是引入的还是自然形成的？越来越多的证据表明，那些传播松木线虫的媒介昆虫填补了这些木线虫在本地分布中的空白（即它们原本不在这些地区的栖息地）

《Journal of Pest Science》：Introduced or established? Convergent evidence indicates imported pine wood nematode vectors occupy gaps in native distribution

　　摘要：在欧盟，监测受监管的检疫植物病原体及其传播媒介是强制性的。本地的Monochamus物种（鞘翅目，天牛科）是松木线虫Bursaphelenchus xylophilus的传播媒介，这种外来害虫已经在葡萄牙大部分地区扎根。尽管在比利时广泛分布了信息素诱饵陷阱，但在2013至2022年的十年间仅捕获到29只M. galloprovincialis个体，这表明该物种在该国的存在要么罕见，要么完全不存在。在北部邻国，荷兰和丹麦各已知有一个已建立的种群。基于2008至2019年间来自29个欧洲国家的4,914个陷阱中捕获的M. galloprovincialis的数据（包括阳性和阴性记录），并考虑整体气候条件及七种松树分布情况，建立了一个物种分布模型。通过多尺度方法测试了空间尺度的影响。结果显示，与南欧相比，比利时、荷兰、英国和德国西北部的M. galloprovincialis存在概率较低。基因分型进一步证实，至少部分在比利时捕获的甲虫来自外部地区。所有捕获案例均发生在入口附近，提示可能是通过进口材料引入的。比利时大部分松树林的规模较小，也可能解释了Monochamus物种的缺失、短暂存在或稀少现象。因此，建议在比利时开展监测时优先关注入口点而非本地森林群落。

关键信息：
- 检疫线虫Bursaphelenchus xylophilus由Monochamus galloprovincialis传播。
- 2013至2022年间在比利时仅捕获到29只潜在传播媒介，每年部署45至95个陷阱。
- 比利时可能存在该物种分布范围的空缺或极度稀少。
- 物种分布模型和基因分型结果表明捕获的昆虫具有外来起源。
- 比利时松树林的规模较小可能进一步解释了其低建立概率。

引言：随着国际贸易增加和气候变化（Levine和D’Antonio 2003；Early等人2016；Fenn-Moltu等人2023），生物入侵日益影响支持服务（养分和能量流动）、供给服务（生态系统提供的物质利益和其他服务）、调节服务（生态系统内的相互作用）以及文化和人类福祉（Vilà和Hulme 2017）。Diagne等人（2021）估计1970至2017年间生物入侵的总体成本高达1.288万亿美元。入侵性动物害虫和植物病原体威胁森林健康，造成巨大的生态和经济影响（参见Holmes等人2009年和Kenis等人2017年的综述）。受影响的行业众多；Aukema等人（2011）计算出，对于三类昆虫（木材和韧皮部蛀虫、汁液吸食者和叶片吸食者），政府在预防、缓解和控制方面的支出超过了直接财产损失。Fei等人（2019）还指出，由于全球生物量减少，美国的碳排放显著增加。在欧洲，病原菌Xylella fastidiosa ssp. pauca（Xf）于2013年在意大利普利亚地区引入，导致大量橄榄树死亡（EFSA植物健康小组2018a）。如果这种病原菌扩散到整个国家，最坏情况下会造成19至52亿欧元的损失（果园死亡，生产中断）；如果用抗性品种重新种植果园，则损失为6至16亿欧元（Schneider等人2020）。另一种外来病原体——北美松木线虫Bursaphelenchus xylophilus（Steiner Buhrer Nickle）在欧盟2008至2030年的影响估计为220亿欧元（Soliman等人2012）。根据害虫风险评估，一旦确定外来害虫和病原体具有潜在危害性，必须在进入欧盟时对其进行监测。可以通过对进口材料（用于种植的植物、木材和木制品或固体木包装材料）或可能被污染的植物进行分子分析来直接监测植物病原体。由昆虫传播的植物病原体也可以通过其传播媒介进行追踪。Xylella fastidiosa由多种韧皮部吸食性半翅目昆虫传播（Redak等人2004），可以识别出当地的潜在传播媒介（例如在比利时由Hasbroucq等人2020年发现），如果通过PCR检测到病原体存在于它们的前肠中，则可将其用作“哨兵媒介”（Cruaud等人2018；Godefroid等人2019）。其他可通过捕捉其传播媒介来监测的入侵性病原体包括Harringtonia lauricola（北美月桂树枯萎病的真菌病原体，由引入的ambrosia甲虫Xyleborus glabratus传播，属于鞘翅目，Curculionidae，Scolytinae）（Hughes等人2017）以及北美千疮病的病原体Geosmithia morbida，由树皮甲虫Pityophthorus juglandis传播（鞘翅目，Curculionidae，Scolytinae），这两种病原体都最近引入欧洲（Montecchio等人2016；EFSA 2020）。这种有针对性的监测需要对潜在昆虫传播媒介的分布有全面了解。本文讨论了在比利时监测Monochamus galloprovincialis（鞘翅目，天牛科）的问题，该物种在欧洲被确认为松木线虫Bursaphelenchus xylophilus的传播媒介。B. xylophilus于20世纪初引入日本，并在扩散到亚洲之前造成了巨大破坏。1999年在葡萄牙首次报道，随后在该国大部分地区蔓延，主要攻击地中海松（Pinus pinaster），在西班牙也多次消灭了局部疫情，但在加利西亚地区已不再认为可以根除（EPPO 2025）。B. xylophilus也在马德拉群岛建立（Zhao等人2014）。其已知传播媒介是Monochamus物种（鞘翅目，天牛科），这些物种在B. xylophilus建立的每个地区都是当地的特有物种（EFSA植物健康小组2018b）。B. xylophilus感染仅在7月平均气温高于19.14°C的地区出现症状（树木枯萎和死亡），例如葡萄牙、西班牙和法国南部。然而，即使无症状感染，北部地区的木材在出口时仍会面临检疫限制，从而导致经济损失。由于在症状不明显时根除这种疾病极其困难（?kland等人2010），因此在尚未受B. xylophilus影响的地区尽早发现该病原体至关重要。在欧盟，非欧洲的Monochamus物种和B. xylophilus属于检疫对象（欧盟委员会2019）。为防止B. xylophilus在欧盟内传播，欧盟委员会要求成员国每年对易感宿主树木进行监测。自2000年以来，比利时食品安全局（FASFC）在进口点进行视觉检查，并在松树林、公共绿地和木材加工设施中进行监测。自2013年起还建立了全国性的传播媒介捕捉网络。这项活动（加上公众观察）仅在2013至2022年间共捕获到23只M. galloprovincialis、3只M. sartor urussovii、1只M. sutor和4只其他Monochamus物种（SuppInfo_S1）。此外，比利时国家藏品中仅包含11个属于五种Monochamus物种的标本，其中两个个体是从进口货物中截获的（A. Drumont个人通讯）。这些记录的稀缺性引发了关于Monochamus物种是否真正原产于比利时的疑问。Tavaklilian和Chevillotte（2025）的目录以及Akbulkut和Stamps（2012）的综述也支持这一假设，他们未将比利时列入该物种的分布范围。在荷兰，M. galloprovincialis自1949年以来仅在斯科尔（Schoorl）一个地点被发现（见“系统学研究”部分），在丹麦直到2015年才被认为存在，之后在一个名为奥克斯博尔（Oksb?l）的地点被定期捕获（见“系统学研究”部分；SuppInfo_S3）。因此，在这两个国家，M. galloprovincialis似乎是最近且局部建立的。因此，我们基于覆盖整个欧洲的信息素捕捉数据开发了一个物种分布模型（SDM），以模拟Monochamus物种的分布范围并识别其中可能的空白区域，即该属分布稀少或缺失的区域。由于M. galloprovincialis是捕获最多的物种，该模型主要针对这一物种。为了进一步了解欧洲境内M. galloprovincialis的遗传多样性和地理结构，对在比利时捕获的昆虫以及来自荷兰和丹麦的繁殖标本进行了基因分型，并与其他欧洲地区的标本进行了比较。此外，由于荷兰和丹麦存在稳定的当地种群，表明当地环境条件可能有利于或阻碍其建立，因此还在比利时、荷兰和丹麦进行了比较研究，重点关注影响甲虫繁殖材料（枯枝或枯树）的林分规模，这是维持稳定种群的关键因素。

材料与方法：我们采用了四管齐下的方法。首先分析陷阱数据以确定M. galloprovincialis的分布范围，然后基于这些记录和缺失情况建立了一个SDM，随后进行系统学研究。通过对比利时、荷兰和丹麦的松树林覆盖情况的比较研究，强调了比利时的监测重点。所保留的陷阱系统包括Crosstrap?（Econex，西班牙穆尔西亚）、多通道和交叉叶片陷阱，这些陷阱用Galloprotect Pack?作为诱饵（SEDQ，西班牙巴塞罗那；成分包括monochamol（2-undecyloxyethan-1-ol）、α-pinene、ipsenol和2-methyl-3-buten-1-ol）。图1为全尺寸图像。2008年至2019年间，M. galloprovincialis在陷阱位置的存在与否情况。物种分布模型（SDMs）是一种工具，它将物种的出现或丰度与环境数据在空间上进行关联，从而将“物种分布数据（已知位置的出现或丰度）”与这些位置的环境和/或空间特征信息联系起来，并“提供对物种在景观中分布的理解和/或预测”（Elith和Leathwick 2009）。考虑了九个与气候（Hijmans等人2005年）、松树属（Pinus spp.）分布（de Rigo等人2016年）和地形（Amatulli等人2018年）相关的变量，如年均温度（°C）、日温差平均值（°C）、温度季节性（°C）、年温差（°C）、年降水量（mm）、降水季节性（mm）、最温暖季度的降水量（mm）以及海拔（m）。这些数据均以栅格格式提供，同时记录了陷阱的总数（nbT）。该数据集的空间分辨率和范围统一为30弧秒，经度范围从-19度到47度，纬度范围从31度到72度。尽管我们分析中使用的气候数据覆盖的是1950年至2000年的时期，但我们假设这些数据所代表的空间模式对我们的研究仍然具有相关性。实际上，我们的目标不是捕捉短期气候波动，而是描述欧洲范围内的广泛尺度和相对气候梯度。这些梯度（例如不同地区之间的温度和降水量差异）在时间上大体保持一致，即使在最近的气候变暖趋势下也是如此。选择多尺度方法来分析M. galloprovincialis的分布。首先，使用“sf”包中的“st_make_grid”功能创建了覆盖研究区域的规则方形镶嵌图（Pebesma 2018）。通过调整基础瓷砖边缘的大小，从50公里到300公里，以5公里为步长，得到了51个不同分辨率（从精细到粗糙）但地理范围固定的采样网格。假设需要考虑规则方形镶嵌图（RST）初始位置的不确定性，因此RST的初始位置在经度和纬度轴上每5公里移动一次，并在不同的RST集合上重复分析。可能的移动次数根据形成RST的基础瓷砖边缘的大小而不同，从100次到3600次不等。对于每种RST分辨率，随机选择了15个不同的初始位置进行分析。然后，使用以下程序提取并汇总了每个采样网格中基础瓷砖位置上的预测变量值和M. galloprovincialis的分布：1）M. galloprovincialis的出现情况：首先，将解释变量定义的同一像素中的重复观测结果汇总，以标记每个像素为存在（1224个像素）或不存在（593个像素）。然后，提取每个基础瓷砖上的出现或缺失次数以及有观测结果的像素总数。2）气候数据和海拔：通过基础瓷砖覆盖的像素比例对像素平均值进行加权。3）松树属：通过解释松树属出现的相对概率来估算基础瓷砖被森林覆盖的比例。首先，对像素值进行求和，并根据像素面积和基础瓷砖覆盖的像素比例进行加权。然后，将该加权总和除以基础瓷砖被像素覆盖的面积。使用GLMs来量化预测变量对“M. galloprovincialis存在的像素比例”的影响（通过陷阱捕获情况证明）。GLMs使用二项分布进行拟合，其中“出现”结果的数量作为二项实验中的成功次数，而有陷阱的像素总数作为试验次数。使用Moran I统计量评估模型残差中的空间自相关性（Cliff和Ord 1981）。使用GLM拟合的偏差比率（Chambers和Hastie 1992）来量化由于在GLM中包含每个术语而减少的模型误差。采用了前向变量选择方法来选择最终模型的预测变量，从包含陷阱总数的模型（nbT）作为潜在采样偏差的控制变量开始，然后依次添加最重要的变量（偏差比率最高的）。在模型比较过程中，只考虑偏差比率大于或等于0.1的变量，以关注影响M. galloprovincialis空间分布的主要因素。使用Pseudo-R2（Cohen和Cohen 2003）计算了每个空间尺度上最终模型的拟合优度。最终选择了一个空间粒度来计算欧洲各地M. galloprovincialis存在的像素比例的预测地图。所选择的空间粒度在模型拟合优度（尽可能高）和残差之间的空间自相关程度（尽可能低）之间取得了良好的平衡。在此步骤中，使用了空间广义线性混合模型（GLMMs）来考虑模型残差之间的空间自相关性，并生成了M. galloprovincialis存在像素比例的空间平滑地图。为此目的，使用了具有Besag York Mollie（BYM）条件自回归（CAR）先验的随机效应（Besag等人1991；Blangiardo和Cameletti 2015）。BYM模型包括一个内在的CAR模型和一个独立同分布的高斯随机效应模型（iid），以包含空间和非空间结构的误差项。使用广泛适用的信息标准（WAIC）（Watanabe 2013）对BYM、CAR和iid模型进行了比较和评估。被认为在减少模型误差和模型过参数化之间达到最佳平衡的模型具有良好的WAIC值。模型使用积分嵌套拉普拉斯近似（INLA）（Gomez-Rubio等人2021）进行拟合，其中空间非结构化和结构化随机效应的先验分布参数指定为log-Gamma（1, 0.00005），这是R-INLA中的默认设置。只有至少被20%的预测变量覆盖的基础瓷砖以及包含至少五个独立陷阱的基础瓷砖被用于训练模型，而模型预测则是针对至少被20%的预测变量覆盖的基础瓷砖计算的。用于遗传分析的Monochamus样本来自比利时国家收藏（1870；1940年）以及2013年至2022年在比利时的捕捉活动，还包括来自荷兰和丹麦的地点（Schoorl和Oksb?l，分别拥有已建立的种群）。这两个国家每年都在一个独特地点有规律地捕获到该物种，表明存在已建立的种群（自1949年起在荷兰：Heijerman等人2009, 2011, 2013, 2014；Heijerman和Noordijk 2016, 2017, 2018；自2015年起在丹麦：Euphresco 2018；Milj?- og F?devareministeriet 2018）。详细列表见Suppinfo_S3中的表1。使用Nucleospin Kit（Macherey–Nagel，德国杜伦）按照制造商的说明从每个样本的一个或两个腿中提取DNA。之前对这些样本的线粒体DNA片段基因COI进行了测序（使用的引物为C1-J-2183a和TL2-N-3014，Simon等人1994），以确认每个捕获样本的特定身份。每个样本在10个微卫星位点（Mon17, Mon23, Mon27, Mon30, Mon31, Mon35, Mon41, Mon42, Mon44, Mon45）进行了基因分型（基于Haran和Roux-Morabito 2014），另外还包括两个新定义的多态性位点（Mon106和Mon116，见SuppInfo-S3中的表2）。按照Haran等人（2017a）的方法进行了多重PCR扩增，而两个新位点则分别进行扩增。基因型使用GENEMAPPER V 4.1（Applied Biosystems?）进行评分。由于数据缺失较多，Mon30和Mon45位点被排除在进一步分析之外。使用GENALEX 6.5（Peakall和Smouse 2012）估计等位基因频率、观察到的和非偏差预期杂合度以及私有等位基因的数量。使用ogenePOP在线工具（Rousset 2008）测试了杂合子的缺失情况。遗传种群结构使用Structure 2.3.4（Pritchard等人2000）中实现的基于贝叶斯模型的聚类分析进行推断。在没有关于采样位置先验信息的情况下运行了具有相关等位基因频率的混合模型。通过对K值从1到10进行10次重复分析来分析基因型。每次运行包括100,000次的燃烧期，随后是500,000次的马尔科夫链蒙特卡洛（MCMC）迭代。使用Structure Harvester网站（Earl和von Holdt 2012），我们使用Evanno方法可视化Delta K（K的平均似然/相同K的似然方差：Evanno等人2005）的变化，并确定最适合数据的簇数量（K）。为了检测三国之间的近期基因流，我们使用GeneClass 2.0（Piry等人2004）中实现的分配测试估计了第一代移民的频率和起源。我们使用基于贝叶斯的方法（Likelihood (L) = L（起源种群）/ L（所有种群中的最大值）来测试每个个体属于比利时、荷兰和丹麦的可能性，该方法由Rannala和Mountain（1997）开发。我们使用蒙特卡洛重采样方法（Paetkau等人2004），模拟了1,000个基因型，将移民检测的阈值设置为0.01。为了将比利时、丹麦和荷兰的种群分配到参考的欧洲种群（用于Haran等人2017a），我们使用Structure 2.3.4进行了种群聚类，设置了80,000次的燃烧期，随后是300,000次的马尔科夫链蒙特卡洛（MCMC）迭代。最后，我们使用R包中的assign.X函数（Chen等人2018）进行了分配测试，该函数采用了监督机器学习方法。分配测试给出了个体多基因型属于Haran等人（2017a）描述的参考种群的概率。由于数据样本多样化，我们保留了两个数据集之间共有的八个位点子集（除了Haran等人2017a中的位点46和47）用于这两种分析。比利时、荷兰和丹麦的松树覆盖度比较分析：分析仅限于弗拉芒地区，因为比利时其他地区的松树（主要是Pinus sylvestris）非常稀少。为了估计松树林的面积，我们使用了Flemish Biologische Waarderingskaart（BWK 2023）。在这个空间矢量数据集中，生物群落由八个重要性递减的代码描述。我们将所有包含松树相关生物群落（主要是P. sylvestris林分）的多边形纳入了八个可用生物群落描述符中最重要的三个（EENH1至EENH3），以避免包含松树很少的多边形；稳健性测试表明，包含较低重要性等级的EENH字段对结果影响不大。为了将空间上相邻的多边形分组，我们采用了以下方法：（1）在多边形周围添加20米的缓冲区；（2）合并重叠的多边形，然后分割不重叠的多边形；（3）添加20米的负缓冲区；（4）计算结果多边形的面积（公顷）。因此，所有相距小于40米的松树多边形被视为属于同一个森林实体。比利时、荷兰和丹麦的松树林大小比较：我们使用了2018年的Corine Land Cover（CLC）100×100米栅格，并提取了对应于针叶林和混交林（CLC 2018）的像素。接触的像素被视为同一个“森林实体”；面积以公顷为单位计算。CLC相较于BWK的优势在于其在整个欧洲都可用。然而，CLC的精度较低（分辨率为100×100米），并且不包含关于Pinus树种的信息，仅包含“针叶树”的信息。在瓦隆地区，针叶林和混合林中松树的占比不高（比利时国家气候委员会2018年数据），因此瓦隆地区被排除在外。在佛兰德斯（比利时国家气候委员会2018年数据）和荷兰（Schelhaas等人2022年数据），针叶树主要是松树。因此，这些针叶林的像素被用作估算这三个国家松树林面积的粗略代理指标，尽管在丹麦，松树仅占针叶树总数的23%（Larsen等人2010年数据）。

**结果**

**物种分布模型**

最终模型中选择了三个预测因子：陷阱总数（nbT）、平均昼夜温差（DiurnalRange）以及基于前向变量选择的Pinus物种存在概率（P.spp）（图2）。

**图2** 全尺寸图像

前向变量选择基于不同预测因子集合及不同RST分辨率（空间分辨率单位为公里）下GLM模型的偏差与零偏差之间的差异比。实线代表一个RST分辨率下预测因子的平均差异比，而透明多边形代表通过改变RST初始位置获得的标准差。

使用选定预测因子运行的GLM模型的差异比和系数显示在图3中。

**图3** 全尺寸图像

左图显示了一个预测因子解释的偏差与两个预测因子（陷阱总数和平均昼夜温差）运行的GLM模型的零偏差之间的差异比；右图显示了这些预测因子的回归系数。实线代表一个RST分辨率下的平均差异比和平均系数，而透明条带代表通过改变RST初始位置获得的标准差。图中还展示了225公里分辨率下CAR模型变量系数的后验边际分布。

对最终GLM模型的偏差和系数分析表明，无论考虑何种空间分辨率，平均昼夜温差都是一个重要的预测因子。平均昼夜温差与存在M. galloprovincialis的像素比例呈正相关。松树林覆盖（P. spp）模型系数相对较高，但随着空间分辨率的粗化而降低，并且与存在M. galloprovincialis的像素比例呈正相关。潜在采样偏差的控制变量——陷阱总数（nbT）的影响较小，但随着空间分辨率的粗化而增加，并且与存在M. galloprovincialis的像素比例呈负相关。

**最终模型**

不同空间分辨率下最终模型的伪R2和Moran’s I统计量显示在图4中。

**图4** 全尺寸图像

不同空间分辨率下的模型评估（伪R2和Moran’s I）。黑线或点代表一个RST分辨率下计算的平均伪R2和Moran’s I，而灰色区域代表通过改变RST初始位置获得的标准差。右图中的红线表示局部多项式回归（Chambers和Hastie 1992），用于检查Moran’s I最小的水平（虚线）。CAR模型的Moran I是基于原始GLM残差（响应变量—预测值）计算得出的。图中还展示了225公里分辨率下CAR模型的Moran I（带有误差棒的方块）。

当空间分辨率变粗时，伪R2持续增加，而Moran’s I统计量则沿相同趋势下降，直到达到一个平台值。225公里分辨率的空间分辨率下，Moran’s I的平均值最小。选择这一分辨率是为了在欧洲范围内预测M. galloprovincialis的分布面积，同时最小化模型中的空间自相关效应。在此分辨率下，比较了两种不同的模型来解释模型残差之间的空间自相关性：CAR模型和BYM模型。在82%的情况下，CAR模型的WAIC更低，在18%的情况下选择BYM模型。因此，最终模型选用了CAR模型（图5）。

**图5** 全尺寸图像

使用CAR GLMM模型，在225公里分辨率下获得的M. galloprovincialis存在像素比例的后验均值预测图。左上面板代表一个特定RST初始位置的预测结果，右上面板代表所有RST初始位置计算的平均预测图。右下面板代表Pinus物种存在的相对概率。

**系统地理学研究**

由于每个地点的样本量较小，遗传多样性分析将所有比利时标本（捕获的+博物馆收藏的）视为一个群体进行。三个分析群体中的每个位点的等位基因总数从2个（Mon23）到10个（Mon106）不等。比利时标本的平均等位基因丰富度和私有等位基因丰富度最高（表1）。所有三个群体都显著偏离哈迪-温伯格平衡（Hardy–Weinberg equilibrium），表现为杂合子缺乏（p<0.0001），且FIS值较高，尤其是在丹麦和荷兰，固定指数分别达到0.55和0.604（表1）。

**STRUCTURE分析**（图6）显示了两个主要的遗传群，将所有比利时（站点1至12）和丹麦标本（群体14）归为一个群，将荷兰标本（群体13）归为另一个群。在比利时没有发现基因型的地理分布模式。当考虑最佳拟合数据的聚类（k=4时——图7左），四个个体从群体1的其余标本中分离出来（图7右）。尽管这些个体来自不同的比利时地点和不同的采集日期（例如Famenne 2018年、Vallon de la Briserie 2018年、Elsakker 2019年），但它们表现出相似的基因型差异。因此，Vallon de la Briserie（6）和Elsakker（12）的亚群体在捕获的标本上显示出对比鲜明的基因型。

**图6** 全尺寸图像

基于STRUCTURE分析的M. galloprovincialis标本的遗传聚类，涉及10个微卫星位点。条形图显示了每个K值的个体分配情况。群体编号分别为：（1）Famenne 2018年；（2）Theux 2022年；（3）Malmedy 2022年；（4）Liège 1940年；（5）Ixelles 1870年；（6）Vallon de la Briserie（2018年、2018年、2020年三个标本）；（7）Kluisbos 2020年；（8）Vagevuurbossen（2019年、2020年、2022年三个标本）；（9）Vloethemveld 2022年；（10）Kloosterbos 2013年；（11）Tessenderloo（2020年两个标本）；（12）Elsakker（2013年、2019年、2021年三个标本）；（13）荷兰Schoorl 2017年；（14）丹麦Oksb?l 2016年。

**图7** 全尺寸图像

左图：K=4时ΔK值最高（Evanno等人2005年）。右图：K=4时的三角图。绿色圆圈代表所有来自荷兰的标本；红色圆圈代表来自（1）Famenne 2018年、（4）Liège 1940年、（6）Vallon de la Briserie 2018年、（12）Elsakker 2019年的4个比利时标本；蓝色圆圈代表来自比利时和荷兰的混合标本。

关于比利时、荷兰和丹麦标本之间可能的近期迁移事件，基于似然的统计方法（Rannala和Mountain 1997）结合Paetkau等人（2004年）的重采样方法，我们将四个可能的移民标本（或具有移民血统的标本）归属于丹麦群体，其中一个在Malmedy被捕获（p<0.0001），另外三个分别在Vagevuurbossen、Tessenderloo和Elsakker被捕获（p<0.03）（表2）。

**比利时、荷兰和丹麦群体的起源**

我们通过群体聚类和分配测试，结合在欧洲范围内已基因分型的参考群体，来探讨这些标本的起源。对八个位点的STRUCTURE分析验证了Haran等人（2017a）已经观察到的系统地理学模式，并将比利时标本主要归为一个主要遗传群，该群组包含大多数来自东北欧的群体（图8）。

**图8** 全尺寸图像

通过STRUCTURE分析在八个位点推断出的遗传聚类。表3（SuppInfo-S3）显示了35个欧洲M. galloprovincialis群体的成员身份，最佳K值为4个遗传群。

**表3** 显示了一个基因型标本属于或在其他群体中有祖先的概率。没有一个分析的标本能够被明确归属于其来源群体。标本显示出混合的遗传贡献，由多个参考群体代表，在大多数情况下无法确定其确切来源。尽管如此，这些结果证实了比利时标本部分起源于东北欧（13/19个），并且在较小程度上与丹麦样本有亲缘关系（5/8个）。然而，荷兰样本显示出更多来自西南欧的遗传贡献（包括两个个体来自葡萄牙，三个个体来自西班牙）。

根据SDM数据，捕获的昆虫数量少且本地出现概率低，表明M. galloprovincialis在比利时尚未建立稳定的群体，捕获的昆虫更可能来自外部。即使我们不能排除一些在比利时捕获的标本曾经属于本地或引入的低水平种群，我们的结果也更支持其在比利时NPPO监测策略中应优先关注入口点的观点。

**比利时、荷兰和丹麦松树覆盖率的比较研究**

**比利时（佛兰德斯）的松树覆盖率**

在7,095个识别的松树林中，6,912个（97.4%）的面积小于50公顷（图9），只有三个（0.04%）的面积大于1,000公顷，两个的面积大于3,000公顷（表1、2和Suppinfo_S4的图1）。总体而言，佛兰德斯的松树林主要由面积小于100公顷的小林地组成，其中绝大多数（占总松树覆盖面积的91%）的林地面积也小于10公顷（BWK 2023年）。

**比利时、荷兰和丹麦的针叶树林面积比较**

荷兰和丹麦的针叶树林面积大于比利时（表3和图9）（CLC 2018年），比利时有12个大于500公顷的林地，而荷兰和丹麦分别有57个和61个（表3和图9）。

**图9** 全尺寸图像

比利时（佛兰德斯）和荷兰（A）以及丹麦（B）中面积大于100公顷的针叶树林，以及Monochamus物种捕获的位置（黑色十字标记）。

**表4** 提供了有关检索到空间信息的林地的相关信息（注意捕获并不总是发生在林地内）。除了Hoge Vijverbos（CLC：875公顷；BWK无数据）外，比利时发现Monochamus物种的林地面积均小于荷兰（Schoorl，NL：709公顷–CLC）和丹麦（Oksb?l，DK：1530公顷–CLC）的两个永久性M. galloprovincialis种群的栖息地。

**综合分析——比利时的捕获数据**

几乎整个比利时、法国西北部、荷兰一小部分以及德国西北部地区的SDM状态较低（图10）。在比利时每个地点通常只捕获到一只M. galloprovincialis成虫（表5），少数例外：Elsakker（2013年、2018年、2019年、2021年）；Heidebos（同年两次捕获，但间隔一个月）；Tessenderloo（同年两次捕获，但间隔两个月）；Vagevuurbossen（2019年、2020年、2022年）；Vallon de la Briserie（2018年（同一天捕获两个个体），2020年）；Vloethemveld（2018年、2022年）。在Kluisbos Kluisbergen（2019年）和Elsakker（2013年）也捕获到一只M. sartor urussovii。SDM推断的这些地点的M. galloprovincialis出现概率（0.40至0.55）与Schoorl（NL：0.55）和Oksb?l（DK：0.53）没有显著差异（表5）。在所有情况下，捕获地点都在潜在进入点（港口、物流设施、进口木材或货物的公司）的飞行范围内。图10：比利时Monochamus galloprovincialis的发生概率（SDM状态）。白色圆点：比利时的捕捉地点。
表5：比利时、荷兰和丹麦记录的Monochamus spp.捕获/观察数据摘要。
讨论
生物入侵的预防或早期管理依赖于严格的贸易法规（Roy等人，2014年）以及精心规划的监测，可能还需要结合扩散模型（Alonso Chávez等人，2025年）。对于天牛科昆虫而言，目前开发的广范围诱捕器能够在欧洲港口实现高效监测（Rassati等人，2015年；Hoch等人，2020年；Roques等人，2023年；Santoiemma等人，2024年）。当非本地病原体由本地昆虫传播时（例如M. galloprovincialis与B. xylophilus的关联），应在这些昆虫的原始栖息地和入境点对其传播媒介进行监测和病原体检测。如果证明当地自然区域没有这些媒介的存在，就可以降低相关的高成本。在我们的研究中，每个捕捉地点与潜在入境点的接近程度以及有限的捕捉结果支持了这些昆虫很可能是从外部引入的假设，尽管我们也不能完全排除存在非常小、可能不稳定的本地种群的可能性。同样，这些昆虫通过飞行从邻近国家自然进入也不是完全不可能的，尽管根据David等人（2014年）的数据，在法国、德国和荷兰靠近比利时的地区进行的少数观察记录显示，这些地区的飞行距离超过了最大值（雄性45公里，雌性65公里）。
M. galloprovincialis已在其他国家的入境点或附近被捕获（Rassati等人，2014年，2015年；Mas等人，2023年；Santoiemma等人，2024年）。成功建立本地种群的必要条件包括：（i）适宜的气候条件；（ii）保证足够繁殖资源的足够大的林分规模（例如，供幼虫发育的枯死或濒死的松树枝或树木）；（iii）较小的传播体规模。Osada等人（2018年）分析了日本1980年至2011年间M. alternatus的数量和松树枯萎病感染的记录，发现稀疏种群存在“林分效应”，降低了其生存机会。
这些甲虫主要以幼虫阶段通过木材传播，成年后才会出现。它们需要2-3周的时间在新鲜松枝上成熟并觅食（Naves等人，2006年），在此期间它们对信息素无反应（Etxebeste等人，2016年）。因此，它们需要飞往靠近入境点的松树林分。
遗传分析表明，无法将任何分析样本与欧洲已知种群对应起来（成员概率见Suppinfo-S3的表3）。所有捕获样本都显示出混合的遗传特征，来自多个参考种群，在大多数情况下无法确定具体来源。尽管如此，这种方法通过纳入三个新采样国家的数据，有助于填补东北欧的系统地理学空白，并确认比利时样本部分来源于东北欧（13/19个样本），同时在一定程度上与丹麦样本有亲缘关系（5/8个样本）。然而，荷兰样本显示出更多来自西南欧的遗传特征（包括两名个体的葡萄牙和三名个体的西班牙）。
David等人（2014年）通过飞行试验研究了M. galloprovincialis的扩散情况。在其生命周期（约100天）内，雄性和雌性的平均飞行距离为16公里（最大值：雌性45公里，雄性63公里）。Mas等人（2013年）的标记-释放-重捕实验记录的最大飞行距离为14公里和22公里，Torres-Vila等人（2015年）报告的平均扩散距离为107-122米。Robinet等人（2019年）结合了飞行试验和释放-重捕实验的结果，开发了一个随机行走扩散模型，得出平均飞行距离约为13公里（直线距离），成熟期结束时约80%的昆虫位于离出现点500米以外的地方。利用该模型（https://zenodo.org/record/1211489）计算，120天后，离开入境点的种群中40.4%的昆虫至少飞行了15公里，3.4%至少飞行了30公里，0.38%至少飞行了40公里（在连续的松树林覆盖下）。根据Etxebeste等人（2016年）和Haran等人（2017b）的研究，在比利时破碎的森林覆盖条件下，这些比例可能更高，这表明在不连续的松树林覆盖下扩散距离更远。所有发现或捕获M. spp.的地点都在潜在入境点40公里范围内（见表3）。Nunes等人（2021年）的释放-重捕实验表明，M. galloprovincialis倾向于避开非宿主林分，但对砍伐区无选择性。Schroeder（2019）在松树林分的陷阱和砍伐区的陷阱中未发现M. galloprovincialis的捕获量存在差异。Han等人（2023）基于全基因组重测序对中国M. alternatus也得出了类似结论。
离开入境点时，甲虫可能需要找到“中转站”（即资源有限的地点，至少可以在那里觅食或产卵），这类似于黑啄木鸟Dryocopus martius（Saura等人，2014年）和松树 processionary moth Thaumetopoea pityocampa（Rossi等人，2016年的观察结果）。
Schoorl（荷兰）和Oksb?l（丹麦）的M. galloprovincialis发生概率与比利时地点相似，但这无法解释这些地方存在永久性种群的原因。然而，这些地方的规模（700-1,500公顷）大于比利时所有其他地方，为甲虫提供了更多的繁殖场所（枯死的树木或活树上的枯树枝）。比利时、荷兰和丹麦的松树覆盖情况比较研究（SuppInfo_S4）显示，比利时的松树覆盖面积较小，大型林分（>500公顷）的数量也远低于其他两个国家。比利时少数较大的林分中可能存在永久性甲虫种群，这可以通过针对性监测进一步探索。
Robinet等人（2011年）在欧洲主要港口引入松树线虫后，开发了一个扩散模型，认为人类辅助的运输促进了线虫的自然传播。他们的模型隐含地假设了本地媒介种群的参与或引入的媒介能够建立种群。我们的结果表明，比利时的本地媒介要么不存在，要么非常稀少，而当地的资源（主要是小而分散的松树林分）可能不足以支持引入媒介的建立。
这项研究的实际意义在于，比利时对M. galloprovincialis的监测应集中在入境点及其周围地区。如果认为需要在自然区域进行监测，应重点关注较大的松树林分。