当数字意味着金钱：在高密度芒果种植园中进行精准害虫采样

《Journal of Applied Entomology》：When Numbers Mean Money: Pest Precision Sampling in High-Density Mango Crops

芒果高密度种植中，通过评估枝条位置（内/外部）和采样数量（12-32株/公顷），发现第二 vegetative flush（植物营养生长期）的害虫（红蜘蛛、粉虱）数量显著高于第一 flush（p<0.0001），但不同采样数量对种群估计无差异。基于成本效益分析，推荐12株/公顷采样方案，节省时间50.2%和成本1.13美元/公顷，模型准确率>78%，Kappa系数0.38-0.92。

　　在现代农业生产中，虫害监测对于实施综合害虫管理系统（IPM）至关重要。虫害监测不仅有助于评估害虫种群密度，还能为适时采取控制措施提供科学依据，从而减少不必要的农药使用，降低生产成本，同时提高作物产量并减少对环境的影响。本研究聚焦于巴西高密度芒果种植园中主要害虫的监测计划开发，重点分析了采样点在树冠内部与外部位置对害虫种群评估的影响，以及每公顷采样植物数量对监测效率和经济性的作用。研究结果表明，在高密度芒果种植条件下，基于第二营养生长枝进行采样可以有效评估红蜘蛛和蓟马等害虫的种群密度，且每公顷12株植物的采样方案在成本和准确性之间达到了最佳平衡。

研究背景显示，巴西是全球主要的芒果生产国之一，其芒果种植业在高密度栽培模式下迅速发展。这种模式通过增加单位面积内的植株数量，提高了产量，但也改变了果园的微气候环境，导致湿度增加、温度降低和光照减弱。这些变化为某些害虫的繁殖和扩散提供了有利条件，尤其是红蜘蛛和蓟马等。传统的害虫监测方法在某些情况下可能不再适用，因此需要更高效、经济且科学的监测策略。尽管近年来技术进步为害虫监测带来了新的可能性，如无人机遥感和人工智能辅助的自动诱捕器，但这些技术在许多害虫种类上的应用数据仍不充分。此外，这些先进技术的高成本也可能成为小规模种植者的障碍。因此，研究者提出了一种基于机器学习的监测方案，以期在保持科学性的同时，提高实际应用的可行性。

在实验设计方面，研究者选择在巴西东北部的塞拉多地区（Cura?á, Bahia）进行实地测试，该地区是芒果生产的重要区域。实验区域占地3公顷，采用高密度种植模式，种植品种为“Palmer”芒果。该品种因其产量高、果实品质优良而广泛种植。实验采用了6种不同的采样密度方案，每公顷12、16、20、24、28和32株植物，并在两个收获周期内进行监测。监测周期覆盖了花芽诱导、开花、坐果、果实发育和收获等关键阶段。采样过程中，研究人员采用了“之”字形行走路径，以确保覆盖整个实验区域。在每株植物上，分别从第一和第二营养生长枝中采集样本，其中第二营养生长枝位于树冠外部，第一营养生长枝位于树冠内部。采样高度控制在1.5至2.0米之间，以确保样本的代表性。对于蓟马的采样，采用白盘进行三次敲击，以收集虫体；而对于红蜘蛛，则通过视觉评估进行计数。实验过程中，研究人员还对采样数据进行了详细的分类和统计分析。

实验结果显示，在2022年的第一次收获中，第二营养生长枝的红蜘蛛和蓟马种群密度显著高于第一营养生长枝（p=6.626e-14）。然而，在2023年的第二次收获中，这种差异不再明显（p=0.1419）。这表明，不同生长阶段对害虫分布的影响可能不同。此外，随着采样密度从12株/公顷增加到32株/公顷，红蜘蛛和蓟马的种群密度变化并不显著。这表明，即使在较高的采样密度下，虫害种群的估计结果仍保持一致。因此，研究者建议采用每公顷12株植物的采样方案，既能够提供准确的虫害数据，又能在成本上实现优化。与传统方法相比，每公顷12株植物的采样方案所需时间仅为26.5分钟，劳动成本为1.12美元，相比农场现行标准（每公顷10株植物）的采样方案节省了约1.13美元。这不仅提高了监测效率，还显著降低了生产成本，为种植者提供了更具经济可行性的解决方案。

在数据分析方面，研究者采用了监督式机器学习模型，结合统计方法对虫害数据进行了处理。该模型使用二项分布对数据进行分类，以判断害虫是否出现，并通过混淆矩阵评估模型的预测准确性。模型的准确率在90%以上，Kappa值在0.78至0.92之间，表明模型在预测害虫种群密度方面具有较高的可靠性。同时，研究者还使用了负二项分布对虫害数量进行建模，以处理数据中的过分散现象。这种方法在统计学中常用于处理计数数据，尤其是在数据中存在较大的变异时。通过比较不同采样密度下的模型表现，研究者发现每公顷12株植物的采样方案在准确性和成本之间达到了最佳平衡。此外，实验还发现，不同采样点之间的虫害种群密度存在显著差异，尤其是在2022年的第一次收获中，树冠外部的第二营养生长枝显示出更高的虫害发生率。这一结果可能与当年的降雨量和光照条件有关，因为较高的降雨量可能促进了营养生长枝的生长，从而为害虫提供了更多的栖息和繁殖空间。

研究还探讨了不同采样密度对监测效率和成本的影响。随着采样密度的增加，所需时间和劳动成本也相应上升。例如，每公顷32株植物的采样方案需要58.5分钟，劳动成本为2.48美元，而每公顷12株植物的方案仅需26.5分钟，劳动成本为1.12美元。这表明，采样密度与成本之间存在正相关关系，因此在实际应用中，需要在准确性和经济性之间找到合适的平衡点。研究者建议采用每公顷12株植物的采样方案，因为它在提供足够数据的同时，显著降低了监测成本。此外，该方案还能够减少不必要的采样工作，从而提高整体管理效率。

在讨论部分，研究者指出，红蜘蛛和蓟马的高发生率可能与微气候条件的变化密切相关。例如，树冠外部的第二营养生长枝由于光照充足，可能更有利于害虫的生长和繁殖。而在树冠内部，由于光照不足，可能不利于害虫的活动。此外，研究者还提到，高密度种植可能导致害虫种群的聚集效应，即害虫更倾向于在特定区域集中分布，而不是均匀分布在整个果园中。这种聚集效应可能影响采样策略的有效性，因此需要在采样点的选择和数量上进行优化。实验结果表明，即使在较高的采样密度下，虫害种群的估计结果仍保持稳定，这可能意味着在高密度种植条件下，虫害的分布模式具有一定的规律性，可以被科学地预测和管理。

研究还强调了机器学习在害虫监测中的重要性。传统的统计方法在处理非正态分布数据时可能存在局限性，而机器学习模型能够更准确地识别数据中的模式，提高预测的可靠性。例如，监督式机器学习模型在本研究中表现出较高的准确率和Kappa值，表明其在预测害虫种群密度方面具有显著优势。此外，研究者指出，随着数据量的增加，机器学习模型能够更有效地处理大量数据，提供更全面的虫害信息。这为未来害虫监测技术的发展提供了新的思路，即结合人工智能和大数据分析，实现更智能化、自动化的虫害管理。

在实际应用中，本研究提出的采样方案具有较强的推广价值。首先，该方案适用于高密度芒果种植园，能够在不影响作物生长的情况下，提供可靠的虫害数据。其次，该方案的采样点数量较少，能够减少劳动时间和成本，提高监测效率。最后，该方案还能够适应不同生长阶段的虫害监测需求，从而为种植者提供灵活的管理工具。研究者还提到，该方案在巴西的芒果种植业中具有较高的经济可行性，因为当前的虫害监测标准每公顷仅需10株植物，而新的方案在保证数据准确性的同时，能够节省约40%的采样点数量，从而大幅降低监测成本。

研究的局限性在于，实验数据主要基于“Palmer”品种的芒果种植园，而其他品种如“Tommy Atkins”、“Kent”和“Keit”可能在虫害分布模式上有所不同。因此，未来的研究可以进一步探讨不同品种对虫害监测的影响，以确保方案的广泛适用性。此外，研究仅关注了红蜘蛛和蓟马两种害虫，而其他可能存在的害虫种类，如果蝇，尚未被纳入分析范围。因此，未来的监测计划可以扩展到更多害虫种类，以提供更全面的虫害管理建议。同时，研究还提到，不同气候条件和地理区域可能对虫害的发生和分布产生影响，因此需要在不同环境下进行更多的实验，以验证采样方案的适用性。

综上所述，本研究为巴西高密度芒果种植园提供了一种经济、高效的虫害监测方案。通过分析采样点位置和数量对虫害评估的影响，研究者发现，基于第二营养生长枝的采样策略能够有效反映害虫种群密度，而每公顷12株植物的采样方案在成本和准确性之间达到了最佳平衡。这一成果不仅有助于提高芒果种植业的虫害管理水平，还为推广可持续农业实践提供了科学依据。未来，随着技术的进步和数据的积累，虫害监测方案有望进一步优化，以适应不同种植条件和害虫种类的需求。