生物災(zāi)害精細(xì)化預(yù)報(bào)算法試驗(yàn)研究

儲江山++徐勝利++張國慶

摘要 精細(xì)化預(yù)報(bào)建模，除了“精”“細(xì)”之外，還要注重“簡”的精細(xì)化預(yù)報(bào)基本要求，只有這樣的算法模型，才能“化繁為簡”，才能在生產(chǎn)實(shí)踐中得到廣泛應(yīng)用。因此，算法與模型的的選擇，應(yīng)該按照“精”“細(xì)”“簡”要求，應(yīng)用最新數(shù)學(xué)、系統(tǒng)學(xué)成果和分析仿真工具，采用多種方式進(jìn)行試驗(yàn)比較，選擇合適的算法。就本次算法試驗(yàn)而言，對于潛山縣馬尾松毛蟲精細(xì)化預(yù)報(bào)，采用多層感知器建立馬尾松毛蟲預(yù)報(bào)模型較好。

關(guān)鍵詞 生物災(zāi)害；馬尾松毛蟲；回歸神經(jīng)網(wǎng)絡(luò)算法；安徽潛山

中圖分類號 S763.7 文獻(xiàn)標(biāo)識碼 A 文章編號 1007-5739（2015）18-0171-01

1 數(shù)據(jù)來源

馬尾松毛蟲發(fā)生量、發(fā)生期數(shù)據(jù)來源于潛山縣監(jiān)測數(shù)據(jù)，氣象數(shù)據(jù)來源于國家氣候中心。試驗(yàn)所用軟件為：IBM SPSS Statistics 22，Microsoft Office Excel 2007。

2 數(shù)據(jù)預(yù)處理

為了體現(xiàn)馬尾松毛蟲發(fā)生發(fā)展時(shí)間上的完整性，在數(shù)據(jù)處理時(shí)，將越冬代數(shù)據(jù)與上一年第2代數(shù)據(jù)合并，這樣就在時(shí)間上保持了一個(gè)馬尾松毛蟲世代的完整性，以便于建模和預(yù)測。

2.1 發(fā)生量數(shù)據(jù)處理

對潛山縣1983—2014年原始監(jiān)測數(shù)據(jù)預(yù)處理時(shí)，按照“輕”“中”“重”3個(gè)強(qiáng)度等級，分類按世代逐年匯總。

2.2 發(fā)生期數(shù)據(jù)處理

在對潛山縣1983—2014年原始發(fā)生期監(jiān)測數(shù)據(jù)按世代逐年匯總，然后將日期數(shù)據(jù)轉(zhuǎn)換成日歷天，使之?dāng)?shù)量化，以便于建模分析。

2.3 氣象數(shù)據(jù)處理

根據(jù)《松毛蟲綜合管理》《中國松毛蟲》等學(xué)術(shù)資料以及近年來有關(guān)馬尾松毛蟲監(jiān)測預(yù)報(bào)的學(xué)術(shù)論文[1-2]，初步選擇與松毛蟲的發(fā)生量、發(fā)生期有一定相關(guān)性的氣象因子，然后按照精細(xì)化管理的“精”“細(xì)”“簡”相關(guān)要求，選擇對當(dāng)前馬尾松毛蟲防治實(shí)踐有著較高指導(dǎo)意義的發(fā)生面積和幼蟲高峰期作為預(yù)報(bào)因子，采用SPSS進(jìn)行偏相關(guān)性的分析，再次排除相關(guān)性較低因子變量，并排除世代降雨量、幼蟲期降雨量、幼蟲期極低氣溫、幼蟲期平均氣溫、幼蟲期積溫等過時(shí)的數(shù)據(jù)，以減少過多相關(guān)性較低變量對于建模試驗(yàn)的干擾。

此外，在數(shù)據(jù)匯總中發(fā)現(xiàn)，第1代與第2代之間的氣象數(shù)據(jù)相差較大，為了保證試驗(yàn)的精確性，將第1代與第2代分開建模試驗(yàn)。各世代參加算法試驗(yàn)的變量見表1。

3 算法試驗(yàn)

3.1 回歸試驗(yàn)

使用IBM SPSS Statistics 22和Microsoft Office Excel 2007，多次選擇不同的變量，采用線性回歸、曲線回歸、非線性回歸、Logistics回歸等回歸建模試驗(yàn)的比較，再次排除了部分相關(guān)性較低的變量，最終選擇了擬合度較高的線性回歸模型，具體見表2。可以看出，顯著性概率小于或非常接近0.05，拒絕回歸系數(shù)都為0的原假設(shè)，算法試驗(yàn)基本滿足精細(xì)化預(yù)報(bào)試驗(yàn)要求。

3.2 神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)試驗(yàn)

使用IBM SPSS Statistics 22，經(jīng)過多次神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)試驗(yàn)，篩選擬合度高的馬尾松毛蟲精細(xì)化預(yù)報(bào)模型，試（下轉(zhuǎn)第178頁）

（上接第171頁）

驗(yàn)結(jié)果見表3。可以看出，采用徑向基函數(shù)建立的馬尾松毛蟲預(yù)報(bào)模型，基本滿足馬尾松毛蟲預(yù)報(bào)要求。

3.3 神經(jīng)網(wǎng)絡(luò)多層感知器試驗(yàn)

使用IBM SPSS Statistics 22，經(jīng)過多次神經(jīng)網(wǎng)絡(luò)多層感知器試驗(yàn)，篩選擬合度高的馬尾松毛蟲精細(xì)化預(yù)報(bào)模型，試驗(yàn)結(jié)果見表4?？梢钥闯?，采用多層感知器建立馬尾松毛蟲預(yù)報(bào)模型，R2均大于0.9，要優(yōu)于徑向基函數(shù)與回歸方法建立的模型。

3.4 時(shí)間序列分析算法試驗(yàn)

在算法試驗(yàn)中，還采用了多種時(shí)間序列分析算法，試驗(yàn)結(jié)果的擬合度都較低，達(dá)不到預(yù)報(bào)模型要求。

4 算法選擇與組合

一個(gè)好的算法，就是要“化繁為簡”，把復(fù)雜的事情交給計(jì)算機(jī)去做，最大程度地簡化人的操作。因此，對于馬尾松毛蟲精細(xì)化預(yù)報(bào)而言，只需要選擇對防治具有較高指導(dǎo)意義的發(fā)生面積、發(fā)生強(qiáng)度與幼蟲高峰期進(jìn)行預(yù)報(bào)算法研究。

就目前技術(shù)來說，用于建模的成蟲始見期數(shù)據(jù)，采用性誘或燈誘獲取最易于實(shí)現(xiàn)，而且成本低，數(shù)據(jù)可靠性高。發(fā)生面積和發(fā)生強(qiáng)度，建模中使用的是上一代數(shù)據(jù)，這個(gè)數(shù)據(jù)可以使用高分衛(wèi)片由計(jì)算機(jī)自動獲取，必要時(shí)采用成本低廉的遙控?zé)o人機(jī)對重點(diǎn)區(qū)域進(jìn)行遙測，對高分?jǐn)?shù)據(jù)進(jìn)行校正，盡量避免使用勞動強(qiáng)度大、成本高、可靠性低的人工地面監(jiān)測數(shù)據(jù)。

氣象數(shù)據(jù)可以從國家氣候中心直接獲取，包括歷史數(shù)據(jù)和周、旬預(yù)報(bào)數(shù)據(jù)[1-11]。

算法與模型的的選擇，應(yīng)該按照“精”“細(xì)”“簡”要求，應(yīng)用最新數(shù)學(xué)、系統(tǒng)學(xué)成果和分析仿真工具，采用多種方式進(jìn)行試驗(yàn)比較，選擇合適的算法。就本次算法試驗(yàn)而言，對于潛山縣馬尾松毛蟲精細(xì)化預(yù)報(bào)，采用多層感知器建立馬尾松毛蟲預(yù)報(bào)模型較好。

確定預(yù)報(bào)模型之后，以Arc GIS為平臺，結(jié)合SPSS或MATLAB分析仿真工具，對有害生物未來發(fā)生情況進(jìn)行精確描述、分析和仿真，根據(jù)仿真結(jié)果，發(fā)布生物災(zāi)害精細(xì)化預(yù)報(bào)。

5 參考文獻(xiàn)

[1] 張國慶.基于生態(tài)論的生物災(zāi)害精細(xì)化預(yù)報(bào)理論研究[J].現(xiàn)代農(nóng)業(yè)科技，2014（19）：146-150.

[2] 張國慶.基于TSE分析理論的林業(yè)生物災(zāi)害精細(xì)化預(yù)報(bào)技術(shù)研究[J].現(xiàn)代農(nóng)業(yè)科技，2014（19）：153-155.

[3] 張國慶.基于系統(tǒng)關(guān)鍵因子分析理論的林業(yè)有害生物防治關(guān)鍵期分析技術(shù)研究[J].現(xiàn)代農(nóng)業(yè)科技，2014（19）：199-201.

[4] 張國慶.基于系統(tǒng)健康管理理論的林業(yè)生物災(zāi)害精細(xì)化預(yù)報(bào)管理研究[J].現(xiàn)代農(nóng)業(yè)科技，2014（19）：197-198.

[5] 張國慶.森林健康與林業(yè)有害生物管理[J].四川林業(yè)科技，2008，29（6）：77-80

[6] 張國慶.馬尾松毛蟲精細(xì)化預(yù)報(bào)建模變量篩選[EB/OL].（2015-06-28）[2015-06-28].http：//blog.sciencenet.cn/home.php？mod=space&uid=3344&do=blog&id=901156.

[7] 張國慶.馬尾松毛蟲精細(xì)化預(yù)報(bào)回歸建模試驗(yàn)[EB/OL].（2015-06-28）[2015-06-28].http：//blog.sciencenet.cn/home.php？mod=space&uid=3344&do=blog&id=901157.

[8] 張國慶.馬尾松毛蟲精細(xì)化預(yù)報(bào)徑向基函數(shù)建模試驗(yàn)[EB/OL].（2015-06-28）[2015-06-28].http：//blog.sciencenet.cn/home.php？mod=space&uid=3344&do=blog&id=901158.

[9] 張國慶.馬尾松毛蟲精細(xì)化預(yù)報(bào)多層感知器建模試驗(yàn)[EB/OL].（2015-06-28）[2015-06-28].http：//blog.sciencenet.cn/home.php？mod=space &uid=3344&do=blog&id=901162.

[10] 張國慶.生物災(zāi)害精細(xì)化預(yù)報(bào)算法試驗(yàn)研究[EB/OL].（2015-06-28）[2015-06-28].http：//blog.sciencenet.cn/home.php？mod=space&uid=3344&do=blog&id=901163.

[11] 張國慶.生物災(zāi)害精細(xì)化預(yù)報(bào)理論基礎(chǔ)與技術(shù)集成[EB/OL].（2015-06-28）[2015-06-28].http：//blog.sciencenet.cn/home.php？mod=space &uid=3344&do=blog&id=901164.endprint