《褐飞虱长期预测因子的选择与模型的组建.pdf》由会员分享，可在线阅读，更多相关《褐飞虱长期预测因子的选择与模型的组建.pdf（4页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、褐飞虱长期预测因子的选择与模型的组建马飞1 张夕林2 程遐年1(1南京农业大学农业部病虫监测与治理重点开放实验室,南京210095;2江苏通州市植保站,通州226300)摘要:提出了非线性逐步回归、主分量非线性逐步回归和旋转主分量非线性逐步回归3种因子选择方案,为提高褐飞虱长期预测的准确性提供依据。试验结果表明,主分量非线性逐步回归方法所选择的因子对褐飞虱的预测具有最好的效果,对独立样本的预测达到80%的正确率。关键词:褐飞虱;因子选择;主分量非线性逐步回归;非线性逐步回归;旋转主分量非线性逐步回归中图分类号:S431121S435111213 文献标识码:A 文章编号:10002030(20
2、01)0220053204Selection of predictors for long2term occurence forecast ofNilaparvata lugens(BPH)and model constructionMa Fei1,Zhang Xilin2and Cheng Xianian1(1Key Laboratory of Monitoring and Management of Plant Disease and Insects,Ministry of Agriculture,Nanjing Agric Univ,Nanjing 210095,China;2T ong
3、zhou City Station of Plant Protection,T ongzhou City 226300,China)Abstract:Three new methods for selection of the predictors are advanced as nonlinear stepwise regression,nonlinear stepwise regressionwith principal component and nonlinear stepwise regression with rotated principal component.The test
4、 results show that the forecastingmodel constructed with the predictors selected by nonlinear stepwise regression with principal component has the highest skill score offorecast for Brown Planthopper(BPH).The forecasting accuracy is 80 percent.Key words:Brown Planthopper(BPH);selecting predictors;no
5、nlinear stepwise regression with principal component;nonlinearstepwise regression;nonlinear stepwise regression with rotated principal component现今的害虫长期预测工作中,逐步回归方法是被较为广泛使用的预报方法之一。该方法计算简单、快速,但存在一定的缺陷。当预报模型不合理或预报因子选取不当时,预报效果不理想。而一般害虫预报因子的选择是以因子与预报量的线性相关系数是否显著作为选择的标准。但由于害虫发生系统普遍存在混沌现象13,各要素之间关系非常复杂,仅考虑
6、它们之间的线性关系是不够的,还应考虑其非线性关系4。大气环流特征强烈地影响着褐飞虱的迁飞动态,并通过对天气条件的控制,影响着田间褐飞虱种群数量的发生变化5。因此,针对上述问题,本文提出用非线性相关普查法对500 hPa大气环流因子进行筛选,并对所选因子进行稳定性检验。在此基础上,再用非线性逐步回归方法、主分量非线性逐步回归方法和旋转主分量非线性逐步回归方法对预报因子进行选择,从而建立了江苏省通州市三代褐飞虱发生量的长期预报的3种环流模型。1 资料来源虫情资料来源于江苏省通州市(121E,30N)植保站19761998年褐飞虱三代高峰日虫量实测数据。19751998年间500 hPa环流指数、环
7、流特征量等资料取自气象杂志。收稿日期:20000914基金项目:“973”项目(G20000016210);“948”项目(201065)南京农业大学学报 2001,24(2):5356Journal of Nanjing Agricultural University2 研究方法预报量如害虫发生量、发生程度等与预报因子西太平洋副热带高压平均面积指数、平均强度指数及东亚槽平均位置等的非线性相关关系一般有指数、自然指数、对数等多种类型。本文选择了12种非线性模型对其进行最优化确定,然后把非线性函数转化为线性函数形式,用常用方法算出其各类型的非线性相关系数。为预报需要,除考虑预报量与因子的相关关系
8、密切程度外,还应考虑因子的预报能力。这种预报能力与预报量同因子关系的稳定性有关。其关系稳定性可用它们的非线性相关系数变化情况来表示。设所取的样本容量为N,分别再取其中的N-1,N-2,N-m样本容量计算它们之间的相关系数r1,r2,rm+1。其变化系数可表示为:CVr=Sr/?r其中:Sr=m+1i=1(ri-r)/(m+1);?r=m+1i=1ri/(m+1)。变化系数也称为因子的预报稳定性6。当某一因子与预报量的相关系数的变化系数有较小值且它与预报量有较高的相关系数时,则这一因子为预报能力较强的因子。计算时(本文取m=7)比较不同类型因子的预报能力,取其中较强者为入选因子。预报模型的建立主
9、要应用以下3种方法。非线性逐步回归法:通过上述步骤进行第一次因子选择后,把选择后的因子集中在一起用逐步回归进行第二次选择,从而建立最后的褐飞虱长期发生量的概率预报方程。由于是用非线性相关系数进行上述筛选,因此,称之为非线性逐步回归方法。主分量非线性逐步回归法:考虑到单个因子仅能反映物理量场中该点物理因素的作用,其意义是十分有限的,因此寻找物理量场的综合因子来代替单个因子是十分必要的。我们考虑使用主分量分析方法7提取各个物理量场的主要分量作为场的综合因子,再对各个物理量场的多个综合因子作与上述筛选方法类似的逐步回归建立预报方程,并称之为主分量非线性逐步回归筛选方法。旋转主分量非线性逐步回归法:由
10、于我们选择的因子是一大尺度的天气过程,其影响范围很广,虽用主分量进行了因子综合,但却不能正确反映局地范围特征。为了寻找场内局地范围的特征,并提取该范围综合因子,我们使用旋转主分量分析法对原主分量进行旋转,得到的转动主分量作为新的场综合因子8。用它作与上述类似的筛选,并称之为旋转主分量非线性逐步回归选择方法。3 研究结果311 因子选择与预测模型建立 在建立3个预报模型中,设y为褐飞虱三代高峰日虫量;x4、x5、x7分别为当年2月、1月及上一年11月份西太平洋副热带高压平均面积指数;x8、x9、x10、x11、x12、x13分别为当年5月、4月、3月、2月、1月及上一年12月份西太平洋副热带高压
11、平均强度指数;x15、x17、x19分别为当年5月、3月及1月份东亚槽平均位置;x22、x24、x26分别为当年5月、3月、1月份东亚槽平均强度;x36、x37分别为当年5月和4月份西太平洋副热带高压平均北界位置;x43、x45、x46、x47、x49分别为当年5月、3月、2月、1月和上一年11月份西太平洋副热带高压平均西伸脊点。经在计算机上模拟运算,得到预报量与因子之间的非线性函数形式主要为y=ax+bx2、y=axebx、y=(a+bx)/x以及y=x/(a+bx),并经线性转换后,其相关系数绝对值最大。把转换后得到的相关系数通过稳定性分析,从70个预报因子中初步筛选出预报能力较强的因子为
12、43个。最后经逐步回归运算,建立非线性逐步回归预测模型(a)为:y=5 632145-42194x4-36142x15+65124x19-21181x22-24128x24+208118x36-35154x37+6132x45-27162x47(1)其模型的复相关系数为01968 1。用主分量分析方法对西太平洋副热带高压平均面积指数、平均强度指数、东亚槽平均位置、东亚槽平均强度等7个物理量场的因子提取其主要分量作为场的综合因子,7个物理量场前7个综合因子所反45 南 京 农 业 大 学 学 报 第24卷映场的方差累积贡献率可达80%以上。因此,这些因子能反映场的主要变化特征,而且它们之间是相互
13、正交的,完全能满足场的代表性要求。再对7个物理量场的49个综合因子作与上述筛选方法类似的逐步回归建立预报方程,得到主分量非线性逐步回归预测模型(b):y=2 43111+12214x5+5519x8-23134x11-2216x13-8216x15-2615x17+48123x22-613x26+1119x43+17175x45-612x47-8185x49(2)其模型的复相关系数为01995 5。用旋转主分量分析方法对原主分量进行转动,考虑到在主分量逐步回归方案中所选入的原综合因子仅在各物理量场的前7个主分量中,其前7个主分量所反映场的方差累积贡献率可达80%以上。因此对各场前7个主分量作最
14、大正交旋转,得到的转动主分量作为新的场综合因子。用它们作类似的筛选,得到旋转主分量非线性逐步回归预测模型(c):y=-33129-39178x7+23193x8+12144x9-3713x10+42156x12-66108x15+4210 x22+11125x45-5176x46(3)其模型的复相关系数为01965 9。312 预报模型的对比分析利用上述3个预报模型进行回代检验,作出褐飞虱三代高峰日虫量的拟合结果(略)。如果以逐年的拟合值相对误差小于20%为拟合正确,在18次的计算中,非线性逐步回归预测模型(a)有9年正确,主分量非线性逐步回归模型(b)有15年正确,旋转主分量非线性逐步回归预
15、测模型(c)有12年正确。其正确率分别为50%,8313%,6617%。为进一步作对比分析,再利用平均绝对百分比误差(MAPE)、均方根误差(MSE)和平均绝对误差(MAE)3种统计评价指标对3个预报模型的历史样本拟合效果作定量比较。由表1的比较可以看到,主分量非线性逐步回归模型(b)的3种统计评价指标明显优于非线性逐步回归预测模型(a)和旋转主分量非线性逐步回归预测模型(c)。其预报模型的平均绝对百分比误差(MAPE)为3113%,分别比其它2个预报模型低3911%和4111%。同时我们把3种方案所得的预报模型中所有因子的预报稳定性的平均值作为预报模型预报稳定性的度量。非线性逐步回归预测模型
16、(a)、主分量非线性逐步回归模型(b)和旋转主分量非线性逐步回归预测模型(c)的稳定性分别为01109 4,01106 8和01110 5,表明主分量非线性逐步回归模型(b)有较高的稳定性。表1 褐飞虱三代高峰日虫量3种预报模型的历史拟合效果评价比较Table 1The evaluation comparison of three forecast models for simulated effect of BPH population occurrence numbers评价Evaluation预报模型(a)Forecast model(a)预报模型(b)Forecast model(b)
17、预报模型(c)Forecast model(c)MAPE/%701431137214MSE317101451659119MAE25114831129411Note:MAPE mean absolute percent error;MSE mean square error;MAE mean absolute error.(a)Nonlinear stepwise regression;(b)Nonlinearstepwise regression with principal component;(c)Nonlinear stepwise regression with rotated pri
18、ncipal component.The same as follows.313 预报检验以上的结果主要是对3种模型的拟合效果进行了比较,而一般的统计预报方法往往拟合效果较好,实际预报能力有时并不一定与拟合效果一致。因此,为了进一步考察主分量非线性逐步回归模型(b)的实际预报能力,再对19941998年5年的独立样本进行预报检验。根据当地褐飞虱发生程度等级划分标准:百穴虫量小于500头,轻发生;百穴虫量在5001 000头,偏轻发生;百穴虫量在1 0002 000头,中等发生;百穴虫量在2 0003 000头,偏重发生;百穴虫量大于3 000头,大发生。表3给出了19941998年3个预报模型
19、的独立样本预报结果。由表2可以看出,主分量非线性逐步回归预测模型(b)和旋转主分量非线性逐步回归预测模型(c)对褐飞虱高峰日发生量的预测具有较高的准确率,预报正确率均达80%,而非线性逐步回归预测55第2期 马飞等:褐飞虱长期预测因子的选择与模型的组建模型(a)的预报正确率仅达60%。说明主分量非线性逐步回归预测模型(b)和旋转主分量非线性逐步回归预测模型(c)对褐飞虱高峰日发生量的预测是令人满意的。表2 褐飞虱三代高峰日虫量的预测结果比较Table 2The comparison of test result for BPH population occurrence numbers年份Ye
20、arODOOD预报模型(a)Forecast model(a)FVSOD检验Test预报模型(b)Forecast model(b)FVSOD检验Test预报模型(c)Forecast model(c)FVSOD检验Test199427417L-25616L1 18811PL8817L199531217L56710PL26316L8712L199648716L49818L44619L8311L199782713PL81910PL56111PL9716L1998374L71918PL37017L10713L 注:OD:实测数据Observed data;OOD:实际发生程度Observed oc
21、currence degree;FV:预测值Forecast value;SOD:转化为发生程度Simulated occurrence degree;L:轻发生Light occurrence;PL:偏轻发生Lighter occurrence4 结论与讨论 本文用非线性相关普查法对500 hPa大气环流因子进行筛选及用非线性逐步回归方法、主分量非线性逐步回归方法和旋转主分量非线性逐步回归方法建立了江苏省通州市三代褐飞虱高峰日发生量的预测模型。通过对实测数据资料进行实际预报,实验结果表明,模型的拟合与预测具有较高的精度。旋转主分量非线性逐步回归方案的预测结果并没有表现出比主分量非线性逐步回归
22、方法更好的精度,其原因可能是由于在预报中主要分量和转动因子未来值的确定是假定物理量场不随时间变化情况下得到的,而实际上当资料增加时物理量场会发生变化。本文是对害虫预测预报的因子选择和非线性逐步回归模型组建所进行的一种尝试,还存在一定的缺陷,这需要对害虫的发生规律进行深入的了解。同时,独立样本预报检验的效果还需进一步的提高,而这种提高有赖于数学方法的改进,因此,在这方面还有待作进一步的深入研究和探索。(本文得到了张孝羲教授和翟保平教授的审阅并提出修改建议,谨此谢忱。)参考文献:1May R M.Simple mathematical models with very complicated dy
23、namics J.Nature,1976,261:459467.2Allen J C.Are natural enemy populations chaotic J?.See Ref,1989,70:190205.3Logan J A,Allen J C.Nonlinear dynamics and chaos in insect population J.Annu Rev Entomol,1992,37:455477.4 黄嘉佑.我国月降水频数的时空特征J.气象,1987,13(1):1014.5 李汝铎,丁锦华主编.褐飞虱及其种群管理M.上海:复旦大学出版社,1996.1314.6 黄嘉佑.黄河三花地区汛期逐日降水MOS预报的因子选择试验J.气象学报,1993,51(2):232236.7 黄嘉佑.气象统计分析与预报方法M1 北京:气象出版社,1990.387.8 黄嘉佑.转动主分量分析在天气气候分析中的应用J 1 气象,1988,14(9):4751.责任编辑:夏爱红65 南 京 农 业 大 学 学 报 第24卷