CN113780891A - 一种海岸带受损生态系统评估方法 - Google Patents
一种海岸带受损生态系统评估方法 Download PDFInfo
- Publication number
- CN113780891A CN113780891A CN202111152922.0A CN202111152922A CN113780891A CN 113780891 A CN113780891 A CN 113780891A CN 202111152922 A CN202111152922 A CN 202111152922A CN 113780891 A CN113780891 A CN 113780891A
- Authority
- CN
- China
- Prior art keywords
- hidden layer
- data
- nodes
- ecological
- coastal zone
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000007477 logistic regression Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 15
- 239000002028 Biomass Substances 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229930002868 chlorophyll a Natural products 0.000 claims description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 3
- 239000013535 sea water Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 241000251468 Actinopterygii Species 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种海岸带受损生态系统评估方法，包括以下步骤：A、采集海岸带观测点生态数据，部分数据经过实验分析得出单一生态因子数据结果，根据logistic回归模型得到海岸带观测点的生态评估结果数据集；B、建立神经网络预测模型，并进行训练；C、将步骤A中得到的核心生态评估指标数据集输入步骤B训练好的神经网络预测模型，得到整个海岸带受损生态系统评估结果。本发明能够改进现有技术的不足，降低了数据采集和处理的工作量。
Description
技术领域
本发明涉及海岸带生态系统评估技术领域，尤其是一种海岸带受损生态系统评估方法。
背景技术
海岸带是指现在海陆之间相互作用的地带，是陆地和海洋的分界线。由于海岸带处于特殊的地理位置上，加之人类生产活动非常频繁，所以海岸带生态系统非常容易受到污染和破坏。现有技术中，中国发明专利申请CN 106611256 A公开了一种海岸带生态安全评价模型的构建方法，这种方法，将海岸带的陆域部分和海域部分整合成一个整体，能够准确科学地对海岸带生态安全现状作出评估。但是，这种方法在进行评估时需要大量的数据作为基础，才能实现对整个海岸带的全面覆盖，数据采集和处理的工作量较大。
发明内容
本发明要解决的技术问题是提供一种海岸带受损生态系统评估方法，能够解决现有技术的不足，降低了数据采集和处理的工作量。
为解决上述技术问题，本发明所采取的技术方案如下。
一种海岸带受损生态系统评估方法，包括以下步骤：
A、采集海岸带观测点生态数据，部分数据经过实验分析得出单一生态因子数据结果，根据logistic回归模型得到海岸带观测点的生态评估结果数据集；
B、建立神经网络预测模型，并进行训练；
C、将步骤A中得到的核心生态评估指标数据集输入步骤B训练好的神经网络预测模型，得到整个海岸带受损生态系统评估结果。。
作为优选，步骤A中，采集的生态数据包括叶绿素a含量、化学需氧量、生物需氧量、海水半交换周期、浮游生物量、鱼卵与仔鱼密度、潮间带生物量、底栖生物量。
作为优选，步骤B中，神经网络预测模型包括输入层、隐藏层和输出层；隐藏层的节点分为两类，一类为休眠节点，另一类为激活节点；休眠节点的触发阈值高于激活节点的触发阈值。
作为优选，步骤B中，对神经网络预测模型进行训练包括以下步骤，B1、将隐藏层节点全部转化为激活节点；
B2、向输入层输入稳态训练数据，同时逐一将激活节点转化为休眠节点，在此过程中监测输出数据的波动性，直至全部隐藏层节点均转化为休眠节点，标记输出数据波动性最小值对应的隐藏层节点状态；
B3、向输入层输入稳态训练数据，同时逐一将休眠节点转化为激活节点，在此过程中监测输出数据的波动性，直至全部隐藏层节点均转化为激活节点，标记输出数据波动性最小值对应的隐藏层节点状态；
B4、将两次训练得到的隐藏层节点状态作为隐藏层运算优化区间的两个端点。
作为优选，步骤C中，将步骤A中得到的生态评估结果数据集输入步骤B训练好的神经网络预测模型后，首先在隐藏层运算优化区间范围内随机选择一个隐藏层节点状态进行运算；当输出结果波动幅度超出设定阈值时，对隐藏层节点状态在隐藏层运算优化区间范围内进行优先调整，若无法使输出结果波动幅度降低至设定阈值以内，则将调整范围扩大到隐藏层运算优化区间范围以外，然后根据最终的调整结果对隐藏层运算优化区间进行实时修正。
采用上述技术方案所带来的有益效果在于：本发明通过建立专门设计的神经网络预测模型，利用少量的点状数据采集，通过神经网络预测模型的运算，模拟出整个海岸带的生态系统状态，降低了数据采集和运算的工作量。神经网络预测模型的隐藏层节点分为休眠和激活两个状态，并可以实时转化，从而在保证预测准确性的同时实现降低隐藏层节点实际运算量的目的。与此同时，隐藏层通过自适应的节点状态调整，保持隐藏层的最佳运算状态。
附图说明
图1是本发明一个具体实施方式的流程图。
具体实施方式
参照图1，本发明一个具体实施方式包括以下步骤：
A、采集海岸带观测点生态数据，部分数据经过实验分析得出单一生态因子数据结果，根据logistic回归模型得到海岸带观测点的生态评估结果数据集；
B、建立神经网络预测模型，并进行训练；
C、将步骤A中得到的核心生态评估指标数据集输入步骤B训练好的神经网络预测模型，得到整个海岸带受损生态系统评估结果。
步骤A中，采集的生态数据包括叶绿素a含量、化学需氧量、生物需氧量、海水半交换周期、浮游生物量、鱼卵与仔鱼密度、潮间带生物量、底栖生物量。
步骤B中，神经网络预测模型包括输入层、隐藏层和输出层；隐藏层的节点分为两类，一类为休眠节点，另一类为激活节点；休眠节点的触发阈值高于激活节点的触发阈值。
步骤B中，对神经网络预测模型进行训练包括以下步骤，
B1、将隐藏层节点全部转化为激活节点；
B2、向输入层输入稳态训练数据，同时逐一将激活节点转化为休眠节点，在此过程中监测输出数据的波动性，直至全部隐藏层节点均转化为休眠节点，标记输出数据波动性最小值对应的隐藏层节点状态；
B3、向输入层输入稳态训练数据，同时逐一将休眠节点转化为激活节点，在此过程中监测输出数据的波动性，直至全部隐藏层节点均转化为激活节点，标记输出数据波动性最小值对应的隐藏层节点状态；
B4、将两次训练得到的隐藏层节点状态作为隐藏层运算优化区间的两个端点。
步骤C中，将步骤A中得到的生态评估结果数据集输入步骤B训练好的神经网络预测模型后，首先在隐藏层运算优化区间范围内随机选择一个隐藏层节点状态进行运算；当输出结果波动幅度超出设定阈值时，对隐藏层节点状态在隐藏层运算优化区间范围内进行优先调整，若无法使输出结果波动幅度降低至设定阈值以内，则将调整范围扩大到隐藏层运算优化区间范围以外，然后根据最终的调整结果对隐藏层运算优化区间进行实时修正。
本发明可以使用有限的点状数据集，实现对整个海岸带生态系统状态的精准模拟和评估，降低了数据采集运算量。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种海岸带受损生态系统评估方法，其特征在于包括以下步骤：
A、采集海岸带观测点生态数据，部分数据经过实验分析得出单一生态因子数据结果，根据logistic回归模型得到海岸带观测点的生态评估结果数据集；
B、建立神经网络预测模型，并进行训练；
C、将步骤A中得到的核心生态评估指标数据集输入步骤B训练好的神经网络预测模型，得到整个海岸带受损生态系统评估结果。
2.根据权利要求1所述的海岸带受损生态系统评估方法，其特征在于：步骤A中，采集的生态数据包括叶绿素a含量、化学需氧量、生物需氧量、海水半交换周期、浮游生物量、鱼卵与仔鱼密度、潮间带生物量、底栖生物量。
3.根据权利要求1所述的海岸带受损生态系统评估方法，其特征在于：步骤B中，神经网络预测模型包括输入层、隐藏层和输出层；隐藏层的节点分为两类，一类为休眠节点，另一类为激活节点；休眠节点的触发阈值高于激活节点的触发阈值。
4.根据权利要求3所述的海岸带受损生态系统评估方法，其特征在于：步骤B中，对神经网络预测模型进行训练包括以下步骤，
B1、将隐藏层节点全部转化为激活节点；
B2、向输入层输入稳态训练数据，同时逐一将激活节点转化为休眠节点，在此过程中监测输出数据的波动性，直至全部隐藏层节点均转化为休眠节点，标记输出数据波动性最小值对应的隐藏层节点状态；
B3、向输入层输入稳态训练数据，同时逐一将休眠节点转化为激活节点，在此过程中监测输出数据的波动性，直至全部隐藏层节点均转化为激活节点，标记输出数据波动性最小值对应的隐藏层节点状态；
B4、将两次训练得到的隐藏层节点状态作为隐藏层运算优化区间的两个端点。
5.根据权利要求4所述的海岸带受损生态系统评估方法，其特征在于：步骤C中，将步骤A中得到的生态评估结果数据集输入步骤B训练好的神经网络预测模型后，首先在隐藏层运算优化区间范围内随机选择一个隐藏层节点状态进行运算；当输出结果波动幅度超出设定阈值时，对隐藏层节点状态在隐藏层运算优化区间范围内进行优先调整，若无法使输出结果波动幅度降低至设定阈值以内，则将调整范围扩大到隐藏层运算优化区间范围以外，然后根据最终的调整结果对隐藏层运算优化区间进行实时修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111152922.0A CN113780891B (zh) | 2021-09-29 | 2021-09-29 | 一种海岸带受损生态系统评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111152922.0A CN113780891B (zh) | 2021-09-29 | 2021-09-29 | 一种海岸带受损生态系统评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113780891A true CN113780891A (zh) | 2021-12-10 |
| CN113780891B CN113780891B (zh) | 2022-11-04 |
Family
ID=78854419
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111152922.0A Active CN113780891B (zh) | 2021-09-29 | 2021-09-29 | 一种海岸带受损生态系统评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113780891B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243503A (zh) * | 2015-10-19 | 2016-01-13 | 上海海洋大学 | 基于空间变量和logistic回归的海岸带生态安全评估方法 |
| CN106611256A (zh) * | 2015-10-25 | 2017-05-03 | 中国海洋大学 | 一种海岸带生态安全评价模型的构建方法 |
| CN107679703A (zh) * | 2017-09-08 | 2018-02-09 | 天津大学 | 一种海岸带生态安全评价方法 |
| CN108898223A (zh) * | 2018-07-11 | 2018-11-27 | 国家海洋技术中心 | 一种海洋定点观测设备运行状态异常检测方法及装置 |
| CN111458471A (zh) * | 2019-12-19 | 2020-07-28 | 中国科学院合肥物质科学研究院 | 一种基于图神经网络的水域检测预警方法 |
| CN111932136A (zh) * | 2020-08-13 | 2020-11-13 | 榆林学院 | 一种河流水生态环境监测系统 |
| CN112084716A (zh) * | 2020-09-15 | 2020-12-15 | 河北省科学院地理科学研究所 | 一种基于富营养化综合评价的赤潮预测预警方法 |
| CN112598050A (zh) * | 2020-12-18 | 2021-04-02 | 四川省成都生态环境监测中心站 | 生态环境数据质量控制方法 |
| CN112801344A (zh) * | 2021-01-07 | 2021-05-14 | 湛江市环境科学技术研究所 | 基于dpsir模型的海岸带生态系统健康预测方法、电子设备及计算机可读介质 |
| CN112906956A (zh) * | 2021-02-05 | 2021-06-04 | 希盟泰克(重庆)实业发展有限公司 | 一种联合bim与cim的城市能耗预测方法 |
-
2021
- 2021-09-29 CN CN202111152922.0A patent/CN113780891B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243503A (zh) * | 2015-10-19 | 2016-01-13 | 上海海洋大学 | 基于空间变量和logistic回归的海岸带生态安全评估方法 |
| CN106611256A (zh) * | 2015-10-25 | 2017-05-03 | 中国海洋大学 | 一种海岸带生态安全评价模型的构建方法 |
| CN107679703A (zh) * | 2017-09-08 | 2018-02-09 | 天津大学 | 一种海岸带生态安全评价方法 |
| CN108898223A (zh) * | 2018-07-11 | 2018-11-27 | 国家海洋技术中心 | 一种海洋定点观测设备运行状态异常检测方法及装置 |
| CN111458471A (zh) * | 2019-12-19 | 2020-07-28 | 中国科学院合肥物质科学研究院 | 一种基于图神经网络的水域检测预警方法 |
| CN111932136A (zh) * | 2020-08-13 | 2020-11-13 | 榆林学院 | 一种河流水生态环境监测系统 |
| CN112084716A (zh) * | 2020-09-15 | 2020-12-15 | 河北省科学院地理科学研究所 | 一种基于富营养化综合评价的赤潮预测预警方法 |
| CN112598050A (zh) * | 2020-12-18 | 2021-04-02 | 四川省成都生态环境监测中心站 | 生态环境数据质量控制方法 |
| CN112801344A (zh) * | 2021-01-07 | 2021-05-14 | 湛江市环境科学技术研究所 | 基于dpsir模型的海岸带生态系统健康预测方法、电子设备及计算机可读介质 |
| CN112906956A (zh) * | 2021-02-05 | 2021-06-04 | 希盟泰克(重庆)实业发展有限公司 | 一种联合bim与cim的城市能耗预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113780891B (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chang et al. | Modeling water quality in an urban river using hydrological factors–Data driven approaches | |
| Prapti et al. | Internet of Things (IoT)‐based aquaculture: An overview of IoT application on water quality monitoring | |
| CN109962982A (zh) | 一种基于物联网的河湖水生态环境监控系统 | |
| Elliott et al. | The management of nutrients and potential eutrophication in estuaries and other restricted water bodies | |
| Meineri et al. | Combining correlative and mechanistic habitat suitability models to improve ecological compensation | |
| Mehner et al. | Lake depth and geographical position modify lake fish assemblages of the European ‘Central Plains’ ecoregion | |
| Liu et al. | Prediction of dissolved oxygen content in aquaculture of Hyriopsis cumingii using Elman neural network | |
| Mourier et al. | Network analysis and theory in shark ecology—methods and applications | |
| CN112084716B (zh) | 一种基于富营养化综合评价的赤潮预测预警方法 | |
| CN111105079A (zh) | 一种物联网水体溶解氧预测方法及水质监测系统 | |
| Walker et al. | Testing the standard neutral model of biodiversity in lake communities | |
| Yu et al. | Measuring landscape connectivity in a urban area for biological conservation | |
| CN113780891B (zh) | 一种海岸带受损生态系统评估方法 | |
| CN114881544A (zh) | 一种水库流量调控方法、装置、电子设备及存储介质 | |
| Anani et al. | IoT-based monitoring system for freshwater fish farming: Analysis and design | |
| Gao et al. | A system dynamics model for managing regional N inputs from human activities | |
| McLaren et al. | Drawdown, habitat, and kokanee populations in a western US Reservoir | |
| CN107576771B (zh) | 一种基于最小二乘法的水库纳污能力预警方法 | |
| CN116011896A (zh) | 一种用于生态区域的监测与防控方法及系统 | |
| CN110751323B (zh) | 一种基于动态建模的渔场渔情预测方法 | |
| Amaliah et al. | Water quality level for shrimp pond at probolinggo area based on fuzzy classification system | |
| Stow et al. | Nitrogen TMDL development in the Neuse River Watershed: an imperative for adaptive management | |
| Zhang et al. | Forecasting DO of the river-type reservoirs using input variable selection and machine learning techniques-taking Shuikou reservoir in the Minjiang River as an example | |
| Prapti et al. | An overview of water quality monitoring in IoT based aquaculture. | |
| CN116699078B (zh) | 畜禽舍碳排放监测方法、监测系统、电子设备和存储介质 |
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 |