稻田农生态系统中相对丰度技术（RATs）监测啮齿动物丰度与预测损害的评估——以菲律宾水稻为例

《Integrative Zoology》：Evaluation of Relative Abundance Techniques (RATs) for Monitoring Rodent Abundance and Predicting Rodent Damage in Rice Agroecosystems

　　

相对丰度技术（relative abundance techniques, RATs）是简单且低成本的工具，研究人员、农业技术人员、害虫管理人员和农民可利用其监测稻田农生态系统中啮齿动物种群的相对丰度。这些工具已被开发用于监测异质生境中的啮齿动物丰度，但尚未评估其预测水稻作物啮齿动物损害的能力。本研究旨在评估RATs，包括放弃密度（giving-up density, GUD）托盘、咬卡（chew cards）、蜡块（wax blocks）和有效洞穴计数（active burrow counts），在监测菲律宾稻田啮齿动物丰度和预测损害中的有效性。这些指标监测啮齿动物丰度和预测损害的有效性在两个连续耕作季的稻田中进行了评估。相对丰度数据于水稻早分蘖（early tillering, ET）、最大分蘖（maximum tillering, MT）和收获后（post-harvest, PH）阶段收集。分蘖损害于最大分蘖（MT）、孕穗（booting, BT）和成熟（ripening, RP）阶段评估。估计啮齿动物丰度和预测损害的最佳GUD站点数通过三个连续耕作季的不同GUD阵列确定。在不同RATs中，ET和MT测得的GUD与累积分蘖损害关联最强，而洞穴计数在收获后表现最佳。每田使用8站点网格阵列的GUD与累积损害相关性最高。为提高当前水稻作物啮齿动物损害预测效率，研究人员建议在生长早期使用GUD。为预测下一耕作季损害，应在收获后使用洞穴计数监测啮齿动物丰度。

研究背景：稻田农生态系统中啮齿动物暴发严重威胁水稻生产。农民管理通常为反应性，只有在作物损害明显并超过约5%时才采取措施，而此时管理可能不经济。因此，监测啮齿动物相对丰度并预测损害，有助于提高管理效率。已有简单低成本工具用于其他作物和生境，但其在菲律宾大规模水稻种植系统中的有效性尚待评估。研究人员在菲律宾Laguna的Nagcarlan和Iloilo的San Miguel开展研究，评估相对丰度技术（relative abundance techniques, RATs）包括放弃密度（giving-up density, GUD）托盘、咬卡（chew cards）、蜡块（wax blocks）和有效洞穴计数（active burrow counts）在监测啮齿动物丰度与预测水稻损害中的效果，并优化GUD站点数量。研究分两阶段：第一阶段在Laguna两个耕作季比较四种RATs；第二阶段扩展至Laguna和Iloilo，验证并优化GUD。结果表明GUD在早分蘖（early tillering, ET）和最大分蘖（maximum tillering, MT）与累积分蘖损害关联最强，收获后（post-harvest, PH）洞穴计数表现最佳，每田8个GUD站点网格与累积损害相关性最高。建议早期GUD预测当季损害，收获后洞穴计数预测下一季损害。该研究为生态基础啮齿动物管理提供低成本监测框架。

关键技术方法：研究地点为菲律宾Laguna省Nagcarlan（灌溉）和Iloilo省San Miguel（雨养）稻田，样本队列来源为2017湿季至2019干湿季多个连续耕作季。主要方法包括在稻田设置GUD托盘、蜡块、咬卡和200 m线样带有效洞穴计数；在水稻ET、MT、PH等阶段收集相对丰度数据，在MT、孕穗（booting, BT）、成熟（ripening, RP）阶段评估分蘖损害；用陷阱捕捉计算实际捕捉成功率（actual trapping success, ATS）作为丰度参考；通过4、8、16站点网格和8站点线性GUD阵列比较优化；采用赤池信息量准则（Akaike's Information Criterion, AIC）模型选择、Pearson相关和广义加性模型（generalized additive models, GAMs）分析。

3.1 菲律宾Laguna和Iloilo稻田局部啮齿动物群落：2017—2020年共7900 trap nights、111次采样，捕获894只两种啮齿动物，总ATS=13.0%±1.14%。其中 R. tanezumi n=649，R. exulans n=230；R. tanezumi ATS=34.2%±2.42%，显著高于 R. exulans 的17.9%±1.84%（p=2.393e?05）。

3.2 啮齿动物相对丰度与损害：Laguna中ATS主要由年份和作物阶段预测（R²=0.29；AIC=139.16），2017—2019相对丰度下降；Iloilo中由年份和作物阶段预测（R²=0.38；AIC=56.20），2018高于2019。两地ATS在MT最高、BT最低。Laguna损害最佳模型含年份、季节和作物阶段（R²=0.49；AIC=91.58）；Iloilo仅含年份和作物阶段（R²=0.51；AIC=12.69）。两地2019损害最高，RP最高、MT和BT较低。ATS预测累积损害：Laguna在MT和BT预测差；Iloilo在MT和BT解释较高（R²=0.41和0.23）。

3.3 RATs评估：预测ATS的最简GAM为蜡块评分、咬卡评分和GUD指数组合（R²=0.40；AIC=46.34）。GUD指数与ATS关联最高（R²=0.16；AIC=48.23），与累积分蘖损害也最高（R²=0.24；AIC=44.37）。相关矩阵显示，ET和MT的GUD与ATS正相关最高（r=0.91，p=0.012；r=0.67，p=0.145），与累积损害也最高（r=0.68，p=0.139；r=0.94，p=0.006）。PH咬卡与ATS相关最高（r=0.79，p=0.059），有效洞穴评分与累积损害相关最高（r=0.73，p=0.098）。所有阶段GUD和咬卡与ATS正相关（r=0.40，p=0.104；r=0.43，p=0.078），GUD和ATS与累积损害正相关（r=0.47，p=0.05；r=0.66，p=0.003）。

3.4 GUD参数优化：比较4、8、16站点网格和8站点线性阵列，8站点网格与ATS（r=0.59，p=0.01）和累积损害（r=0.61，p=3.54e?05）相关性最高；线性阵列与ATS显著相关（r=0.52，p=0.03），与累积损害不显著（r=0.10，p=0.67）。ATS回归模型R²=0.35；AIC=680.89；损害模型R²=0.13；AIC=519.99。

讨论总结：GUD在早期作物阶段最有效，可作相对丰度和损害风险指标而非绝对损害量。咬卡和蜡块正相关但敏感性不同；PH有效洞穴计数与累积损害相关最高，可用于下一季风险预测，但受休耕期、气候和食物影响。8个GUD站点优于16个，可能因斑块可预测性和觅食时间；田内阵列优于边缘线性阵列，Jones et al.（2017）发现稻田中心活动与损害高于边缘。相对丰度2017—2019下降而损害增加，RP损害最高；MT丰度最高、BT最低，原文提出可能因孕穗后水稻穗比陷阱诱饵更吸引啮齿动物，说明ATS后期可靠性降低。实际应用上，8个GUD站点早分蘖调查可识别高风险田块，PH洞穴计数可整合到常规检查。局限性包括仅两省、RATs比较限于Laguna、GUD验证跨两省；R. tanezumi占73%；陷阱设在200 m外；评估累积分蘖损害而非产量损失；模型解释力低；时间不匹配；未建立管理阈值。未来需多地点、阈值、成本效益和物种特异性验证。

结论翻译：本研究是首批在菲律宾稻田农生态系统中综合评估多种RATs用于监测啮齿动物种群和预测作物损害的研究之一。GUD是监测啮齿动物丰度和预测累积啮齿动物损害最有效的工具。早期GUD指数与累积分蘖损害之间的强关联表明，GUD可作为未来作物损害的有效早期预警指标，为农民和推广人员提供足够时间，在重大损害发生前实施主动啮齿动物管理。PH洞穴计数与下一耕作季累积啮齿动物损害高度相关，表明其是另一种可行、简单且低成本的预测工具。啮齿动物造成的PH损失是重要问题；此外，该工具也可能适合指示啮齿动物对PH储存稻谷可能造成的损失。为提高准确性，研究人员建议实施多种方法，包括PH洞穴计数和早期水稻阶段GUD（每田8个GUD站点阵列）以预测啮齿动物损害。需在多个地点进一步评估，以确定适合管理行动的阈值。此外，推广这些预测方法时应伴随对农民进行基础啮齿动物生态与管理培训，以确保社区基础和生态基础啮齿动物管理实践的有效实施，进一步减少啮齿动物种群增长和后续水稻作物损害。