全 文 ：第 49 卷 第 11 期
2 0 1 3 年 11 月
林 业 科 学
SCIENTIA SILVAE SINICAE
Vol. 49，No. 11
Nov．，2 0 1 3
doi:10．11707 / j．1001-7488．20131115
收稿日期: 2012 － 09 － 27; 修回日期: 2013 － 04 － 02。
基金项目: 上海市科委择优委托项目(09DZ1908800)。
* 李成德为通讯作者。
舞毒蛾在上海市的适生性分析*
朱 宇1 李成德1 豆晓洁1 冯 琛2 张岳峰2 吴广超2 王 焱2
(1． 东北林业大学林学院 哈尔滨 150040; 2． 上海市林业总站 上海 200072)
摘 要: 根据我国 21 个县市 11 个舞毒蛾发生区、10 个未发生区近 10 年的气象因子数据，以气候数据的关键因
子绘制 21 县(市)的气候特征图，结合舞毒蛾寄主植物在上海的分布，分析舞毒蛾在上海市的适生性; 进一步利用
判别分析法建立舞毒蛾在我国的分布预测模型，模型的预测正确率为 100%。结果表明，根据气候特征图、舞毒蛾
的寄主植物以及预测模型的判定，上海市具备舞毒蛾发生和危害的气候条件。
关键词: 舞毒蛾; 分布; 预测模型; 适生性; 上海
中图分类号: S718. 7 文献标识码: A 文章编号: 1001 － 7488(2013)11 － 0109 － 07
Adaptability Analysis of Gypsy Moth in Shanghai
Zhu Yu1 Li Chengde1 Dou Xiaojie1 Feng Chen2 Zhang Yuefeng2 Wu Guangchao2 Wang Yan2
(1 ． School of Forestry，Northeast Forestry University Harbin 150040; 2 ． Shanghai Forestry Station Shanghai 200072)
Abstract: Based on the meteorological data of recent 10 years in 21 cities / counties in China，which cover 11 epidemic
area and 10 non-epidemic area of Gypsy moth，Lymantria dispar，a climate characteristic pattern of the 21 cities / counties
was drawn based on the key meteorological factors． Combined with distribution of the host plants in Shanghai City，the
adaptability of Gypsy moth was analyzed． Furthermore，a distribution prediction model of Gypsy moth in China was
established using the discriminant analysis techniques． The prediction accuracy of the model was 100% ． The prediction
model displays that Shanghai City possesses the climatic condition for outbreak of Gypsy moth according to the climate
characteristic pattern，and host plant analysis．
Key words: Lymantria dispar; distribution; prediction model; adaptability; Shanghai
舞 毒 蛾 ( Lymantria dispar ) 属 鳞 翅 目
(Lepidoptera)毒蛾科( Lymantriidae)，是世界各国十
分重视的重大检疫性害虫(Kostic et al．，2008)。根
据地理分布、生物学习性及形态特征，可分为亚洲型
舞毒蛾和欧洲型舞毒蛾(钱天荣，2000)，其中，亚洲
型舞毒蛾取食危害 500 余种在森林、园林、果园等中
的寄主植物，具有食性杂、危害重、幼虫随风迁移的
特点，雌成虫能飞行，经常周期性发生，严重时可将
整片森林的叶片吃光(萧刚柔，1992)。因此，美国
等国家认为亚洲型舞毒蛾比欧洲型舞毒蛾的危害更
大，美国农业部检疫法规中已将舞毒蛾列为唯一需
检疫的森林害虫(美国农业部，1988)。
上海市是我国经济、科技、工业、金融、贸易、会
展和航运中心，目前尚未发现有舞毒蛾分布;但由于
周边省区(如江苏省)有该害虫分布，且该虫又具有
极强的扩散、蔓延能力，加之近些年来北美植物保护
组织及其成员国甚至多次致函中国政府，要求对来
自中国相关港口的船舶实施针对舞毒蛾的特别检疫
措施(卢小雨等，2009)。可见，舞毒蛾一旦传入上
海，无论对上海市的林果业还是对港口的国际贸易，
都将带来不良影响和不可估量的严重损失。因此，
研究舞毒蛾在上海地区的适生性，健全针对舞毒蛾
的检疫、监测及有效控制技术十分必要。
舞毒蛾的发生与温度、湿度等气象因子及某些
林分因子等息息相关，学者们已发现并基于这些关
键因子建立了预测评估舞毒蛾危害程度的相关模型
(孙洪志等，2001; 石娟等，2004)，但多为小范围内
的研究。本文利用我国 21 个县市最近 10 年的气象
林 业 科 学 49 卷
数据，依次采用相关性、主成分和因子分析法，对 16
项气象指标数据进行筛选、删减与组合，提取出 2 项
综合因子绘制舞毒蛾在我国分布区的气候特征图，
然后分析该害虫在上海地区的适生性，构建舞毒蛾
在全国范围内分布的预测模型，期望为我国其他地
区预测舞毒蛾的发生提供参考。
1 数据与方法
1. 1 数据来源
在舞毒蛾分布区(图 1)中，根据经度、纬度及气
候特征等筛选出哈尔滨、沈阳、呼和浩特、阿克苏、林
芝、北京、景德镇、石家庄、成都、贵阳和厦门 11 个舞
毒蛾发生区样点，以及漠河、和田、上海、天津、南京、
杭州、拉萨、南宁、广州和海口 10 个未发生区样点。
从中国气象科学数据共享服务网收集上述 21
个县(市)最近 10 年的 16 项气象数据，包括 1，7 月
均温、四季降水量及年降水量、四季均温及年均温、
四季相对湿度。所有数据采用平均值，并进行无量
纲化处理。
1. 2 研究方法
1. 2. 1 相关性分析 由于所收集到的气象数据较
为庞大，且变量间可能存在很强的相关性进而出现
信息重叠，因此，在保证不影响计算结果的前提下，
采用相关性分析( correlation analysis)删除部分相关
性特别大、相关系数 Cij接近于 1 的重复因子 (何晓
群，1998; 黄燕等，2006)。
1. 2. 2 主成分分析 在剔除重复因子的变量之
后，采用可将剩余变量转化为其线性组合的主成分
分析法( principal components analysis)，用主成分代
替原变量以减少变量个数，实现降维 (黄燕等，
2006)。主成分分析的主要步骤为: 对原始数据进
行无量纲化即标准化处理→求标准化数据的相关系
数矩阵→求相关系数矩阵的特征值及对应的特征向
量→计算方差贡献率及累计方差贡献率→按照累计
方差贡献率大于等于 70% 并且特征值大于 1 的原
则，确定主成分个数→根据各主成分因子载荷矩阵
确定每个主成分所能概括的变量→对各主成分进行
命名。
图 1 国内舞毒蛾分布情况
Fig． 1 Distribution of Lymantria dispar in China
①Harbin; ②Shenyang; ③Huhhot; ④Aksu; ⑤Nyingchi; ⑥Beijing; ⑦Jingdezhen; ⑧Shijiazhuang; ⑨Chengdu; ⑩Guiyang;
瑏瑡Xiamen; 瑏瑢Mohe; 瑏瑣Hotan; 瑏瑤Shanghai; 瑏瑥Tianjin; 瑏瑦Nanjing; 瑏瑧Hangzhou; 瑏瑨Lhasa; 瑏瑩Nanning; 瑐瑠Guangzhou; 瑐瑡Haikou．
011
第 11 期 朱 宇等: 舞毒蛾在上海市的适生性分析
1. 2. 3 因子分析 以主成分分析为基础进行因子
分析 ( factor analysis)，以确定关键因子 (黄燕等，
2006)。因子分析的主要步骤与主成分分析类似:
将原始数据标准化处理，以消除变量间在数量级和
量纲上的不同→建立标准化数据的相关系数矩阵→
求相关矩阵的特征值和特征向量→计算方差贡献率
与累计方差贡献率→按照特征值大于 1 并且累计方
差贡献率大于等于 70%的原则选取公共因子，确定
因子个数→在必要时，采用最大正交旋转法进行因
子旋转→根据各公共因子的因子载荷矩阵确定每个
因子所能概括的变量→对各公共因子进行合理的
命名。
1. 2. 4 气候特征图 对于所选取的 21 个气候数据
分布点，第 k 个因子对第 j 个分布点所取的值 (坐
标)为 Ykj = Xj
T·β k。式中:Xj
T = ( x1 j，x2 j，…，xpj)，k
为因子，j 为样本，p 为气候变量，β k为第 k 个因子上
的因子载荷量。通过这些坐标点建立二维平面直角
坐标系，即可得到气候特征图(刘娥，2009)。
1. 2. 5 数据处理 采用 Excel 2007 软件对数据进
行处理与绘制气候特征图。利用 SAS 9. 2 统计分析
软件对数据进行相关性分析、主成分分析、因子分析
以及判别分析处理，判别分析处理采用马氏法
(Mahalanobis) (黄燕等，2006)。
2 结果与分析
2. 1 相关性分析
我国 21 个县市最近 10 年的 16 个气象因子数
据的相关性分析结果(表 1)表明，1 月均温与冬季
均温、7 月均温与夏季均温及秋季均温与年均温的
相关系数分别高达 0. 999 1，0. 992 9 和 0. 996 7，几
乎为 1，说明这 2 项因子的相关性极强。因此，冬季
均温、夏季均温和秋季均温这 3 项信息重复的因子
可予以剔除。
表 1 21 个县(市)近 10 年 16 个气象因子数据的相关系数①
Tab． 1 Correlation of coefficient of 16 meteorological factor data from 21 cities / counties of the last ten years
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16
X1 1. 000 0 0. 565 6 0. 911 3 0. 612 0 0. 952 9 0. 999 1 0. 955 6 0. 660 7 0. 711 5 0. 660 1 0. 462 1 0. 739 6 0. 646 8 0. 385 0 0. 357 6 0. 325 4
X2 0. 565 6 1. 000 0 0. 774 2 0. 992 9 0. 777 1 0. 587 0 0. 770 0 0. 543 4 0. 459 7 0. 408 8 0. 608 5 0. 561 0 0. 449 0 0. 266 1 0. 365 4 0. 531 5
X3 0. 911 3 0. 774 2 1. 000 0 0. 826 9 0. 967 7 0. 925 4 0. 982 5 0. 588 9 0. 592 0 0. 603 4 0. 414 1 0. 646 6 0. 534 2 0. 239 3 0. 308 4 0. 421 2
X4 0. 612 0 0. 992 9 0. 826 9 1. 000 0 0. 814 8 0. 634 2 0. 812 0 0. 540 6 0. 468 7 0. 433 3 0. 564 4 0. 562 8 0. 443 0 0. 242 0 0. 336 6 0. 515 7
X5 0. 952 9 0. 777 1 0. 967 7 0. 814 8 1. 000 0 0. 961 4 0. 996 7 0. 700 3 0. 697 7 0. 638 1 0. 562 1 0. 757 5 0. 651 0 0. 377 4 0. 391 2 0. 455 3
X6 0. 999 1 0. 587 0 0. 925 4 0. 634 2 0. 961 4 1. 000 0 0. 964 8 0. 659 3 0. 702 1 0. 653 3 0. 463 2 0. 733 9 0. 639 5 0. 369 7 0. 354 0 0. 338 7
X7 0. 955 6 0. 770 0 0. 982 5 0. 812 0 0. 996 7 0. 964 8 1. 000 0 0. 667 9 0. 674 1 0. 635 6 0. 516 4 0. 729 6 0. 619 5 0. 340 7 0. 368 0 0. 431 6
X8 0. 660 7 0. 543 4 0. 588 9 0. 540 6 0. 700 3 0. 659 3 0. 667 9 1. 000 0 0. 806 3 0. 563 2 0. 780 9 0. 914 7 0. 782 2 0. 551 8 0. 489 3 0. 543 6
X9 0. 711 5 0. 459 7 0. 592 0 0. 468 7 0. 697 7 0. 702 1 0. 674 1 0. 806 3 1. 000 0 0. 781 4 0. 568 4 0. 949 9 0. 868 0 0. 787 7 0. 659 9 0. 532 2
X10 0. 660 1 0. 408 8 0. 603 4 0. 433 3 0. 638 1 0. 653 3 0. 635 6 0. 563 2 0. 781 4 1. 000 0 0. 393 0 0. 810 3 0. 714 6 0. 565 9 0. 570 0 0. 520 1
X11 0. 462 1 0. 608 5 0. 414 1 0. 564 4 0. 562 1 0. 463 2 0. 516 4 0. 780 9 0. 568 4 0. 393 0 1. 000 0 0. 740 5 0. 631 2 0. 439 4 0. 470 5 0. 516 3
X12 0. 739 6 0. 561 0 0. 646 6 0. 562 8 0. 757 5 0. 733 9 0. 729 6 0. 914 7 0. 949 9 0. 810 3 0. 740 5 1. 000 0 0. 882 5 0. 707 2 0. 641 9 0. 603 3
X13 0. 646 8 0. 449 0 0. 534 2 0. 443 0 0. 651 0 0. 639 5 0. 619 5 0. 782 2 0. 868 0 0. 714 6 0. 631 2 0. 882 5 1. 000 0 0. 884 9 0. 881 6 0. 793 3
X14 0. 385 0 0. 266 1 0. 239 3 0. 242 0 0. 377 4 0. 369 7 0. 340 7 0. 551 8 0. 787 7 0. 565 9 0. 439 4 0. 707 2 0. 884 9 1. 000 0 0. 889 3 0. 637 6
X15 0. 357 6 0. 365 4 0. 308 4 0. 336 6 0. 391 2 0. 354 0 0. 368 0 0. 489 3 0. 659 9 0. 570 0 0. 470 5 0. 641 9 0. 881 6 0. 889 3 1. 000 0 0. 851 5
X16 0. 325 4 0. 531 5 0. 421 2 0. 515 7 0. 455 3 0. 338 7 0. 431 6 0. 543 6 0. 532 2 0. 520 1 0. 516 3 0. 603 3 0. 793 3 0. 637 6 0. 851 5 1. 000 0
① X1 :1 月均温 Average temperature in January; X2 :7 月均温 Average temperature in July; X3，X4，X5，X6 : 春、夏、秋、冬季均温 Average
temperature in spring，summer，autumn and winter，respectively; X7 : 年均温 Average temperature of whole year; X8，X9，X10，X11 :春、夏、秋、冬季降水
量 Rainfall in spring，summer，autumn and winter，respectively; X12 : 年降水量 Rainfall of whole year; X13，X14，X15，X16 : 春、夏、秋、冬季相对湿度
Relative humidity in spring，summer，autumn and winter，respectively．下同 The same below．
2. 2 关键因子提取
在剔除 3 项信息重复指标后，对剩余指标进行
主成分分析，按照累计方差贡献率大于等于 70%并
且特征值大于 1 的原则选取主成分 P1 和 P2，其累
计贡献率达到 80. 01%，即舍去其余主成分后已表
达了原始信息量的 80. 01% (表 2)。通过主成分特
征向量矩阵可以看到，由于每个主成分各个变量的
系数均未大于 0. 8，无明显差别，很难看出每个主成
分所能概括代表解释的具体气象变量，因而不易进
行主成分的命名(表 3)，故进一步采用因子分析法
以解决这一问题; 同理，按照累计方差贡献率大于
等于 70%并且特征值大于 1 的原则选取了 2 个累
计贡献率达到 80. 01%的因子，将其余因子舍去(表
4)。
111
林 业 科 学 49 卷
表 2 主成分统计
Tab． 2 Principal component statistics
主成分
Principal
components
特征值
Eigenvalue
方差贡献率
Variance
contribution rate(% )
累计方差贡献率
Cumulative variance
contribution rate(% )
P1 8. 492 8 65. 33 65. 33
P2 1. 906 6 14. 68 80. 01
表 3 特征向量矩阵①
Tab． 3 Eigenvector matrix
变量
Variables
主成分 Principal components
第 1 主成分
Principal component 1 (P1 )
第 2 主成分
Principal component 2 (P2 )
X1 0. 276 4 0. 335 8
X2 0. 235 2 0. 289 2
X3 0. 262 1 0. 425 4
X7 0. 284 7 0. 381 4
X8 0. 293 7 0. 029 5
X9 0. 311 0 － 0. 081 8
X10 0. 271 7 － 0. 008 3
X11 0. 246 1 － 0. 004 5
X12 0. 327 7 － 0. 025 8
X13 0. 318 6 － 0. 234 1
X14 0. 253 4 － 0. 417 0
X15 0. 256 1 － 0. 409 9
X16 0. 249 8 － 0. 268 6
表 4 因子分析统计
Tab． 4 Factor analysis information
公共因子
Factors
特征值
Eigenvalue
方差贡献率
Variance
contribution
rate(% )
累计方差贡献率
Cumulative variance
contribution rate(% )
F1 8. 492 8 65. 33 65. 33
F2 1. 906 6 14. 68 80. 01
经方差最大正交旋转后的因子载荷系数向 0 和
1 两极分化，有助于更明显地区分和凸显每个因子
所代表的变量。第 1 因子(F1 )在春、夏、秋季相对
湿度 相 应的载 荷量很大，其方差 贡 献 率 高 达
65. 33%，说明第 1 因子主要反映了湿度方面的信
息，可将其解释为“湿度因子”。第 2 因子(F2 )在一
月均温、春季均温、年均温相应的载荷量较大，方差
贡献率达到了 14. 68%，说明第 2 因子更多地代表
了温度方面信息，可将其命名为“温度因子”(表
5)。
根据上述分析，剔除了因子载荷矩阵中绝对值
小于 0. 8 的变量，最终筛选出的气象因子为春季相
对湿度 X13、夏季相对湿度 X14、秋季相对湿度 X15、
1 月均温 X1、春季均温 X3 和年均温 X7。
表 5 旋转后的公共因子载荷矩阵①
Tab． 5 Rotated component matrix of common factor
变量
Variables
公共因子 Factors
F1 F2
X1 0. 260 1 0. 892 4
X2 0. 218 0 0. 762 8
X3 0. 144 2 0. 952 7
X7 0. 233 8 0. 954 5
X8 0. 589 3 0. 622 2
X9 0. 732 0 0. 546 2
X10 0. 579 1 0. 539 9
X11 0. 521 7 0. 492 2
X12 0. 713 7 0. 635 6
X13 0. 893 8 0. 409 8
X14 0. 931 4 0. 096 0
X15 0. 930 4 0. 108 6
X16 0. 782 1 0. 236 6
2. 3 气候特征图
若要分析上海市舞毒蛾分布的可能性，需要根
据所提取的气象因子制作舞毒蛾在全国范围内发生
的气候特征图。由于从 16 个气候因子中提取的第
1 因子与第 2 因子分别表达了湿度和温度 2 个方面
的气象信息，并且累计方差贡献率达到 80. 01%，因
此，计算出 21 个县(市)这 2 个因子所对应的气候
特征图的坐标值(表 6)，再以第 1 因子(F1 )即湿度
因子为横坐标，以第 2 因子(F2 )即温度因子为纵坐
标，可绘制气候特征图(图 2)。图 2 区域内部即为
发生舞毒蛾的高危预警区域。
2. 4 舞毒蛾分布预测模型
2. 4. 1 预测模型的建立 排除沪、宁、杭、津 4 市舞
毒蛾分布尚不十分明确的地区，参考刘娥(2009)的
结论，在上述综合分析的基础上，利用剩余的 17 个
样本中反映湿度和温度信息的 1 月均温、春季均温、
年均温、春季相对湿度、夏季相对湿度和秋季相对湿
度 6 项数据(表 7)，以这 6 个因子作为距离判别分
析模型的判别因子，将 17 个样本中舞毒蛾发生与否
区分为发生与尚未发生 2 个类别，以这 2 个类别作
为 2 个不同的总体并假设 2 个总体的协方差矩阵相
等，进行距离判别分析并得到 2 项线性判别函数
如下:
Z1 = － 0. 486 6 － 0. 658 9Y1 － 4. 043 2Y2 +
5. 015 0Y3 － 1. 422 5Y4 － 0. 404 6Y5 + 1. 396 0Y6，
Z0 = － 5. 666 3 + 12. 113 2Y1 + 57. 554 6Y2 －
73. 793 1Y3 + 13. 291 8Y4 + 6. 580 7Y5 － 14. 778 7Y6。
式中: Z1 为高危预警区; Z0为未发生区; Y1 为 1 月
均温; Y2 为春季均温; Y3 为年均温; Y4 为春季相对
211
第 11 期 朱 宇等: 舞毒蛾在上海市的适生性分析
湿度; Y5 为夏季相对湿度; Y6 为秋季相对湿度。
表 6 2 个因子所对应的 21 个县(市)的坐标值
Tab． 6 Coordinate of 21 cities / counties in two climate factors
台站 Stations F1 F2 台站 Stations F1 F2
哈尔滨 Harbin
阿克苏 Aksu
北京 Beijing
贵阳 Guiyang
林芝 Nyingchi
景德镇 Jingdezhen
厦门 Xiamen
上海 Shanghai
天津 Tianjin
南京 Nanjing
漠河 Mohe
－ 1. 719 5
－ 3. 340 6
－ 2. 032 9
2. 736 0
－ 0. 062 5
2. 023 3
2. 805 2
1. 666 0
－ 0. 712 1
1. 740 9
－ 0. 713 1
－ 4. 084 2
－ 1. 614 9
－ 0. 940 3
1. 014 8
－ 1. 331 3
2. 056 1
3. 460 8
1. 389 3
－ 0. 771 5
1. 112 1
－ 7. 384 8
呼和浩特 Huhhot
拉萨 Lhasa
和田 Hotan
南宁 Nanning
广州 Guangzhou
海口 Haikou
沈阳 Shenyang
石家庄 Shijiazhuang
杭州 Hangzhou
成都 Chengdu
－ 4. 352 9
－ 4. 806 6
－ 6. 436 9
3. 819 0
2. 400 9
4. 161 0
－ 0. 573 9
－ 1. 181 1
1. 790 8
2. 789 3
－ 3. 437 2
－ 2. 472 7
－ 1. 294 2
4. 017 8
4. 175 6
5. 443 2
－ 2. 655 8
－ 0. 250 8
1. 610 9
1. 957 1
图 2 中国 21 县(市)的舞毒蛾气候特征
Fig． 2 Climate characteristic of 21 cities / counties in China
2. 4. 2 预测模型的检验 为了考察该预测模型的
有效性和准确性，采用回代估计法对 17 个样本进行
检验，预测归类和实际归类及归类矩阵如表 8，9 所
示，线性判别函数的预测正确率达到了 100%，误判
率为 0% (表 10)，表明所建立的预测模型可以用来
预测舞毒蛾发生与否的判别和分类。
2. 4. 3 预测模型的应用 选择全国范围内某个地
区最近几年或者 1 年的 6 项无量纲化处理后的气象
因子数据代入模型求算 Z 值。当 Z1 ＞ Z0时，可以确
定该地区的气候条件适合舞毒蛾虫害的发生。上
海、南京、杭州及天津 4 个地区虽然尚未发现有舞毒
蛾分布的报道，但 4 个地区在气候特征图上的坐标
已落入舞毒蛾发生的预警区域范围内。为了进一步
验证气候特征图的准确性，将 4 个地区 1 月均温、春
季均温、年均温、春季相对湿度、夏季相对湿度和秋
季相对湿度 6 项经无量纲化处理后的数据代入舞毒
蛾分布预测模型。结果表明，4 个地区全部被预测
为舞毒蛾潜在高危预警区。
311
林 业 科 学 49 卷
表 7 气象因子判别终选①
Tab． 7 Final selection of factorial discriminant
台站 Stations Y1 Y2 Y3 Y4 Y5 Y6 No / Yes
漠河 Mohe － 2. 593 1 － 2. 688 5 － 2. 708 0 － 0. 106 2 0. 550 3 0. 606 6 No
哈尔滨 Harbin － 1. 529 4 － 1. 274 4 － 1. 302 6 － 0. 539 2 － 0. 008 3 － 0. 369 4 Yes
呼和浩特 Huhhot － 0. 961 5 － 0. 893 7 － 0. 926 6 － 1. 389 9 － 1. 564 9 － 1. 136 7 Yes
阿克苏 Aksu － 0. 658 4 0. 008 8 － 0. 380 9 － 1. 096 5 － 1. 770 0 － 0. 486 9 Yes
和田 Hotan － 0. 382 7 0. 367 4 － 0. 029 1 － 1. 845 0 － 2. 665 4 － 2. 420 4 No
林芝 Nyingchi 0. 130 4 － 0. 890 3 － 0. 676 5 0. 088 2 0. 233 4 － 0. 114 0 Yes
拉萨 Lhasa 0. 035 5 － 0. 878 4 － 0. 731 1 － 1. 500 6 － 1. 269 8 － 2. 143 5 No
贵阳 Guiyang 0. 336 8 0. 037 7 0. 083 0 0. 990 5 0. 769 5 1. 097 9 Yes
南宁 Nanning 1. 128 4 1. 246 1 1. 148 8 1. 248 8 1. 064 7 1. 042 0 No
北京 Beijing － 0. 276 8 － 0. 052 4 － 0. 129 2 － 0. 982 1 － 0. 350 2 － 0. 773 1 Yes
景德镇 Jingdezhen 0. 519 4 0. 523 8 0. 659 1 0. 904 4 0. 425 2 0. 488 2 Yes
厦门 Xiamen 1. 179 5 0. 829 7 1. 077 5 1. 152 2 0. 867 1 0. 311 1 Yes
广州 Guangzhou 1. 261 7 1. 336 2 1. 329 2 1. 087 0 0. 569 4 0. 072 4 No
海口 Haikou 1. 634 2 1. 781 5 1. 606 6 1. 318 3 0. 852 9 1. 215 4 No
石家庄 Shijiazhuang － 0. 137 0 0. 163 5 0. 046 6 － 0. 656 1 － 0. 311 0 － 0. 328 4 Yes
沈阳 Shenyang － 1. 062 0 － 0. 812 1 － 0. 841 8 － 0. 418 0 0. 408 5 0. 010 0 Yes
成都 Chengdu 0. 576 0 0. 523 8 0. 498 4 0. 631 3 0. 800 4 1. 222 8 Yes
① Y1 : 1 月均温 Average temperature in January; Y2 : 春季均温 Average temperature in Spring; Y3 : 年均温 Average temperature of whole year;
Y4 : 春季相对湿度 Relative humidity in Spring; Y5 : 夏季相对湿度 Relative humidity in Summer; Y6 : 秋季相对湿度 Relative humidity in Autumn。
Yes:已发生 Occured; No:尚未发生 Not occured．下同 The same below．
表 8 距离判别分析法分类结果①
Tab． 8 Classification result by distance
discriminant analysis
台站
Stations
实际归类
Real
classification
预测归类
Forecast
classification
未发生概率
Non
occurrence
rate(% )
发生概率
Occurrence
rate(% )
漠河 Mohe No No 87. 82 12. 18
哈尔滨 Harbin Yes Yes 7. 09 92. 91
呼和浩特 Huhhot Yes Yes 0 100. 00
阿克苏 Aksu Yes Yes 2. 53 97. 47
和田 Hotan No No 99. 97 0. 03
林芝 Nyingchi Yes Yes 43. 36 56. 64
拉萨 Lhasa No No 92. 44 7. 56
贵阳 Guiyang Yes Yes 5. 18 94. 82
南宁 Nanning No No 98. 81 1. 19
北京 Beijing Yes Yes 0. 21 99. 79
景德镇 Jingdezhen Yes Yes 0. 01 99. 99
厦门 Xiamen Yes Yes 0. 26 99. 74
广州 Guangzhou No No 99. 93 0. 07
海口 Haikou No No 98. 92 1. 08
石家庄 Shijiazhuang Yes Yes 0. 09 99. 91
沈阳 Shenyang Yes Yes 0. 28 99. 72
成都 Chengdu Yes Yes 0. 01 99. 99
①Yes 发生 Occurrncee; No 未发生 Non occurrence
表 9 距离判别分析法归类矩阵
Tab． 9 Classified matrix of distance discriminant analysis
项目
Item
未发生
Non
occurrence
发生
Occurrence
总计
(实际)
Total
( actual)
判断
正确率
Precision
(% )
未发生
Non occurrence
6 0 6 100. 00
发生 Occurrence 0 11 11 100. 00
总计(预测)
Total( predict)
6 11 17 —
表 10 判别分析误判率与先验概率
Tab． 10 Error ratios and prior probability of
discyiminant analysis
项目
Item
未发生
Non occurrence
发生
Occurrence
总计
Total
误判率
Misclassified rate(% )
0. 00 0. 00 0. 00
先验概率 Priors rate(% ) 35. 29 64. 71 —
2. 5 舞毒蛾在上海的适生性分析
害虫的分布主要取决于适宜的气候条件和寄主
植物。上海市分布有舞毒蛾寄主杨( Populus)、柳
(Salix)、榆 ( Ulmus )、槭 ( Acer )、马 尾 松 ( Pinus
massoniana)、水杉 (Metasequoia glyptostroboides)、山
楂 ( Crataegus pinnatifida)、苹果 (Malus pumila)、梨
(Pyrus)等众多植物，根据气候因子相关性分析及舞
毒蛾分布区的气候特征图，上海市的气候条件完全
适合舞毒蛾的发生。上海市周边地区 (如江苏、安
徽、江西等省的部分地区)已有舞毒蛾分布，舞毒蛾
又具有较强的传播、扩散能力，因此，舞毒蛾在上海
地区的发生具有较高的潜在可能性。
3 结论与建议
本文应用相关性分析剔除了若干项相关性极大
的气象因子，采用主成分分析法对剩余的数据进行
降维与去相关性处理，在得出主成分不适合命名的
情况下，改用因子分析法，重新对数据进行删减、概
括与组合，最终析取出反映各季节湿度变化的湿度
因子和反映各季节温度变化的温度因子，并以这 2
411
第 11 期 朱 宇等: 舞毒蛾在上海市的适生性分析
项综合因子分别作为横、纵坐标绘制了舞毒蛾在研
究区内的气候特征图，得出了上海、天津、南京、杭州
4 个地区是舞毒蛾潜在发生区的结论。
通过判别分析法初步建立的舞毒蛾分布预测模
型，预测正确率达 100%，可以用来预测舞毒蛾在全
国范围内的发生情况。上海、南京、杭州、天津尚无
舞毒蛾分布，但其坐标却落在气候特征图舞毒蛾发
生预警区域内部，将该 4 个地区的 6 项气候因子代
入预测模型，证明这 4 个地区为舞毒蛾的潜在发生
地区。虽然该分布预测模型的预测正确率达 100%，
但今后应进一步根据全国所有舞毒蛾分布区的气象
资料建立精确性更高的舞毒蛾分布预测模型。
参 考 文 献
何晓群 ． 1998． 现代统计分析方法与应用 ． 北京: 中国人民大学出版
社 ．
黄 燕，吴 平 ． 2006． SAS 统计分析及应用 ． 北京: 机械工业出版
社 ．
刘 娥 ． 2009． 黑龙江省杨树蛀干害虫发生区预警技术及风险评估
研究 ． 哈尔滨:东北林业大学硕士学位论文 ．
卢小雨，陈洪俊，陈乃中，等 ． 2009． 亚洲型舞毒蛾在北美的适生性 ．
昆虫知识，46(3) : 398 － 402．
美国农业部 ． 1988． 舞毒蛾综合管理的研究 ． 张执中，周章义，夏乃
斌，等译 ． 北京: 北京科学技术出版社 ．
钱天荣 ． 2000． 舞毒蛾在美国发生危害及美国农业部采取的措置 ． 植
物检疫，14(5) : 317 － 318．
石 娟，阎国增，关 玲，等 ． 2004． 林分因子与舞毒蛾危害程度的
风险评估 ． 林业科学，40(1) : 106 － 109．
孙洪志，张国财，林 同，等 ． 2001． 舞毒蛾种群动态预报技术 ． 东
北林业大学学报，29(1) : 126 － 128．
萧刚柔 ． 1992． 中国森林昆虫 ． 2 版(增订本) ． 北京: 中国林业出版
社，1086 － 1087．
Kostic M，Popovic Z，Brkic D，et al． 2008． Larvicidal and antifeedant
activity of some plant-derived compounds to Lymantria dispar L．
(Lepidoptera: Limantriidae ) ． Bioresource Technology，99 ( 16 ) :
7897 － 7901．
(责任编辑 朱乾坤)
更 正
《林业科学》2013 年第 10 期《基于 GS +的大黄枯叶蛾卵的空间分布关系》一文，第一作者章一巧的工作
单位应为“1. 北京林业大学省部共建森林培育与保护教育部重点实验室 北京 100083; 2. 上海市绿化管
理指导站 上海 200020”。
特此更正。
511