[0001] 本申请涉及数据处理、机器学习领域，具体而言，涉及一种基于生境数据分析的物种分布监测方法及系统。

[0002] 随着环境保护意识的逐渐增强，对生物多样性的监测与保护变得越来越重要。物种分布监测是生物多样性保护的关键环节，它有助于了解物种的生存状态以及生态系统健康状况。例如对于混交林生态系统，如何确定在外界生态环境演变下各个物种（如落叶松、红松、云杉、水曲柳）的生物量，对混交林密度控制、最优生物量组配优化有重要的参考意义。然而，传统的物种分布监测方法通常依赖于人工调查和观测，这种方法不仅耗时耗力，而且数据收集的完整性和实时性也难以保证。近年来，随着大数据和机器学习技术的飞速发展，基于数据驱动的物种分布监测方法逐渐成为研究热点。这类方法通过收集和分析大量的生态环境数据，构建模型来预测物种的分布情况。然而，现有的机器学习模型往往面临着数据不平衡、模型泛化能力弱等问题，导致监测结果的准确性和可靠性有待提高。

[0020] 为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

[0021] 在以下的描述中，涉及到“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

[0022] 在以下的描述中，所涉及的术语“第一\第二\第三”等类似术语，仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

[0023] 本申请实施例提供的基于生境数据分析的物种分布监测方法可以由计算机系统执行，其中计算机系统可以是笔记本电脑，平板电脑，台式计算机，等各种类型的终端，也可以实施为服务器。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。图1是本申请实施例提供的基于生境数据分析的物种分布监测方法的应用场景示意图。本申请实施例提供的应用场景中包括多个数据采集设备100、网络200和计算机系统300，多个数据采集设备100和计算机系统300之间通过网络200实现通信连接。数据采集设备100可以为无人机、卫星、手持记录设备等设备。计算机系统300用于执行本申请实施例提供的方法。具体地，本申请实施例提供了一种基于生境数据分析的物种分布监测方法，该方法应用于计算机系统，如图2所示，该方法包括：步骤S10：获取目标生态区域的物种分布信息。

[0024] 步骤S10中，获取目标生态区域，如混交林的物种分布信息，例如包含各种植被的分布情况，例如松树等树种的生物量。在实际应用中，计算机系统可以通过多种方式来获取这些信息。例如，可以利用遥感技术，通过卫星或无人机拍摄的高分辨率图像来识别和计算不同植被类型的覆盖面积和生物量。这些图像数据可以通过特定的图像处理算法进行分析，从而提取出植被的分布和密度信息。

[0025] 以松树为例，计算机系统可以通过图像识别技术来检测松树树冠的形状、大小和颜色等特征，进而估算出松树的生物量，即松树木材的总体积或质量。这些信息通常以数字或数据数组的形式存储，便于后续的数据处理和分析。除了遥感技术外，计算机系统还可以利用地面调查数据、生态监测站点的观测记录等多种数据源来获取物种分布信息。这些数据可以相互验证和补充，以提高数据的准确性和完整性。

[0026] 步骤S20：基于调试好的生境演变物种分布推理网络对所述物种分布信息进行推理，获得所述目标生态区域对生境演变情况发生的推理分布信息；其中，所述调试好的生境演变物种分布推理网络是基于对生境演变物种分布推理网络的推理输出进行调试获得的；所述生境演变物种分布推理网络是依据迭代后的演变分布知识模板优化获得的；所述迭代后的演变分布知识模板为基于稀疏抽取后的消极知识模板和积极知识模板获得的；所述稀疏抽取后的消极知识模板是依据基于稀疏抽取机制确定的稀疏抽取变量对消极知识模板进行稀疏抽取获得的；所述积极知识模板为演变分布知识模板中生态区域知识模板对过往生境演变情况发生目标种类分布的知识模板；所述消极知识模板为所述演变分布知识模板中生态区域知识模板对所述过往生境演变情况未发生所述目标种类分布的知识模板。

[0027] 步骤S20使用调试后的生境演变物种分布推理网络对物种分布信息进行推理，以获得目标生态区域对生境演变情况的推理分布信息。

[0028] 首先，计算机系统使用生境演变物种分布推理网络的机器学习模型，这个模型可以是一个深度学习网络，如卷积神经网络（CNN）或者循环神经网络（RNN），专门针对生态数据的特性进行训练和优化。这个网络模型的作用是根据输入的物种分布信息，预测和推理出生境的演变情况。

[0029] 生境演变物种分布推理网络在应用之前需要经过调试和优化。调试过程主要是对网络的推理输出进行调校，以确保其准确性和可靠性。优化过程涉及基于迭代后的演变分布知识模板训练网络，提高其预测性能。演变分布知识模板为训练样本，是通过收集和分析过往的生态数据得到的，包括生态区域的历史演变情况和对应的物种分布变化。这些知识模板被分为积极知识模板和消极知识模板。积极知识模板包含了那些在历史演变中确实发生了目标物种分布变化的情况，而消极知识模板则包含了未发生目标物种分布变化的情况。

[0030] 为了提高训练效率并防止模型过拟合，计算机系统对消极知识模板进行稀疏抽取，即选择性地使用部分样本进行训练。这个稀疏抽取过程是基于一定的稀疏抽取变量（也即欠采样参数）来进行的，以确保网络的泛化能力。这种稀疏抽取用于处理不平衡数据集问题，在数据量较大的类别中进行随机采样，以减少该类别的样本数量，从而达到类别间的相对平衡。这样做可以提高分类器的性能，特别是在处理高度不平衡的数据集时。

[0031] 在实际应用中，计算机系统将收集到的物种分布信息输入到调试后的生境演变物种分布推理网络中。例如，如果输入的是混交林中松树的生物量数据，网络根据这些数据推理出该混交林未来的生境演变趋势，比如松树的分布可能会如何变化（例如生物量），其他植被的分布会受到怎样的影响等。

[0032] 可以理解，生境演变物种分布推理网络为实现本申请方案的重点，下面介绍上述生境演变物种分布推理网络的训练过程，请参照图3，是本申请实施例提供的一种生境演变物种分布推理网络的训练流程图。具体可以包括以下步骤S110 S140：~
步骤S110：获取演变分布知识模板，所述演变分布知识模板中包括积极知识模板和消极知识模板。

[0033] 步骤S110涉及到获取用于训练生境演变物种分布推理网络的样本数据，即演变分布知识模板。这些指示模板也被称为训练样本，是构建和优化推理网络的基础。在步骤S110中，计算机系统从各种数据源中获取这些模板。这些数据源可能包括生态监测站的观测记录、卫星遥感数据、科研论文、历史档案等。获取的数据应该是已经经过初步处理和验证的，以确保其准确性和可靠性。

[0034] 演变分布知识模板分为两类：积极知识模板（即积极样本，又叫真样本或正样本）和消极知识模板（即消极样本，又叫假样本或负样本）。积极知识模板包含了那些在历史演变过程中确实发生了目标物种分布变化的情况。以混交林为例，如果某片区域在过去几十年里由于气候变化导致松树扩散，那么这些区域及其对应的数据就会被纳入积极知识模板中。这些数据可能包括该区域的历史气候数据、土壤类型、地形特征以及松树的分布和密度变化等。相反，消极知识模板则包含了那些在历史演变过程中未发生目标物种显著分布变化的区域及其数据。在混交林的例子中，这可能包括那些几十年来松树分布基本保持稳定的区域。这些数据同样包括气候、土壤、地形等特征，但重要的是这些区域的物种分布没有发生显著变化。计算机系统获取这些模板后，进行进一步的处理和分析，以提取出对训练推理网络有用的特征。例如，可能会计算出每个区域的植被指数、地形粗糙度等，并将这些数据以特征向量的形式表示出来。这些特征向量将作为后续机器学习模型的输入，用于训练和优化推理网络。

[0035] 步骤S120：如果所述演变分布知识模板符合模板迭代要求，基于稀疏抽取机制确定所述演变分布知识模板的稀疏抽取变量，并依据所述稀疏抽取变量对所述消极知识模板进行稀疏抽取，基于稀疏抽取后的消极知识模板和所述积极知识模板得到迭代后的演变分布知识模板。

[0036] 模板迭代要求可以基于实际情况进行适应性配置，例如基于演变分布知识模板中积极知识模板和消极知识模板各自的数量进行决定，在积极知识模板和消极知识模板的知识模板数量类型产生长尾效应时，可以确定符合模板迭代要求。实际应用中，积极知识模板和消极知识模板的知识模板数量是否产生长尾效应，可以基于积极知识模板和消极知识模板各自数量的比例进行分析，例如，消极知识模板的比例大于预设比例阈值即可确定积极知识模板和消极知识模板的知识模板数量产生长尾效应。稀疏抽取机制即对演变分布知识模板确定稀疏抽取变量的方式，在本申请实施例中，列举了四种机制，分别是独立稀疏抽取机制、层次稀疏抽取机制、无差别稀疏抽取机制或者组合稀疏抽取机制，可以选取其中一种或多种进行，基于不同的稀疏抽取机制中的稀疏抽取机制可以得到不同的稀疏抽取变量，以对演变分布知识模板进行不同的知识模板迭代处理。

[0037] 稀疏抽取变量是用于对演变分布知识模板中的消极知识模板进行稀疏抽取的参数信息，例如包括消极知识模板需留下的消极知识模板的比例，基于依据消极知识模板比例清理一些消极知识模板，以完成对消极知识模板的稀疏抽取处理。稀疏抽取后的消极知识模板是依据稀疏抽取变量从消极知识模板进行稀疏抽取处理后获得的。迭代后的演变分布知识模板基于稀疏抽取后的消极知识模板和积极知识模板得到，即迭代后的演变分布知识模板是基于对演变分布知识模板中的消极知识模板进行稀疏抽取迭代后获得的，基于对演变分布知识模板中的消极知识模板进行稀疏抽取，可以清理部分消极知识模板，以调节积极知识模板和消极知识模板各自的知识模板数量，令积极知识模板和消极知识模板的知识模板类别是协调的，这样可以帮助提高网络训练质量。

[0038] 在实际应用中，计算机系统可以基于模板迭代要求对演变分布知识模板进行判断，确定演变分布知识模板是否需要进行知识模板迭代理，例如，计算机系统可以分别确定演变分布知识模板中积极知识模板和消极知识模板各自的知识模板数量，以及确定积极知识模板的数量比例和消极知识模板的数量比例，在消极知识模板的数量比例大于模板迭代要求中的比例阈值的情况下，确定演变分布知识模板符合模板迭代要求，需要进行知识模板迭代。或者，计算机系统还可以依据演变分布知识模板进行预训练，依据预训练的结果判断是否符合模板迭代要求，如预训练获得的网络推理的准确性小于设定的准确性，则确定演变分布知识模板符合模板迭代要求。

[0039] 对演变分布知识模板进行知识模板迭代处理的过程中，计算机系统获取稀疏抽取机制，并依据稀疏抽取机制确定演变分布知识模板的稀疏抽取变量。例如，对不同的演变分布知识模板、生境区域或网络训练目标，可以基于不同的稀疏抽取机制，稀疏抽取机制例如包括独立稀疏抽取机制、层次稀疏抽取机制、无差别稀疏抽取机制或组合稀疏抽取机制中的一种或多种。其中，独立稀疏抽取机制和层次稀疏抽取机制对演变分布知识模板中产生过往生境演变情况和未产生过往生境演变情况的知识模板分别确定各自的稀疏抽取变量，无差别稀疏抽取机制直接对演变分布知识模板确定稀疏抽取变量，组合稀疏抽取机制对演变分布知识模板中产生过往生境演变情况和未产生过往生境演变情况的知识模板确定稀疏抽取变量二元组，以基于稀疏抽取变量二元组的约束对进行知识模板迭代处理。在确定演变分布知识模板的稀疏抽取变量时，计算机系统可以基于积极知识模板和消极知识模板的分布情况获取多个不同的待定变量，以及依据各个待定变量进行评估，在多个不同的待定变量中得到需要的稀疏抽取变量，例如，基于交叉验证对各待定变量分别进行验证，基于验证结果确定演变分布知识模板的稀疏抽取变量。针对演变分布知识模板中的消极知识模板，计算机系统基于确定的稀疏抽取变量对进行稀疏抽取处理，例如，计算机系统依据稀疏抽取变量从消极知识模板中清理一些模板，从容降低消极知识模板的知识模板的数量，获得稀疏抽取后的消极知识模板。计算机系统基于稀疏抽取后的消极知识模板和演变分布知识模板中的积极知识模板融合获得迭代后的演变分布知识模板，以完成对演变分布知识模板的知识模板迭代。迭代后的演变分布知识模板中，基于对消极知识模板进行稀疏抽取降低了消极知识模板的知识模板数量，如此平衡积极知识模板和消极知识模板之间的知识模板种类的数量。

[0040] 步骤S130：依据所述迭代后的演变分布知识模板优化获得生境演变物种分布推理网络。

[0041] 生境演变物种分布推理网络依据迭代后的演变分布知识模板优化获得，用于推理生态环境的物种对生境演变情况发生的分布信息。作为一种实施方式，计算机系统可以基于迭代后的演变分布知识模板进行网络训练，例如依据任意可行的网络训练算法，例如：依据支持向量机、逻辑回归、随机森林、朴素贝叶斯、卷积神经网络、循环神经网络或转换器网络（Transformer）等网络训练算法，训练获得生境演变物种分布推理网络。生境演变物种分布推理网络可以对输入的物种分布信息进行推理，输出目标生态区域的物种对生境演变情况发生的分布信息，例如，推理生态环境的物种1对生境演变情况1在产生和未产生时所发生分布信息的区别。例如，计算机系统依据迭代后的演变分布知识模板各自训练两个推理神经网络，分别用于推理生态环境的物种对生境演变情况在产生和未产生时各自发生的分布信息，将两个推理神经网络进行组合，获得生境演变物种分布推理网络，以推理生态环境的物种对生境演变情况在产生和未产生时发生分布信息的区别。

[0042] 步骤S140：对所述生境演变物种分布推理网络的推理输出进行调试，获得调试好的生境演变物种分布推理网络；所述调试好的生境演变物种分布推理网络，用于推理生态环境的物种对生境演变情况发生的分布信息。

[0043] 生境演变物种分布推理网络的推理输出例如包括目标生态区域的物种对生境演变情况发生的分布信息（例如分布的生物量），生境演变物种分布推理网络是依据迭代后的演变分布知识模板优化获得的，致使生境演变物种分布推理网络的推理输出发生偏差，降低推理输出的精度。举例而言，计算机系统对生境演变物种分布推理网络的推理输出进行调试，可以依据确定的调试关联关系将生境演变物种分布推理网络的推理输出进行修正，获得调试后的生境演变物种分布推理网络。调试后的生境演变物种分布推理网络可以推理生态环境的物种对生境演变情况发生的分布信息，具体可以推理生态环境的物种对生境演变情况在产生和未产生时发生分布信息的区别。

[0044] 举例而言，有一个演变分布知识模板A，其中包括消极知识模板A1和积极知识模板A2，消极知识模板A1是生态区域知识模板对过往生境演变情况发生目标种类分布的知识模板，积极知识模板A2是生态区域知识模板对所述过往生境演变情况未发生所述目标种类分布的知识模板，在演变分布知识模板A中消极知识模板A1数量占比较大，占比90%，积极知识模板A2占比10%，此时积极‑消极知识模板间产生长尾效应，确定演变分布知识模板A符合模板迭代要求，计算机系统依据基于稀疏抽取机制确定的稀疏抽取变量对消极知识模板A1进行稀疏抽取，获得迭代后的演变分布知识模板B，迭代后的演变分布知识模板B中积极‑消极知识模板的数量都占比50%。计算机系统依据迭代后的演变分布知识模板B优化获得生境演变物种分布推理网络，以及对推理输出进行调试，获得用于推理生态环境的物种对生境演变情况发生的分布信息的调试后的生境演变物种分布推理网络。

[0045] 以上生境演变物种分布推理网络的训练过程，对于演变分布知识模板中生态区域知识模板对过往生境演变情况未发生目标种类分布的消极知识模板，在符合模板迭代要求时，依据基于稀疏抽取机制确定的稀疏抽取变量对消极知识模板进行稀疏抽取，基于稀疏抽取后的消极知识模板和演变分布知识模板中生态区域知识模板对过往生境演变情况发生目标种类分布的积极知识模板，获得迭代后的演变分布知识模板，依据迭代后的演变分布知识模板优化获得生境演变物种分布推理网络，并对生境演变物种分布推理网络的推理输出进行调试，获得用于推理生态环境的物种对生境演变情况发生的分布信息的调试后的生境演变物种分布推理网络。依据基于稀疏抽取机制确定的稀疏抽取变量对消极知识模板进行稀疏抽取，得到知识模板类型均衡的迭代后的演变分布知识模板，以及对依据迭代后的演变分布知识模板优化获得的生境演变物种分布推理网络的推理输出进行调试，增加调试后的生境演变物种分布推理网络的推理精度。

[0046] 作为一种实施方式，基于稀疏抽取机制确定演变分布知识模板的稀疏抽取变量，以及依据稀疏抽取变量对消极知识模板进行稀疏抽取，基于稀疏抽取后的消极知识模板和积极知识模板得到迭代后的演变分布知识模板，包括：步骤S121，在演变分布知识模板中确定第一演变分布知识模板和第二演变分布知识模板。

[0047] 第一演变分布知识模板是演变分布知识模板中生态区域知识模板对过往生境演变情况未产生时相应的知识模板，也就是第一演变分布知识模板中的分布信息是在未产生过往生境演变情况的背景下发生的，基于发生分布信息的类别可以进行积极‑消极知识模板的区分，获得第一积极知识模板和第一消极知识模板。其中，第一积极知识模板是生态区域知识模板在未产生过往生境演变情况的背景下发生目标种类分布的知识模板，第一消极知识模板是生态区域知识模板在未产生过往生境演变情况的背景下未发生目标种类分布的知识模板。

[0048] 举例而言，对于演变分布知识模板，计算机系统可以基于过往生境演变情况是否产生进行区分，以在演变分布知识模板中确定第一演变分布知识模板，第一演变分布知识模板是在未产生过往生境演变情况的背景下的知识模板，即第一演变分布知识模板中的第一积极知识模板和第一消极知识模板都是在未产生过往生境演变情况的背景下获得的。生境演变情况例如是气候变化。

[0049] 第二演变分布知识模板是演变分布知识模板中生态区域知识模板对过往生境演变情况产生时相应的知识模板，也就是第二演变分布知识模板中的分布信息是在产生了过往生境演变情况的背景下发生的，基于发生分布信息的类别进行积极‑消极知识模板的区分，获得第二积极知识模板和第二消极知识模板。其中，第二积极知识模板是生态区域知识模板在产生过往生境演变情况的背景下发生目标种类分布的知识模板，第二消极知识模板是生态区域知识模板在产生过往生境演变情况的背景下未发生目标种类分布的知识模板。

[0050] 例如，对于演变分布知识模板，计算机系统可以基于过往生境演变情况是否产生的背景进行区分，以在演变分布知识模板中确定第二演变分布知识模板，第二演变分布知识模板是在产生了过往生境演变情况的背景下的知识模板，也就是第二演变分布知识模板中的第二积极知识模板和第二消极知识模板都是在产生过往生境演变情况的背景下获得的。

[0051] 步骤S122，基于稀疏抽取机制确定第一演变分布知识模板对应的第一稀疏抽取变量，基于稀疏抽取机制确定第二演变分布知识模板对应的第二稀疏抽取变量。

[0052] 第一稀疏抽取变量是基于稀疏抽取机制对第一演变分布知识模板确定的稀疏抽取变量，用于对第一演变分布知识模板中的第一消极知识模板进行稀疏抽取处理。作为一种实施方式，计算机系统获取稀疏抽取机制，以及依据稀疏抽取机制中的稀疏抽取机制对第一演变分布知识模板确定第一稀疏抽取变量。第二稀疏抽取变量是基于稀疏抽取机制对第二演变分布知识模板确定的稀疏抽取变量，用于对第二演变分布知识模板中的第二消极知识模板进行稀疏抽取处理。例如，计算机系统可以获取稀疏抽取机制，以及依据稀疏抽取机制中的稀疏抽取机制对第二演变分布知识模板确定第二稀疏抽取变量。

[0053] 步骤S123，基于第一稀疏抽取变量对第一演变分布知识模板进行迭代，获得迭代后的第一演变分布知识模板，以及基于第二稀疏抽取变量对第二演变分布知识模板进行迭代，获得迭代后的第二演变分布知识模板。

[0054] 迭代后的第一演变分布知识模板是对第一演变分布知识模板进行迭代获得的，例如基于第一稀疏抽取变量对第一演变分布知识模板中的消极知识模板进行稀疏抽取处理后获得的。迭代后的第二演变分布知识模板是对第二演变分布知识模板进行迭代获得的，例如是基于第二稀疏抽取变量对第二演变分布知识模板中的消极知识模板进行稀疏抽取处理后获得的。

[0055] 例如，计算机系统可以基于第一稀疏抽取变量对第一演变分布知识模板进行迭代，例如依据第一稀疏抽取变量对第一演变分布知识模板中的第一消极知识模板进行稀疏抽取，以将第一消极知识模板中的一些数据清理，获得稀疏抽取后的第一消极知识模板。计算机系统基于稀疏抽取后的第一消极知识模板和第一演变分布知识模板中的第一积极知识模板融合获得迭代后的第一演变分布知识模板，以完成对第一演变分布知识模板的知识模板迭代处理，以对第一演变分布知识模板中积极‑消极知识模板失衡的情况进行控制。计算机系统可以基于第二稀疏抽取变量对第二演变分布知识模板进行迭代，例如依据第二稀疏抽取变量对第二演变分布知识模板中的第二消极知识模板进行稀疏抽取，以将第二消极知识模板中的一些数据清理，获得稀疏抽取后的第二消极知识模板。计算机系统基于稀疏抽取后的第二消极知识模板和第二演变分布知识模板中的第二积极知识模板融合获得迭代后的第二演变分布知识模板，以完成对第二演变分布知识模板的知识模板迭代处理，以对第二演变分布知识模板中积极‑消极知识模板失衡的情况进行控制。

[0056] 步骤S124，基于迭代后的第一演变分布知识模板和迭代后的第二演变分布知识模板，获得迭代后的演变分布知识模板。

[0057] 举例而言，计算机系统可以将迭代后的第一演变分布知识模板和迭代后的第二演变分布知识模板组合，获得迭代后的演变分布知识模板，基于迭代后的演变分布知识模板可以优化获得生境演变物种分布推理网络。

[0058] 作为一个详细示例，设演变分布知识模板C可以区分成第一演变分布知识模板C1和第二演变分布知识模板C2，第一演变分布知识模板C1包括第一积极知识模板C11和第一消极知识模板C12，第二演变分布知识模板C2包括第二积极知识模板C21和第二消极知识模板C22。例如，对于第一演变分布知识模板C1和第二演变分布知识模板C2，分别确定对应的稀疏抽取变量，例如，对第一演变分布知识模板C1确定第一稀疏抽取变量，对第二演变分布知识模板C2确定第二稀疏抽取变量，依据各自的稀疏抽取变量分别进行稀疏抽取处理，获得迭代后的第一演变分布知识模板C3和迭代后的第二演变分布知识模板C4，基于迭代后的第一演变分布知识模板C3和迭代后的第二演变分布知识模板C4可以融合获得迭代后的演变分布知识模板C5。

[0059] 本申请实施例，计算机系统将演变分布知识模板区分成第一演变分布知识模板和第二演变分布知识模板，基于对第一演变分布知识模板和第二演变分布知识模板分别依据稀疏抽取机制确定的稀疏抽取变量进行稀疏抽取处理，能对第一演变分布知识模板和第二演变分布知识模板分别进行模板类型数量均衡化处理，能保证迭代后的演变分布知识模板的可靠性，以依据迭代后的演变分布知识模板能优化获得推理可靠性更高的生境演变物种分布推理网络。

[0060] 作为一种实施方式，第一演变分布知识模板中包括第一积极知识模板和第一消极知识模板；第二演变分布知识模板中包括第二积极知识模板和第二消极知识模板；稀疏抽取机制包括独立稀疏抽取机制；基于稀疏抽取机制确定第一稀疏抽取变量，包括：基于独立稀疏抽取机制，依据第一积极知识模板和第一消极知识模板确定第一演变分布知识模板对应的第一积极知识模板变化参数；基于第一积极知识模板变化参数和第一积极知识模板的知识模板分布比例得到第一稀疏抽取变量。

[0061] 第一积极知识模板是生态区域知识模板在未产生过往生境演变情况的背景下发生目标种类分布的知识模板，第一消极知识模板是生态区域知识模板在未产生过往生境演变情况的背景下未发生目标种类分布的知识模板。第二积极知识模板是生态区域知识模板在产生过往生境演变情况的背景下发生目标种类分布的知识模板，第二消极知识模板是生态区域知识模板在产生过往生境演变情况的背景下未发生目标种类分布的知识模板。

[0062] 独立稀疏抽取机制即对第一演变分布知识模板和第二演变分布知识模板各自单独确定稀疏抽取变量的方式，积极知识模板变化参数表示对演变分布知识模板进行稀疏抽取处理前和处理后积极知识模板的数量变化，例如是稀疏抽取处理前和处理后积极知识模板数量比例的变化，针对第一演变分布知识模板，第一积极知识模板变化参数表示对第一演变分布知识模板进行稀疏抽取处理前和处理后第一积极知识模板的数量变化。第一稀疏抽取变量表示对第一演变分布知识模板中的第一消极知识模板进行稀疏抽取处理时需要留下的第一消极知识模板比例。第一稀疏抽取变量可以依据第一积极知识模板变化参数和第一积极知识模板的知识模板分布比例进行确定，第一积极知识模板的知识模板分布比例例如包括在第一演变分布知识模板中第一积极知识模板的数量比例。

[0063] 举例而言，在稀疏抽取机制包括独立稀疏抽取机制时，计算机系统依据独立稀疏抽取机制，对第一演变分布知识模板独自进行稀疏抽取变量确定，例如，计算机系统依据第一积极知识模板和第一消极知识模板确定第一积极知识模板变化参数。第一积极知识模板变化参数可以依据第一积极知识模板和第一消极知识模板基于交叉验证得到，例如，计算机系统依据第一积极知识模板和第一消极知识模板各自的知识模板数量，设置多个待定变化参数，计算机系统依据交叉验证对多个待定变化参数进行分析，基于分析结果在多个待定变化参数中确定第一积极知识模板变化参数。计算机系统确定第一积极知识模板的知识模板分布比例，例如包括第一积极知识模板的知识模板数量比例，计算机系统基于第一积极知识模板变化参数和第一积极知识模板的知识模板分布比例获取第一演变分布知识模板对应的第一稀疏抽取变量。

[0064] 此外，基于稀疏抽取机制确定第二演变分布知识模板对应的第二稀疏抽取变量，包括：基于独立稀疏抽取机制，依据第二积极知识模板和第二消极知识模板确定第二积极知识模板变化参数；基于第二积极知识模板变化参数和第二积极知识模板的知识模板分布比例得到第二演变分布知识模板对应的第二稀疏抽取变量。

[0065] 针对第二演变分布知识模板，第二积极知识模板变化参数表示对第二演变分布知识模板进行稀疏抽取处理前和处理后第二积极知识模板的数量变化。第二稀疏抽取变量表示对第二演变分布知识模板中的第二消极知识模板进行稀疏抽取处理时需要留下的第二消极知识模板比例。第二稀疏抽取变量依据第二积极知识模板变化参数和第二积极知识模板的知识模板分布比例进行确定，第二积极知识模板的知识模板分布比例例如包括在第二演变分布知识模板中第二积极知识模板的数量比例。例如，在稀疏抽取机制包括独立稀疏抽取机制时，计算机系统依据独立稀疏抽取机制，对第二演变分布知识模板独自进行稀疏抽取变量确定，例如，计算机系统依据第二积极知识模板和第二消极知识模板确定第二积极知识模板变化参数。第二积极知识模板变化参数依据第二积极知识模板和第二消极知识模板基于交叉验证得到，例如，计算机系统依据第二积极知识模板和第二消极知识模板各自的知识模板数量，设置多个待定变化参数，计算机系统依据交叉验证对多个待定变化参数进行分析，基于分析结果在多个待定变化参数中确定第二积极知识模板变化参数。计算机系统确定第二积极知识模板的知识模板分布比例，例如包括第二积极知识模板的知识模板数量比例，计算机系统基于第二积极知识模板变化参数和第二积极知识模板的知识模板分布比例确定第二演变分布知识模板对应的第二稀疏抽取变量。

[0066] 作为一个详细示例，在稀疏抽取机制包括独立稀疏抽取机制时，对第一演变分布知识模板C1和第二演变分布知识模板C2分别进行稀疏抽取变量确定处理，具体对第一演变分布知识模板C1确定第一积极知识模板变化参数和第一积极知识模板的知识模板分布比例，以及基于第一积极知识模板变化参数和第一积极知识模板的知识模板分布比例得到第一稀疏抽取变量；对于第二演变分布知识模板C2，确定第二积极知识模板变化参数和第二积极知识模板的知识模板分布比例，同时基于第二积极知识模板变化参数和第二积极知识模板的知识模板分布比例得到第二稀疏抽取变量。

[0067] 本申请实施例，计算机系统依据独立稀疏抽取机制，对第一演变分布知识模板和第二演变分布知识模板各自单独进行稀疏抽取变量确定，例如包括单独确定积极知识模板变化参数后，再确定分别的稀疏抽取变量，对第一演变分布知识模板和第二演变分布知识模板分别进行模板类型数量均衡化处理，可以保证迭代后的演变分布知识模板的可靠性，以依据迭代后的演变分布知识模板可以优化获得推理可靠性更高的生境演变物种分布推理网络。

[0068] 作为一种实施方式，第一演变分布知识模板中包括第一积极知识模板和第一消极知识模板；第二演变分布知识模板中包括第二积极知识模板和第二消极知识模板；稀疏抽取机制包括层次稀疏抽取机制；本申请实施例提供的方法还包括：依据积极知识模板和消极知识模板确定积极知识模板变化参数。

[0069] 层次稀疏抽取机制即对第一演变分布知识模板和第二演变分布知识模板一并确定积极知识模板变化参数，以及再各自单独确定各自稀疏抽取变量的方式。积极知识模板变化参数表示对演变分布知识模板进行稀疏抽取处理前和处理后积极知识模板的数量变化，例如是稀疏抽取处理前和处理后积极知识模板数量比例的变化。举例而言，在稀疏抽取机制包括层次稀疏抽取机制的过程中，计算机系统对第一演变分布知识模板和第二演变分布知识模板一并确定积极知识模板变化参数，例如，计算机系统依据演变分布知识模板中的积极知识模板和消极知识模板确定积极知识模板变化参数。积极知识模板变化参数可以依据积极知识模板和消极知识模板基于交叉验证得到，例如，计算机系统依据积极知识模板和消极知识模板各自的知识模板数量，设置多个待定变化参数，计算机系统依据交叉验证对多个待定变化参数进行分析，基于分析结果在多个待定变化参数中确定积极知识模板变化参数。

[0070] 此外，基于稀疏抽取机制确定第一演变分布知识模板对应的第一稀疏抽取变量，包括：依据层次稀疏抽取机制，基于积极知识模板变化参数和第一积极知识模板的知识模板分布比例得到第一演变分布知识模板对应的第一稀疏抽取变量。

[0071] 第一稀疏抽取变量表示对第一演变分布知识模板中的第一消极知识模板进行稀疏抽取处理时需要留下的第一消极知识模板比例。第一稀疏抽取变量可以依据积极知识模板变化参数和第一积极知识模板的知识模板分布比例进行确定。例如，在稀疏抽取机制包括层次稀疏抽取机制时，计算机系统依据独立稀疏抽取机制，依据一并确定的积极知识模板变化参数和第一积极知识模板的知识模板分布比例获取第一演变分布知识模板对应的第一稀疏抽取变量。第一积极知识模板的知识模板分布比例例如包括第一积极知识模板的知识模板数量比例。

[0072] 此外，基于稀疏抽取机制确定第二演变分布知识模板对应的第二稀疏抽取变量，包括：依据层次稀疏抽取机制，基于积极知识模板变化参数和第二积极知识模板的知识模板分布比例得到第二演变分布知识模板对应的第二稀疏抽取变量。

[0073] 第二稀疏抽取变量表征对第二演变分布知识模板中的第二消极知识模板进行稀疏抽取处理时需要留下的第二消极知识模板比例。第二稀疏抽取变量可以依据积极知识模板变化参数和第二积极知识模板的知识模板分布比例计算得到。作为一种实施方式，在稀疏抽取机制包括层次稀疏抽取机制时，计算机系统依据独立稀疏抽取机制，依据一并确定的积极知识模板变化参数和第二积极知识模板的知识模板分布比例确定第二演变分布知识模板对应的第二稀疏抽取变量。第二积极知识模板的知识模板分布比例例如包括第二积极知识模板的知识模板数量比例。

[0074] 作为一个详细示例，稀疏抽取机制包括层次稀疏抽取机制的过程中，针对演变分布知识模板C一并确定积极知识模板变化参数，在将演变分布知识模板C区分为第一演变分布知识模板C1和第二演变分布知识模板C2后，对第一演变分布知识模板C1确定第一积极知识模板的知识模板分布比例，以及结合积极知识模板变化参数得到第一稀疏抽取变量，针对第二演变分布知识模板C2，对确定第二积极知识模板的知识模板分布比例，以及结合积极知识模板变化参数得到第二稀疏抽取变量。

[0075] 本申请实施例，计算机系统依据演变分布知识模板中的积极知识模板和消极知识模板一并确定积极知识模板变化参数，以及依据层次稀疏抽取机制，基于一并确定的积极知识模板变化参数对第一演变分布知识模板和第二演变分布知识模板各自单独进行稀疏抽取变量确定，能把对第一演变分布知识模板和第二演变分布知识模板分别进行模板类型数量均衡化的处理过程精简，在保证迭代后的演变分布知识模板的可靠性的同时，增加生境演变物种分布推理网络的推理速度。

[0076] 作为一种实施方式，稀疏抽取机制包括无差别稀疏抽取机制；基于稀疏抽取机制确定演变分布知识模板的稀疏抽取变量，以及依据稀疏抽取变量对消极知识模板进行稀疏抽取，基于稀疏抽取后的消极知识模板和积极知识模板得到迭代后的演变分布知识模板，包括：基于无差别稀疏抽取机制，依据积极知识模板和消极知识模板确定积极知识模板变化参数；基于积极知识模板变化参数和积极知识模板的知识模板分布比例得到稀疏抽取变量；依据稀疏抽取变量从消极知识模板中清理选择的消极知识模板，获得稀疏抽取后的消极知识模板；将稀疏抽取后的消极知识模板和积极知识模板融合获得迭代后的演变分布知识模板。

[0077] 无差别稀疏抽取机制即不对第一演变分布知识模板和第二演变分布知识模板进行区别对待，采用直接对所有的演变分布知识模板一并确定稀疏抽取变量的方式。稀疏抽取变量表示对演变分布知识模板中的消极知识模板进行稀疏抽取处理时需要留下的消极知识模板比例。稀疏抽取变量可以依据积极知识模板变化参数和积极知识模板的知识模板分布比例进行确定，积极知识模板的知识模板分布比例例如包括在演变分布知识模板中积极知识模板的数量比例。

[0078] 举例而言，在稀疏抽取机制包括无差别稀疏抽取机制时，计算机系统直接依据无差别稀疏抽取机制，依据演变分布知识模板中的积极知识模板和消极知识模板确定积极知识模板变化参数。积极知识模板变化参数可以依据积极知识模板和消极知识模板基于交叉验证得到。计算机系统确定积极知识模板的知识模板分布比例，例如包括积极知识模板的知识模板数量比例，计算机系统基于积极知识模板变化参数和积极知识模板的知识模板分布比例确定得到稀疏抽取变量。计算机系统依据稀疏抽取变量在消极知识模板中清理选择的消极知识模板，也就是依据稀疏抽取变量在消极知识模板中清理一些数据，获得稀疏抽取后的消极知识模板，计算机系统将稀疏抽取后的消极知识模板和积极知识模板融合获得迭代后的演变分布知识模板。

[0079] 作为一个详细示例，稀疏抽取机制包括无差别稀疏抽取机制时，针对演变分布知识模板C能全局直接确定积极知识模板变化参数，以及结合积极知识模板的知识模板分布比例得到稀疏抽取变量，基于获得的稀疏抽取变量对演变分布知识模板C中的消极知识模板进行稀疏抽取处理，从而获得迭代后的演变分布知识模板。

[0080] 本申请实施例，计算机系统直接依据演变分布知识模板中的积极知识模板和消极知识模板一并确定积极知识模板变化参数，以及依据无差别稀疏抽取机制，基于一并确定的积极知识模板变化参数再确定稀疏抽取变量，依据稀疏抽取变量将从消极知识模板中清理选择的消极知识模板，将稀疏抽取后的消极知识模板和积极知识模板融合获得迭代后的演变分布知识模板，可以将对演变分布知识模板的稀疏抽取处理过程精简，便于提升生境演变物种分布推理网络的推理速度。

[0081] 作为一种实施方式，稀疏抽取机制包括组合稀疏抽取机制；基于稀疏抽取机制确定演变分布知识模板的稀疏抽取变量，以及依据稀疏抽取变量对消极知识模板进行稀疏抽取，基于稀疏抽取后的消极知识模板和积极知识模板得到迭代后的演变分布知识模板，具体可以包括：在演变分布知识模板中确定第一演变分布知识模板和第二演变分布知识模板；基于组合稀疏抽取机制确定稀疏抽取变量二元组；稀疏抽取变量二元组中包括第一稀疏抽取变量和第二稀疏抽取变量；基于第一稀疏抽取变量对第一演变分布知识模板进行迭代，获得迭代后的第一演变分布知识模板，以及基于第二稀疏抽取变量对第二演变分布知识模板进行迭代，获得迭代后的第二演变分布知识模板；基于迭代后的第一演变分布知识模板和迭代后的第二演变分布知识模板，获得迭代后的演变分布知识模板。

[0082] 组合稀疏抽取机制即对第一演变分布知识模板和第二演变分布知识模板各自的稀疏抽取变量依据组合的方式进行限制的机制。第一演变分布知识模板为演变分布知识模板中生态区域知识模板对过往生境演变情况未产生时相应的知识模板，第二演变分布知识模板是演变分布知识模板中生态区域知识模板对过往生境演变情况产生时相应的知识模板。稀疏抽取变量二元组中包括第一稀疏抽取变量和第二稀疏抽取变量，第一稀疏抽取变量用于对第一演变分布知识模板中的第一消极知识模板进行稀疏抽取，第二稀疏抽取变量用于对第二演变分布知识模板中的第二消极知识模板进行稀疏抽取。

[0083] 举例而言，在稀疏抽取机制包括组合稀疏抽取机制时，代表需对第一演变分布知识模板和第二演变分布知识模板分别选择各自的稀疏抽取变量，以及将各自的稀疏抽取变量依据组合的方式进行限制确定。例如，计算机系统基于组合稀疏抽取机制，对第一演变分布知识模板和第二演变分布知识模板生成多种不同的稀疏抽取变量二元组，每种稀疏抽取变量二元组可以包括第一稀疏抽取变量和第二稀疏抽取变量。计算机系统基于第一稀疏抽取变量对第一演变分布知识模板进行迭代，以及基于第二稀疏抽取变量对第二演变分布知识模板进行迭代，从而获得迭代后的第一演变分布知识模板和迭代后的第二演变分布知识模板。在应用过程中，计算机系统可以基于稀疏抽取变量二元组中的第一稀疏抽取变量对第一演变分布知识模板中的第一消极知识模板进行稀疏抽取，从而将第一消极知识模板中的一些数据清理，获得稀疏抽取后的第一消极知识模板，以及基于稀疏抽取后的第一消极知识模板和第一演变分布知识模板中的第一积极知识模板融合获得迭代后的第一演变分布知识模板。计算机系统基于稀疏抽取变量二元组中的第二稀疏抽取变量对第二演变分布知识模板中的第二消极知识模板进行稀疏抽取，从而将第二消极知识模板中的一些数据清理，获得稀疏抽取后的第二消极知识模板，以及基于稀疏抽取后的第二消极知识模板和第二演变分布知识模板中的第二积极知识模板融合获得迭代后的第二演变分布知识模板。计算机系统将迭代后的第一演变分布知识模板和迭代后的第二演变分布知识模板组合，获得迭代后的演变分布知识模板，基于迭代后的演变分布知识模板可以优化获得生境演变物种分布推理网络。

[0084] 本申请实施例，计算机系统依据是否产生过往生境演变情况将演变分布知识模板区分成第一演变分布知识模板和第二演变分布知识模板，基于对第一演变分布知识模板和第二演变分布知识模板一起确定稀疏抽取变量二元组，以基于稀疏抽取变量二元组中的第一稀疏抽取变量和第二稀疏抽取变量，对第一演变分布知识模板和第二演变分布知识模板分别进行模板类型数量均衡化处理，能保证迭代后的演变分布知识模板的可靠性，以依据迭代后的演变分布知识模板可以优化获得推理可靠性更高的生境演变物种分布推理网络。

[0085] 作为一种实施方式，第一演变分布知识模板包括第一积极知识模板和第一消极知识模板；第二演变分布知识模板中包括第二积极知识模板和第二消极知识模板；基于组合稀疏抽取机制确定稀疏抽取变量二元组，包括：基于组合稀疏抽取机制，依据第一积极知识模板和第一消极知识模板确定一个或多个第一待定变化参数；基于组合稀疏抽取机制，依据第二积极知识模板和第二消极知识模板确定一个或多个第二待定变化参数，依据一个或多个第一待定变化参数和一个或多个第二待定变化参数生成变化参数二元组；变化参数二元组中包括第一积极知识模板变化参数和第二积极知识模板变化参数，第一积极知识模板变化参数属于一个或多个第一待定变化参数，第二积极知识模板变化参数属于一个或多个第二待定变化参数；基于第一积极知识模板变化参数和第一积极知识模板的知识模板分布比例得到第一稀疏抽取变量，基于第二积极知识模板变化参数和第二积极知识模板的知识模板分布比例得到第二稀疏抽取变量；基于第一稀疏抽取变量和第二稀疏抽取变量得到稀疏抽取变量二元组。

[0086] 待定变化参数是依据积极知识模板和消极知识模板确定的积极知识模板变化参数，表示对演变分布知识模板进行稀疏抽取处理前和处理后积极知识模板的数量变化，例如是稀疏抽取处理前和处理后积极知识模板数量比例的变化；第一待定变化参数依据第一积极知识模板和第一消极知识模板确定得到，第二待定变化参数依据第二积极知识模板和第二消极知识模板确定得到。变化参数二元组包括源于一个或多个第一待定变化参数的第一积极知识模板变化参数，以及源于一个或多个第二待定变化参数的第二积极知识模板变化参数。稀疏抽取变量表示对演变分布知识模板中的消极知识模板进行稀疏抽取处理的过程中需要留下的消极知识模板比例。稀疏抽取变量可以依据积极知识模板变化参数和积极知识模板的知识模板分布比例进行确定，积极知识模板的知识模板分布比例例如包括在演变分布知识模板中积极知识模板的数量比例。

[0087] 例如，在确定稀疏抽取变量二元组时，计算机系统可以基于组合疏抽取机制独立对第一演变分布知识模板中的第一积极知识模板和第一消极知识模板确定一个或多个第一待定变化参数。例如，计算机系统依据第一积极知识模板和第一消极知识模板各自的知识模板数量，设置一个或多个第一待定变化参数。同理，针对第二演变分布知识模板，计算机系统可以基于组合疏抽取机制单独对第二演变分布知识模板中的第二积极知识模板和第二消极知识模板确定一个或多个第二待定变化参数。计算机系统可以依据一个或多个第一待定变化参数和一个或多个第二待定变化参数生成变化参数二元组，令变化参数二元组包括源于一个或多个第一待定变化参数的第一积极知识模板变化参数和源于一个或多个第二待定变化参数的第二积极知识模板变化参数。例如，计算机系统可以分别从一个或多个第一待定变化参数和一个或多个第二待定变化参数提取一个待定变化参数完成组合，生成一个或多个待定变化参数二元组。计算机系统对一个或多个待定变化参数二元组进行验证，例如，依据交叉验证对各个待定变化参数二元组进行分析，依据分析结果得到需要的变化参数二元组，得到的变化参数二元组包括需要的第一积极知识模板变化参数和第二积极知识模板变化参数。

[0088] 计算机系统确定第一积极知识模板的知识模板分布比例，例如包括第一积极知识模板的知识模板数量比例，计算机系统基于第一积极知识模板变化参数和第一积极知识模板的知识模板分布比例确定第一稀疏抽取变量。同理，计算机系统确定第二积极知识模板的知识模板分布比例，例如包括第二积极知识模板的知识模板数量比例，计算机系统基于第二积极知识模板变化参数和第二积极知识模板的知识模板分布比例确定第二稀疏抽取变量，计算机系统将第一稀疏抽取变量和第二稀疏抽取变量进行组合，获得稀疏抽取变量二元组。

[0089] 本申请实施例，计算机系统基于组合稀疏抽取机制，依据第一演变分布知识模板和第二演变分布知识模板分别确定第一待定变化参数和第二待定变化参数，以及依据第一待定变化参数和第二待定变化参数生成变化参数二元组，基于变化参数二元组中的第一积极知识模板变化参数和第二积极知识模板变化参数，再分别确定对应的第一稀疏抽取变量和第二稀疏抽取变量，以获得稀疏抽取变量二元组，能基于生成变化参数二元组，对第一演变分布知识模板和第二演变分布知识模板确定稀疏抽取变量二元组以进行模板类型数量均衡化处理，能保证迭代后的演变分布知识模板的可靠性，以依据迭代后的演变分布知识模板可以优化获得推理可靠性更高的生境演变物种分布推理网络。

[0090] 作为一种实施方式，第一演变分布知识模板包括第一积极知识模板和第一消极知识模板；第二演变分布知识模板包括第二积极知识模板和第二消极知识模板；基于第一稀疏抽取变量对第一演变分布知识模板进行迭代，获得迭代后的第一演变分布知识模板，包括：依据第一稀疏抽取变量对第一演变分布知识模板中的第一消极知识模板进行稀疏抽取，基于稀疏抽取后的第一消极知识模板和第一积极知识模板得到迭代后的第一演变分布知识模板。

[0091] 例如，对第一演变分布知识模板，计算机系统依据第一稀疏抽取变量对第一演变分布知识模板中的第一消极知识模板进行稀疏抽取，例如依据第一稀疏抽取变量将第一消极知识模板中的一些数据清理，获得稀疏抽取后的第一消极知识模板。稀疏抽取变量用于对演变分布知识模板中的消极知识模板进行稀疏抽取处理，例如包括消极知识模板中需要留下的消极知识模板比例，基于依据消极知识模板比例清理一些消极知识模板，以完成对消极知识模板的稀疏抽取处理。第一稀疏抽取变量可以代表第一演变分布知识模板的第一消极知识模板中需要留下的消极知识模板比例，也就是依据第一稀疏抽取变量中的消极知识模板比例清理一些分第一消极知识模板，完成对第一消极知识模板的稀疏抽取处理。计算机系统基于稀疏抽取后的第一消极知识模板和第一演变分布知识模板中的第一积极知识模板融合获得迭代后的第一演变分布知识模板。

[0092] 此外，基于第二稀疏抽取变量对第二演变分布知识模板进行迭代，获得迭代后的第二演变分布知识模板，具体包括：依据第二稀疏抽取变量对第二演变分布知识模板中的第二消极知识模板进行稀疏抽取，基于稀疏抽取后的第二消极知识模板和第二积极知识模板得到迭代后的第二演变分布知识模板。

[0093] 举例而言，对第二演变分布知识模板，计算机系统依据第二稀疏抽取变量对第二演变分布知识模板中的第二消极知识模板进行稀疏抽取，例如依据第二稀疏抽取变量将第二消极知识模板中的一些数据清理，获得稀疏抽取后的第二消极知识模板。第二稀疏抽取变量代表第二演变分布知识模板的第二消极知识模板中需要留下的消极知识模板比例，也就是计算机系统可以依据第二稀疏抽取变量中的消极知识模板比例清理一些第二消极知识模板，完成对第二消极知识模板的稀疏抽取处理，计算机系统基于稀疏抽取后的第二消极知识模板和第二演变分布知识模板中的第二积极知识模板融合获得迭代后的第二演变分布知识模板。

[0094] 本申请实施例，计算机系统基于对第一演变分布知识模板和第二演变分布知识模板分别依据各自的稀疏抽取变量进行稀疏抽取处理，对第一演变分布知识模板和第二演变分布知识模板分别进行模板类型数量均衡化处理，能保证迭代后的演变分布知识模板的可靠性，以依据迭代后的演变分布知识模板可以优化获得推理可靠性更高的生境演变物种分布推理网络。

[0095] 作为一种实施方式，对生境演变物种分布推理网络的推理输出进行调试，获得调试后的生境演变物种分布推理网络，具体包括：获得生境演变物种分布推理网络对演变分布知识模板的知识模板推理输出；依据知识模板推理输出和演变分布知识模板的真实分布先验信息，确定对生境演变物种分布推理网络的第一调试关联关系；依据第一调试关联关系对生境演变物种分布推理网络的推理输出进行修正，获得调试后的生境演变物种分布推理网络。

[0096] 知识模板推理输出是基于生境演变物种分布推理网络对演变分布知识模板进行推理获得的推理结果。真实分布先验信息是演变分布知识模板真实的分布信息标记，第一调试关联关系表示生境演变物种分布推理网络的推理输出与真实分布信息之间的关联关系，是一个映射关系，基于第一调试关联关系可以对生境演变物种分布推理网络的推理输出进行调试，完成结果校准。

[0097] 作为一种实施方式，计算机系统可以将演变分布知识模板输入到生境演变物种分布推理网络中进行推理，获得生境演变物种分布推理网络的知识模板推理输出。计算机系统可以获取演变分布知识模板的真实分布先验信息，以及基于知识模板推理输出与真实分布先验信息，依据回归分析，例如依据等比回归分析，得到对生境演变物种分布推理网络的第一调试关联关系。例如，计算机系统可以获取多个演变分布知识模板的知识模板推理输出，以及依据多个知识模板推理输出与对应演变分布知识模板的真实分布先验信息之间的区别，生成第一调试关联关系，从而表示生境演变物种分布推理网络的推理输出与真实分布信息之间的关联关系。计算机系统可以依据第一调试关联关系对生境演变物种分布推理网络的推理输出进行修正，比如，生境演变物种分布推理网络的推理输出为数值时，计算机系统依据第一调试关联关系对数值进行修正，得到调试后的生境演变物种分布推理网络。

[0098] 本申请实施例，计算机系统基于生境演变物种分布推理网络对演变分布知识模板的知识模板推理输出和演变分布知识模板的真实分布先验信息，确定第一调试关联关系，以及依据第一调试关联关系对生境演变物种分布推理网络的推理输出进行修正，能直接依据演变分布知识模板对生境演变物种分布推理网络进行修正，可保证调试后的生境演变物种分布推理网络的推理精度。

[0099] 作为一种实施方式，对生境演变物种分布推理网络的推理输出进行调试，获得调试后的生境演变物种分布推理网络，具体可以包括：依据稀疏抽取变量确定对生境演变物种分布推理网络的第二调试关联关系；依据第二调试关联关系对生境演变物种分布推理网络的推理输出进行修正，获得调试后的生境演变物种分布推理网络。

[0100] 第二调试关联关系依据稀疏抽取变量确定得到，表示生境演变物种分布推理网络的推理输出与真实分布信息之间的关联关系。举例而言，计算机系统可以依据稀疏抽取变量对真实分布信息进行拟合，比如，依据最大似然函数进行计算，获得对生境演变物种分布推理网络的第二调试关联关系。计算机系统依据第二调试关联关系对生境演变物种分布推理网络的推理输出进行修正，以依据稀疏抽取变量对生境演变物种分布推理网络的推理输出完成部分邻域调试，获得调试后的生境演变物种分布推理网络。

[0101] 本申请实施例，计算机系统依据稀疏抽取变量确定对生境演变物种分布推理网络的第二调试关联关系，以及依据第二调试关联关系对生境演变物种分布推理网络的推理输出进行修正，能直接依据稀疏抽取变量对生境演变物种分布推理网络进行修正，可保证调试后的生境演变物种分布推理网络的推理精度。

[0102] 作为一种实施方式，对生境演变物种分布推理网络的推理输出进行调试，获得调试后的生境演变物种分布推理网络，包括：依据积极知识模板变化参数对生境演变物种分布推理网络的推理输出进行修正，获得调试后的生境演变物种分布推理网络。

[0103] 针对依据层次稀疏抽取机制确定的稀疏抽取变量进行稀疏抽取处理优化的生境演变物种分布推理网络，第一演变分布知识模板和第二演变分布知识模板为相同的积极知识模板变化参数，那么可基于积极知识模板变化参数对生境演变物种分布推理网络的推理输出进行调试。例如，在稀疏抽取机制包括层次稀疏抽取机制时，针对优化获得的生境演变物种分布推理网络，计算机系统可以基于积极知识模板变化参数对生境演变物种分布推理网络的推理输出进行修正，例如，计算机系统可以将生境演变物种分布推理网络的推理输出依据积极知识模板变化参数进行线性调节降低，获得调试后的生境演变物种分布推理网络。

[0104] 本申请实施例，针对依据层次稀疏抽取机制确定的稀疏抽取变量进行稀疏抽取处理优化的生境演变物种分布推理网络，计算机系统依据积极知识模板变化参数对生境演变物种分布推理网络的推理输出进行修正，在保证调试后的生境演变物种分布推理网络的推理精度的前提下，对生境演变物种分布推理网络的调试过程进行了简化。

[0105] 作为一种实施方式，依据迭代后的演变分布知识模板优化获得生境演变物种分布推理网络，可以包括：依据迭代后的演变分布知识模板中包括的迭代后的第一演变分布知识模板，优化获得第一推理神经网络；第一推理神经网络用于推理生态环境的物种对生境演变情况未产生时发生的分布信息；迭代后的第一演变分布知识模板为基于对第一演变分布知识模板进行稀疏抽取获得的，第一演变分布知识模板为生态区域知识模板对过往生境演变情况未产生时发生分布信息的知识模板；依据迭代后的演变分布知识模板中包括的迭代后的第二演变分布知识模板，优化获得第二推理神经网络；第二推理神经网络用于推理生态环境的物种对生境演变情况产生时发生的分布信息；迭代后的第二演变分布知识模板为基于对第二演变分布知识模板进行稀疏抽取获得的，第二演变分布知识模板为生态区域知识模板对过往生境演变情况产生时发生分布信息的知识模板；基于第一推理神经网络和第二推理神经网络融合获得生境演变物种分布推理网络。

[0106] 第一推理神经网络依据迭代后的演变分布知识模板中迭代后的第一演变分布知识模板优化获得，第一推理神经网络用于推理生态环境的物种对生境演变情况未产生时发生的分布信息，即第一推理神经网络用于推理在生境演变情况未产生的背景下生态环境的物种发生的分布信息。第二推理神经网络依据迭代后的演变分布知识模板中迭代后的第二演变分布知识模板优化获得，第二推理神经网络用于推理生态环境的物种对生境演变情况产生时发生的分布信息，即第二推理神经网络用于推理在生境演变情况产生的背景下生态环境的物种发生的分布信息。生境演变物种分布推理网络基于第一推理神经网络和第二推理神经网络融合获得，用于推理生态环境的物种对生境演变情况发生的分布信息，例如推理生态环境的物种对生境演变情况在产生和未产生时发生分布信息的区别。

[0107] 举例而言，在迭代后的演变分布知识模板中包括迭代后的第一演变分布知识模板和迭代后的第二演变分布知识模板。其中，迭代后的第一演变分布知识模板基于对第一演变分布知识模板进行稀疏抽取获得，第一演变分布知识模板是生态区域知识模板对过往生境演变情况未产生时发生分布信息的知识模板。迭代后的第二演变分布知识模板基于对第二演变分布知识模板进行稀疏抽取获得，第二演变分布知识模板是生态区域知识模板对过往生境演变情况产生时发生分布信息的知识模板。计算机系统依据迭代后的第一演变分布知识模板优化获得第一推理神经网络，以推理生态环境的物种对生境演变情况未产生时发生的分布信息；计算机系统可以依据迭代后的第二演变分布知识模板优化获得第二推理神经网络，以推理生态环境的物种对生境演变情况产生时发生的分布信息。针对第一推理神经网络和第二推理神经网络，计算机系统分别依据各种网络训练算法优化获得。计算机系统将第一推理神经网络和第二推理神经网络组合，获得生境演变物种分布推理网络，例如计算机系统将第一推理神经网络和第二推理神经网络组合，获得用于确定第二推理神经网络与第一推理神经网络之间输出区别的生境演变物种分布推理网络，令生境演变物种分布推理网络可以推理生态环境的物种对生境演变情况在产生和未产生时发生分布信息的区别。

[0108] 本申请实施例，计算机系统对迭代后的演变分布知识模板中迭代后的第一演变分布知识模板和迭代后的第二演变分布知识模板分别优化获得第一推理神经网络以及第二推理神经网络，第一推理神经网络用于推理生态环境的物种对生境演变情况未产生时发生的分布信息，第二推理神经网络用于推理生态环境的物种对生境演变情况产生时发生的分布信息，基于集成第一推理神经网络和第二推理神经网络得到生境演变物种分布推理网络，生境演变物种分布推理网络依据模板类型数量均衡化的迭代后的演变分布知识模板优化获得，能缓解因积极‑消极知识模板类别失衡带来的偏差，增加生境演变物种分布推理网络的推理精度。

[0109] 调试好的生境演变物种分布推理网络可以事先优化调试得到，例如基于上述生境演变物种分布推理网络的训练调试过程得到调试后的生境演变物种分布推理网络，基于调试后的生境演变物种分布推理网络对物种分布信息进行推理。例如，计算机系统将目标生态区域的物种分布信息加载到调试后的生境演变物种分布推理网络，基于调试后的生境演变物种分布推理网络输出目标生态区域对生境演变情况发生的推理分布信息。

[0110] 本申请提供的基于生境数据分析的物种分布监测方法中，基于调试后的生境演变物种分布推理网络对物种分布信息进行推理，调试后的生境演变物种分布推理网络是对生境演变物种分布推理网络的推理输出进行调试获得的，生境演变物种分布推理网络依据迭代后的演变分布知识模板优化获得，迭代后的演变分布知识模板基于稀疏抽取后的消极知识模板和演变分布知识模板中生态区域知识模板对过往生境演变情况发生目标种类分布的积极知识模板获得，稀疏抽取后的消极知识模板是在符合模板迭代要求时，依据基于稀疏抽取机制确定的稀疏抽取变量，对演变分布知识模板中生态区域知识模板对过往生境演变情况未发生目标种类分布的消极知识模板进行稀疏抽取获得的。调试后的生境演变物种分布推理网络是依据基于稀疏抽取机制确定的稀疏抽取变量对消极知识模板进行稀疏抽取后，对依据迭代后的演变分布知识模板优化获得的生境演变物种分布推理网络的推理输出进行调试获得的，基于调试后的生境演变物种分布推理网络能准确推理目标生态区域对生境演变情况发生的推理分布信息。

[0111] 需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机系统(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

[0112] 本申请实施例提供一种计算机系统，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法。所述计算机可读存储介质可以是瞬时性的，也可以是非瞬时性的。

[0113] 本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序被计算机读取并执行时，实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

[0114] 需要说明的是，图4是本申请实施例提供的一种计算机系统的硬件实体示意图，如图4所示，该计算机系统300的硬件实体包括：处理器310、通信接口320和存储器330，其中：处理器310通常控制计算机系统300的总体操作。通信接口320可以使计算机系统通过网络与其他终端或服务器通信。存储器330配置为存储由处理器310可执行的指令和应用，还可以缓存待处理器310以及计算机系统300中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random Access Memory，RAM)实现。处理器310、通信接口320和存储器330之间可以通过总线340进行数据传输。这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

[0115] 在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

[0116] 上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

[0117] 另外，在本申请实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

[0118] 本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。

[0119] 或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机系统(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

[0120] 以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。