中文摘要：

以近几年疟疾疫情回升显著的安徽北部为现场，从5个县市中选取60个乡镇作为样点镇。收集2003-2011年的疫情、蚊媒资料与卫星遥感图像。基于疫情资料以镇为单位拟合筛选出预测效果最佳的时间序列预测模型（Mi）。提取遥感图像中的气象、植被、水体等环境数据，经多因素回归分析确定影响疟疾发生的主要环境因子，将其与蚊媒密度一起作为校正因子；结合FHW法确定校正因子对疟疾发病作用的权重（W）。以镇为单位拟合筛选出校正因子的最佳预测模型（Me）。然后，以权重W、模型Me和Mi为基础构建组合预测模型（Mc），并以平均相对误差和误差平方为指标，对模型Mc的预测效果进行评价。最后将模型Mc的预测结果结合空间插值分析，可望实现对研究地区疟疾发病率的准确预测。本研究将解决当前疟防工作中难以对较大区域实现疟疾发病率准确预测的技术问题，研究建立的方法将为其他疾病的预测研究提供技术平台。

结论摘要：

目的 从县、镇两级水平上拟合疟疾发病率时间序列ARIMA模型，评价用环境遥感替代指标对疟疾发病率ARIMA模型的预测结果进行校正的效果，构建组合预测方法；并探讨空间差值分析的效果。方法 以安徽北部五县区为研究现场，从中选取60乡镇为样点镇；收集2004~2011年的疟疾报告病例数、人口学数据及地表温度（LST）、标化植被指数（NDVI）等MODIS遥感图像资料，采用诱蚊灯捕捉蚊媒并进行鉴定计数；运用EARDAS IMAGE8.6软件及ArcGIS8.3软件对遥感图像进行数据提取与合成；运用SPSS11.0软件进行多因素分析及拟合时间序列ARIMA模型等统计学处理，采用专家咨询法确定校正因子权重。并对2011年皖北5县进行空间差值分析。结果2004~2011年皖北五县区共报告疟疾61136例，年均发病率为127.45/10万。最近三个月的平均LST（lst_012）与之前两个月的平均NDVI（ndvi_12）与县级月度疟疾发病率关系密切（P＜0.001）；而3月、11月、年均LST（lst_m3、lst_m11、lst_y）及3月、11月的平均NDVI（ndvi_m3、ndvi_m 11）与镇级年度疟疾发病率存在关联（P＜0.01）。以2004~2009年的数据进行模型拟合，筛选出五县区及60乡镇疟疾发病率的最佳ARIMA模型，模型能较好地预测2010年各月的疟疾发生水平，平均误差为0.721/10万（县级）和0.520/10万（镇级）。对于县级预测模型，lst_012、ndvi_12为校正因子，其权重（对疟疾发病率的相对贡献）约为2:1时佳。对于镇级模型，lst_m3、lst_m11、lst_y、ndvi_m3、ndvi_m 11为校正因子，其权重为0.33:0.32:1:0.32:0.21。以2004~2010年的数据再次拟合与筛选ARIMA模型，以2011年的疟疾发病数据再评价遥感替代指标对模型预测结果的校正效果；发现校正后的预测误差（均不足0.001/10万）明显低于校正前，校正后的率更接近报告发生率。空间差值分析显示，样本区乡镇的年发病率与预测值的平均误差2.479/10万。结论 ARIMA模型能较好地用于该地疟疾发病率的预测。用LST、NDVI调整后预测结果更佳。提示基于GIS/RS技术和时间序列分析法构建的组合预测法可较好地对皖北疟疾发病率作出预测。