基于微气候与卫星气象数据的突尼斯梨园火疫病严重度多尺度预测模型

《Microorganisms》：Forecasting Models for Fire Blight Severity in Pear Orchards Under Tunisian Climatic Conditions

　　

火疫病（fire blight）由Erwinia amylovora引起，是一种毁灭性细菌病害，影响梨园，自2012/2013年起在突尼斯已有报道。准确预测感染风险对于及时开展病害管理至关重要。本研究旨在开发预测模型，将流行病学因素与突尼斯梨园当地微气候条件相关联。研究于2023年3月至6月在突尼斯莫纳斯提尔Ouerdanine的‘Alexandrine’品种梨园开展。研究人员每周进行流行病学监测，并采用基于0至6级量表的标准化指数（Disease Severity Index, DSI）量化病害严重度。自主气象站连续记录环境温度、花器水平温度和相对湿度（relative humidity, RH），这些是病原菌发育的关键变量。经过仔细的数据准备和归一化后，开发了两个预测模型：（1）树体水平模型，基于个体传感器测量，采用机器学习（machine learning, ML）算法，包括决策树（Decision Tree, DT）、随机森林（Random Forest, RF）和支持向量机（Support Vector Machine, SVM）；（2）果园水平模型，基于聚合卫星气象数据，采用线性回归（Linear Regression）。当地微气候条件强烈影响病害严重度。机器学习模型在单树水平预测感染方面表现中等，其中决策树算法准确率最高（48%），其次为随机森林（44%）和支持向量机（29%）。回归模型提供了果园整体严重度的可靠估计，可在更大尺度上评估病害趋势。这些适应突尼斯地中海气候的预测模型为火疫病管理提供了实用工具，可帮助优化化学和生物预防措施的时机，提高对这一重大植物检疫威胁的控制。然而，需在多个果园、品种和季节中进一步验证，以确认其更广泛的适用性。该方法展示了将既有模型适配突尼斯当地条件的潜力。

研究背景方面，火疫病（fire blight）由解淀粉欧文氏菌（Erwinia amylovora）引起，是影响全球梨和苹果生产的最有害果树病害之一，已报道于50多个国家。该病在突尼斯于2012年确认、2013年被列为检疫性病害，并自Mornag向其他商业产区扩散。病害主要在有暖湿条件时于花期侵染，可造成花、枝、叶、果和主干溃疡，导致严重减产、死树及高额重建成本。突尼斯当前防控仍以花期按日历施用铜制剂和抗生素为主，缺乏基于当地验证的感染风险阈值；种植者缺乏当地天气变量与病害发生关系的定量知识、花期感染期识别工具以及本地校准的决策支持系统。既有Maryblyt、CougarBlight和RIMpro-Erwinia等模型多在温带气候下开发，突尼斯春季常超过25–30 °C且降雨稀少，直接应用可能产生假阳性；Fire4CAST需分子病原定量和实验室基础设施；突尼斯尚无本地校准的感染风险阈值。因此，研究人员在突尼斯梨园开展流行病学监测，结合当地微气候测量与卫星气象数据，开发并评价树体和果园尺度的火疫病严重度预测模型，以提供本地校准、天气驱动的决策支持工具，帮助预判感染期、优化保护措施时机并减少产量损失和不必要农药施用。

关键技术方法概要：研究队列来自突尼斯莫纳斯提尔Ouerdanine的四年生‘Alexandrine’梨园，2023年3–6月监测10株树。自主微型气象站（Micro-Weather Station, MWS）连续记录冠层气温、花柱头温度（DS18B20热电偶）和相对湿度（DHT22）；每周按0–6 DSI评估症状；缺失微气候数据由Open-Meteo Application Programming Interface（API）卫星气象补充，果园级模型仅用该API聚合温湿度。模型1以DT、RF、SVM进行多分类，按时间560/140分割，并以树为组进行GroupKFold和GridSearchCV；模型2用线性回归，按70天数据56/14时间分割；分类评价准确率、宏平均精确率/召回率/F1和平衡准确率，回归评价决定系数（coefficient of determination, R²）、平均绝对误差（Mean Absolute Error, MAE）和均方误差（Mean Squared Error, MSE）。

研究结果中，3.1 树体水平严重度预测评价（Evaluation of Tree-Level Severity Prediction）：通过多指标评价DT、RF和SVM对单树DSI类别的预测，DT总体准确率最高（48%），RF为44%，SVM为29%；DT在平衡准确率（0.41）、宏精确率（0.43）和宏F1（0.42）上均最佳，SVM较差（平衡准确率0.22、宏精确率0.24、宏F1 0.23）。对最佳DT的错误分析显示，误分类主要集中于相邻DSI等级而非远距离等级；排列重要性识别出temp_mean、temp_std和sat_relative_humidity为最有信息量的预测变量。原文认为在有限数据条件下，较简单的DT可能比复杂集成或核方法泛化更好；中等准确率部分归因于园内微气候高度空间异质性和标注数据量有限，但DT仍捕捉了局部温度变化和卫星湿度数据与单树病害严重度的相关模式。

3.2 果园水平严重度预测评价（Evaluation of Orchard-Level Severity Prediction）：通过仅基于气象预测变量的线性回归评价果园尺度严重度，模型在回归指标上表现较强，MAE为0.36、MSE为0.19（RMSE=0.44 DSI单位，0–6量表，SD=1.87，约占量表范围6%），R²为0.95。原文强调该值来自同一果园和同一生长季的时间分割，反映内部插值而非外部泛化；Fire4CAST在独立年份和区域验证下R²约0.83，二者不可直接比较，较高的R²并不表示更优预测能力。结果表明聚合温湿度变量在同一果园和季节内是火疫病严重度的有效预测因子，是本地校准预测工具的第一步。模型可按时间背景运行于历史模式（归档天气数据用于回顾分析和验证）和预报模式（纳入未来预测温湿度数据以估计果园潜在未来严重度），从而在症状出现前提供有利感染条件的早期预警。

讨论部分总结：本研究显示基于机器学习的方法在树体和果园尺度预测火疫病严重度的潜力。树体尺度DT准确率最高（48%），优于RF（44%）和SVM（29%），但准确率中等，应视为初步预测工具而非完全业务化预报系统；原文提及Loh也指出数据集较小或噪声较大时DT可优于复杂算法。果园尺度回归模型R²=0.95，说明聚合气象变量在大空间尺度上是病害发展的稳健指标，但这些指标仅代表同一果园和季节的内部拟合，业务化前需跨年份和地点外部验证；原文提及McGuire et al.也报道了气候驱动回归模型对E. amylovora严重度的高预测准确性。早期Maryblyt、Cougarblight和BIS95/98主要依赖气象参数和寄主物候，在包括地中海地区等不同流行病学或气候背景下常出现假阳性或假阴性。RIMpro-Erwinia和Fire4CAST等新一代整合模型纳入病原群体动态和分子诊断；Fire4CAST结合微生物学、细胞学、基因组学和气候数据，利用免疫流式细胞术（immune-flow cytometry, IFCM）和实时qPCR可在休眠期检测可存活E. amylovora，田间验证精确度达83%。与之相比，本研究采用气候驱动的机器学习框架，结合本地传感器和卫星气象数据，不直接纳入病原定量或详细寄主–病原互作，但证明利用 readily available 环境数据即可实现较准确的果园尺度严重度预测，成本较低且可扩展，适合病原监测基础设施有限地区；树体和果园两个尺度预测互补，并与现有机制性或整合模型互补而非替代。原文指出本研究仅关注气象驱动因素，未整合监测点病原特征或群体动态；既往工作显示突尼斯梨园分离的E. amylovora菌株具有差异毒力，其他果园分离进一步确认全国存在病原多样性；近期研究识别突尼斯两个遗传上不同的E. amylovora亚群，可能具有不同毒力谱。由于监测果园未进行菌株水平表征，不能排除遗传异质性和毒力差异贡献部分残差，尤其树体模型中等准确率；这种生物变异性是气候预测变量未捕捉的额外方差来源。因此，天气驱动框架是有价值且成本有效的决策支持工具，但在其他果园或地区转移前需谨慎，直至当地病原群体被表征。

研究结论翻译：本研究证明了机器学习（machine learning, ML）与基于回归的方法在突尼斯气候条件下预测梨园火疫病严重度的潜力。树体水平模型，尤其是决策树（Decision Tree, DT）算法，能够捕捉微气候变量与病害严重度之间的相关模式，但准确率中等。果园水平回归模型仅使用聚合气象数据即表现出较高的预测性能。在业务化部署前，需在多个果园、栽培品种和生长季进行独立验证，最好在共享数据集上与已建立系统进行比较。一旦经过验证，这些模型可通过优化预防措施的时机，促进火疫病的精准管理。仍需进一步研究以确认其更广泛的适用性并整合额外的流行病学因素。