《Ecological Modelling》:Modeling the relationship between insect phenology and field monitoring data with variable sampling efficacy
编辑推荐:
害虫治理的决策支持系统依赖物候模型(phenology model)来预测害虫生活史关键阶段的发生时机,并通过采样监测种群数量。物候模型常用于预测对防治靶标有意义的生物事件发生(如某龄期或成虫出现),而田间监测数据通常被生产者直觉性地用于评估害虫压力和制定决策
害虫治理的决策支持系统依赖物候模型(phenology model)来预测害虫生活史关键阶段的发生时机,并通过采样监测种群数量。物候模型常用于预测对防治靶标有意义的生物事件发生(如某龄期或成虫出现),而田间监测数据通常被生产者直觉性地用于评估害虫压力和制定决策,但捕获数据很少与物候模型关联以生成害虫预报。本研究引入一个模型,依据诱捕网络(trap network)的采样效能(sampling efficacy,定义为每积温日度(degree-day, DD)单头个体被捕获的概率q),在积温日度尺度上校正物候预测曲线。研究人员通过离散时间模拟,量化了物候模型预测累积羽化比例f(DD)与观测陷阱累积捕获比例之间的偏差源自二项捕获延迟(binomial capture delay)过程,并推导了物候模型形状参数γ、δ及离散参数λ随采样效能q变化的函数关系(四次有理函数与含双曲正割修正的幂律)。该模型用美国西部与加拿大不列颠哥伦比亚省8个苹果园梨小食心虫(苹果蠹蛾 Cydia pomonella)性信息素诱捕数据检验。结果表明,当根据各果园位点特异性采样效能q调整物候预测曲线后,预测总体平均误差(mean absolute error, MAE)降低超过50%。这说明物候模型预测曲线与田间实际害虫捕获曲线之间的形态差异可由累积二项延迟描述;将害虫预测及后续管理决策通过位点特异性采样效能校正物候曲线,可显著提高预测精度。
论文解读——《Modeling the relationship between insect phenology and field monitoring data with variable sampling efficacy》,发表于 Ecological Modelling
研究背景与立项依据
害虫综合治理(integrated pest management, IPM)依赖两个核心工具:一是昆虫物候模型(insect phenology model),以积温日度(degree-day, DD)预测目标生活阶段(如越冬代成虫羽化)的时间分布;二是田间监测网络(field monitoring network,通常为性信息素诱捕器 pheromone trap),用以追踪害虫种群丰度和空间分布。传统上,物候模型给出理论羽化进程f(DD)(通常用Johnson SB概率密度函数描述),而诱捕数据仅被果农直觉参照,二者缺乏定量关联。现实诱捕累积曲线较物候模型预测曲线存在系统性延迟(delay)——季节初期因种群密度低难以检出,世代末期因成虫持续存活而被拖尾捕获,且不同果园诱捕器密度、信息素羽流范围、诱芯老化导致采样效能(sampling efficacy,记为q,即每DD单头活跃雄蛾被捕获的概率)存在位点间变异。忽略采样效能会使物候模型对田间实际捕获动态的预测产生偏倚。因此有必要建立物候模型预测羽化进程与诱捕网络观测捕获进程之间的函数关系,通过历史诱捕数据估算位点特异性q并对物候曲线形状参数做相应校正,从而提高基于积温的害虫发生期预报精度。
主要技术方法概述
研究人员以苹果蠹蛾(Cydia pomonella)越冬代成虫羽化为对象,采用Jones and Wiman(2012)给出的Johnson SB分布物候模型(式1,参数γ=1.07,δ=1.24,λ=577,ξ=69.0 DD)描述累积羽化比例f(DD);建立离散时间按DD推进的个体水平模拟——每DD新羽化成虫以lx(DDage)(Weibull型年龄特异存活率,A=0.0026,G=0.045)存活,活跃种群中每头雄蛾具恒定捕获概率q(净平均采样效能net average sampling efficacy),捕获数CDD服从二项分布并由期望值近似;对q∈[0.001,1]共800组模拟生成理论累积捕获曲线,再用Levenberg–Marquardt非线性最小二乘将模拟曲线拟合至原物候模型,反推随q变化的形状参数γ^(q)、δ^(q)(四次有理函数,式4a、4b)和分散参数λ^(q)(含双曲正割修正幂律,式4c),固定位置参数ξ=69.0 DD。模型验证使用美国华盛顿州中部与加拿大BC省南部8个商业化果园(1995–2021年,共48条果园–年度种群轨迹)的每周性信息素诱捕数据(wing/delta trap,260 m有效捕获半径,有效诱捕密度0.08–0.57 traps/ha);以历年数据拟合获得各站点年度q值,代入校正后物候模型(式6)对剩余年份在DDi=300时做后半程预测,以平均绝对误差(mean absolute error, MAE)比较校正前后;同时分析q与诱捕密度的非线性关系(二次有理函数,式8)。
研究结果
3. Results
研究人员经模拟校准得到γ、δ、λ随q变化的有理函数与幂律–双曲正割混合函数之回归系数(Table 1)。应用各站点历年数据反估q后,对后续年份预测的平均绝对误差(MAE)在未校正模型中为21%(范围3.2%–41%),校正采样效能后降至8.0%(范围1.8%–20%),误差降幅逾50%。未校正模型MAE随平均每陷阱累积捕获量呈显著正相关(截距–2.37,斜率0.26,p=0.012),而校正后呈不显著负相关(截距–2.73,斜率–0.17,p=0.11),表明校正消除了物候曲线形态偏差导致的系统误差放大。所有站点–年度组合估计得平均q=0.027(范围0.005–0.068);q与有效诱捕密度(T, traps/ha)呈饱和型非线性关系(式8,aq1=0.41,bq1=–1.67,bq2=75.2),捕获效能在约0.12 traps/ha达峰值,高于≈0.25 traps/ha后q趋于平稳(~0.02),提示过高诱捕密度未带来信息增益,可能因感官疲劳(sensory fatigue)与竞争吸引(competitive attraction)所致。
讨论与结论(翻译浓缩)
研究人员指出,物候模型预测羽化累积曲线与田间性信息素诱捕累积曲线间的形态与展布差异,可通过引入采样效能(sampling efficacy, q)并以累积二项延迟(cumulative binomial delay)机制加以解释;虽γ^(q)、δ^(q)、λ^(q)经验函数无直接生物学含义,但提供了物候–表观种群动态间机制性纽带。将位点特异性q纳入物候模型可改善基于积温的害虫预报精度,并可借历史诱捕数据低成本估算q(无需标记–重捕实验)。实施时仅需以最小二乘法将历史累积捕获比例拟合式(6)求q,再代入式(4a–c)获取校正后物候参数做当年预报;结合序贯贝叶斯后验概率检验(Sequential Test of Bayesian Posterior Probabilities)可评估超过经济阈值(economic threshold)的概率,支撑位点特异性施药决策,减少过度防治。本研究的q指标独立于种群数量,优于传统的单位陷阱平均捕获量比较法。诱捕密度–q关系暗示存在信息收益饱和点,不建议盲目增加诱捕器密度。模型局限含假设q在整季恒定(忽略风雨温等瞬时影响诱捕率)、诱捕网络结构变更(增减陷阱、更换诱芯/器型)需重新估算q。总体而言,将田间真实采样效能整合入昆虫物候模型可缩小预测偏差,提升IPM决策支持系统可靠性;未来可将此法扩展至后续世代及其他害虫,并嵌入网络决策辅助系统进行实地验证。