CN115062859A - 一种对长爪沙鼠的密度进行预测的方法和装置 - Google Patents
一种对长爪沙鼠的密度进行预测的方法和装置 Download PDFInfo
- Publication number
- CN115062859A CN115062859A CN202210779841.1A CN202210779841A CN115062859A CN 115062859 A CN115062859 A CN 115062859A CN 202210779841 A CN202210779841 A CN 202210779841A CN 115062859 A CN115062859 A CN 115062859A
- Authority
- CN
- China
- Prior art keywords
- spatial
- density
- analysis
- soil
- gerbil
- 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
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
- G06Q10/04—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
- 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Epidemiology (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供了一种对长爪沙鼠的密度进行预测的方法和装置,其中方法包括:获取参考长爪沙鼠疫源地的地图数据和鼠密度数据;其中,鼠密度数据是在相同季节和相同气候条件下获得的;基于地图数据和鼠密度数据,对参考长爪沙鼠疫源地的鼠密度分别进行空间趋势分析和空间自相关分析;基于空间趋势分析和空间自相关分析的分析结果,确定影响参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素;以参考长爪沙鼠疫源地的鼠密度数据和目标环境因素作为训练样本输入到预设的预测模型中,得到训练好的预测模型;其中,预测模型为GWR模型或MGWR模型;利用训练好的预测模型对待测长爪沙鼠疫源地的鼠密度进行预测。本方案能够准确预测长爪沙鼠疫源地的鼠密度。
Description
技术领域
本说明书实施例涉及数据预测技术领域,特别涉及一种对长爪沙鼠的密度进行预测的方法和装置。
背景技术
鼠疫是一种自然疫源性疾病,原发于啮齿动物之间,可以引起人间流行。截至目前,我国共确认12种类型的鼠疫自然疫源地,长爪沙鼠疫源地是我国近年动物鼠疫流行较为严重的疫源地之一,其疫源地以乌兰察布高原片区和鄂尔多斯高原片区为核心地带。
因此,目前亟待需要提供一种长爪沙鼠的密度的预测方案来对长爪沙鼠疫源地的鼠密度进行准确预测。
发明内容
本说明书实施例提供了一种对长爪沙鼠的密度进行预测的方法和装置,能够准确预测长爪沙鼠疫源地的鼠密度。
第一方面,本说明书实施例提供了一种对长爪沙鼠的密度进行预测的方法,包括:
获取参考长爪沙鼠疫源地的地图数据和鼠密度数据;其中,所述鼠密度数据是在相同季节和相同气候条件下获得的;
基于所述地图数据和所述鼠密度数据,对所述参考长爪沙鼠疫源地的鼠密度分别进行空间趋势分析和空间自相关分析;
基于所述空间趋势分析和所述空间自相关分析的分析结果,确定影响所述参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素;
以所述参考长爪沙鼠疫源地的鼠密度数据和目标环境因素作为训练样本输入到预设的预测模型中,得到训练好的预测模型;其中,所述预测模型为GWR模型或MGWR模型;
利用训练好的预测模型对待测长爪沙鼠疫源地的鼠密度进行预测。
第二方面,本说明书实施例还提供了一种对长爪沙鼠的密度进行预测的装置,包括:
获取模块,用于获取参考长爪沙鼠疫源地的地图数据和鼠密度数据;其中,所述鼠密度数据是在相同季节和相同气候条件下获得的;
分析模块,用于基于所述地图数据和所述鼠密度数据,对所述参考长爪沙鼠疫源地的鼠密度分别进行空间趋势分析和空间自相关分析;
确定模块,用于基于所述空间趋势分析和所述空间自相关分析的分析结果,确定影响所述参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素;
训练模块,用于以所述参考长爪沙鼠疫源地的鼠密度数据和目标环境因素作为训练样本输入到预设的预测模型中,得到训练好的预测模型;其中,所述预测模型为GWR模型或MGWR模型;
预测模块,用于利用训练好的预测模型对待测长爪沙鼠疫源地的鼠密度进行预测。
本说明书实施例提供了一种对长爪沙鼠的密度进行预测的方法和装置,通过对参考长爪沙鼠疫源地的地图数据和鼠密度数据分别进行空间趋势分析和空间自相关分析,可以得到影响参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素,然后以参考长爪沙鼠疫源地的鼠密度数据和目标环境因素作为训练样本输入到预设的预测模型中,得到训练好的预测模型,最后利用训练好的预测模型对待测长爪沙鼠疫源地的鼠密度进行预测。因此,上述技术方案能够准确预测长爪沙鼠疫源地的鼠密度。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本说明书的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书一实施例提供的一种对长爪沙鼠的密度进行预测的方法流程图;
图2是本说明书一实施例提供的一种计算设备的硬件架构图;
图3是本说明书一实施例提供的一种对长爪沙鼠的密度进行预测的装置结构图;
图4是本说明书一实施例提供的2018~2021年研究区域长爪沙鼠密度的空间趋势分析的示意图;
图5是本说明书一实施例提供的研究区域内长爪沙鼠密度Moran's I指数分布的示意图;
图6是本说明书一实施例提供的苏尼特右旗鼠密度估计结果的示意图。
具体实施方式
为使本说明书实施例的目的、技术方案和优点更加清楚,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本说明书一部分实施例,而不是全部的实施例,基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本说明书保护的范围。
请参考图1,本说明书实施例提供了一种对长爪沙鼠的密度进行预测的方法,该方法包括:
步骤101、获取参考长爪沙鼠疫源地的地图数据和鼠密度数据;其中,鼠密度数据是在相同季节和相同气候条件下获得的;
步骤102、基于地图数据和鼠密度数据,对参考长爪沙鼠疫源地的鼠密度分别进行空间趋势分析和空间自相关分析;
步骤103、基于空间趋势分析和空间自相关分析的分析结果,确定影响参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素;
步骤104、以参考长爪沙鼠疫源地的鼠密度数据和目标环境因素作为训练样本输入到预设的预测模型中,得到训练好的预测模型;其中,预测模型为GWR模型或MGWR模型;
步骤105、利用训练好的预测模型对待测长爪沙鼠疫源地的鼠密度进行预测。
本说明书实施例中,通过对参考长爪沙鼠疫源地的地图数据和鼠密度数据分别进行空间趋势分析和空间自相关分析,可以得到影响参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素,然后以参考长爪沙鼠疫源地的鼠密度数据和目标环境因素作为训练样本输入到预设的预测模型中,得到训练好的预测模型,最后利用训练好的预测模型对待测长爪沙鼠疫源地的鼠密度进行预测。因此,上述技术方案能够准确预测长爪沙鼠疫源地的鼠密度。
下面描述图1所示的各个步骤的执行方式。
针对步骤101:
我国境内长爪沙鼠疫源地位于北纬37°34'~45°00',东经106°30'~114°50',大部分位于荒漠草原地带,少部分伸向干草原地带。鄂尔多斯高原片区和乌兰察布高原片区之间有阴山山脉和黄河阻隔,互相独立,本说明书实施例选取的乌兰察布高原片区位于阴山山脉以北,国境线以南,东起苏尼特左旗、正镶白旗一线,西至乌拉特中旗、乌拉特前旗一线,共计16个疫源旗县,地势南高北低,呈层状逐级下降,由南部海拔1800米左右下降到北部中蒙边界一带的800米左右。
长爪沙鼠疫源地大致分为乌兰察布高原片区和鄂尔多斯高原片区两个核心地带,本说明书实施例以距离北京较近的乌兰察布高原片区为研究对象,即参考长爪沙鼠疫源地为乌兰察布高原片区。长爪沙鼠是长爪沙鼠疫源地鼠疫菌保存和流行过程中起主要作用的宿主,鼠密度的高低很可能是影响鼠疫发生和流行的主要影响因素。因此,有必要针对鼠密度进行预测分析。
在本说明书一个实施例中,鼠密度数据是通过如下方式获得的:
针对参考长爪沙鼠疫源地,统计单公顷样方在24小时内的捕鼠数,得到鼠密度。
也就是说,对2018~2021年研究区域内16个疫源旗县,长爪沙鼠的年平均密度进行描述性分析,直观展示研究时间内各旗县的平均鼠密度情况,其计算公式为:
D=M/S
式中:D表示长爪沙鼠密度,单位为只/公顷;M表示捕获的长爪沙鼠数,单位为只;S表示调查样方面积,单位为公顷。
在本实施例中,通过样方(长爪沙鼠捕获地)精确的经纬度获取精确的地理环境数据进行分析,相比利用各旗县平均鼠密度分析,其结果准确性更高,代表性更好。
此外,鼠密度数据是在相同季节和相同气候条件下获得的,如此有利于保证数据预测的准确性。
需要说明的是,地图数据可以是由中国科学院资源和环境科学信息中心(1:50000规模的中国县电子地图)提供。
针对步骤102:
由于长爪沙鼠的分布与环境因素关系密切,环境因素直接影响宿主动物的分布,间接影响鼠疫的发生和流行,如土壤可以保存、检出鼠疫菌及土壤分布差异是影响鼠疫疫源地分布的主要因子,植被和土壤的分布界限几乎相同。也就是说,影响鼠密度的环境因素有很多。因此,有必要确定影响参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素,而为了可以准确确定出目标环境因素,在本说明书实施例中是采用对参考长爪沙鼠疫源地的鼠密度分别进行空间趋势分析和空间自相关分析。
在本说明书一个实施例中,空间趋势分析是通过如下方式实现的:
基于地图数据和鼠密度数据,确定参考长爪沙鼠疫源地的鼠密度的三维数据点Mi(Xi,Yi,Zi);其中,Xi和Yi分别代表当前数据点的经度和纬度,Zi代表当前数据点的鼠密度;
利用地理信息系统趋势分析工具,将各三维数据点Mi分别在平面XZ和YZ上进行投影,得到散点图,以模拟鼠密度在空间上的分布趋势。
举例来说,图4为2018~2021年研究区域长爪沙鼠密度的空间趋势分析的示意图。请参阅图4,对四个年度(2018~2021年)分别进行空间趋势分析,从图4中可以得出:每个年度的鼠密度在“东西”方向上总体均呈由西到东的上升趋势(即西低东高),在“南北”方向上均呈由南向北升高趋势(即南低北高),这就说明在相同季节和相同气候条件下,长爪沙鼠的鼠密度为非连续性分布。而且空间趋势分析发现,长爪沙鼠的密度分布呈现西低东高、南低北高的趋势,这与研究区域的地貌特点相符。
在本说明一个实施例中,空间自相关性分析是采用全局Moran's I指数和局部Moran's I指数对各区域单元的鼠密度的空间关联性与差异性进行分析;
全局Moran's I指数是通过如下公式计算:
式中,n为所分析的区域单元总数;yi和yj分别为空间对象在第i和第j个区域单元的鼠密度,为y的平均值;wij为权重矩阵,wij用于表征空间对象在第i和第j个区域单元间的链接关系;I>0表示空间正自相关;I<0表示空间负自相关;I=0表示不存在空间自相关;
局部Moran's I指数是通过如下公式计算:
式中,s2为yi的离散方差;n为所分析的区域单元总数;yi和yj分别为空间对象在第i和第j个区域单元的鼠密度,为y的平均值;wij为权重矩阵,wij用于表征空间对象在第i和第j个区域单元间的链接关系;I>0表示空间正自相关;I<0表示空间负自相关;I=0表示不存在空间自相关。
需要说明的是,空间自相关分析是研究空间单元观测值是否与其相邻单元的观测值存在相关性的一种分析方法,用于度量空间单元观测值聚集程度。其中,全局Moran's I指数用于探测旗县内的各区域鼠密度对整体空间依赖程度,局部Moran's I指数用于揭示某参考区域单元与其邻近的单元鼠密度值之间的相似性或相关性。局部Moran's I指数将空间关联模式细分为四种类型,分别与Moran散点图中四个象限相对应,包括高-高、低-低、高-低、低-高关联。
举例来说,图5为研究区域内长爪沙鼠密度Moran's I指数分布的示意图。请参阅图5,以样方(长爪沙鼠密度)为单位,对长爪沙鼠疫源地长爪沙鼠密度进行全局Moran's I指数分析。全局Moran's I结果显示,Z得分大于2.85,P值均小于0.01,说明长爪沙鼠疫源地长爪沙鼠密度的空间分布为非随机分布,存在空间相关性。所有Moran's I值大于0,说明空间呈正相关关系,存在空间聚集性(可参见表1)。
表1长爪沙鼠密度全局空间自相关分析结果
因此,空间趋势分析的分析结果为非连续性分布,空间自相关分析的分析结果为存在空间聚集性。
针对步骤103:
在本说明一个实施例中,步骤103具体可以包括:
在空间趋势分析的分析结果为非连续性分布且空间自相关分析的分析结果为存在空间聚集性时,确定影响参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素为海拔、坡度、坡向和土壤类型;其中,土壤类型包括栗钙土、棕钙土、风沙土、潮土、草甸土、石质土、碱土、盐土、灰褐土、湖泊水库和粗骨土。
在本实施例中,影响鼠疫的环境因素很多,但同一旗县,在相同季节、相同气候条件下,长爪沙鼠并不呈连续分布且存在空间聚集性,因此这说明土壤类型和地貌类型(海拔、坡度、坡向)数据年度变化较小,很有可能是决定长爪沙鼠呈聚集性内在决定因素,因此可以将海拔、坡度、坡向和土壤类型确定为影响参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素。
针对步骤104:
以往对长爪沙鼠空间分布的影响因素研究主要基于传统多元线性回归(OLS)模型展开。然而OLS隐含着空间均质性假设,即认为各样本点的回归系数是相等的。若各样本点自变量与因变量之间的关系存在空间非平稳性,则以OLS模型为代表的全局预测模型无法测度不同区域自变量对因变量的差异化影响。为了考虑到数据样本点的空间特性,基于空间非稳性假设,地理加权回归(GWR,Geographically weighted regression)模型在回归全局模型基础上,根据空间坐标数据为每个解释变量建立独立回归方程,即回归系数不是利用全局信息计算所得的假定常数,而是利用邻近观测值局部计算所得、随着空间位置变化而变化的变数。GWR模型的一般形式为:
yi=β0(μi,vi)+β1(μi,vi)xi1+β2(μi,vi)xi2+…+βn(μi,vi)xin+εi
式中:(μi,vi)为样本点i的地理位置,可表示为投影坐标或地理坐标;xi1,xi2,…,xin为各种解释变量;β1(μi,vi),β2(μi,vi),…,βn(μi,vi)为xi1,xi2,…,xin的回归系数,估计方法如下:
式中:W(μi,vi)为空间权重矩阵;wij为样本点j对样本点i的空间权重。采用指数函数对其进行计算,公式为:
式中:dij为样本点j对样本点i之间的米制距离;b为带宽,本方法采用AICc准则确定带宽,并采用自适应带宽的方式,使得AICc最小的带宽b为本说明书实施例选取的最适应带宽,公式为:
式中:n为样本点数量;σ为误差估计项的标准离差;tr(S)为GWR的S矩阵迹。现实情况下,往往存在一部分自变量没有表征出空间非平稳的特征,即在各个区位的回归系数相同。拓展后的多尺度地理加权预测模型(MGWR模型)更加符合现实的数据特征,公式为:
式中:bwj代表了第j个变量回归系数使用的带宽,各回归系数βbwj都是基于局部回归得到的,且带宽具备特异性。
因此,本说明书实施例提供的预测模型选用GWR模型或MGWR模型。
在一些实施方式中,以土壤类型、海拔、坡度、坡向为自变量,长爪沙鼠的密度为因变量,进行MGWR模型建模,分析土壤类型、海拔、坡度、坡向变化对长爪沙鼠密度的影响(请参见表2和表3)。因土壤类型为分类变量,按照统计分析方法进行虚拟变量处理(即表3)。
经过训练后,建立的全局线性预测模型为:
根据分析结果显示,海拔、坡向对鼠密度有显著影响(P<0.5),坡度对鼠密度影响不大(P>0.5)。以栗钙土为参考值,得出土壤类型中棕钙土、潮土、石质土及粗骨土对鼠密度影响显著(P<0.05),其中有石质土分布的区域,长爪沙鼠密度最高。
表2空间回归分析结果
表3土壤类型赋值表
针对步骤105:
应用本说明书实施例得到的预测模型可以对某个旗县的具体区域进行鼠密度预测,对于鼠疫开展精准防控工作的具有非常重要的意义。
举例来说,以苏尼特右旗作为待测长爪沙鼠疫源地进行鼠密度的预测。图6是本说明书一实施例提供的苏尼特右旗鼠密度估计结果的示意图。如图6所示,以苏尼特右旗为例,对该旗县范围内各区域的鼠密度进行估计,并绘制鼠密度分布图。首先在ArcGIS软件中,对苏尼特右旗绘制1*1km网格。然后提取各网格的海拔、坡度、坡向及土壤类型数据,按照上文训练得到的预测模型对每个网格的鼠密度进行计算,将各网格数据投射到地图上(即图6)。从图6中可以直观看出,总体苏尼特右旗东北部鼠密度相对较高,即乌日根塔拉镇西北部和朱日和镇东北和中部地区。苏尼特右旗总面积约22300km2,需要当地重点关注(高和较高鼠密度)的面积为2000km2。
综上,本说明书实施例利用2018~2021年乌兰察布高原片区16个疫源县(旗)主要宿主(长爪沙鼠)密度监测(样方法)资料,使用空间信息方法和手段提取样方区域精确的土壤类型、地貌类型数据,应用时空分析、趋势分析、全局空间自相关和空间回归等方法,定量探测长爪沙鼠密度与地理环境因素的关系,应用本方法可以进一步对精细尺度的空间位置进行鼠密度估计,为政府高效、精准管控鼠疫疫源地提供技术保障,节省人力和财力。
如图2、图3所示,本说明书实施例提供了一种对长爪沙鼠的密度进行预测的装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图2所示,为本说明书实施例提供的一种对长爪沙鼠的密度进行预测的装置所在计算设备的一种硬件架构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的计算设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图3所示,作为一个逻辑意义上的装置,是通过其所在计算设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种对长爪沙鼠的密度进行预测的装置,包括:
获取模块301,用于获取参考长爪沙鼠疫源地的地图数据和鼠密度数据;其中,鼠密度数据是在相同季节和相同气候条件下获得的;
分析模块302,用于基于地图数据和鼠密度数据,对参考长爪沙鼠疫源地的鼠密度分别进行空间趋势分析和空间自相关分析;
确定模块303,用于基于空间趋势分析和空间自相关分析的分析结果,确定影响参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素;
训练模块304,用于以参考长爪沙鼠疫源地的鼠密度数据和目标环境因素作为训练样本输入到预设的预测模型中,得到训练好的预测模型;其中,预测模型为GWR模型或MGWR模型;
预测模块305,用于利用训练好的预测模型对待测长爪沙鼠疫源地的鼠密度进行预测。
在本说明书一个实施例中,鼠密度数据是通过如下方式获得的:
针对参考长爪沙鼠疫源地,统计单公顷样方在24小时内的捕鼠数,得到鼠密度。
在本说明书一个实施例中,分析模块302,用于执行如下操作:
基于地图数据和鼠密度数据,确定参考长爪沙鼠疫源地的鼠密度的三维数据点Mi(Xi,Yi,Zi);其中,Xi和Yi分别代表当前数据点的经度和纬度,Zi代表当前数据点的鼠密度;
利用地理信息系统趋势分析工具,将各三维数据点Mi分别在平面XZ和YZ上进行投影,得到散点图,以模拟鼠密度在空间上的分布趋势。
在本说明书一个实施例中,空间自相关性分析是采用全局Moran's I指数和局部Moran's I指数对各区域单元的鼠密度的空间关联性与差异性进行分析;
全局Moran's I指数是通过如下公式计算:
式中,n为所分析的区域单元总数;yi和yj分别为空间对象在第i和第j个区域单元的鼠密度,为y的平均值;wij为权重矩阵,wij用于表征空间对象在第i和第j个区域单元间的链接关系;I>0表示空间正自相关;I<0表示空间负自相关;I=0表示不存在空间自相关;
局部Moran's I指数是通过如下公式计算:
式中,s2为yi的离散方差;n为所分析的区域单元总数;yi和yj分别为空间对象在第i和第j个区域单元的鼠密度,为y的平均值;wij为权重矩阵,wij用于表征空间对象在第i和第j个区域单元间的链接关系;I>0表示空间正自相关;I<0表示空间负自相关;I=0表示不存在空间自相关。
在本说明书一个实施例中,确定模块303,用于执行如下操作:
在空间趋势分析的分析结果为非连续性分布且空间自相关分析的分析结果为存在空间聚集性时,确定影响参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素为海拔、坡度、坡向和土壤类型;其中,土壤类型包括栗钙土、棕钙土、风沙土、潮土、草甸土、石质土、碱土、盐土、灰褐土、湖泊水库和粗骨土。
可以理解的是,本说明书实施例示意的结构并不构成对一种对长爪沙鼠的密度进行预测的装置的具体限定。在本说明书的另一些实施例中,一种对长爪沙鼠的密度进行预测的装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本说明书方法实施例基于同一构思,具体内容可参见本说明书方法实施例中的叙述,此处不再赘述。
本说明书实施例还提供了一种计算设备,包括存储器和处理器,存储器中存储有计算机程序,处理器执行计算机程序时,实现本说明书任一实施例中的一种对长爪沙鼠的密度进行预测的方法。
本说明书实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序在被处理器执行时,使处理器执行本说明书任一实施例中的一种对长爪沙鼠的密度进行预测的方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本说明书的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本说明书实施例中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是:以上实施例仅用以说明本说明书的技术方案,而非对其限制;尽管参照前述实施例对本说明书进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本说明书各实施例技术方案的精神和范围。
Claims (10)
1.一种对长爪沙鼠的密度进行预测的方法,其特征在于,包括:
获取参考长爪沙鼠疫源地的地图数据和鼠密度数据;其中,所述鼠密度数据是在相同季节和相同气候条件下获得的;
基于所述地图数据和所述鼠密度数据,对所述参考长爪沙鼠疫源地的鼠密度分别进行空间趋势分析和空间自相关分析;
基于所述空间趋势分析和所述空间自相关分析的分析结果,确定影响所述参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素;
以所述参考长爪沙鼠疫源地的鼠密度数据和目标环境因素作为训练样本输入到预设的预测模型中,得到训练好的预测模型;其中,所述预测模型为GWR模型或MGWR模型;
利用训练好的预测模型对待测长爪沙鼠疫源地的鼠密度进行预测。
2.根据权利要求1所述的方法,其特征在于,所述鼠密度数据是通过如下方式获得的:
针对所述参考长爪沙鼠疫源地,统计单公顷样方在24小时内的捕鼠数,得到鼠密度。
3.根据权利要求1所述的方法,其特征在于,所述基于所述地图数据和所述鼠密度数据,对所述参考长爪沙鼠疫源地的鼠密度进行空间趋势分析,包括:
基于所述地图数据和所述鼠密度数据,确定所述参考长爪沙鼠疫源地的鼠密度的三维数据点Mi(Xi,Yi,Zi);其中,Xi和Yi分别代表当前数据点的经度和纬度,Zi代表当前数据点的鼠密度;
利用地理信息系统趋势分析工具,将各三维数据点Mi分别在平面XZ和YZ上进行投影,得到散点图,以模拟鼠密度在空间上的分布趋势。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述空间自相关性分析是采用全局Moran's I指数和局部Moran's I指数对各区域单元的鼠密度的空间关联性与差异性进行分析;
所述全局Moran's I指数是通过如下公式计算:
式中,n为所分析的区域单元总数;yi和yj分别为空间对象在第i和第j个区域单元的鼠密度,为y的平均值;wij为权重矩阵,wij用于表征空间对象在第i和第j个区域单元间的链接关系;I>0表示空间正自相关;I<0表示空间负自相关;I=0表示不存在空间自相关;
所述局部Moran's I指数是通过如下公式计算:
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述基于所述空间趋势分析和所述空间自相关分析的分析结果,确定影响所述参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素,包括:
在所述空间趋势分析的分析结果为非连续性分布且所述空间自相关分析的分析结果为存在空间聚集性时,确定影响所述参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素为海拔、坡度、坡向和土壤类型;其中,所述土壤类型包括栗钙土、棕钙土、风沙土、潮土、草甸土、石质土、碱土、盐土、灰褐土、湖泊水库和粗骨土。
6.一种对长爪沙鼠的密度进行预测的装置,其特征在于,包括:
获取模块,用于获取参考长爪沙鼠疫源地的地图数据和鼠密度数据;其中,所述鼠密度数据是在相同季节和相同气候条件下获得的;
分析模块,用于基于所述地图数据和所述鼠密度数据,对所述参考长爪沙鼠疫源地的鼠密度分别进行空间趋势分析和空间自相关分析;
确定模块,用于基于所述空间趋势分析和所述空间自相关分析的分析结果,确定影响所述参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素;
训练模块,用于以所述参考长爪沙鼠疫源地的鼠密度数据和目标环境因素作为训练样本输入到预设的预测模型中,得到训练好的预测模型;其中,所述预测模型为GWR模型或MGWR模型;
预测模块,用于利用训练好的预测模型对待测长爪沙鼠疫源地的鼠密度进行预测。
7.根据权利要求6所述的装置,其特征在于,所述鼠密度数据是通过如下方式获得的:
针对所述参考长爪沙鼠疫源地,统计单公顷样方在24小时内的捕鼠数,得到鼠密度。
8.根据权利要求6所述的装置,其特征在于,所述分析模块,用于执行如下操作:
基于所述地图数据和所述鼠密度数据,确定所述参考长爪沙鼠疫源地的鼠密度的三维数据点Mi(Xi,Yi,Zi);其中,Xi和Yi分别代表当前数据点的经度和纬度,Zi代表当前数据点的鼠密度;
利用地理信息系统趋势分析工具,将各三维数据点Mi分别在平面XZ和YZ上进行投影,得到散点图,以模拟鼠密度在空间上的分布趋势。
9.根据权利要求6-8中任一项所述的装置,其特征在于,所述空间自相关性分析是采用全局Moran's I指数和局部Moran's I指数对各区域单元的鼠密度的空间关联性与差异性进行分析;
所述全局Moran's I指数是通过如下公式计算:
式中,n为所分析的区域单元总数;yi和yj分别为空间对象在第i和第j个区域单元的鼠密度,为y的平均值;wij为权重矩阵,wij用于表征空间对象在第i和第j个区域单元间的链接关系;I>0表示空间正自相关;I<0表示空间负自相关;I=0表示不存在空间自相关;
所述局部Moran's I指数是通过如下公式计算:
10.根据权利要求6-9中任一项所述的装置,其特征在于,所述确定模块,用于执行如下操作:
在所述空间趋势分析的分析结果为非连续性分布且所述空间自相关分析的分析结果为存在空间聚集性时,确定影响所述参考长爪沙鼠疫源地的长爪沙鼠分布的目标环境因素为海拔、坡度、坡向和土壤类型;其中,所述土壤类型包括栗钙土、棕钙土、风沙土、潮土、草甸土、石质土、碱土、盐土、灰褐土、湖泊水库和粗骨土。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210779841.1A CN115062859B (zh) | 2022-07-04 | 2022-07-04 | 一种对长爪沙鼠的密度进行预测的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210779841.1A CN115062859B (zh) | 2022-07-04 | 2022-07-04 | 一种对长爪沙鼠的密度进行预测的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115062859A true CN115062859A (zh) | 2022-09-16 |
CN115062859B CN115062859B (zh) | 2023-04-07 |
Family
ID=83204634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210779841.1A Active CN115062859B (zh) | 2022-07-04 | 2022-07-04 | 一种对长爪沙鼠的密度进行预测的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115062859B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116185306A (zh) * | 2023-04-24 | 2023-05-30 | 山东爱福地生物股份有限公司 | 一种利用菹草的污水处理系统数据存储方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651094A (zh) * | 2011-02-28 | 2012-08-29 | 中国科学院遥感应用研究所 | 鼠疫自然疫源地空间分布预测方法 |
US20210390458A1 (en) * | 2020-06-15 | 2021-12-16 | DataRobot, Inc. | Data analytics methods for spatial data, and related systems and devices |
CN114493953A (zh) * | 2022-01-21 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 一种异地患者就医的影响因素的分析方法 |
-
2022
- 2022-07-04 CN CN202210779841.1A patent/CN115062859B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651094A (zh) * | 2011-02-28 | 2012-08-29 | 中国科学院遥感应用研究所 | 鼠疫自然疫源地空间分布预测方法 |
US20210390458A1 (en) * | 2020-06-15 | 2021-12-16 | DataRobot, Inc. | Data analytics methods for spatial data, and related systems and devices |
CN114493953A (zh) * | 2022-01-21 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 一种异地患者就医的影响因素的分析方法 |
Non-Patent Citations (1)
Title |
---|
刘正显: "基于GWR模型的凉水自然保护区森林生物量空间分布研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116185306A (zh) * | 2023-04-24 | 2023-05-30 | 山东爱福地生物股份有限公司 | 一种利用菹草的污水处理系统数据存储方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115062859B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Masson et al. | Spatial-scale dependence of climate model performance in the CMIP3 ensemble | |
Wang et al. | Accuracy assessments of land use change simulation based on Markov-cellular automata model | |
Yonekura et al. | A statistical model of tropical cyclone tracks in the western North Pacific with ENSO-dependent cyclogenesis | |
Thuiller et al. | Habitat suitability modeling | |
KR101575847B1 (ko) | 북반구 기후 지수를 이용한 북서태평양 해수면 온도 변동성 진단 모델링 시스템 및 방법 | |
CN109543907B (zh) | 一种复杂地形风资源评估方法及其装置 | |
CN113156394B (zh) | 基于激光雷达的森林资源监测方法、装置和存储介质 | |
Chakraborty et al. | Analyzing spatial point patterns subject to measurement error | |
Sunyer et al. | Regional interdependency of precipitation indices across Denmark in two ensembles of high-resolution RCMs | |
CN115062859B (zh) | 一种对长爪沙鼠的密度进行预测的方法和装置 | |
Trasobares et al. | A climate-sensitive empirical growth and yield model for forest management planning of even-aged beech stands | |
CN112668238A (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
Chiffard et al. | Adaptive niche-based sampling to improve ability to find rare and elusive species: Simulations and field tests | |
Sotomayor et al. | Implications of macroinvertebrate taxonomic resolution for freshwater assessments using functional traits: The Paute River Basin (Ecuador) case | |
CN111984701A (zh) | 乡村聚落演化的预测方法、装置、设备及存储介质 | |
Achite et al. | Hybrid interpolation approach for estimating the spatial variation of annual precipitation in the Macta basin, Algeria | |
Sulekan et al. | Review on Geographically Weighted Regression (GWR) approach in spatial analysis | |
Stuber et al. | Predicting species-habitat relationships: does body size matter? | |
Côté et al. | Assessing the impact of fine-scale structure on predicting wood fibre attributes of boreal conifer trees and forest plots | |
CN114880373B (zh) | 一种土壤采样方法、系统、存储介质和电子设备 | |
CN114708432B (zh) | 基于规则网格离散化目标分割区域的加权度量方法 | |
CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
Rennie et al. | Assessment of Doppler radar radial wind observation quality from different echo sources for assimilation during the Sydney 2014 forecast demonstration project | |
Fleming et al. | Sensitivity of a white‐tailed deer habitat‐suitability index model to error in satellite land‐cover data: implications for wildlife habitat‐suitability studies | |
CN113553708A (zh) | 一种溯源仿真模型关键影响因素的方法和装置 |
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 |