馬尾松毛蟲(chóng)2～3齡高峰期預(yù)報(bào)神經(jīng)網(wǎng)絡(luò)建模試驗(yàn)

摘要：根據(jù)安徽省安慶市大觀區(qū)馬尾松毛蟲(chóng)監(jiān)測(cè)數(shù)據(jù)，通過(guò)神經(jīng)網(wǎng)絡(luò)模型建模進(jìn)行試驗(yàn)，結(jié)果表明，選擇合適的神經(jīng)網(wǎng)絡(luò)模型和訓(xùn)練參數(shù)，其預(yù)測(cè)精度完全可以滿足生產(chǎn)預(yù)報(bào)要求。

關(guān)鍵詞：馬尾松毛蟲(chóng)；幼蟲(chóng)高峰期；神經(jīng)網(wǎng)絡(luò)；預(yù)報(bào)

基金項(xiàng)目：林業(yè)公益性行業(yè)科研項(xiàng)目“全國(guó)林業(yè)生物災(zāi)害精細(xì)化預(yù)報(bào)及管理基礎(chǔ)應(yīng)用研究”（201404410）

中圖分類(lèi)號(hào)： S763.3；S763.7 文獻(xiàn)標(biāo)識(shí)碼： A DOI編號(hào)： 10.14025/j.cnki.jlny.2018.14.066

1 數(shù)據(jù)來(lái)源與預(yù)處理

馬尾松毛蟲(chóng)（Dendrolimus punctatus Walker）發(fā)生期數(shù)據(jù)來(lái)源于歷年監(jiān)測(cè)數(shù)據(jù)，氣象數(shù)據(jù)來(lái)源于國(guó)家氣候中心，為便于建模分析，將發(fā)生期數(shù)據(jù)的日期格式（年/月/日）轉(zhuǎn)換成日歷天。由于馬尾松毛蟲(chóng)最佳防治時(shí)期為2～3齡幼蟲(chóng)期，將2～3齡幼蟲(chóng)高峰期作為預(yù)報(bào)因變量（目標(biāo)變量Targets），氣象數(shù)據(jù)作為自變量（輸入變量Input）。

此外，大觀區(qū)屬于2～3代馬尾松毛蟲(chóng)發(fā)生區(qū)，以幼蟲(chóng)越冬，為了體現(xiàn)馬尾松毛蟲(chóng)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)與上一年第二代數(shù)據(jù)合并，這樣，就在時(shí)間上保持了一個(gè)馬尾松毛蟲(chóng)世代的完整性，更便于建模和預(yù)測(cè)。

轉(zhuǎn)換成日歷天的2～3齡幼蟲(chóng)高峰期數(shù)據(jù)如表1所示。

2 輸入變量的篩選

將表1數(shù)據(jù)與相應(yīng)的氣象數(shù)據(jù)合并，采用Excel2016對(duì)進(jìn)行相關(guān)性分析，通過(guò)相關(guān)性分析，第一代2～3齡幼蟲(chóng)高峰期與第1、2齡平均氣溫，第1、2齡積溫（日度），第1、2齡極低氣溫，卵期極低氣溫相關(guān)性較高；第二代2～3齡幼蟲(chóng)高峰期與成蟲(chóng)始見(jiàn)期，卵期平均氣溫，卵期積溫（日度），第1、2齡極低氣溫相關(guān)性較高[1-9]。

3 建模試驗(yàn)工具選擇

選擇Matlab2016a中神經(jīng)網(wǎng)絡(luò)工具Neural Net Fitting進(jìn)行建模試驗(yàn)。

4 第一代2～3齡幼蟲(chóng)高峰期建模試驗(yàn)

將第一代2～3齡幼蟲(chóng)高峰期數(shù)據(jù)（目標(biāo)變量Targets）命名為變量t1y，將自變量（輸入變量Input）第1、2齡平均氣溫，第1、2齡積溫（日度），第1、2齡極低氣溫，卵期極低氣溫命名為t1x，選擇合適的網(wǎng)絡(luò)訓(xùn)練參數(shù)，進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。網(wǎng)絡(luò)訓(xùn)練如圖1：

訓(xùn)練結(jié)果，訓(xùn)練樣本、驗(yàn)證樣本、測(cè)試樣本的R值分別為0.875337、1和1。誤差直方圖如圖2，訓(xùn)練樣本、驗(yàn)證樣本、測(cè)試樣本、所有數(shù)據(jù)回歸圖如圖3：

5 第二代發(fā)生量建模試驗(yàn)

將第二代2～3齡幼蟲(chóng)高峰期數(shù)據(jù)（目標(biāo)變量Targets）變量命名為t2y，將自變量（輸入變量Input）成蟲(chóng)始見(jiàn)期，卵期平均氣溫，卵期積溫（日度），第1、2齡極低氣溫命名為t2x，選擇合適的網(wǎng)絡(luò)訓(xùn)練參數(shù)，進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。網(wǎng)絡(luò)訓(xùn)練如圖4：

訓(xùn)練結(jié)果，訓(xùn)練樣本、驗(yàn)證樣本、測(cè)試樣本的R值分別為0.402150、1和1。誤差直方圖如圖5，訓(xùn)練樣本、驗(yàn)證樣本、測(cè)試樣本、所有數(shù)據(jù)回歸圖6：

6 討論

從圖3和圖6可以看出，本次建模試驗(yàn)的驗(yàn)證樣本、測(cè)試樣本的R值均為1。因此，只要選擇合適的建模因子和網(wǎng)絡(luò)訓(xùn)練參數(shù)，通過(guò)神經(jīng)網(wǎng)絡(luò)建模，完全可以對(duì)馬尾松毛蟲(chóng)2～3齡幼蟲(chóng)高峰期進(jìn)行預(yù)測(cè)，且預(yù)測(cè)精度可以滿足生產(chǎn)預(yù)報(bào)要求[10-13]。

參考文獻(xiàn)

[1]張國(guó)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（20）：155-157.

[2]張國(guó)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）：200-202.

[3]張國(guó)慶.復(fù)雜系統(tǒng)生態(tài)論方法及其應(yīng)用[J].現(xiàn)代農(nóng)業(yè)科技，2013（11）：190-193.

[4]張國(guó)慶.基于高分辨率遙感數(shù)據(jù)與TSE方法的生態(tài)系統(tǒng)精細(xì)化管理技術(shù)研究[J].現(xiàn)代農(nóng)業(yè)科技，2015（16）：154～157.

[5]張楨.潛山縣松毛蟲(chóng)病調(diào)查分析及精細(xì)化預(yù)防對(duì)策[J].現(xiàn)代農(nóng)業(yè)科技，2015（15）：148-150.

[6]汪全兵，陳南松，張國(guó)慶.馬尾松毛蟲(chóng)精細(xì)化預(yù)報(bào)回歸建模試驗(yàn)研究[J].現(xiàn)代農(nóng)業(yè)科技，2015（18）：173.

[7]賀剛，操丙周，張國(guó)慶.馬尾松毛蟲(chóng)精細(xì)化預(yù)報(bào)多層感知器建模試驗(yàn)研究[J].現(xiàn)代農(nóng)業(yè)科技，2015（16）：174.

[8]張國(guó)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（06）：77-80.

[9]張國(guó)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（20）：148-152

[10]張國(guó)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）：198-199.

[11]儲(chǔ)江山，徐勝利，張國(guó)慶.生物災(zāi)害精細(xì)化預(yù)報(bào)算法試驗(yàn)研究——以潛山縣馬尾松毛蟲(chóng)為例[J].現(xiàn)代農(nóng)業(yè)科技，2015（18）：172.

[12]朱純祥，張汪炎，胡德松，張國(guó)慶.林業(yè)生物災(zāi)害精細(xì)化預(yù)報(bào)理論基礎(chǔ)與技術(shù)集成——以潛山縣馬尾松毛蟲(chóng)為例[J].現(xiàn)代農(nóng)業(yè)科技，2015（17）：202-204.

[13]熊端元，朱汪興，張國(guó)慶.馬尾松毛蟲(chóng)精細(xì)化預(yù)報(bào)徑向基函數(shù)建模試驗(yàn)研究[J].現(xiàn)代農(nóng)業(yè)科技，2015（16）：163.

作者簡(jiǎn)介：丁邦達(dá)，本科學(xué)歷，工程師，研究方向：林業(yè)技術(shù)