陳祥 潛山市龍?zhí)多l(xiāng)林業(yè)工作站

一、研究目的

為精準編制下一年度的松材線蟲?。˙ursaphelenchus xylophilus（SteineretBuhrer） ）防治預算，就需要較為準確地預測下一年度松材線蟲病的發(fā)生量，尤其是需要準確預測與防治預算數(shù)額直接相關的病死木數(shù)量。因為，松材線蟲病防治中的主要支出就是病死木的清理與安全處理，該費用一般占防治總費用80%左右。此外，年度防治預案和作業(yè)設計也需要在上一年度完成編制，這些防治文書的編制都提出了較為準確地預測病死木數(shù)量的要求。

由于松材線蟲病發(fā)生機理的復雜性，當前準確預測松材線蟲病發(fā)生數(shù)量尚有一定困難。為了較為準確地為編制松材線蟲病防治預算和相關防治文書提供病死木預測數(shù)據(jù)，我們在總結歷年來松材線蟲病防治實踐經驗基礎上，借鑒當前國內有關松材線蟲病研究成果，[1-5]通過松材線蟲病媒介昆蟲松褐天牛（Monochamus alternatus Hope）的發(fā)生量，來預測松材線蟲病病死木數(shù)量。

二、研究方法

當前松褐天牛發(fā)生量的調查方法主要有誘捕器誘捕監(jiān)測法、林間解剖標準木清點松褐天牛幼蟲數(shù)量法、調查松褐天牛蛀孔數(shù)等方法。這些方法都存在一定的局限性，其中誘捕器誘捕監(jiān)測法成本較高，難以用來進行全面監(jiān)測；林間解剖標準木清點松褐天牛幼蟲數(shù)量的方法工作量太大、勞動強度高，且采伐解剖標準木會對松林產生一定程度的破壞，該辦法也不適用于全面監(jiān)測；調查松褐天牛蛀孔數(shù)來推測松褐天牛發(fā)生量，盡管簡單易行，但由于松褐天牛蛀孔數(shù)量要大大少于松褐天?？滩蹟?shù)，而且還有不少蛀孔位于身高以上位置，因此，在調查中，松褐天牛蛀孔尋找比較費時。

為此，我們在秋季松材線蟲病普查時，按照《林業(yè)有害生物監(jiān)測預報技術規(guī)范》（LY/T 2516-2015）開展監(jiān)測調查，[6]選擇數(shù)量相對較多的松褐天?？滩蹟?shù)作為調查對象，且只調查便于尋找和清點的胸高（1.3m處）上下25cm（共計50cm）樹干的當年新鮮刻槽，即胸高50cm 段刻槽（簡稱胸高刻槽，nick at breast height，NBH），以此來推算松褐天牛發(fā)生數(shù)量，進而預測松材線蟲病病死木發(fā)生數(shù)量，然后以該小班（病死樹數(shù)量非零林地一張圖小班面積）的小班面積作為松材線蟲病發(fā)生面積。

本次建模研究直接使用胸高刻槽（NBH）來預測所在小班松材線蟲病病死木數(shù)量。研究數(shù)據(jù)來源于安徽省潛山市龍?zhí)多l(xiāng)2017 年-2019 年松褐天牛/松材線蟲病監(jiān)測調查數(shù)據(jù)（表1），將表1 中“2017年NBH 數(shù)（個/株）”和“2018 年病死樹數(shù)（株/hm2）”作為建模研究的培訓數(shù)據(jù)，“2018 年NBH 數(shù)（個/株）”作為預測驗證數(shù)據(jù)，并將預測結果與“2019 年病死樹數(shù)（株/hm2）”（實際數(shù)據(jù)）進行比較，計算預測精度。

三、建模訓練

將表1 中“2017 年NBH 數(shù)（個/株）”和“2018 年病死樹數(shù)（株/hm2）”導入IBM SPSS Statistics 22，選擇多層感知器分析工具，調整分析參數(shù)，進行人工神經網絡培訓訓練，代碼如下：

*Multilayer Perceptron Network.

MLP 下一年度病死樹數(shù)（MLEVEL=S）WITH 上一年度NBH 數(shù)

/RESCALE COVARIATE= STANDARDI ZED

/PARTITION TRAINING=7 TESTING=3 HOLDOUT=0

/ARCHITECTURE AUTOMATIC=YES（MINUNITS=1 MAXUNITS=50）

/CRITERIA TRAINING=ONLINE OPTIMIZATION=GRADIENTDESCENT LEARNINGINITIAL= 0.4 LEARNING LOWER = 0.001 LEARNINGEPOCHS = 10 MOMENTUM= 0.9 INTERVALCENTER =0 INTERVALOFFSET= 0.5 MEMSIZE=1000

/PRINT CPS NETWORKINFO SUMMARY CLASSIFICATION SOLUTION IMPORTANCE

/P L O T N E T W O R K P R E D I C T E D RESIDUAL

/STOPPINGRULES ERRORSTEPS=1（DATA=AUTO）TRAININGTIMER=ON（MAXTIME=15）MAXEPOCHS=AUTO ERRORCHANGE=1.0E-4 ERRORRATIO=0.0010

/MISSING USERMISSING=EXCLUDE.

在訓練中，30 組數(shù)據(jù)中18 組用來作為培訓數(shù)據(jù)，12 組作為測試數(shù)據(jù)，培訓中沒有發(fā)現(xiàn)無效數(shù)據(jù)，數(shù)據(jù)有效率100%，培訓耗費時間0.01s。培訓中平方和誤差為1.4511，相對錯誤為0.1707，測試中平方和誤差為0.8040，相對錯誤為0.0201。自變量重要性（上一年度NBH 數(shù)）為1.0000，規(guī)范化的重要性為100.00%，所建立的模型預測值“輸入層”偏差為-0.0199，隱藏層偏差為0.0230，預測值（輸出）與實際值（目標值）相關性R=1（如表1 所示）。

四、模型的應用與預測進度

將表1 中“2018 年NBH 數(shù)（個/株）”導入上述模型，得到表2 的“2019 年病死樹數(shù)預測值（株/hm2）”，將之與“2019年病死樹數(shù)（株/hm2）（實際值）”相比較，計算“預測絕對誤差（株/hm2）”和“預測精度（%）”，計算結果如表2 所示。表2 數(shù)據(jù)表明，所建立的多層感知器函數(shù)，用“2018 年NBH 數(shù)（個/株）”預測“2019 年病死樹數(shù)”的絕對誤差-0.5～0.6 之間，預測精度均大于90%，其中預測精度≥95%的小班有11 個，占比為36.67%。

表1 安徽省潛山市龍?zhí)多l(xiāng)2017年-2019年松褐天牛/松材線蟲病監(jiān)測調查數(shù)據(jù)

續(xù)表1

表2 預測值與實際值對照表