基于地理加权逻辑回归模型的松材线虫病发生风险预测

Risk Prediction of Pine Wilt Disease Based on Geographically Weighted Logistic Regression Model

摘要

为探究辽宁省东部九市（沈阳、大连、鞍山、抚顺、本溪、丹东、营口、辽阳以及铁岭）松材线虫病空间分布特征，应用地理加权逻辑回归（geographically weighted logistic regression，GWLR）模型构建松材线虫病预测模型，对风险区进行预测，为松材线虫病害防控提供科学依据。以2023年的辽宁省松材线虫病疫情区分布林班数据为基础，利用核密度分析法对研究区松材线虫病空间分布特征进行探讨。结合气象因素、地形因素、植被指数以及社会因素等32个影响因子，通过斯皮尔曼相关性检验、双向逐步回归及方差膨胀因子分析筛选松材线虫病预测模型的关键影响因子，利用Logistic回归和GWLR模型构建松材线虫病预测模型，对比2个模型的预测精度，并分析GWLR不同自变量系数的空间分布。结果表明，松材线虫病疫情主要集中于抚顺市周边；林班到公路距离、林班到铁路距离、年平均温度、生长季干旱指数以及土壤湿度等5个影响因子为辽东九市松材线虫病预测模型的关键因子；GWLR模型的拟合效果明显优于Logistic回归（决定系数R ²提升0.42，均方根误差RMSE减小0.14，平均绝对误差MAE减小0.10），对松材线虫病风险区预测的准确率较高（总体精度为90.41%；风险区生产者精度为95.34%，用户者精度为86.79%；非风险区生产者精度为85.49%，用户者精度为94.83%），高风险区集中于抚顺市、铁岭市东南部及本溪市西北部。应用GWLR模型能有效捕捉松材线虫病的空间异质性，该模型的自变量系数在不同地区差异显著。林班距公路、铁路的距离对松材线虫发病率的影响有较明显的空间异质性，年平均气温在大部分地区对松材线虫发病率有促进作用。研究结果可为松材线虫病的传播规律探讨和精准防控提供理论支持。

Abstract

This study aims to explore the spatial distribution characteristics of pine wilt disease in nine cities of eastern Liaoning Province （including Shenyang， Dalian， Anshan， Fushun， Benxi， Dandong， Yingkou， Liaoyang， and Tieling）， construct a prediction model for pine wilt disease risk areas using the geographically weighted Logistic regression （GWLR） model， and provide a scientific basis for the prevention and control of pine wilt disease. Based on the compartments data with pine wilt disease information of Liaoning Province in 2023， kernel density analysis was used to characterize the spatial distribution of pine wilt disease， and thirty-two variables， including meteorological， topographic， vegetation index， and social factors， were considered. Key factors for the prediction model were screened using Spearman's correlation test， bidirectional stepwise regression， and variance inflation factor （VIF） analysis. Logistic regression and GWLR models were constructed to predict pine wilt disease， their prediction accuracies were compared and the spatial distribution of GWLR coefficients for different independent variables were analyzed. Pine wilt disease outbreaks in Liaoning Province were primarily concentrated around Fushun City. Five influential factors were key factors in the prediction model of pine wilt disease in nine cities of eastern Liaoning Province， including the distance from compartments to roads， distance from compartments to railways， annual average temperature， growing-season drought index， and soil moisture. The GWLR model significantly outperformed the traditional Logistic regression model， with an R² improvement of 0.42， a reduction of 0.14 in root mean square error （RMSE） and 0.10 in mean absolute error （MAE）. The risk prediction showed high accuracy using GWLR： overall accuracy （OA） of 90.41%， producer's accuracy （PA） of 95.34% and user's accuracy （UA） of 86.79% for risk areas， and PA of 85.49% and UA of 94.83% for non-risk areas. The high-risk zones were concentrated in Fushun City， southeastern Tieling City， and northwestern Benxi City. Pine wilt disease in eastern Liaoning's nine cities was predominantly distributed around Fushun. The GWLR model effectively captured the spatial heterogeneity of the disease， with significant spatial variations in the coefficients of independent variables. The distances from compartments to roads and railways exhibited obvious spatial heterogeneity in affecting disease incidence， while annual average temperature promoted disease incidence in most areas. This study provides theoretical support for exploring the transmission patterns of pine wilt disease and formulating precise prevention strategies.

Graphical abstract

关键词

松材线虫病 / 风险区 / 地理加权逻辑回归 / Logistic回归 / 空间分布 / 影响因子分析 / 空间异质性 / 核密度分析

Key words

Pine wilt disease / risk area / geographic weighted logistic regression（GWLR） / Logistic regression / spatial distribution / influencing factors analysis / spatial heterogeneity / kernel density analysis

0 引言

以松材线虫（Bursaphelenchus xylophilus）为病原的松材线虫病（pine wilt disease），又称松树萎蔫病，是松科（Pinaceae Spreng. ex F. Rudolphi）植物中松属（Pinus L.）和部分非松属针叶树种的毁灭性病害，被称为松树的“癌症”，严重危害了林业生态安全^［1-3］。1969年，日本的森林学家Kiyohara和Tokushige从因感染松材线虫病死亡的松树中分离出一种线虫，并于1971年确认该线虫是落叶松萎蔫病的病原^［4］。松材线虫病的传播机制主要依赖于媒介昆虫松墨天牛，受全球气候变暖的影响，松墨天牛的适生分布范围发生改变，致使松材线虫传播区域的边界产生了变化，具备了向更大范围传播的可能^［5］。自1982年于江苏省南京市中山陵中山墓后面的黑松林中首次发现松材线虫病以来，松材线虫病的发生地区不断蔓延和扩大，其最西端已达四川省宜宾市，最北端已达吉林省通化市，共计18省（自治区、直辖市）622个县级行政区发生疫情，疫情发生面积达到171.65万hm^2［6］。松材线虫病入侵我国40多年来已经累计致死松科植物达5 000万株，每年造成直接经济损失25亿元，间接经济损失更是无法估量^［7］。为此探究松材线虫病发生风险在我国空间和时间上的分布特征，建立松材线虫病风险区时空分布预测模型，从而有效地预防松材线虫病的传播迫在眉睫。

在全球范围内，松材线虫病的分布和风险评估是研究的重点。通过结合气候、地形和土壤等数据，构建松材线虫病风险评估模型，系统评估当前气候条件和未来不同情景下潜在的松材线虫病分布风险，为松材线虫病监测和防控提供了重要的理论依据^［8］。随着空间信息技术的发展，松材线虫病的监测与预测技术取得了显著进展，空间统计模型在松材线虫病预测中发挥着重要作用。Jiang等^［9］探讨了逻辑回归（Logistic）在松材线虫病等森林病害预测中的应用，分析了传统统计模型与机器学习方法的优劣。Jung等^［10］使用大规模时空数据集分析松材线虫病的传播距离，并发现其扩散受到昆虫媒介和人类活动的显著影响。在预测模型方面，陈伟华^［5］基于松材线虫病的分布数据与气象数据，通过刀切法分析了中国松材线虫病近40 a时空分布变化及其驱动因素，并探究了其空间分布的质心变化。许格希等^［11］利用地理信息系统（geographic information systems，GIS）技术和MaxEnt模型，预测川西林区松材线虫病入侵风险，为森林保护和质量改善提供关键参考。Yoon等^［12］研究采用了一种半动态（semi-dynamic）方法，将物种分布建模（species distribution models，SDM）与空间预测相结合，以提高松材线虫病的监测和风险评估能力。应用空间统计模型，可以有效地识别和预测森林病虫害的发生，但是，对于病害发生的影响因子探究还存在不足，尤其是在存在空间异质性的大尺度研究中，而地理加权逻辑回归（geographic weighted logistic regression，GWLR）模型可以补充这方面的不足。王卫国^［13］通过GWLR模型结合社会因子、遥感信息以及基础地形信息，对甘肃省火灾发生风险进行了有效地评价。Boussouf等^［14］应用GWLR模型对西班牙东南部的滑坡风险进行了评价，获取了高危滑坡风险区的分布。梁慧玲等^［15］研究证实GWLR模型在风险监测及对影响因子分析中有着较强的实用性。

本研究以2023年的辽宁省松材线虫病疫情区分布林班矢量数据为基础，分析疫情区空间分布特征，并利用Logistic模型和GWLR模型结合气象因素、地形因素、植被指数以及社会因素对辽宁省东部九市（沈阳、大连、鞍山、抚顺、本溪、丹东、营口、辽阳以及铁岭）的松材线虫病风险区分布情况进行预测（疫情区为辽宁省实际发生疫情区域；风险区为已经发病的疫情区和未发病但是存在发病可能的区域）。研究内容主要包括，1）探索辽宁东部（9个城市）松材线虫病的空间分布特征；2）基于GWLR模型的松材线虫病预测模型的构建，并与传统Logistic模型的比较；3）松材线虫病风险区分布特征及影响因素分析。本研究为辽宁省松材线虫病疫情预测和防控工作提供技术支撑。

1 研究区与方法

1.1 研究区

由于松材线虫病疫情区主要分布在辽宁省的东部，因此本研究主要以辽宁省东部九市为研究区域，见图1。辽宁省简称“辽”，省会沈阳市，下辖14个地级市，陆地面积达到14.87万km²，海域面积达到15万km²，大陆海岸线全长约2 290 km，地形大致可以概括为“六山一水三分田”。北部海拔高，南部海拔低，山地分列在东西两侧，并向中部平原逐渐下降，形成海滨平原，沿着辽西渤海延伸，是我国东北的重要交通枢纽。东部与吉林省接壤，南临渤海，且与朝鲜半岛接壤，西部与河北省接壤，北部与内蒙古接壤。其多年平均气温在7~11 ℃，年降水量约为750 mm，整体属于温带大陆性季风气候，辽东沿海地区受海洋影响较强，具有海洋性气候特征，气候稳定，四季分明，区域内适宜多种作物生长^［16-17］。

1.2 数据来源

本研究松材线虫病数据为截至2023年的辽宁省松材线虫病疫情区分布林班矢量数据，其来源于国家林业和草原局生物灾害防控中心，该矢量数据除了具备疫情区疫情状态外，还包括行政区（省、市、县、乡、村）、林班编号、小班号、林班疫情状态、土层厚度、主要树种类型、平均胸径以及郁闭度等信息。根据是否为疫情点提取了样本，包括1 929个疫情点样本和1 929个非疫情点样本，共计3 858个样本点，样本分布见图2。

应用的其他辅助数据包括地形数据、气象数据、社会因子以及植被指数。地形数据为航天飞机雷达地形测绘使命（shuttle radar topography mission，SRTM）获取的数字高程模型（digital elevation model，DEM）数据。本研究获取的气象数据包括2个数据源分别为全球陆地表面每月气候和气候水平衡的高分辨率数据集（monthly climate and climatic water balance for global terrestrial surfaces，TerraClimate）和第二代全球成像仪（second generation global imager，SGLI）数据集。社会因子主要获取了铁路、公路和河网数据，该数据来源于2020年的开放街道地图（open street map，OSM）数据，包括城市主干道、高速公路、国道、省道、县道、乡道、铁路、轻轨、窄轨、地铁和有轨电车等。植被指数包括叶面积指数（leaf area index，LAI）、归一化植被指数（normalized difference vegetation index，NDVI）和增强型植被指数（enhanced vegetation index，EVI），其中，LAI数据来源于SGLI的GCOM-C/SGLI L3 Leaf Area Index（V3）数据产品，时间分辨率为3~4 d，空间分辨率约4 km（即1/24°）。NDVI与EVI则是来源于中分辨率成像光谱仪（moderate resolution imaging spectroradiometer，MODIS）影像的MOD13A1.061产品，时间分辨率16 d，空间分辨率500 m，包含了2000年2月18日至2024年10月31日全球范围的NDVI与EVI，2个植被指数产品均通过谷歌地球引擎（Google Earth Engine，GEE）平台下载获得（https：//earthengine.google.com/）。

1.3 研究方法

1.3.1 松材线虫病空间分布

为探究松材线虫病疫情区在研究区的分布，本研究采用核密度分析，将离散分布的点要素转化为连续的密度表面，直观地展示要素在空间上的分布疏密情况，清晰地显示哪些区域松材线虫病疫情分布更密集^［18］。核密度估计的公式为

\widehat{f}(x)=\frac{\mathrm{1}}{n{h}^{\mathrm{2}}}{\displaystyle \sum _{i-\mathrm{1}}^n}K\left(\frac{x-x_i}{h}\right)。（1）

式中：\widehat{f}(x)为在位置x处估计的密度值；n为样本点的总数；h为带宽，控制着核函数的平滑程度，带宽越大，估计的密度越平滑，带宽越小，估计越接近原始数据点的分布；K为核函数，是一个非负的、积分为1的函数，本研究中使用的核函数为高斯核函数；x_i为第i个样本点的位置。

1.3.2 松材线虫病预测模型因子筛选

本研究考虑了32个影响因子，包括社会因子、植被因子、气候因子和地形因子4种类型。社会因子包括林班中心点到公路距离、林班中心点到铁路距离及林班中心点到河流距离；植被因子包括年均NDVI、生长季NDVI、年均EVI、生长季EVI、年均LAI及生长季LAI；气候因子包括平均气压、生长季气压、年平均温度、生长季平均温度、年最低气温、年最高气温、年最大风速、生长季最大风速、年实际蒸散量、生长季实际蒸散量、年降水量、生长季降水量、年地表辐射量、生长季地表辐射量、年径流量、生长季径流量、年度干旱指数、生长季干旱指数、土壤湿度以及生长季土壤湿度；地形因子包括坡度、坡向及海拔。

使用Spearman相关性检验剔除相关性较弱的因子，之后使用双向逐步回归筛选出显著性较弱的影响因子，最后应用方差膨胀因子（variance inflation factor， VIF）进行多重共线性检验，完成对影响因子的筛选。

1.3.3 基于空间统计模型的松材线虫病风险区的预测

本研究分别使用Logistic回归模型和GWLR模型，基于筛选的影响因子构建松材线虫病风险区分布预测模型。

Logistic回归是一种非线性分类方法，主要用于预测事件发生的概率，适用于因变量为二分类的情况，当然也可扩展至多分类情况。通过建立一个sigmoid函数来将线性回归的结果映射到区间［0，1］，从而得到事件发生的概率。即本研究区松材线虫病是否存在发生风险（是：1，否：0），可以用于解决线性概率模型的局限问题。其计算过程为^［19］

\sigma \left(z\right)=\frac{\mathrm{1}}{\mathrm{1}+{\mathrm{e}}^{-z}}。（2）

式中：z为线性组合部分，z={\beta }_{\mathrm{0}}+{\beta }_{\mathrm{1}}{x}_{\mathrm{1}}+{\beta }_{\mathrm{2}}{x}_{\mathrm{2}}+\cdots +{\beta }_p{x}_p。β₀为截距项，与β₁，β₂，⋯，β_p 一起是模型的参数，需要通过训练样本来估计，β₀反映了当所有自变量取0时，事件发生的对数几率；β_j （j=1，2，⋯，p）为对应特征x_j 的系数，表示特征x_j 对于事件发生风险的影响程度，当β_j >0时，特征x_j 增加会使得事件发生的概率增加，当β_j <0时，特征x_j 增加会使得事件发生的概率减小；x₁，x₂，⋯，x_p 是自变量，也就是用于预测因变量分类的特征变量，可以是连续型变量，也可以是离散型变量。

这个函数的图像呈现“S”形，能够实现把输入的实数压缩到（0，1）区间内，输出的值为松材线虫发生的概率。GWLR模型是地理加权回归（geographic weighted regression，GWR）模型的一种，其结合GWR模型与Logistic回归的优势，兼备处理非线性问题和空间复杂问题的能力，是一种包括空间权重、局部回归和逻辑回归的模型。空间权重用于衡量不同地理位置之间的相似性或相关性，以距离或邻接关系为基础定义。局部回归则在每个观测点附近进行回归分析，以捕捉空间异质性。逻辑回归则是处理因变量为二值情况的广义线性模型。GWLR的模型形式为^［20-22］

\mathrm{l}\mathrm{g}\left(\frac{p_i}{\mathrm{1}-p_i}\right)={\beta }_{\mathrm{0}}\left(u_i,v_i\right)+{\displaystyle \sum _{k=\mathrm{1}}^p}{\beta }_k\left(u_i,v_i\right)x_{ik}。（3）

式中：p_i为松材线虫发生在位置\left(u_i,v_i\right)处取值为1的概率，即因变量；{\beta }_{\mathrm{0}}\left(u_i,v_i\right)为截距项；{\beta }_k\left(u_i,v_i\right)为第k个自变量在位置\left(u_i,v_i\right)处的回归系数，表示该自变量对因变量的影响程度；x_{ik}是第k个自变量在位置\left(u_i,v_i\right)处的观测值。如果p_i为0~0.5，代表不存在松材线虫病发生风险，否则存在松材线虫病发生风险。

1.3.4 模型拟合及预测准确率评价

本研究使用决定系数（coefficient of determination，R²）、均方根误差（root mean squared error，RMSE）、平均绝对误差（mean absolute error，MAE）、贝叶斯信息准则（bayesian information criterion，BIC）以及赤池信息准则（akaike information criterion，AIC），对模型的拟合效果进行评价。为评价风险区预测的准确性，本研究使用2023年松材线虫病疫情数据作为验证数据，与松材线虫病风险区预测结果构建混淆矩阵，应用用户者精度（user's accuracy，UA）、生产者精度（producer's accuracy，PA）以及总体精度（overall accuracy，OA），验证模型对松材线虫病风险区预测的准确性。

2 结果与分析

2.1 松材线虫病疫情区的空间分布特征

本研究使用核密度分析，获取了辽宁东部九市松材线虫病风险区核密度图，用于分析研究区松材线虫病疫情区分布高密度区域和低密度区域，见图3。松材线虫病疫情主要集中于抚顺市周边地区，呈现出较为明显的高值聚集态势，该区域是当前松材线虫病实际发生的重点区域。此外，辽阳市、丹东市等地也有零星分布，但相对抚顺市周边而言，其范围和强度较小。实际发生的疫情区域的核密度范围在0.001~1.004。抚顺市周边的高值区域核密度值可能接近或达到上限值1.004，显示出该区域内松材线虫病的发生较为集中，疫情相对严重；而辽阳市、丹东市等地的较小范围分布区域，核密度值则处于相对较低的区间。

研究区松材线虫病疫情区密度分析结果，可为辽宁省松材线虫病防控工作提供重要参考。对于以抚顺市西北部为代表的疫情热点区域，管理部门应加大治理力度，采用综合防控手段遏制病害蔓延，必要时可对疫情区进行皆伐处理以控制疫情蔓延；对于核密度较低的区域属于未感染疫情的低风险区及安全区，应提前布局防控策略，防患于未然，以切实保护森林资源，维护区域生态平衡。

2.2 松材线虫病预测模型因子筛选

本研究主要对32个影响因子进行筛选，包括社会因子（3个）、植被指数（6个）、气候因子（20个）以及地形因子（3个）。为探究这些影响因子与因变量之间的关系，应用Spearman相关性检验获取到32个影响因子与因变量的相关性热点图见图4。基于相关性检验结果，保留了与因变量Y相关性绝对值大于0.2的10个影响因子，包括林班中心点到公路距离（X₁）、林班中心点到铁路距离（X₃）、生长季平均叶面积指数（X₆）、年平均温度（X₈）、生长季平均干旱指数（X₁₂）、生长季平均大气压强（X₁₈）、年最低温（X₂₁）、年均干旱指数（X₂₂）、土壤湿度（X₂₆）和年均大气压强（X₂₈）。随后，对这10个影响因子进行了双向逐步回归分析，对关系不显著的因子进行剔除（即P>0.05），筛选出了8个关系显著的影响因子进行多重共线性检验，包括林班中心点到公路距离（X₁）、林班中心点到铁路距离（X₃）、年平均温度（X₈）、生长季平均干旱指数（X₁₂）、生长季平均大气压强（X₁₈）、年最低温（X₂₁）、土壤湿度（X₂₆）和年均大气压强（X₂₈）。对于VIF>5的影响因子，按照从大到小的顺序逐步进行删除。在依次剔除包括年均大气压强（X₂₈）、年最低温（X₂₁）以及生长季平均大气压强（X₁₈）在内的3个因子后，剩余5个影响因子的VIF均小于5，见表1，满足前期数据分析需求。

最终，确定林班中心点到公路距离（X₁）、林班中心点到铁路距离（X₃）、年平均温度（X₈）、生长季平均干旱指数（X₁₂）以及土壤湿度（X₂₆）5个影响因子作为模型自变量，构建Logistic回归和GWLR模型。

2.3 松材线虫病发生风险模型的构建及比较

本研究基于GWLR模型构建了松材线虫病发生风险预测模型，并与传统Logistic回归模型进行对比分析，对辽宁省东部九市的松材线虫病风险区进行预测。选取3 086个训练样本和772个验证样本（以8∶2比例为基础分配）分别完成两种统计模型训练，并对这两种统计模型进行精度评价。

由表2可知，GWLR模型各项指标均显著优于Logistic回归的模型拟合性能。其中，Logistic回归模型的R²仅为0.20，表明应用传统的Logistic回归模型仅能解释20%的松材线虫发病率变化，解释能力极为有限。GWLR模型的R²提升至0.62，这表明能够解释62%的松材线虫发病率变化。这主要得益于GWLR模型充分考虑了空间的非平稳性，能够在一定程度上精准反映不同区域的松材线虫发病率差异。由RMSE和MAE两项指标可知，GWLR模型的预测值与真实值之间的误差程度要远小于Logistic回归（RMSE为0.45>0.31；MAE为0.20>0.10），这主要归因于GWLR模型对空间异质性的考虑，在一定程度上有效减少了预测误差。由BIC和AIC结果可知，GWLR模型不仅在“拟合效果”上更优，且在“拟合优度-复杂度”的权衡上也更出色（AIC为3 080.01>1 324.11；BIC为3 043.80>1 287.90）。其用更合理的复杂度，实现了对数据的更好拟合，整体性能超过Logistic模型。综上所述，GWLR模型在各项指标上展现出了卓越的性能，显著优于Logistic回归。因此，本研究应用GWLR模型来预测松材线虫病风险区分布，并进行后续分析。

本研究通过混淆矩阵来评价应用GWLR模型预测松材线虫病发生风险的准确率。由表3可知，GWLR模型的总体精度（OA）达90.41%，准确率较高。疫情区的用户者精度（UA）为86.79%，生产者精度（PA）为95.34%，说明GWLR模型对疫情区的预测偏于保守，错测风险要高于漏测风险，漏测概率较低。而非疫情区的用户者精度（UA）明显优于生产者精度（PA），分别为94.83%和85.49%，表明GWLR模型对非疫情区预测的准确率较高，但存在一定程度的漏测风险。总体而言，GWLR模型在松材线虫病发生风险预测中展现出良好的识别能力，尤其在疫情区识别方面具有较高的应用价值，为林业病虫害预警提供了可靠的技术支撑。

应用GWLR模型预测的松材线虫病风险区分布见图5。预测结果显示，松材线虫病的大面积风险区主要集中在抚顺市、铁岭市东南部以及本溪市西北部。在辽阳市东部地区、沈阳市东部地区、丹东市西部地区以及大连市南部地区，有小面积的松材线虫病风险区分布；在营口市和鞍山市范围内，未发现明显的松材线虫病风险区。预测结果与应用实测数据进行的核密度分析结果较为相符（图3），但风险区面积要大于核密度分析结果。

2.4 松材线虫病发病风险的影响因素分析

Logistic回归各影响因子的系数是全局统一的，无法体现空间异质性对松材线虫病发生风险的影响。GWLR模型与Logistic回归不同，GWLR模型充分考虑到不同地理位置的空间差异，所以其系数在空间上存在差异，需要以空间上所有的系数最大值、最小值、均值以及标准差，评价每个因子在全局尺度上对松材线虫病发病风险的影响，见表4。

由表4可知，在Logistic回归中，林班中心点到公路距离X₁、林班中心点到铁路距离X₃、年平均温度X₈以及生长季平均干旱指数X₁₂的对应系数值均小于0，表示在研究区内这些影响因子与松材线虫病的发生风险呈负相关，即随距离道路和铁路距离越近、年平均温度越低以及生长季干旱指数越小，松材线虫病发病风险越高。其中，林班中心点到铁路距离X₃对松材线虫发病率影响最大（系数为-1.49，t为-16.14）。而土壤湿度X₂₆的系数值大于0，表示在研究区尺度上土壤湿度X₂₆与松材线虫病的发生风险呈正相关关系，表示土壤湿度越大，松材线虫病发病风险越高。

而GWLR模型考虑了空间异质性，在不同地理位置上其自变量系数具备空间异质性。由表4可知，GWLR模型除了年平均温度X₈系数之外，其他所有系数均值均小于0，但最小值、最大值均有正有负，无法从宏观角度判断对松材线虫发病率的影响。其中，生长季平均干旱指数X₁₂的系数值域范围跨度最大（-3.94，3.79），标准差最大（1.82），说明该系数在空间分布上的差异最为显著。林班中心点到铁路距离X₃的系数值域跨度最小（-2.29，1.79），标准差最小（0.88），代表该系数对于空间敏感性较弱，在空间分布上差异较小。

GWLR模型的不同自变量系数估计分布如图6所示，每个变量的系数分布均存在一定程度的空间异质性。

由图6（a）可知，林班中心距道路距离X₁的系数从北到南呈现由正到负的分布规律为抚顺市东北部以及铁岭市，林班中心距道路距离X₁与松材线虫病发生风险呈现正相关关系（系数大于0），表示距离道路越远，该区域松材线虫病风险越高；而在其他地区，林班中心距道路距离X₁与松材线虫病发生风险呈负相关关系（系数小于0），即距离道路越近，松材线虫病的发病风险越高。

由图6（b）可知，林班中心距铁路距离X₃系数的空间分布也具有较明显的空间特征。在抚顺市西部和大连市，主要呈现正值，其他地区呈现负值。这表明，在抚顺市西部和大连市，林班距离铁路越远松材线虫病的发病风险越高，而其他地区则是林班距离铁路越近松材线虫病发病概率越高。

由图6（c）可知，相比于其他变量系数，年平均温度X₈系数的空间异质性并不强，在大部分区域内呈现正值，表明随着年平均温度的升高，大部分地区松材线虫病风险增大（尤其是抚顺市、本溪市和丹东市）。

由图6（d）可知，生长季平均干旱指数X₁₂系数的空间异质性较大，在鞍山市、丹东市和本溪市，生长季平均干旱指数X₁₂与松材线虫病发生风险呈负相关关系（系数小于0），表示该区域生长季平均干旱指数X₁₂下降会造成松材线虫病发病风险增加；而在其他地区，尤其是大连市，生长季平均干旱指数X₁₂与松材线虫病发生风险呈现正相关关系，即在其他变量保持一定的情况下，生长季平均干旱指数X₁₂的升高会促进松材线虫病的发病风险。

由图6（e）可知，土壤湿度X₂₆在大连市、本溪市、丹东市东北部以及抚顺市西南部地区与松材线虫病发生风险呈负相关关系，表示在其他变量保持不变的情况下，土壤湿度X₂₆的减小会提高松材线虫病风险区的发病概率；其他地区则随着土壤湿度X₂₆增加，松材线虫病发病风险提高。在不同研究区域，GWLR模型的因子系数存在差异，反映了该模型在处理空间异质性的优势，使松材线虫病风险区的分布更为合理。

3 讨论

本研究表明，辽宁省抚顺市周边为松材线虫病热点区域，该区域疫情集中且严重，这可能与当地的自然环境条件（如适宜松材线虫及其宿主生存的气候、土壤等因素）以及松科植物分布密度等多方面因素相关。而辽阳市、丹东市等地疫情热度相对较低且分布范围较小，这些地区虽存在疫情，但尚未达到严重程度，需保持高度警惕，防止疫情扩散、爆发性蔓延。从环境因素分析，抚顺市周边成为病害高聚集区域与本地地理环境密切相关，该区域温湿度条件特殊，造成病原潜育期延长，松科植物易发生越年枯死现象^［23］，若松材线虫病防治不及时，易造成抚顺市周边的病原大量滋生，从而增加了松科植物染病的风险。在植被分布层面，抚顺市周边落叶松等松科植物的分布密度和生长状况对病害的发生重要影响。如果该地区松科植物种植较为密集，一旦出现松科植物染病，松材线虫病便会在林间迅速传播，进而形成病害热点区域。

本研究筛选出的5个影响因子，包括2个社会因子（林班中心点到公路距离X₁、林班中心点到铁路距离X₃）和3个气候因子（年平均温度X₈、生长季平均干旱指数X₁₂、土壤湿度X₂₆），与松材线虫病的发生密切相关。有研究表明，温度和干旱指数影响松科植物的生长势和抗性，土壤湿度则影响松材线虫和媒介昆虫的生存环境^［24-25］，从而影响松材线虫病风险区的传播。

GWLR模型的拟合效果要显著优于Logistic回归模型，充分体现了GWLR模型在面对松材线虫病风险区预测这种具有复杂空间关系问题时的优势，GWLR模型能够充分挖掘数据中的空间信息，从而更准确地识别出高风险区域^［26］。这一特性使得GWLR模型在实际应用中能够为制定精准的防控策略提供更为科学的依据，有助于更有效地控制松材线虫病的传播。GWLR模型揭示的自变量系数空间变化，如年平均温度在丹东市与松材线虫病发生风险呈正相关关系，在大连市则呈负相关，一方面与树种及林分组成不同有关，另一方面可能与区域气候差异有关。丹东市主要树种为红松，受海洋性气候影响，夏季高温高湿环境更利于媒介昆虫繁殖，而大连市主要树种为油松和黑松，丘陵地形和海风调节可能抑制病害扩散。此外，抚顺市东北部林班中心点到公路距离系数为正，表明交通便利区域反而发生风险更高，这可能与人为活动导致的苗木调运风险增加有关^［27］。

4 结论

本研究分析了辽宁省东部九市（沈阳、大连、鞍山、抚顺、本溪、丹东、营口、辽阳以及铁岭）松材线虫病的空间分布特征，并结合气象、地形因素、植被以及社会因素，构建传统Logistic回归和GWLR模型对辽宁东部松材线虫病发病率进行预测。研究区疫情主要集中于抚顺市周边地区，呈高值聚集态势，疫情相对严重；辽阳市、丹东市等地虽有分布，但范围和强度较小。GWLR模型的拟合表现明显优于Logistic回归（R²提升0.42，RMSE减小0.14，MAE减小0.10）；且对松材线虫病风险区预测的准确率较高（OA为90.41；疫情区PA为95.34，UA为86.79；非疫情区PA为85.49，UA为94.83）。GWLR模型的自变量系数具有较强的空间异质性，在不同地区差异明显，体现了GWLR模型具备应对自变量空间差异性对松材线虫病传播的复杂作用的能力。社会因素与气候因素对于松材线虫病发病均存在空间异质性，其中，年平均气温在大部分地区对松材线虫发病率有促进作用，可以预见，在全球气候变暖的背景下，松材线虫病风险区的分布很可能向更北的区域迁移，应提前做好防控部署，遏制松材线虫病风险区的进一步扩张。

此外，本研究仅选取了部分气象、地形因素、植被以及社会因素进行分析，对于松材线虫病风险区的影响因素的探究仍不够全面，后续研究可引入更多的变量不断完善对于松材线虫病风险区监测方法。本研究采用了Logistic和GWLR两种模型，后续的研究中可引入机器学算法实现对松材线虫病的监测，结合迁移学习方法，可实现对其他区域松材线虫病的监测。

参考文献

[1] 王峰，李丹蕾，喻盛甫.松材线虫风险评估数据库［J］.莱阳农学院学报，2004（2）：162-163.

[2] WANG F， LI D L， YU S F.Database of pest risk assessment for Bursaphelenchus xylophilus ［J］.Journal of Laiyang Agricultural College，2004（2）：162-163.

[3] 郝昕.松材线虫响应强力节丛孢胁迫的分子机制研究［D］.哈尔滨：东北林业大学，2023.

[4] HAO X.Molecular response mechanisms of Bursaphelenchus xylophilus exposed to Arthrobotrys robusta［D］.Harbin：Northeast Forestry University，2023.

[5] 张瑞芝.表儿茶素延缓红松松树萎蔫病显症［D］.哈尔滨：东北林业大学，2023.

[6] ZHANG R Z.Epicatechin delays progression of pine wilt disease in Pinus koraiensis ［D］.Harbin：Northeast Forestry University，2023.

[7] 叶建仁，吴小芹.松材线虫病研究进展［J］.中国森林病虫，2022，41（3）：1-10.

[8] YE J R， WU X Q.Research progress of pine wilt disease［J］.Forest Pest and Disease，2022，41（3）：1-10.

[9] 陈伟华.不同气候情景下松材线虫病地理分布时空变化与预测研究［D］.南京：南京林业大学，2023.

[10] CHEN W H.Spatial and temporal variation in the geographical distribution and prediction of pine wood nematode disease under different climate［D］.Nanjing：Nanjing Forestry University，2023.

[11] 李硕，孙红，周艳涛，等.2021年全国主要林业有害生物发生情况及2022年发生趋势预测［J］.中国森林病虫，2022，41（2）：44-47.

[12] LI S， SUN H， ZHOU Y T，et al.Occurrence of major forest pests in China in 2021 and prediction of occurrence trends in 2022［J］.Forest Pest and Disease，2022，41（2）：44-47.

[13] 张星耀，吕全，冯益明，等.中国松材线虫病危险性评估及对策［M］.北京：科学出版社，2011.

[14] ZHANG X Y，LYU Q， FENG Y M，et al.Risk assessment and countermeasures of pine wood nematode disease in China［M］.Beijing：Science Press，2011.

[15] WANG G， AIERKEN N， CHAI G Q，et al.A novel BH3DNet method for identifying pine wilt disease in Masson pine fusing UAS hyperspectral imagery and LiDAR data［J］.International Journal of Applied Earth Observation and Geoinformation，2024，134：104177.

[16] JIANG X S， RONG Z F， HUANG L F，et al.Research progress on monitoring and early warning technology of forestry pests and diseases［J］.Journal of Agricultural Science & Technology，2025，27（1）：1-16.

[17] JUNG J M， YOON S， HWANG J，et al.Analysis of the spread distance of pine wilt disease based on a high volume of spatiotemporal data recording of infected trees［J］.Forest Ecology and Management，2024，553：121612.

[18] 许格希，余荣兵，杨昌旭，等.基于GIS空间技术和Max Ent模型预测川西松材线虫病入侵风险［J］.北京林业大学学报，2023，45（9）：104-115.

[19] XU G X， YU R B， YANG C X，et al.Prediction of invasion risk of pine wilt disease based on GIS spatial technology and Max Ent model in western Sichuan Province of Southwestern China［J］.Journal of Beijing Forestry University，2023，45（9）：104-115.

[20] YOON S， JUNG J M， KIM D，et al.Risk monitoring of pine wilt disease based on semi-dynamic spatial prediction in South Korea［J］.Agricultural Systems，2025，224：104253.

[21] 王卫国.甘肃省火灾风险评价与区划研究［D］.兰州：西北师范大学，2017.

[22] WANG W G.Study on the assessment of fire risk and zoning in Gansu Province［D］.Lanzhou：Northwest Normal University，2017.

[23] BOUSSOUF S， FERNÁNDEZ T， HART A B.Landslide susceptibility mapping using maximum entropy （MaxEnt） and geographically weighted logistic regression （GWLR） models in the Río Aguas catchment （Almería，SE Spain）［J］.Natural Hazards，2023，117（1）：207-235.

[24] 梁慧玲，王文辉，郭福涛，等.比较逻辑斯蒂与地理加权逻辑斯蒂回归模型在福建林火发生的适用性［J］.生态学报，2017，37（12）：4128-4141.

[25] LIANG H L， WANG W H， GUO F T，et al.Comparing the application of logistic and geographically weighted logistic regression models for Fujian forest fire forecasting［J］.Acta Ecologica Sinica，2017，37（12）：4128-4141.

[26] 曹永强，周姝含，杨雪婷.近20年辽宁省植被动态特征及其对气候变化的响应［J］.生态学报，2022，42（14）：5966-5979.

[27] CAO Y Q， ZHOU S H， YANG X T.Vegetation dynamics and its response to climate change in Liaoning Province in last 20 years［J］.Acta Ecologica Sinica，2022，42（14）：5966-5979.

[28] 李文翰.辽宁省中低产田障碍分析与改良优先序研究［D］.沈阳：沈阳农业大学，2023.

[29] LI W H.Analysis of obstacles and improvement priority of middle and low yield fields in Liaoning Province［D］.Shenyang：Shenyang Agricultural University，2023.

[30] 贾科，杨哲，魏超，等.基于斯皮尔曼等级相关系数的新能源送出线路纵联保护［J］.电力系统自动化，2020，44（15）：103-111.

[31] JIA K， YANG Z， WEI C，et al.Pilot protection based on Spearman rank correlation coefficient for transmission line connected to renewable energy source［J］.Automation of Electric Power Systems，2020，44（15）：103-111.

[32] 于立勇，詹捷辉.基于Logistic回归分析的违约概率预测研究［J］.财经研究，2004，30（9）：15-23.

[33] YU L Y， ZHAN J H.A research on probability of default prediction based on logistic regression analysis［J］.Journal of Finance and Economics，2004，30（9）：15-23.

[34] 开璇.多尺度地理加权逻辑回归模型理论及其应用［D］.呼和浩特：内蒙古工业大学，2024.

[35] KAI X.Study on the multiscale geographically weighted logistic regression model and its application［D］.Hohhot：Inner Mongolia University of Technology，2024.

[36] 陈思宇.基于地理加权逻辑回归模型的草原火发生概率预测研究［D］.呼和浩特：内蒙古工业大学，2022.

[37] CHEN S Y.Prediction of grassland fire occurrence probability based on geographically weighted logistic regression model［D］.Hohhot：Inner Mongolia University of Technology，2022.

[38] 张紫怡，刘艳芳，张扬，等.生态系统服务协同权衡对影响因子的空间响应——以福建省生态功能区为例［J］.武汉大学学报（信息科学版），2022，47（1）：111-125.

[39] ZHANG Z Y， LIU Y F， ZHANG Y，et al.Spatial non-stationary response of the ecosystem services synergy and tradeoff to influencing factors：A case study of ecological function area in Fujian Province［J］.Geomatics and Information Science of Wuhan University，2022，47（1）：111-125.

[40] 王佳楠，姜生伟，张瑞芝，等.松材线虫潜育期延长导致红松越年枯死［J］.林业科学，2024，60（10）：67-75.

[41] WANG J N， JIANG S W， ZHANG R Z，et al.Prolonged incubation period of Bursaphelenchus xylophilus results in the over-year death of Pinus koraiensis ［J］.Scientia Silvae Sinicae，2024，60（10）：67-75.

[42] 李洋.辽宁抚顺松材线虫病发生区姬蜂种类及其丰富度研究［D］.沈阳：沈阳农业大学，2023.

[43] LI Y.Study on species and richness of ichneumonidae in occurrence area of pine wilt disease in Fushun City，Liaoning Province［D］.Shenyang：Shenyang Agricultural University，2023.

[44] 吴昊，何姗，王孔海，等.辽宁省松材线虫灾害损失评估［J］.中国森林病虫，2023，42（4）：1-8.

[45] WU H， HE S， WANG K H，et al.Loss assessment of Bursaphelenchus xylophilus disaster in Liaoning Province［J］.Forest Pest and Disease，2023，42（4）：1-8.

[46] 姜生伟，吴昊，李德斌，等.我国东北地区松材线虫灾害特征分析［J］.中国森林病虫，2022，41（4）：9-15.

[47] JIANG S W， WU H， LI D B，et al.Analysis on disaster characteristics of pine wood nematode in Northeast China［J］.Forest Pest and Disease，2022，41（4）：9-15.

[48] 葛芳.浅谈辽宁省松材线虫病防控措施［J］.新农业，2021（18）：17-18.

[49] GE F.Prevention and control measures of pine wood nematode in Liaoning Province［J］.Xin Nongye，2021（18）：17-18.

基金资助

国家自然科学基金面上项目(32071677)