卵期气温对马尾松毛虫发生量影响神经网络的分析

吕松林

（潜山市国有天柱山林场，安徽潜山 246300）

马尾松毛虫（Dendrolimus punctatus Walker）是我国主要森林害虫之一，开展气温对马尾松毛虫发生量的影响的研究，可以探索建立更加精准的预测预报模型，选择防治关键期，为防治提供科学依据。

1 数据来源

本研究的马尾松毛虫发生防治数据来源于1983年～2014年安徽省潜山市历年监测数据，气象数据来源于国家气象信息中心《中国地面国际交换站气候资料日值数据》，数据如表1所示。

用于本研究的数据包括发生面积（hm2）、上一代防治面积（hm2）、上一代防治效果（虫口减退比率）、卵期极低气温（℃）、卵期平均气温（℃）、卵期积温（10℃以上日度）。由于潜山马尾松毛虫以幼虫越冬，第二代与翌年越冬代属于同一世代，因此将第二代与越冬代数据合并。同时，为了便于分析，将第一代数据与第二代数据分开，左侧为第一代数据，右侧为第二代数据。

2 数据分析

2.1 分析工具

本研究采用EXCEL2016进行线性相关性分析，采用美国MathWorks公司出品的商业数学软件MATLAB R2016a进行非线性数据分析。

2.2 线性分析

对表1所示数据，使用EXCEL2016进行线性相关性分析，结果如表2所示。表2数据表明，发生面积（hm2）与上一代防治面积（hm2）、上一代防治效果（虫口减退比率）、卵期极低气温（℃）、卵期平均气温（℃）、卵期积温（10℃以上日度）等因子线性相关性太低，进行进一步线性分析和线性拟合意义不大，不具备线性建模分析基本条件。

表2 线性相关性分析

2.3 非线性分析

基于以上线性分析结果，并考虑到马尾松毛虫是生态系统的一部分，生态系统是一个复杂系统，马尾松毛虫的发生演变因此也具有复杂系统的基本特征，其卵期气温对马尾松毛虫发生量影响是复杂的、非线性的。所以，笔者选择MATLAB R2016a中神经网络工具，对其进行非线性分析。分析代码如下：

function importfile(fileToRead1)

newData1=load('-mat'，fileToRead1);

vars=fieldnames(newData1);

for i=1：length(vars)

表1 研究数据

图1 拟合分析（左图）与误差直方图（右图）

图2 拟合度分析

assignin('base'，vars{i}，newData1.(vars{i}));

end

function[y1]=myNeuralNetworkFunction(x1)

b1=[-16.567749187968658;-5.5931050374793063;3.6185211 506444284;-4.0666287250013013;-1.499701885543489;0.073570 152838927455;-2.8339971179972436;.3672059869452386;8.4144084564603361;12.070406128109463];W1_1=12.118435140696723;6.6851778717561334;-6.9821807716971609;10.482224467100231;12.836202616001502;-12.556885182668433;-7.3148977118678129;7.6947558243696825;9.7115477384412454;12.196496466827616];

b2=-0.84428053546185011;LW2_1=[-0.712367721046 71808 0.72470932040837488 0.81622125891886721-0.188935867 94896775 0.090500715363232523-0.051972894434546529 0.1134 4805651106561-0.21844966554696987 0.31931478388444912 0.4 1655015294667036];

y1_step1.ymin=-1;

y1_step1.gain=0.2;

y1_step1.xoffset=0;

Q=size(x1，2);%samples

xp1=mapminmax_apply(x1，x1_step1);

a1=tansig_apply(repmat(b1，1，Q)+IW1_1⋆xp1);

a2=repmat(b2，1，Q)+LW2_1⋆a1;

y1=mapminmax_reverse(a2，y1_step1);

end

unction y=mapminmax_apply(x，settings)

y=bsxfun(@minus，x，settings.xoffset);

y=bsxfun(@times，y，settings.gain);

y=bsxfun(@plus，y，settings.ymin);end

function a=tansig_apply(n，～)

a=2./(1+exp(-2⋆n))-1;end

function x=mapminmax_reverse(y，settings)

x=bsxfun(@minus，y，settings.ymin);

x=bsxfun(@rdivide，x，settings.gain);

x=bsxfun(@plus，x，settings.xoffset);end

选择70%的数据作为训练样本，15%的数据作为验证样本，15%的数据作为测试样本，神经元数量选择为10，分析结果如图1、图2所示。

从图1可以看出，训练、验证、测试的目标与输出高度契合（如左图所示），且三者误差基本集中在-0.01265～0.01647之间，完全达到分析精度要求。图2训练结果表明，训练、验证、测试、综合4个拟合度相关性R值分别为0.99999、1、0.99998和0.99999，均大于0.99，高度相关。即基于神经网络的非线性分析结果表明，发生面积（hm2）与上一代防治面积（hm2）、上一代防治效果（虫口减退比率）、卵期极低气温（℃）、卵期平均气温（℃）、卵期积温（日度）等因子具有高度非线性相关性。

3 讨论

综上分析表明，利用发生面积（hm2）与上一代防治面积（hm2）、上一代防治效果（虫口减退比率）、卵期极低气温（℃）、卵期平均气温（℃）、卵期积温（日度）的高度非线性相关性特点，可以开展马尾松毛虫临灾预警，并可以作为马尾松毛虫中长期预报非线性参考因子，进行马尾松毛虫中长期预报，或者短期预报、临灾预报，为防治提供科学依据。