博文

Electronics 舒磊教授团队提出非致死式昆虫趋光节律模型与新型监测装备

已有 236 次阅读 2026-5-29 15:27 |个人分类:学术软文|系统分类:论文交流

南京农业大学舒磊教授团队在活体昆虫趋光节律监测研究方面取得新进展。相关成果以“A Novel Water-Flow Live-Insect Monitoring Device for Measuring the Light-Trap Attraction Rate of Insects”为题发表于国际期刊Electronics，提出了一种面向昆虫趋光节律监测的水流式活体昆虫监测装置，为获取低干扰、高保真的虫情数据提供了新的技术路径。

昆虫趋光节律表征了昆虫昼夜活动规律及夜间趋光时间分布，是支撑昆虫行为生态学研究与生态友好型害虫防控的重要数据基础。与传统基于致死性灯诱的监测方式不同，本研究提出了一种全新的“活体昆虫趋光节律”的概念，即在尽量不改变昆虫存活状态及后续行为过程的前提下，田间活体昆虫受光源吸引后到达监测装置的数量或到达强度随时间变化所呈现的动态分布规律。这一新概念强调在“低干扰”条件下获取昆虫的连续行为数据，能够有效避免因致死捕获带来的种群递减效应与行为偏差。它的先进之处在于能够捕捉昆虫“未被干扰”的原位活动数据，从而更真实地反映昆虫真实的夜间活动规律与光响应差异。基于此，可以更准确地识别害虫夜间活动高峰，并更科学地调整杀虫灯的启闭时间，减少非必要照射和非靶标误杀，为实现按需诱控、精准管理与生态友好型防控提供可靠的数据支撑。

微信图片_2026-05-29_152541_776.png

通过趋光节律指导杀虫灯开关灯策略

从研究脉络看，团队围绕昆虫趋光节律与太阳能杀虫灯智能控制持续开展系统研究。2023年，团队发表综述性研究，系统分析了气象条件、诱捕装置、害虫生理状态等多种因素对害虫趋光节律的影响[1]。2024年，围绕趋光节律的定量表征与预测，进一步提出基于趋光节律的数学模型[2]和基于机器学习 (GA-BP) 的害虫数量预测方法[3]，实现对害虫夜间活动曲线拟合与种群动态的预测，逐步拓展了在复杂农业环境下数据驱动决策方面的研究基础。2025年，研究拓展至智能装备控制与系统优化，发表网络化太阳能杀虫灯智能开关控制 (SILIC) 研究成果[4]。同年，再次发表基于多害虫趋光节律的动态切换优化策略 (SILDSO)[5]，推动研究从理论模型迈向实际应用。上述研究工作彼此衔接、逐步深入，构成了团队围绕趋光节律持续推进的研究链条。

在上述研究基础上，团队进一步认识到，现有趋光节律研究在数据获取环节仍依赖致死性监测方式，难以反映昆虫真实行为过程。围绕这一关键问题，研究团队以“活体昆虫趋光节律”为核心目标，创新设计了一套水流式活体昆虫监测装备。

微信图片_2026-05-29_152545_524.png

传统昆虫图像自动采集机电一体化装置与基于水流的活体昆虫监测装置功能比较

该装备将风吸式吸虫灯、水流输运与分散、光纤触发成像与活体释放等环节集成为一体，构建了“诱捕—分散—成像—释放”的非致死工作流程。在该过程中，昆虫进入装置后可在水流作用下实现个体分离，并在传感触发下完成单体成像，随后被释放，从源头上减少虫体粘连、堆叠和遮挡等问题。

水稻田田间试验结果表明，该装置在生态友好性与数据质量方面均表现良好。昆虫捕获后存活率达到94%，多数个体释放后能够恢复正常活动状态，显著降低了监测过程对生态系统的影响。同时，装置具备稳定的连续监测能力，构建了高质量的活体昆虫图像数据集，为后续昆虫识别、夜间活动规律分析及趋光节律研究提供可靠数据基础。

总体来看，该研究不仅提出了一种新型监测装置，更从数据获取源头推动虫情监测由“致死性离散观测”向“非致死连续感知”转变。通过提供连续、低干扰、高保真的时间序列数据，新型水流监测装置将为揭示昆虫真实的夜间活动规律提供最可靠的底层支撑，也为未来智慧植保策略的优化与生态友好型防控技术的迭代提供了坚实的装备基础。

相关文献

[1] Yao, H.; Shu, L.; Yang, F.; Jin, Y.; Yang, Y. The Phototactic Rhythm of Pests for the Solar Insecticidal Lamp: A Review. Frontiers in Plant Science, 2023, 13: 1018711. DOI: 10.3389/fpls.2022.1018711.

[2] Yao, H.; Shu, L.; Lin, W.; Huang, K.; Martínez-García, M.; Zou, X. Pests Phototactic Rhythm Driven Solar Insecticidal Lamp Device Evolution: Mathematical Model Preliminary Result and Future Directions. IEEE Open Journal of the Industrial Electronics Society, 2024, 5: 236–250. DOI: 10.1109/OJIES.2024.3372577.

[3] Yao, H.; L. Shu; Y. Zhang; H. Wu; S. Wang. Machine Learning-based Pest Count Forecasting for Solar Insecticidal Lamps. 2024 International Conference on Intelligent Robotics and Automatic Control (IRAC), Guangzhou, China, 2024, pp. 513-518, DOI: 10.1109/IRAC63143.2024.10871646.

[4] Yao, H.; Shu, L.; Yang, Y.; Martínez-García, M.; Lin, W. SILIC: Intelligent On/Off Control for Networked Solar Insecticidal Lamps. IEEE/CAA Journal of Automatica Sinica, 2025, 12(6): 1221–1235. DOI: 10.1109/JAS.2024.124668.

[5] Yao, H.; Shu, L.; Yang, X.; Li, K.; Martínez-García, M. SILDSO: Dynamic Switching Optimization Scheme for Solar Insecticidal Lamp Based on Multi-Pest Phototactic Rhythm. Sensors, 2025, 25(23): 7332. DOI: 10.3390/s25237332.

阅读英文原文：https://www.mdpi.com/2079-9292/15/3/714