NY/T 4807-2025 昆虫雷达监测迁飞性害虫技术规范

　　中华人民共和国农业行业标准

　　NY/T 4807—2025

　　昆虫雷达监测迁飞性害虫技术规范

　　Technical specification for monitoring migratory insect pests

　　with entomological radar

　　2025-12-09 发布

　　2026-05-01 实施

　　中华人民共和国农业农村部 发 布

　　NY/T 4807—2025

　　前 言

　　本文件按照 GB/T 1 .1—2020« 标准化工作导则 第 1 部分 : 标准化文件的结构和起草规则»的规定起草。

　　请注意本文件的某些内容可能涉及专利。 本文件的发布机构不承担识别专利的责任。

　　本文件主要起草人 : 曾娟 、张浩文 、吴孔明 、刘杰 、封洪强 、王锐 、张智 、张熠玚 、卞悦。

　　昆虫雷达监测迁飞性害虫技术规范

　　1 范围

　　本文件界定了昆虫雷达监测迁飞性害虫相关术语和定义 ,规定了昆虫雷达(及昆虫种类验证设备 、高空测报灯)的布设要求 ,描述了迁飞性害虫空中种群动态监测 、昆虫雷达运行与检修以及数据传输与存档的具体方法 .

　　本文件适用于农业重大迁飞性害虫的昆虫雷达监测 .

　　2 规范性引用文件

　　下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款 . 其中 ,注日期的引用文件 ,仅该日期对应的版本适用于本文件 ;不注日期的引用文件 ,其最新版本(包括所有的修改单)适用于本文件 .

　　NY/T 4182 农作物病虫害监测设备技术参数与性能要求

　　3 术语和定义

　　下列术语和定义适用于本文件 .

　　3 .1

　　农业重大迁飞性害虫 majormigratoryinsectpestsin agriculture

　　能够大规模 、周期性 、远距离定向迁移 ,并具有区域性暴发威胁 、可能造成农作物严重损失的害虫 .

　　3 .2

　　昆虫雷达 entomologicalradar

　　一类专门设计的用于观测空中迁飞昆虫规模与行为的雷达 .

　　昆虫雷达基本工作原理见附录 A 中的 A.1 ,根据其工作模式通常分为垂直昆虫雷达和扫描昆虫雷达

　　两种 .

　　3 .2 .1

　　垂直昆虫雷达 verticalG looking entomologicalradar

　　波束垂直向上探测昆虫的雷达 .

　　根据电磁波的极化方式可分为旋转线极化垂直昆虫雷达和全极化垂直昆虫雷达 . 具体工作原理和探

　　测能力见 A.2 .

　　3 .2 .2

　　扫描昆虫雷达 scanning entomologicalradar

　　天线可在 0 °~ 90 °范围内的任一仰角上进行 360 °方位旋转扫描 ,或在固定方位角上俯仰扫描的昆虫雷达 . 具体工作原理和探测能力见 A.3 .

　　3 .3

　　高空测报灯 verticalhighG beam lighttrapsforhighG altitudemigratoryinsects

　　探照灯诱虫器

　　一种以 1 000 W 金属卤化物灯为光源 、固定在地面并向空中照射圆锥状光柱 、探测引诱迁飞性昆虫的

　　监测设备 .

　　4 昆虫雷达及高空测报灯布设要求

　　4 .1 昆虫雷达整体布局

　　昆虫雷达应布局在我国农业重大迁飞性害虫的 4 条主要迁飞路线上 ,包括 :

　　a) 西南一华南沿线地区 ;

　　b) 长江流域及其以南一黄淮华北一东北东部沿线地区 ;

　　c) 东南沿海地区 ;

　　d) 西北一东北西部沿线地区。

　　4 .2 昆虫雷达布设环境与条件

　　昆虫雷达应布设在代表性农田生态环境中 、视野开阔处 ,优先布设在当地主要农作物连片种植区 、常

　　年季节性迁飞通道上。 布设地点地势相对较高 ,周边 2 km 范围内无高大山体或建筑物等遮挡物 ,且无高

　　同时方便定期维护。

　　4 .3 昆虫雷达安装要求

　　应将垂直昆虫雷达固定于基座上 ,将扫描昆虫雷达架设于合适的高度 ; 同时 ,配套安装避雷装置 、防护

　　围栏 ,并设立安全警示标识。 昆虫雷达天线与主机需分开安装时 ,应具备安放雷达主机的室内场所 ,并具

　　备防雨 、防尘 、防鼠等功能。

　　4 .4 昆虫雷达观测运行参数

　　雷达监测迁飞性害虫的运行参数见表 1 。

　　表 1 各制式昆虫雷达监测迁飞性害虫的运行参数

　　4 .5 高空测报灯布设要求

　　在昆虫雷达观测的同时 ,距离昆虫雷达 200 m~ 5 000 m 范围内布设 1 台至多台高空测报灯 ,诱集并

　　验证距地面 1 000 m 高度范围内农业重大迁飞性害虫的种类 、种群数量和群落结构。 高空测报灯的技术

　　参数和性能应符合 NY/T 4182 的要求。

　　4 .6 监测期

　　按照昆虫雷达及高空测报灯所在的迁飞路线及其生态区域确定监测期 :

　　a) 西南一华南沿线地区 ,包括云南 、广西 、广东和海南 ,全年监测 ;

　　b) 长江流域及其以南沿线地区 ,包括四川 、贵州 、重庆 、湖北 、湖南 、江西和安徽 ,监测期为 3 月 1 日至 11 月 30 日 ;

　　c) 黄淮华北沿线地区 ,包括河南 、山西 、山东 、河北 、北京和天津 ,监测期为 4 月 1 日 至 10 月 31 日 ;

　　d) 东北东部沿线地区 ,包括辽宁 、吉林和黑龙江 ,监测期为 5 月 1 日 至 9 月 30 日 ;

　　e) 东南沿海地区 ,包括福建 、江苏 、浙江和上海 ,监测期为 3 月 1 日 至 11 月 30 日 ;

　　f) 西北一东北西部沿线地区 ,包括新疆 、甘肃 、宁夏 、陕西和内蒙古 ,监测期为 5 月 1 日 至 9 月 30 日 。

　　5 迁飞性害虫空中种群动态监测方法

　　5 .1 昆虫雷达回波数据提取、解算

　　按照第 4章进行系统监测期间,在全国昆虫雷达联网信息系统(http://ippiot.com/radar) 平台,采用

　　高分辨率昆虫雷达数据处理系统 、旋转线极化垂直昆虫雷达数据分析软件或者扫描昆虫雷达快速分析工

　　具 ,实现昆虫雷达回波数据的自动提取 、解算。 各制式昆虫雷达回波数据的提取 、解算方法 ,见附录 B 中

　　5 .2 目标参数比对和种类自动识别

　　根据昆虫雷达回波数据解算出的迁飞性害虫空中种群的 目标生物学参数 , 与室内测定的迁飞性昆虫

　　生物学参数(见 B.2)进行比对 、归类 ,初步判定出迁飞性害虫种类 ;并采用随机森林 、支持向量机 SVM、BP

　　神经网络等分类模型算法(见 B.3) ,构建种类识别模型 ,进一步自动识别出迁飞性害虫种类和数量。 结果

　　5 .3 高空测报灯诱测验证

　　5 .3 .1 诱测空中种群

　　监测期内 ,高空测报灯每 日 日落前半小时至 日 出后半小时开灯 ,翌 日 8 :00 收集并记录当晚诱测的迁飞性害虫种类和数量 ,并与昆虫雷达自动识别结果对比 ,辅助鉴定 、确认同时段昆虫雷达推测出的迁飞性害虫种类和数量。 结果记入表 C.2 。

　　5 .3 .2 判定迁飞性质

　　在迁飞高峰期 ,每晚随机取 50 头雌虫进行卵巢解剖 ; 非迁飞高峰期 , 每晚解剖 20 头雌虫 , 每晚不足

　　20 头时全部解剖。 根据雌虫卵巢发育级别判定迁飞性质 , 即如卵巢发育级别以低级别为主 ,则判定为当

　　果记入表 C.2 。

　　5 .4 判定空中虫峰

　　根据昆虫雷达回波解算分析以及高空测报灯诱测验证 ,得出探测区域内空中虫峰的出现时间 、集中迁

　　飞的种类和生物量。 同时 ,对单日迁飞虫峰进行划分和判定 ,用于周期性 、季节性多个虫峰的数量波动分

　　5 .5 预测迁飞轨迹

　　在全国昆虫雷达联网信息系统(http://ippiot.com/radar) 中采用基于昆虫雷达监测的害虫迁飞路径模拟系统 、基于 WRF模 式 输 出的 迁 飞 昆 虫 三 维 轨 迹 计 算 软 件 等 , 或 者 采 用 HYSPLIT( Hybrid Single Particle Lagrangian Integrated Trajectory Model, 混 合 单 粒 子 拉 格 朗 日 综 合 轨 迹 模 型) 、FLEXPART (Flexible Particle Dispersion Model,柔性粒子扩散模型)等通用大气粒子扩散模型 ,根据 5 .1 ~ 5 .4 中获得的迁飞性害虫空中虫峰的种类 、飞行高度 、飞行速度和飞行方向等参数 ,正推 、逆推其模拟飞行轨迹 ,推测虫源地并预测可能的降虫区。

　　6 昆虫雷达运行记录与检修

　　昆虫雷达监测期间 ,可通过全国昆虫雷达联网信息系统实时掌握昆虫雷达运行状态 ,并结合每周巡检 ,检查是否出现报警 、断电 、数据储存与传输中止等故障 ,如遇故障 ,应及时与昆虫雷达厂商联系 、及早检修 ,使其恢复正常运行。 相关情况记入表 C.3 。

　　7 数据传输与存档

　　观测期内 ,将应用昆虫雷达及高空测报灯观测解析出的农业重大迁飞性害虫相关数据(见表 C.1 、表

　　C.2) 及运行情况(见表 C.3),同步传输至全国昆虫雷达联网信息系统(http://ippiot.com/radar) 中。 观

　　测期结束后 ,系统整理并分类存档。

　　附 录 A

　　(资料性)

　　各制式昆虫雷达工作原理和探测能力

　　A.1 昆虫雷达基本工作原理

　　昆虫雷达工作过程包括向外发射电磁波 ,遇到空中迁飞的昆虫虫体后向四周反射电磁波 ,接收天线接

　　收部分反射信号 ,经过接收机处理转变为雷达回波。 根据观测模式 、电磁波极化方式的不同 ,不同制式昆

　　虫雷达对昆虫飞行行为的探测能力也有所不同。

　　A.2 垂直昆虫雷达工作原理和探测能力

　　垂直昆虫雷达的观测模式为波束垂直向上探测。 按照电磁波的极化方式 ,垂直昆虫雷达分为。

　　a) 旋转线极化垂直昆虫雷达 ,发射的线极化电磁波沿波束中心线高速旋转(即旋转线极化) , 同时波

　　束以微小偏角沿垂线进行圆锥扫描。 当目标昆虫穿越雷达上空时 , 可以对目标昆虫进行若干个

　　b) 全极化垂直昆虫雷达 ,采用全固态发射机(或行波管) 、全相参 、全极化测量 、距离高分辨和单脉冲测角等技术 ,对指定空域内 目标昆虫进行高分辨检测和跟踪 , 获得昆虫的全极化回波幅相信息。通过回波解算 ,可得到昆虫的飞行高度 、位移方向 、位移速率 、虫体轴向 、虫体质量 、昆虫体型 、振翅频率等信息 ,进而可以对空中 目标进行高精度测量。

　　A.3 扫描昆虫雷达工作原理和探测能力

　　扫描昆虫雷达的观测模式为天线在 0 °~ 90 °范围内的任一仰角上进行 360 °方位旋转扫描 ,或在固定方

　　位角上俯仰扫描。 扫描昆虫雷达电磁波极化方式通常为水平极化 ,通过采集不同距离的雷达回波强度信

　　息 ,可快速获得探测范围内 目标昆虫的数量(容积密度) 、高度 、位移方向 、位移速率等参数 ;条件适宜时 ,还

　　可以监测目标昆虫的起飞和降落过程。 当扫描昆虫雷达在固定方位上进行垂直观测时 ,可观测到 目标昆

　　附 录 B

　　(资料性)

　　基于昆虫雷达回波的数据解算、分析、比对和模型构建方法

　　B.1 各制式昆虫雷达回波数据解算方法

　　B.1 .1 旋转线极化垂直昆虫雷达数据解算方法

　　B.1 .1 .1 原始雷达数据转换为图像

　　对采集原始雷达数据进行图像转换 , 图像的 X轴(横轴)表示为时间 ,Y 轴 (纵轴)表示为雷达探测的

　　高度 , 图像中每一个点代表雷达空间分辨单元的回波强度值 ,并根据强度值赋予回波点不同的颜色。 图像

　　规格为长 ×宽(2 000 px× 2 000 px) ,分辨率为 96 dpi,存储格式为 .jpg。

　　B.1 .1 .2 云雨回波剔除

　　由于雷达工作时会随机采集云雨回波 ,对迁飞性害虫的目标提取带来干扰和噪声 ,大幅降低参数解算的准确度 , 因此需要利用图像分类模型识别和筛除云雨回波图像 ,保留正常条件下雷达回波图像。

　　B.1 .1 .3 目标昆虫检测

　　使用计算机图形学或深度学习等方法 ,对图像中 目标昆虫进行检测 ,获取的每个目标的位置坐标 ,并标记目标长宽 ,为下一步目标生物学参数解算做准备。

　　B.1 .1 .4 振翅频率提取

　　对每个检测到的目标回波强度提取时域信息 f(t) ,采用傅里叶变换 ,按公式(B.1)提取基础角频率。

　　F e-iωtdt … … … … … … … … … … … … … … 式中 :

　　ω — 基础角频率 ,则 ω/2π为害虫的振翅频率 ;

　　f(t) — 时域信息 ;

　　e-iωt — 顺时针旋转的 cos函数和 sin函数的正交基组合 ;

　　dt — 关于时间 t 的微分。

　　B.1 .1 .5 体重提取

　　采用傅里叶变换 ,求出回波强度时域信息 f(t)的 cos三角函数之和 ,按公式(B.2)计算。

　　σ(φ) =a0 + a2 cos2 (φ- β2) +a4 cos4 (φ- β4) … … … … … … … … … (B.2)式中 :

　　σ(φ) — 不同 φ 角度下的雷达散射截面积(RCS) ;

　　φ — 极化角 ,φ∈(0 ,π) ;

　　a0 — 傅里叶变换后常数项 ;

　　a2 — 傅里叶变换后 cos2x 的振幅 ;

　　a4 — 傅里叶变换后 cos4x 的振幅 ;

　　β2 — 傅里叶变换后 cos2x 的相位 ;

　　β4 — 傅里叶变换后 cos4x 的相位。

　　分别按公式(B.3) 、公式(B.4)计算主散射截面积的参数 σxx 和 σyy :

　　σxx =a0 + a2 + a4 … … … … … … … … … … … … … … … (B.3)

　　σyy =a0 - a2 + a4 … … … … … … … … … … … … … … … (B.4)当 σxx < 10- 1 cm2 时 ,按公式(B.5)计算害虫体重参数估计值 m :

　　m xx 当 σxx ≥ 10- 1 cm2 时 ,按公式(B.6)计算害虫体重参数估计值 lg(m) :

　　lg(m) = 2 .54 + 0 .766 × lg(σyy) + 0 .179 × [lg(σyy) ] 2 … … … … … … … (B.6)

　　B.1 .1 .6 体长和体宽提取

　　根据公式(B.3) 、公式(B.4) ,可计算得出 ,并按公式(B.7)求出体长和体宽的比值 :

　　体长和体宽的比值 ,采用 BP神经网络模型 ,代入 B.1 .1 .4 和 B.1 .1 .5 求得的振翅频率和体重 ,可得到体长 L(mm) ,再解算出体宽 W(mm) 。

　　B.1 .1 .7 水平飞行速度和水平飞行方向提取

　　按公式(B.8)对回波强度进行抛物线拟合 :

　　S(t) =f+ gt+ht2 … … … … … … … … … … … … … … (B.8)式中 :

　　S(t) — 回波强度抛物线拟合值 ;

　　f — 常数项 ;

　　g — 时间 t 的 1 次系数 ;

　　t — 时间 ;

　　h — 时间 t 的 2 次系数。

　　按公式(B.9)使用最小二乘法拟合 ,求解系数 τ 、dc 和 ds :

　　τ+dc cosχi+dssinχi … … … … … … … … … … … … (B.9)

　　分别按公式(B.10) 、公式(B.11)计算水平飞行速度 V 和水平飞行方向γ :

　　V … … … … … … … … … … … … … … … (B.10)

　　γ = tan … … … … … … … … … … … … … … … (B.11)

　　B.1 .2 水平极化扫描昆虫雷达数据分析方法

　　水平极化扫描昆虫雷达获得的数据 ,首先采用 B.1 .1 的第 1 和第 2 步骤进行数据图像化转换 ,其次采

　　用最近邻域法筛选不同时刻的目标点 ,按照 “蓝— 绿— 红 ”的色序动态连接门限范围内所有目标点 ,再筛选

　　保留近似直线的航迹。 也可通过深度学习模型对色序进行目标检测以提取航迹 ,最后根据像素与实际距

　　离的比例求出飞行速度 ,根据连线的方向求出 目标飞行的方向。

　　水平极化扫描昆虫雷达在垂直观测模式下获得的数据 ,采用 B.1 .1 方法分析。

　　B.1 .3 全极化昆虫雷达数据解算方法

　　B.1 .3 .1 振翅频率提取

　　测量的昆虫回波幅度序列 ,并采用傅里叶变换按公式(B.12)计算频谱 :

　　FFT e-jωtdt … … … … … … … … … … … … 式中 :

　　FFT{s(t) } — 频谱 ;

　　s(t) — 回波幅度序列 ;

　　e-jωt — 顺时针旋转的 cos函数和 sin函数的正交基组合 ;

　　dt — 关于时间 t 的微分。

　　根据以上方法解析出的频谱 ,可能包含主多普勒频率 、谐波频率以及目标昆虫的振翅频率 ,可采用恒虚警检测提取主多普勒两侧小峰 , 即为振翅频率。

　　B.1 .3 .2 体重、体长、体宽提取

　　利用雷达全极化能力 ,按公式(B.13)测量目标昆虫散射矩阵 :

　　S 式中 :

　　s1 1 — HH 极化 RCS的平方根 ;

　　s12 — HV/VH极化 RCS的平方根 ;

　　s22 —VV极化 RCS的平方根 ;

　　e — 自然常数 ;

　　j — 虚部 ;

　　β — HV/VH 相对于 HH 极化的相位差 ;

　　γ —VV相对于 HH 极化的相位差。

　　按公式(B.14)计算特征值参数 :

　　v

　　式中 :

　　v — 特征值参数 ;

　　μ1 、μ2 — 散射矩阵 2 个特征值 , μ1 ≥ μ2 i 。

　　根据体型与特征值参数高度正相关的原理 ,可基于特征值参数分别计算体重 、体长和体宽。

　　当 - 6 .681 3

　　当 - 7 .129 6

　　255 .9336lgv- 185 .4573 … … … … … … … … … … … … … … … … … (B.16)当 - 7 .129 6

　　B.1 .3 .3 飞行速度提取

　　全极化雷达还可配备单脉冲测角技术测量目标昆虫角度 ,按公式(B.18) ~ 公式(B.20)获取目标昆虫

　　空间三维坐标序列 :

　　X [n] = [x1 Y [n] = [y1 Z [n] = [z1

　　xN ] … … … … … … … … … … … … … (B.18)

　　yN ] … … … … … … … … … … … … … (B.19)

　　zN ] … … … … … … … … … … … … … (B.20)

　　式中 :

　　X — 东西方向坐标 ,正东为正方向 ;

　　n — 时间序列值 ,取值范围为 1 ~N 的自然数 ;

　　N — 序列长度 ;

　　x1 … xN — 当时间序列值为 1 ~N 时 , 目标的 X 方向坐标值 ; Y — 南北方向坐标 ,正北为正方向 ;

　　y1 … yN — 当时间序列值为 1 ~N 时 , 目标的 Y 方向坐标值 ; Z — 垂直方向坐标 ,垂直向上为正方向 ;

　　z1 … zN — 当时间序列值为 1 ~N 时 , 目标的 Y 方向坐标值。按公式(B.21) ~公式(B.24)计算目标昆虫三维速度 :

　　v = [vx vy vz] … … … … … … … … … … … … … … (B.21) N

　　vx = n tN (B.22)

　　n t

　　vy

　　vz 式中 :

　　v — 三维速度 ;

　　vx—X 方向速度 , 即东西方向速度 ;

　　vy—Y 方向速度 , 即南北方向速度 ;

　　vz—Z 方向速度 , 即垂直速度 ;

　　tn — 时间序列值为 n 时 ,对应的时间刻度 ;

　　— 时间平均值 ;

　　xn— 时间序列值为 n 时 ,对应的 X 方向坐标值 ;

　　—X 坐标平均值 ;

　　yn— 时间序列值为 n 时 ,对应的 Y 方向坐标值 ;

　　—Y 坐标平均值 ;

　　zn— 时间序列值为 n 时 ,对应的 Z 方向坐标值 ;

　　—Z 坐标平均值。

　　按公式(B.25)计算昆虫水平速度vh0 :

　　vh … … … … … … … … … … … … … … … (B.25)

　　B.1 .3 .4 飞行方向提取

　　按公式(B.26)计算昆虫飞行方向 :

　　θ= tan- 1 … … … … … … … … … … … … … … … … (B.26)

　　B.2 昆虫雷达回波解算数据与室内测定的昆虫生物学参数比对

　　经昆虫雷达回波数据解算 出 的 空 中 迁 飞 种 群 的 目 标 生 物 学 参 数 , 使 用 表 B.1 所 示 的 经 室 内 测 定 的126 种迁飞性昆虫生物学参数进行比对 ,根据参数的吻合性 ,初步判定昆虫雷达监测范围内迁飞性害虫的种类。

　　表 B.1 经室内测定的 126 种迁飞性昆虫生物学参数

　　表 B.1 (续)

　　表 B.1 (续)

　　表 B.1 (续)

　　B.3 基于昆虫雷达回波的迁飞性害虫种类自动识别模型构建方法

　　B.3 .1 RF分类算法

　　随机森林(radom forest,RF)是一种基于分类树的集成学习算法 ,主要思想是利用多个弱分类器组合成一个强分类器 . 随机森林的运算速度很快 ,尤其在处理大数据时表现优异 ,较适合于基于生物学参数的种类识别任务 . 随机森林分类算法不需要考虑一般回归分析面临的多元共线性的问题 ,也不需要做变量选择 . 使用该算法可降低模型的复杂度 ,可以并行训练使得训练速度加快 , 同时利用随机化的特点解决模型的过拟合问题 . 以实验室人工测定的生物学参数数据库为基础 ,提取出振翅频率 、体长 、体宽 、体重和昆虫种类 ,构建原始训练集 . 对原始数据集进行有放回的随机抽样 ,构建 K 个子训练集样本 ,针对每个子训练集样本随机选择 m 个特征进行分类树训练 ,形成 K 棵最优子分类树 ,对于新的输入数据 ,根据 K 个最优学习模型投票结果 ,得到最终分类结果 .

　　B.3 .2 SVM 算法

　　支持向量机(supportvector machine,SVM)算法尝试寻找一个最优的决策超平面 ,使得各类别的样本点到超平面的距离最远 ,通过使用线性 ,多项式或高斯核函数可以处理非线性分类任务 ,但该算法训练时间较长 . 当支持向量数目较多时 ,计算量较大 ,不适合大量样本的分类任务 .

　　B.3.3 BP神经网络算法

　　BP(back propagation)神经网络算法是一种按照误差反向传播 ,使用链式法则以网络每层的权重为

　　变量计算损失函数的梯度 ,以更新权重来最小化损失函数的一种分类模型。该模型通过构建输入层、隐藏

　　人工调整才能获得较好的分类效果。

　　B.3.4 分类精度评价指标

　　可采用 Top_1 Accuracy分类精度作为模型评价的标准 ,如果模型预测的 Top_1 值与真值一致则判定识别正确 ,不一致判定错误。 每组数据集的识别精度按公式(B.27)计算 :

　　Accuracy= … … … … … … … … … … … … … … … (B.27)

　　式中 :

　　Accuracy—识别精度 ;

　　Nt —识别正确的样本个数 ;

　　Nall — 总测试样本数。

　　B.4 利用 Fisher最优分割算法判别迁飞性害虫空中虫峰

　　B.4.1 利用 Fisher最优分割算法判别空中虫峰的优势

　　Fisher最优分割算法是一种有序样本的聚类算法 ,将有序数据分为若干组 ,对其进行组内组间差异分

　　析 , 目标是使得类内差异最小、而类间差异最大 ,这有利于使用程序化语言、无倾向性地客观判别空中虫

　　峰 。根据 Fisher最优分割算法 ,使用 Python语言编程实现该算法 ,可快速执行算法并将虫峰判别结果 一

　　次性输出并同步至全国昆虫雷达联网信息系统中 ,实现虫峰自动发现和预警。

　　B.4.2 伪 F 统计量的计算

　　伪 F 统计量是用以区分类内差异和类间差异的关键指标 ,类似于方差分析中的 F 值 ,是有序样本间

　　方差差异大小的度量。 当伪 F 统计量较大而类数较小时的类别数为最优类别划分 ,该统计量又称 Calins_

　　defCalcFValue(data,labels,centroids) :

　　center = []

　　center.append(np.mean(i))

　　wk_data = [p fort in data for pint]

　　类.s(距[(离(clsean_data) ∗ ∗ 2) for i, cluster in enumerate(center)])

　　==l(.rd(center[labels[i]]) ∗ ∗ 2 for i,x in enumerate(wk_data)])

　　B.4.3 依据昆虫雷达实测迁飞性害虫生物量判定虫峰级别

　　利用 Fisher分割算法判定出现虫峰后 ,根据昆虫雷达监测范围内实测的单位时间内 目标昆虫数量、结合虫峰当 日 1 d内 目标昆虫总量 ,使用表 B.2 所示的迁飞性害虫空中虫峰风险分级指标 ,判定相应级别

　　虫峰 ,并采取相应的监测措施 .

　　表 B.2 迁飞性害虫空中虫峰风险分级指标

　　附 录 C

　　(规范性)

　　昆虫雷达监测迁飞性害虫系统记录表

　　C.1 基于昆虫雷达回波的迁飞性害虫空中种群动态记录

　　基于昆虫雷达回波解算结果 、与室内测定的目标生物学参数进行比对或者采用种类自动识别模型 ,得出的迁飞性害虫空中种群动态信息 ,使用表 C.1 所示项目记录。

　　表 C.1 基于昆虫雷达回波的迁飞性害虫空中种群动态记录表

　　观测地点 : 年份 : 记录人 :

　　C.2 高空测报灯诱测验证迁飞性害虫发生动态记录

　　经高空测报灯诱测验证的迁飞性害虫种类 、数量 、性比和迁飞性质等动态信息 ,使用表 C.2 所示项 目记录。

　　表 C.2 高空测报灯监测迁飞性害虫逐日记录表

　　观测地点 : 年份 : 记录人 :

　　C.3 昆虫雷达运行和维修记录

　　昆虫雷达运行和维修情况 ,使用表 C.3 所示项目记录。

　　表 C.3 昆虫雷达运行和维修记录表

　　站点名称 : 雷达类型 : 年份 : 记录人 :