舞毒蛾(Lymantria dispar)属鳞翅目(Lepidoptera)毒蛾科(Lymantriidae)，是世界各国十分重视的重大检疫性害虫(Kostic et al.，2008)。根据地理分布、生物学习性及形态特征，可分为亚洲型舞毒蛾和欧洲型舞毒蛾(钱天荣，2000)，其中，亚洲型舞毒蛾取食危害500余种在森林、园林、果园等中的寄主植物，具有食性杂、危害重、幼虫随风迁移的特点，雌成虫能飞行，经常周期性发生，严重时可将整片森林的叶片吃光(萧刚柔，1992)。因此，美国等国家认为亚洲型舞毒蛾比欧洲型舞毒蛾的危害更大，美国农业部检疫法规中已将舞毒蛾列为唯一需检疫的森林害虫(美国农业部，1988)。

上海市是我国经济、科技、工业、金融、贸易、会展和航运中心，目前尚未发现有舞毒蛾分布;但由于周边省区(如江苏省)有该害虫分布，且该虫又具有极强的扩散、蔓延能力，加之近些年来北美植物保护组织及其成员国甚至多次致函中国政府，要求对来自中国相关港口的船舶实施针对舞毒蛾的特别检疫措施(卢小雨等，2009)。可见，舞毒蛾一旦传入上海，无论对上海市的林果业还是对港口的国际贸易，都将带来不良影响和不可估量的严重损失。因此，研究舞毒蛾在上海地区的适生性，健全针对舞毒蛾的检疫、监测及有效控制技术十分必要。

舞毒蛾的发生与温度、湿度等气象因子及某些林分因子等息息相关，学者们已发现并基于这些关键因子建立了预测评估舞毒蛾危害程度的相关模型(孙洪志等，2001 ; 石娟等，2004)，但多为小范围内的研究。本文利用我国21个县市最近10年的气象数据，依次采用相关性、主成分和因子分析法，对16项气象指标数据进行筛选、删减与组合，提取出2项综合因子绘制舞毒蛾在我国分布区的气候特征图，然后分析该害虫在上海地区的适生性，构建舞毒蛾在全国范围内分布的预测模型，期望为我国其他地区预测舞毒蛾的发生提供参考。

在舞毒蛾分布区(图 1)中，根据经度、纬度及气候特征等筛选出哈尔滨、沈阳、呼和浩特、阿克苏、林芝、北京、景德镇、石家庄、成都、贵阳和厦门11个舞毒蛾发生区样点，以及漠河、和田、上海、天津、南京、杭州、拉萨、南宁、广州和海口10个未发生区样点。

	图 1 国内舞毒蛾分布情况 Fig. 1 Distribution of Lymantria dispar in China ① Harbin; ②Shenyang; ③ Huhhot; ④Aksu; ⑤ Nyingchi; ⑥ Beijing; ⑦ Jingdezhen; ⑧Shijiazhuang; ⑨Chengdu; ⑩ Guiyang;⑪Xiamen; ⑫ Mohe; ⑬Hotan;⑭Shanghai;⑮Tianjin;⑯Nanjing;⑰Hangzhou;⑱Lhasa; ⑲Nanning; ⑳Guangzhou; ㉑Haikou.

从中国气象科学数据共享服务网收集上述21个县(市)最近10年的16项气象数据，包括1，7月均温、四季降水量及年降水量、四季均温及年均温、四季相对湿度。所有数据采用平均值，并进行无量纲化处理。

由于所收集到的气象数据较为庞大，且变量间可能存在很强的相关性进而出现信息重叠，因此，在保证不影响计算结果的前提下，采用相关性分析(correlation analysis)删除部分相关性特别大、相关系数C_ij接近于1的重复因子(何晓群，1998 ; 黄燕等，2006)。

在剔除重复因子的变量之后，采用可将剩余变量转化为其线性组合的主成分分析法(principal components analysis)，用主成分代替原变量以减少变量个数，实现降维(黄燕等，2006)。主成分分析的主要步骤为: 对原始数据进行无量纲化即标准化处理→求标准化数据的相关系数矩阵→求相关系数矩阵的特征值及对应的特征向量→计算方差贡献率及累计方差贡献率→按照累计方差贡献率大于等于70%并且特征值大于1的原则，确定主成分个数→根据各主成分因子载荷矩阵确定每个主成分所能概括的变量→对各主成分进行命名。

以主成分分析为基础进行因子分析(factor analysis)，以确定关键因子(黄燕等，2006)。因子分析的主要步骤与主成分分析类似:将原始数据标准化处理，以消除变量间在数量级和量纲上的不同→建立标准化数据的相关系数矩阵→求相关矩阵的特征值和特征向量→计算方差贡献率与累计方差贡献率→按照特征值大于1并且累计方差贡献率大于等于70%的原则选取公共因子，确定因子个数→在必要时，采用最大正交旋转法进行因子旋转→根据各公共因子的因子载荷矩阵确定每个因子所能概括的变量→对各公共因子进行合理的命名。

对于所选取的21个气候数据分布点，第k个因子对第 j 个分布点所取的值(坐标)为Y_kj=X_j^T·β_k 。式中:X_j^T=(x_1j，x_2j，…，x_pj)，k为因子，j为样本，p为气候变量，β_k为第k个因子上的因子载荷量。通过这些坐标点建立二维平面直角坐标系，即可得到气候特征图(刘娥，2009)。

采用 Excel 2007软件对数据进行处理与绘制气候特征图。利用 SAS 9.2统计分析软件对数据进行相关性分析、主成分分析、因子分析以及判别分析处理，判别分析处理采用马氏法(Mahalanobis)(黄燕等，2006)。

我国21个县市最近10年的16个气象因子数据的相关性分析结果(表 1)表明，1月均温与冬季均温、7月均温与夏季均温及秋季均温与年均温的相关系数分别高达0.999 1，0.992 9和0.996 7，几乎为1，说明这2项因子的相关性极强。因此，冬季均温、夏季均温和秋季均温这3项信息重复的因子可予以剔除。

表 1 21个县(市)近10年16个气象因子数据的相关系数 ^① Tab.1 Correlation of coefficient of 16 meteorological factor data from 21 cities/counties of the last ten years

表 1 21个县(市)近10年16个气象因子数据的相关系数 ① Tab.1 Correlation of coefficient of 16 meteorological factor data from 21 cities/counties of the last ten years X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16 ① X1 :1月均温 Average temperature in January; X2 :7月均温 Average temperature in July; X3 ，X4 ，X5 ，X6 : 春、夏、秋、冬季均温 Average temperature in spring，summer，autumn and winter，respectively; X7 : 年均温 Average temperature of whole year; X8 ，X9 ，X10 ，X11 :春、夏、秋、冬季降水量 Rainfall in spring，summer，autumn and winter，respectively; X12 : 年降水量 Rainfall of whole year; X13 ，X14 ，X15 ，X16 : 春、夏、秋、冬季相对湿度 Relative humidity inspring，summer，autumn and winter，respectively. 下同 The same below. X1 1.000 0 0.565 6 0.911 3 0.612 0 0.952 9 0.999 1 0.955 6 0.660 7 0.711 5 0.660 1 0.462 1 0.739 6 0.646 8 0.385 0 0.357 6 0.325 4 X2 0.565 6 1.000 0 0.774 2 0.992 9 0.777 1 0.587 0 0.770 0 0.543 4 0.459 7 0.408 8 0.608 5 0.561 0 0.449 0 0.266 1 0.365 4 0.531 5 X3 0.911 3 0.774 2 1.000 0 0.826 9 0.967 7 0.925 4 0.982 5 0.588 9 0.592 0 0.603 4 0.414 1 0.646 6 0.534 2 0.239 3 0.308 4 0.421 2 X4 0.612 0 0.992 9 0.826 9 1.000 0 0.814 8 0.634 2 0.812 0 0.540 6 0.468 7 0.433 3 0.564 4 0.562 8 0.443 0 0.242 0 0.336 6 0.515 7 X5 0.952 9 0.777 1 0.967 7 0.814 8 1.000 0 0.961 4 0.996 7 0.700 3 0.697 7 0.638 1 0.562 1 0.757 5 0.651 0 0.377 4 0.391 2 0.455 3 X6 0.999 1 0.587 0 0.925 4 0.634 2 0.961 4 1.000 0 0.964 8 0.659 3 0.702 1 0.653 3 0.463 2 0.733 9 0.639 5 0.369 7 0.354 0 0.338 7 X7 0.955 6 0.770 0 0.982 5 0.812 0 0.996 7 0.964 8 1.000 0 0.667 9 0.674 1 0.635 6 0.516 4 0.729 6 0.619 5 0.340 7 0.368 0 0.431 6 X8 0.660 7 0.543 4 0.588 9 0.540 6 0.700 3 0.659 3 0.667 9 1.000 0 0.806 3 0.563 2 0.780 9 0.914 7 0.782 2 0.551 8 0.489 3 0.543 6 X9 0.711 5 0.459 7 0.592 0 0.468 7 0.697 7 0.702 1 0.674 1 0.806 3 1.000 0 0.781 4 0.568 4 0.949 9 0.868 0 0.787 7 0.659 9 0.532 2 X10 0.660 1 0.408 8 0.603 4 0.433 3 0.638 1 0.653 3 0.635 6 0.563 2 0.781 4 1.000 0 0.393 0 0.810 3 0.714 6 0.565 9 0.570 0 0.520 1 X11 0.462 1 0.608 5 0.414 1 0.564 4 0.562 1 0.463 2 0.516 4 0.780 9 0.568 4 0.393 0 1.000 0 0.740 5 0.631 2 0.439 4 0.470 5 0.516 3 X12 0.739 6 0.561 0 0.646 6 0.562 8 0.757 5 0.733 9 0.729 6 0.914 7 0.949 9 0.810 3 0.740 5 1.000 0 0.882 5 0.707 2 0.641 9 0.603 3 X13 0.646 8 0.449 0 0.534 2 0.443 0 0.651 0 0.639 5 0.619 5 0.782 2 0.868 0 0.714 6 0.631 2 0.882 5 1.000 0 0.884 9 0.881 6 0.793 3 X14 0.385 0 0.266 1 0.239 3 0.242 0 0.377 4 0.369 7 0.340 7 0.551 8 0.787 7 0.565 9 0.439 4 0.707 2 0.884 9 1.000 0 0.889 3 0.637 6 X15 0.357 6 0.365 4 0.308 4 0.336 6 0.391 2 0.354 0 0.368 0 0.489 3 0.659 9 0.570 0 0.470 5 0.641 9 0.881 6 0.889 3 1.000 0 0.851 5 X16 0.325 4 0.531 5 0.421 2 0.515 7 0.455 3 0.338 7 0.431 6 0.543 6 0.532 2 0.520 1 0.516 3 0.603 3 0.793 3 0.637 6 0.851 5 1.000 0

在剔除3项信息重复指标后，对剩余指标进行主成分分析，按照累计方差贡献率大于等于70%并且特征值大于1的原则选取主成分P₁和P₂，其累计贡献率达到80.01%，即舍去其余主成分后已表达了原始信息量的80.01 %(表 2)。通过主成分特征向量矩阵可以看到，由于每个主成分各个变量的系数均未大于0.8，无明显差别，很难看出每个主成分所能概括代表解释的具体气象变量，因而不易进行主成分的命名(表 3)，故进一步采用因子分析法以解决这一问题;同理，按照累计方差贡献率大于等于70%并且特征值大于1的原则选取了2个累计贡献率达到80.01%的因子，将其余因子舍去(表 4)。

表 2 主成分统计 Tab.2 Principal component statistics

表 2 主成分统计 Tab.2 Principal component statistics 主成分Principal components 特征值 Eigenvalue 方差贡献率Variance contribution rate(% ) 累计方差贡献率Cumulative variance contribution rate(% ) P1 8. 492 8 65. 33 65. 33 P2 1. 906 6 14. 68 80. 01

表 3 特征向量矩阵^① Tab.3 Eigenvector matrix

表 3 特征向量矩阵① Tab.3 Eigenvector matrix 变量 Variables 主成分 Principal components 第1主成分 Principal component 1(P1) 第2主成分 Principal component 2(P2) X1 0.276 4 0.335 8 X2 0.235 2 0.289 2 X3 0.262 1 0.425 4 X7 0.284 7 0.381 4 X8 0.293 7 0.029 5 X9 0.311 0 -0.081 8 X10 0.271 7 -0.008 3 X11 0. 246 1 -0. 004 5 X12 0.327 7 -0.025 8 X13 0.318 6 -0.234 1 X14 0.253 4 -0.417 0 X15 0.256 1 -0.409 9 X16 0.249 8 -0.268 6

表 4 因子分析统计 Tab.4 Factor analysis information

表 4 因子分析统计 Tab.4 Factor analysis information 公共因子 Factors 特征值 Eigenvalue 方差贡献率 Variance contribution rate(% ) 累计方差贡献率 Cumulative variance contribution rate(% ) F1 8. 492 8 65. 33 65. 33 F2 1. 906 6 14. 68 80. 01

经方差最大正交旋转后的因子载荷系数向0和1两极分化，有助于更明显地区分和凸显每个因子所代表的变量。第1因子(F₁)在春、夏、秋季相对湿度相应的载荷量很大，其方差贡献率高达65.33%，说明第1因子主要反映了湿度方面的信息，可将其解释为“湿度因子”。第2因子(F₂)在一月均温、春季均温、年均温相应的载荷量较大，方差贡献率达到了14.68%，说明第2因子更多地代表了温度方面信息，可将其命名为“温度因子”(表 5)。

表 5 旋转后的公共因子载荷矩阵 ^① Tab.5 Rotated component matrix of common factor

表 5 旋转后的公共因子载荷矩阵 ① Tab.5 Rotated component matrix of common factor 变量 Variables 公共因子 Factors F1 F2 X 1 0.260 1 0.892 4 X 2 0.218 0 0.762 8 X 3 0.144 2 0.952 7 X 7 0.233 8 0.954 5 X 8 0.589 3 0.622 2 X 9 0.732 0 0.546 2 X 10 0.579 1 0.539 9 X 11 0.521 7 0.492 2 X 12 0.713 7 0.635 6 X 13 0.893 8 0.409 8 X 14 0.931 4 0.096 0 X 15 0.930 4 0.108 6 X 16 0.782 1 0.236 6

根据上述分析，剔除了因子载荷矩阵中绝对值小于0.8的变量，最终筛选出的气象因子为春季相对湿度X₁₃ 、夏季相对湿度X₁₄ 、秋季相对湿度X₁₅ 、 1月均温X₁ 、春季均温X₃和年均温X₇ 。

若要分析上海市舞毒蛾分布的可能性，需要根据所提取的气象因子制作舞毒蛾在全国范围内发生的气候特征图。由于从16个气候因子中提取的第1因子与第2因子分别表达了湿度和温度2个方面的气象信息，并且累计方差贡献率达到80.01%，因此，计算出21个县(市)这2个因子所对应的气候特征图的坐标值(表 6)，再以第1因子(F₁)即湿度因子为横坐标，以第2因子(F2)即温度因子为纵坐标，可绘制气候特征图(图 2)。 图 2区域内部即为公共因子Factors特征值EigenvalueVariance contribution rate(%)累计方差贡献率Cumulative variancecontribution rate(%)发生舞毒蛾的高危预警区域。

表 6 2个因子所对应的21个县(市)的坐标值 Tab.6 Coordinate of 21 cities/counties in two climate factors

表 6 2个因子所对应的21个县(市)的坐标值 Tab.6 Coordinate of 21 cities/counties in two climate factors 台站 Stations F1 F2 台站 Stations F1 F2 哈尔滨 Harbin -1.719 5 -4.084 2 呼和浩特 Huhhot -4.352 9 -3.437 2 阿克苏 Aksu -3.340 6 -1.614 9 拉萨 Lhasa -4.806 6 -2.472 7 北京 Beijing -2.032 9 -0.940 3 和田 Hotan -6.436 9 -1.294 2 贵阳 Guiyang 2.736 0 1.014 8 南宁 Nanning 3.819 0 4.017 8 林芝 Nyingchi -0.062 5 -1.331 3 广州 Guangzhou 2.400 9 4.175 6 景德镇 Jingdezhen 2.023 3 2.056 1 海口 Haikou 4.161 0 5.443 2 厦门 Xiamen 2.805 2 3.460 8 沈阳 Shenyang -0.573 9 -2.655 8 上海 Shanghai 1.666 0 1.389 3 石家庄 Shijiazhuang -1.181 1 -0.250 8 天津 Tianjin -0.712 1 -0.771 5 杭州 Hangzhou 1.790 8 1.610 9 南京 Nanjing 1.740 9 1.112 1 成都 Chengdu 2.789 3 1.957 1 漠河 Mohe -0.713 1 -7.384 8

	图 2 中国21县(市)的舞毒蛾气候特征 Fig. 2 Climate characteristic of 21 cities/counties in China

排除沪、宁、杭、津4市舞毒蛾分布尚不十分明确的地区，参考刘娥(2009)的结论，在上述综合分析的基础上，利用剩余的17个样本中反映湿度和温度信息的1月均温、春季均温、年均温、春季相对湿度、夏季相对湿度和秋季相对湿度6项数据(表 7)，以这6个因子作为距离判别分析模型的判别因子，将17个样本中舞毒蛾发生与否区分为发生与尚未发生2个类别，以这2个类别作为2个不同的总体并假设2个总体的协方差矩阵相等，进行距离判别分析并得到2项线性判别函数如下:

Z₁ =-0.486 6-0.658 9Y₁-4.043 2Y₂ +5.015 0Y₃-1.422 5Y₄-0.404 6Y₅ + 1.396 0Y₆，Z₀ =-5.666 3 + 12.113 2Y₁ + 57.554 6Y₂ －73.793 1Y₃ + 13.291 8Y₄ + 6.580 7Y₅-14.778 7Y₆ 。

式中: Z₁为高危预警区; Z₀为未发生区; Y₁为1月均温; Y₂为春季均温; Y₃为年均温; Y₄为春季相对湿度; Y₅为夏季相对湿度; Y₆为秋季相对湿度。

表 7 气象因子判别终选 ^① Tab.7 Final selection of factorial discriminant

表 7 气象因子判别终选 ① Tab.7 Final selection of factorial discriminant 台站 Stations Y1 Y2 Y3 Y4 Y5 Y6 No/Yes ① Y1:1月均温 Average temperature in January; Y2:春季均温 Average temperature in Spring; Y3:年均温 Average temperature of whole year; Y4:春季相对湿度 Relative humidity in Spring; Y5:夏季相对湿度 Relative humidity in Summer; Y6:秋季相对湿度 Relative humidity in Autumn。 Yes:已发生 Occured; No:尚未发生 Not occured. 下同 The same below. 漠河 Mohe -2.593 1 -2.688 5 -2.708 0 -0.106 2 0.550 3 0.606 6 No 哈尔滨 Harbin -1.529 4 -1.274 4 -1.302 6 -0.539 2 -0.008 3 -0.369 4 Yes 呼和浩特 Huhhot -0.961 5 -0.893 7 -0.926 6 -1.389 9 -1.564 9 -1.136 7 Yes 阿克苏 Aksu -0.658 4 0.008 8 -0.380 9 -1.096 5 -1.770 0 -0.486 9 Yes 和田 Hotan -0.382 7 0.367 4 -0.029 1 -1.845 0 -2.665 4 -2.420 4 No 林芝 Nyingchi 0.130 4 -0.890 3 -0.676 5 0.088 2 0.233 4 -0.114 0 Yes 拉萨 Lhasa 0.035 5 -0.878 4 -0.731 1 -1.500 6 -1.269 8 -2.143 5 No 贵阳 Guiyang 0.336 8 0.037 7 0.083 0 0.990 5 0.769 5 1.097 9 Yes 南宁 Nanning 1.128 4 1.246 1 1.148 8 1.248 8 1.064 7 1.042 0 No 北京 Beijing -0.276 8 -0.052 4 -0.129 2 -0.982 1 -0.350 2 -0.773 1 Yes 景德镇 Jingdezhen 0.519 4 0.523 8 0.659 1 0.904 4 0.425 2 0.488 2 Yes 厦门 Xiamen 1.179 5 0.829 7 1.077 5 1.152 2 0.867 1 0.311 1 Yes 广州 Guangzhou 1.261 7 1.336 2 1.329 2 1.087 0 0.569 4 0.072 4 No 海口 Haikou 1.634 2 1.781 5 1.606 6 1.318 3 0.852 9 1.215 4 No 石家庄 Shijiazhuang -0.137 0 0.163 5 0.046 6 -0.656 1 -0.311 0 -0.328 4 Yes 沈阳 Shenyang -1.062 0 -0.812 1 -0.841 8 -0.418 0 0.408 5 0.010 0 Yes 成都 Chengdu 0.576 0 0.523 8 0.498 4 0.631 3 0.800 4 1.222 8 Yes

为了考察该预测模型的有效性和准确性，采用回代估计法对17个样本进行检验，预测归类和实际归类及归类矩阵如表 8，9所示，线性判别函数的预测正确率达到了100%，误判率为0 %(表 10)，表明所建立的预测模型可以用来预测舞毒蛾发生与否的判别和分类。

表 8 距离判别分析法分类结果 ^① Tab.8 Classification result by distance discrim inant analysis

表 8 距离判别分析法分类结果 ① Tab.8 Classification result by distance discrim inant analysis 台站 Stations 实际归类 Real classification 预测归类 Forecast classification 未发生概率 Non occurrence(%) 发生概率 occurrence(%) ①Yes 发生Occurrncee; No 未发生Non occurrence 漠河 Mohe No No 87.82 12.18 哈尔滨 Harbin Yes Yes 7.09 92.91 呼和浩特 Huhhot Yes Yes 0 100.00 阿克苏 Aksu Yes Yes 2.53 97.47 和田 Hotan No No 99.97 0.03 林芝 Nyingchi Yes Yes 43.36 56.64 拉萨 Lhasa No No 92.44 7.56 贵阳 Guiyang Yes Yes 5.18 94.82 南宁 Nanning No No 98.81 1.19 北京 Beijing Yes Yes 0.21 99.79 景德镇 Jingdezhen Yes Yes 0.01 99.99 厦门 Xiamen Yes Yes 0.26 99.74 广州 Guangzhou No No 99.93 0.07 海口 Haikou No No 98.92 1.08 石家庄 Shijiazhuang Yes Yes 0.09 99.91 沈阳 Shenyang Yes Yes 0.28 99.72 成都 Chengdu Yes Yes 0.01 99.99

表 9 距离判别分析法归类矩阵 Tab.9 Classified matrix of distance discriminant analysis

表 9 距离判别分析法归类矩阵 Tab.9 Classified matrix of distance discriminant analysis 项目 Item 未发生 Non occurrence 发生 Occurrence 总计(实际)Total(actual) 判断正确率Precision(%) 未发生 Non occurrence 6 0 6 100.00 发生 occurrence 0 11 11 100.00 总计(预测)Total(predict) 6 11 17 -

表 10 判别分析误判率与先验概率 Tab.10 Error ratios and prior probability of discyiminant analysis

表 10 判别分析误判率与先验概率 Tab.10 Error ratios and prior probability of discyiminant analysis 项目 Item 未发生 Non occurrence 发生 Occurrence 总计 Total 误判率 Misclassified rate(% ) 0. 00 0. 00 0. 00 先验概率Priors rate(% ) 35. 29 64. 71 -

选择全国范围内某个地区最近几年或者1年的6项无量纲化处理后的气象因子数据代入模型求算 Z 值。当 Z₁ > Z₀时，可以确定该地区的气候条件适合舞毒蛾虫害的发生。上海、南京、杭州及天津4个地区虽然尚未发现有舞毒蛾分布的报道，但4个地区在气候特征图上的坐标已落入舞毒蛾发生的预警区域范围内。为了进一步验证气候特征图的准确性，将4个地区1月均温、春季均温、年均温、春季相对湿度、夏季相对湿度和秋季相对湿度6项经无量纲化处理后的数据代入舞毒蛾分布预测模型。结果表明，4个地区全部被预测为舞毒蛾潜在高危预警区。

害虫的分布主要取决于适宜的气候条件和寄主植物。上海市分布有舞毒蛾寄主杨(Populus)、柳(Salix)、榆(Ulmus)、槭(Acer)、马尾松(Pinusmassoniana)、水杉(Metasequoia glyptostroboides)、山楂(Crataegus pinnatifida)、苹果(Malus pumila)、梨(Pyrus)等众多植物，根据气候因子相关性分析及舞毒蛾分布区的气候特征图，上海市的气候条件完全适合舞毒蛾的发生。上海市周边地区(如江苏、安徽、江西等省的部分地区)已有舞毒蛾分布，舞毒蛾又具有较强的传播、扩散能力，因此，舞毒蛾在上海地区的发生具有较高的潜在可能性。

本文应用相关性分析剔除了若干项相关性极大的气象因子，采用主成分分析法对剩余的数据进行降维与去相关性处理，在得出主成分不适合命名的情况下，改用因子分析法，重新对数据进行删减、概括与组合，最终析取出反映各季节湿度变化的湿度因子和反映各季节温度变化的温度因子，并以这2项综合因子分别作为横、纵坐标绘制了舞毒蛾在研究区内的气候特征图，得出了上海、天津、南京、杭州4个地区是舞毒蛾潜在发生区的结论。

通过判别分析法初步建立的舞毒蛾分布预测模型，预测正确率达100%，可以用来预测舞毒蛾在全国范围内的发生情况。上海、南京、杭州、天津尚无舞毒蛾分布，但其坐标却落在气候特征图舞毒蛾发生预警区域内部，将该4个地区的6项气候因子代入预测模型，证明这4个地区为舞毒蛾的潜在发生地区。虽然该分布预测模型的预测正确率达100%，但今后应进一步根据全国所有舞毒蛾分布区的气象资料建立精确性更高的舞毒蛾分布预测模型。