番茄（Solanum lycopersicum）是世界上最重要的经济作物之一，但由于害虫侵害，其年产量损失仍高达20-40%（Oerke, 2006; Afreen et al., 2017; Solankey et al., 2021; Song et al., 2022; Wang and Seymour, 2022）。因此，早期检测害虫引起的胁迫至关重要，因为通常只有在出现明显的叶片损伤后才能发现害虫，这限制了有效干预的时间窗口（Abdullah et al., 2019）。
依赖光学形态学和图像识别的传统识别方法存在显著的检测延迟，需要叶片损伤的可见表现，从而错过了关键的干预时机（Gon?alves et al., 2021; Da Silva Vieira et al., 2022; Clément et al., 2015; Ullah et al., 2021）。这些方法还表现出较低的泛化能力，对蚜虫和白粉虱等刺吸型害虫的早期病毒传播敏感度较低（Ghosal, 2022; Khan et al., 2020; Chen et al., 2024）。同时，它们在检测隐蔽的损伤模式方面也存在困难。为了实现真正的早期预警，研究重点必须转向害虫胁迫引发的早期生理信号，这些信号在可见症状出现之前就已经产生。茉莉酸（JA）和水杨酸（SA）等防御激素的时间动态变化是关键的早期预警生物标志物（Monte, 2023）。这些激素在胁迫发生后的几小时到几天内的波动包含能够区分害虫类型的独特模式。然而，解释这些复杂的时间信号仍然具有挑战性，当前的方法分为两种对立的范式。
机制驱动的方法通过分析SA和JA的反应来区分不同的害虫类型（Lelarge-Trouverie et al., 2022），在小样本环境中提供了良好的可解释性和可靠的性能。纯机制驱动的方法虽然具有可解释性优势，但特征表示能力不足（Xie et al., 2018; Jiao et al., 2022; Li et al., 2022），其中手动设计的特征（如脉冲频率和基线偏移）无法充分描述复杂的时间形态。
相比之下，数据驱动的方法（如深度学习）在自动特征提取方面表现出色，并具有强大的表示能力（Ragu and Teo, 2025），但当前的基于深度学习的害虫识别系统在时间处理能力上存在局限性（Domingues et al., 2022; Chithambarathanu and Jeyakumar, 2023; Wang et al., 2025b; Islam et al., 2023）。它们固有的可解释性缺陷阻碍了与防御机制（特别是茉莉酸（JA）和水杨酸（SA）反应模式）之间的生物学关联建立（Hou and Tsuda, 2022; Farhangi-Abriz and Ghassemi-Golezani, 2018; Wang et al., 2024a），导致错误归因和弱毒株检测失败。其次，由于忽略了害虫胁迫的关键阶段转换（急性、适应性和稳态），小样本性能不佳（Wang et al., 2020; Zhang et al., 2022a），从而影响了动态模式的捕获效率。总之，当前的方法论各自受到其范式的限制：数据驱动的方法在表示能力上表现出色，而机制驱动的模型则具有可解释性。然而，两者都无法同时提供生物学上有依据、时间上连贯且对小样本具有鲁棒性的害虫识别。这一局限性凸显了需要一个整合机制洞察力和深度特征学习的综合框架的必要性。
为了解决这些双重挑战，我们提出了基于机制引导的混合网络（MGHN）用于早期害虫预警系统。首先，我们建立了番茄植物的三阶段胁迫响应模型，包括：（i）急性阶段的瞬态变化率分析（0-3天），（ii）适应阶段的脉冲动态特征描述（3-10天），以及（iii）稳态阶段的基线偏移量化（10-20天）。然后，我们开发了一种创新的融合架构，将这些机制驱动的特征与深度学习（1D-CNN）相结合，该架构在135个独立测试样本上的平均准确率为94.8%。比较分析证实，我们的MGHN方法优于传统的1D-CNN和仅基于机制的模型。该框架将建立一个与可穿戴传感器兼容的理论基础，成功地在高准确性和机制可解释性之间取得了平衡，从而弥合了实验室研究和现场部署早期害虫预警系统之间的差距（Noar et al., 2021; Wu et al., 2022; Yin et al., 2023）。
