奇異交叉譜分析方法在中國南方稻縱卷葉螟發生預測中的應用*

高文婷，陳心怡，包云軒**，王 琳，謝曉金，陸明紅

?

奇異交叉譜分析方法在中國南方稻縱卷葉螟發生預測中的應用*

高文婷1，陳心怡1，包云軒1**，王 琳1，謝曉金1，陸明紅2

（1.南京信息工程大學氣象災害預報和評估協同創新中心/江蘇省農業氣象重點實驗室，南京 210044；2.農業部全國農業技術推廣與服務中心，北京 100125）

利用奇異交叉譜分析方法（SCSA），對中國南方水稻主產區中廣西全州、重慶秀山、湖南湘陰和江蘇張家港4個代表站點1994-2014年稻縱卷葉螟田間逐日趕蛾量資料和與4站蟲量相關性最顯著的環流因子進行耦合周期分析，通過重建耦合分量序列（RCCS）對分量序列的時間變化特征進行探討，并采用SCSA-AR方法對稻縱卷葉螟發生量進行外推預測。結果表明：預測結果與實際情況基本吻合。對預測平均誤差（ME）、平均絕對誤差（MAE）、均方根誤差（RMSE）及預測值與實況值的符號相關率（RSC）進行計算，4站綜合平均的ME為-0.071、MAE為0.349、RMSE為0.446、RSC為0.75，表明預測誤差較小，預測序列較穩定，預報精度較高，可將此方法推廣應用于中國南方稻區稻縱卷葉螟的發生趨勢預測。

大氣環流因子；耦合振蕩；重建耦合分量序列；自回歸分析；蟲量發生預測

稻縱卷葉螟（Guenee）是一種具有遠距離遷飛習性的水稻害蟲，成蟲喜趨向嫩綠茂密、濕度大的稻田，白天多隱伏于葉背，晚上活動（或遷飛），具夜間趨光性，并且有較強的遷飛和再遷飛能力，能夠經過幾個夜晚的多次飛行實現遠距離轉移[1]，20世紀 70 年代以來，在中國南方大部分稻區連年大發生，于每年3月開始從中南半島向中國境內遷入并隨季節逐漸向北遷移，對華南、西南、江嶺、江淮等稻區的水稻造成危害，影響水稻的正常生長發育，并導致產量下降。華南稻區是中國稻縱卷葉螟危害的常發區和重發區，廣西全州站位于該區域的西部，由于地處湘桂走廊且位于中國中東部稻縱卷葉螟從境外遷入或從境內遷向境外的主徑上，其春、夏季蟲源主要來自中南半島，秋季蟲源主要來自江嶺稻區，每年3月中、下旬燈下和田間始見，10月中、下旬終見，發生7～8代，是造成當地水稻產量損失的主要蟲害之一。重慶秀山位于西南稻區的中東部，主要種植單季中稻，生長季為4-8月，該站位于稻縱卷葉螟的常發區，常年發生4代，發生期為4月中下旬-8月中下旬，每年稻縱卷葉螟的危害都給當地水稻帶來一定產量損失。湖南湘陰站位于江嶺稻區的中部，由于其優越的生存環境和有利的氣候條件而成為中國稻縱卷葉螟發生最頻繁、危害最嚴重的地區之一，該站稻縱卷葉螟常年5月始見、10月終見，發生6～7代，全年對水稻產量造成的損失僅次于稻飛虱。江蘇張家港站位于長江中下游稻區的東部，地處長江南岸，種植單季稻，大田生長季為6月初-10月中旬，該站也位于稻縱卷葉螟的常發區和重發區內，常年6月中、下旬始見，9月中旬終見，發生3～4代，20世紀70-80年代曾出現過一輪大發生高發期，2003年以來，大發生頻率快速上升，至2014年，12a中竟有6a大發生，給當地水稻生產帶來了巨大損失。就全國而言，不同年份、不同稻區稻縱卷葉螟的發生程度、各代及其蟲態歷期、造成的產量損失因當地天氣、氣候條件而異，但影響其發生的大氣環流背景有諸多的相似性、周期性。因此，根據稻縱卷葉螟蟲害的發生量與影響因素之間的相關性、變化特征相似性和周期性建立預測模型，找出它們之間的耦合周期規律，對于準確預測稻縱卷葉螟未來的發生趨勢，及時采取防控措施，減少水稻產量損失，保障國家糧食安全具有重要意義。

遷飛性害蟲的遷入和發生是一個極其復雜的過程，它不僅與害蟲本身的生物學特性、寄主種植制度和生育進程、種植區地理環境等有關，還與氣象條件息息相關[2]。稻縱卷葉螟的遷入發生量受高空氣流、溫度、濕度及地面溫度、濕度、降水、光照等氣象條件的綜合影響[3-4]，而高空環流形勢對高空氣流運行、地面氣象條件及其產生的地面天氣、氣候過程有著十分重要的影響。因此，稻縱卷葉螟的遷入發生與大氣環流特征量有著密切的遙相關關系[5-8]。氣象學者和昆蟲學者都對稻縱卷葉螟發生預報作過大量研究，對蟲害進行了短、中、長不同時效的定量預測[9-12]。Mills等[13]對西太平洋海面上方10～1500m風溫場結構進行分析后發現，在溫帶地區夏季盛行風對水稻遷飛性害蟲和其它害蟲的北遷產生影響，同樣，準靜止鋒位置的波動也會引起各蟲源地害蟲的大規模起飛和每個階段遷出和遷入蟲量的變化。而于彩霞等[14]的研究也證實了高空大氣環流形勢對遷飛性害蟲發生有很好的指示作用，副高類和極渦類環流特征量對全國稻飛虱的發生影響非常顯著。500hPa大氣環流系統（如副熱帶高壓）通過其面積大小、強度變化、脊線位置和北界位置影響稻縱卷葉螟的遷入，且與稻縱卷葉螟發生的高峰期和高峰期蟲量呈顯著正相關[15]。

交叉譜分析法（SSA）是一種建立在Fourier變換理論基礎上的譜分析方法，汪四水[16]曾將SSA方法應用于篩選稻縱卷葉螟發生量的預報因子，但其所揭示的信息較為單一，對于弱耦合信號的分辨率較低，因此具有一定的局限性。1999年，丁裕國等[17]提出了奇異交叉譜（Singular Cross Spectral Analysis, SCSA）的分析方法，該方法以頻域耦合振蕩信號分析為目標，通過時頻域相結合的方式，可以準確識別兩個時間序列之間的耦合振蕩信號。余錦華等[18]應用SCSA分析方法，對Nino區SST與SOI進行了耦合振蕩信號及其預測試驗研究，取得了較理想的效果。但目前在病蟲害預測預報研究領域，應用SCSA 分析方法進行預測的研究還未見報道，SCSA比SSA可以獲得更為強化的耦合振蕩信號，更加適合研究兩個時間序列耦合周期振蕩行為，對提高病蟲害預測預報的準確性將十分有益。

為了提高中國稻縱卷葉螟發生的中長期預測水平，為水稻遷飛性害蟲的災變預警和防控提供決策依據，本文從南方水稻主產區選擇4個代表性植保站，收集其歷史趕蛾量數據及早期全球大氣環流特征量資料，分析其相關性，篩選出兩者呈顯著相關關系的因子，利用SCSA方法，通過重建耦合分量序列（RCCS）對分量序列的時變特征進行探討，并采用SCSA-AR方法對稻縱卷葉螟發生量進行外推預測，定量分析該方法的誤差、穩定性和準確度，旨在將該方法推廣應用于中國南方稻區稻縱卷葉螟的發生預測。

1 資料與方法

1.1 資料來源

1.1.1 蟲情資料

考慮到資料的完整性和空間上的代表性，從中國南方水稻主產區中選取廣西全州、重慶秀山、湖南湘陰和江蘇張家港4個國家基準病蟲測報站作為代表站點，資料年份為1994-2014年。4個站點的趕蛾起始日和終止日根據當地水稻生育期、稻縱卷葉螟遷入的歷史最早始見期和最晚終見期來確定，如全州每年從3月1日開始，10月31日結束；秀山站4月1日-8月31日；湘陰站5月1日-10月31日；張家港站6月1日-9月31日。各站每年趕蛾起始日-終止日期間均以逐日趕蛾量計數。

1.1.2 大氣環流特征量資料

由國家氣象信息中心提供的1993-2014年逐月全球74項大氣環流特征量，主要包括5大類，即副熱帶高壓強度與位置（1-45）、極渦強度和位置（46-57）、環流型及環流指數（58-64）、槽的位置（65-69）和其他類（70-74）。具體特征量見表1。

表1 74項大氣環流特征量指數

（續表）

1.2 數據處理

1.2.1 數據預處理

將稻縱卷葉螟趕蛾量逐日數據處理成以月為時間單位的發生量累計值并取對數，得到預報對象的歷史數據序列。為了消除年周期和長期趨勢，對上述所選蟲量數據和大氣環流指數資料均進行Z-score標準化預處理。標準化公式為

z=（x-μ）/σ （1）

式中，z為標準化后數據，x為原數據，μ為平均值，σ為標準差。

1.2.2 預報時段和預報因子的選擇

分析1994-2014年各站日趕蛾量數據發現，廣西全州站稻縱卷葉螟歷年發生的最早始見期從3月開始（播種期），最晚終見期在10月結束，即水稻齊穗期，之后因稻縱卷葉螟取食趨嫩綠習性而主動遷出，因此，選用1994-2013年期間每年3-10月趕蛾量數據作為歷史樣本分析建模，選用2014年3-10月資料作為獨立樣本檢驗預測效果；秀山站始見期在4月（移栽期），終見期在8月（乳熟期），故選用1994-2013年每年4-8月趕蛾數據作為歷史樣本分析建模，用2014年4-8月資料作為獨立樣本檢驗預測效果；湘陰站始見期在5月（插秧期），終見期在10月（成熟期），故以1994-2013年逐年5-10月趕蛾數據分析建模，用2014年5-10月資料作為獨立樣本檢驗預測效果；張家港站始見期在6月（插秧期），終見期在9月（黃熟期），故用1994-2013年逐年6-9月趕蛾數據分析建模，用2014年6-9月資料作為獨立樣本檢驗預測效果。

將全州、秀山、湘陰和張家港4站經處理后的稻縱卷葉螟逐月發生量和74項大氣環流指數進行相關性分析。結果表明，全州站稻縱卷葉螟發生量與北非副高北界（20°W-60°E）的相關系數最高，達0.7977；秀山站稻縱卷葉螟發生量與北半球極渦中心強度（JQ）的相關系數最高，達0.7753；湘陰站稻縱卷葉螟發生量與北非副高北界（20°W-60°E）的相關系數最高，達0.7720；張家港站稻縱卷葉螟發生量與北美副高脊線（110°W-60°W）的相關系數最高，達0.6389，且4站均通過0.01置信水平的顯著性檢驗。據此，選取北非副高北界（20°W-60°E）、北半球極渦中心強度（JQ）、北非副高北界（20°W-60°E）和北美副高脊線指數（110°W-60°W）分別作為全州、秀山、湘陰和張家港4站稻縱卷葉螟逐月發生量的預報因子。

1.3 分析方法簡介

奇異交叉譜分析（SCSA）[19]以頻域耦合振蕩信號分析為目標，通過時域和頻域相結合的方式，識別兩個時間序列之間的耦合振蕩信號的方法，能夠揭示各耦合分量在時間域上F的變動，具體原理和方法參見文獻[17]，根據序列準周期信號的識別方法，可以從前4對特征向量中提取出2種顯著周期信號，分析其周期長度、相關系數及其方差貢獻。而SCSA的另一個功能是能夠通過重建耦合分量序列（Reconstructed Coupled Component Sequence, RCCS），分別對4個站的數據進行重建，計算得到新的合成序列，從而進行稻縱卷葉螟發生時間序列的預測。最后結合自回歸（Autoregressive, AR）分析方法對4個站稻縱卷葉螟中長期發生趨勢進行預測并驗證。

本文分別以大氣環流特征指數的標準化值為左序列，以4個站的稻縱卷葉螟發生量標準化值作為右序列，依次對不同的嵌套穩定維數M[20]進行試驗，發現用SCSA方法識別出的耦合振蕩周期會穩定于某些M值域內，并且周期長度變化不大，通過反復試驗，獲得全州站的嵌套穩定維數（或稱最大后延）M=53、秀山站M=35、湘陰站M=18、張家港站M=16。

2 結果與分析

2.1 SCSA分析稻縱卷葉螟發生量與大氣環流因子的耦合周期

2.1.1 秀山站

根據秀山站數據分析結果，秀山站稻縱卷葉螟發生量與北半球極渦中心強度（JQ）相關性最顯著。因此，利用奇異交叉法對秀山站稻縱卷葉螟發生量與北半球極渦中心強度進行分解，得到的前4對特征向量左右序列之間的耦合振蕩周期、相關系數及方差貢獻如表2所示，最大后延為35。從表中可以看出，左右耦合分量序列之間的相關系數均達0.75以上，相關性極顯著（P＜0.01）。前4對特征向量表征了這兩者相互作用的2個最主要耦合周期模態，其中前兩對特征向量反映出了5個月左右的振蕩周期，占總方差的85.48%，最為明顯；其次是2.5個月左右周期（第3、4對特征向量），方差貢獻率為12.28%。前4對特征向量所占的總方差貢獻達到97.76%，因此，其所蘊含的耦合周期信號已能較好地表示出其主要耦合周期振蕩模態。分析可知，秀山站稻縱卷葉螟發生量與北半球極渦中心強度的耦合振蕩是以5個月振蕩為主，以2.5個月振蕩為輔。

表2 秀山站稻縱卷葉螟發生量與北半球極渦中心強度的SCSA方法分析結果（最大后延M=35）

注：**表示相關系數通過0.01水平的顯著性檢驗。下同。

Note:**is P＜0.01. The same as below.

在南、北極700hPa以上的對流層中，冬夏均為氣旋式環流，稱為極渦。北半球的極渦雖有繞極型（只有一個極渦中心，位于80°N以北的極點附近）、偏心型（一個極渦中心，位于80°N以南，整個北半球呈不對稱的單波型，有位于歐亞大陸東北海岸至阿拉斯加東部的暖脊，歐亞大陸高緯度為一個橢圓型冷渦）、偶極型（分裂為兩個中心，中心分別位于亞洲北部和加拿大，整個北半球高緯度環流呈典型雙繞極）和多極型（北半球有3個或3個以上極渦中心，整個北半球形成三波繞極分布，波槽的位置與冬季平均大槽的位置接近），但出現概率最高的是偏心結構，極渦中心位置主要偏向亞洲大陸靠太平洋一側，偏離歐洲大陸。北半球極渦強度與西太平洋副高強度呈顯著負相關[21]。當極渦偏強時，西太平洋副高強度偏弱，位置偏東，冷空氣南下入侵中國較容易且頻次多，相應的暖濕氣流北上也容易、頻次也多，冷暖空氣在長江流域交綏頻繁，形成的降水過程多，對稻縱卷葉螟遷入秀山有利。此外，苗娟等[22]研究表明，在11a尺度變化情況下，西南地區降水與北半球極渦中心強度呈顯著正相關。因此，北半球極渦中心強度越強，對秀山稻縱卷葉螟的遷入越有利。

2.1.2 全州站

對全州站1994-2014年數據資料的分析表明，與全州站稻縱卷葉螟發生量相關顯著的大氣環流因子為北非副高北界指數（20°W-60°E）。因此，對全州站稻縱卷葉螟發生量與北非副高北界指數進行奇異交叉法分解（SCSA），得到前4對特征向量左右序列之間的耦合振蕩周期、相關系數及方差貢獻（表3）。由表3可見，各左右耦合分量序列之間的相關系數均在0.8以上（P＜0.01）。前4對特征向量表征兩者相互作用的2個最主要耦合周期模態，其中前兩對特征向量表征的8個月左右周期最明顯，占總方差的99.59%；其次是4個月左右周期（第3、4對特征向量），方差貢獻率為0.35%。前4對特征向量的總方差貢獻率達到99.94%，說明所蘊含的耦合周期信號能表示其主要耦合周期的振蕩模態?？梢?，全州站稻縱卷葉螟發生量與北非副高北界的耦合振蕩以8個月周期為主、4個月周期為輔。其耦合與影響機理詳見2.1.3。

2.1.3 湘陰站

湘陰站1994-2014年的蟲情數據與1993-2014年74項大氣環流特征量的相關性結果表明，與湘陰站稻縱卷葉螟發生量相關性最顯著的大氣環流因子為北非副高北界指數（20°W-60°E）。因此，對湘陰站稻縱卷葉螟發生量與北非副高北界指數進行奇異交叉法分解（SCSA），得到前4對特征向量左右序列之間的耦合振蕩周期、相關系數及方差貢獻（表4），最大后延為18。由表4可以看出，各左右耦合分量序列之間的相關系數均達到0.85以上（P＜0.01）。前4對特征向量表征了兩者相互作用的2個最主要耦合周期模態，其中前兩對特征向量表示了6個月左右的振蕩周期，占總方差的92.24%；其次是3個月左右周期（第3、4對特征向量），其方差貢獻率為7.74%。前4對特征向量所占的總方差貢獻率達到99.98%，因此，其所蘊含的耦合周期信號已能很好地表示出其主要耦合周期振蕩模態?？梢?，湘陰站稻縱卷葉螟發生量與北非副高北界的耦合振蕩以6個月振蕩周期為主，以3個月周期為輔。

表3 全州站稻縱卷葉螟發生量與北非副高北界指數的SCSA分析結果（最大后延M=53）

在南北半球的副熱帶地區，存在著一個行星氣壓帶，即副熱帶高壓帶。海陸分布的差異、地形的起伏、海氣之間的相互作用、海陸熱力的差異及陸面過程等外部強迫過程改變了大氣的能量收支，造成副熱帶高壓帶斷裂為若干個區域高壓中心，它們支配著副熱帶天氣系統的運動和水汽的傳輸，強烈影響熱帶、副熱帶及其鄰近地區的天氣和氣候變化[23]。北非副熱帶高壓是位于北半球低緯度20°W-60°E之間的大尺度反氣旋天氣系統，隨季節演變會作有規律的北抬南撤和東西向的進退，從冬季至夏季，表現為北抬西進；從夏季至冬季，則表現為南撤東退。其北側常有中緯西風帶天氣系統（如槽、脊、切變線、氣旋、反氣旋和鋒面等）存在，在它的南北向和東西向移動過程中，它的北界位置發生著相應的變化，因而也導致其北側天氣系統的位置、強度、覆蓋區域和面積發生變化。這些變化著的西風帶天氣系統在向東移動過程中會明顯影響下游地區（包括廣西全州、湖南湘陰）的大氣環流形勢和天氣、氣候變化，繼而影響這兩個地區稻縱卷葉螟的遷入和為害。此外，北非副高與位于其東側的印度副高、西北太平洋副高一樣，均受到臨近赤道一側的東風帶盛行風場和跨赤道轉向生成的西南季風的影響，其位置和強度發生相應的變化，必然影響下游地區天氣系統（如印緬槽等）的位置和強度，從而影響這些地區（包括中國）的大氣環流形勢和天氣、氣候，繼而影響到全州、湘陰等地區的天氣氣候及稻縱卷葉螟遷入量的變化。當北非副高北界偏北時，其下游的熱帶低緯天氣系統（包括其下游的印度副高、印緬槽、西太平洋副高）位置也偏北，中高緯地區的西風帶天氣系統位置偏北，暖濕空氣北上活躍，對中國稻縱卷葉螟北遷有利。從時間和空間上的延承與響應看，北非副高北界的變化與全州、湘陰兩站的稻縱卷葉螟發生量之間存在著明顯的遙相關關系，這也是兩者之間存在耦合振蕩周期的根本原因。由于兩站所處地理位置和經緯度上的差異，使全州站在4～8個月周期上相對顯著，而湘陰站在3～6個月周期上較顯著。

2.1.4 張家港

由前面分析可知，張家港站的稻縱卷葉螟發生量與北美副高脊線指數（110°W-60°W）相關性最好，表5為張家港站稻縱卷葉螟發生量和北美副高脊線指數經過奇異交叉法分解后的前4對特征向量左右序列之間的耦合振蕩周期、相關系數及方差貢獻，最大后延為16。從表可知，前3對左右耦合分量序列之間的相關系數均在0.7以上，相關性很好，第4對左右耦合分量序列的相關系數也在0.4以上（P＜0.01）。前4對特征向量表征了這兩者相互作用的2個最主要耦合周期模態，其中前兩對特征向量表示了8個月左右的振蕩周期，其方差占總方差的95.15%，后兩對是4個月左右周期（第3、4對特征向量），方差貢獻率為4.45%。因此，這4對特征向量所蘊含的耦合周期信號能很好地表示出主要耦合周期振蕩模態?？梢钥闯?，張家港站稻縱卷葉螟發生量與北美副高脊線的耦合振蕩以8個月振蕩為主，4個月振蕩為輔。

表4 湘陰站稻縱卷葉螟發生量與北非副高北界指數的SCSA方法分析結果（最大后延M=18）

表5 張家港站稻縱卷葉螟發生量與北美副高脊線指數的SCSA方法分析結果（最大后延M=16）

北美副熱帶高壓位于110°W-20°W，它所產生的作用與其它副高一樣，不僅影響著北美洲和大西洋地區的天氣、氣候，而且通過上下游的傳遞效應影響北非副高、印度副高、西太平洋副高等天氣系統，間接對這些系統所在地區及相鄰地區的天氣、氣候產生影響，當其脊線北抬時，其北側和下游（東側）的熱帶低緯天氣系統（包括其下游的北非副高、印度副高、印緬槽、西太平洋副高）位置也北抬，中高緯地區的西風帶天氣系統位置也隨之北抬，在中國青藏高原以東地區的暖濕空氣北上活躍，對中國稻縱卷葉螟的北遷有利，這是北美副高脊線位置與張家港站稻縱卷葉螟遷入發生量呈正相關的重要原因。

2.2 RCCS方法重建序列的耦合周期振蕩特征

2.2.1 全州站

參考文獻[24]中重建振蕩分量序列（RCCS）的方法，將分量序列按照SCSA方法識別出的耦合周期合成為新的序列，并繪制成時間演變曲線圖。圖1為全州站8個月主周期的合成序列（RCCS1+2）和4個月副周期的合成序列（RCCS3+4）的時變特征圖，從圖可以看出，耦合周期振蕩一直較平穩，發生量周期振幅在2000年以前較強，2001年以后略減弱，2007年后又略微增強。而北非副高北界在1998年以前相對較弱，1998-2001年略增強，之后與稻縱卷葉螟發生量變化基本一致（圖1a）。而4個月副周期的合成序列（RCCS3+4）的耦合周期振蕩，稻縱卷葉螟發生量周期自1994-1997年減弱，至1997-2005年開始增強，2006年以后又逐漸下降；北非副高北界周期則在1994-2005年逐漸增強，2006年之后開始減弱（圖1b）。

2.2.2 秀山站

圖2為秀山站5個月主周期的合成序列（RCCS1+2）和2.5個月副周期的合成序列（RCCS3+4）的時變特征，從圖可以看出，5個月主周期的合成序列（RCCS1+2）的耦合周期振蕩幅度從1994年開始就一直呈穩步增大的趨勢，特別是2006年之后發生量周期與北半球極渦中心強度變化的周期振蕩幅度已完全同步（圖2a）。2.5個月副周期的合成序列（RCCS3+4）的耦合周期振蕩中，稻縱卷葉螟發生量周期從1994年開始先減弱，2000年后開始增強；北半球極渦中心強度的振蕩周期強度則從1994年開始一直在增強，其中2005年之前增強較快，之后增強較慢。發生量振蕩周期和北半球極渦中心強度振蕩周期均呈強弱交替式起伏變化（圖2b）。

2.2.3 湘陰站

圖3顯示，湘陰站6個月主周期的合成序列（RCCS1+2）的耦合周期振蕩幅度在2009年以前基本平穩，2009-2012年增強，2012年之后開始減弱。其中稻縱卷葉螟發生量周期振蕩較大，而北非副高北界的周期振蕩相對平穩（圖3a）。在3個月副周期的合成序列（RCCS3+4）耦合周期振蕩上，稻縱卷葉螟發生量周期在1994-2000年振蕩減弱，2001-2005年顯著增強，2005年以后又開始明顯減弱，2008年以后趨于平穩，北非副高北界的周期振蕩強度基本穩定，變化起伏不大（圖3b）。

2.2.4 張家港站

由圖4a可見，張家港站8個月主周期的合成序列（RCCS1+2）的耦合周期振蕩幅度基本平穩，其中發生量周期振蕩起伏相對明顯，1994-2001年較平穩，2002-2005年增強，2006年以后減弱；而北美副高脊線周期振蕩一直較平穩（圖中D線）。圖4b表明，4個月副周期的合成序列（RCCS3+4）的耦合周期振蕩變化較大，稻縱卷葉螟發生量周期自1994年開始，先略增強，至1999年開始減弱，2003年開始再次增強，2004年以后明顯增強，2009年又開始逐漸減弱；北美副高脊線的周期振蕩強度在1994-2002年較弱，2003-2009年較強，2010年后再次減弱。

綜合4個站的耦合周期振蕩的時變特征可以看出，利用主周期重組的序列振蕩相對平穩，而副周期的重組序列起伏變化較大，大氣環流特征量的周期振蕩幅度普遍小于稻縱卷葉螟發生量的振幅。

2.3 RCCS與自回歸分析（AR）結合進行蟲量外推預測

SCSA方法在構建預測模型時運用RCCS重建耦合振蕩分量序列來進行時間序列上的預報，所提取的序列信號單一，周期性強，且排除了短時間尺度的噪聲干擾，所以便于與自回歸分析（AR）方法相結合進行低階預報。因此，本文將其應用到稻縱卷葉螟發生量預報研究中，通過利用重建的耦合振蕩分量序列（RCCS）與自回歸分析（AR）相結合，對上述各站2014年的稻縱卷葉螟逐月發生量進行預測試驗。從前面分析可以看出，4個站稻縱卷葉螟發生量與北非副高北界、北半球極渦中心強度、北美副高脊線指數等序列的相關性均很好，證明各自耦合序列與其相應的合成序列也存在較好的關系。運用自回歸方法，對發生量各RCCS分量序列選取最佳階數，經過FPE準則[25]計算后的結果表明，大多數RCCS序列以2～4階模型結果最好且擬合效果也較好。

分別以1994-2013年全州、秀山、湘陰和張家港4站遷入期的稻縱卷葉螟田間趕蛾量資料為樣本，用RCCS1-4重建分量序列，并用自回歸方法進行外延，實現各分量序列的外推預測。再將各分量序列進行合成，得到RC-s合成序列。通過外推得到2014年各站稻縱卷葉螟發生趨勢預報值，各站歷史擬合和預測結果見圖5。

由圖5可以看出，全州站、秀山站和湘陰站2014年的預測值比2013年RC-s合成值高，即預測2014年的發生量高于2013年，這一預測與2014年的實測情況完全吻合；而2014年張家港站的預測值低于2013年的RC-s合成值，說明2014年發生量低于2013年，這一預測結果與2014年的實測情況也完全吻合。說明SCSA方法對4個站稻縱卷葉螟發生趨勢的預測準確。

2.4 SCSA-AR模型的預報結果檢驗

圖6顯示了SCSA-AR方法下2014年稻縱卷葉螟月發生量實測值和預測值的變化趨勢，由圖可見，對全州站共進行8個月預測，前3個月和后3個月預測值與實測值誤差極小，預測結果與實際結果基本一致，誤差在0.2以內（標準化值），且其標準化值先增后減的基本趨勢預測完全正確。對秀山站共進行6個月預測，除第2個月預測值比實測值偏大較多外，后3個月誤差減小，且遞增的趨勢基本一致。對湘陰站共進行6個月預測，第1個月預測值與實況值誤差較大，而后5個月誤差很小，誤差均在0.1左右，且與實測的發展趨勢完全一致，從第2個月開始緩慢增加，到最后1個月出現驟降。對張家港站共進行4個月預測，第1個月預測值比實況值略低，后3個月預測值比實況值略高，但基本趨勢仍一致。4個站2014年預測值與實際值的誤差最大在0.4左右，多數月份的預測結果誤差在0.2左右，整體上看，預測結果基本準確，預測的趨勢基本一致，預測效果較好。

為檢驗預報效果，分別計算預測值與實測值的ME（平均誤差）、MAE（平均絕對誤差）、RMSE（均方根誤差）和RS（預測值與實況值的符號相關率）4個指標，結果如表6。從表可知，全州站的ME最小，僅-0.07左右，其次是湘陰站和張家港站，秀山站最大；全州站的MAE最小，其次是張家港站和湘陰站，秀山站最大，表明全州站的預測誤差最??；張家港站的RMSE最小，其次是全州站和秀山站，湘陰站最大。表明張家港站的預測模型穩定度最好。湘陰站的預測結果和實況的相似度最高，其次是全州站，最后是秀山站和張家港站。4個站綜合平均ME為-0.071，MAE為0.349，RMSE為0.446，而4個站的預測值與實況值相似性平均值為0.75，說明預測結果基本準確。

表6 基于SCSA-AR方法的2014年稻縱卷葉螟發生量預測值與實測值的對比檢驗

3 結論與討論

（1）在對廣西全州、重慶秀山、湖南湘陰和江蘇張家港站的稻縱卷葉螟逐月發生量與74項大氣環流指數進行相關性分析的基礎上，得到兩者相關關系顯著的大氣環流特征量，耦合周期分析表明，4站的耦合振蕩周期為5～8個月，其中秀山站和湘陰站分別以5個月和6個月為主，而全州站和張家港站以8個月為主。

（2）基于SCSA方法重建耦合振蕩分量序列RCCS，可以描述稻縱卷葉螟發生量與顯著相關大氣環流特征量之間的耦合振蕩信號具有隨時間而演變的特征。各站顯著耦合振蕩周期的變化較復雜，其中主周期相對平穩，副周期起伏變化較大，且大氣環流特征量的周期振幅普遍小于稻縱卷葉螟發生量的周期振幅。與汪四水的SSA方法[16]相比，SCSA方法可以獲得更為強化的耦合振蕩信號，更加適合研究蟲量和所選大氣環流因子兩個時間序列的耦合周期振蕩行為，所反映的信息更全面，對弱耦合信號也有較高的分辨率。

（3）用RCCS與自回歸分析（AR）法相結合，對4個站2014年稻縱卷葉螟發生情況進行預測試驗，結果表明，全州、秀山和湘陰三站發生量比2013年嚴重，而張家港站發生量則比2013年輕，這與實際發生量相符。同時，基于SCSA-AR方法對稻縱卷葉螟各月發生量的預測值及其變化趨勢預測也基本準確，說明可以利用RCCS與AR方法結合對稻縱卷葉螟中長期發生量進行預測，與陳觀浩的周期分析法相比[11]，預報準確率更高。

（4）由于重建耦合振蕩分量（RCCS）的合成序列，實際上是一種耦合濾波序列，即將一些絕對值較大的正、負異常值予以過濾，可以反映出各序列的主要變化特征，因此，SCSA-AR方法對趨勢預報的效果較好[24]。但是這種趨勢預測離實際業務預報中對預報精確度要求還有一定差距，怎樣通過一定的修正程序將SCSA-AR預測模型得出的預報結果修正為更準確、更穩定、更接近實際的預報值是下一步研究的重點。

[1]包云軒,曹云,謝曉金,等.中國稻縱卷葉螟發生特點及北遷的大氣背景[J].生態學報,2015,35(11):3519-3533.

Bao Y X,Cao Y,Xie X J,et al.Migration pattern of rice leaf roller and impact of atmospheric conditions on a heavy migration event in China[J].Acta Ecologica Sinica,2015, 35(11):3519-3533．

[2]翟保平,張孝羲.遷飛過程中昆蟲的行為:對風溫場的適應與選擇[J].生態學報,1993,13(4):356-363.

Zhai B P,Zhang X X.Insects behavior during migration: adaptation and selection of air temperature field[J].Acta Ecologica Sinica,1993,13(4):356-363.(in Chinese)

[3]白先達,唐廣田,張雅昕,等.稻縱卷葉螟發生的氣象條件等級預報[J].中國農業氣象,2010,31(4):607-611.

Bai X D,Tang G T,Zhang Y X,et al.Meteorological condition grades forecast for occurrence ofGuene[J].Chinese Journal of Agrometeorology, 2010, 31(4):607-611.(in Chinese)

[4]RileyJ R,Reynolds D R,Smith A D,et al.The long-distance migration of(St?l)(Delphacidae) in China: radar observations of mass return flight in the autumn[J]. Ecological Entomology,1991,16:471-480

[5]王翠花,包云軒,王建強,等.2003年稻縱卷葉螟重大遷入過程的大氣動力機制分析[J].昆蟲學報,2006,49(4):604-612.

Wang C H,Bao Y X,Wang J Q,et al.Analysis on atmospheric dynamical mechanisms for the great immigration events of the rice leaf rollerGuenee in 2003[J].Acta Entomologica Sinica,2006,49(4):604-612.(in Chinese)

[6]Drake V A,Farrow R A.The influence of atmospheric structure and motions on insect migration[J].Annual Review of Entomology, 2003,33(1):183-210

[7]包云軒,曹云,謝曉金,等.中國稻縱卷葉螟發生特點及北遷的大氣背景[J].生態學報,2015,35(11):3519-3533.

Bao Y X,Cao Y,Xie X J,et al.Migration pattern of rice leaf roller and impact of atmospheric conditions on a heavy migration event in China[J].Acta Ecologica Sinica, 2015, 35(11):3519-3533.(in Chinese)

[8]高蘋,武金崗,楊榮明,等.江蘇省稻縱卷葉螟遷入期蟲情指標與西太平洋海溫的遙相關及其長期預報模型[J].應用生態學報,2008,19(9):2056-2066.

Gao P,Wu J G,Yang R M,et al.Remote correlations between situation indicators of rice leaf roller during its immigration period in Jiangsu Province and seasurface temperature of west Pacific as well as their longterm prediction models[J].Chinese Journal of Applied Ecology,2008, 19(9): 2056-2066.(in Chinese)

[9]李大慶,楊再學,秦治勇,等.稻縱卷葉螟中短期預測模型研究與應用[J].貴州大學學報(自然科學版),2016,33(2):40-44.

Li D Q,Yang Z X,Qin Z Y,et al.Research and application of prediction model for outbreak in the medium-short period and occurrence degree of[J]. Journal of Guizhou University(Natural Sciences),2016, 33(2): 40-44.(in Chinese)

[10]包云軒,陳心怡,謝曉金,等.基于卡爾曼濾波算法的稻縱卷葉螟短期預測模型[J].中國農業氣象,2016,37(5):578-586.

Bao Y X,Chen X Y, Xie X J,et al.Short-term forecasting models on occurrence of rice leaf roller based on Kalman Filter Algorithm[J].Chinese Journal of Agrometeorology, 2016, 37(5):578-586.(in Chinese)

[11]陳觀浩.利用周期分析法預測稻縱卷葉螟的發生程度[J].昆蟲知識,2004,41(3):258-260．

Chen G H.Forecasting for the occurrence degrees ofby periodicity analysis[J]. Entomological Knowledge,2004,41(3):258-260.(in Chinese)

[12]包云軒,薛周華,劉垚,等.江蘇省褐飛虱遷入量的中長期預測模型[J].中國農業氣象,2016,37(1):98-110.

Bao Y X,Xue Z H,Liu Y,et al.Medium and long-term forecasting models of(st?l)’s immigration amount in Jiangsu Province[J].Chinese Journal of Agrometeorology,2016,37(1):98-110.(in Chinese)

[13]Mills A P.Weather associated with spring and summer migrations of rice pests and other insects in south-eastern and Eastern Asia[J].Bulletin of Entomological Research, 1996, 86(6):683-694.

[14]于彩霞,霍治國,張蕾,等.中國稻飛虱發生的大氣環流指示指標[J].生態學雜志,2014,33(4):1053-1060.

Yu C X,Huo Z G,Zhang L,et al.Leading indicators of atmospheric circulation characteristics on rice planthopper occurrence in China[J].Chinese Journal of Ecology,2014, 33(4): 1053-1060.(in Chinese)

[15]曹云.基于大氣環流特征的稻縱卷葉螟遷入氣象條件分析及其發生預測[D].南京:南京信息工程大學,2014.

Cao Y.Analysis on immigration meteorological conditions and predicting for occurrence pattern ofbased on charcteristics of atmospheric circulation[D]. Nanjing:Nanjing University of Information Science & Technology, 2014.(in Chinese)

[16]汪四水.基于交叉譜分析法的因子篩選[J].數學的實踐與認識,2005,35(11):155-159.

Wang S S.Factor selection based on cross spectrum analysis[J].Mathematics in Practice and Theory,2005, 35(11): 155-159.(in Chinese)

[17]丁裕國,江志紅,施能,等.奇異交叉譜分析及其在氣候診斷中的應用[J].大氣科學,1999,23(1):91-100.

Ding Y G,Jiang Z H,Shi N,et al.Singular cross-spectrum analysis and its applicability in climatic diagnosis[J]. Chinese Journal of Atmospheric Sciences,1999, 23(1):91- 100. (in Chinese)

[18]余錦華,丁裕國.NINO區SST與SOI的耦合振蕩信號及其預測試驗[J].南京氣象學院學報,1999,22(4):637-644.

Yu J H,Ding Y G.Coupled-oscillation signals between SST over the NINO Oceanic regions and SOI with its prediction experiment[J].Journal of Nanjing Institute of Meteorology, 1999,22(4):637-644.(in Chinese)

[19]Bretherton C S,Smith C,Wallace J M.An intercomparison of methods for finding coupled patterns in climate data[J]. Journal of Climate,1992,5(6):541-560.

[20]王強.功率譜分析中幾個重要問題的討論[J].地理學報,1990,(3):363-372.

Wang Q.Discussions on some key problems in power spectra analysis[J].Acta Geographica Sinica,1990,(3): 363-372. (in Chinese)

[21]張恒德.極渦的活動特征與數值模擬及其對我國氣候的影響[D].南京:南京信息工程大學,2005.

Zhang H D.Activity characteristics and numerical simulation of polar vortex and its effect on climate in China[D]. Nanjing: Nanjing University of Information Science and Technology,2005.(in Chinese)

[22]苗娟,林振山.我國9大氣候區降水特性及其物理成因的研究Ⅰ:我國各區降水與環流因子的關系[J].熱帶氣象學報,2004,20(1):64-72.

Miao J,Lin Z S.Study on the characteristics of the precipitation of nine regions in China and their physical causes Ⅱ:the relations between the precipitation and physical causes[J].Journal of Tropical Meteorology, 2004, 20(1):64-72.(in Chinese)

[23]劉屹岷,吳國雄.副熱帶高壓研究回顧及對幾個基本問題的再認識[J].氣象學報,2000,58(40):500-512.

Liu Y M,Wu G X.Reviews on the study of subtropical anticyclone and new insights on some fundamental problems[J].Acta Meteorologica Sinica,2000, 58(40): 500- 512.(in Chinese)

[24]尤鳳春,史印山,周煜.奇異交叉譜分析方法在夏季降水預報中的應用[J].氣象科技,2004,32(5):329-332.

You F C,Shi Y S,Zhou Y.Application of singular cross- spectrum analysis of summer precipitation in Hebei Province[J]. Meteorological Science and Technology, 2004, 32(5):329-332.(in Chinese)

[25]丁裕國,江志紅.氣象數據時間序列信號處理[M].北京:氣象出版社,1998:166-167.

Ding Y G,Jiang Z H.Meteorological data time series signal processing[M].Beijing:Meteorological Press,1998: 166-167. (in Chinese)

Application of Singular Cross-Spectrum Analysis in the Prediction of’ Occurrence in Southern China

GAO Wen-ting1,CHEN Xin-yi1, BAO Yun-xuan1, WANG Lin1, XIE Xiao-jin1, LU Ming-hong2

（1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters/Jiangsu Key Laboratory of Agricultural Meteorology, Nanjing University of Information Science and Technology, Nanjing 210044, China; 2.National Agricultural Technology Extension and Service Center, Ministry of Agricultural, Beijing 100125）

In this paper, the daily moth catches data of（Guenee）in the paddy field at the four representative plant protection stations of southern China during the period from 1994 to 2014 was collected. The four representative stations are Quanzhou in the Guangxi Zhuang Autonomous Region, Xiushan in Chongqing City, Xiangyin in Hunan Province and Zhangjiagang in Jiangsu Province and they represented the rice-growing region of the south China, the rice-growing region of the southwestern China, the rice-growing region between the Nanling Mountains and the Yantze River Valley and the rice-growing region between the Yantze River Valley and the Huaihe River Valley in China respectively. The most significant atmospheric circulation factors related to the’ moth catches of the four stations in the early or same periods were screened out. Based on the above works, a method of singular cross-spectrum analysis (SCSA) was used to the analysis of the coupling cycles between the moth catches ofof the four stations and the selected circulation factors and the time-varying characteristics of the component sequences was discussed by the reconstruction of coupled component sequence(RCCS). Consequently, the singular cross-spectrum analysis combined with the autoregressive function was used to the extrapolating prediction of’ occurrence amount. The results were showed that the predicted results were in good agreement with the actual occurred situations. The mean correlation error (ME), average absolute error (MAE), root mean square error (RMSE) and the rate of sign correlation between the predicted values and the actual moth catches amount were found that the ME was -0.071, MAE was 0.349, RMSE was 0.446 and RS was 0.75. They indicated that the prediction error was small, the prediction sequence was stable and the prediction accuracy was high. This method can be applied to the prediction of the occurrence trend ofin southern China.

Atmospheric circulation factor; Coupled oscillations; Reconstructed coupled component sequence; Autoregressive; Prediction of insect occurrence

2017-01-10

國家公益性行業（氣象）科研專項（GYHY201306053）；國家自然科學基金面上項目（41475106；31601221）；江蘇省高校優勢學科建設工程

高文婷（1991-），碩士生，研究方向為農業氣象、農業病蟲測報學。E-mail：285223808@qq.com

10.3969/j.issn.1000-6362.2017.09.006

**通訊作者。E-mail：baoyx@nuist.edu.cn; baoyunxuan@163.com

高文婷,陳心怡,包云軒,等.奇異交叉譜分析方法在中國南方稻縱卷葉螟發生預測中的應用[J].中國農業氣象,2017,38(9):583-596