北京市人与野生动物冲突风险的预测方法及应用研究.pdfVIP

摘 要 人与野生动物冲突问题正在逐步演变成一个全球性问题，处于冲突中的人类可能 遭受经济损失、精神损失和人身伤亡危害，而冲突涉及的野生动物由于人类的仇恨心 理可能面临更高的灭绝风险，甚至危及地球的生物多样性。冲突对双方都造成了巨大 伤害，冲突风险预警是解决冲突的有效方法之一，研究人与野生动物的冲突风险预测 方法，提前预警冲突的发生，对降低双方遭受的伤害、维护物种多样性、更好地开展 野生动物保护工作具有重要意义。 本文选取北京市2009-2017 年的野生动物造成损失事件数据，在对数据进行时间 间隔划分和空间网格划分处理后，从热点预测和区域数量预测两个角度，设计并实现 了三大冲突预测算法：（1）基于Xgboost 的冲突热点预测算法，主要提出了一套将 冲突预测问题转化为统计学分类问题的方法，采用Xgboost 算法进行分类建模尝试， 并与传统分类算法进行对比验证。（2 ）针对区域冲突数量预测这一时间序列问题， 提出了网格搜索结合BIC 准则的ARIMA 模型自动参数优化方法。（3 ）引入深度学 习技术，设计基于长短期记忆神经网络(LSTM) 的冲突数量预测算法，并基于冲突数 据的空间相关特性进行优化。 算法实验结果显示：（1）在冲突热点预测中，Xgboost 相比其他分类算法有着最 佳的预测精度和泛化性能，AUC 为0.864 ，预测准确率为85.5%，对热点区域的预测 精确率达到 90.6%，预测精度达到实际应用需求。 （2 ）逻辑回归的预测精度平均为 91%，在注重查准能力的冲突预测实际应用中，逻辑回归与Xgboost 都是良好的选择。 （3 ）ARIMA 的预测效果与数据时空划分的方式高度相关，在时间划分间隔为3 天、 网格划分维度30 ×30 之下，ARIMA 预测的平均绝对百分比误差MAPE 低至13.6%。 （4 ）在相同的区域冲突数量时序数据集上，LSTM 相较 ARIMA 的平均绝对百分比 误差MAPE 降低了3.63%，但时间成本极大增加，空间LSTM 算法相较普通LSTM 预测MAPE 降低了1.19 个百分点。（5 ）综合考虑精度和效率，在区域冲突数量预测 实际应用中，自动参数优化ARIMA 模型是比LSTM 更佳的选择。 关键词：人与野生动物冲突，时空数据，预测方法研究，Xgboost ，ARIMA I 目 录 摘 要I ABSTRACT II 1 引言 1 1.1 研究背景 1 1.2 研究目标及意义2 1.3 论文研究内容与框架 3 1.4 研究的创新点4 1.5 研究方法与技术路线 5 2 相关理论和技术7 2.1 人与野生动物冲突理论7 2.1.1 人与野生动物冲突定义与分类7 2.1.2 人与野生动冲突产生原因7 2.1.3 人与野生动物冲突协调措施9 2.1.4 人与野生动物冲突影响因素 10 2.2 时空数据预测方法与技术 11 2.3 可获取的北京市人与野生动物冲突预测的影响因素 13 2.3.1 时间因素 13 2.3.2 空间与土地利用因素 14 2.3.3 气候因素 15 2.4 研究评述 16 3 北京市人与野生动物冲突现状分析 17 3.1 研究区概况及数据来源 17 3.1.1 北京市野生动物危害概况 17 3.1.2 数据来源 18 3.2 北京市人与野生动物冲突现状描述性统计 19 3.2.1 总体情况分析 19 3.2.2 行政区与时间分布特征21 3.2.3 空间演变特征24 3.3 本章小结27 4 北京市人与野生动物冲突风险预测理论框架分析28 4.1 理论框架28 IV 4.2 数据