编辑推荐：
现代农业在综合害虫管理（Integrated Pest Management, IPM）中面临重大挑战，实时采集、关联和处理监测数据至关重要。本研究介绍了巴西昆虫调查平台（Brazilian Insect Survey, BIS），一个旨在集中化和简化植物检疫
现代农业在综合害虫管理（Integrated Pest Management, IPM）中面临重大挑战，实时采集、关联和处理监测数据至关重要。本研究介绍了巴西昆虫调查平台（Brazilian Insect Survey, BIS），一个旨在集中化和简化植物检疫数据管理的Web平台，能够在统一的数字生态系统中整合计算机视觉、田间试验和种群建模。该平台由若干功能模块组成，支持试验数据管理（TrapSystem和AgroExperiment）、基于数字图像的自动化昆虫检测与计数（InsectCV和AphidCV），以及蚜虫种群动态模拟（ABISM）。这些组件在分布式处理基础设施支持下协同运行，以确保可扩展的数据处理和高效的分析工作流程。多年田间应用表明，将田间数据采集和自动化图像分析与机制性种群建模相结合，能够在多变的环境条件下实现及时的、模型驱动的干预措施，降低蚜虫侵染水平并保护作物产量潜力，为基于人工智能的昆虫检测与种群动态建模相结合在实际IPM中的有效性提供了经验证据。本文展示的案例研究表明，BIS平台在一个模块化数字生态系统中成功整合了计算机视觉、田间试验和种群建模，凸显了其增强决策能力和推进数据驱动型综合害虫管理的潜力。
**论文解读：巴西昆虫调查平台——面向综合害虫管理的整合性数字生态系统**
**一、研究背景与问题**
现代农业作物保护面临日益严峻的挑战，农业害虫对全球粮食安全和粮食生产构成重大威胁。综合害虫管理（Integrated Pest Management, IPM）作为一种基于系统监测和多方法协同的基本策略，要求在经济效益、环境影响和社会影响之间取得平衡，同时维持作物产量。在此框架下，支持病虫害监测的计算工具日益重要，通过数字化和简化数据采集、存储与分析流程，能够为IPM决策提供更可靠和及时的信息支持。
然而，尽管已有多种数字平台被开发用于病虫害管理，农业数据采集、计算机视觉分析和种群建模在实际应用中往往以互操作性有限的独立工具形式存在。这种碎片化通常需要系统间的手动数据传输，减缓了数据处理速度，并延迟了害虫管理计划中的决策进程。将上述组件整合到统一的数字平台中，仍是开发下一代农业决策支持系统的重要挑战。此外，冬季小谷物作物中禾谷类蚜虫—大麦黄矮病毒（Barley yellow dwarf virus, BYDV）—天敌复合体的动态变化具有显著的追踪难度，需要全面理解非生物因素如何影响生物因素及其相互作用。
**二、研究目的与技术方法**
（一）研究目的
受Rothamsted昆虫调查计划的启发，巴西昆虫调查平台（Brazilian Insect Survey, BIS）被构想为追踪冬季谷物作物害虫的综合解决方案。该平台旨在克服数据采集、自动化分析和种群建模系统之间普遍存在的碎片化问题，提供一个统一的数据管理和决策支持环境，将昆虫学监测、自动化昆虫分析和预测性种群建模整合为一个完整工作流程，减少信息孤岛，促进从原始监测数据向可行动信息的转变。
（二）关键技术方法
BIS平台采用基于微服务的架构，部署于Embrapa数字农业维护的分布式计算基础设施上，包括数据服务器、Web服务器、试验管理服务器、概率建模服务器以及用于深度学习推理的GPU集群。软件架构采用面向服务的设计，独立模块通过基于REST的应用程序接口（API）进行通信。平台数据来源于2021至2024年连续四个冬季作物生长季的田间试验（地点位于巴西Rio Grande do Sul州Passo Fundo大学试验田，28°13'31''S, 52°23'20''W），采用随机完全区组设计，设置三种管理策略（未处理对照、全量处理和ABISM驱动处理）。主要技术方法包括：基于YOLO26L和RT-DETR深度学习模型的自动化昆虫检测（InsectCV模块）、物种特异性蚜虫形态特征分析（AphidCV模块），以及基于个体模拟的机制性种群动态模型ABISM。
**三、研究结果**
**（一）BIS平台组成及其在昆虫学监测和决策支持中的作用**
BIS平台整合了互补的工具集，共同支持将昆虫学观测转化为害虫监测和决策支持信息。TrapSystem模块用于组织昆虫陷阱网络获取的监测数据，支持跨机构和项目的长期害虫监测。AgroExperiment模块补充陷阱监测，通过标准化记录田间试验的生物和农艺观测，提高实验信息的连贯性和可追溯性。InsectCV模块利用深度学习技术自动检测和量化粘性陷阱及Moericke陷阱图像中的有翅蚜虫和寄生蜂。AphidCV模块采用物种特异性模型，对预先识别的蚜虫物种进行更细粒度的分析，支持若虫、无翅成蚜和有翅成蚜的计数以及形态测量数据提取。ABISM模块通过整合生物观测、监测记录和环境信息，模拟不同环境和管理条件下的昆虫种群动态。Alerts模块在预测害虫丰度超过预定经济行动阈值时生成警报和风险信息。
**（二）BIS模块的性能与实用适用性**
在图像采集与初级检测方面，InsectCV模块在黄粘性陷阱图像中使用YOLO26L模型对蚜虫检测实现了0.795的精确率、0.762的召回率、0.827的mAP50和0.500的mAP50-95；在Moericke陷阱图像中，使用RT-DETR模型在1030张评估图像上实现了0.942的总体精确率、0.788的召回率、0.835的mAP50和0.440的mAP50-95。自动化计数与7年历史监测数据的对比显示强一致性（R2 = 0.898）。单张图像的完整处理时间约为12秒，大幅减少了人工工作量。
在蚜虫特征分析与形态测量方面，AphidCV模块支持六种经济重要蚜虫物种（Rhopalosiphum padi、Schizaphis graminum、Metopolophium dirhodum、Sitobion avenae、Myzus persicae和Brevicoryne brassicae）的发育阶段分类和形态特征提取，与专家评估高度一致，并显著缩短了处理时间。
在试验管理与系统参数化方面，AgroExperiment模块支持在重复评估中记录植物发育、蚜虫定殖等观测数据，改善了种群研究中数据集的连贯性和一致性。温度、光周期、湿度、土壤特征和气象条件等变量可与试验观测关联，用于参数化或为ABISM模拟提供信息。
在预测建模与种群动态方面，ABISM模块已使用禾谷缢管蚜（R. padi）——冬季谷物中BYDV的主要传播媒介之一——在恒温、循环热制度及自然波动室外条件下进行了广泛验证。在变温条件下，模拟与观测种群的总种群估计均方根对数误差为0.6（RMSLE），模型成功再现了种群动态和种群年龄结构，包括若虫、无翅成蚜和有翅成蚜的丰度。模型有效捕捉种群进程，支持其核心模拟逻辑用于田间预警系统的有效性。
在田间验证方面，2021至2024年四个作物生长季的试验结果表明，全量处理（TT）始终将蚜虫种群维持在接近零的水平。未处理对照（SI）的峰值侵染率在2021年达22.2%、2022年达42.5%、2023年达23.0%、2024年达76.4%。ABISM驱动的管理在所有年份均表现出主动防控效果：2021年和2022年将峰值侵染率分别稳定在11.1%和9.0%；在蚜虫高发压力的2024年，将侵染率限制在平均16.0%；2023年维持在8.0%（对照为23.0%）。籽粒产量方面，2021至2023年三种策略间无显著差异（p > 0.05），但2024年在高蚜虫压力下，ABISM策略（3217 kg/ha）和全量处理策略（3048 kg/ha）相比未处理对照（2682 kg/ha）显著保护了产量潜力（p < 0.05）。
**四、讨论与结论**
在系统架构与AI性能方面，BIS的发展揭示了大规模数字农业平台常见的挑战，包括维持数据一致性、互操作性和大规模图像存储库的高效管理。在安全通信方面，分布式Web服务间的交互需要精细控制。分析表明，YOLO26在黄粘性陷阱图像上表现最佳，而RT-DETR在处理Moericke陷阱获取的液态保存样本时性能更优，说明计算机视觉模型的效能不仅取决于模型架构本身，还受目标数据集的视觉特征影响，模型在不同监测场景间的直接可迁移性有限。
在战略贡献与运营意义方面，BIS填补了巴西IPM数字化中的空白，提出了一个可扩展且灵活的模块化生态系统。不同于针对特定病害信息传播的倡议或区域性害虫监测项目，BIS被构想为一个能够整合植物检疫监测过程多个阶段的统一计算环境，减少数据冗余、标准化系统接口，并加速从原始田间观测到可行动决策支持信息的转化。
在平台当前状态与成就方面，BIS平台成功实现了从传统劳动密集型害虫巡查向自动化、模拟驱动的精准管理的转变。通过准确处理每日热总和及种群参数，平台展示了足够的预测提前量来触发精准的杀虫剂施用，在高压力年份（如2024年）防止了超过530 kg/ha的产量损失。
在弱点和系统改进关键领域方面，当前框架的主要局限性在于对“寄主植物效应”的高度敏感性。默认参数与抗性小麦品种的侵染模式高度吻合，但对高感品种会显著低估风险、种群增长率和空间定殖速度。这一预测缺陷源于忽略了品种内变异和昆虫—植物相互作用。高感寄主通过缩短生殖前期、增加总繁殖力和延长寿命来加速田间定殖。未来改进方向包括：整合品种特异性抗性等级（从通用寄主概况转向标准化的JSON映射抗性组），过渡到随机死亡率规则（以动态每日存活概率替代基于阈值的确定性死亡逻辑），以及协同寄主—载体—病原体建模（整合寄主—载体抗性和寄主—病原体耐受性以减轻产量损失）。
研究结论表明，BIS平台将昆虫学监测、自动化图像分析和机制性种群建模统一为冬季作物IPM的连续数据到决策管道。多年田间验证证明，将实时数据与ABISM模拟模型耦合能够实现及时的、模型驱动的干预措施，即使在高害虫压力下也能持续降低蚜虫侵染并保护籽粒产量。未来工作将增强ABISM模型的生态真实性，将其框架扩展到更多种植系统，并通过实时预测警报实现早期预警决策周期的完全自动化。
