CN113392826A - 一种基于多模型融合Stacked的害鸟密度分布预测方法 - Google Patents
一种基于多模型融合Stacked的害鸟密度分布预测方法 Download PDFInfo
- Publication number
- CN113392826A CN113392826A CN202110679220.1A CN202110679220A CN113392826A CN 113392826 A CN113392826 A CN 113392826A CN 202110679220 A CN202110679220 A CN 202110679220A CN 113392826 A CN113392826 A CN 113392826A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- layer stacked
- stacked
- training
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 29
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 24
- 241000894007 species Species 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 21
- 238000007477 logistic regression Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000002431 foraging effect Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001846 repelling effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于多模型融合Stacked的害鸟密度分布预测方法，包括步骤A：选取特征丰富区域；步骤B：基于选取的丰富区域作为样本进行数据采集，对所采集的数据进行模型训练前的特征处理，根据涉害鸟种的密度的不同范围进行定级处理；步骤C：搭建并训练首层Stacked模型；步骤D：搭建并训练次层Stacked模型；步骤E：在首层Stacked模型和次层Stacked模型的学习训练中，基于网格搜索法进行参数调优，选取含有最优参数的首层Stacked模型和次层Stacked模型；步骤F：结合并优化首层Stacked模型和次层Stacked模型以获得预测模型，将步骤B中特征处理后的特征数据导入预测模型，获取对应区域的涉害鸟种的密度等级分布数据。本发明采用多模型融合的思想，对害鸟的密度进行分布预测，适用范围广，预测精度高。
Description
技术领域
本发明涉及智能预测技术领域，尤其涉及一种基于多模型融合Stacked的害鸟密度分布预测方法。
背景技术
近年来，随着国家对环境保护的重视和相关保护动物的法律法规的不断完善，我国自然环境在不断地得到改善，同时鸟类的繁衍逐渐加快，其活动日渐频繁，已经影响到输电线路等地方的安全工作。
输电线路的安全可靠运行是电网安全的重要保障，目前，线路运维人员对鸟类知识匮乏，难以对涉害鸟种及其危害程度进行甄别；对于传统的专家系统和基于最大熵模型预测得到的害鸟密度分布数据，其精度相对不够高，无法做到实时更新，实用性不高。
发明内容
本发明的目的在于针对背景技术中的缺陷，提出一种基于多模型融合Stacked的害鸟密度分布预测方法，采用多模型融合的思想，对害鸟的密度进行分布预测，适用范围广，预测精度高。
为达此目的，本发明采用以下技术方案：
一种基于多模型融合Stacked的害鸟密度分布预测方法，包括如下步骤：
步骤A：选取特征丰富区域；
步骤B：基于所选取的丰富区域作为样本进行数据采集，对所采集的数据进行模型训练前的特征处理，根据涉害鸟种的密度的不同范围进行定级处理；
步骤C：搭建并训练首层Stacked模型；
步骤D：搭建并训练次层Stacked模型；
步骤E：在首层Stacked模型和次层Stacked模型的学习训练中，基于网格搜索法进行参数调优，选取含有最优参数的首层Stacked模型和次层Stacked模型；
步骤F：结合并优化首层Stacked模型和次层Stacked模型以获得预测模型，将步骤B中特征处理后的特征数据导入所述预测模型，获取对应区域的涉害鸟种的密度等级分布数据。
优选的，所述步骤A包括获取涉害鸟种的丰富度、分布及多样性、觅食策略和繁殖行为的数据，并以此数据分析出影响涉害鸟种密度分布的季节和生态信息，并依次选取出特征丰富的区域。
优选的，所述步骤B包括基于神经网络对样本区域进行数据采集，采集的数据包括该区域的气候类型、地形地貌、海拔高度、农作物分布情况、水域分布情况和居民区分布情况；
对上述数据进行预处理，所述预处理包括对清洗数据和规范化数据；
将预处理后的数据划分为训练集、验证集和测试集后进行从特征处理，所述特征处理包括：
特征构建：从原始数据中构建新的特征，标记为原始特征；
特征提取：将原始特征转换为具有物理意义和统计意义的特征集；
特征选择：从特征集中选取最具有统计意义的特征子集，即与涉害鸟种密度分布的预测具有强相关性的特征子集；
根据涉害鸟种密度的不同范围对特征子集进行定级定性处理，对定性属性的数据集特征进行onehot编码。
优选的，所述步骤C包括：搭建首层Stacked模型，在Stacked模型的基模型选取中，根据获得特征种类和大小，选取三种弱分类器，选择逻辑斯蒂回归模型作为首层Stacked模型的融合分类器；
将训练集的数据导入搭建好的首层Stacked模型。
优选的，选定效果最好的Stacked模型结构，将其内部结构设定为两个处理区，在第一个处理区中，选择三个基模型，包括岭回归模型、核函数为线性函数的SVR模型和核函数为RBF的SVR模型；
在第二个处理区中选择逻辑斯蒂回归模型作为融合分类器；
将第一个处理区的输出数据作为输入，并输出预测结果；
将三个弱分类器的数据进行同行合并，作为第二个处理区的数据输入，经过逻辑斯蒂回归模型的分析预测，获得首层Stacked模型的输出结果。
优选的，在所述首层Stacked模型中：
基于三折交叉验证法训练三个基模型，生成三组验证集结果和三组测试集结果，将每个弱分类器的验证集结果进行同列合并，测试集结果进行加权合并，以使每个弱分类器均有一组同列合并的验证集结果和一组加权合并的测试集结果。
优选的，所述步骤D包括如下具体实现步骤：
根据首层Stacked模型的训练数据，进行分析和数据处理，搭建次层Stacked模型，根据首层Stacked模型的数据，选取三种弱分类器，选择逻辑斯蒂回归模型作为次层Stacked模型的融合分类器；
将经过分析和数据处理的首层Stacked模型的训练数据导入搭建好的次层Stacked模型。
优选的，选定效果最好的Stacked模型，将其内部结构设定为两个处理区，在第一个处理区中，选择三个基模型，包括岭回归模型、Lasso回归模型和CART决策树模型；
在第二个处理区中选择逻辑斯蒂回归模型作为融合分类器；
将第一个处理区的输出数据作为输入，并输出预测结果；
将三个弱分类器的数据进行同行合并，作为第二个处理区的数据输入，经过逻辑斯蒂回归模型的分析预测，获得次层Stacked模型的输出结果。
优选的，在次层Stacked模型中：
基于二折交叉验证法使用首层Stacked模型的输出结果训练三个基模型，生成两组验证集结果和两组测试集结果，将每个弱分类器的验证集结果进行同列合并，测试集结果进行加权合并，以使每个弱分类器均有一组同列合并的验证集结果和一组加权合并的测试集结果。
本发明相对于现有技术所实现的技术效果：
本发明在数据量稀少与特征不足的情况下，采用多模型融合的思想，对害鸟的密度进行分布预测，适用范围广，预测精度高，对指导运维人员进行鸟害防治、驱鸟装置的安装具有极高的实用性。
附图说明
图1是本发明其中一个实施例的害鸟密度分布预测流程图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
本发明的一种基于多模型融合的Stacked的密度害鸟分布预测方法，如图1所示，具体步骤如下：
步骤A：特征丰富区域的选取；
根据种群生态学、群落生态学，对害鸟的丰富度、分布及多样性、觅食策略及繁殖行为进行调查研究，分析出对害鸟密度分布有影响的季节与生态信息，并以此选取出特征丰富的区域，包括不同时期的生态信息和人类活动信息，如不同时期的气候类型、地形地貌、海拔高度、农作物分布情况、植被分布情况、水域分布情况，以及周边的居民区和开发区分布情况，经过筛选，得到多组含有丰富特征的区域。
步骤B：数据采集与特征处理；
利用神经网络相关技术，进行数据采集，包括气候类型、地形地貌、海拔高度、农作物分布情况、水域分布情况及居民区分布情况等，在得到众多数据后，运用特征工程相关技术进行模型训练前的特征处理工作，最后根据害鸟密度的不同范围进行定级处理。
将已经选取好的区域作为样本并进行数据收集，采集样本区域的害鸟信息、生态信息和人类活动信息，对数据进行清洗和规范化，直到数据预处理完成，将数据集分为训练集、验证集及测试集，然后进行特征工程工作；
特征处理包括特征构建、特征提取以及特征选择，在特征构建中，从原始数据中构建新的特征，在特征提取中，将原始特征转换为具有物理意义与统计意义的特征，在特征选择中，从特征集中选取最具有统计意义的特征子集，即与害鸟密度分布的预测具有强相关性的特征，如地形地貌特征、气候温度特征、人类活动特征等，在完成上述工作后，最后对定性属性的数据集特征，进行onehot编码，提高数据的稳定性，方便归一化处理。
步骤C：首层Stacked模型搭建与训练；
针对部分害鸟密度等级的预测，先进行首层Stacked模型的搭建工作，在Stacked模型的基模型选取中，根据得到的特征种类和大小，选取三种弱分类器，在最后的融合器中选择逻辑斯蒂回归模型作为融合分类器；此时将训练集数据导入搭建好的首层Stacked模型中，供模型进行学习分析。
具体的，在进行首层Stacked模型的搭建时，通过多次测试，选定效果最好的Stacked模型结构，其内部结构设定为两个处理区，在第一个处理区中，同样经过测试选择三个基模型，包括岭回归模型、核函数为线性函数的SVR模型和核函数为RBF的SVR模型，这三个弱分类器将作为第一个处理区的基本组成部分，在第二个处理区中，选用逻辑斯蒂回归模型作为融合模型器，将第一个处理区的输出数据作为输入，并最终输出预测结果；
首层Stacked模型搭建完后，开始进行数据集对模型的训练、验证及测试，首层Stacked模型中采用了三折交叉验证法，对应的三个基模型训练后，分别都生成3组验证集结果和3组测试集结果，其中将每个分类器的验证集结果进行同列合并，测试集结果进行加权合并，然后每个分类器都有一组同列合并的验证集结果，一组加权合并的测试基结果，最后将三个分类器的三组结果数据进行同行合并，并作为第二个处理区的数据输入，经过逻辑斯蒂回归模型分析预测，得到首层Stacked模型的输出结果。
步骤D：次层Stacked模型搭建与训练；
根据首层Stacked模型的训练结果，进行分析和相关数据处理，并进行次层Stacked模型的搭建工作，根据首层模型的数据，选取出弱分类器作为基模型的构建，融合分类器继续选取逻辑斯蒂回归模型；此时将分析处理后的数据导入搭建好的次层Stacked模型中，供模型进行学习分析。
具体的，在进行次层Stacked模型的搭建时，通过多次测试，选定效果最好的Stacked模型结构，其内部结构设定为两个处理区，在第一个处理区中，同样经过测试选择三个基模型，包括岭回归模型、Lasso回归模型和CART决策树模型，这三个弱分类器将作为第一个处理区的基本组成部分，在第二个处理区中，选用逻辑斯蒂回归作为融合模型器，将第一个处理区的输出数据作为输入，并最终输出预测结果；次层Stacked模型搭建完后，开始进行数据集对模型的训练、验证及测试，此时数据集的输入是来自首层Stacked模型的输出结果，而次层Stacked模型中采用了二折交叉验证法，对应的三个基模型训练后，分别都生成2组验证集结果和2组测试集结果，其中将每个分类器的验证集结果进行同列合并，测试集结果进行加权合并，然后每个分类器都有一组同列合并的验证集结果，一组加权合并的测试基结果，最后将三个分类器的三组结果数据进行同行合并，并作为第二个处理区的数据输入，经过逻辑斯蒂回归模型分析预测，得到次层Stacked模型的输出结果。
步骤E：基于网格搜索法的参数调优；
在首层Stacked模型和次层Stacked模型的学习训练中，采用一种网格搜索法进行参数的调优，并使用测试集数据不断测试，最终选取出还有最优参数的首层Stacked模型和次层Stacked模型。
步骤F：害鸟密度分布预测模型的构建
在得到两个最优的Stacked模型后，对其结构进行结合和优化处理，并将得到的所有特征数据导入该预测模型中，经预测模型预测和分析，得到对应区域的害鸟密度等级分布数据。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。
Claims (9)
1.一种基于多模型融合Stacked的害鸟密度分布预测方法，其特征在于：包括如下步骤：
步骤A：选取特征丰富区域；
步骤B：基于所选取的丰富区域作为样本进行数据采集，对所采集的数据进行模型训练前的特征处理，根据涉害鸟种的密度的不同范围进行定级处理；
步骤C：搭建并训练首层Stacked模型；
步骤D：搭建并训练次层Stacked模型；
步骤E：在首层Stacked模型和次层Stacked模型的学习训练中，基于网格搜索法进行参数调优，选取含有最优参数的首层Stacked模型和次层Stacked模型；
步骤F：结合并优化首层Stacked模型和次层Stacked模型以获得预测模型，将步骤B中特征处理后的特征数据导入所述预测模型，获取对应区域的涉害鸟种的密度等级分布数据。
2.根据权利要求1所述一种基于多模型融合Stacked的害鸟密度分布预测方法，其特征在于：
所述步骤A包括获取涉害鸟种的丰富度、分布及多样性、觅食策略和繁殖行为的数据，并以此数据分析出影响涉害鸟种密度分布的季节和生态信息，并依次选取出特征丰富的区域。
3.根据权利要求1所述一种基于多模型融合Stacked的害鸟密度分布预测方法，其特征在于：
所述步骤B包括基于神经网络对样本区域进行数据采集，采集的数据包括该区域的气候类型、地形地貌、海拔高度、农作物分布情况、水域分布情况和居民区分布情况；
对上述数据进行预处理，所述预处理包括对清洗数据和规范化数据；
将预处理后的数据划分为训练集、验证集和测试集后进行从特征处理，所述特征处理包括：
特征构建：从原始数据中构建新的特征，标记为原始特征；
特征提取：将原始特征转换为具有物理意义和统计意义的特征集；
特征选择：从特征集中选取最具有统计意义的特征子集，即与涉害鸟种密度分布的预测具有强相关性的特征子集；
根据涉害鸟种密度的不同范围对特征子集进行定级定性处理，对定性属性的数据集特征进行onehot编码。
4.根据权利要求3所述一种基于多模型融合Stacked的害鸟密度分布预测方法，其特征在于：
所述步骤C包括：搭建首层Stacked模型，在Stacked模型的基模型选取中，根据获得特征种类和大小，选取三种弱分类器，选择逻辑斯蒂回归模型作为首层Stacked模型的融合分类器；
将训练集的数据导入搭建好的首层Stacked模型。
5.根据权利要求4所述一种基于多模型融合Stacked的害鸟密度分布预测方法，其特征在于：
选定效果最好的Stacked模型结构，将其内部结构设定为两个处理区，在第一个处理区中，选择三个基模型，包括岭回归模型、核函数为线性函数的SVR模型和核函数为RBF的SVR模型；
在第二个处理区中选择逻辑斯蒂回归模型作为融合分类器；
将第一个处理区的输出数据作为输入，并输出预测结果；
将三个弱分类器的数据进行同行合并，作为第二个处理区的数据输入，经过逻辑斯蒂回归模型的分析预测，获得首层Stacked模型的输出结果。
6.根据权利要求5所述一种基于多模型融合的Stacked的害鸟密度分布预测方法，其特征在于：
在所述首层Stacked模型中：
基于三折交叉验证法训练三个基模型，生成三组验证集结果和三组测试集结果，将每个弱分类器的验证集结果进行同列合并，测试集结果进行加权合并，以使每个弱分类器均有一组同列合并的验证集结果和一组加权合并的测试集结果。
7.根据权利要求5所述一种基于多模型融合Stacked的害鸟密度分布预测方法，其特征在于：
所述步骤D包括如下具体实现步骤：
根据首层Stacked模型的训练数据，进行分析和数据处理，搭建次层Stacked模型，根据首层Stacked模型的数据，选取三种弱分类器，选择逻辑斯蒂回归模型作为次层Stacked模型的融合分类器；
将经过分析和数据处理的首层Stacked模型的训练数据导入搭建好的次层Stacked模型。
8.根据权利要求7所述一种基于多模型融合Stacked的害鸟密度分布预测方法，其特征在于：
选定效果最好的Stacked模型，将其内部结构设定为两个处理区，在第一个处理区中，选择三个基模型，包括岭回归模型、Lasso回归模型和CART决策树模型；
在第二个处理区中选择逻辑斯蒂回归模型作为融合分类器；
将第一个处理区的输出数据作为输入，并输出预测结果；
将三个弱分类器的数据进行同行合并，作为第二个处理区的数据输入，经过逻辑斯蒂回归模型的分析预测，获得次层Stacked模型的输出结果。
9.根据权利要求8所述一种基于多模型融合的Stacked的害鸟密度分布预测方法，其特征在于：
在次层Stacked模型中：
基于二折交叉验证法使用首层Stacked模型的输出结果训练三个基模型，生成两组验证集结果和两组测试集结果，将每个弱分类器的验证集结果进行同列合并，测试集结果进行加权合并，以使每个弱分类器均有一组同列合并的验证集结果和一组加权合并的测试集结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110679220.1A CN113392826A (zh) | 2021-06-18 | 2021-06-18 | 一种基于多模型融合Stacked的害鸟密度分布预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110679220.1A CN113392826A (zh) | 2021-06-18 | 2021-06-18 | 一种基于多模型融合Stacked的害鸟密度分布预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113392826A true CN113392826A (zh) | 2021-09-14 |
Family
ID=77622955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110679220.1A Pending CN113392826A (zh) | 2021-06-18 | 2021-06-18 | 一种基于多模型融合Stacked的害鸟密度分布预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113392826A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114429309A (zh) * | 2022-02-08 | 2022-05-03 | 闫雪 | 基于人工智能的区域数据检测平台 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090157572A1 (en) * | 2007-12-12 | 2009-06-18 | Xerox Corporation | Stacked generalization learning for document annotation |
| CN110598726A (zh) * | 2019-07-16 | 2019-12-20 | 广东工业大学 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
| CN110685857A (zh) * | 2019-10-16 | 2020-01-14 | 湘潭大学 | 一种基于集成学习的山地风电机组行为预测模型 |
| CN111860945A (zh) * | 2020-06-10 | 2020-10-30 | 广东电网有限责任公司 | 一种基于多源数据的输电线路鸟类分布预测方法 |
-
2021
- 2021-06-18 CN CN202110679220.1A patent/CN113392826A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090157572A1 (en) * | 2007-12-12 | 2009-06-18 | Xerox Corporation | Stacked generalization learning for document annotation |
| CN110598726A (zh) * | 2019-07-16 | 2019-12-20 | 广东工业大学 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
| CN110685857A (zh) * | 2019-10-16 | 2020-01-14 | 湘潭大学 | 一种基于集成学习的山地风电机组行为预测模型 |
| CN111860945A (zh) * | 2020-06-10 | 2020-10-30 | 广东电网有限责任公司 | 一种基于多源数据的输电线路鸟类分布预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| CHRISTINA_笔记: "Stacking方法详解", 《HTTPS://WWW.CNBLOGS.COM/CHRISTINA-NOTEBOOK/P/10063146.HTML》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114429309A (zh) * | 2022-02-08 | 2022-05-03 | 闫雪 | 基于人工智能的区域数据检测平台 |
| CN114429309B (zh) * | 2022-02-08 | 2022-11-08 | 深圳市润信数据技术有限公司 | 基于人工智能的区域数据检测平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111929748B (zh) | 一种气象要素预报方法和系统 | |
| CN110245709A (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
| CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN104346425A (zh) | 一种层次化的互联网舆情指标体系的方法及系统 | |
| CN110084094A (zh) | 一种基于深度学习的无人机目标识别分类方法 | |
| CN114626512A (zh) | 一种基于有向图神经网络的高温灾害预报方法 | |
| CN116229380B (zh) | 一种变电站涉鸟故障相关鸟种识别方法 | |
| CN113222316A (zh) | 一种基于flus模型和生物多样性模型的变化情景模拟方法 | |
| CN111967712A (zh) | 一种基于复杂网络理论的交通风险预测方法 | |
| CN113392826A (zh) | 一种基于多模型融合Stacked的害鸟密度分布预测方法 | |
| CN114414491B (zh) | 一种草原生态动态监测与分析系统 | |
| CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
| CN108334957A (zh) | 电网一次设备运维检修成本预测方法及系统 | |
| CN112509285B (zh) | 基于卷积神经网络cnn的全球台风报文收集方法及收集系统 | |
| CN112686160B (zh) | 一种基于双光谱视频图像预测林火蔓延方法及系统 | |
| CN109829583A (zh) | 基于概率编程技术的山火风险预测方法 | |
| Willson et al. | Three-dimensional light structure of an upland Quercus stand post-tornado disturbance | |
| CN115618610B (zh) | 一种基于信息变权重的地下工程岩爆烈度评价方法 | |
| CN116611580A (zh) | 一种基于多源数据与深度学习的海洋赤潮预测方法 | |
| CN109993071A (zh) | 基于遥感影像的变色林木自动识别及调查的方法和系统 | |
| Mazare et al. | Pests detection system for agricultural crops using intelligent image analysis | |
| CN115641002A (zh) | 一种小动物威胁等级分布预测方法 | |
| Krishna et al. | Prediction of Droughts using SPEI | |
| Ghehsareh Ardestani et al. | Modeling the Risk Possibility of Trees Falling with Artificial Neural Network and Logistic Regression Application in Urban Green Space | |
| CN116863328A (zh) | 基于ResNet网络的立体遥测数据3D大气污染融合和分析方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210914 |