基于时间序列与机器学习模型揭示人心果害虫损害与疫病的时间动态及其气候驱动机制

本研究整合时间序列模型（ARIMA、SARIMA、VAR）与机器学习方法（Random Forest），系统分析印度马哈拉施特拉邦人心果种植区近十年害虫（芽蛀虫、籽蛀虫）与疫病（Phytophthora）的动态变化，揭示温度、湿度与降雨的关键驱动作用，为气候适应性农业管理提供精准预测工具。

　　

1 引言

人心果（Manilkara zapota L.）作为重要的热带水果作物，广泛种植于印度、墨西哥和东南亚等地区。印度是全球最主要的人心果生产国之一，种植面积约17万公顷，年产量达130万吨。该果实富含维生素、矿物质和膳食纤维，并具有抗氧化和抗炎等药理特性。然而，其生产常受到多种病虫害的严重影响，导致产量和品质下降。

人心果栽培过程中易受多种害虫和病害侵袭，包括芽蛀虫（Anarsia achrasella）、籽蛀虫（Trymalitis margarias）、粉蚧、卷叶虫和蓟马等。其中，芽蛀虫和籽蛀虫以及由疫霉菌（Phytophthora）引起的病害尤为突出。芽蛀虫主要侵害嫩枝和花芽，导致枯萎和脱落，估计可造成30–40%的产量损失；籽蛀虫钻入果实内部取食种子，导致果实脱落和腐烂，造成20–25%的损失；而疫霉菌引发的根腐、颈腐和果腐病害，在适宜气候条件下可导致10–20%的损失，雨季排水不良时损失甚至超过50%。

气候因素在病虫害发生中扮演关键角色。高温、高湿和降雨等气象条件直接影响害虫的种群动态和病原菌的传播与侵染。例如，芽蛀虫的发生与最低温度和蒸发量呈正相关，籽蛀虫在低湿度条件下更易暴发，而疫霉菌则在高温高湿环境中迅速蔓延。因此，深入理解气候变量与病虫害发生之间的复杂关系，对于制定及时、有针对性的管理策略至关重要。

以往研究多集中于单一病虫害的短期观测，缺乏长期、多区域的时序动态分析及预测建模。随着机器学习与时间序列分析方法的发展，利用ARIMA（自回归积分滑动平均）、SARIMA（季节性自回归积分滑动平均）等模型可以更精确地捕捉病虫害发生的季节性和趋势性变化，为农业决策提供科学依据。

2 材料与方法

2.1 研究区域与数据收集

研究覆盖2014年至2022年印度马哈拉施特拉邦21个主要人心果种植区，包括Jalna、Wardha、Amravati等地区，涵盖Vidarbha、Marathwada和Western Maharashtra等农业气候带。数据采集采用标准化田间调查方法，每个果园随机选取4棵树，每棵树按东、南、西、北四个方向观察10个枝条，记录芽蛀虫和籽蛀虫为害情况以及疫病发生程度。

疫病严重度按0–4级标准评估：0级表示无病害，1级为1–20%发病，2级为21–40%，3级为41–60%，4级为61–100%。病害指数（PDI）通过加权公式计算。气象数据包括日最高温、最低温、相对湿度和降雨量，来自印度气象部门（IMD），并按月整合以匹配病虫害观测数据。

2.2 相关性分析

采用Pearson相关系数分析天气变量（最高温、最低温、相对湿度、降雨）与病虫害严重度之间的关系。

2.3 时间序列分析

分别建立ARIMA、SARIMA和VAR（向量自回归）模型，用于预测芽蛀虫损害、籽蛀虫损害和疫病严重度的未来趋势。使用AIC（Akaike信息准则）和BIC（贝叶斯信息准则）进行模型选择，并通过ADF（Augmented Dickey-Fuller）检验验证序列平稳性。CUSUM（累积和）检验用于评估残差的结构稳定性。

2.4 机器学习分析

采用Random Forest（随机森林）算法分析气象变量对病虫害发生的重要性，通过特征重要性评分识别最具影响力的气候因子。

2.5 统计软件与工具

使用R（4.2.2版）和Python（3.10版）进行数据分析与可视化，主要依赖forecast、statsmodels、scikit-learn、Matplotlib和Seaborn等软件包。

3 结果

3.1 病虫害趋势分析

2014–2022年间，芽蛀虫和籽蛀虫损害呈现显著波动，而疫病严重度相对稳定。芽蛀虫损害在5–8月达到高峰，与雨季初期吻合；籽蛀虫则在11月至次年2月（凉爽干燥期）危害最重；疫病在7–9月湿度较高时略有上升。

3.2 相关性分析

芽蛀虫损害与降雨呈强正相关（r = 0.69），与最高温（r = -0.42）和相对湿度（r = -0.41）负相关；籽蛀虫损害与最高温正相关（r = 0.47），与最低温负相关（r = -0.45）；疫病严重度与最低温强正相关（r = 0.64），与相对湿度负相关（r = -0.55），与降雨无显著关联。

3.3 自回归积分滑动平均模型

ARIMA（1,1,1）模型在预测芽蛀虫（MSE = 8.03）和疫病（MSE = 0.20）方面表现最佳，能有效捕捉其时间动态；但对籽蛀虫的预测误差较大（MSE = 20.08）。

3.4 季节性自回归积分滑动平均模型

SARIMA（1,1,1）（1,1,1,12）模型较好地捕捉了芽蛀虫和疫病的季节性波动，其残差通过Ljung–Box Q检验和Jarque–Bera正态性检验，表明白噪声特性，模型拟合良好。

3.5 向量自回归模型

VAR模型在籽蛀虫预测中表现最优（MSE = 17.96），表明籽蛀虫发生受多变量间动态交互作用影响较大。

3.6 模型精度比较

ARIMA对芽蛀虫和疫病的预测最准确，VAR对籽蛀虫预测效果最好，而SARIMA在所有模型中表现居中。CUSUM检验显示所有残差均在控制范围内，无结构突变。

3.7 随机森林分析

Random Forest特征重要性分析表明，最低温是芽蛀虫（48%）和疫病（46%）最重要的驱动因子；相对湿度对籽蛀虫的影响最大（38%），其次是最低温（26%）和降雨（21%）。最高温在各模型中贡献度相对较低。

4 讨论

本研究通过多模型集成分析，揭示了人心果主要病虫害对不同气候变量的响应模式。芽蛀虫和籽蛀虫损害呈现较大年际波动，与降雨和温度变化密切相关；疫病严重度则相对稳定，可能与病原菌在果园中的生态位稳定性有关。

最低温是调控芽蛀虫和疫病发生的关键因子，这与既往研究一致，例如Bisane and Naik（2021）报道低温促进芽蛀虫活动，Balanagouda等（2021）发现疫霉菌孢子在18°C时活性最高。相对湿度对籽蛀虫的显著影响说明该虫对大气湿度较为敏感。

ARIMA和SARIMA模型在捕捉单一病虫害时序规律方面表现优异，而VAR模型更适用于多变量相互作用的籽蛀虫预测。Random Forest进一步验证了气候变量的非线性影响，为构建气候智能型预警系统提供了依据。

研究结果支持将最低温和相对湿度等核心气候指标纳入人心果病虫害预测及管理实践，有助于减少农药滥用、提高防治时效性，并增强农业系统对气候变化的适应能力。

5 结论

本研究系统评估了2014–2022年间人心果病虫害的时空动态与气候驱动机制。芽蛀虫和籽蛀虫损害波动较大，疫病相对稳定；气候变量中，最低温对芽蛀虫和疫病、相对湿度对籽蛀虫分别具有最重要影响。ARIMA和VAR模型在不同对象预测中各具优势。研究成果可为区域特异性病虫害管理策略的制定提供理论依据，有助于发展可持续的人心果栽培体系，提升产业韧性和经济效益。