基于高斯模型的T-LoCoH候鸟家域估计算法研究及应用

近年来,随着GPS定位技术的发展,动物轨迹数据成为了当前的研究热点,其中动物家域估计是轨迹数据研究的重要部分。已有的T-LoCoH家域估计算法没有考虑候鸟迁徙行为在速度上的显著差异性,不适合候鸟家域估计。针对以上问题,本文提出将候鸟运动轨迹数据按其活动的周期性分段,并使用高斯模型估算其各阶段的最大运动速度,再结合T-LoCoH方法估计出候鸟在各个运动阶段的家域。实验表明,这种基于高斯模型的T-LoCoH候鸟家域估计算法能更精确地划分候鸟在各阶段的活动范围。     

生物多样性数据的Web可视化

生物多样性数据具有多源、异构、数据量大、信息冗杂不直观等特点,对其可视化可帮助科研工作者轻松直观深入的了解数据,发现知识,辅助其科学决策,具有重要的现实意义。可视化与具体的应用场景密切相关,本文针对三类具有不同类型和结构的生物多样性数据,利用HTML5技术开发了三种不同的Web可视化展示和分析方式,多视角、直观地展现了数据源及其内在规律,为领域科学家和保护区管理人员科学认识生物多样性数据提供了一种便利的手段。     

自适应图像组的稀疏正则化图像复原

基于图像组的稀疏正则化图像复原方法采用自适应的结构组字典来代替传统的基于整幅图像块的学习字典,既能够更好的学习局部特征又显著降低字典学习的时间复杂度;然而,因算法中的一些参数还未优化,使得算法复杂度还比较高。因此,本文提出了基于粗糙度的自适应图像组的稀疏正则化图像复原方法。首先,计算图像的全局粗糙度和局部粗糙度;然后,根据全局的粗糙度计算自适应调整正则化的迭代次数,根据局部的粗糙度调整学习字典所需的样本数;最后,将自适应调整出的参数应用于基于图像组的稀疏正则化的图像复原中。将本文所提出的方法应用到不同平滑度图像的去文字图像复原案例中,实验结果表明,在保证相近的复原效果下,能够大幅度提升效率,尤其在较为平滑的图像中能够达到接近30倍的加速比。     

基于卷积神经网络的候鸟潜在分布预测

从遥感影像中提取生态位因子在物种潜在分布模型中扮演着重要角色,然而这些模型存在数据质量低和训练样本少等问题.随着先进数据采集设备的应用,所获得的大量动物轨迹数据可以用来对物种潜在栖息地进行标记,进而从遥感影像中提取用于物种分布模型的有效训练样本.本文首先利用DBSCAN算法对动物轨迹数据进行聚类,基于聚类结果将遥感影像按照小区域分成正负样本,然后利用提出一种改进的卷积神经网络进行训练和预测斑头雁在青海湖周边的潜在分布情况.通过和传统基于灰度共生矩阵的方法进行比较,本文提出的方法在各项评价指标上都有一定提升,同时实验结果也表明我们方法能更好的预测斑头雁在青海湖周围的潜在分布情况.