CN110110945A - 一种基于种群模型的害虫预测方法及系统 - Google Patents
一种基于种群模型的害虫预测方法及系统 Download PDFInfo
- Publication number
- CN110110945A CN110110945A CN201910433464.4A CN201910433464A CN110110945A CN 110110945 A CN110110945 A CN 110110945A CN 201910433464 A CN201910433464 A CN 201910433464A CN 110110945 A CN110110945 A CN 110110945A
- Authority
- CN
- China
- Prior art keywords
- model
- pupa
- day
- development
- adult
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 56
- 241000238631 Hexapoda Species 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 241000382353 Pupa Species 0.000 claims abstract description 188
- 238000011161 development Methods 0.000 claims abstract description 111
- 230000018109 developmental process Effects 0.000 claims abstract description 111
- 230000008144 egg development Effects 0.000 claims abstract description 58
- 230000017448 oviposition Effects 0.000 claims abstract description 40
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 235000013601 eggs Nutrition 0.000 claims abstract description 13
- 230000004083 survival effect Effects 0.000 claims description 65
- 102000002322 Egg Proteins Human genes 0.000 claims description 47
- 108010000912 Egg Proteins Proteins 0.000 claims description 47
- 210000004681 ovum Anatomy 0.000 claims description 47
- 238000009825 accumulation Methods 0.000 claims description 24
- 230000032669 eclosion Effects 0.000 claims description 17
- 230000032683 aging Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 4
- 239000004744 fabric Substances 0.000 claims 2
- 241001385055 Ootypus Species 0.000 claims 1
- 231100000518 lethal Toxicity 0.000 claims 1
- 230000001665 lethal effect Effects 0.000 claims 1
- 230000007774 longterm Effects 0.000 abstract description 5
- ZPEIMTDSQAKGNT-UHFFFAOYSA-N chlorpromazine Chemical compound C1=C(Cl)C=C2N(CCCN(C)C)C3=CC=CC=C3SC2=C1 ZPEIMTDSQAKGNT-UHFFFAOYSA-N 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000000575 pesticide Substances 0.000 description 3
- 241001525802 Phyllonorycter pomonella Species 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000447 pesticide residue Substances 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000004894 snout Anatomy 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K67/00—Rearing or breeding animals, not otherwise provided for; New or modified breeds of animals
- A01K67/033—Rearing or breeding invertebrates; New breeds of invertebrates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Animal Husbandry (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Environmental Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mining & Mineral Resources (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Agronomy & Crop Science (AREA)
- Computer Hardware Design (AREA)
- Zoology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Marine Sciences & Fisheries (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明公开了一种基于种群模型的害虫预测方法及系统。该方法包括：将初始蛹数量和所有日平均气温输入春季羽化模型，得到第l天羽化的成虫数量；将前n‑1天的成虫数量和第n天的日平均气温输入成虫产卵模型，得到第n天成虫产卵数；将前n‑1天的产卵数和第n天日平均气温输入卵发育模型，得到第n天发育成的幼虫数量；将前n‑1天的幼虫数量和第n天的日平均气温输入幼虫发育模型，得到第n天发育成蛹的数量；将前n‑1天的蛹数量和第n天的日平均气温输入蛹发育模型，得到第n天羽化的成虫数量；判断n是否等于总天数；若是，输出每天对应的成虫数量、产卵数、幼虫数量和蛹数量。本发明不局限于某一特定区域，能实现对多区域的害虫进行长期的预测。
Description
技术领域
本发明涉及害虫预测技术领域，特别是涉及一种基于种群模型的害虫预测方法及系统。
背景技术
昆虫是典型的变温动物，温度是影响昆虫生长发育及种群发生动态的关键生态因子，气候变暖会影响昆虫生长发育、地理分布和不同温区的种群密度等。准确的害虫预测预报是科学防治害虫的前提。
我国是世界上开展害虫测报工作较早的国家，从1952年颁布《螟情预测办法》到1956年农业部颁布《农作物害虫预测预报方案》，有专门机构和专业人员对农作物影响较大的害虫进行调查记载、综合分析和发布虫情预报，至今已有60多年。预测模型在害虫预测预报中的应用，是与数学方法的发展密切相关的。随着数学理论及其他学科的发展，害虫的预测预报大致经历了经验预测、实验预测、统计预测和信息预测四个发展阶段。我国病虫测报工作面临一些新问题：一是气候异常、耕作制度和人类活动的变化导致病虫害暴发，而测报体系又面临严重人手不足、保障不力等问题；二是生态绿色安全农产品生产对病虫测报提出了更高了要求。因此，如何加强技术研究，推进预测方法模型化，简化测报方法，推进测报技术实用化成为关键。
目前，研究人员多运用不同数学模型拟合温度对昆虫发育速率的影响，从而筛选出最优模型。现有的预测方法通常为：通过积累多年资料，进行统计分析，拟合出符合某种害虫发生规律的模型，运用该模型对害虫的发生期和虫口密度进行预测，并检验其准确性。现有运用多年历史资料和统计分析方法，筛选出的数学模型往往只能对某一特定区域的害虫进行短期的预测预报，而且大多地区害虫发生的历史资料的获取比较困难。
发明内容
基于此，有必要提供一种适用范围广的基于种群模型的害虫预测方法及系统，不局限于某一特定区域，能够实现对多区域的害虫进行长期的预测，进而根据预测结果确定害虫特定虫态的发生高峰期，以及时预防，适时防治，精准施药，避免盲目施药。
为实现上述目的，本发明提供了如下方案：
一种基于种群模型的害虫预测方法，包括：
获取当前年份中每天的日平均气温；所述当前年份包括N天；N为365或366；
将初始蛹的数量设置为M，并将所有的日平均气温和所述初始蛹的数量输入至春季羽化模型中，得到第l天由蛹羽化出的成虫数量；所述春季羽化模型包括有效积温模型和累积羽化率模型；1≤l≤L；L＜N；L表示初始蛹的羽化天数；
将前n-1天的成虫数量和第n天对应的日平均气温输入至成虫产卵模型中，得到第n天的成虫的产卵数；所述成虫产卵模型包括成虫老化模型、总产卵量模型、特定年龄产卵模型和特定年龄生存模型；1＜n≤N；
根据第n天的成虫的产卵数和前n-1天的成虫的产卵数，更新得到前n天的成虫的产卵数并存储；
将前n-1天的成虫的产卵数和第n天对应的日平均气温输入至卵发育模型中，得到第n天由卵发育成幼虫的幼虫数量；所述卵发育模型包括卵发育率模型、卵分布模型和卵生存率模型；
根据第n天由卵发育成幼虫的幼虫数量和前n-1天由卵发育成幼虫的幼虫数量，更新得到前n天的幼虫数量并存储；
将前n-1天的由卵发育成幼虫的幼虫数量和第n天对应的日平均气温输入至幼虫发育模型中，得到第n天由幼虫发育成蛹的蛹数量；所述幼虫发育模型包括幼虫发育率模型、幼虫分布模型和幼虫生存率模型；
根据第n天由幼虫发育成蛹的蛹数量和前n-1天由幼虫发育成蛹的蛹数量，更新得到前n天的蛹数量并存储；
将前n-1天的蛹数量和第n天对应的日平均气温输入至蛹发育模型中，得到第n天由蛹羽化出的成虫数量；所述蛹发育模型包括蛹发育率模型、蛹分布模型和蛹生存率模型；
根据第n天由蛹羽化出的成虫数量和前n-1天的成虫数量，更新得到前n天的成虫数量并存储；
判断n是否等于N；
若否，则令n＝n+1，并返回所述将前n-1天的成虫数量和第n天对应的日平均气温输入至成虫产卵模型中，得到第n天的成虫的产卵数；
若是，则输出前n天中每天对应的由蛹羽化出的成虫数量、成虫的产卵数、由卵发育成幼虫的幼虫数量和由幼虫发育成蛹的蛹数量。
可选的，所述初始蛹的数量M的取值为1000。
可选的，所述成虫老化模型为
其中，r4(Tn)表示成虫老化速率，Tn表示第n天对应的日平均气温，k、m和v为成虫老化模型的参数；
所述总产卵量模型为：
f4(Tn)＝ω4·exp[1+(ε4-Tn)/δ4-exp((ε4-Tn)/δ4)]
其中，f4(Tn)表示第n天总产卵量，ω4、ε4和δ4为总产卵量模型的参数；
所述特定年龄产卵模型为：
其中，pn(Px)表示成虫产卵量累计率，Px表示成虫的生理年龄，α、β和γ表示特定年龄产卵模型的参数；
所述特定年龄生存模型为：
其中，sn(Px)表示成虫存活率，η和θ表示特定年龄生存模型的参数。
可选的，所述卵发育率模型为：
其中，r2(Tn)表示第n天的卵发育率，Tn表示第n天对应的日平均气温，T2max表示卵致死最高温度，ΔT表示卵致死最高温度和最适温度的差值，ρ为卵发育率模型的参数；
所述卵分布模型为：
其中，y2n表示第n天卵的累积发育完成率，x2n表示第n天的卵的生理年龄，a2和b2为卵分布模型的参数；
所述卵生存率模型为：
f2(Tn)＝ω2·exp[1+(ε2-Tn)/δ2-exp((ε2-Tn)/δ2)]
其中f2(Tn)表示第n天的卵生存率，ω2、ε2和δ2为卵生存率模型的参数。
可选的，所述幼虫发育率模型为：
其中，r3(Tn)表示第n天的幼虫发育率，Tn表示第n天对应的日平均气温，T3min表示幼虫发育起点温度，T3max表示幼虫致死最高温度，c3为幼虫发育率模型的参数；
所述幼虫分布模型为：
其中，y3n表示第n天幼虫的累积发育完成率，x3n表示第n天的幼虫的生理年龄，a3和b3为幼虫分布模型的参数；
所述幼虫生存率模型为：
f3(Tn)＝ω3·exp[1+(ε3-Tn)/δ3-exp((ε3-Tn)/δ3)]
其中f3(Tn)表示第n天的幼虫生存率，ω3、ε3和δ3为幼虫生存率模型的参数。
可选的，所述蛹发育率模型为：
其中，r1(Tn)表示第n天的蛹发育率，Tn表示第n天对应的日平均气温，T1min表示蛹发育起点温度，T1max表示蛹致死最高温度，c1为蛹发育率模型的参数；
所述蛹分布模型为：
其中，y1n表示第n天蛹的累积发育完成率，x1n表示第n天的蛹的生理年龄，a1和b1为蛹分布模型的参数；
所述蛹生存率模型为：
f1(Tn)＝ω1·exp[1+(ε1-Tn)/δ1-exp((ε1-Tn)/δ1)]
其中f1(Tn)表示第n天的蛹生存率，ω1、ε1和δ1为蛹生存率模型的参数。
可选的，所述有效积温模型为：
其中DO表示累计有效积温，Ta表示每日平均气温，LT表示初始蛹的发育起点温度，D表示时间，单位为天；w表示有效积温的累计天数；
所述累积羽化率模型为：
其中，y4n表示累积羽化率，a4和b4为累积羽化率模型的参数。
本发明还提供了一种基于种群模型的害虫预测系统，包括：
气温获取模块，用于获取当前年份中每天的日平均气温；所述当前年份包括N天；N为365或366；
春季羽化模块，用于将初始蛹的数量设置为M，并将所有的日平均气温和所述初始蛹的数量输入至春季羽化模型中，得到第l天由蛹羽化出的成虫数量；所述春季羽化模型包括有效积温模型和累积羽化率模型；1≤l≤L；L＜N；L表示初始蛹的羽化天数；
第一预测模块，用于将前n-1天的成虫数量和第n天对应的日平均气温输入至成虫产卵模型中，得到第n天的成虫的产卵数；所述成虫产卵模型包括成虫老化模型、总产卵量模型、特定年龄产卵模型和特定年龄生存模型；1＜n≤N；
第一更新模块，用于根据第n天的成虫的产卵数和前n-1天的成虫的产卵数，更新得到前n天的成虫的产卵数并存储；
第二预测模块，用于将前n-1天的成虫的产卵数和第n天对应的日平均气温输入至卵发育模型中，得到第n天由卵发育成幼虫的幼虫数量；所述卵发育模型包括卵发育率模型、卵分布模型和卵生存率模型；
第二更新模块，用于根据第n天由卵发育成幼虫的幼虫数量和前n-1天由卵发育成幼虫的幼虫数量，更新得到前n天的幼虫数量并存储；
第三预测模块，用于将前n-1天的由卵发育成幼虫的幼虫数量和第n天对应的日平均气温输入至幼虫发育模型中，得到第n天由幼虫发育成蛹的蛹数量；所述幼虫发育模型包括幼虫发育率模型、幼虫分布模型和幼虫生存率模型；
第三更新模块，用于根据第n天由幼虫发育成蛹的蛹数量和前n-1天由幼虫发育成蛹的蛹数量，更新得到前n天的蛹数量并存储；
第四预测模块，用于将前n-1天的蛹数量和第n天对应的日平均气温输入至蛹发育模型中，得到第n天由蛹羽化出的成虫数量；所述蛹发育模型包括蛹发育率模型、蛹分布模型和蛹生存率模型；
第四更新模块，用于根据第n天由蛹羽化出的成虫数量和前n-1天的成虫数量，更新得到前n天的成虫数量并存储；
判断模块，用于判断n是否等于N；若否，则令n＝n+1，并返回所述第一预测模块；若是，则执行输出模块；所述输出模块，用于输出前n天中每天对应的由蛹羽化出的成虫数量、成虫的产卵数、由卵发育成幼虫的幼虫数量和由幼虫发育成蛹的蛹数量。
与现有技术相比，本发明的有益效果是：
本发明提出了一种基于种群模型的害虫预测方法及系统。该方法包括：将初始蛹数量和所有日平均气温输入春季羽化模型，得到第l天羽化的成虫数量；将前n-1天的成虫数量和第n天的日平均气温输入成虫产卵模型，得到第n天成虫的产卵数；将前n-1天的产卵数和第n天日平均气温输入卵发育模型，得到第n天由卵发育成的幼虫数量；将前n-1天的幼虫数量和第n天的日平均气温输入幼虫发育模型，得到第n天由幼虫发育成蛹的数量；将前n-1天的蛹数量和第n天的日平均气温输入蛹发育模型，得到第n天由蛹羽化出的成虫数量；判断n是否等于当前年份总天数；若否，令n＝n+1，重复上述步骤；若是，输出每天对应的成虫数量、产卵数、幼虫数量和蛹数量。本发明不局限于某一特定区域，能够实现对多区域的害虫进行长期的预测；本发明不用根据害虫发生的历史资料，仅以某地的日平均气温为输入参数，就可以准确预测当地某一虫态的发生高峰期，根据种群模型输出结果，可以指导农民因时因地施药，减少施药次数，降低农药残留，保护了生态环境。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于种群模型的害虫预测方法的流程图；
图2为本发明实施例对基于种群模型的害虫预测方法进行验证的结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一种基于种群模型的害虫预测方法的流程图。
参见图1，实施例的基于种群模型的害虫预测方法，包括：
步骤S1：获取当前年份中每天的日平均气温。所述当前年份包括N天；N为365或366。
步骤S2：将初始蛹的数量设置为M，并将所有的日平均气温和所述初始蛹的数量输入至春季羽化模型中，得到第l天由蛹羽化出的成虫数量。
所述春季羽化模型包括有效积温模型和累积羽化率模型；1≤l≤L；L＜N；L表示初始蛹的羽化天数。本实施例中M的取值为1000。
步骤S3：将前n-1天的成虫数量和第n天对应的日平均气温输入至成虫产卵模型中，得到第n天的成虫的产卵数。
所述成虫产卵模型包括成虫老化模型、总产卵量模型、特定年龄产卵模型和特定年龄生存模型。
所述成虫老化模型为
其中，r4(Tn)表示成虫老化速率，Tn表示第n天对应的日平均气温，k、m和v为成虫老化模型的参数，本实施例中，k＝0.0213，m＝-0.0542，v＝0.0009。
所述总产卵量模型为：
f4(Tn)＝ω4·exp[1+(ε4-Tn)/δ4-exp((ε4-Tn)/δ4)]
其中，f4(Tn)表示第n天总产卵量，ω4、ε4和δ4为总产卵量模型的参数，本实施例中，ω4＝71.3686，ε4＝17.8132，δ4＝6.1431。
所述特定年龄产卵模型为：
其中，pn(Px)表示成虫产卵量累计率，Px表示成虫的生理年龄，α、β和γ表示特定年龄产卵模型的参数，本实施例中，α＝0.0545，β＝0.5286，γ＝1.7591。
所述特定年龄生存模型为：
其中，sn(Px)表示成虫存活率，η和θ表示特定年龄生存模型的参数，本实施例中，η＝1.0416，θ＝-0.1926。
步骤S4：根据第n天的成虫的产卵数和前n-1天的成虫的产卵数，更新得到前n天的成虫的产卵数并存储。
步骤S5：将前n-1天的成虫的产卵数和第n天对应的日平均气温输入至卵发育模型中，得到第n天由卵发育成幼虫的幼虫数量。
所述卵发育模型包括卵发育率模型、卵分布模型和卵生存率模型。
所述卵发育率模型为：
其中，r2(Tn)表示第n天的卵发育率，Tn表示第n天对应的日平均气温，T2max表示卵致死最高温度，ΔT表示卵致死最高温度和最适温度的差值，ρ为卵发育率模型的参数，本实施例中，T2max＝34.3922，ΔT＝6.3332，ρ＝0.1575。
所述卵分布模型为：
其中，y2n表示第n天卵的累积发育完成率，x2n表示第n天的卵的生理年龄，a2和b2为卵分布模型的参数，本实施例中，a2＝0.9786，b2＝7.297。
所述卵生存率模型为：
f2(Tn)＝ω2·exp[1+(ε2-Tn)/δ2-exp((ε2-Tn)/δ2)]
其中f2(Tn)表示第n天的卵生存率，ω2、ε2和δ2为卵生存率模型的参数，本实施例中，ω2＝0.914，ε2＝20.34，δ2＝20.457。
步骤S6：根据第n天由卵发育成幼虫的幼虫数量和前n-1天由卵发育成幼虫的幼虫数量，更新得到前n天的幼虫数量并存储。
步骤S7：将前n-1天的由卵发育成幼虫的幼虫数量和第n天对应的日平均气温输入至幼虫发育模型中，得到第n天由幼虫发育成蛹的蛹数量。
所述幼虫发育模型包括幼虫发育率模型、幼虫分布模型和幼虫生存率模型。
所述幼虫发育率模型为：
其中，r3(Tn)表示第n天的幼虫发育率，Tn表示第n天对应的日平均气温，T3min表示幼虫发育起点温度，T3max表示幼虫致死最高温度，c3为幼虫发育率模型的参数，本实施例中，T3min＝4.8463，T3max＝33.5695，c3＝0.00004。
所述幼虫分布模型为：
其中，y3n表示第n天幼虫的累积发育完成率，x3n表示第n天的幼虫的生理年龄，a3和b3为幼虫分布模型的参数，本实施例中，a3＝1.0343，b3＝5.5455。
所述幼虫生存率模型为：
f3(Tn)＝ω3·exp[1+(ε3-Tn)/δ3-exp((ε3-Tn)/δ3)]
其中f3(Tn)表示第n天的幼虫生存率，ω3、ε3和δ3为幼虫生存率模型的参数，本实施例中，ω3＝0.759，ε3＝17.988，δ3＝6.947。
步骤S8：根据第n天由幼虫发育成蛹的蛹数量和前n-1天由幼虫发育成蛹的蛹数量，更新得到前n天的蛹数量并存储。
步骤S9：将前n-1天的蛹数量和第n天对应的日平均气温输入至蛹发育模型中，得到第n天由蛹羽化出的成虫数量。
所述蛹发育模型包括蛹发育率模型、蛹分布模型和蛹生存率模型；1＜n≤N。
所述蛹发育率模型为：
其中，r1(Tn)表示第n天的蛹发育率，Tn表示第n天对应的日平均气温，T1min表示蛹发育起点温度，T1max表示蛹致死最高温度，c1为蛹发育率模型的参数，本实施例中，T1min＝7.5904，T1max＝35.5845，c1＝0.00011。
所述蛹分布模型为：
其中，y1n表示第n天蛹的累积发育完成率，x1n表示第n天的蛹的生理年龄，a1和b1为蛹分布模型的参数，本实施例中，a1＝0.9866、b1＝14.8415。
所述蛹生存率模型为：
f1(Tn)＝ω1·exp[1+(ε1-Tn)/δ1-exp((ε1-Tn)/δ1)]
其中f1(Tn)表示第n天的蛹生存率，ω1、ε1和δ1为蛹生存率模型的参数，本实施例中，ω1＝0.923、ε1＝21.845、δ1＝8.353。
步骤S10：根据第n天由蛹羽化出的成虫数量和前n-1天的成虫数量，更新得到前n天的成虫数量并存储。
步骤S11：判断n是否等于N。
若n不等于N，则令n＝n+1，并返回所述步骤S3；若n等于N，则执行步骤S12。
步骤S12：输出前n天中每天对应的由蛹羽化出的成虫数量、成虫的产卵数、由卵发育成幼虫的幼虫数量和由幼虫发育成蛹的蛹数量。
本实施例中，所述有效积温模型为：
其中DO表示累计有效积温，Ta表示每日平均气温，LT表示蛹的发育起点温度，D表示时间(天)，本实施例中，LT＝7.06℃。
所述累积羽化率模型为：
其中，y4n表示累积羽化率，a4和b4为累积羽化率模型的参数，本实施例中，a4＝353.349，b4＝4.104。
本实施例中，越冬蛹的发育起点温度LT的计算方法为：测定越冬蛹在不同恒定温度下(至少设定5个温度)的发育历期，记录每天的成虫羽化数。计算出每个温度下的平均发育历期和发育速率，用线性回归方程拟合不同温度下的发育速率，即可计算出越冬蛹的发育起点温度LT。
本实施例中，各个模型的参数是通过实验数据拟合得到的。具体的，测定卵、幼虫和蛹在不同恒定温度下(至少设定5个温度)的发育历期，记录每天的发育和死亡情况。计算出每个温度下卵、幼虫和蛹的发育历期和发育速率，以温度为自变量，用卵发育速率模型拟合卵的发育速率，用幼虫发育速率模型拟合幼虫的发育速率，用蛹发育速率模型拟合蛹的发育速率，用卵生存率模型拟合卵的存活率，用幼虫生存率模型拟合幼虫的存活率，用蛹生存率模型拟合幼虫的存活率。卵、幼虫和蛹的累积发育速率即是其生理年龄，基于生理年龄，用累积羽化率模型拟合卵、幼虫和蛹的发育进度，即每个生理年龄下的累积发育完成率。将初羽化的成虫放在不同恒定温度下(至少设定5个温度)，记录每天的产卵量和死亡情况。计算出不同温度下雌虫的平均寿命和产卵量。以温度为自变量，用成虫老化模型拟合成虫老化速率，用总产卵量模型拟合雌虫产卵量。成虫的累积老化速率即是其生理年龄，基于生理年龄，用特定年龄产卵模型模拟其累积产卵率，用特定年龄生存模型模拟其存活率。
下面对本实施例的方法进行了验证。
以苹果害虫金纹细蛾为例，把2016年的每日平均温度输入模型，能预测出全年的发生代数和各代的发生高峰期，如图2所示。参见图2，金纹细蛾每年发生5代，第一代的成虫高峰期为第134天(5月13日)，第二代的成虫高峰期为第166天(6月14日)，第三代的成虫高峰期为第207天(7月25日)，第四代的成虫高峰期为第239天(8月26日)，第五代的成虫高峰期为第289天(9月28日)。
本实施例的基于种群模型的害虫预测方法，不局限于某一特定区域，以气候因子为基础，应用数学公式构建害虫种群动态模型，准确预测害虫各个虫态的发生高峰期和发生量，为农业害虫的预测预报提供新方法，实现了对多区域的害虫进行长期的预测；本实施例根据害虫种群动态模型的预测结果，确定害虫特定虫态的发生高峰期，可以及时预防，适时防治，精准施药，避免盲目施药。
本发明还提供了一种基于种群模型的害虫预测系统，包括：
气温获取模块，用于获取当前年份中每天的日平均气温；所述当前年份包括N天；N为365或366。
春季羽化模块，用于将初始蛹的数量设置为M，并将所有的日平均气温和所述初始蛹的数量输入至春季羽化模型中，得到第l天由蛹羽化出的成虫数量；所述春季羽化模型包括有效积温模型和累积羽化率模型；1≤l≤L；L＜N；L表示初始蛹的羽化天数。
第一预测模块，用于将前n-1天的成虫数量和第n天对应的日平均气温输入至成虫产卵模型中，得到第n天的成虫的产卵数；所述成虫产卵模型包括成虫老化模型、总产卵量模型、特定年龄产卵模型和特定年龄生存模型；1＜n≤N。
第一更新模块，用于根据第n天的成虫的产卵数和前n-1天的成虫的产卵数，更新得到前n天的成虫的产卵数并存储。
第二预测模块，用于将前n-1天的成虫的产卵数和第n天对应的日平均气温输入至卵发育模型中，得到第n天由卵发育成幼虫的幼虫数量；所述卵发育模型包括卵发育率模型、卵分布模型和卵生存率模型。
第二更新模块，用于根据第n天由卵发育成幼虫的幼虫数量和前n-1天由卵发育成幼虫的幼虫数量，更新得到前n天的幼虫数量并存储。
第三预测模块，用于将前n-1天的由卵发育成幼虫的幼虫数量和第n天对应的日平均气温输入至幼虫发育模型中，得到第n天由幼虫发育成蛹的蛹数量；所述幼虫发育模型包括幼虫发育率模型、幼虫分布模型和幼虫生存率模型。
第三更新模块，用于根据第n天由幼虫发育成蛹的蛹数量和前n-1天由幼虫发育成蛹的蛹数量，更新得到前n天的蛹数量并存储。
第四预测模块，用于将前n-1天的蛹数量和第n天对应的日平均气温输入至蛹发育模型中，得到第n天由蛹羽化出的成虫数量；所述蛹发育模型包括蛹发育率模型、蛹分布模型和蛹生存率模型。
第四更新模块，用于根据第n天由蛹羽化出的成虫数量和前n-1天的成虫数量，更新得到前n天的成虫数量并存储。
判断模块，用于判断n是否等于N；若否，则令n＝n+1，并返回所述第一预测模块；若是，则执行输出模块；所述输出模块，用于输出前n天中每天对应的由蛹羽化出的成虫数量、成虫的产卵数、由卵发育成幼虫的幼虫数量和由幼虫发育成蛹的蛹数量。
本实施例的基于种群模型的害虫预测系统，不局限于某一特定区域，以气候因子为基础，应用数学公式构建害虫种群动态模型，准确预测害虫各个虫态的发生高峰期和发生量，为农业害虫的预测预报提供新方法，实现了对多区域的害虫进行长期的预测；本实施例根据害虫种群动态模型的预测结果，确定害虫特定虫态的发生高峰期，可以及时预防，适时防治，精准施药，避免盲目施药。
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于种群模型的害虫预测方法，其特征在于，包括：
获取当前年份中每天的日平均气温；所述当前年份包括N天；N为365或366；
将初始蛹的数量设置为M，并将所有的日平均气温和所述初始蛹的数量输入至春季羽化模型中，得到第l天由蛹羽化出的成虫数量；所述春季羽化模型包括有效积温模型和累积羽化率模型；1≤l≤L；L＜N；L表示初始蛹的羽化天数；
将前n-1天的成虫数量和第n天对应的日平均气温输入至成虫产卵模型中，得到第n天的成虫的产卵数；所述成虫产卵模型包括成虫老化模型、总产卵量模型、特定年龄产卵模型和特定年龄生存模型；1＜n≤N；
根据第n天的成虫的产卵数和前n-1天的成虫的产卵数，更新得到前n天的成虫的产卵数并存储；
将前n-1天的成虫的产卵数和第n天对应的日平均气温输入至卵发育模型中，得到第n天由卵发育成幼虫的幼虫数量；所述卵发育模型包括卵发育率模型、卵分布模型和卵生存率模型；
根据第n天由卵发育成幼虫的幼虫数量和前n-1天由卵发育成幼虫的幼虫数量，更新得到前n天的幼虫数量并存储；
将前n-1天的由卵发育成幼虫的幼虫数量和第n天对应的日平均气温输入至幼虫发育模型中，得到第n天由幼虫发育成蛹的蛹数量；所述幼虫发育模型包括幼虫发育率模型、幼虫分布模型和幼虫生存率模型；
根据第n天由幼虫发育成蛹的蛹数量和前n-1天由幼虫发育成蛹的蛹数量，更新得到前n天的蛹数量并存储；
将前n-1天的蛹数量和第n天对应的日平均气温输入至蛹发育模型中，得到第n天由蛹羽化出的成虫数量；所述蛹发育模型包括蛹发育率模型、蛹分布模型和蛹生存率模型；
根据第n天由蛹羽化出的成虫数量和前n-1天的成虫数量，更新得到前n天的成虫数量并存储；
判断n是否等于N；
若否，则令n＝n+1，并返回所述将前n-1天的成虫数量和第n天对应的日平均气温输入至成虫产卵模型中，得到第n天的成虫的产卵数；
若是，则输出前n天中每天对应的由蛹羽化出的成虫数量、成虫的产卵数、由卵发育成幼虫的幼虫数量和由幼虫发育成蛹的蛹数量。
2.根据权利要求1所述的一种基于种群模型的害虫预测方法，其特征在于，所述初始蛹的数量M的取值为1000。
3.根据权利要求1所述的一种基于种群模型的害虫预测方法，其特征在于，所述成虫老化模型为
其中，r4(Tn)表示成虫老化速率，Tn表示第n天对应的日平均气温，k、m和v为成虫老化模型的参数；
所述总产卵量模型为：
f4(Tn)＝ω4·exp[1+(ε4-Tn)/δ4-exp((ε4-Tn)/δ4)]
其中，f4(Tn)表示第n天总产卵量，ω4、ε4和δ4为总产卵量模型的参数；
所述特定年龄产卵模型为：
其中，pn(Px)表示成虫产卵量累计率，Px表示成虫的生理年龄，α、β和γ表示特定年龄产卵模型的参数；
所述特定年龄生存模型为：
其中，sn(Px)表示成虫存活率，η和θ表示特定年龄生存模型的参数。
4.根据权利要求1所述的一种基于种群模型的害虫预测方法，其特征在于，所述卵发育率模型为：
其中，r2(Tn)表示第n天的卵发育率，Tn表示第n天对应的日平均气温，T2max表示卵致死最高温度，ΔT表示卵致死最高温度和最适温度的差值，ρ为卵发育率模型的参数；
所述卵分布模型为：
其中，y2n表示第n天卵的累积发育完成率，x2n表示第n天的卵的生理年龄，a2和b2为卵分布模型的参数；
所述卵生存率模型为：
f2(Tn)＝ω2·exp[1+(ε2-Tn)/δ2-exp((ε2-Tn)/δ2)]
其中f2(Tn)表示第n天的卵生存率，ω2、ε2和δ2为卵生存率模型的参数。
5.根据权利要求1所述的一种基于种群模型的害虫预测方法，其特征在于，所述幼虫发育率模型为：
其中，r3(Tn)表示第n天的幼虫发育率，Tn表示第n天对应的日平均气温，T3min表示幼虫发育起点温度，T3max表示幼虫致死最高温度，c3为幼虫发育率模型的参数；
所述幼虫分布模型为：
其中，y3n表示第n天幼虫的累积发育完成率，x3n表示第n天的幼虫的生理年龄，a3和b3为幼虫分布模型的参数；
所述幼虫生存率模型为：
f3(Tn)＝ω3·exp[1+(ε3-Tn)/δ3-exp((ε3-Tn)/δ3)]
其中f3(Tn)表示第n天的幼虫生存率，ω3、ε3和δ3为幼虫生存率模型的参数。
6.根据权利要求1所述的一种基于种群模型的害虫预测方法，其特征在于，所述蛹发育率模型为：
其中，r1(Tn)表示第n天的蛹发育率，Tn表示第n天对应的日平均气温，T1min表示蛹发育起点温度，T1max表示蛹致死最高温度，c1为蛹发育率模型的参数；
所述蛹分布模型为：
其中，y1n表示第n天蛹的累积发育完成率，x1n表示第n天的蛹的生理年龄，a1和b1为蛹分布模型的参数；
所述蛹生存率模型为：
f1(Tn)＝ω1·exp[1+(ε1-Tn)/δ1-exp((ε1-Tn)/δ1)]
其中f1(Tn)表示第n天的蛹生存率，ω1、ε1和δ1为蛹生存率模型的参数。
7.根据权利要求1所述的一种基于种群模型的害虫预测方法，其特征在于，所述有效积温模型为：
其中DO表示累计有效积温，Ta表示每日平均气温，LT表示初始蛹的发育起点温度，D表示时间，单位为天；w表示有效积温的累计天数；
所述累积羽化率模型为：
其中，y4n表示累积羽化率，a4和b4为累积羽化率模型的参数。
8.一种基于种群模型的害虫预测系统，其特征在于，包括：
气温获取模块，用于获取当前年份中每天的日平均气温；所述当前年份包括N天；N为365或366；
春季羽化模块，用于将初始蛹的数量设置为M，并将所有的日平均气温和所述初始蛹的数量输入至春季羽化模型中，得到第l天由蛹羽化出的成虫数量；所述春季羽化模型包括有效积温模型和累积羽化率模型；1≤l≤L；L＜N；L表示初始蛹的羽化天数；
第一预测模块，用于将前n-1天的成虫数量和第n天对应的日平均气温输入至成虫产卵模型中，得到第n天的成虫的产卵数；所述成虫产卵模型包括成虫老化模型、总产卵量模型、特定年龄产卵模型和特定年龄生存模型；1＜n≤N；
第一更新模块，用于根据第n天的成虫的产卵数和前n-1天的成虫的产卵数，更新得到前n天的成虫的产卵数并存储；
第二预测模块，用于将前n-1天的成虫的产卵数和第n天对应的日平均气温输入至卵发育模型中，得到第n天由卵发育成幼虫的幼虫数量；所述卵发育模型包括卵发育率模型、卵分布模型和卵生存率模型；
第二更新模块，用于根据第n天由卵发育成幼虫的幼虫数量和前n-1天由卵发育成幼虫的幼虫数量，更新得到前n天的幼虫数量并存储；
第三预测模块，用于将前n-1天的由卵发育成幼虫的幼虫数量和第n天对应的日平均气温输入至幼虫发育模型中，得到第n天由幼虫发育成蛹的蛹数量；所述幼虫发育模型包括幼虫发育率模型、幼虫分布模型和幼虫生存率模型；
第三更新模块，用于根据第n天由幼虫发育成蛹的蛹数量和前n-1天由幼虫发育成蛹的蛹数量，更新得到前n天的蛹数量并存储；
第四预测模块，用于将前n-1天的蛹数量和第n天对应的日平均气温输入至蛹发育模型中，得到第n天由蛹羽化出的成虫数量；所述蛹发育模型包括蛹发育率模型、蛹分布模型和蛹生存率模型；
第四更新模块，用于根据第n天由蛹羽化出的成虫数量和前n-1天的成虫数量，更新得到前n天的成虫数量并存储；
判断模块，用于判断n是否等于N；若否，则令n＝n+1，并返回所述第一预测模块；若是，则执行输出模块；所述输出模块，用于输出前n天中每天对应的由蛹羽化出的成虫数量、成虫的产卵数、由卵发育成幼虫的幼虫数量和由幼虫发育成蛹的蛹数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910433464.4A CN110110945B (zh) | 2019-05-23 | 2019-05-23 | 一种基于种群模型的害虫预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910433464.4A CN110110945B (zh) | 2019-05-23 | 2019-05-23 | 一种基于种群模型的害虫预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110110945A true CN110110945A (zh) | 2019-08-09 |
| CN110110945B CN110110945B (zh) | 2021-04-09 |
Family
ID=67491813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910433464.4A Active CN110110945B (zh) | 2019-05-23 | 2019-05-23 | 一种基于种群模型的害虫预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110110945B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612898A (zh) * | 2022-03-16 | 2022-06-10 | 华南农业大学 | 一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法 |
| CN115953262A (zh) * | 2023-03-15 | 2023-04-11 | 江苏慧禾融智信息技术有限公司 | 一种基于蛾虫驱赶调查的病虫害数据管理系统及方法 |
| CN116523149A (zh) * | 2023-07-04 | 2023-08-01 | 中化现代农业有限公司 | 微小害虫防治适期预测方法、装置、电子设备和存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4370946A (en) * | 1979-07-09 | 1983-02-01 | Institut National De La Recherche Agronomique - Unra | Method for conditioning and preserving eggs of insect oophage parasites or process for conditioning and preservation of eggs of oophagous parasites of insects |
| CN106754748A (zh) * | 2016-12-14 | 2017-05-31 | 陈晓光 | 白纹伊蚊浓核病毒及其应用 |
-
2019
- 2019-05-23 CN CN201910433464.4A patent/CN110110945B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4370946A (en) * | 1979-07-09 | 1983-02-01 | Institut National De La Recherche Agronomique - Unra | Method for conditioning and preserving eggs of insect oophage parasites or process for conditioning and preservation of eggs of oophagous parasites of insects |
| CN106754748A (zh) * | 2016-12-14 | 2017-05-31 | 陈晓光 | 白纹伊蚊浓核病毒及其应用 |
Non-Patent Citations (2)
| Title |
|---|
| 乔利: ""茶小绿叶蝉Empoasca onukii Matsuda对短期高低温的响应及分子机制研究"", 《中国博士学位论文全文数据库 农业科技辑》 * |
| 罗礼智 等: ""草地螟的有效积温及其世代的划分"", 《昆虫学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612898A (zh) * | 2022-03-16 | 2022-06-10 | 华南农业大学 | 一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法 |
| CN114612898B (zh) * | 2022-03-16 | 2024-05-10 | 华南农业大学 | 一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法 |
| CN115953262A (zh) * | 2023-03-15 | 2023-04-11 | 江苏慧禾融智信息技术有限公司 | 一种基于蛾虫驱赶调查的病虫害数据管理系统及方法 |
| CN116523149A (zh) * | 2023-07-04 | 2023-08-01 | 中化现代农业有限公司 | 微小害虫防治适期预测方法、装置、电子设备和存储介质 |
| CN116523149B (zh) * | 2023-07-04 | 2023-10-31 | 中化现代农业有限公司 | 微小害虫防治适期预测方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110110945B (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110110945A (zh) | 一种基于种群模型的害虫预测方法及系统 | |
| Nielsen et al. | Coupling developmental physiology, photoperiod, and temperature to model phenology and dynamics of an invasive heteropteran, Halyomorpha halys | |
| Wang et al. | A POPULATION MODEL FOR PLANT GROWTH AND DEVELOPMENT: COUPLING COTTON–HERBIVORE INTERACTION1 | |
| Wang et al. | Development of the green bottle fly Lucilia illustris at constant temperatures | |
| Gillet | Modelling vegetation dynamics in heterogeneous pasture-woodland landscapes | |
| Rigamonti et al. | Towards an improved understanding of the dynamics of vineyard‐infesting Scaphoideus titanus leafhopper populations for better timing of management activities | |
| CN103197538B (zh) | 一种基于过程神经网络的孵房温度控制方法 | |
| Esther et al. | Correlations between weather conditions and common vole (Microtus arvalis) densities identified by regression tree analysis | |
| Henson et al. | Socially induced ovulation synchrony and its effect on seabird population dynamics | |
| CN114511161B (zh) | 二点委夜蛾防治适期预测方法、装置、设备和存储介质 | |
| Roques et al. | Does reaction-diffusion support the duality of fragmentation effect? | |
| Challa | Report of the working party" crop growth models" | |
| Johnston et al. | A mechanistic, stochastic, population model of egg production | |
| Moffet et al. | Weather tools for retrospective assessment of restoration outcomes | |
| Cubillos et al. | Simulation of fishery-induced changes on the reproductive cycle of common sardine, Strangomera bentincki, off central southern Chile | |
| Sun et al. | Study of tomato growth weight-distribution model based on real-time plant weight in a solar greenhouse | |
| Karsai et al. | Population models reveal synergistic fitness effects of climate change and urbanization on Poison ivy (Toxicodendron radicans) via disruption of seed dispersal interactions | |
| Bechini et al. | Coinciding development of winter wheat and leaf beetles along an Alpine transect | |
| Tanigoshi et al. | Influence of temperature on life table parameters of Metaseiulus occidentalis and Tetranychus mcdanieli (Acarina: Phytoseiidae, Tetranychidae) | |
| Wang | The models of niche and their application | |
| Frago et al. | Providing insights into browntail moth local outbreaks by combining life table data and semi‐parametric statistics | |
| Fielding | Optimal diapause strategies of a grasshopper, Melanoplus sanguinipes | |
| Rosile et al. | Novel indices of meteorological drivers of West Nile virus in Ohio Culex species mosquitoes from 2002–2006 | |
| Baumgärtner et al. | Elements for modelling the dynamics of tritrophic population interactions | |
| DeJong et al. | Modeling the carbohydrate economy of peach fruit growth and crop production |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |