一、太原地区油松毛虫发生规律及防治对策(论文文献综述)
张少华[1](2021)在《干旱半干旱地区林业苗木春季病虫害防治措施——以定西地区的森林病虫害为例》文中研究说明受到干燥气候的影响,我国干旱半干旱地区的植被覆盖率普遍偏低,有森林的地区饱受病虫害的影响。主要以我国甘肃定西地区的森林病虫害为例,分析了我国半干旱地区发生森林病虫害的原因,探讨了符合我国国情的防治措施,为我国半干旱地区的农林业发展提供参考。
王敬贤,王建军[2](2021)在《油松病虫害发生特征及防治研究》文中进行了进一步梳理油松是我国特有树种,近年来常遭受多种病虫害侵袭,造成了严重经济损失和生态破坏。文章综述了油松的4种病害油松落针病、油松赤枯病、松针锈病、松材线虫病的病原菌种类、危害症状、发病规律及防治方法; 4种害虫红脂大小蠹Dendroctonus valens、油松毛虫Dendrolimus tabulaeformis、微红梢斑螟Dioryctria rubella和日本松干蚧Matsucoccus matsumurae的分布与寄主、危害特征及防治方法,为识别和控制油松的病虫害提供参考。
霍朗宁[3](2019)在《基于单站地基激光雷达数据的油松失叶率定量估算研究》文中提出失叶率是一个定量化反映林木叶部受损严重程度的指标,通过计算林木失去的叶量占总体叶量的比例实现林木受灾程度的评估,可为森林灾害的程度评估提供数据支持,是制定和实施森林管理和灾害防控措施的重要基础之一。受到遥感数据分辨率的限制,目前进行的失叶率估测仍然停留在失叶程度分级的程度,并且大多围绕区域或林分等大中尺度估计开展,在单木尺度的估测能力亟需进一步提升。针对该问题,本研究使用单站地基激光雷达数据,围绕失叶率估算主题进行算法开发和精度验证。研究区位于辽宁省建平县油松人工林分布区域,分别在轻微、中等、严重失叶区域各设置样地16个,共计48个样地,包括单木1098株。通过外业工作获取地基激光雷达数据与地面实测失叶率后,从以下三个方面展开研究:(1)从地基激光雷达点云数据中进行特征参数构建与信息提取,共计得到有关单木形态属性、树冠点云分布特性、树冠点云密度特性的共计60个特征参数。采用随机森林方法筛选特征参数,确定敏感特征参数进行失叶程度分级,并在数据测试集上验证分级精度。(2)针对点云密度参数计算原理,提出一种等角扇形体体素结构,并使用传统的正方体体素单元和扇形体体素单元分别构建点云密度参数,对比二者在失叶程度分级上的重要性。(3)通过对等角扇形体体素的构造参数进行进一步的优化,实现失叶率的简单线性回归和预测,建立失叶率估算模型,并总结归纳总体技术流程。研究结果表明,(1)点云密度、透射率、孔隙度等特征参数在失叶率分类过程中显示出较高重要性,将失叶程度分为轻度、中度、重度等三级时,分级精度在单木尺度和样地尺度分别为80%和94%。(2)在体素化研究中,验证了创新的扇形体体素化在均衡点云密度方面的优势,重点解决了与地基激光雷达扫描仪距离不同时密度分布不均对特征参数计算的影响,其表现优于传统的正方体体素化方法。(3)通过对其参数的进一步优化,实现了点云密度与失叶率的简单线性回归,在单木尺度和样地尺度决定系数R2分别为0.89和0.83,失叶率预测均方根误差RMSE在两个尺度均为12%。提出的失叶率估算线性方程可以在失叶率区间差小于等于40%时实现RMSE小于20%的高精度估测。研究的创新点包括(1)首次利用单站地基激光雷达数据实现失叶率估算;(2)创新构建点云密度、点云空间分布模式、穿透性等特征参数库,并证实在失叶率估算方面发挥了重要作用;(3)创新的扇形体体素化结构为单站地基激光雷达数据管理和特征参数计算提供了一个全新的思路。研究证明使用单站地基激光雷达技术可以实现失叶率的精准估测,本研究创新的失叶率估算方法具有很高的可应用性,对油松毛虫虫害监测和治理措施的制定具有重要意义。
杨波[4](2019)在《森林病虫害数据可视分析方法研究》文中指出随着林业信息化与智能化技术的不断发展,林业数据获取与存储能力的不断增强,林业数据体量将持续增长,数据格式与种类也愈加多样化。基于可视化可视分析方法深入分析和洞悉林业数据的模式和规律,解决林业生产科研中的问题,给林业行业的发展带来了新的机遇和挑战。森林容易遭受各种自然灾害的侵袭和人为因素的破坏,而森林病虫害作为最主要的森林自然灾害,给森林资源带来严重的威胁,给林业生产带来重大损失。森林病虫害数据的分析存在诸多困难和挑战。首先,森林病虫害数据体量大、结构复杂、多层次且高维度,而且涉及时空属性,不同时间和空间粒度的分析结果千差万别。其次,数据中各属性并非完全孤立,属性间存在不同程度的联系。利用传统统计学方法进行分析难以直观地呈现数据间的联系与规律,因而从中挖掘有价值的信息非常困难。数据可视化是一种使用人类可感知的视觉符号来增强数据认知的有效方法,可以辅助数据分析者直观地观察和分析数据蕴含的规律。本文针对森林病虫害数据分析中存在的问题,以交互式可视分析为研究核心,围绕森林病虫害数据建模、可视化和可视分析方案设计等问题展开分析和研究,以期为森林病虫害研究与管理人员更好地管理、监测森林病虫害的发生发展,指导病虫害的科学防治提供更有利的平台。本文主要研究内容和贡献概括为以下几个方面:1、设计了一种可视数据清洗方法,用于提高森林病虫害数据的数据质量。在数据清洗过程中为了比较森林病虫害文本型数据的相似性,提出了文本型数据相似性匹配算法。针对森林病虫害数据的特点,设计了可视数据清洗框架,对数据进行交互式地检测分析及清洗,实现对数据质量的有效控制。2、设计了一种聚类数据可视分析方法,其可定量评估森林病虫害发生情况在各地区的相似性。在可视化绘制算法研究方面,提出了权值均分有序树图布局算法对树图进行优化以展示森林病虫害数据中的有序层次数据;提出了基于引力场的聚类边绑定算法对平行坐标进行优化以展示森林病虫害聚类数据的分布特征。基于此,提出了用于揭示各地区森林病虫害发生相似性的数据聚类可视化方案。3、基于三种模型的多视图协同可视分析方法的设计。提出了多视图协同可配置模型,其可针对相似数据分析情景模式进行配置;基于该模型针对不同的情景分析模式所包含的数据属性是否一致,设计了不同的可视分析模板对森林病虫害发生防治情况进行分析研究。提出了层次关联交互模型,该模型用于指导多个具有层次性的属性进行渐进式关联交互分析;基于该模型提出了分析不同病虫害在不同地区的发生发展情况的交互式多视图协同可视分析方法。提出了多组合多元线性回归模型,该模型可以定量地描述多个自变量与单一因变量之间的多种组合构成的线性关系;基于该模型和数据流模型并结合统计学原理和可视化技术提出了多组合多元线性回归可视分析方法,针对森林病虫害病情指数与可能导致其发生的影响因素的特点展开分析研究。4、设计并实现了基于森林病虫害数据的可视分析原型系统。基于论文所提出的模型和方法,结合森林病虫害发生防治的时序、地理、灾害等级、灾害种类等特征,综合考虑不同时期、不同地区的发生防治情况,以及导致森林病虫害发生的影响因素等数据,实现对森林病虫害的多角度综合性分析,从而提供一种快捷、方便的森林病虫害数据观察及分析工具。5、基于论文所设计实现的原型系统,针对真实的森林病虫害数据进行研究,分析病虫害数据的时空特性及多维属性间的关系,对森林病虫害发生的影响因子进行探索,以期找到影响病虫害发生的关键因子。实施了相关用户研究和专家评估以验证上述所提模型、方法等的可用性和有效性。本文研究工作结合了数据挖掘、可视化分析和数理统计方法,为解决森林病虫害数据分析和利用面临的问题,探索了新的思路和技术手段;为辅助森林病虫害研究与管理人员全面掌握森林病虫害发生防治情况,采取科学防治措施提供依据。
王胜梅[5](2018)在《油松毛虫性诱技术优化及其幼虫空间格局研究》文中认为油松毛虫(Dendrolimus tabulaeformis Tsai et Liu)是松林的重要害虫之一。该虫为我国北方油松林的本土害虫,每年大面积的发生,给松林生存和生态建设安全造成了严重威胁。性引诱剂作为防治和监测油松毛虫成虫的主要手段已被广泛应用于林间。但是,性引诱剂的林间应用技术并不完善;到目前为止,还没有一种理想的方法去评估它的性诱效果。另外,油松毛虫幼虫是主要的危害虫态,猖獗发生时将针叶取食殆尽,需要配合化学防治;而幼虫空间格局的研究将为有效使用化学农药提供重要的指导意义。基于此,本文对油松毛虫性诱技术林间优化、性诱技术效果评估和幼虫空间分布格局进行研究,具体结果如下:1、在对四种形状诱捕器的诱虫量研究中发现大船型诱捕器的诱虫量最大。在对三种颜色诱捕器的诱虫量研究中发现黑色诱捕器的诱虫量最大;而绿色诱捕器与黑色诱捕器之间差异性不显着性。在对三种悬挂高度诱捕器的诱虫量研究中发现悬挂高度为1.7m的诱捕器诱虫量最大。将不同诱捕器形状、颜色、悬挂高度三个因素利用正交试验方法进行了组合试验,发现诱虫量最大的是悬挂高度为1.7m的、绿色的、大船型诱捕器。在诱捕半径实验中发现,诱芯的诱捕半径为35 m,但此处的诱捕器诱虫量极少。在诱芯残效实验中发现油松毛虫性引诱剂诱芯的持效期可达24 d。2、通过实验室解剖结果,确定了油松毛虫雄成虫交尾前后生殖系统的差异。根据油松毛虫雄成虫交尾前后生殖系统形态的对比结果,判断出林间诱捕得到的未交尾雄成虫数占解剖总数的74.5%。这说明,性引诱剂诱捕减少了油松毛虫雄成虫数量,降低了其交尾概率。3、通过调查油松毛虫幼虫的空间分布格局发现,其幼虫呈聚集分布,且多分布于油松树冠中、下层。幼虫分布具有明显的空间依赖性,且随着受害程度的增加空间依赖范围也相应增加。用Kriging插值法生成的空间分布图显示幼虫在空间分布上具有几个明显的聚集中心;而且,在该试验调查的样地内,聚集中心多分布在林分郁闭度较大的斜坡上,幼虫由林地斜坡向整个林地扩散。
张凝[6](2017)在《油松毛虫灾害发生多尺度遥感监测与预测》文中认为油松毛虫(Dendrolimus tabulaeformis)是我国北方地区主要的森林虫害,每年对油松及其他寄主植被造成的损失不计其数。不能准确监测灾害发生情况、预测灾害发生风险是油松毛虫灾害大面积扩散的主要原因之一。利用遥感技术能够快速、准确的获取森林灾害类型以及灾害发生程度、灾害发生面积等信息,从而实现森林病虫害的动态监测及预测,为及时有效的灾害防治提供有力依据。本文以辽宁省建平县为实验区,油松毛虫灾害为研究对象,利用低空无人机高光谱、高空间分辨率及星载时间序列遥感数据,分别在单木、样地及县域尺度上研究灾害识别、监测和预测方法。通过高光谱数据降维、高光谱数据空谱分类及数理统计分析,提出了“基于类间不稳定性-连续投影变换”(ISIC-SPA)的高光谱数据波段优选组合算法以及基于优化支持向量机的空谱分类算法,并在此基础上构建油松毛虫灾害发生程度识别模型、灾害发生面积监测模型;通过星载遥感影像和气象数据的时间序列分析,提出了气候变化条件下的县域尺度灾害预测技术框架,并构建了灾害发生面积短期预测模型。实现了不同尺度油松毛虫灾害发生位置、发生面积以及灾害等级的信息获取,形成了“星-机-地”一体化的油松毛虫灾害监测及预测技术体系。论文的主要研究内容及成果如下:(1)单木尺度上,提出基于机载高光谱成像数据波段优选的油松毛虫灾害程度识别方法,并在此基础上构建油松毛虫灾害程度识别模型。首先在经过数据平滑的机载高光谱影像上,利用野外调查获取的油松单木位置信息,提取冠幅范围内所有像素的平均光谱作为该单木的光谱信息;通过对比分析主成分分析(PCA)、连续投影变换(SPA)以及基于类间不稳定性波段优选(ISIC)算法的结果,提出“基于类间不稳定性-连续投影变换”(ISIC-SPA)的高光谱数据波段优选组合算法,实现油松失叶率敏感波段的提取。利用ISIC-SPA波段优选算法提取出的敏感波段为:466nm、522nm、618nm、702nm、714nm、950nm,通过偏最小二乘回归拟合(PLSR),构建单木尺度油毛虫危害程度识别模型:P=231.5840-0.0513*Band466-0.04 06*Band522-0.0717*Band618-0.0118*Band702-0.0 0 82*Band714-0.0052*Band950,模型拟合精度为78.9%。结果表明:本文提出的ISIC-SPA-PLSR机载高光谱数据单木尺度油松毛虫灾害程度识别方法可行有效。(2)样地尺度上,提出一种基于优化支持向量机的空谱分类方法,并将其应用于该尺度下的危害油松识别上。研究所提出的空谱分类方法主要利用边缘保持滤波算法,对基于支持向量机(SVM)光谱分类结果形成的初始概率图进行优化,依据概率最大化准则确定优化后的像元所属类别。在以高清CCD影像和高光谱图像PCA分解形成的假彩色图像作为引导图的两种情况下,分别应用联合双边滤波和引导滤波进行SVM概率优化,通过对比分析平均结构相似性,发现以高清CCD影像为引导图的基于引导滤波的优化支持向量机空谱分类算法的分类精度和危害油松分类精度分别达到:95.13%和90.21%,效果最好且优于原有SVM分类结果。结果表明:基于优化支持向量机的空谱分类方法能够有效地识别样地尺度危害油松范围。(3)构建基于植被指数的县域尺度油松毛虫灾害发生面积率监测模型。利用1990年-2016年(剔除未获取数据的2005年和2013年)共25年的Landsat TM/ETM+以及Landsat 8 OLI数据,运用随机森林分类方法,提取研究区各年油松面积(分类精度89.44%),计算油松毛虫发生面积率。通过其与各类植被指数的相关性分析,筛选出秋季指数(AI)、中红外比值指数(MIR)、水分胁迫指数(MSI)、归一化植被指数(NDVI)、第五波段归一化近红外指数(NDII5)和反射率吸收指数(RA)共6个指数参与模型构建。为更好地消除因子间多重共线性影响,采用基于变量二次筛选的逐步偏最小二乘回归拟合算法,构建县域尺度油松毛虫灾害发生面积率监测模型:Y=-16.0413-1.5442AI+6.7884MIR+10.7365MSI-5.8108NDVI+10.3746NDII5+9.8881RA,模型拟合精度为80.80%,能够满足实际应用需求。(4)构建基于气象因子的县域尺度油松毛虫危害发生面积率预测模型,并应用基于时间序列的气象因子短期预测数据,实现未来气候变化条件下的油松毛虫灾害发生面积预测。以三年平均气象数据为因变量,以油松毛虫发生面积率为自变量,通过因子相关性分析,确定平均温度(T)、极端最高温(HT)、极端最低温(LT),平均相对湿度(H)、降水量(P)、日照时数(S)和平均风速(W)进行模型拟合,并通过基于变量二次筛选的逐步偏最小二乘回归拟合算法,构建县域尺度油松毛虫灾害发生面积率预测模型为:Y=-13.0221+0.5481T+0.0381HT-0.0188H-0.0039P+0.0032S+0.2680W,模型拟合精度为81.17%。在此基础上,通过相关气象因子数据基于时间序列分析的未来预测,完成2017年-2021年的油松毛虫灾害发生面积率预测。结果显示:未来5年里,在无人为干预条件下,研究区油松毛虫灾害发生面积主要集中在轻度及中度危害范围,在2020年有上升趋势,需要提前做好防范。
朱程浩,瞿帅,张晓丽[7](2016)在《油松毛虫灾害遥感监测及其影响因子分析》文中指出辽宁西部大面积的油松(Pinus tabulaeformis)人工林长期受到油松毛虫(Dendrolimus tabulaeformis)的危害,通过遥感技术,可以及时、高效、精准地对此大面积灾害进行监测,并获知地形、气象因子对其的影响。本文利用遥感和地理信息系统(GIS)技术,使用TM、ETM+数据,通过近红外与红光波段反射率的比值RVI,对油松的受灾程度进行了有效监测。前人的研究发现:油松毛虫易在干燥、温暖的环境爆发,本文将监测分类结果与地形、气象数据叠加后,分析发现结果亦与油松毛虫的生物学特性相吻合,由此逆向证明了监测结果的可靠性。通过对影像灰度直方图的分析,发现近红外波段对轻度的虫害敏感;红光波段对重度的虫害敏感。对影响因子的分析发现:油松毛虫在阳坡,坡度缓的地区危害更剧烈;在日照时数长、降雨少、积温低的地区,油松的受灾程度更重。此结论为预测虫害爆发的概率提供了依据。本研究表明:在森林灾害的遥感工作中,利用监测对象的生物生态学特性,可以在实地调查数据不足,难以直接对监测结果进行评价的情况下,判断结果的可靠性。利用此方法,一定程度上可以减少调查的工作量,降低外业的难度。
宋雄刚,王鸿斌,张真,孔祥波,苗振旺,刘随存,李永福[8](2016)在《应用最大熵模型模拟预测大尺度范围油松毛虫灾害》文中指出【目的】探讨利用最大熵模型MaxEnt,基于油松毛虫暴发的历史灾情数据和相应的气象数据,对未来大尺度范围油松毛虫暴发区进行模拟和预测的可行性。【方法】以山西省2002—2011年的油松毛虫灾情数据和山西省2002—2011年的地面气象数据为基础,结合油松毛虫完成生活史不同发育阶段对不同气候因子的响应衍生出与油松毛虫灾害发生潜在相关的物候因子80个,运用主成分分析和逐步回归法从中筛选出与油松毛虫灾害发生相关性最高的前8个物候因子,即X29(10月份日均温<5℃的天数)、X43(7月平均湿度>75%的天数)、X54(3月平均风速)、X55(4,5,6月分平均风速)、X56(7,8月均风速)、X62(10月日均风速>10 m·s-1的天数)、X63(9月最大日均风速)、X67(4,5,6月总降雨量)。【结果】利用筛选出的8个物候因子,运用最大熵模型MaxEnt代入实际灾害发生数据进行训练模拟,并应用刀切法分析确立气象因子X43,X54和X55为灾害模型应用的最佳因子,其接受者操作特性曲线(ROC)检验结果即曲线下面积(AUC)值为0.820,标准差为0.019;最终利用该模型参数,对气候变化背景不同外排模式下未来油松毛虫灾害趋势进行预测,2050年2种外排模式(RCP4.5与RCP6.0)下灾害发生趋势变化不同,其中RCP4.5模式灾害发生将集中于北京、河北及河北与内蒙古交界处,RCP6.0模式在山西中南部灾害将会加强。【结论】MaxEnt模型对未来气候变化条件下油松毛虫害虫暴发区的准确模拟与预测具有潜在应用价值。
宋雄刚[9](2015)在《油松毛虫发生林分因子分析及气候情景模式下的灾害趋势预测》文中研究说明本文以长期对我国北方松林造成重大损失和威胁的本土性林业植食性昆虫—油松毛虫作为研究对象。根据油松毛虫的暴发频率和寄主的主要分布区域,在不同地方设置样地,对各样地进行抽样调查后分析其危害情况;同时采集不同时间、不用危害程度和不同地方的寄主针叶、林分土样分析碳、氮、含水量和针叶挥发物,分析其变化及其相互关系。然后,以油松毛虫北方生活史为基础,结合影响其生长发育的环境因子,运用不同的统计方法(典型相关和主成分分析)筛选和油松毛虫发生最相关的环境因子。最后,利用筛选的环境因子,结合油松毛虫近年来的灾害情况,运用物种潜在适生区模型对油松毛虫在北方的灾害分布进行模拟,并以模拟灾害、未来情景模式为基础对不同情景模式下未来油松毛虫的灾害趋势作预测分析。研究得出的结果如下:(1)寄主诱导的6种主要挥发物不同时期、不同危害程度和不同地点间都存在差异。(r)-(+)-α-蒎烯和莰烯含量在油松毛虫上树取食期与羽化产卵期之间存在显着差异,(r)-(+)-α-蒎烯,(s)-(-)-β-蒎烯和柠檬烯的含量和危害的严重程度呈现正相关关系;香叶烯,柠檬烯,β-石竹烯可能是异常的干旱诱导产生。(2)油松毛虫发生林分因子(碳、氮、含水量、针叶挥发物)随油松毛虫危害的不同阶段变化,风干土样含水量、针叶氮含量在不同时期差异显着。对于不同危害程度,针叶含水量、针叶氮含量随危害的加重表现出增加趋势,而针叶碳氮变化较土壤碳氮变化不明显。(3)主要的6种寄主挥发物和林分碳、氮、含水量之间存在相关关系,但这种相关性随挥发物的不同、林分参数的不同发生相应的变化。其中(r)-(+)-α-蒎烯,(s)-(-)-β-蒎烯和土壤参数表现显着正相关而莰烯则呈负相关。(4)以基础气象数据为基础,结合油松毛虫生活史各阶段的特征共衍生出环境因子73个,包括温度、风速和相对湿度,其中和油松毛虫灾害发生最相关的基础环境因子和极端环境因子中的前12个因子为:年平均温度、Ⅰ期平均温度、Ⅱ期平均温度、Ⅳ期平均温度、年均风速、Ⅰ期平均风速、年平均湿度、9月平均湿度、Ⅱ期平均湿度、Ⅲ期平均湿度、Ⅳ期平均湿度、Ⅱ期平均最高温和9月最高温。(5)Max Ent利用筛选后的环境因子能很好的模拟和预测油松毛虫的发生情况。未来油松毛虫的灾害发生在不同的外排情景下趋势不同,RCP2.6、RCP6.0和RCP8.5情景灾害趋势严重,且高风险区集中在山西五台山周围县市和河北承德等地,监测防治压力较大。不同气候模式在应用上因为参数的不同预测结果不同,以GFDL-ESM2M模式和其他模式的差异性最为显着。(6)结合油松毛虫生活史和环境因子本身动态变化寻找和松毛虫发生最相关的环境因子的方法有利于准确的联系松毛虫发生和环境因子的关系,运用环境因子在气候情景模式下的灾害趋势预测,能为气候变化背景下虫情的监测布点和防治策略的制定提供重要依据。
周广学,张国林,梁群[10](2012)在《气象条件对油松毛虫的影响及其预测模型的构建》文中研究说明根据油松毛虫(Dendrolimus tabulaeformis Tsai et Liu)越冬死亡率、发生量监测资料,运用统计分析方法,普查了影响油松毛虫活动的主要气象因子。以当年1月平均气温、2月最高气温、2月地面最高气温、1月地面平均最低气温及3月地面平均最高气温等气象因子建立了油松毛虫幼虫越冬死亡率预测模型,历史拟合率91.9%。以前1年8月下旬平均气温、前1年10月上旬降水量、前1年12月平均最高气温、当年1月中旬平均气温及当年4月上旬平均气温等气象因子建立了油松毛虫发生量预测模型,历史拟合率为88.2%。预报模型可以应用于防虫减灾工程。
二、太原地区油松毛虫发生规律及防治对策(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、太原地区油松毛虫发生规律及防治对策(论文提纲范文)
(1)干旱半干旱地区林业苗木春季病虫害防治措施——以定西地区的森林病虫害为例(论文提纲范文)
1 引发林业病虫害的主要原因及防治办法 |
1.1 引发林业病虫害的原因 |
1.2 林业病虫害防治技术 |
1.2.1 化学技术的应用 |
1.2.2 营林技术的应用 |
1.2.3 益鸟技术的应用 |
1.2.4 天敌技术的应用 |
1.2.5 营造混交林技术的应用 |
2 林业病虫害防治的常见办法 |
2.1 加大有害生物监测力度 |
2.2 加大检疫检查力度 |
3 定西地区油松毛虫生活习性及生长特性解析 |
4 定西地区油松毛虫成害的成因 |
4.1 引入树木种类构成不合理、不科学 |
4.2 定西地区树种结构不合理 |
4.3 使用农药不合理 |
5 定西地区森林病虫害防治应对措施 |
5.1 释放病虫害天敌 |
5.2 在森林里放置振频式杀虫灯或毒绳 |
5.3 合理使用化学药剂 |
5.4 不断完善森林的自控水平 |
6 结语 |
(2)油松病虫害发生特征及防治研究(论文提纲范文)
1 油松落针病 |
1.1 病原菌 |
1.2 危害症状 |
1.3 发病规律 |
1.4 防治方法 |
2 油松赤枯病 |
2.1 病原菌 |
2.2 危害症状 |
2.3 发病规律 |
2.4 防治方法 |
3 松针锈病 |
3.1 病原菌 |
3.2 危害症状 |
3.3 发病规律 |
3.4 防治方法 |
4 松材线虫病 |
4.1 病原 |
4.2 危害症状 |
4.3 发病规律 |
4.4 防治方法 |
5 红脂大小蠹 |
5.1 分布与寄主 |
5.2 危害特征 |
5.3 防治方法 |
6 油松毛虫 |
6.1 分布与寄主 |
6.2 危害特征 |
6.3 防治方法 |
7 微红梢斑螟 |
7.1 分布与寄主 |
7.2 危害特征 |
7.3 防治方法 |
8 日本松干蚧 |
8.1 分布与寄主 |
8.2 危害特征 |
8.3 防治方法 |
(3)基于单站地基激光雷达数据的油松失叶率定量估算研究(论文提纲范文)
摘要 |
ABSTRACT |
1. 绪论 |
1.1. 引言 |
1.1.1. 研究背景 |
1.1.2. 研究意义 |
1.2. 国内外研究进展 |
1.2.1. 森林病虫害遥感监测 |
1.2.2. 激光雷达技术与体素化 |
1.3. 研究目标和主要研究内容 |
1.3.1. 研究目标 |
1.3.2. 研究内容 |
1.4. 研究方法和技术路线 |
1.5. 研究拟解决的关键问题 |
1.5.1. 失叶率估测 |
1.5.2. 点云数据处理 |
1.6. 论文的组织结构 |
2. 研究区与数据 |
2.1. 研究区概况 |
2.1.1. 地理位置 |
2.1.2. 自然条件 |
2.1.3. 森林虫害状况 |
2.2. 数据获取 |
2.2.1. 样地设置 |
2.2.2. 点云数据获取 |
2.2.3. 点云数据预处理 |
2.2.4. 失叶率数据获取 |
3. 特征参数集构建与林木失叶程度分级 |
3.1. 方法 |
3.1.1. 分级标准 |
3.1.2. 特征构建 |
3.1.3. 特征选择 |
3.1.4. 精度评价 |
3.2. 结果 |
3.2.1. 特征选择 |
3.2.2. 精度评价 |
3.3. 讨论 |
3.3.1. 精度影响因素分析 |
3.3.2. 特征选择与分析 |
3.3.3. 与叶面积指数的比较 |
3.3.4. 样地尺度失叶程度分级 |
3.4. 小结 |
4. 等角扇形体素化方法设计与验证 |
4.1. 方法 |
4.1.1. 正方体体素化 |
4.1.2. 扇形体体素化 |
4.1.3. 体素化效果评价 |
4.2. 结果 |
4.2.1. 正方体体素化 |
4.2.2. 扇形体体素化 |
4.2.3. 失叶程度分级 |
4.3. 讨论 |
4.3.1. 扇形体体素化分析 |
4.3.2. 失叶率反演的影响因素分析 |
4.4. 小结 |
5. 基于体素化原理的林木失叶率估测 |
5.1. 方法 |
5.1.1. 基于线性回归的失叶率估测 |
5.1.2. 基于特定区间的失叶率估测 |
5.2. 结果 |
5.2.1. 基于线性回归的失叶率估测 |
5.2.2. 基于特定区间的失叶率估测 |
5.3. 讨论 |
5.3.1. 可应用性分析 |
5.3.2. 误差分析 |
5.4. 小结 |
6. 结论与讨论 |
6.1. 主要工作与结论 |
6.2. 创新点 |
6.3. 讨论 |
参考文献 |
个人简介 |
导师简介 |
获得成果目录 |
致谢 |
(4)森林病虫害数据可视分析方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 研究内容 |
1.3 技术路线 |
1.4 本文组织结构 |
第2章 相关研究工作 |
2.1 数据可视化研究现状及分析 |
2.1.1 数据可视化的发展 |
2.1.2 数据可视化的流程 |
2.1.3 数据可视化在各领域应用现状 |
2.1.4 多种数据可视化技术 |
2.1.4.1 时序数据可视化方法分析 |
2.1.4.2 时空数据可视化方法分析 |
2.1.4.3 高维数据可视化方法分析 |
2.1.4.4 文本数据可视化方法分析 |
2.1.4.5 可视化交互技术分析 |
2.1.4.6 混合可视化方法分析 |
2.2 森林病虫害研究现状及分析 |
2.2.1 森林病虫害发生特点和规律及预防措施 |
2.2.2 森林灾害统计指标体系的研究 |
2.2.3 森林病虫害监测 |
2.2.4 森林病虫害预测预报 |
2.2.5 导致森林病虫害发生的影响因子分析 |
2.2.5.1 林分结构对森林病虫害的影响 |
2.2.5.2 土壤因素对森林病虫害的影响 |
2.2.5.3 地貌因素对森林病虫害的影响 |
2.2.5.4 生物因素对森林病虫害的影响 |
2.2.5.5 气象因子对森林病虫害的影响 |
2.2.5.6 人为因素对森林病虫害的影响 |
2.3 森林病虫害数据分析概述 |
2.4 本章小结 |
第3章 森林病虫害数据特征分析 |
3.1 引言 |
3.2 森林病虫害数据体系结构 |
3.2.1 森林病虫害发生防治相关数据体系结构 |
3.2.2 森林病虫害发生环境相关数据体系结构 |
3.3 森林病虫害数据特点分析 |
3.4 森林病虫害数据可视分析关键问题 |
3.5 本章小结 |
第4章 面向森林病虫害数据的可视数据清洗方法 |
4.1 引言 |
4.2 数据质量与数据清洗 |
4.2.1 数据质量 |
4.2.1.1 数据质量的定义 |
4.2.1.2 数据质量问题的分类 |
4.2.1.3 数据质量问题的来源 |
4.2.2 数据清洗 |
4.2.2.1 数据清洗的定义 |
4.2.2.2 数据清洗的原理 |
4.2.2.3 常用数据清洗算法 |
4.2.2.4 数据清洗的一般过程 |
4.2.3 可视数据清洗 |
4.3 森林病虫害数据质量问题 |
4.4 森林病虫害数据清洗方案 |
4.4.1 数值型数据检测与清洗方法 |
4.4.2 文本型数据检测与清洗方法 |
4.4.2.1 文本型数据的相似检测与清洗策略 |
4.4.2.2 文本型数据的相似匹配方法 |
4.4.2.2.1 Jaro-Winkler距离 |
4.4.2.2.2 改进Jaro-Winkler距离 |
4.4.2.2.3 改进算法数值分析 |
4.5 可视数据清洗方法的设计思路 |
4.5.1 可视数据清洗方法的主要功能 |
4.5.2 可视数据清洗方法的清洗过程 |
4.5.3 规则库和算法库 |
4.6 可视数据清洗方法的设计 |
4.6.1 森林病虫害数据可视清洗任务需求 |
4.6.2 可视数据清洗方法设计原则 |
4.6.3 可视数据清洗方法采用的可视化技术 |
4.6.3.1 数据异常检测可视化 |
4.6.3.2 交互设计 |
4.7 可视数据清洗方法的应用和效果分析 |
4.7.1 可视数据清洗方法的应用 |
4.7.1.1 错误数据可视清洗 |
4.7.1.2 不完整数据可视清洗 |
4.7.2 可视数据清洗方法的效果分析 |
4.8 本章小结 |
第5章 面向森林病虫害发生数据的聚类可视分析 |
5.1 引言 |
5.2 权值均分有序树图布局算法研究 |
5.2.1 树图简介 |
5.2.2 典型树图布局算法 |
5.2.3 权值均分有序树图布局算法 |
5.2.3.1 算法描述 |
5.2.3.2 示例说明 |
5.2.4 实验评估与分析 |
5.2.4.1 评价指标 |
5.2.4.2 实验说明 |
5.2.4.3 实验结果及分析 |
5.3 基于引力场的平行坐标聚类边绑定分析方法 |
5.3.1 平行坐标聚类绑定方法分析 |
5.3.2 基本平行坐标绘制 |
5.3.3 基于引力场的平行坐标边绑定设计 |
5.3.3.1 聚类中心控制点 |
5.3.3.2 簇内引力场绑定 |
5.3.3.3 算法实现流程 |
5.3.3.4 不透明度视觉增强设计 |
5.3.4 基于引力场的平行坐标边绑定绘制 |
5.4 森林病虫害发生数据聚类可视化设计 |
5.4.1 数据聚类可视化需求分析 |
5.4.2 数据聚类可视分析管线 |
5.4.3 数据的降维与聚类 |
5.4.4 数据聚类可视化技术 |
5.4.5 数据聚类可视化交互设计 |
5.5 案例研究 |
5.6 用户反馈 |
5.6.1 可视化设计 |
5.6.2 可用性评价 |
5.6.3 相关建议 |
5.7 本章小结 |
第6章 基于多视图协同的可配置森林病虫害数据分析 |
6.1 引言 |
6.2 多视图协同的可配置模型 |
6.2.1 可配置模型建模 |
6.2.2 可配置模型的一致性约束 |
6.3 基于多视图可配置模型的可视化设计 |
6.3.1 病虫害发生防治相似场景可视需求分析 |
6.3.2 病虫害发生防治相似场景可视设计方案 |
6.3.2.1 可视分析管线 |
6.3.2.2 多视图协同可视分析模板 |
6.3.2.3 配色方案 |
6.3.3 病虫害发生防治可视化技术 |
6.3.3.1 病虫害发生随时间变化 |
6.3.3.2 病虫害相邻年份发生面积比较 |
6.3.3.3 病虫害发生严重程度随时间变化 |
6.3.3.4 各地区病虫害发生随时间变化 |
6.3.3.5 病虫害发生在地域上的分布 |
6.3.3.5.1 Choropleth地图 |
6.3.3.5.2 邮票地图 |
6.3.3.6 病虫害发生地区间比较 |
6.4 案例研究 |
6.4.1 数据来源 |
6.4.2 案例1:森林病虫害发生情况分析 |
6.4.2.1 森林病虫害发生面积随时间变化情况分析 |
6.4.2.2 某一年份森林病虫害发生情况分析 |
6.4.2.3 单个地区病虫害发生情况分析 |
6.4.3 案例2:森林病虫害防治情况分析 |
6.4.3.1 森林病虫害防治面积随时间变化情况分析 |
6.4.3.2 某一年份森林病虫害防治情况分析 |
6.4.3.3 单个地区病虫害防治情况分析 |
6.5 用户反馈 |
6.5.1 可视化设计 |
6.5.2 可用性评价 |
6.5.3 相关建议 |
6.6 讨论 |
6.7 本章小结 |
第7章 基于层次关联交互模型的森林病虫害数据可视分析 |
7.1 引言 |
7.2 层次关联交互模型 |
7.2.1 层次关联交互模型建模 |
7.2.2 层次间的交互约束 |
7.3 层次关联森林病虫害数据可视化设计 |
7.3.1 层次关联森林病虫害需求分析 |
7.3.2 层次关联森林病虫害可视化设计方案 |
7.3.2.1 可视分析管线 |
7.3.2.2 总体概览 |
7.3.2.3 配色方案 |
7.3.3 层次关联森林病虫害数据可视化技术 |
7.3.3.1 基于标签云的病虫害种类视图 |
7.3.3.2 不同地区各等级病虫害发生分布视图 |
7.3.3.2.1 基于环形堆栈图的可视化方法 |
7.3.3.2.2 基于雷达图的可视化方法 |
7.3.3.3 病虫害发生防治关系视图 |
7.3.3.4 病虫害发生在不可标注地域的分布视图 |
7.3.3.5 病虫害发生严重程度随时间变化视图 |
7.3.3.6 病虫害在各地区随时间动态变化视图 |
7.3.4 可视化相关辅助设计 |
7.3.4.1 地区和病虫害种类选择器 |
7.3.4.2 交互设计 |
7.4 案例研究 |
7.4.1 研究区概况 |
7.4.2 数据来源 |
7.4.3 案例1:病虫害发生防治总体情况分析 |
7.4.4 案例2:某种病虫害发生防治总体情况分析 |
7.4.5 案例3:某地区病虫害发生防治情况分析 |
7.4.6 案例4:某地区某病虫害发生防治情况分析 |
7.5 用户反馈 |
7.5.1 可视化设计 |
7.5.2 可用性评价 |
7.5.3 相关建议 |
7.6 讨论 |
7.7 本章小结 |
第8章 基于MCMVLR模型的森林病虫害影响因子可视分析 |
8.1 引言 |
8.2 多组合多元线性回归模型 |
8.3 基于MCMVLR模型的可视化设计 |
8.3.1 森林病虫害影响因子可视化需求分析 |
8.3.2 森林病虫害影响因子可视化设计方案 |
8.3.2.1 可视分析管线 |
8.3.2.2 数据流模型 |
8.3.2.3 总体概览 |
8.3.3 森林病虫害影响因子数据可视化技术 |
8.3.3.1 数据分析模块 |
8.3.3.1.1 数据集统计量表 |
8.3.3.1.2 数据集分布度量 |
8.3.3.1.3 属性间相关关系度量 |
8.3.3.1.4 属性间相关关系评价 |
8.3.3.2 多元线性回归分析模块 |
8.3.3.2.1 研究变量选择 |
8.3.3.2.2 归一化方法选择 |
8.3.3.2.3 多组合线性回归分析 |
8.3.3.2.4 预测分析 |
8.3.4 可视分析交互设计 |
8.4 案例分析 |
8.4.1 案例1:云杉矮槲寄生在天然云杉林内的发病因子分析 |
8.4.2 案例2:气象因子对红脂大小蠹发生的影响分析 |
8.5 用户反馈 |
8.5.1 可视化设计 |
8.5.2 可用性评价 |
8.5.3 相关建议 |
8.6 本章小结 |
第9章 森林病虫害数据可视分析系统设计与实现 |
9.1 引言 |
9.2 可视分析系统需求分析 |
9.2.1 系统架构需求分析 |
9.2.2 系统功能需求分析 |
9.3 可视分析系统架构设计 |
9.3.1 架构设计原则 |
9.3.2 系统架构设计 |
9.3.3 系统设计模式 |
9.3.4 功能结构设计 |
9.4 技术选型和数据获取 |
9.4.1 系统开发和运行环境 |
9.4.2 实现技术 |
9.4.3 数据获取 |
9.4.4 数据库构建 |
9.5 可视分析系统实现 |
9.5.1 可视数据清洗模块 |
9.5.2 森林病虫害发生防治情况可视分析模块 |
9.5.2.1 森林病虫害发生和防治情况可视分析模块 |
9.5.2.2 森林病虫害发生情况聚类可视分析模块 |
9.5.2.3 森林病虫害发生防治关联分析模块 |
9.5.3 森林病虫害影响因子可视分析模块 |
9.6 本章小结 |
第10章 总结与展望 |
10.1 研究工作总结 |
10.2 研究工作展望 |
参考文献 |
个人简介 |
导师简介 |
获得成果目录 |
致谢 |
(5)油松毛虫性诱技术优化及其幼虫空间格局研究(论文提纲范文)
摘要 |
ABSTRACT |
1 引言 |
1.1 松毛虫的相关研究 |
1.1.1 松毛虫的种类及分布 |
1.1.2 松毛虫的危害特点 |
1.1.3 松毛虫的防治方法 |
1.1.4 油松毛虫的相关研究 |
1.2 松毛虫性信息素研究 |
1.2.1 其他松毛虫性信息素研究 |
1.2.2 油松毛虫性信息素研究 |
1.3 性引诱剂的应用 |
1.3.1 在其他昆虫防治上应用 |
1.3.2 在松毛虫防治上应用 |
1.4 性引诱剂应用过程中存在的问题 |
1.4.1 防治应用 |
1.4.2 性信息素大面积推广 |
1.4.3 性信息素鉴定 |
1.4.4 其他 |
1.5 昆虫空间格局的研究 |
1.5.1 昆虫空间格局的研究方法 |
1.5.2 地统计学在昆虫空间分布格局的应用 |
1.5.3 油松毛虫幼虫空间分布格局的以往研究 |
1.6 本研究的目的与出发点 |
1.7 研究的总体思路与主要内容 |
2 油松毛虫性引诱剂的应用技术优化 |
2.1 试验地概况 |
2.2 试验材料 |
2.2.1 诱芯 |
2.2.2 诱捕器 |
2.2.3 油松毛虫雄成虫 |
2.2.4 其他工具 |
2.3 试验方法 |
2.3.1 不同形状诱捕器的诱虫量比较 |
2.3.2 不同颜色诱捕器的诱虫量比较 |
2.3.3 不同悬挂高度诱捕器的诱虫量比较 |
2.3.4 将不同诱捕器形状、颜色、悬挂高度组合及其诱虫量比较 |
2.3.5 油松毛虫诱芯的残效期 |
2.3.6 油松毛虫诱芯的诱捕半径 |
2.3.7 数据统计分析 |
2.4 结果与分析 |
2.4.1 不同形状诱捕器的诱虫量比较 |
2.4.2 不同颜色诱捕器的诱虫量比较 |
2.4.3 不同悬挂高度诱捕器的诱虫量比较 |
2.4.4 不同组合诱捕器的诱虫量比较 |
2.4.5 油松毛虫诱芯的持效期 |
2.4.6 油松毛虫诱芯的诱捕距离 |
2.5 小结与讨论 |
2.5.1 小结 |
2.5.2 关于不同形状诱捕器的诱虫量讨论 |
2.5.3 关于不同颜色诱捕器的诱虫量讨论 |
2.5.4 关于不同悬挂高度诱捕器的诱虫量讨论 |
2.5.5 关于不同组合诱捕器的诱虫量讨论 |
3 油松毛虫性诱技术诱捕效率评价 |
3.1 试验地概况 |
3.2 试验材料 |
3.2.1 试验工具 |
3.2.2 室内饲养昆虫 |
3.2.3 林间诱捕昆虫 |
3.3 试验方法 |
3.3.1 实验室解剖观察交尾前后松毛虫雄成虫生殖系统 |
3.3.2 林间诱捕到的松毛虫雄成虫交尾与否的解剖观察 |
3.4 结果与分析 |
3.4.1 实验室解剖交尾前后松毛虫雄成虫生殖系统图比较 |
3.4.2 林间诱捕到的松毛虫雄成虫交尾与否的统计分析 |
3.5 小结与讨论 |
4 油松毛虫幼虫的空间分布格局研究 |
4.1 试验地概况 |
4.2 试验材料 |
4.3 试验方法 |
4.3.1 标准地内每棵树的横纵坐标调查 |
4.3.2 标准地内每棵树的幼虫虫口调查 |
4.3.3 数据处理与分析 |
4.4 试验结果与分析 |
4.4.1 标准地的基本情况统计 |
4.4.2 油松毛虫幼虫的垂直分布 |
4.4.3 油松毛虫幼虫的空间分布分析 |
4.5 小结与讨论 |
4.5.1 小结 |
4.5.2 讨论 |
5 结论与讨论 |
5.1 结论 |
5.1.1 关于油松毛虫性引诱剂的应用技术的优化 |
5.1.2 关于油松毛虫性诱技术诱捕效率评价 |
5.1.3 油松毛虫幼虫的空间分布格局研究 |
5.2 讨论 |
5.2.1 油松毛虫性引诱剂的应用技术的优化 |
5.2.2 油松毛虫性诱技术林间诱捕效率评价 |
5.2.3 油松毛虫幼虫的空间分布格局研究 |
6 总结与展望 |
6.1 全文总结 |
6.2 研究展望 |
参考文献 |
个人简介 |
导师简介1 |
导师简介2 |
获得成果目录 |
致谢 |
(6)油松毛虫灾害发生多尺度遥感监测与预测(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.2 森林病虫害遥感监测研究现状 |
1.2.1 基于地面非成像高光谱数据的森林病虫害监测 |
1.2.2 基于成像高光谱数据的森林病虫害监测 |
1.2.3 基于植被指数变化分析的森林病虫害监测 |
1.2.4 气候变化响应下的森林病虫害预测 |
1.3 课题来源 |
1.4 研究目标、研究内容及技术路线 |
1.4.1 研究目标 |
1.4.2 研究内容和技术路线 |
1.5 论文组织结构 |
2 试验方案、数据获取与预处理 |
2.1 试验区概况 |
2.2 试验方案 |
2.2.1 基于机载成像高光谱数据的单木尺度油松毛虫灾害程度识别 |
2.2.2 基于机载成像高光谱数据及高清影像的样地尺度油松毛虫危害木识别 |
2.2.3 基于星载遥感影像的县域尺度油松毛虫虫灾监测及预测 |
2.3 野外试验数据获取及预处理 |
2.3.1 地面光谱数据获取及预处理 |
2.3.2 机载近地遥感数据获取及预处理 |
2.3.3 失叶率数据获取 |
2.3.4 其他相关数据获取 |
2.4 卫星遥感数据获取及预处理 |
2.5 其他辅助数据获取 |
2.5.1 二类调查数据 |
2.5.2 历史气象数据 |
2.6 本章小结 |
3 基于机载成像高光谱数据的单木尺度油松毛虫灾害程度识别 |
3.1 成像高光谱数据预处理 |
3.1.1 光谱平滑 |
3.1.2 多元散射校正 |
3.2 高光谱数据的波段优选 |
3.2.1 主成分分析 |
3.2.2 连续投影算法 |
3.2.3 基于类间不稳定性的波段优选 |
3.3 油松毛虫灾害识别模型构建及其精度评价 |
3.3.1 偏最小二乘回归法 |
3.3.2 模型性能评价参数 |
3.4 波段优选及油松毛虫灾害程度识别结果 |
3.4.1 波段优选结果分析 |
3.4.2 灾害程度识别结果与分析 |
3.5 本章小结 |
4 基于机载成像高光谱数据及高清影像的样地尺度油松毛虫危害木识别 |
4.1 基于支持向量机的近地高光谱影像分类 |
4.1.1 支持向量机 |
4.1.2 核函数及其核参数选择 |
4.1.3 结果对比与分析 |
4.2 图像滤波算法原理 |
4.2.1 联合双边滤波 |
4.2.2 引导滤波 |
4.3 基于优化支持向量机空谱分类的危害油松识别 |
4.3.1 空谱分类框架构建 |
4.3.2 不同滤波算法结果分析 |
4.3.3 样地尺度危害油松识别 |
4.4 本章小结 |
5 基于星载遥感影像的县域尺度油松毛虫灾害监测及预测 |
5.1 基于FOREST_RI模型的油松林提取 |
5.1.1 特征参数选取 |
5.1.2 基于Forest_RI模型的油松林提取 |
5.2 基于植被指数的油松毛虫发生面积监测模型构建 |
5.2.1 油松毛虫灾害发生面积影响因子提取 |
5.2.2 油松毛虫发生面积监测模型构建及精度分析 |
5.3 气候变化背景下的油松毛虫灾害发生面积预测模型构建 |
5.3.1 基于气象因子的油松毛虫灾害发生面积率预测模型构建 |
5.3.2 基于未来气象因子预测的油松毛虫灾害发生面积率预测 |
5.4 本章小结 |
6 结论、创新点与展望 |
6.1 研究主要工作及结论 |
6.2 研究特色及主要创新点 |
6.3 下一步研究展望 |
参考文献 |
个人简介 |
导师简介 |
获得成果目录 |
致谢 |
(8)应用最大熵模型模拟预测大尺度范围油松毛虫灾害(论文提纲范文)
1 材料与方法 |
1.1 研究区概况 |
1.2 松毛虫灾害数据 |
1.3 物候数据 |
1.3.1 物候因子衍生 |
1.3.2 物候因子数据及其筛选 |
1.3.3 Max Ent模拟预测数据层 |
1.4 Max Ent模拟训练 |
1.4.1 模型训练 |
1.4.2 模型预测检验 |
1.4.3 未来灾害趋势模拟 |
2 结果与分析 |
2.1 模型训练 |
2.2 检验预测 |
2.3 未来气候情景趋势预测 |
3 结论与讨论 |
3.1 结论 |
3.2 讨论 |
(9)油松毛虫发生林分因子分析及气候情景模式下的灾害趋势预测(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 松毛虫简述 |
1.1.1 油松毛虫生物学 |
1.1.2 油松毛虫种群动态变化规律 |
1.1.3 影响油松毛虫种群动态的因素 |
1.1.4 油松毛虫灾害 |
1.2 寄主植物对油松毛虫的防御机制 |
1.2.1 寄主植物碳、氮、水含量与松毛虫的关系 |
1.2.2 寄主植物挥发物与松毛虫的关系 |
1.2.3 诱导寄主挥发物与林分碳、氮和含水量的相互关系 |
1.3 气候变化与林业有害生物之间的关系 |
1.3.1 全球气候变化 |
1.3.2 我国气候变化特点 |
1.3.3 气候变化对昆虫的影响 |
1.3.4 气候变化-寄主植物-昆虫的关系 |
1.3.5 气候情景模式的发展 |
1.3.6 预测模型在研究气候变化对昆虫影响中的应用 |
1.4 提出问题 |
1.5 技术路线 |
第二章 不同受害油松林分参数和针叶主要挥发物分析 |
2.1 引言 |
2.2 材料和方法 |
2.2.1 样地设置 |
2.2.2 试验方法 |
2.3 数据分析 |
2.4 结果与分析 |
2.4.1 油松毛虫种群动态 |
2.4.2 松针挥发物主要成分 |
2.4.3 寄主挥发物在油松毛虫不同活动期的变化 |
2.4.4 不同危害程度松针诱导挥发物差异比较 |
2.4.5 不同地方油松林挥发物分析 |
2.4.6 油松毛虫不同活动阶段寄主林分碳、氮、含水量比较 |
2.4.7 寄主挥发物与林分参数相关性分析 |
2.5 小结 |
第三章 影响油松毛虫灾害发生相关环境因子筛选 |
3.1 引言 |
3.2 研究区域与数据 |
3.2.1 研究区域 |
3.2.2 数据资料来源 |
3.3 研究方法及步骤 |
3.3.1 衍生环境因子 |
3.3.2 虫情灾害数据资料 |
3.3.3 环境因子筛选 |
3.4 结果及分析 |
3.4.1 衍生的环境因子 |
3.4.2 衍生因子典型相关性分析 |
3.4.3 衍生因子的主成分分析 |
3.4.4 筛选环境因子的Correl函数分析 |
3.5 小结 |
第四章 不同气候模式油松毛虫灾害发生趋势预测 |
4.1 引言 |
4.2 材料与方法 |
4.2.1 研究区概况 |
4.2.2 松毛虫灾害数据 |
4.2.3 研究区环境数据 |
4.2.4 环境数据预处理 |
4.2.5 MaxEnt模拟训练 |
4.2.6 油松毛虫未来灾害趋势预测 |
4.2.7 数据分析工具 |
4.3 结果及分析 |
4.3.1 模型训练 |
4.3.2 模拟准确性检验 |
4.3.3 不同外排情景模式预测结果 |
4.3.4 不同气候模式差异比较 |
4.3.5 不同外排情景比较 |
4.3.6 不同时间阶段分析 |
4.4 小结 |
第五章 结论与建议 |
5.1 结论与讨论 |
5.2 建议 |
参考文献 |
在读期间研究 |
致谢 |
(10)气象条件对油松毛虫的影响及其预测模型的构建(论文提纲范文)
1 资料与方法 |
1.1 资料来源 |
1.2 分析方法 |
2 结果与分析 |
2.1 气象条件对松毛虫虫态的影响 |
2.1.1 幼虫上树 |
2.1.2 幼虫化蛹 |
2.1.3 幼虫下树 |
2.1.4 幼虫越冬期 |
2.2 油松毛虫越冬死亡率预报模型 |
2.2.1 越冬死亡率与气象因子 |
2.2.2 越冬死亡率预报模型 |
2.3 油松毛虫发生量预报模型 |
2.3.1 生长期适宜气象因子 |
2.3.2 发生量预报模型 |
3 结束语 |
四、太原地区油松毛虫发生规律及防治对策(论文参考文献)
- [1]干旱半干旱地区林业苗木春季病虫害防治措施——以定西地区的森林病虫害为例[J]. 张少华. 种子科技, 2021(10)
- [2]油松病虫害发生特征及防治研究[J]. 王敬贤,王建军. 辽宁林业科技, 2021(01)
- [3]基于单站地基激光雷达数据的油松失叶率定量估算研究[D]. 霍朗宁. 北京林业大学, 2019
- [4]森林病虫害数据可视分析方法研究[D]. 杨波. 北京林业大学, 2019(04)
- [5]油松毛虫性诱技术优化及其幼虫空间格局研究[D]. 王胜梅. 北京林业大学, 2018(04)
- [6]油松毛虫灾害发生多尺度遥感监测与预测[D]. 张凝. 北京林业大学, 2017(04)
- [7]油松毛虫灾害遥感监测及其影响因子分析[J]. 朱程浩,瞿帅,张晓丽. 遥感学报, 2016(04)
- [8]应用最大熵模型模拟预测大尺度范围油松毛虫灾害[J]. 宋雄刚,王鸿斌,张真,孔祥波,苗振旺,刘随存,李永福. 林业科学, 2016(06)
- [9]油松毛虫发生林分因子分析及气候情景模式下的灾害趋势预测[D]. 宋雄刚. 中国林业科学研究院, 2015(06)
- [10]气象条件对油松毛虫的影响及其预测模型的构建[J]. 周广学,张国林,梁群. 东北林业大学学报, 2012(11)