模拟沙漠蝗虫种群动态：一种基于气候驱动的机器学习方法

《Ecological Modelling》：Modeling desert locust population dynamics: A climate driven approach using machine learning

沙漠蝗虫动态研究整合了温度和降雨驱动的机器学习预测，建立非线性微分方程模型分析生态平衡，揭示植被反馈和群居行为对爆发的影响，验证模型与埃塞俄比亚实际数据吻合，提出气候智能预警策略。

　　沙漠蝗虫（*Schistocerca gregaria*）是一种极具破坏性的迁徙害虫，其群体能够严重破坏植被、农作物和牧场，对干旱和半干旱地区的粮食安全构成威胁。2019年至2022年间，埃塞俄比亚的阿法尔地区曾爆发大规模蝗灾，这促使研究团队开发了一种结合气候驱动的数学模型与机器学习技术的混合模型，以更全面地模拟蝗虫种群动态及其与环境的相互作用。

该模型通过非线性微分方程系统描述了蝗虫种群的发育、生存和密度驱动的相变过程。具体而言，模型考虑了温度和降雨对蝗虫发育速度的影响，植被对蝗虫存活的调节作用，以及密度变化引发的独居型与群居型之间的相变。为了提高模型的准确性，研究团队利用长短期记忆（LSTM）网络预测每日温度变化，使用极端梯度提升（XGBoost）算法预测月度降雨量。这些气候预测模型基于卫星遥感和地面观测数据进行训练和验证，确保其对实际环境变化的响应能力。

模型分析结果表明，在自主环境下，存在三种生态上有意义的平衡状态：（1）灭绝状态，始终不稳定；（2）无蝗虫平衡状态，当基本繁殖数小于1时，局部稳定；（3）共存平衡状态，当基本繁殖数大于1时，稳定。这一发现揭示了蝗虫种群在不同环境条件下可能的动态变化，为预测蝗灾的爆发提供了理论依据。通过模拟适应的气候数据，研究团队再现了与联合国粮食及农业组织（FAO）蝗虫监测报告一致的蝗灾动态，指出温度在25至35摄氏度之间、降雨量在40至100毫米/月时，会促进植被生长，降低蝗虫死亡率，并加速种群数量增长，从而引发群体形成。

敏感性分析进一步表明，植被在调节蝗虫死亡率方面起着核心作用。当植被量较低时，蝗虫的存活时间延长，且蝗灾的规模和影响也更大。这表明，植被不仅影响蝗虫的生存条件，还在其种群动态中扮演着关键角色。研究团队通过引入机器学习增强的气候预测与生物学基础的建模方法，构建了一个具有预测能力的数据驱动工具，为早期预警、风险地图绘制以及基于气候的干预策略提供了支持，从而推动可持续的沙漠蝗虫管理。

在引入模型之前，已有大量研究探讨了沙漠蝗虫的生态和生理特性。传统的数学模型主要通过理想化的种群动态假设来区分独居型和群居型蝗虫的生长模式（Cheke, 1978; Farrow and Longstaff, 1986）。随后，研究者引入了密度依赖和分岔理论框架，用于分析相变现象（Holt and Cheke, 1996），并提出了基于化学反应的模拟方法，将群居化过程视为可逆的转变（Hassanali et al., 2005）。近年来，研究者进一步扩展了相变机制，使用结构化种群模型，包括年龄结构模型和环境反馈机制，以研究独居型与群居型之间的转换（Akimenko and Piou, 2018; Cheke et al., 2014）。此外，还有一种研究将温度作为主要变量，揭示了温度波动如何影响蝗虫的发育时间、繁殖和死亡率，从而调节蝗灾风险（Mamo et al., 2025a）。另一项研究则引入了降雨驱动的相变模型和阶段特异性控制措施，强调了气候变率与针对性干预措施如何共同塑造蝗灾的潜在发展和控制效率（Mamo et al., 2025b）。

在模拟蝗虫群体形成和迁徙方面，研究者采用了基于智能体的模型和连续模型，将局部互动规则与群体层面的对齐和资源追踪相结合（Topaz et al., 2012; Bernoff et al., 2020）。此外，Georgiou等人（2021, 2022）研究了资源异质性下的觅食响应，为理解蝗虫在不同环境条件下的行为提供了新视角。最近，Retkute等人（2024）提出了一个大规模的随机模型框架，结合气候、栖息地和种群动态，以预测跨大陆的蝗灾迁移路径，为实际操作的早期预警系统提供了重要进展。

尽管已有大量研究关注沙漠蝗虫的生态动态，但传统的建模方法仍存在显著局限。首先，大多数数学模型要么完全忽略气候因素，要么仅通过静态或线性项间接考虑，无法准确捕捉温度和降雨对蝗虫整个生命周期中各发育阶段的非线性影响（Cheke, 1978; Holt and Cheke, 1996; Akimenko and Piou, 2018）。其次，相变机制（即独居型与群居型之间的转换）通常以启发式方法建模，缺乏将环境线索与密度依赖行为变化之间的联系（Hassanali et al., 2005; Topaz et al., 2012）。第三，尽管近年来已有研究将模型与土壤湿度和遥感数据结合（Piou et al., 2019; Meynard et al., 2017），但这些模型通常缺乏气候、植被和种群动态之间的动态反馈机制（Pener and Simpson, 2009; Mamo and Bedane, 2021a），且未明确考虑温度响应和降雨触发的植被生长在各蝗虫阶段中的作用。此外，Mamo和Bedane（2021a, 2021b）提出了一些控制导向模型，用于评估蝗虫侵害和干预时机对作物产量的影响，但这些模型缺乏对气候敏感的种群结构和环境驱动因素的整合。

与此同时，数据驱动的机器学习方法在预测蝗虫繁殖区和栖息地适宜性方面也取得了进展（Kimathi et al., 2020; Zhang et al., 2019; Piou and Marescot, 2023）。然而，这些模型主要关注空间映射任务，很少考虑阶段或相变特异性种群动态，且通常忽略生态反馈机制。因此，它们在解释蝗灾的爆发、发展和衰减过程方面具有一定的局限性。

本研究提出的混合气候驱动模型，将生物学机制与数据驱动的气候预测相结合，以更精确地模拟蝗虫种群动态。该模型不仅考虑了温度和降雨对蝗虫发育速度的影响，还引入了植被对蝗虫存活的调节作用，以及密度变化引发的相变过程。此外，研究团队采用LSTM网络预测每日温度变化，XGBoost算法预测月度降雨量，以增强模型对实际气候条件的适应能力。这种结合方式不仅提高了模型的预测精度，还为蝗灾的早期预警和干预策略提供了科学依据。

本研究的结构如下：第二部分介绍了气候驱动模型的构建，包括生物结构和气候输入的生成；第三部分分析了自主模型，推导了平衡状态和稳定性条件；第四部分通过埃塞俄比亚阿姆巴拉地区的数据进行数值模拟，并将模型预测结果与实地观测进行比较；第五部分讨论了研究的关键发现、模型的应用价值、局限性以及未来研究方向。最后，第五部分总结了本研究的成果。

在模型构建过程中，研究团队首先明确了沙漠蝗虫种群动态的主要环境驱动因素，包括温度、降雨和植被的可用性。这些因素不仅影响蝗虫的繁殖、发育和死亡率，还在其密度变化过程中引发独居型与群居型之间的相变。为了准确模拟这些复杂的生态过程，研究团队设计了一个气候调节的分室模型，该模型通过非线性微分方程系统整合了生物学和生态反馈机制。具体而言，模型中引入了非线性的环境响应曲线，以更真实地反映温度和降雨对蝗虫不同发育阶段（如卵、若虫、群集、独居型和群居型成虫）的影响。此外，模型还考虑了植被对蝗虫存活的调节作用，通过动态反馈机制连接气候、食物供应和生存条件。相变过程则通过密度和气候响应的切换函数进行建模，以更精确地模拟蝗虫在不同环境条件下的行为变化。

为了提高模型的准确性，研究团队利用LSTM网络预测每日温度变化，并采用XGBoost算法预测月度降雨量。这些机器学习模型基于历史卫星和再分析数据进行训练，并通过埃塞俄比亚的地面观测数据进行验证，以确保其对实际气候条件的适应能力。通过将这些气候预测与蝗虫种群动态模型相结合，研究团队构建了一个具有预测能力的数据驱动工具，为蝗灾的早期预警、风险地图绘制以及基于气候的干预策略提供了支持。

在模型分析过程中，研究团队首先考虑了自主模型，即假设环境条件为常数的模型版本。这种模型允许研究者在没有外部气候波动的情况下，研究蝗虫种群的内在生态和生理动态。具体而言，所有依赖于气候的函数（如繁殖率、死亡率、相变函数等）被替换为相应的常数参数，从而形成一个自主的非线性常微分方程系统。通过分析该系统，研究团队推导了三种平衡状态：灭绝状态、无蝗虫平衡状态和共存平衡状态。灭绝状态始终不稳定，而无蝗虫平衡状态在基本繁殖数小于1时局部稳定，共存平衡状态在基本繁殖数大于1时稳定。这一发现为理解蝗虫种群在不同环境条件下的动态变化提供了理论依据。

在机器学习增强的气候驱动模型分析中，研究团队结合了基于机器学习的气候预测与蝗虫种群动态模型。分析重点在于温度和降雨作为主要环境驱动因素的影响。研究团队使用埃塞俄比亚阿法尔地区（2018–2022年）的历史气候数据进行训练和验证，这些数据包括每日温度和月度降雨量。通过LSTM网络和XGBoost算法的结合，研究团队能够更准确地预测蝗虫种群的动态变化，并将其与实地观测数据进行比较，以验证模型的有效性。

研究团队的分析结果表明，温度在25至35摄氏度之间、降雨量在40至100毫米/月时，会促进植被生长，降低蝗虫死亡率，并加速种群数量增长，从而引发群体形成。这一发现为理解蝗灾的爆发机制提供了新的视角，表明在适宜的气候条件下，蝗虫种群可能迅速增长并形成大规模群体。此外，敏感性分析进一步揭示了植被在调节蝗虫死亡率方面的重要性。当植被量较低时，蝗虫的存活时间延长，且蝗灾的规模和影响也更大。这表明，植被不仅影响蝗虫的生存条件，还在其种群动态中扮演着关键角色。

研究团队还探讨了气候、植被和种群动态之间的相互作用。通过将机器学习增强的气候预测与生物学基础的模型相结合，研究团队构建了一个能够模拟非线性生态动态的混合模型。这种模型不仅能够预测蝗灾的爆发和发展，还能够模拟群体形成和迁徙过程。此外，该模型还考虑了蝗虫种群在不同环境条件下的相变机制，以更精确地反映其行为变化。通过这种方式，研究团队能够更全面地理解蝗虫种群动态的复杂性，并为实际的蝗灾管理提供科学依据。

在讨论和结论部分，研究团队总结了本研究的关键发现和模型的应用价值。他们指出，本研究提出的混合模型框架为理解沙漠蝗虫种群动态提供了一个新的视角，并能够更准确地预测蝗灾的爆发和发展。通过结合机器学习增强的气候预测与生物学基础的建模方法，该模型不仅提高了预测精度，还为早期预警、风险地图绘制和基于气候的干预策略提供了支持。此外，研究团队还讨论了模型的局限性，指出尽管该模型在模拟蝗虫种群动态方面取得了进展，但仍存在一些需要进一步研究的问题，例如如何更精确地模拟不同环境条件下的相变机制，以及如何将模型扩展到更广泛的地理区域。

本研究的成果表明，沙漠蝗虫的种群动态不仅受到气候条件的影响，还与植被的可用性和蝗虫的行为变化密切相关。通过构建一个整合气候预测和生物学机制的混合模型，研究团队为蝗灾的预测和管理提供了一个新的工具。这种工具不仅能够帮助决策者更好地理解蝗灾的爆发机制，还能够为制定有效的干预策略提供科学依据。此外，该模型还能够支持基于数据的早期预警系统，为全球范围内的蝗灾管理提供重要的参考。

研究团队还指出，未来的研究方向包括进一步优化模型的预测能力，以更精确地模拟不同环境条件下的蝗虫种群动态。此外，研究团队还建议将模型扩展到更广泛的地理区域，以提高其适用性和预测能力。他们还强调，需要进一步研究蝗虫种群在不同环境条件下的相变机制，以更全面地理解其行为变化。通过这些研究，可以进一步提高模型的预测精度，并为实际的蝗灾管理提供更有效的工具。

总的来说，本研究提出的混合模型框架为沙漠蝗虫的预测和管理提供了一个新的视角，并能够更准确地模拟蝗虫种群动态及其与环境的相互作用。通过结合机器学习增强的气候预测与生物学基础的建模方法，该模型不仅提高了预测精度，还为早期预警、风险地图绘制和基于气候的干预策略提供了支持。这种工具能够帮助决策者更好地理解蝗灾的爆发机制，并为制定有效的干预策略提供科学依据。此外，该模型还能够支持基于数据的早期预警系统，为全球范围内的蝗灾管理提供重要的参考。