气象因素、环境因素和人为因素是影响白纹伊蚊 （Aedes albopictus）密度变化的主要因素^[1]。白纹伊蚊 作为登革热的主要传播媒介属于半家栖型，在居民区 和野外都比较常见，主要孳生于小型水体（盆景、树洞 和石穴等）。总的来说，蚊虫密度的变化会受到某些气 象因素的影响，如：温度、降雨量、蒸发量、相对湿度、风 速、日照时间和强度。某些特殊天气现象（大幅度降 温、降雪和冰雹等）也会影响到蚊虫的密度、分布和叮 咬活动。从已有的统计学分析研究结果看，对蚊虫密 度、蚊虫活动性影响最大的气象因素是气温。降雨量 对蚊虫密度影响较为复杂，相关文献的研究结果也不 一致^[2,3]。虽然蚊虫发育的前3个阶段（卵、幼虫和蛹） 都需要水生的环境，但是降雨量、蒸发量、日照时间和 强度等多个气象因素都会间接地影响蚊虫的水生 环境。

本研究应用统计学方法分析气象因素对白纹伊蚊 种群密度的影响及其影响程度。采用matlab软件进行 多元逐步回归并使用神经网络预测^[4,5]，分析和预测中 考虑了气温、降雨量、日照时间、相对湿度、风速等共 20项气象因素与蚊虫密度的相关性。 1 材料与方法 1.1 白纹伊蚊密度

上海市的白纹伊蚊多出现在每 年的4－11月。本研究的白纹伊蚊密度数据来源于上 海市疾病预防控制中心，于2005－2008年采用人工小 时法监测的蚊虫密度数据。 1.2 气象资料

气象资料来源于上海市气候中心。 1.3 分析方法

数据统计分析使用matlab软件，以各 月气温、降雨量、日照时间、相对湿度、风速等共20项 气象因素为因变量，对数据进行统计学分析，判断白纹 伊蚊月平均密度与同期气温、降雨量等气象因素的关 系及密切程度。本研究主要使用了多元逐步回归和 BP神经网络来研究气候因素与蚊虫密度、蚊虫活性之 间的关系。 2 结果 2.1 气象因素分析

2005－2008年上海地区年平均 气温为17.6 ℃；7月最热，月平均气温为29.7 ℃；1月最 冷，月平均气温为4.7 ℃。气温从1月开始逐步上升，至 7月达最大值后逐步下降（图 1）。上海地区降雨量的变 化规律不明显，年降雨量平均为1149 mm，其中约70％ 集中在4－9月，6－8月降雨量较多，分别为147、190和 169 mm，3、10和12月较少，分别为48、56和24 mm（图 1）。

图 1 2005－2008年上海市月平均气温及月平均降雨量 Figure 1 The mean monthly air temperature and precipitation in Shanghai during 2005-2008

图选项

表 1中总结了气候因素（组合）对于 白纹伊蚊月平均密度的影响。首先分析了单一气候因 素（表 1中编号1～20的单一气象因素）对蚊虫密度的 影响。其中影响程度最大的是气温（最低气温＞20：00 温度＞日平均气温＞最高气温），然后是气压（08：00 气压＞日平均气压）；之后是相对湿度和20-20降雨量 （前一日20：00到次日20：00总降雨量）；风速和日照时 数的影响程度很小。

表 1 回归分析结果 Table 1 The results of regression analysis

表选项

在对单一气象因素进行分析的基础上，结合对气 象因素进行主成分分析的结果，选取不具有相关性的 气象因素进入组合测试分析集，本研究对选取的气象 因素所能形成的气象因素组合的影响程度进行分析。 发现编号为23的气象因素组合（2、3、4、7、8、13、18）对 蚊虫密度、蚊虫活性的影响程度最大。具体来说编号 为23的气象因素组合对应的气候因素为最低气温、 20-20降雨量、日照时数、最低相对湿度、日平均风速、 20：00温度、08：00气压。回归方程为y＝-18.206 64x₂＋ 3.066 16x₃－3.383 90x₄ ＋ 1.891 53x₇ ＋ 1.689 86x₈ ＋ 25.939 46x₁₃＋1.936 35x₁₈－2217.100 90，其中x₂代表最 低气温，x₃代表20-20降雨量，x₄代表日照时数，x₇代表 最低相对湿度，x₈ 代表日平均风速，x₁₃ 代表20：00 温 度，x₁₈代表08：00气压。回归方程获得了较好的预测 （拟合）结果，R-square为0.897 00。其中虽然存在2个 气温因素（最低气温和20：00温度），而且2个气温因素 之间存在一定的自相关，类似结果也出现于其他相关 研究中^[6]。 2.3 神经网络

BP神经网络可以非线性地表示输入 和输出之间的关系，因此在专家系统、模式识别、组合 优化和预测等很多领域中获得广泛应用。然而对于神 经网络的内部结构还没有公认的最优组合，这就需 要在具体的应用中，找出适合特定领域的内部结 构。表 2中列举了不同内部结构神经网络的预测效果 （以R-square作为衡量指标，R-square值越大，说明模 型预测效果越好）。

表 2 不同内部结构神经网络的预测效果 Table 2 Predictive effects of the neural networks with different internal structures

表选项

在使用神经网络进行预测之前，本研究对隐层数 量以及每层神经元数量进行了实验。从实验结果中可 以看出，每层中神经元的数目太少或者太多都容易造 成预测结果的不稳定。同时，隐层数量（1层或者2层） 对结果的影响也比较大。表 2中2隐层每层8个神经 元为当前最好的结果（0.913 19）。对于所使用的训练 函数来说，traingdm函数的预测结果整体上比较好，过 程平滑，但训练时间很长，迭代次数也比较多。 traingdx函数的训练时间较短，迭代次数较少。 2.4 实验对比

经过上述分别采用回归分析和神经 网络建立的模型，当读入对应年月份的气象数据时获 得的白纹伊蚊月蚊虫密度的预测结果如图 2所示。从 图 2可以看到，神经网络预测的结果比回归分析预测 结果更接近于实际监测中的数据。而2 种方法的 R-square结果神经网络为0.913 19，回归分析为0.897 00。 综上可以看到在此应用场景下神经网络比回归分析具 有更好的实际效果。

图 2 不同模型实验结果比较 Figure 2 Experimental result comparison between different models

图选项

由分析可知，20-20降雨量、最低相对湿度、日平 均风速、20：00温度、08：00气压与蚊虫密度有一定的 正相关关系，其中20：00温度对蚊密度的影响最大，之 后是最低相对湿度和08：00气压，20-20降雨量和日平 均风速的相关程度不明显；当前对于降雨量如何引入 方程尚存争议，相关文献的研究结果并不一致^[7,8]，本 研究结果显示降雨量对蚊虫密度产生了一定影响。 此外，采用matlab 软件进行相关性分析，可以看到 20：00温度与最低温度具有极强的共线性，但是引入 20：00温度能够对于整个预测具有比较好的效果。

目前多数研究是从气象因素的日平均值来研究 气象因素与蚊虫密度的关系，本研究在此之外，还对 不同时段的值（02：00、08：00、14：00和20：00）进行了 细致研究。

通过多元逐步回归分析，发现了与蚊虫密度相关 的主要气象因素，并建立了对应的多元回归方程，为 蚊虫密度的预测提供了可靠模型。本次尝试通过神 经网络对蚊虫密度进行预测，也取得很好的结果，其 预测结果好于多元线性回归，为将来进一步的工作提 供了思路。由于影响蚊虫密度的因素十分复杂，因此 还需要进行更深入的研究。