利用月均值最高溫、最低溫及降水数据求解得到生物气候变量，并获取叶面积指数；通过双 线性插值使所述生物气候变量的空间分辨率与所述叶面积指数的空间分辨率一致。
[0041] 可选地，上述步骤102中获取叶面积指数，包括：获取预定时间序列内的叶面积指 数；按照地表覆盖分类数据从获取的叶面积指数中筛选所述森林虫害对应的叶面积指数； 按照预设时间粒度对筛选得到的叶面积指数进行平均合成，得到用于预测所述森林虫害爆 发风险的叶面积指数。
[0042] 在本发明实施例的一个实施方式中，上述步骤102获取环境因子变量之后，还可 W利用主成分分析法对所述环境因子变量进行降维处理。上述步骤103依据所述已知分布 区域和所述环境因子变量，利用预先建立的生态位模型预测所述森林虫害爆发风险，包括： 依据所述已知分布区域和降维处理得到的环境因子变量，利用预先建立的生态位模型预测 所述森林虫害爆发风险。通过该实施方式，可W降低数据运算的复杂性。
[0043] 需要说明的是，上述步骤101和步骤102之间没有先后顺序，步骤101和步骤102 可W采用任意顺序执行，还包括并行执行。
[0044] 图2是根据本发明实施例的森林病虫害爆发风险预测的装置的结构框图，如图2 所示，该装置包括：第一获取模块10,用于获取森林病虫害爆发已知分布区域；第二获取 模块20,用于获取环境因子变量，其中，所述环境因子变量包括：生物气候变量和叶面积指 数；预测模块30,与第一获取模块10和第二获取模块20相连接，用于依据所述已知分布区 域和所述环境因子变量，利用预先建立的生态位模型预测所述森林虫害爆发风险。
[0045] 在本发明实施例的一个实施方式中，上述装置还可W包括：去重模块，用于在依 据所述已知分布区域和所述环境因子变量，利用预先建立的生态位模型预测所述森林虫害 爆发风险之前，按照所述叶面积指数的空间分辨率对所述已知分布区域进行分布点去重处 理。预测模块30,用于依据所述环境因子变量和去重处理得到的分布区域，利用预先建立的 生态位模型预测所述森林虫害爆发风险。
[0046] 可选地，上述第二获取模块20,可W包括：第一获取单元，用于利用月均值最高 溫、最低溫及降水数据求解得到生物气候变量，并获取叶面积指数；第一处理单元，通过双 线性插值使所述生物气候变量的空间分辨率与所述叶面积指数的空间分辨率一致。
[0047] 可选地，上述第二获取模块20,可W包括：第二获取单元，用于获取预定时间序列 内的叶面积指数；筛选单元，用于按照地表覆盖分类数据从获取的叶面积指数中筛选所述 森林虫害对应的叶面积指数；合成单元，用于按照预设时间粒度对筛选得到的叶面积指数 进行平均合成，得到用于预测所述森林虫害爆发风险的叶面积指数。
[0048] 在本发明实施例的一个实施方式中，上述装置还可W包括：降维模块，用于在获取 环境因子变量之后，利用主成分分析法对所述环境因子变量进行降维处理。预测模块30,用 于依据所述已知分布区域和所述环境因子变量，利用预先建立的生态位模型预测所述森林 虫害爆发风险，包括：依据所述已知分布区域和降维处理得到的环境因子变量，利用预先建 立的生态位模型预测所述森林虫害爆发风险。
[0049] 下面W栋树巧死病为例对本发明实施例进行描述。
[0050] 本发明实施例提供一种基于LAI数据产品预测全球森林病虫害的爆发风险，通过 多种风险预测模型对比分析及LAI对建模精度的影响程度，评估LAI数据产品的引入是否 能够提高风险预测精度，解决遥感数据产品未能应用于森林病虫害爆发风险预测的现状。
[0051] 基于LAI数据产品，联合其他卫星遥感数据产品、气象数据、爆发数据等多源数 据，基于多种风险预测模型，W-种森林病虫害一一栋树巧死病为例，分析LAI对建模结果 影响。
[0052] 一、栋树巧死病菌环境因子数据集建立
[0053] 遥感数据收集与处理
[0054] 由于栋树巧死病（Sudden Oak Death,简称为SOD)是自上世纪90年代初发现后危 害至今，应获取此时间跨度内的全球遥感监测数据产品。本发明在全球尺度上收集全球长 时间序列（1981-2011年）的LAI数据、全球地表覆盖分类数据。 阳化日]LAI数据产品为全球长时间序列GI匪S LAI3g产品，时间分辨率为15天/每半旬， 空间分辨率为0.083°。在本发明实施例的长时间序列遥感数据处理中，为了提高计算效 率、减少数据波动和降低数据维数，借鉴半月MVC(Maximum Value Composites)合成思想， 将每两旬LAI数据合成为每月LAI数据，并按年际进行平均合成，得到1981-2011年间12 幅月均LAI数据。
[0056] 栋树巧死病菌寄主覆盖乔、灌木、草本等植被，只有在植被覆盖区域有SOD爆发 风险，其它无植被覆盖区域不具有爆发风险。地表覆盖分类数据选取GlobCover 2009， 它使用"联合国食品和农业组织的地表覆盖分类系统"0JN化od and Agricul化re Organisation's Land Cover Classification System,LCC巧分类体系，共 22 种地表覆盖 类型，空间分辨率为300m。
[0057] 气象数据收集与处理
[0058] 全球气象数据采用了东英格利亚大学气候研究中屯、CRU (C1 imate Research 化it)提供的全球陆地地表月均值气象数据，它由全球4000余个气象观测站点提供的气象 观测数据插值得来。目前提供的最新版为CRU 3. 21，包含了云盖量、昼夜溫差、霜日率、潜在 蒸腾量、降水量、（日均/月均）最高溫/最低溫及水汽压数据等。为与GIMMS LAI的时间 范围一致及满足后续生物气候变量提取，获取了 1981年1月-2012年12月的最高溫、最低 溫、降水量的累年月平均值，通过双线性插值法，将CRU气象数据插值为0. 083°，与LAI数 据空间分辨率一致。 阳059] 栋树巧死病爆发点数据收集与处理
[0060] 栋树巧死病目前只在美国及欧洲地区爆发，但是其起源地未知，且随着各国间交 通、贸易频繁，一旦入侵将对大量寄主植物造成毁灭性打击，严重影响当地的森林生态系 统。本发明实施例从美国伯克利大学森林病理学与真菌实验室的S0DMAP及OakMapper项 目收集到美国2000-2013年的SOD爆发点数据，从欧盟栋树巧死病菌风险分析小组巧isk Analysis for Phyto地thora Ramorum，RAPRA)得到 2004-2006 年全欧洲感染植被点位信 息，从英国林业委员会（UK Forestry Commission)收集了英国2010-2013年的全英国感染 植被信息，如图3所示。
[0061] 栋树巧死病菌环境因子分析
[0062] 在监测感染植被时，位置采集人员都是尽可能地收集感染植被点位信息，使得原 始爆发点数据过于密集。又因全球尺度的数据分辨率较低，大多数爆发点落在环境因子的 一个像素内（空间分辨率为0.083° )，造成数据冗余。
[0063] 第一步对已知SOD爆发点进行筛选，删除记录点为苗圃记录的数据，因其由苗木 运输、培育引起的，易控制且受自然环境影响没有野外植被大；第二步对经初步筛选后的 爆发点利用ArcGISlO. 1中的规则网格（Fishnet)进行网格内分布点去重，格网大小为 0.083° X0. 083°，得到去重后病菌爆发点数据共216个，其中美国有105个，欧洲有111 个。 阳064] 生物气候变量分析
[0065] 生物气候变量由月值溫度数据及月值降水数据计算得到，具有很好的生物学意 义，是生态位建模中最常用的环境变量。一般包括19个因子，有年际变化（如年平均溫度、 年降水量）、季节变化（如溫度、降水年较差）及极端气象变量（如最冷/最热月份