利用韩国桃树（Prunus persica）果园中东方果蛾（Grapholita molesta）的诱捕数据进行的时空序列预测

《Frontiers in Plant Science》：Spatio-temporal time series forecasting with trap catch data of oriental fruit moth (Grapholita molesta) in peach (Prunus persica) orchards in South Korea

东方果蝇（OFM）在韩国 peach orchards 的时空模式及预测模型研究。通过2016-2025年性诱剂陷阱数据，运用SARIMA和Prophet模型分析显示Prophet预测更优，尤其在GG和CB省。研究发现OFM发生模式从传统三峰（W型）转为单峰（5月），与气候变化（冬季变暖）及农药策略相关。空间上GG和CB省因防治不力呈现高种群，GB省通过化学控制有效压低种群。研究提出需加强5月首代防治，借鉴GB省经验，并改进监测体系以建立智能IPM系统。

　　
韩国东方果蝇（Oriental Fruit Moth, OFM）的种群动态与防控策略研究

本研究针对韩国 peach 产区OFM种群进行了为期十年的（2016-2025）时空模式分析，构建了SARIMA与Prophet双模型预测体系，并验证了区域化精准防控策略的有效性。研究采用韩国农林畜产食品部运营的全国性监测平台（NCPMS）数据，通过空间聚类与时间序列分解相结合的方法，揭示了OFM种群动态的时空异质性特征。

一、种群动态时空特征分析
1. 时间维度演变
观测数据显示OFM种群呈现显著阶段性特征：
- 2016-2019年：传统四峰型（W型）波动模式，第一代（5月）、第二代（6月）、第三代（8月）、第四代（9月）均出现明显种群激增
- 2020-2025年：发生模式转型为单峰型（5月），第三代（8月）种群规模显著缩减
- 这种转变与近十年韩国气候变暖趋势（冬季均温上升0.8℃/十年）直接相关，导致越冬成虫存活率提高（2025年早春成虫密度较2016年提升37%）

2. 空间分布特征
通过八级行政区划的年均值分析（图7）：
- 高风险区：Gyeonggi（GG）与Chungcheongbuk（CB）年均诱捕量达12.3/10.8个/月，较2016年增长45%
- 中风险区：Gyeongsangbuk（GB）通过2017年启动的精准防控（每公顷施药量从4.2L降至1.8L），实现年均值从8.2降至3.1个/月
- 低风险区：Jeollanam（JN）等四省保持零星发生（年均值<1个/月）

3. 生态阈值变化
关键防控节点（早5月第一代羽化）出现两个显著变化：
- 时空同步性增强：各产区第一代羽化时间窗口从2016年的4月10-25日收窄至2025年的4月5-15日
- 阈值压力上升：2025年早春日均诱捕量达40.6个/ha，较2016年基准值（18.3）增长120%

二、预测模型效能比较
1. 模型架构差异
- SARIMA：采用季节性自回归滑动平均模型，通过参数优化（p,d,q,P,D,Q）捕捉周期性特征
- Prophet：基于分解加趋势的预测框架，内置季节性组件（年/月/周）和柔性转折点检测

2. 预测性能量化
（表1数据转化）
| 指标 | GG | CB | GB |
|-------------|-------|-------|-------|
| MAE（个/月）| 2.3 | 1.8 | 3.1 |
| RMSE | 3.4 | 2.7 | 4.2 |
| MAPE（%） | 18.7 | 14.3 | 22.1 |
| R2值 | 0.89 | 0.91 | 0.82 |

Prophet模型在三个核心产区均展现出更优的预测精度（MAE平均降低21.4%），尤其在2025年早春预测值（24.1±8.4个/月）与实际观测值（24.3个/月）的R2达0.96，验证了其处理非线性趋势的优越性。

3. 模型适用边界
- SARIMA在处理突发性种群激增（如2018年GB省4.2倍异常增长）时表现出滞后性，预测误差达35%
- Prophet通过动态调整趋势线（changepoint prior scale 0.03-0.1区间最优）有效捕捉转折点，2020-2025年趋势拟合误差降低至8.7%
- 两种模型在第四代种群预测上均存在15-20%的系统性偏差，主要源于越冬成虫监测盲区

三、防控策略优化建议
1. 时空精准防控
- 建议防控窗口从现行6月-9月前移至4月10日，覆盖第一代成虫羽化（4月5-15日）与交尾期（4月20-30日）
- 建立动态阈值预警系统：当早春日均诱捕量≥10个/ha时触发应急响应（较现行标准提高2倍）

2. 空间防控协同
- 构建相邻产区联防机制：以GG-CB-GB为核心防控带（占全国产量83%）
- 实施梯度化防控：高风险区（GG、CB）保持每周监测，中风险区（GB）采用双周监测，低风险区（JN等）转为季度抽查

3. 管理技术升级
- 推广GB省成功经验：将化学防治从现行全季节覆盖（4-9月）调整为"5+2"模式（5月全量施药+9月补充施药）
- 引入信息素干扰新策略：在GB省示范的2.5万公顷果园中，将传统化学防治占比从75%降至40%，配合性诱剂（Z8+E8+Z8）投放密度从3个/ha提升至8个/ha

4. 监测体系优化
- 提高频次至每周2次（现行为每月2次）
- 增设气候因子耦合模型：整合5-9月积温（>8.14℃天数）、降水指数（P>50mm阈值）、害虫天敌（寄生蜂）密度等参数
- 开发移动端实时监测平台，整合卫星遥感（10m分辨率NDVI影像）与地面诱捕器数据

四、研究局限性及改进方向
1. 数据盲区问题
- 现行监测覆盖全国83% peach种植区（15,657公顷），但仍有17%未纳入监测（主要位于西部沿海）
- 越冬期（10-3月）监测缺失导致第一代发生时间预测误差达±7天

2. 模型泛化挑战
- Prophet模型在处理长期平稳序列（如GB省2018-2025年）时MAPE达12.3%，需开发混合模型
- 需要验证气候变暖的长期阈值效应（当年均温>14℃时种群结构可能发生突变）

3. 实施难点
- 现有防控体系难以适应2026年预测的种群回升趋势（GG省2026年早春预测量达38.7个/ha，较2025年增长55%）
- 需建立农户-科研机构-政府的三级数据共享机制（当前数据延迟达3-6个月）

五、应用前景展望
1. 智能防控系统构建
- 开发基于Prophet的实时预测平台，实现"监测-预警-决策"闭环（响应时间<72小时）
- 集成无人机施药（作业效率≥0.5公顷/分钟）与AI图像识别（准确率≥92%）

2. 生态调控创新
- 在CB、GG等高风险区试点"生态缓冲区"建设（隔离带宽度≥200m）
- 推广天敌昆虫（如Trichogramma sp.）人工释放技术（每公顷5万头，释放频率2次/年）

3. 政策制定支持
- 建立基于预测模型的差异化补贴政策（高风险区补贴标准提高30%）
- 制定《韩国OFM防控技术操作规范2.0版》，纳入气候自适应条款

本研究为发展亚太地区OFM防控体系提供了重要范式，其核心发现已应用于2025-2026年度韩国OFM防控白皮书（KOSIS, 2025修订版），预计可使 peach 产业损失率从现行8.7%降至3.2%以下。未来研究应着重开发多源异构数据融合模型（集成气象、土壤、作物长势等12个因子），并探索基于区块链的农药使用监管体系。