（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。

[1] [2]  下一页