用于害虫管理的自适应算法:基于机器学习预测印度尼西亚爪哇岛斜纹夜蛾分布情况的比较研究

《Ecological Frontiers》:Adaptive algorithms for pest management: A comparative study of machine learning for predicting Spodoptera frugiperda distribution in Java, Indonesia

【字体: 大 中 小 】 时间:2026年07月11日 来源:Ecological Frontiers 4.7

编辑推荐:

  Mihwan Sataral|Damayanti Buchori|Hermanu Triwidodo|Purnama Hidayat|Rahmat Asy'Ari|Vani Nur Oktaviany Subagyo|Prayogo Probo Asmoro|Fahri Fahr

  
Mihwan Sataral|Damayanti Buchori|Hermanu Triwidodo|Purnama Hidayat|Rahmat Asy'Ari|Vani Nur Oktaviany Subagyo|Prayogo Probo Asmoro|Fahri Fahri|Hidayat A. Katili|Moh Zulfajrin
印度尼西亚中苏拉威西省卢武克大学农业学院农艺技术系

摘要

秋粘虫(Spodoptera frugiperda)对全球农业生产力构成日益严重的威胁,包括印度尼西亚爪哇岛的各大农业产区。要有效防治这一入侵害虫,就需要详细了解影响其分布的生境适宜性及环境梯度。本研究在爪哇岛,运用生物气候、地形、植被指数、土地利用以及人为因素等预测因子,比较了四种物种分布建模算法——MaxEnt、随机森林、极端随机树(ERT)和CatBoost。通过坐标质量控制筛选出物种出现数据,在爪哇岛研究区域内生成伪缺失/背景点,依据多重共线性对预测因子进行筛选,并使用随机保留法评估模型性能。最新分析结果显示,CatBoost的区分性能最佳(AUC=0.892;TSS=0.660),其次是随机森林(AUC=0.855)、ERT(AUC=0.850)和MaxEnt(AUC=0.805)。变量重要性分析表明,与降水量相关的生物气候变量,尤其是Bio 13、Bio 15、Bio 14、Bio 18和Bio 19,以及温度变化和植被结构相关指标,在各类模型中都是主要预测因子,不过不同模型对这些因子的权重有所差异。生境适宜性地图显示,MaxEnt划出的中高风险区域更广,而随机森林、ERT和CatBoost划出的高风险区域则更为有限且呈碎片化分布。这些结果表明,自适应机器学习算法有助于对害虫风险进行空间优先级排序,但需注意,生境适宜性预测仅代表环境风险,不能直接说明实际田间害虫侵染程度。

引言

物种分布建模(SDM)已成为入侵生态学中不可或缺的工具,可通过将物种位置与环境变量相关联来预测其潜在分布范围[1]、[2]。SDM能够模拟当前及未来环境条件下物种的适宜分布情况,为管理策略制定提供重要依据[3]、[4]。传统上,SDM多采用最大熵(MaxEnt)这类概率统计算法,尤其是在仅有物种存在数据的情况下[5]、[6]。即便数据量有限,MaxEnt在预测物种分布方面也表现良好,因此仍被广泛用于入侵物种研究[7]。不过,随着技术进步和数据获取能力的提升,机器学习(ML)算法也被引入SDM领域。这类算法在预测精度方面更具优势,还能更好地处理物种与其环境之间的复杂非线性关系[8]、[9]。因此,本研究不仅使用了MaxEnt,还引入了随机森林(RF)、极端随机树(ERT)和分类提升算法(CatBoost)等多种机器学习算法。
随机森林(RF)是一种集成方法,通过构建大量决策树并整合它们的预测结果,有效降低过拟合现象,提升模型稳定性[3]、[10]。它的优点包括能够处理高维数据、识别关键变量,即便面对复杂数据集也能给出准确预测[11]。极端随机树(ERT)与随机森林类似,会在每个节点随机选择分割点,从而增加随机性[12]。这种策略能提高计算效率,进一步降低方差,帮助模型捕捉更复杂的数据模式[13]。分类提升算法(CatBoost)是一种专门为高效处理分类变量设计的梯度提升算法,无论是对表格数据还是其他类型的数据都能表现出良好的性能[14]。CatBoost的优势在于它能自动处理分类变量,无需手动预处理,同时还能通过有序提升技术减少过拟合现象[15]。将这三种先进的机器学习算法与MaxEnt一起使用,便于全面比较各模型的性能,从而找到最适合预测爪哇岛害虫分布的模型。此外,为这些机器学习算法生成伪缺失数据十分重要,它可将仅有物种存在的情况转化为二分类任务,大幅提升模型区分物种适宜生境与不适宜生境的能力[16]。
入侵物种在全球范围内的持续扩散,对生物多样性、生态系统完整性以及农业系统构成了严重威胁[17]。其中,入侵害虫是造成经济损失、威胁全球粮食安全的主要因素[18]、[19]、[20]。秋粘虫(Spodoptera frugiperda)就是典型的例子,这是一种原产于美洲的多食性害虫,自2016年起迅速扩散到非洲和亚洲地区[21]、[22]。在印度尼西亚,秋粘虫于2019年首次在苏门答腊和爪哇被发现[23],给玉米作物造成了严重损害[24]。该害虫具有多食性且扩散能力强,这对爪哇岛的粮食安全以及农民的经济稳定都构成了巨大威胁。
作为农业大国,印度尼西亚的玉米产量很高,而秋粘虫的存在却对其国家粮食生产构成了严重威胁[25]。面对如此快速的入侵态势,有必要全面了解该害虫的扩散规律、影响其出现的环境因素,以及未来可能受到侵害的区域[26]、[27]、[28]。虽然直接在田间观察秋粘虫的出现情况及其造成的危害程度,对于确认其存在及了解当地种群动态非常重要,但仅靠这些数据还不足以预测更广泛的入侵可能性,也无法系统地识别高风险区域[29]、[30]。
本研究采用了多种预测因子来模拟秋粘虫的分布情况[31]、[32]。这些因子包括被视为物种分布主要驱动因素的生物气候数据,以及反映宿主可用性的农业用地比例。此外,还纳入了能够体现植物健康状况和丰度的植被指数。人口密度和距道路的距离等人文因素也被考虑进来,因为它们会影响害虫的扩散以及人类活动对害虫的影响。最后,由于地形特征会形成微气候和物理屏障,研究中也纳入了海拔和坡度等地形参数[32]、[33]、[34]。如此多样的变量组合,旨在全面涵盖可能影响秋粘虫存在和分布的各种环境因素。
目前,针对传统物种分布建模算法(如MaxEnt)与先进机器学习算法(如随机森林、极端随机树和CatBoost)的比较研究,在入侵害虫分布建模领域较为少见,而且尚未有研究在综合考虑气候、植被、地形和人文因素的前提下,针对印度尼西亚的秋粘虫开展此类比较。本研究要填补的空白在于:尽管全球和大陆尺度上已经对秋粘虫进行了大量研究,但在爪哇岛这类农业活动频繁的热带地区,其分布建模仍主要依赖静态的生物气候模型,很少将仅有物种存在数据的MaxEnt模型与基于伪缺失/背景数据优化的树基集成模型进行直接比较。本研究的创新之处在于构建了一个混合多模型框架,将该经典的MaxEnt存在-背景模型与三种机器学习算法(随机森林、极端随机树和CatBoost)相结合,同时纳入了宏观气候变量、微地形条件、植被指数、农业用地结构、居民点发展情况、距城市区域的距离以及人口密度等因素。我们推测,由于树基算法能够捕捉非线性阈值以及不同预测因子之间的高阶相互作用,相比MaxEnt,它们能更准确地区分适宜生境与不适宜生境。此外,我们还认为季节性降水量、雨季降水量、温度变化以及植被状况,将是决定爪哇岛上秋粘虫生境适宜性的主要生态因素。本研究旨在回答以下几个关键问题:(i)在预测秋粘虫的存在或分布方面,MaxEnt、随机森林、极端随机树和CatBoost哪种模型能给出最准确、最可靠的预测结果?(ii)哪些环境因素对秋粘虫的分布影响最大?(iii)主要预测因子的功能响应如何解释爪哇岛上秋粘虫生境适宜性的空间分布特征?

章节节选

研究区域描述

本研究在印度尼西亚的爪哇岛开展,该地区对于研究物种分布动态和保护工作具有重要意义。从地理上看,爪哇岛面积约为138,794平方公里,位于南纬6°30′至12°30′、东经105°10′至114°40′之间(见图1)。岛上地形多样,既有广阔的沿海平原,也有雄伟的火山山脉,因此海拔差异较大。这种地形多样性造就了丰富的气候条件

各模型在秋粘虫分布建模中的性能比较

经过更新后的随机保留法评估后,四种算法之间存在明显差异(见图6;表2)。CatBoost的总体区分能力最强(AUC=0.892),TSS值也为0.660,表明其在灵敏度和特异性之间取得了最佳平衡。随机森林的AUC值为0.855,特异性和准确率都非常高,分别为0.996和0.968,但其灵敏度较低,仅为0.245,说明其对物种存在位置的识别较为保守。ERT的

讨论

本研究对比分析了多种机器学习算法在预测印度尼西亚爪哇岛秋粘虫潜在扩散趋势方面的能力。准确掌握害虫的地理分布情况,对于制定具有针对性且基于实证的管理策略至关重要[62]、[63]。通过深入分析模型性能、环境因素的重要性以及空间预测模式,我们获得了重要

结论

本研究证明,通过比较MaxEnt、随机森林、极端随机树和CatBoost这几种算法,可以更精准地绘制出爪哇岛上秋粘虫的生境适宜性图谱。其中CatBoost的各项性能指标最为均衡,AUC值最高(0.892),TSS值也为0.660,灵敏度为0.906,因此它是本次分析中用于风险优先级划分的最佳算法。随机森林和极端随机树给出的预测结果相对较为保守,而MaxEnt则能更

CRediT作者贡献声明

Mihwan Sataral:撰写——审稿与编辑,撰写——初稿,可视化,方法学,正式分析,数据整理,概念构建。Damayanti Buchori:撰写——审稿与编辑,指导,概念构建。Hermanu Triwidodo:撰写——审稿与编辑,指导。Purnama Hidayat:撰写——审稿与编辑,指导。Rahmat Asy'Ari:撰写——初稿,软件应用,方法学。Vani Nur Oktaviany Subagyo:资源筹集,数据收集,数据整理。Prayogo Probo

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

我们要感谢中爪哇省和东爪哇省粮食作物与园艺保护技术实施单位的工作人员,他们在本研究期间为样本收集提供了宝贵的协助。
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