基于语义分割与集成学习的蚊虫分布预测方法和装置制造方法及图纸

本发明专利技术的实施例提供了基于语义分割与集成学习的蚊虫分布预测方法和装置。所述方法包括选取目标研究点位，获取目标研究点位的蚊虫数据；获取目标研究点位的遥感影像图，输入训练后的Deeplabv3模型进行语义分割，得到语义分割结果；将目标研究点位的地物特征数据与目标点位的蚊虫数据进行相关性分析，若存在典型相关关系，则得到与蚊虫分布相关的地物特征数据，以与蚊虫分布相关的地物特征数据作为自变量，所述目标点位的蚊虫数据作为因变量的训练集训练XGBoost分类模型，对所述目标研究点位的蚊虫分布进行预测。以此方式，可以对大面积区域进行蚊虫分布预测，节省人工，提升效率，精确地预测蚊虫分布情况，提高了预测结果的准确性和可靠性。

【技术实现步骤摘要】

本专利技术一般涉及环境科学以及公共卫生领域，并且更具体地，涉及基于语义分割与集成学习的蚊虫分布预测方法和装置。

技术介绍

1、蚊媒病是一类通过雌蚊吸食人血传播病原微生物而引起的传染性疾病，例如登革热和疟疾，对人类生命健康构成严重威胁。蚊媒病的传播与不同种类的蚊虫有关，因此研究蚊种分布对于了解蚊媒病的风险分布区域具有重要意义。蚊种分布与环境特征密切相关，例如淡色库蚊与湿地正相关，三带喙库蚊与耕地正相关，白纹伊蚊与建筑用地正相关等。通过研究区域内地物特征的分布情况，有助于了解蚊种的分布特征。目前，关于地物特征的判读通常采用人工方式，但这种方式耗时且难以完成大尺度的蚊虫分布研究。

2、近年来，利用机器深度学习在高分辨率遥感影像的语义分割方面得到广泛应用。其中，deeplabv3是一种经典的语义分割深度学习模型。deeplabv3模型采用深度卷积神经网络(cnn)架构，结合了空洞卷积和空间金字塔池化等技术，以提高分割精度和感受野的有效性。此外，模型还使用条件随机场(crf)来进一步优化分割结果，以获得更准确的边界和细节。对于表格类数据挖掘预测，xgbo本文档来自技高网...

【技术保护点】

1.一种基于语义分割与集成学习的蚊虫分布预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述Deeplabv3模型包括第一子模型和第二子模型；所述第一子模型为以ResNet50网络结构作为特征提取网络；所述第二子模型包括ResNet50网络结构以及在所述ResNet50网络结构之后设置的多尺度块。

3.根据权利要求1所述的方法，其特征在于，对所述深度学习图像语义分割数据集采用随机翻转、伸缩的方式进行数据增强，得到数据增强后的数据集作为第一训练集。

4.根据权利要求1所述的方法，其特征在于，XGBoost分类模型的训练过程，包括：...

【技术特征摘要】

1.一种基于语义分割与集成学习的蚊虫分布预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述deeplabv3模型包括第一子模型和第二子模型；所述第一子模型为以resnet50网络结构作为特征提取网络；所述第二子模型包括resnet50网络结构以及在所述resnet50网络结构之后设置的多尺度块。

3.根据权利要求1所述的方法，其特征在于，对所述深度学习图像语义分割数据集采用随机翻转、伸缩的方式进行数据增强，得到数据增强后的数据集作为第一训练集。

4.根据权利要求1所述的方法，其特征在于，xgboost分类模型的训练过程，包括：

5.根据权利要求4所述的方法，其特征在于，对所述训练...

【专利技术属性】
技术研发人员：兰策介，刘全超，诸丁玮，朱丁，邹亚明，
申请(专利权)人：无锡市疾病预防控制中心，
类型：发明
国别省市：