本发明属于松材线虫侵入风险预测技术领域，尤其涉及一种基于生态位因子模型的松材线虫侵入风险预测方法。
背景技术：
目前，松材线虫(bursaphelenchusxylophilus)，是一种原产地在美国的危害性极高的外来有害生物。也是我国林业检疫性有害生物。它主要通过松墨天牛(monochamusalternatus)等媒介昆虫在松树体内传播，引发一种破坏性极强的松树病害——松材线虫病，这种病害可对36种松属树种和8种非松属树种造成危害。自首次发现被松材线虫感染的黑松以来，松材线虫病已经累计给中国造成直接和间接损失上千亿元。松材线虫病传播蔓延速度快，松树一旦染病，极易造成大片松林感染并死亡。松材线虫病已经蔓延至部分地区，造成了林业经济和生态上的重大损失，给自然景观造成了严重的破坏，严重威胁着我国林业的经济发展和生态安全。
目前现有技术采取的防控技术主要是围绕3个关键环节，即病害检疫和疫情监测、疫木处理、媒介昆虫防治。病害检疫和疫情监测是松材线虫防控工作的基础，松材线虫病感染初期很难被察觉，现阶段监测松材线虫病的主流方法是人工对松树进行抽样调查，分析松树是否染病，这些监测手段效率低、耗时长、准确性也差，且往往具有滞后性，发现松材线虫的时候往往已经造成了大量松树的感染和死亡，不能及时有效地放映松林病虫害的问题。
当前，对森林病虫害进行早期预警，是控制森林病虫害大范围蔓延、维护森林健康与持续发展的重要内容之一；在松材线虫还未入侵的时候，预测松材线虫侵入的风险，是制定松材线虫病防治和管理工作的前提。
综上所述，现有技术存在的问题是：现阶段监测松材线虫病的主流方法是人工对松树进行抽样调查，分析松树是否染病，这些监测手段效率低、耗时长、准确性也差，且往往具有滞后性，发现松材线虫的时候往往已经造成了大量松树的感染和死亡，不能及时有效地放映松林病虫害的问题。
解决上述技术问题的难度：现阶段松材线虫病疫情的检疫和监测技术具有滞后性，且效率较低、成本较高，不能及时反映病虫害的状况，容易造成松材线虫的大面积感染。
解决上述技术问题的意义：对松材线虫病的早期预警，预测松材线虫侵入的风险，是制定松材线虫病防治和管理工作的前提。根据预测结果，在高风险区加大监测和防治的力度，合理分配各个区域的人力、物力资源，从而提高工作效率，降低病虫害处理的成本。
技术实现要素：
针对现有技术存在的问题，本发明提供了一种基于生态位因子模型的松材线虫侵入风险预测方法。
本发明是这样实现的，一种基于生态位因子模型的松材线虫侵入风险预测方法，所述基于生态位因子模型的松材线虫侵入风险预测方法包括以下步骤：
步骤一，松材线虫病数据采集：获取已发生的松材线虫病疫区的分布点数据和环境数据；所述环境数据包括气候数据、基础地形数据、植被数据、人类活动数据。
步骤二，数据预处理：对气候数据进行克里金插值处理；利用arcgis的空间分析模块计算地形数据中的坡度和坡向；通过遥感技术得到植被类型和人类活动干扰数据。
步骤三，松材线虫病风险预警计算：将分布点数据和各种环境数据导入到生态位因子模型中进行计算，并对结果进行检验；根据检验生成的p/e曲线对风险等级图的风险等级进行分类。
步骤四，松材线虫病侵入风险评价：基于步骤三计算得到的结果，进行统计和分析，对松材线虫的现状和影响松材线虫病传播的主要环境影响因子以及风险较高的地区进行分析和评价。
进一步，步骤一中，所述环境数据中：
①气候数据包括：年均气温、年均降水量、年均日照时数、年均水汽压、年均相对湿度；
②基础地形数据包括：海拔、坡度、坡向、河流；
③植被数据包括：植被覆盖度、植被类型，所述植被类型包括针叶林、阔叶林、灌丛、栽培植被；
④人类活动数据包括：人口密度、道路、居民点、农田。
进一步，步骤二中，所述数据预处理的方法具体包括：
对气候数据进行克里金插值处理，地形数据中的坡度和坡向利用arcgis的空间分析模块从dem数据中计算得到；通过遥感图像解译得到土地利用分类，从中得到植被类型和人类活动干扰数据中的居民点、农田、道路数据，植被类型数据和人类活动干扰数据需转换为距离数据或者频率数据，所有数据转换为相同的空间分辨率和相同的投影，并将栅格数据(rasterformat)转换为生态位因子模型所能使用的栅格数据格式(idrisigridformat)。
进一步，步骤三中，所述松材线虫病风险预警的计算方法如下：
将分布点数据和各种环境数据导入到生态位因子模型中进行计算，先对导入的数据进行box-cox标准化转换，确保数据格式一致；然后计算特征矩阵，提取累计贡献率到达需求的前n个因子生成松材线虫病入侵风险等级图；最后利用交叉检验(cross-validation)方法对结果进行检验，并根据检验生成的p/e曲线对风险等级图的风险等级进行分类。
进一步，步骤三中，所述生态位因子(ecological-nichefactoranalysis，enfa)模型主要计算3个指标边际性(marginality)、特殊性(specialisation)和耐受性(tolerance)来确定松材线虫的侵入与环境之间的关系，计算公式如下：
(1)边际性系数m(marginality)：
式中，ms是松材线虫病疫区内的环境数据的平均值，ss是其标准差；mg为整个研究区内的环境数据的平均值，sg是其标准差。
(2)特殊性系数s(specialisation)：
(3)耐受性系数t(tolerance)是s的倒数：
进一步，步骤三中，所述根据生态位因子模型计算得到的特征矩阵可以得到松材线虫的侵入与各个环境之间的关系，可以分析出在各个区域内影响松材线虫病传播侵入的主要环境影响因素。在模型中通过计算出特征矩阵提取累计贡献率达到要求的前n个因子生成风险等级图，风险等级图可以确定各个区域内松材线虫的侵入风险程度和分布状况。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的基于生态位因子模型的松材线虫侵入风险预测方法。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行所述的基于生态位因子模型的松材线虫侵入风险预测方法。
本发明的另一目的在于提供一种所述的基于生态位因子模型的松材线虫侵入风险预测方法的松材线虫侵入风险预测仪。
综上所述，本发明的优点及积极效果为：本发明提供的基于生态位因子模型的松材线虫侵入风险预测方法，选取了影响松材线虫的传播和定殖的4类主要环境影响因素(气候因素、地形因素、植被因素、人类活动影响因素)，以生态位因子模型为基础，通过计算松材线虫分布点的环境因素数据来确定松材线虫的生态位(ecologicalniche)，然后利用生态位预测研究松材线虫在研究区域内的侵入风险，模型计算得到的特征矩阵可分析出影响松材线虫传播的主要环境影响因子，计算得到的风险等级图可以确定松材线虫的侵入风险程度和分布状况。根据影响松材线虫传播的主要环境影响因子，因地制宜，不同的地区制定相应的防治措施，有效的控制松材线虫的蔓延；对于风险较高的地区可以加大灾害治理的人力和物力，风险较低的地方做好预防措施，避免了资源的浪费，从而提高松材线虫病治理工作的效率，降低松材线虫病防治工作的治理成本。并在此基础上结合各地区的实际情况加以总结，上升为可以指导森林保护实践的技术规程，为松材线虫病虫害的预警、监测和防治工作奠定了基础，也为森林生物多样性保护和生态环境保护的措施提供了科学依据，同时也为其他森林病虫害的早期预警和防治工作提供可靠依据和方法借鉴。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于生态位因子模型的松材线虫侵入风险预测方法流程图。
图2是本发明实施例提供的湖北省松材线虫病分布图。
图3是本发明实施例提供的湖北省松材线虫病侵入风险等级示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
现阶段监测松材线虫病的主流方法是人工对松树进行抽样调查，分析松树是否染病，这些监测手段效率低、耗时长、准确性也差，且往往具有滞后性，发现松材线虫的时候往往已经造成了大量松树的感染和死亡，不能及时有效地放映松林病虫害的问题。
针对现有技术存在的问题，本发明提供了一种基于生态位因子模型的松材线虫侵入风险预测方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于生态位因子模型的松材线虫侵入风险预测方法包括以下步骤：
s101，松材线虫病数据采集：获取已发生的松材线虫病疫区的分布点数据和环境数据；所述环境数据包括气候数据、基础地形数据、植被数据、人类活动数据。
s102，数据预处理：对气候数据进行克里金插值处理；利用arcgis的空间分析模块计算地形数据中的坡度和坡向；通过遥感技术得到植被类型和人类活动干扰数据。
s103，松材线虫病风险预警计算：将分布点数据和各种环境数据导入到生态位因子模型中进行计算，并对结果进行检验；根据检验生成的p/e曲线对风险等级图的风险等级进行分类。
s104，松材线虫病侵入风险评价：基于s103计算得到的结果，进行统计和分析，对松材线虫的现状和影响松材线虫病传播的主要环境影响因子以及风险较高的地区进行分析和评价。
下面结合具体实施例对本发明作进一步描述。
实施例
以湖北省为例，本发明实施例提供的基于生态位因子模型的松材线虫侵入风险预测方法如下：
步骤1，松材线虫病数据采集，湖北省松材线虫病的分布点数据共66条，环境数据包括：
①气候因素数据：平均温度、年平均降水量、年均总日照时数、年平均相对湿度、年平均水汽压、平均气压。主要包括湖北省34个气象站点的数据。
②地形环境数据：包括海拔、坡度、坡向、河流。
③人类活动干扰因素数据：包括城镇居民点、主要公路、铁路、农田、人口分布密度。
④植被覆盖数据：主要包括针叶林、阔叶林、灌丛、栽培植被、农田、植被覆盖度。
如图2所示，本发明实施例提供的湖北省松材线虫病分布图。
步骤2，数据预处理，所有数据均预先在arcgis10.2中进行处理，气候数据进行克里金插值处理，地形数据从dem数据提取，植被类型数据和人类活动干扰数据需转换为距离数据或者频率数据，所有数据转换为250×250m空间分辨率和相同的投影，并将arcgis栅格数据(arcgisrasterformat)转换为生态位因子模型所能使用的栅格数据格式(idrisigridformat)。
步骤3，松材线虫病风险预警计算，将分布点数据和各种环境数据导入到生态位因子模型中进行计算。
本发明实施例提供的生态位因子(ecological-nichefactoranalysis，enfa)模型主要计算3个指标边际性(marginality)、特殊性(specialisation)和耐受性(tolerance)来确定松材线虫的侵入与环境之间的关系，计算公式如下：
(1)边际性系数m(marginality)：
式中，ms是松材线虫病疫区内的环境数据的平均值，ss是其标准差；mg为整个研究区内的环境数据的平均值，sg是其标准差。
(2)特殊性系数s(specialisation)：
(3)耐受性系数t(tolerance)是s的倒数：
根据生态位因子模型计算得到的特征矩阵可以得到松材线虫的侵入与各个环境之间的关系，可以分析出在各个区域内影响松材线虫病传播侵入的主要环境影响因素。在模型中通过计算出特征矩阵提取累计贡献率达到要求的前n个因子生成风险等级图，风险等级图可以确定各个区域内松材线虫的侵入风险程度和分布状况。
模型计算的参数如下：边际性系数m＝1.82，m值大于1，说明松材线虫对各种环境条件的选择不是随机的。特殊性系数s＝16.318，耐受性系数t＝0.061，s值较大，t的值很小，表明松材线虫的生存和传播是受到特定的环境条件影响的，在环境条件适宜的情况下侵入风险才会较高。生态位因子模型因子得分矩阵见表1，其中第一列为边际性因子，其它为特殊性因子，括号内数值表示解释的特殊性比例，3个因子的累积贡献率达99.62％，即解释了100％的边际性和99.62％的特殊性，由这3个因子生成了最终的风险等级图。用交叉验证(cross-validation)对模型的预测进行检验，得到p/e曲线，曲线呈单调递增趋势，boyceindex＝0.723±0.2011,说明模型预测能力较高。如图3所示，将湖北省松材线虫病风险区分为4个等级效果图：低风险区(0<his≤17)、中度风险区(17<his≤50)、较高风险区(50<his≤75)、高风险区(75<his≤100)。
表1enfa模型的因子得分
从表1可以看出松材线虫病与环境变量的关系，松材线虫分布在年均气温较高(平均气温>16℃)，年降水量丰富(年均降水量>1165mm)，日照充足(年日照时数>1165h)，水汽压(年均水汽压>15.8hpa)和相对湿度(年均相对湿度>74.5％)也相对教高的地区，气候因素的边际因子(mf)取值较大(mf均大于0.35)。在地形因素上趋向于低海拔(平均海拔425米，mf＝-0.028)、坡度平缓(平均坡度7°，mf＝0.048)并位于西坡和南坡的地区(mf＝0.296)。在各种人类活动影响下，松材线虫选择分布在距离人类居民点(mf＝0.071)和铁路(mf＝-0.023)较近，同时人口密度较大(mf＝0.207)，农田(mf＝0.071)比较密集的地区，远离公路(mf＝0.222)和河流(mf＝0.181)。在植被因素的选择上，松材线虫病主要发生在植被覆盖度较低(平均覆盖度＝0.42，mf＝0.011)的栽培植被(mf＝-0.067)和针叶林(mf＝0.047)内，阔叶林(mf＝0.222)和灌丛(mf＝0.264)的发生几率相对较低。
对湖北省松材线虫的侵入风险等级区域进行统计计算，湖北省松材线虫病高风险区面积33738.9km2，占湖北省总面积的18.17％，较高风险区面积32358.3km2，占地比例为17.4％，中度风险区面积74317.2km2，占地比例为39.97％，低风险区面积45485.6km2，占地比例为24.46％。
以上结合实例对本发明的实施方式做了详细说明，且为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
1.一种基于生态位因子模型的松材线虫侵入风险预测方法，其特征在于，所述基于生态位因子模型的松材线虫侵入风险预测方法包括以下步骤：
步骤一，松材线虫病数据采集：获取已发生的松材线虫病疫区的分布点数据和环境数据；所述环境数据包括气候数据、基础地形数据、植被数据、人类活动数据；
步骤二，数据预处理：对气候数据进行克里金插值处理；利用arcgis的空间分析模块计算地形数据中的坡度和坡向；通过遥感技术得到植被类型和人类活动干扰数据；
步骤三，松材线虫病风险预警计算：将分布点数据和各种环境数据导入到生态位因子模型中进行计算，并对结果进行检验；根据检验生成的p/e曲线对风险等级图的风险等级进行分类；
步骤四，松材线虫病侵入风险评价：基于步骤三计算得到的结果，进行统计和分析，对松材线虫的现状和影响松材线虫病传播的主要环境影响因子以及风险较高的地区进行分析和评价。
2.如权利要求1所述的基于生态位因子模型的松材线虫侵入风险预测方法，其特征在于，步骤一所述环境数据包括：
①气候数据：年均气温、年均降水量、年均日照时数、年均水汽压、年均相对湿度；
②基础地形数据：海拔、坡度、坡向、河流；
③植被数据：植被覆盖度、植被类型，所述植被类型包括针叶林、阔叶林、灌丛、栽培植被；
④人类活动数据：人口分布密度、主要道路、城镇居民点、农田。
3.如权利要求1所述的基于生态位因子模型的松材线虫侵入风险预测方法，其特征在于，步骤二中，所述数据预处理的方法包括：
对气候数据进行克里金插值处理，地形数据中的坡度和坡向利用arcgis的空间分析模块从dem数据中计算得到；通过遥感图像解译得到土地利用分类，从中得到植被类型和人类活动干扰数据中的居民点、农田、道路数据，植被类型数据和人类活动干扰数据需转换为距离型数据或者频率型数据，所有数据转换为相同的空间分辨率和相同的投影，并将栅格数据转换为生态位因子模型所能使用的栅格数据格式。
4.如权利要求1所述的基于生态位因子模型的松材线虫侵入风险预测方法，其特征在于，步骤三中，所述松材线虫病风险预警的计算方法包括：
(1)将分布点数据和各种环境数据导入到生态位因子模型中进行计算，先对导入的数据进行box-cox标准化转换，确保数据格式一致；
(2)计算特征矩阵，提取累计贡献率到达需求的前n个因子生成松材线虫病入侵风险等级图；
(3)利用交叉检验方法对结果进行检验，并根据检验生成的p/e曲线对风险等级图的风险等级进行分类。
5.如权利要求1所述的基于生态位因子模型的松材线虫侵入风险预测方法，其特征在于，步骤三中，所述生态位因子模型计算边际性m、特殊性s和耐受性t指标确定松材线虫的侵入与环境之间的关系，计算公式如下：
1)边际性系数m：
式中，ms是松材线虫病疫区内的环境数据的平均值，ss是其标准差，mg为整个研究区内的环境数据的平均值，sg是标准差；
2)特殊性系数s：
3)耐受性系数t是s的倒数：
6.如权利要求1所述的基于生态位因子模型的松材线虫侵入风险预测方法，其特征在于，步骤三中，所述根据生态位因子模型计算得到的特征矩阵得到松材线虫的侵入与各个环境之间的关系，分析出在各个区域内影响松材线虫病传播侵入的环境影响因素；在模型中通过计算出特征矩阵提取累计贡献率达到要求的前n个因子生成风险等级图，风险等级图确定各个区域内松材线虫的侵入风险程度和分布状况。
7.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1～6所述的基于生态位因子模型的松材线虫侵入风险预测方法。
8.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～6所述的基于生态位因子模型的松材线虫侵入风险预测方法。
9.一种如权利要求1～6所述的基于生态位因子模型的松材线虫侵入风险预测方法的松材线虫侵入风险预测仪。
技术总结