CN117171602B - 一种生物多样性保护区监测方法及系统 - Google Patents
一种生物多样性保护区监测方法及系统 Download PDFInfo
- Publication number
- CN117171602B CN117171602B CN202311421382.0A CN202311421382A CN117171602B CN 117171602 B CN117171602 B CN 117171602B CN 202311421382 A CN202311421382 A CN 202311421382A CN 117171602 B CN117171602 B CN 117171602B
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- genetic
- biodiversity
- module
- 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 71
- 238000012544 monitoring process Methods 0.000 title claims abstract description 58
- 230000002068 genetic effect Effects 0.000 claims abstract description 138
- 238000004458 analytical method Methods 0.000 claims abstract description 102
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 80
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000003064 k means clustering Methods 0.000 claims abstract description 28
- 238000012706 support-vector machine Methods 0.000 claims abstract description 18
- 238000011835 investigation Methods 0.000 claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000013480 data collection Methods 0.000 claims abstract description 3
- 238000007405 data analysis Methods 0.000 claims description 83
- 238000012545 processing Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000003909 pattern recognition Methods 0.000 claims description 15
- 238000012252 genetic analysis Methods 0.000 claims description 14
- 238000007418 data mining Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 11
- 239000012634 fragment Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 239000003550 marker Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000001712 DNA sequencing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 239000012535 impurity Substances 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000005236 sound signal Effects 0.000 claims description 3
- 238000013477 bayesian statistics method Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 241000894007 species Species 0.000 description 104
- 238000007726 management method Methods 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000009396 hybridization Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及生态学技术领域,具体为一种生物多样性保护区监测方法及系统,包括以下步骤:应用包括加权平均法和K‑means聚类的集成数据融合算法,融合遥感数据、地理信息系统数据以及生态调查数据。本发明中,通过集成数据融合算法融合多源数据,增加了数据的丰富性和准确性,利用Mel频率倒谱系数和支持向量机自动化地识别保护区内不同物种的声音,提高数据收集的效率和精度,应用单倍群分析和主坐标分析,准确监测物种种群状况,预测遗传多样性和遗传演化方向,基于空间自相关和图论,评估生境的连通性,通过大数据平台进行全面的生物多样性分析,能对保护区管理提供更全面、更细致的数据支持,通过深度学习和遥感数据,能预测物种分布和生境适宜性。
Description
技术领域
本发明涉及生态学技术领域,尤其涉及一种生物多样性保护区监测方法及系统。
背景技术
生态学,是研究生物与环境之间相互作用的科学学科。它关注生物多样性、生态系统结构和功能,以及人类对环境的影响。生态学涵盖广泛的研究领域,包括物种演化、生物群落动态、生态系统生产力等。
生物多样性保护区监测方法旨在评估和监测生物多样性保护区内生物的组成、数量、分布和生态功能等方面的情况。其目的是保护和管理生物多样性,确保保护区内的生物种群和生态系统能够持续存在和发展。为了达成这个目标,生物多样性保护区监测方法通常通过以下手段来实施:首先,需要确定监测的区域范围,通过区域范围图可以了解该区域内的植被茂密情况。其次,需要在封育区周界的主要入口或人畜活动频繁的地方设置标志牌,标明工程名称、建设单位、封育区范围等信息。此外,还需要进行组织管理和施工管理,通过检测手段和监控措施对封山育林工程进行全面的管理监督,并加强施工安全检查和人员培训,确保施工质量和安全。最后,需要进行档案管理,包括每次分项工序检验、肥料进场、抚育等的验收记录和现场相片,以及工程竣工后的档案整理和存档工作。
在生物多样性保护区监测方法中,现有方法往往只从单一数据源进行分析,容易造成信息的碎片化和误解。多数现有方法依赖人工进行声音识别和遗传数据分析,这不仅耗时而且容易出错。多数现有方案集中在生物多样性的一个或几个方面,如仅仅关注遗传多样性或仅关注生态因素,缺乏全面性。很少有现有方法能进行准确的物种分布和生境适宜性预测,这在某种程度上限制了保护工作的前瞻性。
发明内容
本发明的目的是解决现有技术中存在的缺点,而提出的一种生物多样性保护区监测方法及系统。
为了实现上述目的,本发明采用了如下技术方案:一种生物多样性保护区监测方法,包括以下步骤:
S1:应用包括加权平均法和K-means聚类的集成数据融合算法,融合遥感数据、地理信息系统数据以及生态调查数据,生成融合后的生物多样性数据;
S2:基于所述融合后的生物多样性数据,运用Mel频率倒谱系数进行声波特征提取,并采用支持向量机进行模式识别,对保护区内不同物种的声音进行自动识别和分类,生成声音识别分类结果数据;
S3:利用所述声音识别分类结果数据结合遗传样本数据,采用单倍群分析和主坐标分析来评估种群间的遗传变异性,监测保护区内物种的种群状况、遗传多样性、遗传演化方向,生成遗传数据分析报告;
S4:基于所述遗传数据分析报告,应用空间自相关、包括度中心性和介数中心性的图论网络中心性指标,来构建和评估保护区内的空间网络模型以及生境连通性,生成生境连通性评估报告;
S5:根据所述生境连通性评估报告,构建大数据分析平台,应用包括随机森林和K-均值聚类的数据挖掘算法,进行生物多样性监测和分析,输出生物多样性大数据分析结果;
S6:使用所述生物多样性大数据分析结果,结合高分辨率遥感影像,应用包括卷积神经网络和U-Net图像分割方法的深度学习算法,预测保护区内的物种分布和生境适宜性,生成物种分布预测报告。
作为本发明的进一步方案,应用包括加权平均法和K-means聚类的集成数据融合算法,融合遥感数据、地理信息系统数据以及生态调查数据,生成融合后的生物多样性数据的步骤具体为:
S101:采用远程传感器和生态调查工具进行数据收集,获取遥感数据、地理信息系统数据、生态调查数据,得到多源原始数据集;
S102:基于所述多源原始数据集,运用K-近邻法进行数据清洗,进行缺失值填充和异常值检测,生成经过清洗的多源数据集;
S103:使用数据标准化和归一化算法处理所述经过清洗的多源数据集,生成预处理后的多源数据集;
S104:采用加权平均法和基于权重的置信度模型,对所述预处理后的多源数据集进行初级融合,得到初级融合的数据集;
S105:使用K-means聚类算法,对所述初级融合的数据集进行进一步融合,以消除冗余生成融合后的生物多样性数据。
作为本发明的进一步方案,基于所述融合后的生物多样性数据,运用Mel频率倒谱系数进行声波特征提取,并采用支持向量机进行模式识别,对保护区内不同物种的声音进行自动识别和分类,生成声音识别分类结果数据的步骤具体为:
S201:基于所述融合后的生物多样性数据,应用时间频域分析方法,对保护区内的声音信号进行切片和分段,得到物种声音数据片段;
S202:通过所述物种声音数据片段,使用Mel频率倒谱系数算法,针对每个声音片段进行特征提取,生成声音特征矩阵;
S203:对所述声音特征矩阵应用主成分分析降维,以减小计算复杂度和提高模式识别精度,得到降维后的声音特征矩阵;
S204:使用支持向量机算法和基于高斯核函数的优化技术,对所述降维后的声音特征矩阵进行物种声音的模式识别,生成声音识别分类结果数据。
作为本发明的进一步方案,利用所述声音识别分类结果数据结合遗传样本数据,采用单倍群分析和主坐标分析来评估种群间的遗传变异性,监测保护区内物种的种群状况、遗传多样性、遗传演化方向,生成遗传数据分析报告的步骤具体为:
S301:采用第二代测序技术对遗传样本进行高通量DNA测序,生成原始遗传标记数据;
S302:基于所述原始遗传标记数据,利用贝叶斯统计和MCMC方法进行单倍群分析,得到种群间的单倍群结构;
S303:基于所述种群间的单倍群结构,运用Gower's distance算法进行多维尺度分析以执行主坐标分析,获得种群间遗传变异性的量化指标;
S304:采用多级线性混合效应模型,整合所述声音识别分类结果数据和种群间遗传变异性的量化指标,评估物种状态,生成遗传数据分析报告。
作为本发明的进一步方案,基于所述遗传数据分析报告,应用空间自相关、包括度中心性和介数中心性的图论网络中心性指标,来构建和评估保护区内的空间网络模型以及生境连通性,生成生境连通性评估报告的步骤具体为:
S401:基于所述遗传数据分析报告,应用Moran's I算法进行空间自相关分析,得到空间自相关结果;
S402:基于所述遗传数据分析报告,采用PageRank算法和BetweennessCentrality算法计算度中心性和介数中心性,得到保护区内空间网络的中心性度量;
S403:基于所述遗传数据分析报告,应用Dijkstra算法进行最短路径分析以评估生境连通性,获得生境连通性评分;
S404:综合所述空间自相关结果、保护区内空间网络的中心性度量、生境连通性评分,利用权重叠加方法生成生境连通性评估报告,得到生境连通性评估报告。
作为本发明的进一步方案,根据所述生境连通性评估报告,构建大数据分析平台,应用包括随机森林和K-均值聚类的数据挖掘算法,进行生物多样性监测和分析,输出生物多样性大数据分析结果的步骤具体为:
S501:根据所述生境连通性评估报告,使用Apache Hadoop和Spark构建大数据分析平台;
S502:基于所述大数据分析平台,通过随机森林算法的Gini importance或MeanDecrease Impurity进行特征重要性评估,得到特征重要性排序;
S503:基于所述特征重要性排序,采用K-means++初始化方法进行K-均值聚类,生成生物多样性聚类结果;
S504:通过所述生物多样性聚类结果,运用主成分分析和t-SNE算法进行结果可视化和解释,输出生物多样性大数据分析结果。
作为本发明的进一步方案,使用所述生物多样性大数据分析结果,结合高分辨率遥感影像,应用包括卷积神经网络和U-Net图像分割方法的深度学习算法,预测保护区内的物种分布和生境适宜性,生成物种分布预测报告的步骤具体为:
S601:利用Landsat或Sentinel卫星的遥感影像,得到遥感影像数据集;
S602:基于所述遥感影像数据集采用VGG或ResNet架构的卷积神经网络进行图像特征提取,生成初步的物种分布图;
S603:基于所述初步的物种分布图,应用U-Net算法并利用Dice Loss函数进行优化,实现高精度生境适宜性分析,得到生境适宜性地图;
S604:基于所述生境适宜性地图结合生物多样性大数据分析结果,通过梯度提升或随机森林集成学习方法,得到物种分布预测报告。
一种生物多样性保护区监测系统用于执行上述生物多样性保护区监测方法,所述生物多样性保护区监测系统是由数据处理模块、声音识别模块、遗传分析模块、生境评估模块、生物分析与预测模块组成。
作为本发明的进一步方案,所述数据处理模块采集遥感数据、GIS数据和生态调查数据,形成多源原始数据集,使用K-近邻法进行数据清洗并对数据进行标准化和归一化处理,利用加权平均法和基于权重的置信度模型实现初级数据融合,并使用K-means聚类算法进行融合,生成融合后的生物多样性数据;
所述声音识别模块基于融合后的生物多样性数据,采用Mel频率倒谱系数进行声波特征提取,并使用支持向量机进行声音模式识别与分类,生成声音识别分类结果数据;
所述遗传分析模块基于声音识别分类结果数据与遗传样本数据,应用单倍群分析和主坐标分析评估种群间遗传变异性,监测物种种群状态及其遗传多样性和演化方向,生成遗传数据分析报告;
所述生境评估模块基于遗传数据分析报告,运用空间自相关分析,结合度中心性和介数中心性指标构建并评估保护区内的空间网络模型,评估生境连通性,生成生境连通性评估报告;
所述生物分析与预测模块基于生境连通性评估报告,构建大数据分析平台,应用数据挖掘算法进行生物多样性监测与分析,结合高分辨率遥感影像,采用CNN和U-Net深度学习算法进行物种分布预测,生成物种分布预测报告。
作为本发明的进一步方案,所述数据处理模块包括数据收集子模块、数据清洗子模块、数据融合子模块;
所述声音识别模块包括特征提取子模块、声音模式识别子模块、声音分类子模块;
所述遗传分析模块包括单倍群分析子模块、主坐标分析子模块、种群状态监测子模块;
所述生境评估模块包括空间网络建模子模块、生境连通性评估子模块、报告生成子模块;
所述生物分析与预测模块包括大数据平台搭建子模块、多样性分析子模块、分布预测子模块。
与现有技术相比,本发明的优点和积极效果在于:
本发明中,通过集成数据融合算法融合多源数据,增加了数据的丰富性和准确性。利用Mel频率倒谱系数和支持向量机自动化地识别保护区内不同物种的声音,提高数据收集的效率和精度。应用单倍群分析和主坐标分析,不仅能准确监测物种种群状况,还能预测遗传多样性和遗传演化方向。基于空间自相关和图论,评估生境的连通性,有助于更有效的生态保护措施。通过大数据平台进行全面的生物多样性分析,能对保护区管理提供更全面、更细致的数据支持。通过深度学习和遥感数据,能预测物种分布和生境适宜性。
附图说明
图1为本发明的工作流程示意图;
图2为本发明的S1细化流程图;
图3为本发明的S2细化流程图;
图4为本发明的S3细化流程图;
图5为本发明的S4细化流程图;
图6为本发明的S5细化流程图;
图7为本发明的S6细化流程图;
图8为本发明的系统流程图;
图9为本发明的系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“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和简化描述,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。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例一
请参阅图1,本发明提供一种技术方案:一种生物多样性保护区监测方法,包括以下步骤:
S1:应用包括加权平均法和K-means聚类的集成数据融合算法,融合遥感数据、地理信息系统数据以及生态调查数据,生成融合后的生物多样性数据;
S2:基于融合后的生物多样性数据,运用Mel频率倒谱系数进行声波特征提取,并采用支持向量机进行模式识别,对保护区内不同物种的声音进行自动识别和分类,生成声音识别分类结果数据;
S3:利用声音识别分类结果数据结合遗传样本数据,采用单倍群分析和主坐标分析来评估种群间的遗传变异性,监测保护区内物种的种群状况、遗传多样性、遗传演化方向,生成遗传数据分析报告;
S4:基于遗传数据分析报告,应用空间自相关、包括度中心性和介数中心性的图论网络中心性指标,来构建和评估保护区内的空间网络模型以及生境连通性,生成生境连通性评估报告;
S5:根据生境连通性评估报告,构建大数据分析平台,应用包括随机森林和K-均值聚类的数据挖掘算法,进行生物多样性监测和分析,输出生物多样性大数据分析结果;
S6:使用生物多样性大数据分析结果,结合高分辨率遥感影像,应用包括卷积神经网络和U-Net图像分割方法的深度学习算法,预测保护区内的物种分布和生境适宜性,生成物种分布预测报告。
通过将遥感数据、地理信息系统数据和生态调查数据进行融合,生成融合后的生物多样性数据。这种数据融合可以提供全面而综合的信息,帮助研究人员和管理者更好地了解保护区内的生态环境。应用声波特征提取和支持向量机模式识别技术,对保护区内不同物种的声音进行自动识别和分类。这有助于快速准确地了解物种的存在和分布情况,为保护区管理和生物多样性保护提供重要的信息。结合声音识别分类结果数据和遗传样本数据,采用单倍群分析和主坐标分析评估种群间的遗传变异性。通过监测保护区内物种的种群状况、遗传多样性和遗传演化方向,生成遗传数据分析报告。这有助于了解物种的遗传特征和保护区内生态系统的健康状况。基于遗传数据分析报告,构建保护区内的空间网络模型以及评估生境连通性。通过应用空间自相关和图论网络中心性指标,可以评估不同生境之间的连通性,并生成生境连通性评估报告。这有助于了解保护区内的生境连通性情况,指导保护区规划和生物迁移管理。构建大数据分析平台,利用随机森林和K-均值聚类等数据挖掘算法,对生物多样性进行监测和分析。通过分析生物多样性大数据,可获取关于保护区内物种多样性、分布情况和潜在趋势的信息。这为保护区的管理和决策提供了强大的支持。利用生物多样性大数据分析结果和高分辨率遥感影像,应用深度学习算法进行物种分布预测。这可以帮助预测物种在保护区内的分布情况和适宜生境区域,为保护区规划和管理提供有力的数据支持。
请参阅图2,应用包括加权平均法和K-means聚类的集成数据融合算法,融合遥感数据、地理信息系统数据以及生态调查数据,生成融合后的生物多样性数据的步骤具体为:
S101:采用远程传感器和生态调查工具进行数据收集,获取遥感数据、地理信息系统数据、生态调查数据,得到多源原始数据集;
S102:基于多源原始数据集,运用K-近邻法进行数据清洗,进行缺失值填充和异常值检测,生成经过清洗的多源数据集;
S103:使用数据标准化和归一化算法处理经过清洗的多源数据集,生成预处理后的多源数据集;
S104:采用加权平均法和基于权重的置信度模型,对预处理后的多源数据集进行初级融合,得到初级融合的数据集;
S105:使用K-means聚类算法,对初级融合的数据集进行进一步融合,以消除冗余生成融合后的生物多样性数据。
首先,通过融合遥感数据、地理信息系统数据和生态调查数据,得到了多源原始数据集,综合利用了不同数据源的优势。然后,通过K-近邻法进行数据清洗,能够减少数据中的噪音和异常值,提高数据的质量和准确性。接下来,数据标准化和归一化算法可以使得不同数据源之间的值处于可比较的范围,确保数据在融合过程中具有一致性。
利用加权平均法和基于权重的置信度模型,可以对预处理后的多源数据集进行初级融合。通过分配不同的权重给各个数据源,可以更好地利用各个数据源的信息,从而生成更全面和综合的生物多样性数据。进一步,在使用K-means聚类算法进行进一步融合时,能够消除数据中的冗余信息,提取出数据的主要特征和模式。这有助于提高数据的表达和解释能力,并减少数据的冗余性。
请参阅图3,基于融合后的生物多样性数据,运用Mel频率倒谱系数进行声波特征提取,并采用支持向量机进行模式识别,对保护区内不同物种的声音进行自动识别和分类,生成声音识别分类结果数据的步骤具体为:
S201:基于融合后的生物多样性数据,应用时间频域分析方法,对保护区内的声音信号进行切片和分段,得到物种声音数据片段;
S202:通过物种声音数据片段,使用Mel频率倒谱系数算法,针对每个声音片段进行特征提取,生成声音特征矩阵;
S203:对声音特征矩阵应用主成分分析降维,以减小计算复杂度和提高模式识别精度,得到降维后的声音特征矩阵;
S204:使用支持向量机算法和基于高斯核函数的优化技术,对降维后的声音特征矩阵进行物种声音的模式识别,生成声音识别分类结果数据。
首先,通过声音识别和分类,能够自动识别和分类保护区内不同物种的声音,提供快速、准确的物种信息。这对于保护区管理人员和研究人员来说,是一种高效的方式,可以大大节省时间和资源。
其次,声音识别和分类结果可以生成声音识别分类结果数据,这种数据能够为生物多样性研究提供重要的信息和参考。通过分析声音识别分类结果数据,可以了解物种的分布、相对丰富度和活动模式等信息,有助于揭示保护区内物种的生态特征和种群动态。
此外,声音识别分类也为环境监测提供了有益的工具。通过对不同物种声音的识别和分类,可以了解环境中物种的存在和变化情况。这对于评估生态系统的健康状况、监测濒危物种和监控物种多样性变化等方面具有重要意义。
请参阅图4,利用声音识别分类结果数据结合遗传样本数据,采用单倍群分析和主坐标分析来评估种群间的遗传变异性,监测保护区内物种的种群状况、遗传多样性、遗传演化方向,生成遗传数据分析报告的步骤具体为:
S301:采用第二代测序技术对遗传样本进行高通量DNA测序,生成原始遗传标记数据;
S302:基于原始遗传标记数据,利用贝叶斯统计和MCMC方法进行单倍群分析,得到种群间的单倍群结构;
S303:基于种群间的单倍群结构,运用Gower's distance算法进行多维尺度分析以执行主坐标分析,获得种群间遗传变异性的量化指标;
S304:采用多级线性混合效应模型,整合声音识别分类结果数据和种群间遗传变异性的量化指标,评估物种状态,生成遗传数据分析报告。
首先,通过声音识别分类结果数据,可以准确识别和分类保护区内不同物种的声音,为遗传数据分析提供准确的物种标识。这有助于减少遗传样本混杂和误分类带来的不确定性,提高遗传数据分析的可靠性。
其次,通过遗传样本的高通量DNA测序和单倍群分析,可以了解保护区内物种的遗传结构和亲缘关系。这有助于评估种群间的遗传变异性,揭示物种的种群状况、遗传多样性水平以及可能的遗传演化方向。对保护区内不同物种进行遗传分析,可为物种保护和管理提供科学依据。
进一步运用主坐标分析,能够在多维度上量化种群间的遗传差异,并将其可视化呈现。这提供了对遗传变异性的直观理解,有助于鉴别不同种群之间的遗传结构模式和优先保护区域。通过主坐标分析,可以识别物种种群的地理分布模式、遗传流动性和适应性演化等重要信息。
最后,整合声音识别分类结果和遗传变异性的量化指标,利用多级线性混合效应模型评估物种状态,可以全面评估保护区内物种的遗传健康和保护状况。这提供了基于声音和遗传信息的综合评估,帮助保护区管理人员了解物种的分布范围、遗传多样性水平及其潜在威胁。
请参阅图5,基于遗传数据分析报告,应用空间自相关、包括度中心性和介数中心性的图论网络中心性指标,来构建和评估保护区内的空间网络模型以及生境连通性,生成生境连通性评估报告的步骤具体为:
S401:基于遗传数据分析报告,应用Moran's I算法进行空间自相关分析,得到空间自相关结果;
S402:基于遗传数据分析报告,采用PageRank算法和Betweenness Centrality算法计算度中心性和介数中心性,得到保护区内空间网络的中心性度量;
S403:基于遗传数据分析报告,应用Dijkstra算法进行最短路径分析以评估生境连通性,获得生境连通性评分;
S404:综合空间自相关结果、保护区内空间网络的中心性度量、生境连通性评分,利用权重叠加方法生成生境连通性评估报告,得到生境连通性评估报告。
首先,声音识别分类结果数据能够准确识别和分类保护区内不同物种的声音,从而提供精确的物种标识,为后续的遗传数据分析提供可靠的基础。这有助于减少遗传样本混杂和误分类带来的不确定性,提高遗传数据分析的准确性。
其次,通过进行遗传分析,包括对遗传样本进行高通量DNA测序和单倍群分析,可以了解保护区内物种的遗传结构和亲缘关系。这有助于评估种群间的遗传变异性,揭示物种的种群状况、遗传多样性水平以及可能的遗传演化方向。这些信息对于物种的保护和管理具有重要意义。
进一步运用主坐标分析,可以在多维度上量化种群间的遗传差异,并以可视化的方式展现。这有助于深入理解种群间的遗传变异性,并帮助确定不同种群之间的遗传结构模式和优先保护区域。通过主坐标分析,可以识别物种种群的地理分布模式、遗传流动性以及适应性演化等重要信息。
最后,将声音识别分类结果数据与遗传变异性的量化指标结合,利用多级线性混合效应模型进行评估,可以全面评估保护区内物种的遗传健康和保护状况。这种综合评估基于声音和遗传信息,有助于了解物种的分布范围、遗传多样性水平以及潜在威胁。这些评估结果对于制定有效的保护策略和决策至关重要。
请参阅图6,根据生境连通性评估报告,构建大数据分析平台,应用包括随机森林和K-均值聚类的数据挖掘算法,进行生物多样性监测和分析,输出生物多样性大数据分析结果的步骤具体为:
S501:根据生境连通性评估报告,使用Apache Hadoop和Spark构建大数据分析平台;
S502:基于大数据分析平台,通过随机森林算法的Gini importance或MeanDecrease Impurity进行特征重要性评估,得到特征重要性排序;
S503:基于特征重要性排序,采用K-means++初始化方法进行K-均值聚类,生成生物多样性聚类结果;
S504:通过生物多样性聚类结果,运用主成分分析和t-SNE算法进行结果可视化和解释,输出生物多样性大数据分析结果。
首先,在构建大数据分析平台的过程中,利用Apache Hadoop和Spark等技术,我们可以处理大规模的数据集,实现高效的数据分析和处理。这为生物多样性监测和分析提供了强大的计算能力和可扩展性。
其次,在随机森林算法的应用中,通过评估特征重要性,我们可以确定哪些特征对于生物多样性具有更大的影响力。这有助于我们识别出对生境连通性和物种分布具有关键作用的因素,为生态保护和管理提供重要的信息和指导。
进一步地,利用K-均值聚类算法,基于特征重要性评估的结果,我们可以将生物多样性数据划分为不同的聚类簇。这使我们能够识别出具有相似特征的物种群体或生境类型,并揭示出不同聚类簇之间的相似性和差异性。通过这样的聚类分析,我们可以深入了解生物多样性的组成结构和物种分布的模式。
最后,通过主成分分析和t-SNE算法的应用,我们可以对生物多样性聚类结果进行可视化和解释。主成分分析和t-SNE能够将高维数据映射到低维空间,以便更好地观察不同聚类簇之间的关系和物种分布的模式。这样的可视化和解释有助于我们理解生物多样性的空间分布、物种之间的相似性或差异性等重要特征。
请参阅图7,使用生物多样性大数据分析结果,结合高分辨率遥感影像,应用包括卷积神经网络和U-Net图像分割方法的深度学习算法,预测保护区内的物种分布和生境适宜性,生成物种分布预测报告的步骤具体为:
S601:利用Landsat或Sentinel卫星的遥感影像,得到遥感影像数据集;
S602:基于遥感影像数据集采用VGG或ResNet架构的卷积神经网络进行图像特征提取,生成初步的物种分布图;
S603:基于初步的物种分布图,应用U-Net算法并利用Dice Loss函数进行优化,实现高精度生境适宜性分析,得到生境适宜性地图;
S604:基于生境适宜性地图结合生物多样性大数据分析结果,通过梯度提升或随机森林集成学习方法,得到物种分布预测报告。
首先,使用高分辨率遥感影像构建遥感数据集,获取丰富的生境信息。接着,通过卷积神经网络进行图像特征提取,生成初步的物种分布图,帮助定位不同物种的分布区域。然后,利用U-Net图像分割方法进行生境适宜性分析,生成高精度的生境适宜性地图,分类地表像素为适宜或不适宜的生境类型。最后,结合生物多样性大数据分析结果和生境适宜性地图,运用集成学习方法如梯度提升或随机森林,生成物种分布预测报告,提供详细的物种分布和生境适宜性预测信息。
请参阅图8,一种生物多样性保护区监测系统用于执行上述生物多样性保护区监测方法,生物多样性保护区监测系统是由数据处理模块、声音识别模块、遗传分析模块、生境评估模块、生物分析与预测模块组成。
数据处理模块采集遥感数据、GIS数据和生态调查数据,形成多源原始数据集,使用K-近邻法进行数据清洗并对数据进行标准化和归一化处理,利用加权平均法和基于权重的置信度模型实现初级数据融合,并使用K-means聚类算法进行融合,生成融合后的生物多样性数据;
声音识别模块基于融合后的生物多样性数据,采用Mel频率倒谱系数进行声波特征提取,并使用支持向量机进行声音模式识别与分类,生成声音识别分类结果数据;
遗传分析模块基于声音识别分类结果数据与遗传样本数据,应用单倍群分析和主坐标分析评估种群间遗传变异性,监测物种种群状态及其遗传多样性和演化方向,生成遗传数据分析报告;
生境评估模块基于遗传数据分析报告,运用空间自相关分析,结合度中心性和介数中心性指标构建并评估保护区内的空间网络模型,评估生境连通性,生成生境连通性评估报告;
生物分析与预测模块基于生境连通性评估报告,构建大数据分析平台,应用数据挖掘算法进行生物多样性监测与分析,结合高分辨率遥感影像,采用CNN和U-Net深度学习算法进行物种分布预测,生成物种分布预测报告。
数据处理模块负责采集并整合多源原始数据,通过K-近邻法进行数据清洗和标准化处理,使用加权平均法和基于权重的置信度模型进行初级数据融合,再应用K-means聚类算法生成融合后的生物多样性数据。这个模块的效果是获取一致且可用于后续分析的多源数据,为监测系统提供了准确和一致的基础数据。
声音识别模块利用融合后的生物多样性数据,应用Mel频率倒谱系数进行声波特征提取,使用支持向量机进行声音模式识别和分类。这个模块的效果是对声音数据进行准确的识别和分类,为物种监测提供了非侵入性的方法,并生成声音识别分类结果数据。
遗传分析模块基于声音识别分类结果数据和遗传样本数据,应用单倍群分析和主坐标分析等方法,评估物种间的遗传变异性,监测种群状态、遗传多样性和演化方向。这个模块的效果是提供对物种遗传信息的深入了解,为保护和管理策略提供科学依据,并生成遗传数据分析报告。
生境评估模块基于遗传数据分析报告,通过空间自相关分析和中心性指标,构建和评估保护区内的空间网络模型,评估生境连通性。这个模块的效果是量化和评估保护区内的生境连通性,及其对物种分布和迁移的影响,并生成生境连通性评估报告。
生物分析与预测模块基于生境连通性评估报告,构建大数据分析平台,应用数据挖掘算法和深度学习算法如CNN和U-Net,结合高分辨率遥感影像,进行物种分布预测和监测分析。这个模块的效果是实现准确的物种分布预测,并生成详细的物种分布预测报告,为保护区的管理和决策制定提供重要的信息。
请参阅图9,数据处理模块包括数据收集子模块、数据清洗子模块、数据融合子模块;
声音识别模块包括特征提取子模块、声音模式识别子模块、声音分类子模块;
遗传分析模块包括单倍群分析子模块、主坐标分析子模块、种群状态监测子模块;
生境评估模块包括空间网络建模子模块、生境连通性评估子模块、报告生成子模块;
生物分析与预测模块包括大数据平台搭建子模块、多样性分析子模块、分布预测子模块。
数据处理模块通过数据收集子模块、数据清洗子模块和数据融合子模块,实现对多源原始数据的整合与处理。这个模块的有益效果是确保数据的可靠性和一致性,消除噪声和冗余信息,为后续分析提供高质量的数据基础。
声音识别模块包括特征提取子模块、声音模式识别子模块和声音分类子模块。通过提取声波特征并应用支持向量机进行声音模式识别和分类,该模块能够准确识别声音数据并将其分类。这个模块的有益效果是提供非侵入性的声学数据分析方式,为物种监测和分析提供了新的手段。
遗传分析模块包括单倍群分析子模块、主坐标分析子模块和种群状态监测子模块。通过这些子模块的应用,可以评估物种间的遗传变异性、监测种群状态以及研究遗传多样性和演化方向。这个模块的有益效果是为保护区管理和决策提供遗传信息,提高对物种种群的理解和保护措施的制定。
生境评估模块包括空间网络建模子模块、生境连通性评估子模块和报告生成子模块。通过空间网络建模和生境连通性评估,该模块可以量化评估保护区内的生境连通性,并生成相应的评估报告。这个模块的有益效果是为保护区规划和管理提供关于生境质量和连通性的重要信息,增强生物多样性保护的有效性。
生物分析与预测模块包括大数据平台搭建子模块、多样性分析子模块和分布预测子模块。通过建立大数据分析平台,应用数据挖掘和深度学习算法,该模块能够进行生物多样性分析和物种分布预测,并生成相应的报告。这个模块的有益效果是提供全面、准确的生物多样性分析和物种分布预测,为保护区管理和决策制定提供科学依据。
工作原理:
数据处理:使用数据处理模块采集遥感数据、地理信息系统数据和生态调查数据,形成多源原始数据集。然后使用K-近邻法进行数据清洗、标准化和归一化处理,最后通过加权平均法和基于权重的置信度模型进行初级数据融合,再使用K-means聚类算法进行进一步融合,生成融合后的生物多样性数据。
声音识别:基于融合后的生物多样性数据,采用Mel频率倒谱系数进行声波特征提取,并使用支持向量机进行声音模式识别和分类,生成声音识别分类结果数据。这一步骤可以自动识别和分类保护区内不同物种的声音。
遗传分析:利用声音识别分类结果数据结合遗传样本数据,采用单倍群分析和主坐标分析评估种群间的遗传变异性,监测保护区内物种的种群状况、遗传多样性和遗传演化方向,生成遗传数据分析报告。
生境评估:基于遗传数据分析报告,应用空间自相关分析和图论网络中心性指标构建和评估保护区内的空间网络模型以及生境连通性,生成生境连通性评估报告。这一步骤可以评估保护区内的生境连通性和物种栖息地的质量。
生物分析与预测:根据生境连通性评估报告,构建大数据分析平台,应用随机森林和K-均值聚类等数据挖掘算法进行生物多样性监测和分析,输出生物多样性大数据分析结果。结合高分辨率遥感影像,利用深度学习算法(如卷积神经网络和U-Net图像分割方法)预测保护区内的物种分布和生境适宜性,生成物种分布预测报告。
以上,仅是本发明的较佳实施例而已,并非对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (10)
1.一种生物多样性保护区监测方法,其特征在于,包括以下步骤:
应用包括加权平均法和K-means聚类的集成数据融合算法,融合遥感数据、地理信息系统数据以及生态调查数据,生成融合后的生物多样性数据;
基于所述融合后的生物多样性数据,运用Mel频率倒谱系数进行声波特征提取,并采用支持向量机进行模式识别,对保护区内不同物种的声音进行自动识别和分类,生成声音识别分类结果数据;
利用所述声音识别分类结果数据结合遗传样本数据,采用单倍群分析和主坐标分析来评估种群间的遗传变异性,监测保护区内物种的种群状况、遗传多样性、遗传演化方向,生成遗传数据分析报告;
基于所述遗传数据分析报告,应用空间自相关、包括度中心性和介数中心性的图论网络中心性指标,来构建和评估保护区内的空间网络模型以及生境连通性,生成生境连通性评估报告;
根据所述生境连通性评估报告,构建大数据分析平台,应用包括随机森林和K-均值聚类的数据挖掘算法,进行生物多样性监测和分析,输出生物多样性大数据分析结果;
使用所述生物多样性大数据分析结果,结合高分辨率遥感影像,应用包括卷积神经网络和U-Net图像分割方法的深度学习算法,预测保护区内的物种分布和生境适宜性,生成物种分布预测报告。
2.根据权利要求1所述的生物多样性保护区监测方法,其特征在于,应用包括加权平均法和K-means聚类的集成数据融合算法,融合遥感数据、地理信息系统数据以及生态调查数据,生成融合后的生物多样性数据的步骤具体为:
采用远程传感器和生态调查工具进行数据收集,获取遥感数据、地理信息系统数据、生态调查数据,得到多源原始数据集;
基于所述多源原始数据集,运用K-近邻法进行数据清洗,进行缺失值填充和异常值检测,生成经过清洗的多源数据集;
使用数据标准化和归一化算法处理所述经过清洗的多源数据集,生成预处理后的多源数据集;
采用加权平均法和基于权重的置信度模型,对所述预处理后的多源数据集进行初级融合,得到初级融合的数据集;
使用K-means聚类算法,对所述初级融合的数据集进行进一步融合,以消除冗余生成融合后的生物多样性数据。
3.根据权利要求1所述的生物多样性保护区监测方法,其特征在于,基于所述融合后的生物多样性数据,运用Mel频率倒谱系数进行声波特征提取,并采用支持向量机进行模式识别,对保护区内不同物种的声音进行自动识别和分类,生成声音识别分类结果数据的步骤具体为:
基于所述融合后的生物多样性数据,应用时间频域分析方法,对保护区内的声音信号进行切片和分段,得到物种声音数据片段;
通过所述物种声音数据片段,使用Mel频率倒谱系数算法,针对每个声音片段进行特征提取,生成声音特征矩阵;
对所述声音特征矩阵应用主成分分析降维,以减小计算复杂度和提高模式识别精度,得到降维后的声音特征矩阵;
使用支持向量机算法和基于高斯核函数的优化技术,对所述降维后的声音特征矩阵进行物种声音的模式识别,生成声音识别分类结果数据。
4.根据权利要求1所述的生物多样性保护区监测方法,其特征在于,利用所述声音识别分类结果数据结合遗传样本数据,采用单倍群分析和主坐标分析来评估种群间的遗传变异性,监测保护区内物种的种群状况、遗传多样性、遗传演化方向,生成遗传数据分析报告的步骤具体为:
采用第二代测序技术对遗传样本进行高通量DNA测序,生成原始遗传标记数据;
基于所述原始遗传标记数据,利用贝叶斯统计和MCMC方法进行单倍群分析,得到种群间的单倍群结构;
基于所述种群间的单倍群结构,运用Gower's distance算法进行多维尺度分析以执行主坐标分析,获得种群间遗传变异性的量化指标;
采用多级线性混合效应模型,整合所述声音识别分类结果数据和种群间遗传变异性的量化指标,评估物种状态,生成遗传数据分析报告。
5.根据权利要求1所述的生物多样性保护区监测方法,其特征在于,基于所述遗传数据分析报告,应用空间自相关、包括度中心性和介数中心性的图论网络中心性指标,来构建和评估保护区内的空间网络模型以及生境连通性,生成生境连通性评估报告的步骤具体为:
基于所述遗传数据分析报告,应用Moran's I算法进行空间自相关分析,得到空间自相关结果;
基于所述遗传数据分析报告,采用PageRank算法和Betweenness Centrality算法计算度中心性和介数中心性,得到保护区内空间网络的中心性度量;
基于所述遗传数据分析报告,应用Dijkstra算法进行最短路径分析以评估生境连通性,获得生境连通性评分;
综合所述空间自相关结果、保护区内空间网络的中心性度量、生境连通性评分,利用权重叠加方法生成生境连通性评估报告,得到生境连通性评估报告。
6.根据权利要求1所述的生物多样性保护区监测方法,其特征在于,根据所述生境连通性评估报告,构建大数据分析平台,应用包括随机森林和K-均值聚类的数据挖掘算法,进行生物多样性监测和分析,输出生物多样性大数据分析结果的步骤具体为:
根据所述生境连通性评估报告,使用Apache Hadoop和Spark构建大数据分析平台;
基于所述大数据分析平台,通过随机森林算法的Gini importance或Mean DecreaseImpurity进行特征重要性评估,得到特征重要性排序;
基于所述特征重要性排序,采用K-means++初始化方法进行K-均值聚类,生成生物多样性聚类结果;
通过所述生物多样性聚类结果,运用主成分分析和t-SNE算法进行结果可视化和解释,输出生物多样性大数据分析结果。
7.根据权利要求1所述的生物多样性保护区监测方法,其特征在于,使用所述生物多样性大数据分析结果,结合高分辨率遥感影像,应用包括卷积神经网络和U-Net图像分割方法的深度学习算法,预测保护区内的物种分布和生境适宜性,生成物种分布预测报告的步骤具体为:
利用Landsat或Sentinel卫星的遥感影像,得到遥感影像数据集;
基于所述遥感影像数据集采用VGG或ResNet架构的卷积神经网络进行图像特征提取,生成初步的物种分布图;
基于所述初步的物种分布图,应用U-Net算法并利用Dice Loss函数进行优化,实现高精度生境适宜性分析,得到生境适宜性地图;
基于所述生境适宜性地图结合生物多样性大数据分析结果,通过梯度提升或随机森林集成学习方法,得到物种分布预测报告。
8.一种生物多样性保护区监测系统,其特征在于,所述生物多样性保护区监测系统用于执行权利要求1-7任一所述的生物多样性保护区监测方法,所述生物多样性保护区监测系统是由数据处理模块、声音识别模块、遗传分析模块、生境评估模块、生物分析与预测模块组成。
9.根据权利要求8所述的生物多样性保护区监测系统,其特征在于,所述数据处理模块采集遥感数据、GIS数据和生态调查数据,形成多源原始数据集,使用K-近邻法进行数据清洗并对数据进行标准化和归一化处理,利用加权平均法和基于权重的置信度模型实现初级数据融合,并使用K-means聚类算法进行融合,生成融合后的生物多样性数据;
所述声音识别模块基于融合后的生物多样性数据,采用Mel频率倒谱系数进行声波特征提取,并使用支持向量机进行声音模式识别与分类,生成声音识别分类结果数据;
所述遗传分析模块基于声音识别分类结果数据与遗传样本数据,应用单倍群分析和主坐标分析评估种群间遗传变异性,监测物种种群状态及其遗传多样性和演化方向,生成遗传数据分析报告;
所述生境评估模块基于遗传数据分析报告,运用空间自相关分析,结合度中心性和介数中心性指标构建并评估保护区内的空间网络模型,评估生境连通性,生成生境连通性评估报告;
所述生物分析与预测模块基于生境连通性评估报告,构建大数据分析平台,应用数据挖掘算法进行生物多样性监测与分析,结合高分辨率遥感影像,采用CNN和U-Net深度学习算法进行物种分布预测,生成物种分布预测报告。
10.根据权利要求8所述的生物多样性保护区监测系统,其特征在于,所述数据处理模块包括数据收集子模块、数据清洗子模块、数据融合子模块;
所述声音识别模块包括特征提取子模块、声音模式识别子模块、声音分类子模块;
所述遗传分析模块包括单倍群分析子模块、主坐标分析子模块、种群状态监测子模块;
所述生境评估模块包括空间网络建模子模块、生境连通性评估子模块、报告生成子模块;
所述生物分析与预测模块包括大数据平台搭建子模块、多样性分析子模块、分布预测子模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311421382.0A CN117171602B (zh) | 2023-10-31 | 2023-10-31 | 一种生物多样性保护区监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311421382.0A CN117171602B (zh) | 2023-10-31 | 2023-10-31 | 一种生物多样性保护区监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117171602A CN117171602A (zh) | 2023-12-05 |
CN117171602B true CN117171602B (zh) | 2024-01-05 |
Family
ID=88931996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311421382.0A Active CN117171602B (zh) | 2023-10-31 | 2023-10-31 | 一种生物多样性保护区监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117171602B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523418B (zh) * | 2024-01-08 | 2024-04-12 | 山东省国土测绘院 | 一种多源遥感图像分析方法及系统 |
CN118014194B (zh) * | 2024-01-16 | 2024-07-09 | 中国水产科学研究院南海水产研究所 | 一种基于区域分析的水产种质资源选育方法及系统 |
CN117633722B (zh) * | 2024-01-25 | 2024-04-23 | 江西省交通工程集团有限公司 | 基于智能检测机器人的检测控制方法及系统 |
CN118378216A (zh) * | 2024-06-24 | 2024-07-23 | 南方海洋科学与工程广东省实验室(广州) | 一种多维水下生物多样性自动化监测方法、系统及终端 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112782101A (zh) * | 2021-01-25 | 2021-05-11 | 深圳市工勘岩土集团有限公司 | 基于遥感和地理信息系统的生态环境动态监测及预警方法 |
CN115439759A (zh) * | 2022-11-09 | 2022-12-06 | 航天宏图信息技术股份有限公司 | 遥感影像中植被的提取方法、装置、电子设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11847773B1 (en) * | 2018-04-27 | 2023-12-19 | Splunk Inc. | Geofence-based object identification in an extended reality environment |
-
2023
- 2023-10-31 CN CN202311421382.0A patent/CN117171602B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112782101A (zh) * | 2021-01-25 | 2021-05-11 | 深圳市工勘岩土集团有限公司 | 基于遥感和地理信息系统的生态环境动态监测及预警方法 |
CN115439759A (zh) * | 2022-11-09 | 2022-12-06 | 航天宏图信息技术股份有限公司 | 遥感影像中植被的提取方法、装置、电子设备及介质 |
Non-Patent Citations (2)
Title |
---|
岛屿生态系统中强干扰廊道建设的生态控制理论与方法;黄磊昌;《中国博士学位论文全文数据库 工程科技Ⅰ辑》;第 B027-15页 * |
自然保护区旅游开发对不同扩散模式植物多样性的影响;刘炳亮;《中国博士学位论文全文数据库 基础科学辑》;第A006-264页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117171602A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117171602B (zh) | 一种生物多样性保护区监测方法及系统 | |
Bao et al. | Computer vision and deep learning–based data anomaly detection method for structural health monitoring | |
Salehi et al. | Emerging artificial intelligence methods in structural engineering | |
Kusche et al. | Large-area, high-resolution characterisation and classification of damage mechanisms in dual-phase steel using deep learning | |
Roberts et al. | Towards low-cost pavement condition health monitoring and analysis using deep learning | |
Fallahian et al. | Ensemble classification method for structural damage assessment under varying temperature | |
Calabrese et al. | Noise removal by cluster analysis after long time AE corrosion monitoring of steel reinforcement in concrete | |
Wang et al. | Deep residual network framework for structural health monitoring | |
Taskin Kaya et al. | Damage assessment of 2010 Haiti earthquake with post-earthquake satellite image by support vector selection and adaptation | |
Zhang et al. | Data anomaly detection for structural health monitoring by multi-view representation based on local binary patterns | |
Mohamadi et al. | Fusion and visualization of bridge deck nondestructive evaluation data via machine learning | |
Ahmed et al. | Recognizing a spatial extreme dependence structure: A deep learning approach | |
Fan | Evaluation of classification for project features with machine learning algorithms | |
Zhu et al. | An enhanced RIME optimizer with horizontal and vertical crossover for discriminating microseismic and blasting signals in deep mines | |
Bhatta et al. | Machine learning-based classification for rapid seismic damage assessment of buildings at a regional scale | |
Adha et al. | Automated building classification framework using convolutional neural network | |
Kamran et al. | Decision intelligence-driven predictive modelling of air quality index in surface mining | |
Zamzuri et al. | The Forecasting of Poverty using the Ensemble Learning Classification Methods | |
Boccagna et al. | Unsupervised Deep Learning for Structural Health Monitoring | |
Shiuly et al. | Assessing compressive strengths of mortar and concrete from digital images by machine learning techniques | |
Cheng et al. | Image-based preliminary emergency assessment of damaged buildings after earthquake: Taiwan case studies | |
Chaparala et al. | Monitor the strength status of buildings using hybrid machine learning technique | |
Das et al. | Optimizing the performance of machine learning algorithms for the condition assessment of utility timber poles | |
Ensafi et al. | Machine learning and artificial intelligence applications in building construction: present status and future trends | |
David et al. | Crime Forecasting using Interpretable Regression Techniques |
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 |