海洋物种的分布预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及深度学习技术领域，公开了一种海洋物种的分布预测方法、装置、设备及存储介质。该方法包括：获取目标区域的海洋监测图像，并对目标区域进行环境采样，以获取各第一采样点对应的三维位置信息、采样时间和环境信息；将海洋监测图像与各第一采样点对应的三维位置信息、采样时间和环境信息输入至预训练的目标海洋物种分布预测模型，并获取目标海洋物种分布预测模型输出的标注了海洋物种分布情况的海洋监测图像。本实施例的技术方案，通过采用预训练的深度学习模型，基于海洋监测图像、三维位置信息、采样时间和环境信息多种信息进行海洋物种的分布预测，可以提升海洋物种的分布预测的准确度，从而为海洋物种的保护区划定提供数据支持。提供数据支持。提供数据支持。

【技术实现步骤摘要】
海洋物种的分布预测方法、装置、设备及存储介质


[0001]本专利技术涉及深度学习
，尤其涉及一种海洋物种的分布预测方法、装置、设备及存储介质。

技术介绍

[0002]海洋不仅是自然资源的宝库，同时也是人类居住环境的重要调节器，但由于环境污染、全球气候变化以及人类活动侵扰等的影响，海洋生物的生存环境受到严重破坏。通过引入物种分布模型作为管理和保护海洋生物的工具，预测未来气候环境下物种的实际分布与潜在分布，对海洋生物的保护、利用及生态恢复重建等具有重要意义，能够促进海洋科学和海洋生态环境的可持续发展。
[0003]目前，现有的物种分布预测方法，通常采用基于卷积神经网络的物种分布模型，进行物种潜在分布的预测。然而，在现有技术中，现有的物种分布模型通常以二维空间进行建模，无法适用于海洋这种复杂的三维立体空间，故无法实现对海洋物种的分布预测；其次，使用的环境变量较为单一，而现实的海洋物种分布通常受到多种环境变量的影响，故易导致物种分布预测的准确度较低；最后，卷积神经网络本身存在易丢失信息、忽略文本上下文特征信息和忽视特征之间相关性的问题，故本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种海洋物种的分布预测方法，其特征在于，包括：获取目标区域的海洋监测图像，并对所述目标区域进行环境采样，以获取各第一采样点对应的三维位置信息、采样时间和环境信息；将所述海洋监测图像与所述各第一采样点对应的三维位置信息、采样时间和环境信息输入至预训练的目标海洋物种分布预测模型，并获取所述目标海洋物种分布预测模型输出的标注了海洋物种分布情况的海洋监测图像；其中，所述目标海洋物种分布预测模型基于深度学习网络建立。2.根据权利要求1所述的方法，其特征在于，在将所述海洋监测图像与所述各第一采样点对应的三维位置信息、采样时间和环境信息输入至预训练的目标海洋物种分布预测模型之前，还包括：基于深度学习网络建立初始海洋物种分布预测模型；获取物种分布图像，并获取所述物种分布图像对应的至少一个第二采样点，以及各第二采样点对应的三维位置信息、采样时间和环境信息；基于预设图像尺寸对所述物种分布图像进行分割，以获取至少一张物种分布子图像，并在各物种分布子图像中筛选得到包括海洋物种的正样本图像，以及不包括海洋物种的负样本图像；根据所述正样本图像、所述负样本图像与所述各第二采样点对应的三维位置信息、采样时间和环境信息，对所述初始海洋物种分布预测模型进行模型训练，以获取训练完成的目标海洋物种分布预测模型。3.根据权利要求1或2所述的方法，其特征在于，所述目标海洋物种分布预测模型包括图像特征提取模块、信息特征提取模块、特征融合层、自注意力机制层、全连接层和归一化层；所述图像特征提取模块和所述信息特征提取模块分别通过所述特征融合层、所述自注意力机制层和所述全连接层，与所述归一化层连接；其中，所述图像特征提取模块基于面向海洋领域的卷积神经网络建立，所述信息特征提取模块基于面向海洋领域的双向门控循环单元网络建立。4.根据权利要求3所述的方法，其特征在于，所述面向海洋领域的卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、第一池化层和第二池化层，所述第一卷积层采用多个不同尺寸的卷积核；所述面向海洋领域的双向门控循环单元网络包括双向门控循环单元层和第四卷积层。5.根据权利要求4所述的方法，其特征在于，获取所述目标海洋物种分布预测模型输出的标注了海洋物种分布情况的海洋监测图像，包括：基于预设图像尺寸对所述海洋监测图像进行分割，以获取所述海洋监测图像对应的至少一张海洋监测子图像；通过所述图像特征提取模块提取各海洋监测子图像的图像特征，并通过所述信息特征提取模块提取所述各第一采样点对应的三维位置信息、采样时间和环境信息的时序特征；通过所述特征融合层对所述图像特征和对应的时...

【专利技术属性】
技术研发人员：刘玉海，董永豪，杨振敏，王哲琪，陆杨，宋怀明，
申请(专利权)人：中科曙光国际信息产业有限公司，
类型：发明
国别省市：