“智能农业：利用机器学习算法，基于气候因素对玉米田中草地贪夜蛾种群进行建模与预测的方法”

《Frontiers in Plant Science》：“Smart agriculture: a climate-driven approach to modelling and forecasting fall armyworm populations in maize using machine learning algorithms”

研究基于印度Hyderabad地区2019-2024年玉米田斜纹夜蛾性诱剂陷阱数据及气象数据，构建并比较了INGARCHX、SVRX和ANNX三种预测模型。结果显示ANNX模型（人工神经网络结合气象变量）在训练集（MSE=0.42, RMSE=0.65）和测试集（MSE=25.13, RMSE=5.01）均显著优于其他模型，且通过Diebold-Mariano检验验证了其统计显著性。该模型能提前一周预测斜纹夜蛾种群激增，准确率达80%，为精准防控提供科学依据。

　　### 科学解读：基于气候变量的草地贪夜蛾爆发预测模型研究

草地贪夜蛾（*Spodoptera frugiperda*）是一种极具破坏性的害虫，因其快速的生命周期、广泛的寄主范围以及强大的扩散能力，对全球玉米生产构成了严重威胁。该虫害不仅影响农作物的产量，还对粮食安全产生深远影响。近年来，草地贪夜蛾在印度的传播速度显著加快，自2018年首次被发现以来，已经威胁到几乎90%的玉米种植区域。这种害虫的高机动性，使得其能够借助风力飞行超过500公里，而其可寄生的植物种类也超过350种，进一步加剧了其对农业系统的危害。

随着气候变化对生态系统和农业环境的影响日益显著，草地贪夜蛾的管理变得更加复杂。温度、降雨量以及二氧化碳浓度等因素直接影响其繁殖、发育和迁移行为。例如，气温每上升1.5°C，可能使超过35°C的高温日数增加45%-58%，这不仅扩大了其适宜生存的区域，还加快了其世代更替的速度。因此，如何有效预测草地贪夜蛾的种群变化，成为当前农业科学研究的重点。

在印度，尽管已经开发了多种综合害虫管理（IPM）策略，但化学防治仍然是应对草地贪夜蛾的主要手段。然而，这种依赖化学农药的方式不仅增加了农业生产成本，还对生态环境和食品安全造成潜在威胁。此外，气候变化对害虫与寄主、环境之间的相互作用产生了深刻影响，使得传统的预测方法难以准确捕捉草地贪夜蛾的种群动态。因此，开发基于气候变量的新型预测模型，对于实现精准的害虫防控和可持续农业管理具有重要意义。

### 研究方法与数据来源

本研究选择在印度特伦甘纳邦海得拉巴市的Rajendranagar农业研究站开展，该地区属于印度南方农业气候区，具有典型的半干旱热带气候特征，年平均气温约为22°C。研究采用固定地块的实验方法，覆盖8000平方米的试验田，每季种植两个4000平方米的玉米地块，使用DHM 117玉米品种，间距为60厘米×20厘米。研究过程中，未采取任何害虫控制措施，以确保草地贪夜蛾的自然发生情况。

为了监测草地贪夜蛾的种群动态，研究团队在田间安装了8个捕虫器，每个捕虫器覆盖1000平方米。捕虫器使用慢释放的NBAIR信息素诱捕器，以确保捕获数据的准确性。捕虫工作从玉米出苗后的第七天（V2阶段）开始，持续至玉米成熟期。每四周更换一次诱捕器，以保证数据的连续性和可靠性。捕虫数据被记录为每日数据，并最终汇总为每周的平均值。

此外，研究还收集了与草地贪夜蛾活动密切相关的气象数据，包括最高温度（MaxT）、最低温度（MinT）、早晨相对湿度（RHM）、傍晚相对湿度（RHE）和降雨量（RF）。所有气象数据均采用标准气象周（SMW）进行归一化处理，并通过自动气象站获取。这些数据被用于构建预测模型，并与草地贪夜蛾的捕虫数据进行关联分析。

在模型构建过程中，研究团队采用了三种主要方法：**INGARCHX模型**、**SVRX模型**和**ANNX模型**。这些模型分别代表了统计建模、支持向量回归（SVR）和人工神经网络（ANN）的最新发展。通过对比这些模型的预测性能，研究旨在找到最适合印度南方农业区草地贪夜蛾种群预测的方法。

### 模型性能分析

在训练阶段，**ANNX模型**表现最佳，其均方误差（MSE）为0.42，均方根误差（RMSE）为0.65。相比之下，SVRX模型的MSE为7.29，RMSE为2.70，而INGARCHX模型的MSE为2.91，RMSE为1.70。这表明，ANNX模型在训练数据上的预测精度远高于其他两种模型。

在测试阶段，ANNX模型继续表现出卓越的性能，其MSE为25.13，RMSE为5.01。而SVRX模型的MSE为34.07，RMSE为5.84，INGARCHX模型的MSE为48.90，RMSE为6.99。测试结果进一步验证了ANNX模型在面对新数据时的泛化能力。通过Diebold-Mariano检验，研究团队发现ANNX模型在预测性能上与SVRX和INGARCHX模型之间存在显著差异，且在5%的显著性水平下具有统计学意义。

### 模型对比与性能评估

从模型性能来看，**ANNX模型**在训练和测试数据中均表现最优，这与其能够捕捉非线性关系、处理离散数据的特性密切相关。与传统的统计模型（如INGARCHX）相比，ANNX模型在结构上更加灵活，能够通过多次迭代优化模型参数，从而更好地适应复杂、多变的农业环境。此外，ANNX模型能够将气候变量（如降雨量、相对湿度、温度）与草地贪夜蛾的种群动态相结合，从而提高预测的准确性。

相比之下，**SVRX模型**虽然能够通过核函数捕捉非线性关系，但在实际应用中表现出一定的局限性。例如，SVRX模型在测试数据中的误差较高，且其残差中仍存在显著的自相关性，这表明该模型未能完全捕捉草地贪夜蛾的种群动态。此外，SVRX模型对超参数（如成本参数C、核函数带宽γ和误差容忍度ε）的敏感性，使其在实际应用中需要更多的调参工作，增加了模型构建的复杂性。

**INGARCHX模型**虽然在处理离散时间序列数据方面具有优势，但其基于泊松分布或负二项分布的假设，可能无法充分反映草地贪夜蛾种群的高变异性和复杂性。此外，INGARCHX模型的线性结构限制了其对气候变量与害虫活动之间非线性关系的捕捉能力，导致其在测试数据中的表现相对较弱。

### 气候变量对草地贪夜蛾的影响

通过描述性统计分析和相关性研究，研究团队发现，气候变量在草地贪夜蛾的种群变化中扮演着重要角色。例如，草地贪夜蛾的捕虫量与最高温度（MaxT）和最低温度（MinT）呈显著负相关，表明高温和低温均可能抑制其活动。同时，降雨量（RF）与草地贪夜蛾的捕虫量也存在负相关，说明降雨可能影响其成虫的活动或幼虫的存活率。而早晨相对湿度（RHM）与草地贪夜蛾的捕虫量呈弱正相关，表明湿度较高时，草地贪夜蛾的活动可能增强。

值得注意的是，草地贪夜蛾的种群变化并非单一变量驱动，而是多种气候因素共同作用的结果。因此，模型需要综合考虑多个变量，以提高预测的准确性。此外，研究团队通过逐步回归分析进一步验证了这些变量对草地贪夜蛾种群的影响，发现MaxT、RF和RHE对草地贪夜蛾的捕虫量具有显著的预测作用。

### 研究意义与应用前景

本研究的成果具有重要的实践意义。通过开发基于气候变量的预测模型，研究人员能够为农民提供及时、精准的害虫预警，从而采取有效的防控措施。例如，根据模型预测结果，农民可以优化灌溉时间、调整农药施用频率，以及选择抗虫品种，以最大程度地减少草地贪夜蛾对玉米产量的影响。此外，该模型还可作为农业决策支持系统的一部分，为政策制定者提供科学依据，以制定更有效的害虫管理策略。

在印度，针对草地贪夜蛾的预测研究相对较少，尤其是在本地化的气候条件下。因此，本研究不仅填补了这一领域的研究空白，还为印度农业害虫管理提供了新的思路。通过将气候数据与机器学习技术相结合，研究人员开发出了一种可靠且高效的预测工具，能够提前一周预测草地贪夜蛾的种群变化，为农业可持续发展提供了技术支持。

### 模型的实际应用与推广

本研究的ANNX模型已被证明具有较高的预测精度和泛化能力，尤其适用于印度南方农业区的草地贪夜蛾种群预测。由于其能够捕捉非线性关系和复杂模式，ANNX模型在处理非高斯分布的数据时表现出色，这在农业害虫预测中尤为重要。此外，该模型的残差表现出随机性和无自相关性，表明其在统计学上具有良好的有效性。

研究团队还指出，机器学习方法在农业预测领域具有广阔的应用前景。例如，类似的研究已经表明，ANN模型在预测水稻稻瘟病、甘蔗螟虫等害虫种群变化方面表现出色。因此，将ANNX模型推广至其他农业害虫的预测工作中，可能具有重要意义。此外，研究团队建议，农业咨询服务机构可以利用ANNX模型的预测结果，为农民提供简明易懂的建议，如何时施药、如何调整种植策略等，从而提高害虫防控的效率。

### 结论与展望

综上所述，本研究通过结合气候变量和先进的机器学习技术，成功开发出了一种可靠的草地贪夜蛾种群预测模型。该模型在训练和测试数据中均表现出优异的性能，特别是在面对复杂、非线性的农业数据时，其预测精度远高于传统的统计模型。研究结果表明，基于ANN的模型在农业害虫预测中具有显著优势，能够更准确地捕捉种群变化的动态特性。

未来的研究可以进一步拓展该模型的应用范围，例如将其应用于其他作物和害虫的预测工作中，或者结合更多的环境变量（如土壤类型、病虫害历史数据等）以提高预测的全面性。此外，研究团队建议，应加强与农业政策制定者和农民的沟通，将模型预测结果转化为具体的管理措施，以实现农业生产的可持续发展。通过持续的技术优化和数据积累，基于机器学习的草地贪夜蛾预测模型有望成为农业害虫管理的重要工具，为全球粮食安全提供有力保障。