论文部分内容阅读
沿海防护林体系对改善沿海地区生态环境，防御自然灾害，保障人民生命财产安全具有重大的现实意义和历史意义。但由于海防林树种单一、管理粗放以及气候湿润、光照充足等而使得害虫较易大发生，因而适时地对海防林虫害的发生加以监测并及时地予以防治至关重要。本研究应用Matlab编程实现小波神经网络（WaveletNeuralNetworkWNN）对海防林害虫发生的预测。在测报过程中使用SAS（StatisticalAnalysisSystem）中的Pearson相关性检验及逐步回归分析编程筛选测报主导因子。最后，使用台州市仙居县二道海防林内害虫（马尾松毛虫DendrolimusPunctatuswalker）对整套预测方法进行效果检验并与BP神经网络的预测效果加以比较。本研究得出的主要结论有：1、通过SAS编程实现测报主导因子筛选的方法较为便捷，即使面对庞大的基础数据也不会给测报工作带来任何麻烦，并且源程序可重复使用。2、使用SAS中的Pearson相关性检验及逐步回归分析对实验地的仿真害虫进行主导气象因子筛选，结果表明，虫口密度受7类气象因子共22个变量的影响显著；有虫面积受5类气象因子共5个变量的影响显著；虫株率受7类气象因子共22个变量的影响显著。3、应用小波神经网络对仿真害虫的发生进行预测，小波神经网络预测虫害的准确率较高：2007——2011年这5年的虫口密度仿真准确率均在90%以上；2007——2011年5年的有虫面积仿真准确率在95%以上；2007——2011年5年的虫株率的仿真准确率在96%以上。4、将小波神经网络的预测效果与BP神经网络的预测结果相比较，结果显示，小波神经网络对虫口密度预测的相对误差平均仅为3.251%，而BP神经网络预测虫害的相对误差平均为9.161%，且经方差分析，p=0.0358<0.05；小波神经网络对有虫面积预测的相对误差平均为2.579%，低于BP神经网络的平均相对误差6.570%，方差分析的p=0.0334<0.05；同样，在对虫株率的预测中，小波神经网络5年内预测的平均相对误差为1.9631%，BP神经网络的为8.0492%，方差分析的p=0.0141<0.05。说明小波神经网络对实验地仿真害虫的预测效果好于BP神经网络。