【摘? 要】2019年12月，華盛頓州農(nóng)業(yè)部確認胡蜂出現(xiàn)在美國本土，這一生物入侵現(xiàn)象對經(jīng)濟、社會、生態(tài)和公共衛(wèi)生等方面都是一場無情的災(zāi)難。本文遵循“觀察規(guī)律-實踐應(yīng)用-合理預(yù)測”的框架，收集了關(guān)于該黃蜂的其他各類情報和詳細信息，提出了一系列新穎的模型來輔助政府機構(gòu)把握這種新生物的時空傳播規(guī)律并應(yīng)對生物入侵時繁雜的處理工作。本文致力于解決美國農(nóng)業(yè)部處理混亂而頻繁的目擊報告時的兩大困境——人工識別圖像成本過高和處理工作的隨意性和盲目性大。我們使用bootstrap抽樣方法解決了圖片正負樣本不均衡的問題，將調(diào)整后的圖像數(shù)據(jù)輸入經(jīng)過特殊調(diào)參的卷積神經(jīng)網(wǎng)絡(luò)中，得到了良好的圖像識別效果，準確度達99%以上。且著眼于評價的角度，結(jié)合圖像為正面的概率、距離和活躍時間段這三個指標，使用熵權(quán)法賦予權(quán)重配以模糊綜合評價，按實際危機程度劃分出了四個目擊報告處理等級，處理等級越高，就越優(yōu)先處理。

【關(guān)鍵詞】生物入侵;圖像識別;卷積神經(jīng)網(wǎng)絡(luò);熵權(quán)法

引言

2019年12月，華盛頓州農(nóng)業(yè)部確認胡蜂出現(xiàn)在美國本土，這一生物入侵現(xiàn)象對社會各個層面和職能機構(gòu)都是一場無情的災(zāi)難。在經(jīng)濟方面，美國每年投入到生物入侵的成本估計超過1000億元，近期一些研究表明，單這種亞洲大黃蜂的控制費用在美國就高達3140萬美元。生物入侵的一個典型后果就是破壞生態(tài)系統(tǒng)正常運行和生物多樣性，甚至經(jīng)常成為壓死瀕臨滅絕的物種的最后一根稻草。胡蜂最初被紐約時報報道時被稱之為“殺人大黃蜂”，這也是因為經(jīng)常捕食本地一些重要的經(jīng)濟物種，比如蜜蜂。胡蜂的強力針刺在高敏感性個體中會引起嚴重過敏反應(yīng)，甚至導(dǎo)致死亡。尤其在當前新冠疫情大流行的全球困境當中，病毒或許會通過對種群人口統(tǒng)計學和種間相互作用的影響，為生物入侵的成功做出貢獻，惡化當前狀況。因此，收集關(guān)于該黃蜂的其他各類情報和詳細信息，例如準確識別、擴散分布情況和有效的控制措施等，為政府機構(gòu)提供參考和建議，及時遏制生物入侵帶來的連鎖消極后果，是迫在眉睫的。

1.基于卷積神經(jīng)網(wǎng)絡(luò)的胡蜂識別模型

1.1圖像處理

采集到的positive數(shù)據(jù)僅有14條，并且對應(yīng)的圖片文件也僅有14張，遠遠小于negative的圖片數(shù)量，這意味著我們訓練數(shù)據(jù)存在極大不平衡，這使得我們想要分類預(yù)測出的positive的案例在類中難以具有代表性。因此我們主要通過以下方法對圖像進行預(yù)處理，調(diào)整訓練數(shù)據(jù)的數(shù)量。

Bootstrap抽樣。由于raw圖像只有67張，通過數(shù)據(jù)增強后的樣本數(shù)量也只有1311張，可能會導(dǎo)致模型對樣本特征的識別限制特別緊張，魯棒性變差。因此我們將positive和negative記錄比例規(guī)定為4：6。鑒于negative記錄共有3389條，positive記錄仍稍顯不足。Bootstrap是一種用從給定訓練集中有放回的均勻抽樣，十分適合小樣本數(shù)據(jù)集。因此我們進一步使用bootstrap抽樣方法，最終得到了2259張positive記錄。

1.2參數(shù)調(diào)整

我們遵循Francois Chollet的建議，對CNN進行了一些特殊的改進，能夠有效提高模型準確度和效率。

（1）使用L1正則化，為模型的泛化添加一個權(quán)值累加項，讓權(quán)值變得更小。

（2）使用Dropout，在每輪訓練過程中隨機放棄一些神經(jīng)元節(jié)點，相當于減少了權(quán)值數(shù)量。

（3）使用Sigmoid激活函數(shù)和binary_crossentropy損失函數(shù)，可以很好適應(yīng)二分類問題

（4）使用已在大型數(shù)據(jù)集上預(yù)先訓練過的網(wǎng)絡(luò)VGG16架構(gòu)，提前掌握大多數(shù)計算機視覺問題有用的特征，特別適合于本文中擁有少量數(shù)據(jù)的情況。

（5）微調(diào)VGG16模型的最后一個卷積塊，先實例化VGG16的卷積模型并加載其權(quán)重，再在頂部添加我們自己調(diào)過各類超參數(shù)的全連接層，并加載其權(quán)重，最后凍結(jié)VGG16模型最后一個卷積塊中的所有層。

（6）使用SGD優(yōu)化器，確保每次只選擇一個樣本來更新梯度，使得學習速度大大增強。

隨著訓練次數(shù)的增加，剛開始時，測試集的損失度較大，但隨著訓練次數(shù)的增加，逐漸趨于平緩，最后接近于0，訓練集的損失度剛開始訓練時也較大，接近0.5，但后面也逐漸接近0。而不管是訓練集還是測試集，在第十輪后，準確度都逐漸接近1，從這些指標上看，模型訓練的結(jié)果較為理想。

為了驗證訓練的圖像識別模型的精確度具體如何，我們又從其他網(wǎng)站找到一些已經(jīng)被驗證為亞洲大黃蜂的圖片來驗證模型的準確度。我們使用從其他網(wǎng)站中收集來的圖片都可以實現(xiàn)一個很好的識別效果。

2.模糊綜合評價

根據(jù)公眾提供的目擊報告中的圖像，我們已經(jīng)可以較準確的找出正確目擊并排除負面報告，但我們?nèi)晕唇鉀Q處理工作的優(yōu)先緩急問題。當面對大量報告時，若能準確制定出調(diào)查和處理工作的優(yōu)先順序，就能大大減少工作量。因此我們在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進一步綜合其余指標，使用模糊綜合評價方法得到了一個總的評價模型。

2.1指標選擇

胡蜂的活動明顯的時間和空間規(guī)律。據(jù)胡蜂相關(guān)的生物研究我們可以很輕松得到它年節(jié)律，但考慮到胡蜂剛出現(xiàn)在華盛頓州，與先前研究中具有不用的地勢和氣候等環(huán)境特征，因此可能會出現(xiàn)不同的活躍期。據(jù)此我們根據(jù)每月的舉報提交數(shù)量來觀察胡蜂的活躍期。如圖2可知，我們可將胡蜂的活動周期大概分為4個階段，其中7-9月為活躍期，其次為5-6月，4月和10月，以及11月-次年3月，我們依次使用“1，2，3，4”來代表這幾個階段t。

當某個地點出現(xiàn)一只胡蜂時，意味著它周圍也有極大可能會有其余同伙。因此我們將每個被標記為unprocessed狀態(tài)的目擊報告中的地點和已確定為positive狀態(tài)的目擊報告中的地點計算距離值，再依次比較，選出最短距離d，并將其也作為一個重要指標。

此外，我們之前通過卷積神經(jīng)網(wǎng)絡(luò)得到的圖片為正面的概率顯然也是一個重要的指標，記為α。

2.2權(quán)重確定

在本研究中，由于當前經(jīng)驗和規(guī)律掌握不足，對現(xiàn)實情況的未知性太大，因此難以找到專家評判或者自行主觀確定權(quán)重，因此我們考慮使用熵權(quán)法計算三個指標各自的權(quán)重。熵權(quán)法是一種客觀的綜合評價方法，得到的權(quán)重依賴于數(shù)據(jù)本身的離散性，即熵。當某個指標的離散程度越大，它的熵值越大，也表明該指標對最終評價影響的權(quán)重越大。

通過上述熵權(quán)法計算權(quán)重，我們?nèi)齻€指標所構(gòu)成的因素集為U={γ，d，t}，相對應(yīng)的權(quán)重向量A=[0.857036，0.008431，0.134533]。我們將官方處理優(yōu)先順序分為四個等級，等級越高，越應(yīng)該得到優(yōu)先處理。因此我們的等級集V={1，2，3，4}。

2.3模型構(gòu)建與求解

我們將σ對各等級的隸屬度函數(shù)定義為A（σ），將d對各等級的隸屬度函數(shù)定義為B（d），將t對各等級的隸屬度函數(shù)定義為C（t）。由于σ和d都是連續(xù)變量，可以分段表示，適合使用梯形隸屬度函數(shù)，而t是離散表示的，適合用三角形隸屬度函數(shù)。將指標σ作為例，根據(jù)表1中的分段規(guī)則，可以得到如下隸屬度函數(shù)的圖形，如圖2。

最后，我們使用該模型對全部15個unprocessed記錄進行總評價，其中不包含圖片、視頻等有效文件的數(shù)據(jù)我們直接打分為0，因為這類數(shù)據(jù)實驗室無法進行判斷，只能歸為unverified，我們對有效數(shù)據(jù)（5）的結(jié)果進行排序并輸出，按照加權(quán)平均原則，可以得到每個等級中對應(yīng)的unprocessed記錄，能夠有效幫助到相關(guān)部門做出優(yōu)先處理決策。

3.結(jié)語

胡蜂在華盛頓州的出現(xiàn)讓社會公眾陷入一種迷茫與焦慮狀態(tài)之中，目擊報告大幅增長，這給美國農(nóng)業(yè)部造成了巨大的處理壓力。他們主要面臨兩個難點：一是人工識別胡蜂成本太高而尚未找到一種較好的智能識別方法;二是面對不停息的頻繁報告他們難以根據(jù)實際危機程度劃定優(yōu)先處理等級。

首先，本文利用卷積神經(jīng)網(wǎng)絡(luò)以識別正確的胡蜂的圖像，可在一定程度上取代人工識別，準確度較高。

接下來，本文利用該圖像正確的概率結(jié)合胡蜂節(jié)律周期和活動空間等指標，并使用熵權(quán)法賦予各個指標權(quán)重，進行模糊綜合評價得出優(yōu)先處理的等級，最后使用unprocessed狀態(tài)下的目擊報告作為測試集進行測試判斷。

參考文獻

[1] Meyerson， L. A.， Carlton， J. T.， Simberlo?， D.，& Lodge， D. M. （2019）. The growing peril of biological invasions.

[2] Barbet-Massin， M.， Salles， J. M.， & Courchamp， F. （2020）. The economic cost of control of the invasive yellow-legged Asian hornet. NeoBiota， 55， 11-25.

[3] Wilcove， D. S.， Rothstein， D.， Dubow， J.， Phillips， A.， & Losos， E. （1998）. Quantifying threats to imperiled species in the United States. BioScience， 48（8）， 607-615.

[4] McClenaghan， B.， Schlaf， M.， Geddes， M.， Mazza， J.， Pitman， G.， McCallum， K.， ... & Otis， G. W. （2019）. Behavioral responses of honey bees， Apis cerana and Apis mellifera， to Vespa mandarinia marking and alarm pheromones. Journal of Apicultural Research， 58（1）， 141-148.

[5] Stankus， T. （2020）. Reviews of Science for Science Librarians：Murder Hornets： Vespa Mandarinia Japonica. Science & Technology Libraries， 39（3）， 244-252.

[6] Torchin， M. E.， & Mitchell， C. E. （2004）. Parasites， pathogens， and invasions by plants and animals. Frontiers in Ecology and the Environment， 2（4）， 183-190.

[7] Chollet， F. （2016）. Building powerful image classi?cation models using very little data.Keras Blog.

[8] Li， G.， Cheng， Y. Q.， Dong， L.， & Wang， W. （2014）. Study of the gini coe?cient objective weights. Manag. Rev， 26， 12-22.

作者簡介：李松燁（2000.09-），男，漢族，河北邢臺人，本科在讀，研究方向為信息管理與信息系統(tǒng)