《Journal of Stored Products Research》:Integrated optimization of
Lantana camara-based biopesticide for
Sitophilus granarius control: Chemical profiling, residual efficacy, and machine-learning-driven decision support
编辑推荐:
摘要谷象,学名Sitophilus granarius L.(鞘翅目:象甲科),是全球储粮作物的主要害虫,会导致严重的产后损失,且常常会对合成杀虫剂产生抗药性。植物提取物为一种可持续的替代方案,但其实际应用需要准确了解其化学成分、浓度-暴露阈值以及长期残留效果。在本研究中,我们在
摘要
谷象,学名Sitophilus granarius L.(鞘翅目:象甲科),是全球储粮作物的主要害虫,会导致严重的产后损失,且常常会对合成杀虫剂产生抗药性。植物提取物为一种可持续的替代方案,但其实际应用需要准确了解其化学成分、浓度-暴露阈值以及长期残留效果。在本研究中,我们在模拟储存条件(25?±?2?°C,65?±?5%相对湿度)下,以未处理组及印楝阿扎尔作为阳性对照,评估了九种植物提取物对Sitophilus granarius成虫的杀灭效果。其中,来自Lantana camara的提取物效果最佳,通过GC-MS分析发现其中含有β-石竹烯、香叶烯D和桉树油醇等活性成分。我们还构建了一个整合响应面方法、田口设计以及监督机器学习(随机森林、XGBoost、多层感知器)的预测优化框架,用以优化死亡率预测与处理条件。Lantana camara提取物可使害虫死亡率达到87.29%,接近印楝阿扎尔的99.58%。帕累托分析表明,暴露时间是影响效果的最主要因素,其次是浓度和植物种类。响应面方法优化结果显示,浓度为7.88%、处理时间为70.06小时的L. camara提取物可实现100%的杀灭率,这一结果也得到了田口实验的验证。在模拟储存条件下,该优化配方30天内仍能保持90%以上的杀灭效果。在各类机器学习模型中,随机森林的预测精度最高(R2=97.5%),可用于在未经测试的条件下进行可靠预测。该框架为优化植物源杀虫剂、减少储粮保护中合成农药的使用提供了实用且基于数据的解决方案。
引言
农产品的储存对全球粮食安全和经济稳定至关重要,因为害虫、腐烂及产后损失可能使全球农业总产量损失高达17.0%(Kumar和Kalita,2017;Shahbazi等人,2025;Stathers等人,2020)。这些问题不仅会导致产量下降,还会影响产品质量,进而造成经济损失和粮食安全问题(De Brauw和Bulte,2021)。在上述问题中,昆虫害虫是对储藏产品威胁最大的因素,联合国粮食及农业组织报告称,总损失中有10.0%是由昆虫造成的(Stathas等人,2023)。2008年的一份报告指出,有600种昆虫和70种蛾类会危害储藏的农产品(Rajendran和Sriranjini,2008)。
谷象,学名Sitophilus granarius L.(鞘翅目:象甲科,1763年),是一种对储藏产品具有严重危害的昆虫害虫。它的幼虫在谷粒内部取食,而成虫则在谷物表面啃食,同时还为其他害虫侵入储粮创造条件(Boniecki等人,2020)。由于害虫对杀虫剂产生抗药性,以及化学杀虫剂可能带来的残留和环境危害,使用传统方法控制像S. granarius这样的有害昆虫害虫面临很大挑战。因此,需要可持续且高效的害虫管理策略来解决问题(Shang等人,2024)。在此背景下,植物提取物作为一种有前景的替代方案出现,因为它们易于分解,对非目标生物的危害较小,且残留量可忽略不计或为零(Oulahal和Degraeve,2022;Souto等人,2021)。然而,要成功开发植物源生物杀虫剂,需要综合考虑多个因素,包括目标害虫种类、最佳浓度、施用时间、环境条件、所使用的植物部位、提取方法、制剂助剂以及可能对非目标生物产生的影响(Fenibo和Matambo,2025;Godlewska等人,2021)。这些问题可以通过实验设计等优化方法来解决。植物提取物因其易于分解、对非目标生物危害小以及残留量少,是最佳选择。不过,为特定害虫选择合适的植物、确定最佳浓度和处理时间至关重要(Ahmad等人,2019;Isman,2020)。这些问题同样可以通过实验设计等优化方法来解决。
响应面方法是一种基于实验设计的统计优化工具(Rheem,2023),它通过设计实验、分析优化响应模型、预测结果,从而减少实验次数并加快研发进程(Lotfy等人,2025)。响应面回归分析是一种强大的数据可视化工具,有助于理解复杂关系并确定最佳条件(Ali和Aasim,2024)。另一方面,田口设计也是一种基于信噪比的强大统计工具,它通过降低噪声(即不可控因素的影响)来筛选可控因素的最佳条件(Mitra,2011)。这种信噪比机制使得模型在不同的环境或实验条件下依然稳定且可靠。运用这两种方法,可以找到具有最佳浓度和处理时间的适宜植物,用于制备生物杀虫剂(Zhou等人,2024)。基于实验设计的工具还有助于理解复杂的相互作用、预测结果,同时减少实验规模和成本(Kefas等人,2022)。
在精准农业领域,人工智能正在推动预测建模、害虫识别和监测技术的革新。人工智能驱动的图像识别技术有助于实时监测害虫活动,从而识别害虫(Kasinathan等人,2021;Markovi?等人,2021;Mendoza等人,2023)。在植物保护和害虫管理策略中,人工智能可通过预测害虫种群动态和爆发情况,帮助优化资源分配,减少对环境的影响(Nazir等人,2024)。同样,通过人工智能模型也可以分析和建模植物提取物的效果,从而了解其中的潜在规律,优化不同环境条件下的多种参数和性能,并实现实时监测(Jafari等人,2026)。尽管已有不少研究分别采用统计优化或机器学习方法进行害虫管理,但将植物筛选、化学成分分析、基于响应面方法和田口设计的双重优化以及人工智能驱动的预测建模相结合的综合性框架仍然较为少见。因此,本研究提出了一种综合的优化-预测框架,旨在提升杀虫效果,增强系统的稳健性、可解释性,为可持续的储粮系统提供更好的决策支持。
章节节选
植物材料
2024年5月至6月期间,我们从土耳其安塔利亚省的公共公园和农田中采集了8种属于不同科的植物(坐标:北纬36°53′,东经30°42′)。这些植物的标本已存放在锡瓦斯科学技术大学的植物标本馆中(标本编号:PE-2024-001至PE-2024-008)。这些植物包括:Allium sativum L.(石蒜科)、Hyoscyamus niger L.(茄科)、Lantana camara L.(马鞭草科)、Tanacetum vulgare L.(菊科)等。
方差分析
在比较八种植物提取物与印楝阿扎尔对害虫死亡率的影响时,L. camara的杀灭率最高,为87.29%,仅次于阳性对照印楝阿扎尔T/S的99.58%。Hyoscyamus niger也有显著的杀灭效果,为49.17%。而提取物的杀灭效果最低,仅为0.31%。浓度对死亡率有显著影响,浓度越高,总体死亡率也越高,最高浓度为10%。
讨论
本研究表明,在所测试的八种植物提取物中,L.camara对S. granarius的杀灭效果最佳,在10%浓度下处理72小时后,杀灭率为87.29%。这一结果与先前关于L. camara提取物对储粮害虫如和Callosobruchus chinensis的杀虫活性的研究结果一致(Aisha等人,2024;Gotyal等人,2016)。L. camara的高效杀虫作用得益于其丰富的植物化学成分。
结论
利益冲突声明
作者声明,本研究是在没有任何可能被视为利益冲突的商业或财务关系的情况下进行的。
CRediT作者贡献说明
Pervin Erdogan:概念构建、数据整理、正式分析、初稿撰写、审稿与编辑。 Muhammad Aasim:概念构建、资金筹集、项目管理、监督工作、审稿与编辑。 Zemran Mustafa:实验研究、方法设计、软件应用、审稿与编辑。 Amjad Ali:概念构建、正式分析、资源协调、软件应用、初稿撰写、审稿与编辑。 Seyid Amjad Ali:实验研究、方法设计。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
致谢
作者感谢土耳其安卡拉大学药学院药物生物技术专业的Gulay Buyukkoroglu博士,感谢她帮忙配制提取物。同时也要特别感谢土耳其安卡拉大学药学院的药物生物技术专业的Betul Sever Yilmaz博士,感谢她协助准备植物提取物。
Pervin Erdogan|Muhammad Aasim|Zemran Mustafa|Amjad Ali|Seyid Amjad Ali|Rashid Abbas Khan|Abdul Waheed
土耳其锡瓦斯科学技术大学农业科学与技术学院植物保护系,锡瓦斯