰色理论中的灾变模型以及灰色区间模型对马尾松毛虫灾级出现的年份进行了模拟、预测和分析, 也取得了较好的效果。与中国马尾松毛虫发生的其他省区相比, 安徽省马尾松毛虫发生的偶灾区, 由于安徽省马尾松林面积较大, 加之还有一定面积的湿地松和火炬松的纯林和混交林, 为马尾松毛虫的猖獗提供了发生的基础条件, 安徽省地处亚热带和温带的过渡带, 温、湿、降雨等气候条件均适宜于马尾松毛虫的发生, 马尾松毛虫发生的森林环境, 常灾区绝大部分为海拔100~300 m的丘陵地区, 偶灾区为海拔300~500 m的山区, 海拔500 m以上的山区很少有马尾松毛虫发生, 安徽省为海拔400~800 m的偶灾区[1]。马尾松毛虫在遇到适宜的发生条件, 极易爆发成灾, 所以对马尾松毛虫猖獗成灾的预报有着重要的意义。本研究预测了安徽省潜山县马尾松毛虫越冬代、1代和2代幼虫发生的严重年份, 平均精度分别为96.25%、92.34%和94.09%。灰色灾变模型预测法预测周期长, 预测结果精度高, 是较理想的预测方法。对灰色灾变模型的应用在原始序列数据中应有一定的时间长度, 这样精度才能提高, 再者灾变模型随着时间的推移, 也需要不断更新和修正。

参考文献 (15)

目录

    /

    返回文章
    返回