技术领域
[0001] 本发明涉及测量技术领域，更具体地说，特别涉及一种基于预测模型的杨树烂皮病综合预测系统和方法。
相关背景技术
[0002] 杨树是世界上分布最广泛、适应性最强的树种，是重要的生态高效用材树种，也是我国重要的造林树种，广泛分布在“三北”、华中、华东、西南等地。我国杨树人工林面积约占全球杨树人工林面积的73%，但我国杨树人工林的木材年产量仅占全球杨树人工林木材年产量的53%，说明我国杨树人工林单位面积的生长量和产量均处于较低的水平。其中，最重要的制约因素之一是杨树人工林病虫害的大面积持续为害。
[0003] 杨树烂皮病是杨树的主要病害之一，属杨树枝干病害、寄主主导性病害，传染性极强，新植林发病最重，对造林绿化及 “三北”防护林等曾造成重大影响。树木长势良好时，病原菌处于潜伏期，当环境条件不利于杨树生长时，如发生干旱、冻害、日灼等引起杨树干部创伤、树势衰弱时，烂皮病会大面积发生。发病初期杨树干部出现褐色水肿状病斑，皮层腐烂变软、下陷，失水后形成龟裂，病健交界处特征明显，有黑褐色边缘。发病后期在病斑上形成许多针头状小突起，即病原菌的分生孢子器。随着发病时间的延长，病斑可以对杨树干部形成环割，造成韧皮部坏死，树体死亡，导致巨大损失。
[0004] 近年来，由于气候异常等原因，加之杨树人工林面积的逐年扩大，杨树烂皮病也随之加重，已成为林木毁灭性病害，对林业可持续发展和生态环境安全乃至农业生产的发展构成严重威胁。目前，杨树烂皮病的发生预测只是单一地根据气象因子建立预报模型，尚不十分准确。
[0005] 因此，现有技术存在的问题，有待于进一步改进和发展。
具体实施方式
[0019] 下面结合优选的实施例对本发明做进一步详细说明，在以下的描述中阐述了更多的细节以便于充分理解本发明，但是，本发明显然能够以多种不同于此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下根据实际应用情况作类似推广、演绎，因此不应以此具体实施例的内容限制本发明的保护范围。
[0020] 附图是本发明的实施例的示意图，需要注意的是，此附图仅作为示例，并非是按照等比例的条件绘制的，并且不应该以此作为对本发明的实际要求保护范围构成限制。
[0021] 一种基于预测模型的杨树烂皮病综合预测系统包括数据采集单元、数据分析单元、发病预测单元、数据存储单元和数据显示单元。所述数据采集单元用于采集目标区域的关联数据，所述数据分析单元对所述关联数据进行多元线性回归分析，得到杨树烂皮病发病率和感病指数的线性模型，发病预测单元对当前关联数据采用杨树烂皮病发病率和感病指数的线性模型，进行杨树烂皮病发病率和感病指数的预测，得到当前预测数据，所述数据存储单元用于存储所述关联数据、所述线性模型、所述预测数据等初始数据、过程数据和结果数据，所述数据显示单元用于显示所述关联数据、所述线性模型、所述预测数据等初始数据、过程数据和结果数据，如图1所示。
[0022] 所述数据采集单元包括物联网爬取装置、信息采集装置等中的一种或多种。其中，所述信息采集装置可以是拍摄无人机，也可以是其他可以获取信息的装置，这里不做具体限定。
[0023] 所述目标区域包括暖温带半湿润地区、高原温带半干旱地区、中温带干旱地区等不同的气候区。所述关联数据包括立地条件、气候条件、生物条件以及杨树烂皮病发生情况。立地条件包括纬度、经度、海拔、地形、土壤类型、土壤条件、坡度、坡向等。气候条件包括日最高温、日最低温、均温、温差、空气湿度、平均风速、降雨量以及温湿比等。生物条件包括树种、树龄等。立地条件中包括立地关联因子，立地关联因子包括纬度、坡向。气候条件包括气候关联因子，气候关联因子包括温度、温湿比、降雨量。生物条件包括生物关联因子，生物关联因子包括树种、树龄。
[0024] 所述数据采集单元对不同的气候区的目标地块的关联数据分别进行采集，分别采集暖温带半湿润地区、高原温带半干旱地区、中温带干旱地区的立地条件和气候条件。具体地说，物联网爬取装置分别对暖温带半湿润地区、高原温带半干旱地区、中温带干旱地区中的N个标准地块的立地条件、气候条件进行采集。其中，立地条件、气候条件也可以通过输入单元输入，这里不做具体限制。信息采集装置分别对暖温带半湿润地区、高原温带半干旱地区、中温带干旱地区中的N个标准地块的杨树烂皮病发生情况进行调查。N为正整数，这里以N等于5为例，即每个不同气候区包括5个标准地块。
[0025] 一种基于预测模型的杨树烂皮病综合预测方法，如图2所示，包括以下步骤，步骤Ⅰ，数据采集单元采集目标区域的关联数据；
步骤Ⅱ，数据分析单元对所述关联数据进行多元线性回归分析，得到杨树烂皮病
发病率和感病指数的线性模型；
步骤Ⅲ，发病预测单元对当前关联数据采用杨树烂皮病发病率和感病指数的线性
模型，进行杨树烂皮病发病率和感病指数的预测，得到当前预测数据；
步骤Ⅳ，数据显示单元用于显示所述关联数据、所述线性模型、所述预测数据等初
始数据、过程数据和结果数据。
[0026] 所述数据采集单元采集目标区域的关联数据，包括对不同的气候区的目标地块中杨树烂皮病发生情况进行调查，具体包括如下步骤：步骤一，所述数据采集单元将每个不同气候区的N个标准地块中随机设置M个调查
小区；其中，M为正整数，这里以M等于3为例，即每个标准地块包括3个调查小区。
[0027] 步骤二，所述数据采集单元在每个调查小区中分别选择Z个抽样点；其中，Z为正整数，这里以Z等于5为例，即每个调查小区设置5个抽样点，具体地说，选择每个调查小区的对角线的中点作为中心抽样点，再在调查小区的对角线上选择4个与中心抽样点距离相等的点作为周围抽样点，中心抽样点和周围抽样点组成所述抽样点。
[0028] 步骤三，所述数据采集单元在每个抽样点选取W株样株，并对样株进行标记编号；其中，W为正整数，这里以W等于6为例，即每个抽样点选择6株样株。
[0029] 步骤四，所述数据采集单元的信息采集装置在指定时间内对样株的情况进行观察、记录，得到观察数据；具体地说，在3月中旬发病开始至10月底，按病情分级标准（表1）和分级计数法每隔15d调查1次，即每一次调查称为一个调查时期。
[0030] 表1 杨树烂皮病病情分级标准
[0031] 所述数据分析单元对所述关联数据进行多元线性回归分析，得到杨树烂皮病发病率和感病指数的线性模型，可以包括如下步骤：步骤1，根据观察数据分别计算每个不同气候区的N个标准地块中，在不同调查时
期杨树烂皮病的发病率和感病指数，并绘制发病率和感病指数的趋势图。
[0032] 所述数据分析单元根据观察数据计算，发病率及感病指数可以采用Excel2020软件进行计算。具体的，发病率及感病指数计算方法如下：发病率(%)=发病株数/调查株数×100%
感病指数=Σ(各级发病株数×各级代表值)/（调查总株数×最高级代表值）
步骤2，根据发病率和感病指数的趋势图，对每个不同气候区的N个标准地块中不
同调查年份的杨树烂皮病发病率和感病指数的相关性进行分析，得到第一分析数据，所述第一分析数据中包括不同调查年份间发病率和感病指数的相关性数据。根据所述第一分析数据确认是否可以将前一年份的发病率和感病指数数据用于后续模型构建。
[0033] 在步骤2中，不同调查年份的杨树烂皮病发病率和感病指数的相关性进行分析，可以采用IBM SPSS软件的Pearson相关性分析计算相关性。相关性分析过程：将N个标准地每一年不同调查时期的发病率、感病指数分别作为一列，对不同调查年份间发病率和感病指数进行相关性分析。
[0034] 步骤3，根据关联数据分别计算每个不同气候区的N个标准地块关联数据的标准值，并对不同气候条件、不同立地条件、不同生物条件杨树烂皮病发病率和感病指数的相关性进行分析，得到第二分析数据，所述第二分析数据中包括了不同气候条件、不同立地条件、不同生物条件与杨树烂皮病发病率和发病指数的关联度。所述第二分析数据为后续模型构建时，因子选择提供参考。
[0035] 第二分析数据包括气候关联因子、立地关联因子和生物关联因子，气候关联因子包括温度、温湿比、降雨量，立地关联因子包括纬度、坡向，生物关联因子包括树种、树龄。
[0036] 所述步骤3具体包括，步骤31，分别计算每个不同气候区的N个标准地块气候条件的标准值；步骤32，分别计算每个不同气候区的N个标准地块立地条件的标准值；步骤33，根据气候条件的标准值和立地条件的标准值，分别对不同气候条件、不同立地条件杨树烂皮病发病率和感病指数的相关性进行分析，得到第二分析数据。其中，步骤31和步骤32的顺序可以调换。
[0037] 所述步骤31具体可以是，首先统计每个不同气候区的N个标准地块调查日期前5、10、15、20、25和30 d的气候条件，包括日最高温（Tm）、日最低温（Tl）、均温（Ta）、温差（Td）、空气湿度（Hr）、平均风速（Ws）、降雨量（P）以及温湿比（Ta/Hr）等；然后使用2020计算调查日期前5、10、15、20、25和30d的气候条件均值，作为气候条件的标准值。
[0038] 所述步骤32具体可以是，首先以标准地块为单位，分别统每个不同气候区的N个标准地块的立地条件，包括纬度、经度、海拔、地形、土壤类型、坡度、坡向等；分别统每个不同气候区的N个标准地块的生物条件包括树种、树龄；然后将地形、坡向、土壤类型、树种采用定量方式赋值，得到每个不同气候区的N个标准地块立地条件、生物条件的标准值。具体地说，立地条件中纬度、经度、海拔、坡度的统计值作为其对应的标准值，地形、土壤类型、土壤条件、坡向采用定量方式赋值得到的数值作为其对应的标准值。生物条件中树龄的统计值作为其对应的标准值，树种采用定量方式赋值得到的数值作为其对应的标准值。
[0039] 在立地条件中，地形、坡向、土壤类型具体赋值为，地形分为3级：1，洼地；2，平原；3，缓坡；
坡向分为9级：0，平坡；1，东北；2，东；3，东南；4，南；5，西南；6，西；7，西北；8，北；
土壤类型分为6级：1，砂砾土；2，灰棕漠土；3，沙土；4，沙壤土；5，壤土；6，褐土；
树种分为4种：1，青杨；2，新疆杨；3，俄罗斯杨；4，欧美杨。
[0040] 所述步骤33中，对不同立地条件杨树烂皮病发病率和感病指数的相关性进行分析，可以采用IBM SPSS软件的Pearson相关性分析计算相关性，为后续模型构建时，因子选择提供参考。
[0041] 步骤4，根据第一分析数据和第二分析数据，对所述关联数据进行多元线性回归分析，分别构建各气候区的基于气候条件、立地条件、生物条件的杨树烂皮病发病率和感病指数的线性模型，以及分别构建各气候区基于气候条件、立地条件、生物条件和前一年发病率、感病指数的年度线性模型；在所述步骤4中，可以采用IBM SPSS软件的Pearson相关性分析进行多元线性回归
分析，得到各气候区气候条件、立地条件、生物条件与杨树烂皮病发病率和感病指数的相关性数据，为构建线性模型时的因子选择提供参考。
[0042] 构建各气候区的杨树烂皮病发病率和感病指数的线性模型时，首先将所有关联因子作为自变量，发病率或感病指数作为因变量，采用步进方法构建预测模型，得到多个预测模型，对于输出的多个预测模型，根据以下方法进行选择：（1）模型的显著性p<0.001；（2）模型各项系数的共线性（VIF）值<5（个别情况可放宽至<10）；（3）优先选择R2值较高的模型；R2值相近时，选择变量数较少的预测模型。
[0043] 所述步骤4，具体地说，包括以下步骤：步骤41，分别构建各气候区的基于气候条件、立地条件、生物条件的杨树烂皮病发
病率的线性模型；
步骤42，分别构建各气候区的基于气候条件、立地条件、生物条件的杨树烂皮病感
病指数的线性模型；
步骤43，分别构建各气候区基于气候条件、立地条件、生物条件和前一年发病率的
年度杨树烂皮病发病率的线性模型；
步骤44，分别构建各气候区基于气候条件、立地条件、生物条件和前一年感病指数
的年度杨树烂皮病感病指数的线性模型。
[0044] 在所述步骤41中：暖温带半湿润地区的基于气候条件、立地条件、生物条件的杨树烂皮病发病率的
线性模型为，
LX= ‑12.951+ 0.002*Alti ‑ 0.02 *Td5 ‑1.24 * Lati + 0.015 * Tm 10‑
0.013 * Age ‑0.014 * P 25‑ 0.309 * Ws 5 + 0.502 * Longi ‑0.011 * Hr 30‑0.058
2
* Hs30；模型相关系数为R= 0.707，R= 0.499，p<0.001，说明模型拟合度尚可，模型引入的因子能解释近50%的总体变异。
[0045] 其中，LX为暖温带半湿润地区的基于气候条件、立地条件、生物条件的杨树烂皮病发病率的线性模型；Alti为海拔；Td为日均温差；Lati为纬度；Tm为日均最高温；Age为树龄；P为平均降雨量；Ws为平均风速；Longi为经度；Hr为相对湿度；Hs为平均日照时数。
[0046] 高原温带半干旱地区的基于气候条件、立地条件、生物条件的杨树烂皮病发病率的线性模型为，LG= 21.763+ 0.718*经度‑ 2.429*纬度+ 0.004*Ta30+ 0.004*Hr10。模型相关系
2
数为R= 0.816，模型相关系数为R= 0.816，R= 0.666，p<0.001，说明模型拟合度较好，模型引入的因子能解释67%的总体变异。
[0047] 其中，LG为高原温带半干旱地区的基于气候条件、立地条件、生物条件的杨树烂皮病发病率的线性模型；Ta为日均温；Hr为相对湿度。
[0048] 中温带干旱地区的基于气候条件、立地条件、生物条件的杨树烂皮病发病率的线性模型为，LK= ‑48.292 ‑ 0.011*Hr20 ‑ 0.097*Td30‑ 1.116*Lati +1.187 *Longi+
2
0.001*Alti+ 0.008*P5，模型相关系数为R= 0.903，R = 0.816，p<0.001，说明模型拟合度较好，模型引入的因子能解释超过90%的总体变异。
[0049] 其中，LK为中温带干旱地区的基于气候条件、立地条件、生物条件的杨树烂皮病发病率的线性模型；Hr为相对湿度；Td为日均温差；Lati为纬度；Longi为经度；Alti为海拔；P为平均降雨量。
[0050] 在所述步骤42中，暖温带半湿润地区的基于气候条件、立地条件、生物条件的杨树烂皮病感病指数的线性模型为，ZX = 18.059+ 0.001 * Alti ‑ 0.522 *Lati + 0.141 * Ta/Hr 25 ‑ 0.056*Ws
2
20‑ 0.005 Age；模型相关系数为R=0.716，R =0.513，p<0.001，说明模型拟合度尚可，模型引入的因子能解释51%的总体变异。
[0051] 其中，ZX为暖温带半湿润地区的基于气候条件、立地条件、生物条件的杨树烂皮病感病指数的线性模型；Alti为海拔；Lati为纬度；Ta/Hr为温湿比；Ws为平均风速；Age为树龄。
[0052] 高原温带半干旱地区的基于气候条件、立地条件、生物条件的杨树烂皮病感病指数的线性模型为，ZG= ‑44.525+ 0.471*Longi + 0.002*Age+ 0.002*Ta25‑ 0.006*Td20，模型相关
2
系数为R= 0.834，R = 0.695，p< 0.001，说明模型拟合度较好，模型引入的因子能解释近
70%的总体变异。
[0053] 其中，ZG为高原温带半干旱地区的基于气候条件、立地条件、生物条件的杨树烂皮病感病指数的线性模型；Longi为经度；Age为树龄；Ta为日均温；Td为日均温差。
[0054] 中温带干旱地区的基于气候条件、立地条件、生物条件的杨树烂皮病感病指数的线性模型为，ZK= ‑19.09‑0.001*Hr 30‑0.385*Lati +0.435*Longi ‑0.003*age，模型相关系
2
数为R= 0.891，R= 0.793，p<0.001，说明模型拟合度较好，模型引入的因子能解释近80%的总体变异。
[0055] 其中，ZK为中温带干旱地区的基于气候条件、立地条件、生物条件的杨树烂皮病感病指数的线性模型；Hr为相对湿度；Lati为纬度；Longi为经度；age为树龄。
[0056] 在所述步骤43中，暖温带半湿润地区的基于气候条件、立地条件、生物条件和前一年发病率的年度杨树烂皮病发病率线性模型为，LXY= ‑0.123 + 1.050*ZmXY‑1+ 0.481*Ta/2
Hr30，模型相关系数为R= 0.687，R= 0.472，p<0.001，说明模型拟合度较差，模型引入的因子只能解释47%的总体变异。
[0057] 其中，LXY为暖温带半湿润地区的基于气候条件、立地条件、生物条件和前一年发病率、感病指数的年度杨树烂皮病发病率线性模型；ZmXY‑1为暖温带半湿润地区前一年调查末期感病指数；Ta/Hr为温湿比。
[0058] 高原温带半干旱地区的基于气候条件、立地条件、生物条件和前一年发病率、感病指数的年度杨树烂皮病发病率线性模型为，LGY= ‑0.237 + 0.618*LmGY‑1+0.473*LgGY‑1+ 2
0.501*ZcGY‑1 +0.003*Tm30，模型相关系数为R= 0.887，R =0.787，p<0.001，说明模型拟合度较好，模型引入的因子能解释79%的总体变异。
[0059] 其中，LGY为高原温带半干旱地区的基于气候条件、立地条件、生物条件和前一年发病率、感病指数的年度杨树烂皮病发病率线性模型；LmGY‑1为高原温带半干旱地区前一年调查末期发病率；LgGY‑1为高原温带半干旱地区前一年感病高峰期发病率；ZcGY‑1为高原温带半干旱地区前一年调查初期感病指数；Tm为日均最高温。
[0060] 中温带干旱地区的基于气候条件、立地条件、生物条件和前一年发病率、感病指数的年度杨树烂皮病发病率线性模型为，LKY= ‑0.097+ 0.006*Tl30+0.917*LgKY‑1，模型相关2
系数为R=0.935，R=0.873，p<0.001，说明模型拟合度很好，模型引入的因子能解释87%的总体变异。
[0061] 其中，LKY为中温带干旱地区的基于气候条件、立地条件、生物条件和前一年发病率、感病指数的年度杨树烂皮病发病率线性模型；Tl为日均最低温；LgKY‑1为中温带干旱地区前一年感病高峰期发病率。
[0062] 在步骤44中，暖温带半湿润地区的基于气候条件、立地条件、生物条件和前一年感病指数的年
度杨树烂皮病感病指数线性模型为，ZXY= ‑0.081 + 0.497*ZmXY‑1 ‑0.201*ZgXY‑1+ 0.003*
2
Age‑ 0.131*Ta/Hr 15‑ 0.007*P 30+ 0.006*Tm 20；模型相关系数为R= 0.792，R =
0.627，p<0.001，说明模型拟合度尚可，模型引入的因子能解释63%的总体变异。
[0063] 其中，ZXY为暖温带半湿润地区的基于气候条件、立地条件、生物条件和前一年发病率、感病指数的年度杨树烂皮病感病指数线性模型；ZmXY‑1为暖温带半湿润地区前一年调查末期感病指数；ZgXY‑1为暖温带半湿润地区前一年感病高峰期感病指数；Age为树龄；Ta/Hr为温湿比；P为平均降雨量；Tm为日均最高温。
[0064] 高原温带半干旱地区的基于气候条件、立地条件、生物条件和前一年发病率、感病指数的年度杨树烂皮病感病指数年度线性模型为，ZGY= ‑0.025+ 0.689*ZgGY‑1+ 0.55*2
ZmGY‑1‑ 0.052*LcGY‑1+ 0.002*Tm 30‑ 0.008*Ws 5，模型相关系数为R= 0.877，R= 0.769，p<0.001，说明模型拟合度较好，模型引入的因子能解释77%的总体变异。
[0065] 其中，ZGY为高原温带半干旱地区的基于气候条件、立地条件、生物条件和前一年发病率、感病指数的年度杨树烂皮病感病指数年度线性模型；ZgGY‑1为高原温带半干旱地区前一年感病高峰期感病指数；ZmGY‑1为高原温带半干旱地区前一年调查末期感病指数；LcGY‑1为高原温带半干旱地区前一年调查初期发病率；Tm为日均最高温；Ws为平均风速。
[0066] 中温带干旱地区的基于气候条件、立地条件、生物条件和前一年发病率、感病指数的年度杨树烂皮病感病指数年度预测模型为，ZKY=‑0.035 + 0.002*Tl25+0.923*ZgKY‑1，模2
型相关系数为R=0.948，R=0.898，p<0.001，说明模型拟合度很好，模型引入的因子能解释近90%的总体变异。
[0067] 其中，ZKY为中温带干旱地区的基于气候条件、立地条件、生物条件和前一年发病率、感病指数的年度杨树烂皮病感病指数年度预测模型；Tl为日均最低温；ZgKY‑1为中温带干旱地区前一年感病高峰期感病指数。
[0068] 步骤5，对所述关联数据进行多元线性回归分析，得到不同气候区气候条件、立地条件、生物条件与杨树烂皮病发病率和感病指数的相关性数据，为构建线性模型时的因子选择提供参考。
[0069] 构建不同气候区的基于气候条件、立地条件、生物条件的杨树烂皮病发病率和感病指数的线性模型，以及构建不同气候区基于气候条件、立地条件、生物条件和前一年发病率、感病指数的年度线性模型；具体的说，首先将所有关联因子作为自变量，发病或感病指数作为因变量，采用步
进方法构建预测模型，得到多个预测模型，对于输出的多个预测模型，根据以下方法进行选择：（1）模型的显著性p<0.001；（2）模型各项系数的共线性（VIF）值<5（个别情况可放宽至<
10）；（3）优先选择R2值较高的模型；R2值相近时，选择变量数较少的模型。
[0070] 在所述步骤5中，可以采用IBM SPSS软件的Pearson相关性分析进行多元线性回归分析，得到构建不同气候区的杨树烂皮病发病率和感病指数的线性模型。
[0071] 所述步骤5，具体地说，包括以下步骤：步骤51，构建不同气候区的基于气候条件、立地条件、生物条件的杨树烂皮病发病
率的线性模型；
步骤52，构建不同气候区的基于气候条件、立地条件、生物条件的杨树烂皮病感病
指数的线性模型；
步骤53，构建不同气候区基于气候条件、立地条件、生物条件和前一年发病率的年
度杨树烂皮病发病率的线性模型；
步骤54，构建不同气候区基于气候条件、立地条件、生物条件和前一年感病指数的
年度杨树烂皮病感病指数的线性模型。
[0072] 在所述步骤51中：不同气候区的基于气候条件、立地条件、生物条件的杨树烂皮病发病率的线性模
型为，
LZ(3)=1.855‑0.016*Longi+0.008*Age +0.01*Tl25‑ 0.012*Td5+ 0.056*Topo‑
2
0.015*P25‑ 0.089*Ta/Hr20，模型相关系数为R= 0.691，R= 0.477，p<0.001，说明模型拟合度较差，模型引入的因子能解释48%的总体变异。各因子的标准化系数表明（表51），影响杨树烂皮病发病率的因子的重要性为经度>Tl25>Age>Topo= Ta/Hr20>P25>Td5。
[0073] 表51 三地杨树烂皮病发病率预测模型各因子系数及显著性分析
[0074] 其中，LZ(3)为不同气候区的基于气候条件、立地条件、生物条件的杨树烂皮病发病率的线性模型；Z(3)为基于三地综合数据；Longi为经度；Age为树龄；Tl为日均最低温；Td为日均温差；Topo为地形；P为平均降雨量；Ta/Hr为温湿比。
[0075] 在所述步骤52中：不同气候区的基于气候条件、立地条件、生物条件的杨树烂皮病感病指数的线性
模型为，
ZZ(3)= 0.503‑ 0.005*Longi+ 0.005*Age+ 0.003*Tl 5+ 0.004* Aspect‑
2
0.004*P25+ 0.017*Topo，R= 0.775，R = 0.600，p<0.001，说明模型拟合度尚可，模型引入的因子能解释近60的总体变异。各因子的标准化系数表明（表52），影响杨树烂皮病发病率的因子的重要性为经度>Age>Tl5> 坡向>Topo>P25。
[0076] 表52 三地杨树烂皮病感病指数预测模型各因子系数及显著性分析
[0077] 其中，ZZ(3)为不同气候区的基于气候条件、立地条件、生物条件的杨树烂皮病感病指数的线性模型； Longi为经度；Age为树龄；Tl为日均最低温；Aspect为坡向；P为平均降雨量；Topo为地形。
[0078] 在所述步骤53中，暖温带半湿润地区和高原温带半干旱地区的不同气候区基于气候条件、立地条
件、生物条件和前一年发病率的年度杨树烂皮病发病率的线性模型为，
LZ(2)Y=‑5.504+0.013*Tm20‑0.019*P30+1.005*ZcZ(2)Y‑1‑0.0157*Ta/Hr20‑0.019*
2
Aspect+0.772*ZmZ(2)Y‑1+0.154*Lati，模型相关系数R=0.898，R =0.807，p<0.001，说明模型拟合度较好，模型引入的因子能解释近81%的总体变异。
[0079] 其中，LZ(2)Y为暖温带半湿润地区和高原温带半干旱地区的不同气候区基于气候条件、立地条件、生物条件和前一年发病率的年度杨树烂皮病发病率的线性模型；Z(2)Y为暖温带半湿润地区和高原温带半干旱地区当年数据；Z(3)Y‑1为暖温带半湿润地区和高原温带半干旱地区前一年数据；Tm为日均最高温；P为平均降雨量；ZcZ(2)Y‑1为暖温带半湿润地区和高原温带半干旱地区前一年调查初期感病指数；Ta/Hr为温湿比；Aspect为坡向；ZmZ(2)Y‑1为暖温带半湿润地区和高原温带半干旱地区前一年调查末期感病指数；Lati为纬度。
[0080] 中温带干旱地区的不同气候区基于气候条件、立地条件、生物条件和前一年发病率的年度杨树烂皮病发病率的线性模型为LK=‑48.292‑0.011*Hr20‑0.097*Td30‑1.116*Lati+1.187*Lati+0.001*Longi+
2
0.008*P5（R=0.903，R=0.816，p<0.001）。
[0081] 其中，LK为中温带干旱地区的不同气候区基于气候条件、立地条件、生物条件和前一年发病率的年度杨树烂皮病发病率的线性模型；Hr为相对湿度；Td为日均温差；Lati为纬度；Longi为经度；P为平均降雨量。
[0082] 不同气候区基于气候条件、立地条件、生物条件和前一年发病率的年度杨树烂皮病发病率的线性模型为，LZ(3)Y= 1.425 ‑ 0.013*Longi + 0.007 * Tm25 + 1.286*ZgZ(3)Y‑1 ‑ 0.018*
2
Aspect‑ 0.013*P30‑ 0.008*Td5（R=0.892，R=0.795，p<0.001）。
[0083] 其中，LZ(3)Y为不同气候区基于气候条件、立地条件、生物条件和前一年发病率的年度杨树烂皮病发病率的线性模型；Longi为经度；Tm为日均最高温；ZgZ(3)Y‑1为暖温带半湿润地区、高原温带半干旱地区和中温带干旱地区前一年感病高峰期感病指数；Aspect为坡向；P为平均降雨量；Td为日均温差。
[0084] 在所述步骤54中，暖温带半湿润地区和高原温带半干旱地区的不同气候区基于气候条件、立地条
件、生物条件和前一年感病指数的年度杨树烂皮病感病指数的线性模型为，
ZZ(2)Y=‑2.012+0.004*Tm20+0.477*ZmZ(2)Y‑1‑0.041*Ta/Hr20‑0.005*P30+0.002*
2
Age+0.056*Lati，模型R=0.912，R=0.831，p<0.001，说明模型拟合度较好，引入的因子能解释83%的总体变异。
[0085] 其中，ZZ(2)Y为暖温带半湿润地区和高原温带半干旱地区的不同气候区基于气候条件、立地条件、生物条件和前一年感病指数的年度杨树烂皮病感病指数的线性模型；Tm为日均最高温；ZmZ(2)Y‑1为暖温带半湿润地区和高原温带半干旱地区前一年调查末期感病指数；Ta/Hr为温湿比；P为平均降雨量；Age为树龄；Lati为纬度。
[0086] 中温带干旱地区的不同气候区基于气候条件、立地条件、生物条件和前一年感病指数的年度杨树烂皮病感病指数的线性模型为，2
ZK= ‑19.09‑ 0.001*Hr 30‑0.385*Lati +0.435*Longi ‑0.003*age（R= 0.891，R= 0.793，p<0.001）。
[0087] 其中，ZK为中温带干旱地区的不同气候区基于气候条件、立地条件、生物条件和前一年感病指数的年度杨树烂皮病感病指数的线性模型；Hr为相对湿度；Lati为纬度；Longi为经度；Age为树龄。
[0088] 不同气候区基于气候条件、立地条件、生物条件和前一年感病指数的年度杨树烂皮病感病指数的线性模型为，ZZ(3)Y=0.414 ‑0.004*Longi + 0.005*Age +0.002*Tm25 + 0.229*ZgZ(3)Y‑1+
2
0.001*P30 （R=0.887，R=0.786，p<0.001）
其中，ZZ(3)Y为不同气候区基于气候条件、立地条件、生物条件和前一年感病指数的
年度杨树烂皮病感病指数的线性模型；Longi为经度；Age为树龄；Tm为日均最高温；ZgZ(3)Y‑1为暖温带半湿润地区、高原温带半干旱地区和中温带干旱地区前一年感病高峰期感病指数；P为平均降雨量。
[0089] 这里暖温带半湿润地区以河南新密为例，高原温带半干旱地区以青海格尔木为例，中温带干旱地区以新疆克拉玛依为例，当然暖温带半湿润地区、高原温带半干旱地区、中温带干旱地区也可以以其他地区为例进行说明，这里不做具体限制。
[0090] 不同调查时期河南省新密市杨树烂皮病发生情况：不同调查时期新密市杨树烂皮病发病率和感病指数波动较大，整体表现为2020年
>2021年>2022年（图3‑1）。其中，A, 岳村镇; B, 曲梁镇; C, 刘寨镇; D, 超化镇; E, 牛店镇; F, 新密5标准地综合分析。2020‑064代表调查时间为2020年第64天（2020年3月4日，DOY34），以此类推。
[0091] 岳村镇样地（图3‑1A）2020年各调查时期发病率虽然有波动，但方差分析结果表明，各调查时期发病率差异并不显著（p>0.05）；2021年各调查时期发病率波动明显（p<0.05），发病率在调查初期较低（<0.1），至7月初（DOY186）开始急剧上升，到8月中旬（DOY253）达到最大，随后逐渐下降；2022年发病率始终较低（<0.1），且各时期差异不显著（p>0.05）。岳村镇样地2020年各调查时期感病指数差异不显著（p>0.05），2021年和2022年各调查时期的感病指数差异均显著（p<0.05），2021年感病指数在7月初（DOY186）至8月中旬（DOY253）有明显增加的趋势，2022年感病指数始终较低。
[0092] 曲梁镇样地（图3‑1B）2020年各调查时期发病率及感病指数虽然有波动，但方差分析结果表明，二者在不同调查期间差异均不显著（p>0.05）。2021年各调查时期发病率和感病指数差异均极显著（p<0.01），具体表现为在8月下旬及9月下旬至10月中旬间（DOY269‑301）有一个明显的下降现象（图3‑7B）。2022年各调查时期发病率和感病指数差异均极显著（p<0.01）。
[0093] 刘寨镇样地（图3‑1C）2020年各调查时期发病率差异显著（p<0.05），有两个明显发病高峰，分别为3月中下旬（DOY98‑117）和7月下旬（DOY209）；2021年各调查时期发病率波动明显（p<0.05），发病率在调查初期较低（<0.1），至8月中旬（DOY253）达到最大，随后下降；2022年发病率始终较低（<0.1），且各时期差异不显著（p>0.05）。刘寨镇样地各调查时期感病指数差异不显著（p>0.05），2020年略高于2021年和2022年，但3年感病指数始终较低。
[0094] 超化镇样地（图3‑1D）2020年各调查时期发病率始终较高，在0.66‑0.99之间；2021年初发病率较低，5月下旬至7月中旬（DOY140‑197）有一个发病高峰，随后急剧下降，各调查时期发病率极显著（p<0.01）；2022年6月下旬至8月上旬（DOY173‑223）有发病高峰，发病率为0.23‑0.3，高峰期发病率显著低于2020年和2021年（p<0.05）。超化镇样地2020年感病指数始终在0.2以上，但各调查时期差异不显著（p>0.05）；2021年伴随发病高峰的出现，感病指数也出现一个明显的高峰期；2022年各调查时期感病指数差异不显著（p>0.05）。
[0095] 牛店镇样地（图3‑1E）自2020年6月以后开始调查，2020年6月中旬‑8月初（DOY168‑244）发病率有明显的高峰时期，高峰期发病率为0.589‑0.733，随后发病率急剧下降；2021年6月中旬（DOY169）至7月中旬（DOY197）再次出现发病高峰，明显高于当年其他时期（p<
0.05）；2022年发病率整体较低，虽然有一个小高峰，但是各调查时期发病率差异不显著（p>
0.05）。牛店镇样地感病指数变化趋势与发病率一致，表现为2020年>2021年>2022年。
[0096] 综合分析新密市5样地数据，结果表明，该地区杨树烂皮病在2020年有两个明显的高峰期（图3‑1F），分别为4月中旬（DOY117）和7月下旬（DOY209），平均发病率为0.417；2021年发病率高峰期为7月上中旬（DOY186‑197），平均发病率为0.168；2022年平均发病率较低，为0.106。各调查时期感病指数变化趋势与发病率相似，但同一年份内不同调查时期差异不显著（p>0.05），2020年平均感病指数为0.134，2021年和2022年平均感病指数分别为0.061和0.062。
[0097] 不同调查年份河南省新密市杨树烂皮病发生的相关性分析：对新密市几个样地3年的发病率及感病指数进行相关性分析，如下表（表2），结果
表明2020‑2022年新密市杨树烂皮病发病率和感病指数间均呈极显著正相关（p<0.01）。
[0098] 表2 新密市杨树样地不同年份烂皮病发病率和感病指数相关性分析
[0099] 表中，X代表新密市，L代表发病率，Z代表感病指数；*表示相关性显著（α=0.05），**表示相关性极显著（α=0.01）。
[0100] 河南省新密市气象因子与杨树烂皮病发生相关性分析：基于新密市气象数据，经统计分析后分别计算调查日期前5d，10d，15d，20d，25d和
30d的日均最高温（Tm）、日均最低温（Tl）、日均温（Ta）、日均温差（Td）、相对湿度（Hr）、降水量（P）、平均风速（Ws）以及温湿比（Ta/Hr），并对统计后的气象数据与杨树烂皮病各时期发病率和感病指数进行相关性分析，结果见表3。
[0101] 表3 新密气象因子与杨树烂皮病发病率及感病指数相关性分析
[0102] 其中，Tm、Tl、Ta、Td、Hr、P、Ws、Hr、Ta/Hr、Hs分别代表日均最高温（Tm）、日均最低温（Tl）、日均温（Ta）、日均温差（Td）、平均湿度（Hr）、平均降雨量（P）、平均风速（Ws）、平均温湿比（Ta/Hr），平均日照时数（Hs）；5‑30代表调查日期前5‑30 d的气象因子平均数据。**和*代表在α = 0.01和0.05水平上相关性显著。下同。
[0103] 发病率与调查日期前5‑30 d的日均最高温（Tm）、日均最低温（Tl）、日均温（Ta）呈极显著正相关（p<0.01），与调查日期前5d的相对湿度（Hr）和降水量（P）呈极显著正相关（p<0.05）；与前15‑30 d的温湿比（Ta/Hr）具有显著或极显著正相关（p<0.05或0.01，表3‑5）；与前5d的日均温差（Td）和平均日照时间（Hs）呈显著或极显著负相关（p<0.05或 0.01，表3‑
2）；与其他气象因子无明显相关性。感病指数与调查日期前5‑30 d的日均最高温（Tm）、日均最低温（Tl）、日均温（Ta）呈显著或极显著正相关（p<0.05或0.01）；与前10‑30 d的温湿比（Ta/Hr）呈显著或极显著正相关（p<0.05或0.01）；与前5d的日均温差（Td）呈极显著负相关（p<0.01）；与其他气象因子无明显相关性。
[0104] 河南省新密市地理因子与杨树烂皮病发生相关性分析：新密市5个标准地地理因子数据见表4，各地理因子与杨树烂皮病各时期发病率和
感病指数相关性分析结果见表5。新密杨树烂皮病发病率与经度和纬度极显著负相关（p<
0.01），与海拔、地形、坡度、坡向、树龄呈极显著正相关（p<0.01）。
[0105] 表4 新密5标准地地理因子数据
[0106] 表5 新密市5标准地地理因子与杨树烂皮病发病率及感病指数相关性分析
[0107] 河南省新密市杨树烂皮病预测模型：对各立地因子与杨树烂皮病发病率进行多元线性回归分析，最终得到发病率的线
性模型为：LX= ‑12.951+ 0.002*Alti ‑ 0.02 *Td5 ‑1.24 * Lati + 0.015 * Tm 10‑
0.013 * Age ‑0.014 * P 25‑ 0.309 * Ws 5 + 0.502 * Longi ‑0.011 * Hr 30‑0.058 * Hs30
2
模型相关系数为R= 0.707，R= 0.499，p<0.001，说明模型拟合度尚可，模型引入
的因子能解释近50%的总体变异。Alti与Hr30方差膨胀因子（VIF）在5‑6之间，其他各因子方差膨胀因子（VIF）均<5，说明因子间无明显共线性。除常量以外，各因子对应t检验的p值均<
0.001，说明各因子均对模型具有极显著影响。由各因子的标准化系数可知（表6），影响杨树烂皮病发生的因子的重要性为Alti>Hr 30>Tm 10>Hs 30>Ws 25>Lati>Longi>Td 5>Age>P
25。
[0108] 表 6 新密市杨树烂皮病发病率预测模型各因子系数及显著性分析
[0109] 如图3‑2所示，其中，A，残差直方图；B残差散点图。标准化残差直方图显示残差均数接近于0，标准差接近于1，数据呈正态分布，说明该模型满足线性回归的正态性条件要求（图3‑2 A）；标准化残差散点图分布在0值周围，左侧残差分布基本在0以上，说明预测数据方差齐性略差（图3‑2 B）。
[0110] 对各立地因子与杨树烂皮病感病指数进行多元线性回归分析，最终得到感病指数的线性模型为：ZX = 18.059+ 0.001 * Alti ‑ 0.522 *Lati + 0.141 * Ta/Hr 25 ‑ 2
0.056*Ws 20‑ 0.005 Age。模型相关系数为R=0.716，R =0.513，p<0.001，说明模型拟合度尚可，模型引入的因子能解释51%的总体变异。各因子方差膨胀因子（VIF）均<5，说明因子间无明显共线性；各因子对应t检验的p值均<0.001（Age为0.002），说明各因子均对模型具有极显著影响。由各因子的标准化系数可知（表7），影响杨树烂皮病感病指数的因子重要性为Alti>Lati>Age>Ta/Hr 25>Ws 20。
[0111] 如图3‑3所示，其中，A，残差直方图；B残差散点图。标准化残差直方图显示残差均数接近于0，标准差接近于1，数据呈正态分布，说明该模型满足线性回归的正态性条件要求（图3‑3A）；标准化残差散点图分布在0值周围，基本呈上下对称分布，分布特征不随预测值的增加而发生改变，意味着数据方差齐性、独立性条件符合（图3‑3 B）。
[0112] 表7新密市杨树烂皮病感病指数预测模型各因子系数及显著性分析
[0113] 河南省新密市基于立地因子和前一年发病率、感病指数的杨树烂皮病年度预测模型：由于新密市几个样三年的发病率及感病指数相关性极显著（表2），进一步对每年
的发病率和感病指数在调查初期（Lc，Zc）、高峰期（Lg，Zg）和末期数据（Lm，Zm）进行整理分析，并联合气象数据和地理因子，进行发病率和感病指数的年度预测，得到发病率的线性模
2
型为LXY= ‑0.123 + 1.050*ZmXY‑1+ 0.481*Ta/Hr30，模型相关系数为R= 0.687，R= 0.472，p<0.001，说明模型拟合度较差，模型引入的因子只能解释47%的总体变异。感病指数年度预测模型为ZXY= ‑0.081 + 0.497*ZmXY‑1 ‑0.201*ZgXY‑1+ 0.003*Age‑ 0.131*Ta/Hr 15‑
2
0.007*P 30+ 0.006*Tm 20，R= 0.792，R = 0.627，p<0.001，说明模型拟合度尚可，模型引入的因子能解释63%的总体变异。
[0114] 各因子方差膨胀因子（VIF）均<5，说明因子间无明显共线性（表8、表9）；各因子对应t检验的p值均<0.001，说明各因子均对模型具有极显著影响（表8、表9）。预测模型数据正态性较好，方差齐次性略有偏差（图3‑4、图3‑5，其中，A，残差直方图；B残差散点图）。
[0115] 表8新密市杨树烂皮病发病率年度预测模型各因子系数及显著性分析
[0116] 表9新密市杨树烂皮病感病指数年度预测模型各因子系数及显著性分析
[0117] 不同调查时期青海省格尔木市杨树烂皮病发生情况：格尔木市不同样地杨树烂皮病发生情况差异较大，由于疫情影响，2022年8月以后
各样地调查暂停，至10月29日（DOY301）进行当年最后一次调查（儿童公园除外）。如图3‑6所示，其中A, 东出口; B, 儿童公园; C, 河西三连; D, 昆仑公园; E, 沙场站; F, 格尔木
5样地发病率和感病指数综合分析。2020‑094代表调查时间为2020年第94天（2020年4月3日），以此类推。
[0118] 东出口样地在同一年内各调查时期发病率和感病指数波动均不明显（p>0.05），且调查的3年内（2020‑2022年）不同年份间发病率和感病指数差异不显著（p>0.05，图3‑6A）。东出口样地从4月初（DOY094）开始已经普遍发生烂皮病，发病率较高，在0.6‑0.8左右，但整体染病程度较轻，感病指数在0.2‑0.4左右（图3‑6A）。
[0119] 儿童公园样地在2020年的各调查时期发病率波动较为明显（p<0.05，图3‑6B），从5月末（DOY151 ）开始发病率急剧升高，持续至7月末（DOY213）后开始逐渐下降，在此期间杨树烂皮病发病率超过0.6，明显高于2021年和2022年同时期；2021和2022年各调查时期发病率无明显波动。同一年份内，儿童公园样地杨树感病指数差异不明显（p<0.05），且调查的3年内（2020‑2022年）不同年份间感病指数无明显差异（p>0.05，图3‑6A）。
[0120] 河西三连样地在2020年的各调查时期发病率差异显著（p<0.05，图3‑6C），从调查初期开始发病率一直处于上升趋势，至6月末（DOY180）开始发病率逐渐下降，在此期间杨树烂皮病发病率在0.4‑0.8左右，明显高于2021年和2022年同时期（p<0.05）；2021和2022年各调查时期发病率无明显波动（p>0.05），处于0.2‑0.4之间（图3‑6C）。同一年份内，河西三连样地杨树感病指数差异不明显，调查的3年内（2020‑2022年）不同年份间感病指数差异也不显著（p>0.05，图3‑6C）。
[0121] 昆仑公园样地杨树在调查期间烂皮病的发病动态始终较为平稳。2021年调查初期发病率较低，随后逐渐升高，但各调查时期发病率差异不显著，不同年份间烂皮病发病率差异也不显著（p>0.05，图3‑6D）。不同调查时期，昆仑公园样地杨树感病指数无明显波动，且调查的3年内（2020‑2022年）不同年份间感病指数无明显差异（p>0.05，图3‑6C）。
[0122] 沙场站样地杨树在调查期间烂皮病的发病动态略有波动（图3‑6E）。发病率的波动主要源于2020年和2022年6月中旬的一个发病小高峰，随后发病率逐渐趋于平稳，2021年杨树烂皮病发病率始终较为平稳，但各调查时期发病率差异不显著，不同年份间烂皮病发病率差异也不显著（p>0.05，图3‑6E）。感病指数的波动主要是由2022年6月中旬的发病高峰期导致的，随后感病指数也逐渐回落，趋于平稳。
[0123] 综合分析格尔木市5样地数据，结果表明，该地区杨树烂皮病在2020年有明显高峰期，发生时期为6月初至8月中旬（DOY151‑213），2020年发病率明显高于2021年和2022年（p<0.05，图3‑6F）。各调查时期和不同年份间感病指数均无明显差异（p>0.05）。
[0124] 不同调查年份青海省格尔木市杨树烂皮病发生的相关性分析：对格尔木市几个样地不同调查年份的发病率和感病指数进行相关性分析，结果表
明各年份间两指标相关性均为显著（p<0.05）或极显著（p<0.01）水平（表10，表中G代表格尔木市，L代表发病率，Z代表感病指数；*表示相关性显著（α=0.05），**表示相关性极显著（α=
0.01））。
[0125] 表10 格尔木市杨树样地不同年份烂皮病发病率和感病指数相关性分析
[0126] 青海省格尔木市气象因子与杨树烂皮病发生相关性分析：格尔木市气象数据来源于气象部门，经统计分析后分别计算调查日期前5d，10d，
15d，20d，25d和30d的日均最高温（Tm）、日均最低温（Tl）、日均温（Ta）、日均温差（Td）、相对湿度（Hr）、降水量（P）、平均风速（Ws）以及温湿比（Ta/Hr），将统计后的气象数据与杨树烂皮病各时期发病率和感病指数进行相关性分析，结果见表11，**和*代表相关性在0.01和0.05水平上相关性显著，下同。
[0127] 表11 格尔木市气象因子与杨树烂皮病发病率及感病指数相关性分析
[0128] 发病率与调查日期前5‑30 d的日均最高温（Tm）、日均最低温（Tl）、日均温（Ta）以及相对湿度（Hr）具有极显著正相关（p<0.01），与调查日期前5‑10 d的降水量显著正相关（p<0.05），与其他气象因子无明显相关性。感病指数与调查日期前5‑30 d的日均最高温（Tm）、日均最低温（Tl）、日均温（Ta）、前20‑30 d的降水量（P）、前30d的平均风速（Ws）以及前15‑30 d的温湿比（Ta/Hr）具有显著或极显著正相关（p<0.05或0.01）；与前10‑30 的日均温差（Td）具有显著或极显著负相关（p<0.05或 0.01）。
[0129] 青海省格尔木市地理因子与杨树烂皮病发生相关性分析：格尔木市5个标准地地理因子数据见表12，各地理因子与杨树烂皮病各时期发病
率和感病指数相关性分析结果见表13。由表12可知，格尔木市杨树烂皮病发病率与纬度极显著负相关（p<0.01），与经度及海拔极显著正相关（p<0.01），与土壤类型（Seil）显著正相关（p<0.05）；而感病指数与纬度极显著负相关（p<0.01），与经度极显著正相关（p<0.01），与树龄显著正相关（p<0.05）。
[0130] 表12 格尔木市5标准地地理因子数据
[0131] 表13 格尔木市5标准地地理因子与杨树烂皮病发病率及感病指数相关性分析
[0132] 青海省格尔木市基于立地因子的杨树烂皮病预测模型：对各立地因子与杨树烂皮病发病率进行多元线性回归分析，最终得到发病率的线
性模型为：LG=21.763+0.718*经度‑2.429*纬度+0.004*Ta30+ 0.004*Hr10。模型相关系数
2
为R=0.816，R =0.666，p<0.001，说明模型拟合度较好，模型引入的因子能解释67%的总体变异。
[0133] 各因子方差膨胀因子（VIF）均<5，说明因子间无共线性。除常量以外，各因子对应t检验的p值均<0.001，说明各因子均对模型具有极显著影响。由各因子的标准化系数可知（表14），影响杨树烂皮病发病率的因子的重要性为经度> 纬度>Ta30>Hr10。
[0134] 表14 格尔木市杨树烂皮病发病率预测模型各因子系数及显著性分析
[0135] 如图3‑7，其中A，残差直方图；B残差散点图。标准化残差直方图显示残差均数接近于0，标准差接近于1，数据呈正态分布，说明该模型满足线性回归的正态性条件要求（图3‑7 A）；标准化残差散点图分布在0值周围，基本呈上下对称分布，分布特征不随预测值的增加而发生改变，意味着数据方差齐性、独立性条件符合（图3‑7 B）。
[0136] 对各立地因子与杨树烂皮病感病指数进行多元线性回归分析，最终得到感病指数的线性模型为：ZG= ‑44.525+ 0.471*Longi + 0.002*Age+ 0.002*Ta25‑ 0.006*Td20，模2
型相关系数为R= 0.834，R = 0.695，p<0.001，说明模型拟合度较好，模型引入的因子能解释近70%的总体变异。
[0137] 各因子方差膨胀因子（VIF）均<5，说明因子间无共线性。各因子对应t检验的p值均<0.001，说明各因子均对模型具有极显著影响。由各因子的标准化系数可知（表15），影响杨树烂皮病感病指数的因子重要性为经度> 树龄>Ta25>Td20。
[0138] 表15 格尔木市杨树烂皮病感病指数预测模型各因子系数及显著性分析
[0139] 如图3‑8所示，其中，A残差直方图；B残差散点图。标准化残差直方图显示残差均数接近于0，标准差接近于1，数据呈正态分布，说明该模型满足线性回归的正态性条件要求（图3‑8 A）；标准化残差散点图分布在0值周围，基本呈上下对称分布，分布特征不随预测值的增加而发生改变，意味着数据方差齐性、独立性条件符合（图3‑8 B）。
[0140] 青海省格尔木市基于立地因子和前一年发病率、感病指数的杨树烂皮病年度预测模型：由于格尔木市几个样地3年的发病率及感病指数相关性较好（表10），进一步对每
年的发病率和感病指数在调查初期（Lc，Zc）、高峰期（Lg，Zg）和末期数据（Lm，Zm）进行整理分析，并联合气象数据和地理因子，进行发病率和感病指数的年度预测，得到发病率的线性模型为LGY= ‑0.237 + 0.618*LmGY+0.473*LgGY‑1+ 0.501*ZcGY‑1 +0.003*Tm30，模型相关系
2
数为R= 0.887，R=0.787，p<0.001，说明模型拟合度较好，模型引入的因子能解释79%的总体变异。
[0141] 感病指数年度预测模型为ZGY= ‑0.025+ 0.689*ZgGY‑1+ 0.55*ZmGY‑1‑ 0.052*LcGY‑12
+ 0.002*Tm 30‑ 0.008*Ws 5，模型相关系数为R= 0.877，R= 0.769，p<0.001，说明模型拟合度较好，模型引入的因子能解释77%的总体变异。
[0142] 两模型各因子方差膨胀因子（VIF）均<5，说明因子间无共线性；各因子对应t检验的p值均<0.001，说明各因子均对模型具有极显著影响（表16，表17）。由各因子的标准化系数可知，影响杨树烂皮病年度预测发病率的因子重要性为LmGY‑1>LgGY‑1>ZcGY‑1>Tm 30（表16）；影响杨树烂皮病年度预测感病指数的因子重要性为ZmGY‑1>ZgGY‑1>Tm 30>LcGY‑1>Ws 5（表17）。
[0143] 如图3‑9、图3‑10所示，其中，A，残差直方图；B残差散点图。标准化残差直方图显示残差均数接近于0，标准差接近于1，数据呈正态分布，说明该模型满足线性回归的正态性条件要求（图3‑9A，图3‑10A）；标准化残差散点图分布在0值周围，基本呈上下对称分布，分布特征不随预测值的增加而发生改变，意味着数据方差齐性、独立性条件符合（图3‑9B，图3‑10B）。
[0144] 表16 格尔木杨树烂皮病发病率年度预测模型各因子系数及显著性分析
[0145] 表17 格尔木市杨树烂皮病感病指数年度预测模型各因子系数及显著性分析
[0146] 不同调查时期新疆克拉玛依杨树烂皮病发生情况，由于疫情影响，克拉玛依2020年只在4月‑6月初（DOY 95‑156）进行了5次调查，
2021调查了4月‑8月（DOY 103‑231）的烂皮病发生情况，不同标准地杨树烂皮病发生情况如图3‑11所示，A，五支渠；B，九支渠；C，普林；D，白沙滩；E，检查站；F，克拉玛依5样地综合分析。
[0147] 除检查站样地以外，其他各标准地2021年发病率均高于2020年（图3‑11A‑E），但感病指数则表现为2020年高于2021年，说明2020年发病程度较2021年严重，对两年发病率和感病指数数据分别进行两两方差分析结果表明两年间差异不显著（p>0.05）。对所有样地同一年内各调查时期的发病率和感病指数进行方差分析，结果表明，同一年内不同调查时期发病率和感病指数差异均不明显（p>0.05）。对5个样地进行综合分析，结果也表明克拉玛依2021年发病率略高于2020年（p>0.05），感病指数则为2020年高于2021年（p>0.05）。
[0148] 不同调查时期新疆克拉玛依杨树烂皮病发生的相关性分析：对克拉玛依几个样地两年的发病率及感病指数进行相关性分析，结果表明2020和
2021年发病率和感病指数间相关性显著（p<0.01），但同一年份发病率和感病指数无明显相关性（p>0.05）（表18，表中K代表克拉玛依，L代表发病率，Z代表感病指数；*表示相关性显著（α=0.05），**表示相关性极显著（α=0.01））。
[0149] 表18克拉玛依杨树样地不同年份烂皮病发病率和感病指数相关性分析
[0150] 新疆克拉玛依气象因子与杨树烂皮病发生相关性分析：克拉玛依气象数据来源于当地气象部门，经统计分析后分别计算调查日期前5d，
10d，15d，20d，25d和30d的日均最高温（Tm）、日均最低温（Tl）、日均温（Ta）、日均温差（Td）、相对湿度（Hr）、降水量（P）、平均风速（Ws）以及温湿比（Ta/Hr）。将统计后的气象数据与杨树烂皮病各时期发病率和感病指数进行相关性分析，结果见表19。克拉玛依杨树烂皮病发病率与调查日期前5‑30 d的日均最高温（Tm）、日均最低温（Tl）、日均温（Ta）、及温湿比（Ta/Hr）具有显著或极显著正相关（p<0.05或 0.01）；与调查日期，前5‑10 d和25‑30 d的降水量显著正相关（p<0.05）；与前10‑15 d的日均温差（Td）及前15‑30 d的相对湿度（Hr）具有显著负相关（p<0.05）。
[0151] 表19 克拉玛依气象因子与杨树烂皮病发病率及感病指数相关性分析
[0152] 注：**和*代表相关性在α=0.01和0.05水平上显著，下同。
[0153] 感病指数与调查日期前5‑30 d的日均最高温（Tm）、日均最低温（Tl）、日均温（Ta）、平均风速（Ws），前10‑30的日均温差（Td）、温湿比Ta/Hr具有显著或极显著正相关（p<0.05或0.01）；与前10‑30 的相对湿度（Hr）呈极显著负相关（p<0.01）；与降水量（P）无明显相关（p>
0.05）。
[0154] 新疆克拉玛依地理因子与杨树烂皮病发生相关性分析：克拉玛依5个标准地地理因子数据见表20，各地理因子与杨树烂皮病各时期发病
率和感病指数相关性分析结果见表21。克拉玛依杨树烂皮病发病率与经度及树龄呈极显著正相关（p<0.01），与坡度、土壤类型及树种呈显著正相关（p<0.05）；而感病指数与纬度及海拔呈极显著负相关（p<0.01），与经度及树龄呈极显著正相关（p<0.01），与坡度和树种呈显著正相关（p<0.05）。
[0155] 表20 克拉玛依5标准地地理因子数据
[0156] 表21 克拉玛依5标准地地理因子与杨树烂皮病发病率及感病指数相关性分析
[0157] 新疆克拉玛依基于立地因子的杨树烂皮病预测模型：对各立地因子与杨树烂皮病发病率和感病指数进行多元线性回归分析，最终得到
发病率的线性模型为：LK= ‑48.292 ‑ 0.011*Hr20 ‑ 0.097*Td30‑ 1.116*Lati +1.187 *
2
Longi+ 0.001*Alti+ 0.008*P5，模型相关系数为R= 0.903，R= 0.816，p<0.001，说明模型拟合度较好，模型引入的因子能解释超过90%的总体变异。各因子方差膨胀因子（VIF）均<5，说明因子间无共线性（表22）。除常量以外，各因子对应t检验的p值均<0.001，说明各因子均对模型具有极显著影响。由各因子的标准化系数可知，影响杨树烂皮病发生的因子的重要性为调查日期前Hr20>Td30> 纬度> 经度>P5（表22）。
[0158] 表22 克拉玛依杨树烂皮病发病率预测模型各因子系数及显著性分析
[0159] 如图3‑12所示，A残差直方图；B残差散点图。标准化残差直方图显示残差均数接近于0，标准差接近于1，数据呈正态分布，说明该模型满足线性回归的正态性条件要求（图3‑12A）；标准化残差散点图分布在0值周围，基本呈上下对称分布，分布特征不随预测值的增加而发生改变，意味着数据方差齐性、独立性条件符合（图3‑12 B）。
[0160] 对各立地因子与杨树烂皮病感病指数进行多元线性回归分析，最终得到感病指数的线性模型为：ZK= ‑19.09‑ 0.001*Hr 30‑0.385*Lati +0.435*Longi ‑0.003*age，模型2
相关系数为R= 0.891，R= 0.793，p<0.001，说明模型拟合度较好，模型引入的因子能解释近80%的总体变异。
[0161] 各因子方差膨胀因子（VIF）均<5，说明因子间无共线性。各因子对应t检验的p值均<0.001，说明各因子均对模型具有极显著影响。由各因子的标准化系数可知（表23），影响克拉玛依杨树烂皮病感病指数各因子的重要性为Hr30> 纬度 > 经度 > 树龄。
[0162] 表23 克拉玛依杨树烂皮病感病指数预测模型各因子系数及显著性分析
[0163] 如图3‑13所示，A，残差直方图；B残差散点图。标准化残差直方图显示残差均数接近于0，标准差接近于1，数据呈正态分布，说明该模型满足线性回归的正态性条件要求（图3‑13A）；标准化残差散点图分布在0值周围，基本呈上下对称分布，分布特征不随预测值的增加而发生改变，意味着数据方差齐性、独立性条件符合（图3‑13 B）。
[0164] 新疆克拉玛依基于立地因子和前一年发病率、感病指数的杨树烂皮病年度预测模型：由于克拉玛依2年发病率之间和2年感病指数之间存在极显著相关性（表18），考虑
到克拉玛依2年调查时期不完整，只将每年发病率和感病指数的高峰期（Lg，Zg）数据，联合气象数据和地理因子，进行发病率和感病指数的年度预测，得到发病率的线性模型为LKY= ‑
2
0.097+ 0.006*Tl30+0.917*LgKY‑1，模型相关系数为R=0.935，R =0.873，p<0.001（表24），说明模型拟合度很好，模型引入的因子能解释87%的总体变异。感病指数年度预测模型为ZKY=‑
2
0.035 + 0.002*Tl25+0.923*ZgKY‑1，模型相关系数为R=0.948，R=0.898，p<0.001（表25），说明模型拟合度很好，模型引入的因子能解释近90%的总体变异。
[0165] 表24 克拉玛依杨树烂皮病发病率年度预测模型各因子系数及显著性分析
[0166] 表25 克拉玛依杨树烂皮病感病指数年度预测模型各因子系数及显著性分析
[0167] 如图3‑14、图3‑15所示，其中，A残差直方图；B残差散点图。两模型标准化残差直方图显示残差均数接近于0，标准差接近于1，数据呈正态分布，说明该模型满足线性回归的正态性条件要求（图3‑14A，图3‑15A）；标准化残差散点图分布在0值周围，基本呈上下对称分布，分布特征不随预测值的增加而发生改变，意味着数据方差齐性、独立性条件符合（图3‑14 B，图3‑15 B）。
[0168] 三个气候区气象因子与杨树烂皮病发生相关性分析：将三个气候区各气象因子与杨树烂皮病各时期发病率和感病指数进行相关性分
析，结果见表26。发病率与调查日期前5‑30 d的相对湿度（Hr）呈极显著负相关（p<0.01），与调查日期前5d的日均最高温（Tm）、日均温差（Td）以及前15‑30 的降水量（P）呈显著或极显著负相关（p<0.05或0.01）；与调查日期前5‑30 d平均风速（Ws）以及温湿比（Ta/Hr）呈极显著正相关（p<0.01）。
[0169] 感病指数与调查日期前5‑30 d的日均最高温（Tm）、日均最低温（Tl）、日均温（Ta）、相对湿度（Hr），前10‑30 d的降水量（P）呈显著或极显著负相关（p<0.05或0.01）；与调查日期前5‑30 d平均风速（Ws）以及温湿比（Ta/Hr）呈极显著正相关（p<0.01）；与前5d的日均温差（Td）不相关（p>0.05）。
[0170] 表26 三地气象因子与杨树烂皮病发病率及感病指数相关性分析
[0171] 三个气候区气象因子综合后与发病率及感病指数的相关性结果差异较大，这可能是由于3个气候区气象因子差异较大造成的。为了解决这一干扰，通过后续的多元回归分析对关键因子进行筛选。
[0172] 三地地理因子与杨树烂皮病发生相关性分析：各地理因子与杨树烂皮病各时期发病率和感病指数相关性分析结果见表27，杨树
烂皮病发病率及感病指数均与纬度、海拔以及树种呈极显著正相关（p<0.01），与经度、地形及土壤类型呈极显著负相关（p<0.01）。与气象因子类似，3个气候区数据综合后，各地理因子与杨树烂皮病各时期发病率和感病指数相关性分析结果与各气候区内的相关性结果差异较大，同样可能是由于各气候区明显的地理位置差异造成的。
[0173] 表27三地地理因子与杨树烂皮病发病率及感病指数相关性分析
[0174] 基于立地因子的三地杨树烂皮病预测模型：对各立地因子与杨树烂皮病发病率进行多元线性回归分析，最终得到发病率的线
性模型为：LZ(3)=1.855‑0.016*Longi+0.008*Age +0.01*Tl25‑ 0.012*Td5+ 0.056*Topo‑
0.015*P25‑ 0.089*Ta/Hr20（式中Z(3)代表基于三地综合数据，下同），模型相关系数为R=
2
0.691，R= 0.477，p<0.001，说明模型拟合度较差，模型引入的因子能解释48%的总体变异。
各因子的标准化系数表明（表28），影响杨树烂皮病发病率的因子的重要性为经度>Tl25>Age>Topo= Ta/Hr20>P25>Td5。
[0175] 表28 三地杨树烂皮病发病率预测模型各因子系数及显著性分析
[0176] 对各立地因子与杨树烂皮病感病指数进行多元线性回归分析感病指数线性模型为：ZZ(3)= 0.503‑ 0.005*Longi+ 0.005*Age+ 0.003*Tl 5+ 0.004* Aspect‑ 0.004*P25+ 2
0.017*Topo，R= 0.775，R = 0.600，p<0.001，说明模型拟合度尚可，模型引入的因子能解释近60的总体变异。各因子的标准化系数表明（表29），影响杨树烂皮病发病率的因子的重要性为经度>Age>Tl5> 坡向>Topo>P25。
[0177] 表29 三地杨树烂皮病感病指数预测模型各因子系数及显著性分析
[0178] 如图3‑16、图3‑17所示，其中，A残差直方图；B残差散点图。两个线性模型方差膨胀因子（VIF）均<5，说明因子间无明显共线性。发病率模型中Ta/Hr20的t检验p值<0.05，其他各因子对应t检验的p值均<0.01，说明各因子均对模型具有显著或极显著影响。预测模型残差的直方图和散点图表明预测数据正态性和方差齐次性均较好（图3‑16、3‑17）。
[0179] 三地基于立地因子和前一年发病率、感病指数的杨树烂皮病年度预测模型：进一步对每年的发病率和感病指数联合气象数据和地理因子，进行三地发病率和
感病指数的年度预测，由于新疆克拉玛依只调查了2年的数据，且调查时期不完整，因此在进行三地年度预测时，只考虑前一年调查高峰期的发病率和感病指数（Lg，Zg）。最终得到发病率的线性模型为LZ(3)Y= 1.425 ‑ 0.013*Longi + 0.007 * Tm25 + 1.286*ZgZ(3)Y‑1 ‑
0.018* Aspect‑ 0.013*P30‑ 0.008*Td5（式中Z(3)Y代表当年三地综合数据，Z(3)Y‑1代表前一
2
年三地综合数据，下同），模型相关系数为R=0.892，R =0.795，p<0.001，说明模型拟合度较好，模型引入的因子能解释近80%的总体变异。
[0180] 感病指数年度预测模型为ZZ(3)Y=0.414 ‑0.004*Longi + 0.005*Age +0.002*Tm25 2
+ 0.229*ZgZ(3)Y‑1+ 0.001*P30，模型相关系数为R=0.887，R=0.786，p<0.001，说明模型拟合度较好，模型引入的因子能解释近79%的总体变异。
[0181] 两个模型方差膨胀因子（VIF）均<5，说明因子间无明显共线性；各因子对应t检验的p值均<0.01，说明各因子均对模型具有显著或极显著影响（表30、表31）。预测模型残差的直方图和散点图表明预测数据正态性和方差齐次性均较好，如图3‑18、图3‑19所示，其中，A残差直方图；B残差散点图。
[0182] 表30 三地杨树烂皮病发病率年度预测模型各因子系数及显著性分析
[0183] 表31 三地杨树烂皮病感病指数年度预测模型各因子系数及显著性分析
[0184] 若不考虑新疆克拉玛依数据，只考虑格尔木和新密数据，将前一年调查初期（Lc，Zc）、高峰期（Lg，Zg）和末期发病率和感病指数数据（Lm，Zm）联合气象数据和地理因子，进行发病率和感病指数的年度预测，最终得到格尔木和新密两地发病率的线性模型为LZ(2)Y=‑5.504+0.013*Tm20‑0.019*P30+1.005*ZcZ(2)Y‑1‑0.0157*Ta/Hr20‑0.019*Aspect+0.772*ZmZ(2)Y‑1+0.154*Lati（式中Z(2)Y代表格尔木和新密当年数据，Z(3)Y‑1代表格尔木和新密前一
2
年数据，下同），模型相关系数R=0.898，R=0.807，p<0.001，说明模型拟合度较好，模型引入的因子能解释近81%的总体变异。
[0185] 感病指数年度预测模型为ZZ(2)Y=‑2.012+0.004*Tm20+0.477*ZmZ(2)Y‑1‑0.041*Ta/2
Hr20‑0.005*P30+0.002*Age+0.056*Lati，模型R=0.912，R=0.831，p<0.001，说明模型拟合度较好，引入的因子能解释83%的总体变异。
[0186] 两个线性模型各因子除纬度（5
[0187] 表32 格尔木和新密杨树烂皮病发病率年度预测模型各因子系数及显著性分析
[0188] 表33格尔木和新密杨树烂皮病感病指数年度预测模型各因子系数及显著性分析[0189] 3个气候区的发病率和感病指数均与前一年的发病率及感病指数呈极显著正相关p<0.01），与调查日期前5‑30 d的平均最高温（Tm）、平均最低温（Tl）、平均日均温（Ta）呈显著正相关（p<0.05）；发病率与调查日期前5 d的平均降雨量（P）呈显著正相关；感病指数与调查日期前15‑30 d的温湿比（Ta/Hr）呈显著正相关（p<0.05）；3个气候区的发病率与各气候区地理因子无明显相关性，感病指数均与纬度呈显著负相关(p<0.05）。3个气候区数据综合分析与各气候区单独分析时相比，立地因子与发病率和感病指数的相关性差异较大，可能是由于3个气候区内立地因子差异较小，而气候区之间立地因子差异较大造成的。
[0190] 由于新疆克拉玛依地区两年的发病初期及末期调查数据不全，且其单独预测效果优于混合预测，因此建议单独建立该地区发病率及感病指数预测模型，预测模型为：LK= ‑48.292‑0.011*Hr20‑0.097*Td30‑1.116*Lati+1.187 *Lati+ 0.001*Longi
2
+ 0.008*P5（R= 0.903，R= 0.816，p<0.001）
2
ZK= ‑19.09‑ 0.001*Hr 30‑0.385*Lati +0.435*Longi ‑0.003*age（R= 0.891，R= 0.793，p<0.001）
适用于河南新密和青海格尔木地区的杨树烂皮病发病率及感病指数预测模型为：
LZ(2)Y=‑5.504+0.013*Tm20‑0.019*P30+1.005*ZcZ(2)Y‑1‑0.0157*Ta/Hr20‑0.019*
2
Aspect +0.772*ZmZ(2)Y‑1+0.154*Lati（R=0.898，R=0.807，p<0.001）。
[0191] ZZ(2)Y=‑2.012+0.004*Tm20+0.477*ZmZ(2)Y‑1‑0.041*Ta/Hr20‑0.005*P30+0.002*2
Age+0.056*Lati（R=0.912，R=0.831，p<0.001）。
[0192] 综合3个气候区各项数据，建立的杨树发病率和感病指数综合预测模型为：LZ(3)Y= 1.425 ‑ 0.013*Longi + 0.007 * Tm25 + 1.286*ZgZ(3)Y‑1 ‑ 0.018*
2
Aspect‑ 0.013*P30‑ 0.008*Td5（R=0.892，R=0.795，p<0.001）。
[0193] ZZ(3)Y=0.414 ‑0.004*Longi + 0.005*Age +0.002*Tm25 + 0.229*ZgZ(3)Y‑1+ 2
0.001*P30 （R0.887，R=0.786，p<0.001）。
[0194] 其中，L、Z分别代表发病率和感病指数；c、m、g分别代表年初、年末以及高峰期数据；下标中K代表克拉玛依，Y和Y‑1分别代表本年度和上一年度，Z(2)代表综合新密和格尔木数据，Z（3）代表综合新密、格尔木和克拉玛依三地数据；Lati代表纬度；Longi代表经度；Tm、Tl、P、Ta/Hr分别代表日均最高温、日均最低温、平均降雨量、平均温湿比，5‑30代表调查日期前5‑30 d的气象因子平均数据；Age代表树龄；Aspect代表坡向。
[0195] 不同气候区影响杨树烂皮病发病率和感病指数的因子：三个气候区杨树烂皮病发病率和感病指数均与调查日期前5‑30 d的平均最高温（Tm）、平均最低温（Tl）、平均日均温（Ta）呈显著正相关（p<0.05）；发病率与调查日期前5 d的平均降雨量（P）呈显著正相关；感病指数与调查日期前15‑30 d的温湿比（Ta/Hr）呈显著正相关（p<0.05）；3个气候区的发病率与各气候区地理因子无明显相关性，感病指数均与纬度呈显著负相关(p<0.05）。
[0196] 所述发病预测单元还可以对构建的发病率的线性模型和/或感病指数的线性模型进行验证，进而保证发病率的线性模型和/或感病指数的线性模型预测的准确度。
[0197] 发病率的线性模型包括上述的任意一种发病率的线性模型，例如：各气候区的基于气候条件、立地条件、生物条件的杨树烂皮病发病率的线性模型，各气候区基于气候条件、立地条件、生物条件和前一年发病率的年度杨树烂皮病发病率的线性模型，不同气候区的基于气候条件、立地条件、生物条件的杨树烂皮病发病率的线性模型，不同气候区基于气候条件、立地条件、生物条件和前一年发病率的年度杨树烂皮病发病率的线性模型。
[0198] 感病指数的线性模型包括上述的任意一种感病指数的线性模型，例如：各气候区的基于气候条件、立地条件、生物条件的杨树烂皮病发病指数的线性模型，各气候区基于气候条件、立地条件、生物条件和前一年感病指数的年度杨树烂皮病感病指数的线性模型，不同气候区的基于气候条件、立地条件、生物条件的杨树烂皮病感病指数的线性模型，不同气候区基于气候条件、立地条件、生物条件和前一年感病指数的年度杨树烂皮病感病指数的线性模型。
[0199] 所述时序点图可以是二维图，也可以是三维图，当所述时序点图为二维图时，所述时序点图包括原点、X轴、Y轴，X轴表示预测对应时期，Y轴表示杨树烂皮病的发病率或杨树烂皮病的发病指数；当所述时序点图为三维图时，所述时序点图包括原点、X轴、Y轴、Z轴，X轴表示预测对应时期，Y轴表示杨树烂皮病的发病率，Z轴表示杨树烂皮病的发病指数，并且Y轴和Z轴的含义可以相互调换。
[0200] 所述发病预测单元对构建的发病率的线性模型和/或感病指数的线性模型进行验证,具体包括如下步骤，所述发病预测单元将任意一种发病率的线性模型和/或感病指数的线性模型的预
测结果按照时间顺序绘制在时序点图中；具体地说，将任意一种发病率的线性模型和/或感病指数的线性模型在不同时期的预测结果，对应时期和预测结果（发病率和/或发病指数）绘制在该发病率的线性模型和/或感病指数的线性模型对应的时序点图中；
所述发病预测单元将该发病率的线性模型和/或感病指数的线性模型对应的时序
点图中，不同时期的监测值绘制在所述时序点图中，此时，得到该发病率的线性模型和/或感病指数的线性模型对应的时序点图；在所述时序点图中，每一个时期对应的时序点包括预测时序点和监测时序点，所述预测时序点是指根据预测结果绘制在时序点图的对应点，所述监测时序点是指根据检测值绘制在时序点图的对应点；所述预测时序点与所述检测时序点分布按照对应时期分布在所述时序点图中；所述预测时序点、所述检测时序点可以是由不同GRB值的点进行绘制，从而方便对所述预测时序点、所述检测时序点的区分；
所述发病预测单元在时序点图中，计算相同时期的所述预测时序点和所述监测时
序点之间的距离，得到预测评价距离；所述预测评价距离为大于或等于零的任意数；
根据所述预测评价距离验证发病率的线性模型和/或感病指数的线性模型的准确
率；当预测评价距离小于或等于第一标准评价距离时，当前发病率的线性模型和/或感病指数的线性模型的准确率大于95%，当预测评价距离大于第一标准评价距离，小于第二标准评价距离时，当前发病率的线性模型和/或感病指数的线性模型的准确率大于85%，当大于第二标准评价距离时，当前发病率的线性模型和/或感病指数的线性模型的准确率异常，所述杨树烂皮病综合预测系统的数据分析单元将所述数据采集单元采集的最新数据进行多元线性回归分析，更新杨树烂皮病发病率和感病指数的线性模型。
[0201] 所述发病预测单元包括模型选择工具，所述模型选择工具根据需要进行杨树烂皮病发病率和感病指数预测区域的关联数据，在获取的上述烂皮病发病率和感病指数的线性模型中，选择目标线性模型后，发病预测单元对当前关联数据，采用目标线性模型，进行杨树烂皮病发病率和感病指数的预测，得到当前预测数据。
[0202] 所述发病预测单元将获取的上述烂皮病发病率和感病指数的线性模型，分装在两个模型层中，得到一级线性模型层：第一线性模型层和第二线性模型层，所述第一线性模型层置于所述第二线性模型层的上层，即第一线性模型层和第二线性模型层在竖直方向上由上至下排列。
[0203] 所述第一线性模型层包括各气候区和不同气候区的基于气候条件、立地条件、生物条件的杨树烂皮病发病率和感病指数的线性模型。所述第二线性模型层包括各气候区和不同气候区的，基于气候条件、立地条件、生物条件和前一年发病率/感病指数的，年度的杨树烂皮病发病率和感病指数的线性模型。
[0204] 所述关联数据还包括前一年发病率和/或发病指数。
[0205] 所述模型选择工具根据关联数据中是否包括前一年发病率和/或发病指数，在所述第一线性模型层和所述第二线性模型层中，进行一级线性模型层选择。
[0206] 所述发病预测单元将一级线性模型层中的烂皮病发病率和感病指数的线性模型，分别封装在不同的模型层中，得到二级线性模型层。具体地说，所述发病预测单元将所述第一线性模型层中的杨树烂皮病发病率和感病指数的线性模型，分别分装在不同的模型层中，得到第一线性模型层的二级线性模型层。所述发病预测单元将所述第二线性模型层中的杨树烂皮病发病率和感病指数的线性模型，分别分装在不同的模型层中，得到第二线性模型层的二级线性模型层。
[0207] 所述二级线性模型层中，至少包括适应暖温带半湿润地区、适应高原温带半干旱地区、适应中温带干旱地区、适应三个地区的杨树烂皮病发病率和感病指数的线性模型。具体地说，第一线性模型层的二级线性模型层至少包括，适应暖温带半湿润地区、适应高原温带半干旱地区、适应中温带干旱地区、适应三个地区的，基于气候条件、立地条件、生物条件的杨树烂皮病发病率和感病指数的线性模型。第二线性模型层的二级线性模型层至少包括，适应暖温带半湿润地区、适应高原温带半干旱地区、适应中温带干旱地区、适应三个地区的，基于气候条件、立地条件、生物条件和前一年发病率/感病指数的，年度的杨树烂皮病发病率和感病指数的线性模型。
[0208] 每个二级线性模型分别包括对应地区标记，所述发病预测单元将同一一级线性模型层中的二级线性模型，按照地区标记的数量，由上至下进行排序。当地区标记的数量相同时，将地区标记数量相同的二级线性模型，横向排列在该数量地区标记对应的水平线上，例如，地区标记的数量为1时，在同一一级线性模型层中，至少会有3个杨树烂皮病发病率和/或感病指数的线性模型，即暖温带半湿润地区、高原温带半干旱地区、中温带干旱地区分别对应的基于气候条件、立地条件、生物条件的杨树烂皮病发病率和/或感病指数的线性模型，所述发病预测单元将暖温带半湿润地区、高原温带半干旱地区、中温带干旱地区分别对应的基于气候条件、立地条件、生物条件的杨树烂皮病发病率和/或感病指数的线性模型，依次水平排列在1个地区标记对应二级线性模型的位置上。
[0209] 所述模型选择工具在待预测的关联数据中对地区进行筛选，得到待预测关联数据所属地区后，在选择的一级线性模型层中，按照地区标记的数量，在目标地区标记的数量行，查找包括对应地区标记的线性模型，得到目标线性模型。然后发病预测单元对当前关联数据，采用目标线性模型，进行杨树烂皮病发病率和感病指数的预测，得到当前预测数据。
[0210] 所述模型选择工具在待预测的关联数据中对地区进行筛选，可以根据立地关联因子和/或气候关联因子进行筛选。
[0211] 所述发病预测单元通过模型选择工具，在获取的上述烂皮病发病率和感病指数的线性模型中，快速选择最匹配的线性模型后，再对杨树烂皮病发病率和/或感病指数进行预测，提高了预测数据的准确性，同时保证了预测的反应速度。
[0212] 一种基于预测模型的杨树烂皮病综合预测系统和方法，采用多元线性回归等统计方法，通过对大量数据的分析，识别出影响杨树烂皮病发生发展的关键因子；确定了上一年度杨树烂皮病发病率和感病指数对当年发病率和感病指数的影响；确定了不同气候区影响杨树烂皮病发病率和感病指数的因子；建立了适用于不同气候区的杨树烂皮病发病率和感病指数综合预测模型，同时预测模型涉及暖温带半湿润地区、高原温带半干旱地区、中温带干旱地区，涵盖了我国杨树分布的主要气候区域，有效填补了我国杨树烂皮病综合预测方面的空白；构建的杨树烂皮病综合预测模型区域模型预测准确率均在95%以上，综合预测模型准确率85%以上。林草部门可以根据模型预测结果，结合气候变化，及时采取预防和防治措施，有效降低了杨树烂皮病的危害，发病率和感病指数显著降低，取得了显著成效，极大程度降低了杨树因烂皮病的危害造成的材积损失。提前预测高风险区域，实施精准防控，减少杨树烂皮病的发生概率，从传统的“被动应对”转变为“主动预防、科学治理”的现代化管理模式，持续为维护生态系统平衡、促进可持续发展等方面，提供可靠技术保障与支撑。
[0213] 以上内容是对本发明创造的优选的实施例的说明，可以帮助本领域技术人员更充分地理解本发明创造的技术方案。但是，这些实施例仅仅是举例说明，不能认定本发明创造的具体实施方式仅限于这些实施例的说明。对本发明创造所属技术领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干简单推演和变换，都应当视为属于本发明创造的保护范围。
