将天气变量与人工智能模型相结合，用于黄麻主要害虫的预测：在气候智能型作物管理中的应用

《Frontiers in Agronomy》：Integrating weather variables and AI models for forecasting major pests in jute: applications in climate-smart crop management

虫害预测模型研究：基于机器学习与时间序列分析预测黄蜘蛛和麻 semilooper虫害发生规律，结合温度、湿度和降雨等外生变量，验证了TDNNX模型在RMSE和RMdSE指标上的最优性能，揭示虫害发生率与2周前高温正相关、与1-2周前高湿度负相关的关键气象关联。

　　### 对黄麻作物主要害虫发生情况的分析与预测研究解读

黄麻作为一种重要的天然纤维作物，不仅在印度的农业经济中占据重要地位，而且对国家的纺织业和相关产业链具有深远影响。然而，黄麻作物在生长过程中经常受到多种害虫的侵害，例如黄螨（*Polyphagotarsonemus latus* Banks）和黄麻半夜蛾（*Anomis sabulifera* Guen），这些害虫在不同生长阶段对黄麻造成显著的物理和经济损失。为了有效应对这些挑战，本研究基于2013年至2023年的数据，结合天气变量，探讨了黄麻主要害虫的发生规律，并尝试利用多种时间序列和机器学习模型对2024年的害虫发生情况进行预测。

#### 黄麻的经济与社会价值

黄麻的种植面积和产量在印度占据了重要位置，特别是在西孟加拉邦，该地区占全国黄麻种植面积的78.94%以及产量的82%。黄麻产业为大约33至35万的小规模农户提供了重要的就业机会，其劳动密集型的特性使其在农村经济中扮演着关键角色。此外，黄麻产业还为农业经济带来了稳定收入，对于促进地方经济发展和保障农民生计具有重要意义。因此，确保黄麻作物的健康生长，减少害虫侵害，对维持这一产业的可持续发展至关重要。

#### 害虫的发生规律

研究发现，黄麻半夜蛾的侵害呈现出明显的季节性特征，其高峰期通常出现在播种后约45天。而黄螨的侵害则与天气条件密切相关，尤其是在前两周的最高气温和最低、最高相对湿度之间存在显著的正负相关关系。具体而言，黄螨的平均侵害率在前两周的最高气温较高时增加，而在相对湿度较高时则减少。这表明，在前两周天气较为干燥且温度偏高时，黄螨的侵害更可能在当前阶段发生。这种天气与害虫之间的关系为预测和预防提供了重要的依据。

#### 天气变量对害虫的影响

为了深入理解害虫与天气之间的关系，研究采用了皮尔逊相关系数来评估当前周和前两周的天气变量对害虫侵害率的影响。结果显示，黄螨的侵害率与最高气温在两周前呈显著正相关，而与最低和最高相对湿度在两周前呈显著负相关。同样，黄麻半夜蛾的侵害率也与最高气温在两周前存在显著正相关，同时与最高和最低相对湿度在两周前呈显著负相关。这些发现表明，害虫的发生不仅受到当前天气条件的影响，还受到过去两周天气变化的显著作用。因此，在预测害虫发生时，必须考虑这些滞后效应。

#### 模型的选择与应用

为了准确预测害虫的发生情况，研究采用了多种模型，包括传统的时间序列模型（如ARIMA、SARIMA、ARIMAX、SARIMAX-T）和现代的机器学习模型（如随机森林、支持向量回归、TDNNX）。其中，ARIMA（自回归积分滑动平均模型）是一种广泛应用于短期预测的经典模型，适用于没有季节性特征的数据。SARIMA（季节性ARIMA）则在ARIMA的基础上增加了季节性成分，适用于具有明显季节波动的害虫数据。ARIMAX和SARIMAX-T则是在ARIMA和SARIMA模型中引入了外生变量，如最高气温和相对湿度，以提高预测的准确性。

随机森林作为一种集成学习方法，通过构建多个决策树并采用投票机制进行预测，具有较强的鲁棒性和适应性。支持向量回归（SVR）则通过寻找最优超平面来实现非线性回归，适用于复杂的数据关系。而TDNNX（时间延迟神经网络）则是一种深度学习模型，能够捕捉时间序列中的非线性特征和滞后效应，从而提高预测的精确度。

#### 模型的性能评估

为了评估模型的预测能力，研究采用了均方根误差（RMSE）和中位数均方根误差（RMdSE）作为评价指标。RMSE用于衡量模型预测值与实际值之间的平均误差，而RMdSE则能够更好地反映极端值的影响，提供更稳健的评估结果。结果显示，对于黄螨的预测，TDNNX模型在RMSE和RMdSE指标上表现最佳，其次是SVR和SARIMAX-T模型。而对于黄麻半夜蛾的预测，TDNNX模型同样表现突出，其次是随机森林和SARIMA模型。

#### 预测结果与应用价值

基于TDNNX模型，研究预测了2024年黄麻作物在播种后35、45、55和65天时的害虫发生情况。预测结果基于对2023年天气数据的模拟以及历史平均天气数据。这些预测数据为农民提供了重要的决策支持，使他们能够在害虫高峰期到来之前采取有效的防治措施，减少经济损失。此外，通过分析历史数据，研究还揭示了黄麻半夜蛾和黄螨在不同年份的侵害高峰期，为制定长期的害虫管理策略提供了依据。

#### 研究的意义与展望

本研究不仅揭示了黄麻主要害虫的发生规律及其与天气变量之间的关系，还通过多种模型对害虫发生进行了准确预测。这一成果对于提高黄麻种植的可持续性和减少农民的经济损失具有重要意义。同时，研究还强调了将机器学习与传统时间序列模型相结合的必要性，以更好地应对复杂的农业环境。未来，随着气候模式的变化和农业技术的进步，进一步优化预测模型，结合更多环境变量和实时数据，将有助于实现更加精准的害虫预警系统，为农业可持续发展提供更强有力的支持。