• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    面向物種分布預測的加速計算方法研究

    2025-03-12 00:00:00羅帥余勁松弟佟瑞菊
    貴州大學學報(自然科學版) 2025年1期
    關鍵詞:北大西洋機器學習

    摘" 要:本研究針對大范圍物種潛在分布預測問題,選取了隨機森林模型(random forest,RF)、支持向量機(support vector machine,SVM)、極限梯度提升模型(eXtreme gradient boosting,XGBoost)作為核心算法,并借助圖形處理單元(graphics processing unit,GPU)設計并行計算策略,提出階段式CUDA加速計算方法,以期在保證預測精度的同時,顯著降低計算時間。以北大西洋Desmophyllum pertusum冷水珊瑚為研究對象,本研究運用十折交叉驗證以及多種評價方法對模型性能進行了全面評估。實驗結果表明,3種模型在合理的精度范圍內(nèi)均顯著提升了計算性能。其中,SVM的性能提升效果最為顯著,速度提升了88.48%,而RF和XGBoost速度提升分別為88.41%和16.54%。綜合來看,XGBoost模型在性能和預測精度方面表現(xiàn)最佳。同時,本研究所提出的階段式CUDA加速計算方法對隨機森林和支持向量機都展現(xiàn)出顯著的性能提升效果。

    關鍵詞:GPU;高性能計算;機器學習;物種潛在分布預測;冷水珊瑚;北大西洋

    中圖分類號:P237;Q14

    文獻標志碼:A

    文章編號" 1000-5269(2025)01-0034-08

    DOI:10.15958/j.cnki.gdxbzrb.2025.01.06

    收稿日期:2023-12-06

    基金項目:國家重點研發(fā)計劃項目(2019YFE0127100)

    作者簡介:羅" 帥(1996—),男,在讀碩士,研究方向:GPU加速物種預測方法,E-mail:mygoodwell@163.com.

    *通訊作者:余勁松弟,E-mail:yyx350@126.com.

    物種潛在分布預測[1-2] 研究基于物種已知分布點位數(shù)據(jù)及環(huán)境因子數(shù)據(jù),預測物種在特定時空條件下的地理分布,是當前生物地理學研究的熱點領域,也是保護生物學的一個重要問題。物種分布模型(species distribution models,SDMs)[3-4] 基于物種分布預測條件,將不同的模型算法投影到特定的景觀中,以預測物種的潛在分布區(qū)和物種的豐富度等。物種分布模型已經(jīng)成為保護生態(tài)學以及入侵生物學的重要工具[5] 。

    物種分布模型應用廣泛,包含機器學習算法如最大熵模型(maximum entropy,MaxEnt)、隨機森林模型(random forest,RF)、支持向量機(support vector machine,SVM)、極限梯度提升模型(eXtreme gradient boosting,XGBoost)等。最大熵模型利用物種存在與否的觀測數(shù)據(jù)和環(huán)境因子數(shù)據(jù),通過選擇合適的特征訓練MaxEnt模型,從而得到物種的潛在分布[6] 。朱耿平等[7] 以茶翅蝽為例,分析了MaxEnt模型參數(shù)對預測物種分布和生態(tài)位可能造成的影響。RF模型是基于決策樹來提高預測的準確率和穩(wěn)定性。MARTELLOS等[8] 通過RF模型進行空間分布建模,得到了物種對象的適宜性分布圖,從而區(qū)分出外觀上難以辨識的同種物種的不同亞種。支持向量機模型是一種二類分類模型[9] ,在物種分布預測研究中,常同MaxEnt、RF、人工神經(jīng)網(wǎng)絡等算法一起作為參照模型。在選擇預測模型時,通常根據(jù)分辨率、受試者特征曲線(receiver operating characteristic curve,ROC)和混淆矩陣等指標進行模型校準[10] 。此外,由于XGBoost模型在機器學習領域具備強大的數(shù)據(jù)擬合能力[11] ,能夠有效地捕捉大量非線性關系的特征要素,并以高效的速度進行運算,因此在大規(guī)模物種分布預測計算中表現(xiàn)出色[12] 。LIU等[13] 發(fā)表的一項關于物種分布模型空間遷移能力的評估研究,揭示了這些模型能夠更為精確地預測物種擴散的概率,從而為生態(tài)管理和保護策略的制定提供了強大的支持。

    通常情況下,小范圍物種分布預測研究不存在計算資源不足的問題。但隨著柵格數(shù)據(jù)分辨率的提升和空間信息量的增加,大范圍高分辨率的物種分布預測的建模和投影速度受到中央處理器(central processing unit,CPU)的計算效率制約,可能出現(xiàn)內(nèi)存溢出邊界,數(shù)據(jù)傳輸鏈瓶頸判定等問題。因此,學者們嘗試將高性能計算和地理空間大數(shù)據(jù)處理相結合,引入了分布式計算、圖形處理單元(graphics processing unit,GPU)硬件加速等方法,構建了空間大數(shù)據(jù)分布式系統(tǒng)[14-15] 。例如,胡曉東等[16] 基于數(shù)據(jù)并行的遙感影像分割來解決分割結果合并的問題;楊靖宇[17] 結合GPU強大的并行處理能力,提出了基于GPU的遙感影像并行化處理的新思路等。

    本研究旨在構建一種基于GPU加速的物種潛在分布預測模型,并探尋相關的地理科學計算方法。通過具體案例的實驗結果,評估預測精度和計算效率,并驗證研究方法的可行性和科學性,以應對大范圍物種分布預測的大數(shù)據(jù)計算挑戰(zhàn)。

    1" 數(shù)據(jù)與特征選擇

    1.1" 實驗環(huán)境及數(shù)據(jù)來源

    本研究以北大西洋海域冷水珊瑚Desmophyllum pertusum潛在分布預測為案例,研究區(qū)域覆蓋西經(jīng)96°至東經(jīng)36°,北緯4°至64°。實驗所用的冷水珊瑚已知存在數(shù)據(jù)集是從公共數(shù)據(jù)庫中獲取,包括OBIS、NOAA Deep-Sea Coral Research and Technology Program、ICES Vulnerable Marine Ecosystems Database存儲的冷水珊瑚數(shù)據(jù)。共34個環(huán)境變量,這些環(huán)境變量可歸納為4個生態(tài)相關分組,包括10個地形變量和海深變量、15個化學變量、7個生物變量和2個水文變量[18] 。

    實驗使用的操作系統(tǒng)為Ubuntu 18.04 LTS。GPU硬件配置基于NVIDIA GeForce GTX 1050顯卡, 配有2 GB GDDR5顯存。

    1.2" 特征選擇

    1.2.1" 冷水珊瑚已知分布點數(shù)據(jù)處理及背景點選取

    如圖1所示,本研究對Desmophyllum pertusum冷水珊瑚的存在點數(shù)據(jù)進行了一系列處理,以限制已知分布點的點位誤差。首先,剔除沒有位置精度和深度信息的記錄。其次,篩選出位置精度小于1 000 m的記錄;對于只有深度或深度范圍信息而無點位精度信息的記錄,將其與海洋DEM網(wǎng)格中獲取的深度值進行比較,保留深度差異小于50 m的記錄。最后,根據(jù)提取的深度值,剔除深度小于40 m的記錄點。為了減小采樣偏差的影響,對篩選出的分布點數(shù)據(jù)進行去重處理,即刪除每個柵格中多次出現(xiàn)的點,只保留1個分布點。提取后的冷水珊瑚分布點數(shù)據(jù)共8 276個,其分布如圖2。由于機器學習物種分布建模通常需要物種非分布點數(shù)據(jù),本研究采用隨機生成方法生成背景點共7 089個,用于替代非分布點。最終保留的冷水珊瑚分布點和背景點構成了冷水珊瑚的分布數(shù)據(jù)集。

    1.2.2" 方差膨脹因子方法

    方差膨脹因子V(variance inflation factor,VIF)是一種用于評估多重共線性的統(tǒng)計指標[19] ,通過計算每個自變量與其他自變量之間的相關性,來衡量共線性的程度。計算公式如下:

    V=11-R2(1)

    其中,R2作為決定系數(shù),反映了解釋變量對因變量的解釋程度[20] 。經(jīng)驗證明,V≥10時,解釋變量與其余解釋變量之間有嚴重的多重共線性。

    1.2.3" 海洋環(huán)境變量特征篩選

    在物種潛在分布預測過程中,包含高度相關的環(huán)境變量,可能會降低模型的預測性能,并對預測結果的解釋產(chǎn)生一定的影響。因此,本研究采用方差膨脹因子分析方法,通過計算VIF,得到參與北大西洋Desmophyllum pertusum冷水珊瑚潛在分布預測的環(huán)境變量。將VIF值小于5的海洋環(huán)境和碳酸鹽、碳酸鈣、海表葉綠素等具有較強生態(tài)相關性的環(huán)境變量納入建模,投影后的VIF計算結果如表1所示。

    2" 研究方法

    2.1" 階段式CUDA加速計算方法

    2.1.1" RAPIDS框架

    為實現(xiàn)機器學習算法的GPU加速計算,NIVIDA公司開發(fā)推出了RAPIDS AI平臺。該平臺由cuML、cuDF、cuGraphs組成:cuML是一個集成了機器學習算法的算法庫;cuDF負責對計算數(shù)據(jù)進行預處理;cuGraphs是一個加速圖形分析庫[21] 。其中,cuML作為平臺核心庫將機器學習算法進行了集成,用戶則通過Python語言實現(xiàn)對方法接口的調用執(zhí)行。

    2.1.2" 階段式CUDA加速計算方法構建

    本模型中,冷水珊瑚分布預測過程被劃分為5個階段:分別是樣本制作、柵格數(shù)據(jù)分塊、模型訓練、投影預測與影像合并。其構建與處理過程如圖3所示:1)搭建CUDA編程環(huán)境?;诶渌汉鞣植紨?shù)據(jù)集與海洋環(huán)境變量柵格數(shù)據(jù)集,進行初始化處理得到樣本數(shù)據(jù)集,從中隨機選取80%作為訓練集,20%用作測試集進行模型評估。2)將多個海洋環(huán)境變量合成為變量柵格數(shù)據(jù),使用GDAL按行分割該數(shù)據(jù),確保其在顯卡上的高效計算處理。3)基于RAPIDS平臺調用GPU進行樣本訓練。4)調度分塊數(shù)據(jù)到GPU顯存中進行投影預測,得到各數(shù)據(jù)塊的預測結果。5)合并各分塊預測結果,得到全局預測結果。其中,模型訓練、投影預測兩階段分別調用cuML和cuDF算法庫進行CUDA核心調度與分配,是本研究GPU加速計算的核心部分。

    本研究綜合考慮了數(shù)據(jù)大小、算法需求、GPU的光柵單元數(shù)量以及內(nèi)存限制等因素,通過多次等比例分塊和計算測試,最終確定將環(huán)境變量柵格統(tǒng)一劃定為32塊作為待預測子塊的方案。在這種劃分條件下,計算時間的消耗逐漸趨于穩(wěn)定,為實驗提供了穩(wěn)定的加速計算環(huán)境。

    2.2" 模型評價方法

    2.2.1" 預測精度評估

    文中對RF、SVM與XGBoost進行GPU加速前后的性能對比。評估采用了十折交叉驗證方法和3種評價指標:Kappa、真實技能統(tǒng)計(true skill statistics,TSS)、受試者工作特征曲線下面積(area under the curve,AUC)。在物種分布預測中,Kappa系數(shù)可以用來評估預測結果與實際觀測結果的一致性[22] 。TSS用來評估模型對物種存在和不存在的預測能力[23] 。ROC曲線通過繪制真陽性率與假陽性率之間的關系,用于評估物種分布模型的性能[24] 。AUC是ROC曲線下的面積,在物種分布預測中,用來評估模型在不同閾值下的預測性能[25] 。

    2.2.2" 計算性能評估

    為了對本研究所提出的階段式CUDA加速計算方法進行性能評估,在預測過程中的每一個階段加入計時腳本,用于統(tǒng)計各階段運行所消耗的時間。為減少硬件發(fā)熱可能導致性能降低等偶然因素的干擾以及程序預加載各種依賴項的時間損失,所有實驗均在同一運行環(huán)境下進行,取第2次運行時間作為首次記錄,并間隔10 min依次運行10次,分別記錄每一次運行的模型訓練時間tm、預測投影時間tp以及分塊結果合并時間tw,并計算總時間T,表達式見式(2)。取10次計算所消耗的平均時間Ta作為最終評價依據(jù)。

    T=tm+tp+tw(2)

    通過統(tǒng)計物種分布模型GPU加速前后各階段的時間消耗,計算出各模型計算性能的提升比例,由此評估GPU加速模型對不同模型計算性能的影響。

    3" 結果與分析

    3.1" 模型精度分析

    采用Kappa、TSS、AUC 3種評價指標,對RF、SVM和XGBoost在GPU加速前的性能進行了深入評估,如表2所示。通過比較模型評價結果,可以看出:XGBoost的預測性能最優(yōu),其次是RF,而SVM的表現(xiàn)相對較差。

    在執(zhí)行階段式CUDA加速計算方法改進的同時保持模型參數(shù)不變,并對相同數(shù)據(jù)集進行評估。表3展示了GPU并行框架下各模型的精度評價結果??梢钥闯觯?GPU并行框架下的模型在個別評估指標中出現(xiàn)小幅下降。由于這些差異在合理范圍之內(nèi),可以忽略它們的影響。綜合來看,XGBoost和RF仍然比SVM表現(xiàn)更好。

    3.2" 計算性能分析

    表4展示了各模型tm、tp、tw三階段的平均計算時間和總體平均時間Ta。從結果中可以看到,不論是在模型訓練階段還是在模型投影預測階段,SVM所需要的時間成本都明顯高于其他對比模型。相對地,RF作為一種基于決策樹的集成算法,在構建決策樹的過程中支持并行處理,因此在處理大規(guī)模數(shù)據(jù)集時更快。類似地,XGBoost也是基于決策樹的集成算法,支持并行計算,相比SVM具有性能優(yōu)勢。

    綜合來看,XGBoost在我們比較的3種模型中具有最優(yōu)的計算性能,其次是RF。值得注意的是,盡管前兩個階段的計算性能存在差距,但在預測子集的合并效率上,各模型表現(xiàn)相當,差異僅在0.1~0.2 s的范圍內(nèi),這部分的差異可以忽略不計。

    表5展示了加速后各模型三階段的平均計算時間和總體平均時間Ta。從結果中可以看出,經(jīng)過GPU加速后的模型訓練階段和模型預測階段的計算性能獲得了顯著提升。

    圖4是3種模型在模型訓練、分布預測和影像合并三個階段的性能提升比率。結果顯示,在模型訓練階段,SVM表現(xiàn)出了顯著的性能提升,而RF和XGBoost則出現(xiàn)了性能下降。因為SVM是基于串行計算的模型,經(jīng)過并行處理后,其復雜的計算過程得到了顯著優(yōu)化,從而降低了計算復雜度。相反,RF和XGBoost作為基于決策樹的模型,自身支持并行計算,所以與串行計算相比,它們具備計算速度的優(yōu)勢。但在cuML庫的支持下,因為模型訓練階段在整體運行時間中所占的比例相對較小,其預處理時間成本被放大,導致并行化后性能并未提高,反而出現(xiàn)了下降。但是,隨著數(shù)據(jù)樣本量的增長及建模時間的延長,這種預處理的時間成本占比會逐漸減少,直至忽略不計。在分布預測階段,RF和SVM的性能分別提高了85.30%和88.49%,證明GPU加速在這一階段能夠帶來顯著的效益。最后的影像合并階段,3種模型都呈現(xiàn)出穩(wěn)定的性能提升。

    improvements in the model training stage(train),

    model prediction stage(predict), and image

    merging stage(warp)

    最終,根據(jù)加速后的各個階段時間成本占總時間的比例,計算出總體加速率。其中,SVM加速率為88.48%,RF為84.41%,XGBoost為16.54%。表明本研究提出的GPU并行化方案在3種機器學習方法中都能提升計算性能,特別是在串行計算時,該方案的提升效果尤為明顯。此外,使用分塊投影時的并行化處理也能顯著提高單幅影像投影預測的效率。

    3.3" 物種分布預測結果分析

    圖5是各模型對北大西洋冷水珊瑚潛在分布的預測結果。從空間分布的角度來看, RF、SVM、XGBoost與其GPU加速版本的預測結果基本一致,這與模型精度評估結果所顯示的微小差異相吻合。不同模型間的比較中,預測精度較好且相近的RF和XGBoost具有類似的空間分布特征,而預測精度較低的SVM則與實際分布點位存在一定差距。根據(jù)圖2所示的冷水珊瑚實際點位的分布趨勢可以推斷,RF和XGBoost模型及其GPU加速版本的空間預測結果更具可靠性。據(jù)該結果可知,適宜Desmophyllum pertusum冷水珊瑚生存的棲息地主要集中在大陸架邊緣,尤其是東北大西洋和美國東南陸架邊緣。此外,部分大型海山、山脊和峽谷也具有較高的生境適宜性。

    4" 結論與展望

    1)本研究設計了一種階段式的CUDA加速計算方法,將物種潛在分布預測過程劃分為5個階段。特別地,基于RAPIDS框架,在模型訓練和投影預測階段引入了GPU加速方案,在保證了預測精度的同時,顯著提高了計算效率,節(jié)約了時間成本。

    2)基于本研究提出的加速方法,以北大西洋Desmophyllum pertusum冷水珊瑚的潛在分布預測作為研究案例,分別對RF、SVM和XGBoost模型加速前后的性能進行了比較。在預測精度和計算性能方面,XGBoost和RF表現(xiàn)優(yōu)于SVM。XGBoost雖然在速度提升率上表現(xiàn)不如其他模型,僅為16.54%,但仍然是在預測精度和運算速度兩方面最佳的模型,AUC為0.994;其次是RF模型,其預測精度和計算效率也較高,速度提升率為88.41%,AUC為0.990;SVM模型的預測精度雖然不如其他模型,但在GPU加速下的速度提升率最高,達到了88.48%,AUC為0.903。

    本文僅針對單GPU節(jié)點對機器學習模型進行了加速,還存在一定的提升空間,需要在后續(xù)研究中進一步完善和補足。未來研究將集中于引入多節(jié)點多GPU并行策略,通過不同節(jié)點GPU的分布式協(xié)同運算,以期獲得更大規(guī)模數(shù)據(jù)的加速效果。另一方面,本文未將環(huán)境變量剖分納入計算時間消耗統(tǒng)計中,未來擬將影像切塊納入階段式CUDA加速計算范疇,結合多節(jié)點分布式協(xié)同計算,優(yōu)化影像分塊效率,提升整體計算效率。

    參考文獻:

    WIENBERG C, TITSCHACK J, FREIWALD A, et al. The giant Mauritanian cold-water coral mound province: oxygen control on coral mound formation[J]. Quaternary Science Reviews, 2018, 185: 135-152.

    [2] 解鵬飛, 顧炎斌, 隋偉娜, 等. 物種分布模型在海洋物種潛在分布預測中面臨的大數(shù)據(jù)挑戰(zhàn)[J]. 海洋信息, 2019, 34(1): 51-61.

    [3] 許仲林, 彭煥華, 彭守璋. 物種分布模型的發(fā)展及評價方法[J]. 生態(tài)學報, 2015, 35(2): 557-567.

    [4] 李國慶, 劉長成, 劉玉國, 等. 物種分布模型理論研究進展[J]. 生態(tài)學報, 2013, 33(16): 4827-4835.

    [5] TAVIANI M, ANGELETTI L, CANESE S, et al. The “Sardinian cold-water coral province” in the context of the Mediterranean coral ecosystems [J]. Deep Sea Research Part II: Topical Studies in Oceanography, 2017, 145: 61-78.

    [6] 朱耿平, 喬慧捷. Maxent模型復雜度對物種潛在分布區(qū)預測的影響[J]. 生物多樣性, 2016, 24(10): 1189-1196.

    [7] 朱耿平, 原雪姣, 范靖宇, 等. MaxEnt模型參數(shù)設置對其所模擬物種地理分布和生態(tài)位的影響:以茶翅蝽為例[J]. 生物安全學報, 2018, 27(2): 118-123.

    [8] MARTELLOS S, ATTORRE F, FARCOMENI A, et al. Species distribution models backing taxa delimitation: the case of the lichen Squamarina cartilaginea in Italy[J]. Flora-Morphology, Distribution, Functional Ecology of Plants, 2014, 209(12): 698-703.

    [9] 丁世飛, 齊丙娟, 譚紅艷. 支持向量機理論與算法研究綜述[J]. 電子科技大學學報, 2011, 40(1): 1-10.

    [10]BEDIA J, BUSQU J, GUTIRREZ J M. Predicting plant species distribution across an alpine rangeland in northern Spain: a comparison of probabilistic methods[J]. Applied Vegetation Science, 2011, 14(3): 415-432.

    [11]龐吉玉, 張安兵, 王賀封, 等. 基于無人機多光譜影像和XGBoost模型的城市河流水質參數(shù)反演[J]. 中國農(nóng)村水利水電, 2023(3): 111-119.

    [12]賴祥源, 朱勤東, 陳火榮, 等. 基于RF特征選擇和XGBoost模型的赤潮等級預測[J]. 漁業(yè)研究, 2021, 43(1): 1-12.

    [13]LIU C L, WOLTER C, XIAN W W, et al. Species distribution models have limited spatial transferability for invasive species[J]. Ecology Letters, 2020, 23(11): 1682-1692.

    [14]CANDELA L, CASTELLI D, CORO G, et al. Species distribution modeling in the cloud[J]. Concurrency and Computation: Practice and Experience, 2016, 28(4): 1056-1079.

    [15]和樹繁. 遙感大數(shù)據(jù)自動分析與數(shù)據(jù)挖掘研究[J]. 科技經(jīng)濟市場, 2018(9): 3-4.

    [16]胡曉東, 駱劍承, 沈占鋒, 等. 高分辨率遙感影像并行分割結果縫合算法[J]. 遙感學報, 2010, 14(5): 917-927.

    [17]楊靖宇. 遙感影像GPU并行化處理技術與實現(xiàn)方法[D].鄭州: 解放軍信息工程大學, 2008.

    [18]DAVIES A J, GUINOTTE J M. Global habitat suitability for framework-forming cold-water corals[J]. PLoS ONE, 2011, 6(4): e18483.

    [19]SALMERN G R, RODRGUEZ S A, GARCA C G, et al. The VIF and MSE in raise regression[J]. Mathematics, 2020, 8(4): 605.

    [20]RANJITKAR S, XU J, SHRESTHA K K, et al. Ensemble forecast of climate suitability for the Trans-Himalayan Nyctaginaceae species[J]. Ecological Modelling, 2014, 282: 18-24.

    [21]盧建云, 邵俊明, 張蔚. 基于RAPIDS的無參DBSCAN算法[J]. 數(shù)據(jù)采集與處理, 2023, 38(2): 426-438.

    [22]TANG W, HU J, ZHANG H, et al. Kappa coefficient: a popular measure of rater agreement[J]. Shanghai Archives of Psychiatry, 2015, 27(1): 62-67.

    [23]ALLOUCHE O, TSOAR A, KADMON R. Assessing the accuracy of species distribution models: prevalence, Kappa and the true skill statistic (TSS)[J]. Journal of Applied Ecology, 2006, 43(6): 1223-1232.

    [24]王運生, 謝丙炎, 萬方浩, 等. ROC曲線分析在評價入侵物種分布模型中的應用[J]. 生物多樣性, 2007, 15(4): 365-372.

    [25]LI W, GUO Q. How to assess the prediction accuracy of species presence-absence models without absence data?[J]. Ecography, 2013, 36(7): 788-799.

    (責任編輯:曾" 晶)

    Research on Accelerated Geospatial Computing Methods for

    Species Distribution Prediction

    ——A Case Study of Cold-Water Corals

    LUO Shuai1,2, YU Jinsongdi*1,2, TONG Ruiju3

    (1.Key Lab of Spatial Data Mining and Information Sharing of Ministry of Education, Fuzhou University, Fuzhou 350116, China;

    2.The Academy of Digital China (Fujian), Fuzhou University, Fuzhou 350116, China;

    3.School of Transportation, Fujian University of Technology, Fuzhou 350118, China)

    Abstract:

    Aiming at the problem of predicting the potential distribution of species in a large range, this study selected the random forest model (RF), support vector machine(SVM), and extreme gradient boosting model as the core algorithms, and used the graphics processing unit to design a parallel computing strategy, finally proposed a staged CUDA accelerated computing method to ensure prediction accuracy while significantly reducing calculation time. Taking the cold-water coral (i.e. Desmophyllum pertusum) in the North Atlantic as the research object, this study used ten-fold cross-validation and multiple evaluation methods to comprehensively evaluate the model performance. Experimental results show that all three models significantly improve computing performance within a reasonable accuracy range. Among them, SVM has the most significant performance improvement effect, with a speed increase of 88.48%, while RF and XGBoost speed increases are 88.41% and 16.54% respectively. Taken together, the XGBoost model performs best in terms of performance and prediction accuracy. At the same time, the staged CUDA accelerated computing method proposed in this study has shown significant performance improvement effects on both RF and SVM.

    Key words:

    GPU; high-performance computing; machine learning; species potential distribution prediction; cold water coral; North Atlantic

    猜你喜歡
    北大西洋機器學習
    近60年華北春季干旱特征及其與北大西洋海表溫度的關系
    中國東北夏季極端高溫的分類及其與北大西洋海表溫度異常的聯(lián)系
    2016與1998年春季北大西洋海表溫度異常的差異及成因
    北大西洋海浪特征分析
    中國水運(2020年2期)2020-05-18 02:38:38
    北大西洋海表風速變化趨勢
    基于詞典與機器學習的中文微博情感分析
    基于機器學習的圖像特征提取技術在圖像版權保護中的應用
    基于網(wǎng)絡搜索數(shù)據(jù)的平遙旅游客流量預測分析
    時代金融(2016年27期)2016-11-25 17:51:36
    前綴字母為特征在維吾爾語文本情感分類中的研究
    科教導刊(2016年26期)2016-11-15 20:19:33
    基于支持向量機的金融數(shù)據(jù)分析研究
    久久精品久久精品一区二区三区| 国产欧美日韩综合在线一区二区 | 男女国产视频网站| 日韩中字成人| 亚洲欧美精品专区久久| 久久国产精品大桥未久av | 搡女人真爽免费视频火全软件| av专区在线播放| 三上悠亚av全集在线观看 | 精品一区二区三卡| 赤兔流量卡办理| 久久久欧美国产精品| 99re6热这里在线精品视频| 永久网站在线| av免费观看日本| 国产欧美日韩综合在线一区二区 | 国产视频内射| 日韩一区二区三区影片| 麻豆精品久久久久久蜜桃| 国产免费一区二区三区四区乱码| 久久99热这里只频精品6学生| 欧美日韩视频高清一区二区三区二| 久久久午夜欧美精品| 丰满饥渴人妻一区二区三| 亚洲av综合色区一区| 亚洲图色成人| 亚洲av在线观看美女高潮| 国产色爽女视频免费观看| 久久毛片免费看一区二区三区| 赤兔流量卡办理| 免费大片黄手机在线观看| 久久久久久久久久人人人人人人| 美女脱内裤让男人舔精品视频| 午夜日本视频在线| 人妻夜夜爽99麻豆av| 日本色播在线视频| 91aial.com中文字幕在线观看| av不卡在线播放| 国产欧美日韩综合在线一区二区 | 女人精品久久久久毛片| 观看av在线不卡| 日日啪夜夜撸| 久久久亚洲精品成人影院| 亚洲国产成人一精品久久久| 在线亚洲精品国产二区图片欧美 | 一级毛片我不卡| 婷婷色综合www| 国产日韩欧美视频二区| 如何舔出高潮| 精品亚洲乱码少妇综合久久| av在线app专区| 97精品久久久久久久久久精品| 黄色日韩在线| 久久女婷五月综合色啪小说| 欧美三级亚洲精品| 波野结衣二区三区在线| 三级国产精品欧美在线观看| 婷婷色综合大香蕉| 五月玫瑰六月丁香| 日韩强制内射视频| 亚洲情色 制服丝袜| 日韩强制内射视频| av在线播放精品| 久久午夜福利片| 男人和女人高潮做爰伦理| 久久精品国产亚洲网站| 嫩草影院入口| 久久毛片免费看一区二区三区| 国产亚洲av片在线观看秒播厂| 日韩一区二区视频免费看| 在线播放无遮挡| 国产探花极品一区二区| 欧美日韩一区二区视频在线观看视频在线| 一级,二级,三级黄色视频| 欧美日韩一区二区视频在线观看视频在线| 国内少妇人妻偷人精品xxx网站| 赤兔流量卡办理| 亚洲精品一二三| 国产欧美亚洲国产| 免费人成在线观看视频色| 噜噜噜噜噜久久久久久91| 久久影院123| 91精品国产国语对白视频| 国产亚洲精品久久久com| 男人和女人高潮做爰伦理| 91成人精品电影| 久久久国产精品麻豆| 国产精品偷伦视频观看了| 久久久久视频综合| av国产精品久久久久影院| 久久精品久久久久久久性| 国产色婷婷99| 国产在线免费精品| 国产精品久久久久久久电影| 亚洲激情五月婷婷啪啪| 欧美bdsm另类| 搡老乐熟女国产| 嫩草影院新地址| 男女边摸边吃奶| 汤姆久久久久久久影院中文字幕| 天堂中文最新版在线下载| 桃花免费在线播放| 亚洲av电影在线观看一区二区三区| 2021少妇久久久久久久久久久| 99热这里只有精品一区| a级片在线免费高清观看视频| 永久网站在线| 亚州av有码| 日本欧美国产在线视频| 高清在线视频一区二区三区| 熟女av电影| 两个人的视频大全免费| 亚洲伊人久久精品综合| 偷拍熟女少妇极品色| 最近手机中文字幕大全| 日本黄色片子视频| 国产亚洲av片在线观看秒播厂| 人人妻人人看人人澡| 自拍欧美九色日韩亚洲蝌蚪91 | 观看美女的网站| 大片免费播放器 马上看| 狂野欧美激情性bbbbbb| a 毛片基地| 韩国高清视频一区二区三区| 久久精品国产亚洲av天美| 午夜福利,免费看| 国产精品一区二区性色av| 亚洲天堂av无毛| 精品一区在线观看国产| 免费黄色在线免费观看| 久久久a久久爽久久v久久| 97在线人人人人妻| 国产免费又黄又爽又色| 天美传媒精品一区二区| 午夜日本视频在线| 日本vs欧美在线观看视频 | 丰满少妇做爰视频| 国内精品宾馆在线| 欧美成人精品欧美一级黄| 99热这里只有是精品50| 亚洲国产日韩一区二区| 亚洲电影在线观看av| 久久人妻熟女aⅴ| 亚洲精品日韩在线中文字幕| 国产精品一区二区性色av| av在线app专区| 国产精品人妻久久久久久| 欧美最新免费一区二区三区| 国产永久视频网站| 深夜a级毛片| 午夜久久久在线观看| 91精品国产国语对白视频| 热re99久久精品国产66热6| 秋霞伦理黄片| 伦理电影大哥的女人| 日本av免费视频播放| 伦理电影免费视频| av不卡在线播放| 免费少妇av软件| 80岁老熟妇乱子伦牲交| 亚洲精品中文字幕在线视频 | 亚洲国产欧美在线一区| 18禁在线播放成人免费| 国产黄片视频在线免费观看| 久久久久精品性色| 观看免费一级毛片| 尾随美女入室| 人体艺术视频欧美日本| 亚洲精品aⅴ在线观看| 精品国产乱码久久久久久小说| 免费大片黄手机在线观看| 免费大片18禁| 深夜a级毛片| 亚洲精品色激情综合| 18禁在线无遮挡免费观看视频| 亚洲综合精品二区| 国产精品一区二区三区四区免费观看| 男人添女人高潮全过程视频| 日本欧美视频一区| 亚洲成人手机| 汤姆久久久久久久影院中文字幕| 国产精品蜜桃在线观看| 日本午夜av视频| 日本午夜av视频| 精品久久久久久电影网| 亚洲美女黄色视频免费看| 男人舔奶头视频| 91aial.com中文字幕在线观看| 国产精品偷伦视频观看了| 黄片无遮挡物在线观看| 日韩伦理黄色片| 久久精品久久久久久噜噜老黄| 亚洲激情五月婷婷啪啪| 久久免费观看电影| 两个人的视频大全免费| 色5月婷婷丁香| 丝袜喷水一区| 丰满少妇做爰视频| 99九九线精品视频在线观看视频| 搡老乐熟女国产| 一级a做视频免费观看| 91在线精品国自产拍蜜月| 精品卡一卡二卡四卡免费| 久久久久精品性色| 国产一级毛片在线| 国产在线一区二区三区精| 成年女人在线观看亚洲视频| 日本欧美视频一区| 97在线人人人人妻| 高清午夜精品一区二区三区| 日韩av免费高清视频| 免费看av在线观看网站| 国产男女超爽视频在线观看| 桃花免费在线播放| 啦啦啦啦在线视频资源| 国产精品久久久久久久电影| 观看美女的网站| av在线app专区| 日韩av在线免费看完整版不卡| 日韩成人av中文字幕在线观看| 十八禁高潮呻吟视频 | 亚洲va在线va天堂va国产| 青春草视频在线免费观看| 中文欧美无线码| 好男人视频免费观看在线| 亚洲丝袜综合中文字幕| 菩萨蛮人人尽说江南好唐韦庄| 婷婷色综合www| 国产精品人妻久久久久久| 99久久精品热视频| 久久99热6这里只有精品| 久久女婷五月综合色啪小说| 视频中文字幕在线观看| 国产在线男女| 国产精品国产三级国产av玫瑰| 一本一本综合久久| 九草在线视频观看| 成人特级av手机在线观看| 国产91av在线免费观看| 中文欧美无线码| 99久国产av精品国产电影| 日日摸夜夜添夜夜添av毛片| 精品午夜福利在线看| 另类精品久久| 国产精品久久久久久久电影| 美女福利国产在线| av视频免费观看在线观看| 91午夜精品亚洲一区二区三区| 国产成人91sexporn| 各种免费的搞黄视频| 一级二级三级毛片免费看| 久久99热这里只频精品6学生| 99热这里只有精品一区| 免费高清在线观看视频在线观看| 最近手机中文字幕大全| 国产成人一区二区在线| 啦啦啦在线观看免费高清www| 国产一级毛片在线| 亚洲精品视频女| 毛片一级片免费看久久久久| kizo精华| 3wmmmm亚洲av在线观看| 国产精品熟女久久久久浪| 久久久欧美国产精品| 亚洲伊人久久精品综合| 国产精品久久久久久久久免| 亚洲av国产av综合av卡| 2021少妇久久久久久久久久久| 亚洲国产日韩一区二区| 精品午夜福利在线看| 精品99又大又爽又粗少妇毛片| 三级国产精品欧美在线观看| 久久99热这里只频精品6学生| 日韩视频在线欧美| 国产精品秋霞免费鲁丝片| 乱系列少妇在线播放| 亚洲成人av在线免费| 丰满迷人的少妇在线观看| 久久精品国产鲁丝片午夜精品| 人人妻人人澡人人爽人人夜夜| 精品午夜福利在线看| 男人狂女人下面高潮的视频| 伊人亚洲综合成人网| 国产精品三级大全| 中文字幕久久专区| 少妇人妻久久综合中文| 天堂俺去俺来也www色官网| 久久鲁丝午夜福利片| 亚洲av福利一区| 亚洲成人一二三区av| 大又大粗又爽又黄少妇毛片口| 蜜桃久久精品国产亚洲av| 国产成人91sexporn| 久久精品久久久久久噜噜老黄| 女人精品久久久久毛片| 视频中文字幕在线观看| 成年人午夜在线观看视频| 国产爽快片一区二区三区| 亚洲性久久影院| 国产永久视频网站| 少妇的逼好多水| 精品一区二区三区视频在线| 午夜影院在线不卡| 美女脱内裤让男人舔精品视频| 精品久久久久久久久亚洲| 校园人妻丝袜中文字幕| 久久精品久久久久久久性| 秋霞伦理黄片| 日本免费在线观看一区| 亚洲综合色惰| 一本久久精品| 国产一区有黄有色的免费视频| 九九在线视频观看精品| 最新中文字幕久久久久| 一级毛片电影观看| 国产一区有黄有色的免费视频| 少妇人妻一区二区三区视频| 另类精品久久| 深夜a级毛片| 久久久久国产精品人妻一区二区| 国内少妇人妻偷人精品xxx网站| 99久国产av精品国产电影| 精品国产一区二区三区久久久樱花| 黄色毛片三级朝国网站 | 久久久久久久久大av| 丝袜在线中文字幕| 少妇人妻一区二区三区视频| 嘟嘟电影网在线观看| 汤姆久久久久久久影院中文字幕| 人妻系列 视频| 成人毛片a级毛片在线播放| 一区二区三区乱码不卡18| 大香蕉久久网| 99久久综合免费| 日韩在线高清观看一区二区三区| 国产日韩一区二区三区精品不卡 | 中文字幕亚洲精品专区| 日韩av不卡免费在线播放| 一级二级三级毛片免费看| 自线自在国产av| 九草在线视频观看| 人妻 亚洲 视频| 欧美日韩精品成人综合77777| 大香蕉97超碰在线| 国产69精品久久久久777片| tube8黄色片| 精品酒店卫生间| 少妇人妻久久综合中文| 午夜福利视频精品| 中文字幕久久专区| 免费高清在线观看视频在线观看| 偷拍熟女少妇极品色| 久久精品国产亚洲av天美| 寂寞人妻少妇视频99o| 国产一区亚洲一区在线观看| 亚洲欧美日韩另类电影网站| 高清毛片免费看| 你懂的网址亚洲精品在线观看| 亚洲一级一片aⅴ在线观看| 午夜激情福利司机影院| 十八禁网站网址无遮挡 | 在线观看免费高清a一片| 国产91av在线免费观看| 国产精品一区二区性色av| 丰满迷人的少妇在线观看| av在线app专区| 只有这里有精品99| 中文字幕精品免费在线观看视频 | 国产精品嫩草影院av在线观看| 99国产精品免费福利视频| av免费在线看不卡| 精品人妻熟女av久视频| 九草在线视频观看| 国产亚洲午夜精品一区二区久久| 欧美97在线视频| 久久人人爽人人爽人人片va| 80岁老熟妇乱子伦牲交| 欧美国产精品一级二级三级 | 久久97久久精品| 国产成人精品福利久久| 亚洲成人手机| 免费观看在线日韩| 国产亚洲精品久久久com| 欧美日韩一区二区视频在线观看视频在线| 一本久久精品| 日韩欧美 国产精品| 曰老女人黄片| 亚洲精品自拍成人| 三级国产精品片| 国产女主播在线喷水免费视频网站| 国产精品嫩草影院av在线观看| 国产成人精品无人区| 男人爽女人下面视频在线观看| 久久久久久久久久久久大奶| 亚洲欧美日韩另类电影网站| 亚洲熟女精品中文字幕| 亚洲av不卡在线观看| 最黄视频免费看| 丝瓜视频免费看黄片| 一区二区av电影网| 日本91视频免费播放| 亚州av有码| 国产淫语在线视频| 亚洲精品国产成人久久av| 蜜桃在线观看..| 国产日韩一区二区三区精品不卡 | 免费观看在线日韩| 亚洲欧美一区二区三区国产| 免费高清在线观看视频在线观看| 精品一区二区三区视频在线| 国产欧美亚洲国产| 夫妻午夜视频| 纯流量卡能插随身wifi吗| 亚洲精品日韩在线中文字幕| 国产黄色视频一区二区在线观看| 久久热精品热| 国产亚洲一区二区精品| 人人妻人人澡人人看| 男人狂女人下面高潮的视频| 99热国产这里只有精品6| 亚洲成人一二三区av| 亚洲精品乱码久久久久久按摩| 在现免费观看毛片| 精品国产一区二区三区久久久樱花| 日本欧美国产在线视频| 在线看a的网站| 日韩欧美精品免费久久| 国产成人精品久久久久久| 亚洲av免费高清在线观看| a级毛片在线看网站| 日本黄色片子视频| 少妇被粗大猛烈的视频| 蜜桃久久精品国产亚洲av| 十分钟在线观看高清视频www | 日韩伦理黄色片| av黄色大香蕉| 午夜激情久久久久久久| h视频一区二区三区| 色哟哟·www| 亚洲精华国产精华液的使用体验| 中文字幕av电影在线播放| 精品国产一区二区三区久久久樱花| 女性被躁到高潮视频| a级毛片在线看网站| 妹子高潮喷水视频| 成人黄色视频免费在线看| 水蜜桃什么品种好| 女人久久www免费人成看片| 国产成人freesex在线| 99久久中文字幕三级久久日本| 免费看av在线观看网站| 男女免费视频国产| 人妻制服诱惑在线中文字幕| 亚洲国产精品一区三区| 97超碰精品成人国产| 亚州av有码| 久久精品国产a三级三级三级| 最新的欧美精品一区二区| 99久久精品国产国产毛片| 岛国毛片在线播放| 视频中文字幕在线观看| 国产午夜精品一二区理论片| 桃花免费在线播放| 亚洲美女搞黄在线观看| 中文资源天堂在线| 国产高清国产精品国产三级| 免费大片黄手机在线观看| av国产久精品久网站免费入址| 欧美区成人在线视频| 国产亚洲精品久久久com| 亚洲精品自拍成人| 欧美成人午夜免费资源| 亚洲内射少妇av| 熟女av电影| 久久97久久精品| 免费观看在线日韩| 国产亚洲一区二区精品| 亚洲综合色惰| 久久毛片免费看一区二区三区| 观看美女的网站| 国产av精品麻豆| 最近2019中文字幕mv第一页| 国产熟女午夜一区二区三区 | 亚洲精品一二三| 偷拍熟女少妇极品色| 欧美最新免费一区二区三区| 国产淫片久久久久久久久| 亚洲欧美精品专区久久| 亚洲国产精品国产精品| 午夜激情久久久久久久| 国产探花极品一区二区| 人妻人人澡人人爽人人| 国产极品天堂在线| 日日啪夜夜爽| 97在线视频观看| 国产成人freesex在线| 中文字幕精品免费在线观看视频 | 日韩欧美 国产精品| 丰满饥渴人妻一区二区三| 26uuu在线亚洲综合色| 乱码一卡2卡4卡精品| 又粗又硬又长又爽又黄的视频| 少妇的逼水好多| 日韩成人av中文字幕在线观看| 大陆偷拍与自拍| 国产亚洲精品久久久com| 男女边摸边吃奶| 日韩一区二区三区影片| 视频区图区小说| 精品亚洲成国产av| 九色成人免费人妻av| 亚洲在久久综合| 黄色毛片三级朝国网站 | 久久99热6这里只有精品| 搡女人真爽免费视频火全软件| 少妇精品久久久久久久| 国产男女内射视频| 久久久久国产网址| 最近手机中文字幕大全| 亚洲真实伦在线观看| 精品99又大又爽又粗少妇毛片| 爱豆传媒免费全集在线观看| 在线观看免费视频网站a站| 久久人人爽av亚洲精品天堂| 久久久国产精品麻豆| 亚洲国产精品成人久久小说| 中文欧美无线码| 精品亚洲乱码少妇综合久久| 国国产精品蜜臀av免费| 久久久久国产网址| 久久久久网色| 黄片无遮挡物在线观看| 一个人免费看片子| 久久久久人妻精品一区果冻| 国产白丝娇喘喷水9色精品| 国内精品宾馆在线| 亚洲精品,欧美精品| 国产深夜福利视频在线观看| 免费久久久久久久精品成人欧美视频 | 精品国产一区二区三区久久久樱花| 亚洲人与动物交配视频| 少妇被粗大猛烈的视频| 大又大粗又爽又黄少妇毛片口| 午夜免费鲁丝| 一级毛片黄色毛片免费观看视频| 少妇人妻精品综合一区二区| 又大又黄又爽视频免费| 美女中出高潮动态图| 色视频在线一区二区三区| 最近中文字幕2019免费版| 丝袜脚勾引网站| 精华霜和精华液先用哪个| 夜夜爽夜夜爽视频| a级毛片免费高清观看在线播放| 九草在线视频观看| 国产精品一区www在线观看| 久久精品久久久久久噜噜老黄| 国产淫语在线视频| 日日摸夜夜添夜夜爱| 中文天堂在线官网| 中文字幕亚洲精品专区| 有码 亚洲区| 免费看光身美女| 热99国产精品久久久久久7| 亚洲精品自拍成人| 97在线人人人人妻| 91久久精品国产一区二区三区| 国产毛片在线视频| 亚洲四区av| 精品人妻偷拍中文字幕| 国产乱来视频区| 人人妻人人澡人人看| 涩涩av久久男人的天堂| 青青草视频在线视频观看| 亚洲欧美精品自产自拍| 晚上一个人看的免费电影| 精品午夜福利在线看| 看免费成人av毛片| 国产片特级美女逼逼视频| 亚洲精品自拍成人| videos熟女内射| 噜噜噜噜噜久久久久久91| 九九在线视频观看精品| 久热久热在线精品观看| 精品久久久久久久久av| 成人免费观看视频高清| 在线免费观看不下载黄p国产| 精品国产一区二区久久| 男女无遮挡免费网站观看| 好男人视频免费观看在线| 中文欧美无线码| 一级毛片aaaaaa免费看小| 国模一区二区三区四区视频| 国产真实伦视频高清在线观看| 日韩视频在线欧美| 好男人视频免费观看在线| 国产一区二区三区av在线| 日日啪夜夜爽| 免费观看性生交大片5| 精品国产一区二区三区久久久樱花| 超碰97精品在线观看| 欧美精品国产亚洲| 伦精品一区二区三区| 熟女人妻精品中文字幕| 精品一区二区免费观看| 内射极品少妇av片p| 狂野欧美激情性bbbbbb| 亚洲精品乱久久久久久| 亚洲中文av在线| 免费黄色在线免费观看| 亚洲一级一片aⅴ在线观看| av有码第一页| 欧美丝袜亚洲另类| 久久人人爽人人爽人人片va| 99精国产麻豆久久婷婷|