在哪里收集数据?基于生理过程的模型与状态观测器支撑昆虫学监测

《Ecological Modelling》:Where can I collect my data? Physiologically-based models and state-observers support entomological monitoring

【字体: 大 中 小 】 时间:2026年07月01日 来源:Ecological Modelling 3.5

编辑推荐:

  昆虫害虫监测可视为一种在感知能力约束下的资源分配问题,因为不可能在每个采样时刻对整个田块进行全部检查。因此,昆虫学监测的核心问题在于应在何处收集数据以最大化关于侵害水平的信息量。本研究旨在通过结合生理基础模型(physiologically-based mod

  
昆虫害虫监测可视为一种在感知能力约束下的资源分配问题,因为不可能在每个采样时刻对整个田块进行全部检查。因此,昆虫学监测的核心问题在于应在何处收集数据以最大化关于侵害水平的信息量。本研究旨在通过结合生理基础模型(physiologically-based models, PBM)与状态观测器(state observers)来分析并提出该问题的解决方案。此类算法比较系统的模拟输出与实际输出(分别由模型和测量值描述),并提供对其状态更可靠的估计。值得注意的是,研究人员探索了由常微分方程(Ordinary Differential Equations, ODEs)描述的集合种群(metapopulation)生理基础模型与扩展卡尔曼滤波(Extended Kalman Filter, EKF)的结合。研究人员构建了一个特定的优化问题,其解决方案提供了应进行数据采集的地块。本研究所提出的框架通过提供可用资源(每个采样时刻可检查的最大地块数)的最优分配,最小化与爆发状态相关的整体不确定性。该技术的性能被命名为"智能采样"(smart sampling),已通过仿真在in silico条件下与两种静态及一种动态采样策略进行了比较,特别参考了目视检查方法。结果表明,基于EKF的动态采样策略(即智能策略)相较于传统策略具有更高的性能。本工作提供了可改善昆虫学数据收集方案的相关理论见解,并可进一步扩展至昆虫以外的其他案例研究。
本研究发表于《Ecological Modelling》,旨在解决农业林业及生态学中昆虫监测数据收集的关键问题。监测活动作为获取物种丰度信息的基础环节,其重要性因监测目的而异:既可追踪定义生态系统健康水平的指示物种,也可监控对人类或作物有害的动物种群。在精准农业与林业主导的当下,减少农药、肥料等投入以降低经济与环境影响、保障人畜健康已成为共识,而及时识别害虫爆发并预测其动态演变则是制定环境友好型农艺措施的核心。

然而,现有监测技术面临严峻的资源约束。尽管智能陷阱、地面机器人及无人机等新技术为自动化监测提供了可能,但受限于成本、电池续航等因素,均无法实现小尺度全覆盖监测。因此,监测活动本质上是在有限资源(成本、时间或电池寿命)约束下的资源分配问题,核心科学问题在于:应在何处开展监测以最大化信息获取?

针对此问题,研究人员提出将生理基础模型(PBM)与状态观测器相结合的模型驱动监测框架。传统上,种群动态模型可数学描述生物生态现象,但受生物参数、环境驱动因子及初始条件等不确定性影响,单独使用模型难以获得可靠预测。状态估计技术通过融合模型预测与田间实测数据,在两者之间寻求最优权衡以提升估计可靠性。研究人员构建的最优感知(optimal sensing)问题,即是利用估计器特性指导监测资源的空间分配。

研究所采用的关键技术方法包括:以斑翅果蝇(*Drosophila suzukii*)为案例,构建基于常微分方程(ODEs)的集合种群生理基础模型,包含卵期、三个幼虫龄期、蛹期、雄成虫及两个雌成虫亚阶段(未交配与已交配),温度依赖的发育、死亡和繁殖率,以及基于风速风向的空间扩散;建立描述目视检查过程的感知模型,引入测量噪声与间歇性监测变量;采用扩展卡尔曼滤波(EKF)作为非线性状态观测器,执行预测-校正两步递归算法,追踪估计协方差矩阵;构建以最小化整体不确定性为目标的优化问题,将协方差矩阵迹(trace)作为不确定性度量指标,动态选择优先监测地块;通过蒙特卡洛模拟生成49个地块的合成数据集(环境数据来源于意大利Nepi地区Azienda Agricola Vignola气象站),对比智能策略与棋盘格静态、对角线静态及随机动态三种传统策略的性能。

研究结果部分依次为:

最优感知问题:基于模型的智能监测策略。研究人员将最优感知问题形式化为资源约束下的组合优化,以EKF输出的协方差矩阵为信息度量,动态排序地块不确定性并优先监测高不确定性地块。

测试智能策略的in silico性能:通过合成数据比较发现,静态策略(棋盘格与对角线)因始终在相同地块校正导致整体不确定性较高且无统计差异;两种动态策略(随机与智能)均显著优于静态策略,其中智能策略表现最优且与随机策略存在显著差异(GLM, Z=76.51, p<10-3)。随机策略数据集呈现更高变异性,存在极端幸运或不幸的采样情况。

模型估计与地面真值的比较:在以成虫种群为观测目标的验证中,高频监测地块的模型估计更接近合成地面真值,而低频监测地块的估计主要由模型驱动,不确定性累积更为明显。

讨论部分深入阐释了模型与数据融合的理论意义。状态估计器的核心优势在于信息传播机制:即便在静态监测中,估计器仍可通过模型将信息传递至未监测地块;动态策略则进一步提升了估计精度。研究特别指出,将优化问题与估计器结合可为害虫管理行动的资源配置提供范式,未来可扩展至采样周期确定及经济约束整合等方向。

研究结论:本工作系统阐述了模型驱动数据收集的理论框架,其应用流程包括:(i)开发并参数化描述目标物种种群动态的生理基础模型(过程模型);(ii)建立数学描述测量过程的感知模型;(iii)通过估计器代价函数与约束条件最优化,整合过程模型与感知模型;(iv)构建针对监测主要目标(如最小不确定性、早期检测等)的优化问题。模型与数据的结合使研究人员能够在in silico条件下比较不同监测策略的性能,证实静态策略劣于动态策略,而动态策略尚不能达到智能策略的水平。当智能策略因操作原因无法实施时,该理论框架仍可用于采样方案的规划与识别。研究人员相信本研究能够为模型应用与生态学监测过程开辟新视角,推动未来在农业生态学及更广泛生态学领域的应用发展。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号