《Agriculture》：DRAMM-Pest: Direct Multi-Horizon Forecasting of Rice Leaf Roller Activity from Light-Trap and Field-Survey Records
编辑推荐：
水稻纵卷叶螟（rice leaf roller, RLR）活动的多期预测（multi-horizon forecasting）可为前置监测规划提供支持。常规光诱（light-trap）与田间调查（field-survey）记录在测量含义与可获得性上存在差异，使
水稻纵卷叶螟（rice leaf roller, RLR）活动的多期预测（multi-horizon forecasting）可为前置监测规划提供支持。常规光诱（light-trap）与田间调查（field-survey）记录在测量含义与可获得性上存在差异，使得二者在未来各监测时段中的互补利用变得复杂。研究人员开发了DRAMM-Pest，一种掩码感知（mask-aware）双测量模型，其中可获得的田间历史信息在逐期聚合（horizon-specific aggregation）之前对由光诱历史导出的时序状态进行条件化。该模型在连续六个监测时段内联合预测阳性捕获概率（positive-catch probability）与光诱诱集率（light-trap rate），观测到的田间调查目标在训练期间提供辅助监督（auxiliary supervision）。在覆盖11个站点的24年公开水稻纵卷叶螟数据集上，2020–2023年按时序检验得到光诱诱集率均方根对数误差（RMSLE）为0.837±0.029，Brier评分为0.084±0.004。相对于XGBoost的相应绝对降低量分别为0.25023与0.00859。去除全部田间信息或仅保留其二元可获得性指示变量，使平均光诱诱集率平均绝对误差（MAE）分别增加3.12与2.74。研究结果支持在逐期预测框架内将互补监测记录用作历史上下文与训练目标，以服务于害虫监测规划。
**研究背景与问题** 水稻纵卷叶螟（RLR；*Cnaphalocrocis medinalis*）是水稻上的迁飞性害虫，其幼虫取食危害光合功能叶，当种群超过防治阈值时加剧产量风险。其种群动态受季节性发育与区域性迁飞塑造，因此持续监测与及时预警是可持续害虫管理的重要组成部分。区域预测研究曾利用监测与气象记录为不同稻作区与作物发育阶段构建预测模型。常规监测提供当前活动的观测，但田间查虫、诱捕器维护和干预准备等农业决策往往需提前数个监测时段作出。直接多期预测可将历史监测记录转化为预期阳性捕获概率与活动水平预测，从而将害虫监测从当前状态评估延伸至提前规划。RLR监测产生两类互补观测流：光诱诱集提供相对密集的成虫飞行活动记录，田间调查则在既定日历时段量化作物环境内的害虫丰度。二者在测量含义、单位、采样节律、站点覆盖与观测可获得性上均不同，各自存在源特异的可获得性模式（由各自掩码表示）。结构性缺失本身可携带观测过程的信息，农业数据常呈现时空覆盖不均。此外，害虫活动因时间种群动态嵌入区域环境与管理背景而存在地点间差异。因此从这些记录进行预测需联合处理互补测量语义、不完整历史、时序变异与区域背景。已有深度学习与数据驱动害虫预测模型提供了时序分解、环境与异质预测因子整合及多提前期预测的方法，但针对此类配对监测记录，核心建模问题是如何在两种测量含义与可获得性不同的情况下，利用田间调查丰度支持光诱预测：可获得的田间历史可提供预测上下文，观测到的田间调查目标可在训练中提供辅助监督，难点在于将这两种角色与各预测期相关的时序信息相协调。
**研究工作与结论** 研究人员以DRAMM-Pest回答该问题：分别编码带掩码的光诱与田间调查历史，可获得的田间上下文在逐期聚合前调制由光诱历史导出的时序分量状态，所得表征支持阳性捕获概率与光诱诱集率的联合预测；训练时观测到的田间调查目标为共享表征提供辅助监督，日历变量与站点坐标提供时空背景。主要贡献有三：其一，构建以光诱记录为主预测目标、田间调查记录提供历史上下文与辅助训练目标、每条流单独观测掩码的直接六期RLR预测任务；其二，开发掩码感知时序建模，在逐期聚合前由可获得田间历史调制光诱分量状态，输出阳性捕获概率与光诱诱集率；其三，评估时序检验与留出站点预测及对缺失历史输入的敏感性，并通过田间信息对照、分量消融与站点内比较评估时序建模、自适应田间引导与二元田间可获得性指示变量的预测贡献。结论为：可获得的田间历史在逐期聚合前对光诱时序状态进行条件化，观测到的田间调查目标在训练中提供辅助监督，模型联合预测阳性捕获概率与光诱诱集率；在按时序留出的2020–2023测试集上，其Brier评分与光诱诱集率RMSLE分别较XGBoost低0.00859与0.25023；分量消融表明时序分量建模与逐期聚合是数值变化最大的模块；完整模型较去除田间信息或仅保留二元可获得性指示变量的对照具有更低平均预测误差，支持双测量框架在所评估区域条件下的预测价值。
**关键技术方法** 研究使用2000–2023年长江下游地区公开存档的水稻纵卷叶螟监测记录（源自Dryad，由全国农业技术推广服务中心协调的地方植保站采集），含标准化20 W紫外光诱捕器的逐夜成虫监测与当地成虫发生期内的逐日样线调查，光诱与田间调查各覆盖10个地理参考站点、其中9个共享，合计11个站点。数据以3–10月、每月6个日历时段（每段5天或月末）的网格对齐，?999转为缺失、观测零保留，各模态保留独立掩码；按训练（2000–2015）、验证（2016–2019）、测试（2020–2023）时序划分，构建12个历史时段对6个连续目标时段的滑动窗口（步长为1），接受窗口需六个预测期光诱目标均有效，训练/验证/测试样本分别为3151、855、836。模型含掩码感知测量编码（核宽2和3的因果卷积）、因果多尺度分量建模（可学习单侧指数移动平均生成慢状态，去趋势残差与左侧掩码平均生成局部变异与短期扰动）、田间引导潜在调制（门控结合光诱状态、田间摘要与可获得性指示）、逐期感知分量聚合与坐标条件化（特征级线性调制，FiLM），以及观测特异预测头（阳性概率与正幅度因子相乘得诱集率）。训练用AdamW（学习率0.001、权重衰减10??、批大小32、最多30轮、早停耐心5轮），五随机种子（2024–2028），在NVIDIA GeForce RTX 4090 GPU上完成；对照包括无田间模型与仅可获得性模型，比较模型为Persistence、Seasonal Mean、Direct Ridge、GRU、XGBoost与DLinear；评估含AUPRC、AUROC、Brier评分、Brier技能评分（BSS）、MAE、RMSE、RMSLE及高丰度子集指标，并用39个站点-年块的5000次配对bootstrap与五种子配对t区间进行统计比较，另开展空间五折留出与随机掩码敏感性分析。
**研究结果** 3.1 总体预测性能：在留出2020–2023测试集六期合并评估中，DRAMM-Pest取得报告的最高AUPRC、AUROC与BSS点估计及最低误差点估计；阳性捕获预测的AUROC与BSS分别为报告值，Brier评分相对训练气候参考降低56.71%，Persistence与Seasonal Mean的BSS分别为报告值与0.1271；与XGBoost配对比较AUPRC增加0.00327（95% CI，0.00197–0.00508）、Brier评分降低0.00859（95% CI，0.00743–0.00987）。光诱诱集率预测的MAE、RMSE、RMSLE与阳性目标MAE点估计均低于XGBoost，RMSLE绝对降低0.25023（95% CI，0.22893–0.27095）。辅助田间调查任务在观测目标位置的MAE与RMSLE均低于XGBoost。配对站点-年bootstrap区间在四项指标上均支持DRAMM-Pest优于XGBoost，平均MAE降低4.0661（95% CI，3.0607–5.1844）；MAE差异在各测试年份均为正（2.3579至5.0389），在目标不重叠子集中仍为3.8485。5016个有效测试预测位置的诱集率均值与中位数分别为65.71与3.90头/有效诱虫夜，零值占19.32%，第90、95、99百分位分别为127.00、316.20与1124.60，呈强右偏；站点均值0.63至178.05。站点特异性结果显示DRAMM-Pest在全部10个站点的平均MAE均低于XGBoost与Seasonal Mean，站点MAE技能评分0.1284至0.5955，等权站点平均技能高于XGBoost，相对Seasonal Mean的平均MAE降低分别为26.51%与18.17%。
3.2 逐期性能与示例预测：无技能AUPRC参考随观测阳性率升高由0.7201增至0.8768，DRAMM-Pest在各期均取得报告的最高AUPRC与最低Brier评分点估计；两种模型的可靠性图显示多数中间概率分箱中观测阳性频率高于平均预测概率，即阳性捕获概率被低估。诱集率MAE与RMSLE随期数普遍上升，DRAMM-Pest在六期范围内误差点估计最低，与XGBoost差距在后期RMSLE最大。三个对比示例显示：近零活动序列中两模型均向后期的正值预测漂移，DRAMM-Pest后期预测总体低于XGBoost但仍高估；部分缺失历史序列中DRAMM-Pest对脉冲响应更贴近并在后期低于XGBoost，但从第5期至第6期仍预测持续上升；快速上升至极值峰的序列中DRAMM-Pest响应强于XGBoost、在峰值期更接近观测，但两模型均显著低估极值增幅。高丰度子集（1988/5016个位置、489/836个窗口）中DRAMM-Pest的MAE低于XGBoost，配对MAE降低9.70（95% CI，7.77–11.65），平均有符号误差差异8.42（95% CI，6.75–10.34），表明平均低估更小；阈值超越命中率更高、虚警率更低，峰值时间MAE亦更小。
3.3 消融与站点内分析：完整DRAMM-Pest在四项指标上取得最有利合并点估计。无田间对照与仅可获得性对照的诱集率MAE均高于完整模型，基于报告均值分别增加3.12与2.74，且二者平均AUPRC更低、Brier评分与RMSLE更高。将三分量因果分解路径替换为未分解变体导致四项指标最大恶化（AUPRC降0.007，Brier评分、MAE、RMSLE分别升0.021、7.45、0.234）；以等权替换逐期感知分量加权造成第二大恶化（AUPRC降0.005，Brier评分、MAE、RMSLE分别升0.013、4.72、0.129）。固定田间引导门使MAE由51.00升至54.38；去除Coordinate FiLM与辅助监督分别使MAE增加1.1824与1.8224，其五种子配对95% t区间分别为1.1062–1.2587与1.6717–1.9732，均位于零以上。站点内比较显示：固定门相对完整模型的合并MAE增加，在9个同时含部分与完整田间历史的站点中有8个站点完整历史增幅更大；无田间模型加入二元可获得性指示后合并MAE降低，9个站点中2个站点完整历史降幅大于部分历史；完整模型在全部18个至少含一个有效田间观测的站点-分层组合中平均MAE均低于仅可获得性对照。
3.4 空间留出性能与缺失历史敏感性：五个站点留出折中DRAMM-Pest平均MAE均低于XGBoost、GRU与Coordinate FiLM消融，去除Coordinate FiLM使平均MAE增加1.90–3.80；Seasonal Mean在F1（留出S001与S004，17.37对61.20）与F2（留出S008与S011，56.64对59.70）取得最低MAE，DRAMM-Pest在F3–F5取得最低平均MAE。额外随机掩码使MAE与RMSLE上升，三种掩码感知条件中仅掩码田间调查历史时误差最低、仅掩码光诱历史时较高、双历史同时掩码时最高；匹配双历史掩码下更新掩码较原始掩码参考在三个非零掩码水平均降低MAE与RMSLE，50%额外掩码时掩码感知条件的MAE与RMSLE均低于原始掩码参考。
**讨论与结论** 讨论部分指出，在留出2020–2023测试集上DRAMM-Pest在阳性捕获、光诱诱集率与辅助田间调查指标上均取得最有利报告点估计，相对XGBoost的RMSLE与Brier评分绝对降低分别为0.25023（95% CI，0.22893–0.27095）与0.00859（95% CI，0.00743–0.00987），且在各期保持最有利点估计而诱集率误差随期数上升。既往害虫预测研究整合监测记录与气象、作物发育、空间及异质观测信息，DRAMM-Pest则通过二者不同的预测角色整合互补证据，以历史条件化与辅助训练目标将光诱时序建模与田间调查信息相联系，再逐期聚合时序状态。耦合输出描述光诱监测的互补侧面（某监测时段是否有阳性捕获及预测诱集率），学习到的正因子在预测模型内部联系二者，并不代表独立生物过程，其实际意义在于联合刻画阳性捕获发生与活动强度以服务监测规划。时序分量建模与逐期感知聚合构成从共享历史到六个期表征的连通路径，其消融在测试设计中产生最大指标变化，支持该路径的预测价值；逐期依赖聚合将学习到的时序分量表征按各预测步组合，其消融量化了聚合的贡献。阳性捕获率由第1期的72.0%升至第6期的87.7%，抬高了AUPRC的阳性率依赖参考水平，而Brier评分仍高于参考值，MAE与RMSLE普遍向后期上升；高丰度评估显示DRAMM-Pest相对XGBoost改进了阈值超越识别与窗口内峰值时间并具更低绝对误差，但两模型负的平均有符号误差表明对高丰度幅度存在持续低估，相关研究亦指出宽目标范围与稀疏高丰度观测是多步预测的挑战。双测量引导方面，合并对照与站点内比较支持将田间历史与辅助监督结合具有预测价值，完整模型在含田间观测的9个站点的部分观测与完整历史分层中平均MAE均低于仅可获得性配置，固定门与辅助监督消融进一步刻画了自适应田间调制与田间目标监督的贡献。空间实验评估了同一区域监测网络内未参与拟合站点的预测，坐标条件化在匹配消融比较中与更低平均误差相关；F1留出的S001与S004测试目标均值分别为21.97与0.63头/有效诱虫夜，对这一相对低丰度站点对，由8个训练站点估计的日历时段均值取得明显低于DRAMM-Pest的合并MAE，空间迁移性能在留出站点对间存在差异，DRAMM-Pest并未一致优于Seasonal Mean。随机掩码显示预测对光诱历史缺失比对田间调查历史缺失更敏感，匹配双历史掩码下显式更新观测掩码用同一拟合模型同时改善MAE与RMSLE；连续诱捕中断与长期调查空档为评估时序结构化输入缺失提供了进一步场景。局限性方面：评估使用2000–2023年长江下游地区回顾性监测记录、由10个站点贡献预测样本；模型纳入监测历史、观测掩码、日历信息与坐标，但未包括天气、作物物候或管理措施，其结果确立了互补监测记录在所研究区域网络内的预测价值，环境与农艺协变量的附加价值仍待进一步评估，遥感作物生产力估计可提供可评估的附加作物背景输入；尽管高丰度预测相对XGBoost改善，持续低估表明估计高活动水平仍是挑战。时间检验仅覆盖2020–2023单一留出期，空间留出仅评估同一区域网络内迁移；12期历史要求将预测评估限制在5月起的目标，排除3–4月活动及该期间发生的迁入事件；年份特异与目标不重叠分析评估了测试期内敏感性，但不能替代在多个预测起点重新训练后的评估；站点-年bootstrap区间保留块内依赖并条件于已拟合种子，块间残余依赖与有限的测试年份限制了更广泛推广；结果支持六期预测在所评估条件下有助于优先安排监测的潜力，但需独立网络与前瞻性季节评估以及对其监测决策与干预结果影响的评估以确立业务价值。结论部分译文为：本研究开发了DRAMM-Pest，用于基于对齐的光诱与田间调查记录对水稻纵卷叶螟活动进行直接六期预测。可获得的田间历史在逐期聚合前对光诱时序状态进行条件化，而观测到的田间调查目标在训练期间提供辅助监督。该模型联合预测阳性捕获概率与光诱诱集率。在按时序留出的2020–2023测试集上，其Brier评分与光诱诱集率RMSLE分别较XGBoost相应值低0.00859与0.25023。分量消融确定时序分量建模与逐期感知聚合为数值变化最大的模块。完整模型较去除田间信息或仅保留其二元可获得性指示变量的对照取得更低平均预测误差，支持双测量框架在所评估区域条件下的预测价值。结合天气、作物物候与管理信息的进一步评估，以及在独立网络与前瞻性监测季节中的验证，将有助于确立该框架的更广泛适用性与业务价值。
