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(fā)生預(yù)測中的應(yīng)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(xué)氣象災(zāi)害預(yù)報和評估協(xié)同創(chuàng)新中心/江蘇省農(nóng)業(yè)氣象重點實驗室，南京 210044；2.農(nóng)業(yè)部全國農(nóng)業(yè)技術(shù)推廣與服務(wù)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(chǎn)區(qū)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(guān)性最顯著的環(huán)流因子進(jìn)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(jìn)行探討，并采用SCSA-AR方法對稻縱卷葉螟發(fā)生量進(jìn)行外推預(yù)測。結(jié)果表明：預(yù)測結(jié)果與實際情況基本吻合。對預(yù)測平均誤差（ME）、平均絕對誤差（MAE）、均方根誤差（RMSE）及預(yù)測值與實況值的符號相關(guān)率（RSC）進(jìn)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(yù)測誤差較小，預(yù)測序列較穩(wěn)定，預(yù)報精度較高，可將此方法推廣應(yīng)用于中國南方稻區(qū)稻縱卷葉螟的發(fā)生趨勢預(yù)測。

大氣環(huán)流因子；耦合振蕩；重建耦合分量序列；自回歸分析；蟲量發(fā)生預(yù)測

稻縱卷葉螟（Guenee）是一種具有遠(yuǎn)距離遷飛習(xí)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(qiáng)的遷飛和再遷飛能力，能夠經(jīng)過幾個夜晚的多次飛行實現(xiàn)遠(yuǎn)距離轉(zhuǎn)移[1]，20世紀(jì) 70 年代以來，在中國南方大部分稻區(qū)連年大發(fā)生，于每年3月開始從中南半島向中國境內(nèi)遷入并隨季節(jié)逐漸向北遷移，對華南、西南、江嶺、江淮等稻區(qū)的水稻造成危害，影響水稻的正常生長發(fā)育，并導(dǎo)致產(chǎn)量下降。華南稻區(qū)是中國稻縱卷葉螟危害的常發(fā)區(qū)和重發(fā)區(qū)，廣西全州站位于該區(qū)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(nèi)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(qū)，每年3月中、下旬燈下和田間始見，10月中、下旬終見，發(fā)生7～8代，是造成當(dāng)?shù)厮井a(chǎn)量損失的主要蟲害之一。重慶秀山位于西南稻區(qū)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(fā)區(qū)，常年發(fā)生4代，發(fā)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(dāng)?shù)厮編硪欢óa(chǎn)量損失。湖南湘陰站位于江嶺稻區(qū)的中部，由于其優(yōu)越的生存環(huán)境和有利的氣候條件而成為中國稻縱卷葉螟發(fā)生最頻繁、危害最嚴(yán)重的地區(qū)之一，該站稻縱卷葉螟常年5月始見、10月終見，發(fā)生6～7代，全年對水稻產(chǎn)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(qū)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(fā)區(qū)和重發(fā)區(qū)內(nèi)，常年6月中、下旬始見，9月中旬終見，發(fā)生3～4代，20世紀(jì)70-80年代曾出現(xiàn)過一輪大發(fā)生高發(fā)期，2003年以來，大發(fā)生頻率快速上升，至2014年，12a中竟有6a大發(fā)生，給當(dāng)?shù)厮旧a(chǎn)帶來了巨大損失。就全國而言，不同年份、不同稻區(qū)稻縱卷葉螟的發(fā)生程度、各代及其蟲態(tài)歷期、造成的產(chǎn)量損失因當(dāng)?shù)靥鞖?、氣候條件而異，但影響其發(fā)生的大氣環(huán)流背景有諸多的相似性、周期性。因此，根據(jù)稻縱卷葉螟蟲害的發(fā)生量與影響因素之間的相關(guān)性、變化特征相似性和周期性建立預(yù)測模型，找出它們之間的耦合周期規(guī)律，對于準(zhǔn)確預(yù)測稻縱卷葉螟未來的發(fā)生趨勢，及時采取防控措施，減少水稻產(chǎn)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(fā)生是一個極其復(fù)雜的過程，它不僅與害蟲本身的生物學(xué)特性、寄主種植制度和生育進(jìn)程、種植區(qū)地理環(huán)境等有關(guān)，還與氣象條件息息相關(guān)[2]。稻縱卷葉螟的遷入發(fā)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(huán)流形勢對高空氣流運(yùn)行、地面氣象條件及其產(chǎn)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(fā)生與大氣環(huán)流特征量有著密切的遙相關(guān)關(guān)系[5-8]。氣象學(xué)者和昆蟲學(xué)者都對稻縱卷葉螟發(fā)生預(yù)報作過大量研究，對蟲害進(jìn)行了短、中、長不同時效的定量預(yù)測[9-12]。Mills等[13]對西太平洋海面上方10～1500m風(fēng)溫場結(jié)構(gòu)進(jìn)行分析后發(fā)現(xiàn)，在溫帶地區(qū)夏季盛行風(fēng)對水稻遷飛性害蟲和其它害蟲的北遷產(chǎn)生影響，同樣，準(zhǔn)靜止鋒位置的波動也會引起各蟲源地害蟲的大規(guī)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(huán)流形勢對遷飛性害蟲發(fā)生有很好的指示作用，副高類和極渦類環(huán)流特征量對全國稻飛虱的發(fā)生影響非常顯著。500hPa大氣環(huán)流系統(tǒng)（如副熱帶高壓）通過其面積大小、強(qiáng)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(fā)生的高峰期和高峰期蟲量呈顯著正相關(guān)[15]。

交叉譜分析法（SSA）是一種建立在Fourier變換理論基礎(chǔ)上的譜分析方法，汪四水[16]曾將SSA方法應(yīng)用于篩選稻縱卷葉螟發(fā)生量的預(yù)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(biāo)，通過時頻域相結(jié)合的方式，可以準(zhǔn)確識別兩個時間序列之間的耦合振蕩信號。余錦華等[18]應(yīng)用SCSA分析方法，對Nino區(qū)SST與SOI進(jìn)行了耦合振蕩信號及其預(yù)測試驗研究，取得了較理想的效果。但目前在病蟲害預(yù)測預(yù)報研究領(lǐng)域，應(yīng)用SCSA 分析方法進(jìn)行預(yù)測的研究還未見報道，SCSA比SSA可以獲得更為強(qiáng)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(yù)測預(yù)報的準(zhǔn)確性將十分有益。

為了提高中國稻縱卷葉螟發(fā)生的中長期預(yù)測水平，為水稻遷飛性害蟲的災(zāi)變預(yù)警和防控提供決策依據(jù)，本文從南方水稻主產(chǎn)區(qū)選擇4個代表性植保站，收集其歷史趕蛾量數(shù)據(jù)及早期全球大氣環(huán)流特征量資料，分析其相關(guān)性，篩選出兩者呈顯著相關(guān)關(guān)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(jìn)行探討，并采用SCSA-AR方法對稻縱卷葉螟發(fā)生量進(jìn)行外推預(yù)測，定量分析該方法的誤差、穩(wěn)定性和準(zhǔn)確度，旨在將該方法推廣應(yīng)用于中國南方稻區(qū)稻縱卷葉螟的發(fā)生預(yù)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(chǎn)區(qū)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(zhǔn)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(jù)當(dāng)?shù)厮旧?、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(jié)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(shù)。

1.1.2 大氣環(huán)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(huán)流特征量，主要包括5大類，即副熱帶高壓強(qiáng)度與位置（1-45）、極渦強(qiáng)度和位置（46-57）、環(huán)流型及環(huán)流指數(shù)（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(huán)流特征量指數(shù)

（續(xù)表）

1.2 數(shù)據(jù)處理

1.2.1 數(shù)據(jù)預(yù)處理

將稻縱卷葉螟趕蛾量逐日數(shù)據(jù)處理成以月為時間單位的發(fā)生量累計值并取對數(shù)，得到預(yù)報對象的歷史數(shù)據(jù)序列。為了消除年周期和長期趨勢，對上述所選蟲量數(shù)據(jù)和大氣環(huán)流指數(shù)資料均進(jìn)行Z-score標(biāo)準(zhǔn)化預(yù)處理。標(biāo)準(zhǔn)化公式為

z=（x-μ）/σ （1）

式中，z為標(biāo)準(zhǔn)化后數(shù)據(jù)，x為原數(shù)據(jù)，μ為平均值，σ為標(biāo)準(zhǔn)差。

1.2.2 預(yù)報時段和預(yù)報因子的選擇

分析1994-2014年各站日趕蛾量數(shù)據(jù)發(fā)現(xiàn)，廣西全州站稻縱卷葉螟歷年發(fā)生的最早始見期從3月開始（播種期），最晚終見期在10月結(jié)束，即水稻齊穗期，之后因稻縱卷葉螟取食趨嫩綠習(xí)性而主動遷出，因此，選用1994-2013年期間每年3-10月趕蛾量數(shù)據(jù)作為歷史樣本分析建模，選用2014年3-10月資料作為獨(dú)立樣本檢驗預(yù)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(shù)據(jù)作為歷史樣本分析建模，用2014年4-8月資料作為獨(dú)立樣本檢驗預(yù)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(shù)據(jù)分析建模，用2014年5-10月資料作為獨(dú)立樣本檢驗預(yù)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(shù)據(jù)分析建模，用2014年6-9月資料作為獨(dú)立樣本檢驗預(yù)測效果。

將全州、秀山、湘陰和張家港4站經(jīng)處理后的稻縱卷葉螟逐月發(fā)生量和74項大氣環(huán)流指數(shù)進(jìn)行相關(guān)性分析。結(jié)果表明，全州站稻縱卷葉螟發(fā)生量與北非副高北界（20°W-60°E）的相關(guān)系數(shù)最高，達(dá)0.7977；秀山站稻縱卷葉螟發(fā)生量與北半球極渦中心強(qiáng)度（JQ）的相關(guān)系數(shù)最高，達(dá)0.7753；湘陰站稻縱卷葉螟發(fā)生量與北非副高北界（20°W-60°E）的相關(guān)系數(shù)最高，達(dá)0.7720；張家港站稻縱卷葉螟發(fā)生量與北美副高脊線（110°W-60°W）的相關(guān)系數(shù)最高，達(dá)0.6389，且4站均通過0.01置信水平的顯著性檢驗。據(jù)此，選取北非副高北界（20°W-60°E）、北半球極渦中心強(qiáng)度（JQ）、北非副高北界（20°W-60°E）和北美副高脊線指數(shù)（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(fā)生量的預(yù)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(biāo)，通過時域和頻域相結(jié)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(xiàn)[17]，根據(jù)序列準(zhǔn)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(guān)系數(shù)及其方差貢獻(xiàn)。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(shù)據(jù)進(jìn)行重建，計算得到新的合成序列，從而進(jìn)行稻縱卷葉螟發(fā)生時間序列的預(yù)測。最后結(jié)合自回歸（Autoregressive, AR）分析方法對4個站稻縱卷葉螟中長期發(fā)生趨勢進(jìn)行預(yù)測并驗證。

本文分別以大氣環(huán)流特征指數(shù)的標(biāo)準(zhǔn)化值為左序列，以4個站的稻縱卷葉螟發(fā)生量標(biāo)準(zhǔn)化值作為右序列，依次對不同的嵌套穩(wěn)定維數(shù)M[20]進(jìn)行試驗，發(fā)現(xiàn)用SCSA方法識別出的耦合振蕩周期會穩(wěn)定于某些M值域內(nèi)，并且周期長度變化不大，通過反復(fù)試驗，獲得全州站的嵌套穩(wěn)定維數(shù)（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(jié)果與分析

2.1 SCSA分析稻縱卷葉螟發(fā)生量與大氣環(huán)流因子的耦合周期

2.1.1 秀山站

根據(jù)秀山站數(shù)據(jù)分析結(jié)果，秀山站稻縱卷葉螟發(fā)生量與北半球極渦中心強(qiáng)度（JQ）相關(guān)性最顯著。因此，利用奇異交叉法對秀山站稻縱卷葉螟發(fā)生量與北半球極渦中心強(qiáng)度進(jìn)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(guān)系數(shù)及方差貢獻(xiàn)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(guān)系數(shù)均達(dá)0.75以上，相關(guān)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(tài)，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(xiàn)率為12.28%。前4對特征向量所占的總方差貢獻(xiàn)達(dá)到97.76%，因此，其所蘊(yùn)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(tài)。分析可知，秀山站稻縱卷葉螟發(fā)生量與北半球極渦中心強(qiáng)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(fā)生量與北半球極渦中心強(qiáng)度的SCSA方法分析結(jié)果（最大后延M=35）

注：**表示相關(guān)系數(shù)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(huán)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?xùn)|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(huán)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(xiàn)概率最高的是偏心結(jié)構(gòu)，極渦中心位置主要偏向亞洲大陸靠太平洋一側(cè)，偏離歐洲大陸。北半球極渦強(qiáng)度與西太平洋副高強(qiáng)度呈顯著負(fù)相關(guān)[21]。當(dāng)極渦偏強(qiáng)時，西太平洋副高強(qiáng)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(yīng)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(qū)降水與北半球極渦中心強(qiáng)度呈顯著正相關(guān)。因此，北半球極渦中心強(qiáng)度越強(qiáng)，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(shù)據(jù)資料的分析表明，與全州站稻縱卷葉螟發(fā)生量相關(guān)顯著的大氣環(huán)流因子為北非副高北界指數(shù)（20°W-60°E）。因此，對全州站稻縱卷葉螟發(fā)生量與北非副高北界指數(shù)進(jìn)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(guān)系數(shù)及方差貢獻(xiàn)（表3）。由表3可見，各左右耦合分量序列之間的相關(guān)系數(shù)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(tài)，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(xiàn)率為0.35%。前4對特征向量的總方差貢獻(xiàn)率達(dá)到99.94%，說明所蘊(yùn)含的耦合周期信號能表示其主要耦合周期的振蕩模態(tài)?？梢姡菡镜究v卷葉螟發(fā)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(jī)理詳見2.1.3。

2.1.3 湘陰站

湘陰站1994-2014年的蟲情數(shù)據(jù)與1993-2014年74項大氣環(huán)流特征量的相關(guān)性結(jié)果表明，與湘陰站稻縱卷葉螟發(fā)生量相關(guān)性最顯著的大氣環(huán)流因子為北非副高北界指數(shù)（20°W-60°E）。因此，對湘陰站稻縱卷葉螟發(fā)生量與北非副高北界指數(shù)進(jìn)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(guān)系數(shù)及方差貢獻(xiàn)（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(guān)系數(shù)均達(dá)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(tài)，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(xiàn)率為7.74%。前4對特征向量所占的總方差貢獻(xiàn)率達(dá)到99.98%，因此，其所蘊(yùn)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(tài)?？梢?，湘陰站稻縱卷葉螟發(fā)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(fā)生量與北非副高北界指數(shù)的SCSA分析結(jié)果（最大后延M=53）

在南北半球的副熱帶地區(qū)，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(qiáng)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(qū)域高壓中心，它們支配著副熱帶天氣系統(tǒng)的運(yùn)動和水汽的傳輸，強(qiáng)烈影響熱帶、副熱帶及其鄰近地區(qū)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(tǒng)，隨季節(jié)演變會作有規(guī)律的北抬南撤和東西向的進(jìn)退，從冬季至夏季，表現(xiàn)為北抬西進(jìn)；從夏季至冬季，則表現(xiàn)為南撤東退。其北側(cè)常有中緯西風(fēng)帶天氣系統(tǒng)（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(fā)生著相應(yīng)的變化，因而也導(dǎo)致其北側(cè)天氣系統(tǒng)的位置、強(qiáng)度、覆蓋區(qū)域和面積發(fā)生變化。這些變化著的西風(fēng)帶天氣系統(tǒng)在向東移動過程中會明顯影響下游地區(qū)（包括廣西全州、湖南湘陰）的大氣環(huán)流形勢和天氣、氣候變化，繼而影響這兩個地區(qū)稻縱卷葉螟的遷入和為害。此外，北非副高與位于其東側(cè)的印度副高、西北太平洋副高一樣，均受到臨近赤道一側(cè)的東風(fēng)帶盛行風(fēng)場和跨赤道轉(zhuǎn)向生成的西南季風(fēng)的影響，其位置和強(qiáng)度發(fā)生相應(yīng)的變化，必然影響下游地區(qū)天氣系統(tǒng)（如印緬槽等）的位置和強(qiáng)度，從而影響這些地區(qū)（包括中國）的大氣環(huán)流形勢和天氣、氣候，繼而影響到全州、湘陰等地區(qū)的天氣氣候及稻縱卷葉螟遷入量的變化。當(dāng)北非副高北界偏北時，其下游的熱帶低緯天氣系統(tǒng)（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(qū)的西風(fēng)帶天氣系統(tǒng)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(yīng)看，北非副高北界的變化與全州、湘陰兩站的稻縱卷葉螟發(fā)生量之間存在著明顯的遙相關(guān)關(guān)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(jīng)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(fā)生量與北美副高脊線指數(shù)（110°W-60°W）相關(guān)性最好，表5為張家港站稻縱卷葉螟發(fā)生量和北美副高脊線指數(shù)經(jīng)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(guān)系數(shù)及方差貢獻(xiàn)，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(guān)系數(shù)均在0.7以上，相關(guān)性很好，第4對左右耦合分量序列的相關(guān)系數(shù)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(tài)，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(xiàn)率為4.45%。因此，這4對特征向量所蘊(yùn)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(tài)?？梢钥闯觯瑥埣腋壅镜究v卷葉螟發(fā)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(fā)生量與北非副高北界指數(shù)的SCSA方法分析結(jié)果（最大后延M=18）

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

北美副熱帶高壓位于110°W-20°W，它所產(chǎn)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(qū)的天氣、氣候，而且通過上下游的傳遞效應(yīng)影響北非副高、印度副高、西太平洋副高等天氣系統(tǒng)，間接對這些系統(tǒng)所在地區(qū)及相鄰地區(qū)的天氣、氣候產(chǎn)生影響，當(dāng)其脊線北抬時，其北側(cè)和下游（東側(cè)）的熱帶低緯天氣系統(tǒng)（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(qū)的西風(fēng)帶天氣系統(tǒng)位置也隨之北抬，在中國青藏高原以東地區(qū)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(fā)生量呈正相關(guān)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(xiàn)[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(wěn)，發(fā)生量周期振幅在2000年以前較強(qiáng)，2001年以后略減弱，2007年后又略微增強(qiáng)。而北非副高北界在1998年以前相對較弱，1998-2001年略增強(qiáng)，之后與稻縱卷葉螟發(fā)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(fā)生量周期自1994-1997年減弱，至1997-2005年開始增強(qiáng)，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(qiáng)，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(wěn)步增大的趨勢，特別是2006年之后發(fā)生量周期與北半球極渦中心強(qiáng)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(fā)生量周期從1994年開始先減弱，2000年后開始增強(qiáng)；北半球極渦中心強(qiáng)度的振蕩周期強(qiáng)度則從1994年開始一直在增強(qiáng)，其中2005年之前增強(qiáng)較快，之后增強(qiáng)較慢。發(fā)生量振蕩周期和北半球極渦中心強(qiáng)度振蕩周期均呈強(qiáng)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(wěn)，2009-2012年增強(qiáng)，2012年之后開始減弱。其中稻縱卷葉螟發(fā)生量周期振蕩較大，而北非副高北界的周期振蕩相對平穩(wěn)（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(fā)生量周期在1994-2000年振蕩減弱，2001-2005年顯著增強(qiáng)，2005年以后又開始明顯減弱，2008年以后趨于平穩(wěn)，北非副高北界的周期振蕩強(qiáng)度基本穩(wěn)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(wěn)，其中發(fā)生量周期振蕩起伏相對明顯，1994-2001年較平穩(wěn)，2002-2005年增強(qiáng)，2006年以后減弱；而北美副高脊線周期振蕩一直較平穩(wěn)（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(fā)生量周期自1994年開始，先略增強(qiáng)，至1999年開始減弱，2003年開始再次增強(qiáng)，2004年以后明顯增強(qiáng)，2009年又開始逐漸減弱；北美副高脊線的周期振蕩強(qiáng)度在1994-2002年較弱，2003-2009年較強(qiáng)，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(wěn)，而副周期的重組序列起伏變化較大，大氣環(huán)流特征量的周期振蕩幅度普遍小于稻縱卷葉螟發(fā)生量的振幅。

2.3 RCCS與自回歸分析（AR）結(jié)合進(jìn)行蟲量外推預(yù)測

SCSA方法在構(gòu)建預(yù)測模型時運(yùn)用RCCS重建耦合振蕩分量序列來進(jìn)行時間序列上的預(yù)報，所提取的序列信號單一，周期性強(qiáng)，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(jié)合進(jìn)行低階預(yù)報。因此，本文將其應(yīng)用到稻縱卷葉螟發(fā)生量預(yù)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(jié)合，對上述各站2014年的稻縱卷葉螟逐月發(fā)生量進(jìn)行預(yù)測試驗。從前面分析可以看出，4個站稻縱卷葉螟發(fā)生量與北非副高北界、北半球極渦中心強(qiáng)度、北美副高脊線指數(shù)等序列的相關(guān)性均很好，證明各自耦合序列與其相應(yīng)的合成序列也存在較好的關(guān)系。運(yùn)用自回歸方法，對發(fā)生量各RCCS分量序列選取最佳階數(shù)，經(jīng)過FPE準(zhǔn)則[25]計算后的結(jié)果表明，大多數(shù)RCCS序列以2～4階模型結(jié)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(jìn)行外延，實現(xiàn)各分量序列的外推預(yù)測。再將各分量序列進(jìn)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(fā)生趨勢預(yù)報值，各站歷史擬合和預(yù)測結(jié)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(yù)測值比2013年RC-s合成值高，即預(yù)測2014年的發(fā)生量高于2013年，這一預(yù)測與2014年的實測情況完全吻合；而2014年張家港站的預(yù)測值低于2013年的RC-s合成值，說明2014年發(fā)生量低于2013年，這一預(yù)測結(jié)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(fā)生趨勢的預(yù)測準(zhǔn)確。

2.4 SCSA-AR模型的預(yù)報結(jié)果檢驗

圖6顯示了SCSA-AR方法下2014年稻縱卷葉螟月發(fā)生量實測值和預(yù)測值的變化趨勢，由圖可見，對全州站共進(jìn)行8個月預(yù)測，前3個月和后3個月預(yù)測值與實測值誤差極小，預(yù)測結(jié)果與實際結(jié)果基本一致，誤差在0.2以內(nèi)（標(biāo)準(zhǔn)化值），且其標(biāo)準(zhǔn)化值先增后減的基本趨勢預(yù)測完全正確。對秀山站共進(jìn)行6個月預(yù)測，除第2個月預(yù)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(jìn)行6個月預(yù)測，第1個月預(yù)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(fā)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(xiàn)驟降。對張家港站共進(jìn)行4個月預(yù)測，第1個月預(yù)測值比實況值略低，后3個月預(yù)測值比實況值略高，但基本趨勢仍一致。4個站2014年預(yù)測值與實際值的誤差最大在0.4左右，多數(shù)月份的預(yù)測結(jié)果誤差在0.2左右，整體上看，預(yù)測結(jié)果基本準(zhǔn)確，預(yù)測的趨勢基本一致，預(yù)測效果較好。

為檢驗預(yù)報效果，分別計算預(yù)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(yù)測值與實況值的符號相關(guān)率）4個指標(biāo)，結(jié)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(yù)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(yù)測模型穩(wěn)定度最好。湘陰站的預(yù)測結(jié)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(yù)測值與實況值相似性平均值為0.75，說明預(yù)測結(jié)果基本準(zhǔn)確。

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

3 結(jié)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(fā)生量與74項大氣環(huán)流指數(shù)進(jìn)行相關(guān)性分析的基礎(chǔ)上，得到兩者相關(guān)關(guān)系顯著的大氣環(huán)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(fā)生量與顯著相關(guān)大氣環(huán)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(fù)雜，其中主周期相對平穩(wěn)，副周期起伏變化較大，且大氣環(huán)流特征量的周期振幅普遍小于稻縱卷葉螟發(fā)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(qiáng)化的耦合振蕩信號，更加適合研究蟲量和所選大氣環(huán)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(jié)合，對4個站2014年稻縱卷葉螟發(fā)生情況進(jìn)行預(yù)測試驗，結(jié)果表明，全州、秀山和湘陰三站發(fā)生量比2013年嚴(yán)重，而張家港站發(fā)生量則比2013年輕，這與實際發(fā)生量相符。同時，基于SCSA-AR方法對稻縱卷葉螟各月發(fā)生量的預(yù)測值及其變化趨勢預(yù)測也基本準(zhǔn)確，說明可以利用RCCS與AR方法結(jié)合對稻縱卷葉螟中長期發(fā)生量進(jìn)行預(yù)測，與陳觀浩的周期分析法相比[11]，預(yù)報準(zhǔn)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(fù)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(yù)報的效果較好[24]。但是這種趨勢預(yù)測離實際業(yè)務(wù)預(yù)報中對預(yù)報精確度要求還有一定差距，怎樣通過一定的修正程序?qū)CSA-AR預(yù)測模型得出的預(yù)報結(jié)果修正為更準(zhǔn)確、更穩(wěn)定、更接近實際的預(yù)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(fā)生特點及北遷的大氣背景[J].生態(tài)學(xué)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(fēng)溫場的適應(yīng)與選擇[J].生態(tài)學(xué)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(dá),唐廣田,張雅昕,等.稻縱卷葉螟發(fā)生的氣象條件等級預(yù)報[J].中國農(nóng)業(yè)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(qiáng),等.2003年稻縱卷葉螟重大遷入過程的大氣動力機(jī)制分析[J].昆蟲學(xué)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(fā)生特點及北遷的大氣背景[J].生態(tài)學(xué)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(biāo)與西太平洋海溫的遙相關(guān)及其長期預(yù)報模型[J].應(yīng)用生態(tài)學(xué)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(xué),秦治勇,等.稻縱卷葉螟中短期預(yù)測模型研究與應(yīng)用[J].貴州大學(xué)學(xué)報(自然科學(xué)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(yù)測模型[J].中國農(nóng)業(yè)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(yù)測稻縱卷葉螟的發(fā)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(yù)測模型[J].中國農(nóng)業(yè)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(fā)生的大氣環(huán)流指示指標(biāo)[J].生態(tài)學(xué)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(huán)流特征的稻縱卷葉螟遷入氣象條件分析及其發(fā)生預(yù)測[D].南京:南京信息工程大學(xué),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(shù)學(xué)的實踐與認(rèn)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(yīng)用[J].大氣科學(xué),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(qū)SST與SOI的耦合振蕩信號及其預(yù)測試驗[J].南京氣象學(xué)院學(xué)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(qiáng).功率譜分析中幾個重要問題的討論[J].地理學(xué)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(shù)值模擬及其對我國氣候的影響[D].南京:南京信息工程大學(xué),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(qū)降水特性及其物理成因的研究Ⅰ:我國各區(qū)降水與環(huán)流因子的關(guān)系[J].熱帶氣象學(xué)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(rèn)識[J].氣象學(xué)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(yù)報中的應(yīng)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(shù)據(jù)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(yè)（氣象）科研專項（GYHY201306053）；國家自然科學(xué)基金面上項目（41475106；31601221）；江蘇省高校優(yōu)勢學(xué)科建設(shè)工程

高文婷（1991-），碩士生，研究方向為農(nóng)業(yè)氣象、農(nóng)業(yè)病蟲測報學(xué)。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(fā)生預(yù)測中的應(yīng)用[J].中國農(nóng)業(yè)氣象,2017,38(9):583-596