陳祥 潛山市龍?zhí)多l(xiāng)林業(yè)工作站

一、研究目的

為精準(zhǔn)編制下一年度的松材線蟲(chóng)?。˙ursaphelenchus xylophilus（SteineretBuhrer） ）防治預(yù)算，就需要較為準(zhǔn)確地預(yù)測(cè)下一年度松材線蟲(chóng)病的發(fā)生量，尤其是需要準(zhǔn)確預(yù)測(cè)與防治預(yù)算數(shù)額直接相關(guān)的病死木數(shù)量。因?yàn)椋刹木€蟲(chóng)病防治中的主要支出就是病死木的清理與安全處理，該費(fèi)用一般占防治總費(fèi)用80%左右。此外，年度防治預(yù)案和作業(yè)設(shè)計(jì)也需要在上一年度完成編制，這些防治文書(shū)的編制都提出了較為準(zhǔn)確地預(yù)測(cè)病死木數(shù)量的要求。

由于松材線蟲(chóng)病發(fā)生機(jī)理的復(fù)雜性，當(dāng)前準(zhǔn)確預(yù)測(cè)松材線蟲(chóng)病發(fā)生數(shù)量尚有一定困難。為了較為準(zhǔn)確地為編制松材線蟲(chóng)病防治預(yù)算和相關(guān)防治文書(shū)提供病死木預(yù)測(cè)數(shù)據(jù)，我們?cè)诳偨Y(jié)歷年來(lái)松材線蟲(chóng)病防治實(shí)踐經(jīng)驗(yàn)基礎(chǔ)上，借鑒當(dāng)前國(guó)內(nèi)有關(guān)松材線蟲(chóng)病研究成果，[1-5]通過(guò)松材線蟲(chóng)病媒介昆蟲(chóng)松褐天牛（Monochamus alternatus Hope）的發(fā)生量，來(lái)預(yù)測(cè)松材線蟲(chóng)病病死木數(shù)量。

二、研究方法

當(dāng)前松褐天牛發(fā)生量的調(diào)查方法主要有誘捕器誘捕監(jiān)測(cè)法、林間解剖標(biāo)準(zhǔn)木清點(diǎn)松褐天牛幼蟲(chóng)數(shù)量法、調(diào)查松褐天牛蛀孔數(shù)等方法。這些方法都存在一定的局限性，其中誘捕器誘捕監(jiān)測(cè)法成本較高，難以用來(lái)進(jìn)行全面監(jiān)測(cè)；林間解剖標(biāo)準(zhǔn)木清點(diǎn)松褐天牛幼蟲(chóng)數(shù)量的方法工作量太大、勞動(dòng)強(qiáng)度高，且采伐解剖標(biāo)準(zhǔn)木會(huì)對(duì)松林產(chǎn)生一定程度的破壞，該辦法也不適用于全面監(jiān)測(cè)；調(diào)查松褐天牛蛀孔數(shù)來(lái)推測(cè)松褐天牛發(fā)生量，盡管簡(jiǎn)單易行，但由于松褐天牛蛀孔數(shù)量要大大少于松褐天牛刻槽數(shù)，而且還有不少蛀孔位于身高以上位置，因此，在調(diào)查中，松褐天牛蛀孔尋找比較費(fèi)時(shí)。

為此，我們?cè)谇锛舅刹木€蟲(chóng)病普查時(shí)，按照《林業(yè)有害生物監(jiān)測(cè)預(yù)報(bào)技術(shù)規(guī)范》（LY/T 2516-2015）開(kāi)展監(jiān)測(cè)調(diào)查，[6]選擇數(shù)量相對(duì)較多的松褐天牛刻槽數(shù)作為調(diào)查對(duì)象，且只調(diào)查便于尋找和清點(diǎn)的胸高（1.3m處）上下25cm（共計(jì)50cm）樹(shù)干的當(dāng)年新鮮刻槽，即胸高50cm 段刻槽（簡(jiǎn)稱(chēng)胸高刻槽，nick at breast height，NBH），以此來(lái)推算松褐天牛發(fā)生數(shù)量，進(jìn)而預(yù)測(cè)松材線蟲(chóng)病病死木發(fā)生數(shù)量，然后以該小班（病死樹(shù)數(shù)量非零林地一張圖小班面積）的小班面積作為松材線蟲(chóng)病發(fā)生面積。

本次建模研究直接使用胸高刻槽（NBH）來(lái)預(yù)測(cè)所在小班松材線蟲(chóng)病病死木數(shù)量。研究數(shù)據(jù)來(lái)源于安徽省潛山市龍?zhí)多l(xiāng)2017 年-2019 年松褐天牛/松材線蟲(chóng)病監(jiān)測(cè)調(diào)查數(shù)據(jù)（表1），將表1 中“2017年NBH 數(shù)（個(gè)/株）”和“2018 年病死樹(shù)數(shù)（株/hm2）”作為建模研究的培訓(xùn)數(shù)據(jù)，“2018 年NBH 數(shù)（個(gè)/株）”作為預(yù)測(cè)驗(yàn)證數(shù)據(jù)，并將預(yù)測(cè)結(jié)果與“2019 年病死樹(shù)數(shù)（株/hm2）”（實(shí)際數(shù)據(jù)）進(jìn)行比較，計(jì)算預(yù)測(cè)精度。

三、建模訓(xùn)練

將表1 中“2017 年NBH 數(shù)（個(gè)/株）”和“2018 年病死樹(shù)數(shù)（株/hm2）”導(dǎo)入IBM SPSS Statistics 22，選擇多層感知器分析工具，調(diào)整分析參數(shù)，進(jìn)行人工神經(jīng)網(wǎng)絡(luò)培訓(xùn)訓(xùn)練，代碼如下：

*Multilayer Perceptron Network.

MLP 下一年度病死樹(shù)數(shù)（MLEVEL=S）WITH 上一年度NBH 數(shù)

/RESCALE COVARIATE= STANDARDI ZED

/PARTITION TRAINING=7 TESTING=3 HOLDOUT=0

/ARCHITECTURE AUTOMATIC=YES（MINUNITS=1 MAXUNITS=50）

/CRITERIA TRAINING=ONLINE OPTIMIZATION=GRADIENTDESCENT LEARNINGINITIAL= 0.4 LEARNING LOWER = 0.001 LEARNINGEPOCHS = 10 MOMENTUM= 0.9 INTERVALCENTER =0 INTERVALOFFSET= 0.5 MEMSIZE=1000

/PRINT CPS NETWORKINFO SUMMARY CLASSIFICATION SOLUTION IMPORTANCE

/P L O T N E T W O R K P R E D I C T E D RESIDUAL

/STOPPINGRULES ERRORSTEPS=1（DATA=AUTO）TRAININGTIMER=ON（MAXTIME=15）MAXEPOCHS=AUTO ERRORCHANGE=1.0E-4 ERRORRATIO=0.0010

/MISSING USERMISSING=EXCLUDE.

在訓(xùn)練中，30 組數(shù)據(jù)中18 組用來(lái)作為培訓(xùn)數(shù)據(jù)，12 組作為測(cè)試數(shù)據(jù)，培訓(xùn)中沒(méi)有發(fā)現(xiàn)無(wú)效數(shù)據(jù)，數(shù)據(jù)有效率100%，培訓(xùn)耗費(fèi)時(shí)間0.01s。培訓(xùn)中平方和誤差為1.4511，相對(duì)錯(cuò)誤為0.1707，測(cè)試中平方和誤差為0.8040，相對(duì)錯(cuò)誤為0.0201。自變量重要性（上一年度NBH 數(shù)）為1.0000，規(guī)范化的重要性為100.00%，所建立的模型預(yù)測(cè)值“輸入層”偏差為-0.0199，隱藏層偏差為0.0230，預(yù)測(cè)值（輸出）與實(shí)際值（目標(biāo)值）相關(guān)性R=1（如表1 所示）。

四、模型的應(yīng)用與預(yù)測(cè)進(jìn)度

將表1 中“2018 年NBH 數(shù)（個(gè)/株）”導(dǎo)入上述模型，得到表2 的“2019 年病死樹(shù)數(shù)預(yù)測(cè)值（株/hm2）”，將之與“2019年病死樹(shù)數(shù)（株/hm2）（實(shí)際值）”相比較，計(jì)算“預(yù)測(cè)絕對(duì)誤差（株/hm2）”和“預(yù)測(cè)精度（%）”，計(jì)算結(jié)果如表2 所示。表2 數(shù)據(jù)表明，所建立的多層感知器函數(shù)，用“2018 年NBH 數(shù)（個(gè)/株）”預(yù)測(cè)“2019 年病死樹(shù)數(shù)”的絕對(duì)誤差-0.5～0.6 之間，預(yù)測(cè)精度均大于90%，其中預(yù)測(cè)精度≥95%的小班有11 個(gè)，占比為36.67%。

表1 安徽省潛山市龍?zhí)多l(xiāng)2017年-2019年松褐天牛/松材線蟲(chóng)病監(jiān)測(cè)調(diào)查數(shù)據(jù)

續(xù)表1

表2 預(yù)測(cè)值與實(shí)際值對(duì)照表