儲江山++徐勝利++張國慶
摘要 精細(xì)化預(yù)報(bào)建模,除了“精”“細(xì)”之外,還要注重“簡”的精細(xì)化預(yù)報(bào)基本要求,只有這樣的算法模型,才能“化繁為簡”,才能在生產(chǎn)實(shí)踐中得到廣泛應(yīng)用。因此,算法與模型的的選擇,應(yīng)該按照“精”“細(xì)”“簡”要求,應(yīng)用最新數(shù)學(xué)、系統(tǒng)學(xué)成果和分析仿真工具,采用多種方式進(jìn)行試驗(yàn)比較,選擇合適的算法。就本次算法試驗(yàn)而言,對于潛山縣馬尾松毛蟲精細(xì)化預(yù)報(bào),采用多層感知器建立馬尾松毛蟲預(yù)報(bào)模型較好。
關(guān)鍵詞 生物災(zāi)害;馬尾松毛蟲;回歸神經(jīng)網(wǎng)絡(luò)算法;安徽潛山
中圖分類號 S763.7 文獻(xiàn)標(biāo)識碼 A 文章編號 1007-5739(2015)18-0171-01
1 數(shù)據(jù)來源
馬尾松毛蟲發(fā)生量、發(fā)生期數(shù)據(jù)來源于潛山縣監(jiān)測數(shù)據(jù),氣象數(shù)據(jù)來源于國家氣候中心。試驗(yàn)所用軟件為:IBM SPSS Statistics 22,Microsoft Office Excel 2007。
2 數(shù)據(jù)預(yù)處理
為了體現(xiàn)馬尾松毛蟲發(fā)生發(fā)展時(shí)間上的完整性,在數(shù)據(jù)處理時(shí),將越冬代數(shù)據(jù)與上一年第2代數(shù)據(jù)合并,這樣就在時(shí)間上保持了一個(gè)馬尾松毛蟲世代的完整性,以便于建模和預(yù)測。
2.1 發(fā)生量數(shù)據(jù)處理
對潛山縣1983—2014年原始監(jiān)測數(shù)據(jù)預(yù)處理時(shí),按照“輕”“中”“重”3個(gè)強(qiáng)度等級,分類按世代逐年匯總。
2.2 發(fā)生期數(shù)據(jù)處理
在對潛山縣1983—2014年原始發(fā)生期監(jiān)測數(shù)據(jù)按世代逐年匯總,然后將日期數(shù)據(jù)轉(zhuǎn)換成日歷天,使之?dāng)?shù)量化,以便于建模分析。
2.3 氣象數(shù)據(jù)處理
根據(jù)《松毛蟲綜合管理》《中國松毛蟲》等學(xué)術(shù)資料以及近年來有關(guān)馬尾松毛蟲監(jiān)測預(yù)報(bào)的學(xué)術(shù)論文[1-2],初步選擇與松毛蟲的發(fā)生量、發(fā)生期有一定相關(guān)性的氣象因子,然后按照精細(xì)化管理的“精”“細(xì)”“簡”相關(guān)要求,選擇對當(dāng)前馬尾松毛蟲防治實(shí)踐有著較高指導(dǎo)意義的發(fā)生面積和幼蟲高峰期作為預(yù)報(bào)因子,采用SPSS進(jìn)行偏相關(guān)性的分析,再次排除相關(guān)性較低因子變量,并排除世代降雨量、幼蟲期降雨量、幼蟲期極低氣溫、幼蟲期平均氣溫、幼蟲期積溫等過時(shí)的數(shù)據(jù),以減少過多相關(guān)性較低變量對于建模試驗(yàn)的干擾。
此外,在數(shù)據(jù)匯總中發(fā)現(xiàn),第1代與第2代之間的氣象數(shù)據(jù)相差較大,為了保證試驗(yàn)的精確性,將第1代與第2代分開建模試驗(yàn)。各世代參加算法試驗(yàn)的變量見表1。
3 算法試驗(yàn)
3.1 回歸試驗(yàn)
使用IBM SPSS Statistics 22和Microsoft Office Excel 2007,多次選擇不同的變量,采用線性回歸、曲線回歸、非線性回歸、Logistics回歸等回歸建模試驗(yàn)的比較,再次排除了部分相關(guān)性較低的變量,最終選擇了擬合度較高的線性回歸模型,具體見表2。可以看出,顯著性概率小于或非常接近0.05,拒絕回歸系數(shù)都為0的原假設(shè),算法試驗(yàn)基本滿足精細(xì)化預(yù)報(bào)試驗(yàn)要求。
3.2 神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)試驗(yàn)
使用IBM SPSS Statistics 22,經(jīng)過多次神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)試驗(yàn),篩選擬合度高的馬尾松毛蟲精細(xì)化預(yù)報(bào)模型,試(下轉(zhuǎn)第178頁)
(上接第171頁)
驗(yàn)結(jié)果見表3。可以看出,采用徑向基函數(shù)建立的馬尾松毛蟲預(yù)報(bào)模型,基本滿足馬尾松毛蟲預(yù)報(bào)要求。
3.3 神經(jīng)網(wǎng)絡(luò)多層感知器試驗(yàn)
使用IBM SPSS Statistics 22,經(jīng)過多次神經(jīng)網(wǎng)絡(luò)多層感知器試驗(yàn),篩選擬合度高的馬尾松毛蟲精細(xì)化預(yù)報(bào)模型,試驗(yàn)結(jié)果見表4??梢钥闯?,采用多層感知器建立馬尾松毛蟲預(yù)報(bào)模型,R2均大于0.9,要優(yōu)于徑向基函數(shù)與回歸方法建立的模型。
3.4 時(shí)間序列分析算法試驗(yàn)
在算法試驗(yàn)中,還采用了多種時(shí)間序列分析算法,試驗(yàn)結(jié)果的擬合度都較低,達(dá)不到預(yù)報(bào)模型要求。
4 算法選擇與組合
一個(gè)好的算法,就是要“化繁為簡”,把復(fù)雜的事情交給計(jì)算機(jī)去做,最大程度地簡化人的操作。因此,對于馬尾松毛蟲精細(xì)化預(yù)報(bào)而言,只需要選擇對防治具有較高指導(dǎo)意義的發(fā)生面積、發(fā)生強(qiáng)度與幼蟲高峰期進(jìn)行預(yù)報(bào)算法研究。
就目前技術(shù)來說,用于建模的成蟲始見期數(shù)據(jù),采用性誘或燈誘獲取最易于實(shí)現(xiàn),而且成本低,數(shù)據(jù)可靠性高。發(fā)生面積和發(fā)生強(qiáng)度,建模中使用的是上一代數(shù)據(jù),這個(gè)數(shù)據(jù)可以使用高分衛(wèi)片由計(jì)算機(jī)自動獲取,必要時(shí)采用成本低廉的遙控?zé)o人機(jī)對重點(diǎn)區(qū)域進(jìn)行遙測,對高分?jǐn)?shù)據(jù)進(jìn)行校正,盡量避免使用勞動強(qiáng)度大、成本高、可靠性低的人工地面監(jiān)測數(shù)據(jù)。
氣象數(shù)據(jù)可以從國家氣候中心直接獲取,包括歷史數(shù)據(jù)和周、旬預(yù)報(bào)數(shù)據(jù)[1-11]。
算法與模型的的選擇,應(yīng)該按照“精”“細(xì)”“簡”要求,應(yīng)用最新數(shù)學(xué)、系統(tǒng)學(xué)成果和分析仿真工具,采用多種方式進(jìn)行試驗(yàn)比較,選擇合適的算法。就本次算法試驗(yàn)而言,對于潛山縣馬尾松毛蟲精細(xì)化預(yù)報(bào),采用多層感知器建立馬尾松毛蟲預(yù)報(bào)模型較好。
確定預(yù)報(bào)模型之后,以Arc GIS為平臺,結(jié)合SPSS或MATLAB分析仿真工具,對有害生物未來發(fā)生情況進(jìn)行精確描述、分析和仿真,根據(jù)仿真結(jié)果,發(fā)布生物災(zāi)害精細(xì)化預(yù)報(bào)。
5 參考文獻(xiàn)
[1] 張國慶.基于生態(tài)論的生物災(zāi)害精細(xì)化預(yù)報(bào)理論研究[J].現(xiàn)代農(nóng)業(yè)科技,2014(19):146-150.
[2] 張國慶.基于TSE分析理論的林業(yè)生物災(zāi)害精細(xì)化預(yù)報(bào)技術(shù)研究[J].現(xiàn)代農(nóng)業(yè)科技,2014(19):153-155.
[3] 張國慶.基于系統(tǒng)關(guān)鍵因子分析理論的林業(yè)有害生物防治關(guān)鍵期分析技術(shù)研究[J].現(xiàn)代農(nóng)業(yè)科技,2014(19):199-201.
[4] 張國慶.基于系統(tǒng)健康管理理論的林業(yè)生物災(zāi)害精細(xì)化預(yù)報(bào)管理研究[J].現(xiàn)代農(nóng)業(yè)科技,2014(19):197-198.
[5] 張國慶.森林健康與林業(yè)有害生物管理[J].四川林業(yè)科技,2008,29(6):77-80
[6] 張國慶.馬尾松毛蟲精細(xì)化預(yù)報(bào)建模變量篩選[EB/OL].(2015-06-28)[2015-06-28].http://blog.sciencenet.cn/home.php?mod=space&uid=3344&do=blog&id=901156.
[7] 張國慶.馬尾松毛蟲精細(xì)化預(yù)報(bào)回歸建模試驗(yàn)[EB/OL].(2015-06-28)[2015-06-28].http://blog.sciencenet.cn/home.php?mod=space&uid=3344&do=blog&id=901157.
[8] 張國慶.馬尾松毛蟲精細(xì)化預(yù)報(bào)徑向基函數(shù)建模試驗(yàn)[EB/OL].(2015-06-28)[2015-06-28].http://blog.sciencenet.cn/home.php?mod=space&uid=3344&do=blog&id=901158.
[9] 張國慶.馬尾松毛蟲精細(xì)化預(yù)報(bào)多層感知器建模試驗(yàn)[EB/OL].(2015-06-28)[2015-06-28].http://blog.sciencenet.cn/home.php?mod=space &uid=3344&do=blog&id=901162.
[10] 張國慶.生物災(zāi)害精細(xì)化預(yù)報(bào)算法試驗(yàn)研究[EB/OL].(2015-06-28)[2015-06-28].http://blog.sciencenet.cn/home.php?mod=space&uid=3344&do=blog&id=901163.
[11] 張國慶.生物災(zāi)害精細(xì)化預(yù)報(bào)理論基礎(chǔ)與技術(shù)集成[EB/OL].(2015-06-28)[2015-06-28].http://blog.sciencenet.cn/home.php?mod=space &uid=3344&do=blog&id=901164.endprint