CN111241462B - 鸟类栖息地承载量计算方法、装置、存储介质和计算机 - Google Patents

鸟类栖息地承载量计算方法、装置、存储介质和计算机 Download PDF

Info

Publication number
CN111241462B
CN111241462B CN202010068163.9A CN202010068163A CN111241462B CN 111241462 B CN111241462 B CN 111241462B CN 202010068163 A CN202010068163 A CN 202010068163A CN 111241462 B CN111241462 B CN 111241462B
Authority
CN
China
Prior art keywords
bearing capacity
factors
bird
bird bearing
birds
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010068163.9A
Other languages
English (en)
Other versions
CN111241462A (zh
Inventor
冯艳丽
范雪环
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING ZEHO WATERFRONT ECOLOGICAL ENVIRONMENT TREATMENT CORP
Original Assignee
BEIJING ZEHO WATERFRONT ECOLOGICAL ENVIRONMENT TREATMENT CORP
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BEIJING ZEHO WATERFRONT ECOLOGICAL ENVIRONMENT TREATMENT CORP filed Critical BEIJING ZEHO WATERFRONT ECOLOGICAL ENVIRONMENT TREATMENT CORP
Priority to CN202010068163.9A priority Critical patent/CN111241462B/zh
Publication of CN111241462A publication Critical patent/CN111241462A/zh
Application granted granted Critical
Publication of CN111241462B publication Critical patent/CN111241462B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供的一种鸟类栖息地承载量计算方法、装置、存储介质和计算机的技术方案中，通过获取栖息地的食物因子和生态环境因子，并从食物因子和生态环境因子中筛选出鸟类承载力因子，对鸟类承载力因子进行排序，确定出每个鸟类承载力因子的重要程度，将选取的大于预设重要程度的鸟类承载力因子，通过鸟类承载力分析模型，计算出鸟类承载数量，从而根据鸟类承载数量，分析环境变化对鸟类的影响以及辅助管理部门提前采取科学合理的措施迎接鸟类的到来，进而对保护红树林湿地鸟类具有重要意义。

Description

鸟类栖息地承载量计算方法、装置、存储介质和计算机
技术领域
本发明涉及鸟类生态环境评价领域，具体地涉及一种鸟类栖息地承载量计算方法、装置、存储介质和计算机。
背景技术
对于鸟类保护区、湿地等鸟类保护管理部门而言，鸟类承载力影响因子分析评估对管理人员科学改善栖息环境，保证容纳更多的鸟类安全停靠，从而更好的保护鸟类生物多样性具有重要意义。在相关技术中，栖息地鸟类承载力影响因子目前主要依靠专家的经验评估，而由于环境是处于不断变化的，当前的生境条件若单单凭借经验，很难判断出当前的生境条件能否承载以往数量的鸟类前来栖息。
发明内容
有鉴于此，本发明提供一种鸟类栖息地承载量计算方法、装置、存储介质和计算机，通过建立的鸟类承载力分析模型，计算出鸟类承载数量，从而根据鸟类承载数量，能够分析环境变化对鸟类的影响以及辅助管理部门提前采取科学合理的措施迎接鸟类的到来，进而对保护红树林湿地鸟类具有重要意义。
一方面，本发明实施例提供了一种鸟类栖息地承载量计算方法，包括：
获取栖息地的多个食物因子和生态环境因子，所述食物因子用于指示鸟类所觅食的生物量，所述生态环境因子用于指示鸟类所活动的环境信息；
针对每个所述食物因子和生态环境因子，将与预设的参考鸟类承载力因子匹配的所述食物因子或者所述生态环境因子确定为备选的鸟类承载力因子，得到多个备选的鸟类承载力因子；
通过相关性分析算法对所述多个备选的鸟类承载力因子进行相关性分析以及从大到小的排序，并筛选出所述大到小的排序中预设的前N个备选的鸟类承载力因子作为主要鸟类承载力因子；
计算每个所述主要鸟类承载力因子的相关性得分，并按照所述相关性得分从大到小的循序，将前预设数量个主要鸟类承载力因子确定为目标鸟类承载力因子；
将每个所述目标鸟类承载力因子对应的相关性得分输入预先建立的鸟类承载力分析模型进行鸟类承载力分析，计算出鸟类承载数量。
可选地，所述通过相关性分析算法对所述多个备选的鸟类承载力因子进行相关性分析以及从大到小的排序，并筛选出所述大到小的排序中预设的前N个备选的鸟类承载力因子作为主要鸟类承载力因子的步骤，包括：
获取与每个备选的鸟类承载力因子对应的相关向量以及与多个备选的鸟类承载力因子之间的对应关系；
计算出每个备选的鸟类承载因子对应的相关向量与具有对应关系的多个备选的鸟类承载力因子对应的相关向量的乘积之和；
对多个所述乘积之和进行从大到小的排序，筛选出所述大到小的排序中预设前N个所述乘积之和；
将所述预设前N个所述乘积之和所对应的N个备选的鸟类承载力因子作为主要鸟类承载力因子。
可选地，所述计算每个所述主要鸟类承载力因子的相关性得分的步骤，包括：
将多个所述主要鸟类承载力因子输入相关性分析模型进行相关性分析，得到与每个所述主要鸟类承载力因子对应的相关性得分。
可选地，所述相关性分析模型的建立过程包括：
获取多组主要鸟类承载力因子集合作为训练样本，其中，每组所述主要鸟类承载力因子集合中的每个主要鸟类承载力因子都对应一个预设的相关性得分；
利用所述训练样本对所述相关性分析模型进行训练，直至模型收敛。
可选地，所述将每个所述目标鸟类承载力因子对应的相关性得分输入预先建立的鸟类承载力分析模型进行鸟类承载力分析，计算出鸟类承载数量的步骤，包括：
将每个所述目标鸟类承载力因子对应的相关性得分输入预先建立的鸟类承载力分析模型y＝f(x，m，n)进行鸟类承载力分析，计算出鸟类承载数量，其中，y表示为鸟类承载数量，x、m、n表示不同的目标鸟类承载力因子对应的相关性得分。
可选地，在所述获取栖息地的多个食物因子和多个生态环境因子，包括：
根据所述栖息地的初级生产力、气候变化量、潮水水位变化量、食物受污染程度分别计算出多种食物的生物量，并将所述多种食物的生物量确定为多个食物因子；
根据获取的潮水水位计算出鱼塘面积、滩涂面积、红树林面积以及水域面积，所述水域面积包括不大于预设深度的水域所占的面积，并将所述鱼塘面积、所述滩涂面积、所述红树林面积以及所述水域面积确定为多个生态环境因子。
可选地，在所述根据所述栖息地的初级生产力、气候变化量、潮水水位变化量、食物受污染程度分别计算出多种食物的生物量，并将所述多种食物的生物量确定为多个食物因子之后，还包括：
根据不同种类鸟的数量、鸟类每日食物代谢量以及不同种类鸟类进食数量，计算出迁徙食物需求量；
若判断出所述多种食物的生物量之和不大于迁徙食物需求量，则输出警告。
另一方面，本发明实施例提供了一种鸟类栖息地承载量计算装置，所述装置包括：
获取模块，用于获取栖息地的多个食物因子和生态环境因子，所述食物因子用于指示鸟类所觅食的生物量，所述生态环境因子用于指示鸟类所活动的环境信息；
匹配确定模块，用于针对每个所述食物因子和生态环境因子，将与预设的参考鸟类承载力因子匹配的所述食物因子或者所述生态环境因子确定为备选的鸟类承载力因子，得到多个备选的鸟类承载力因子；
分析模块用于，通过相关性分析算法对所述多个备选的鸟类承载力因子进行相关性分析以及从大到小的排序，并筛选出所述大到小的排序中预设的前N个备选的鸟类承载力因子作为主要鸟类承载力因子；
第一计算模块，用于计算每个所述主要鸟类承载力因子的相关性得分，并按照所述相关性得分从大到小的循序，将前预设数量个主要鸟类承载力因子确定为目标鸟类承载力因子；
第二计算模块，用于将每个所述目标鸟类承载力因子对应的相关性得分输入预先建立的鸟类承载力分析模型进行鸟类承载力分析，计算出鸟类承载数量。
另一方面，本发明实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的鸟类栖息地承载量计算方法。
另一方面，本发明实施例提供了一种计算机，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行上述的鸟类栖息地承载量计算方法的步骤。
本发明实施例提供的技术方案中，通过获取栖息地的食物因子和生态环境因子，并从食物因子和生态环境因子中筛选出鸟类承载力因子，对鸟类承载力因子进行排序，确定出每个鸟类承载力因子的重要程度，将选取的大于预设重要程度的鸟类承载力因子，通过鸟类承载力分析模型，计算出鸟类承载数量，从而根据鸟类承载数量，分析环境变化对鸟类的影响以及辅助管理部门提前采取科学合理的措施迎接鸟类的到来，进而对保护红树林湿地鸟类具有重要意义。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明一实施例所提供的一种鸟类栖息地承载量计算方法的流程图；
图2是本发明又一实施例所提供的一种鸟类栖息地承载量计算方法的流程图；
图3是本发明一实施例所提供的一种鸟类栖息地承载量计算装置的结构示意图；
图4为本发明实施例提供的一种计算机的示意图。
具体实施方式
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，甲和/或乙，可以表示：单独存在甲，同时存在甲和乙，单独存在乙这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本发明一实施例提供的一种鸟类栖息地承载量计算方法的流程图，如图1所示，该方法包括：
步骤101、获取栖息地的多个食物因子和生态环境因子，食物因子用于指示鸟类所觅食的生物量，生态环境因子用于指示鸟类所活动的环境信息。
步骤102、针对每个食物因子和生态环境因子，将与预设的参考鸟类承载力因子匹配的食物因子或者生态环境因子确定为备选的鸟类承载力因子，得到多个备选的鸟类承载力因子。
步骤103、通过相关性分析算法对多个备选的鸟类承载力因子进行相关性分析以及从大到小的排序，并筛选出大到小的排序中预设的前N个备选的鸟类承载力因子作为主要鸟类承载力因子。
步骤104、计算每个主要鸟类承载力因子的相关性得分，并按照相关性得分从大到小的循序，将前预设数量个主要鸟类承载力因子确定为目标鸟类承载力因子。
步骤105、将每个所述目标鸟类承载力因子对应的相关性得分输入预先建立的鸟类承载力分析模型进行鸟类承载力分析，计算出鸟类承载数量。
本发明实施例提供的技术方案中，通过获取栖息地的食物因子和生态环境因子，并从食物因子和生态环境因子中筛选出鸟类承载力因子，对鸟类承载力因子进行排序，确定出每个鸟类承载力因子的重要程度，将选取的大于预设重要程度的鸟类承载力因子，通过鸟类承载力分析模型，计算出鸟类承载数量，从而根据鸟类承载数量，分析环境变化对鸟类的影响以及辅助管理部门提前采取科学合理的措施迎接鸟类的到来，进而对保护红树林湿地鸟类具有重要意义。
图2为本发明又一实施例提供的一种鸟类栖息地承载量计算方法的流程图，如图2所示，该方法包括：
步骤201、获取栖息地的多个食物因子和生态环境因子，食物因子用于指示鸟类所觅食的生物量，生态环境因子用于指示鸟类所活动的环境信息。
本发明实施例中，栖息地可包括红树林湿地，其中，红树林湿地是鸟类的重要栖息地，众多珍稀、濒危的鸟类在红树林湿地中休息、觅食。本发明实施例中是通过以红树林湿地作为栖息地，计算栖息地的鸟类承载量。
本发明主要针对从红树林湿地中获取多个食物因子和生态环境因子。食物因子用于指示鸟类所觅食的生物量，生态环境因子用于指示鸟类所活动的环境信息。
其中，红树林湿地是由红树林、滩涂、水域、鱼塘构成的生境，红树林是鸟类休息的主要场所，滩涂和水域是鸟类觅食和休息的场所，在涨潮时，鱼塘则是鸟类休息和觅食的主要场所，由于红树林、鱼塘、滩涂面积变化情况以及潮水水位变化情况等指标均对红树林鸟类承载力具有重要影响，因此可从红树林构成的生境中获取生态环境因子，例如，将鸟类所活动的水域面积确定为生态环境因子。除此之外，由于鸟类对噪声也非常敏感，因此也可以将噪声作为生态环境因子。
其中，红树林湿地的鸟类可包括涉禽、游禽、鸣禽、攀禽、猛禽等水鸟和湿地依赖性水鸟，而鸟类的食物可包括大鱼、小鱼、软体动物、水生昆虫、蟹类、甲壳类、藻类、浮游生物等，因此可根据红树林湿地的鸟类所食用的生物量中获取食物因子，例如，将鸟类所食用的大鱼生物量确定为食物因子。
本发明实施例中，步骤201，可具体包括：
步骤2011、根据所述栖息地的初级生产力、气候变化量、潮水水位变化量、食物受污染程度分别计算出多种食物的生物量，并将多种食物的生物量确定为多个食物因子。
本发明实施例中，根据历史数据获取到普通鸬鹚、黑脸琶鹭、白鹭、鹗等鸟类捕食大鱼；普通鸬鹚、红嘴鸥、普通翠鸟、蓝翡翠、鹭类和黑脸琶鹭等鸟类捕食小鱼和小虾；鸭类和鹬鸻类等鸟类捕食软体动物、水生昆虫、蟹类、甲壳类；鸭类捕食藻类和浮游生物。因此多种食物的生物量可包括大鱼生物量、小鱼小虾生物量、软体动物生物量、水生昆虫生物量、蟹类生物量、甲壳类生物量、藻类和浮游生物生物量。除此之外，还可以包括其他食物的生物量，本申请对此不做限定。
通过上述步骤2011所描述的通过所述栖息地的初级生产力、气候变化量、潮水水位变化量、食物受污染程度分别计算出大鱼生物量、小鱼小虾生物量、软体动物生物量、水生昆虫生物量、蟹类生物量、甲壳类生物量、藻类/浮游生物生物量，从而能够更准确的计算出食物的生物量，以便于后续步骤确定出备选的鸟类承载力影响因子。本发明实施例中，由于红树林湿地中的鸟类的食物受污染、气候变化、潮水水位变化、红树林初级生产力等多个因素的影响，由于这些因素能够影响红树林内食物的生物量，需要通过上述因素计算多种食物的生物量。除此之外，还可以通过其他因素进行计算，本发明对此不做限定。
步骤2012、根据获取的潮水水位计算出鱼塘面积、滩涂面积、红树林面积以及水域面积，水域面积包括不大于预设深度的水域所占的面积，并将鱼塘面积、滩涂面积、红树林面积以及水域面积确定为多个生态环境因子。
本发明实施例中，由于鸟类承载数量与鸟类栖息需求和鸟类繁殖需求相关，因此根据鸟类栖息需求和鸟类繁殖需求，考虑到鸟类所活动的环境信息。其中，环境信息可包括环境面积以及其他信息，例如，鸟类所活动的环境信息可包括鱼塘面积、滩涂面积、红树林面积以及水域面积等。除此之外，还可以获取其他的环境信息，本发明对此不做限定。
本发明实施例中，预设深度包括6m。由于不大于预设深度的水域是鸭类等游禽栖息、觅食的主要场所，因此水域面积也可以作为鸟类所活动的环境信息。
由于不同生境对鸟类承载力的影响因素主要是鸟类所活动的环境面积和水位，例如，红树林、鱼塘、滩涂、水域面积比例以及潮水水位。因此通过步骤2012将鱼塘面积、滩涂面积、红树林面积以及水域面积确定为多个生态环境因子，从而能够分析不同生境的鸟类所活动的环境面积的最佳比例和潮水水位变化对鸟类承载力的影响。其中，最佳比例可以根据不同生境鸟类的生理需求以及不同鸟类对不同生境的喜好来确定，本申请对此不做限定。除此之外，生态环境因子还可以包括初级生产力、入侵种面积、人为干扰面积等，本发明对此不做限定。
本发明实施例中，可选地，在步骤201之后，还包括：
步骤201a、根据不同种类鸟的数量、鸟类每日食物代谢量以及不同种类鸟类进食数量，计算出迁徙食物需求量。
本发明实施例中，可根据历史经验数据获取到不同种类鸟的数量、鸟类每日食物代谢量以及不同种类鸟类进食数量，从而计算出鸟类的迁徙食物需求量。
步骤201b、若判断出多种食物的生物量之和不大于迁徙食物需求量，则输出警告。
本发明实施例中，通过分析多种食物的生物量之和与迁徙食物需求量的关系，从而能够判断出当前的生态环境能否满足候鸟迁徙过冬的食物需求，即，若判断出多种食物的生物量之和大于迁徙食物需求量，表明当前多种食物的生物量之和能够满足鸟类的迁徙食物需求量，能够减少由于鸟类缺乏食物导致鸟类数量减少的问题；若判断出多种食物的生物量之和不大于迁徙食物需求量，表明当前多种食物的生物量之和不能够满足鸟类的迁徙食物需求量，容易造成由于鸟类缺乏食物导致鸟类数量减少的问题，因此输出警告，以便管理人员科学改善栖息环境。
步骤202、针对每个食物因子和生态环境因子，将与预设的参考鸟类承载力因子匹配的食物因子或者生态环境因子确定为备选的鸟类承载力因子，得到多个备选的鸟类承载力因子。
本发明实施例中，预设的参考鸟类承载力因子用于指示根据历史数据分析出的对鸟类承载力具有影响因素的因子。例如，通过历史数据中分析出鸟类承载力的主要影响因子包括环境因子和非环境因子，例如环境因子包括污染、人为干扰、生物入侵、气候变化、初级生产力、潮水水位等；非环境因子可包括是微生物、底栖动物等生物因子，因此可将上述的环境因子和非环境因子作为预设的参考鸟类承载力因子。
本发明实施例中，通过步骤201获取了多个食物因子和生态环境因子，例如生态环境因子包括鱼塘面积、滩涂面积、红树林面积、水域面积、初级生产力、入侵种面积、人为干扰面积、污染面积以及气候变化等，例如食物因子包括大鱼生物量、小鱼小虾生物量、软体动物生物量、水生昆虫生物量、蟹类生物量、甲壳类生物量、藻类和浮游生物生物量等生物量，由于获取的因子较多，因此需要上述因子与预设的参考鸟类承载力因子进行匹配，从而对上述因子进行初步筛选。例如预设的参考鸟类承载力因子包括大鱼生物量以及红树林面积，则将食物因子与生态环境因子中对应的因子确定为备选的鸟类承载力因子。
本发明实施例中，通过确定出备选的鸟类承载力因子，以便于后续步骤对鸟类承载力影响进行相关性分析评估等，从而使得管理人员能够科学改善栖息环境，保证容纳更多的鸟类安全停靠，从而更好的保护鸟类生物多样性具有重要意义。
步骤203、通过相关性分析算法对多个备选的鸟类承载力因子进行相关性分析以及从大到小的排序，并筛选出大到小的排序中预设的前N个备选的鸟类承载力因子作为主要鸟类承载力因子。
本发明实施例中，步骤203具体包括：
步骤2031、获取与每个备选的鸟类承载力因子对应的相关向量以及与多个备选的鸟类承载力因子之间的对应关系。
本发明实施例中，例如获取到备选的鸟类承载力因子A对应的相关向量为f1，备选的鸟类承载力因子B对应的相关向量为f2，备选的鸟类承载力因子C对应的相关向量为f3，备选的鸟类承载力因子D对应的相关向量为f4等等，以此类推。
获取多个备选的鸟类承载力因子之间的对应关系的过程如下：由于红树林生态系统是一个非常复杂的过程，环境因子和非环境因子，生产者、消费者、分解者之间互相影响，例如，潮水水位变化会影响红树林面积，红树林面积又会影响初级生产力的大小，从而影响红树林底栖动物的食物量，污染会使红树林底栖动物发生中毒反应等，因此，若多个备选的鸟类承载力因子之间的存在互相影响的关系，则确定该备选的鸟类承载力因子之间具有对应关系。例如，备选的鸟类承载力因子A为水域面积，备选的鸟类承载力因子B为潮水水位，由于潮水水位上涨会导致水域面积增加，因此水域面积跟潮水水位相关，继而备选的鸟类承载力因子A与备选的鸟类承载力因子B之间具有对应关系。又例如，备选的鸟类承载力因子C为红树林面积，备选的鸟类承载力因子D为初级生产力，由于红树林面积增加使得初级生产力增加，因此红树林面积与初级生产力存在对应关系，继而备选的鸟类承载力因子C与备选的鸟类承载力因子D之间具有对应关系。
步骤2032、计算出每个备选的鸟类承载因子对应的相关向量与具有对应关系的多个备选的鸟类承载力因子对应的相关向量的乘积之和。
本发明实施例中，例如，备选的鸟类承载力因子A对应的相关向量为f1，备选的鸟类承载力因子B对应的相关向量为f2，备选的鸟类承载力因子C对应的相关向量为f3，其中，备选的鸟类承载力因子A与备选的鸟类承载力因子B和备选的鸟类承载力因子C均具有对应关系，因此备选的鸟类承载力因子A对应的相关向量的乘积之和为f1f2+f1f3。
步骤2033、对多个乘积之和进行从大到小的排序，筛选出大到小的排序中预设前N个乘积之和。
本发明实施例中，通过上述步骤2032，能够计算出每个备选的鸟类承载力因子A对应的相关向量的乘积之和，从而按照从大到小的排序关系进行排序。N可包括15。
步骤2034、将预设前N个乘积之和所对应的N个备选的鸟类承载力因子作为主要鸟类承载力因子。
本发明实施例中，例如，备选的鸟类承载力因子A对应的相关向量的乘积之和为f1f2+f1f3且位于前N个，因此将备选的鸟类承载力因子A确定为主要鸟类承载力因子，设置N个目的在于筛选出最具有影响的备选的鸟类承载力因子，从而便于后续对鸟类承载力进行分析。
步骤204、将多个主要鸟类承载力因子输入相关性分析模型进行相关性分析，得到与每个主要鸟类承载力因子对应的相关性得分。
本发明实施例中，由于多个主要鸟类承载力因子之间不是相互独立的，因此需要在复杂关系中分析出影响鸟类承载力的主要因子，根据鸟类的食物需求、栖息需求、筑巢需求，可采用相关性分析、基于树模型的相关因子分析等分析方法，计算出每个主要鸟类承载力因子对应的相关性得分。
本发明实施例中，步骤204中建立相关性分析模型可具体包括：
步骤2041、获取多组主要鸟类承载力因子集合作为训练样本，其中，每组主要鸟类承载力因子集合中的每个主要鸟类承载力因子都对应一个预设的相关性得分。
本发明实施例中，可根据RandomForest、AdaBoost、ExtraTrees、GradientBoosting、DecisionTree五种算法计算出主要鸟类承载力因子集合中的每个主要鸟类承载力因子都对应一个预设的相关性得分，以每组主要鸟类承载力因子集合作为单位，通过使用上述算法以及采用逼近函数，得出相关性得分。例如，随机森林(RandomForest)是利用多个决策树对样本进行训练、分类并预测的一种算法，主要应用于回归和分类场景。在对数据进行分类的同时，还可以基于树模型给出各个变量的相关性排序，评估各个变量在分类中所起的作用。随机森林是一种比较有名的集成学习方法，属于集成学习算法中弱学习器之间不存在依赖的一部分，其因为这个优点可以并行化运行，因此随机森林在一些大赛中往往是首要选择的模型。除上述算法之外，还可以采用其他能够反映因子关系的算法，本发明对此不做限定。
下式是基于树模型的相关因素特征综合排序公式。对逼近函数
Figure BDA0002376353450000135
最有用的描述是相对影响因子Ij，单个输入变量xj和/>
Figure BDA0002376353450000136
在联合输入变量分布上的变化。其中，相对影响因子Ij的计算方法如下公式(1)所示：
Figure BDA0002376353450000131
Figure BDA0002376353450000132
其中，Ij可表示为主要鸟类承载力因子集合中的每个主要鸟类承载力因子都对应一个预设的相关性得分，
Figure BDA0002376353450000133
表示为逼近函数，在上述所涉及的五种算法中，每一种算法都可以输出一个F(x)，因此每一种算法可用F(x)表示，其中，x是变量，通过联合上述基于树模型的相关因素特征综合排序公式，从而可以计算出每个主要鸟类承载力因子都对应一个预设的相关性得分。
在公式(2)中，
Figure BDA0002376353450000134
的全局相关性可根据所有类别的平均值求得，K标识为类别的数量，例如，本发明通过利用RandomForest、AdaBoost、ExtraTrees、GradientBoosting、DecisionTree这五种算法分别求出每个特征重要度，即每个主要鸟类承载力因子都对应一个相关性得分，再计算多个相关性得分的均值，并将多个相关性得分的均值确定为预设的相关性得分。在本发明实施例中，主要鸟类承载力因子对应的预设的相关性得分越高，则表明该主要鸟类承载力因子的重要程度越高，因此也可以将相关性得分作为该主要鸟类承载力因子的重要性得分。
本发明实施例中，进一步地，还包括：当判断出Ij超过阈值则表明该主要鸟类承载力因子为目标鸟类承载力因子。
在传统的相关性分析方法中，大多数只采用一种方法，而本发明实施例中，采用了基于树模型的相关性分析方法，该种分析方法是基于上述多种相关性分析算法，从而得到更加准确的相关性分析结果，以便后续步骤能够筛选出最能反映鸟类承载力的目标承载力因子。
步骤2042、利用训练样本对相关性分析模型进行训练，直至模型收敛。
步骤205、按照相关性得分从大到小的循序，将前预设数量个主要鸟类承载力因子确定为目标鸟类承载力因子。
本发明实施例中，根据步骤204得到与每个主要鸟类承载力因子对应的相关性得分，按照相关性得分从大到小的循序，从而能够筛选出相关性得分高的主要鸟类承载力因子。预设数据可包括10个。
步骤206、将每个目标鸟类承载力因子对应的相关性得分输入预先建立的鸟类承载力分析模型y＝f(x，m，n)进行鸟类承载力分析，计算出鸟类承载数量，其中，y表示为鸟类承载数量，x、m、n表示不同的目标鸟类承载力因子对应的相关性得分。
本发明实施例中，通过上述步骤204获取到每个目标鸟类承载力因子对应的相关性得分。例如，每个目标鸟类承载力因子对应的相关性得分如下表1所示：
表1
排序 目标鸟类承载力因子 相关性得分
0 总生物量 0.2038
1 鱼塘/滩涂/红树林/水域面积比值 0.1974
2 潮汐水位 0.1229
3 大鱼生物量 0.1199
4 小鱼小虾生物量 0.0874
5 软体动物生物量 0.0720
6 水生昆虫生物量 0.0463
7 蟹类生物量 0.0430
8 甲壳类生物量 0.0400
9 藻类、浮游生物生物量 0.0287
11 鱼塘面积 0.0027
10 滩涂面积 0.0023
11 红树林面积 0.0080
12 污染排放量 0.0079
13 红树林湿地气温 0.0068
14 初级生产力 0.0052
15 入侵种面积 0.0048
16 人为干扰面积 0.0036
本发明实施例中，例如，根据对历史数据获取的每个目标鸟类承载力因子对应的相关性得分进行分析，通过Stacking方法以及选取的前10个目标鸟类承载力因子，构建出鸟类承载力分析模型，该鸟类承载力分析模型是基于鸟类不同种类食物生物量，红树林、鱼塘、滩涂，潮汐水位以及红树林的模型，其中，鸟类承载力分析模型可参见步骤2041-步骤2042的建立过程，再通过多因子的模型耦合算法、交叉验证算法以及多个模型组合，从而能够提高鸟类承载力分析模型的预测准确度，实现红树林鸟类承载力的准确预测。
在一个优选方案中，将获取的每个目标鸟类承载力因子对应的相关性得分输入预先建立的鸟类承载力分析模型y＝f(x，m，n)进行鸟类承载力分析，计算出鸟类承载数量，其中，y表示为鸟类承载数量，x为总生物量的相关性得分、m为鱼塘/滩涂/红树林/水域面积比值的相关性得分，n为潮水水位的相关性得分。在本申请的其他实施例中，x，m，n还可以为其他目标鸟类承载力因子的相关性得分，本申请对此不做限定，仅为举例说明。
Stacking方法采用交叉验证方法构建，可以结合多个模型获取判断结果，具有稳健性强、判断结果效果好的特点。因此本发明通过Stacking方法建立模型的方式，能够准确预测红树林保护区的目标鸟类承载力因子，并基于目标鸟类承载力因子建立鸟类承载力分析模型，相比较于过去的专家经验估算，准确度更高，根据预测结果，可以指导红树林保护区红树林营建、鱼塘改造、鱼塘内鱼类养殖数量的准确估算，在保证红树林生态系统健康发展的同时，更好的服务于鸟类的保护，从而更好的保护人类的家园。
本发明实施例提供的技术方案中，通过获取栖息地的食物因子和生态环境因子，并从食物因子和生态环境因子中筛选出鸟类承载力因子，对鸟类承载力因子进行排序，确定出每个鸟类承载力因子的重要程度，将选取的大于预设重要程度的鸟类承载力因子，通过鸟类承载力分析模型，计算出鸟类承载数量，从而根据鸟类承载数量，分析环境变化对鸟类的影响以及辅助管理部门提前采取科学合理的措施迎接鸟类的到来，进而对保护红树林湿地鸟类具有重要意义。
图3是本发明一实施例所提供的一种鸟类栖息地承载量计算装置的结构示意图，如图3所示，该装置包括：获取模块11、匹配确定模块12、分析模块13、筛选模块14、第一计算模块15以及第二计算模块16。
获取模块11用于获取栖息地的多个食物因子和生态环境因子，所述食物因子用于指示鸟类所觅食的生物量，所述生态环境因子用于指示鸟类所活动的环境信息。
匹配确定模块12用于针对每个所述食物因子和生态环境因子，将与预设的参考鸟类承载力因子匹配的所述食物因子或者所述生态环境因子确定为备选的鸟类承载力因子，得到多个备选的鸟类承载力因子。
分析模块用于13通过相关性分析算法对所述多个备选的鸟类承载力因子进行相关性分析以及从大到小的排序。
筛选模块14用于筛选出所述大到小的排序中预设的前N个备选的鸟类承载力因子作为主要鸟类承载力因子。
第一计算模块15用于计算每个所述主要鸟类承载力因子的相关性得分，并按照所述相关性得分从大到小的循序，将前预设数量个主要鸟类承载力因子确定为目标鸟类承载力因子。
第二计算模块16用于将每个所述目标鸟类承载力因子对应的相关性得分输入预先建立的鸟类承载力分析模型进行鸟类承载力分析，计算出鸟类承载数量。
本发明实施例提供的技术方案中，通过获取栖息地的食物因子和生态环境因子，并从食物因子和生态环境因子中筛选出鸟类承载力因子，对鸟类承载力因子进行排序，确定出每个鸟类承载力因子的重要程度，将选取的大于预设重要程度的鸟类承载力因子，通过鸟类承载力分析模型，计算出鸟类承载数量，从而根据鸟类承载数量，分析环境变化对鸟类的影响以及辅助管理部门提前采取科学合理的措施迎接鸟类的到来，进而对保护红树林湿地鸟类具有重要意义。
本发明实施例提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述鸟类栖息地承载量计算方法的实施例的各步骤，具体描述可参见上述鸟类栖息地承载量计算方法的实施例。
本发明实施例提供了一种计算机，包括存储器和处理器，存储器用于存储包括程序指令的信息，处理器用于控制程序指令的执行，程序指令被处理器加载并执行时实现上述鸟类栖息地承载量计算方法的步骤。具体描述可参见上述鸟类栖息地承载量计算方法的实施例。
图4为本发明实施例提供的一种计算机的示意图。如图4所示，该实施例的计算机4包括：处理器41、存储器42以及存储在存储42中并可在处理器41上运行的计算机程序43，该计算机程序43被处理器41执行时实现实施例中的应用于鸟类栖息地承载量计算方法，为避免重复，此处不一一赘述。或者，该计算机程序被处理器41执行时实现实施例中应用于鸟类栖息地承载量计算装置中各模型/单元的功能，为避免重复，此处不一一赘述。
计算机4包括，但不仅限于，处理器41、存储器42。本领域技术人员可以理解，图4仅仅是计算机4的示例，并不构成对计算机4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机4还可以包括输入输出设备、网络接入设备、总线等。
所称处理器41可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器42可以是计算机4的内部存储单元，例如计算机4的硬盘或内存。存储器42也可以是计算机4的外部存储设备，例如计算机4上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(F1ash Card)等。进一步地，存储器42还可以既包括计算机4的内部存储单元也包括外部存储设备。存储器42用于存储计算机程序以及计算机4所需的其他程序和数据。存储器42还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (8)

1.一种鸟类栖息地承载量计算方法，其特征在于，包括：
获取栖息地的多个食物因子和生态环境因子，所述食物因子用于指示鸟类所觅食的生物量，所述生态环境因子用于指示鸟类所活动的环境信息；
针对每个所述食物因子和生态环境因子，将与预设的参考鸟类承载力因子匹配的所述食物因子或者所述生态环境因子确定为备选的鸟类承载力因子，得到多个备选的鸟类承载力因子；
通过相关性分析算法对所述多个备选的鸟类承载力因子进行相关性分析以及从大到小的排序，并筛选出所述大到小的排序中预设的前N个备选的鸟类承载力因子作为主要鸟类承载力因子；
计算每个所述主要鸟类承载力因子的相关性得分，并按照所述相关性得分从大到小的循序，将前预设数量个主要鸟类承载力因子确定为目标鸟类承载力因子；
将每个所述目标鸟类承载力因子对应的相关性得分输入预先建立的鸟类承载力分析模型进行鸟类承载力分析，计算出鸟类承载数量；
所述通过相关性分析算法对所述多个备选的鸟类承载力因子进行相关性分析以及从大到小的排序，并筛选出所述大到小的排序中预设的前N个备选的鸟类承载力因子作为主要鸟类承载力因子的步骤，包括：
获取与每个备选的鸟类承载力因子对应的相关向量以及与多个备选的鸟类承载力因子之间的对应关系；
计算出每个备选的鸟类承载因子对应的相关向量与具有对应关系的多个备选的鸟类承载力因子对应的相关向量的乘积之和；
对多个所述乘积之和进行从大到小的排序，筛选出所述大到小的排序中预设前N个所述乘积之和；
将所述预设前N个所述乘积之和所对应的N个备选的鸟类承载力因子作为主要鸟类承载力因子。
2.根据权利要求1所述的方法，其特征在于，所述计算每个所述主要鸟类承载力因子的相关性得分的步骤，包括：
将多个所述主要鸟类承载力因子输入相关性分析模型进行相关性分析，得到与每个所述主要鸟类承载力因子对应的相关性得分。
3.根据权利要求2所述的方法，其特征在于，所述相关性分析模型的建立过程包括：
获取多组主要鸟类承载力因子集合作为训练样本，其中，每组所述主要鸟类承载力因子集合中的每个主要鸟类承载力因子都对应一个预设的相关性得分；
利用所述训练样本对所述相关性分析模型进行训练，直至模型收敛。
4.根据权利要求1所述的方法，其特征在于，所述将每个所述目标鸟类承载力因子对应的相关性得分输入预先建立的鸟类承载力分析模型进行鸟类承载力分析，计算出鸟类承载数量的步骤，包括：
将每个所述目标鸟类承载力因子对应的相关性得分输入预先建立的鸟类承载力分析模型y＝f(x，m，n)进行鸟类承载力分析，计算出鸟类承载数量，其中，y表示为鸟类承载数量，x、m、n表示不同的目标鸟类承载力因子对应的相关性得分。
5.根据权利要求1所述的方法，其特征在于，在所述获取栖息地的多个食物因子和多个生态环境因子，包括：
根据所述栖息地的初级生产力、气候变化量、潮水水位变化量、食物受污染程度分别计算出多种食物的生物量，并将所述多种食物的生物量确定为多个食物因子；
根据获取的潮水水位计算出鱼塘面积、滩涂面积、红树林面积以及水域面积，所述水域面积包括不大于预设深度的水域所占的面积，并将所述鱼塘面积、所述滩涂面积、所述红树林面积以及所述水域面积确定为多个生态环境因子。
6.根据权利要求5所述的方法，其特征在于，在所述根据所述栖息地的初级生产力、气候变化量、潮水水位变化量、食物受污染程度分别计算出多种食物的生物量，并将所述多种食物的生物量确定为多个食物因子之后，还包括：
根据不同种类鸟的数量、鸟类每日食物代谢量以及不同种类鸟类进食数量，计算出迁徙食物需求量；
若判断出所述多种食物的生物量之和不大于迁徙食物需求量，则输出警告。
7.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的鸟类栖息地承载量计算方法。
8.一种计算机，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于，所述程序指令被处理器加载并执行时实现权利要求1至6任意一项所述的鸟类栖息地承载量计算方法的步骤。
CN202010068163.9A 2020-01-20 2020-01-20 鸟类栖息地承载量计算方法、装置、存储介质和计算机 Active CN111241462B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010068163.9A CN111241462B (zh) 2020-01-20 2020-01-20 鸟类栖息地承载量计算方法、装置、存储介质和计算机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010068163.9A CN111241462B (zh) 2020-01-20 2020-01-20 鸟类栖息地承载量计算方法、装置、存储介质和计算机

Publications (2)

Publication Number Publication Date
CN111241462A CN111241462A (zh) 2020-06-05
CN111241462B true CN111241462B (zh) 2023-07-07

Family

ID=70879793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010068163.9A Active CN111241462B (zh) 2020-01-20 2020-01-20 鸟类栖息地承载量计算方法、装置、存储介质和计算机

Country Status (1)

Country Link
CN (1) CN111241462B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104517037A (zh) * 2014-12-23 2015-04-15 中国科学院遥感与数字地球研究所 一种生态承载力的遥感估算方法
CN105868923A (zh) * 2016-04-21 2016-08-17 重庆市勘测院 基于多要素耦合模型的资源环境承载力评价方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7031927B1 (en) * 2000-04-12 2006-04-18 Strategic Weather Services System, method, and computer program product for weather and terrestrial vegetation-based water renovation and management forecasting
US20070168885A1 (en) * 2005-01-21 2007-07-19 Michael Muller Sorting and filtering activities in an activity-centric collaborative computing environment
JP4695008B2 (ja) * 2006-04-17 2011-06-08 株式会社山武 保水能力推定装置およびプログラム
US10522240B2 (en) * 2006-05-03 2019-12-31 Population Bio, Inc. Evaluating genetic disorders
US7927484B2 (en) * 2008-09-11 2011-04-19 University Of Central Florida Research Foundation, Inc. Passive underground drainfield for septic tank nutrient removal using functionalized green filtration media
JP2010182287A (ja) * 2008-07-17 2010-08-19 Steven C Kays 適応型インテリジェント・デザイン
CN103530530B (zh) * 2013-11-01 2016-04-13 中国水利水电科学研究院 一种干旱区湖泊湿地生态需水的定量计算方法
CN109152555B (zh) * 2016-03-18 2022-09-06 哈佛大学校长及研究员协会 自动分类动物行为
CN106655266B (zh) * 2016-12-26 2019-02-22 国网天津市电力公司 一种接入新能源的地区电网可灵活调节电源配置方法
CN107229731B (zh) * 2017-06-08 2021-05-25 百度在线网络技术（北京）有限公司 用于分类数据的方法和装置
CN110276556B (zh) * 2019-06-26 2020-03-10 中国环境科学研究院 一种基于多策略的环境承载力指标权重计算方法及装置
CN110610267B (zh) * 2019-09-10 2021-06-29 北京京东智能城市大数据研究院 人才信息的处理方法及装置、计算机存储介质、电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104517037A (zh) * 2014-12-23 2015-04-15 中国科学院遥感与数字地球研究所 一种生态承载力的遥感估算方法
CN105868923A (zh) * 2016-04-21 2016-08-17 重庆市勘测院 基于多要素耦合模型的资源环境承载力评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于熵值-突变级数法的环渤海地区海洋生态环境承载力评价及障碍因子诊断;郑力燕;《海洋通报》;第37卷(第5期);第591-600页 *

Also Published As

Publication number Publication date
CN111241462A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
Mourier et al. Evidence of social communities in a spatially structured network of a free-ranging shark species
Parra et al. Grouping and fission–fusion dynamics in Australian snubfin and Indo-Pacific humpback dolphins
Fallows et al. White sharks (Carcharodon carcharias) scavenging on whales and its potential role in further shaping the ecology of an apex predator
Olson et al. A model of the pelagic ecossystem in the eastern tropical Pacific Ocean
Keppeler et al. The relationship between trophic level and body size in fishes depends on functional traits
Weber et al. Simulated population responses of common carp to commercial exploitation
Hossain et al. Growth, condition, maturity and mortality of the Gangetic leaf fish Nandus nandus (Hamilton, 1822) in the Ganges River (Northwestern Bangladesh)
Blasi et al. Complex social structure of an endangered population of bottlenose dolphins (Tursiops truncatus) in the Aeolian Archipelago (Italy)
Pratondo et al. Classification of Zophobas morio and Tenebrio molitor using transfer learning
Islam et al. Fish survival prediction in an aquatic environment using random forest model
Stanley et al. Dispersal patterns, active behaviour, and flow environment during early life history of coastal cold water fishes
Araneda et al. Optimal harvesting time of farmed aquatic populations with nonlinear size‐heterogeneous growth
Stubberud et al. Effects of size‐and sex‐selective harvesting: An integral projection model approach
Yoğurtçuoğlu et al. Mapping the establishment and invasiveness potential of rainbow trout (Oncorhynchus mykiss) in Turkey: With special emphasis on the conservation of native salmonids
Di-Poi et al. Extensive behavioural divergence following colonisation of the freshwater environment in threespine sticklebacks
Oke et al. Sexual dimorphism modifies habitat‐associated divergence: Evidence from beach and creek breeding sockeye salmon
Nicholson et al. Niche partitioning among social clusters of a resident estuarine apex predator
Romero et al. Understanding the dynamics of an enclosed trawl demersal fishery in Patagonia (Argentina): A holistic approach combining multiple data sources
Guo et al. Detecting broiler chickens on litter floor with the YOLOv5-CBAM deep learning model
Yahn et al. Sexually dimorphic characteristics of short‐finned pilot whales, false killer whales, pygmy killer whales, and melon‐headed whales assessed using fin and body morphometrics from photographs taken at sea
CN111241462B (zh) 鸟类栖息地承载量计算方法、装置、存储介质和计算机
Gamara et al. Artificial neural network-based decision support for shrimp feed type classification
Hutapea et al. Sustainability of blue swimming crab Portunus pelagicus commodity in Banten Bay, Indonesia.
Smith et al. Fishing mortality in North Carolina's Southern Flounder Fishery: direct estimates of instantaneous fishing mortality from a tag return experiment
Mohamed et al. Trophic modelling of the Arabian Sea ecosystem off Karnataka and simulation of fishery yields

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant