共查询到20条相似文献，搜索用时 46 毫秒
1.
马尾松毛虫大发生灰色灾变趋势测报方法 总被引：1，自引：0，他引：1
为探索松毛虫危害森林资源灾变规律,依据瑞金市2001～2007年大发生面积的时间数据序列,尝试应用灰色系统理论及其GM（1,1）模型,对马尾松毛虫大发生的灾变趋势,建立预测模型,进行灾变长期趋势预测。 相似文献
2.
本文应用灰色灾变预测理论对马尾松毛虫大发生进行了超长期预测。所建模型达GOOD级精度,预测可信。经验证,预测结果准确。 相似文献
3.
4.
根据舟山市2000-2011年5（3）代稻纵卷叶螟发生程度,运用灰色系统理论建立了灰色灾变GM（1,1）预测模型,用该模型回测的历史拟合率达100％.预测2012-2013年发生程度,其结果与实测吻合,并为今后5（3）代稻纵卷叶螟发生趋势预测和防治对策研究提供了有益信息. 相似文献
5.
ARIMA模型在马尾松毛虫发生面积预测中的应用 总被引：7，自引：0，他引：7
[目的]为了研究ARIMA模型在马尾松毛虫发生面积预测中的应用。[方法]利用时间序列对郁南市1975~2002年马尾松毛虫发生面积数据进行了分析。经过数据平稳化、模型识别及参数估计确立了ARIMA(2,2,2)模型,对郁南市1975~2002年的马尾松毛虫发生面积作了回测。[结果]ARIMA(2,2,2)模型预测值的动态趋势与实际情况基本一致,特别是1990年以后的预测效果更佳,实际值都落入了预测值的可信区间范围,结果比较理想。[结论]ARIMA模型假定未来的发展模式与过去的模式是一致的,更适用于作短期的预测。 相似文献
6.
曹县近50年降水序列变化规律及干旱预测 总被引：2，自引：0，他引：2
运用曹县站1961-2008年的年降水量资料,建立了年降水序列,分析了其近50年的变化规律,发现年降水量具有明显减少趋势,旱涝灾害频繁发生。以此序列为基础重建干旱发生的灾变序列,采用灰色系统GM（1,1）模型探讨了旱灾预测问题,并应用2000-2008年资料对预测结果进行了检验,效果较好。 相似文献
7.
8.
干旱是阳城县的主要农业气象灾害之一,对于农业生产影响面广,造成的危害也非常严重。加强干旱灾害的分析预测对农业生产和防灾减灾具有十分重要的意义。灰色GM(1,1)模型是基于灰色系统理论的最常用预测模型。灰色灾变预测就是通过对灾变日期序列建立GM(1,1)模型,预测以后若干次灾变发生的日期。本文拟通过对阳城县1957-2012年的年降水资料进行统计分析,确定干旱灾变指标,建立灾变日期序列,并进行检验,用优化后的数据序列建立GM(1,1)模型,同时与不对原始日期序列进行检验的GM(1,1)模型进行比较,并把该模型应用于阳城县干旱预测中。 相似文献
9.
刘学军 《中国农业信息快讯》2013,(4S):186-187
干旱是阳城县的主要农业气象灾害之一,对于农业生产影响面广,造成的危害也非常严重。加强干旱灾害的分析预测对农业生产和防灾减灾具有十分重要的意义。灰色GM(1,1)模型是基于灰色系统理论的最常用预测模型。灰色灾变预测就是通过对灾变日期序列建立GM(1,1)模型,预测以后若干次灾变发生的日期。本文拟通过对阳城县1957-2012年的年降水资料进行统计分析,确定干旱灾变指标,建立灾变日期序列,并进行检验,用优化后的数据序列建立GM(1,1)模型,同时与不对原始日期序列进行检验的GM(1,1)模型进行比较,并把该模型应用于阳城县干旱预测中。 相似文献
10.
福建省三明市主要森林病虫害的发生格局 总被引：2，自引：1，他引：1
利用1993-2007年的资料,分析了三明市主要森林病虫害发生的种类变化和时间与树种分布格局。结果表明,三明市主要森林病虫害包括21种虫(螨)害和11种病害,种类呈逐年增多趋势,其中板栗疫病、桉树焦枯病、毛竹枯梢病和萧氏松茎象等属危险性病虫害。1993-2003年森林病虫害发生面积呈波浪式缓慢上升,2004年后则急剧增大,呈现持续大面积发生格局;其成因主要有:(1)马尾松毛虫和刚竹毒蛾暴发周期缩短,发生强度增大;(2)竹蝗再度猖獗;(3)一些次要害虫如松墨天牛和竹舟蛾等上升为主要害虫;(4)萧氏松茎象和桉树焦枯病等新的危险性病虫害不断发生。松树和毛竹是主要受害对象,具有病虫害种类多和发生面积大的特点。笔者利用灰色理论,建立了有效的马尾松毛虫、刚竹毒蛾、竹蝗、毛竹害螨和松针褐斑病的灾变期预测模型。 相似文献
11.
基于机器学习的马尾松毛虫发生面积预测模型 总被引：1，自引：0，他引：1
为了提高马尾松毛虫预测预报的准确性,分别采用随机森林、支持向量机和深度学习3种机器学习模型,应用气象因子预测马尾松毛虫发生面积,并将模型预测结果与实际发生面积进行比较。结果表明:3个机器学习模型的拟合效果均优于多元线性模型,其中深度学习对马尾松毛虫发生面积的预测最为稳健,拟合决定系数(R~2)和预测准确率(PA)最高(R~2=0.9901,PA=99.27%),均方根误差(RSME)最低(RSME=0.1711);支持向量机模型预测效果也较好(R~2=0.9617,RSME=0.3275,PA=92.13%)。深度学习可用于马尾松毛虫发生面积与气象因子非线性模型的构建。 相似文献
12.
《大连海洋大学学报》2020,(4)
为了对未来日本海和东海海域太平洋褶柔鱼Todarodes pacificus灾变年份进行预测,采用灰色系统年灾变预测GM(1,1)模型方法,根据1990—2014年日本海和东海海域太平洋褶柔鱼秋生群的单位捕捞努力量渔获量(catch per unit effort,CPUE),建立了多种灰色年灾变预测GM(1,1)模型,并比较该海域太平洋褶柔鱼建立的丰歉年灾变预测模型的精度,选择最优模型,对未来可能出现的丰歉年份进行预测。结果表明,该海域太平洋褶柔鱼秋生群资源丰度的丰年将发生在2020、2034、2052年,歉年将发生在2067、2125、2272年。研究表明,日本海和东海海域太平洋褶柔鱼秋生群资源丰度的灾变预测最优模型参数|a|0.3,为一级精度模型,可用于该资源丰度的长期灾变预测。 相似文献
13.
早稻叶瘟灰色灾变长期预测模型 总被引：2，自引：0，他引：2
利用灰色系统理论的灾变预测方法，以广东省化州市1978～1990年早稻叶瘟发生程度为例，拟定用发生程度≥4级为灾变阈值，建立了早稻叶瘟灰色系统GM(1．1)长期灾变预测模型：X(k 1)=1571212．51le^0．001259508k -1569234．511。后验差和小误差概率检验达“一级”的精度。应用该模型对1991～2002年进行预测，除1998年报而未出成为空报外，其它各年份的预测结果与实况吻合，预报准确率达91．7％。 相似文献
14.
利用1983年9月至1989年9月马尾松毛虫的虫情调查资料,研究仙居县各测报点的马尾松毛虫有虫面积、虫口密度的时空变化规律,分别建立三维自回归趋势面模型、预测克立格模型、空间-时间序列预测之自回归模型和广义时空回归模型4种发生量空间定点预报模型。结果表明,所建立的4种发生量空间定点预报模型均具有较好的预报效果,对1989年3代的虫口密度、有虫面积进行预报检验,预测克立格模型的预报准确率为100％;空间-时间序列预测之自回归模型和广义时空回归模型对两者的预报准确率则均为66.7％;三维自回归趋势面模型虫口密度预报准确率为33.3％,有虫面积的预报准确率为66.7％。 相似文献
15.
马尾松毛虫发生量灰色系统模型的建立及其预报 总被引：1，自引：1，他引：1
运用灰色系统理论的原理和方法，根据相关系数法和逐步回归法，分别选取与马尾松毛虫有虫面积、虫口密度、有虫株率相关关系密切的气象因子作为样本的因子变量，分别建立马尾松毛虫有虫面积、虫口密度、有虫诛率与气象因子的灰色系统预测模型。结果表明：所建立的各预测模型具有令人满意的预测效果。有虫面积模型预报因子数为8个时，预留样本的平均预测误差为7．47％；虫口密度模型预报因子数为6个时，预留样本的第1年预测不准，第2年的预测误差为2．21％；有虫株率模型预报因子数为5个时，预留样本的平均预测误差为3．60％,总预测成功率为83．33％. 相似文献
16.
马尔可夫链在马尾松毛虫发生程度预测中的应用 总被引：1，自引：0，他引：1
根据广东梅州1975～2002年马尾松毛虫发生程度的历史资料,应用马尔可夫链方法对2003～2005年的马尾松毛虫发生程度进行预测,并对1993～2002年的发生程度进行回测,历史符合率为85%。该方法简便易行,为马尾松毛虫发生程度的长期预测提供了一条新途径。 相似文献
17.
[目的]明确南平市延平区马尾松毛虫(Dendrolimus punctatus)的发生趋势,为当地应用白僵菌防治马尾松毛虫提供参考.[方法]调查近10年延平区马尾松毛虫的发生面积与发生程度,总结当地马尾松毛虫的发生特点;采用不同剂型球孢白僵菌(Beauveria bassiana)对马尾松毛虫越冬幼虫进行了室内致病力测... 相似文献
18.
《江西农业学报》2022,(5)
为了提高马尾松毛虫预测预报的准确性,分别采用随机森林、支持向量机和深度学习3种机器学习模型,应用气象因子预测马尾松毛虫发生面积,并将模型预测结果与实际发生面积进行比较。结果表明:3个机器学习模型的拟合效果均优于多元线性模型,其中深度学习对马尾松毛虫发生面积的预测最为稳健,拟合决定系数(R2)和预测准确率(PA)最高(R2)和预测准确率(PA)最高(R2=0.9901,PA=99.27%),均方根误差(RSME)最低(RSME=0.1711);支持向量机模型预测效果也较好(R2=0.9901,PA=99.27%),均方根误差(RSME)最低(RSME=0.1711);支持向量机模型预测效果也较好(R2=0.9617,RSME=0.3275,PA=92.13%)。深度学习可用于马尾松毛虫发生面积与气象因子非线性模型的构建。 相似文献
19.
[目的]为控制马尾松毛虫的危害提供理论依据。[方法]以1983年9月～1989年9月浙江省仙居县虫情调查资料和气象资料为研究对象,考察各调查点马尾松毛虫有虫面积随气象因子及时间、空间的动态变化,建立马尾松毛虫发生量的时空回归预测模型,并用所建立模型对1989年3代马尾松毛虫有虫面积进行预报检验。[结果]共建立了1个线性、8个非线性马尾松毛虫发生量时空回归预测模型。1989年3代马尾松毛虫实际危害村数及有虫面积分别为141、143、138村和4533．1、4181．3、5166．0hm^2,9个模型预报的3代马尾松毛虫的发生村数均为193村,线性模型预报的3代马尾松毛虫的发生面积分别为3978．5、4159．5、3427．5hm^2,非线性模型预报的各测报点3代马尾松毛虫的发生面积分别与实际最大相差71．6868、99．8359、119．9478hm^2。[结论]所建立模型对马尾松毛虫有虫面积的预报准确率均为66．7％。 相似文献