基于化学引诱剂的昆虫诱捕视角：从不同范式到互操作的科学工具箱

《Frontiers in Ecology and Evolution》：A perspective on chemical attractant-based insect trapping: from disparate paradigms to an interoperable scientific toolbox

　　

基于引诱剂的诱捕受羽流动力学、昆虫运动、行为阈值、诱剂老化和空间设计之间复杂相互作用的支配。该领域因术语不一致以及相对缺乏严格的数学方法而困扰，这些方法有可能提高普遍理解并促进害虫管理。在本视角中，研究人员回顾了当前技术状态，重点关注近期发展，并概述了研究人员认为有利于昆虫诱捕研究及其实际应用的举措。具体而言，研究人员提出：(1) 标准化术语，统一诸如活性空间(active space)、羽流范围(plume reach)和D50等概念，以便跨研究和物种进行直接比较。(2) 采用符合生物学现实且非专业人员易于应用的数学框架。(3) 要求操作性验证：模型只有在研究人员、种植者和管理项目能够应用它时才有用。(4) 开发优化的实验方案以及分析方法和工具，以高效生成每个模型所需的参数。(5) 利用新兴的人工智能(AI)工具整合数据流、自动化分类并改进诱捕解释。这些提议的好处通过诸如美国农业部(USDA)的“缓慢传播计划”(Slow the Spread Program)等系统得到例证，该计划每年解释约186,000 km²范围内约100,000个诱捕器的数据。一个统一、定量且实用的框架将使基于引诱剂的诱捕充分发挥其在早期检测和害虫管理方面的潜力。

基于化学引诱剂的昆虫诱捕是生物安全检测、害虫管理和生态监测的重要工具，但诱捕数据的解释长期受限于术语不一致和缺乏统一的定量框架。不同应用领域（农业害虫管理、生物安全检测、生态监测、种群丰度估计）发展出各自独立的范式，使用不相容的术语和假设，导致数据无法互操作，阻碍了知识的积累和综合监测系统的建立。研究人员指出，诱捕捕获量不应被视为种群大小的直接度量，而应理解为概率检测过程的结果，该过程涉及昆虫丰度、运动、行为动机、检测概率、保留概率和采样几何等多个环节的交互作用。为解决这些碎片化问题，本文提出了一项统一、定量且实用的框架，旨在促进不同领域间的分析方法和数据集共享，充分发挥诱捕在早期检测和害虫管理中的潜力。该论文发表在《Frontiers in Ecology and Evolution》。

**主要关键技术方法**（不超过250字）：研究人员主要通过文献综述和概念分析提出框架。关键技术方法包括：标记-释放-再捕获(Mark-Release-Recapture, MRR)实验，通过对称布置多个陷阱于单个释放点周围以平均风向和羽流变异性，并估计汇聚捕获时间；使用多距离释放（0米、可忽略捕获的距离及至少两个中间距离）以解析距离-响应曲线；提出基于概率的距离度量D50（捕获概率降至近源值50%的距离）作为统一比较指标；利用混合建模方法，将机理模型与人工智能(AI)组件结合，学习模型估计与观测捕获之间的系统偏差。案例来源为美国农业部(USDA)的缓慢传播计划(Slow the Spread Program)，该计划每年管理约186,000 km²范围内约100,000个诱捕器的数据。

**研究结果**（保留各小标题并说明通过什么研究得出什么结论）：

**2.1 农业决策支持**：通过分析农业害虫监测中诱捕数据与产量损失阈值的关系，研究人员发现阈值通常设置保守以避免经济损失；当昆虫为植物病原体媒介时，诱捕更接近生物安全范式，检测可能触发立即行动或强化采样。

**2.2 生物安全检测**：通过分析大范围诱捕网格的挑战（如捕获与报告之间的延迟），研究人员指出零捕获的解读是主要难题；新兴工具如AI辅助图像分析和环境DNA(eDNA)可缓解这些限制。

**2.3 生态监测**：通过分析使用通用引诱剂（如灯光或实蝇引诱剂如Cuelure、甲基丁香酚）的诱捕，研究人员发现相对丰度假设可能不成立，捕获量可能反映引诱剂相对吸引力而非环境丰度；拦截式诱捕器（如马来氏网）可减少此类偏差。

**2.4 种群丰度**：通过分析针对特定物种的种群监测，研究人员发现目标包括评估种群稳定性或灭绝情况；在根除计划中，零捕获能否解释为种群缺失至关重要。

**3 根本问题**：通过概念建模（捕获量=丰度×运动×动机×检测×保留×采样几何），研究人员得出同一捕获量可对应多种不同条件的结论，因此必须将诱捕视为概率检测过程，而非直接测量。

**4 术语碎片化**：通过比较活性空间(active space)、有效吸引半径(EAR)、有效采样面积(ESA)、羽流范围(plume reach)和D50等指标，研究人员发现这些指标来自不同假设且不可互换，需要明确定义并建立等价关系。

**5 操作化诱捕模型**：通过讨论MRR实验的关键因素（对称陷阱配置、汇聚捕获时间估计、多距离复现），研究人员提出优化实验协议，并建议使用0米、可忽略距离及中间距离以高效估计参数。

**6 机器学习和AI提供新机遇**：通过分析当前AI应用（主要聚焦图像识别）的局限，研究人员指出单纯数据驱动模型可能因训练数据有限而失败；提议采用混合建模（机理模型+AI学习偏差），以USDA的STS计划为例，该框架可整合天气介导的病原体动态等未建模因素。

**7 改进路线图**：短期包括术语标准化、报告标准强化和实验协议对齐；中期包括多站点验证、混合建模开发和历史数据重分析；长期需机构协调，建立如STS计划所示的互操作测量系统。

**总结讨论部分**：论文讨论主要围绕改进路线图展开。短期明确要求定义常用指标（活性空间、EAR、ESA、D50）的假设，发布交叉分析以区分等价与非等价关系，并加强实验报告标准。中期需通过多站点研究验证检测过程模型，开发混合建模方法整合环境变异性（如天气介导的病原体动态），并利用机器学习校正机理估计与观测之间的系统偏差。长期则强调机构层面的协调，推动监测网络向互操作测量系统演进，采用标准化术语和校准指标，使农业、生物安全和生态应用中的诱捕数据解释一致。

**翻译研究结论部分（8 Conclusions）**：基于化学引诱剂的昆虫诱捕是生态研究、入侵物种监测和害虫管理的重要工具，然而用于解释诱捕数据的概念和分析框架仍然碎片化，限制了进展。本文强调了关键问题及未来可能的方向。诱捕捕获量不应被理解为种群大小的直接度量，而应视为概率检测过程的结果，该过程由昆虫行为、环境条件和采样几何共同塑造。诱捕器本身并非有缺陷的仪器；问题在于如何解释它们捕获的数据。通过将诱捕器视为复杂检测过程的传感器而非简单的种群计数器，该领域可以朝着更一致的解读、更强的定量模型和更可靠的决策支持迈进。这一重新定义为一个统一框架奠定了基础，使生态研究、入侵物种监测和害虫管理能够共享分析方法、模型和数据集，而非不断重复发明方法。没有这种思维转变，解释上的不一致将持续存在；有了它，诱捕才能作为可靠且可迁移的测量系统在不同应用中发挥作用。