CN113159571A - 一种跨境外来物种风险等级判定及智能识别方法及系统 - Google Patents

一种跨境外来物种风险等级判定及智能识别方法及系统 Download PDF

Info

Publication number
CN113159571A
CN113159571A CN202110423881.8A CN202110423881A CN113159571A CN 113159571 A CN113159571 A CN 113159571A CN 202110423881 A CN202110423881 A CN 202110423881A CN 113159571 A CN113159571 A CN 113159571A
Authority
CN
China
Prior art keywords
cross
border
species
risk
foreign species
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.)
Granted
Application number
CN202110423881.8A
Other languages
English (en)
Other versions
CN113159571B (zh
Inventor
赵紫华
王祎丹
高峰
潘绪斌
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.)
China Agricultural University
Original Assignee
China Agricultural University
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 China Agricultural University filed Critical China Agricultural University
Priority to CN202110423881.8A priority Critical patent/CN113159571B/zh
Publication of CN113159571A publication Critical patent/CN113159571A/zh
Application granted granted Critical
Publication of CN113159571B publication Critical patent/CN113159571B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/211—Schema design and management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/40—Monitoring or fighting invasive species

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种跨境外来物种风险等级判定及智能识别方法及系统，包括：对所有已知跨境外来物种的分类学信息进行预处理，并根据预处理后的数据建立跨境外来物种风险等级数据库；基于建立的跨境外来物种风险等级数据库，对已知跨境外来物种的分类学信息及其对应的风险等级信息进行抽提，并根据抽取的相关信息并建立的贝叶斯判别函数中的参数进行求解；对待识别跨境物种的分类学信息进行预处理，并将处理结果输入到贝叶斯判别函数中，得到该待识别跨境物种的风险等级评估结果，同时将该待识别跨境物种的相关信息存储到风险等级数据库中，对贝叶斯判别函数进行优化。本发明可以广泛应用于跨境外来物种等级判定及智能识别领域。

Description

一种跨境外来物种风险等级判定及智能识别方法及系统
技术领域
本发明属于跨境外来物种的入侵风险等级计算、识别及自动归类领域，特别是涉及一种基于贝叶斯的跨境外来物种风险等级判定及智能识别方法。
背景技术
随着经济贸易的迅速发展，跨境外来物种成为影响我国农业、经济、社会以及安全的重要因素。目前我国对于跨境物种存在检疫名单，检疫名单上的物种需要采取严格的检疫措施。但是，检疫名单之外仍然存在大量的跨境有害生物，这些跨境有害生物种类多、数量大、防治能力强，很多物种对我国生态系统仍然具有较大的危险性。
然而，虽然跨境外来物种很多都是农业、林业以及渔业的重要有害生物，但跨境外来物种的风险等级计算、识别及自动归类还没有很好的计算方法，并且也还缺乏完整的体系。
发明内容
针对上述问题，本发明的目的是提供一种跨境外来物种风险等级判定及智能识别方法及系统，利用贝叶斯的理论方法，建立了一整套跨境外来物种的风险等级计算、识别及自动归类方法，能够应用于海关的跨境外来物种风险识别，为有效抵御外来物种提供技术支撑。
为实现上述目的，本发明采取以下技术方案：
本发明的第一个方面，是提供一种跨境外来物种风险等级判定及智能识别方法，其包括以下步骤：
S1：对所有已知跨境外来物种的分类学信息进行预处理，并根据预处理后的数据建立跨境外来物种风险等级数据库；
S2：基于步骤S1建立的跨境外来物种风险等级数据库，对已知跨境外来物种的分类学信息及其对应的风险等级信息进行抽提，并根据抽取的相关信息并建立的贝叶斯判别函数中的参数进行求解；
S3：对待识别跨境物种的分类学信息进行预处理，并将处理结果输入到贝叶斯判别函数中，得到该待识别跨境物种的风险等级评估结果，同时将该待识别跨境物种的相关信息存储到风险等级数据库中，用于对贝叶斯判别函数进行不断完善和优化。
进一步，所述步骤S1中，建立跨境外来物种风险等级数据库的方法，包括以下步骤：
S1.1：对所有已知跨境外来物种的分类学信息进行集成，集成信息包括已知跨境外来物种的分类地位信息以及相应的生物生态学特征；
S1.2：将跨境外来物种的生物生态学特征进行定量化；
S1.3：基于步骤S1.2得到的定量化结果，通过专家咨询或定量打分手段，将各已知跨境外来物种划分为若干个风险等级。
进一步，所述步骤S1.1中，所述生物生态学特征包括已知跨境外来物种的寄主范围、适生区大小、生长速度、化性、寿命、种群增长率以及繁殖方式指标。
进一步，所述步骤S1.3中，将各已知跨境外来物种划分为三个风险等级，包括高风险物种、中风险物种以及低风险物种。
进一步，所述步骤S2中，建立的贝叶斯判别函数为：
Figure BDA0003029044260000021
其中，N为高风险跨境有害生物的数量，n为所有跨境生物的数量，ni为贝叶斯监测后呈高风险的事件，j为数量参数。
本发明的第二个方面，是提供一种跨境外来物种风险等级判定及智能识别系统，其包括：
数据库建立模块，用于对所有已知跨境外来物种的分类学信息进行预处理，并根据预处理后的数据建立跨境外来物种风险等级数据库；
贝叶斯判别函数建立模块，用于基于建立的跨境外来物种风险等级数据库，对已知跨境外来物种的分类学信息及其对应的风险等级信息进行抽提，并根据抽取的相关信息并建立的贝叶斯判别函数中的参数进行求解；
判别优化模块，用于对待识别跨境物种的分类学信息进行预处理，并将处理结果输入到贝叶斯判别函数中，得到该待识别跨境物种的风险等级评估结果，同时将该待识别跨境物种的相关信息存储到风险等级数据库中，用于对贝叶斯判别函数进行不断完善和优化。
进一步，所述数据库建立模块包括：
信息集成模块，用于对所有已知跨境外来物种的分类学信息进行集成，集成信息包括已知跨境外来物种的分类地位信息以及相应的生物生态学特征；
定量化模块，用于将跨境外来物种的生物生态学特征进行定量化；
风险等级划分模块，用于基于得到的定量化结果，通过专家咨询或定量打分等手段，将已知跨境外来物种划分为三个风险等级。
进一步，所述信息集成模块中，所述生物生态学特征包括：已知跨境外来物种的寄主范围、适生区大小、生长速度、化性、寿命、种群增长率以及繁殖方式指标。
进一步，所述贝叶斯判别函数建立模块建立的贝叶斯判别函数为：
Figure BDA0003029044260000031
其中，N为高风险跨境有害生物的数量，n为所有跨境生物的数量，ni为贝叶斯监测后呈高风险的事件，j为数量参数。
本发明由于采取以上技术方案，其具有以下优点：本发明提出了属于跨境外来物种风险等级的首次划分，将其分为3个等级，分别为高风险、中风险以及低风险级别。高风险物种具有显著的经济危害性，具有广泛成灾的潜力，并造成环境的改变和生态退化；中风险物种具有一定的经济危害性，可以局部成灾，对生态安全的威胁较小；低风险物种不具有经济危害性，种群数量较低。
具体实施方式
下面结合实施例对本发明进行详细的描述。
贝叶斯定理在划分外来物种风险等级时候非常有用，假设常规的风险等级的敏感度与可靠度均为99％，换句话说，当高风险物种进行评估时，结果为高风险物种的概率为99％。而低风险物种进行评估时，结果为低风险物种的概率为99％。从评估结果的概率来看，评估方法比较可靠，评估结果也比较准确，因此贝叶斯定理和方法能够用于准确评价跨境物种的风险性划分。
基于上述分析，本发明提供了一种跨境外来物种风险等级判定及智能识别方法及系统，对于跨境的外来物种，首先进行生物学和生态学信息的提取，主要包括跨境外来物种的寄主范围、适生区大小、生长速度、化性、寿命、种群增长率以及繁殖方式；然后，以提取的7类生物生态学特征为基础，构建贝叶斯函数，进行跨境外来物种的风险等级划分。下面进行详细介绍。
实施例1
本实施例提供了一种跨境外来物种风险等级判定及智能识别方法，其包括以下步骤：
S1：数据库建立：对所有已知跨境外来物种的分类学信息进行预处理，并根据预处理后的数据建立跨境外来物种风险等级数据库。
具体地，包括以下步骤：
S1.1：对所有已知跨境外来物种的分类学信息进行集成，集成信息包括已知跨境外来物种的分类地位信息以及相应的生物生态学特征，其中，生物生态学特征主要包括已知跨境外来物种的寄主范围、适生区大小、生长速度、化性、寿命、种群增长率以及繁殖方式等指标。
S1.2：将跨境外来物种的生物生态学特征进行定量化，可以将每个生物生态学特征指标分为三级(可以根据实际需要进行调整)，例如对寄主范围指标进行分级时，可以将寄主种类超过100种的划分为3级,寄主种类为50-100种的划分为2级，寄主种类在50种以下的划分为1级。
S1.3：基于步骤S1.2得到的定量化结果，通过专家咨询，定量打分等手段，将已知跨境外来物种划分为三个风险等级，即高风险物种、中风险物种以及低风险物种。
S2：建立贝叶斯判别函数：基于步骤S1建立的跨境外来物种风险等级数据库，对已知跨境外来物种的分类学信息及其对应的风险等级信息进行抽提，并根据抽取的相关信息并建立的贝叶斯判别函数中的参数进行求解。
建立的贝叶斯判别函数为：
Figure BDA0003029044260000041
其中，N为高风险跨境有害生物的数量，n为所有跨境生物的数量，ni为贝叶斯监测后呈高风险的事件，j为数量参数。
S3：判别优化：对待识别跨境物种的分类学信息进行预处理，并将处理结果输入到贝叶斯判别函数中，得到该待识别跨境物种的风险等级评估结果，同时将该待识别跨境物种的相关信息存储到风险等级数据库中，用于对贝叶斯判别函数进行不断完善和优化。
实施例2
假设需要对所有的跨境外来物种进行风险性等级划分，已知5％的种类为高风险有害生物。那么分析过程中，每个跨境物种成为高风险有害生物的概率究竟是多大？令“N”为高风险跨境有害生物的数量，“n”为所有跨境生物的数量，“ni”为贝叶斯监测后呈高风险的事件。通过建立贝叶斯模型，可得到以下结果：
P(N)代表跨境物种中高风险有害生物的概率，如果不存在其他影响后因素，该值为5％。因为我们假定跨境物种中存在5％的物种为高风险有害生物，因此这个数值就是N的先验概率。
P(n)代表跨境物种中非高风险有害生物的概率，显然，该数值为0.95，也就是1-P(N)。
P(ni|N)代表高风险有害生物贝叶斯评估的阳性概率，同样这是一个条件概率同时也是先验概率，由于假定阳性评估结果的概率是99％，因此该数值为0.99。
P(ni|n)代表非高风险有害生物贝叶斯评估的阳性概率，也就是评估错误的概率，该值为0.01，因为对于非高风险有害生物，其评估结果为阴性的概率为99％，因此，其被误评估成阳性的概率为1-99％。
P(ni)代表不考虑其他因素的影响条件下的跨境外来物种高风险有害生物的检出率。该值为1.485％。可以通过跨境物种的全概率公式计算得到：此概率＝高风险有害生物阳性检出率(5％×99％＝0.00495)+非高风险有害生物阳性检出率(99％×1％＝0.0099)。P(ni)＝0.01485是检测呈高风险有害生物的先验概率。用数学公式描述为：
根据上述描述，我们可以计算某跨境物种检测呈阳性时确实为高风险有害生物的条件概率P(D|ni)：
P(N|ni)＝P(ni|N)P(N)/(P(ni|N)P(N)+P(ni|n)P(n))＝0.99*0.05/0.01485＝0.33
尽管贝叶斯评估结果可靠性很高，但是也知道得到以下几轮：如果某跨境物种评估呈阳性，那么此有害生物是高风险等级的概率只有33％，也就是说此物种作为高风险有害生物的可能性相对大。并且，我们评估的条件(本例中指N，高风险有害生物的比例)越难发生，发生错误评估的可能性越大。
但如果让此有害生物再次评估(相当于P(N)＝33％，为高风险有害生物的概率，替换了原先的5％)，再使用贝叶斯定理计算，将会得到此跨境物种为高风险等级的概率为98％。贝叶斯定理的优势在于能够循环评估，重复计算，会得到跨境物种为高风险等级的概率为99.98％，远远超过单次评估的准确率。
实施例3
基于上述跨境外来物种风险等级判定及智能识别方法，本实施例提供一种跨境外来物种风险等级判定及智能识别系统，其包括：
数据库建立模块，用于对所有已知跨境外来物种的分类学信息进行预处理，并根据预处理后的数据建立跨境外来物种风险等级数据库；
贝叶斯判别函数建立模块，用于基于建立的跨境外来物种风险等级数据库，对已知跨境外来物种的分类学信息及其对应的风险等级信息进行抽提，并根据抽取的相关信息并建立的贝叶斯判别函数中的参数进行求解；
判别优化模块，用于对待识别跨境物种的分类学信息进行预处理，并将处理结果输入到贝叶斯判别函数中，得到该待识别跨境物种的风险等级评估结果，同时将该待识别跨境物种的相关信息存储到风险等级数据库中，用于对贝叶斯判别函数进行不断完善和优化。
进一步，数据库建立模块包括：
信息集成模块，用于对所有已知跨境外来物种的分类学信息进行集成，集成信息包括已知跨境外来物种的分类地位信息以及相应的生物生态学特征；
定量化模块，用于将跨境外来物种的生物生态学特征进行定量化；
风险等级划分模块，用于基于得到的定量化结果，通过专家咨询或定量打分等手段，将已知跨境外来物种划分为三个风险等级。
进一步，信息集成模块中集成的生物生态学特征包括已知跨境外来物种的寄主范围、适生区大小、生长速度、化性、寿命、种群增长率以及繁殖方式指标。
进一步，贝叶斯判别函数建立模块中，建立的贝叶斯判别函数为：
Figure BDA0003029044260000061
其中，N为高风险跨境有害生物的数量，n为所有跨境生物的数量，ni为贝叶斯监测后呈高风险的事件，j为数量参数。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (9)

1.一种跨境外来物种风险等级判定及智能识别方法，其特征在于，包括以下步骤：
S1：对所有已知跨境外来物种的分类学信息进行预处理，并根据预处理后的数据建立跨境外来物种风险等级数据库；
S2：基于步骤S1建立的跨境外来物种风险等级数据库，对已知跨境外来物种的分类学信息及其对应的风险等级信息进行抽提，并根据抽取的相关信息并建立的贝叶斯判别函数中的参数进行求解；
S3：对待识别跨境物种的分类学信息进行预处理，并将处理结果输入到贝叶斯判别函数中，得到该待识别跨境物种的风险等级评估结果，同时将该待识别跨境物种的相关信息存储到风险等级数据库中，用于对贝叶斯判别函数进行不断完善和优化。
2.如权利要求1所述的一种跨境外来物种风险等级判定及智能识别方法，其特征在于，所述步骤S1中，建立跨境外来物种风险等级数据库的方法，包括以下步骤：
S1.1：对所有已知跨境外来物种的分类学信息进行集成，集成信息包括已知跨境外来物种的分类地位信息以及相应的生物生态学特征；
S1.2：将跨境外来物种的生物生态学特征进行定量化；
S1.3：基于步骤S1.2得到的定量化结果，通过专家咨询或定量打分手段，将各已知跨境外来物种划分为若干个风险等级。
3.如权利要求2所述的一种跨境外来物种风险等级判定及智能识别方法，其特征在于，所述步骤S1.1中，所述生物生态学特征包括已知跨境外来物种的寄主范围、适生区大小、生长速度、化性、寿命、种群增长率以及繁殖方式指标。
4.如权利要求2所述的一种跨境外来物种风险等级判定及智能识别方法，其特征在于，所述步骤S1.3中，将各已知跨境外来物种划分为三个风险等级，包括高风险物种、中风险物种以及低风险物种。
5.如权利要求1所述的一种跨境外来物种风险等级判定及智能识别方法，其特征在于，所述步骤S2中，建立的贝叶斯判别函数为：
Figure FDA0003029044250000011
其中，N为高风险跨境有害生物的数量，n为所有跨境生物的数量，ni为贝叶斯监测后呈高风险的事件，j为数量参数。
6.一种适用于如权利要求1～5任一项所述方法的跨境外来物种风险等级判定及智能识别系统，其特征在于，包括：
数据库建立模块，用于对所有已知跨境外来物种的分类学信息进行预处理，并根据预处理后的数据建立跨境外来物种风险等级数据库；
贝叶斯判别函数建立模块，用于基于建立的跨境外来物种风险等级数据库，对已知跨境外来物种的分类学信息及其对应的风险等级信息进行抽提，并根据抽取的相关信息并建立的贝叶斯判别函数中的参数进行求解；
判别优化模块，用于对待识别跨境物种的分类学信息进行预处理，并将处理结果输入到贝叶斯判别函数中，得到该待识别跨境物种的风险等级评估结果，同时将该待识别跨境物种的相关信息存储到风险等级数据库中，用于对贝叶斯判别函数进行不断完善和优化。
7.如权利要求6所述的一种跨境外来物种风险等级判定及智能识别系统，其特征在于，所述数据库建立模块包括：
信息集成模块，用于对所有已知跨境外来物种的分类学信息进行集成，集成信息包括已知跨境外来物种的分类地位信息以及相应的生物生态学特征；
定量化模块，用于将跨境外来物种的生物生态学特征进行定量化；
风险等级划分模块，用于基于得到的定量化结果，通过专家咨询或定量打分等手段，将已知跨境外来物种划分为三个风险等级。
8.如权利要求7所述的一种跨境外来物种风险等级判定及智能识别系统，其特征在于，所述信息集成模块中，所述生物生态学特征包括：已知跨境外来物种的寄主范围、适生区大小、生长速度、化性、寿命、种群增长率以及繁殖方式指标。
9.如权利要求6所述的一种跨境外来物种风险等级判定及智能识别系统，其特征在于，所述贝叶斯判别函数建立模块建立的贝叶斯判别函数为：
Figure FDA0003029044250000021
其中，N为高风险跨境有害生物的数量，n为所有跨境生物的数量，ni为贝叶斯监测后呈高风险的事件，j为数量参数。
CN202110423881.8A 2021-04-20 2021-04-20 一种跨境外来物种风险等级判定及智能识别方法及系统 Active CN113159571B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110423881.8A CN113159571B (zh) 2021-04-20 2021-04-20 一种跨境外来物种风险等级判定及智能识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110423881.8A CN113159571B (zh) 2021-04-20 2021-04-20 一种跨境外来物种风险等级判定及智能识别方法及系统

Publications (2)

Publication Number Publication Date
CN113159571A true CN113159571A (zh) 2021-07-23
CN113159571B CN113159571B (zh) 2024-08-27

Family

ID=76869029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110423881.8A Active CN113159571B (zh) 2021-04-20 2021-04-20 一种跨境外来物种风险等级判定及智能识别方法及系统

Country Status (1)

Country Link
CN (1) CN113159571B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030023416A1 (en) * 2001-06-12 2003-01-30 Peterson Andrew Townsend Processes and systems for predicting biological species invasions
CN101609516A (zh) * 2008-06-19 2009-12-23 上海市园林科学研究所 建立城市绿地有害生物风险评估体系的方法
CN101609483A (zh) * 2008-06-19 2009-12-23 上海市园林科学研究所 城市绿地有害生物风险等级确定方法
CN102324038A (zh) * 2011-09-06 2012-01-18 北京林业大学 一种基于数字图像的植物种类识别方法
CN102750589A (zh) * 2012-06-30 2012-10-24 北京师范大学 水环境与水生态安全保障管理系统
CN104615884A (zh) * 2015-02-04 2015-05-13 中国科学院地理科学与资源研究所 一种基于病毒检出率的传染病重症、死亡风险预警系统及方法
CN107129992A (zh) * 2016-02-26 2017-09-05 先正达参股股份有限公司 用于控制植物有害生物的组合物和方法
US20170327905A1 (en) * 2016-05-13 2017-11-16 Colorado State University Research Foundation High throughput method to genotype plants
CN108009506A (zh) * 2017-12-07 2018-05-08 平安科技（深圳）有限公司 入侵检测方法、应用服务器及计算机可读存储介质
CN108229826A (zh) * 2018-01-04 2018-06-29 中国计量大学 一种基于改进贝叶斯算法的网购风险等级评估方法
CN108244003A (zh) * 2018-01-18 2018-07-06 中国农业大学 一种水产病害流行趋势预测及展示方法和系统
CN109643584A (zh) * 2016-09-14 2019-04-16 菲利普莫里斯生产公司 用于预测个体生物状态的系统、方法和基因标签
CN109978373A (zh) * 2019-03-27 2019-07-05 金陵科技学院 一种基于定性数据的定量化风险评估方法
CN110423804A (zh) * 2019-08-12 2019-11-08 中国福利会国际和平妇幼保健院 一种筛查稽留流产风险的生物标志物集合及筛查方法
CN111898839A (zh) * 2019-05-05 2020-11-06 中国农业大学 电力用户的重要程度分类方法及装置
CN112069726A (zh) * 2020-08-19 2020-12-11 中国航天标准化研究所 一种基于贝叶斯网络的风险分析评估方法及装置
CN112116255A (zh) * 2020-09-22 2020-12-22 北京科技大学 一种跨境可再生资源质量安全预警方法及系统
CN112613749A (zh) * 2020-12-24 2021-04-06 中国检验检疫科学研究院 跨境隐存高危因子风险智能分析系统

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030023416A1 (en) * 2001-06-12 2003-01-30 Peterson Andrew Townsend Processes and systems for predicting biological species invasions
CN101609516A (zh) * 2008-06-19 2009-12-23 上海市园林科学研究所 建立城市绿地有害生物风险评估体系的方法
CN101609483A (zh) * 2008-06-19 2009-12-23 上海市园林科学研究所 城市绿地有害生物风险等级确定方法
CN102324038A (zh) * 2011-09-06 2012-01-18 北京林业大学 一种基于数字图像的植物种类识别方法
CN102750589A (zh) * 2012-06-30 2012-10-24 北京师范大学 水环境与水生态安全保障管理系统
CN104615884A (zh) * 2015-02-04 2015-05-13 中国科学院地理科学与资源研究所 一种基于病毒检出率的传染病重症、死亡风险预警系统及方法
CN107129992A (zh) * 2016-02-26 2017-09-05 先正达参股股份有限公司 用于控制植物有害生物的组合物和方法
US20170327905A1 (en) * 2016-05-13 2017-11-16 Colorado State University Research Foundation High throughput method to genotype plants
CN109643584A (zh) * 2016-09-14 2019-04-16 菲利普莫里斯生产公司 用于预测个体生物状态的系统、方法和基因标签
CN108009506A (zh) * 2017-12-07 2018-05-08 平安科技（深圳）有限公司 入侵检测方法、应用服务器及计算机可读存储介质
CN108229826A (zh) * 2018-01-04 2018-06-29 中国计量大学 一种基于改进贝叶斯算法的网购风险等级评估方法
CN108244003A (zh) * 2018-01-18 2018-07-06 中国农业大学 一种水产病害流行趋势预测及展示方法和系统
CN109978373A (zh) * 2019-03-27 2019-07-05 金陵科技学院 一种基于定性数据的定量化风险评估方法
CN111898839A (zh) * 2019-05-05 2020-11-06 中国农业大学 电力用户的重要程度分类方法及装置
CN110423804A (zh) * 2019-08-12 2019-11-08 中国福利会国际和平妇幼保健院 一种筛查稽留流产风险的生物标志物集合及筛查方法
CN112069726A (zh) * 2020-08-19 2020-12-11 中国航天标准化研究所 一种基于贝叶斯网络的风险分析评估方法及装置
CN112116255A (zh) * 2020-09-22 2020-12-22 北京科技大学 一种跨境可再生资源质量安全预警方法及系统
CN112613749A (zh) * 2020-12-24 2021-04-06 中国检验检疫科学研究院 跨境隐存高危因子风险智能分析系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
REID TINGLEY ETC.，INTEGRATING TRANSPORT PRESSURE DATA AND SPECIES DISTRIBUTION MODELS TO ESTIMATE INVASION RISK FOR ALIEN STOWAWAY, ECOGRAPHY, 7 May 2017 (2017-05-07) *
丁晖;石碧清;徐海根;: "外来物种风险评估指标体系和评估方法", 生态与农村环境学报, no. 02 *
孙新涛;林乃铨;: "外来有害生物风险分析的研究进展及其对我国的启示", 植物检疫, no. 03, 15 May 2012 (2012-05-15) *
王兴鹏: "多粒度视角下突发事件情景案例推理模型与方法研究", 中国博士学位论文全文数据库 *
马英;熊何健;林源洪;唐森铭;: "外来海洋物种入侵风险评估体系的构建", 水产学报, no. 04 *

Also Published As

Publication number Publication date
CN113159571B (zh) 2024-08-27

Similar Documents

Publication Publication Date Title
CN110263846B (zh) 基于故障数据深度挖掘及学习的故障诊断方法
CN107918921B (zh) 刑事案件判决结果度量方法及系统
CN112101159B (zh) 多时相林业遥感影像变化监测方法
CN111275333A (zh) 污染数据处理方法和装置
CN110837523A (zh) 一种基于级联神经网络的高置信改造质量和减假暂量化评估方法
CN112188532A (zh) 网络异常检测模型的训练方法、网络检测方法及装置
CN115602337A (zh) 一种基于机器学习的刺激隐核虫疾病预警方法及系统
CN117172430B (zh) 一种基于深度学习的水体环境评估与预测方法及系统
CN112084716B (zh) 一种基于富营养化综合评价的赤潮预测预警方法
CN115876258A (zh) 基于多源数据的畜禽养殖环境异常监测及报警系统
CN115222303B (zh) 基于大数据的行业风险数据分析方法、系统及存储介质
CN115277159B (zh) 一种基于改进随机森林的工业互联网安全态势评估方法
CN117557409B (zh) 基于物联网的智慧建筑火灾风险可视化评估管理系统
CN101871928A (zh) 一种基于免疫否定选择的水质异常检测方法
CN111401444A (zh) 红酒原产地的预测方法、装置、计算机设备及存储介质
CN113468538A (zh) 一种基于相似性度量的漏洞攻击数据库构建方法
CN116432088B (zh) 一种复合光学薄膜层厚智能监测方法及系统
CN113111918A (zh) 基于异常样本检测和多维信息输出的脑卒中风险筛查方法
CN113159571A (zh) 一种跨境外来物种风险等级判定及智能识别方法及系统
CN113113085B (zh) 基于智能宏基因组测序数据肿瘤检测的分析系统及方法
CN114596152A (zh) 基于无监督模型预测发债主体违约的方法、设备及存储介质
CN113190851A (zh) 恶意文档检测模型的主动学习方法、电子设备及存储介质
CN112232329A (zh) 入侵信号识别的多核svm训练、报警方法、装置及系统
CN113555124A (zh) 一种基于机器学习的血常规样本差值核查方法
Munasinghe et al. Machine Learning based criminal short listing using Modus Operandi features

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