基于语谱特征分析的生态种群评估方法与流程

本技术涉及语谱特征分析，具体涉及基于语谱特征分析的生态种群评估方法。

背景技术：

1、生物多样性是生态系统的重要组成部分，对于维持生态系统的稳定和功能具有关键作用。通过监测生物多样性，可以了解生态系统中不同物种的数量、分布、结构和相互关系，进而评估生态系统的健康状况。生物多样性监测可以为制定和调整生物多样性保护政策和管理措施提供科学依据。通过监测和分析物种丰富度、种群数量和趋势等数据，可以确定濒危物种、生态系统受损的区域，从而采取相应的保护措施；也可以帮助我们理解环境变化对生物多样性的影响。随着气候变化、土地利用变化和人类活动的扩张，生物多样性正面临严重威胁。通过监测物种迁移、分布范围变化等指标，可以了解环境变化对物种适应和生态系统功能的影响。因此，开展快速的生物多样性监测、评价、保护、管理和规划等已迫在眉睫。

2、语谱图是一种描述声音时间-频率-能量变化的图像，是声音分析的重要方法。由于鸟类为主动发声动物，且对环境较为敏感，因此可以通过将鸟类音频信号转换为语谱图后提取语谱图中的特征对生态特征进行分析，传统的提取语谱图特征的方法如谱聚类算法，适应性较强，即对于生态音频语谱图中的复杂聚类问题具有较强的适应性，但算法的效果对于参数选择较为敏感，如谱聚类算法的聚类结果高度依赖于各数据点之间的权重，由于鸟类音频信号的频谱结构较为复杂，同时鸟类音频信号具有显著的时变性，导致权重不易确定，造成邻接矩阵无法准确反映数据点之间的真实相似性，进而使聚类结果失真，影响生态特征分析的准确性。

技术实现思路

1、本技术提供基于语谱特征分析的生态种群评估方法，以解决通过语谱特征对生态种群分析准确性低的问题，所采用的技术方案具体如下：

2、本技术一个实施例提供了基于语谱特征分析的生态种群评估方法，该方法包括以下步骤：

3、获取生态音频信号，将生态音频信号转换为语谱图，采用灰度平均法对语谱图进行灰度化处理，将灰度化的语谱图作为每个生态音频信号的语谱图；

4、以语谱图中每个数据点为中心构建谱特征窗口，根据谱特征窗口内的能量值分布特征和连通域特征分别获取常态鸣叫指数、特征鸣叫指数，基于常态鸣叫指数和特征鸣叫指数计算语谱图中每个数据点的自然鸣叫指数；

5、以语谱图中每个数据点为中心构建掩蔽监测窗口，根据掩蔽监测窗口内中心数据点的区域生长特征计算语谱图中每个数据点的鸟鸣增强因子；

6、根据语谱图中每个数据点的自然鸣叫指数和鸟鸣增强因子计算自然鸣叫增强指数，根据语谱图中不同数据点之间自然鸣叫增强指数的差异计算权重系数，基于权重系数利用谱聚类算法获取语谱图的聚类结果；

7、根据语谱图的聚类结果获取生态种群的评估结果。

8、优选的，所述根据谱特征窗口内的能量值分布特征和连通域特征分别获取常态鸣叫指数、特征鸣叫指数，基于常态鸣叫指数和特征鸣叫指数计算语谱图中每个数据点的自然鸣叫指数的方法为：

9、对于语谱图中每个数据点的谱特征窗口，采用sobel算法获取谱特征窗口内所有数据点的能量梯度幅值和谱特征窗口中的边缘数据点，基于谱特征窗口中的边缘数据点利用连通域分析算法获取谱特征窗口中的连通域，获取谱特征窗口中每个连通域的最小外接矩形，采用骨架提取算法获取谱特征窗口中每个连通域的中心骨架，利用曲线拟合算法获取所述中心骨架中所有点的拟合优度；

10、根据语谱图中每个数据点的谱特征窗口中连通域的最小外接矩形、边缘能量值和能量梯度幅值计算常态鸣叫指数；

11、根据语谱图中每个数据点的谱特征窗口中连通域的中心骨架中所有点的拟合优度和最小外接矩形的长度计算特征鸣叫指数；

12、将语谱图中每个数据点对应的常态鸣叫指数和特征鸣叫指数的和作为每个数据点的自然鸣叫指数。

13、优选的，所述根据语谱图中每个数据点的谱特征窗口中连通域的最小外接矩形、边缘能量值和能量梯度幅值计算常态鸣叫指数的方法为：

14、对于语谱图中每个数据点的谱特征窗口内每个边缘数据点，将边缘数据点的能量值和对应的能量梯度幅值的乘积作为分子，将边缘数据点所在连通域的最小外接矩形的长和宽的比值与所述最小外接矩形的长的乘积作为分母，将分子与分母的比值在谱特征窗口内所有边缘数据点上累加结果的均值作为每个数据点的常态鸣叫指数。

15、优选的，所述根据语谱图中每个数据点的谱特征窗口中连通域的中心骨架中所有点的拟合优度和最小外接矩形的长度计算特征鸣叫指数的方法为：

16、对于语谱图中每个数据点的谱特征窗口，将谱特征窗口内每个连通域对应的拟合优度与最小外接矩形的长的乘积作为累加因子，将累加因子在谱特征窗口上累加结果的均值作为每个数据点的特征鸣叫指数。

17、优选的，所述根据掩蔽监测窗口内中心数据点的区域生长特征计算语谱图中每个数据点的鸟鸣增强因子的方法为：

18、对于语谱图中每个数据点的掩蔽监测窗口，将掩蔽监测窗口中的中心数据点作为初始种子点，基于初始种子点采用区域生长算法获取掩蔽监测窗口的区域生长结果，将初始种子点所在的区域作为疑似高频鸣叫区域，将掩蔽监测窗口内疑似高频鸣叫区域中每个数据点所有生长方向的角度按照由小到大的顺序组成的序列作为生长序列；

19、在区域生长的过程中，将生长到掩蔽监测窗口内疑似高频鸣叫区域中每个数据点时生长区域内所有数据点对应的频率的最大值与最小值的差值作为生长频率带宽；

20、根据语谱图中每个数据点的掩蔽监测窗口中每个数据点对应的生长序列和掩蔽监测窗口中不同区域的能量值计算鸣叫匹配指数；

21、根据语谱图中每个数据点的掩蔽监测窗口中每个数据点对应的鸣叫匹配指数和生长频率带宽计算鸟鸣增强因子。

22、优选的，所述根据语谱图中每个数据点的掩蔽监测窗口中每个数据点对应的生长序列和掩蔽监测窗口中不同区域的能量值计算鸣叫匹配指数的方法为：

23、对于语谱图中每个数据点的掩蔽监测窗口，将预设参数与掩蔽监测窗口中每个数据点的生长序列中每个元素的差值作为每个元素的第一特征系数，将掩蔽监测窗口中每个数据点的生长序列中每个元素与对应的第一特征系数中的最小值作为每个元素的纵向生长度；

24、将掩蔽监测窗口中每个数据点的生长序列中每个元素的纵向生长度与第一预设参数之和的倒数作为第一匹配因子，将第一匹配因子与第二预设参数之和作为底数，将掩蔽监测窗口内所有数据点的能量值的均值与掩蔽监测窗口内疑似高频鸣叫区域中所有数据点的能量值的均值之差作为指数，将底数在指数上的映射结果作为第二匹配因子，将第二匹配因子在掩蔽监测窗口中每个数据点的生长序列上的累加结果作为掩蔽监测窗口中每个数据点的鸣叫匹配指数。

25、优选的，所述根据语谱图中每个数据点的掩蔽监测窗口中每个数据点对应的鸣叫匹配指数和生长频率带宽计算鸟鸣增强因子的具体方法为：

26、对于语谱图中每个数据点的掩蔽监测窗口，将掩蔽监测窗口内中心数据点的能量值作为第一判断系数，将掩蔽监测窗口内疑似高频鸣叫区域中所有数据点的能量值的均值作为第二判断系数；

27、若掩蔽监测窗口对应的第一判断系数大于等于第二判断系数，将掩蔽监测窗口内疑似高频鸣叫区域中每个数据点的鸣叫匹配指数与生长频率带宽的比值在掩蔽监测窗口内疑似高频鸣叫区域上的累加结果作为鸟鸣增强因子；

28、若掩蔽监测窗口对应的第一判断系数小于第二判断系数，将掩蔽监测窗口内疑似高频鸣叫区域中数据点的数量作为鸟鸣增强因子。

29、优选的，所述根据语谱图中每个数据点的自然鸣叫指数和鸟鸣增强因子计算自然鸣叫增强指数的方法为：

30、对于语谱图中每个数据点，将数据点对应的鸟鸣增强因子的归一化结果与预设参数之和作为数据点的乘积因子，将所述乘积因子与数据点对应的自然鸣叫指数的乘积作为数据点的自然鸣叫增强指数。

31、优选的，所述根据语谱图中不同数据点之间自然鸣叫增强指数的差异计算权重系数，基于权重系数利用谱聚类算法获取语谱图的聚类结果的方法为：

32、计算语谱图中任意两个数据点的自然鸣叫增强指数之差的绝对值，将所述绝对值与预设参数之和的倒数作为任意两个数据点之间的权重系数，将语谱图中数据点之间的权重系数作为谱聚类算法中不同节点之间权重，利用谱聚类算法获取语谱图的聚类结果。

33、优选的，所述根据语谱图的聚类结果获取生态种群的评估结果的方法为：

34、将语谱图的聚类结果中聚类簇的数量作为语谱图对应的生态音频信号的生态种群特征值，将生态种群监测区域内一天内采集的所有生态音频信号的生态种群特征值组成的集合作为生态种群评估集合，采用归一化算法获取生态种群评估集合中所有元素的归一化结果，将生态种群评估集合中所有元素的归一化结果的均值作为生态种群评估系数；

35、将生态种群监测区域在预设时间段内对应的所有的生态种群评估系数按照时间顺序组成的序列作为生态种群评估系数序列，将生态种群评估系数序列的均值作为生态种群评估特征值，将生态种群评估特征值在预设区间上的判断结果作为生态种群的评价结果。

36、本技术的有益效果是：将生态音频信号转换为语谱图，通过鸟类叫声在生态音频信号中频率、持续时间的特点的分析结果获取鸟类音频信号在语谱图中的特征，根据鸟类音频信号在语谱图中的特征构建自然鸣叫指数，通过自然鸣叫指数反映语谱图中数据点符合鸟类叫声特征的程度，能够更准确的识别出符合鸟类鸣叫特征的数据点；通过发生掩蔽效应时语谱图特征的分析结果构建鸟鸣增强因子，通过鸟鸣增强因子对语谱图中发生掩蔽效应时的数据点进行增强，提高对属于鸟类鸣叫特征的数据点识别的准确性，根据鸟鸣增强因子和自然鸣叫指数获取自然鸣叫增强指数，根据自然鸣叫增强指数计算谱聚类算法中的权重系数，其有益效果在于使改进后的权重系数能够更真实的反映鸟类特征数据点之间的相关程度，进而通过谱聚类算法对语谱图特征进行准确的聚类分析，根据聚类分析结果对生态种群进行评价分析，提高通过语谱特征对生态种群分析的准确性。