一、概 述

　　（一）森林害虫预测预报的意义和特点

　　森林害虫预测预报是指森林保护工作人员根据森林害虫发生规律、近期害虫及其天敌的发生情况，结合气象预报等资料进行综合分析和判断，估计害虫未来发生发展趋势，及时通报有关林业部门，使之能依照测报的信息，作好害虫防治工作。

　　森林害虫预测预报与农业害虫预测预报相比又有其特点。①种群估计难度更大。森林树高林密，冠幅庞大，对害虫进行抽样估计比较困难。②建立预测模型的过程复杂。森林昆虫群落中的相互关系往往是非线性的，有阈限、饱和点和时滞，一般包含许多随机性的相互作用，许多过程具有后效性。由于这些原因，组建预测模型相当复杂。③预测预报的时限较长，森林害虫预测预报中的短期、中期、长期预测预报的期限有时比农业害虫的预测预报的时间长。

　　（二）森林害虫预测预报的类别

　　按预测预报的内容划分 ①发生期预测：是对害虫的卵、幼虫（或若虫）、蛹、成虫等某一虫态或虫龄出现或发生的初盛、高峰和盛末期进行预测。②发生量预测：是对害虫可能发生的数量或虫口密度进行预测，了解是否有大量发生的趋势和是否会达到防治指标，以确定是否开展防治工作。③分布蔓延预测：是对测报对象可能分布和蔓延危害的地区进行预测，以确定采取控制其扩展、蔓延危害的措施。④危害程度预测：是在发生量预测的基础上预测测报对象可能造成的危害。以轻、中、重表示。其划分标准是：叶部害虫，树叶1／3以下被害为轻微， 1／3—2／3被害为中等， 2／3以上被害为严重；树干及枝梢表面的害虫，树干及枝梢被害20％以下为轻微，21—50％为中等，51％以上为严重；树干及枝梢的钻蛀性害虫，以树干及主梢被害株率10％以下为轻微，11—20％为中等，21％以上为严重；种实害虫，种实被害率10％以下为轻微，11—20％为中等，21％以上为严重。

　　按预测预报期限的长短划分①短期预测：通常根据害虫前一二个虫态的发生时期和数量预测后一二个虫态的发生时期和数量。预测期限较短，仅在一个世代或半年以内。②中期预测：通常根据上一个世代的发生情况，预测下一个世代的发生情况。预测期限随虫种而异，l年发生1代的虫种为1年，l年发生几代的则为1个月或1个季度。③长期预测：通常由年末或年初预测下一年或全年发生动态和危害程度。一般根据越冬后或年初测报对象的越冬虫口基数及气象预报等资料进行预测，供防治参考。

　　（三）预测预报的研究方法

　　1．实验室研究：研究人工控制条件下害虫的生长发育及数量动态。

　　2．林间研究：研究自然条件下害虫的生长发育及数量动态。

　　3．统计分析：对历史记载资料及实验室和林间研究所得资料的统计分析。

　　4．计算机模拟：研究不同输入信息所输出的不同结果。

　　二、森林害虫种群抽样估计

　　（一）森林害虫种群抽样调查的意义

　　森林害虫发生数量的大小是预测其严重性的根据。要了解林分中害虫发生数量，必须对林分进行调查。森林面积辽阔，不可能进行全面调查。较经济而科学的办法是进行抽样调查，用抽样调查结果来估计全林分害虫的种群密度。这种方法费用较低，速度较快，而且准确度较高，对于作好森林害虫发生数量的调查有重要意义。

　　（二）森林害虫种群抽样调查的主要步骤

　　1．确定调查的总体

　　“总体”一词，统计学上是指性质相同的一群事物的总和。在森林害虫调查中，如欲调查某个林分内平均每株虫口密度时，该林分即被视为调查总体。同样，欲调查一块苗圃地内平均每平方米的金龟子数量时，该苗圃即作为调查总体。

　　2．确定准确度和精度要求

　　准确度反映估计值与实际值的接近程度。精度表示抽样结果的可重复性。在林间进行抽样调查，要想获得较高准确度和精度的结果颇不容易。对一般性的调查要求可低些，对一些较细致深入的研究，要求则应高一些。

　　3．确定抽样单位

　　抽样前需根据总体情况选用一定抽样单位，抽查若干样本并计算样本值，然后用样本值对总体情况进行估计。在森林害虫抽样调查时，先根据林分大小，设立若干个标准地，然后在标准地上对样株或样枝进行调查。从样株或样枝调查的结果先对标准地进行估计，进而估计林分的种群密度。

　　4．确定抽样方法和理论抽样数

　　抽样估计值误差的大小与抽样方法密切相关。为了减少误差，提高准确度，应根据害虫在林间的分布型选择适当的抽样方法。只有根据害虫的分布型采用相应的抽样方法才能使调查结果更接近实际情况。取样数目越多，当然代表性越强，但要花费的人力、物力和调查时间也越多，故应根据抽样方法计算出理论抽样数。

　　（三）森林害虫抽样调查的方法

　　1．随机抽样及理论抽样数的确定

　　随机抽样是在N个个体中，按机会均等的原则，先抽取第一个样本，接着在剩下的（N-1）个个体中抽取第二个样本……，最后在所剩的［N-（n-1））个个体中抽取第n个样本。这种抽样方法又分为有放回抽样和无放回抽样两种。

　　抽样设计确定后，接下来就是考虑抽取多少样本。抽取样本少，不能反映真实情况；抽取样本多，则浪费人力、物力和时间，因此必须从理论上确定抽多少样本最好。一般而言，理论抽样数的确定与下列三个因素有关：

　　空间分布型：害虫种群聚集度越高，需要抽取的样本越多。

　　置信水准和允许误差：置信水准越高，允许误差越小，则所需抽样数越多。

　　种群密度：在聚集度、置信水准和允许误差相同的情况下，种群密度越低，所需样本数越多。

　　当总体呈正态分布、泊松分布、负二项分布时，有各自求算理论抽样数的公式。

　　在实际工作中可按平行线、对角线、棋盘式、“Z”字形等方式进行随机抽样。

　　进一步研究可参阅文献12、16、35、43、52、64、76。

　　2．以发生频次估计虫口密度

　　森林害虫大多发生面积广，即使有较好的抽样方法，要逐株查数样树上的全部虫数也是很困难的。是否可以不数样树上的虫数就能估计种群密度呢？既然从害虫发生频次分布可以确定种群的空间分布型，那么，当空间分布型已知时，就可以按有虫或无虫的样本数和比例来估计种群密度。这种方法虽然不很准确，但在一定的条件下可以使用。

　　（1）Wilsou和Gerrard的方法

　　许多昆虫种群的分布属于负二项分布。由负二项分布的特点可知，无虫样本的比例（P0）与种群平均密度（λ）有如下关系：

　　K

　　P0=　( ——)K

　　K+α

　　式中：K为负二项分布的参数。因此，有虫样本的比例（P）与虫口密度（λ）的关系为：

　　只要掌握有虫株率就可估计虫口密度。于建国、朱克军（1986）曾应用此方法对马尾松毛虫种群密度进行过估计。

　　（2）Gerrard和Chiang的方法

　　当昆虫种群的空间分布型未知或多变时，由有虫样方比例（P）估计种群密度（m）的方法为：

　　m＝a[-m(1-P)]β

　　其中a、β为待估参数

　　马占山等（1989）曾应用此法对油松毛虫种群密度进行简易估计，所得关系式为：

　　m＝1. 9318[-m(1-P)]1.1472

　　若有蛹株率在90％以下时，该式估计精度在80％；若有蛹株率超过90％，则该式估计种群密度的精度将急剧下降。

　　（3）回归曲线拟合法

　　平均虫口密度与有虫样方的关系，也可以用回归曲线进行拟合。

　　李天生等（ 1988）利用浙江省安吉县龙山林场马尾松毛虫 4龄以上幼虫的调查资料，以平均虫口密度为横坐标，有虫株率为纵坐标作两者关系图。该图显示两者关系呈负指数曲线相关。当平均虫口密度较低时，两者相关最紧密，有虫株率随平均虫口密度增大。用负指数方程对资料拟合得：

　　y=1-e-0.02267x0.6787 r=0.97

　　式中：y为有虫株率，X为平均虫口密度。据此算出有虫株率与平均虫口密度关系表，供虫情调查使用。

　　与有虫株率相对应，还探讨了用零株率估计平均虫口密度，得出了关系式。

　　祁贺文和杨福森（1985）通过研究，制订出由有虫株率求平均虫口的检索表。

　　3．序贯抽样

　　序贯抽样不事先规定应抽取的样本数，而是先确定种群的某个阈值密度或两个阈值密度以及允许误差的概率水准。调查时连续进行多次抽样，每次抽样以后确定是否超越或低于该阈值水平。若不能确定，则继续抽样。这种方法可以大大减少需要抽取的样本数。

　　当害虫种群的空间分布型不同时，序贯抽样的公式也不同，Iwao还提出了一种独特的序贯抽样方法。

　　山西朔县青场天牛试点组在确定青杨天牛的空间分布型为负二项分布后，用序贯抽样方法进行了种群抽样。

　　对马尾松毛虫种群采用序贯抽样方法进行抽样的文献有6、12、47、62。对落叶松毛虫、白杨透翅蛾种群的序贯抽样可分别参阅文献23、66。

　　4．森林害虫种群的非整株抽样技术

　　以前，对森林害虫种群进行抽样一般是对整株树木进行取样。这样不仅工作量大，而且也难于准确计数。由于有些树木，特别是松属树种，树冠可以明显划分成轮枝层，所以人们尝试用轮枝抽样代替整株抽样。

　　马占山等（1989）在对油松毛虫的研究中尝试用轮枝抽样代替整株抽样。其思路为：对油松毛虫轮枝层由下至上编号，依次为R1，R2，……R10，每轮枝条上栖息的蛹数量分别记作X1，X2，……X10，整株蛹数量记作Y，建立Y与Xi之间相互关系的回归模型。

　　Y＝∑biXi+bi

　　在上述思路下，选择R1或R2或R3建立单轮轮枝抽样模型（SRi－RBSM）；选择R1和R2或R2和R3建立双轮轮枝抽样模型（DRi,j－RBSM）；选择R1，R2，R3建立三轮轮枝抽样模型（TR1．2，3－RBSM）。

　　该研究认为在一定的油松林分条件下，用轮枝抽样代替整株抽样是可行的。在一般的虫情调查中，以单一轮枝的虫口密度估计整株虫口密度已达到精度要求。在特殊的虫情调查中，以两轮或三轮轮枝代替整株抽样也可达到精度要求。

　　浙江省衢州市马尾松毛虫综合防治试验技术指导小组（1983）研究表明，马尾松毛虫4龄幼虫在树冠各层枝条上的数量分布呈金字塔形，由顶梢向底层逐次增加。为此提出用树冠底层枝条上的虫口数推算整株虫口数。

　　郭树平、娄巍（1987）根据调查分别建立了不同树高的 1．0—1．5 m区分段上扬干象甲虫口密度与整株杨树虫口密度的回归关系式。由此利用杨干象甲虫在树干上某个部位的虫口密度来估计整株虫口密度。

　　赵铁良等在对青杨天牛种群的抽样中采取抽取样枝，不抽取样株的方法。

　　落叶松毛虫越冬幼虫在地面上主要分布在距树干lm的圆区内。郭树平等在树干周围直径为lm的圆区内，选择两侧1／4扇形区内的虫口数来估计全株虫口密度。

　　三、森林害虫发生期预测

　　（一）发育进度预测法

　　森林害虫某一虫种的所有个体往往不是同时进入某一虫态，而是有先后之分。根据该虫态个体数量在时间上的分布时划分为始见期、始盛期、高峰期、盛末期及终见期。按照正态分布曲线的特点，通常将某虫态发育百分率达16％、50％、84％左右分别当作划分始盛期、高峰期和盛末期的数量标准。

　　采用林间调查、诱集或室内外饲养观察等方法，可得到害虫某虫态发育进度曲线，以此做为“基准曲线”。由基准线加上害虫某虫态的发育历期，便可得到与基准线相平行的“预测曲线”。预测曲线说明了该虫态在未来的发育进度。

　　发育进度法。可划分为历期法和期距法。从实质上讲，这两种方法都是在检查发育进度的基础上，加上一定的历期推算的。其不同之处在于历期法的历期指前一虫态至后一虫态的相隔时间，通常在一个龄期范围内；而期距法的历期对以经几个龄期，甚至几个世代，故称为“期距”。

　　人们已在下列森林害虫中应用发育进度法进行发生期预测如青杨大牛、油松毛虫、落叶松毛虫、杨圆蚧、油松球果小卷蛾、蒙古光瓢虫、榆蓝叶甲、美国白蛾、樗蚕等。详见文献56、61、54、51、17、53、15、58、21、59。

　　（二）有效积温预测法

　　有效积温法对于昆虫的含义是：昆虫在生长发育过程中，需从外界摄取一定的热量方能完成某一阶段的发育，并且各发育阶段所需要的总热量为常数。用公式表示为： K＝N•T

　　式中：K为总积温，是常数；N为发育历期；T为气温。

　　由于昆虫的发育并非从 0℃开始，而是从被称之为“发育起点温度”的温度开始，以 G表示，则上式成为：

　　K＝N（T一G） 可得：T=G十KV

　　其中V为发育速率，是时间N的倒数。通过实验，得到不同T值下的N值，然后用统计学方法就可求出G，K。

　　在森林害虫上应用有效积温法进行发生期预测的例子有：美国白蛾、杨圆蛾、蒙古光瓢虫、油松球果小卷蛾、油松毛虫、落叶松毛虫、青杨天牛。详见文献58、ZI、51、53、17、61、56。

　　（三）物候预测法

　　人们在同自然界的长期斗争中发现，害虫某个虫态的出现期往往与其他生物的某个发育阶段同时出现。物候预测法利用这种关系，以植物的发育阶段为指示物，对害虫某一虫态或发育阶段的出现期进行预测。

　　山西朔县防治青杨天牛试点组（ 1987）通过几年对青杨天牛生长发育与当地有代表性的植物生长的对应观察，得到青杨天牛发生期的物候预测法。此外，人们对美国白蛾、榆蓝叶甲、蒙古光瓢虫、油松球果小卷蛾、马尾松毛虫、落叶松毛虫的发生期也采用了物候预测。详见文献58、 21、 15、 53、 17、 30。

　　（四）其他方法

　　四、森林害虫发生量预测

　　（一）有效虫口基数预测法

　　人们从直观上察觉到，窖虫发生数量通常与前一时期的基数密切相关。基数大，下一时期的发生数量可能多，反之则少。因此可以利用某种描述种群增长的数学方程，由前一时期虫口基数预测下一时期虫口基数。

　　Verhulst（1838）， Pearl和Reed（1920）提出用于描述人口增长的逻辑斯蒂方程的积分形式为： K

　　Nt=————

　　1+eα-rt

　　式中：r是每个个体的种群增长率，K是该个体占据的空间饱和时的种群密度。

　　尽管后来人们对上述方程做了不少改进，它仍然是当前生态学中最基本的模型之一，是许多其他模型的基础。利用有效基数法对森林害虫发生量进行预测，可以根据上述方程为基础建立模型。此外，也可以建立经验模型。

　　赵清山（1981）用有效基数法对马尾松毛虫发生量进行预测，建立了以下方程：

　　1.09

　　Nt=N0eKt ——————

　　1+e4.199-6.643x

　　式中：N0为虫口密度基数，Nt为经过t世代后的虫口密度，eK为繁殖速率，t为时间（世代数），x为松林针时保存度（0≤x≤1）。

　　利用有效虫口基数法对森林害虫发生量进行预测早在60年代就有报道。详见文献3。

　　（二）气候图及气候指标预测法

　　昆虫属于变温动物，其种群数量变动受气候影响很大，有不少种类昆虫的数量变动受气候支配。因此，人们可以利用昆虫与气候的关系对昆虫发生量进行预测。

　　气候图通常以某一时间尺度（日、旬、月、年）的降雨量或湿度为一个轴向，同一时间尺度的气温为另一轴向，二者组成平面直角坐标系。然后将所研究时间范围的温湿度组合点按顺序在坐标系内绘出来，并连成线（点太密时可不连）。由此图形可以分析害虫发生与气候条件的关系，并对害虫发生进行测报。

　　(三）矩阵模型预测法

　　40年代出现的Leslie矩阵模型可用于害虫发生量预测。

　　Leslie矩阵模型最初的使用要求是各虫态的历期相符，而实际情况并非如此。经过后人一系列的改进，Leslie矩阵模型已适用于虫态历期不等以及其他各种情况，并能直接利用生命表的资料。

　　李天生 （1983）曾提出一种由原始数据直接估计不等期矩阵模型中诸参数的方法，具有简便易行的特点。该模型被应用于马尾松毛虫种群趋势的预报中。

　　（四）生命表预测法

　　通俗地讲，昆虫生命表是与年龄或发育阶段有联系的某昆虫种群特定年龄或时间的死亡和生存的记载。由生命表可以确定各种致死因子对昆虫种群数量变动所起作用的大小，找出关键因子，并根据生存率和死亡率估计种群未来的消长趋势。

　　在我国森林害虫的研究中，已先后对日本松干阶、马尾松毛虫、油松毛虫、落叶松毛虫、思茅松毛虫、竹蝗、油桐尺蛾、柳毒蛾、青杨天牛等害虫编制了自然种群生命表，详见文献5、8、75、80、38、71、60。青杨天牛生命表的研究能针对钻蛀性害虫的特点，采用了查迹法。该研究基于生命表分析，得到成虫数量的预测公式如下：

　　①高额丰产林内的最优预测式

　　lgNA=0.95266lg（N1P1P2P3） ＋ O.506

　　②一般丰产林内的最优预测式

　　lgNA=1.1905lg（N1P1P2P3）-0.398

　　③小老树林内的最优预测式

　　lgNA＝1.1543lg（N1P1P2P3）-O.3385

　　式中： NA：成虫数量

　　N： 卵基数

　　P1：卵期死亡率

　　P2：幼虫期死亡率

　　P3: 蛹期死亡率

　　（五）其他方法

　　50年代末期，蔡邦华等（1958）就观察到食料因子变化对马尾松毛虫蛹重、性比等的影响以后，人们用查蛹方法对马尾松毛虫发生量进行短期预报也得到了较好效果。

　　查光济在利用蛹死亡率和蛹性比对下一代马尾松毛虫幼虫发生趋势进行短期预测时，还考虑了卵的死亡率。

　　袁家铭（1963）的研究表明，松树被马尾松毛虫大量危害之前的松脂、总糖、可溶性糖、粗粮粉含量相对较高，以后则显著下降。虽然当时没有将这些指标用于预测，但这种可能性是存在的。

　　庞正轰（1989）的研究表明，越冬油松毛虫的色型比（黑／黄）与林分虫口数量大小相关。

　　当虫口数量较高时，以黑色型幼虫的数量较多，黑／黄比值较大；当虫口数量较低时，以黄色型幼虫数量较多，黑／黄比值较小。他还推算出虫口数量y（头／株）与幼虫色型比（黑／黄）x的关系式，据此对油松毛虫数量进行测报

　　五、森林害虫发生量的数理统计预测

　　数理统计预测是将测报对象多年发生资料运用数理统计方法加以分析研究，划出其发生与环境因素的关系，并把与害虫数量变动有关系的一个或几个因素用数学方程式（回归式）加以表达，即建立预测经验公式。建立预测式后只要把影响因素的变量代入预测式中即可推算出害虫未来的数量变动情况。随着电子计算机的普遍应用，用数理统计的方法在害虫预测预报上将得到很大发展。

　　（一）回归分析预测法

　　森林害虫种群数量变化和气候及生物中的某些因素的变化有密切关系，在测报中用数理统计方法分析害虫发生与影响因素的相关关系，并制定它们的数学表达式的方法称为相关回归分析。相关回归分析的步骤如下：

　　（l）根据大量系统调查研究的资料，分析、判断和害虫发生量存在相关关系的因素。

　　（2）对已确定有相关关系的一个或几个变量进行分析，建立预测经验公式。

　　（3）对预测经验式的可靠性及误差进行检验。

　　（4）分析影响害虫发生量的主要因素和次要因素及它们之间的关系。

　　回归分析包括几种方法，其中以逐步回归分析法在害虫测报上应用最多,双重筛选逐步回归分析法有其特殊功能。

　　1．多元逐步回归预测法

　　在普通的多元回归分析中，人们需要凭借专业知识来选择合适的自变量。然而，在实际情况下，可能与害虫种群变动有关的自变量常常多达数十个。从中选取几个合适的自变量并非易事。多元逐步回归分析的优点在于能自动地从大量可供选择的自变量中，选择出最重要的自变量，并建立回归方程。

　　薛贤清（1984）应用逐步回归方法分析了11个省区22个县市或林场的马尾松毛虫发生数量与当地气象条件的相互关系，并建立了预测模型。如对福建连江的预测模型为：

　　y＝26.417—O.425 X11＋0.871X12

　　式中：y代表马尾松毛虫发生面积，X11和X12。是气象因子。

　　于诚铭等（1987）对黑龙江省桦南、尚志、桦川、龙江4个县建立的落叶松毛虫种群数量动态预测模型采用的也是逐步回归的方法。

　　2．双重筛选逐步回归预测法

　　多元逐步回归只解决一个因变量对多个自变量的问题。双重筛选逐步回归可以解决多个因变量对多个自变量的问题。即可以反映出因变量之间的相互关系，又能使每个自变量对各个因变量的影响都反映出来。在森林害虫预测预报工作中，需要考虑的虫情指标往往在两个以上。人们不仅要考察这些指标相互之间的关系，又要考虑每个影响因素对这些指标的影响。双重筛选逐步回归的应用，无疑为解决这些问题创造了可能。

　　李天生（1985）应用该法分析气象因子与马尾松毛虫发生的相互关系，并建立预报方程。方程中预测指标（因变量）有4个，分别为y1,y2,y3,y4，影响因素（自变量）有18个，分别为x1,x2，……,x18。取筛选临界值尺Fx=2,Fy=1，所得预测方程如下：

　　第一组 y1=11.117-0.036x8+0.874x9-0.168x18

　　y3=22.548-0.095x8+0.832x9-0.300x18

　　第二组 y2=-131.838+17.806x1+1.579x4+0.533x9+0.323x12

　　y4=-159.4+23.087x1+1.952x4+0.505x9+0.347x12

　　结果表明y1和y3受共同因素影响，y2和y4受共同因素影响。

　　（二)判别分析预测法

　　判别分析是用来判别研究对象所属类型的一种多元分析方法。它用已知类型的样本数据构成判别函数，继而用此判别函数预测新的样本数据属于何类。在害虫测报中，人们关心的害虫发生情况常可用“大发生”、“非大发生”、“严重”、“轻微”等类型来划分，因此可用判别分析进行预测。

　　1．两类判别及多类判别预测

　　判别分析按判别类别可分为两类判别和多类判别。

　　赵清山（1986）将马尾松毛虫发生情况划分成两类：A类表示虫害严重，B类表示虫害轻微。取前期气象因子为判别因子。用两类判别分析方法建立15个地点马尾松毛虫的预测方程。其中针对四川永川云雾山林场建立的预测方程为：

　　yA=9.968， yB＝6.771，yC=7.8369

　　yA＞yB

　　y＝0.388x9-0.839 X10+0.01x11+1.16x12

　　历史概括率=87．5％

　　薛贤清（1982）将马尾松毛虫发生程度划分为极轻、轻、重、极重4个类别，用多类判别分析建立了预测方程。对福建连江建立的判别方程为：

　　y′Aa,Ab=-5.312x1-3.105 x2-2.624x3+0.22

　　2．逐步判断预测法

　　前面介绍的两类和多类判别分析应用的例子均是人为地确定判别因子，从而建立判别方程。在害虫预测中，需要考虑的因子很多，如何从诸多因子中挑选出最佳因子，颇费斟酌。逐步判别方法可以自动地从大量可能因子中挑选出对虫情预测最重要的因子，并建立预测方程。

　　梁其伟（1986）应用逐步判别方法对马尾松毛虫进行了预测预报尝试。将马尾松毛虫大发生定为A类，非大发生定为B类。判别因子取前一年和当年前期的气象因子共32个。经过逐步筛选，最后所得预测方程仅保留3个因子。

　　F进=2，F出=1

　　yA=-2595.6470+186.7031x1+0.0355x2-0.3086x3

　　yB=-2695.2038+190.4618x1十0.0457x2-0.3602x3

　　(三) 数量化理论预测法

　　在害虫预测工作中会遇到不是用数值表示的因子，如昆虫的性别，称为定性因子。数量化理论就是将定性因子引进的统计分析方法。与回归分析对应的数量化理论称为数量化理论I，与判别分析对应的数量化理论称为数量化理论II。

　　吴敬等（1983）考虑到害虫发生的记载资料精确性不高以及影响因素的特点，用数量化理论I对马尾松毛虫发生进行预测。

　　他们将马尾松毛虫危害情况划分为5个等级，将对松毛虫危害有影响的12个因子划分为3个等级。如此，将原来用数值表示的量转化为用级别表示的定性的量。在用数量化理论I进行分析后建立了预测模型。

　　（四）时间序列预测法

　　在回归分析和判别分析中，对害虫进行预测要利用其影响因素做为预测因子，如气象因子，这是他因分析。时间序列预测对害虫进行预测只考虑害虫种群本身的变化，是自因分析，但这并非不考虑外部因素，而是将害虫自身变化视为各种内外因子综合作用的结果。

　　时间序列的各种方法中以马尔可夫链方法在我国森林害虫测报上应用最广。

　　马尔可夫链通过状态转移的概率来预测未来状态的变化。若令Pij(m）表示害虫事件经过m次转移，由状态Ei转移到状态Ej的概率，则：

　　Pij（m）＝ Nj(m)/mi。

　　式中：m为害虫事件观测值为Ei的总次数，Nj(m)为害虫事件值Ei经过m次转移后值为Ej的次数。详见文献9、11、13。

　　周国法（1989）提出一种结合时间序列方法和灰色系统分析方法的害虫预测方法。

　　（五）模糊数学预测法

　　模糊数学并非让数学变成模糊的东西，而是用数学来解决一些具有模糊性质的问题。这里指的模糊性质，主要指客观事物差异的中间过渡的不分明性。如“年老与年轻”，“美与丑”。在害虫预测中，虫情的“严重与轻微”也是模糊的。

　　模糊数学的基础是模糊集，它将普通集合中只取0，1两值推广到［O，1]区间，用隶属度来刻划对象的属性。

　　模糊数学中有多种方法。梁其伟（1986）曾将模糊优先比应用于马尾松毛虫预测。薛贤清等（ 1986）应用了模糊聚类分析。

　　六、林分危险性预测

　　大量观察和研究表明，不同林分内害虫发生程度不同。这种差异性与树龄、生活力、林分组成、林分密度、土壤等有关。用数学方法对不同林分进行比较，确定造成这种差异性的影响因素及其相互关系，就能预测林分对虫害的不利影响。

　　于诚铭等（1986）在黑龙江省的5个县，3个林业局选择典型的落叶松毛虫发生基地与非发生基地若干块作为样地。其中发生基地样地37块，非发生基地样地29块。在观察记载了地形地势，窝风状况，坡向与坡度后，他们用数量化理论11建立了发生基地的判别模型。计算结果表明对发生基地的判对率达89．2％，对非发生基地的判对率达69％。

　　用该模型就可以预测某一新的样地是否属于发生基地。

　　于建国等（1989）在对马尾松林分的树种组成、树高、胸径、冠幅、密度、郁闭度、灌木层盖度和高度、草木层盖度和高度，海拔、坡向、坡位，土壤肥力、厚度等21个因素进行调查的基础上，用逐步判别分析建立了马尾松毛虫发生类型不同的5种林分的判别模型。这5种林分类型为：（l）发生基地类型；（2）一般发生类型；（3）临时发生类型；（4）扩散类型；（5）无灾类型。

　　所建判别模型中保留的判别因子共6个。在实际运用中，对待判别的林分，只要将这6个因子的观察值代入模型，即可判断该林分所属类型。

　　王振经（1988）建立了由树种组成、郁闷度、经营强度求有虫株率的回归式。

　　七、森林害虫种群监测

　　森林害虫种群监测的目的在于及时掌握当前的害虫数量和分布。近年来，这项工作的重要性已被人们充分认识，并在研究中取得一定的进度。

　　（一）灯光引诱和性信息引诱监测

　　不少森林害虫种类具有趋光性，因此可以设光源进行人工引诱。灯光引诱具有简便行，比较准确可靠的特点。

　　据薛贤清（1977）统计，黑光灯可诱获的森林害虫有7O0种左右，分属鳞翅目、鞘翅目、直翅目、等翅目、半翅目、同翅目、膜翅目等8个目79科。

　　浙江衢州市防治组利用黑光灯对马尾松毛虫进行监测研究表明：利用黑光灯监测马尾松毛虫的发生期比室内饲养观察更能代表实际情况，用 20 W功率的黑光灯诱蛾的有效范围是188亩。雌性成虫投灯集中在上半夜，而雄性成虫集中在午夜。

　　在江苏省溧水县林场和安徽省鸡笼山林场，灯诱已被做为对马尾松毛虫进行长期监测的主要手段。

　　为了保证灯诱的监测效果，灯诱所用的黑光灯应安装在松林外缘的开阔处，以免光源受遮挡。对于一个林场来说，每年各代安灯地点、位置，每夜开灯和关灯的时间，开灯天数应力求保持一致。

　　对于具有释放性信息素特性的森林害虫，性信息素引诱监测是一种有效手段。性信息素引诱具有灵敏，专一性强，使用方便和操作简单等特点。

　　用于害虫监测的诱捕器一般由特殊形状的诱捕装置和含人工合成性信息素的诱芯所组成。此外，也可用害虫活体或粗提性信息素引诱。

　　蹇永训等（1984）于1981—1982年在安徽滁县地区利用马尾松毛虫活体性引诱开展发生期监测取得了初步效果。

　　薛贤清等（1987）用人工合成的马尾松毛虫性信息素和粗提性信息素进行了虫情监测。该研究认为害虫虫口密度高时，引诱效果受到林间雌蛾自然分泌的性信息素的干扰，故性引诱适宜于低虫口密度林区。

　　苗建华等（1988）在应用性信息素对舞毒蛾进行监测时，也认为在低虫口密度时效果良好。

　　性信息素在双条杉天牛（徐永华等1988）、微红梢斑螟、油茶毒蛾、油桐尺蛾等森林害虫监测中也得到了应用。

　　性信息素监测效果除受虫口密度影响外，与诱捕器在林间的置放，气象因素、诱芯的信息素的释放速率有关。在实践中，必须考虑这些因素的影响。

　　（二）收集森林害虫落粪进行监测

　　用落粪对高大树木上的害虫进行监测，始于本世纪初。最初，人们只是通过虫粪出现与否来判别有无森林害虫危害。以后则试图建立落粪数量与害虫数量的相互关系，以便由落粪数推测害虫数量。

　　张旭等（1986）在浙江省对马尾松毛虫落粪与种群密度的相互关系进行了研究。他用塑料薄膜作取样装置，分别进行整株与非整株取样，最后用逐步回归方法建立马尾松毛虫落粪与种群密度相互关系的模型。该模型中包括气象、地形林分因子。该研究的结论认为马尾松毛虫幼虫种群密度与其排粪速率有密切关系，林间的落粪情况能敏感地反映幼虫种群的变化。

　　薛贤清等（1986）在江苏省也对用马尾松毛虫落粪推算高树上的虫口密度进行了研究。采用的是查表推算的方法。该研究认为用落粪推算高树上马尾松毛虫种群数量的误差是在允许范围之内（误差范围1.4—14.5％，平均相对误差率为9.1％。加以修正后只有6.4％）。此外，还指出树冠截留的虫粪比例为2.7％，松毛虫在脱皮前不取食，不排粪。

　　（三）遥感技术监测

　　1978年，林业部森林资源调查规划设计院（1984a，1984b）参加了中国科学院组织的云南腾冲遥感试验（中法联合航空遥感试验）。该试验的内容之一是应用遥感图象进行森林灾害研究。在试验中，他们采用彩色红外片（1：35000）和全色片（1：10000）对危害云南松的松叶蜂进行目视判读和现场对照分析。结果表明，在可见光波段内，云南松健康木光谱反射略低于虫害木，而在红外波段，虫害本光谱反射率明显低于健康木。

　　1982年5-6月，他们又在辽宁阜新、彰武两县人工油松林区，应用1981年拍摄的1：35000比例尺的彩色红外片对松毛虫危害面积、程度和蔓延趋势做了研究。结果证明彩色红外片对被害林分极易识别，并可测定面积。

　　结果发现，马尾松毛虫成虫在距离雷达 143 m处，高4 m的低空中，能被雷达跟踪到，并显现在荧光屏上。