CN118015551A - 应用于野外生态湿地的浮岛式监测*** - Google Patents
应用于野外生态湿地的浮岛式监测*** Download PDFInfo
- Publication number
- CN118015551A CN118015551A CN202410417404.4A CN202410417404A CN118015551A CN 118015551 A CN118015551 A CN 118015551A CN 202410417404 A CN202410417404 A CN 202410417404A CN 118015551 A CN118015551 A CN 118015551A
- Authority
- CN
- China
- Prior art keywords
- species
- monitoring
- floating island
- module
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 109
- 241000894007 species Species 0.000 claims abstract description 164
- 239000013598 vector Substances 0.000 claims abstract description 91
- 241000272517 Anseriformes Species 0.000 claims abstract description 74
- 238000003860 storage Methods 0.000 claims abstract description 36
- 230000007613 environmental effect Effects 0.000 claims abstract description 30
- 230000006399 behavior Effects 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 25
- 230000009545 invasion Effects 0.000 claims description 24
- 238000010801 machine learning Methods 0.000 claims description 24
- 238000005286 illumination Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 210000003323 beak Anatomy 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 230000037237 body shape Effects 0.000 claims description 7
- 210000003746 feather Anatomy 0.000 claims description 6
- 239000002028 Biomass Substances 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 241000272525 Anas platyrhynchos Species 0.000 description 17
- 230000006872 improvement Effects 0.000 description 9
- 241001415324 Aythya Species 0.000 description 6
- 230000004083 survival effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000019637 foraging behavior Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000012447 hatching Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000000813 microbial effect Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及湿地监测技术领域，具体地说，涉及应用于野外生态湿地的浮岛式监测***。其包括浮岛监测单元，浮岛监测单元用于监测和记录湿地生态环境与青头潜鸭的生态行为；视频监测模块用于记录青头潜鸭的行为活动，视频监测模块包括物种识别模块、物种分类模块和异常预警模块；存储单元用于存储监测数据和水禽物种信息，无线传输单元将分布在不同位置的浮岛监测单元进行无线连接，并在监测点之间构建无线局域网；供电单元为浮岛监测单元和无线传输单元供电。采用多模态融合算法，并将湿地环境参数纳入特征向量，能够利用更丰富的信息来源来表征物种，从而提高了对外来入侵物种的识别准确性，多模态融合有助于减少受环境条件影响而产生的误判。
Description
技术领域
本发明涉及湿地监测技术领域，具体地说，涉及应用于野外生态湿地的浮岛式监测***。
背景技术
野外生态湿地的浮岛式监测***是一种结合了生态浮岛技术和现代水质监测技术的综合性设施，主要应用于野外生态湿地（沼泽湖、芦苇荡等）野鸭种群繁衍过程观测，近距离长时间的观察青头潜鸭的搭巢、孵化等生活习性。
现有的对于青头潜鸭的监测***依赖于单一的监测手段，对物种的识别和分类存在一定的局限性，尤其是在复杂多变的湿地环境中，受到环境条件、光照变化、个体差异等因素影响，会导致物种识别的准确性不足，因此，设计应用于野外生态湿地的浮岛式监测***。
发明内容
本发明的目的在于提供应用于野外生态湿地的浮岛式监测***，以解决上述背景技术中提出的现有的对于青头潜鸭的监测***依赖于单一的监测手段，对物种的识别和分类存在一定的局限性，尤其是在复杂多变的湿地环境中，受到环境条件、光照变化、个体差异等因素影响，会导致物种识别的准确性不足的问题。
为实现上述目的，本发明目的在于提供了应用于野外生态湿地的浮岛式监测***，包括
浮岛监测单元，所述浮岛监测单元用于监测和记录湿地生态环境与青头潜鸭的生态行为，且所述浮岛监测单元包括多路监测模块和视频监测模块；
其中，所述多路监测模块用于收集并记录湿地环境参数，湿地环境参数包括水体温度、pH值、溶解氧含量、浊度、光照强度；
所述视频监测模块用于记录青头潜鸭的行为活动，并进行物种识别与分析，并提供外来物种入侵预警，如筑巢、孵化、育雏、觅食行为，为生物学家研究其生活习性、种群行为和社会结构提供了直观且详实的资料，所述视频监测模块包括物种识别模块、物种分类模块和异常预警模块；
存储单元，所述存储单元用于存储监测数据和水禽物种信息，其中，所述存储单元包括本地存储模块和云端存储模块；
无线传输单元，所述无线传输单元用于将分布在不同位置的浮岛监测单元进行无线连接，并在监测点之间构建无线局域网，用户通过在局域网内访问云端存储模块来读取监测数据；
供电单元，所述供电单元用于为浮岛监测单元和无线传输单元供电；具体的，供电单元不但为浮岛监测单元上的设备进行供电，同时，供电单元还为远端网络发射基站和近端接收基站进行供电，且供电单元至少包括太阳能电池板、太阳能控制器和蓄电池；太阳能电池板用于将将太阳的辐射能力转换为电能在蓄电池中存储起来，太阳能控制器为充电放电控制器，用于延长蓄电池的使用寿命,并防止蓄电池过充电及深度充电。
作为本技术方案的进一步改进，所述多路监测模块包括水质传感器和环境传感器；
其中，所述水质传感器用于监测和记录湿地水体的温度、pH值、溶解氧含量和浊度；
其中，湿地水体的温度对水生生物的生命活动、繁殖行为及微生物活性具有直接影响，有助于研究水体生态***健康状况及气候变化对湿地生态的影响；
pH值反映水体的酸碱程度，是衡量水质优劣的重要指标之一，过高或过低的pH值可能对水生生物特别是青头潜鸭的生活造成威胁；
溶解氧含量含量高低可以反映水体的自净能力和生态***的健康状态，对于青头潜鸭等水禽来说，充足的溶解氧是生存繁衍的重要条件；
浊度可以间接反映水体中悬浮物的多少，高浊度可能会影响水生生物的生存和光照穿透深度，从而影响湿地植被生长和整体生态***平衡；
所述环境传感器用于监测湿地环境中环境温度、光照强度和生物质密度。其中，环境温度和光照强度，用于评价湿地生态环境舒适度和光照资源的有效利用情况；
且光照强度会直接影响视频监测模块捕获的图像质量，进而影响物种识别的准确性；环境温度变化会影响动物的行为模式和可见特征，如羽毛的状态；
环境温度会影响水禽的行为习性，如活动时间、觅食行为，行为习性变化会影响物种识别模块捕捉到的图像样本类型和质量，从而可能影响识别结果；
环境传感器数据可以反馈给物种识别模块，使其能够根据实时环境条件动态调整识别算法，如在光照条件较差时加强图像增强处理，或者在特定环境条件下优先考虑某些特征变量，提高识别效率和准确性；
生物质密度用于评估湿地植物生产力和水禽食物资源的丰富度。
作为本技术方案的进一步改进，所述物种识别模块用于对监测区域的水禽物种进行实时监控，物种识别模块基于图像处理与机器学习融合算法，识别并区分青头潜鸭与其他水禽种类，由物种分类模块在其他水禽种类中进一步识别出外来入侵物种，并由异常预警模块并及时发出警报。
作为本技术方案的进一步改进，所述物种识别模块识别并区分青头潜鸭与外来入侵物种的具体步骤为：
S1.1、将通过物种识别模块捕获的湿地水禽的图像数据进行预处理；对原始图像进行降噪、增强、缩放、裁剪操作，确保图像质量满足后续分析要求；
S1.2、采用图像处理技术提取图像数据中的轮廓特征、纹理特征和关键点信息，其中，关键点信息包括喙部、头部形状和体型特征信息；
S1.3、使用存储单元中保存的水禽物种信息，水禽物种信息包括不同物种对应的轮廓特征、纹理特征、关键点信息、外来物种数据库和特征标签，对基于多模态融合算法的机器学习模型进行训练，并根据实时图像数据，由训练好的机器学习模型识别并区分青头潜鸭与其他水禽种类；
S1.4、通过物种分类模块从其他水禽种类中识别出外来入侵天敌物种；
通过结合不同模态的数据，多模态融合算法能够利用更丰富的信息来源来表征物种，从而提高了对外来入侵物种的识别准确性和鲁棒性，多模态融合有助于减少受环境条件或个体差异的影响而产生的误判；
S1.5、当物种分类模块识别到外来入侵天敌物种后，异常预警模块及时发出警报，将预警信息发送至监控中心，同时记录下识别时间和地点、物种图像数据。
作为本技术方案的进一步改进，所述S1.2中，图像处理技术涉及的具体步骤为：
S1.21、通过Canny算法获取图像数据中的轮廓信息；
S1.22、采用灰度共生矩阵算法提取图像中的羽毛纹理特征；
S1.23、利用SIFT算法提取喙部、头部形状和体型特征信息。
作为本技术方案的进一步改进，所述S1.3中，机器学习模型具体为：
已知特征向量，并将湿地环境参数E纳入特征向量/>中，形成多模态特征向量/>，则多模态特征向量/>，其中，特征向量X包括轮廓特征C、纹理特征D、喙部特征B、头部形状特征H和体型特征S，将多模态特征向量/>映射到对应的物种标签Y，其中，青头潜鸭为/>，其他水禽种类为/>；
将不同模态提取出的特征向量进行对齐，若模态间特征维度不一致，通过降维和升维手段使之统一，接着，执行特征融合操作，选择加权融合法融合不同模态的特征；经过上述融合操作后，得到了一个包含了多种模态信息的多模态特征向量，这个向量不仅包含了原始数据的各种局部特征和全局特征，还体现了不同模态数据间的关联性，因此具有更强的表达能力和鲁棒性，将湿地环境参数纳入特征向量的优势在于能够更全面地反映物种特性与环境背景的相互作用，进而提高物种识别***的准确性和稳定性；
样本被分类为青头潜鸭的概率为：
；
样本被分类为其他水禽种类的概率为：
；
式中，表示为青头潜鸭的概率；/>表示为其他水禽种类的概率；表示青头潜鸭的权重向量；/>表示其他水禽种类的权重向量；/>表示是/>向量与特征向量/>的内积，用于对特征进行加权求和；/>表示是/>向量与特征向量/>的内积；/>表示sigmoid函数，用于将线性预测值映射到(0,1)区间内，从而表示概率；/>表示向量的转置操作；/>表示青头潜鸭的偏置项；/>表示其他水禽种类的偏置项。
作为本技术方案的进一步改进，所述S1.4中，物种分类模块识别外来入侵天敌物种的具体步骤为：
S1.41、根据存储单元中保存的外来物种数据库和特征标签，构建青头潜鸭天敌数据集，并基于上述步骤S1.2中的图像处理技术，提取青头潜鸭天敌的特征向量和湿地环境参数/>中，形成多模态特征向量/>，则多模态特征向量/>，其中，特征向量包括轮廓特征/>、纹理特征/>、喙部特征/>、头部形状特征/>和体型特征/>；
S1.42、将青头潜鸭天敌的数据集作为训练集，训练并优化上述步骤S1.3中机器学习模型的权重参数；
对机器学习模型进行优化的具体过程为：
通过最小化损失函数L，优化偏置项和权重向量/>，则最小化损失函数L为：
；
式中，表示样本数量；/>表示第/>个样本的真实标签；/>表示模型预测的第/>个样本为青头潜鸭天敌的概率；
对整个训练集上的所有样本计算梯度，然后反向传播更新参数
；
；
式中，表示学习率；/>表示权重向量/>的损失函数梯度；/>表示偏置项/>的损失函数梯度；/>表示优化后的权重向量；/>表示优化后的偏置项；
通过不断迭代执行，直到模型收敛，使模型逐步学会区分外来入侵物种与本地物种。
S1.43、通过训练好的机器学习模型对外来入侵物种潜在天敌的图像样本进行识别；
S1.44、采用逻辑回归分类器对上述步骤S1.43中机器学习模型输出的结果进行分类，并与数据库中标记的青头潜鸭天敌的特征标签进行对比，判定该物种是否为外来入侵天敌；
由于外来入侵天敌会对本地生态***产生严重影响，青头潜鸭天敌的入侵会直接威胁到青头潜鸭的生存繁衍，识别并早期预警这些外来入侵天敌，有助于及时采取措施阻止其扩散，保护青头潜鸭等本土物种的生存环境。
作为本技术方案的进一步改进，所述S1.43中，样本被分类为外来入侵天敌物种的概率为：
；
式中，表示为外来入侵天敌物种的概率；/>表示外来入侵天敌物种的权重向量；/>表示其他水禽种类的权重向量；/>表示是/>向量与特征向量/>的内积，用于对特征进行加权求和；/>表示外来入侵天敌物种的偏置项。
作为本技术方案的进一步改进，所述S1.44中，判定该物种是否为外来入侵天敌的具体方法为：
设置分类阈值，将得到的外来入侵天敌物种的概率/>与分类阈值/>进行对比，得到：
；
若，则判定为外来入侵天敌物种；
若，则判定为非外来入侵天敌物种；
当若时，将/>对应的特征向量/>与数据库中标记的青头潜鸭天敌的特征标签，基于特征匹配确定该物种是否为外来入侵天敌。
作为本技术方案的进一步改进，所述无线传输单元包括远端网络发射基站和近端接收基站，用于实现点对点非视距高带宽无线传输。
与现有技术相比，本发明的有益效果：
1、该应用于野外生态湿地的浮岛式监测***中，采用多模态融合算法，并将湿地环境参数纳入特征向量，能够利用更丰富的信息来源来表征物种，从而提高了对外来入侵物种的识别准确性和鲁棒性，多模态融合有助于减少受环境条件影响而产生的误判。
2、该应用于野外生态湿地的浮岛式监测***中，采用图像处理技术和机器学习算法对图像进行预处理和特征提取，快速识别监测样本中的水禽种类，并判断当前拍摄到的水禽是否为青头潜鸭，实时监测水禽种类分布及其变化趋势，可以帮助评估栖息地的质量和生态恢复效果，并以及制定有效的湿地管理和保护策略。
附图说明
图1为本发明的整体流程框图。
图中各个标号意义为：
1、浮岛监测单元；2、存储单元；3、无线传输单元；4、供电单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
请参阅图1所示，提供了应用于野外生态湿地的浮岛式监测***，包括浮岛监测单元1，浮岛监测单元1用于监测和记录湿地生态环境与青头潜鸭的生态行为，且浮岛监测单元1包括多路监测模块和视频监测模块；
其中，多路监测模块用于收集并记录湿地环境参数，湿地环境参数包括水体温度、pH值、溶解氧含量、浊度、光照强度；
多路监测模块包括水质传感器和环境传感器；
其中，水质传感器用于监测和记录湿地水体的温度、pH值、溶解氧含量和浊度；
其中，湿地水体的温度对水生生物的生命活动、繁殖行为及微生物活性具有直接影响，有助于研究水体生态***健康状况及气候变化对湿地生态的影响；
pH值反映水体的酸碱程度，是衡量水质优劣的重要指标之一，过高或过低的pH值可能对水生生物特别是青头潜鸭的生活造成威胁；
溶解氧含量含量高低可以反映水体的自净能力和生态***的健康状态，对于青头潜鸭等水禽来说，充足的溶解氧是生存繁衍的重要条件；
浊度可以间接反映水体中悬浮物的多少，高浊度可能会影响水生生物的生存和光照穿透深度，从而影响湿地植被生长和整体生态***平衡；
环境传感器用于监测湿地环境中环境温度、光照强度和生物质密度。其中，环境温度和光照强度，用于评价湿地生态环境舒适度和光照资源的有效利用情况；
且光照强度会直接影响视频监测模块捕获的图像质量，进而影响物种识别的准确性；环境温度变化会影响动物的行为模式和可见特征，如羽毛的状态；
环境温度会影响水禽的行为习性，如活动时间、觅食行为，行为习性变化会影响物种识别模块捕捉到的图像样本类型和质量，从而可能影响识别结果；
环境传感器数据可以反馈给物种识别模块，使其能够根据实时环境条件动态调整识别算法，如在光照条件较差时加强图像增强处理，或者在特定环境条件下优先考虑某些特征变量，提高识别效率和准确性；
生物质密度用于评估湿地植物生产力和水禽食物资源的丰富度。
视频监测模块用于记录青头潜鸭的行为活动，并进行物种识别与分析，并提供外来物种入侵预警，如筑巢、孵化、育雏、觅食行为，为生物学家研究其生活习性、种群行为和社会结构提供了直观且详实的资料，视频监测模块包括物种识别模块、物种分类模块和异常预警模块；
物种识别模块用于对监测区域的水禽物种进行实时监控，物种识别模块基于图像处理与机器学习融合算法，识别并区分青头潜鸭与其他水禽种类，由物种分类模块在其他水禽种类中进一步识别出外来入侵物种，并由异常预警模块并及时发出警报。
其中，物种识别模块通过监测摄像头实现对监测区域的实时监控。
所述物种识别模块识别并区分青头潜鸭与外来入侵物种的具体步骤为：
S1.1、将通过物种识别模块捕获的湿地水禽的图像数据进行预处理；对原始图像进行降噪、增强、缩放、裁剪操作，确保图像质量满足后续分析要求；
S1.2、采用图像处理技术提取图像数据中的轮廓特征、纹理特征和关键点信息，其中，关键点信息包括喙部、头部形状和体型特征信息；
在本实施例中，图像处理技术涉及的具体步骤为：
S1.21、通过Canny算法获取图像数据中的轮廓信息；轮廓特征可以反映不同物种独特的外形轮廓差异；
S1.22、采用灰度共生矩阵算法提取图像中的羽毛纹理特征；
S1.23、利用SIFT算法提取喙部、头部形状和体型特征信息；通过计算头部与身体的比例、颈部长度、胸部宽厚等几何特征，结合头部的颜色分布，如青头潜鸭明显的深绿色头部，有助于对物种类别的准确区分；
S1.3、使用存储单元2中保存的水禽物种信息，水禽物种信息包括不同物种对应的轮廓特征、纹理特征、关键点信息、外来物种数据库和特征标签，对基于多模态融合算法的机器学习模型进行训练，并根据实时图像数据，由训练好的机器学习模型识别并区分青头潜鸭与其他水禽种类；对于青头潜鸭与其他物种，通过体形大小、羽色分布、头部颜色和形状、喙部特征等特征进行鉴别区分；
在本实施例中，机器学习模型具体为：
已知特征向量，并将湿地环境参数E纳入特征向量/>中，形成多模态特征向量/>，则多模态特征向量/>，其中，特征向量X包括轮廓特征C、纹理特征D、喙部特征B、头部形状特征H和体型特征S，将多模态特征向量/>映射到对应的物种标签Y，其中，青头潜鸭为/>，其他水禽种类为/>；
将不同模态提取出的特征向量进行对齐，若模态间特征维度不一致，通过降维和升维手段使之统一，接着，执行特征融合操作，选择加权融合法融合不同模态的特征；经过上述融合操作后，得到了一个包含了多种模态信息的多模态特征向量，这个向量不仅包含了原始数据的各种局部特征和全局特征，还体现了不同模态数据间的关联性，因此具有更强的表达能力和鲁棒性，将湿地环境参数纳入特征向量的优势在于能够更全面地反映物种特性与环境背景的相互作用，进而提高物种识别***的准确性和稳定性；
湿地环境参数会影响鸟类的生活习性及外观特征表现，将环境因素纳入特征向量，可以更好地模拟实际情况，提高模型在不同环境条件下对物种识别的准确性；同时，引入环境参数有助于模型理解物种与环境之间的互动关系，使得模型在面对未曾训练过的环境条件时，能依据环境参数调整其识别策略，增强模型的泛化性能，且加入环境参数有助于减少因环境影响造成的误识别；
样本被分类为青头潜鸭的概率为：
；
样本被分类为其他水禽种类的概率为：
；
式中，表示为青头潜鸭的概率；/>表示为其他水禽种类的概率；表示青头潜鸭的权重向量；/>表示其他水禽种类的权重向量；/>表示是/>向量与特征向量/>的内积，用于对特征进行加权求和；/>表示是/>向量与特征向量/>的内积；/>表示sigmoid函数，用于将线性预测值映射到(0,1)区间内，从而表示概率；/>表示向量的转置操作；/>表示青头潜鸭的偏置项；/>表示其他水禽种类的偏置项。
通过实时计算监测样本被分类为青头潜鸭的概率，可以快速识别监测样本中的水禽种类，并判断当前拍摄到的水禽是否为青头潜鸭，实时监测水禽种类分布及其变化趋势，可以帮助评估栖息地的质量和生态恢复效果，以及制定有效的湿地管理和保护策略；
其中，sigmoid函数具体为：
；
式中，表示输入值，/>；/>表示sigmoid函数的结果；/>表示自然对数的底数，等于2.71828；
sigmoid函数在物种识别模块中的意义是用来处理和解释多模态特征向量Z，并将其映射到一个介于0和1之间的概率值，以此来量化样本被分类为特定类别的可能性；
S1.4、通过物种分类模块从其他水禽种类中识别出外来入侵天敌物种；
通过结合不同模态的数据，多模态融合算法能够利用更丰富的信息来源来表征物种，从而提高了对外来入侵物种的识别准确性和鲁棒性，多模态融合有助于减少受环境条件或个体差异的影响而产生的误判；
在本实施例中，物种分类模块识别外来入侵天敌物种的具体步骤为：
S1.41、根据存储单元2中保存的外来物种数据库和特征标签，构建青头潜鸭天敌数据集，并基于上述步骤S1.2中的图像处理技术，提取青头潜鸭天敌的特征向量和湿地环境参数/>中，形成多模态特征向量/>，则多模态特征向量/>，其中，特征向量/>包括轮廓特征/>、纹理特征/>、喙部特征/>、头部形状特征/>和体型特征/>；
S1.42、将青头潜鸭天敌的数据集作为训练集，训练并优化上述步骤S1.3中机器学习模型的权重参数；
对机器学习模型进行优化的具体过程为：
通过最小化损失函数L，优化偏置项和权重向量/>，则最小化损失函数L为：
；
式中，表示样本数量；/>表示第/>个样本的真实标签；/>表示模型预测的第/>个样本为青头潜鸭天敌的概率；
对整个训练集上的所有样本计算梯度，然后反向传播更新参数
；
；
式中，表示学习率；/>表示权重向量/>的损失函数梯度；/>表示偏置项/>的损失函数梯度；/>表示优化后的权重向量；/>表示优化后的偏置项；
通过不断迭代执行，直到模型收敛，使模型逐步学会区分外来入侵物种与本地物种；
S1.43、通过训练好的机器学习模型对外来入侵物种潜在天敌的图像样本进行识别；
其中，样本被分类为外来入侵天敌物种的概率为：
；
式中，表示为外来入侵天敌物种的概率；/>表示外来入侵天敌物种的权重向量；/>表示其他水禽种类的权重向量；/>表示是/>向量与特征向量/>的内积，用于对特征进行加权求和；/>表示外来入侵天敌物种的偏置项；
S1.44、采用逻辑回归分类器对上述步骤S1.43中机器学习模型输出的结果进行分类，并与数据库中标记的青头潜鸭天敌的特征标签进行对比，判定该物种是否为外来入侵天敌；
由于外来入侵天敌会对本地生态***产生严重影响，青头潜鸭天敌的入侵会直接威胁到青头潜鸭的生存繁衍，识别并早期预警这些外来入侵天敌，有助于及时采取措施阻止其扩散，保护青头潜鸭等本土物种的生存环境。
具体的，判定该物种是否为外来入侵天敌的具体方法为：
设置分类阈值，将得到的外来入侵天敌物种的概率/>与分类阈值/>进行对比，得到：
；
式中，的值基于专家经验法设定；
若，则判定为外来入侵天敌物种；
若，则判定为非外来入侵天敌物种；
当若时，将/>对应的特征向量/>与数据库中标记的青头潜鸭天敌的特征标签，基于特征匹配确定该物种是否为外来入侵天敌；
特征匹配具体为，将特征向量中的各项特征进行归一化处理，将处理后的特征向量/>与数据库中标记的每个青头潜鸭天敌样本的特征，通过余弦相似度进行相似度计算，基于最大相似度匹配法，找出特征向量/>与数据库中最相似的青头潜鸭天敌样本，然后根据相似度得分进行最终的判断确认；
S1.5、当物种分类模块识别到外来入侵天敌物种后，异常预警模块及时发出警报，将预警信息发送至监控中心，同时记录下识别时间和地点、物种图像数据。
该应用于野外生态湿地的浮岛式监测***还包括存储单元2、无线传输单元3和供电单元4；
其中，存储单元2用于存储监测数据和水禽物种信息，其中，存储单元2包括本地存储模块和云端存储模块；
具体的，本地存储模块用于实时存储和临时缓存监测数据，具备快速写入和读取的能力，以便在没有远程网络连接时，能够即时保存浮岛监测单元1所收集的所有监测数据；
云端存储模块用于存储经本地存储模块初步处理后上传的完整监测数据集、水禽物种信息库、外来物种数据库、特征标签和长期监测记录的历史数据；
无线传输单元3用于将分布在不同位置的浮岛监测单元1进行无线连接，并在监测点之间构建无线局域网，用户通过在局域网内访问云端存储模块来读取监测数据；云端存储模块则主要负责长期、大容量的存储需求，并支持远程访问和数据备份；
无线传输单元3包括远端网络发射基站和近端接收基站，用于实现点对点非视距高带宽无线传输。
远端的浮岛监测单元1用网线连接摄像头和远端网络发射基站，通过天线发射信号到近端接收基站，近端接收基站通过网线连接到交换机，同另一台摄像头信号汇集，设置局域网，客户通过有线连接交换机在局域网内查看监测数据，可避免浮台在水面随波浪晃动影响，传统远端的浮岛监测单元1的传输信号不稳定造成的视频画面出现断续的问题。
供电单元4用于为浮岛监测单元1和无线传输单元3供电；具体的，供电单元4不但为浮岛监测单元1上的设备进行供电，同时，供电单元4还为远端网络发射基站和近端接收基站进行供电，且供电单元4至少包括太阳能电池板、太阳能控制器和蓄电池；太阳能电池板用于将将太阳的辐射能力转换为电能在蓄电池中存储起来，太阳能控制器为充电放电控制器，用于延长蓄电池的使用寿命,并防止蓄电池过充电及深度充电。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.应用于野外生态湿地的浮岛式监测***，其特征在于：包括
浮岛监测单元（1），所述浮岛监测单元（1）用于监测和记录湿地生态环境与物种的生态行为，且所述浮岛监测单元（1）包括多路监测模块和视频监测模块；
其中，所述多路监测模块用于收集并记录湿地环境参数；
所述视频监测模块用于记录物种的行为活动，并进行物种识别与分析，并提供外来物种入侵预警，所述视频监测模块包括物种识别模块、物种分类模块和异常预警模块；
存储单元（2），所述存储单元（2）用于存储监测数据和水禽物种信息，其中，所述存储单元（2）包括本地存储模块和云端存储模块；
无线传输单元（3），所述无线传输单元（3）用于将分布在不同位置的浮岛监测单元（1）进行无线连接，并在监测点之间构建无线局域网，用户通过在局域网内访问云端存储模块来读取监测数据；
供电单元（4），所述供电单元（4）用于为浮岛监测单元（1）和无线传输单元（3）供电。
2.根据权利要求1所述的应用于野外生态湿地的浮岛式监测***，其特征在于：所述多路监测模块包括水质传感器和环境传感器；
其中，所述水质传感器用于监测和记录湿地水体的温度、pH值、溶解氧含量和浊度；
所述环境传感器用于监测湿地环境中环境温度、光照强度和生物质密度。
3.根据权利要求1所述的应用于野外生态湿地的浮岛式监测***，其特征在于：所述物种识别模块用于对监测区域的水禽物种进行实时监控，物种识别模块基于图像处理与机器学习融合算法，识别并区分物种与其他水禽种类，由物种分类模块在其他水禽种类中进一步识别出外来入侵物种，并由异常预警模块并及时发出警报。
4.根据权利要求3所述的应用于野外生态湿地的浮岛式监测***，其特征在于：所述物种识别模块识别并区分物种与外来入侵物种的具体步骤为：
S1.1、将通过物种识别模块捕获的湿地水禽的图像数据进行预处理；
S1.2、采用图像处理技术提取图像数据中的轮廓特征、纹理特征和关键点信息，其中，关键点信息包括喙部、头部形状和体型特征信息；
S1.3、使用存储单元（2）中保存的水禽物种信息，对基于多模态融合算法的机器学习模型进行训练，并根据实时图像数据，由训练好的机器学习模型识别并区分物种与其他水禽种类；
S1.4、通过物种分类模块从其他水禽种类中识别出外来入侵天敌物种；
S1.5、当物种分类模块识别到外来入侵天敌物种后，异常预警模块及时发出警报，将预警信息发送至监控中心。
5.根据权利要求4所述的应用于野外生态湿地的浮岛式监测***，其特征在于：所述S1.2中，图像处理技术涉及的具体步骤为：
S1.21、通过Canny算法获取图像数据中的轮廓信息；
S1.22、采用灰度共生矩阵算法提取图像中的羽毛纹理特征；
S1.23、利用SIFT算法提取喙部、头部形状和体型特征信息。
6.根据权利要求4所述的应用于野外生态湿地的浮岛式监测***，其特征在于：所述S1.3中，机器学习模型具体为：
已知特征向量，并将湿地环境参数E纳入特征向量/>中，形成多模态特征向量/>，则多模态特征向量/>，其中，特征向量X包括轮廓特征C、纹理特征D、喙部特征B、头部形状特征H和体型特征S，将多模态特征向量/>映射到对应的物种标签Y，其中，物种为/>，其他水禽种类为/>；
样本被分类为物种的概率为：
；
样本被分类为其他水禽种类的概率为：
；
式中，表示为物种的概率；/>表示为其他水禽种类的概率；/>表示物种的权重向量；/>表示其他水禽种类的权重向量；/>表示是/>向量与特征向量/>的内积；/>表示是/>向量与特征向量/>的内积；/>表示sigmoid函数；/>表示向量的转置操作；/>表示物种的偏置项；/>表示其他水禽种类的偏置项。
7.根据权利要求6所述的应用于野外生态湿地的浮岛式监测***，其特征在于：所述S1.4中，物种分类模块识别外来入侵天敌物种的具体步骤为：
S1.41、根据存储单元（2）中保存的外来物种数据库和特征标签，构建物种天敌数据集，并基于上述步骤S1.2中的图像处理技术，提取物种天敌的特征向量和湿地环境参数/>中，形成多模态特征向量/>，则多模态特征向量/>，其中，特征向量/>包括轮廓特征/>、纹理特征/>、喙部特征/>、头部形状特征/>和体型特征/>；
S1.42、将物种天敌的数据集作为训练集，训练并优化上述步骤S1.3中机器学习模型的权重参数；
S1.43、通过训练好的机器学习模型对外来入侵物种潜在天敌的图像样本进行识别；
S1.44、采用逻辑回归分类器对上述步骤S1.43中机器学习模型输出的结果进行分类，并与数据库中标记的物种天敌的特征标签进行对比，判定该物种是否为外来入侵天敌。
8.根据权利要求7所述的应用于野外生态湿地的浮岛式监测***，其特征在于：所述S1.43中，样本被分类为外来入侵天敌物种的概率为：
；
式中，表示为外来入侵天敌物种的概率；/>表示外来入侵天敌物种的权重向量；/>表示其他水禽种类的权重向量；/>表示是/>向量与特征向量/>的内积；/>表示外来入侵天敌物种的偏置项。
9.根据权利要求8所述的应用于野外生态湿地的浮岛式监测***，其特征在于：所述S1.44中，判定该物种是否为外来入侵天敌的具体方法为：
设置分类阈值，将得到的外来入侵天敌物种的概率/>与分类阈值/>进行对比，得到：
；
若，则判定为外来入侵天敌物种；
若，则判定为非外来入侵天敌物种；
当若时，将/>对应的特征向量/>与数据库中标记的物种天敌的特征标签，基于特征匹配确定该物种是否为外来入侵天敌。
10.根据权利要求1所述的应用于野外生态湿地的浮岛式监测***，其特征在于：所述无线传输单元（3）包括远端网络发射基站和近端接收基站，用于实现点对点非视距高带宽无线传输。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410417404.4A CN118015551B (zh) | 2024-04-09 | 2024-04-09 | 应用于野外生态湿地的浮岛式监测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410417404.4A CN118015551B (zh) | 2024-04-09 | 2024-04-09 | 应用于野外生态湿地的浮岛式监测*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118015551A true CN118015551A (zh) | 2024-05-10 |
| CN118015551B CN118015551B (zh) | 2024-06-25 |
Family
ID=90944726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410417404.4A Active CN118015551B (zh) | 2024-04-09 | 2024-04-09 | 应用于野外生态湿地的浮岛式监测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118015551B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102065272A (zh) * | 2009-11-13 | 2011-05-18 | 中国科学院遥感应用研究所 | 基于声像一体化野生鸟类识别技术的远程无线监测*** |
| CN102103713A (zh) * | 2009-12-18 | 2011-06-22 | 湖南城市学院 | 湿地资源与生态环境监管方法及*** |
| CN105676747A (zh) * | 2016-03-21 | 2016-06-15 | 杭州电子科技大学 | 一种生物浮岛智能监测控制***及其方法 |
| KR20190033892A (ko) * | 2017-09-22 | 2019-04-01 | 국립생태원 | 야생동물 모니터링 시스템 및 그 방법 |
| CN111291940A (zh) * | 2020-03-02 | 2020-06-16 | 桂林电子科技大学 | 一种基于Attention深度学习模型的学生辍课预测方法 |
| WO2021022752A1 (zh) * | 2019-08-07 | 2021-02-11 | 深圳先进技术研究院 | 一种多模态三维医学影像融合方法、***及电子设备 |
| US20210292805A1 (en) * | 2020-03-18 | 2021-09-23 | International Business Machines Corporation | Semi-supervised classification of microorganism |
| US20220027786A1 (en) * | 2020-07-24 | 2022-01-27 | Macau University Of Science And Technology | Multimodal Self-Paced Learning with a Soft Weighting Scheme for Robust Classification of Multiomics Data |
| CN114387499A (zh) * | 2022-01-19 | 2022-04-22 | 国家海洋环境监测中心 | 一种海岛滨海湿地水鸟识别方法、分布查询***及介质 |
| CN114579647A (zh) * | 2022-03-03 | 2022-06-03 | 盐城工业职业技术学院 | 一种面向多源异构湿地生态监测数据的融合模型 |
| CN115965295A (zh) * | 2023-03-16 | 2023-04-14 | 百鸟数据科技(北京)有限责任公司 | 一种湿地生态***监测方法、计算机设备以及存储介质 |
| CN116189884A (zh) * | 2023-04-24 | 2023-05-30 | 成都中医药大学 | 一种基于面部视觉的多模态融合中医体质判别方法及*** |
| CN116229518A (zh) * | 2023-03-17 | 2023-06-06 | 百鸟数据科技(北京)有限责任公司 | 一种基于机器学习的鸟类物种观测方法及*** |
| CN116304600A (zh) * | 2023-03-06 | 2023-06-23 | 四川省林业科学研究院 | 基于大数据分析的外来入侵物种预警方法及*** |
| CN116778347A (zh) * | 2023-08-24 | 2023-09-19 | 腾讯科技（深圳）有限公司 | 数据更新方法、装置、电子设备和存储介质 |
| CN220654138U (zh) * | 2023-07-11 | 2024-03-26 | 南京林业大学 | 一种具有鸟类智能监测识别功能的生态浮岛 |
-
2024
- 2024-04-09 CN CN202410417404.4A patent/CN118015551B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102065272A (zh) * | 2009-11-13 | 2011-05-18 | 中国科学院遥感应用研究所 | 基于声像一体化野生鸟类识别技术的远程无线监测*** |
| CN102103713A (zh) * | 2009-12-18 | 2011-06-22 | 湖南城市学院 | 湿地资源与生态环境监管方法及*** |
| CN105676747A (zh) * | 2016-03-21 | 2016-06-15 | 杭州电子科技大学 | 一种生物浮岛智能监测控制***及其方法 |
| KR20190033892A (ko) * | 2017-09-22 | 2019-04-01 | 국립생태원 | 야생동물 모니터링 시스템 및 그 방법 |
| WO2021022752A1 (zh) * | 2019-08-07 | 2021-02-11 | 深圳先进技术研究院 | 一种多模态三维医学影像融合方法、***及电子设备 |
| CN111291940A (zh) * | 2020-03-02 | 2020-06-16 | 桂林电子科技大学 | 一种基于Attention深度学习模型的学生辍课预测方法 |
| US20210292805A1 (en) * | 2020-03-18 | 2021-09-23 | International Business Machines Corporation | Semi-supervised classification of microorganism |
| US20220027786A1 (en) * | 2020-07-24 | 2022-01-27 | Macau University Of Science And Technology | Multimodal Self-Paced Learning with a Soft Weighting Scheme for Robust Classification of Multiomics Data |
| CN114387499A (zh) * | 2022-01-19 | 2022-04-22 | 国家海洋环境监测中心 | 一种海岛滨海湿地水鸟识别方法、分布查询***及介质 |
| CN114579647A (zh) * | 2022-03-03 | 2022-06-03 | 盐城工业职业技术学院 | 一种面向多源异构湿地生态监测数据的融合模型 |
| CN116304600A (zh) * | 2023-03-06 | 2023-06-23 | 四川省林业科学研究院 | 基于大数据分析的外来入侵物种预警方法及*** |
| CN115965295A (zh) * | 2023-03-16 | 2023-04-14 | 百鸟数据科技(北京)有限责任公司 | 一种湿地生态***监测方法、计算机设备以及存储介质 |
| CN116229518A (zh) * | 2023-03-17 | 2023-06-06 | 百鸟数据科技(北京)有限责任公司 | 一种基于机器学习的鸟类物种观测方法及*** |
| CN116189884A (zh) * | 2023-04-24 | 2023-05-30 | 成都中医药大学 | 一种基于面部视觉的多模态融合中医体质判别方法及*** |
| CN220654138U (zh) * | 2023-07-11 | 2024-03-26 | 南京林业大学 | 一种具有鸟类智能监测识别功能的生态浮岛 |
| CN116778347A (zh) * | 2023-08-24 | 2023-09-19 | 腾讯科技（深圳）有限公司 | 数据更新方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| X. ZHU; S. MENA; CISCO SYSTEMS; Z. SARKER; ERICSSON AB;: "Modeling Video Traffic Sources for RMCAT Evaluations draft-ietf-rmcat-video-traffic-model-00", IETF, 15 January 2016 (2016-01-15) * |
| 孙玉芳;姜丽华;李刚;陈宝瑞;张宏斌;: "外来植物入侵遥感监测预警研究进展", 中国农业资源与区划, no. 08, 25 August 2016 (2016-08-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118015551B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109145032B (zh) | 一种蜜蜂养殖智能监测方法与*** | |
| CN109591982A (zh) | 一种无人监控水下养殖机器人 | |
| CN107622236B (zh) | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 | |
| CN115067243B (zh) | 一种基于物联网技术的渔业监测分析方法、***及存储介质 | |
| CN109472883A (zh) | 巡塘方法和装置 | |
| Stehfest et al. | Network analysis of acoustic tracking data reveals the structure and stability of fish aggregations in the ocean | |
| CN115879771B (zh) | 一种养殖池塘溶解氧智能调控方法及*** | |
| Islam et al. | Automated monitoring of cattle heat stress and its mitigation | |
| CN116034904B (zh) | 基于轨道式巡检机器人的猪只健康监测***及方法 | |
| TW202002772A (zh) | 智慧深度學習農漁培養系統 | |
| CN114898405B (zh) | 基于边缘计算的便携式肉鸡异常监测*** | |
| US20220189022A1 (en) | Embryo viability evaluation using ai/ml analysis of real-time video | |
| CN113887413A (zh) | 一种梅花鹿行为识别和健康预警的方法及*** | |
| CN118015551B (zh) | 应用于野外生态湿地的浮岛式监测*** | |
| CN116884523B (zh) | 一种海洋牧场水质多参数预测方法 | |
| CN116935439A (zh) | 一种孕羊分娩自动监测预警方法及自动监测预警*** | |
| CN109359624B (zh) | 基于神经网络的蛋鸡采食行为的预测方法及预测装置 | |
| CN111950598A (zh) | 一种基于K-Means算法的梭子蟹群体个性分类方法及应用 | |
| Zhang et al. | From beasts to bytes: Revolutionizing zoological research with artificial intelligence | |
| CN112380486B (zh) | 用于海水观赏鱼养殖状态的动态监测评估方法及*** | |
| Rahman et al. | Application of machine learning techniques in aquaculture | |
| CN115170942A (zh) | 一种声音与视觉多级融合的鱼类行为识别方法 | |
| Saville et al. | A Mariculture Fish Mortality Prediction Using Machine Learning Based Analysis of Water Quality Monitoring | |
| Kumar et al. | Estimating fish weight growth in aquaponic farming through machine learning techniques | |
| Gladju et al. | Potential applications of data mining in aquaculture |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |