La enfermedad de las hojas de Ginkgo representa una grave amenaza para el Ginkgo biloba. La gestión actual de la enfermedad de las hojas de Ginkgo carece de orientación precisa y tecnologías inteligentes. Para proporcionar orientación precisa para la gestión de enfermedades y evaluar la efectividad de las medidas implementadas, el presente estudio propone un nuevo método de predicción de la progresión de la enfermedad (DPP) para el tizón de las hojas de Ginkgo con una arquitectura de traducción de características de múltiples niveles y un módulo de atención espaciotemporal mejorado (eSTA). El método DPP propuesto es capaz de capturar las dependencias espaciotemporales clave de los síntomas de la enfermedad en varios niveles de características. Los experimentos demostraron que el método DPP logra un rendimiento de predicción de vanguardia en la predicción de la progresión de la enfermedad. En comparación con el método de aprendizaje predictivo espaciotemporal de mejor rendimiento (SimVP + TAU), nuestro método redujo significativamente el error absoluto medio (MAE) en un 19.95% y el error cuadrático medio (MSE) en un 25.35%. Además, logró un índice de similitud estructural (SSIM) más alto de 0.970 y una relación de señal a ruido de pico (PSNR) superior de 37.746 dB. El método propuesto puede prever con precisión la progresión del tizón de las hojas de Ginkgo en gran medida, lo que se espera que proporcione valiosas ideas para la gestión de enfermedades precisa e inteligente. Además, este estudio presenta una nueva perspectiva para la extensa investigación sobre la predicción de enfermedades en plantas.