【技术实现步骤摘要】
本专利技术属于生态治理，尤其涉及一种外来植物入侵潜在风险点的计算方法。
技术介绍
1、植物入侵是指外来植物在新的生态环境中定居并繁殖，对当地生态系统造成威胁的过程。这些外来植物通常具有较强的适应能力和繁殖能力，能够在新的环境中快速扩散并占据优势地位，对本地生物多样性、生态安全、社会经济发展和人类健康造成严重威胁，从而成为入侵植物。
2、入侵植物一般分布无规律，且与本地植物混杂，当目前常规技术大多使用决策树模型、定性评价、ahp等方法进行评估，然而由于杂草与入侵植物具有一系列遗传、生理、形态和生活史特征，其中某些特征经适应和选择性进化促进了生物入侵，因此采用决策树模型、定性评价、ahp等方法进行植物入侵评估的结果往往都是单个区域是否能被入侵。但现在未有一种能对一个区域进行计算其哪个具体区域可能先发生入侵的可能。
技术实现思路
1、本专利技术目的在于提供一种外来植物入侵潜在风险点的计算方法，以解决上述的技术问题。
2、为了实现上述目的，本专利技术采取的技术方案如下，包括：
3、获取历史植物入侵影像、历史植物入侵影像对应的外界特征和待预测区域对应的外界特征，历史入侵影像为在一次目标植物入侵预设区域过程中的影像，外界特征为土壤参数和预设时段内的气候参数，预设时段的时长等于历史植物入侵影像记录时长；
4、根据外界特征和历史入侵影像进行预处理，得到二值化特征图像集；
5、根据二值化特征图像集进行特征提取得到入侵影响特征集和入侵影响特征
6、根据入侵影响特征集和每个影响特征对应的权重值训练预设的神经网络模型，得到入侵潜在风险点预测模型；
7、分别将待预测区域的边界上一个点对应的外界特征输入至入侵潜在风险点预测模型中，预测得到待预测区域的植物入侵潜在风险点。
8、进一步，根据外界特征和历史入侵影像进行预处理，得到二值化特征图像集，包括：
9、间隔预设时间段对历史入侵影像进行图像抽取处理，得到一组入侵图像集；
10、逐一对入侵图像集中每个入侵图像进行二值化转化，得到二值化图像，其中每个二值化图像中1表示已被外来植物入侵位置，每个二值化图像中0表示未被外来植物入侵位置；
11、对历史植物入侵影像对应的外界特征进行归一化处理，得到归一化后的土壤参数和气候参数；
12、根据入侵图像集中每个入侵图像与外界特征对应关系，为每个入侵图像中每个像素点添加归一化后的土壤参数和气候参数作为属性值，并将添加属性值的所有入侵图像作为二值化特征图像集。
13、进一步，根据二值化特征图像集进行特征提取得到入侵影响特征集和入侵影响特征集中每个影响特征对应的权重值，包括：
14、基于决策树对二值化图像集进行特征提取，得到入侵影响特征集，所述入侵影响特征集包括至少两个影响特征；
15、根据历史入侵影像的最后一帧图像以及入侵影响特征集进行灰色关联度值计算，得到位置关系与每个影响特征的灰色关联度；
16、基于位置关系与每个影响特征的灰色关联度和入侵影响特征集进行权重计算得到每个影响特征的权重值。
17、进一步，所述基于决策树对二值化图像集进行特征提取，得到入侵影响特征集，所述入侵影响特征集包括至少两个影响特征，包括：
18、构建自适应神经树神经网络模型；
19、根据二值化图像集提取数据集，数据集的输入标签为时间、位置、土壤参数和气候参数，数据集的输出标签为外来植物入侵状态；
20、根据自适应神经树神经网络模型对数据集进行特征提取得到至少两个影响特征。
21、进一步，根据历史入侵影像的最后一帧图像以及入侵影响特征集进行灰色关联度值计算，得到位置关系与每个影响特征的灰色关联度，包括：
22、对历史入侵影像的最后一帧图像进行植物入侵边缘连线，得到植物入侵边界；
23、根据植物入侵边界提取得到植物入侵边界所在的像素点对应的所有影响特征和图像坐标；
24、根据植物入侵边界每个像素点对应的图像坐标和所有影响特征进行无量纲化处理；
25、基于无量纲化处理的结果进行灰色关联度计算，得到每个图像坐标与其对应的每个影响特征之间的关联系数。
26、进一步，基于位置关系与每个影响特征的灰色关联度和入侵影响特征集进行权重计算得到每个影响特征的权重值，包括：
27、根据入侵影响特征集建立层次结构模型；
28、根据层次结构模型分别对位于不同层次的入侵影响特征进行两两比较，并基于1-9标度法对每个入侵影响特征进行分值赋予；
29、根据每个入侵影响特征赋予的分值进行归一化处理，并基于归一化处理结果得到判别矩阵；
30、根据判别矩阵计算层次结构模型中各层次的相对权重；
31、将位置关系与每个影响特征的灰色关联度、各层次的相对权重和预设的权重计算式，计算得到每个影响特征的权重值。
32、进一步，预设的权重计算式具体为：
33、
34、其中，αi为第i个灰色关联度，βi为第i个相对权重值，wi为影响特征的权重值，n为灰色关联度总个数。
35、进一步，归一化处理公式具体为：
36、
37、其中，hi为归一化数值，di为第i个分值。
38、进一步，根据入侵影响特征集和每个影响特征对应的权重值训练预设的神经网络模型，包括：
39、根据入侵影响特征集和每个影响特征对应的权重值进行数据集构建，得到训练数据和验证数据，其中训练数据和验证数据的输入标签均包括时间、每个影响特征对应的数值和权重值的乘积，数据集的输出标签为外来植物入侵状态。
40、进一步，所述预设的神经网络模型为长短时神经网络模型。
41、本专利技术的有益效果为：
42、本专利技术通过无人机或者是遥感图像作为基础，并在图像的每个元素点均赋予土壤参数和气候参数，其中通过筛选得到对植物入侵较大的入侵影响特征。在本申请中不仅仅筛出影响较大的入侵影响特征同时并基于不同的入侵影响特征赋予不同的权重系数，并将入侵影响特征对应的数值和权重系数相乘作为原始数据集，训练一个神经网络模型，并基于训练好的神经网络模型对一个待预测区域的边界进行可能入侵几率的预测，最终得到外来植物入侵潜在风险点。
43、本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
本文档来自技高网...【技术保护点】
1.一种外来植物入侵潜在风险点的计算方法，其特征在于，包括：
2.根据权利要求1所述的外来植物入侵潜在风险点的计算方法，其特征在于，根据外界特征和历史入侵影像进行预处理，得到二值化特征图像集，包括：
3.根据权利要求1所述的外来植物入侵潜在风险点的计算方法，其特征在于，根据二值化特征图像集进行特征提取得到入侵影响特征集和入侵影响特征集中每个影响特征对应的权重值，包括：
4.根据权利要求3所述的外来植物入侵潜在风险点的计算方法，其特征在于，所述基于决策树对二值化图像集进行特征提取，得到入侵影响特征集，所述入侵影响特征集包括至少两个影响特征，包括：
5.根据权利要求3所述的外来植物入侵潜在风险点的计算方法，其特征在于，根据历史入侵影像的最后一帧图像以及入侵影响特征集进行灰色关联度值计算，得到位置关系与每个影响特征的灰色关联度，包括：
6.根据权利要求3所述的外来植物入侵潜在风险点的计算方法，其特征在于，基于位置关系与每个影响特征的灰色关联度和入侵影响特征集进行权重计算得到每个影响特征的权重值，包括：
7.根据权利
8.根据权利要求6所述的外来植物入侵潜在风险点的计算方法，其特征在于，归一化处理公式具体为：
9.根据权利要求1所述的外来植物入侵潜在风险点的计算方法，其特征在于，根据入侵影响特征集和每个影响特征对应的权重值训练预设的神经网络模型，包括：
10.根据权利要求6所述的外来植物入侵潜在风险点的计算方法，其特征在于，所述预设的神经网络模型为长短时神经网络模型。
...【技术特征摘要】
1.一种外来植物入侵潜在风险点的计算方法，其特征在于，包括：
2.根据权利要求1所述的外来植物入侵潜在风险点的计算方法，其特征在于，根据外界特征和历史入侵影像进行预处理，得到二值化特征图像集，包括：
3.根据权利要求1所述的外来植物入侵潜在风险点的计算方法，其特征在于，根据二值化特征图像集进行特征提取得到入侵影响特征集和入侵影响特征集中每个影响特征对应的权重值，包括：
4.根据权利要求3所述的外来植物入侵潜在风险点的计算方法，其特征在于，所述基于决策树对二值化图像集进行特征提取，得到入侵影响特征集，所述入侵影响特征集包括至少两个影响特征，包括：
5.根据权利要求3所述的外来植物入侵潜在风险点的计算方法，其特征在于，根据历史入侵影像的最后一帧图像以及入侵影响特征集进行灰色关联度值计...
【专利技术属性】
技术研发人员：喻丁香，张晓春，杨德，王秋月，张建红，周燕，郑伟，
申请(专利权)人：重庆市农业科学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。