一种用于预测椰枣叶螨侵害的新智能系统的设计与评估

《Internet of Things》：Design and Evaluation of a New Intelligent System for Forecasting Date Palm Mite Infestation

　　摘要：布法鲁亚害虫，学名为Oligonychus afrasiaticus，对枣椰树种植以及依赖该作物的多个地区的经济造成了严重影响。我们提出了一种新型智能系统，用于提前预测虫害发生，从而将损失降到最低。该系统是一个计算原型，通过在枣椰树周围布置相互连接的传感器，实时监测与Oligonychus afrasiaticus传播相关的环境因素，如温度、湿度、降雨量、土壤湿度、风速和风向等。此外，该系统基于多时间尺度深度学习方法，采用了三种特定模型：用于7天预测的Bi-LSTM模型、用于15天预测的Stacked-GRU模型，以及用于30天预测的Bi-GRU模型。基于真实传感器数据的实验结果表明，与线性回归和决策森林回归等机器学习技术相比，该系统的预测性能更为出色——7天预测模型的R2值为0.9798，RMSE值为0.0904，准确率为94.1%；15天预测模型的R2值为0.9713，RMSE值为0.1080，准确率为93.3%；30天预测模型的R2值为0.9700，RMSE值为0.1160，准确率为93.0%。凭借精准的预测，该系统能让农民将预防措施和田间检查集中在风险最高的时段，减少频繁的人工检查需求，同时将这些预测作为决策依据，而非替代实际检查。它还能通过减少不必要的农药使用来提升整体食品生产效率，降低病虫害控制对环境的负面影响，进而保障粮食安全、稳定经济，并助力各农场更高效地开展管理。

引言：在北非、中东以及南亚和美洲的部分干旱和半干旱地区，枣类水果是最重要的农产品之一。例如，在阿尔及利亚，约有1800万株各类枣椰树分布在172,000公顷土地上，每年可产出约40万吨枣子[1],[2]。枣椰树种植面临着多种病害的威胁，如黑腐病、巴尤德病和布法鲁亚病，这些病害都会严重影响枣子的产量[3],[4]。本研究聚焦于当地常见的布法鲁亚病（学名为Oligonychus afrasiaticus），这种病害被视为危害枣椰树的最严重疾病之一。布法鲁亚病是由属于叶螨科的枣椰树螨引起的[5]。由于目前尚无治愈这类病害的方法，因此会给农民带来巨大的经济损失。此外，当灌溉水源严重不足或管理不善时，枣椰树还可能面临生理压力，在极端炎热干燥的夏季，甚至有超过80%的作物可能遭受毁损[5]。布法鲁亚病是危害枣椰树的最具破坏性的害虫之一。在早期阶段发现虫害十分困难，而其传播速度极快，使得后期控制更加棘手。如果不加以防治，布法鲁亚病可在短时间内摧毁大量枣子[5]。此前最接近的相关研究见于[14]，该研究通过将同一时间测量的环境参数和果实参数与当时观察到的螨虫数量相关联来估算螨虫数量，但并未提供任何预测预警时间。此前尚未有任何研究针对这种害虫开展多时间尺度的未来虫害风险预测。这也凸显了我们研究的创新性及其价值——它不仅能够通过最多30天的提前预测来实现早期预防，还能在实际的物联网与人工智能混合应用场景中，借助真实传感器数据展现出出色的预测性能。目前大多数用于病虫害管理的物联网系统要么仅负责监测环境，要么在害虫症状已经出现时才发出警报，要么只能进行固定时间范围的预测。与我们的研究最相近的关于Oligonychus afrasiaticus的先前研究[14]在两个方面存在缺陷：其一，某研究通过将同一时间的天气数据和果实质量数据与同周采集的螨虫样本相关联来估算螨虫数量，采用非时间分组的训练/测试方式，且没有预测预警时间[6]；另一项相关研究[2]则依靠地理统计监测方法，缺乏可重复的多时间尺度早期预警机制。这两项研究都未能开发出能够提前告知农民未来可能发生情况的虫害风险预测模型。此外，目前关于枣椰树的深度学习研究大多集中在红棕象甲、杜巴斯虫和枣树介壳虫等其他害虫上，几乎全部依赖图像或无人机检测技术，而非时间序列风险预测。我们的框架则与所有这些现有研究截然不同——它是一种实时决策支持系统，旨在在果实出现任何可见症状之前就尽早发现O. afrasiaticus。据我们所知，此前尚无研究专门针对Oligonychus afrasiaticus的虫害进行未来预测。现有的相关研究[2],[5],[6],[7],[8]仅描述了观测时的螨虫数量，而非提前进行预测。我们的研究则是首个仅通过历史环境数据，就能在虫害出现之前，为多个不同时间跨度预测其风险的研究。我们提出的架构的独特之处在于其对三个预测时间跨度的处理方式：并非将其视为独立的预测结果，而是将其视为逐层递进的决策支持环节，逐步缩小不确定性，帮助农民从整体准备阶段进入精准干预阶段。30天预测模型首先发出预警，表明环境条件正逐渐变得有利于虫害爆发；15天预测模型则会利用更近期的环境数据进一步细化这一判断；最后，7天预测模型会给出高置信度的短期预测结果，供农民及时采取行动。每个时间跨度的预测都会在一定程度上牺牲确定性以换取更长的预警时间，将多个时间跨度的预测结果结合分析，就能让种植者判断虫害最可能发生的时机，决定重点检查哪些区域，并据此规划农药使用方案。这与传统的防治方式有很大不同——传统做法要么按固定时间表喷药，要么在整个生长季过度喷药，而我们的系统仅在预测风险足够高时才建议采取行动。这些建议会通过一个集成平台传递给农民，该平台整合了实时传感功能、基于云的数据管理功能、预测模型以及能发送本地化、通俗易懂警报的移动应用程序。由于相关硬件具备自供电功能且成本较低，即便在基础设施较为匮乏的农场，这一整套系统也极具实用性。其优势包括减少农药浪费、实现更可持续的病虫害控制，以及通过及时且基于科学依据的干预措施更好地保护作物。为应对这些挑战，我们提出了一种基于人工智能的新型系统，可用于提前30天预测枣椰树上的布法鲁亚病害。该系统基于多时间尺度深度学习架构构建，包含了三种专用模型：用于7天预测的双向长短期记忆网络模型、用于15天预测的堆叠门控循环单元模型，以及用于30天预测的双GRU模型。每种模型都基于30天的历史环境传感器数据进行训练，同时还会利用NASA POWER应用程序编程接口提供的卫星数据特征来补充处理缺失数据。为每个时间跨度使用独立的模型，可以提高预测的准确性与时稳定性，也有助于各模型更好地掌握与其对应的时间相关规律。影响Oligonychus afrasiaticus爆发的环境条件会在不同的时间尺度上发生变化。短期内引发虫害风险的因素包括温度、湿度和风力的波动；而长期的气候趋势，如温度和湿度变化，则会导致害虫种群数量逐渐增加。实验结果表明，我们提出的多模型系统的预测准确性和稳定性均优于此前的相关研究[11],[12],[6]和[2]。我们方法的独特之处在于，它能够在可见症状出现之前就预判虫害风险，让农民只在必要时采取预防措施。这样一来，既能更好地保护作物，又能减少农药使用，实现更高效的病虫害管理。与目前往往从初夏就开始随机或过度施药的防治方式不同，我们的解决方案能够根据预测结果指导农户采取相应措施。它还能通过移动端界面提供本地化警报，非常适合在资源匮乏的农业环境中使用。我们之所以选择为三个不同时间跨度分别设计模型，而非使用单一的统一多时间跨度预测模型，主要有三个原因。首先，无论是递归型还是序列到序列型的单模型多步骤预测，都会在各个步骤中积累误差，从而导致最长时间跨度的预测精度大幅下降；而专为每个时间跨度设计的模型则能使预测相互独立，避免一个时间跨度的误差影响到另一个时间跨度。其次，导致虫害发生的环境因素作用于不同的时间尺度——短期内的温度、湿度和风力波动会影响近期风险，而较慢的气候趋势则会影响长期风险，因此每种模型都可以针对相应的时间特性进行优化设计，这也是我们选择用Bi-LSTM模型处理变化剧烈的7天预测数据，用GRU模型处理较为平稳的15天和30天预测数据的原因。第三，由于不同时间跨度下的虫害发展阶段存在差异，独立的模型能够让分类加权目标与各时间跨度对应的实际数据分布相匹配。

本研究的核心贡献：
研究问题1：本研究要解决的一个关键问题是：农民应何时、如何采取干预措施，才能有效控制害虫，同时避免不必要的农药使用？
本研究对此的贡献：为解答这一问题，我们开发了一种新的智能系统，该系统能够利用实时环境因素预测枣椰树螨虫的虫害风险。为实现这一目标，我们结合了深度学习和物联网技术，帮助农民做出科学的病虫害防治决策，并及时采取干预措施。

研究问题2：我们在这项研究中要解决的另一个问题是：如何将深度学习和物联网技术结合起来，以实现枣椰树螨虫虫害的精准早期预测和实时警报功能？
本研究对此的贡献：我们提出了基于深度学习和物联网整合的早期预测模型。我们设计了三种基于深度学习的架构，用于预测枣椰树红蜘蛛的虫害情况。此外，我们还开发了一个原型系统，其中包含用于存储和管理传感器数据的网页数据管理系统，以及能为农民提供实时警报和建议的移动应用程序。本文的其余部分结构如下：第2节介绍相关研究进展；第3节阐述枣椰树螨虫及其所处的农业环境；第4节介绍我们提出的系统架构、人工智能模型，以及训练阶段所使用的数据集；第5节分析我们提出的系统的性能评估结果；最后，第6节对全文进行总结，并指出未来的研究方向。

相关研究综述：
在[12]中，研究人员研究了出现在阿曼果园中的小叶蝉——奥马蒂苏斯叶蝉与枣椰树密度之间的关系。他们研究了果园内树木的密度以及虫害的发生程度，发现树木密度对控制枣椰树螨有一定作用。不过，研究者们对直接从这一结果中得出结论持谨慎态度，他们强调虽然树木密度……所收集的数据被存储起来，并在“实证结果与讨论”部分得到更为可靠的访问。根据用于评估的绩效指标，该7天预测模型的表现良好，能够给出准确的预测结果。R2值高达0.9798，RMSE为0.09，MAE为0.03，而MSE则较低，仅为0.0081。这些数据表明，该模型在预测方面相当可靠，因为它能够成功识别出数据中的潜在规律。实际数据曲线与预测曲线非常相似，这说明模型的预测结果与实际情况高度吻合。

从所提出的模型实施过程中获得的经验教训以及实证结果来看，这一人工智能驱动的物联网系统的应用为我们提供了若干重要启示，这些启示对其他研究类似问题的学者而言也极具价值。需要指出的是，这些经验不仅适用于解决枣椰树上的布法劳螨侵害问题，还适用于更广泛地运用人工智能、物联网和气象数据来管理农业病虫害。

1. 结论
布法劳螨及其相关疾病，如枣椰树白粉病和巴尤德病，会威胁到枣椰树的产量，尤其是在灌溉和维护不当的情况下。近年来，恶劣的天气状况进一步加剧了这一问题，导致作物产量和产量持续大幅下降。因此，及时检测布法劳螨的侵害至关重要。然而，由于难以通过视觉手段识别布法劳螨的侵害情况，这一任务仍然具有挑战性。

图表：图1、图2、图4、图6、图8、图9、图10、图11、图12、图13、图14、图15、图16、图17、图18、图19、图20、图21、图22
表格：表1、表2、表3、表4、表5、表6

作者贡献说明：
Aimen Chaib：数据收集工作。
Salim Bitam：项目监督与管理工作。
Sherali Zeadally：项目监督工作。

利益冲突声明：
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

Aimen Chaib | Salim Bitam | Sherali Zeadally
阿尔及利亚比斯克拉大学计算机科学系，邮编07000