CN117436533A - 基于生境数据分析的物种分布监测方法及设备 - Google Patents

基于生境数据分析的物种分布监测方法及设备 Download PDF

Info

Publication number
CN117436533A
CN117436533A CN202311757685.XA CN202311757685A CN117436533A CN 117436533 A CN117436533 A CN 117436533A CN 202311757685 A CN202311757685 A CN 202311757685A CN 117436533 A CN117436533 A CN 117436533A
Authority
CN
China
Prior art keywords
species
knowledge
branch
target
habitat
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311757685.XA
Other languages
English (en)
Other versions
CN117436533B (zh
Inventor
来楷迪
刘宇轩
朱栋
翟香
许世烟
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 CN202311757685.XA priority Critical patent/CN117436533B/zh
Publication of CN117436533A publication Critical patent/CN117436533A/zh
Application granted granted Critical
Publication of CN117436533B publication Critical patent/CN117436533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/043—Distributed expert systems; Blackboards
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • 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
    • G06N3/098—Distributed learning, e.g. federated learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition

Landscapes

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

Abstract

本申请提供一种基于生境数据分析的物种分布监测方法及设备，通过生成同时推理物种在生境变化下分布置信度、在无生境变化时分布置信度以及生境变化引起物种分布置信度差异的联合调试网络，以及基于生境变化分类的调试学习样例和生境维持分类的调试学习样例进行相对情形地调试。以基于神经网络推理物种的生境变化差异，有别于分别调试两个不同的网络，再基于两个不同的网络的推理结果确定得到物种的生境变化差异，能够杜绝多个网络进行联合推理引起的精度和可靠性差异的情况。那么，基于本申请提供的基于生境数据分析的物种分布监测方法调试获得的联合调试网络对目标物种进行生境变化差异推理，能够提高推理得到的生境变化差异的精度和可靠性。

Description

基于生境数据分析的物种分布监测方法及设备
技术领域
本申请涉及数据处理领域，具体而言，涉及一种基于生境数据分析的物种分布监测方法及设备。
背景技术
基于生境数据对物种分布进行分析，在许多行业和领域得到重要地应用，产生了重大的价值。例如在生物保护方面，了解物种的分布范围和生境偏好对于生态学研究和物种保护至关重要。通过分析物种分布数据，可以揭示物种与环境之间的相互作用、生境适宜性以及生态位利用情况。这有助于评估物种的潜在分布范围、对环境变化的响应能力以及生境质量的变化。此外，了解物种分布可以帮助确定合适的保护区域、采取有效的保护措施，并进行生境恢复和保护计划。此外，物种分布数据还可用于评估开发项目对物种和生境的潜在影响，从而制定可持续发展的管理策略。而对于农林业，对物种分布进行分析可以帮助农业和林业领域更好地管理和保护农作物、森林植被和土壤生态系统。了解物种与环境的关系，可以优化农业生产系统的设计和管理，减少农药和化肥的使用，提高农作物的产量和质量。在林业方面，物种分布数据可用于制定森林保护和经营计划，促进资源可持续利用。对于城市规划而言，物种分布数据可以用于评估城市绿化项目的潜在生物多样性和生态效益。通过分析物种分布，可以选择适合当地环境的植物种类，提供合适的栖息地和食物资源，增加城市生物多样性，改善城市生态系统的健康状况。综上所述，分析物种分布为决策制定、资源管理和可持续发展提供科学支持，促进与环境的协调共存具有重大意义。目前，随着人工智能的发展，AI可以用于构建物种分布模型，预测特定物种在不同环境条件下的可能分布范围。通过整合生境数据和物种观测记录，利用机器学习算法可以生成高度复杂的预测模型，帮助研究人员理解物种对环境变化的响应规律，并预测未来的物种分布情况，如何确定推理的准确性，是需要关注的核心问题。
发明内容
本发明的目的在于提供一种基于生境数据分析的物种分布监测方法及设备，以提高物种分布推理的准确性和可靠性。
本申请实施例是这样实现的：
第一方面，本申请实施例提供了一种基于生境数据分析的物种分布监测方法，应用于计算机设备，所述方法包括：
获取联合调试网络的调试学习样例，所述调试学习样例包括样例物种的物种描述知识以及分布指示信息，所述联合调试网络包括推理物种在生境变化下分布置信度的第一分支组件、推理物种在无生境变化时分布置信度的第二分支组件以及推理生境变化引起物种分布置信度差异的第三分支组件；
确定所述样例物种的物种分类，通过所述物种分类在所述第一分支组件和所述第二分支组件中确定目标分支组件，所述样例物种分类包括生境变化分类或生境维持分类，所述生境变化分类的物种为分布在预设生境改变的物种；当确定到所述样例物种的物种分类为生境变化分类时，确定所述第一分支组件为目标分支组件；当确定到所述样例物种的物种分类为生境维持分类时，确定所述第二分支组件为目标分支组件；
将所述物种描述知识输入所述目标分支组件，通过所述目标分支组件输出的第一推理结果与所述分布指示信息对所述目标分支组件的内部配置变量进行优化；
将所述物种描述知识分别加载到所述目标分支组件外的两个分支组件，通过所述目标分支组件外的两个分支组件的输出结果确定第二推理结果；
通过所述第二推理结果与所述分布指示信息对所述目标分支组件外的两个分支组件的内部配置变量进行优化，得到调试完成的联合调试网络；
获取拟进行推理的目标物种的目标物种描述数据，以及依据所述调试完成的联合调试网络对所述目标物种描述数据进行生境变化差异推理，得到所述目标物种的生境变化差异。
可选的实施方式中，所述获取联合调试网络的调试学习样例，包括：
获取目标监测周期中的多个样例物种的物种分布热力图，所述物种分布热力图包括多个样例物种的物种描述数据以及每一样例物种的分布指示信息；
对每一样例物种的物种描述数据进行知识挖掘，得到每一样例物种的物种描述知识。
可选的实施方式中，所述联合调试网络还包括与每一分支组件对应的知识挖掘算子，对样例物种的物种描述数据进行知识挖掘，得到样例物种的物种描述知识的过程，包括如下步骤：
通过每一分支组件对应的知识挖掘算子对样例物种的物种描述数据进行知识挖掘，得到样例物种与每一分支组件对应的物种描述知识；
所述将所述物种描述知识输入所述目标分支组件，包括：
将所述样例物种与所述目标分支组件对应的物种描述知识输入所述目标分支组件；
所述将所述物种描述知识分别加载到所述联合调试网络中所述目标分支组件外的两个分支组件，包括：
将所述样例物种与所述目标分支组件外的两个分支组件对应的物种描述知识分别加载到相应的分支组件。
可选的实施方式中，所述联合调试网络还包括与每一分支组件对应的知识聚焦算子，所述通过每一分支组件对应的知识挖掘算子对样例物种的物种描述数据进行知识挖掘，得到样例物种与每一分支组件对应的物种描述知识，包括：
通过每一分支组件对应的知识挖掘算子对样例物种的物种描述数据进行知识挖掘，得到样例物种与每一知识挖掘算子对应的中间描述知识；
通过每一知识聚焦算子对所述物种描述数据和对应的中间描述知识进行知识聚焦操作，得到样例物种与每一分支组件对应的物种描述知识。
可选的实施方式中，所述联合调试网络还包括知识公用算子，所述通过每一分支组件对应的知识挖掘算子对样例物种的物种描述数据进行知识挖掘，得到样例物种与每一知识挖掘算子对应的中间描述知识，包括：
通过每一分支组件对应的知识挖掘算子以及所述知识公用算子对样例物种的物种描述数据进行知识挖掘，得到样例物种与每一分支组件以及所述知识公用算子对应的中间描述知识；
所述通过每一知识聚焦算子对所述物种描述数据和对应的中间描述知识进行知识聚焦操作，得到样例物种与每一分支组件对应的物种描述知识，包括：
通过每一知识聚焦算子对所述物种描述数据、相应的中间描述知识以及所述知识公用算子对应的中间描述知识进行知识聚焦操作，得到样例物种与每一分支组件对应的物种描述知识。
可选的实施方式中，所述基于所述目标分支组件输出的第一推理结果与所述分布指示信息对所述目标分支组件的内部配置变量进行优化，包括：
基于所述目标分支组件输出的第一推理结果与所述分布指示信息对所述目标分支组件、所述每一分支组件对应的知识挖掘算子、所述每一分支组件对应的知识聚焦算子以及所述知识公用算子的内部配置变量进行优化；
所述基于所述第二推理结果与所述分布指示信息对所述目标分支组件外的两个分支组件的内部配置变量进行优化，包括：
基于所述第二推理结果与所述分布指示信息对所述目标分支组件外的两个分支组件、所述每一分支组件对应的知识挖掘算子、所述每一分支组件对应的知识聚焦算子以及所述知识公用算子的内部配置变量进行优化。
可选的实施方式中，当确定到所述样例物种的物种分类为生境变化分类时，所述将所述物种描述知识分别加载到所述联合调试网络中所述目标分支组件外的两个分支组件，通过所述目标分支组件外的两个分支组件的输出结果确定第二推理结果，包括：
将所述物种描述知识分别加载到所述第二分支组件和所述第三分支组件中，得到所述第二分支组件输出的第一置信度和所述第三分支组件输出的第二置信度；
获取所述第一置信度和所述第二置信度的相加结果，得到第二推理结果；
当确定到所述样例物种的物种分类为生境维持分类时，所述将所述物种描述知识分别加载到所述联合调试网络中所述目标分支组件外的两个分支组件，通过所述目标分支组件外的两个分支组件的输出结果确定第二推理结果，包括：
将所述物种描述知识分别加载到所述第一分支组件和所述第三分支组件中，得到所述第一分支组件输出的第三置信度和所述第三分支组件输出的第四置信度；
获取所述第三置信度和所述第四置信度的差，得到第二推理结果。
可选的实施方式中，所述基于所述目标分支组件输出的第一推理结果与所述分布指示信息对所述目标分支组件的内部配置变量进行优化，包括：
基于所述目标分支组件输出的第一推理结果与所述分布指示信息获取第一误差结果；
通过所述第一误差结果对所述目标分支组件的内部配置变量进行优化；
所述基于所述第二推理结果与所述分布指示信息对所述目标分支组件外的两个分支组件的内部配置变量进行优化，包括：
基于所述第二推理结果与所述分布指示信息获取第二误差结果；
通过所述第二误差结果对所述目标分支组件外的两个分支组件的内部配置变量进行优化。
可选的实施方式中，所述基于所述第二推理结果与所述分布指示信息对所述目标分支组件外的两个分支组件的内部配置变量进行优化之后，还包括如下步骤：
对所述联合调试网络进行网络质量判断；
如果判定所述联合调试网络没有达到预设的质量要求，则再次获取调试学习样例，确定所述调试学习样例中样例物种的物种分类，通过所述物种分类在所述分支组件和所述第二分支组件中确定目标分支组件，将所述物种描述知识输入所述目标分支组件，通过所述目标分支组件输出的第一推理结果与所述分布指示信息对所述目标分支组件的内部配置变量进行优化；
将所述物种描述知识分别加载到所述联合调试网络中所述目标分支组件外的两个分支组件，通过所述目标分支组件外的两个分支组件的输出结果确定第二推理结果；
通过所述第二推理结果与所述分布指示信息对所述目标分支组件外的两个分支组件的内部配置变量进行优化；
如果判定所述联合调试网络达到预设的质量要求，停止调试并输出调试完成的联合调试网络；
所述获取拟进行推理的目标物种的目标物种描述数据，以及依据所述调试完成的联合调试网络对所述目标物种描述数据进行生境变化差异推理，得到所述目标物种的生境变化差异，包括：
获取拟进行推理的目标物种的目标物种描述数据；
将所述目标物种描述数据输入所述调试完成的联合调试网络中的第三分支组件，得到所述第三分支组件输出的推理差异，通过所述推理差异确定所述目标物种的生境变化差异。
第二方面，本申请提供了一种计算机设备，包括：
一个或多个处理器；
存储器；
一个或多个计算机程序；
其中，所述一个或多个计算机程序被存储在所述存储器中，并被配置为由所述一个或多个处理器执行，所述一个或多个程序被处理器执行时，实现以上所述的方法。
本申请至少具有的有益效果包括：
本申请实施例提供一种基于生境数据分析的物种分布监测方法，通过获取联合调试网络的调试学习样例，调试学习样例包括样例物种的物种描述知识以及分布指示信息，联合调试网络包括推理物种在生境变化下分布置信度的第一分支组件、推理物种在无生境变化时分布置信度的第二分支组件以及推理生境变化引起物种分布置信度差异的第三分支组件；确定样例物种的物种分类，通过物种分类在第一分支组件和第二分支组件中确定目标分支组件，样例物种分类包括生境变化分类或生境维持分类，生境变化分类的物种为分布在预设生境改变的物种，生境维持分类为没有分布在预设生境改变的物种；将物种描述知识输入目标分支组件，通过目标分支组件输出的第一推理结果与分布指示信息对目标分支组件的内部配置变量进行优化；将物种描述知识分别加载到目标分支组件外的两个分支组件，通过所述目标分支组件外的两个分支组件的输出结果确定第二推理结果；通过第二推理结果与分布指示信息对目标分支组件外的两个分支组件的内部配置变量进行优化，得到调试完成的联合调试网络；获取拟进行推理的目标物种的目标物种描述数据，以及依据调试完成的联合调试网络对目标物种描述数据进行生境变化差异推理，得到目标物种的生境变化差异。基于此，通过生成同时推理物种在生境变化下分布置信度、在无生境变化时分布置信度以及生境变化引起物种分布置信度差异的联合调试网络，以及基于生境变化分类的调试学习样例和生境维持分类的调试学习样例进行相对情形地调试。以基于神经网络推理物种的生境变化差异，有别于分别调试推理生境变化下分布置信度和推理非生境变化下分布置信度的两个不同的网络，再基于两个不同的网络的推理结果确定得到物种的生境变化差异，能够杜绝多个网络进行联合推理引起的精度和可靠性差异的情况。那么，基于本申请提供的基于生境数据分析的物种分布监测方法调试获得的联合调试网络对目标物种进行生境变化差异推理，能够提高推理得到的生境变化差异的精度和可靠性。
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
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种基于生境数据分析的物种分布监测方法的流程图。
图2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3是本申请实施例提供的一种计算机设备的组成示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。本申请实施例的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。
本申请实施例中基于生境数据分析的物种分布监测方法的执行主体为计算机设备，包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等。计算机设备包括用户设备与网络设备。其中，用户设备包括但不限于电脑、智能手机、PAD等；网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，计算机设备可单独运行来实现本申请，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本申请。其中，计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
本申请实施例提供了一种基于生境数据分析的物种分布监测方法，该方法应用于计算机设备，如图1所示，该方法包括如下步骤S110~S160：
步骤S110，获取联合调试网络的调试学习样例。
本申请实施例中，为了克服基于多网络进行物种的生境变化差异推理，因网络误差的积累而引起推理获得的生境变化差异精度不足的情况，本申请提供了一种基于生境数据分析的物种分布监测方法。实际实施时，本申请实施例构建包含三个分支组件的联合调试网络，包括第一分支组件、第二分支组件和第三分支组件。其中第一分支组件用于推理物种在生境变化下分布置信度，第二分支组件用于推理物种在无生境变化时分布置信度，第三分支组件用于推理生境变化引起物种分布置信度差异。三个分支组件可以为任意架构的神经网络架构，其中，第三分支组件为生境变化差异推理任务的关键组件，第一分支组件和第二分支组件为协同第三分支组件进行调试的外围组件。换言之，联合调试网络即包含多个调试任务的多任务调试模型。
本申请实施例中，推理的物种不做限定，例如鸟类、爬行动物、水生动物，在生境变化（即生境改变，例如生境指标数据发生变化，如降水量下降、气温升高、风向偏移等）时产生分布置信度变化的物种，分布置信度为被推理物种发生一种分布变化的置信度，例如位于A区域的鸟类，因为降水量增加20mm，从A区域迁移到B区域，即从A区域分布变化为B区域分布的置信度。
分布置信度差异是对物种对生境变化引起物种的分布置信度变化，或称为生境变化差异。例如，A区域分布的物种的分布置信度差异是对物种产生了生境变化后物种分布到B区域的置信度，与没有对物种产生了生境变化时物种分布到B区域的置信度之间的差。
具体的实施方式中，对于本申请提供的联合调试网络的第一结构，该联合调试网络包括第一分支组件、第二分支组件和第三分支组件。第一分支组件、第二分支组件和第三分支组件的例如均可以设置成前馈神经网络（Feedforward Neural Network，FNN），可以将输入的特征知识（即向量）进行映射并输出。在对联合调试网络进行调试的过程中，第一分支组件、第二分支组件以及第三分支组件都加入调试，在通过调试获得的联合调试网络进行推理时，联合调试网络的输入为拟进行推理物种的物种描述知识（即对该物种的描述数据进行特征描述的特征信息，可以为向量，或者矩阵，或者张量），联合调试网络的输出为第三分支组件输出的生境变化差异。基于不同分支组件的效果，分别将第一分支组件称为变化分析组件、将第二分支组件称为维持分析组件并将第三分支组件称为差异组件。
作为一种实施方式，因联合调试网络中的多个组件在进行信息处理时具有区别，同时不同处理环节对输入的知识涵盖的学习物种信息的约束不同，若两个组件处理任务时关联性弱，或者矛盾时，基于相同的物种描述知识进行推理将引起联合调试网络的精度和可靠性不足。可以总结为，多个分支组件同享底层知识时，具有任务矛盾引起学习的知识不能最优匹配各分支组件，令调试获得的分支组件的准确度差。基于此，本申请实施例中，可以在联合调试网络中构建多个知识挖掘算子，以减轻联合调试网络中的失衡问题。其中，知识挖掘算子可以和多个分支组件彼此对应，也即，每个分支组件对应一个知识挖掘算子，再基于与分支组件对应的知识挖掘算子抽取与分支组件对应的物种描述知识。
作为另一种实施方式，本申请提供的联合调试网络的第二结构中，还包括多个知识挖掘算子，即第一知识挖掘算子、第二知识挖掘算子以及第三知识挖掘算子。其中，第一知识挖掘算子用于在物种的物种描述数据中抽取第一物种描述知识，第一物种描述知识作为第一分支组件的输入，第二知识挖掘算子用于从物种的物种描述数据中抽取第二物种描述知识，第二物种描述知识作为第二分支组件的输入，第三知识挖掘算子用于从物种的物种描述数据中抽取第三物种描述知识，第三物种描述知识作为第三分支组件的输入。基于此，为每个分支组件独自建立一个知识挖掘算子以分别抽取物种描述数据的特征（描述知识），获得与每个分支组件匹配的物种描述知识，以克服联合调试网络中的失衡问题，提高调试获得的联合调试网络的精度和可靠性。
其中，和每一分支组件对应的知识挖掘算子为专家网络，本申请实施例中的知识挖掘算子可以包括至少一个密集层（全连接层）。针对每个知识挖掘算子，可以具有多个并行的密集层，多个密集层抽取物种描述数据的描述知识后，基于统计运算，如加权、平均等确定知识挖掘算子输出的物种描述知识。基于此，克服单一网络的调试差异引起抽取获得的物种描述知识的精度和可靠性较弱，进而能够提高抽取获得的物种描述知识的精度和可靠性。本申请实施例中提及的各种算子为网络模型中的各个网络层或者网络模块。
但是，对每一分支组件独自构建一个对应的知识挖掘算子虽能克服不同任务差异引起的不平衡问题，但网络不能公用网络的下层参数。此时的调试网络，其内部配置变量（例如各种权重、偏置、学习率等参数）的数量将较大，不利于网络过拟合治理，且网络的调试效率降低。此外，下层参数的公用还可以基于下层的参数变量抽取不同任务的联系，基于此进行联合调试，可以对联合调试进行促进，以再次增加调试获得的联合调试网络的精度和可靠性。那么，本申请实施例还提供一种能公用底层参数，同时克服联合调试网络调试的过程中出现不平衡问题的联合调试网络架构。
具体地，本申请提供的联合调试网络的第三结构中，还包括第一知识聚焦算子（用以对知识进行注意力处理，识别需要聚焦的知识），其中，原本独自为每一分支组件进行物种描述知识抽取的第一知识挖掘算子、第二知识挖掘算子和第三知识挖掘算子可确定为三个分支组件公用的底层知识挖掘算子，三个知识算子也为密集层，用于进行物种描述知识抽取。第一知识聚焦算子为一个密集层，用于学习物种描述数据和每个知识挖掘算子抽取得到的中间描述知识的权重，再基于获取的权重对不同中间描述知识进行加权整合。
在又一实施方式中，联合调试网络的第四结构中，包括与每一分支组件对应的知识聚焦算子，即与第一分支组件对应的第二知识聚焦算子、与第二分支组件对应的第三知识聚焦算子以及与第三分支组件对应的第四知识聚焦算子。上述各个知识聚焦算子与第一知识聚焦算子的架构一致，都用以学习不同知识挖掘算子抽取得到的中间描述知识的权重，再分别通过获取的不同权重对多个中间描述知识进行加权整合，得到与每一分支组件对应的整合知识。
其中，联合调试网络可以划分成任务组件（包括多个分支组件）和知识组件（包括多个知识挖掘算子和至少一个知识聚焦算子）。前述的知识组件，其知识挖掘的多个知识挖掘算子是多任务公用的，不能挖掘各个任务间的相关性，各知识挖掘算子间的交互性较差，多个知识挖掘算子输出的中间描述知识仅基于不同的权重进行整合，联合调试的效果不佳。基于此，本申请还提供了一种通过知识层级抽取（即逐步提取数据中的不同层级特征，并在每个层级上都进行特征提取和表示学习，从而帮助模型更好地理解数据的复杂结构）结构的知识组件。作为本申请提供的联合调试网络的又一实现方式（可以称为第五结构），本申请实施例中提供的联合调试网络的知识组件在实际实施时，在联合调试网络中，包括每一分支组件对应的知识挖掘算子和一个公用算子（又称知识公用算子，用于提供共享的描述知识）。对于每一知识挖掘算子和公用算子，均对应一个知识聚焦算子。比如第一知识挖掘算子对应第五知识聚焦算子、第二知识挖掘算子对应第六知识聚焦算子、第三知识挖掘算子对应第七知识聚焦算子和公用算子对应第八知识聚焦算子。以上各个算子组成知识挖掘组件，在联合调试网络中，知识挖掘组件至少为一个。知识挖掘算子为专家网络算子，可以实施为门控网络，每个知识挖掘算子可以包含至少一个密集层。多个知识挖掘算子在抽取得到物种描述知识后，将抽取的物种描述知识输入对应的知识聚焦算子和公用算子对应的知识聚焦算子。公用算子抽取到物种描述知识后，将抽取得到的物种描述知识输入每一知识挖掘算子对应的知识聚焦算子和公用算子对应的知识聚焦算子。每一知识挖掘算子对应的知识聚焦算子在对获取的知识进行知识聚焦操作（即注意力处理）后，将结果加载到下一知识挖掘算子和知识聚焦算子中。层级抽取的架构令不同知识挖掘算子进行交互，还对公用算子设置知识聚焦算子，将公用算子获取的知识完成融合，则可再次提高抽取到的每一分支组件对应的物种描述知识，以再次提高联合调试网络的精度和可靠性。
接下来介绍联合调试网络的调试过程。
第一步，获取联合调试网络的调试学习样例，调试学习样例包括样例物种的物种描述知识和样例物种的分布指示信息，即指示样例物种分布区域的信息，例如标签向量，具体可以包括生境数据和物种观测数据。生境数据和物种观测数据的类型示例可以参考下表：
地点 经度 纬度 气温 降水量 植被类型 鸟类种类 观测时间
A地点 经度1 纬度1 20°C 100mm 森林 鹤鸵 2023-10-01
B地点 经度2 纬度2 25°C 80mm 草原 孔雀 2023-10-02
C地点 经度3 纬度3 15°C 120mm 湿地 孔雀 2023-10-03
本申请实施例中，提供两个类型的样例物种对应的调试学习样例，换言之，样例物种包括两个物种分类的样例物种，具体为生境变化分类和生境维持分类。生境变化分类的样例物种，即生境发生预设改变（如降水量增加20mm）的物种，生境维持分类的样例物种即没有产生生境变化的物种。本申请实施例中，对于不同物种分类的样例物种，基于不同的调试方法对联合调试网络进行调试。样例物种的物种描述知识可以为对样例物种的物种描述数据进行知识挖掘得到的物种描述知识。
作为一种实施方式，获取联合调试网络的调试学习样例，包括：获取目标监测周期中的多个样例物种的物种分布热力图，物种分布热力图包括多个样例物种的物种描述数据以及每一样例物种的分布指示信息；对每一样例物种的物种描述数据进行知识挖掘，得到每一样例物种的物种描述知识。其中，物种分布热力图可以表示为一个物种分布地图，在物种分布地图上标注有物种的分布情况，例如通过图标、颜色、批注等方式进行表示。
在本申请实施例中，目标物种的分布情况可能因为时间变化发生变化，那么，如果网络调试采取的调试学习样例的获取时间和当下时间间隔较长时，将因学习样例的误差大引起调试获得的网络的精度和可靠性不足。那么在获取对联合调试网络进行调试的调试学习样例时，可以获取目标监测周期中的多个样例物种的物种分布热力图。其中，样例物种的物种分布热力图包括样例物种的物种描述数据和样例物种的分布指示信息。物种描述数据可以为物种的物种特性，例如所处区域的生境数据、物种习性、物种观测数量、物种分布坐标等。
获得多个样例物种的物种分布热力图后，对物种分布热力图中的每个样例物种的物种描述数据进行知识挖掘（即特征提取），获得每一物种的物种描述知识。
本申请实施例对样例物种分别进行生境改变和不进行生境改变，再获取样例物种的物种分布热力图，生成对联合调试网络进行调试的调试学习样例。可以控制调试学习样例的收集时间，克服调试学习样例的收集时间和当下时间间隔太长引起调试学习样例的样例不合格，进而引起调试获得的生境变化差异推理网咯的精度和可靠性较弱的问题。本申请实施例通过在物种分布热力图中生成调试学习样例的方法，能够提高调试学习样例的质量，以提高调试获得的生境变化差异推理网络的精度和可靠性。
步骤S120，确定样例物种的物种分类，通过物种分类在第一分支组件和第二分支组件中确定目标分支组件。
获得调试学习样例后，基于调试学习样例来对步骤S110中的任一联合调试网络进行调试。因调试学习样例中的样例物种可能为生境变化分类或生境维持分类，生境变化分类的物种为分布在预设生境改变的物种（也就是预先所在的生境发生了预设变化，例如降水量增加20mm），生境维持分类为没有分布在预设生境改变的物种（即分布在原生境中的物种）。因为针对不同物种分类的样例物种对应的调试学习样例，将基于不同地调试方法对联合调试网络进行调试，则在基于获取到的调试学习样例对联合调试网络进行调试之前，先确定获得的调试学习样例中样例物种的物种分类。实际实施时，在进行调试学习样例获取时，对调试学习样例中样例物种进行注释，例如批注一调试学习样例中样例物种为生境变化物种，或者批注一调试学习样例中样例物种为生境维持物种（即生境未发生变化，维持不变的物种），再将注释信息保存在调试学习样例中。基于此，获得调试学习样例后，在调试学习样例中获取该注释信息，以确定得到样例物种的物种分类。
确定样例物种的物种分类后，基于样例物种的物种分类确定通过该样例物种对应的调试学习样例来对联合调试网络进行调试地调试方式。实际实施时，在本申请提供的基于生境数据分析的物种分布监测方法中，对于生境变化分类的样例物种对应的调试学习样例以及对于生境维持分类的样例物种对应的调试学习样例，都基于对比调试（其中，对比调试分为第一类调试和第二类调试，第一类调试为将样例物种的物种描述知识和分布知识信息输入目标分支组件进行调试，第二类调试为将样例物种的物种描述知识和分布知识信息输入其他两个分支组件进行调试）对联合调试网络进行调试，只是针对不同分类的样例物种对应的调试学习样例，对比调试对应的分支组件具有区别。那么在确定样例物种的物种分类后，先基于样例物种的物种分类在第一分支组件和第二分支组件中确定一个目标分支组件。目标分支组件为与调试学习样例中样例物种的分类对应的分支组件。可以理解，第一分支组件为变化分析组件，第二分支组件对维持分析组件，则如果样例物种的物种分类为生境变化分类时，将第一分支组件确定为目标分支组件，如果样例物种的物种分类为生境维持分类时，将第二分支组件确定为目标分支组件。
步骤S130，将物种描述知识输入目标分支组件，通过目标分支组件输出的第一推理结果与分布指示信息对目标分支组件的内部配置变量进行优化。
确定调试学习样例对应的目标分支组件后，通过调试学习样例中的物种描述知识和分布指示信息对目标分支组件进行调试。实际实施时，将物种描述知识加载到目标分支组件中，获得目标分支组件输出的推理结果，作为第一推理结果。再通过第一推理结果与分布指示信息对目标分支组件的内部配置变量进行优化。
实际实施时，基于目标分支组件输出的第一推理结果与分布指示信息对目标分支组件的内部配置变量进行优化，包括：基于目标分支组件输出的第一推理结果与分布指示信息获取第一误差结果；通过第一误差结果对目标分支组件的内部配置变量进行优化。
本申请实施例中，在将物种描述知识输入到目标分支组件中，得到目标分支组件输出的第一推理结果后，再基于第一推理结果与样例物种的分布指示信息之间的误差获取第一误差结果。获取第一误差结果采取的误差函数可以为KL散度函数。获得第一误差后，再基于第一误差结果进行梯度优化以对目标分支组件的参数进行优化。
接下来以样例物种的分类为生境变化分类和生境维持分类两种分类，以及不同的网络架构对第一类调试进行介绍。
①样例物种的物种分类为生境变化分类
如果确定到样例物种的物种分类为生境变化分类，那么基于物种分类在第一分支组件和第二分支组件中确定目标分支组件，包括：确定第一分支组件为目标分支组件；将物种描述知识输入目标分支组件，通过目标分支组件输出的第一推理结果与分布指示信息对目标分支组件的内部配置变量进行优化，包括：将物种描述知识输入第一分支组件，通过第一分支组件输出的第一推理结果与分布指示信息对第一分支组件的内部配置变量进行优化。
如果联合调试网络的结构为第一结构，第一类调试只用对第一分支组件的参数进行优化。作为一种实施方式，联合调试网络还包括与每一分支组件对应的知识挖掘算子，对样例物种的物种描述数据进行知识挖掘，得到样例物种的物种描述知识的过程，包括：通过每一分支组件对应的知识挖掘算子对样例物种的物种描述数据进行知识挖掘，得到样例物种与每一分支组件对应的物种描述知识；将物种描述知识输入目标分支组件，包括：将样例物种与目标分支组件对应的物种描述知识输入目标分支组件。
即在本申请实施例中，联合调试网络的结构为第二结构，联合调试网络包括与每一分支组件对应的知识挖掘算子，知识挖掘算子用于对样例物种的物种描述数据进行知识挖掘，获得样例物种与每一分支组件对应的物种描述知识。该网络结构能克服联合调试网络不平衡问题，通过第一分支组件与分布指示信息获取第一误差结果后，通过第一误差结果对第一分支组件和第一知识挖掘算子的参数进行优化。
作为一种实施方式，联合调试网络还包括与每一分支组件对应的知识聚焦算子，通过每一分支组件对应的知识挖掘算子对样例物种的物种描述数据进行知识挖掘，得到样例物种与每一分支组件对应的物种描述知识，包括：通过每一分支组件对应的知识挖掘算子对样例物种的物种描述数据进行知识挖掘，得到样例物种与每一知识挖掘算子对应的中间描述知识；通过每一知识聚焦算子对物种描述数据和对应的中间描述知识进行知识聚焦操作，得到样例物种与每一分支组件对应的物种描述知识。
即本申请实施例中，联合调试网络为第四结构，该联合调试网络还包括与每一分支组件对应的知识聚焦算子，基于该结构抽取每一分支组件对应的物种描述知识，例如先基于三个知识挖掘算子分别对样例物种的物种描述数据进行知识挖掘，得到与每一知识挖掘算子对应的中间描述知识。再通过每一分支组件对应的知识聚焦算子对多个中间描述知识进行聚焦信息获取（获取注意力），获得每一分支组件对应的物种描述知识，物种描述知识都为通过多个知识聚焦算子进行整合获得的知识，可以视为整合知识。该结构中，通过第一分支组件与分布指示信息获取得到第一误差结果后，通过第一误差结果对第一分支组件、每一分支组件对应的知识挖掘算子以及每一分支组件对应的知识聚焦算子的参数进行优化。
作为一种实施方式，联合调试网络还包括知识公用算子，通过每一分支组件对应的知识挖掘算子对样例物种的物种描述数据进行知识挖掘，得到样例物种与每一知识挖掘算子对应的中间描述知识，包括：通过每一分支组件对应的知识挖掘算子以及公用算子对样例物种的物种描述数据进行知识挖掘，得到样例物种与每一分支组件以及知识公用算子对应的中间描述知识；通过每一知识聚焦算子对物种描述数据和对应的中间描述知识进行知识聚焦操作，得到样例物种与每一分支组件对应的物种描述知识，包括：通过每一知识聚焦算子对物种描述数据、相应的中间描述知识以及知识公用算子对应的中间描述知识进行知识聚焦操作，得到样例物种与每一分支组件对应的物种描述知识。
换言之，在本申请实施例中，联合调试网络为第五结构时，还包括知识公用算子，知识公用算子包括一对应的知识聚焦算子。在通过第五结构对样例物种的物种描述数据进行知识挖掘时，多个知识挖掘算子与知识公用算子均对样例物种的物种描述数据进行知识挖掘，得到各自对应的中间描述知识。每一知识挖掘算子都将抽取获得的知识输入下一层的知识挖掘算子，公用算子将抽取的知识输入下一层多个知识挖掘算子和下一层公用算子。再通过每一知识聚焦算子对物种描述数据和对应的中间描述知识进行知识聚焦操作，以获得样例物种与每一分支组件对应的物种描述知识。在第五结构中，通过第一分支组件与分布指示信息获取得到第一误差结果后，通过第一误差结果对第一分支组件、每一分支组件对应的知识挖掘算子、知识公用算子以及每一知识聚焦算子的参数进行优化。
在以上调试环节，都不对第二分支组件和第三分支组件的内部配置变量进行优化。
②样例物种的物种分类为生境维持分类
如果确定到样例物种的物种分类为生境维持分类，则基于物种分类在第一分支组件和第二分支组件中确定目标分支组件，包括：确定第二分支组件为目标分支组件；将物种描述知识输入目标分支组件，通过目标分支组件输出的第一推理结果与分布指示信息对目标分支组件的内部配置变量进行优化，包括：将物种描述知识输入第二分支组件，通过第二分支组件输出的第一推理结果与分布指示信息对第二分支组件的内部配置变量进行优化。
如果联合调试网络的结构为第一结构，第一类调试仅需对第二分支组件的参数进行优化。
如果联合调试网络的结构为第二结构，通过第二分支组件与分布指示信息获取得到第一误差结果后，通过该第一误差结果对第二分支组件和第二知识挖掘算子的参数进行优化。
如果联合调试网络的结构为第三结构，通过第二分支组件与分布指示信息获取得到第一误差结果后，通过第一误差结果对第二分支组件、每一分支组件对应的知识挖掘算子以及知识聚焦算子的参数进行优化。
如果联合调试网络的结构为第四结构，通过第二分支组件与分布指示信息获取得到第一误差结果后，通过第一误差结果对第二分支组件、每一分支组件对应的知识挖掘算子以及每一分支组件对应的知识聚焦算子的参数进行优化。
如果联合调试网络的结构为第五结构，通过第二分支组件与分布指示信息获取得到第一误差结果后，通过第一误差结果同时对第二分支组件、每一分支组件对应的知识挖掘算子、知识公用算子以及每一知识聚焦算子的参数进行优化。
以上调试环节，都不对第一分支组件和第三分支组件的内部配置变量进行优化。
步骤S140，将物种描述知识分别加载到目标分支组件外的两个分支组件，通过目标分支组件外的两个分支组件的输出结果确定第二推理结果。
其中，在通过调试学习样例对相应的分支组件进行第一类调试外，还可以通过调试学习样例对剩余两个分支组件进行第二类调试。实际实施时，将物种描述知识分别加载到目标分支组件外的两个分支组件，通过目标分支组件外的两个分支组件的输出结果确定第二推理结果。其中，如果联合调试网络还包括与每一分支组件对应的知识挖掘算子，则将物种描述知识分别加载到联合调试网络中目标分支组件外的两个分支组件，包括：将样例物种与目标分支组件外的两个分支组件对应的物种描述知识分别加载到相应的分支组件。
即针对联合调试网络的第二结构，不同分支组件对应的输入不同。那么在需要将物种描述知识加载到目标分支组件外的两个分支组件之前，先分别确认每一分支组件对应的知识挖掘算子，再将对应的知识挖掘算子抽取得到的物种描述知识加载到目标分支组件外的两个分支组件。同理，针对第三结构、第四结构和第五结构，将物种描述知识输入其他两个分支组件前，确定每一分支组件对应的输入特征，再基于对应关系将对应的特征加载到对应的分支组件中。
同理，本申请实施例分别以样例物种的物种分类为生境变化分类和生境维持分类进行介绍。
①样例物种的物种分类为生境变化分类
如果确定到样例物种的物种分类为生境变化分类，则将物种描述知识分别加载到联合调试网络中目标分支组件外的两个分支组件，通过目标分支组件外的两个分支组件的输出结果确定第二推理结果，包括：将物种描述知识分别加载到第二分支组件和第三分支组件中，得到第二分支组件输出的第一置信度和第三分支组件输出的第二置信度；获取第一置信度和第二置信度的相加结果，得到第二推理结果。
如果本申请实施例中，样例物种的物种分类为生境变化分类，通过调试学习样例进行的第二类调试即对第一分支组件外的两个分支组件进行调试，即对第二分支组件和第三分支组件进行调试。实际实施时，将物种描述知识分别加载到第二分支组件和第三分支组件中，得到第二分支组件输出的第一置信度以及第三分支组件输出的第二置信度。因第一分支组件推理的是物种在生境变化下的分布置信度，第二分支组件推理的是物种在非生境变化下的分布置信度，第三分支组件推理的是生境改变引起的物种分布置信度差异。那么，针对同一物种，通过第一分支组件推理得到的置信度应该是第二分支组件推理得到的置信度与第三分支组件推理得到的置信度的相加结果。那么在获得第二分支组件输出的第一置信度与第三分支组件输出的第二置信度后，再获取第一置信度和第二置信度的相加结果，获得第二推理结果。再通过第二推理结果进行第二分支组件和第三分支组件地调试。
②样例物种的物种分类为生境维持分类
如果确定到样例物种的物种分类为生境维持分类，则将物种描述知识分别加载到联合调试网络中目标分支组件外的两个分支组件，通过目标分支组件外的两个分支组件的输出结果确定第二推理结果，包括：将物种描述知识分别加载到第一分支组件和第三分支组件中，得到第一分支组件输出的第三置信度和第三分支组件输出的第四置信度；获取第三置信度和第四置信度的差值，得到第二推理结果。
换言之，如果在本申请实施例中，样例物种的物种分类为生境维持分类，通过调试学习样例进行的第二类调试就是对第二分支组件外的两个分支组件进行调试，即对第一分支组件和第三分支组件进行调试。实际实施时，将物种描述知识分别加载到第一分支组件和第三分支组件中，获得第一分支组件输出的第三置信度以及第三分支组件输出的第四置信度。因为针对同一物种，通过第一分支组件推理得到的置信度应当为第二分支组件推理得到的置信度与第三分支组件推理得到的置信度的相加结果。那么获得第一分支组件输出的第三置信度与第三分支组件输出的第四置信度后，再获取第三置信度和第四置信度的差值，得到第二推理结果。再通过第二推理结果进行第二分支组件和第三分支组件地调试。
步骤S150，基于第二推理结果与分布指示信息对目标分支组件外的两个分支组件的内部配置变量进行优化，得到调试完成的联合调试网络。
在获取得到第二推理结果后，再通过第二推理结果与分布指示信息对目标分支组件外的两个组件的内部配置变量进行优化，以获得调试完成的联合调试网络。基于该调试完成的联合调试网络进行生境变化差异推理，能获得更精确的生境变化差异。其中，基于第二推理结果与分布指示信息对目标分支组件外的两个分支组件的内部配置变量进行优化，包括：基于第二推理结果与分布指示信息获取第二误差结果；通过第二误差结果对目标分支组件外的两个分支组件的内部配置变量进行优化。
在获取得到第二推理结果后，再基于第二推理结果与分布指示信息获取第二误差结果。第二误差结果的获取方法和上述第一误差结果基于相同的误差函数进行获取，获取第二误差结果后，再基于第二误差结果进行梯度优化，以对目标分支组件外的两个分支组件的内部配置变量进行优化。
下面还是以样例物种的物种分类为生境变化分类和生境维持分类，分别对其他两个组件参数进行优化进行介绍。
①样例物种的物种分类为生境变化分类
如果确定到样例物种的物种分类为生境变化分类时，获取得到第二误差结果后，通过第二误差结果对第二分支组件和第三分支组件的参数进行优化。
如果联合调试网络为第一结构，则只对第二分支组件和第三分支组件的参数进行优化。如果联合调试网络为第二结构，除了对第二分支组件和第三分支组件的参数进行优化，还要对第二知识挖掘算子和第三知识挖掘算子的参数进行优化。如果联合调试网络为第三结构，对第二分支组件和第三分支组件的参数进行优化的同时，还对每一知识挖掘算子和第一知识聚焦算子的参数进行优化。如果联合调试网络为第四结构，对第二分支组件和第三分支组件的参数进行优化的同时，还须对每一知识挖掘算子以及每一知识聚焦算子的参数进行优化。如果联合调试网络为第五结构，对第二分支组件和第三分支组件的参数进行优化的同时，还对每一知识挖掘算子、公用算子以及每一知识聚焦算子的参数进行优化。
②样例物种的物种分类为生境维持分类
如果确定到样例物种的物种分类为生境维持分类，则获取第二误差结果后，基于第二误差结果对第一分支组件和第三分支组件的内部配置变量进行优化。
针对联合调试网络的不同结构，需优化的参数不同，本申请实施例中，每个调试学习样例都用以对多个分支组件进行调试，以提高调试学习样例的基数，能够提高调试获得的分支组件的泛化性。作为一种实施方式，基于第二推理结果与分布指示信息对目标分支组件外的两个分支组件的内部配置变量进行优化之后，还包括：对联合调试网络进行网络质量判断；如果判定联合调试网络没有达到预设的质量要求（如调试次数少于最大设定次数，网络误差仍在发生变化等，也即没有收敛），则再次获取调试学习样例，确定调试学习样例中样例物种的物种分类，通过物种分类在分支组件和第二分支组件中确定目标分支组件，将物种描述知识输入目标分支组件，通过目标分支组件输出的第一推理结果与分布指示信息对目标分支组件的内部配置变量进行优化；将物种描述知识分别加载到联合调试网络中目标分支组件外的两个分支组件，通过目标分支组件外的两个分支组件的输出结果确定第二推理结果；通过第二推理结果与分布指示信息对目标分支组件外的两个分支组件的内部配置变量进行优化；如果判定联合调试网络达到预设的质量要求，停止调试并输出调试完成的联合调试网络。
在本申请实施例中，步骤S110~步骤S150只是对联合调试网络进行调试的迭代过程中一代。通过获得的调试学习样例对联合调试网络进行调试后，再次获取一个调试学习样例对联合调试网络进行一代调试，迭代之下直至联合调试网络达到预设的质量要求。实际实施时，可以在则再次获取调试学习样例之前，对联合调试网络进行网络质量判断，判断联合调试网络是否达到预设的质量要求。如果确认联合调试网络没有达到预设的质量要求，再获取调试学习样例，并循环对步骤S110~步骤S150进行执行，如果确认联合调试网络达到预设的质量要求，停止调试过程，输出调试完成的联合调试网络。
步骤S160，获取拟进行推理的目标物种的目标物种描述数据，以及依据调试完成的联合调试网络对目标物种描述数据进行生境变化差异推理，得到目标物种的生境变化差异。
在调试获得调试完成的联合调试网络后，调试完成的联合调试网络可以是上述各个结构（第一结构~第五结构）中的任一结构的联合调试网络，再基于调试完成的联合调试网络进行生境变化差异推理。例如先获取拟进行生境变化差异推理的目标物种的目标物种描述数据，再将目标物种描述数据输入到调试完成的生境变化差异推理网络中进行生境变化差异推理，以获得目标物种的生境变化差异。
作为一种实施方式，获取拟进行推理的目标物种的目标物种描述数据，以及依据调试完成的联合调试网络对目标物种描述数据进行生境变化差异推理，得到目标物种的生境变化差异，包括：获取拟进行推理的目标物种的目标物种描述数据；将目标物种描述数据输入调试完成的联合调试网络中的第三分支组件，得到第三分支组件输出的推理差异，通过推理差异确定目标物种的生境变化差异。
本申请实施例提供的网络调试方法调试获得的联合调试网络可以执行多个任务，可用于推理物种在生境变化下的分布置信度（使用第一分支组件）、推理物种在非生境变化下的分布置信度（使用第二分支组件）以及推理生境变化造成物种的分布置信度差异（使用第三分支组件）。本申请提供的网络调试方法调试获得的联合调试网络主要用于对生境变化造成物种的生境变化差异进行推理。
调试获得联合调试网络后，将联合调试网络进行应用。在获取生境变化差异推理任务时，获取生境变化差异推理任务中包含的拟进行推理的目标物种的目标物种描述数据。实际实施时，目标物种描述数据可以包括物种的物种特性，例如所处区域的生境数据、物种习性、物种观测数量、物种分布坐标等。获得目标物种描述数据后，将获取到的目标物种描述数据加载到联合调试网络中，得到联合调试网络的多个分支组件输出的多个输出结果。在本申请实施例中，针对生境变化差异推理任务，仅获取第三分支组件的输出结果即可，以获得目标物种的生境变化差异。
基于以上方法推理到目标物种的生境变化差异后，可以将目标物种的生境变化差异与设定的阈值进行对比。如果目标物种的生境变化差异大于定的阈值，那么物种将发生分布变化（例如迁移）。基于上述方法，能精准推理出目标物种的生境变化差异，以预测物种的分布变化特性，帮助对物种观测提供高价值参考信息。
也即，可以理解，在步骤S160后，还可以包括步骤：判断目标物种的生境变化差异是否大于设定的阈值，如果大于，则判断目标物种将发生对应于生境变化的分布变化。
例如，生境变化的变化指标为降水量提高超过20mm，此时，目标物种的当前分布区域A的降水量为10mm，降水量大于30mm的区域为B、C、D，那么，获取目标物种针对B、C、D的生境变化差异大于设定的阈值的区域，如果判断生境变化差异大于设定的阈值的区域为B，则目标物种大概率将会往B区域进行分布。可以理解，如果B、C、D三个区域中有多个符合生境变化差异大于设定的阈值的区域，可以进行降序排序（按照生境变化差异进行排序，生境变化差异越大，排序越靠前），将排序结果作为推理结果进行输出以供参考。
综上所述，基于本申请提供的基于生境数据分析的物种分布监测方法，即获取联合调试网络的调试学习样例，调试学习样例包括样例物种的物种描述知识以及分布指示信息，联合调试网络包括推理物种在生境变化下分布置信度的第一分支组件、推理物种在无生境变化时分布置信度的第二分支组件以及推理生境变化引起物种分布置信度差异的第三分支组件；确定样例物种的物种分类，通过物种分类在第一分支组件和第二分支组件中确定目标分支组件，样例物种分类包括生境变化分类或生境维持分类，生境变化分类的物种为分布在预设生境改变的物种；将物种描述知识输入目标分支组件，通过目标分支组件输出的第一推理结果与分布指示信息对目标分支组件的内部配置变量进行优化；将物种描述知识分别加载到目标分支组件外的两个分支组件，通过所述目标分支组件外的两个分支组件的输出结果确定第二推理结果；通过第二推理结果与分布指示信息对目标分支组件外的两个分支组件的内部配置变量进行优化。如此，通过构建同时推理物种在生境变化下分布置信度、在无生境变化时分布置信度以及生境变化引起物种分布置信度差异的联合调试网络，并基于生境变化分类的调试学习样例和生境维持分类的调试学习样例进行相对情形地调试。以基于神经网络推理物种的生境变化差异，有别于分别调试推理生境变化下分布置信度和推理非生境变化下分布置信度的两个不同的网络，再基于两个不同的网络的推理结果确定得到物种的生境变化差异，能够杜绝多个网络进行联合推理引起的精度和可靠性差异的情况。因此，基于本申请提供的基于生境数据分析的物种分布监测方法调试获得的联合调试网络对目标物种进行生境变化差异推理，能够提高推理得到的生境变化差异的精度和可靠性。
基于与图1中所示方法相同的原理，本申请实施例中还提供了一种数据分析装置10，如图2所示，该装置10包括：
学习样例获取模块11，用于获取联合调试网络的调试学习样例，所述调试学习样例包括样例物种的物种描述知识以及分布指示信息，所述联合调试网络包括推理物种在生境变化下分布置信度的第一分支组件、推理物种在无生境变化时分布置信度的第二分支组件以及推理生境变化引起物种分布置信度差异的第三分支组件；
目标组件确定模块12，用于确定所述样例物种的物种分类，通过所述物种分类在所述第一分支组件和所述第二分支组件中确定目标分支组件，所述样例物种分类包括生境变化分类或生境维持分类，所述生境变化分类的物种为分布在预设生境改变的物种；
目标组件优化模块13，用于将所述物种描述知识输入所述目标分支组件，通过所述目标分支组件输出的第一推理结果与所述分布指示信息对所述目标分支组件的内部配置变量进行优化；
对比调试推理模块14，用于将所述物种描述知识分别加载到所述目标分支组件外的两个分支组件，通过所述目标分支组件外的两个分支组件的输出结果确定第二推理结果；
对比组件优化模块15，用于通过所述第二推理结果与所述分布指示信息对所述目标分支组件外的两个分支组件的内部配置变量进行优化，得到调试完成的联合调试网络；
变化差异推理模块16，用于获取拟进行推理的目标物种的目标物种描述数据，以及依据所述调试完成的联合调试网络对所述目标物种描述数据进行生境变化差异推理，得到所述目标物种的生境变化差异。
上述实施例从虚拟模块的角度介绍了数据分析装置10，下述从实体模块的角度介绍一种计算机设备，具体如下所示：
本申请实施例提供了一种计算机设备，如图3所示，计算机设备100包括：处理器101和存储器103。其中，处理器101和存储器103相连，如通过总线102相连。可选地，计算机设备100还可以包括收发器104。需要说明的是，实际应用中收发器104不限于一个，该计算机设备100的结构并不构成对本申请实施例的限定。
处理器101可以是CPU，通用处理器，GPU，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器101也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线102可包括一通路，在上述组件之间传送信息。总线102可以是PCI总线或EISA总线等。总线102可以分为地址总线、数据总线、控制总线等。为便于表示，图3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。
存储器103可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器103用于存储执行本申请方案的应用程序代码，并由处理器101来控制执行。处理器101用于执行存储器103中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
本申请实施例提供了一种计算机设备，本申请实施例中的计算机设备包括：一个或多个处理器；存储器；一个或多个计算机程序，其中一个或多个计算机程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序被处理器执行时，实现上述提供的方法。本申请所提供的技术方案，通过获取联合调试网络的调试学习样例，调试学习样例包括样例物种的物种描述知识以及分布指示信息，联合调试网络包括推理物种在生境变化下分布置信度的第一分支组件、推理物种在无生境变化时分布置信度的第二分支组件以及推理生境变化引起物种分布置信度差异的第三分支组件；确定样例物种的物种分类，通过物种分类在第一分支组件和第二分支组件中确定目标分支组件，样例物种分类包括生境变化分类或生境维持分类，生境变化分类的物种为分布在预设生境改变的物种；将物种描述知识输入目标分支组件，通过目标分支组件输出的第一推理结果与分布指示信息对目标分支组件的内部配置变量进行优化；将物种描述知识分别加载到目标分支组件外的两个分支组件，通过所述目标分支组件外的两个分支组件的输出结果确定第二推理结果；通过第二推理结果与分布指示信息对目标分支组件外的两个分支组件的内部配置变量进行优化，得到调试完成的联合调试网络；获取拟进行推理的目标物种的目标物种描述数据，以及依据调试完成的联合调试网络对目标物种描述数据进行生境变化差异推理，得到目标物种的生境变化差异。基于此，通过生成同时推理物种在生境变化下分布置信度、在无生境变化时分布置信度以及生境变化引起物种分布置信度差异的联合调试网络，以及基于生境变化分类的调试学习样例和生境维持分类的调试学习样例进行相对情形地调试。以基于神经网络推理物种的生境变化差异，有别于分别调试推理生境变化下分布置信度和推理非生境变化下分布置信度的两个不同的网络，再基于两个不同的网络的推理结果确定得到物种的生境变化差异，能够杜绝多个网络进行联合推理引起的精度和可靠性差异的情况。那么，基于本申请提供的基于生境数据分析的物种分布监测方法调试获得的联合调试网络对目标物种进行生境变化差异推理，能够提高推理得到的生境变化差异的精度和可靠性。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当计算机程序在处理器上运行时，使得处理器可以执行前述方法实施例中相应的内容。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种基于生境数据分析的物种分布监测方法，其特征在于，应用于计算机设备，所述方法包括：
获取联合调试网络的调试学习样例，所述调试学习样例包括样例物种的物种描述知识以及分布指示信息，所述联合调试网络包括推理物种在生境变化下分布置信度的第一分支组件、推理物种在无生境变化时分布置信度的第二分支组件以及推理生境变化引起物种分布置信度差异的第三分支组件；
确定所述样例物种的物种分类，通过所述物种分类在所述第一分支组件和所述第二分支组件中确定目标分支组件，所述样例物种分类包括生境变化分类或生境维持分类，所述生境变化分类的物种为分布在预设生境改变的物种；当确定到所述样例物种的物种分类为生境变化分类时，确定所述第一分支组件为目标分支组件；当确定到所述样例物种的物种分类为生境维持分类时，确定所述第二分支组件为目标分支组件；
将所述物种描述知识输入所述目标分支组件，通过所述目标分支组件输出的第一推理结果与所述分布指示信息对所述目标分支组件的内部配置变量进行优化；
将所述物种描述知识分别加载到所述目标分支组件外的两个分支组件，通过所述目标分支组件外的两个分支组件的输出结果确定第二推理结果；
通过所述第二推理结果与所述分布指示信息对所述目标分支组件外的两个分支组件的内部配置变量进行优化，得到调试完成的联合调试网络；
获取拟进行推理的目标物种的目标物种描述数据，以及依据所述调试完成的联合调试网络对所述目标物种描述数据进行生境变化差异推理，得到所述目标物种的生境变化差异。
2.根据权利要求1所述的方法，其特征在于，所述获取联合调试网络的调试学习样例，包括：
获取目标监测周期中的多个样例物种的物种分布热力图，所述物种分布热力图包括多个样例物种的物种描述数据以及每一样例物种的分布指示信息；
对每一样例物种的物种描述数据进行知识挖掘，得到每一样例物种的物种描述知识。
3.根据权利要求2所述的方法，其特征在于，所述联合调试网络还包括与每一分支组件对应的知识挖掘算子，对样例物种的物种描述数据进行知识挖掘，得到样例物种的物种描述知识的过程，包括如下步骤：
通过每一分支组件对应的知识挖掘算子对样例物种的物种描述数据进行知识挖掘，得到样例物种与每一分支组件对应的物种描述知识；
所述将所述物种描述知识输入所述目标分支组件，包括：
将所述样例物种与所述目标分支组件对应的物种描述知识输入所述目标分支组件；
所述将所述物种描述知识分别加载到所述联合调试网络中所述目标分支组件外的两个分支组件，包括：
将所述样例物种与所述目标分支组件外的两个分支组件对应的物种描述知识分别加载到相应的分支组件。
4.根据权利要求3所述的方法，其特征在于，所述联合调试网络还包括与每一分支组件对应的知识聚焦算子，所述通过每一分支组件对应的知识挖掘算子对样例物种的物种描述数据进行知识挖掘，得到样例物种与每一分支组件对应的物种描述知识，包括：
通过每一分支组件对应的知识挖掘算子对样例物种的物种描述数据进行知识挖掘，得到样例物种与每一知识挖掘算子对应的中间描述知识；
通过每一知识聚焦算子对所述物种描述数据和对应的中间描述知识进行知识聚焦操作，得到样例物种与每一分支组件对应的物种描述知识。
5.根据权利要求4所述的方法，其特征在于，所述联合调试网络还包括知识公用算子，所述通过每一分支组件对应的知识挖掘算子对样例物种的物种描述数据进行知识挖掘，得到样例物种与每一知识挖掘算子对应的中间描述知识，包括：
通过每一分支组件对应的知识挖掘算子以及所述知识公用算子对样例物种的物种描述数据进行知识挖掘，得到样例物种与每一分支组件以及所述知识公用算子对应的中间描述知识；
所述通过每一知识聚焦算子对所述物种描述数据和对应的中间描述知识进行知识聚焦操作，得到样例物种与每一分支组件对应的物种描述知识，包括：
通过每一知识聚焦算子对所述物种描述数据、相应的中间描述知识以及所述知识公用算子对应的中间描述知识进行知识聚焦操作，得到样例物种与每一分支组件对应的物种描述知识。
6.根据权利要求5所述的方法，其特征在于，所述基于所述目标分支组件输出的第一推理结果与所述分布指示信息对所述目标分支组件的内部配置变量进行优化，包括：
基于所述目标分支组件输出的第一推理结果与所述分布指示信息对所述目标分支组件、所述每一分支组件对应的知识挖掘算子、所述每一分支组件对应的知识聚焦算子以及所述知识公用算子的内部配置变量进行优化；
所述基于所述第二推理结果与所述分布指示信息对所述目标分支组件外的两个分支组件的内部配置变量进行优化，包括：
基于所述第二推理结果与所述分布指示信息对所述目标分支组件外的两个分支组件、所述每一分支组件对应的知识挖掘算子、所述每一分支组件对应的知识聚焦算子以及所述知识公用算子的内部配置变量进行优化。
7.根据权利要求1~6任一项所述的方法，其特征在于，当确定到所述样例物种的物种分类为生境变化分类时，所述将所述物种描述知识分别加载到所述联合调试网络中所述目标分支组件外的两个分支组件，通过所述目标分支组件外的两个分支组件的输出结果确定第二推理结果，包括：
将所述物种描述知识分别加载到所述第二分支组件和所述第三分支组件中，得到所述第二分支组件输出的第一置信度和所述第三分支组件输出的第二置信度；
获取所述第一置信度和所述第二置信度的相加结果，得到第二推理结果；
当确定到所述样例物种的物种分类为生境维持分类时，所述将所述物种描述知识分别加载到所述联合调试网络中所述目标分支组件外的两个分支组件，通过所述目标分支组件外的两个分支组件的输出结果确定第二推理结果，包括：
将所述物种描述知识分别加载到所述第一分支组件和所述第三分支组件中，得到所述第一分支组件输出的第三置信度和所述第三分支组件输出的第四置信度；
获取所述第三置信度和所述第四置信度的差，得到第二推理结果。
8.根据权利要求1所述的方法，其特征在于，所述基于所述目标分支组件输出的第一推理结果与所述分布指示信息对所述目标分支组件的内部配置变量进行优化，包括：
基于所述目标分支组件输出的第一推理结果与所述分布指示信息获取第一误差结果；
通过所述第一误差结果对所述目标分支组件的内部配置变量进行优化；
所述基于所述第二推理结果与所述分布指示信息对所述目标分支组件外的两个分支组件的内部配置变量进行优化，包括：
基于所述第二推理结果与所述分布指示信息获取第二误差结果；
通过所述第二误差结果对所述目标分支组件外的两个分支组件的内部配置变量进行优化。
9.根据权利要求1所述的方法，其特征在于，所述基于所述第二推理结果与所述分布指示信息对所述目标分支组件外的两个分支组件的内部配置变量进行优化之后，还包括如下步骤：
对所述联合调试网络进行网络质量判断；
如果判定所述联合调试网络没有达到预设的质量要求，则再次获取调试学习样例，确定所述调试学习样例中样例物种的物种分类，通过所述物种分类在所述分支组件和所述第二分支组件中确定目标分支组件，将所述物种描述知识输入所述目标分支组件，通过所述目标分支组件输出的第一推理结果与所述分布指示信息对所述目标分支组件的内部配置变量进行优化；
将所述物种描述知识分别加载到所述联合调试网络中所述目标分支组件外的两个分支组件，通过所述目标分支组件外的两个分支组件的输出结果确定第二推理结果；
通过所述第二推理结果与所述分布指示信息对所述目标分支组件外的两个分支组件的内部配置变量进行优化；
如果判定所述联合调试网络达到预设的质量要求，停止调试并输出调试完成的联合调试网络；
所述获取拟进行推理的目标物种的目标物种描述数据，以及依据所述调试完成的联合调试网络对所述目标物种描述数据进行生境变化差异推理，得到所述目标物种的生境变化差异，包括：
获取拟进行推理的目标物种的目标物种描述数据；
将所述目标物种描述数据输入所述调试完成的联合调试网络中的第三分支组件，得到所述第三分支组件输出的推理差异，通过所述推理差异确定所述目标物种的生境变化差异。
10.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个计算机程序；
其中，所述一个或多个计算机程序被存储在所述存储器中，并被配置为由所述一个或多个处理器执行，所述一个或多个程序被处理器执行时，实现如权利要求1~9任一项所述的方法。
CN202311757685.XA 2023-12-20 2023-12-20 基于生境数据分析的物种分布监测方法及设备 Active CN117436533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311757685.XA CN117436533B (zh) 2023-12-20 2023-12-20 基于生境数据分析的物种分布监测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311757685.XA CN117436533B (zh) 2023-12-20 2023-12-20 基于生境数据分析的物种分布监测方法及设备

Publications (2)

Publication Number Publication Date
CN117436533A true CN117436533A (zh) 2024-01-23
CN117436533B CN117436533B (zh) 2024-02-13

Family

ID=89553911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311757685.XA Active CN117436533B (zh) 2023-12-20 2023-12-20 基于生境数据分析的物种分布监测方法及设备

Country Status (1)

Country Link
CN (1) CN117436533B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118246555A (zh) * 2024-05-23 2024-06-25 河北省塞罕坝机械林场(河北塞罕坝国家级自然保护区管理中心) 基于生境数据分析的物种分布监测方法及系统
CN118522340A (zh) * 2024-07-19 2024-08-20 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 (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103713A (zh) * 2009-12-18 2011-06-22 湖南城市学院 湿地资源与生态环境监管方法及系统
CN104239434A (zh) * 2014-08-28 2014-12-24 浙江工业大学 一种基于带有多样化半径技术的小生境遗传算法的聚类方法
JP2015139439A (ja) * 2014-01-30 2015-08-03 富士通株式会社 生息地適性評価プログラム、生息地適性評価方法及び生息地適性評価装置
JP2018128793A (ja) * 2017-02-07 2018-08-16 富士通株式会社 動物生息適性度評価方法、動物生息適性度評価プログラムおよび動物生息適性度評価装置
CN110139067A (zh) * 2019-03-28 2019-08-16 北京林业大学 一种野生动物监测数据管理信息系统
CN113222316A (zh) * 2021-01-15 2021-08-06 中山大学 一种基于flus模型和生物多样性模型的变化情景模拟方法
CN113658274A (zh) * 2021-08-23 2021-11-16 海南大学 用于灵长类动物种群行为分析的个体间距自动计算方法
CN114610640A (zh) * 2022-03-23 2022-06-10 浙江大学 一种面向物联网可信执行环境的模糊测试方法和系统
CN116304600A (zh) * 2023-03-06 2023-06-23 四川省林业科学研究院 基于大数据分析的外来入侵物种预警方法及系统
CN116663960A (zh) * 2023-04-25 2023-08-29 湖南大学 基于气候变化下生境可达性和可用性的生态网络构建方法
CN117251700A (zh) * 2023-11-18 2023-12-19 拓普思传感器(太仓)有限公司 基于人工智能的环境监测传感器数据分析方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103713A (zh) * 2009-12-18 2011-06-22 湖南城市学院 湿地资源与生态环境监管方法及系统
JP2015139439A (ja) * 2014-01-30 2015-08-03 富士通株式会社 生息地適性評価プログラム、生息地適性評価方法及び生息地適性評価装置
CN104239434A (zh) * 2014-08-28 2014-12-24 浙江工业大学 一种基于带有多样化半径技术的小生境遗传算法的聚类方法
JP2018128793A (ja) * 2017-02-07 2018-08-16 富士通株式会社 動物生息適性度評価方法、動物生息適性度評価プログラムおよび動物生息適性度評価装置
CN110139067A (zh) * 2019-03-28 2019-08-16 北京林业大学 一种野生动物监测数据管理信息系统
CN113222316A (zh) * 2021-01-15 2021-08-06 中山大学 一种基于flus模型和生物多样性模型的变化情景模拟方法
CN113658274A (zh) * 2021-08-23 2021-11-16 海南大学 用于灵长类动物种群行为分析的个体间距自动计算方法
CN114610640A (zh) * 2022-03-23 2022-06-10 浙江大学 一种面向物联网可信执行环境的模糊测试方法和系统
CN116304600A (zh) * 2023-03-06 2023-06-23 四川省林业科学研究院 基于大数据分析的外来入侵物种预警方法及系统
CN116663960A (zh) * 2023-04-25 2023-08-29 湖南大学 基于气候变化下生境可达性和可用性的生态网络构建方法
CN117251700A (zh) * 2023-11-18 2023-12-19 拓普思传感器(太仓)有限公司 基于人工智能的环境监测传感器数据分析方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JENNIFER I. FINCHAM 等: "Developing the use of convolutional neural networking in benthic habitat classification and species distribution modelling", 《ICES JOURNAL OF MARINE SCIENCE》, 28 October 2020 (2020-10-28), pages 3074 *
尚俊 等: "基于 InVEST 模型的鄱阳湖区生境质量时空演化 及其变迁特征分析", 《长江流域资源与环境》, vol. 30, no. 8, 31 August 2021 (2021-08-31), pages 1901 - 1915 *
潘思雨: "基于气象因素的美国白蛾预测预警研究", 《中国优秀硕士学位论文全文数据库农业科技辑》, no. 04, 15 April 2020 (2020-04-15), pages 046 - 201 *
胡凯富 等: "基于 CiteSpace 计量分析的景观绩效研究重点领域和前沿趋势的文献述评", 《风景园林》, 30 November 2018 (2018-11-30), pages 84 - 88 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118246555A (zh) * 2024-05-23 2024-06-25 河北省塞罕坝机械林场(河北塞罕坝国家级自然保护区管理中心) 基于生境数据分析的物种分布监测方法及系统
CN118522340A (zh) * 2024-07-19 2024-08-20 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

Also Published As

Publication number Publication date
CN117436533B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN117436533B (zh) 基于生境数据分析的物种分布监测方法及设备
Ganapathi Subramanian et al. Using spatial reinforcement learning to build forest wildfire dynamics models from satellite images
De Carvalho et al. A symbolic fault-prediction model based on multiobjective particle swarm optimization
Lu et al. Environmental informatics for solid and hazardous waste management: advances, challenges, and perspectives
Gupta et al. Machine Learning‐and Feature Selection‐Enabled Framework for Accurate Crop Yield Prediction
Zhai et al. Applying case-based reasoning and a learning-based adaptation strategy to irrigation scheduling in grape farming
Čerepnalkoski et al. The influence of parameter fitting methods on model structure selection in automated modeling of aquatic ecosystems
Ould-Sidi et al. Model-based design of integrated production systems: a review
Dong et al. Intelligent trainer for dyna-style model-based deep reinforcement learning
Pavlov-Kagadejev et al. Optimizing long-short-term memory models via metaheuristics for decomposition aided wind energy generation forecasting
Dumitrache et al. A cyber physical systems approach for agricultural enterprise and sustainable agriculture
Alweshah et al. Intrusion detection for IoT based on a hybrid shuffled shepherd optimization algorithm
Khoshniat et al. Nature-inspired metaheuristic methods in software testing
Raihan et al. Artificial intelligence (AI) for environmental sustainability: A concise review of technology innovations in energy, transportation, biodiversity, and water management
Bureš et al. Forming ensembles at runtime: a machine learning approach
Devi et al. AI‐Based Weather Forecasting System for Smart Agriculture System Using a Recurrent Neural Networks (RNN) Algorithm
Xu et al. An investigation of hybrid tabu search for the traveling salesman problem
Farshidpour et al. Using artificial bee colony Algorithm for MLP Training on software defect prediction
Kourosh Niya et al. An adding/deleting approach to improve land change modeling: a case study in Qeshm Island, Iran
Ramesh Babu et al. Diagnosis of tomato leaf disease using OTSU multi-threshold image segmentation-based chimp optimization algorithm and LeNet-5 classifier
Revathy et al. HANA: A Performance‐Based Machine Learning and Neural Network Approach for Climate Resilient Agriculture
Kalinin et al. Big Data Security Evaluation by Bidirectional Analysis of Access Control Policy
Clunie et al. Use of Data Mining Strategies in Environmental Parameters in Poultry Farms, a Case Study
Ouedraogo et al. Integration of the Multiple Criteria Decision Making Method KEMIRA into a GIS for the Problem of Choosing Suitable Areas for a Given Use
Lehnen et al. Climate envelope modeling for ocelot conservation planning: peering inside the black box

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