浦江县褐飞虱预测预报模型选择与优化

吴祺媛，吴松涛，刘亚慧，吴慧明*，何云飞

(1.浙江农林大学植物保护系，浙江杭州 311300；2.浙江省浦江县岩头镇人民政府，浙江浦江 322200；3.浙江省浦江县气象局，浙江浦江 322200；4.浙江省浦江县农业技术推广中心，浙江浦江 322200)

我国是世界上最大的水稻生产国，1961—2013年水稻的种植面积占我国粮食作物年平均种植面积的1/3以上，在世界水稻生产面积中占22.12%[1]。水稻是我国最主要的粮食作物，是国家粮食安全的基石[2]，所以保证水稻的产量具有重要意义。褐飞虱[Nilaparvatalugens(Stål)]是严重影响水稻产量的主要害虫之一，如果能够准确地预测褐飞虱的发生情况，就可以提前预防和控制其发生。目前，在实际生产过程当中主要采用数理统计的方法对褐飞虱进行测报，常规的方法有多元回归、逐步回归、时间序列分析等。数理统计的方法主要是根据不同因子对褐飞虱发生情况影响的大小进行选择和剔除，最后拟合出一个回归方程，对褐飞虱的发生进行预测。杨廉伟等[3]在2010年对浙江天台晚稻中的褐飞虱发生情况进行了逐步回归预测。这种预测方法的原理和操作步骤都较简单，目前还普遍应用于我国害虫的预测预报工作中。但由于存在系统外的随机因素，如气象因子、栽培管理、作物等，系统内的随机性也导致这种方法的准确率不高。

人工神经网络(ANN)是一种旨在模仿人脑结构及其功能的信息处理系统[4]，其具有和人脑相同的自组织、自学习和联想记忆功能，并具有分布性、并行性及高度鲁棒性的特点[5]。人工神经网络具有良好的处理非线性问题的能力，其作为一种新型预测预报方法，已经开始应用于害虫的预测预报中，其中应用最广泛的是由Rumelhant和McClelland提出的BP神经网络[6]。靳然等[7]利用BP神经网络技术构建了麦蚜最大虫株率的预测模型，经检验模型具有较高的准确率。浦江县位于浙江省中部，并不属于褐飞虱的越冬区，其褐飞虱虫源由其他地区迁飞而来。褐飞虱于每年的6—7月迁入浦江，1年的发生代数为6代。笔者利用浦江县2001—2016年的褐飞虱田间调查数据和气象数据，建立了浦江县褐飞虱的逐步回归预测模型和BP神经网络预测模型，并对这2个模型进行了比较分析，以期为褐飞虱发生高峰期预测预报模型的选择提供参考。

1 材料与方法

1.1资料数据褐飞虱历史虫情资料来自浦江县农业局农技推广中心植保站，选取浦江县2001—2016年的逐年褐飞虱的发生情况数据资料。其中，2001—2014年最优数据(2001、2002、2004、2006、2007、2008、2009、2011、2013、2014年)用于模型的构建，2015、2016年的数据用于模型的检验。气象资料来自浦江县气象局包括2001—2016年历年的5—10月的以旬为时间尺度的平均气温、最高气温、最低气温、降雨量、雨日和湿度。

1.2褐飞虱田间调查方法根据中华人民共和国国家标准稻飞虱测报调查规范[8]，对观察区内褐飞虱发生情况进行调查。在大田调查稻飞虱时，采用传统盘拍法，白搪瓷盘的规格为33 cm×45 cm，每田调查时根据5点法，每点10丛，计算百丛虫量。为了增强白搪瓷盘表面的附着力，白搪瓷盘内壁应先用水或肥皂水湿润，方便将虫子粘住计数。调查时，瓷盘与地面保持60°角，轻插入稻行，紧贴水面稻丛基部，快速拍打水稻中下部3次，然后取出瓷盘计数。稻飞虱数量较多时，可采用二分法或四分法计数提高调查效率。调查时间应尽量选择气温较低、田间湿度较大的08：00—09：00，因为在这个环境中稻飞虱的活动力较弱，便于拍盘计数[9]。

1.3研究方法褐飞虱发生高峰期是指发生数量占总虫数的50%的日期。逐步回归预测模型中把每年的7月22日记为1，建立时间序列后，将历年的高峰期日用自然数表示。采用SPSS软件中逐步回归方法在每旬不同的气象因子数据(5—10月每旬的平均气温、最高气温、最低气温、雨量、雨日、湿度)中筛选出对褐飞虱发生高峰期预测贡献大的相互配合较好的变量，构建褐飞虱发生期的预测预报模型，最后对模型的褐飞虱发生期预测值与实测值进行历史回代检验以及独立样本试报预测检验。

BP神经网络预测模型中运用DPS数据处理软件中的BP神经网络计算模型进行褐飞虱发生期的预测。根据多次试验调整后选取气象因子中的平均温、最高温、最低温、雨量、湿度5个气象因子作为模型中的自变量。把每年的1月1日记为1，建立时间序列后，将历年的高峰期日用自然数表示。根据研究资料显示，在27～28 ℃温度下，褐飞虱从卵期到成虫羽化约需经历20 d[10]。该研究选取了从褐飞虱始见日开始的2代褐飞虱卵期至成虫羽化时间共40 d，即4旬的各气象因子的平均数据用于模型的构建，预测此后一段时间褐飞虱高峰期的发生。选用2001—2014年最优的数据作为BP神经网络的学习数据，2015和2016年的数据作为检验数据。BP神经网络算法中设置隐含层神经元个数为5，运行5 000次。

选择模型拟合精度、平均绝对百分误差(MAPE)和均方误差(MSE)等评价指标对模型性能进行评价[11-12]。

2 结果与分析

2.1逐步回归预测模型的构建与检验

2.1.1预测预报模型的构建。经过逐步回归分析得出褐飞虱发生高峰期与5月上旬最高温、9月上旬湿度、6月下旬雨量有显著相关(表1)。

表1 逐步回归模型因子参数

高峰期预测预报模型如下：

Y=-771.797+17.407X1+2.902X2+0.012X3

(1)

式中，Y为褐飞虱发生高峰期日；X1为5月上旬最高温；X2为9月上旬湿度；X3为6月下旬雨量。

显著性检验方程得出：R2=0.968，P<0.001，表明方程回归效果较好，具有良好的统计学意义，可用于褐飞虱发生高峰期的预测预报。

2.1.2预测模型的历史回代检验。将历史气象观测数据代入高峰期预测模型，结果见表2。

表2实测值与逐步回归预测模型预测值之间的比较

Table2Comparisonbetweentheactualvalueandthepredictedvalueofthestepwiseregressionpredictionmodel

年份Year实际值Actualvalued预测值Predictivevalued偏差Deviationd拟合精度Fittingprecision%200124．0026．17-2．1790．96200230．0031．57-1．5794．77200463．0065．80-2．8095．56200666．0066．44-0．4499．33200762．0057．764．2493．16200867．0069．57-2．5796．17200955．0052．772．2395．95201162．0061．950．0599．92201350．00-34．9484．94-69．88201442．0042．81-0．8198．07

由表2可知，排除2013年，其余年份的拟合精度均高于90%。将2015、2016年的数据代入式(1)，得出的模拟值分别为11和-1，实测值分别为43和59，预测结果与实际情况相差较大。

2.2基于BP神经网络的褐飞虱发生期拟合结果BP神经网络模型的历史数据回代结果见表3。

表3实测值与BP神经网络预测模型预测值之间的比较

Table3ComparisonbetweentheactualvalueandthepredictedvalueofBPneuralnetworkprediction

年份Year实际值Actualvalued预测值Predictivevalued偏差Deviationd拟合精度Fittingprecision%2001226．00227．51-1．5199．332002232．00231．770．2399．902004266．00270．00-4．0098．502006268．00267．340．6699．752007264．00264．54-0．5499．802008270．00267．802．2099．192009257．00256．950．0599．982011264．00264．13-0．1399．952013252．00252．06-0．0699．982014244．00244．17-0．1799．93

由表3可知，BP神经网络模型的拟合精度均在98%以上，将2015和2016年的数据输入模型中，得到的模拟值分别为251和270，实测值分别为245和262，预测结果较为准确。

2.32种模型的比较从2个模型的检验结果可以看出，逐步回归模型的拟合精度除2013年之外其余年份均在90%以上，BP神经网络模型的拟合精度值都大于98%，预测准确，预测精度明显高于逐步回归模型。由表4可知，逐步回归模型的平均绝对百分误差和均方误差远大于BP神经网络模型，BP神经网络模型的性能要高于逐步回归模型。

表4逐步回归和BP神经网络预测模型比较

Table4ComparisionofstepwiseregressionandBPneuralnetworkmethodperformances

模型Model平均绝对百分误差MAPE∥%均方误差MSE逐步回归Stepwiseregression31．81990．14BP神经网络BPneuralnetwork0．7610．65

3 结论与讨论

在生产实际中，逐步回归预测模型凭借其研究较为成熟，建立方法简单，可参考实例较多的优点，还普遍应用于褐飞虱的预测预报工作中。陈冰等[13]根据1996—2013年化州市稻飞虱的田间调查数据以及气象资料建立了化州市晚稻稻飞虱的预测预报模型，模型预测较为准确。李大庆等[14]利用贵州余庆1985—2014年气象数据和稻纵卷叶螟监测数据分别建立了第3代低龄幼虫盛发期以及第4代低龄幼虫盛发期的预测预报模型，预报准确率也较高。该研究所建立的逐步回归预测预报模型的准确率不高的原因之一为所选择的数据的时间跨度不够长，不能很好地体现浦江县褐飞虱发生的所有情况。另外一个原因来自于逐步回归本身存在的缺陷，不能体现各发生因素之间错综复杂的关系。害虫的发生系统普遍存在混沌现象，而线性回归只能简单地体现各因素之间的线性关系，不符合害虫发生的实际情况，所以准确率不高。在建立逐步回归预测模型时，所选择的建模因子为5月上旬最高温、9月上旬湿度和6月下旬雨量，其中9月上旬已经比较接近褐飞虱发生的高峰期，所以其预测的提前性不高，很难达到褐飞虱提前防治的要求。

在该研究的比较中，BP神经网络预测模型的准确率明显高于线性回归预测模型，其他学者利用BP神经网络对害虫进行预测也取得了较好的成果。马飞等[15]结合江苏省通州市田间褐飞虱发生量数据以及当地气象数据建立了通州市褐飞虱BP神经网络长期预警系统。汪四水等[16]用江苏省通州市1973—1997年稻纵卷叶螟的赶蛾资料和气象资料建立的BP神经网络预测模型的准确率达100%。在该研究中，BP神经网络模型的建模因子选取的是每年始见日后 40 d的平均温、最高温、最低温、雨量和湿度，所以从预测时间上看，BP神经网络模型对于高峰期的预测会比线性回归模型早，更利于提前对褐飞虱的防治做出准备。非线性是神经网络的核心，一旦引入了非线性，BP神经网络就可以有效地逼近任意连续函数，能够解决线性模型所不能解决的非线性问题[17]，在预测中能够有效地模拟害虫发生系统的情况，提高预测的准确率。

BP神经网络预测模型是一种较为新型的预测预报模型，弥补了传统的线性回归预测模型在非线性方面的缺点，具有预测时间长、预测准确度高的特点。BP神经网络预测模型虽然在某些方面还存在着许多不足，但是随着研究的深入，将会越来越完善，将其广泛应用于农业上害虫的预测预报，可以及时为害虫的防治提供依据，减少产量的损失。

[1] 赵凌，赵春芳，周丽慧，等.中国水稻生产现状与发展趋势[J].江苏农业科学，2015(10)：105-107.

[2] 虞国平.水稻在我国粮食安全中的战略地位分析[J].新西部，2009(11)：31-33.

[3] 杨廉伟，王会福，陈将赞，等.浙江省天台县晚稻褐飞虱发生关键因子分析与逐步回归预测[J].中国农学通报，2010，26(12)：227-232.

[4] 董军，胡上序.混沌神经网络研究进展与展望[J].信息与控制，1997，26(5)：360-368.

[5] 包约翰.自适应模式识别与神经网络[M].北京：科学出版社，1974.

[6] 朱大奇，史慧.人工神经网络原理及应用[M].北京：科学出版社，2006：33.

[7] 靳然，李生才.基于BP神经网络的麦蚜最大虫株率预测[J].山西农业大学学报(自然科学版)，2015，35(4)：361-366.

[8] 王建强，张跃进，刘宇.稻飞虱测报调查规范：GB/T 15794—2009[S].北京：中国标准出版社，2009：3.

[9] 尤伟群，侯平扬.水稻主要害虫田间调查实践优化[J].热带农业科学，2013，33(6)：37-38，42.

[10] 程遐年，吴进才，马飞.褐飞虱研究与防治[M].北京：中国农业出版社，2003：48.

[11] 向昌盛，周子英.ARIMA与SVM组合模型在害虫预测中的应用[J].昆虫学报，2010，53(9)：1055-1060.

[12] 李启权，王昌全，张文江，等.基于神经网络模型和地统计学方法的土壤养分空间分布预测[J].应用生态学报，2013，24(2)：459-466.

[13] 陈冰，颜松毅，江满桃，等.化州市晚稻稻飞虱主害代发生期及发生程度气象预测模型[J].中国农学通报，2015，31(8)：123-127.

[14] 李大庆，杨再学，秦治勇，等.稻纵卷叶螟中短期预测模型研究与应用[J].贵州大学学报(自然科学版)，2016，33(2)：40-44.

[15] 马飞，许晓风，张夕林，等.神经网络预警系统及其在害虫预测中的应用[J].昆虫知识，2002，39(2)：115-119.

[16] 汪四水，张孝羲.基于神经网络的稻纵卷叶螟长期预测[J].植物保护学报，2000，27(4)：313-316.

[17] 高宇航.一种改善BP神经网络性能的方法研究[J].微型机与应用，2017，36(6)：53-57，61.

科技论文写作规范——缩略语

采用国际上惯用的缩略语。如名词术语DNA(脱氧核糖核酸)、RNA(核糖核酸)、ATP(三磷酸腺苷)、ABA(脱落酸)、ADP(二磷酸腺苷)、CK(对照)、CV(变异系数)、CMS(细胞质雄性不育性)、IAA(吲哚乙酸)、LD(致死剂量)、NAR(净同化率)、PMC(花粉母细胞)、LAI(叶面积指数)、LSD(最小显著差)、RGR(相对生长率)，单位名缩略语IRRI(国际水稻研究所)、FAO(联合国粮农组织)等。对于文中有些需要临时写成缩写的词(如表及图中由于篇幅关系以及文中经常出现的词而写起来又很长时)，则可取各主要词首字母写成缩写，但需在第一次出现处写出全称，表及图中则用注解形式在下方注明，以便读者理解。