目标物种潜在入侵风险评估方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114154428A(43)申请公布日2022.03.08(21)申请号202210119592.3(22)申请日2022.02.09(71)申请人中国科学院地理科学与资源研究所地址100101北京市朝阳区大屯路甲11号(72)发明人江东丁方宇郝蒙蒙付晶莹(74)专利代理机构北京中和立达知识产权代理有限公司11756代理人张可(51)Int.Cl.G06F30/27(2020.01)G06Q10/06(2012.01)G06Q50/26(2012.01)G06N20/00(2019.01)G06F111/08(2020.01)权利要求书2页说明书12页附图6页(54)发明名称目标物种潜在入侵风险评估方法及装置(57)摘要本发明是关于一种目标物种潜在入侵风险评估方法及装置，其中，方法包括：获取目标物种的分布记录数据和多维时空数据；根据所述分布记录数据和多维时空数据，使用最大熵模型生成伪缺失概率分布数据，并从所述伪缺失概率分布数据中随机筛选出与所述分布记录数据等量的伪缺失样本数据；根据所述伪缺失样本数据、所述分布记录数据和多维时空数据，构建并训练得到一个基于多个增强回归树模型的机器学习集成模型；通过所述机器学习集成模型，确定驱动所述目标物种入侵风险的关键影响因素，确定所述目标物种的入侵概率，评估潜在入侵风险区分布和量化评估的不确定性。CN114154428ACN114154428A权利要求书1/2页1.一种目标物种潜在入侵风险评估方法，其特征在于，所述方法包括：获取目标物种的分布记录数据和多维时空数据；根据所述分布记录数据和多维时空数据，使用最大熵模型生成伪缺失概率分布数据，并从所述伪缺失概率分布数据中随机筛选出与所述分布记录数据等量的伪缺失样本数据；根据所述伪缺失样本数据、所述分布记录数据和多维时空数据，构建并训练得到一个基于多个增强回归树模型的机器学习集成模型；通过所述机器学习集成模型，确定驱动所述目标物种入侵风险的关键影响因素，确定所述目标物种的入侵概率，评估潜在入侵风险区分布和量化评估的不确定性。2.根据权利要求1所述的方法，其特征在于，所述分布记录数据包括所述目标物种分布的经纬度信息，所述多维时空数据包括气候因素信息、地理因素信息和社会经济因素信息，其中，所述气候因素信息包括年平均气温、平均昼夜温度差、等温性、气温季节性变动系数、最热月份最高温度、最冷月份最低温度、最高温度与最低温度差、最湿季度平均温度、最干季度平均温度、最暖季度平均温度、最冷季度平均温度、年降雨量、最湿月份降水量、最干月份降水量、降水量季节性变化、最干季度降水量、最湿季度降水量、最暖季度降水量和最冷季度降水量，所述地理因素信息包括海拔、归一化植被指数和土地利用，所述社会经济因素信息包括城市可达性和道路密度。3.根据权利要求1所述的方法，其特征在于，根据所述分布记录数据和多维时空数据，使用最大熵模型生成伪缺失概率分布数据，并从所述伪缺失概率分布数据中随机筛选出与所述分布记录数据等量的伪缺失样本数据，包括：将所述分布记录数据和多维时空数据作为输入数据，运行最大熵模型，以生成介于0‑1之间的环境适宜性概率；将所述环境适宜性概率小于0.5作为所述伪缺失样本数据的筛选依据。4.根据权利要求1所述的方法，其特征在于，根据所述伪缺失样本数据、所述分布记录数据和多维时空数据，构建并训练得到一个基于多个增强回归树模型的机器学习集成模型，包括：将随机筛选出与所述分布记录数据等量的伪缺失样本数据的过程执行多次；利用每次获得的伪缺失样本数据、所述分布记录数据和多维时空数据构建增强回归树模型，进而得到一个基于多个增强回归树模型的机器学习集成模型。5.根据权利要求1所述的方法，其特征在于，通过所述机器学习集成模型，确定驱动所述目标物种入侵风险的关键影响因素，确定所述目标物种的入侵概率，评估潜在入侵风险区分布和量化评估的不确定性，包括：通过所述机器学习集成模型确定所述多维时空数据中各类数据的相对贡献率；利用所述机器学习集成模型在预设面积的格网预测得到多个入侵概率结果，其中，一个增强回归树模型对应一个入侵概率结果，逐栅格单元计算平均值，最终获取所述目标物种的全球入侵概率；将入侵概率结果大于预设概率值的区域确定为潜在入侵风险区；基于预测得到的多个入侵概率结果，逐栅格计算标准差，以分析预测结果的不确定性。6.一种目标物种潜在入侵风险评估装置，其特征在于，所述装置包括：获取模块，用于获取目标物种的分布记录数据和多维时空数据；2CN114154428A权利要求书2/2页筛选模块，用于根据所述分布记录数据和多维时空数据，使用最大熵模型生成伪缺失概率分布数据，并从所述伪缺失概率分布数据中随机筛选出与所述分布记录数据等量