全 文 ：第 26卷第 2期
2006年 2月
生 态 学 报
ACTA ECOLOGICA SINICA
Vo1．26．No．2
Feb．，2006
沙棘灌丛林受害程度的预测模型
路常宽 ，骆有庆 ，李镇宇 ，张连生 ，粱树军
(1．北京林业大学资源与环境学院 ，北京 100083；2．河北省科技师范学院，秦皇岛 066600~3．辽宁省建平县森防站，建平 122400)
摘要：我国沙棘灌丛林目前的灾害可分为生物灾害和非生物灾害。生物灾害以沙棘木蠹蛾危害为主，是近几年在内蒙古、辽宁、
山西、宁夏和陕西等地大面积爆发的一种钻蛀性害虫；非生物灾害主要是立地和气候因素，总体表现为沙棘生长衰退，甚至出现
大面积枯死。对辽宁省建平县和内蒙古敖汉旗不同受害程度沙棘灌丛林进行抽样调查 ，共设 5O块标准地 ，分别调查沙棘死亡
株率、有叶树冠比例、沙棘木蠹蛾危害株率和 20cm根干部沙棘木蠹蛾虫 口数等沙棘受害指标，同时调查记录坡向、坡位 、坡度、
树高、地径和林分密度等多项生跃环境因子。通过模糊综合评判法，对 4种受害特征指标进行权重分配，并根据综合评判值的
大小，将沙棘灌丛林的受害程度分为健康、轻 、中和重 4个等级 ，以坡向、坡位 、坡度 、树高 、地径和林分密度为预测因子 ，分别构
建沙棘灌丛林受害程度 BP神经网络模型和 Logistic模型，BP神经网络的拟合率达 88．1％，预留样本检验准确率为 75％，Logistic
模型的概率一致率为69．4％。在其它条件相同的情况下，坡位对受害程度的影响是其它因素的 4．93倍。
关键词：BP网络模型；Logistic模型；沙棘；沙棘木蠹蛾
文章编号：1000—0933(2006)02．0503．05 中图分类号：Q948，$763．305 文献标识码：A
M odel of disasters prediction in seabuckthorn shrubberies
删 Chang．Kuan ，LUO You—Qing”，LI Zhen-Yu ，ZHANG Lian-Sheng~，L1ANG Shu—Jun (1．c0f of Res。“㈣ 口nd
Environment，BeijingForestry University．100083；2．HebeiNormal University ofScience and Technology，Qinhuangdao 066600，China；3，ForestPest Control Station
ofJianping County．Liaoning 122400，China )．Acta Ecologica Sinica，2006，26(2)：503—507．
Abstract：The disasters in seabuchkthorn shrubberies，Hippophae rhamnoidea in China，can be divided into two kinds，i．e．，
biotic and abiotic disasters． The biotic disasters are mainly caused by seabuckthom caI_penterwo肋 s— — Holcocerus
ophaecolus，which have been a severe boring pest of seabuckthorn in Inner Mongolia Autonomous Region，Liaoning，Shanxi，
Ningxia and Shanxi Provinces in recent years．The abiotic disasters include bad site condition and unsuitable meteorological
condition．Th ese disasters result in the decline of growing vigor and death eventualy in large scale in wide areas in Northern
China．An investigation on health status of seabuehkthom shrubberies was made in Jianping County，Liaoning Province，and
Aohan County，Inner Mongolia．Totally fifty sampling plots were surveyed．The field su~ey includes mortality of seabuckthom，
percentage of crown with leaves，damage rate by the pest，population density of la~ae in rootstocks ranging from ground to 20cm
underground，average height，botom diameter of seabuckthorn，direction of slope，position of slope，grades of slope．Based on
Fuzzy evaluation，weights of four damage indexes which include mortality of seabuckthorn，percentage of Clown with leaves，
damage rate by the pest，population density were reset．The degrees of damaged Seabuekthorn shrubberies are measured by
healthy，light，medium，severe according to Fuzzy evaluation．With direction of slope，position of slope，grades of slope，height，
botom diameter and population density as predictive~ctors，developed were BP neural network for classifying and predicting the
damage degree of Seabuckthorn shrubberies and Logistic mode1．The results of prediction show that the qualifed rates of fiting and
prediction using BP model amount to 88．1％ and 75％ respectively．Th e late of concordant in Logistic model is 69。4 ％ ．The
基金项目：国家水利部沙棘开发管理中心资助项目(200208)
收稿日期：2004．10．29：修订日期：2005．05．22
作者简介：路常宽(1968一)，男，内蒙古赤峰市人，博士生，主要从事森林害虫监测预警研究．1uehk@sohu．cO11
*通讯作者 Author for correspondence．E．mail：yqluo@bjfu edu．en
Foundation item：The pmject WaS supported by China National Adminstration Center for Seabuekthom Development(No。200208)
Received date：2004-10-29；Accepted date：2005—05．22
Biography：LU Chang-Kuan，Ph．D。candidate，mainly engaged in forest pest insect． E-mail：luehk@sohn．com
维普资讯 http://www.cqvip.com
生 态 学 报 26卷
prediction of BP model agrees with that of Logistic mode1．Ceteris paribus，the efects On damage degree arising from position of
slope is 4．93 times of that arising from other factors．
Key words：BP model；logistic model；seabuchkthorn；Holcocerus hippophaecolus
我国沙棘灌丛林生物灾害以沙棘木蠹蛾危害为主，非生物灾害原因主要是立地和气候因素，总体表现为
沙棘生长衰退。沙棘木蠹蛾仅分布于我国的三北地区，沙棘灾害监测技术研究未见报道。为掌握沙棘受害程
度与立地、林分状况等因素的关系，作者构建了沙棘木蠹蛾灾害监测神经网络模型和 Logistic回归模型，试图
通过抽样调查，来评估沙棘林分生长状况。张爱兵等⋯利用神经网络模型和 Logistic模型研究了马尾松毛虫
发生程度与林分因子的关系，但未对 Logistic模型进行解释。
1 研究方法
1．1 调查点分布及数据采集
共设标准地 5O块，其中建平县设 38块，分布在建平县的北部山区。敖汉旗共设调查地点 12块。调查时
问 2004年 7月 10日至 8月 3日。
根据沙棘灌丛林的不同生长状况，分别调查坡向、坡位、坡度、地径、树高、林分密度和沙棘木蠹蛾虫口数。
坡位：分坡上、坡中、坡下、水旁或沟低，分别用 1、2、3、4表示；坡向：分为阳坡，阴坡 ，半阴坡，半阳坡，分别用 1、
2、3、4表示；坡度：0。～5o为平坡、6。～15。为缓坡 、l6。～25。为斜坡、26。以上为陡坡，分别用 1，2，3，4表示。受害
指标调查包括：a、沙棘死亡株率；b、有叶树冠比例；C、沙棘木蠹蛾危害株率；d、20cm根干部虫口数。
1．2 模型的数学原理 州1
，1) 1)
n 一，n ]，表示各个因素权重的模糊子集， >0且
宴 1； 由各个评估地各因子的隶属度构成，可用 lne
一 个[0 1]闭区间上的 m×n模糊矩阵表示。 P(1)，P(2)，⋯，p(R)网络输入Input of network； (1，1)，⋯。 (n，R)
1．2．2 神经网络模型的基本原理 典型的 BP网络包 网络权值weight。f network；b(1)，b(2)·b(n)阈值Thresh。ld。f
括输入层、隐含层和输出层，各层之间实行全连接，每个 吼 。 ； ·Ⅱ ⋯，。 网络输出 puI w。r
神经元具有 个输入，每个输入都通过一个适当的权值 与下一层相连，通常采用 sigmoid型函数——logsig
函数或 tansig函数。BP算法由信息正向传播和误差的反向传播两部分组成，算法步骤为：①以小的随机数对
每一层的权值和偏差 B初始化；②计算网络各层输出矢量和误差 E；③计算各层反传的误差变化并计算各层
权值的修正值和新权值；④再次计算权值修正后的误差平方和SSE；⑤检查 SSE是否小于期望误差最小值，若
是，训练结束，否则转至②继续。算法的详细说明和公式推导参见文献 一]。
1．2．3 Logistic模型的原理 在本研究中将沙棘灌丛林受害程度分为健康 、轻、中、重4个顺序等级，且类别有
序次关系，故采用累计 logistic回归模型 ，也就是说，模型的发生比是通过该发生比分子中的事件概率的依
次顺序连续累计形成的，等于事件发生的概率除以事件未发生的概率，又称比概率事件，然后再对“商”求对
数，模型可表示为：
h【 彗 ]= + (1)
式中，P 分别表示健康、轻度、中度和重度受害概率，卢。，为回归模型的截距参数估计， 为第k个自变量 的
斜率系数估计。一旦计算出累计概率，属于某一特定类别的概率，就可计算出来。logistic回归模型的系数如
维普资讯 http://www.cqvip.com
2期 路常宽 等：沙棘灌丛林受害程度的预测模型 505
果是正值且统计显著，意味着在控制其它自变量的条件下，对数发生比随对应自变量值的增加而增加，相反，
一 个显著的负系数代表对数发生比随对应自变量增加而减少；如果系数的统计性不显著，说明对应变量的作
用在统计上与 0无差异。因为 Logistic或对数发生比没用较直观的含义，通常将 Logistic进行转换，而不是直
接解释系数的本身，如果将回归模型等式两侧取自然指数，于是左边便成为发生比 P／(1一P)，这样， 对
Logistic或对数发生比的作用现在便转为 e ，即对数发生比的作用，这是日常生活中常用的概念。
拟合 Logistic模型采用最大似然法。检验逻辑回归模型拟合好坏的常用标准是预测和观测数据中一致对
(concordant)与不一致对(discordant)的比例。这是评价拟合的 Logistic模型能否反映实际趋势的一种方法，模
型的整体有效度以对数可能率表示，其值为[一2Loglikelihood_l【5 。
2 结果与分析
2．1 综合评判指标权重的确定
表 1为基于层次分析法的 1～9标度法受害程度判断矩阵，检验的结果为 ⋯ =4．055≥4，C／=0．0183，
CR=0．o206<0．1，表明判断矩阵具有满意的一致性 J。
衰 1 评判因子判断矩阵
Table 1 Judgement matrix of evaluation factors
为最大特征根；CI为矩阵偏离一致性指标；GR为矩阵随机一致性指标；DR Death rate；PCL percentage of tree crowds having leaves；PIT
percentage of damaged by seabuckthorn carpenterworrn；PDR population density in rootstock 20cm
2．2 隶属 函数的确定
应用模糊综合评判法，确定死亡率>／50％，有叶树冠比≤30％，被害株率≥50％，20cm根干部虫口数≥10
头，它们的值分别为 1，分别创建4项评价指标隶属函数：
死亡株率
有叶树冠比例
被害株率
20cm根干部虫口数
。R i 一。· ×5 2’
．
：<。·5；
／1(PCL) i 一 一。·3’×2 ‘
．
< 。·8；
P T’ i 一。t ’×5 2’1≤
．
< 。·5
／~(PDR) i 一‘ 。一 7 < 。
根据沙棘受害综合评判得分(VFE)，将发生程度分为：重度发生(D)，VFE≥0．6；中度发生(C)，0．4≤VFE
<0．6；轻度发生(B)，0．2≤VFE<0．4；健康(A)，VFE<0．2。评判结果见表 2。
2．3 BP神经网络模型
由于原始数据各因子的量纲及数量级不同，需首先在 MATLAB6．5上进行归一化处理，使输入和输出样本
集落在[一1，1]之间，归一化结果见表 2。利用神经网络图形用户界面(GuI)
，将前 42个样本作为训练集，后 8
个样本作为检验集，建立 6个输入节点、10个隐节点、4个输出节点的3层 BP网络，输入层
、中间层传递函数
、 、 、 、
2 3 4 5
， ， ，L ，
维普资讯 http://www.cqvip.com
506 生 态 学 报 26卷
tansig函数，输出层采用 purelins函数，采用trainlm函数对网络进行训练。经过不同训练参数组合比较，最后确
定标量 的初始值为 mu：0．001，标量 u的增加系数 mu—inc=10，标量 u的递减系数 mu—dec=0·1，训练目标
为 g。al：0．018，训练梯度 min．grad=le-010，网络的训练效果比较理想。经过 26次训练，误差平方和 MsE=
0．0179944≤0．018，得到终止学习后的权值和阈值(见表2)。对训练好的网络，重新给以带有 8个检验样本的
输入向量阵，可得训练后的8个样本的预测检验结果(见表2)。并得到训练之后的权值和阈值，其拟合率为
裹2 样本因子归一化值、拟合殛预测检验结果
Table 2 NOnnalled values of factors and classification-fitting and predicting result
—
s of sa
—
mples
样本号
Number of
坡向
Direction
of slope
1
— 1
— 1
— 0．3333
1
— 1
— 1
— 1
— 0．3333
— 0．3333
— 1
— 1
1
— 0．3333
— 0．3333
— 1
— 1
— 0．3333
0．3333
— 1
— 1
— 0．3333
— 0．3333
— 1
— 1
— 0．3333
— 1
— 0．3333
— 0．3333
0．3333
0．3333
0．3333
— 0．3333
— 0．3333
0．3333
0．3333
— 1
— 1
— 0．3333
— 0．3333
— 1
— 1
— 0．3333
— 1
— 1
— 0．3333
— 0．3333
— 1
— 0．3333
坡位
Position
坡度 地径 树高 林分密度
Gr日de 0f Bottom diameter Height of Densityof
s10pe of tree tree foreststand
综合评判得分 BP网络预测结果 实测结果
Values of Fuzzy Prediction Practical
evaluation classes classes
一 0．3333
1
1
一 l
一 1
0，3333
— 0．3333
— 1
— 0．3333
0．3333
0．3333
0．3333
— 0．3333
— 0．3333
— 0．3333
1
— 0．3333
— 0．3333
0．3333
— 0．3333
— 0．3333
0．3333
— 0．3333
0．3333
— 0．3333
0．3333
— 0．3333
1
0．3333
— 0．3333
— 0．3333
— 0．3333
— 0．3333
0．3333
1
1
1
— 0．3333
0．3333
0．3333
— 0．3333
1
— 1
— 1
— 1
— 0．3333
0．3333
． ． 0．3333
1
0．3333
— 0．0938
0
1
— 0 0938
0．2188
— 0．3125
— 0．4o63
— 0．5625
0．1875
O．25
0 125
— 0．4O63
0．3125
— 0 375
— 0．O938
一 O．O625
— 0．5625
— 0．25
0．125
— 0．3125
— 0．5625
— 0．5
— 0．1875
— 0．3125
— 0．0625
0．125
— 0．3125
— 0．625
— 0．8125
— 0．375
— 0．5625
— 0 9375
— 0．5
— 1
一 O．1875
— 0．25
— 0．3l25
O．O625
— 0．625
一 O．8125
0
1
— 0 0938
— 0．4063
— — 0．5625
一 O．25
O．125
— 0．3125
— 0．625
— 0 5918
— 1
1
一 O．5102
— 0．3469
— 0．6735
— 0．5918
— 0．102
0．3469
0．1837
— 0．3878
— 0．5102
— 0．3469
— 0．0204
— 0．5102
— 0．3O61
一 O．102
— 0．6735
— 0 51o2
— 0．5918
— 0 5918
— 0．6735
— 0 5918
— 0．7551
— 0．5918
— — 0．3469
— 0，5918
— 0．6735
一 O．5102
— 0．7551
— 0．4286
— 0．9l84
— — 0．102
— 0．9184
0．0612
一 O．1o2
— 0．7551
— 0．5918
— 0．6735
一 O．5102
— 1
1
一 O．5102
— 0 5918
一 O．1o2
— 0．6735
一 O．5102
— 0．5918
— 0．6735
— 0．0588
— 0．2941
— 1
— 0．2353
一 O．6176
— 0．2647
— 0．64 71
0．4118
0．2353
— 0．4706
— 0．764 7
0．5294
0．2941
0．2353
— 0．764 7
O．1176
1
— 0．6176
— 0．4706
— 0．2941
— 0．2941
0．0588
— 0．2353
0．7647
— 0．2941
— 0．0588
— 0．2941
一 O．1176
0．8824
0．0588
— 0．2941
— 0 6471
0．o588
0 0588
— 0．1176
一 O．1765
0．764 7
— 0．2941
一 O．1176
O_8824
— 0．2941
— 1
— 0．2353
— 0 6471
0．4118
— 0．6176
— 0．4706
— 0．2941
一 O．1176
0．23
0．64
0．01
0．04
0．28
0．6
0．57
0．63
0．58
0．37
0．21
0．48
0．72
0．64
0 39
0．33
0．48
0．07
0．23
0．13
0．1
0．44
0．56
0，34
0．4
0．66
0．62
0．58
0 49
0．39
0．39
0．41
0．66
0．66
0 41
0．48
0 55
0．35
0 64
0．4
0．66
0．08
0．08
0．61
0．31
0．17
0．24
O 62
0．66
一 o．0938 —0．5918 一o． ：垫
C D A A B D C D C B B C D D B B C A B A A C C B C D D C C B B C D D C
C C B D C D A A D B A B D D B
C D A A B D C D C B B C D D B B C A B A A C C D C D D D C B B C D D C
C B D B C D A A C D A B D D B
一 。 一一一 一一一 一一一 一一一一一一一 一一 一一一 ． 一 ．一一 一 一 一一 一 一 一 一 一
。 2 3 4 5 6 7 8 9
m n H " 加 勰 ∞ 驺 卯 柏 钔 舵 躬 卯 船
维普资讯 http://www.cqvip.com
2期 路常宽 等：沙棘灌丛林受害程度的预测模型
88．1％，预测准确率为75％。
2．4 沙棘灌丛林受害 Logistic预测模型
将 6个相关受害程度影响因子——坡向、坡位、坡度、地径、树高、林分密度做为自变量，分别用 。、 ：、
、 、 ， 、 表示，将发生程度做为因变量，利用表 2中的BP网络模型数据，在 SAS上进行多元 Logistic回归
分析 ]。下式为健康林分的累计比概率 logistic模型：
n[ 】=一O．8024+0．3453xl+1．5963x2-0．7824xs十1．6260x4+0．178xs-0．578x6(6)
模型的一致对(concordant)率为69．4％，对数可能率 一2LOGL为 22．446(P=0．001)，认为模型是可以接受
的。在采用 SAS计算比例系数假设中，模型 统计值为 18．5152，自由度为 12，统计性不显著(P=0．1009)，
说明成比例假设对所有的Logistic都成立，回归模型可适用于该资料的分析。6个变量系数中，只有坡位系数
为 1．5963，且统计性不显著(P=0．0114<0．05)，这表明，在其它变量相同的情况下，坡位对受害程度的影响为
其它5个因素的et．5吣=4．93倍，在95％的可信度下，回归系数的置信区间为(0．3597，2．8329)。其它5项因子
估计参数统计性不显著，说明坡向、坡度、地径、树高、林分密度不是决定沙棘林分受害程度主要因素。野外常
见到坡上的沙棘大面积衰退或枯死，而坡下或沟低沙棘在较高的虫口密度的情况下，从外观上看，仍然十分茂
盛。廉永善等 研究认为，低光照、高气温或过低的降水量(<400mm)都会成为沙棘属植物分布的限制因子，
在降水量较低的地区，沙棘只沿河边分布。在辽西地区，砂壤土保水能力较差，加之大风天气较多，蒸发量较
高，严重影响了沙棘旺盛生长期对土壤水分的需求，从而过早的出现衰退。
3 讨论
(1)人工神经网络在处理沙棘生长状况和生长环境之间关系预测中，不需要关于各种变量之间关系的额
外知识，通过网络的学习，精确地建立待测量与影响因子之间的函数关系，从而实现对待测量的经验性预测，
不足之处是对计算结果存在无法解释的“黑箱”，权重对影响因子的重要性较难作出直观的解释。
(2)在 BP神经网络模型中，训练样本拟合率为 88．1％。检验样本准确率为 75％，低于训练样本，是否存在
过度训练以及是否样本数量过少等因素的影响，还有待进一步研究。
(3)沙棘林由于后期萌蘖条的出现，原栽苗在林分中所占比例较少，且萌生苗林龄相差较大，有些地块由
于人为破坏或采取了林分管理措施，原栽苗已经不存在了，全部为萌生苗，因此。林龄很难反应实际的生长状
况，本研究中因此未将林龄列为影响因子。
(4)除本研究采用的相关因子外，下一步可考虑其它因子对沙棘灾害的影响。
References：
[1] Zhang A J，Chert J，Wang z J，et a1．The application of BP model and logit model to prediction of forest insect pests．Acta Ecologica Sinica，2001，21
(12)：2160—2165
[2] Yuan J Z．Principle offuzy evaluation Fuzy mathematics model and its application in forestry Bering：Chinese Forestry Press，1988．56 67
[3] Zhang L M．The design of BP neuron network Artifcial neural network and its application：Fudan University Press，1995．52—76．
[4] LI z Y，PENG L H Prediction model of a cultural plant diseases and insect pests based on artifcial neurs．1 network and its verifcation Acta Ecologica
Sinica，1999。19(5)：759—762．
[5] Wang J C，Gun Z G．The interpretion oflogistic coeficient in：Wang J C，Gun z G，eds Logistic regression models：methods and application Beijing：
HiSaer Education Press，2001，9：240—251．
[6] Lian Y S，Chert x L．The study on the origin of genus of seabuckthorn．Journal of Gansu Science，1991，3(2)：13—23
参考文献：
张爱兵，陈建，王正军，等．BP网络模型和 LOGIT模型在森林害虫测报上的应用初报．生态学报，2001，21(12)：2160—2165
袁嘉祖．模糊数学及其在林业中的应用，北京：中国林业出版社，1988。56 67。
张立明．BP神经网络设计原理．人工神经网络规模及其应用．上海：复旦大学出版社，1995 52 76．
李柞泳，彭荔红．基于人工神经网络的农业病虫害预测模型及其效果检验．生态学报，1999，19(5)：759—762．
王济川，郭志刚．Logistic回归系数的解释．Logistic回归模型——方法与应用．北京：高等教育出版社 ，2001．1，241 245
廉永善，陈学林．沙棘属植物起源的研究．甘肃科学学报，1991，3(2)：13 23
维普资讯 http://www.cqvip.com