《Insects》：AI-LyD: An AI-Driven System Approach to Combatting Spotted Lanternfly Proliferation Through Behavioral Analysis
Kevin Zhang
编辑推荐：
斑点灯笼蝇（SLF，Lycorma delicatula）是一种入侵性飞虱，在美国20个州造成严重的农业和环境损害。SLF控制仍受到以下限制：（1）过度依赖广谱杀虫剂，危害附近生态系统；（2）替代方法的低效性和生态风险；（3）在综合害虫管理（IPM）中未充分利
斑点灯笼蝇（SLF，Lycorma delicatula）是一种入侵性飞虱，在美国20个州造成严重的农业和环境损害。SLF控制仍受到以下限制：（1）过度依赖广谱杀虫剂，危害附近生态系统；（2）替代方法的低效性和生态风险；（3）在综合害虫管理（IPM）中未充分利用SLF行为特征和人工智能（AI）。本研究介绍了AI-LyD，一个AI驱动的IPM框架，整合了行为生态学、预测建模、基于图像的检测和低成本物理控制措施。将SLF行为限制因素（包括卵孵化所需的冷暴露条件）纳入生态模型，提高了预测精度（AUC = 0.821，灵敏度 = 0.888，Kappa = 0.642），并重建了与当前扩散趋势一致的SLF分布。利用SLF聚集行为的基于YOLO的检测模型，在真实无人机采集图像中，将识别准确率从84%提升至96%，并将假阳性从42%降至8%。利用SLF的爬行、跳跃和疏水行为，新型Aquabex水沟装置（优化开口角度为60°）捕获了85%的I–IV龄若虫，并将成虫入侵减少了67%，估计每单位成本低于0.50美元。在新泽西州Hunterdon County四个地点的实地部署实现了91%的种群减少（95% CI: 90.1–92.0%）。综合这些结果，AI-LyD成为首个可操作、可扩展的SLF IPM系统，该范式可应用于控制其他入侵物种。
**论文解读：AI-LyD——基于行为分析的斑点灯笼蝇综合治理系统**
**研究背景与问题**
斑点灯笼蝇（Spotted Lanternfly, SLF, Lycorma delicatula）原产于亚洲，自2014年在美国宾夕法尼亚州首次发现以来，已扩散至20个州及200多个县，对农业（特别是葡萄藤和臭椿）和自然生态系统造成严重危害，仅宾夕法尼亚州年经济损失估计达5.54亿美元。当前SLF控制面临三大瓶颈：（1）过度依赖广谱杀虫剂，危害传粉昆虫（如西方蜜蜂Apis mellifera）及生态环境；（2）替代方法（如生物防治真菌Beauvaria bassiana和寄生蜂Anastatus orientalis）长期生态影响不确定，且依赖公众参与的公民报告平台覆盖不足；（3）现有AI应用（如Spotted!模型）和物理陷阱（如粘性带、圆筒陷阱）未充分利用SLF独特行为（如聚集、爬行、跳跃、疏水性），且缺乏系统整合。因此，研究人员旨在开发一种结合行为生态学、AI预测与检测、低成本物理控制的闭环系统AI-LyD，以实现可扩展、可持续的SLF管理。
**研究内容与意义**
研究人员通过五组行为实验量化SLF关键行为参数，将其融入最大熵（MAXENT）预测模型、基于YOLO11的检测模型及新型水沟陷阱Aquabex的设计中，并在新泽西州Hunterdon County四个地点进行实地验证。结果表明，AI-LyD系统使SLF种群减少91%（95% CI: 90.1–92.0%），成为首个可操作、可扩展的SLF综合害虫管理（IPM）系统。该研究发表于《Insects》期刊，为利用行为特征驱动AI系统控制入侵物种提供了新范式。
**主要技术方法**（不超过250字）
研究人员采用以下关键技术方法：（1）行为实验：在克林顿（Clinton, New Jersey）野外采集SLF卵块（2024年11月、12月、2025年1月三批次，n=153,135,141），在温控恒湿（25°C，70%湿度）环境下观测孵化率；在Styrax japonicus、Juglans nigra、Acer rubrum树上标记释放4龄若虫（n=30），分析聚集与爬行行为；在实验围栏中测试1–4龄若虫和成虫（每阶段n=30）在不同角度（30°、45°、60°）屏障下的跳跃能力；在密封环境中测试SLF对水沟的回避及在不同溶液（纯水、5% ECOS和5% DAWN洗洁精）中的溺亡时间。（2）预测模型：基于MAXENT 3.4.4，整合环境层（如臭椿分布、降水、温度季节性和冻期存在）及iNaturalist/GBIF数据库中SLF出现点数据（分辨率10 km），采用核密度估计校正空间采样偏差。（3）检测模型：构建1250张SLF图像数据集（涵盖多种光照和背景），用YOLO11n架构训练（图像分辨率640×640，50轮，批量大小32），并分别测试含聚集SLF和仅含1–2只SLF的图像（各50张）。（4）Aquabex装置：利用PVC排水管（直径10.16 cm）制作环形水沟，安装时移除树基灌木并填土密封，注水并添加5% ECOS洗洁精溶液，在4个地点（40.633876°N, ?74.912765°W等）部署12个单元，于2025年5月19–31日进行13天田间试验，同步在树干1 m高处安装粘性带记录逃逸SLF。
**研究结果**
**3.1 行为实验**
- **冻期实验**：12月（32%）和1月（46%）收集的卵块孵化率显著高于11月（11%），表明卵块需足够冻期（持续低于4.44°C约三个月）才能提高孵化成功率。
- **聚集与爬行**：标记释放后，SLF非随机聚集于两个枝条（p<<0.001），六次重复实验均显示显著聚集行为；88%的SLF在4小时内通过爬行返回树干，表明爬行是主要运动方式。
- **跳跃实验**：1–2龄若虫无法克服45°及以上角度屏障；较大龄若虫和成虫（借助滑翔）在更宽角度下逃逸；SLF仅在感知危险或遇到障碍时跳跃。
- **疏水性实验**：水沟有效阻止SLF接近臭椿枝（p<0.001）；60%的若虫在清水中1分钟内溺亡，5%洗洁精溶液使死亡率升至100%；洗洁精降低表面张力加速溺亡。
**3.2 预测模型结果**
MAXENT模型（AUC=0.821，灵敏度=0.888，Kappa=0.642）预测SLF高适宜区为中国、韩国、日本及美国东海岸、中西部和南部部分地区，而西海岸（加利福尼亚）风险低，解释了“加州悖论”。冻期存在贡献最大，降水和温度季节性比臭椿分布更重要。
**3.3 检测模型结果**
YOLO11模型利用SLF聚集行为，在真实低质图像中，聚集SLF的识别准确率达96%，假阳性8%（对比非聚集SLF准确率84%、假阳性42%）。聚集增加斑点视觉密度，降低假阳性。
**3.4 Aquabex设计与部署及AI实现**
Aquabex采用60°开口角（基于跳跃实验结果），在5种树上测试：对1–2龄若虫效率92%（95% CI: 85.0–95.9%），3龄83%（95% CI: 74.5–89.1%），4龄81%（95% CI: 72.2–87.5%），总体若虫效率85%（95% CI: 80.9–88.9%），成虫效率67%（95% CI: 57.3–75.4%）。13天田间试验中，12个Aquabex捕获3212只SLF（91%，95% CI: 90.1–92.0%），降雨后捕获量升高。单单位成本约0.48美元。现场未观察到非靶标物种影响。
**3.5 AI支持的目标预防与消除策略**
AI-LyD通过反馈循环连接预测、检测和部署：初始预测模型生成基线风险图，无人机和公民科学数据经检测模型确认SLF存在后，AI生成空间优化的Aquabex部署图；每周更新新侵染点和消除点并重训练预测模型，同时上传图像用于检测模型再训练。
**3.6 局限性**
冻期实验以月份为替代变量而非控制温度和时间；模型训练基于新泽西州中部数据，可能无法覆盖全美生态变异；Aquabex需要更多地理区域和气候条件下的验证以确认可扩展性。
**总结讨论与结论翻译**
研究人员指出，AI-LyD通过将行为研究融入预测、检测和消除方法，为SLF管理做出三大贡献：（1）整合实验行为参数改善预测精度（AUC=0.821，灵敏度=0.888，Kappa=0.642），解释“加州悖论”并预测中西部和东南部未来入侵；（2）开发基于YOLOv11的检测软件，在真实条件下真阳性率达96%，假阳性率8%，支持无人机和公民科学应用；（3）设计低成本被动水沟陷阱Aquabex，实验室和田间试验显示若虫驱避率85%（95% CI: 80.9–88.9%），成虫减少67%（95% CI: 57.3–75.4%），综合种群减少91%（95% CI: 90.1–92.0%）。AI-LyD通过反馈循环建立动态自适应范式，降低劳动和环境成本，为IPM、农业和保护中整合行为发现与AI软件开辟新前沿。
