[发明专利]一种基于多源数据融合分析的生物入侵识别方法

说明书

本发明公开了一种基于多源数据融合分析的生物入侵识别方法，包括以下步骤：获取包含有入侵生物数据的多源数据集，并对入侵生物数据进行标记；数据集包括：文本数据、图片数据、时间数据、地理位置数据；对文本数据进行分类，输出带标记的文本概率矩阵；对图片数据识别出图片中入侵生物的位置，确定边界和大小，并训练出带标记的图片概率矩阵；对时间数据进行独热编码，并通过编码后的数据与地理位置数据构建时间‑空间特征矩阵；根据文本概率矩阵、图片概率矩阵、时间‑空间特征矩阵构建多特征向量；对多特征向量进行权重分配，利用机器学习算法训练二元分类器；将待预测数据输入二元分类器，获得入侵生物数据。

技术领域

本发明涉及大数据人工智能技术领域，特别涉及一种基于多源数据融合分析的生物入侵识别方法。

背景技术

随着全球化发展进程加快以及土地使用模式的改变，生物入侵已成为世界性的生态安全问题。研究表明，从1970年到2017年全球入侵防治总成本至少达到1.288万亿美元，年平均成本为268亿美元，并且其增长速度没有放缓的痕迹。目前针对生物入侵领域的研究还处于初级阶段，近年来在全球生态变化的大背景下，已然发展成为全球变化和生态可持续管理相结合的一个新的领域。现阶段的防治生物入侵的手段主要包括了：建立相应的监测系统，查明外来物种的种类、数量、分布和作用；加强对生物入侵危害性的宣传教育，提高社会的防范意识；积极寻找针对外来入侵物种的识别、防治技术，以对当前生物入侵的蔓延趋势加以有效遏制。综上，对外来物种进行精准鉴定至关重要。

目前，人工智能技术正在成为生态资源领域的新引擎，利用人工智能技术在识别物种方面的研究起步较早，在植物、动物和标本识别均取得了超越传统分类器的效果，而人工智能中的深度学习已在物种图像识别上广泛应用。在植物分类中(Lee等，2015，2016)，Mohanty等(2016)利用深度学习的方法实现了基于图像的38种植物病害的分类。Carranza-Rojas等(2017)用卷积神经网络和迁移神经网络实现了基于标本图片的上千个物种的分类。除了利用CNN对单张图像进行分类之外，Taghavi等(2018)利用LSTM对CNN提取的时间序列图像的特征进行表型和基因型的分类。Norouzzadeh等利用深度学习的方法基于相机陷阱获取的图像数据自动识别动物的类别并统计其数量，实现了动物种群的监测，但在复杂环境背景下，识别准确率较低。为了解决野外复杂环境背景所导致监测图像识别准确率低问题，动物发出的声音也被作为一种重要数据源。

随着观测技术的进步，物种监测系统的不断完善，长时间、跨尺度、海量异构多源数据的获取能力得到了显著提升。2017年美国科学院院士Gregory P.Asner等在Science上发表的研究表明，通过整合海量、高精度的高光谱和激光雷达数据，对整个秘鲁森林进行了植物功能型划分，进而为各区域提出相应的森林管理与保护对策。打破了结构复杂、生物多样性高的植物类群无法准确监测的局限。值得注意的是，在多源数据的融合过程中存在数据结构、精度等是否匹配的问题。我们获取的监测信息中包含多种不同类别的数据，如何利用多特征数据来进行外来物种的快速识别与智能诊断，并基于此进行风险分析与预判是一个非常值得研究的问题。

发明内容

目前这方面的研究鲜有报道，基于此背景，本文提出一种基于多源数据融合分析的生物入侵识别方法。首先使用深度学习方法对数据进行概率预判，然后基于熵权法分配数据权重，最后采用SVM方法对多特征数据进行综合判别。本发明以大黄蜂入侵华盛顿事件为例，分析验证了该算法的实用性。结果显示本算法可应用于物种的快速识别与监测，同时还能预判出物种的随时间的变化发展趋势。为制定相应合理、高效的保护与管理措施提供了依据。

本发明提供了一种基于多源数据融合分析的生物入侵识别方法，包括以下步骤：

获取包含有入侵生物数据的多源数据集，并对入侵生物数据进行标记；所述数据集包括：文本数据、图片数据、时间数据、地理位置数据。

对所述文本数据进行分类，输出带标记的文本概率矩阵。