MÔ PHỎNG DIỄN BIẾN MẬT ĐỘ RẦY NÂU Ở TỈNH ĐỒNG THÁP DỰA TRÊN KỸ THUẬT NỘI SUY VÀ HỆ THỐNG ĐA TÁC TỬ

MÔ PHỎNG DIỄN BIẾN MẬT ĐỘ RẦY NÂU Ở TỈNH ĐỒNG THÁP
DỰA TRÊN KỸ THUẬT NỘI SUY VÀ HỆ THỐNG ĐA TÁC TỬ
Huỳnh Khải Vinh1, Nguyễn Nhị Gia Vinh2, Huỳnh Xuân Hiệp3
1

Khoa Sư phạm Toán - Tin, Đại học Đồng Tháp
Email:

2

DREAM Team/UMI 209 UMMISCO-IRD, Đại học Cần Thơ
Email:

3

Khoa Công nghệ Thông tin & Truyền thông, Đại học Cần Thơ
Email:

Tóm tắt: Nghiên cứu này nhằm mô phỏng diễn biến mật độ Rầy nâu tại các vùng
trong tỉnh Đồng Tháp, thuộc đồng bằng sông Cửu Long dựa vào mô hình đa tác tử
và kỹ thuật nội suy - trọng số nghịch đảo khoảng cách, kết hợp với dữ liệu bẫy đèn.
Hệ thống này hỗ trợ người dùng dễ dàng theo dõi sự phân bố rầy nâu trên các
cánh đồng lúa nhằm kiểm soát dịch hại rầy nâu một cách hiệu quả và mang lại sản
lượng cao hơn cho nông dân.
Từ khóa: ước lượng sự phân bố rầy nâu, mô phỏng sự phân bố của rầy nâu, kỹ
thuật nội suy, hệ thống đa tác tử.
Abstract: The study aims to simulate the distribution of Brown plant hopper from
the light traps data in Dongthap province among the Mekong Delta region based
on Inverse Distance Weight interpolation technique and multi-agent system
(GAMA) combined with the geographic information system (GIS). This model
supports managers easily observe the distribution of Brown plant hopper

populations on rice fields to control effectively the damage of Brown plant hopper
and improve farmers' rice crops.
Keywords: brown plant hopper, Nilaparvata lugens, simulating the distribution of
brown plant hopper, Inverse Distance Weight interpolation technique, multi-agent
system (GAMA).
1. GIỚI THIỆU
Việc kiểm soát mật độ rầy nâu tại mỗi vùng là rất quan trọng trong kinh tế của nông dân và
an ninh lương thực quốc gia vì rầy nâu là côn trùng gây hại nghiêm trọng đến sản lượng của cây
lúa [9]. Rầy nâu còn có tên gọi khoa học là Nilaparvata lugens, là đối tượng chính truyền bệnh
vàng lùn và lùn xoắn lá [11]. Những ruộng lúa non mới gieo sạ chưa được bao lâu nếu bị rầy
nâu tấn công hoặc những ruộng lúa bị nhiễm rầy với mật độ cao thì năng suất gần như bằng
không (gọi là hiện tượng cháy rầy) hoặc bị giảm sản lượng đáng kể.
Đối phó với tình hình dịch hại rầy nâu, nhiều biện pháp đã được áp dụng như: sử dụng thuốc
hóa học, lai tạo giống lúa kháng rầy,… Tuy nhiên, việc lạm dụng thuốc hóa học để diệt rầy sẽ
gây ra sự ô nhiễm môi trường. Một trong những phương pháp được áp dụng mang lại hiệu quả
cao và ít tốn chi phí, đó là “né rầy” [6], đưa ra lịch gieo sạ chung cho từng khu vực để tránh
1


những cao điểm phát tán của rầy nâu. Phương pháp này đòi hỏi nhà quản lý xác định được mật
số rầy nâu tại mỗi vùng lân cận. Vì vậy, một mạng các bẫy đèn đã được thiết lập ở vùng đồng
bằng sông Cửu Long từ năm 2005, cách lấy mẫu tại các bẫy đèn này là một trong những phương
pháp lấy mẫu đại diện [10] [13]. Trong thực tế, chỉ có một hoặc một vài bẫy đèn lấy mẫu đại
diện cho mỗi huyện. Điều này dẫn đến sự sai lệch lớn về mật độ rầy nâu tại mỗi vùng trong
huyện vì số lượng rất ít bẫy đèn lấy mẫu đại diện trong một phạm vi khá rộng lớn (ví dụ: diện
tích trung bình mỗi huyện trong tỉnh Đồng Tháp khoảng 346 km2 ). Do đó, nghiên cứu này tiếp
cận kỹ thuật nội suy và hệ thống đa tác tử để ước lượng và mô phỏng mật số rầy nâu tại các
vùng (nơi không được lấy mẫu) nhằm hỗ trợ người quản lý dễ dàng theo dõi diễn biến mật số
rầy nâu tại mỗi vùng chính xác hơn phương pháp truyền thống và có biện pháp chủ động trong
việc phòng chống dịch hại rầy nâu một cách hiệu quả hơn.

Việc phát triển các hệ thống thông tin để theo dõi mật số rầy nâu đã và đang trở thành một
trong những vấn đề quan tâm hàng đầu của Việt Nam và các nước nông nghiệp. Một số mô hình
đã được phát triển như: ứng dụng kỹ thuật 3D để mô phỏng sự di trú của rầy nâu [2] [3]. Mô
phỏng sự lan truyền của rày nâu trong vùng đồng bằng sông Cửu Long, ý tưởng chính của mô
hình này dựa trên vòng đời của rầy nâu và hướng gió [5]. Tuy nhiên, tác giả giả thuyết rằng mỗi
huyện có cùng mật số rầy. Một nghiên cứu khác dựa trên kỹ thuật Unit Disk Graph để ước
lượng mật số rầy nâu [13], với ý tưởng chính dựa trên hướng gió và bẫy đèn là tâm của đường
tròn để nội suy mật số rầy nâu tại mỗi vùng xung quanh bẫy đèn.
Bài viết này được chia thành năm phần. Phần thứ nhất giới thiệu chung về tác hại của rầy
nâu và các mô hình mô phỏng sự lan truyền của rầy nâu. Phần thứ hai, mô hình hóa ước lượng
sự phân bố rầy nâu, sơ lược về kỹ thuật nội suy trọng số nghịch đảo khoảng cách và phương
pháp đánh giá, lựa chọn kịch bản thích hợp nhất trong mô ước lượng sự phân bố rầy nâu. Phần
thứ ba trình bày sơ lược về hệ thống đa tác tử - GAMA và xử lý bản đồ cho việc mô phỏng sự
phân bố rầy nâu. Phần bốn trình bày kết quả thực nghiệm. Tiếp theo, tóm tắt kết quả đạt được và
một số hướng phát triển được nêu ra ở phần cuối cùng.
2. ƯỚC LƯỢNG SỰ PHÂN BỐ RẦY NÂU DỰA TRÊN KỸ THUẬT NỘI SUY
2.1. Tập tính sống của rầy nâu
Theo quan điểm của các chuyên gia nông nghiệp, rầy nâu có những đặc tính chính sau: thích
sống quần tụ. Những cá thể trưởng thành có hai loại: cánh dài và cánh ngắn. Trong đó, những cá
thể trưởng thành cánh dài thường bay lại ánh sáng đèn lúc ban đêm. Điều này cho thấy rằng mật
số rầy nâu tại các vùng lân cận bẫy đèn sẽ có mật số xấp xỉ với số liệu lấy mẫu của bẫy đèn.
Ngoài ra, rầy nâu sẽ sinh trưởng rất nhanh trong điều kiện môi trường thuận lợi về khí hậu và
thức ăn dồi dào (lúa non) thì rầy nâu sẽ sinh trưởng rất nhanh. Sự di trú của rầy nâu sẽ bùng
phát khi mật số rầy nâu lớn hơn 10000 con/m2 hoặc thức ăn cạn kiệt (lúa ở giai đoạn sắp thu
hoạch), chúng chủ yếu di chuyển bằng cách nhảy từ lá lúa này sang lá lúa khác, chỉ có cá thể
cánh dài mới có thể bay xa hơn. Kết quả là, rầy nâu chủ yếu lan truyền sang các vùng lân cận.
Trong thực tiễn, vị trí địa lý của các bẫy đèn đặt khá xa nhau, khoảng cách trung bình giữa
hai bẫy đèn là 9777 mét. Do đó, các bẫy đèn (điểm lấy mẫu) càng gần điểm không lấy mẫu thì
có hệ số ảnh hưởng lớn hơn các bẫy đèn ở xa. Ví dụ: quan sát hình 1, chúng ta thấy mật số rầy
nâu của điểm u1 tại thời điểm lấy mẫu thì bẫy đèn A có hệ số ảnh hưởng nhiều hơn bẫy đèn B.

2


Hình 1: Minh họa sự khác biệt mật số rầy nâu giữa các vùng
Từ phân tích bên trên cho thấy rằng, kỹ thuật nội suy trọng số nghịch đảo khoảng cách
(Inverse Distance Weight – IDW) phù hợp cho việc áp dụng ước lượng mật số rầy nâu tại thời
điểm lấy mẫu.
2.2. Sơ lược về kỹ thuật nội suy trọng số nghịch đảo khoảng cách
Phương pháp này giả thuyết rằng, những điểm lấy mẫu gần vị trí dự đoán thì có sự ảnh
hưởng nhiều hơn các điểm lấy mẫu ở xa (Fisher và Embleton, 1987).
(1)

Trong đó:
•

là giá trị dự đoán tại điểm

•

là giá trị lấy mẫu tại điểm

•

là khoảng cách giữa điểm

và điểm dự đoán

•

n là tổng số điểm lấy mẫu tham gia ước lượng cho điểm

•

p là số mũ

2.3. Ước lượng sự phân bố rầy nâu dựa trên kỹ thuật nội suy với bán kính động (auto
fitting radius)

Hình 2: Bán kính động với ít nhất 4 bẫy đèn lân cận tham gia ước lượng
Ước lượng mật số rầy nâu tại mỗi điểm quan tâm gồm có bốn bước như sau:
3




Bước 1: Tính khoảng cách từ điểm dự đoán P đến các bẫy đèn S, đặt là



Bước 2: Sắp xếp các khoảng cách

tăng dần.
với t là vector tạm



Bước 3: Xác định bán kính R với tâm là P để thỏa điều kiện có ít nhất n bẫy đèn lân cận
tham gia ước lượng giá trị cho điểm P.



Bước 4: Sử dụng công thức (1) để tính giá trị ước lượng tại P bởi những bẫy đèn nằm
trong phạm vi bán kính R, nghĩa là

Bảng 1: Khoảng cách từ mỗi điểm dự đoán

đến tất cả các bẫy đèn đã sắp xếp tăng

4

6

7

9

16

19

20

26

27

2

3

7

7

7

9

16

24

26

10

10

10

10

10

10

17

20

29

Ví dụ: Với các giá trị trong bảng 1, nếu n = 4 thì có 4 bẫy đèn tham gia ước lượng cho
R = 9; có 5 bẫy đèn tham gia ước lượng cho

với

với R = 7; có 6 bẫy đèn tham gia ước lượng cho

với R = 10.
2.4. Ước lượng sự phân bố rầy nâu dựa trên kỹ thuật nội suy với bán kính cố định (fixed
radius)

Hình 3: Bán kính cố định với ít nhất 4 bẫy đèn lân cận tham gia ước lượng
Bước 1: Tính toán giá trị của một ma trận khoảng cách giữa các điểm ước lượng
bẫy đèn
đoán;

, đặt là

, với

và

. Trong đó,

và các

là tổng số điểm dự

là tổng số các bẫy đèn.

Bước 2: Sắp xếp giá trị của mỗi dòng trong ma trận

tăng dần, với t là ma trận tạm.

4


Bước 3: Xác định và cố định bán kính R lớn nhất với tâm là

, sao cho có ít nhất n bẫy đèn

lân cận tham gia ước lượng giá trị cho

Bước 4: Sử dụng công thức (1) để tính giá trị ước lượng tại
phạm vi bán kính R, nghĩa là

bởi các bẫy đèn nằm trong

.

Ví dụ: Với các giá trị trong bảng 2, nếu n = 4 thì R = 10. Khi đó, sẽ có 4 bẫy đèn tham gia
ước lượng cho

. Tương tự, có 6 bẫy đèn tham gia ước lượng cho

và 6 bẫy đèn tham gia ước

lượng cho
Bảng 2: Khoảng cách từ mỗi điểm dự đoán

đến tất cả các bẫy đèn đã sắp xếp tăng

4

6

7

9

16

19

20

26

27

2

3

7

7

7

9

16

24

26

10

10

10

10

10

10

17

20

29

2.5. Phương pháp đánh giá, chọn kịch bản phù hợp nhất trong việc ước lượng sự phân bố

rầy nâu
Ứng với mỗi giá trị của tham số n và p trong công thức (1) sẽ cho ra các giá trị ước lượng
khác nhau. Vì thế để xác định kịch bản có độ tin cậy cao nhất trong việc ước lượng sự phân bố
rầy nâu, chúng tôi sử dụng kỹ thuật Cross Validation, cụ thể là tính toán giá trị Root Mean
Square Error (RMSE). Ý tưởng chính của kỹ thuật này như sau: lấy một bẫy đèn trong tập mẫu
các bẫy đèn làm điểm dự đoán, so sánh độ lệch giữa kết quả ước lượng và giá trị thực tại bẫy
đèn đó. Tiếp tục, đưa bẫy đèn đó trở lại tập mẫu và lấy bẫy đèn khác làm điểm dự đoán, lặp lại
quá trình này cho tất cả các bẫy đèn.
(2)
(3)
Trong đó:


Sj là bẫy đèn tại vị trí



RMSE(Sj) là giá trị của RMSE tại bẫy đèn thứ jth



k là tổng số ngày thực hiện kiểm tra



5

, với

, n là tổng số bẫy đèn

là giá trị ước lượng tại bẫy đèn thứ jth trong ngày thứ ith
Zj,i là giá trị lấy mẫu, dữ liệu thực tế tại bẫy đèn thứ jth trong ngày thứ ith


là giá trị trung bình của các giá trị
đó có độ chính xác càng cao.

của kịch bản, nếu

càng nhỏ thì kịch bản

3. MÔ PHỎNG SỰ PHÂN BỐ RẦY NÂU
3.1. Sơ lược về hệ thống đa tác tử - GAMA
GAMA (GIS & Agent-Based Modeling Architecture) là phần mềm mô phỏng được phát
triển bởi nhóm nghiên cứu MSI-UMMISCO (IFI, IRD) từ năm 2007, cho phép phát các mô
hình mô phỏng trên đa tác tử [1]. Mỗi thực thể trong hệ thống có thể được định nghĩa thành một
tác tử trong mô hình. Các mô hình mô phỏng chạy trên GAMA được viết bằng GAML, ngôn
ngữ lập trình có cú pháp dạng XML.
Để mô phỏng sự phân bố rầy nâu, mỗi đa giác (vùng) trên bản đồ được mô hình hóa thành
mỗi tác tử gồm có các thuộc tính: mã số của đa giác, mã huyện, tên huyện, mã xã, tên xã, diện
tích của đa giác, tọa độ tâm của đa giác (kinh độ – longitude, vĩ độ – latitude) và được cài đặt
với các khối công việc như sau:
Khai báo môi trường mô phỏng dưới dạng GIS
Khởi tạo các tham số: n và p trong công thức (1); số liệu rầy nâu tại mỗi bẫy đèn
Áp dụng mô hình toán, tính giá trị ước lượng cho mỗi tác tử
Thiết lập các cửa sổ hiển thị, biểu đồ thống kê mật số rầy nâu
Hình 4: Các khối công việc trong mô hình mô phỏng sự phân bố rầy nâu
3.2. Xử lý bản đồ cho ước lượng và mô phỏng sự phân bố rầy nâu
Bản đồ mỗi huyện, xã được chia thành các đa giác nhỏ hơn để thể hiện rõ sự khác biệt về

mật số rầy nâu tại mỗi nơi trong xã. Trong mô hình mô phỏng này chỉ quan tâm mô phỏng sự
phân bố rầy nâu tại những diện tích đất có trồng lúa. Vì vậy, sau khi chia nhỏ bản đồ các xã,
chúng ta xóa những diện tích đất không có trồng lúa, kết quả như hình 5.2.
Bẫy đèn

Hình 5.1: Bản đồ trước khi xử lý

Hình 5.2: Bản đồ sau khi xử lý
6


4. THỰC NGHIỆM
Xây dựng chương trình mô phỏng sự phân bố rầy nâu ứng với thời điểm lấy mẫu và trong
điều kiện đồng nhất (nghĩa là tất cả các vùng có cùng giai đoạn tuổi lúa), mô hình hóa sự phân
bố rầy nâu thí điểm ở tỉnh Đồng Tháp thuộc vùng đồng bằng sông Cửu Long.
Trước hết, mô hình ước lượng mật số rầy nâu được cài đặt và so sánh độ chính xác giữa các
kịch bản trên ngôn ngữ R để xác định giá trị các tham số n và p trong kịch bản để có kết quả ước
lượng chính xác cao nhất, các kịch bản được thử nghiệm với dữ liệu rầy nâu được thu thập tại
23 bẫy đèn trong 31 ngày (từ 01/07/2010 đến 31/07/2010). Sau đó, kịch bản có giá trị ước lượng
chính xác nhất này được cài đặt trên hệ thống đa tác tử để mô phỏng sự phân bố rầy nâu tại mỗi
vùng trong tỉnh Đồng Tháp.

Bảng 3: Một phần dữ liệu rầy nâu thu thập tại các bẫy đèn năm 2010
Bẫy
đèn

Xã

Huyện

Longitude

Latitude

01/07

02/07

03/07

1

PhongHoa

LaiVung

105.6976438

10.17978961

6726

33

16

2

LongHau

LaiVung

105.6267561

10.27223552

4420

280

142

3

AnHoa

SaDec

105.7480341

10.30023103

20

15

9

4

TanMy

LapVo

105.6507234

10.38614076

56

14

385

5

MyTra

TPCaoLanh

105.647852

10.48181178

161

15

15

6

TanPTrung

ChauThanh

105.7410714

10.25543547

0

0

0

7

AnPThuan

ChauThanh

105.8946109

10.20503894

7784

5064

3116

4.1. Xác định tham số trong mô hình ước lượng sự phân bố rầy nâu
Áp dụng công thức (2) và (3) để tính giá trị trung bình của RMSE ứng với mỗi kịch bản, ước
lượng mật số rầy nâu dựa trên kỹ thuật nội suy với bán kính động và bán kính cố định. Trong
mỗi kịch bản, chúng tôi cố gắng thử nghiệm thay đổi n số bẫy đèn lân cận tham gia ước lượng
và số mũ p trong công thức (1). Từ biểu đồ trong hình 6, chúng tôi thấy rằng kịch bản ước lượng
mật số rầy nâu với tham số n=3 và p=2 có độ chính xác cao nhất. Ngoài ra, độ lệch của kết quả
ước lượng càng cao khi chúng ta tăng số bẫy đèn tham gia ước lượng mật số rầy nâu cho mỗi
điểm quan tâm.

Hình 6: Biểu đồ so sánh giá trị trung bình của RMSE ứng với mỗi kịch bản
7


4.2. Mô phỏng sự phân bố rầy nâu sử dụng kịch bản có độ chính xác cao nhất
Kết quả ước lượng mật số rầy nâu tại mỗi vùng được hiển thị với các màu khác nhau dựa
trên trên hệ thống đa tác tử - GAMA kết hợp với hệ thống thông tin địa lý (GIS), giúp người
quản lý dễ dàng khảo sát mật số rầy nâu tại mỗi vùng xung quanh các bẫy đèn, thấy rõ sự khác
biệt mật số rầy nâu giữa các vùng. Khi khảo sát mật số rầy nâu theo thời gian lịch sử dựa trên
mô hình mô phỏng này, người quản lý có thể dễ dàng nhận biết khuynh hướng lan truyền của
rầy nâu như hình 7 và hình 8.

Hình 7: Mật số rầy nâu tại các vùng trong ngày 08/07/2010

8


Hình 8: Mật số rầy nâu tại các vùng trong ngày 09/07/2010
Ngoài ra, từ kết quả ước lượng, chúng ta có thể thống kê mật số rầy nâu tại mỗi xã trong

huyện. Ví dụ: từ biểu đồ của hình 9, chúng ta có thể biết được xã nào đang bị nhiễm rầy nâu với
mật số cao hoặc diễn biến rầy nâu trong xã theo thời gian.

Hình 9: Mật số rầy nâu trung bình tại mỗi xã trong huyện Cao Lãnh
ứng với ngày 08/07/2010

9


Hình 10: Diễn biến mật số rầy nâu tại xã Phương Thịnh
từ 01/07/2010 đến 31/07/2010
Biểu đồ trong hình 10, các đường line biểu thị mật số rầy nâu cao nhất và thấp nhất minh
chứng rằng mật số rầy nâu tại mỗi nơi trong phạm vi của xã có sự khác biệt rất lớn, sự khác biệt
này chủ yếu là do mật số rầy nâu ở các xã lân cận di trú sang. Thông qua biểu đồ dạng line sẽ
giúp các chuyên gia dễ theo dõi chu kỳ phát triển của rầy nâu để dễ dàng trong việc dự báo mật
độ rầy nâu trong thời gian tới.
5. KẾT LUẬN
5.1. Kết quả đạt được
Chúng tôi đã phát triển chương trình mô phỏng diễn biến mật độ rầy nâu tại thời điểm lấy
mẫu, trong điều kiện đồng nhất. Kết quả mô phỏng giúp người quản lý dễ dàng theo dõi mật số
rầy nâu tại mỗi vùng trong tỉnh Đồng Tháp, để có chính sách chủ động trong việc phòng chống
dịch hại rầy nâu một cách hiệu quả hơn.
Theo kết quả phân tích trong nghiên cứu này, chúng tôi đề xuất áp dụng kỹ thuật nội suy
trọng số nghịch đảo khoảng cách với tham số n = 3 và p = 2 cho việc ước lượng mật số rầy nâu
tại mỗi vùng trong tỉnh Đồng Tháp.
5.2. Hướng phát triển
Dựa trên kết quả mô hình mô phỏng diễn biến mật độ rầy nâu tại thời điểm lấy mẫu, chúng ta
có thể kết hợp với mô hình sinh trưởng của rầy nâu và điều kiện môi trường (giai đoạn tuổi lúa,
nhiệt độ, lượng mưa, hướng gió) để xây dựng mô hình dự báo mật số rầy nâu tại mỗi vùng.
LỜI CẢM ƠN

Chúng tôi xin chân thành cảm ơn Chi cục Bảo vệ Thực vật ở tỉnh Đồng Tháp đã chia sẻ các
kiến thức chuyên môn về đặc tính sinh học của rầy nâu và cung cấp số liệu rầy nâu thu thập tại
các bẫy đèn, góp phần thành công rất lớn trong nghiên cứu này.

10


TÀI LIỆU THAM KHẢO
[1] A. Drogoul, Lecture notes Simulation, Đại Học Cần Thơ, 2008.
/>[2] A. Otuka, A migration analysis of the rice planthopper Nilaparvata lugens from the
Philippines to East Asia with three-dimensional computer simulations, Tokyo, The Society
of Population Ecology and Springer-Verlag, Vol. 47, DOI: 10.1007/s10144-005-0216-1,
pages 143-150, 2005.
[3] A. Otuka, Migration of rice planthoppers and simulation techniques, KL Heong and B
Hardy, Planthoppers: new threats to the sustainability of intensive rice production systems
in Asia, Los Baños : International Rice Research Institute, pages 343-356, 2009.
[4] A.N. Kravchenko, Influence of Spatial Structure on Accuracy of Interpolation Methods,
Soil Science Society of America, pages 1564–1571, 2003.
[5] H.C. Phan, H.X. Huynh, and A. Drogoul, An agent-based approach to the simulation of
Brown Plant Hopper (BPH) invasion in the Mekong Delta, Hanoi, Vietnam, IEEE-RIVF
International Conference on Computing and Communication Technologies, DOI:
10.1109/RIVF.2010.5633134, 2010.
[6] Hồ Văn Chiến, Lê Quốc Cường, Đỗ Văn Vấn, Tài liệu về chống rầy của Trung tâm Bảo vệ
Thực vật Phía Nam, Cục Bảo vệ Thực vật, Bộ NN&PTNT, 2009.
[7] J. Li and A.D. Heap, A Review of Spatial Interpolation Methods for Environmental
Scientists, Geoscience Australia, pages 57-88, 2008.
[8] J. Yaserbi, M. Saffari, H. Fathi, N. Karimian, M. Moazallahi and R. Gazni, Evaluation and
comparison of Ordinary Kriging and Inverse Distance Weighting methods for prediction of
spatial variability of some soil chemical parameters, Research Journal of Biological
Sciences 4 (1), Medwell Journal, pages 93-102, 2009.

[9] J.L.A. Catindig, G.S. Arida, S.E. Baehaki, J.S. Bentur, L.Q. Cuong, M. Norowi, W.
Rattanakarn, W. Sriratanasak, J. Xia, and Z. Lu, Situation of planthoppers in Asia, In
Heong KL, pages 191-220, editors 2009.
[10] M. Köhl, S. Magnussen, M. Marchett, Sampling Methods, Remote Sensing and GIS
Multiresource Forest Inventory, Berlin, Springer, ISBN: 3-540-32571-9, pages 80-120,
2006.

11