刊期:双月刊
主管单位:中国科学院
主办单位:中国科学院动物研究所,中国昆虫学会
地址:北京市朝阳区北辰西路1号院5号中国科学院动物研究所
邮编:100101
电话:010-64807137
传真:010-64807137
E-Mail:entom@ioz.ac.cn
刊号:ISSN 2095-1353
        CN 11-6020/Q
国内发行代号:2-151
国际发行代号:BM-407
发行范围:国内外公开发布
定价:138元/册
定价:828元/年
银行汇款:中国工商银行北京海淀西区支行
户名:中国科学院动物研究所
帐号:0200 0045 0908 8125 063

您所在位置:首页->过刊浏览->2017年54卷第6期



马尾松毛虫幼虫高峰期发生量 的预测模型研究
Comparison of models for forecasting peak abundance of Dendrolimus punctatus larvae
周夏芝1** 王振兴2 余 燕2 李 尚1 毕守东2*** 张国庆3 方国飞4
点击:609次 下载:1次
DOI:10.7679/j.issn.2095-1353.2017.123
作者单位:1. 安徽农业大学林学与园林学院,合肥 230036;2. 安徽农业大学理学院,合肥 230036; 3. 安徽省潜山县林业局,潜山 246300;4. 国家林业局森林病虫害防治总站,沈阳 110034
中文关键词:马尾松毛虫幼虫高峰期发生量,平稳时间序列预测模型,回归预测模型,BP神经网络预测模型,马尔科夫链预测模型,列联表多因子多级分析预测模型
英文关键词: the peak occurrence quantity of Dendrolimus punctatus larvae, the prediction model of stationary time series, the prediction model of regression, the prediction model of BP neural network, the prediction model of Markov chains, the prediction model of contingency table analysis
中文摘要:

【目的】 为了提高马尾松毛虫Dendrolimus punctatus Walker发生量预测预报结果的准确性,为选用合适的预测模型提供依据。【方法】 本文用平稳时间序列法、回归预测法、BP神经网络法、马尔科夫链法和列联表多因子多级分析预测法研究建立安徽省潜山县1983201633年的马尾松毛虫1代和2代幼虫高峰期发生量的预测模型,并对5种模型进行比较。【结果】 以卵高峰期卵量为自变量的回归模型、多元回归模型和逐步回归模型预测结果与实际值相差0.21~0.31/株,其它8个一元回归预测结果与实际值相差1.06~1.58/株。平稳时间序列预测20152016年的结果与实际值完全相符。BP神经网络预测结果若以误差标准为1/株,19832014年预报准确率1代为90.32%2代100%。马尔科夫链预测20152016年,预测结果与实际值完全相符,均为1级。列联表多因子多级综合相关分析法预测20152016年的结果与实际值完全相符,198320141代幼虫高峰期发生量预测的历史符合率均为90.32%2代为83.47%。为了研究不同分级标准对预测值的影响,将2代幼虫高峰期发生量的1级标准改为小于3.5/株,则历史符合率为74.19%【结论】 上述方法中,回归预测法自变量的选择是预报准确的关键;时间平稳序列法适用于害虫发生过程符合平稳时间序列的标准;马尔科夫链法和列联表分析法分级标准科学与否直接影响预测结果的准确性;BP神经网络法可用于自变量与预报量非线性关系的研究,是一种比较理想的预报方法。

英文摘要:

 [Objectives]  To improve the accuracy of forecasting the peak occurrence of Dendrolimus punctatus, and provide a foundation for choosing suitable predictive models. [Methods]  Models based on five different methods; stationary time series, regression forecasting, BP neural networks, Markov chains, and contingency table analysis, were used to predict peaks of abundance of first and second generation Dendrolimus punctatus larvae over a 33 year period from 1983 to 2016 in Qianshan County Anhui Province. [Result]  The single regression model used peak egg abundance as an independent variable, whereas the multiple regression and stepwise regression model used the actual 0.21 to 0.31 number of larvae per strain. The predicted and actual results of the single regression model differed by 1.06 to 1.58 larvae per strain. The actual results for 2015 and 2016 were identical to the predictions of the stationary time model for those years. If the standard error of the model based on the BP neural network was 1 larvae per strain, the accuracy of the forecast first generation from 1983 to 2014 was 90.32, and that of the second generation was 100%. Forecasts based on Markov chains in 2015 and 2016 were highly consistent with the actual results. Forecasts based on contingency table analysis in 2015 and 2016 were all completely consistent with the actual results. The accuracy of forecasted peaks of larval abundance from 1983 to 2014 was 90.32for the first generation, and 83.87% for the second generation. However, when the peak abundance of second generation larvae was less than 3.5 larvae per strain, then the forecast accuracy was 74.19%. [Conclusion]  Choice of independent variable was the key to the accuracy of regression forecasts. Models based on stationary time series were suitable as temporal patterns of larval abundance conformed to stationary time series. Classification standards directly affect the accuracy of predictions based on contingency table analysis and Markov chains. BP neural networks can be used to investigate nonlinear relationships among independent variables and were a relatively ideal forecasting method. 

读者评论

      读者ID: 密码:   
我要评论:
版权所有©2020应用昆虫学报》编辑部 京ICP备10006425号
本系统由北京菲斯特诺科技有限公司设计开发
您是本站第5325155名访问者