CN117421643B - 基于人工智能的生态环境遥感数据分析方法及系统 - Google Patents

基于人工智能的生态环境遥感数据分析方法及系统 Download PDF

Info

Publication number
CN117421643B
CN117421643B CN202311741118.5A CN202311741118A CN117421643B CN 117421643 B CN117421643 B CN 117421643B CN 202311741118 A CN202311741118 A CN 202311741118A CN 117421643 B CN117421643 B CN 117421643B
Authority
CN
China
Prior art keywords
learning sample
description vector
data learning
environment data
abnormal
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
Application number
CN202311741118.5A
Other languages
English (en)
Other versions
CN117421643A (zh
Inventor
李云
来楷迪
赵青松
周鑫
刘宇轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Environmental Engineering Assessment Center
Guizhou University
Original Assignee
Guizhou Environmental Engineering Assessment Center
Guizhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Environmental Engineering Assessment Center, Guizhou University filed Critical Guizhou Environmental Engineering Assessment Center
Priority to CN202311741118.5A priority Critical patent/CN117421643B/zh
Publication of CN117421643A publication Critical patent/CN117421643A/zh
Application granted granted Critical
Publication of CN117421643B publication Critical patent/CN117421643B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于人工智能的生态环境遥感数据分析方法及系统，以帮助强化生态异常检测网络的描述向量抽取性能为目标，加入新的第二描述向量抽取算子协同生态异常检测网络中的第一描述向量抽取算子的调试。基于测试环境数据学习样例的第一推理异常结果和测试环境数据学习样例的检测指示信息生成第一异常决策代价，第一异常决策代价用于表征第一异常决策算子的异常分类性能，如此，基于描述向量分布差异代价和第一异常决策代价对基础神经网络进行调试，能获得用以进行异常识别，同时具备高泛化能力的生态异常检测网络，增加异常识别信息的精度和可靠性。

Description

基于人工智能的生态环境遥感数据分析方法及系统
技术领域
本申请涉及人工智能领域，具体而言，涉及一种基于人工智能的生态环境遥感数据分析方法及系统。
背景技术
生态环境遥感数据分析是基于遥感技术和地理信息系统的研究方法，旨在通过获取和分析遥感数据来监测和评估生态环境的状态和变化。遥感数据是通过卫星、飞机等传感器获取的地球表面信息，包括地表覆盖类型、植被指数、土地利用等。通过对这些数据进行处理和分析，我们可以获得关于生态环境的有价值的信息。随着遥感技术的不断发展和遥感卫星的不断更新，我们能够获取更精确、全面的遥感数据，这为生态环境遥感数据分析提供了强大的数据基础。随着计算机科学和人工智能的发展，我们能够更高效地处理和分析大量的遥感数据。机器学习和深度学习等技术使得我们能够从海量数据中提取出有用的信息，并进行准确的分类、识别和预测。生态环境遥感数据分析在许多领域中都有应用，例如自然资源管理、环境保护、城市规划和农业监测等。在基于机器学习和深度学习等技术进行生态环境遥感数据分析时，通常需要对样本量较少的异常生态进行识别，基于这些样本进行调试得到的网络往往泛化能力不足，换言之，对异常识别的准确性得不到保障。
发明内容
本发明的目的在于提供一种基于人工智能的生态环境遥感数据分析方法及系统。
本申请实施例的技术方案是这样实现的：
第一方面，本申请实施例提供了一种基于人工智能的生态环境遥感数据分析方法，应用于数据分析设备，所述方法包括：
获取目标生态区域的生态环境遥感数据；
通过所述生态异常检测网络中的第一描述向量抽取算子对所述目标生态区域的生态环境遥感数据进行描述向量抽取得到拟识别表征向量；
通过所述生态异常检测网络中的第一异常决策算子对所述拟识别表征向量进行描述向量共性度量，得到度量结果；
通过所述度量结果得到所述目标生态区域的生态环境遥感数据的第一异常识别信息；
其中，所述生态异常检测网络通过以下步骤调试得到：
获取环境数据学习样例集，所述环境数据学习样例集中每个环境数据学习样例携带检测指示信息，所述环境数据学习样例集中的多个环境数据学习样例包括训练环境数据学习样例和测试环境数据学习样例，所述训练环境数据学习样例组成训练样例集，所述测试环境数据学习样例组成测试样例集；
通过所述环境数据学习样例集中每个环境数据学习样例，依据基础神经网络中的第一描述向量抽取算子进行描述向量抽取得到第一学习样例描述向量，以及通过所述环境数据学习样例集中每个环境数据学习样例，通过第二描述向量抽取算子进行描述向量抽取得到第二学习样例描述向量；
对于所述每个环境数据学习样例，通过对应的第一学习样例描述向量和第二学习样例描述向量得到目标学习样例描述向量；
对于每个测试环境数据学习样例，通过所述基础神经网络中的第一异常决策算子对所述测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量共性度量，并通过度量结果和训练环境数据学习样例的检测指示信息得到所述测试环境数据学习样例的第一推理异常结果；
通过所述每个环境数据学习样例的第一学习样例描述向量和第二学习样例描述向量生成描述向量分布差异代价，以及基于所述测试环境数据学习样例的第一推理异常结果和所述测试环境数据学习样例的检测指示信息生成第一异常决策代价；
基于所述描述向量分布差异代价和所述第一异常决策代价，对所述基础神经网络进行调试得到所述生态异常检测网络。
可选地实施方式，所述获取环境数据学习样例集，包括：
获取多个区域样例初始环境数据；
对每个区域样例初始环境数据分别进行不同位置的数据合成变换，得到每个区域样例初始环境数据的区域样例扩展环境数据；
将所述多个区域样例初始环境数据和每个区域样例初始环境数据的区域样例扩展环境数据作为环境数据学习样例，组成所述环境数据学习样例集，所述环境数据学习样例集中每个环境数据学习样例还携带位置变换指示信息；
所述通过度量结果和训练环境数据学习样例的检测指示信息得到所述测试环境数据学习样例的第一推理异常结果，包括：
通过所述度量结果、训练环境数据学习样例的检测指示信息和位置变换指示信息得到所述测试环境数据学习样例的第一推理异常结果；
所述方法还包括：
基于所述第一推理异常结果和对应的位置变换指示信息生成合成变换代价；
所述基于所述描述向量分布差异代价和所述第一异常决策代价，对所述基础神经网络进行调试得到所述生态异常检测网络，包括：
基于所述描述向量分布差异代价、所述第一异常决策代价和所述合成变换代价，对所述基础神经网络进行调试得到所述生态异常检测网络。
可选地实施方式，所述通过所述环境数据学习样例集中每个环境数据学习样例，依据基础神经网络中的第一描述向量抽取算子进行描述向量抽取得到第一学习样例描述向量，包括：
将所述环境数据学习样例集中每个环境数据学习样例分别作为第一环境数据学习样例，将所述第一环境数据学习样例与第二环境数据学习样例依据比值关系进行整合得到整合环境数据学习样例，所述第二环境数据学习样例与所述第一环境数据学习样例对应不同的异常分类，所述整合环境数据学习样例的检测指示信息是将所述第一环境数据学习样例的检测指示信息和所述第二环境数据学习样例的检测指示信息依据所述比值关系进行整合得到的；
将所述整合环境数据学习样例加载到所述第一描述向量抽取算子得到所述第一学习样例描述向量；
用于确定所述第一推理异常结果的调试环境数据学习样例的检测指示信息是其对应的整合环境数据学习样例的检测指示信息，用于生成所述第一异常决策代价的测试环境数据学习样例的检测指示信息是其对应的整合环境数据学习样例的检测指示信息。
可选地实施方式，所述方法还包括：
基于所述每个环境数据学习样例的第一学习样例描述向量和对应的检测指示信息生成第二异常决策代价，以及基于每个环境数据学习样例的第二学习样例描述向量和对应的检测指示信息生成第三异常决策代价；
所述基于所述描述向量分布差异代价和所述第一异常决策代价，对所述基础神经网络进行调试得到所述生态异常检测网络，包括：
基于所述描述向量分布差异代价、所述第二异常决策代价和所述第三异常决策代价对所述第一描述向量抽取算子和所述第二描述向量抽取算子进行调试；
基于所述第一异常决策代价调试所述第一异常决策算子。
可选地实施方式，所述第一描述向量抽取算子为学生网络，所述第二描述向量抽取算子为教师网络，所述基于所述描述向量分布差异代价、所述第二异常决策代价和所述第三异常决策代价对所述第一描述向量抽取算子和所述第二描述向量抽取算子，包括：
基于所述第三异常决策代价和所述描述向量分布差异代价调试所述教师网络；
通过所述描述向量分布差异代价和所述第二异常决策代价，基于调试完成的教师网络对所述学生网络进行压缩调试。
可选地实施方式，所述环境数据学习样例集中包括拟识别异常分类的环境数据学习样例，所述基础神经网络还包括第二异常决策算子，所述方法还包括：
通过所述第二异常决策算子对所述目标学习样例描述向量进行推理，得到第二推理异常结果；
所述基于所述测试环境数据学习样例的第一推理异常结果和所述测试环境数据学习样例的检测指示信息生成第一异常决策代价，包括：
基于所述测试环境数据学习样例的第二推理异常结果和第一推理异常结果得到最终推理异常结果；
通过所述最终推理异常结果和所述测试环境数据学习样例的检测指示信息生成所述第一异常决策代价。
可选地实施方式，所述基础神经网络中还包括描述向量关联映射算子，所述对于每个测试环境数据学习样例，通过所述基础神经网络中的第一异常决策算子对所述测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量共性度量，包括：
对于每个测试环境数据学习样例，通过所述描述向量关联映射算子对所述测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量关联映射；
通过描述向量关联映射结果，依据所述第一异常决策算子进行描述向量共性度量。
可选地实施方式，所述方法还包括：
获取多个未注释生态环境数据；
对于每个未注释生态环境数据，确定所述未注释生态环境数据与所述环境数据学习样例集中每个环境数据学习样例的共性度量结果；
如果所述多个未注释生态环境数据中目标未注释生态环境数据与所述多个环境数据学习样例中目标环境数据学习样例的共性度量结果大于设定共性系数，将所述目标未注释生态环境数据添加到所述训练样例集，获得扩充后的环境数据学习样例集，所述目标未注释生态环境数据的检测指示信息与所述目标环境数据学习样例的检测指示信息相同；
通过所述扩充后的环境数据学习样例集对所述生态异常检测网络进行再次调试。
可选地实施方式，所述生态异常检测网络还包括第二异常决策算子，所述方法还包括：
通过所述第二异常决策算子对所述拟识别表征向量进行推理，得到第二异常识别信息；
基于所述第一异常识别信息和所述第二异常识别信息得到综合异常识别信息。
第二方面，本申请提供一种生态环境遥感数据分析系统，包括互相通信连接的遥感设备和数据分析设备，所述遥感设备用于采集目标生态区域的生态环境遥感数据，并发送给所述数据分析设备，所述数据分析设备包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以上所述的方法。
本申请至少包含的有益效果：
本申请实施例提供的基于人工智能的生态环境遥感数据分析方法，需要通过较小规模样本调试得到生态异常检测网络，那么，可以先获取环境数据学习样例集，环境数据学习样例集中每个环境数据学习样例携带检测指示信息，环境数据学习样例集中的多个环境数据学习样例包括训练环境数据学习样例和测试环境数据学习样例，训练环境数据学习样例组成训练样例集，测试环境数据学习样例组成测试样例集。因为环境数据学习样例集中的环境数据学习样例规模不足，为了强化生态异常检测网络的泛化能力，本申请帮助强化生态异常检测网络的描述向量抽取性能为目标，加入新的第二描述向量抽取算子协同生态异常检测网络中的第一描述向量抽取算子的调试。实际实施时，可以通过环境数据学习样例集中每个环境数据学习样例，依据基础神经网络中的第一描述向量抽取算子进行描述向量抽取得到第一学习样例描述向量，以及通过环境数据学习样例集中每个环境数据学习样例，通过第二描述向量抽取算子进行描述向量抽取得到第二学习样例描述向量。对于每个环境数据学习样例，通过对应的第一学习样例描述向量和第二学习样例描述向量得到目标学习样例描述向量，以对每个测试环境数据学习样例，依据基础神经网络中的第一异常决策算子对测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量共性度量，并通过度量结果和训练环境数据学习样例的检测指示信息得到测试环境数据学习样例的第一推理异常结果。通过每个环境数据学习样例的第一学习样例描述向量和第二学习样例描述向量生成描述向量分布差异代价，描述向量分布差异代价用以表征两个描述向量抽取算子抽取到的描述向量的空间共性结果，即分布匹配度，以确保两个描述向量抽取算子抽取到的空间共性程度高，空间分布差异小，帮助强化第一描述向量抽取算子的描述向量抽取能力，描述向量的泛化能力强。基于测试环境数据学习样例的第一推理异常结果和测试环境数据学习样例的检测指示信息生成第一异常决策代价，第一异常决策代价用于表征第一异常决策算子的异常分类性能，如此，基于描述向量分布差异代价和第一异常决策代价对基础神经网络进行调试，能获得用以进行异常识别，同时具备高泛化能力的生态异常检测网络，增加异常识别信息的精度和可靠性。
在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。
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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1是本申请实施例提供的数据分析系统的应用场景示意图。
图2是本申请实施例提供的一种基于人工智能的生态环境遥感数据分析方法的流程图。
图3是本申请实施例提供的数据分析装置的功能模块架构示意图。
图4是本申请实施例提供的一种数据分析设备的组成示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。在以下的描述中，涉及到“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”等类似术语，仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
本申请实施例提供的基于人工智能的生态环境遥感数据分析方法可以由数据分析设备执行，其中数据分析设备可以是笔记本电脑，平板电脑，台式计算机，移动设备(例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备)等各种类型的终端，也可以实施为服务器。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
图1是本申请实施例提供的数据分析系统的应用场景示意图。本申请实施例提供的数据分析系统10中包括多个遥感设备100、网络200和数据分析设备300，多个遥感设备100和数据分析设备300之间通过网络200实现通信连接。数据分析设备300用于执行本申请实施例提供的方法。遥感设备100例如是遥感卫星、航空遥感传感器系统、地面遥感设备、无人机等，这些遥感设备都具有不同的特点和适用范围，可以根据具体需求选择合适的设备进行数据采集传输。
本申请实施例提供一种基于人工智能的生态环境遥感数据分析方法，为了强化生态异常检测网络的泛化能力，帮助强化生态异常检测网络的描述向量抽取性能为目标，加入新的第二描述向量抽取算子协同生态异常检测网络中的第一描述向量抽取算子的调试。在网络调试时，通过第二描述向量抽取算子和基础神经网络中的第一描述向量抽取算子之间彼此约束，确保两个描述向量抽取算子抽取到的空间共性程度高，空间分布差异小，帮助强化第一描述向量抽取算子的描述向量抽取能力，描述向量的泛化能力强，增加异常识别信息的精度和可靠性。
具体地，本申请实施例提供了一种基于人工智能的生态环境遥感数据分析方法，该方法应用于数据分析设备300，如图2所示，该方法包括以下步骤：
步骤S110，获取目标生态区域的生态环境遥感数据。
目标生态区域即需要进行生态异常识别的区域，如山林区域、河流区域、城市区域等。生态环境遥感数据可以是通过卫星传感器、环境传感器等数据获取装置采集的目标区域的目标生态环境数据，再经过卫星遥感技术传输到数据分析设备进行采集得到。这些传感器例如是光学传感器、红外传感器、雷达传感器、温度传感器等各种传感器，基于这些传感器可以获得诸如气象数据、水质数据、植被数据、土壤数据、空气质量数据等中的一种或多种生态环境遥感数据，获取的生态环境遥感数据可以是非结构化的或结构化的数据。
步骤S120，通过生态异常检测网络中的第一描述向量抽取算子对目标生态区域的生态环境遥感数据进行描述向量抽取得到拟识别表征向量。
生态异常检测网络可以采用任意可行的神经网络架构，例如深度神经网络，如卷积神经网络、循环神经网络、长短时记忆网络、残差神经网络等。通过生态异常检测网络对生态环境遥感数据进行特征挖掘，得到用于后续分类映射的拟识别表征向量，该生态异常检测网络的调试方法将在后续实施例中进行详细介绍。
步骤S130，通过生态异常检测网络中的第一异常决策算子对拟识别表征向量进行描述向量共性度量，得到度量结果。
步骤S140，通过所述度量结果得到目标生态区域的生态环境遥感数据的第一异常识别信息。
本申请实施例中，在获得目标生态区域的生态环境遥感数据后，基于生态异常检测网络中的第一描述向量抽取算子对目标生态区域的生态环境遥感数据进行描述向量抽取得到拟识别表征向量。通过生态异常检测网络中的第一异常决策算子对拟识别表征向量进行描述向量共性度量，得到度量结果，并通过度量结果得到目标生态区域的生态环境遥感数据的第一异常识别信息。上述步骤的原理将在后续的网络调试中进行揭示。
作为一种实施方式，生态异常检测网络中还包括第二异常决策算子，以基于第二异常决策算子对拟识别表征向量进行推理，得到第二异常识别信息，再基于第一异常识别信息和第二异常识别信息得到综合异常识别信息。
在生态检测识别任务中，基于本申请实施例提供上述方法，可以基于规模不大的样本数据进行检测。下面介绍该生态异常检测网络的具体调试过程，其可以包括如下步骤：
步骤S101，获取环境数据学习样例集。
本申请实施例提供的网络调试中，通过较小规模样本调试得到生态异常检测网络，基于此，在调试得到生态异常检测网络时，先获取环境数据学习样例集，即调试网络用到的样本集。环境数据学习样例集中每个环境数据学习样例携带检测指示信息，也即携带指示异常分类结果的信息，例如可以用标签（label）表示，异常分类结果是对生态环境遥感数据进行异常识别后得到的生态环境异常类型，例如可以是二分类任务，比如异常分类结果为异常和无异常现象，或者多分类标签中，在识别到异常时，异常分类结果为具体的异常分类，如自然灾害（地震、火灾、洪水等）、污染（如空气污染、水体污染、土壤污染等）、气候变化（如极端天气事件）、土地退化（如土壤侵蚀、沙漠化等）。环境数据学习样例集中的多个环境数据学习样例包括训练环境数据学习样例和测试环境数据学习样例，训练环境数据学习样例组成训练样例集，又可以视作支持集，测试环境数据学习样例组成测试样例集，又可以视作查询集或验证集。
在划分训练环境数据学习样例和测试环境数据学习样例时，例如将检测指示信息相同的环境数据学习样例依据一定的比值关系划分成训练环境数据学习样例和测试环境数据学习样例，一般而言，训练环境数据学习样例的数量比测试环境数据学习样例的数量更多。
如果不同环境数据学习样例的异常分类一致，则不同环境数据学习样例的检测指示信息一致，对于每种异常分类，将检测指示信息一致的环境数据学习样例依据一定比值关系划分成训练环境数据学习样例和测试环境数据学习样例，比如，对于异常分类为土地盐碱化的环境数据学习样例，将其中一些生态环境数据确定为训练环境数据学习样例，其他生态环境数据确定为测试环境数据学习样例。
步骤S102，通过环境数据学习样例集中的每个环境数据学习样例，依据基础神经网络中的第一描述向量抽取算子进行描述向量抽取得到第一学习样例描述向量，以及通过所述环境数据学习样例集中每个环境数据学习样例，依据第二描述向量抽取算子进行描述向量抽取得到第二学习样例描述向量。
基础神经网络是待进行调试的初始生态异常检测网络，对应于生态异常检测网络，基础神经网络也可以采用任意可行的神经网络架构，例如深度神经网络，如卷积神经网络、循环神经网络、长短时记忆网络、残差神经网络等。描述向量抽取算子的作用是对环境数据学习样例进行特征挖掘，挖掘得到的结果即对应的描述向量，即，描述向量是对应环境数据学习样例的特征信息的矢量表征。描述向量抽取算子可以为卷积神经网络。相关技术中，通过较小规模样本来调试生态异常检测网络时，大多是基于大量携带检测指示信息的环境数据学习样例组成训练样例集和测试样例集。具体调试环节，训练样例集和测试样例集中的环境数据学习样例都包含检测指示信息，但是在验证环节，仅训练样例集中的环境数据学习样例包含检测指示信息。
具体地，每一次调试时均会调试描述向量抽取算子，以抽取训练样例集和测试样例集中环境数据学习样例的学习样例描述向量，然后，将抽取的训练样例集中环境数据学习样例的学习样例描述向量和测试样例集中环境数据学习样例的学习样例描述向量进行按序整合，然后调试一个异常决策算子（即一个分类器，例如可以为softmax、SVM、全连接网络等），以获得异常识别信息。
举例而言，假设异常分类包括土壤盐碱化、土壤沙漠化、植被凋零、水体水华、无异常现象，训练样例集中环境数据学习样例的异常分类分别对应以上分类，基于对应的检测指示信息来表征，如果每个异常分类的环境数据学习样例分别为一个，训练样例集可以包括5个环境数据学习样例。测试样例集中环境数据学习样例的异常分类可以为以上5个分类中的一个，采用该测试样例对应的检测指示信息进行保证，假设测试样例集中环境数据学习样例为一个。每一次调试时，均会调试描述向量抽取算子，依据描述向量抽取算子抽取训练样例集和测试样例集中环境数据学习样例的学习样例描述向量，然后，将抽取的训练样例集中环境数据学习样例的学习样例描述向量和测试样例集中环境数据学习样例的学习样例描述向量进行按序整合（例如进行向量的前后拼接），得到的整合描述向量例如分别为VaFa、VbFb、VcFc、VdFd、VeFe。其中，Va、Vb、Vc、Vd、Ve分别为训练样例集中的各个环境数据学习样例的学习样例描述向量，Fa、Fb、Fc、Fd、Fe为测试样例集中的一环境数据学习样例的学习样例描述向量，Fa、Fb、Fc、Fd、Fe虽对应同一个环境数据学习样例，但该环境数据学习样例的学习样例描述向量可以和训练样例集中不同环境数据学习样例的学习样例描述向量进行整合，因此基于训练样例集中的环境数据学习样例的不同，将测试样例集中，同一个环境数据学习样例的学习样例描述向量通过不同的表示方式进行标注。然后调试一个异常决策算子，以得到最终的异常识别信息。相关技术中，测试样例集的环境数据学习样例会依次被加入训练样例集和测试样例集，通过获取设定次数的验证后，进行概率统计均值计算得到准确度。在本申请的生态检测识别任务中，由于采集的环境数据学习样例不足，则需要强化描述向量抽取算子的泛化能力，此外不进行上述概率统计均值计算。具体地，本申请实施例在调试生态异常检测网络时，在网络调试时，对描述向量抽取算子的架构进行优化，在描述向量抽取算子的基础上加入新的描述向量抽取算子，协同原描述向量抽取算子的调试，可以理解为使用了孪生架构，同时调试两个描述向量抽取算子，都可以为卷积神经网络模型。
其中，可以将生态异常检测网络中的原描述向量抽取算子视作第一描述向量抽取算子，将新加入的描述向量抽取算子视作第二描述向量抽取算子，如此对两个描述向量抽取算子进行区别开，与上述架构对比而言，是多个描述向量抽取算子的处理，但是原理是一致的。其中，第一描述向量抽取算子例如表示为D1，第二描述向量抽取算子例如表示为D2。
在进行描述向量抽取时，通过环境数据学习样例集中的每一环境数据学习样例，依据基础神经网络中的第一描述向量抽取算子进行描述向量抽取得到第一学习样例描述向量，并通过环境数据学习样例集中每个环境数据学习样例，依据第二描述向量抽取算子进行描述向量抽取得到第二学习样例描述向量。需理解，第二描述向量抽取算子为在网络调试时，出于强化第一描述向量抽取算子的描述向量抽取性能加入的算子，在网络调试结束时，获得的生态异常检测网络中不包含第二描述向量抽取算子，换言之，第二描述向量抽取算子只在网络调试时出现，在基于生态异常检测网络进行生态环境异常识别时，不使用第二描述向量抽取算子。
步骤S103，对于每个环境数据学习样例，通过对应的第一学习样例描述向量和第二学习样例描述向量得到目标学习样例描述向量。
对于每个环境数据学习样例可以获得两个学习样例描述向量，即第一学习样例描述向量和第二学习样例描述向量，那么，可以基于每个环境数据学习样例对应的第一学习样例描述向量和第二学习样例描述向量得到目标学习样例描述向量。其中，基于第一学习样例描述向量和第二学习样例描述向量得到目标学习样例描述向量的方式是多样的，例如，在一种方式中，将第一学习样例描述向量确定为目标学习样例描述向量。可选地，因为第一描述向量抽取算子是基础神经网络的组成模块，第二描述向量抽取算子只是协同第一描述向量抽取算子的调试，在调试结束时使用获得的生态异常检测网络进行生态环境异常识别时，生态异常检测网络中不包括第二描述向量抽取算子，则基于此，可以将第一学习样例描述向量确定为目标学习样例描述向量。
在其他条件中，因为第二描述向量抽取算子是为了协同第一描述向量抽取算子的调试，但是第一描述向量抽取算子的调试还可能仰仗后面第一推理异常结果的信息，目标学习样例描述向量的质量将影响第一推理异常结果的质量，从而对第一描述向量抽取算子的调试造成影响。基于此，可以在第一学习样例描述向量和第二学习样例描述向量中选取更优的一个学习样例描述向量，将其确定为目标学习样例描述向量，帮助强化推理精度，调试得到的网络具有更优异的性能。
步骤S104，对于每个测试环境数据学习样例，通过基础神经网络中的第一异常决策算子对测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量共性度量，并通过度量结果和训练环境数据学习样例的检测指示信息得到测试环境数据学习样例的第一推理异常结果（即推理得到的异常分类结果）。
在获得每个环境数据学习样例的目标学习样例描述向量之后，可以将目标学习样例描述向量加载到第一异常决策算子，然后依据第一异常决策算子对测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量共性度量（也即度量两个向量的相似性，例如可以获取两个向量的距离，距离越小，共性值越大，越相似），以得到度量结果，该度量结果可以表征测试环境数据学习样例与训练环境数据学习样例之间的特征共性度量结果，然后，基于度量结果将特征共性度量结果最高的调试环境数据学习样例的检测指示信息指示的异常识别信息确定为测试环境数据学习样例的第一推理异常结果。
例如，如果度量结果指示测试样例集中的测试环境数据学习样例a的目标学习样例描述向量与训练样例集中训练样例b对应的调试环境数据学习样例的目标学习样例描述向量最相近，那么训练样例b对应的调试环境数据学习样例的检测指示信息指示的异常识别信息作为测试环境数据学习样例的第一推理异常结果。如果异常识别信息为异常分类，训练环境数据学习样例训练样例b的异常分类为植被凋零，那么，确定测试环境数据学习样例的异常分类为植被凋零，即第一推理异常结果。
作为一种实施方式，基础神经网络中还包括描述向量关联映射算子（用于进行特征关联），基于此，进行描述向量共性度量的方式例如是对每个测试环境数据学习样例，依据描述向量关联映射算子对测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量关联映射，即通过编码完成特征的相关性捕捉，之后通过描述向量关联映射结果，依据第一异常决策算子进行描述向量共性度量。其中，描述向量关联映射算子可以为转换器网络（Transformer）。采用描述向量关联映射，可以促进训练样例集中训练环境数据学习样例和测试样例集中测试环境数据学习样例的特征碰撞，以提高描述向量共性度量的精度。
步骤S105，通过每个环境数据学习样例的第一学习样例描述向量和第二学习样例描述向量生成描述向量分布差异代价，以及基于测试环境数据学习样例的第一推理异常结果和测试环境数据学习样例的检测指示信息生成第一异常决策代价。
在对基础神经网络进行调试以得到生态异常检测网络时，加入新的第二描述向量抽取算子与第一描述向量抽取算子进行一起调试，以协同生态异常检测网络中的第一描述向量抽取算子的调试。其中，共同调试第一描述向量抽取算子和第二描述向量抽取算子，第一描述向量抽取算子和第二描述向量抽取算子彼此约束。为此，可以基于每个环境数据学习样例的第一学习样例描述向量和第二学习样例描述向量生成描述向量分布差异代价，描述向量分布差异代价用以表征两个描述向量抽取算子(即第一描述向量抽取算子和第二描述向量抽取算子)抽取的描述向量的空间共性结果，以确保两个描述向量抽取算子抽取到的学习样例描述向量分布的共性，空间分布差异小，另外，两个算子D1和D2丰富了内部参数，帮助强化第一描述向量抽取算子的描述向量抽取效果，描述向量的泛化能力强。其中，描述向量分布差异代价可以是相对熵代价，其可以度量两个学习样例描述向量分布的距离，其计算方式可以是：
Cost1=∑D1(m)log(D2/D1)
其中，m为环境数据学习样例，属于环境数据学习样例集，D1(m)为第一描述向量抽取算子抽取到的第一学习样例描述向量，D2(m)为第二描述向量抽取算子抽取到的第二学习样例描述向量。
需理解，本申请实施例对描述向量分布差异代价的生成节点不进行限定，获取到第一学习样例描述向量和第二学习样例描述向量后，同时在步骤S106之前进行生成都可以。此外，本申请实施例调试得到生态异常检测网络用于进行生态环境异常识别，那么在网络调试时，还需要调试第一异常决策算子的异常分类性能。因此，基于测试环境数据学习样例的第一推理异常结果和测试环境数据学习样例的检测指示信息生成第一异常决策代价，第一异常决策代价用于表征第一异常决策算子的异常分类性能，第一异常决策代价越小，第一推理异常结果与检测指示信息指示的异常识别信息误差越小，异常分类性能越好。
步骤S106，基于描述向量分布差异代价和第一异常决策代价,对基础神经网络进行调试得到生态异常检测网络。
获得第一异常决策代价和描述向量分布差异代价后，基于描述向量分布差异代价和第一异常决策代价对基础神经网络进行调试，以获得用于生态环境异常识别，同时具备高泛化能力的生态异常检测网络。
作为一种实施方式，在调试基础神经网络时，第一描述向量抽取算子、第二描述向量抽取算子和第一异常决策算子均需要进行调试，因为第一描述向量抽取算子和第二描述向量抽取算子的描述向量抽取能力将决定异常识别信息的结果，那么在调试两个描述向量抽取算子时，还加入新的异常决策代价，分别为第二异常决策代价和第三异常决策代价。实际实施时，可以基于每个环境数据学习样例的第一学习样例描述向量和对应的检测指示信息生成第二异常决策代价，以及基于每个环境数据学习样例的第二学习样例描述向量和对应的检测指示信息生成第三异常决策代价。基于此，基于描述向量分布差异代价和第一异常决策代价，对基础神经网络进行调试得到生态异常检测网络的方式，例如是基于描述向量分布差异代价、第二异常决策代价和第三异常决策代价对第一描述向量抽取算子和第二描述向量抽取算子进行调试，基于第一异常决策代价调试第一异常决策算子。
其中，第二异常决策代价可以采用下公式计算：
Cost2=Lm1log(f(α(m,β)))
其中，m为环境数据学习样例，属于环境数据学习样例集，Lm1为加载到的环境数据学习样例的检测指示信息，f(x)为分类器，例如softmax，用于执行异常分类以获得推理异常结果，β为整个基础神经网络的参数，α为第一异常决策算子的参数，f(α(m,β))为通过第一学习样例描述向量获得的推理异常结果。
第三异常决策代价Cost3的获取可以参照第二异常决策代价的上述公式。
需理解，为了增加推理效率，生态异常检测网络中的第一描述向量抽取算子可以设计为学生网络，即一个精巧的具备少参数量的网络，为了确保学生网络的调试性能，本申请实施例采取压缩调试（又称知识蒸馏）策略，通过教师网络（具备复杂大结构、参数量大的网络）的调试提高学生网络的调试。此时，第一描述向量抽取算子为学生网络，第二描述向量抽取算子为教师网络，基于描述向量分布差异代价、第二异常决策代价和第三异常决策代价对第一描述向量抽取算子和第二描述向量抽取算子的过程例如是基于第三异常决策代价和描述向量分布差异代价调试教师网络，然后通过描述向量分布差异代价和第二异常决策代价，基于调试完成的教师网络对学生网络进行压缩调试。
通过压缩调试，能实现通过教师网络的调试提高学生网络的调试效果，在确保生态异常检测网络的调试质量的基础上对生态异常检测网络进行压缩，以增加推理效率，减少生态环境异常识别的时间，以最终增加生态环境异常识别速度。
可以理解的是，在生态环境遥感数据的异常识别中，需通过较小规模样本调试得到生态异常检测网络，那么，可以先获取环境数据学习样例集，环境数据学习样例集中每个环境数据学习样例携带检测指示信息，环境数据学习样例集中的多个环境数据学习样例包括训练环境数据学习样例和测试环境数据学习样例，训练环境数据学习样例组成训练样例集，测试环境数据学习样例组成测试样例集。因为环境数据学习样例集中的环境数据学习样例规模不足，为了强化生态异常检测网络的泛化能力，本申请实施例帮助强化生态异常检测网络的描述向量抽取性能为目标，加入新的第二描述向量抽取算子协同生态异常检测网络中的第一描述向量抽取算子的调试。实际实施时，通过环境数据学习样例集中每个环境数据学习样例，依据基础神经网络中的第一描述向量抽取算子进行描述向量抽取得到第一学习样例描述向量，并通过环境数据学习样例集中每个环境数据学习样例，基于第二描述向量抽取算子进行描述向量抽取得到第二学习样例描述向量。对于每个环境数据学习样例，通过对应的第一学习样例描述向量和第二学习样例描述向量得到目标学习样例描述向量，以对每个测试环境数据学习样例，依据基础神经网络中的第一异常决策算子对测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量共性度量，通过度量结果和训练环境数据学习样例的检测指示信息得到测试环境数据学习样例的第一推理异常结果。通过每个环境数据学习样例的第一学习样例描述向量和第二学习样例描述向量生成描述向量分布差异代价，描述向量分布差异代价用以表征两个描述向量抽取算子抽取到的描述向量的空间共性结果，以确保两个描述向量抽取算子抽取到的空间共性程度高，空间分布差异小，帮助强化第一描述向量抽取算子的描述向量抽取性能，描述向量的泛化能力强。基于测试环境数据学习样例的第一推理异常结果和测试环境数据学习样例的检测指示信息生成第一异常决策代价，第一异常决策代价可用于体现第一异常决策算子的异常分类性能，如此，基于描述向量分布差异代价和第一异常决策代价对基础神经网络进行调试，能获得用以进行异常识别，同时具备高泛化能力的生态异常检测网络。增加异常识别信息的精度和可靠性。
上述的实施例，基于在网络调试时，加入第二描述向量抽取算子协同第一描述向量抽取算子的调试，以提高网络的泛化能力，对网络的架构进行优化，但是网络泛化能力的缺失，大部分原因是因为生态环境遥感数据的样本数量难以达到理想数量导致的，基于此，本申请实施例还提出从调试生态异常检测网络的环境数据学习样例集的层面进行网络泛化能力的提升。基于此，可以扩展环境数据学习样例集中的环境数据学习样例的数量。
在一种样本扩展方式中，可以是基于数据合成变换的方式进行的样本扩展。实际实施时，获取环境数据学习样例集的方式为获取多个区域样例初始环境数据，对每个区域样例初始环境数据分别进行不同位置的数据合成变换，得到每个区域样例初始环境数据的区域样例扩展环境数据，将多个区域样例初始环境数据和每个区域样例初始环境数据的区域样例扩展环境数据作为环境数据学习样例，组成环境数据学习样例集，环境数据学习样例集中每个环境数据学习样例还携带位置变换指示信息（即指示哪些位置进行了哪些变换的信息，例如通过向量标签进行指示）。其中，进行不同位置的数据合成变换的过程可以是基于生成对抗网络（GAN），利用生成器模型生成与原始数据对应位置相似但稍有差异的合成数据，取代原始数据中的对应位置的数据。将区域样例初始环境数据和区域样例初始环境数据的区域样例扩展环境数据确定为环境数据学习样例，组成环境数据学习样例集加载到第一描述向量抽取算子和第二描述向量抽取算子。基于此，通过度量结果和训练环境数据学习样例的检测指示信息得到测试环境数据学习样例的第一推理异常结果的方式可以是通过度量结果、训练环境数据学习样例的检测指示信息和位置变换指示信息得到测试环境数据学习样例的第一推理异常结果。因为位置合成数据变换将引起异常识别的误差（代价），那么在进行调试时，基于对应的位置变换指示信息进行监督学习，也就是基于第一推理异常结果和对应的位置变换指示信息生成合成变换代价，以基于描述向量分布差异代价、第一异常决策代价和合成变换代价，对基础神经网络进行调试得到生态异常检测网络。
需理解，合成变换代价的加入，能用于整个基础神经网络的调试，可选地，可将合成变换代价用于两个描述向量抽取算子的调试，在调试第一描述向量抽取算子和第二描述向量抽取算子时加入分别对应的合成变换代价。其中，第一描述向量抽取算子对应的合成变换代价Cost4在计算时，可以参考：
Cost4=Lm2log(f(α(m,β)))
其中，x表示环境数据学习样例，X表示环境数据学习样例集，Lm2为输入的环境数据学习样例的位置变换指示信息，f(x)为分类器，例如softmax，用于执行异常分类以获得推理异常结果，β为整个基础神经网络的参数，α为第一异常决策算子的参数，f(α(m,β))为通过第一学习样例描述向量获得的推理异常结果。
第二描述向量抽取算子对应的合成变换代价Cost5可以参考Cost4的计算过程。
本申请实施例采用对区域样例初始环境数据进行不同位置的数据合成变换，以得到区域样例扩展环境数据，区域样例扩展环境数据与区域样例初始环境数据共同作为环境数据学习样例对基础神经网络进行调试。因为区域样例扩展环境数据的加入，令环境数据学习样例的数量得到丰富，帮助提高调试得到的生态异常检测网络的泛化能力。
在另一种样本扩展方式中，将生态环境数据进行混合完成样本扩展。此时，为了令第一描述向量抽取算子在进行描述向量抽取时能聚焦不同数据间的特征，令描述向量抽取的粒度更细腻，增加描述向量抽取的精度，可以将加载到第一描述向量抽取算子的环境数据学习样例进行混合。基于此，通过环境数据学习样例集中每个环境数据学习样例，依据基础神经网络中的第一描述向量抽取算子进行描述向量抽取得到第一学习样例描述向量的方式，例如为将环境数据学习样例集中每个环境数据学习样例分别确定为第一环境数据学习样例，将第一环境数据学习样例与第二环境数据学习样例依据比值关系进行整合得到整合环境数据学习样例，第二环境数据学习样例与第一环境数据学习样例对应不同的异常分类，整合环境数据学习样例的检测指示信息是将第一环境数据学习样例的检测指示信息和第二环境数据学习样例的检测指示信息依据比值关系进行整合得到。之后，将整合环境数据学习样例加载到第一描述向量抽取算子得到第一学习样例描述向量。此时，用于确定第一推理异常结果的调试环境数据学习样例的检测指示信息是其对应的整合环境数据学习样例的检测指示信息，用于生成第一异常决策代价的测试环境数据学习样例的检测指示信息是其对应的整合环境数据学习样例的检测指示信息。整合遵循的比值关系例如为事先设置，比如第一环境数据学习样例与第二环境数据学习样例的比值关系为1/2。
通用技术中，通过较小规模样本调试生态异常检测网络时，由于用于调试生态异常检测网络的环境数据学习样例集中，不包含拟识别异常分类的环境数据学习样例，那么在验证环节还需持续优化异常决策算子，将用于验证测试的环境数据学习样例依次加入训练样例集和测试样例集，并进行均值计算得到精度。本申请实施例中，可以不用对第一异常决策算子进行更新优化，而是加入一个用于分类的算子，也即，基础神经网络还包括第二异常决策算子，第一异常决策算子和第二异常决策算子一起被应用于分类推理任务中。将采集的拟识别异常分类的环境数据学习样例加入到生态环境数据集中进行调试，基于此，通过第二异常决策算子对目标学习样例描述向量进行推理，得到第二推理异常结果，以在基于测试环境数据学习样例的第一推理异常结果和测试环境数据学习样例的检测指示信息生成第一异常决策代价时，先基于测试环境数据学习样例的第二推理异常结果和第一推理异常结果得到最终推理异常结果，然后通过最后推理异常结果和测试环境数据学习样例的检测指示信息生成第一异常决策代价，以对基础神经网络进行调试。其中，拟识别异常分类与测试样例集中环境数据学习样例的异常分类相同。
基于此，基础神经网络参与异常分类推理的结构包括第一异常决策算子、第二异常决策算子，通过目标学习样例描述向量，依据第一异常决策算子获得第一推理异常结果，通过目标学习样例描述向量，依据第二异常决策算子获得第二推理异常结果。需理解，本申请实施例中，在向第一异常决策算子中输入各环境数据学习样例的目标学习样例描述向量时，将测试样例集中测试环境数据学习样例的目标学习样例描述向量分别与训练样例集中训练环境数据学习样例的目标学习样例描述向量进行整合，得到整合描述向量VaFa、VbFb、VcFc、VdFd、VeFe输入第一异常决策算子，以通过VaFa、VbFb、VcFc、VdFd、VeFe进行描述向量共性度量得到第一推理异常结果。向第二异常决策算子中输入每个环境数据学习样例的目标学习样例描述向量时，将各环境数据学习样例的目标学习样例描述向量直接加载到第二异常决策算子，以推理得到第二推理异常结果，最后基于测试环境数据学习样例的第二推理异常结果和第一推理异常结果得到推理异常结果。其中，推理异常结果的确定例如是对第一推理异常结果和第二推理异常结果进行加权求和，以获得推理异常结果。
本申请实施例中，基于加入第二异常决策算子进行调试优化，确保环境数据学习样例集中具有有测试样例集中相同异常分类的环境数据学习样例，但训练样例集和测试样例集中没有相同的环境数据学习样例，以直接获得精度，而非基于多次测试进行均值计算来获取精度。如此，本申请在网络调试时优化第一异常决策算子，在验证环节不用优化第一异常决策算子。
在生态检测识别任务中，携带检测指示信息的环境数据学习样例虽很少，但有丰富的未注释生态环境数据，本申请实施例将未注释生态环境数据用于生态异常检测网络的调试，再次完善网络的调试质量。实际实施时，可获取多个未注释生态环境数据，对于每个未注释生态环境数据，确定未注释生态环境数据与环境数据学习样例集中每个环境数据学习样例的共性度量结果，进而基于该共性度量结果确定未注释生态环境数据中与环境数据学习样例集中的环境数据学习样例相似的生态环境数据。如果多个未注释生态环境数据中目标未注释生态环境数据与多个环境数据学习样例中目标环境数据学习样例的共性度量结果大于设定共性系数（即事先设定的一个共性度量结果阈值，具体的设定值不做限定），代表目标未注释生态环境数据与目标环境数据学习样例相似，以将目标未注释生态环境数据添加到训练样例集，获得扩充后的环境数据学习样例集。这时候，目标未注释生态环境数据的检测指示信息与目标环境数据学习样例的检测指示信息相同，将目标环境数据学习样例的检测指示信息确定为目标未注释生态环境数据的检测指示信息，目标未注释生态环境数据的检测指示信息是假指示信息（Pseudo-Labeling），然后通过扩充后的环境数据学习样例集对生态异常检测网络进行再次调试。
本申请实施例将与各个异常分类相似的目标未注释生态环境数据进行择取，加入训练样例集中进行再次调试，再次提高抽取学习样例描述向量的精度。
基于上述实施例，本申请实施例提供一种数据分析装置，图3是本申请实施例提供的一种数据分析装置340，如图3所示，所述装置340包括：
数据获取模块341，用于获取目标生态区域的生态环境遥感数据；
特征挖掘模块342，用于通过所述生态异常检测网络中的第一描述向量抽取算子对所述目标生态区域的生态环境遥感数据进行描述向量抽取得到拟识别表征向量；
共性度量模块343，用于通过所述生态异常检测网络中的第一异常决策算子对所述拟识别表征向量进行描述向量共性度量，得到度量结果；
异常识别模块344，用于通过所述度量结果得到所述目标生态区域的生态环境遥感数据的第一异常识别信息；
网络调试模块345，用于对所述生态异常检测网络通过以下步骤调试：
获取环境数据学习样例集，所述环境数据学习样例集中每个环境数据学习样例携带检测指示信息，所述环境数据学习样例集中的多个环境数据学习样例包括训练环境数据学习样例和测试环境数据学习样例，所述训练环境数据学习样例组成训练样例集，所述测试环境数据学习样例组成测试样例集；
通过所述环境数据学习样例集中每个环境数据学习样例，依据基础神经网络中的第一描述向量抽取算子进行描述向量抽取得到第一学习样例描述向量，以及通过所述环境数据学习样例集中每个环境数据学习样例，通过第二描述向量抽取算子进行描述向量抽取得到第二学习样例描述向量；
对于所述每个环境数据学习样例，通过对应的第一学习样例描述向量和第二学习样例描述向量得到目标学习样例描述向量；
对于每个测试环境数据学习样例，通过所述基础神经网络中的第一异常决策算子对所述测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量共性度量，并通过度量结果和训练环境数据学习样例的检测指示信息得到所述测试环境数据学习样例的第一推理异常结果；
通过所述每个环境数据学习样例的第一学习样例描述向量和第二学习样例描述向量生成描述向量分布差异代价，以及基于所述测试环境数据学习样例的第一推理异常结果和所述测试环境数据学习样例的检测指示信息生成第一异常决策代价；
基于所述描述向量分布差异代价和所述第一异常决策代价，对所述基础神经网络进行调试得到所述生态异常检测网络。
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
若本申请技术方案涉及个人或私密信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求，同时在法律法规的范围内收集。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式、处理的个人信息种类等信息。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台数据分析设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
本申请实施例提供一种数据分析设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法。所述计算机可读存储介质可以是瞬时性的，也可以是非瞬时性的。
本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序被计算机读取并执行时，实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software DevelopmentKit，SDK)等等。
需要说明的是，图4是本申请实施例提供的一种数据分析设备300的硬件实体示意图，如图4所示，该数据分析设备300的硬件实体包括：处理器310、通信接口320和存储器330，其中：处理器310通常控制数据分析设备300的总体操作。通信接口320可以使数据分析设备通过网络与其他终端或服务器通信。存储器330配置为存储由处理器310可执行的指令和应用，还可以缓存待处理器310以及数据分析设备300中各模块待处理或已经处理的数据(例如，卫星遥感数据)，可以通过闪存(FLASH)或随机访问存储器(Random Access Memory，RAM)实现。处理器310、通信接口320和存储器330之间可以通过总线340进行数据传输。这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
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于计算机可读取存储介质中，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：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台数据分析设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (10)

1.一种基于人工智能的生态环境遥感数据分析方法，其特征在于，应用于数据分析设备，所述方法包括：
获取目标生态区域的生态环境遥感数据；
通过生态异常检测网络中的第一描述向量抽取算子对所述目标生态区域的生态环境遥感数据进行描述向量抽取得到拟识别表征向量；
通过所述生态异常检测网络中的第一异常决策算子对所述拟识别表征向量进行描述向量共性度量，得到度量结果；
通过所述度量结果得到所述目标生态区域的生态环境遥感数据的第一异常识别信息；
其中，所述生态异常检测网络通过以下步骤调试得到：
获取环境数据学习样例集，所述环境数据学习样例集中每个环境数据学习样例携带检测指示信息，所述环境数据学习样例集中的多个环境数据学习样例包括训练环境数据学习样例和测试环境数据学习样例，所述训练环境数据学习样例组成训练样例集，所述测试环境数据学习样例组成测试样例集；
通过所述环境数据学习样例集中每个环境数据学习样例，依据基础神经网络中的第一描述向量抽取算子进行描述向量抽取得到第一学习样例描述向量，以及通过所述环境数据学习样例集中每个环境数据学习样例，通过第二描述向量抽取算子进行描述向量抽取得到第二学习样例描述向量；
对于所述每个环境数据学习样例，通过对应的第一学习样例描述向量和第二学习样例描述向量得到目标学习样例描述向量；
对于每个测试环境数据学习样例，通过所述基础神经网络中的第一异常决策算子对所述测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量共性度量，并通过度量结果和训练环境数据学习样例的检测指示信息得到所述测试环境数据学习样例的第一推理异常结果；
通过所述每个环境数据学习样例的第一学习样例描述向量和第二学习样例描述向量生成描述向量分布差异代价，以及基于所述测试环境数据学习样例的第一推理异常结果和所述测试环境数据学习样例的检测指示信息生成第一异常决策代价；
基于所述描述向量分布差异代价和所述第一异常决策代价，对所述基础神经网络进行调试得到所述生态异常检测网络。
2.根据权利要求1所述的方法，其特征在于，所述获取环境数据学习样例集，包括：
获取多个区域样例初始环境数据；
对每个区域样例初始环境数据分别进行不同位置的数据合成变换，得到每个区域样例初始环境数据的区域样例扩展环境数据；
将所述多个区域样例初始环境数据和每个区域样例初始环境数据的区域样例扩展环境数据作为环境数据学习样例，组成所述环境数据学习样例集，所述环境数据学习样例集中每个环境数据学习样例还携带位置变换指示信息；
所述通过度量结果和训练环境数据学习样例的检测指示信息得到所述测试环境数据学习样例的第一推理异常结果，包括：
通过所述度量结果、训练环境数据学习样例的检测指示信息和位置变换指示信息得到所述测试环境数据学习样例的第一推理异常结果；
所述方法还包括：
基于所述第一推理异常结果和对应的位置变换指示信息生成合成变换代价；
所述基于所述描述向量分布差异代价和所述第一异常决策代价，对所述基础神经网络进行调试得到所述生态异常检测网络，包括：
基于所述描述向量分布差异代价、所述第一异常决策代价和所述合成变换代价，对所述基础神经网络进行调试得到所述生态异常检测网络。
3.根据权利要求1所述的方法，其特征在于，所述通过所述环境数据学习样例集中每个环境数据学习样例，依据基础神经网络中的第一描述向量抽取算子进行描述向量抽取得到第一学习样例描述向量，包括：
将所述环境数据学习样例集中每个环境数据学习样例分别作为第一环境数据学习样例，将所述第一环境数据学习样例与第二环境数据学习样例依据比值关系进行整合得到整合环境数据学习样例，所述第二环境数据学习样例与所述第一环境数据学习样例对应不同的异常分类，所述整合环境数据学习样例的检测指示信息是将所述第一环境数据学习样例的检测指示信息和所述第二环境数据学习样例的检测指示信息依据所述比值关系进行整合得到的；
将所述整合环境数据学习样例加载到所述第一描述向量抽取算子得到所述第一学习样例描述向量；
用于确定所述第一推理异常结果的调试环境数据学习样例的检测指示信息是其对应的整合环境数据学习样例的检测指示信息，用于生成所述第一异常决策代价的测试环境数据学习样例的检测指示信息是其对应的整合环境数据学习样例的检测指示信息。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述每个环境数据学习样例的第一学习样例描述向量和对应的检测指示信息生成第二异常决策代价，以及基于每个环境数据学习样例的第二学习样例描述向量和对应的检测指示信息生成第三异常决策代价；
所述基于所述描述向量分布差异代价和所述第一异常决策代价，对所述基础神经网络进行调试得到所述生态异常检测网络，包括：
基于所述描述向量分布差异代价、所述第二异常决策代价和所述第三异常决策代价对所述第一描述向量抽取算子和所述第二描述向量抽取算子进行调试；
基于所述第一异常决策代价调试所述第一异常决策算子。
5.根据权利要求4所述的方法，其特征在于，所述第一描述向量抽取算子为学生网络，所述第二描述向量抽取算子为教师网络，所述基于所述描述向量分布差异代价、所述第二异常决策代价和所述第三异常决策代价对所述第一描述向量抽取算子和所述第二描述向量抽取算子，包括：
基于所述第三异常决策代价和所述描述向量分布差异代价调试所述教师网络；
通过所述描述向量分布差异代价和所述第二异常决策代价，基于调试完成的教师网络对所述学生网络进行压缩调试。
6.根据权利要求1所述的方法，其特征在于，所述环境数据学习样例集中包括拟识别异常分类的环境数据学习样例，所述基础神经网络还包括第二异常决策算子，所述方法还包括：
通过所述第二异常决策算子对所述目标学习样例描述向量进行推理，得到第二推理异常结果；
所述基于所述测试环境数据学习样例的第一推理异常结果和所述测试环境数据学习样例的检测指示信息生成第一异常决策代价，包括：
基于所述测试环境数据学习样例的第二推理异常结果和第一推理异常结果得到最终推理异常结果；
通过所述最终推理异常结果和所述测试环境数据学习样例的检测指示信息生成所述第一异常决策代价。
7.根据权利要求1~6任一项所述的方法，其特征在于，所述基础神经网络中还包括描述向量关联映射算子，所述对于每个测试环境数据学习样例，通过所述基础神经网络中的第一异常决策算子对所述测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量共性度量，包括：
对于每个测试环境数据学习样例，通过所述描述向量关联映射算子对所述测试环境数据学习样例的目标学习样例描述向量和每个训练环境数据学习样例的目标学习样例描述向量进行描述向量关联映射；
通过描述向量关联映射结果，依据所述第一异常决策算子进行描述向量共性度量。
8.根据权利要求1~6任一项所述的方法，其特征在于，所述方法还包括：
获取多个未注释生态环境数据；
对于每个未注释生态环境数据，确定所述未注释生态环境数据与所述环境数据学习样例集中每个环境数据学习样例的共性度量结果；
如果所述多个未注释生态环境数据中目标未注释生态环境数据与所述多个环境数据学习样例中目标环境数据学习样例的共性度量结果大于设定共性系数，将所述目标未注释生态环境数据添加到所述训练样例集，获得扩充后的环境数据学习样例集，所述目标未注释生态环境数据的检测指示信息与所述目标环境数据学习样例的检测指示信息相同；
通过所述扩充后的环境数据学习样例集对所述生态异常检测网络进行再次调试。
9.根据权利要求1所述的方法，其特征在于，所述生态异常检测网络还包括第二异常决策算子，所述方法还包括：
通过所述第二异常决策算子对所述拟识别表征向量进行推理，得到第二异常识别信息；
基于所述第一异常识别信息和所述第二异常识别信息得到综合异常识别信息。
10.一种生态环境遥感数据分析系统，其特征在于，包括互相通信连接的遥感设备和数据分析设备，所述遥感设备用于采集目标生态区域的生态环境遥感数据，并发送给所述数据分析设备，所述数据分析设备包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1~9任一项所述的方法。
CN202311741118.5A 2023-12-18 2023-12-18 基于人工智能的生态环境遥感数据分析方法及系统 Active CN117421643B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311741118.5A CN117421643B (zh) 2023-12-18 2023-12-18 基于人工智能的生态环境遥感数据分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311741118.5A CN117421643B (zh) 2023-12-18 2023-12-18 基于人工智能的生态环境遥感数据分析方法及系统

Publications (2)

Publication Number Publication Date
CN117421643A CN117421643A (zh) 2024-01-19
CN117421643B true CN117421643B (zh) 2024-02-23

Family

ID=89530563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311741118.5A Active CN117421643B (zh) 2023-12-18 2023-12-18 基于人工智能的生态环境遥感数据分析方法及系统

Country Status (1)

Country Link
CN (1) CN117421643B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117668528B (zh) * 2024-02-01 2024-04-12 成都华泰数智科技有限公司 基于物联网的天然气调压器故障检测方法及系统
CN118522340B (zh) * 2024-07-19 2024-10-18 贵州大学 区域范围的生物多样性监测方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113327071A (zh) * 2021-08-04 2021-08-31 深圳市深水水务咨询有限公司 基于5g的环境管理方法、装置、计算机设备及存储介质
CN113919448A (zh) * 2021-12-14 2022-01-11 武汉大学 一种任意时空位置二氧化碳浓度预测影响因素分析方法
CN114037836A (zh) * 2021-08-24 2022-02-11 宁波市电力设计院有限公司 一种将人工智能识别技术应用于三维输变电工程测算的方法
CN115562934A (zh) * 2022-09-21 2023-01-03 中国平安财产保险股份有限公司 基于人工智能的业务流量切换方法及相关设备
CN116663864A (zh) * 2023-07-28 2023-08-29 天之翼(苏州)科技有限公司 应用人工智能的无人机飞行调度分析方法、服务器及介质
CN116882503A (zh) * 2023-08-11 2023-10-13 珠海中科先进技术研究院有限公司 基于知识推理模型的科技创新服务决策支持方法
CN117095360A (zh) * 2023-10-18 2023-11-21 四川傲空航天科技有限公司 基于sar卫星遥感技术的粮食作物监测方法及系统
CN117171696A (zh) * 2023-11-03 2023-12-05 深圳市欧利德仪器仪表有限公司 一种基于物联网的传感器生产监测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019005175A1 (en) * 2017-06-30 2019-01-03 Intel Corporation MAGNETELECTRIC SPIN-ORBIT LOGIC WITH TRAVEL LOAD
US11416771B2 (en) * 2019-11-11 2022-08-16 International Business Machines Corporation Self-learning peer group analysis for optimizing identity and access management environments

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113327071A (zh) * 2021-08-04 2021-08-31 深圳市深水水务咨询有限公司 基于5g的环境管理方法、装置、计算机设备及存储介质
CN114037836A (zh) * 2021-08-24 2022-02-11 宁波市电力设计院有限公司 一种将人工智能识别技术应用于三维输变电工程测算的方法
CN113919448A (zh) * 2021-12-14 2022-01-11 武汉大学 一种任意时空位置二氧化碳浓度预测影响因素分析方法
CN115562934A (zh) * 2022-09-21 2023-01-03 中国平安财产保险股份有限公司 基于人工智能的业务流量切换方法及相关设备
CN116663864A (zh) * 2023-07-28 2023-08-29 天之翼(苏州)科技有限公司 应用人工智能的无人机飞行调度分析方法、服务器及介质
CN116882503A (zh) * 2023-08-11 2023-10-13 珠海中科先进技术研究院有限公司 基于知识推理模型的科技创新服务决策支持方法
CN117095360A (zh) * 2023-10-18 2023-11-21 四川傲空航天科技有限公司 基于sar卫星遥感技术的粮食作物监测方法及系统
CN117171696A (zh) * 2023-11-03 2023-12-05 深圳市欧利德仪器仪表有限公司 一种基于物联网的传感器生产监测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Anomaly detection in streaming environmental sensor data: A data-driven modeling approach;Hill D J等;《Environmental Modelling & Software》;20101231;第25卷(第9期);1014-1022 *
基于支持向量描述的自适应高光谱异常检测算法;梅锋等;《光子学报》;20091115(第11期);94-99 *
基于新型光谱相似度量核的高光谱异常检测算法;梅锋等;《光子学报》;20091231;第38卷(第12期);3165-3170 *
结合邻域聚类分割的高光谱图像异常检测支持向量数据描述方法;谌德荣等;《宇航学报》;20071231(第3期);767-771 *

Also Published As

Publication number Publication date
CN117421643A (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
CN117421643B (zh) 基于人工智能的生态环境遥感数据分析方法及系统
Kang et al. Air quality prediction: Big data and machine learning approaches
Vatsavai et al. Spatiotemporal data mining in the era of big spatial data: algorithms and applications
Yao et al. Learning deep representation for trajectory clustering
Visintin et al. A simple framework for a complex problem? Predicting wildlife–vehicle collisions
Sarquis et al. Species distribution models and empirical test: Comparing predictions with well‐understood geographical distribution of Bothrops alternatus in Argentina
CN112464920A (zh) 基于极端随机树的fy-3d红外高光谱云检测方法
CN117171696B (zh) 一种基于物联网的传感器生产监测方法及系统
Zhang et al. Outdoor air quality level inference via surveillance cameras
CN117036843A (zh) 目标检测模型训练方法、目标检测方法和装置
CN117827863B (zh) 基于cldas数据库的大气环境监测分析方法及系统
Xu et al. Fine-grained air quality inference with remote sensing data and ubiquitous urban data
Moonlight et al. The strengths and weaknesses of species distribution models in biome delimitation
CN115147353A (zh) 缺陷检测模型的训练方法、装置、设备、介质及程序产品
Zhang et al. Climate change has different predicted effects on the range shifts of two hybridizing ambush bug (Phymata, Family Reduviidae, Order Hemiptera) species
Nolan et al. Solving sampling bias problems in presence–absence or presence‐only species data using zero‐inflated models
Sanei et al. Countrywide distribution modelling of the persian leopard potential habitats on a regional basis in Iran
CN116189010B (zh) 一种基于卫星图谱的矿山生态识别预警方法及系统
Albaji et al. Investigation on Machine Learning Approaches for Environmental Noise Classifications
Magnusson Uncertainty and the design of in-situ biodiversity-monitoring programs
Saha et al. Identification of Indian monsoon predictors using climate network and density-based spatial clustering
Rubio et al. RELand: Risk Estimation of Landmines via Interpretable Invariant Risk Minimization
CN109993071A (zh) 基于遥感影像的变色林木自动识别及调查的方法和系统
Ochiai et al. Detection of non-designated shelters by extracting population concentrated areas after a disaster (industrial paper)
Pang et al. The clustering of spatially associated species unravels patterns in tropical tree species distributions

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