基于Bayes判别法的马尾松毛虫一代、二代幼虫发生期的预报

钱广晶 张书平 宋学雨

摘要 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，本文运用Bayes判别分析法建立安徽省潜山县1983年-2016年33年的马尾松毛虫一代和二代幼虫发生期的预报模型。一代幼虫发生期的判别函数方程为：f（1）=-15 744.058-361.501x1+60.759x2+133.502x3+511.368x4;f（2）=-16 854.938-375.596x1+70.405x2+132.608x3+529.690x4;f（3）=-17 645.295-384.956x1+73.601x2+134.955x3+541.782x4;f（4）=-18 179.639-382.408x1+71.342x2+135.234x3+549.655x4对1983年-2018年一代幼虫发生期预报结果历史符合率为97.06%，二代幼虫发生期的判别函数方程为：f（1）=-134 898.483+559.235x5+113.112x6-250.033x7+1 461.350x8;f（2）=-138 908.622+573.572x5+118.340x6-252.691x7+1 474.569x8;f（3）=-141 430.680+577.358x5+125.727x6-254.610x7+1 483.336x8;f（4）=-143 185.175+578.968x5+129.628x6-256.102x7+1 491.257x8对二代幼虫发生期的预报结果的历史符合率为100%。对2017年和2018年的验证回报，与实况结果一致。筛选出对预报量有密切关系的预报因子是本方法预报准确性的关键，该方法是一种简便准确性高的预报方法。

关键词 马尾松毛虫幼虫; 发生期; Bayes判别法; 预报

中图分类号： S 431  文献标识码： A  DOI： 10.16688/j.zwbh.2019074

Abstract To improve the accuracy of forecasting the occurrence of Dendrolimus punctatus Walker， the Bayes discriminant analysis method was used to predict the occurrence period of the first and second generations of D.punctatus larvae over a period of 33 years from 1983 to 2016 in Qianshan county， Anhui province. The discriminant function equation of the occurrence period of the first-generation larvae was as followed：f（1）=-15 744.058-361.501x1+60.759x2+133.502x3+511.368x4;f（2）=-16 854.938-375.596x1+70.405x2+132.608x3+529.690x4;f（3）=-17 645.295-384.956x1+73.601x2+134.955x3+541.782x4;f（4）=-18 179.639-382.408x1+71.342x2+135.234x3+549.655x4.The historical coincidence rate of the forecast results from 1983 to 2018 was 97.06%. The discriminant function equation for the second-generation larvae was as followed： f（1）=-134 898.483+559.235x5+113.112x6-250.033x7+1 461.350x8;f（2）=-138 908.622+573.572x5+118.340x6-252.691x7+1 474.569x8;f（3）=-141 430.680+577.358x5+125.727x6-254.610x7+1 483.336x8;f（4）=-143 185.175+578.968x5+129.628x6-256.102x7+1 491.257x8. The historical coincidence rate of the forecast results for the second-generation larvae from 1983 to 2018 was 100%. The verification returns for 2017 and 2018 were consistent with the observed data. Screening out the forecasting factors closely related to the forecasting quantity was the key to the accuracy of forecast. This forecasting method is simple and accurate.

Key words Dendrolimus punctatus larvae; period of occurrence; the Bayes discriminant analysis; forecast

馬尾松毛虫Dendrolimus punctatus （Walker）分布于中国皖、豫、川、黔、陕、滇、赣、湘、浙、闽、粤、琼、桂等省（区），主要为害马尾松Pinus massoniana Lamb.，还为害黑松P. thunbergii Parl.、火炬松P. taeda L.、湿地松P. elliottii Engelm.、晚松P. rigida var. serotina （Michxa） Loud ex Hoopes、海南五针松P. fenzeliana Hand.-Mazz.等松属植物。20世纪中叶在中国森林害虫中马尾松毛虫是发生最广、危害面积最大、经常猖獗成灾的害虫。在广大丘陵地区虫害此起彼伏，针叶常被吃光，被害时如同火烧，造成了巨大的经济效益损失和生态效益损失。再者，人们在从事林业活动中接触马尾松毛虫毒毛，容易引发皮炎和关节肿痛，该虫不但影响林业生产，还危害人类健康[1-4]。进入21世纪，由于各地采用封山育林、混交、间作等措施优化了森林生态环境，科学地运用综合治理措施，使马尾松毛虫的危害得到有效的控制，但该虫具有强大的繁殖潜力，遇到有利的生态环境极易暴发成灾，对其的监测不能放松警惕。

马尾松毛虫在中国一年发生2～4代，发生世代的多少，随不同地方而异，在河南省信阳地区一年发生2代为主，在长江流域诸省一年发生2～3代，而在广东、广西、福建南部一年发生3～4代，海南一年发生4～5代[3]。安徽潜山县一年发生3代，即4-6月上旬为越冬代，6月上旬-8月中下旬为一代，8月中下旬-12月为第二代。马尾松毛虫发生的预测预报是对其进行综合防治的基本工作。科研工作者[5-12]分别采用不同方法预测马尾松毛虫的发生量、虫害等级、发生类别、发生空间格局，为马尾松毛虫的综合防治工作提供了有力的支持。由于各地气象条件、植被条件和地形地貌等不同，马尾松毛虫的发生特点也不完全相同。马尾松毛虫幼虫一个世代的累计发生量直接与该虫的防治有关，为了有效防治马尾松毛虫，本研究采用Bayes判别分析法研究马尾松毛虫一、二代幼虫的发生期，以期为马尾松毛虫的综合治理提供科学依据。

1 材料与方法

1.1 材料来源

马尾松毛虫资料来自中国国家林业局与森林病虫防治总站的中心测报站—安徽省潜山县森林病虫防治站，气象资料来自国家气象局，资料的时间跨度为1983年-2016年。根据国家林业局森林病虫害防治总站制定的调查方法进行调查，即采用踏查和详查相结合的办法，对不同虫态采取不同的观测方法。沿林班线、林道、公路、铁路等线路调查，目测发生范围，为害状况，发生虫情或灾情立即设临时标准地，采取平行线抽样法抽取20株标准株详查。卵期调查是在雌蛾羽化高峰后1～2 d调查平均卵块数，卵块平均粒数;幼虫期调查，1～2龄幼虫调查枯黄卷曲的枝数，推算幼虫数，3龄以上幼虫3 m以下小树直接调查合计树冠上的幼虫数，大树用“虫粪粒推算法”调查，幼虫越冬期调查树干基部树皮缝中的幼虫数推算全部虫口。蛹期调查，在结茧盛期后2～5 d剖茧，调查雌雄性比、平均雌蛹重、死亡率、寄生率;成虫期调查，在成虫羽化前2～3 d及羽化期用黑光灯诱集，统计其诱集数量和雌雄性比。

1.2 马尾松毛虫的发生期（y）的分级标准

3 结论与讨论

用Bayes判别法的判别函数方程预报安徽省潜山县一、二代马尾松毛虫幼虫发生期，结果表明，1983年-2018年预报马尾松毛虫一代幼虫发生期的历史符合率为97.06%;1983年-2018年预报马尾松毛虫二代幼虫发生期的历史符合率为100%。

对马尾松毛虫一、二代幼虫发生期预报结果准确与否及历史符合率的高低，一是取决于对预报量的分级是否科学，本文将马尾松毛虫一、二代发生期分为4级，相邻级之间级差为1 d，这是综合了安徽省潜山县35年的发生期情况综合分析制定的，再者筛选自变量因子，影响马尾松毛虫幼虫发生期有很多因子，诸如气候因子、天敌等生物因子以及马尾松毛虫各虫态之间的关系，判别分析法也采用逐步回归法筛选因子。本文通过单相关分析各因子与马尾松毛虫幼虫发生期相关性大小。筛选的x1-x8都是与马尾松毛虫幼虫发生期达到极相关的因子，因此预报结果较为理想。预报量之一即一代幼虫高峰期（y1）与预报因子越冬代蛹高峰期（x1）、越冬代成虫高峰期（x2）、一代卵始盛期（x3）和一代幼虫始盛期（x4）以及另一预报量二代幼虫高峰期（y2）与预报因子一代蛹高峰期（x5）、一代成虫高峰期（x6）、二代卵高峰期（x7）和二代幼虫始盛期（x8）都是不同虫态发生期之间的关系，发生期的早迟却与当时的温度有关，马尾松毛虫和其他变温动物一样，在其生长发育过程中必须要有一定数量的有效积温，这个有效积温基本上是一个常数，由于在该虫生长发育过程中温度会有起伏变化，因此一些預报因子如越冬代蛹高峰期等，若在此时段温度显著低于常年，那么越冬代蛹高峰期就要推迟，若显著高于常年，则越冬代蛹高峰期就会提前，其他虫态发生期也会出现同样的情况，马尾松毛虫的生长发育是由卵、幼虫、蛹、成虫的顺序变化的，前面虫态发生期的变化势必影响下一虫态发生期的变化，由于预报因子推迟（或提前），那么预报量也相应地推迟（或提前）。

若预报的越冬代蛹高峰期（或其他虫态发生期）时段温度在常年变化幅度内，越冬代蛹高峰期及下面的虫态发生期与常年相比，变化幅度很小，这时预报结果一代幼虫高峰期与实况差异很小，若预报的越冬代蛹高峰期温度异常，其预报结果与实况可能误差很大。二代幼虫高峰期的情况也是如此。

周夏芝等[16]曾用回归预测法、平稳时间序列法、BP神经网络法、马尔科夫链法和列联表多因子分级综合相关法预报安徽潜山县马尾松毛虫一、二代幼虫高峰期发生量，其中平稳时间序列法、马尔科夫链法和BP神经网络法预测结果历史符合率较高。本文的Bayes判别法的问题是如何筛选出与预报量关系密切的因子，这样其预报结果才可能与实况相符。

参考文献

[1] 侯陶谦.中国松毛虫[M].北京：科学出版社，1987：188-191.

[2] 邹运鼎，程扶玖，查光济，等.松针内含物与马尾松毛虫生存发育关系的研究[J].林业科学，1990，26（2）：142-148.

[3] 萧刚柔.中国森林害虫[M].第2版.北京：林业出版社，1992：948-953.

[4] 张真，李典谟.马尾松毛虫暴发机制分析[J].林业科学，2008，44（1）：140-150.

[5] 张爱兵，陈建，王正军，等.BP网络模型和LOGIT模型在森林害虫预报上的应用初报[J].生态学报，2001，21（12）：2159-2156.

[6] PARK Y S， CEREGHINO R， COMPIN A.Applications of artificial neural networks for patterning and predicting aquatic insect species richness in running waters [J]. Ecological Modelling， 2003， 160（3）： 265-280.

[7] 贾春生. 利用马尔可夫链方法测报马尾松毛虫发生级别[J]. 东北林业大学学报， 2006， 34（5）： 21-22.

[8] ZHANG W J， ZHANG X Q， LIU G H. Recognizing spatial distribution patterns of grassland insects： neural network approaches [J]. Stochastic Environmental Research and Risk Assessment， 2008， 22（2）： 207-216.

[9] 陈绘画， 王坚娅， 徐志宏， 等. 基于响应面方法的马尾松毛虫发生量混沌特性检测及其预测[J]. 东北林业大学学报， 2011， 39（9）： 94-96.

[10] 田万银， 徐华潮. 浙江沿海防护林马尾松毛虫的预测预报模型[J]. 环境昆虫学报， 2012， 34（4）： 401-406.

[11] 费海泽， 王鸿斌， 孔祥波， 等. 马尾松毛虫发生相关气象因子筛选及预测[J]. 东北林业大学学报， 2014， 41（1）： 136-140.

[12] 王庆， 毕猛， 杜婷， 等. 基于气象因子的马尾松毛虫发生率空间格局研究[J]. 林业科学研究， 2016， 29（2）： 256-260.

[13] 张孝羲. 昆虫生态及预测预报[M]. 第3版. 北京： 中国农业出版社， 2006：205-221.

[14] 许章华， 李聪慧， 刘健. 马尾松毛虫害等级的Fisher判别分析[J]. 农业机械学报， 2014， 45（6）： 401-406.

[15] 徐克学. 生物数学[M]. 北京： 科学出版社， 2002： 40-50.

[16] 周夏芝， 王振兴， 余燕， 等. 马尾松毛虫幼虫高峰期发生量的预测模型研究[J]. 应用昆虫学报， 2017， 54（6）： 1031-1043.

（责任编辑： 田 喆）