CN116304600B - 基于大数据分析的外来入侵物种预警方法及系统 - Google Patents
基于大数据分析的外来入侵物种预警方法及系统 Download PDFInfo
- Publication number
- CN116304600B CN116304600B CN202310203725.XA CN202310203725A CN116304600B CN 116304600 B CN116304600 B CN 116304600B CN 202310203725 A CN202310203725 A CN 202310203725A CN 116304600 B CN116304600 B CN 116304600B
- Authority
- CN
- China
- Prior art keywords
- species
- monitored
- capability
- keyword
- intrusion
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007405 data analysis Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 186
- 238000011156 evaluation Methods 0.000 claims abstract description 66
- 238000013210 evaluation model Methods 0.000 claims abstract description 43
- 230000009545 invasion Effects 0.000 claims abstract description 43
- 238000012216 screening Methods 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 11
- 241000894007 species Species 0.000 claims description 351
- 238000012549 training Methods 0.000 claims description 22
- 230000007613 environmental effect Effects 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 14
- 238000012502 risk assessment Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 13
- 230000008030 elimination Effects 0.000 claims description 10
- 238000003379 elimination reaction Methods 0.000 claims description 10
- 235000016709 nutrition Nutrition 0.000 claims description 8
- 230000001965 increasing effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 42
- 230000006870 function Effects 0.000 description 20
- 241000219823 Medicago Species 0.000 description 14
- 235000017587 Medicago sativa ssp. sativa Nutrition 0.000 description 14
- 238000004891 communication Methods 0.000 description 14
- 241000196324 Embryophyta Species 0.000 description 11
- 238000004590 computer program Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 239000002689 soil Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 235000013305 food Nutrition 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 244000062645 predators Species 0.000 description 3
- 230000001850 reproductive effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000012298 atmosphere Substances 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于大数据分析的外来入侵物种预警方法及系统,涉及大数据分析技术领域。首先,筛选出具有潜在入侵风险的待监控物种,并构建待监控物种的生物维度影响能力特征和环境维度影响能力特征;然后输入待监控物种对应的入侵能力评价模型,输出得到待监控物种的入侵能力评价分数,并确定待监控物种的危险等级,最后,并根据待监控物种的危险等级,执行对应的预警策略。在申请中,请通过获取物种类别统计数据、生态环境数据和气象数据等多维度信息,能够更全面地监测目标区域内的物种入侵情况,提高了监测效果和精度,并且能够快速、准确地获取和处理大量的数据,提高了工作效率和精度,减少了人力成本。
Description
技术领域
本申请涉及大数据分析技术领域,具体涉及一种基于大数据分析的外来入侵物种预警方法及系统。
背景技术
外来入侵物种是指从原产地外引入或迁移至新地区的生物种群,具有很强的适应能力和竞争力,可以快速繁殖和扩散,对当地生态系统、经济和人类健康造成严重影响,已经成为继生境破坏之后严重影响生物多样性的第二大危害因素。
目前,传统的外来入侵物种预警方法主要依赖人工巡查和监测,存在信息不准确、覆盖面不广、通用性较差、成本高等问题,难以满足大规模预警和监测的需求。
发明内容
本申请针对现有的问题,提出了一种基于大数据分析的外来入侵物种预警方法及系统,具体技术方案如下:
在本申请的第一方面,提供一种基于大数据分析的外来入侵物种预警方法,方法包括:
获取目标区域当前采集周期内的所有物种的物种类别统计数据,并根据所述物种类别统计数据与物种类别白名单的比较结果,从所述所有物种中,筛选出具有潜在入侵风险的待监控物种;
获取所述待监控物种在监控周期内的多维监控参数,并根据所述多维监控参数,构建所述待监控物种的生物维度影响能力特征;
获取目标区域的在所述监控周期内的生态环境数据以及气象数据,并构建所述待监控物种的环境维度影响能力特征;
将所述待监控物种的生物维度影响能力特征和环境维度影响能力特征,输入所述待监控物种对应的入侵能力评价模型,输出得到所述待监控物种的入侵能力评价分数;
根据所述待监控物种的入侵能力评价分数,确定所述待监控物种的危险等级,并根据所述待监控物种的危险等级,执行对应的预警策略。
可选地,所述获取目标区域当前采集周期内的所有物种的物种类别统计数据,并根据所述物种类别统计数据与物种类别白名单的比较结果,从所述所有物种中,筛选出具有潜在入侵风险的待监控物种的步骤包括:
提取所述物种类别统计数据中每个物种的名称信息;
根据所述物种类别白名单,构建至少包含一个关键词的入侵风险的关键词列表;
根据所述关键词列表中的关键词,对每个物种的名称信息中的关键词进行匹配;
根据所述关键词的匹配结果,从所述所有物种中,筛选出具有潜在入侵风险的待监控物种。
可选地,所述根据所述物种类别白名单,构建至少包含一个关键词的入侵风险的关键词列表,的步骤包括:
以所述物种类别白名单中的物种类别为关键词,进行关键词检索,构建每个物种类别对应的子关键词列表,其中,所述子关键词列表至少包含一个关键词;
将所述每个物种类别对应的子关键词列表进行整合,构建至少包含一个关键词的初始关键词列表;
对所述初始关键词列表中的关键词进行去重和归并,并根据理论风险评估参数对每个关键词进行潜在入侵风险评估,其中,所述理论风险评估参数至少包括:全球分布范围、生长速度、营养价值、繁殖方式;
根据所述潜在入侵风险评估的结果,对所述初始关键词列表中的关键词进行筛选,构建所述入侵风险的关键词列表。
可选地,所述根据所述多维监控参数,构建所述待监控物种的生物维度影响能力特征的步骤,包括:
计算每个维度监控参数的特征重要程度,并根据所述特征重要程度从所述多维监控参数中筛选出用于构建生物维度影响能力特征的至少一个目标监控参数;
将每个所述目标监控参数的重要程度划分为多个不同的子层次,并确定根据每个所述子层次的权重系数,按照层次结构进行整合,得到每个所述目标监控参数对应的权重系数;
使用线性模型将所述目标监控参数按照其对应的权重系数进行加权求和,构建所述待监控物种的生物维度影响能力特征,其中所述生物维度影响能力特征至少包括所述待监控物种对其他物种的影响能力和所述待监控物种对人类活动的影响能力。
可选地,所述根据所述特征重要程度从所述多维监控参数中筛选出用于构建生物维度影响能力特征的至少一个目标监控参数的步骤,包括:
随机生成多种不同的监控参数组合方案,每种所述监控参数组合方案至少包含一个维度的监控参数;
根据所述不同维度监控参数之间的关联性以及每个根据所述特征重要程度,构建适应度评估函数;
根据所述适应度评估函数,对每种所述监控参数组合方案进行适应度评估,并根据所述适应度评估的结果,确定出目标监控参数组合方案;
将所述目标监控参数组合方案对应的监控参数,确定为所述用于构建生物维度影响能力特征的目标监控参数。
可选地,所述待监控物种的危险等级包括低、中、高三个等级;所述根据所述待监控物种的危险等级,执行对应的预警策略的步骤,包括:
在所述待监控物种的危险等级为低级时,将所述待监控物种添加到所述物种类别白名单中;
在所述待监控物种的危险等级为中级时,增加所述待监控物种在监控周期内的多维监控参数,生态环境数据以及气象数据的获取频率;
在所述待监控物种的危险等级为高级时,将所述待监控物种确定为入侵物种,并通知相关部门和人员进行封堵或消灭。
可选地,所述待监控物种对应的入侵能力评价模型是通过以下步骤获得的:
获取所述待监控物种当前采集周期内的多维监控参数、生态环境数据以及气象数据,并根据所述当前采集周期内的多维监控参数、生态环境数据以及气象数据,构建样本数据集:
将所述样本数据集划分为训练数据集和验证数据集,根据所述训练集对预设模型进行训练,以对所述预设模型进行调整,以获得优化后的入侵能力评价模型;
根据所述验证数据集对所述优化后的入侵能力评价模型进行预测准确率验证,并在所述优化后的入侵能力评价模型的预测准确率大于或等于预设阈值的情况下,将所述优化后的入侵能力评价模型确定为所述待监控物种对应的入侵能力评价模型。
第二方面,本发明实施例提供了一种基于大数据分析的外来入侵物种预警系统,系统包括:
第一获取模块,用于获取目标区域当前采集周期内的所有物种的物种类别统计数据,并根据所述物种类别统计数据与物种类别白名单的比较结果,从所述所有物种中,筛选出具有潜在入侵风险的待监控物种;
第二获取模块,用于获取所述待监控物种在监控周期内的多维监控参数,并根据所述多维监控参数,构建所述待监控物种的生物维度影响能力特征;
第三获取模块,用于获取目标区域的在所述监控周期内的生态环境数据以及气象数据,并构建所述待监控物种的环境维度影响能力特征;
输入模块,用于将所述待监控物种的生物维度影响能力特征和环境维度影响能力特征,输入所述待监控物种对应的入侵能力评价模型,输出得到所述待监控物种的入侵能力评价分数;
预警模块,用于根据所述待监控物种的入侵能力评价分数,确定所述待监控物种的危险等级,并根据所述待监控物种的危险等级,执行对应的预警策略。
可选地,所述第一获取模块包括:
信息提取子模块,用于提取所述物种类别统计数据中每个物种的名称信息;
构建子模块,用于根据所述物种类别白名单,构建至少包含一个关键词的入侵风险的关键词列表;
匹配子模块,用于根据所述关键词列表中的关键词,对每个物种的名称信息中的关键词进行匹配;
筛选子模块,用于根据所述关键词的匹配结果,从所述所有物种中,筛选出具有潜在入侵风险的待监控物种。
可选地,构建子模块包括:
子关键词列表构建单元,用于以所述物种类别白名单中的物种类别为关键词,进行关键词检索,构建每个物种类别对应的子关键词列表,其中,所述子关键词列表至少包含一个关键词;
初始关键词列表构建单元,用于将所述每个物种类别对应的子关键词列表进行整合,构建至少包含一个关键词的初始关键词列表;
评估单元,用于对所述初始关键词列表中的关键词进行去重和归并,并根据理论风险评估参数对每个关键词进行潜在入侵风险评估,其中,所述理论风险评估参数至少包括:全球分布范围、生长速度、营养价值、繁殖方式;
入侵风险的关键词列表构建单元,用于根据所述潜在入侵风险评估的结果,对所述初始关键词列表中的关键词进行筛选,构建所述入侵风险的关键词列表。
可选地,第二获取模块包括:
第一计算子模块,用于计算每个维度监控参数的特征重要程度,并根据所述特征重要程度从所述多维监控参数中筛选出用于构建生物维度影响能力特征的至少一个目标监控参数;
权重系数确定子模块,用于将每个所述目标监控参数的重要程度划分为多个不同的子层次,并确定根据每个所述子层次的权重系数,按照层次结构进行整合,得到每个所述目标监控参数对应的权重系数;
第二计算子模块,用于使用线性模型将所述目标监控参数按照其对应的权重系数进行加权求和,构建所述待监控物种的生物维度影响能力特征,其中所述生物维度影响能力特征至少包括所述待监控物种对其他物种的影响能力和所述待监控物种对人类活动的影响能力。
可选地,第一计算子模块包括:
组合单元,用于随机生成多种不同的监控参数组合方案,每种所述监控参数组合方案至少包含一个维度的监控参数;
函数建立单元,用于根据所述不同维度监控参数之间的关联性以及每个根据所述特征重要程度,构建适应度评估函数;
评估单元,用于根据所述适应度评估函数,对每种所述监控参数组合方案进行适应度评估,并根据所述适应度评估的结果,确定出目标监控参数组合方案;
确定单元,用于将所述目标监控参数组合方案对应的监控参数,确定为所述用于构建生物维度影响能力特征的目标监控参数。
可选地,预警模块包括:
第一预警子模块,用于在所述待监控物种的危险等级为低级时,将所述待监控物种添加到所述物种类别白名单中;
第二预警子模块,用于在所述待监控物种的危险等级为中级时,增加所述待监控物种在监控周期内的多维监控参数,生态环境数据以及气象数据的获取频率;
第三预警子模块,用于在所述待监控物种的危险等级为高级时,将所述待监控物种确定为入侵物种,并通知相关部门和人员进行封堵或消灭。
可选地,系统还包括模型训练模块,模型训练模块包括:
样本数据集构建子模块,用于获取所述待监控物种当前采集周期内的多维监控参数、生态环境数据以及气象数据,并根据所述当前采集周期内的多维监控参数、生态环境数据以及气象数据,构建样本数据集:
训练子模块,用于将所述样本数据集划分为训练数据集和验证数据集,根据所述训练集对预设模型进行训练,以对所述预设模型进行调整,以获得优化后的入侵能力评价模型;
验证子模块,用于根据所述验证数据集对所述优化后的入侵能力评价模型进行预测准确率验证,并在所述优化后的入侵能力评价模型的预测准确率大于或等于预设阈值的情况下,将所述优化后的入侵能力评价模型确定为所述待监控物种对应的入侵能力评价模型。
本发明实施例第三方面提出一种电子设备,电子设备包括:
至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本发明实施例第一方面提出方法步骤。
本发明实施例第四方面提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例第一方面提出方法。
本申请具有以下有益效果:
在本申请的方案中,首先,筛选出具有潜在入侵风险的待监控物种,并构建所述待监控物种的生物维度影响能力特征和环境维度影响能力特征;
然后输入所述待监控物种对应的入侵能力评价模型,输出得到所述待监控物种的入侵能力评价分数,并确定所述待监控物种的危险等级,最后,并根据所述待监控物种的危险等级,执行对应的预警策略,因此具有以下优点:
自动化处理:本申请采用自动化的方式,能够快速、准确地获取和处理大量的数据,提高了工作效率和精度,减少了人力成本。
多维度监测:本申请通过获取物种类别统计数据、生态环境数据和气象数据等多维度信息,能够更全面地监测目标区域内的物种入侵情况,提高了监测效果和精度。
预警机制:本申请根据入侵能力评价分数和危险等级,实现了针对不同危险等级的预警机制,可以及时地发现和应对潜在的入侵物种,保护生态环境和生物多样性。
可扩展性:本申请可根据实际情况进行扩展和调整,可以根据不同目标区域不同的监测需求和条件,灵活选择和修改各项参数和指标,实现更精准、可靠的物种入侵监测和管理。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本申请实施例涉及的硬件运行环境的电子设备结构示意图。
图2是本申请实施例提供的一种基于大数据分析的外来入侵物种预警方法的步骤流程图。
图3是本申请实施例提供的一种基于大数据分析的外来入侵物种预警系统的功能模块示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
下面结合附图对本申请的方案进一步说明。
参照图1,图1为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图。
如图1所示,该电子设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储系统。
本领域技术人员可以理解,图1中示出的结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的电子设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明电子设备中的处理器1001、存储器1005可以设置在电子设备中,电子设备通过处理器1001调用存储器1005中存储的基于大数据分析的外来入侵物种预警系统,并执行本申请实施例提供的基于大数据分析的外来入侵物种预警方法。
参照图2,基于前述硬件运行环境,本申请的实施例提供了一种基于大数据分析的外来入侵物种预警方法,具体可以包括以下步骤:
S201:获取目标区域当前采集周期内的所有物种的物种类别统计数据,并根据物种类别统计数据与物种类别白名单的比较结果,从所有物种中,筛选出具有潜在入侵风险的待监控物种。
在本实施方式中,目标区域是需要对其进行外来入侵物种判定的区域,可以是可能是一个市,一片森林,一条河流,或者其他一些区域。当前采集周期可以是每周、每月或者每季度进行的对目标区域内包含的所有的物种的统计结果,该过程可以由人或者无人机设备结合图像处理技术来实现。除了物种类别统计数据还可以包括物种名称、分类学信息、生态位、数量、分布范围、保护状况等信息。在获取到物种类别统计数据之后,对收集到的数据进行清洗和整理,如去除重复数据、标准化物种名称和分类学信息等,然后根据物种分类学信息,对收集到的物种数据进行分类别统计,如按照物种属、种、纲等分类标准,统计目标区域当前采集周期内的所有物种的数量和分布情况等。然后需要根据物种类别统计数据与物种类别白名单的比较结果,从所有物种中,筛选出具有潜在入侵风险的待监控物种,其具体步骤可以为:
S201-1:提取物种类别统计数据中每个物种的名称信息。
S201-2:根据物种类别白名单,构建至少包含一个关键词的入侵风险的关键词列表。
S201-3:根据关键词列表中的关键词,对每个物种的名称信息中的关键词进行匹配。
S201-4:根据关键词的匹配结果,从所有物种中,筛选出具有潜在入侵风险的待监控物种。
在S201-1至S201-4的实施方式中,从采集物种类别统计数据中的数据中,提取出每个物种的名称信息。例如,从采集的图像中提取出植物的名称信息,如“紫花苜蓿”“白花苜蓿”等。根据已知的物种类别白名单,构建出包含可能具有入侵风险的关键词列表。例如,对于植物来说,可能的关键词列表包括“外来物种”“入侵植物”“有害植物”等。对于每个物种的名称信息,使用关键词列表中的关键词进行匹配,判断该待物种是否具有潜在入侵风险。例如,对于名称信息为“紫花苜蓿”的植物,匹配结果为“非入侵植物”;对于名称信息为“白花苜蓿”的植物,匹配结果为“入侵植物”。由于关键词列表是基于其他地区已知情况来进行建立的,即在其他地区“白花苜蓿”被判定为入侵植物,但是由于其他地区和目标区域的物种种类、生态环境以及天气因素等多方面的不同,“白花苜蓿”在目标区域可能会变成入侵植物也可能不会变成入侵植物,因此可以将“白花苜蓿”确定为否具有潜在入侵风险的待监控物种。
而在一种可行的实施方式中,根据物种类别白名单,构建至少包含一个关键词的入侵风险的关键词列表的具体步骤可以包括:
S201-2-1:以物种类别白名单中的物种类别为关键词,进行关键词检索,构建每个物种类别对应的子关键词列表,其中,子关键词列表至少包含一个关键词;
S201-2-2:将每个物种类别对应的子关键词列表进行整合,构建至少包含一个关键词的初始关键词列表;
S201-2-3:对初始关键词列表中的关键词进行去重和归并,并根据理论风险评估参数对每个关键词进行潜在入侵风险评估,其中,理论风险评估参数至少包括:全球分布范围、生长速度、营养价值、繁殖方式;
S201-2-4:根据潜在入侵风险评估的结果,对初始关键词列表中的关键词进行筛选,构建入侵风险的关键词列表。
在S201-2-1至S201-2-4的实施方式中,针对白名单中的每个物种类别,使用搜索引擎或专业文献库进行关键词检索,得到与该物种相关的子关键词列。例如,我们需要对白名单中的 “紫花苜蓿” 进行关键词检索,可以在搜索引擎中输入关键词 “紫花苜蓿” ,我们在搜索结果中找到了一个与 “紫花苜蓿””相关的关键词 “苜蓿草”以及“白花苜蓿”“多年生草本植物”,则可以根据“苜蓿草”以及“白花苜蓿”,构建“紫花苜蓿”的子关键词列表。而在获得每个物种类别对应的子关键词列表之后,需要将所有的子关键词列表整合起来,并进行去重和归并操作,从而得到初始关键词列表。例如,例如将“害虫”和“虫害”合并为“害虫”,将“一年生草本植物”和“多年生草本植物”合并为“草本植物”等。判断一个物种的潜在入侵风险,可以从以下角度来进行判断,全球分布范围:该物种分布范围越广,其具有适应力强、侵略性强的特点,因此入侵风险得分越高。生长速度:该物种生长速度越快,其具有快速繁殖和适应环境变化的能力,因此入侵风险得分越高。营养价值:该物种具有高营养价值,可能会受到人类和其他动物的青睐,从而促进其传播和扩散,因此入侵风险得分越高。繁殖方式:该物种具有不同寻常的繁殖方式(如无性繁殖、花粉扩散等),可能会增加其传播和扩散的风险,因此入侵风险得分越高。基于以上指标,我们可以构建一个评分模型,通过对每个关键词进行打分,得到其潜在入侵风险得分。下面是一个可能的实现过程:对于每个物种类别,将其检索得到的关键词列表作为输入。对于每个关键词,根据其全球分布范围、生长速度、营养价值、繁殖方式和环境适应性等方面进行评估,并对其进行打分。可以通过机器学习方法自动学习得到评分模型。对于每个关键词,将其得分进行归一化,得到一个0到1之间的得分值。将所有关键词按照得分值从高到低排序,选取得分较高的关键词,来构建入侵风险的关键词列表。
S202:获取待监控物种在监控周期内的多维监控参数,并根据多维监控参数,构建待监控物种的生物维度影响能力特征。
在本实施方式中,生物维度影响能力特征至少包括待监控物种对其他物种的影响能力和待监控物种对人类活动的影响能力,在将一个物种确定为待监控物种之后,需要在接下来的时间里对其进行监控,则上述时间则为监控周期,多维监控参数可以为待监控物种的生态学维度的监控参数:包括物种的数量、分布、生存状态、生长状态、繁殖率等。行为学维度的监控参数:包括物种的活动范围、迁徙路线、繁殖习性、社交行为等。捕食者与竞争者维度的监控参数:包括物种的天敌、捕食者数量、竞争者数量、与捕食者竞争的状态等。人类活动维度的监控参数:包括物种所受到的人类干扰、开发、采矿、交通等对其生境的影响等。
S202-1:计算每个维度监控参数的特征重要程度,并根据特征重要程度从多维监控参数中筛选出用于构建生物维度影响能力特征的至少一个目标监控参数。
在本实施方式中,对于不同的物种来说,用来反映其生物维度影响能力特征的监控参数是不相同的,可以计算每个维度监控参数与结果之间的相关系数。如果某维度监控参数与目标变量的相关系数较高,就可以认为该维度的监控参数对结果的影响力较大,则其特征重要程度也较高。而如何根据特征重要程度从众多的监控参数选择最适合待监控物种构建生物维度影响能力特征,其具体步骤可以包括:
S202-1-1:随机生成多种不同的监控参数组合方案,每种监控参数组合方案至少包含一个维度的监控参数;
S202-1-2:根据不同维度监控参数之间的关联性以及每个根据特征重要程度,构建适应度评估函数;
S202-1-3:根据适应度评估函数,对每种监控参数组合方案进行适应度评估,并根据适应度评估的结果,确定出目标监控参数组合方案;
将S202-1-4:目标监控参数组合方案对应的监控参数,确定为用于构建生物维度影响能力特征的目标监控参数。
在S202-1-1至S202-1-4的实施方式中,确定每个维度可以选择的监控参数列表,例如,种群数量维度:物种密度、食物供应量等。活动范围维度:栖息地类型、人类活动干扰程度等,根据每个维度的监控参数列表,随机生成若干个包含一个或多个维度监控参数的监控参数组合方案。可以通过从每个维度的监控参数列表中随机选择若干个监控参数来生成组合方案。适应度评估函数的设计是基于所选用的优化算法的具体需求而定,不同的算法需要不同的适应度函数。在申请中,根据监控参数的重要程度和关联性,设计适应度函数如下: 设当前的监控参数组合为 P = {p1, p2, ..., pn},其中 pi 表示第 i 个监控参数。 首先,需要考虑每个监控参数在不同维度的重要性,假设有 m 个维度,则每个监控参数会对应 m 个权重系数,我们可以将其表示为矩阵 W = [wij]{n × m},其中 wij 表示第 i 个监控参数在第 j 个维度中的权重系数。这里可以使用前面提到的特征重要程度计算方法,例如基于随机森林的特征重要程度计算方法,来确定每个监控参数的权重系数。然后,考虑不同维度监控参数之间的关联性。对于每个维度 j,我们可以计算它的协方差矩阵 Cj,并将其作为权重系数的一个因素。协方差矩阵可以反映出不同监控参数之间的相关程度,如果两个监控参数高度相关,则它们在同一维度中的权重系数应该有所区别。 综上,我们可以设计适应度评估函数如下: f(P) = ∑i=1n ∑j=1m wijpi + ∑j=1m (1/2tr(Cj) − 1/2tr(CjWjT Wj)), 其中,tr(Cj) 表示矩阵 Cj 的迹,Wj 表示所有监控参数在第j 个维度中的权重系数向量,tr(CjWjT Wj) 表示对应的方差,1/2 是为了数学上的方便。这个适应度评估函数包含了两个部分:第一个部分是监控参数的重要性,第二个部分是监控参数之间的关联性。其中第二个部分通过计算协方差矩阵和方差来体现监控参数之间的相关程度,可以使得所选出的监控参数更加符合实际情况。而根据适应度评估函数即可对每种组合方案进行评估,并将评估结果最好的监控参数组合方案确定为用于构建生物维度影响能力特征的目标监控参数。
S202-2:将每个目标监控参数的重要程度划分为多个不同的子层次,并确定根据每个子层次的权重系数,按照层次结构进行整合,得到每个目标监控参数对应的权重系数。
在本实施方式中,假设有3个监控参数,分别为生长速度、种群密度和繁殖率,需要确定它们在构建待监控物种的生物维度影响能力特征时的权重系数。则将3个监控参数划分为3个层次然后通过统计学分析,得出每个参数在各个层次中的权重系数,再按照层次结构进行整合,得到最终权重系数。打分如下,生长速度在层次1中得分0.6,层次2中得分0.7,层次3中得分0.8,生长速度的子层次可以为每小时的生长速度、每天的生长速度、每周的生长速度、每月的生长速度等。种群密度在层次1中得分0.3,层次2中得分0.6,层次3中得分0.4,繁殖率在层次1中得分0.1,层次2中得分0.4,层次3中得分0.2。按照层次结构整合得到目标监控参数对应的权重系数。
S202-3:使用线性模型将目标监控参数按照其对应的权重系数进行加权求和,构建待监控物种的生物维度影响能力特征。
在本实施方式中,假设目标监控参数包括生境面积、食物丰富度、人类干扰程度和气候适宜度等四个指标。同时,我们这四个指标的权重系数,分别为0.3、0.2、0.1和0.4。为了构建待监控物种的生物维度影响能力特征,我们可以使用线性模型将这些监控参数按照其权重系数进行加权求和,即:
特征值 = 0.3 * 生境面积 + 0.2 * 食物丰富度 + 0.1 * 人类干扰程度 + 0.4* 气候适宜度。其中,生境面积、食物丰富度、人类干扰程度和气候适宜度分别代表第一、第二、第三和第四个指标的监控参数值。根据这个公式,我们可以得出每个待监控物种的生物维度影响能力特征的值,进而对不同物种的影响能力进行比较和监控。
S203:获取目标区域的在监控周期内的生态环境数据以及气象数据,并构建待监控物种的环境维度影响能力特征。
在本实施方式中,标区域的在监控周期内的生态环境数据以及气象数据可以通过以下方式来进行获取,可以在目标区域内部署各种类型的传感器设备,例如土壤水分传感器、空气湿度传感器、空气温度传感器、风速传感器、降水量传感器等,通过这些传感器设备可以实时地采集目标区域的生态环境数据和气象数据。许多国家和地区都建立了环境监测站来监测大气、水、土壤等环境因素,这些监测站可以提供目标区域的气象数据和一些环境数据,例如空气温度、空气湿度、风速等。对于不同的物种来说,影响其环境维度影响能力特征的生态环境数据以及气象数据是不相同的。因此,我们需要从生态环境数据和气象数据中选取对待监控物种的入侵能力评价有重要影响的变量,这些变量可能包括土壤湿度、空气湿度、空气温度等。假设我们选取了以下变量:土壤水分、空气湿度、空气温度。然后,我们需要对这些变量进行转换,例如可以将土壤水分转换为数值型变量,将空气湿度和空气温度转换为分类型变量。假设我们将空气湿度和空气温度分别分成了高、中、低三个类别。最后,我们可以使用多元回归方法来建立入侵能力评价模型,得到权重系数。以三个环境变量为例,假设权重系数为:土壤水分:0.4,
空气湿度:0.2,空气温度:0.3。则待监控物种的环境维度影响能力特征可以通过加权求和来计算,例如:E = 0.4 × 土壤水分 + 0.2 × 空气湿度 + 0.3 × 空气温度其中,E表示待监测物种的环境维度影响能力特征,土壤水分、空气湿度和空气温度分别代表目标区域的生态环境数据和气象数据。
S204:将待监控物种的生物维度影响能力特征和环境维度影响能力特征,输入待监控物种对应的入侵能力评价模型,输出得到待监控物种的入侵能力评价分数。
在本实施方式中,在得到待监控物种的生物维度影响能力特征和环境维度影响能力特征之后,我们可以将待监控物种的待监控物种的生物维度影响能力特征和环境维度影响能力特征输入入侵能力评价模型中进行预测,得到该待监控物种的入侵能力评价分数。入侵能力评价分数的范围可以根据具体情况而定,例如,可以使用0到1之间的实数表示,也可以使用0到10之间的整数表示。而上述入侵能力评价模型是通过以下步骤实现的:
获取待监控物种当前采集周期内的多维监控参数、生态环境数据以及气象数据,并根据当前采集周期内的多维监控参数、生态环境数据以及气象数据,构建样本数据集:
将样本数据集划分为训练数据集和验证数据集,根据训练集对预设模型进行训练,以对预设模型进行调整,以获得优化后的入侵能力评价模型;
根据验证数据集对优化后的入侵能力评价模型进行预测准确率验证,并在优化后的入侵能力评价模型的预测准确率大于或等于预设阈值的情况下,将优化后的入侵能力评价模型确定为待监控物种对应的入侵能力评价模型。
在本实施仿方式中,我们可以采用多元回归分析等机器学习方法来建立入侵能力评价模型,模型输入变量包括生物维度影响能力特征和环境维度影响能力特征,输出变量为入侵能力评价分数。模型建立的具体步骤如下:数据采集和预处理:收集待监控物种当前采集周期内的多维监控参数、生态环境数据以及气象数据,并进行数据清洗和标准化处理,以保证数据质量,从而构建本数据集。选择合适的特征变量,这里的特征变量包括生物维度影响能力特征和环境维度影响能力特征。采用多元回归等机器学习方法,建立入侵能力评价模型。模型的目标是最小化实际入侵能力评价分数与模型预测分数之间的误差,将样本数据集划分为训练数据集和验证数据集,根据训练集对预设模型进行训练。根据验证数据集对模型进行交叉验证和评估,以保证模型的可靠性和稳定性。如果模型表现不佳,可以尝试调整特征变量、模型结构和算法参数等,以提高模型预测精度。如果优化后的入侵能力评价模型的预测准确率大于或等于预设阈值,则说明优化后的入侵能力评价模型效果较好,因此可以将该优化后的入侵能力评价模型的参数进行固化,并进行输出,得到待监控物种对应的入侵能力评价模型。
S205:根据待监控物种的入侵能力评价分数,确定待监控物种的危险等级,并根据待监控物种的危险等级,执行对应的预警策略。
在本实施方式中,
根据待监控物种的入侵能力评价分数,可以将其划分为三个危险等级,具体实现过程如下:首先,确定三个划分点,将评价分数划分为三个区间,即待监控物种的危险等级包括低、中和高三个等级。然后,根据待监控物种的入侵能力评价分数和划分点,将其划分为三个危险等级。最后,对于不同的危险等级,执行不同的预警策略。例如:假设待监控物种的入侵能力评价分数为70,划分点为60和80,则将评价分数划分为三个区间:[0,60),[60,80),[80,100]。由于70在区间[60,80)中,因此待监控物种的危险等级为中级,可以执行相应的预警策略,而根据待监控物种的危险等级,执行对应的预警策略的步骤,包括:
S205-1:在待监控物种的危险等级为低级时,将待监控物种添加到物种类别白名单中;
S205-2:在待监控物种的危险等级为中级时,增加待监控物种在监控周期内的多维监控参数,生态环境数据以及气象数据的获取频率;
S205-3:在待监控物种的危险等级为高级时,将待监控物种确定为入侵物种,并通知相关部门和人员进行封堵或消灭。
在S205-1至S205-3的实施方式中在待监控物种的危险等级为低级时,将待监控物种添加到物种类别白名单中,同时,在白名单中记录待监控物种的出现情况,以备后续分析和调整监测策略使用。在待监控物种的危险等级为中级时,增加待监控物种在监控周期内的多维监控参数、生态环境数据以及气象数据的获取频率,同时,加强对其在目标区域内的监测和跟踪,确保及时掌握其数量、分布、生境偏好等信息,以便对其进行更精准的监测和预警。在待监控物种的危险等级为高级时,将待监控物种确定为入侵物种,并立即通知相关部门和人员进行封堵或消灭。同时,采取措施避免其扩散和传播,如在物种密度高的区域进行生物防治、设立监测防控站点、加强航空入境口岸监测等。针对其生境进行调查和清理,及时对其进行处置,以避免其对当地生态环境造成损害。
本发明实施例还提供了一种基于大数据分析的外来入侵物种预警系统,参照图3,示出了本发明一种基于大数据分析的外来入侵物种预警系统的功能模块图,该系统可以包括以下模块:
第一获取模块301,用于获取目标区域当前采集周期内的所有物种的物种类别统计数据,并根据物种类别统计数据与物种类别白名单的比较结果,从所有物种中,筛选出具有潜在入侵风险的待监控物种;
第二获取模块302,用于获取待监控物种在监控周期内的多维监控参数,并根据多维监控参数,构建待监控物种的生物维度影响能力特征;
第三获取模块303,用于获取目标区域的在监控周期内的生态环境数据以及气象数据,并构建待监控物种的环境维度影响能力特征;
输入模块304,用于将待监控物种的生物维度影响能力特征和环境维度影响能力特征,输入待监控物种对应的入侵能力评价模型,输出得到待监控物种的入侵能力评价分数;
预警模块305,用于根据待监控物种的入侵能力评价分数,确定待监控物种的危险等级,并根据待监控物种的危险等级,执行对应的预警策略。
在一种可行的实施方式中,第一获取模块301包括:
信息提取子模块,用于提取物种类别统计数据中每个物种的名称信息;
构建子模块,用于根据物种类别白名单,构建至少包含一个关键词的入侵风险的关键词列表;
匹配子模块,用于根据关键词列表中的关键词,对每个物种的名称信息中的关键词进行匹配;
筛选子模块,用于根据关键词的匹配结果,从所有物种中,筛选出具有潜在入侵风险的待监控物种。
在一种可行的实施方式中,构建子模块包括:
子关键词列表构建单元,用于以物种类别白名单中的物种类别为关键词,进行关键词检索,构建每个物种类别对应的子关键词列表,其中,子关键词列表至少包含一个关键词;
初始关键词列表构建单元,用于将每个物种类别对应的子关键词列表进行整合,构建至少包含一个关键词的初始关键词列表;
评估单元,用于对初始关键词列表中的关键词进行去重和归并,并根据理论风险评估参数对每个关键词进行潜在入侵风险评估,其中,理论风险评估参数至少包括:全球分布范围、生长速度、营养价值、繁殖方式;
入侵风险的关键词列表构建单元,用于根据潜在入侵风险评估的结果,对初始关键词列表中的关键词进行筛选,构建入侵风险的关键词列表。
在一种可行的实施方式中,第二获取模块302包括:
第一计算子模块,用于计算每个维度监控参数的特征重要程度,并根据特征重要程度从多维监控参数中筛选出用于构建生物维度影响能力特征的至少一个目标监控参数;
权重系数确定子模块,用于将每个目标监控参数的重要程度划分为多个不同的子层次,并确定根据每个子层次的权重系数,按照层次结构进行整合,得到每个目标监控参数对应的权重系数;
第二计算子模块,用于使用线性模型将目标监控参数按照其对应的权重系数进行加权求和,构建待监控物种的生物维度影响能力特征,其中生物维度影响能力特征至少包括待监控物种对其他物种的影响能力和待监控物种对人类活动的影响能力。
在一种可行的实施方式中,第一计算子模块包括:
组合单元,用于随机生成多种不同的监控参数组合方案,每种监控参数组合方案至少包含一个维度的监控参数;
函数建立单元,用于根据不同维度监控参数之间的关联性以及每个根据特征重要程度,构建适应度评估函数;
评估单元,用于根据适应度评估函数,对每种监控参数组合方案进行适应度评估,并根据适应度评估的结果,确定出目标监控参数组合方案;
确定单元,用于将目标监控参数组合方案对应的监控参数,确定为用于构建生物维度影响能力特征的目标监控参数。
在一种可行的实施方式中,预警模块305包括:
第一预警子模块,用于在待监控物种的危险等级为低级时,将待监控物种添加到物种类别白名单中;
第二预警子模块,用于在待监控物种的危险等级为中级时,增加待监控物种在监控周期内的多维监控参数,生态环境数据以及气象数据的获取频率;
第三预警子模块,用于在待监控物种的危险等级为高级时,将待监控物种确定为入侵物种,并通知相关部门和人员进行封堵或消灭。
在一种可行的实施方式中,系统还包括模型训练模块,模型训练模块包括:
样本数据集构建子模块,用于获取待监控物种当前采集周期内的多维监控参数、生态环境数据以及气象数据,并根据当前采集周期内的多维监控参数、生态环境数据以及气象数据,构建样本数据集:
训练子模块,用于将样本数据集划分为训练数据集和验证数据集,根据训练集对预设模型进行训练,以对预设模型进行调整,以获得优化后的入侵能力评价模型;
验证子模块,用于根据验证数据集对优化后的入侵能力评价模型进行预测准确率验证,并在优化后的入侵能力评价模型的预测准确率大于或等于预设阈值的情况下,将优化后的入侵能力评价模型确定为待监控物种对应的入侵能力评价模型。
需要说明的是,本申请实施例的基于大数据分析的外来入侵物种预警系统300的具体实施方式参照前述本申请实施例第一方面提出的基于大数据分析的外来入侵物种预警方法的具体实施方式,在此不再赘述。
基于同一发明构思,本发明另一实施例提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现本发明的基于大数据分析的外来入侵物种预警方法。
上述终端提到的通信总线可以是外设部件互联标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于上述终端与其他设备之间的通信。存储器可以包括随机存取存储器(Random AccessMemory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储系统。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
此外,为实现上述目的,本申请的实施例还提出了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现本申请实施例的基于大数据分析的外来入侵物种预警方法。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用车辆(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后,还需要说明的是,在本文中,诸如第一和第二等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。“”和/或“”表示可以选择两者之中的任意一个,也可以两者都选择。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地包含,从而使得包括一系列要素的过程、方法、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对所提供的一种基于大数据分析的外来入侵物种预警方法及系统,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的基于大数据分析的外来入侵物种预警方法及系统的核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (7)
1.一种基于大数据分析的外来入侵物种预警方法,其特征在于,所述方法包括:
获取目标区域当前采集周期内的所有物种的物种类别统计数据,并根据所述物种类别统计数据与物种类别白名单的比较结果,从所述所有物种中,筛选出具有潜在入侵风险的待监控物种包括:
提取所述物种类别统计数据中每个物种的名称信息;
根据所述物种类别白名单,构建至少包含一个关键词的入侵风险的关键词列表包括:
以所述物种类别白名单中的物种类别为关键词,进行关键词检索,构建每个物种类别对应的子关键词列表,其中,所述子关键词列表至少包含一个关键词,将所述每个物种类别对应的子关键词列表进行整合,构建至少包含一个关键词的初始关键词列表,对所述初始关键词列表中的关键词进行去重和归并,并根据理论风险评估参数对每个关键词进行潜在入侵风险评估,其中,所述理论风险评估参数至少包括:全球分布范围、生长速度、营养价值、繁殖方式,根据所述潜在入侵风险评估的结果,对所述初始关键词列表中的关键词进行筛选,构建所述入侵风险的关键词列表;
根据所述关键词列表中的关键词,对每个物种的名称信息中的关键词进行匹配;
根据所述关键词的匹配结果,从所述所有物种中,筛选出具有潜在入侵风险的待监控物种;
获取所述待监控物种在监控周期内的多维监控参数,并根据所述多维监控参数,构建所述待监控物种的生物维度影响能力特征;
获取目标区域的在所述监控周期内的生态环境数据以及气象数据,并构建所述待监控物种的环境维度影响能力特征;
将所述待监控物种的生物维度影响能力特征和环境维度影响能力特征,输入所述待监控物种对应的入侵能力评价模型,输出得到所述待监控物种的入侵能力评价分数;
根据所述待监控物种的入侵能力评价分数,确定所述待监控物种的危险等级,并根据所述待监控物种的危险等级,执行对应的预警策略。
2.根据权利要求1所述的基于大数据分析的外来入侵物种预警方法,其特征在于,所述根据所述多维监控参数,构建所述待监控物种的生物维度影响能力特征的步骤,包括:
计算每个维度监控参数的特征重要程度,并根据所述特征重要程度从所述多维监控参数中筛选出用于构建生物维度影响能力特征的至少一个目标监控参数;
将每个所述目标监控参数的重要程度划分为多个不同的子层次,并确定根据每个所述子层次的权重系数,按照层次结构进行整合,得到每个所述目标监控参数对应的权重系数;
使用线性模型将所述目标监控参数按照其对应的权重系数进行加权求和,构建所述待监控物种的生物维度影响能力特征,其中所述生物维度影响能力特征至少包括所述待监控物种对其他物种的影响能力和所述待监控物种对人类活动的影响能力。
3.根据权利要求2所述的基于大数据分析的外来入侵物种预警方法,其特征在于,所述根据所述特征重要程度从所述多维监控参数中筛选出用于构建生物维度影响能力特征的至少一个目标监控参数的步骤,包括:
随机生成多种不同的监控参数组合方案,每种所述监控参数组合方案至少包含一个维度的监控参数;
根据不同维度监控参数之间的关联性以及每个根据所述特征重要程度,构建适应度评估函数;
根据所述适应度评估函数,对每种所述监控参数组合方案进行适应度评估,并根据所述适应度评估的结果,确定出目标监控参数组合方案;
将所述目标监控参数组合方案对应的监控参数,确定为所述用于构建生物维度影响能力特征的目标监控参数。
4.根据权利要求1所述的基于大数据分析的外来入侵物种预警方法,其特征在于,所述待监控物种的危险等级包括低、中、高三个等级;所述根据所述待监控物种的危险等级,执行对应的预警策略的步骤,包括:
在所述待监控物种的危险等级为低级时,将所述待监控物种添加到所述物种类别白名单中;
在所述待监控物种的危险等级为中级时,增加所述待监控物种在监控周期内的多维监控参数,生态环境数据以及气象数据的获取频率;
在所述待监控物种的危险等级为高级时,将所述待监控物种确定为入侵物种,并通知相关部门和人员进行封堵或消灭。
5.根据权利要求1所述的基于大数据分析的外来入侵物种预警方法,其特征在于,所述待监控物种对应的入侵能力评价模型是通过以下步骤获得的:
获取所述待监控物种当前采集周期内的多维监控参数、生态环境数据以及气象数据,并根据所述当前采集周期内的多维监控参数、生态环境数据以及气象数据,构建样本数据集:
将所述样本数据集划分为训练数据集和验证数据集,根据所述训练数据集对预设模型进行训练,以对所述预设模型进行调整,以获得优化后的入侵能力评价模型;
根据所述验证数据集对所述优化后的入侵能力评价模型进行预测准确率验证,并在所述优化后的入侵能力评价模型的预测准确率大于或等于预设阈值的情况下,将所述优化后的入侵能力评价模型确定为所述待监控物种对应的入侵能力评价模型。
6.一种基于大数据分析的外来入侵物种预警系统,其特征在于,所述系统包括:
第一获取模块,用于获取目标区域当前采集周期内的所有物种的物种类别统计数据,并根据所述物种类别统计数据与物种类别白名单的比较结果,从所述所有物种中,筛选出具有潜在入侵风险的待监控物种;
第二获取模块,用于获取所述待监控物种在监控周期内的多维监控参数,并根据所述多维监控参数,构建所述待监控物种的生物维度影响能力特征;
第三获取模块,用于获取目标区域的在所述监控周期内的生态环境数据以及气象数据,并构建所述待监控物种的环境维度影响能力特征;
输入模块,用于将所述待监控物种的生物维度影响能力特征和环境维度影响能力特征,输入所述待监控物种对应的入侵能力评价模型,输出得到所述待监控物种的入侵能力评价分数;
预警模块,用于根据所述待监控物种的入侵能力评价分数,确定所述待监控物种的危险等级,并根据所述待监控物种的危险等级,执行对应的预警策略;
所述第一获取模块包括:
信息提取子模块,用于提取所述物种类别统计数据中每个物种的名称信息;
构建子模块,用于根据所述物种类别白名单,构建至少包含一个关键词的入侵风险的关键词列表;
匹配子模块,用于根据所述关键词列表中的关键词,对每个物种的名称信息中的关键词进行匹配;
筛选子模块,用于根据所述关键词的匹配结果,从所述所有物种中,筛选出具有潜在入侵风险的待监控物种;
所述构建子模块包括:
子关键词列表构建单元,用于以所述物种类别白名单中的物种类别为关键词,进行关键词检索,构建每个物种类别对应的子关键词列表,其中,所述子关键词列表至少包含一个关键词;
初始关键词列表构建单元,用于将所述每个物种类别对应的子关键词列表进行整合,构建至少包含一个关键词的初始关键词列表;
评估单元,用于对所述初始关键词列表中的关键词进行去重和归并,并根据理论风险评估参数对每个关键词进行潜在入侵风险评估,其中,所述理论风险评估参数至少包括:全球分布范围、生长速度、营养价值、繁殖方式;
入侵风险的关键词列表构建单元,用于根据所述潜在入侵风险评估的结果,对所述初始关键词列表中的关键词进行筛选,构建所述入侵风险的关键词列表。
7.根据权利要求6所述的基于大数据分析的外来入侵物种预警系统,其特征在于,所述第二获取模块包括:
第一计算子模块,用于计算每个维度监控参数的特征重要程度,并根据所述特征重要程度从所述多维监控参数中筛选出用于构建生物维度影响能力特征的至少一个目标监控参数;
权重系数确定子模块,用于将每个所述目标监控参数的重要程度划分为多个不同的子层次,并确定根据每个所述子层次的权重系数,按照层次结构进行整合,得到每个所述目标监控参数对应的权重系数;
第二计算子模块,用于使用线性模型将所述目标监控参数按照其对应的权重系数进行加权求和,构建所述待监控物种的生物维度影响能力特征,其中所述生物维度影响能力特征至少包括所述待监控物种对其他物种的影响能力和所述待监控物种对人类活动的影响能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310203725.XA CN116304600B (zh) | 2023-03-06 | 2023-03-06 | 基于大数据分析的外来入侵物种预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310203725.XA CN116304600B (zh) | 2023-03-06 | 2023-03-06 | 基于大数据分析的外来入侵物种预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116304600A CN116304600A (zh) | 2023-06-23 |
CN116304600B true CN116304600B (zh) | 2024-02-02 |
Family
ID=86821714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310203725.XA Active CN116304600B (zh) | 2023-03-06 | 2023-03-06 | 基于大数据分析的外来入侵物种预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304600B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117109664B (zh) * | 2023-10-20 | 2023-12-22 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种湿地生态环境监测装置及系统 |
CN117436533B (zh) * | 2023-12-20 | 2024-02-13 | 贵州大学 | 基于生境数据分析的物种分布监测方法及设备 |
CN117634752B (zh) * | 2024-01-26 | 2024-04-09 | 杨凌职业技术学院 | 一种林业有害生物检疫信息管理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190718A (zh) * | 2018-11-07 | 2019-01-11 | 苏州热工研究院有限公司 | 一种核电厂海生物探测预警多源信息融合算法 |
CN111626501A (zh) * | 2020-05-26 | 2020-09-04 | 广西壮族自治区环境保护科学研究院 | 一种评估互花米草适生区域的方法 |
CN112308398A (zh) * | 2020-10-28 | 2021-02-02 | 江苏大学 | 入侵植物对植物物种多样性生态影响风险评估量化方法 |
CN113222222A (zh) * | 2021-04-23 | 2021-08-06 | 贵州民族大学 | 一种草海湿地外来物种入侵风险测定方法 |
CN114022443A (zh) * | 2021-11-03 | 2022-02-08 | 福建省农业科学院植物保护研究所 | 一种跨境入侵生物智能快速筛检系统 |
CN114529228A (zh) * | 2022-04-24 | 2022-05-24 | 南京鼎研电力科技有限公司 | 一种面向电力监控系统供应链的风险预警方法及系统 |
CN114693146A (zh) * | 2022-01-20 | 2022-07-01 | 中国环境科学研究院 | 一种自然保护地外来入侵物种风险预警系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241696A (zh) * | 2020-09-28 | 2021-01-19 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备及存储介质 |
-
2023
- 2023-03-06 CN CN202310203725.XA patent/CN116304600B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190718A (zh) * | 2018-11-07 | 2019-01-11 | 苏州热工研究院有限公司 | 一种核电厂海生物探测预警多源信息融合算法 |
CN111626501A (zh) * | 2020-05-26 | 2020-09-04 | 广西壮族自治区环境保护科学研究院 | 一种评估互花米草适生区域的方法 |
CN112308398A (zh) * | 2020-10-28 | 2021-02-02 | 江苏大学 | 入侵植物对植物物种多样性生态影响风险评估量化方法 |
CN113222222A (zh) * | 2021-04-23 | 2021-08-06 | 贵州民族大学 | 一种草海湿地外来物种入侵风险测定方法 |
CN114022443A (zh) * | 2021-11-03 | 2022-02-08 | 福建省农业科学院植物保护研究所 | 一种跨境入侵生物智能快速筛检系统 |
CN114693146A (zh) * | 2022-01-20 | 2022-07-01 | 中国环境科学研究院 | 一种自然保护地外来入侵物种风险预警系统及方法 |
CN114529228A (zh) * | 2022-04-24 | 2022-05-24 | 南京鼎研电力科技有限公司 | 一种面向电力监控系统供应链的风险预警方法及系统 |
Non-Patent Citations (2)
Title |
---|
Abdulla A. Omeer等.Deep Learning-Based Models for Classification of Invasive Plant Species from Hyperspectral Remotely Sensed Data.《DSMLAI '21': Proceedings of the International Conference on Data Science, Machine Learning and Artificial Intelligence》.2021,第222–230页. * |
外来养殖鱼类的入侵风险评估及防控对策——以尼罗罗非鱼为例;徐旭丹 等;《生物安全学报》;第278-288页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116304600A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116304600B (zh) | 基于大数据分析的外来入侵物种预警方法及系统 | |
Clare et al. | Predicting bobcat abundance at a landscape scale and evaluating occupancy as a density index in central Wisconsin | |
Letnic et al. | Keystone effects of an alien top-predator stem extinctions of native mammals | |
Crossley et al. | Recent climate change is creating hotspots of butterfly increase and decline across North America | |
Acosta et al. | Worldwide alien invasion: a methodological approach to forecast the potential spread of a highly invasive pollinator | |
Jeliazkov et al. | Level-dependence of the relationships between amphibian biodiversity and environment in pond systems within an intensive agricultural landscape | |
CN115879773B (zh) | 一种基于物联网的病虫害智能预警方法及系统 | |
Robert et al. | Nest fidelity is driven by multi-scale information in a long-lived seabird | |
Waits et al. | Applications of landscape genetics to connectivity research in terrestrial animals | |
Schulz et al. | Long‐term demographic surveys reveal a consistent relationship between average occupancy and abundance within local populations of a butterfly metapopulation | |
Dunk et al. | Conservation planning for species recovery under the Endangered Species Act: A case study with the Northern Spotted Owl | |
Mathewson et al. | Estimating breeding season abundance of golden‐cheeked warblers in Texas, USA | |
Titeux et al. | Ecological traps and species distribution models: a challenge for prioritizing areas of conservation importance | |
Swan et al. | Species distribution models for conservation planning in fire‐prone landscapes | |
Ledger et al. | Multi-scale patterns of tick occupancy and abundance across an agricultural landscape in southern Africa | |
Aycrigg et al. | Novel approaches to modeling and mapping terrestrial vertebrate occurrence in the northwest and Alaska: an evaluation | |
Rowland et al. | Distribution and diet of feral cats (Felis catus) in the Wet Tropics of north-eastern Australia, with a focus on the upland rainforest | |
Daniel et al. | Determinants of wetland-bird community composition in agricultural marshes of the Northern Prairie and Parkland Region | |
Bohnett et al. | Examining diversity of terrestrial mammal communities across forest reserves in Sabah, Borneo | |
Seoane et al. | Assessing the ecological basis of conservation priority lists for bird species in an island scenario | |
Conkling et al. | Impacts of biomass production at civil airports on grassland bird conservation and aviation strike risk | |
Triska et al. | Conserving reptiles within a multiple-use landscape: determining habitat affiliations of reptile communities in the northern jarrah forest of south-western Australia | |
Kafaei et al. | Using the ensemble modeling approach to predict the potential distribution of the Muscat mouse-tailed bat, Rhinopoma muscatellum (Chiroptera: Rhinopomatidae), in Iran | |
Chatterjee et al. | Deciphering the rarity–detectability continuum: optimizing survey design for terrestrial mammalian community | |
Morozumi et al. | Simultaneous niche expansion and contraction in plant–pollinator networks under drought |
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 |