建立大豆荚螟种群温度-湿度耦合动态模型，并评估PCM-NN算法的预测性能

《Computers and Electronics in Agriculture》：Modeling the temperature–humidity coupling dynamics of soybean pod borer population and assessing the predictive performance of the PCM-NN algorithm

　　徐晨|李文轩|李晓双|刘苏丽|高宇•一种新型PCM-NN框架将PINNs与害虫动态机制相结合。•该模型将温度和湿度内生地纳入动力学方程中。•通过对α的动态推断，可了解其如何促进或抑制害虫生长。引言大豆是中国重要的粮食、油料及饲料作物，在国家经济发展中起着战略作用。然而近年来，气候变化和农业生态系统失衡加剧了害虫对大豆生产的威胁，其中豆荚螟便是导致产量下降和经济损失的主要害虫之一（Shi等人，2026年）。研究表明，这种害虫的适宜栖息地分布在中国大部分地区（Shi等人，2018年；Fei等人，2024年），以及朝鲜半岛、俄罗斯远东地区和日本（Yang等人，2024年）。根据2023年的《大豆重大病虫害防治技术规划》，作为中国主要大豆产区，中国东北地区面临尤为严重的豆荚螟危害。在大豆生长的关键时期（7月至8月），幼虫会钻入豆荚啃食种子，不仅直接造成产量损失，还会大幅降低作物品质和市场价值。鉴于豆荚螟对大豆生产的巨大威胁，亟需建立其发生动态的建模与预测方法，以支持早期预警及科学化的害虫防控。图1展示了该害虫在不同发育阶段的典型形态特征。害虫控制长期以来一直是全球面临的紧迫挑战，引起了昆虫学家和植物保护科学家的广泛关注（L. Chen等人，2022年；Gui等人，2021年；Kuzmin等人，2020年）。目前，害虫预测研究主要分为两类：基于统计相关性的经验模型，以及基于生物物理机制的分析模型。统计方法通过回归分析或机器学习算法，建立环境因素与害虫发生之间的关联（Kopton等人，2025年；Ibrahim等人，2022年）。例如，C.J. Chen等人（2022年）发现，在适宜的温度、湿度和光照条件下，荔枝蝽的种群数量会显著增加。Faheem等人（2021年）研究了温度和湿度对棉花害虫群的影响，量化了气候因素与害虫数量之间的相关系数。同样，Kumar等人（2023年）分析了主要花生害虫与微气候变量之间的关系。尽管这些方法能够识别出关键的环境驱动因素，但通常无法阐明害虫种群对环境变化作出反应的生理机制。相比之下，机制模型则利用微分方程等数学工具来描述害虫种群的生长和扩散动态（Sokame等人，2021年；Malaguit等人，2023年）。然而现有模型往往忽视了气候因素的动态影响，或将它们仅视为外部输入，而非将温度、湿度及相关变量作为模型结构的内在组成部分（Skend?i?等人，2021年；Ma和Ma，2022年；Ponti等人，2021年）。因此，这类模型在捕捉微气候条件与害虫种群过程之间的动态和非线性相互作用方面存在局限。在当前气候变化背景下，这些局限性更为突出（Deutsch等人，2018年）。Deutsch等人（2018年）的研究表明，全球气温每上升1℃，害虫造成的作物损失可能增加10%至25%，这进一步凸显了需要建立能够将气候变量与生物学参数相结合的预测模型。因此，亟需开发出能够以灵活且数据驱动的方式同时纳入气候影响和生物机制的建模框架，以提高预测精度和实际应用性。在与害虫爆发相关的环境变量中，温度和湿度是影响害虫生存、发育、出现时间以及田间活动的两大最基本的微气候因素。对于豆荚螟而言，这一选择也有物种特定的生态学依据：豆荚螟为一年一代的害虫，以成熟幼虫形式在土壤中越冬，其季节性出现与温度和湿度条件密切相关（Gao等人，2018年）。先前的研究表明，温度会影响害虫的发育和存活等关键生命史过程（Shi等人，2014年），而湿度则会影响害虫的越冬行为、从滞育状态中苏醒以及之后的季节性出现（Qin等人，2015年；Ren等人，2023年）。此外，由于成虫的出现集中在特定的季节窗口期内，因此在当前研究中，温度和湿度尤为重要，因为它们在种群监测的时间尺度上呈连续变化，能够直接影响田间环境对成虫出现和存活的适宜程度。与许多难以持续观测或跨季节标准化的农艺和生态学协变量相比，这两个变量能够定期记录，从而为构建基于气候的种群动态框架提供具有生物学意义且易于操作的基础。因此，本框架将以温度和湿度作为主要的微气候驱动因素，构建一个重点明确且易于理解的模型，同时也承认其他农艺和生态因素也可能对害虫爆发产生影响。在此背景下，本研究构建了一个考虑温度和湿度影响的豆荚螟种群动态框架。具体而言，我们提出了一个逻辑斯蒂型常微分方程来描述害虫种群的时间演变，并引入了一个微气候调节项α(T,H,t)，用以表示温度、湿度和时间对种群增长的共同影响。由于该微气候调节项的功能形式事先并不确定，且可能涉及非线性相互作用，我们将所提出的方程嵌入到物理信息神经网络框架中，构建了害虫相关性模型神经网络（PCM-NN），以便直接从监测数据中推断出α(T,H,t)，同时保持机制一致性。我们利用2020年至2023年在长春收集的豆荚螟监测数据及配套的气象观测数据，训练该模型，使其同时拟合观测到的种群动态，并估算出随时间变化的微气候调节项。随后，将该训练好的模型用于预测2024年的豆荚螟发生情况，以2024年的相应数据作为外样本进行验证。通过这种方式，所提出的框架为在微气候作用下共同分析数据拟合、机制一致性和预测性能提供了基础。因此，本研究有三个具体目标：首先，基于温度和湿度建立豆荚螟的气候耦合种群动态模型；其次，通过PCM-NN框架推断出随时间变化的气候调节函数α(T,H,t)；第三，利用2020年至2024年的田间观测数据，评估所提出方法的一致性和预测效果。这些目标是在结合机制性种群动态与数据驱动的函数逼近的框架下实现的，同时保持了生物学的可解释性。本文的其余部分安排如下：第2节介绍了豆荚螟监测的数据来源和预处理流程，随后详细阐述了气候耦合逻辑斯蒂模型及其在PINN框架中的实现方式。第3节呈现了实验结果和验证分析，以评估模型的性能和应用潜力。第4节探讨了所提出方法的意义、局限性及实际应用价值。最后，第5节对研究进行总结，并指出未来研究的方向。数据与方法本研究中的数据收集、处理、建模和验证的整体工作流程如图2所示。本节详细介绍了数据获取和预处理步骤，随后是模型构建、PCM-NN算法设计以及实验设置。拟合结果与推断参数本小节展示了我们所提出的PCM-NN算法的拟合结果。通过运用PCM-NN，我们旨在比传统方法更准确地捕捉豆荚螟爆发的动态特征。为直观展示拟合效果，图8给出了两张图表。图8(a)显示了实际发生的豆荚螟爆发情况与PCM-NN算法拟合值之间的对比，该图清楚地体现了模型捕捉趋势和波动的能力。讨论在本研究中，PCM-NN被作为一种混合型的神经-机制框架来构建，用于描述在微气候作用下的豆荚螟动态，而非仅仅作为一种纯粹的数据拟合算法。这种设计的合理性在于其两个组分的互补作用——逻辑斯蒂型的种群方程为描述密度依赖型的种群变化提供了可解释的生态学结构，而用于表示气候调节项α(T,H,的神经网络则表示则体现了机制层面的描述。结论本研究开发了PCM-NN，这是一种混合型神经-机制框架，它将逻辑斯蒂型的种群方程与取决于温度和湿度的气候调节项相结合，用于模拟豆荚螟的种群动态。基于长春多年的田间监测数据，该框架成功拟合了观测到的种群动态，在常微分方程反演验证中保持了 consistency，并在预测评估中再现了主要的时间规律。这些结果表明……作者贡献声明徐晨：撰写——初稿、可视化、验证、软件、方法论、研究、正式分析、数据整理。李文轩：撰写——初稿、可视化、验证、软件、方法论、研究、正式分析、数据整理。李晓双：研究、正式分析、数据整理。刘苏丽：撰写——审稿与编辑、撰写——初稿、监督、资源协调、项目管理、资金获取、概念构思。高宇：撰写——资金相关内容。刘苏丽的研究得到了中国国家自然科学基金（12301627）以及吉林省教育厅科技研究项目（JJKH20250046KJ）的支持。高宇的研究则得到了中国国家重点研发计划（2023YFD1401000）以及农业农村部和中国农业科学院专项基金（项目编号CARS04）的支持。利益冲突声明作者声明不存在任何可能影响本文研究的已知利益冲突或个人关系。具体而言，各位作者均与任何可能从本研究成果中受益的公司或组织没有财务利益关系或特殊关联。