用于评估生物生存环境质量的方法及装置、电子设备与流程

本申请涉及生境质量评估，例如涉及一种用于评估生物生存环境质量的方法及装置、电子设备。

背景技术：

1、目前，为了保护珍稀濒危物种，改善生境质量，我国已建立了多个针对珍稀濒危物种的自然保护区，对自然保护区内生境质量的评估可以有助于制定具有针对性地保护措施，为自然保护工作人员的保护工作提供科学指导。然而，当前在珍稀濒危物种的生境质量评估方面仍然存在实时数据匮乏，评估模型单一等局限，生境质量评估的结果准确度不高。

2、相关技术公开了一种生境质量监测方法，包括：根据多个监测区域的属性信息和多源土地覆盖产品在云端平台中构建基础地理数据库；基于桌面端评估模型中的评估规则信息在云端平台中构建生境质量监测模型；通过公开信息获取目标监测区域的生境质量评价参数；基于地理数据库获取目标监测区域对应的土地覆盖产品；将目标监测区域的生境质量评价参数和对应的土地覆盖产品输入生境质量监测模型，以获得目标监测区域的生境质量。其中，桌面端评估模型例如invest模型(integrated valuation of ecosystemservices and trade-offs，生态系统服务和权衡的综合评估模型)或forest-bgc模型(forest biogeochemical cycles，基于过程的生物地球化学循环模型)。

3、在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：

4、相关技术中，基于invest模型或forest-bgc模型在云端平台构建生境质量监测模型，在数据质量不高的情况下，仍然存在生境质量评估结果准确度不高的问题。

5、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。

2、本公开实施例提供了一种用于评估生物生存环境质量的方法及装置、电子设备，以提高生境质量评估结果的准确度。

3、在一些实施例中，用于评估生物生存环境质量的方法包括：获取目标生物所处的待评估生存环境的空间化环境数据；其中，空间化环境数据包括待评估生存环境的环境数据空间化的栅格数据；将空间化环境数据输入目标生物所对应的生存环境质量评估模型，获得待评估生存环境内出现目标生物巢穴的巢穴概率；其中，生存环境质量评估模型基于梯度提升框架的机器学习算法训练获得；根据巢穴概率，确定待评估生存环境对于目标生物的生境质量评估结果。

4、可选地，按照如下方式获得目标生物所对应的生存环境质量评估模型：根据目标生物所处生存环境的环境数据和目标生物巢穴分布数据，获得训练数据集；训练数据集包括训练集和测试集；基于梯度提升框架的机器学习算法，对训练集进行模型训练，确定模型参数，获得初始生存环境质量评估模型；根据测试集对初始生存环境质量评估模型进行误差评估和优化训练，获得训练完成的生存环境质量评估模型。

5、可选地，根据目标生物所处生存环境的环境数据和目标生物巢穴分布数据，获得训练数据集，包括：对环境数据进行空间网格化处理，获得环境网格数据，并对目标生物巢穴分布数据进行空间网格化处理，获得标签网格数据；将环境网格数据和标签网格数据作为网格数据集；将网格数据集提取到对应的空间网格中，获得训练数据集。

6、可选地，环境数据包括水源信息、土壤信息、高程和土地利用类型；对环境数据进行空间网格化处理，获得环境网格数据，包括：对水源信息和土壤信息分别进行空间化处理，获得栅格数据；将水源信息、土壤信息、高程、土地利用类型等栅格数据统一投影，获得投影数据；将待评估生存环境划分为预设大小的空间网格，并将投影数据赋值到投影数据对应的空间网格上，获得环境网格数据。

7、可选地，方法还包括：对高程、土壤信息和水源信息进行归一化处理；和，对土地利用类型进行分类变量处理。

8、可选地，基于梯度提升框架的机器学习算法，对训练集进行模型训练，确定模型参数，包括：基于梯度提升框架的机器学习算法对训练集进行模型训练，确定多个初始参数组合；根据预设的评价指标，在多个初始参数组合中，确定目标参数组合；对目标参数组合进行优化调整，获得模型参数。

9、可选地，根据测试集对初始生存环境质量评估模型进行优化训练，获得训练完成的生存环境质量评估模型，包括：将测试集输入初始生存环境质量评估模型，获得测试结果；根据测试结果对初始生存环境质量评估模型的误差进行评估，获得误差评估结果；根据误差评估结果，优化调整初始生存环境质量评估模型，获得训练完成的生存环境质量评估模型。

10、可选地，根据巢穴概率，确定待评估生存环境对于目标生物的生境质量评估结果，包括：根据预设的生境质量评估等级，对巢穴概率进行划分；根据划分后的巢穴概率，生成生境质量评估图。

11、在一些实施例中，用于评估生物生存环境质量的装置包括处理器和存储有程序指令的存储器，所述处理器被配置为在运行所述程序指令时，执行如上述的用于评估生物生存环境质量的方法。

12、在一些实施例中，电子设备包括：电子设备本体；如上述的用于评估生物生存环境质量的装置，被安装于所述电子设备本体。

13、本公开实施例提供的用于评估生物生存环境质量的方法及装置、电子设备，可以实现以下技术效果：

14、本公开实施例中，获取目标生物的待评估生存环境的空间化环境数据，输入基于梯度提升框架的机器学习算法训练获得的生存环境质量评估模型，获得模型输出的待评估生存环境内出现目标生物巢穴的巢穴概率，通过巢穴概率来分析待评估生存环境对于目标生物的生境质量评估结果。对待评估生存环境中出现目标生物巢穴的巢穴概率进行预测，巢穴概率越高，说明目标生物在该区域筑巢的可能性就越高，该区域就越适合目标生物的生存。分析巢穴概率，可以准确获得待评估生存环境对于目标生物的生境质量情况，提高生境质量评估结果的准确度。此外，在获得生境质量评估结果后，可以根据待评估生存环境中目标生物巢穴概率较大的区域进行保护，提高目标生物的生存环境质量。

15、以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。

技术特征：

1.一种用于评估生物生存环境质量的方法，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，按照如下方式获得目标生物所对应的生存环境质量评估模型：

3.根据权利要求2所述的方法，其特征在于，根据目标生物所处生存环境的环境数据和目标生物巢穴分布数据，获得训练数据集，包括：

4.根据权利要求3所述的方法，其特征在于，环境数据包括水源信息、土壤信息、高程和土地利用类型；对环境数据进行空间网格化处理，获得环境网格数据，包括：

5.根据权利要求4所述的方法，其特征在于，还包括：

6.根据权利要求2所述的方法，其特征在于，基于梯度提升框架的机器学习算法，对训练集进行模型训练，确定模型参数，包括：

7.根据权利要求2所述的方法，其特征在于，根据测试集对初始生存环境质量评估模型进行优化训练，获得训练完成的生存环境质量评估模型，包括：

8.根据权利要求1至7任一项所述的方法，其特征在于，根据巢穴概率，确定待评估生存环境对于目标生物的生境质量评估结果，包括：

9.一种用于评估生物生存环境质量的装置，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在运行所述程序指令时，执行如权利要求1至8任一项所述的用于评估生物生存环境质量的方法。

10.一种电子设备，其特征在于，包括：

技术总结
本申请涉及生境质量评估技术领域，公开一种用于评估生物生存环境质量的方法及装置、电子设备，其中，方法包括：获取目标生物所处的待评估生存环境的空间化环境数据；其中，空间化环境数据包括待评估生存环境的环境数据空间化的栅格数据；将空间化环境数据输入目标生物所对应的生存环境质量评估模型，获得待评估生存环境内出现目标生物巢穴的巢穴概率；其中，生存环境质量评估模型基于梯度提升框架的机器学习算法训练获得；根据巢穴概率，确定待评估生存环境对于目标生物的生境质量评估结果。利用生存环境质量评估模型获得待评估生存环境中出现目标生物巢穴的巢穴概率，并根据巢穴概率分析生境质量情况，从而提高生境质量评估结果的准确度。

技术研发人员：齐月,曹明,王亚慧,秦乐,张哲,郝海广
受保护的技术使用者：中国环境科学研究院
技术研发日：
技术公布日：2024/9/26