馬尾松毛蟲(chóng)精細(xì)化預(yù)報(bào)回歸建模試驗(yàn)研究

汪全兵++陳南松++張國(guó)慶

摘要 通過(guò)線性回歸、曲線回歸、非線性回歸、Logistics回歸等回歸多次建模試驗(yàn)的比較，建立了顯著性較高的馬尾松毛蟲(chóng)發(fā)生量和幼蟲(chóng)高峰期線性預(yù)報(bào)模型。

關(guān)鍵詞 馬尾松毛蟲(chóng)；精細(xì)化預(yù)報(bào)；回歸建模試驗(yàn)

中圖分類號(hào) S763.7 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1007-5739（2015）18-0172-01

1 數(shù)據(jù)來(lái)源

馬尾松毛蟲(chóng)發(fā)生量、發(fā)生期數(shù)據(jù)來(lái)源于潛山縣監(jiān)測(cè)數(shù)據(jù)，氣象數(shù)據(jù)來(lái)源于國(guó)家氣候中心。所用軟件為IBM SPSS Statistics 22，Microsoft Office Excel 2007。

2 發(fā)生面積回歸建模試驗(yàn)

2.1 第1代發(fā)生面積

多次回歸試驗(yàn)比較，保留第1、2齡極低氣溫、卵期極低氣溫、上一代防治效果、上一代防治面積4個(gè)變量，進(jìn)行新的回歸建模試驗(yàn)，結(jié)果見(jiàn)表1、2?？梢钥闯?，模型顯著性概率為0.036，小于0.05，拒絕回歸系數(shù)都為0的原假設(shè)，回歸模型為：第1代發(fā)生面積=18 563.523-0.170×上一代發(fā)生面積+3 223.329×上一代防治效果+305.634×卵期極低氣溫-1 197.311×第1、2齡極低氣溫。

2.2 第2代發(fā)生面積

采取同樣的方法，采用Excel對(duì)第1、2齡極低氣溫、上一代防治面積進(jìn)行回歸建模試驗(yàn)，試驗(yàn)結(jié)果接近顯著性要求，具體見(jiàn)表3、4?？梢钥闯?，顯著性概率為0.053 14，非常接近于0.05，試驗(yàn)?zāi)Ｐ徒咏囼?yàn)要求，回歸模型為：第2代發(fā)生面積=-33 943.89+1.333 787 2×上一代防治面積+1 958.008 5×第1、2齡極低氣溫。

3 幼苗高峰期回歸建模試驗(yàn)

3.1 第1代幼蟲(chóng)高峰期

選擇成蟲(chóng)始見(jiàn)期、第1、2齡積溫及第1、2齡平均氣溫3個(gè)相關(guān)性較高的變量，進(jìn)行新的回歸建模試驗(yàn)，試驗(yàn)結(jié)果見(jiàn)表5、6?？梢钥闯?，顯著性概率為0.000，遠(yuǎn)遠(yuǎn)小于0.05，拒絕回歸系數(shù)都為0的原假設(shè)，同時(shí)在回歸過(guò)程中還排除了變量第1、2齡平均氣溫，回歸模型為：第1代幼蟲(chóng)高峰期（日歷天）=34.055+0.585×上一代成蟲(chóng)始見(jiàn)期+0.002×第1、2齡幼蟲(chóng)期積溫（日度）。

3.2 第2代幼蟲(chóng)高峰期

選擇成蟲(chóng)始見(jiàn)期、卵期積溫、卵期平均氣溫3個(gè)相關(guān)性較高的變量，進(jìn)行新的回歸建模試驗(yàn)，試驗(yàn)結(jié)果見(jiàn)表7、8。可以看出，顯著性概率為0.000，遠(yuǎn)遠(yuǎn)小于0.05，拒絕回歸系數(shù)都為0的原假設(shè)，同時(shí)在回歸過(guò)程中還排除了變量卵期積（下轉(zhuǎn)第180頁(yè)）

溫，回歸模型為：第2代幼蟲(chóng)高峰期（日歷天）=219.323+0.280×上一代成蟲(chóng)始見(jiàn)期-0.150×卵期平均氣溫。

4 討論

上述回歸分析表明了馬尾松毛蟲(chóng)發(fā)生機(jī)制與環(huán)境的復(fù)雜性，僅僅就發(fā)生量與幼蟲(chóng)高峰期而言，不同世代的回歸試驗(yàn)結(jié)果大不相同，正因?yàn)槠鋸?fù)雜性，還導(dǎo)致了在本次回歸建模試驗(yàn)中部分多元線性回歸的失敗，以及曲線回歸、非線性回歸、Logistics回歸等回歸建模試驗(yàn)的失敗[1-11]。

5 參考文獻(xiàn)

[1] 張國(guó)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(guó)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(guó)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(guó)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(guó)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(guó)慶.馬尾松毛蟲(chóng)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(guó)慶.馬尾松毛蟲(chóng)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(guó)慶.馬尾松毛蟲(chóng)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(guó)慶.馬尾松毛蟲(chóng)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(guó)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(guó)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