基于卡尔曼滤波算法的稻纵卷叶螟短期预测模型*

包云轩，陈心怡，谢晓金，王 琳，陆明红



基于卡尔曼滤波算法的稻纵卷叶螟短期预测模型*

包云轩1,2，陈心怡1,2，谢晓金1，2，王 琳1,2，陆明红3

（1.南京信息工程大学气象灾害预报和评估协同创新中心，南京 210044；2.江苏省农业气象重点实验室/南京信息工程大学，南京 210044；3.农业部全国农业技术推广与服务中心，北京 100125）

利用1994-2014年中国南方四大稻区（华南、西南、江岭和江淮稻区）代表性病虫测报站的稻纵卷叶螟逐候田间赶蛾量资料，筛选出影响各站稻纵卷叶螟发生量的关键气象因子，应用卡尔曼滤波方法分别对各站建立稻纵卷叶螟迁入期候发生量的卡尔曼短期预测模型，并计算模型的准确率、误差大小和稳定性。结果表明：（1）稻纵卷叶螟发生量与前一候和前两候的田间蛾量呈极显著正相关（P<0.01），与前一候的近地面最低气温、平均气温和最高气温呈极显著正相关（P<0.01），与前一候的地面气压呈极显著负相关（P<0.01）。（2）经1994-2011年的回检拟合和2012-2014年试报检验，卡尔曼模型的发生量预测综合平均误差为-88.63，平均绝对误差为217.72，均方根误差为605.04。发生量预测综合准确率为84.33%，平均历史拟合率为83.33%，各站卡尔曼模型的预报结果与实测值基本吻合，表明模型可以应用于稻纵卷叶螟候发生量的预测。

稻纵卷叶螟；气象因子；卡尔曼滤波算法；候发生量预报模型；准确率

稻纵卷叶螟（Guenee）是为害水稻的一种迁飞性害虫，每年3-10月在中国有5次大规模的南北往返迁飞[1]。20世纪60年代中期以前在中国为局部偶发性害虫，70-80年代开始其发生频次和危害程度大幅升高，逐渐成为中国主要稻区的普遍性和常发性害虫[2]。21世纪以来，稻纵卷叶螟在中国各稻区的发生量和危害面积明显上升，2003年以来在全国连年大发生，给水稻生产造成了严重损失[3-4]。由于近10a来，稻纵卷叶螟的迁入与发生趋于复杂化、持续化，而其发生又具有间歇性和突发性的特点，其年际发生量、发生程度和发生区域差异均较大，分布极不均匀[5]，更为稻纵卷叶螟的预测预报增加了难度。因此，研究稻纵卷叶螟的预测预报方法，对减少粮食损失，维护社会稳定具有重要意义。

稻纵卷叶螟的发生除与虫源地、水稻种植制度、地形分布、天敌情况等因素相关外，还与气象条件有着极为密切关系，研究表明[6-10]，稻纵卷叶螟的迁入发生量受高空气流、温度、湿度、降水和光照等气象条件的综合影响。

关于稻纵卷叶螟发生的预报方法已有很多，最早使用的是经验预测法[11]，主要根据害虫的生长发育状况和天气形势对稻纵卷叶螟的主害代发生峰期和发生程度进行预测。经验预测法简单直观，但是主观因素带来的误差明显，难以达到较高的准确率。之后数理统计方法得到广泛应用，所用方法包括回归分析、多维时间序列分析、模糊贴近度、灰色系统、周期分析等[12]。这类方法主要通过因子之间的简单关系分析来建模，机理不明，随机性“噪声”导致的误差也较明显。近年来随着信息技术的不断发展，人工神经网络[13]等方法也被广泛应用，但神经网络建模的缺点是其建模存在“黑箱”性，网络的学习和决策过程难以理解，不利于对模型的进一步优化。

目前对病虫害的预测多用回归方法预测世代或年发生程度和发生高峰期[14-17]，对实际发生量的预测不多，以候为单位的短期预测很少见报道。目前对病虫害的预测仍以回归方法为主，其预测参数不能随实际情况进行更新，而本文应用的卡尔曼滤波算法是一个递归算法，能够从一系列不完全和包含噪声的量测中，估计动态系统的状态[18]。该方法于1960年被提出，之后被广泛应用于航空、航天、工业过程、社会经济和天气预报等不同领域[19-22]，但在病虫害测报领域的应用报道极为罕见。2010年江胜国等[23]首次应用卡尔曼滤波方法建立了稻飞虱发生适宜气象等级预测模型，而利用卡尔曼滤波方法对稻纵卷叶螟发生量进行预测的研究或应用还未见报道。因此，本文尝试利用卡尔曼滤波算法与前期对稻纵卷叶螟发生量有显著影响的气象因子相结合，建立其候发生量的短期预报模型，旨在为中国稻纵卷叶螟的预测预报提供一种思路。

1 资料与方法

1.1 资料来源

1.1.1 虫情资料

考虑到资料的完整性和代表性，从华南稻区、西南稻区、江岭稻区和江淮稻区分别选取广西全州、重庆秀山、湖南湘阴和江苏张家港4个植物保护站作为代表站，利用其1994-2014年逐日田间赶蛾量数据。以候为时间单位，利用MatLab编程将各站逐日田间赶蛾量资料处理成候平均数据，并进行对数化处理。

1.1.2 气象资料

选取1994-2014年全州、秀山、湘阴和张家港4个气象站逐日常规气象观测资料，气象要素为地面气压、风速、最低气温、平均气温、最高气温、相对湿度、降水量、日照时数等，所有数据均进行候平均处理。

1.2 方法

1.2.1 逐步回归方法

分别对各站稻纵卷叶螟逐候发生量与前期发生量及气象因子之间的相关性进行分析，选取通过P<0.01水平显著性检验的因子，再利用逐步回归分析方法筛选4个代表站稻纵卷叶螟发生量预测的预报因子。

1.2.2 卡尔曼滤波模型

卡尔曼滤波算法的基本思想是，以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻预测误差来更新对状态变量的估计，求出当前时刻的估计值，根据建立的状态方程和量测方程对需要处理的信号作出满足最小均方误差的估计[24]。

本研究在气象上常用的卡尔曼滤波系统方程基础上加以改进，得到适用于病虫害预测的卡尔曼滤波预测方程，即

预测递推方程为

式（3）中的a是变动的，预测t+1候的at由式（8）得到，而式（8）又由式（5）-式（7）得到，需要用到Ct-1、St、At和Rt，预测t+2候的at时需要先计算Ct，可通过式（9）实现，依次类推，以实现模型参数更新。

1.2.3 预测效果评价指标

选取平均误差（Mean Error，ME）、平均绝对误差（Mean Abosolute Error，MAE）、均方根误差（Root Mean Square Error，RMSE）和预测准确率（Prediction Accurracy，PA）等指标来评价预测模型的误差大小、稳定性和预测准确率。

式中，yi为预测候虫量值，单位为头·667m-2，xi为实测候虫量值，单位为头·667m-2。i=1，2，3，…，n，i代表迁入期内候序，n为各站年迁入期总候数。ME反映综合预测误差，ME越大预测误差越大。与此相比，MAE由于离差被绝对值化，不会出现正负相抵消的情况，因而，能更好地反映预测值误差的实际情况。MAE越大表示预测误差越大。RMSE越大，表示预测值相对于实测值的离散程度越大，RMSE越小，模型的稳定性越好。

用唐启义等[25]提出的病虫测报应验程度判定模式计算预测准确性评价的分值，即

式中，SD为发生量判定模式的分值；SD＜40表明预报不准确，40≤SD＜60表明预报较准确，SD≥60表明预报准确；a为预报对象常年平均值，a1为实测值，a2为预测值；δ为预报对象常年标准差，t为自预报发出至实际发生时的期距（d），因为本研究是以候为时间单位预报，故d=5。

根据分值计算预测准确率（PA）和历史拟合率（HA）

式中，Ap为当年预测评分准确的候数；Sp为当年进行预测的总候数。AY为历史拟合准确的年数，SY为历史拟合的总年数。PA越大，表明预测准确率越高。HA越大，表明历史拟合率越高。

1.3 迁入期和预报时间

根据1994-2014年各站历年稻纵卷叶螟逐日虫量资料，最早始见期为该站21a中稻纵卷叶螟每年第一次迁入最早的候序，最晚终见期为该站21a中稻纵卷叶螟每年最后一次迁入最晚的候序。迁入期即为最早始见期至最晚终见期之间的候数。4个代表站的迁入期见表1。本文4个站每年预报的时间分别为该站的迁入期起始候到终见候之间的候数，提前1候预报下一候的发生量。

表1 南方四大稻区代表站迁入期的起止候

2 结果与分析

2.1 稻纵卷叶螟发生量预报模型中因子的确定

2.1.1 发生量影响因子

全州、秀山、湘阴和张家港4个站选用建模的气象因子有气压、风速、最低气温、平均气温、最高气温、相对湿度、降水量和日照时数。由于前期虫源基数对后期稻纵卷叶螟的发生有直接影响，所以加上前一候发生量、前两候发生量这两个影响因子，分别与各站稻纵卷叶螟发生量进行相关性分析。结果见表2。

表2 四站当前候稻纵卷叶螟发生量与前期发生量、前期气象因子的相关系数

注：A1为前一候的虫口数量（头·667m-2），A2为前两候的虫口数量（头·667m-2），P为前一候气压（hPa），TA为前一候地面平均温度（℃），TX为前一候地面最高气温（℃），TN为前一候地面最低气温（℃），V为前一候风速（m·s-1），RH为前一候相对湿度（%），R为前一候降水量（mm），SH为前一候日照时数（h）。**表示P<0.01，*表示P<0.05，‒表示相关性不显著。下同。

Note:A1is thes moth amounts at the preceding pentad(Nr·667m-2), A2is the moth amounts at the two preceding pentad(Nr·667m-2),P is pressure(hPa) ,TAis mean temperature (℃),TXis average maximum temperature(℃), TNis average minimum temperature(℃), V is wind speed(m·s-1), RH is relative humidity(%), R is precipitation(mm), SH is sunshine duration(h), all these factors are in the preceding pentad .**is P<0.01,*is P<0.05, ‒ is P>0.05. The same as below.

由表2可见，（1）4站稻纵卷叶螟发生量与前一候、前两候的发生量的相关性均表现为极显著，表明前期田间虫源基数越大，越有利于后期稻纵卷叶螟的发生。（2）4站稻纵卷叶螟发生量与前一候平均最低气温、平均气温和平均最高气温呈极显著正相关，表明温度越高，越有利于稻纵卷叶螟的发生，适温范围内的较高温的环境有利于稻纵卷叶螟的迁飞和发育，这与其喜温习性相吻合。（3）4站稻纵卷叶螟发生量与前一候气压呈极显著负相关，实际上在稻纵卷叶螟发生季内，气压越低，天气越闷热潮湿，越利于喜温喜湿的稻纵卷叶螟的发生和危害。（4）全州站稻纵卷叶螟发生量与前一候风速呈显著负相关，表明风速越大，越不利于该站稻纵卷叶螟的发生。因为该站地处西南偏南至东北偏北走向的湘桂走廊内，东西两侧均为较高的地形，风速过大，近地层扰动过大，不利于稻纵卷叶螟在水稻田间驻留。（5）全州站稻纵卷叶螟发生量与前一候日照时数呈显著正相关，表明该站前一候日照时数越多，稻纵卷叶螟发生量越大。全州站常年春寒时间长，若日照时数多，则太阳辐射强，有利于气温升高，能促进水稻生长，对喜暖的稻纵卷叶螟的迁入和为害有利。（6）湘阴站稻纵卷叶螟发生量与前一候的相对湿度呈显著正相关，表明相对湿度越大，越有利于湘阴站稻纵卷叶螟的发生。湘阴站地处湖南省东北部的滨湖平原，境内水系发达，水陆环流旺盛，高湿环境既有利于降虫，又利于田间取食、为害和繁殖，这与其喜湿习性十分吻合。（7）秀山站稻纵卷叶螟发生量与前一候降水呈显著正相关。事实上，降水对空中迁飞的稻纵卷叶螟种群的降落有明显的动力胁迫作用，一定强度以下的降水越多，越有利于稻纵卷叶螟的迁入，也越利于其田间的发生。秀山系武陵山二级隆起带的南段，境内地表起伏大，西南高，东北低，地形阻碍不利于西南气流携带虫群迁入，种群迁入主要靠降水动力胁迫来实现，而秀山站充沛的降水，对稻纵卷叶螟的迁入为害十分有利。从表2还可看出，由于各站地理位置和地形不同，气候特点不同，水稻生长条件和状况也不一样，不同的气象因子组合呈现出对稻纵卷叶螟发生量影响的不同结果。

2.1.2 预报因子选取

选取上述与发生量相关性通过P<0.01显著性检验的因子进行逐步回归，因子进入方程条件为F=0.15，删除因子条件为F=0.2，最后剔除显著性检验P≥0.05的因子。各站入选的预报因子见表3。

表3 逐步回归法入选的各站稻纵卷叶螟发生量预测因子

4站地理位置由南往北排序为全州（25.56°N，111.04°E）、秀山（28.27°N，108.59°E）、湘阴（28.41°N，112.53°E）、张家港（31.88°N，120.64°E），秀山站南邻贵州寡照区，因日照少和降水多的影响，全年气温不如全州和湘阴高，作为稻纵卷叶螟发生热量条件的平均气温因子显得较为重要；张家港位置偏北，年平均气温最低，所以最高气温和最低气温对其迁入田间为害较关键；全州和湘阴站年平均气温相对较高，但春、秋季的低温会明显影响稻纵卷叶螟的迁入和为害，因而最低气温是关键因子；全州站春寒时间长，如果日照时数多，太阳辐射强，将有利于气温升高，能促进水稻生长，也对喜暖的稻纵卷叶螟的迁入和为害有利，因此，日照时数是关键因子之一；秀山站和湘阴站都处在西南高、东北低的地形过渡区，稻纵卷叶螟的迁入和为害受地形重力波引起的气压变化影响较大；湘阴站境内河湖交汇，水汽条件较好，对喜湿的稻纵卷叶螟的迁入和为害十分有利。由此可见，由逐步回归筛选的预报因子能较好地解释限制性气象条件对中国不同稻区稻纵卷叶螟发生量影响的机制。

2.2 稻纵卷叶螟发生量预报模型

将表3中确定的预报因子作为卡尔曼模型的预报因子，以逐步回归方法确定的回归系数作为各站卡尔曼模型的初始回归系数，分别以4个站的1994-2010年和1995-2011年候数据为样本建立两个量测方程，从而确定模型其它初始参数。用建立的各站模型分别预测4站2012-2014年的候发生量，同时以各站2012-2014年的实测数据检验预测效果，并对各站1994-2011年的数据进行历史回检。本文仅列出秀山站的卡尔曼预测模型初始参数。

初始回归系数为通过逐步回归方法对1995-2011年资料建立的回归方程的回归系数，即

用逐步回归方法建立两个量测方程中的回归系数的变化对系统噪声方差阵W进行估算。

量测噪声的方差矩阵V以1994-2010年建立的回归方程中得到的残差确定，V=195.321。

C0是a0的误差方差阵，默认

转移系数根据历史拟合值与实际值的差距调整，本文d=0.1。

确定了模型的初始参数，按照式（3）-式（9），可得到每一候的预报量和at、Ct。at即为式（3）中预测每一候发生量的回归系数，Ct是更新回归系数at时需要用到的误差方差阵。

2.3 稻纵卷叶螟发生量预报模型的检验

2.3.1 历史回代检验

应用卡尔曼模型对4个站1994-2011年18a迁入期的候数据进行历史回检，结果见表4。总体看来，卡尔曼模型的4个站发生量历史拟合率均在72%以上，平均历史拟合率为83.33%。

表4 四站1994-2011年发生量的历史拟合率（HA，%）

2.3.2 预测效果评价

利用所建模型对全州站、秀山站、湘阴站和张家港站2012-2014年迁入期的候发生量进行预测，与实际发生值的对比结果见图1，相应的评价指标见表5。

由图1可见，卡尔曼模型预测的各站稻纵卷叶螟候发生量与实测值趋势基本吻合，且能较好地反映低值区和高值区的变化，预测效果较好。表5显示，全州站的ME、MAE和RMSE均最小，表明其预测误差最小，模型稳定性最好。事实上，全州站历年发生情况也较平稳。张家港站前两年预测误差偏大，且RMSE偏高，可能是因为2012年张家港站是异常大发生年，而2011年和2013年均为轻发生年，变化差异过大。2012-2014年卡尔曼模型4个站3a综合平均ME为-88.63，综合平均MAE为217.72，综合平均RMSE为605.04。

表5 卡尔曼模型预测的各站2012-2014年稻纵卷叶螟发生量评价指标

注：ME为平均误差，MAE为平均绝对误差，RMSE为均方根误差，PA为预测准确率。

Note: ME is mean error, MAE is mean absolute error, RMSE is root mean square error, PA is predicting accuracy rate.

由表5还可见，利用卡尔曼模型预测的2012-2014年4个站的稻纵卷叶螟发生量，以2012年张家港站年平均预测准确率最低，为61.90%，而该站2013年的预测准确率达到100%的极高准确度；全州、秀山、湘阴和张家港站卡尔曼模型的预测准确率3a平均值分别为82.93%、88.46%、88.17%、77.78%，4站3a平均预测准确率为84.33%，表明卡尔曼模型的预测准确率较理想。

3 结论与讨论

（1）稻纵卷叶螟的发生量与前一候、前两候发生量呈极显著正相关；与前一候平均气温、平均最低气温和平均最高气温呈极显著正相关；与前一候地面气压均呈极显著负相关。

（2）本文首次将卡尔曼滤波算法应用于稻纵卷叶螟的候发生量预测，该模型可提前5d（1候）进行预测，结果表明卡尔曼模型的综合预测准确率为84.33%，优于汪泗水等[13]建立的准确率为75%的稻纵卷叶螟发生程度神经网络预警模型。

（3）用卡尔曼滤波算法预测最重要的是测量方程和状态方程的建立，而预报因子的选取对卡尔曼模型的预测效果至关重要。本文虽然结合地面气象资料和前期虫情建立了预测模型，但是影响稻纵卷叶螟发生的因素还有很多，如水稻生长状况、栽培措施、高空气流、海温等。下一步研究将综合考虑其它显著影响稻纵卷叶螟发生量的预报因子加入模型，以提高模型的预测准确率。

（4）卡尔曼模型对于非平稳时间序列的预测效果不如平稳时间序列，特别是异常大发生年的预测效果不够理想，如何提高卡尔曼模型对突变点的预测准确率，结合长期预测预先设置下年的预测权重是今后将要进一步研究的问题。

参考文献：References

[1]王凤英,胡高,陈晓,等.近年来广西南宁稻纵卷叶螟大发生原因分析[J].中国水稻科学,2009,23(5):537-545.

Wang F Y,Hu G,Chen X,et al.Analysis on the causes of Recent outbreaks ofin Nanning, China[J].Chinese Journal of Rice Science, 2009, 23(5): 537-545.(in Chinese)

[2]全国稻纵卷叶螟联合测报网.我国稻纵卷叶螟的发生动态及其预测预报[[J].中国农业科学,1981,24(5):17- 24.

National Coordinated Network of Forecast for Rice Leaf Roller.The occurrence dynamic and forcast of national rice leaf roller[J].Agricultural Sciences in China,1981, 24(5): 17-24.(in Chinese)

[3]齐国君,梁载林,辛德育,等.广西永福县近年来早稻田稻纵卷叶螟连年大发生的原因分析[J].环境昆虫学报,2009, 31(2):95-101.

Qi G J,Liang Z L,Xin D Y,et al.Analysis of the successive outbreaks of(Guenee) in early rice paddies in Yongfu county,Guangxi[J].Journal of Environmental Entomology,2009,31(2):95-101.(in Chinese)

[4]刘宇,王建强,冯晓东,等.2007年全国稻纵卷叶螟发生实况分析与2008年发生趋势预测[J].中国植保导刊,2008, 28(7):33-35.

Liu Y,Wang J Q,Feng X D,et al.Analysis of national rice leaf roller’s occurrence in 2007 and prediction of occurrence trend in 2008[J].China Plant Protection,2008,28(7):33-35.(in Chinese)

[5]石尚柏,李绍石,胡伯海.稻纵卷叶螟[M].北京:中国农业出版社,1997:13-17.

Shi S B,Li S S,Hu B H.[M]. Beijing:China Agricultural Press,1997:13-17.(in Chinese)

[6]包云轩,曹云,谢晓金,等.中国稻纵卷叶螟发生特点及北迁的大气背景[J].生态学报,2015,35(11):3519-3533.

Bao Y X,Cao Y,Xie X J,et al.Migration pattern of rice leaf roller and impact of atmospheric conditions on a heavy migration event in China[J].Acta Ecologica Sinica,2015, 35(11):3519-3533.(in Chinese)

[7]方源松,廖怀建,钱秋,等.温湿度对稻纵卷叶螟卵的联合作用[J].昆虫学报,2013,56(7):786-791.

Fang Y S,Liao H J,Qian Q,et al.Combined effects of temperature and relative humidity on eggs of the rice leaf roller,(Lepidoptera: Pyralidae)[J]. Acta Entomologica Sinica,2013,56(7):786-791.(in Chinese)

[8]翟保平,张孝羲.迁飞过程中昆虫的行为:对风温场的适应与选择[J].生态学报,1993,13(4):356-363.

Zhai B P,Zhang X X.Insects behavior during migration: adaptation and selection of air temperature field[J].Acta Ecologica Sinica,1993,13(4):356-363.(in Chinese)

[9]吴进才.光照、温度及食物的变化对稻纵卷叶螟迁飞的效应[J].昆虫学报,1985,28(4):398-405.

Wu J C.Influence of light,temperature and food change on rice leaf roller migration[J].Acta Entomologica Sinica,1985, 28(4):398-405.(in Chinese)

[10]王翠花,包云轩,王建强,等.2003年稻纵卷叶螟重大迁入过程的大气动力机制分析[J].昆虫学报,2006,49(4):604-612.

Wang C H,Bao Y X,Wang J Q,et al.Analysis on atmospheric dynamical mechanisms for the great immigration events of the rice leaf rollerGuenee in 2003[J].Acta Entomologica Sinica,2006,49(4):604-612.(in Chinese)

[11]朱金城.稻纵卷叶螟低龄幼虫防治适期的简化测报法[J].广东农业科学,1990,(1):35-37.

Zhu J C.Simplified forecasting method of rice leaf roller during young larvae control period[J].Guangdong Agricultural Sciences,1990,(1):35-37.(in Chinese)

[12]程极益.作物病虫害数理统计预报[M].北京:农业出版社,1992.

Cheng J Y.Mathematical statistics forecasts of plant diseases and insect pests of crop[M].Beijing:Agriculture Press,1992. (in Chinese)

[13]汪泗水,张孝羲,张夕林.稻纵卷叶螟发生程度的神经网络预警[J].生物数学学报,2003,18(1):93-97.

Wang S S,Zhang X X,Zhang X L.Neural network warning of the occurrence grade ofGuenee[J]. Journal of Biomathematics,2003,18(1):93-97.(in Chinese)

[14]刘静,张宗山,马力文,等.宁夏枸杞蚜虫发生规律及其气象等级预报[J].中国农业气象,2015,36(3):356-363.

Liu J,Zhang Z S,Ma L W,et al.Occurrence ofsp. onL.and Its meteorological grades forecast in Ningxia[J].Chinese Journal of Agrometeorology, 2015, 36(3): 356-363.(in Chinese)

[15]成兆金,薛晓萍,王建源,等.山东棉铃虫发生发展气象预测模型[J].中国农业气象,2008,29(2):224-229.

Cheng Z J,Xue X P,Wang J Y,et al.Meteorological prediction model for occurrence and development of bollworm () in Shandong province[J].Chinese Journal of Agrometeorology,2008,29(2):224-229.(in Chinese)

[16]张淑杰,张玉书,吴微微,等.辽宁省玉米螟发生程度的气象预报模型[J].中国农业气象,2009,30(2):262-266.

Zhang S J,Zhang Y S,Wu W W,et al. Meteorological forecast model for emergence grade of corn borer in Liaoning province[J].Chinese Journal of Agrometeorology, 2009,30(2): 262-266.(in Chinese)

[17]陈惠,关瑞锋,杨凯,等.福建省稻飞虱气象条件适宜程度等级预报[J].中国农业气象,2008,29(4):496-498.

Chen H,Guan R F,Yang K,et al. Forecast of suitable grade of meteorological conditions for occurrences of rice plant hoppers in Fujian province[J].Chinese Journal of Agrometeorology, 2008,29(4):496-498.(in Chinese)

[18]程进伟,李建勋.卡尔曼滤波算法评估平台的设计与实现[J].系统仿真学报,2013,(11):2567-2574.

Cheng J W,Li J X.Design and implementation of software platform to evaluate Kalman filter algorithm[J].Journal of System Simulation,2013,(11):2567-2574.(in Chinese)

[19]Battin R H.Astronautical guidance[M].New York:McGraw- Hill,1964:303-340.

[20]Dove M J,Miller K M.Kalman filters in navigation systems[J].Journal of Navigation,1989,42(2):260-262.

[21]Gol'tsov A S,Simbirskii D F,Kudryashov S V.Dynamic method of measuring heat fluxes by battery heat flowmeters using a Kalman filter[J].Journal of Engineering Physics,1978, 33(6):1469-1474.

[22]Kilpinen J.The application of Kalman filter in statistical interpretation of numerical weather forecasts[A].Proceedings of the 12th conference on probability and statistics in atmospheric sciences[C].American Meteorological Society, 1992:11-16.

[23]江胜国,杨太明,程林,等.卡尔曼滤波方法在稻飞虱发生等级预测中的应用研究[J].气象,2010,36(10):106-109.

Jiang S G,Yang T M,Cheng L,et al.Application of the Kalman filtering method to rice planthopper occurrence grade prediction[J].Meteorological Monthly,2010,36(10): 106-109. (in Chinese)

[24]彭丁聪.卡尔曼滤波的基本原理及应用[J].软件导刊,2009,8(11):32-34.

Peng D C.Basic principle and application of Kalman filte[J]. Software Guide,2009,8(11):32-34.(in Chinese)

[25]唐启义,李绍石.病虫测报应验程度判定模式[J].中国植保导刊,1988,8(1):1-5.

Tang Q Y,Li S S.Evaluation model of degree of fulfillment for forecasting crop disease and pest[J].China Plant Protection, 1988,8(1):1-5.(in Chinese)

Short-term Forecasting Models on Occurrence of Rice Leaf Roller Based on Kalman Filter Algorithm

BAO Yun-xuan1, 2, CHEN Xin-yi1, 2, XIE Xiao-jin1, 2, WANG Lin1, 2, LU Ming-hong3

(1.Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, China; 2.Jiangsu Key Laboratory of Agricultural Meteorology/Nanjing University of Information Science & Technology, Nanjing 210044; 3.National Agricultural Technology Extension and Service Center, Ministry of Agricultural, Beijing 100125)

In this paper, the pentad systematic investigation data ofat the four representative plant protection stations of four main rice-growing regions (including the rice-growing region of the south China, the rice-growing region of the southwestern China, the rice-growing region between the Nanling mountains and the Yantze River valley and the rice-growing region between the Yantze River valley and the Huaihe River valley) in China was collected from 1994 to 2014, the key meteorological factors influencing onoccurrence amount were screened out and Kalman filter algorithm was used to establish the short-term forecasting models ofpentad occurrence amount at the four plant protection stations, including Quanzhou in the Guangxi Zhuang Autonomous Region, Xiushan in Chongqing city, Xiangyin in Hunan province and Zhangjiagang in Jiangsu province in the immigration and damage period ofrespectively. Based on the back substitution fittings and forecasting tests of the model, the errors and stability and accuracy rates of the Kalman model were calculated. The results showed as follows: (1) for four stations, the occurrence amount ofin the present pentad was significantly and positively correlated (P<0.01) with thes moth amounts of the preceding pentad and the preceding two pentads in the field respectively. There were significantly positive correlations (P<0.01) between the occurrence amounts ofin the present pentad and the minimum air temperature, mean air temperature and maximum air temperature in the preceding pentad. But the pentad occurrence amount was significantly and negatively correlated with the surface pressure in the preceding pentad. (2) The back substitution fitting calculations from the Kalman model on the occurrence amount offrom 1994 to 2011 and the trial forecast tests from 2012 to 2014 showed that the comprehensive mean error (ME) of the occurrence amounts by the Kalman model was -88.63, the mean absolute error (MAE) was 217.72, the comprehensive root mean square error (RMSE) was 605.04, the comprehensive mean accuracies (MA) was 84.33%, and the fitting rate was 83.33%. The Kalman model’s forecasting results were basically consistent with measured values, which indicated that the model could be applied to the prediction of occurrence amount of.

Guenee; Meteorologic elements; Kalman Filter Algorithm; Pentad forecasting model of occurrence amount; Accuracy rate

10.3969/j.issn.1000-6362.2016.05.010

2016-02-23

国家自然科学基金面上项目（41475106；41075086）；国家公益性行业（气象）科研专项（GYHY201306053）；江苏省农业科技自主创新项目[SCX（12）3058]；江苏省高校优势学科建设工程

包云轩（1963-），博士，教授，主要研究方向为气候变化与防灾减灾、应用气象、病虫害测报学。E-mail：baoyx@nuist.edu.cn; baoyunxuan@163.com