无关（t虹eshold-incbpendent)两类。
[00川 阔值相关的评价模型的指标包含总体成功率（Overall Prediction Success, OP巧、灵敏度（Sensitivity)、特异度（Specificity)、Kappa系数、真实技巧统计 (True Skill Statistic, TSS)等。
[0092] 另一类评价指标与阔值无关，ROC曲线是受试者工作特征曲线巧eceiver 化erating化aracteristic化rve)的缩写，起源于统计决策理论，用来说明分类器命中率 和误报率之间的关系。R0C曲线把预测结果的每一个值作为可能的判断界值，由此计算得 到相应的灵敏度和特异度，是W灵敏度为纵坐标，1-特异度为横坐标形成的曲线。R0C曲线 与横坐标围成的面积即为AUC值（the Area化der the R0C化rve)，AUC因不受阔值的影 响，是目前最为常用的模型评价指标之一。AUC值越大意味着与随机分布间距越大，环境变 量与预测的物种分布模型之间的相关性越大，即说明模型预测结果越好。一般认为AUC值 为0. 5-0. 6时诊断失败，0. 7-0. 8时诊断价值一般，0. 8-0. 9时诊断价值较好，大于0. 9时诊 断价值优秀。
[0093] 所得各评价指标计算结果见表3。八个模型当中，SVM_Bio+LAI模型的0PS、TSS及 AUC值最好，即其受阔值影响及不受阔值影响的评价指标都为最优，而GLM的两个模型评价 指标值最低。同时，对受阔值影响的评价指标，LAI的引入都提升了各模型的预测精度；对 不受阔值影响的AUC值，LAI的引入影响不大。因此，有时仅仅依靠 AUC值不能片面地认为 模型预测精度就较高，应当全面考虑多评价指标。由此可知，LAI的引入能够大大提升各模 型的预测精度，利用LAI及传统的影响森林病虫害的气象数据，比单独使用气象数据预测 森林病虫害爆发风险精度要高，预测区域更加合理，能够从机理上反映某地森林遭受病虫 害后其植被生长情况，同时对将卫星遥感数据产品引入到森林病虫害的行业应用中具有重 大的意义。
[0094] 表3模型精度评价结果 阳0巧]
[0096] 从W上的描述中，可W看出，本发明实现了如下技术效果：使用LAI数据进行森林 病虫害爆发风险预测，提高了森林病虫害爆发风险预测的精度。
[0097] 显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可W用通用 的计算装置来实现，它们可W集中在单个的计算装置上，或者分布在多个计算装置所组成 的网络上，可选地，它们可W用计算装置可执行的程序代码来实现，从而，可W将它们存储 在存储装置中由计算装置来执行，并且在某些情况下，可W W不同于此处的顺序执行所示 出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或 步骤制作成单个集成电路模块来实现。运样，本发明不限制于任何特定的硬件和软件结合。
[0098] W上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技 术人员来说，本发明可W有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修 改、等同替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种森林病虫害爆发风险预测的方法，其特征在于，包括： 获取森林病虫害爆发已知分布区域； 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； 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。2. 根据权利要求1所述的方法，其特征在于， 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 林虫害爆发风险之前，还包括：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； 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。3. 根据权利要求1所述的方法，其特征在于，获取环境因子变量，包括： 利用月均值最高温、最低温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。4. 根据权利要求1所述的方法，其特征在于，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。5. 根据权利要求1、3或4所述的方法，其特征在于， 获取环境因子变量之后，还包括：利用主成分分析法对所述环境因子变量进行降维处 理； 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。6. -种森林病虫害爆发风险预测的装置，其特征在于，包括： 第一获取模块，用于获取森林病虫害爆发已知分布区域； 第二获取模块，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，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。7. 根据权利要求6所述的装置，其特征在于， 所述装置还包括：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； 所述预测模块，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。8. 根据权利要求6所述的装置，其特征在于，所述第二获取模块，包括： 第一获取单元，用于利用月均值最高温、最低温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。9. 根据权利要求6所述的装置，其特征在于，所述第二获取模块，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。10. 根据权利要求6、8或9所述的装置，其特征在于， 所述装置还包括：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； 所述预测模块，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。
【专利摘要】本发明公开了一种森林病虫害爆发风险预测的方法及装置，其中该方法包括：获取森林病虫害爆发已知分布区域；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；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。通过本发明，首次使用叶面积指数进行森林病虫害风险预测，提高了森林病虫害爆发风险预测的准确度。
【IPC分类】G06Q50/02, G06Q10/04
【公开号】CN105631526
【申请号】CN201410602522
【发明人】方舟, 姬伟, 熊金国, 李小文, 曹春香
【申请人】航天恒星科技有限公司
【公开日】2016年6月1日
【申请日】2014年10月31日