基于IHS-ARIMAX框架的稻纵卷叶螟种群动态建模及其对可持续害虫管理的潜在意义

《Agriculture》：An IHS-ARIMAX Framework for Modeling Cnaphalocrocis medinalis with Potential Implications for Sustainable Pest Management in Rice Fields

　　

稻纵卷叶螟（Cnaphalocrocis medinalis）是一种主要迁飞性害虫，其种群动态受内源性生物因子与外源性气象条件的协同驱动。建立其发生动态的精确量化模型是实现可持续害虫管理的前提。本研究基于2020—2024年连续五年的监测数据，应用逆双曲正弦变换（Inverse Hyperbolic Sine, IHS）处理非正态分布的害虫种群数据。研究人员采用带外生变量的自回归积分滑动平均模型（Autoregressive Integrated Moving Average model with exogenous variables, ARIMAX），构建了两个动态预测模型：简化预警模型（模型I）与多因子耦合模型（模型II），整合外生气象驱动因子（监测间隔内的降雨等级，R_lt–1,2）、内源生物指标（本地种群发育丰度指数，local population development abundance index, LPDAI）以及内源种群动态因子（前一间隔的日均诱捕量增量经IHS变换，IHS_IIPT_n–1）。相关性分析显示，诱捕虫量与LPDAI及R_lt–1,2呈极显著正相关（p < 0.01）。IHS-ARIMAX模型的参数估计表明，外生降雨因子（R_lt?1,2，模型I：B = 0.996；模型II：B = 0.947）在两个模型中均达到显著水平（p < 0.05）；模型I中的IHS_IIPT_n–1（B = 1.535）与模型II中的LPDAI（B = 0.846）表现出强烈的正向效应。两个ARIMAX模型均表现出稳健的拟合性能（模型I：总R² = 0.903，平稳R² = 0.860，均方根误差（Root Mean Square Error, RMSE）= 8.58；模型II：总R² = 0.922，平稳R² = 0.898，RMSE = 8.34）。Ljung-Box Q检验（模型I：Q(18) = 21.500，p = 0.160；模型II：Q(18) = 13.729，p = 0.619）证实残差为独立分布的白噪声，无显著自相关残留。两个模型均能稳定捕捉稻纵卷叶螟的暴发趋势。关键的是，利用2025年田间数据进行的独立样本外验证表明，模型II具有高度的稳健性与泛化能力，其与观测值实现了高度显著的趋势同步（Spearman's ρ = 0.499，p = 0.005）并保持了完整的数值无偏性（p = 0.157）。本研究构建的IHS-ARIMAX框架有效应对了生态数据中自相关与非平稳波动的统计挑战，为可持续害虫管理的决策支持提供了一种稳健工具。

本研究聚焦气候随机性增加背景下迁飞害虫精准预测这一农业环境管理关键挑战。水稻（Oryza sativa L., Poales: Poaceae）是全球约一半人口的主要膳食来源，而稻纵卷叶螟（Cnaphalocrocis medinalis (Guenée), Lepidoptera: Crambidae）作为亚洲最具破坏性的迁飞性害虫之一，通过卷叶取食造成叶绿素大量损失与结构损伤，严重削弱水稻光合潜力。中国农业农村部于2020年和2023年将其列为"一类农作物害虫"，2013—2022年统计显示其年均发生面积达1400万公顷，即使经大规模防控仍造成每年35.07万吨实际损失。长期以来防治依赖化学杀虫剂密集施用，引发非靶标污染、害虫抗药性快速进化与生态退化等环境负外部性。该虫为长距离迁飞昆虫，由南方经低空急流漂移而来的迁入个体构成每年初始种群主体，气候变化已使其迁飞路径与物候显著改变，种群动态面临深刻不确定性，传统线性模型或简单描述性观测不足以解构这些非线性与自相关交互作用，当前害虫预警因此陷入无法同时处理气候随机性噪声与生物生长节律的关键统计瓶颈。为此，研究人员基于2020—2024年逐日尺度监测数据，应用逆双曲正弦变换（Inverse Hyperbolic Sine, IHS）处理非正态种群数据，构建简化预警模型（模型I）与多因子耦合模型（模型II），并以2025年田间数据完成独立样本外验证。研究证实IHS变换可有效克服零膨胀与非线性波动的统计挑战；暴发由前一时段种群波动动量与降水随机触发因子协同驱动，降雨相关下沉气流为蛾降落主要物理驱动因子；模型II在机理解析上优于简化模型且验证证实高稳健性与泛化能力。该框架为从被动监测转向主动数据驱动预测提供了决策支持工具，并为性信息素诱杀、迷向防治及释放赤眼蜂等非化学干预策略创造了提前24–48小时预警的战略机遇。

在关键技术方法方面，研究人员以逆双曲正弦变换（Inverse Hyperbolic Sine, IHS）对含零值、极端波动的非正态虫诱增量数据进行方差稳定化处理；采用带外生变量的自回归积分滑动平均模型（Autoregressive Integrated Moving Average model with exogenous variables, ARIMAX）构建预测模型，经穷举网格搜索确定滞后阶数，以最大似然估计（Maximum Likelihood Estimation, MLE）参数化并最小化贝叶斯信息准则（Bayesian Information Criterion, BIC）；结合Pearson相关与Spearman秩相关筛选驱动因子，用方差膨胀因子（Variance Inflation Factor, VIF）诊断共线性，并以Ljung-Box Q检验确认残差白噪声。样本队列源自中国湖北省恩施市（30.32° N, 109.47° E）恩施市农业科学院红庙实验站2020—2025年性信息素诱捕逐日虫量与气象观测数据，前五年建模、2025年独立验证。

研究结果部分如下：

3.1 稻纵卷叶螟种群动态与气象驱动因子的协同动态（Synergistic Dynamics of C. medinalis Populations and Meteorological Drivers）：2020—2025年连续监测显示，恩施地区稻纵卷叶螟暴发具显著年间差异与间歇性激增，2020年与2023年为暴发年；虫量高峰通常出现在强降水过程后24–48小时窗口内，表明降雨相关下沉气流是蛾降落与着陆的主要物理驱动因子；五年间温度日平均变化范围始终落于物种发育与迁飞活动的最适生理窗口，温度提供热阈值基础而降雨事件充当种群骤变随机触发因子。

3.2 相关性分析与预测因子筛选（Correlation Analysis and Predictor Screening）：原始日均诱捕量（Mean daily catches, MDC）严重偏离正态（偏度2.258，峰度7.991），IHS变换将虫诱增量（inter-survey increment of pest trap, IIPT）范围从10.89压缩至4.79以稳定方差；LPDAI与MDC呈最强正相关，降雨等级（rainfall level, R_lt–1,2）呈极显著正相关（p < 0.001），平均温度（mean temperature, T_t–1,2）呈显著负Pearson相关但未达Spearman显著水平；IIPT_n–1的Pearson相关不显著而Spearman相关极显著，凸显非线性特征与秩依赖，进一步证实IHS变换必要性；所有入选预测变量VIF值（1.037–1.767）均远低于临界阈值10，确认无多重共线性。

3.3 简化预警模型（模型I）的性能（Performance of the Simplified Early Warning Model (Model I)）：自回归项AR1呈高度显著负效应（B = ?0.279, p < 0.030）；降雨等级（B = 0.996, p = 0.009）与种群动态因子IHS_IIPT_n–1（B = 1.535, p < 0.001）均为显著正向因子；残差自相关函数（Residual Autocorrelation Function, ACF）与残差偏自相关函数（Residual Partial Autocorrelation Function, PACF）诊断及Ljung-Box检验（Q(18) = 21.500, p = 0.160）证实系统时序自相关已被彻底消除；总R²为0.903、平稳R²为0.860、RMSE为8.58，为缺乏长期系统调查数据的场景提供稳健实用基础工具。

3.4 多因子耦合模型（模型II）的评估（Evaluation of the Multi-Factor Coupling Model (Model II)）：模型常数显著为负（B = ?4.295, p = 0.010），表明无外部刺激时种群自然维持低水平平衡；LPDAI（B = 0.846, p = 0.034）为种群基线的关键内源决定因子；降雨等级（B = 0.947, p = 0.037）与IHS_IIPT_n?1（B = 0.881, p = 0.096）共同提供内源发育、内源动态与外源触发的多维视角；残差诊断与Ljung-Box检验（Q(18) = 13.729, p = 0.619）再次确认残差为独立白噪声；总R²为0.922、平稳R²为0.898、RMSE为8.34，在可获取详细田间生物指数时提供更优机理解析深度。

3.5 验证结果与预测性能（Validation Results and Predictive Performance）：观测值与预测值MDC高度吻合，模型II（R² = 0.924, 斜率 = 0.966）显著优于模型I（R² = 0.905, 斜率 = 0.946），回归线紧密平行于1:1恒等线且截距极小（0.973）；独立样本外验证表明两模型均无系统性预测偏倚（配对t检验p > 0.05），模型II在Spearman秩相关（ρ = 0.499, p = 0.005）上趋势同步性显著优于模型I，展现更优越捕捉田间非线性生物波与迁移高峰的能力。

讨论部分系统阐释了四方面内容。其一为气象触发因子与生物节律的机理协同（Mechanistic Synergy of Meteorological Triggers and Biological Rhythms）：降雨相关下沉气流与湿沉降强迫低空急流中的迁飞蛾降落，降雨等级在Pearson与Spearman分析中均极显著正相关（p < 0.001），确认其为稳健物理催化剂；温度呈显著负Pearson相关（r = ?0.168）而Spearman不显著，表明温度主要提供热阈值而非直接驱动骤峰，调和了文献分歧结论；基于奥卡姆剃刀原则，研究战略性地仅选择降雨作为外生预测变量以保持模型简约性并避免多重共线性干扰。其二为IHS-ARIMAX框架的统计稳健性与预测保真度（Statistical Robustness and Predictive Fidelity of the IHS-ARIMAX Framework）：IHS变换在应对零膨胀与暴发诱导异变性方面优于传统对数变换，模型II平稳R²达0.898验证高R²值与近一元斜率的稳健性；鉴于"黑箱"特性与过量数据需求，IHS-ARIMAX适用于有限规模时间序列数据集，可为机器学习/深度学习模型难以覆盖的小尺度场景提供可解释建模路径。其三为决策支撑系统中滞后效应的战略价值（The Strategic Value of Lagged Effects in Decision-Support Systems）：框架采用物理数据错位程序（将t?1,2气象与t监测日记录对齐），固有地将主动预测窗口嵌入模型结构，即使田间调查数据不完整也能生成可靠风险画像。其四为对可持续害虫管理的潜在意义（Potential Implications for Sustainable Pest Management）：该框架可迁移至中国南方、西南方、东方等相似气候生态区，通过重校准区域特定权重实现本地化应用；准确量化内源与外源因素驱动权重使管理者能提前24–48小时识别精准干预窗口，为迷向防治、释放赤眼蜂等非化学策略创造战略机遇，推动长期生态可持续性与水稻产区农业治理现代化。

研究结论部分指出：本研究聚焦气候随机性增加背景下迁飞害虫精准预测的关键挑战，利用五年高分辨率数据集成功构建稳健IHS-ARIMAX框架，证实：（1）逆双横弦正弦变换（IHS）有效克服害虫监测数据中零膨胀与非线性波动统计挑战，为时间序列建模提供更 resilient 基线；（2）暴发由前一时段种群波动动量与降水事件随机触发因子协同驱动，降雨相关下沉气流被确定为蛾降落主要物理驱动因子；（3）整合模型II（平稳R² = 0.898）通过耦合内源生物节律与外源气象因子提供更优机理分辨率；（4）独立样本外验证表明模型II具有高稳健性与泛化能力。与传统静态监测导致的干预窗口不精确与农药过量使用不同，该动态预测框架提供了主动决策支持工具，为实施迷向处理等非化学策略创造战略机遇，确保水稻生态系统长期可持续性。需指出的是，尽管样本内拟合展示高统计精度，这些发现仍属初步性，在不同生态区投入业务化应用之前，应基于当地情况开展多站点数据验证，以确保信息准确支撑害虫管理措施制定。