《Smart Agricultural Technology》：Monitoring Population Dynamics of Asian Citrus Psyllid-Natural Enemies Using Machine Learning
编辑推荐：
本研究针对亚洲柑橘木虱（ACP）及其传播的黄龙病（HLB）造成的严重经济损失，开发了一种结合随机森林回归器（RFR）和极限梯度提升（XGBoost）的混合集成学习模型。通过分析气象因素（温度、湿度、降雨）和寄主植物物候对三种主要天敌（草蛉、瓢虫、蜘蛛）种群波动的影响，研究发现该模型在预测天敌种群动态方面误差最低（MSE:0.0194-3.9488），为柑橘园精准施药提供了决策支持。
在柑橘产业面临严峻挑战的当下，一种名为亚洲柑橘木虱（Diaphorina citri）的微小昆虫正引发全球性危机。这种害虫不仅直接吸食柑橘叶片汁液，更致命的是传播黄龙病（Huanglongbing, HLB）的病原体——韧皮部杆菌（Candidatus Liberibacter asiaticus）。染病柑橘树会在5-10年内完全丧失结果能力，给全球柑橘产业造成数十亿美元损失。更棘手的是，目前既无商业化抗病品种，也无根治这种细菌性疾病的有效方法。
传统化学农药的过度使用导致害虫抗药性增强，且对环境和人体健康产生危害。在这一背景下，利用天敌进行生物防治成为最具潜力的解决方案。然而，如何精准预测天敌种群动态，帮助农民在最佳时机实施病虫害防控，成为农业智能化管理的关键难题。
为此，研究人员在《Smart Agricultural Technology》发表了一项创新研究，通过机器学习技术实现对柑橘木虱天敌种群的精准预测。该研究在巴基斯坦两个试验点（PARS和Square No.9）进行了25个月的持续监测，收集了草蛉（Chrysopids）、瓢虫（Coccinellids）和蜘蛛（Spiders）三种主要天敌的种群数据，并结合温度、湿度、降雨等气象因子和柑橘嫩梢物候等生物因子，构建了多种预测模型。
研究团队采用了四种回归分析方法：随机森林回归器（Random Forest Regressor, RFR）、多元线性回归（Multiple Linear Regression, MLR）、深度神经网络（Deep Neural Network, DNN）以及融合RFR和XGBoost的混合集成模型。通过均方误差（MSE）、平均绝对误差（MAE）和均方根误差（RMSE）等指标评估模型性能。
关键技术方法包括：利用拍打采样法（Tap-sampling method）每周监测害虫和天敌种群；收集气象站温度、湿度、降雨数据；记录柑橘嫩梢生长物候期；使用Google Colab平台进行数据预处理和模型训练；采用标准缩放器（Standard Scaler）进行数据标准化；将数据集按7:3比例分为训练集和测试集。
研究结果通过多个维度展开：
3.1. 气候变量和寄主植物物候对天敌种群趋势的影响
通过皮尔逊相关性分析发现，草蛉种群与柑橘嫩梢数量呈显著正相关（R=0.233, p<0.05），瓢虫种群与相对湿度呈显著负相关（R=-0.32, p<0.05），蜘蛛种群与温度变量呈显著正相关（最高温R=0.282, p<0.05；周平均温R=0.289, p<0.05），而与嫩梢数量呈显著负相关（R=-0.23, p<0.05）。
3.2. 特征重要性图
随机森林模型生成的特征重要性图显示，周平均相对湿度是影响草蛉和瓢虫种群的最重要因素，而对蜘蛛种群而言，嫩梢数量和最高温度是两大关键影响因素。
3.3-3.7. 不同数据集上的预测性能比较
在四个数据集（PARS-金诺、PARS-甜橙、SQ.9-金诺、SQ.9-甜橙）上的测试表明，混合集成模型在大多数情况下误差最低。特别是在PARS-金诺数据集上，对草蛉、瓢虫和蜘蛛的预测均表现最佳（MSE分别为：0.0194、3.9488、0.3310）。深度神经网络（DNN）在多个数据集上也展现出竞争优势，成为仅次于集成模型的优秀预测方法。
研究结论表明，融合随机森林和XGBoost的集成学习模型能有效预测柑橘木虱天敌种群动态，为柑橘园病虫害综合治理（Integrated Pest Management, IPM）提供科学依据。通过准确预测天敌种群发生规律，农民可避免在天敌活跃期喷洒农药，从而保护这些天然的"生物防治代理（Biological Control Agents, BCAs）"，减少化学农药使用。
该研究的重要意义在于将先进的机器学习算法应用于农业生态系统的实时监测与预测，为可持续农业发展提供了技术支撑。未来研究方向包括结合物联网（IoT）传感器实现田间实时监测，开发移动应用程序为农民提供早期预警，构建智能化的病虫害防控体系。
