基于机器学习的黄蜂迁移预测方法、系统、设备和介质技术方案

本申请涉及基于机器学习的黄蜂迁移预测方法、系统、设备和介质，方法包括：获取目标地区的气候数据和历史报告数据；利用检测和分类系统对历史报告数据进行大黄蜂检测，将识别为大黄蜂的黄蜂图像添加至黄蜂数据集；将气候数据和黄蜂数据集输入构建的蜂后迁移预测模型，输出目标地区预测的黄蜂分布地图并计算地图区域的黄蜂值。气候数据包括目标地区的温度数据和湿度数据，历史报告数据包括目标地区内各地点报告的疑似大黄蜂图像。蜂后迁移预测模型基于蒙特卡罗计算构建，模型中设定蜂后向适合黄蜂生存的方向移动的概率最大且每个蜂巢中蜂后数量受环境随机因子约束，黄蜂值用于指示大黄蜂出现相应地区的概率。黄蜂迁移预测性能较强。较强。较强。

【技术实现步骤摘要】
基于机器学习的黄蜂迁移预测方法、系统、设备和介质


[0001]本专利技术属于机器学习
，涉及一种基于机器学习的黄蜂迁移预测方法、系统、设备和介质。

技术介绍

[0002]随着机器学习技术的不断发展，其在生物物种入侵事件中的应用已逐步拓展，日益成为地区生物物种入侵分析预测的重要技术手段。其中，大黄蜂入侵的某些产地外地区，对当地的蜜蜂产业而言大黄蜂属于害虫，会给当地的养蜂产业造成经济损失，此外由于大黄蜂的强大攻击性，也会对当地居民人身安全造成威胁，因此分析和预测大黄蜂出现的区域，对于当地社会而言是防范黄蜂危害的重要课题。
[0003]为了评估入侵物种在某一地区出现的可能性，人们已经提出了多种基于统计数据的生长
‑
扩散模型，其对于大量的种群可以获得相对准确的结果，而对于小规模的种群可能无法获得较好的结果。此外，随着时间推移，人们还提出了一种基于个体对环境驱动变量的生理反应的种群动态机制模型，该模型被定义为基于生理学的人口统计学模型(PBDMs)，其在已知信息足够(微分方程的初值)时，该模型甚至可以准确地评估变化对地理空本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的黄蜂迁移预测方法，其特征在于，包括步骤：获取目标地区的气候数据和历史报告数据；所述气候数据包括所述目标地区的温度数据和湿度数据，所述历史报告数据包括所述目标地区内各地点报告的疑似大黄蜂图像；利用检测和分类系统对所述历史报告数据进行大黄蜂检测，将识别为大黄蜂的黄蜂图像添加至黄蜂数据集；将所述气候数据和所述黄蜂数据集输入构建的蜂后迁移预测模型，输出所述目标地区预测的黄蜂分布地图并计算地图区域的黄蜂值；其中，所述蜂后迁移预测模型基于蒙特卡罗计算构建，所述蜂后迁移预测模型中设定蜂后向适合黄蜂生存的方向移动的概率最大且每个蜂巢中蜂后数量受环境随机因子约束，所述黄蜂值用于指示大黄蜂出现相应地区的概率。2.根据权利要求1所述的基于机器学习的黄蜂迁移预测方法，其特征在于，利用检测和分类系统对所述历史报告数据进行大黄蜂检测的过程，包括：利用单镜头多盒检测器对所述历史报告数据进行目标检测，识别并分割出包含昆虫的检测图像；利用训练好的半监督支持向量机对所述检测图像进行分类，输出识别为大黄蜂的黄蜂图像。3.根据权利要求2所述的基于机器学习的黄蜂迁移预测方法，其特征在于，利用检测和分类系统对所述历史报告数据进行大黄蜂检测的过程，还包括：将未检测到昆虫的所述历史报告数据输出至手动操作端；获取所述手动操作端返回的手动检测结果；所述手动检测结果为包含大黄蜂的检测图像或不包含大黄蜂的无效图像。4.根据权利要求2或3所述的基于机器学习的黄蜂迁移预测方法，其特征在于，利用训练好的半监督支持向量机对所述检测图像进行分类的过程，还包括：将所述半监督支持向量机对所述检测图像分类得到的黄蜂图像输出至手动操作端；获取所述手动操作端返回的检查结果；所述检查结果用于指示所述黄蜂图像上的昆虫为大黄蜂或非大黄蜂。5.根据权利要求2所述的基于机器学习的黄蜂迁移预测方法，其特征在于，所...

【专利技术属性】
技术研发人员：龙汉，郭云霄，赵润豪，谢欣嘉，冯凯源，尹江婷，盖顺，周尚德，喻钟意，许英龙，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：