基于卡爾曼濾波算法的稻縱卷葉螟短期預(yù)測模型*

包云軒，陳心怡，謝曉金，王 琳，陸明紅

?

基于卡爾曼濾波算法的稻縱卷葉螟短期預(yù)測模型*

包云軒1,2，陳心怡1,2，謝曉金1，2，王 琳1,2，陸明紅3

（1.南京信息工程大學(xué)氣象災(zāi)害預(yù)報和評估協(xié)同創(chuàng)新中心，南京 210044；2.江蘇省農(nóng)業(yè)氣象重點實驗室/南京信息工程大學(xué)，南京 210044；3.農(nóng)業(yè)部全國農(nóng)業(yè)技術(shù)推廣與服務(wù)中心，北京 100125）

利用1994-2014年中國南方四大稻區(qū)（華南、西南、江嶺和江淮稻區(qū)）代表性病蟲測報站的稻縱卷葉螟逐候田間趕蛾量資料，篩選出影響各站稻縱卷葉螟發(fā)生量的關(guān)鍵氣象因子，應(yīng)用卡爾曼濾波方法分別對各站建立稻縱卷葉螟遷入期候發(fā)生量的卡爾曼短期預(yù)測模型，并計算模型的準(zhǔn)確率、誤差大小和穩(wěn)定性。結(jié)果表明：（1）稻縱卷葉螟發(fā)生量與前一候和前兩候的田間蛾量呈極顯著正相關(guān)（P<0.01），與前一候的近地面最低氣溫、平均氣溫和最高氣溫呈極顯著正相關(guān)（P<0.01），與前一候的地面氣壓呈極顯著負(fù)相關(guān)（P<0.01）。（2）經(jīng)1994-2011年的回檢擬合和2012-2014年試報檢驗，卡爾曼模型的發(fā)生量預(yù)測綜合平均誤差為-88.63，平均絕對誤差為217.72，均方根誤差為605.04。發(fā)生量預(yù)測綜合準(zhǔn)確率為84.33%，平均歷史擬合率為83.33%，各站卡爾曼模型的預(yù)報結(jié)果與實測值基本吻合，表明模型可以應(yīng)用于稻縱卷葉螟候發(fā)生量的預(yù)測。

稻縱卷葉螟；氣象因子；卡爾曼濾波算法；候發(fā)生量預(yù)報模型；準(zhǔn)確率

稻縱卷葉螟（Guenee）是為害水稻的一種遷飛性害蟲，每年3-10月在中國有5次大規(guī)模的南北往返遷飛[1]。20世紀(jì)60年代中期以前在中國為局部偶發(fā)性害蟲，70-80年代開始其發(fā)生頻次和危害程度大幅升高，逐漸成為中國主要稻區(qū)的普遍性和常發(fā)性害蟲[2]。21世紀(jì)以來，稻縱卷葉螟在中國各稻區(qū)的發(fā)生量和危害面積明顯上升，2003年以來在全國連年大發(fā)生，給水稻生產(chǎn)造成了嚴(yán)重?fù)p失[3-4]。由于近10a來，稻縱卷葉螟的遷入與發(fā)生趨于復(fù)雜化、持續(xù)化，而其發(fā)生又具有間歇性和突發(fā)性的特點，其年際發(fā)生量、發(fā)生程度和發(fā)生區(qū)域差異均較大，分布極不均勻[5]，更為稻縱卷葉螟的預(yù)測預(yù)報增加了難度。因此，研究稻縱卷葉螟的預(yù)測預(yù)報方法，對減少糧食損失，維護(hù)社會穩(wěn)定具有重要意義。

稻縱卷葉螟的發(fā)生除與蟲源地、水稻種植制度、地形分布、天敵情況等因素相關(guān)外，還與氣象條件有著極為密切關(guān)系，研究表明[6-10]，稻縱卷葉螟的遷入發(fā)生量受高空氣流、溫度、濕度、降水和光照等氣象條件的綜合影響。

關(guān)于稻縱卷葉螟發(fā)生的預(yù)報方法已有很多，最早使用的是經(jīng)驗預(yù)測法[11]，主要根據(jù)害蟲的生長發(fā)育狀況和天氣形勢對稻縱卷葉螟的主害代發(fā)生峰期和發(fā)生程度進(jìn)行預(yù)測。經(jīng)驗預(yù)測法簡單直觀，但是主觀因素帶來的誤差明顯，難以達(dá)到較高的準(zhǔn)確率。之后數(shù)理統(tǒng)計方法得到廣泛應(yīng)用，所用方法包括回歸分析、多維時間序列分析、模糊貼近度、灰色系統(tǒng)、周期分析等[12]。這類方法主要通過因子之間的簡單關(guān)系分析來建模，機(jī)理不明，隨機(jī)性“噪聲”導(dǎo)致的誤差也較明顯。近年來隨著信息技術(shù)的不斷發(fā)展，人工神經(jīng)網(wǎng)絡(luò)[13]等方法也被廣泛應(yīng)用，但神經(jīng)網(wǎng)絡(luò)建模的缺點是其建模存在“黑箱”性，網(wǎng)絡(luò)的學(xué)習(xí)和決策過程難以理解，不利于對模型的進(jìn)一步優(yōu)化。

目前對病蟲害的預(yù)測多用回歸方法預(yù)測世代或年發(fā)生程度和發(fā)生高峰期[14-17]，對實際發(fā)生量的預(yù)測不多，以候為單位的短期預(yù)測很少見報道。目前對病蟲害的預(yù)測仍以回歸方法為主，其預(yù)測參數(shù)不能隨實際情況進(jìn)行更新，而本文應(yīng)用的卡爾曼濾波算法是一個遞歸算法，能夠從一系列不完全和包含噪聲的量測中，估計動態(tài)系統(tǒng)的狀態(tài)[18]。該方法于1960年被提出，之后被廣泛應(yīng)用于航空、航天、工業(yè)過程、社會經(jīng)濟(jì)和天氣預(yù)報等不同領(lǐng)域[19-22]，但在病蟲害測報領(lǐng)域的應(yīng)用報道極為罕見。2010年江勝國等[23]首次應(yīng)用卡爾曼濾波方法建立了稻飛虱發(fā)生適宜氣象等級預(yù)測模型，而利用卡爾曼濾波方法對稻縱卷葉螟發(fā)生量進(jìn)行預(yù)測的研究或應(yīng)用還未見報道。因此，本文嘗試?yán)每柭鼮V波算法與前期對稻縱卷葉螟發(fā)生量有顯著影響的氣象因子相結(jié)合，建立其候發(fā)生量的短期預(yù)報模型，旨在為中國稻縱卷葉螟的預(yù)測預(yù)報提供一種思路。

1 資料與方法

1.1 資料來源

1.1.1 蟲情資料

考慮到資料的完整性和代表性，從華南稻區(qū)、西南稻區(qū)、江嶺稻區(qū)和江淮稻區(qū)分別選取廣西全州、重慶秀山、湖南湘陰和江蘇張家港4個植物保護(hù)站作為代表站，利用其1994-2014年逐日田間趕蛾量數(shù)據(jù)。以候為時間單位，利用MatLab編程將各站逐日田間趕蛾量資料處理成候平均數(shù)據(jù)，并進(jìn)行對數(shù)化處理。

1.1.2 氣象資料

選取1994-2014年全州、秀山、湘陰和張家港4個氣象站逐日常規(guī)氣象觀測資料，氣象要素為地面氣壓、風(fēng)速、最低氣溫、平均氣溫、最高氣溫、相對濕度、降水量、日照時數(shù)等，所有數(shù)據(jù)均進(jìn)行候平均處理。

1.2 方法

1.2.1 逐步回歸方法

分別對各站稻縱卷葉螟逐候發(fā)生量與前期發(fā)生量及氣象因子之間的相關(guān)性進(jìn)行分析，選取通過P<0.01水平顯著性檢驗的因子，再利用逐步回歸分析方法篩選4個代表站稻縱卷葉螟發(fā)生量預(yù)測的預(yù)報因子。

1.2.2 卡爾曼濾波模型

卡爾曼濾波算法的基本思想是，以最小均方誤差為最佳估計準(zhǔn)則，采用信號與噪聲的狀態(tài)空間模型，利用前一時刻預(yù)測誤差來更新對狀態(tài)變量的估計，求出當(dāng)前時刻的估計值，根據(jù)建立的狀態(tài)方程和量測方程對需要處理的信號作出滿足最小均方誤差的估計[24]。

本研究在氣象上常用的卡爾曼濾波系統(tǒng)方程基礎(chǔ)上加以改進(jìn)，得到適用于病蟲害預(yù)測的卡爾曼濾波預(yù)測方程，即

預(yù)測遞推方程為

式（3）中的a是變動的，預(yù)測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，預(yù)測t+2候的at時需要先計算Ct，可通過式（9）實現(xiàn)，依次類推，以實現(xiàn)模型參數(shù)更新。

1.2.3 預(yù)測效果評價指標(biāo)

選取平均誤差（Mean Error，ME）、平均絕對誤差（Mean Abosolute Error，MAE）、均方根誤差（Root Mean Square Error，RMSE）和預(yù)測準(zhǔn)確率（Prediction Accurracy，PA）等指標(biāo)來評價預(yù)測模型的誤差大小、穩(wěn)定性和預(yù)測準(zhǔn)確率。

式中，yi為預(yù)測候蟲量值，單位為頭·667m-2，xi為實測候蟲量值，單位為頭·667m-2。i=1，2，3，…，n，i代表遷入期內(nèi)候序，n為各站年遷入期總候數(shù)。ME反映綜合預(yù)測誤差，ME越大預(yù)測誤差越大。與此相比，MAE由于離差被絕對值化，不會出現(xiàn)正負(fù)相抵消的情況，因而，能更好地反映預(yù)測值誤差的實際情況。MAE越大表示預(yù)測誤差越大。RMSE越大，表示預(yù)測值相對于實測值的離散程度越大，RMSE越小，模型的穩(wěn)定性越好。

用唐啟義等[25]提出的病蟲測報應(yīng)驗程度判定模式計算預(yù)測準(zhǔn)確性評價的分值，即

式中，SD為發(fā)生量判定模式的分值；SD＜40表明預(yù)報不準(zhǔn)確，40≤SD＜60表明預(yù)報較準(zhǔn)確，SD≥60表明預(yù)報準(zhǔn)確；a為預(yù)報對象常年平均值，a1為實測值，a2為預(yù)測值；δ為預(yù)報對象常年標(biāo)準(zhǔn)差，t為自預(yù)報發(fā)出至實際發(fā)生時的期距（d），因為本研究是以候為時間單位預(yù)報，故d=5。

根據(jù)分值計算預(yù)測準(zhǔn)確率（PA）和歷史擬合率（HA）

式中，Ap為當(dāng)年預(yù)測評分準(zhǔn)確的候數(shù)；Sp為當(dāng)年進(jìn)行預(yù)測的總候數(shù)。AY為歷史擬合準(zhǔn)確的年數(shù)，SY為歷史擬合的總年數(shù)。PA越大，表明預(yù)測準(zhǔn)確率越高。HA越大，表明歷史擬合率越高。

1.3 遷入期和預(yù)報時間

根據(jù)1994-2014年各站歷年稻縱卷葉螟逐日蟲量資料，最早始見期為該站21a中稻縱卷葉螟每年第一次遷入最早的候序，最晚終見期為該站21a中稻縱卷葉螟每年最后一次遷入最晚的候序。遷入期即為最早始見期至最晚終見期之間的候數(shù)。4個代表站的遷入期見表1。本文4個站每年預(yù)報的時間分別為該站的遷入期起始候到終見候之間的候數(shù)，提前1候預(yù)報下一候的發(fā)生量。

表1 南方四大稻區(qū)代表站遷入期的起止候

2 結(jié)果與分析

2.1 稻縱卷葉螟發(fā)生量預(yù)報模型中因子的確定

2.1.1 發(fā)生量影響因子

全州、秀山、湘陰和張家港4個站選用建模的氣象因子有氣壓、風(fēng)速、最低氣溫、平均氣溫、最高氣溫、相對濕度、降水量和日照時數(shù)。由于前期蟲源基數(shù)對后期稻縱卷葉螟的發(fā)生有直接影響，所以加上前一候發(fā)生量、前兩候發(fā)生量這兩個影響因子，分別與各站稻縱卷葉螟發(fā)生量進(jìn)行相關(guān)性分析。結(jié)果見表2。

表2 四站當(dāng)前候稻縱卷葉螟發(fā)生量與前期發(fā)生量、前期氣象因子的相關(guān)系數(shù)

注：A1為前一候的蟲口數(shù)量（頭·667m-2），A2為前兩候的蟲口數(shù)量（頭·667m-2），P為前一候氣壓（hPa），TA為前一候地面平均溫度（℃），TX為前一候地面最高氣溫（℃），TN為前一候地面最低氣溫（℃），V為前一候風(fēng)速（m·s-1），RH為前一候相對濕度（%），R為前一候降水量（mm），SH為前一候日照時數(shù)（h）。**表示P<0.01，*表示P<0.05，?表示相關(guān)性不顯著。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可見，（1）4站稻縱卷葉螟發(fā)生量與前一候、前兩候的發(fā)生量的相關(guān)性均表現(xiàn)為極顯著，表明前期田間蟲源基數(shù)越大，越有利于后期稻縱卷葉螟的發(fā)生。（2）4站稻縱卷葉螟發(fā)生量與前一候平均最低氣溫、平均氣溫和平均最高氣溫呈極顯著正相關(guān)，表明溫度越高，越有利于稻縱卷葉螟的發(fā)生，適溫范圍內(nèi)的較高溫的環(huán)境有利于稻縱卷葉螟的遷飛和發(fā)育，這與其喜溫習(xí)性相吻合。（3）4站稻縱卷葉螟發(fā)生量與前一候氣壓呈極顯著負(fù)相關(guān)，實際上在稻縱卷葉螟發(fā)生季內(nèi)，氣壓越低，天氣越悶熱潮濕，越利于喜溫喜濕的稻縱卷葉螟的發(fā)生和危害。（4）全州站稻縱卷葉螟發(fā)生量與前一候風(fēng)速呈顯著負(fù)相關(guān)，表明風(fēng)速越大，越不利于該站稻縱卷葉螟的發(fā)生。因為該站地處西南偏南至東北偏北走向的湘桂走廊內(nèi)，東西兩側(cè)均為較高的地形，風(fēng)速過大，近地層擾動過大，不利于稻縱卷葉螟在水稻田間駐留。（5）全州站稻縱卷葉螟發(fā)生量與前一候日照時數(shù)呈顯著正相關(guān)，表明該站前一候日照時數(shù)越多，稻縱卷葉螟發(fā)生量越大。全州站常年春寒時間長，若日照時數(shù)多，則太陽輻射強(qiáng)，有利于氣溫升高，能促進(jìn)水稻生長，對喜暖的稻縱卷葉螟的遷入和為害有利。（6）湘陰站稻縱卷葉螟發(fā)生量與前一候的相對濕度呈顯著正相關(guān)，表明相對濕度越大，越有利于湘陰站稻縱卷葉螟的發(fā)生。湘陰站地處湖南省東北部的濱湖平原，境內(nèi)水系發(fā)達(dá)，水陸環(huán)流旺盛，高濕環(huán)境既有利于降蟲，又利于田間取食、為害和繁殖，這與其喜濕習(xí)性十分吻合。（7）秀山站稻縱卷葉螟發(fā)生量與前一候降水呈顯著正相關(guān)。事實上，降水對空中遷飛的稻縱卷葉螟種群的降落有明顯的動力脅迫作用，一定強(qiáng)度以下的降水越多，越有利于稻縱卷葉螟的遷入，也越利于其田間的發(fā)生。秀山系武陵山二級隆起帶的南段，境內(nèi)地表起伏大，西南高，東北低，地形阻礙不利于西南氣流攜帶蟲群遷入，種群遷入主要靠降水動力脅迫來實現(xiàn)，而秀山站充沛的降水，對稻縱卷葉螟的遷入為害十分有利。從表2還可看出，由于各站地理位置和地形不同，氣候特點不同，水稻生長條件和狀況也不一樣，不同的氣象因子組合呈現(xiàn)出對稻縱卷葉螟發(fā)生量影響的不同結(jié)果。

2.1.2 預(yù)報因子選取

選取上述與發(fā)生量相關(guān)性通過P<0.01顯著性檢驗的因子進(jìn)行逐步回歸，因子進(jìn)入方程條件為F=0.15，刪除因子條件為F=0.2，最后剔除顯著性檢驗P≥0.05的因子。各站入選的預(yù)報因子見表3。

表3 逐步回歸法入選的各站稻縱卷葉螟發(fā)生量預(yù)測因子

4站地理位置由南往北排序為全州（25.56°N，111.04°E）、秀山（28.27°N，108.59°E）、湘陰（28.41°N，112.53°E）、張家港（31.88°N，120.64°E），秀山站南鄰貴州寡照區(qū)，因日照少和降水多的影響，全年氣溫不如全州和湘陰高，作為稻縱卷葉螟發(fā)生熱量條件的平均氣溫因子顯得較為重要；張家港位置偏北，年平均氣溫最低，所以最高氣溫和最低氣溫對其遷入田間為害較關(guān)鍵；全州和湘陰站年平均氣溫相對較高，但春、秋季的低溫會明顯影響稻縱卷葉螟的遷入和為害，因而最低氣溫是關(guān)鍵因子；全州站春寒時間長，如果日照時數(shù)多，太陽輻射強(qiáng)，將有利于氣溫升高，能促進(jìn)水稻生長，也對喜暖的稻縱卷葉螟的遷入和為害有利，因此，日照時數(shù)是關(guān)鍵因子之一；秀山站和湘陰站都處在西南高、東北低的地形過渡區(qū)，稻縱卷葉螟的遷入和為害受地形重力波引起的氣壓變化影響較大；湘陰站境內(nèi)河湖交匯，水汽條件較好，對喜濕的稻縱卷葉螟的遷入和為害十分有利。由此可見，由逐步回歸篩選的預(yù)報因子能較好地解釋限制性氣象條件對中國不同稻區(qū)稻縱卷葉螟發(fā)生量影響的機(jī)制。

2.2 稻縱卷葉螟發(fā)生量預(yù)報模型

將表3中確定的預(yù)報因子作為卡爾曼模型的預(yù)報因子，以逐步回歸方法確定的回歸系數(shù)作為各站卡爾曼模型的初始回歸系數(shù)，分別以4個站的1994-2010年和1995-2011年候數(shù)據(jù)為樣本建立兩個量測方程，從而確定模型其它初始參數(shù)。用建立的各站模型分別預(yù)測4站2012-2014年的候發(fā)生量，同時以各站2012-2014年的實測數(shù)據(jù)檢驗預(yù)測效果，并對各站1994-2011年的數(shù)據(jù)進(jìn)行歷史回檢。本文僅列出秀山站的卡爾曼預(yù)測模型初始參數(shù)。

初始回歸系數(shù)為通過逐步回歸方法對1995-2011年資料建立的回歸方程的回歸系數(shù)，即

用逐步回歸方法建立兩個量測方程中的回歸系數(shù)的變化對系統(tǒng)噪聲方差陣W進(jìn)行估算。

量測噪聲的方差矩陣V以1994-2010年建立的回歸方程中得到的殘差確定，V=195.321。

C0是a0的誤差方差陣，默認(rèn)

轉(zhuǎn)移系數(shù)根據(jù)歷史擬合值與實際值的差距調(diào)整，本文d=0.1。

確定了模型的初始參數(shù)，按照式（3）-式（9），可得到每一候的預(yù)報量和at、Ct。at即為式（3）中預(yù)測每一候發(fā)生量的回歸系數(shù)，Ct是更新回歸系數(shù)at時需要用到的誤差方差陣。

2.3 稻縱卷葉螟發(fā)生量預(yù)報模型的檢驗

2.3.1 歷史回代檢驗

應(yīng)用卡爾曼模型對4個站1994-2011年18a遷入期的候數(shù)據(jù)進(jìn)行歷史回檢，結(jié)果見表4。總體看來，卡爾曼模型的4個站發(fā)生量歷史擬合率均在72%以上，平均歷史擬合率為83.33%。

表4 四站1994-2011年發(fā)生量的歷史擬合率（HA，%）

2.3.2 預(yù)測效果評價

利用所建模型對全州站、秀山站、湘陰站和張家港站2012-2014年遷入期的候發(fā)生量進(jìn)行預(yù)測，與實際發(fā)生值的對比結(jié)果見圖1，相應(yīng)的評價指標(biāo)見表5。

由圖1可見，卡爾曼模型預(yù)測的各站稻縱卷葉螟候發(fā)生量與實測值趨勢基本吻合，且能較好地反映低值區(qū)和高值區(qū)的變化，預(yù)測效果較好。表5顯示，全州站的ME、MAE和RMSE均最小，表明其預(yù)測誤差最小，模型穩(wěn)定性最好。事實上，全州站歷年發(fā)生情況也較平穩(wěn)。張家港站前兩年預(yù)測誤差偏大，且RMSE偏高，可能是因為2012年張家港站是異常大發(fā)生年，而2011年和2013年均為輕發(fā)生年，變化差異過大。2012-2014年卡爾曼模型4個站3a綜合平均ME為-88.63，綜合平均MAE為217.72，綜合平均RMSE為605.04。

表5 卡爾曼模型預(yù)測的各站2012-2014年稻縱卷葉螟發(fā)生量評價指標(biāo)

注：ME為平均誤差，MAE為平均絕對誤差，RMSE為均方根誤差，PA為預(yù)測準(zhǔn)確率。

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

由表5還可見，利用卡爾曼模型預(yù)測的2012-2014年4個站的稻縱卷葉螟發(fā)生量，以2012年張家港站年平均預(yù)測準(zhǔn)確率最低，為61.90%，而該站2013年的預(yù)測準(zhǔn)確率達(dá)到100%的極高準(zhǔn)確度；全州、秀山、湘陰和張家港站卡爾曼模型的預(yù)測準(zhǔn)確率3a平均值分別為82.93%、88.46%、88.17%、77.78%，4站3a平均預(yù)測準(zhǔn)確率為84.33%，表明卡爾曼模型的預(yù)測準(zhǔn)確率較理想。

3 結(jié)論與討論

（1）稻縱卷葉螟的發(fā)生量與前一候、前兩候發(fā)生量呈極顯著正相關(guān)；與前一候平均氣溫、平均最低氣溫和平均最高氣溫呈極顯著正相關(guān)；與前一候地面氣壓均呈極顯著負(fù)相關(guān)。

（2）本文首次將卡爾曼濾波算法應(yīng)用于稻縱卷葉螟的候發(fā)生量預(yù)測，該模型可提前5d（1候）進(jìn)行預(yù)測，結(jié)果表明卡爾曼模型的綜合預(yù)測準(zhǔn)確率為84.33%，優(yōu)于汪泗水等[13]建立的準(zhǔn)確率為75%的稻縱卷葉螟發(fā)生程度神經(jīng)網(wǎng)絡(luò)預(yù)警模型。

（3）用卡爾曼濾波算法預(yù)測最重要的是測量方程和狀態(tài)方程的建立，而預(yù)報因子的選取對卡爾曼模型的預(yù)測效果至關(guān)重要。本文雖然結(jié)合地面氣象資料和前期蟲情建立了預(yù)測模型，但是影響稻縱卷葉螟發(fā)生的因素還有很多，如水稻生長狀況、栽培措施、高空氣流、海溫等。下一步研究將綜合考慮其它顯著影響稻縱卷葉螟發(fā)生量的預(yù)報因子加入模型，以提高模型的預(yù)測準(zhǔn)確率。

（4）卡爾曼模型對于非平穩(wěn)時間序列的預(yù)測效果不如平穩(wěn)時間序列，特別是異常大發(fā)生年的預(yù)測效果不夠理想，如何提高卡爾曼模型對突變點的預(yù)測準(zhǔn)確率，結(jié)合長期預(yù)測預(yù)先設(shè)置下年的預(yù)測權(quán)重是今后將要進(jìn)一步研究的問題。

參考文獻(xiàn)：References

[1]王鳳英,胡高,陳曉,等.近年來廣西南寧稻縱卷葉螟大發(fā)生原因分析[J].中國水稻科學(xué),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]全國稻縱卷葉螟聯(lián)合測報網(wǎng).我國稻縱卷葉螟的發(fā)生動態(tài)及其預(yù)測預(yù)報[[J].中國農(nóng)業(yè)科學(xué),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]齊國君,梁載林,辛德育,等.廣西永?？h近年來早稻田稻縱卷葉螟連年大發(fā)生的原因分析[J].環(huán)境昆蟲學(xué)報,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]劉宇,王建強(qiáng),馮曉東,等.2007年全國稻縱卷葉螟發(fā)生實況分析與2008年發(fā)生趨勢預(yù)測[J].中國植保導(dǎo)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,李紹石,胡伯海.稻縱卷葉螟[M].北京:中國農(nóng)業(yè)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]包云軒,曹云,謝曉金,等.中國稻縱卷葉螟發(fā)生特點及北遷的大氣背景[J].生態(tài)學(xué)報,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,廖懷建,錢秋,等.溫濕度對稻縱卷葉螟卵的聯(lián)合作用[J].昆蟲學(xué)報,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,張孝羲.遷飛過程中昆蟲的行為:對風(fēng)溫場的適應(yīng)與選擇[J].生態(tài)學(xué)報,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]吳進(jìn)才.光照、溫度及食物的變化對稻縱卷葉螟遷飛的效應(yīng)[J].昆蟲學(xué)報,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,包云軒,王建強(qiáng),等.2003年稻縱卷葉螟重大遷入過程的大氣動力機(jī)制分析[J].昆蟲學(xué)報,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.稻縱卷葉螟低齡幼蟲防治適期的簡化測報法[J].廣東農(nóng)業(yè)科學(xué),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]程極益.作物病蟲害數(shù)理統(tǒng)計預(yù)報[M].北京:農(nóng)業(yè)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,張孝羲,張夕林.稻縱卷葉螟發(fā)生程度的神經(jīng)網(wǎng)絡(luò)預(yù)警[J].生物數(shù)學(xué)學(xué)報,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]劉靜,張宗山,馬力文,等.寧夏枸杞蚜蟲發(fā)生規(guī)律及其氣象等級預(yù)報[J].中國農(nóng)業(yè)氣象,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,薛曉萍,王建源,等.山東棉鈴蟲發(fā)生發(fā)展氣象預(yù)測模型[J].中國農(nóng)業(yè)氣象,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]張淑杰,張玉書,吳微微,等.遼寧省玉米螟發(fā)生程度的氣象預(yù)報模型[J].中國農(nóng)業(yè)氣象,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]陳惠,關(guān)瑞鋒,楊凱,等.福建省稻飛虱氣象條件適宜程度等級預(yù)報[J].中國農(nóng)業(yè)氣象,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]程進(jìn)偉,李建勛.卡爾曼濾波算法評估平臺的設(shè)計與實現(xiàn)[J].系統(tǒng)仿真學(xué)報,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]江勝國,楊太明,程林,等.卡爾曼濾波方法在稻飛虱發(fā)生等級預(yù)測中的應(yīng)用研究[J].氣象,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]彭丁聰.卡爾曼濾波的基本原理及應(yīng)用[J].軟件導(dǎo)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]唐啟義,李紹石.病蟲測報應(yīng)驗程度判定模式[J].中國植保導(dǎo)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

國家自然科學(xué)基金面上項目（41475106；41075086）；國家公益性行業(yè)（氣象）科研專項（GYHY201306053）；江蘇省農(nóng)業(yè)科技自主創(chuàng)新項目[SCX（12）3058]；江蘇省高校優(yōu)勢學(xué)科建設(shè)工程

包云軒（1963-），博士，教授，主要研究方向為氣候變化與防災(zāi)減災(zāi)、應(yīng)用氣象、病蟲害測報學(xué)。E-mail：baoyx@nuist.edu.cn; baoyunxuan@163.com