《Artificial Intelligence in Agriculture》:Integrating machine learning and large language models to enhance risk assessment and priority management for plant biosecurity
编辑推荐:
全球粮食安全与生物安全持续受到植物害虫流行与扩散的威胁,且随着全球贸易加速而加剧。人工智能(AI)的持续进步,例如大语言模型(LLMs)和机器学习,为食品贸易中的植物害虫风险管理提供了新的视角,但其实际效果尚不明确。在此,研究人员通过将大语言模型(LLM)与检
全球粮食安全与生物安全持续受到植物害虫流行与扩散的威胁,且随着全球贸易加速而加剧。人工智能(AI)的持续进步,例如大语言模型(LLMs)和机器学习,为食品贸易中的植物害虫风险管理提供了新的视角,但其实际效果尚不明确。在此,研究人员通过将大语言模型(LLM)与检索增强生成(RAG)方法、基于机器学习的网络分析及生态位建模(ENM)相结合,构建了一个风险管理框架和决策支持系统,用于评估柑橘贸易中害虫的多阶段风险,从而支持优先级风险管理。柑橘害虫的引入风险从2003年至2018年呈上升趋势,共识别出243条引入风险路径和98个风险节点,主要包括介壳虫和果蝇。研究结果突显了中国南方重要柑橘种植区多种柑橘害虫共同引入与共同建立的高风险,以及气候变化下向高纬度地区扩散的风险。该决策支持平台在柑橘害虫风险管理方面表现出可靠的性能。此外,该研究为涉及多种贸易路径的植物害虫多阶段风险管理提供了新的见解。
**论文解读:基于机器学习与大语言模型的植物生物安全风险评估与优先级管理**
**研究背景与问题**
全球贸易的持续加速显著增加了植物害虫的跨境传播,对粮食安全和生物安全构成持续威胁。据估计,全球约40%的作物产量因植物害虫而损失。气候变化进一步加剧了害虫分布范围的扩展和发育周期的缩短,导致更严重的作物损害。现有研究方法多聚焦于单一风险阶段、特定害虫类群或单一建模技术,难以整合多阶段(引入、建立、扩散)风险、多贸易路径以及多样化害虫类群,并转化为可操作的管理决策。因此,需要开发一种综合框架,将定量风险评估与用户友好的决策支持系统相结合,以指导检疫优先级的设定、监测资源的分配以及靶向防控策略的制定。针对这一需求,研究人员以柑橘害虫为例,开展了本研究,论文发表在《Artificial Intelligence in Agriculture》。
**研究内容与结论**
研究人员通过整合基于机器学习的网络分析、生态位建模(ENM)以及大语言模型(LLM)与检索增强生成(RAG)方法,构建了多阶段风险管理框架和决策支持系统。研究得出以下结论:(1)2003至2018年间,中国柑橘害虫引入风险持续上升,共识别出243条引入风险路径和98个风险节点,介壳虫和果蝇为主要高风险类群。(2)中国南方重要柑橘产区(如广东、广西、湖南)面临多种害虫共同引入和建立的高风险,且气候变化下害虫可能向高纬度地区扩散。(3)耦合LLM与RAG的决策支持系统在30个问答对测试中表现出可靠性能,余弦相似度、BM25和BERT的平均准确率分别为0.76、0.9648和0.8626,能够有效支持多阶段风险管理决策。该研究为植物害虫多阶段风险管理提供了新见解,并支持基于证据的检疫策略制定。
**关键技术方法**
研究人员主要使用了以下关键技术方法:(1)基于网络分析(Network Analysis)的引入风险评估,通过计算节点介数中心性(betweenness centrality)和特征向量中心性(eigenvector centrality)以及K-core算法,识别关键风险路径和节点。(2)基于机器学习的生态位建模(ENM),采用五种算法(广义线性模型GLM、随机森林RF、梯度提升机GBM、最大熵模型MaxEnt、多元自适应回归样条MARS)构建集成模型,评估害虫的建立和扩散风险。样本数据来源:中国国家植物检疫信息系统(2003-2018年柑橘害虫截获记录)、全球生物多样性信息设施(GBIF)等数据库及中国实地调查(2021-2024年)。(3)大语言模型(LLM)与检索增强生成(RAG)框架,构建向量知识库,实现自然语言查询驱动的多阶段风险信息检索与决策支持。
**研究结果**
**3.1 中国不同省份的引入风险**
通过分析柑橘害虫截获数据,发现广东(GD)始终是引入风险最高的省份,具有最高的截获频次、来源国数量和截获物种数。上海(SH)、深圳(SZ)和福建(FJ)也常被识别为高风险二次引入区域。云南(YN)在柠檬介导的引入网络中风险突出。而陕西(SN)、湖北(HB)、北京(BJ)和黑龙江(HL)风险较低。
**3.2 引入风险网络**
系统识别了关键风险节点:广东、上海、深圳在引入风险网络中具有高介数中心性和特征向量中心性,构成核心枢纽。来源国中,台湾地区(TW)和泰国(THA)在多个柑橘物种网络中表现出高中心性,而南非(ZAF)、美国(USA)和新加坡(SGP)在特定网络中起关键作用。引入风险网络呈现5个模块化类别,总体上橙子、柠檬和宽皮柑橘介导的网络连通性高,而葡萄柚和柚子网络较为稀疏。主要引入风险路径涉及介壳虫(如Aonidiella aurantii、Parlatoria zizyphus、Lepidosaphes beckii)和果蝇(如Bactrocera dorsalis),以及潜在入侵种Cryptophlebia leucotreta。
**3.3 建立与扩散风险**
通过集成生态位建模,整合模型平均TSS为0.88,AUC为0.97,表明模型精度高。年均温(bio1)和人类足迹(HFP)是影响害虫适宜区的主要变量。当前气候下,多种害虫(如Bactrocera scutellata、Pseudococcus comstocki、Chrysomphalus aonidum)的潜在适宜区超过190×10
4 km
2。未来气候情景下,多数害虫适宜区进一步扩大,如B. dorsalis在SSP
585情景下从114.89×10
4 km
2增至139.24×10
4 km
2。中国南方柑橘产区(如广西、湖南、广东)与害虫物种丰富度热点高度重叠,介壳虫在广东、上海等地建立风险高,果蝇在云南、贵州等地风险高。未来气候变化下,害虫丰富度在南方省份略有下降,而在长江流域省份(如湖南、四川、湖北)呈增加趋势,表明害虫向高纬度扩散。
**3.4 风险管理框架与系统**
构建了涵盖引入风险预防、建立风险监测和扩散风险遏制的多阶段风险管理框架。基于该框架,开发了耦合大语言模型(Qianwen-3 Plus)与RAG的决策支持系统。系统性能测试(30个问答对)显示,余弦相似度、BM25和BERT的平均准确率分别为0.76、0.9648和0.8626,表明系统能够可靠地匹配相关知识与复杂风险管理方案。
**讨论总结与研究结论**
讨论部分指出,该研究首次整合了多阶段风险(引入、建立、扩散)与多贸易路径,并利用AI辅助决策支持系统将定量风险评估转化为可操作的管理指南。研究强调了根据柑橘物种特异性识别高风险来源国、入境口岸及害虫类群的重要性,并提出了针对介壳虫和果蝇的靶向检疫与监测策略。此外,研究还指出了系统在动态更新能力、更严格验证等方面的局限性。
**研究结论翻译**:本研究证明,将多阶段风险评估与AI辅助决策支持相结合,可为食品贸易相关植物害虫的决策制定和多阶段风险管理策略提供指导。对于政策制定者和监管机构,该框架为优先检疫检查、分配监测资源以及在高风险来源、入境口岸和生产区域设计靶向生物安全干预措施提供了具体依据。此外,启用RAG的决策支持系统使监管人员能够通过自然语言交互访问最新的、基于证据的风险信息,从而提高了植物害虫风险管理决策的透明度和效率。与计算密集型的微调策略相比,基于RAG的整合方案可能特别适用于植物生物安全应用,因为这些应用中的决策情境本质上是多阶段、类群特异性和数据异质性的,并且风险证据往往需要根据新的截获记录、分布数据和环境变化预测进行灵活更新。总体而言,该方法为在日益全球化和气候变化背景下支持基于科学的贸易相关植物害虫风险管理政策制定提供了一个可扩展和可转移的模型。