A Predictive Mathematical Framework for Simulating Rusty Grain Beetle Infestation in Bulk Wheat Storage
本研究开发了一种实用的三参数预测模型，通过将种群历史与有效积温和温度波动等热暴露指标相结合，有效地预测了散粒小蠹（*Cryptolestes ferrugineus*）在散装小麦中的侵染情况。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在那些储存着数百万吨全球粮食供应的小麦、广袤而寂静的仓库里，一场针对隐形入侵者的无声战斗正在持续进行。在这些害虫中最顽固的便是锈色谷象，这种微小的昆虫在储存的小麦中茁壮成长。与许多其他生物不同，这些甲虫并不依赖单一的环境信号来决定何时繁殖；相反，它们的种群增长是对多种因素综合作用的复杂反应。谷物的热度、可用空间的多少以及现有甲虫的数量，共同决定了虫害爆发的速度。对于这些仓储设施的管理人员而言，预测这种增长关乎经济与粮食安全。如果他们能在虫害变得难以控制之前预见到数量激增，就能及早干预。然而，谷堆内部的环境并非静态不变：温度在变化，且种群本身的历史也会影响其未来，这使得简单的预测变得困难。
研究人员着手构建一个实用的工具来解决这一问题，旨在建立一个数学框架，用以预测散装小麦储存中锈色谷象种群的上升趋势。他们首先测试了九种不同的标准数学种群增长描述模型，希望找到一个能够准确追踪各种条件下昆虫变化的单一方程。这些方程涵盖了从假设稳步、无限增长的简单模型，到考虑空间限制以及种群拥挤导致增长放缓的更复杂模型的范围。团队将这些模型应用于从小型斑块到大型散装体积等不同尺寸储存容器中的数据，并在恒定温度和波动温度下进行了测试。结果非常明确：没有任何一种标准方程能一致地描述在所有不同场景下的甲虫行为。单一的增长规则不足以捕捉现实情况，因为主导因素会随着温度和储存面积的大小而改变。
意识到单一公式行不通后，研究人员转向识别最重要的特定变量。他们分析了数据，以观察哪些因素与甲虫数量的变化联系最为紧密。他们发现，前一观测周期的种群规模、昆虫在过去一个月内经历的总热量，以及温度波动的程度，是关键的驱动因素。为了衡量热量暴露，他们使用了一种计算方法，即累加温度足以让甲虫活跃的天数，从而有效地统计出用于发育的“热能”。他们发现，这种累积热量与甲虫数量之间的关系并非直线关系；相反，它遵循一种曲线模式，即种群在接近最大密度时，初期快速增长，随后增速放缓。
通过结合这些见解，团队开发了一种新的预测模型，该模型整合了种群的历史与温度的历史。这个最终的框架并不依赖于单一的静态规则，而是利用上一次检查到的甲虫数量、前28天累积的总热量单位以及温度变化的模式，来预测下一次的种群计数。在针对实验数据进行测试时，这种组合模型成功重现了种群增加的主要模式，在恒定温度和变化温度条件下均表现良好。它在预测虫害达到峰值密度之前的增长方面尤为准确，而这正是干预最关键的窗口期。这项研究表明，通过追踪热量历史和种群历史，仓储管理人员可以使用一个相对简单的工具来估算未来的甲虫丰度，为在虫害变得严重之前保护储存的小麦提供了一种实用的方法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。