Big Data Analysis and Calculation in the Prediction of Invasion of Vespa Mandarinia
Notice bibliographique
Résumé
In late 2019, Vespa Mandarinia invaded the US state of Washington from Canada. Meanwhile, there were thousands of unconfirmed sightings of Vespa Mandarinia, including dates, locations, pictures and descriptions. In order to help the Washington State Government more effectively control the Vespa Mandarinia intrusion. We built a model to predict the intrusion trend of Vespa Mandarinia and analyse whether the reports submitted by the public are valid. On the basis of the linear correlation coefficient of time and propagation distance, we used particle swarm optimization algorithm to get the initial position of invasion. Since the accuracy of the eyewitness reports provided by the public was uneven, we adopted a comprehensive evaluation model of score, and used three variates, including Distance score, Text score and Image score, to evaluate the credibility of eyewitness reports. Prioritizing major eyewitness reports was finally determined. Finally, the optimal time interval for updating the evaluation model is determined by calculating the linear correlation coefficient. As a result, we have a mathematical model that can effectively simulate biological invasions of Vespa Mandarinia and determine whether eyewitness reports are credible. It can be an effective tool for biological invasion control in Washington State. In this paper, the trend of biological invasion and the credibility of eyewitness reports are quantitatively described by mathematical model tools, which provides new ideas and methods for biological invasion control.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».