تحلیل سری زمانی پویایی جمعیت پسیل گلابی، Cacopsylla pyri (Hemiptera: Psyllidae)، با استفاده از مدل ARIMA روی نه رقم مختلف گلابی Pyrus Communis

پژوهش های حفاظت گیاهان ایران

مقاله 1، دوره 38، شماره 4 - شماره پیاپی 66، دی 1403، صفحه 309-325   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jpp.2024.86109.1171

نویسندگان

مسعود لطیفیان^{* 1}؛ حمید عبداللهی²

¹سازمان تحقیقات، آموزش و ترویج کشاورزی، مؤسسه تحقیقات علوم باغبانی، پژوهشکده میوه‌های معتدله و سردسیری، کرج، ایران.

²سازمان تحقیقات، آموزش و ترویج کشاورزی، مؤسسه تحقیقات علوم باغبانی، پژوهشکده میوه‌های معتدله و سردسیری، کرج، ایران

چکیده

پسیل یک آفت کلیدی در مناطق مهم کشت گلابی Pyrus Communis  در ایران است. در این پژوهش، مدل‌های سری زمانی ارتباط بین منبع (نُه رقم گلابی)-مصرف‌کننده (مراحل مختلف رشدی پسیل گلابی) برای تحلیل پویایی جمعیت بررسی شدند. سری­های زمانی جمعیت هر مرحله رشدی پسیل گلابی مجموعه‌ای از مشاهدات است که با نمونه­برداری منظمِ متغیر جمعیت تخم، پوره و حشره­کامل پسیل گلابی در دوره زمانی چهار ساله (1399- 1402) به‌دست ­آمده است. مدل میانگین متحرک خودهمبسته یکپارچه(ARIMA)  در سری­های زمانی برای پیش‌بینی آینده جمعیت هر یک از مراحل رشدی تخم، پوره و حشره­کامل پسیل گلابی روی نُه رقم گلابی به‌کار برده شد. نتایج نشان داد که میانگین تفاوت بین تراکم جمعیت پیش­بینی شده توسط مدل و مشاهده شده در سه مرحله رشدی، معادل 88/36 حشره-روز بود. میانگین درصد مطلق خطا برای هر سه مرحله رشدی به‌طور متوسط ماهانه معادل 37/2 حشره-روز بود. حداقل این شاخص، معادل 12/29 حشره-روز (7/0 ماهانه) در مرحله حشره­کامل در رقم پوتوماک و حداکثر آن معادل 53/522 حشره-روز (9/10 ماهانه) در مرحله پوره در رقم نطنزی بود. مقادیر خودهمبستگی­های باقی‌مانده و خودهمبستگی­های جزئی در اکثر مراحل رشدی و ارقام مختلف به‌صورت مطلق از 5/0 کوچک‌تر بود. در منحنی تغییرات تراکم جمعیت همه مراحل رشدی پسیل گلابی، یک روند سینوسی اتفاق می‌افتاد. روند تغییرات در مشاهدات با پیش­بینی مدل یکسان بود. میانگین قدرمطلق ضریب تقاطعی در حدود 3/0 تا 4/0 متغیر بوده که نشان‌دهنده قدرت تشخیص هر مرحله رشدی نسبت به مرحله رشدی بعد از آن بوده است. حداکثر قدرت تشخیص در ارقام مختلف مربوط به انتقال جمعیت از مرحله پوره به حشره­کامل بود. انعطاف­پذیری مدل­ها در جمعیت پسیل گلابی و امکان خود کالیبره کردن آن‌ها، این رویکرد را به ابزاری ارزشمند برای نظارت بر جمعیت این حشره تبدیل می­کند.

کلیدواژه‌ها

پیش‌بینی؛ تحلیل جمعیت؛ خودهمبستگی؛ سری زمانی؛ میان‌همبستگی

مراجع

Andow, D.A. (1990). Population dynamics of an insect herbivore in simple and diverse habitats. Ecology, 71(3), 1006-1017. https://doi.org/10.2307/1937369

Behdad, E. (1991). Iran Pests of Fruit Trees (2^nd Ed.), Bahman Nashr Press, Esfahan, Iran, 826 pp. (in Persian)

Blanchet, F.G., Cazelles, K., & Gravel, D. (2020). Co‐occurrence is not evidence of ecological interactions. Ecology Letters, 23(7), 1050-1063. https://doi.org/10.1111/ele.13525

Blomquist,C.L., & Kirkpatrick, B.C. (2002). Frequency and seasonal distribution of pear psylla infected with the pear decline phytoplasma in California pear orchards. Phytopathology, 92(11), 1218-1226. https://doi.org/10.1094/PHYTO.2002.92.11.1218

Boopathi, T., Singh, S. B., Manju, T., Ramakrishna, Y., Akoijam, R. S., Chowdhury, S., Ngachan, S. V., Waisel, Y., & Bose, A. (2015). Development of temporal modeling for forecasting and prediction of the incidence of lychee, Tessaratoma papillosa (Hemiptera: Tessaratomidae), using time-series (ARIMA) analysis. Journal of Insect Science, 15(1), 55. https://doi.org/10.1093/jisesa/iev034

Butt, B. A., Stuart, L. C., & Bell, R. L. (1989). Feeding, longevity, and development of pear psylla (Homoptera: Psyllidae) nymphs on resistant and susceptible pear genotypes. Journal of Economic Entomology, 82(2), 458-461. https://doi.org/10.1093/jee/82.2.458 

Clark, T. J., & Luis, A. D. (2020). Nonlinear population dynamics are ubiquitous in animals. Nature Ecology and Evolution, 4(1), 75-81. https://doi.org/10.5281/zenodo.3470260 

Damos, P. (2016). Using multivariate cross correlations, Granger causality and graphical models to quantify spatiotemporal synchronization and causality between pest populations. BMC ecology, 16, 1-17. https://doi.org/10.1186/s12898-016-0087-7 

Damos, P. T., & Savopoulou-Soultani, M. (2010). Development and statistical evaluation of models in forecasting moth phenology of major lepidopterous peach pest complex for Integrated pest management programs. Crop Protection, 29(10), 1190-1199. https://doi.org/10.1016/j.cropro.2010.06.022

Daniel Kissling, W., Pattemore, D. E., & Hagen, M. (2014). Challenges and prospects in the telemetry of insects. Biological Reviews, 89(3), 511-530. https://doi.org/10.1111/brv.12065

Del Monte‐Luna, P., Brook, B. W., Zetina‐Rejón, M. J., & Cruz‐Escalona, V. H. (2004). The carrying capacity of ecosystems. Global Ecology and Biogeography, 13(6), 485-495. https://doi.org/10.1111/j.1466-822X.2004.00131.x

Dennis, E. B., Kéry, M., Morgan, B. J., Coray, A., Schaub, M., & Baur, B. (2021). Integrated modelling of insect population dynamics at two temporal scales. Ecological Modelling, 441, 109408. https://doi.org/10.1016/j.ecolmodel.2020.109408

Didham, R. K., Basset, Y., Collins, C. M., Leather, S. R., Littlewood, N. A., Menz, M. H. M., Müller, J., Packer, L., Saunders, M. E., Schönrogge, K., Stewart, A. J. A., Stork, N. E., Samways, M. J., & Hassall, C. (2020). Interpreting insect declines: Seven challenges and a way forward. Insect Conservation and Diversity, 13(2), 103-114. https://doi.org/10.1111/icad.12408

Dimri, T., Ahmad, S., & Sharif, M. (2020). Time series analysis of climate variables using seasonal ARIMA approach. Journal of Earth System Science, 129, 1-16. https://doi.org/10.1007/s12040-020-01408-x

Dixon, P. A., Milicich, M. J., & Sugihara, G. (1999). Episodic fluctuations in larval supply. Science, 283(5407), 1528-1530. https://www.science.org/doi/abs/10.1126/science.283.5407.1528

Erfani, J., Ebadi, A., Abdollahi, H., & Moghaddam, M. F. (2014). Evaluation of genetic diversity of some pear (Pyrus spp.) genotypes and species based on morphological characteristics. Iranian Journal of Horticultural Science, 45(1), 11-21. (in Persian)

Flores, J. H. F., Engel, P. M., & Pinto, R. C. (2012). Autocorrelation and partial autocorrelation functions to improve neural networks models on univariate time series forecasting. In The 2012 International Joint Conference on Neural Networks (IJCNN) (pp. 1-8). IEEE. https://doi.org/10.1109/IJCNN.2012.6252470

Forbanka, D. N., Stemele, M. A., Heshula, L. U. N. P., Dzemo, W. D., Kotey, D. A., Taruvinga, A., & Tshivhandekano, P. G. (2023). Distribution and fixed-precision sampling plans for diamondback moth (Lepidoptera: Plutellidae), on winter–spring cabbage. Journal of Economic Entomology, 116(5), 1551-1559. https://doi.org/10.1093/jee/toad156

Heath, R. A. (2014). Nonlinear Dynamics: Techniques and Applications in Psychology. Psychology Press.  United Kingdom. 356 pp.

Henson, S. M., Costantino, R. F., Cushing, J. M., Dennis, B., & Desharnais, R. A. (1999). Multiple attractors, saddles, and population dynamics in periodic habitats. Bulletin of Mathematical Biology, 61, 1121-1149. https://doi.org/10.1006/bulm.1999.0136

Hines, J., van der Putten, W. H., De Deyn, G. B., Wagg, C., Voigt, W., Mulder, C., Minden, V., Engelhardt, K., Scherber, C., & Eisenhauer, N. (2015). Towards an integration of biodiversity-ecosystem functioning and food web theory to evaluate relationships between multiple ecosystem services. In Advances in Ecological Research Academic Press, 53, 161-199 pp. https://doi.org/10.1016/bs.aecr.2015.09.001

Hirano, H., & Takemoto, K. (2019). Difficulty in inferring microbial community structure based on co-occurrence network approaches. BMC bioinformatics, 20(1), 1-14. https://doi.org/10.1186/s12859-019-2915-1

Kawatsu, K., Ushio, M., van Veen, F. F., & Kondoh, M. (2021). Are networks of trophic interactions sufficient for understanding the dynamics of multi‐trophic communities? Analysis of a tri‐trophic insect food‐web time‐series. Ecology Letters, 24(3), 543-552. https://doi.org/10.1111/ele.13672

Kéfi, S., Miele, V., Wieters, E. A., Navarrete, S. A., & Berlow, E. L. (2016). How structured is the entangled bank? The surprisingly simple organization of multiplex ecological networks leads to increased persistence and resilience. PLoS Biology, 14(8), e1002527. https://doi.org/10.1371/journal.pbio.1002527

Kim, D., Cho, M., Jeon, H., Yiem, M., & Lee, J. (2000). Population trends and temperature-dependent development of pear psylla, Cacopsylla pyricola (Foerster)(Homoptera: Psyllidae). Korean Journal of Applied Entomology, 39(2), 73-82.

Liu, D., Yu, J., Macchiarella, N. D., & Vincenzi, D. A. (2008). Simulation fidelity. In Human factors in simulation and training. CRC Press, United State, pp. 91-108.

Liu, S. S., Chen, F. Z., & Zalucki, M. P. (2002). Development and survival of the diamondback moth (Lepidoptera: Plutellidae) at constant and alternating temperatures. Environmental Entomology, 31(2), 221-231. https://doi.org/10.1603/0046-225X-31.2.221

Machlitt, D. (1998). Persea mite on avocados: Quick field counting method. Subtropcal Fruit News, 6, 1-4.

Marcasan, L. I. S., Hulujan, I. B., Florian, T., Somsai, P. A., Militaru, M., Sestras, A. F., Moldovan, I. C., Crisan, I. A., Roman, I., & Sestras, R. E. (2022). The importance of assessing the population structure and biology of psylla species for pest monitoring and management in pear orchards. Notulae Botanicae Horti Agrobotanici Cluj-Napoca, 50(4), 13022. https://doi.org/10.15835/nbha50313022

Moore, J. C., de Ruiter, P. C., McCann, K. S., Wolters, V., Gellner, G., & Serván, C. (Eds.). (2017). Adaptive Food Webs: Stability and Transitions of Real and Model Ecosystems. Cambridge University Press, United Kingdom. 326 pp. https://doi.org/10.1017/9781316871867   

Nelson, B. K. (1998). Time series analysis using autoregressive integrated moving average (ARIMA) models. Academic Emergency Medicine, 5(7), 739-744. https://doi.org/10.1111/j.1553-2712.1998.tb02493.x

Palma, G. R., Godoy, W. A., Engel, E., Lau, D., Galvan, E., Mason, O., Souza, L. E., Ribeiro, F. T., Miranda, J. R., & Moral, R. A.  (2023). Pattern-based prediction of population outbreaks. Ecological Informatics, 77, 102220. https://doi.org/10.1016/j.ecoinf.2023.102220

Pasqualini, E., Civolani, S., Musacchi, S., Ancarani, V., Dondini, L., Robert, P., & Baronio, P. (2006). Cacopsylla pyri behaviour on new pear selections for host resistance programs. Bulletin of Insectology, 59(1), 27-37.

Sanchez, J. A., & Ortín-Angulo, M. C. (2012). Abundance and population dynamics of Cacopsylla pyri (Hemiptera: Psyllidae) and its potential natural enemies in pear orchards in southern Spain. Crop Protection, 32, 24-29. https://doi.org/10.1016/j.cropro.2011.11.003

Schaub, L., Graf, B., & Butturini, A. (2005). Phenological model of pear psylla Cacopsylla pyri. Entomologia Experimentalis et Applicata, 117(2), 105-111. https://doi.org/10.1111/j.1570-7458.2005.00339.x

Scutareanu, P., Lingeman, R., Drukker, B., & Sabelis, M. W. (1999). Cross‐correlation analysis of fluctuations in local populations of pear psyllids and anthocorid bugs. Ecological Entomology, 24(3), 354-363. https://doi.org/10.1046/j.1365-2311.1999.00199.x

Shenk, T. M., White, G. C., & Burnham, K. P. (1998). Sampling‐variance effects on detecting density dependence from temporal trends in natural populations. Ecological Monographs, 68(3), 445-463. https://doi.org/10.1890/0012-9615(1998)068[0445:SVEODD]2.0.CO;2

Soukhovolsky, V., Kovalev, A., Ivanova, Y., & Tarasova, O. (2023). Autoregression, first order phase transition, and stochastic resonance: A comparison of three models for forest insect outbreaks. Mathematics, 11(19), 4212. https://doi.org/10.3390/math11194212

Stankevych, S. V., Biletskyj, Y. M., Zabrodina, I. V., Yevtushenko, M. D., Dolya, M. M., Lezhenina, I. P., Tymchyshyn, O. V., Dmytrenko, V. O., Petrova, O. M., & Klymenko, I. V. (2020). Cycle populations dynamics of harmful insects. Ukrainian Journal of Ecology, 10(3), 147-161. https://doi.org/10.15421/2020_148.

Wong, T. T., & Madsen, H. F. (1967). Laboratory and field studies on the seasonal forms of pear psylla in northern California. Journal of Economic Entomology, 60(1), 163-168. https://doi.org/10.1093/jee/60.1.163

Yeh, C. K., Rice, G., & Dubin, J. A. (2023). Functional spherical autocorrelation: A robust estimate of the autocorrelation of a functional time series. Electronic Journal of Statistics, 17(1), 650-687. https://doi.org/10.1214/23-EJS2112