[發明專利]一種調水工程沼蛤入侵風險智能評估方法和系統

在審

• 申請號: 202211024696.2
• 申請日: 2022-08-25
• 公開（公告）號: CN116245350A
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 徐夢珍;楊瑤;陳星宇;傅旭東;張家豪;張同穎;王樹磊;梁建奎;肖新宗;高森
• 申請（專利權）人: 清華大學
• 主分類號: G06Q10/0635
• 分類號: G06Q10/0635;G06Q50/06;G06N20/00;G06F18/241
• 代理公司: 北京海虹嘉誠知識產權代理有限公司 11129
• 代理人: 白玉娜

本發明涉及一種調水工程沼蛤入侵風險智能評估方法和系統，首先將目標調水工程中常規監測的環境因子作為輸入變量，然后用機器學習方法不斷訓練和擬合環境因子與表征沼蛤引入和擴散風險變量之間的關系，建立機器學習模型，再通過機器學習解釋模型對機器學習模型進行分析，解釋機器學習模型的輸出，在此基礎上對調水工程沼蛤入侵風險進行智能評估。該方法利用人工智能機器學習訓練的方法，結合機器學習解釋模型，對調水工程中沼蛤入侵風險和環境因子之間的關系進行模擬與分析，高效便捷、準確度高，為沼蛤入侵風險識別和早期防治提供了有力支撐。

技術領域

本發明涉及一種調水工程沼蛤入侵風險智能評估方法和系統，屬于污損生物入侵風險識別與早期預防技術領域。

背景技術

沼蛤(Limnoperna?fortunei)俗稱淡水殼菜，隸屬于軟體動物門雙殼綱貽貝科，成貝殼長一般為20mm，最長可達40-60mm，營附著或固著生活，對環境適應能力極強，能夠在低溶解氧、高水流流速的人工結構中生長附著，甚至導致嚴重的生物污損問題。

沼蛤的幼蟲在水中浮游生活，并逐漸經歷前期殼頂幼蟲、過渡期殼頂幼蟲、后期殼頂幼蟲；隨著浮游幼蟲面盤和緣膜結構的脫落，逐漸進入匍匐的躑行期，之后隨著足絲腺發育成熟開始分泌足絲，進入足絲附著生活的稚貝期，穩定附著后基本不再移動，隨著體長的增大逐漸成長為成貝。因此，沼蛤的高入侵風險主要是浮游幼蟲階段，且一旦成功入侵便難以消除，因此盡早識別入侵風險是預防入侵的關鍵環節。傳統的沼蛤幼蟲檢測方法需要進行浮游生物的現場采樣以及實驗室光學顯微鏡下的計數統計。人工檢測繁瑣耗時，難以實現對監測信息的深入全面的挖掘，分析方法局限于傳統的統計分析方法，且分析方法難以在不同水體中推廣應用，無法及時為早期防治提供準確信息，容易錯過沼蛤入侵早期預防的時間窗口，甚至導致嚴重的生物污損問題。

發明內容

針對現有調水工程中沼蛤入侵監測繁瑣困難、耗時長、難以全時空覆蓋，且分析方法局限于傳統的統計分析方法、推廣性差等現狀局限，發明的第一方面提供一種調水工程沼蛤入侵風險智能評估方法。發明的第二方面提供一種調水工程沼蛤入侵風險智能評估系統。

本發明的技術方案：

一種調水工程沼蛤入侵風險智能評估方法，首先將目標調水工程中常規監測的環境因子作為輸入變量，然后用機器學習方法不斷訓練和擬合所述環境因子與表征沼蛤入侵過程的入侵風險變量之間的關系，建立機器學習模型，再通過機器學習解釋模型對所述機器學習模型進行分析，解釋所述機器學習模型的輸出，在此基礎上對調水工程沼蛤入侵風險進行智能評估。

該方法包括以下步驟：

步驟一：前處理：將目標調水工程中常規監測的環境因子作為輸入變量；

步驟二：針對沼蛤入侵過程中的至少引入和擴散階段建立基于機器學習方法的分析模型：對沼蛤入侵過程中的引入階段進行分析，采用邏輯回歸算法擬合環境因子與各生命階段幼蟲的存活概率之間的關系，建立邏輯回歸模型；進一步對沼蛤入侵過程中的擴散階段進行分析，集合多種機器學習方法訓練學習后建立反映環境因子與幼蟲總密度之間的關系的多分類模型，并對比分析優選出最佳的多分類模型；

步驟三：后處理：借助機器學習解釋模型分別對訓練得到的所述邏輯回歸模型和最佳的多分類模型結果進行分析，解釋機器學習模型的輸出，在此基礎上對調水工程中沼蛤入侵風險進行智能評估。

所述步驟二中，針對沼蛤入侵過程中的引入階段進行分析時，先利用單因素邏輯回歸算法篩選出重要的環境因子，再進行多因素邏輯回歸算法分析擬合所述的重要的環境因子與各生命階段幼蟲存活概率之間的關系，建立邏輯回歸模型。

所述步驟二中針對沼蛤入侵過程中的擴散階段進行分析時，結合所述多分類模型的常用評價指標，綜合對比分析以不同變量組合作為輸入變量的多分類模型的表現，按照所述評價指標綜合評價選擇，得到最佳的多分類模型，所述常用評價指標包括召回率、準確率、精確率以及F1值。