应用机器学习的辽宁省松材线虫病风险区预测及其影响因素OA

通过整合道路河流数据、气候数据、地形数据、植被指数以及辽宁省松材线虫病疫情等多源数据,利用随机森林(RF)、支持向量机(SVM)、人工神经网络(ANN)、一维卷积神经网络(1D CNN)四种机器学习算法,构建松材线虫病风险区预测模型,并利用地理探测器探究风险区的影响因素。结果表明:四种机器学习模型中,RF模型在辽宁省松材线虫病风险区判别中性能最优,其总体精度高达95.1%,对风险区与非风险区均表现出均衡且稳定的判别能力。预测结果显示高风险区集中分布于辽东山地丘陵区,以抚顺—铁岭一带为核心,辽阳—本溪、丹东中部及大连南部亦有零星分布,与实际情况高度吻合。地理探测器分析表明,气候因子是影响辽宁省松材线虫病风险区分布空间分异情况的核心因子,其中,年地表短波辐射量(q=0.602)的独立解释力最强,对辽宁省松材线虫病风险区分布的解释力达到60%。松材线虫病的空间分布并非由单一环境因子主导,而是由多因子协同作用,其中以最低温度与年总降水量的交互作用最强(q=0.793),而土壤湿度与干旱指数、最低温度的交互作用则表现出明显的非线性增强效应。松材线虫病的发生与传播是受地表短波辐射、温度、水分等多因子共同作用的复杂生态过程。研究不仅证实了随机森林在结合多源地理数据进行病虫害风险预测中的有效性,也深化了松材线虫病多因子驱动机制的认识,可为松材线虫病的可持续治理提供参考。