CN113807017A - 一种鱼类偏好栖息地的确定方法及终端设备 - Google Patents

Abstract

本发明公开了一种鱼类偏好栖息地的确定方法及终端设备，其中方法包括获取目标鱼类所在水环境的参数信息，利用水环境的参数信息建立三维水环境模型；确定目标鱼类的生态学函数，结合生态学函数在三维水环境模型上搭建生物仿真模型；获取生物仿真模型中目标鱼类的运动轨迹，根据运动轨迹确定目标鱼类的潜在栖息地；利用基于累计密度法的偏好学习模型从潜在栖息地中确定目标鱼类的偏好栖息地。本发明的终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。本发明可以确定鱼类偏好的栖息地，从而进行有针对性的修复，在保证鱼类生存环境的同时，降低了修复栖息地的成本。

Description

一种鱼类偏好栖息地的确定方法及终端设备

技术领域

本发明公开了一种鱼类偏好栖息地的确定方法及终端设备，属于水利工程技术领域。

背景技术

河流生态系统中，鱼类作为主要的生物因素，其生长繁殖与栖息地水生生境关系密切。鱼类对生存环境中的温度变化反应强烈、快速，是检测和记录气候变化对淡水生态系统的理想指示物种。近年来，由于大规模进行河流的开发和利用，河流的水文情势、水动力、水环境的天然状态发生改变，鱼类栖息地环境遭到破坏，鱼类的生存受到威胁。鱼类栖息地的研究不仅对更好地了解水库建设对河流生态系统的影响具有重要意义，更是鱼类资源保护的重要手段。

现有技术在修复被破坏的栖息地时，是将各个栖息地全部进行修复。而鱼类对栖息地的选择是有偏好的，有些栖息地的利用率并不高，全部修复成本较高。

发明内容

本申请的目的在于，提供一种鱼类偏好栖息地的确定方法及终端设备，可对栖息地进行针对性的修复，从而解决现有栖息地修复成本高的技术问题。

本发明的第一方面提供了一种鱼类偏好栖息地的确定方法，包括：

获取目标鱼类所在水环境的参数信息，利用所述水环境的参数信息建立三维水环境模型；

确定所述目标鱼类的生态学函数，结合生态学函数在所述三维水环境模型上搭建生物仿真模型；

获取所述生物仿真模型中目标鱼类的运动轨迹，根据运动轨迹确定所述目标鱼类的潜在栖息地；

利用基于累计密度法的偏好学习模型从所述潜在栖息地中确定所述目标鱼类的偏好栖息地。

优选地，所述生态学函数包括生长函数、集群函数和觅食函数。

优选地，所述生长函数根据第一公式确定，所述第一公式为：

式中，l_t为所述目标鱼类t时刻的平均体长，W_t为所述目标鱼类t时刻的平均体重，l_∞为所述目标鱼类的平均渐进体长，W_∞为所述目标鱼类的平均渐进体重，k为生长系数，t₀为假设的理论生长起点年龄。

优选地，所述集群函数根据第二公式确定，所述第二公式为：

D_i,t+1＝λ₁D_i,t+λ₂D′_i,t+λ₃D″_i,t+λ₄D″′_i,t

式中，D_i,t+1为t+1时刻第i个目标鱼类个体的运动方向，D_i,t为t时刻第i个目标鱼类个体的运动方向，D′_i,t为t时刻第i个目标鱼类个体到临近个体平均位置的方向，D″_i,t为t时刻第i个目标鱼类个体的临近个体的平均方向，D″′_i,t为t时刻小于预设安全距离的临近个体到第i个目标鱼类个体方向的平均值，λ₁,λ₂,λ₃,λ₄为权重，且λ₁+λ₂+λ₃+λ₄＝1。

优选地，所述觅食函数根据第三公式确定，所述第三公式为：

eat＝if(fixed＜0.1,0,fixed::-(0.1*fixed))

式中，fixed为饵料浓度。

优选地，获取所述生物仿真模型中目标鱼类的运动轨迹，具体为：

根据第四公式获取所述生物仿真模型中目标鱼类的运动轨迹，所述第四公式为：

式中，

为t时刻的第i个所述目标鱼类所在位置，

为t+1时刻第i个所述目标鱼类所在位置，x和y为笛卡尔坐标系中的横轴和纵轴，S_i,t为t时刻第i个目标鱼类个体的运动速度，D_i,t为t时刻第i个目标鱼类个体的运动方向，θ_i,t为t时刻第i个目标鱼类个体运动方向为D_i,t时的夹角，

为位移偏角；S_i,t∈(0,S_max)，S_max为所述目标鱼类从t时刻至t+1时刻的时间段内的最大移动速度。

优选地，目标鱼类个体的运动速度和运动方向根据第五公式确定，所述第五公式为：

式中，S_i,t为t时刻第i个目标鱼类个体的运动速度，D_i,t为t时刻第i个目标鱼类个体的运动方向，D_fav(t)和S_fav(t)分别为t时刻第i个目标鱼类个体在其感知范围内的喜好流速所在位置相比于当前位置的运动方向及朝向该运动方向的运动速度；D_flee(t)和S_flee(t)分别为t时刻第i个目标鱼类个体逃离其感知范围内最近的临近个体的运动方向及逃离该运动方向的运动速度。

优选地，所述感知范围的确定方法为：

获取所述目标鱼类的视觉信息、听觉信息和嗅觉信息；

根据所述视觉信息、听觉信息和嗅觉信息，确定所述目标鱼类的感知范围。

优选地，利用基于累计密度法的偏好学习模型从所述潜在栖息地中确定所述目标鱼类的偏好栖息地，具体为：

利用基于累计密度法的偏好学习模型，获取第i个目标鱼类对每个所述潜在栖息地的偏好值；所述基于累计密度法的偏好学习模型根据第六公式确定，所述第六公式为：

式中，P_ij为第i个目标鱼类在第j个所述潜在栖息地中出现的累计密度，记为偏好值；

为所有潜在栖息地中出现所述目标鱼类的总累计密度；

根据所述偏好值确定所述目标鱼类的偏好栖息地。

本发明的第二方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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的步骤。

本发明的鱼类偏好栖息地的确定方法及终端设备，相较于现有技术，具有如下有益效果：

本发明的鱼类偏好栖息地的确定方法可以确定鱼类偏好的栖息地，从而进行有针对性的修复，在保证鱼类生存环境的同时，降低了修复栖息地的成本。

附图说明

图1为本发明提供的鱼类偏好栖息地的确定方法的流程图；

图2为本发明具体实施例中基于主体的模型的结构示意图；

图3为本发明具体实施例中代理鱼粒子运动规则示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

本发明的第一方面提供了一种鱼类偏好栖息地的确定方法，如图1所示，包括：

步骤1、获取目标鱼类所在水环境的参数信息，利用水环境的参数信息建立三维水环境模型，具体为：

步骤1.1、获取目标鱼类所在水环境的区域边界条件、水下地形数据、实测水位、水温、水质、水流速等水环境的参数信息。

步骤1.2、利用水环境的参数信息建立三维水环境模型。示例性地，利用MIKE系列软件中的MIKE 3FM模块建立三维水环境模型。

建立三维水环境模型后，就可以从模型中获取水环境的参数信息对应的模拟信息，上述模拟信息及三维水环境模型为生物仿真模型搭建提供了平台。

步骤2、确定目标鱼类的生态学函数，结合生态学函数在三维水环境模型上搭建生物仿真模型，具体为：

步骤2.1、确定目标鱼类的生长函数、集群函数和觅食函数，具体为：

步骤2.1.1、获取目标鱼类长期驯养观测资料及生态学研究资料。

步骤2.1.2、根据长期驯养观测资料及生态学研究资料，确定目标鱼类的生态学特性，并依据其生态学特性建立生长函数、集群函数和觅食函数；

其中，生长函数根据第一公式确定，第一公式为：

式中，l_t为目标鱼类t时刻的平均体长，W_t为目标鱼类t时刻的平均体重，l_∞为目标鱼类的平均渐进体长，W_∞为目标鱼类的平均渐进体重，k为生长系数，t₀为假设的理论生长起点年龄。

集群函数根据第二公式确定，第二公式为：

D_i,t+1＝λ₁D_i,t+λ₂D′_i,t+λ₃D″_i,t+λ₄D″′_i,t

式中，D_i,t+1为t+1时刻第i个目标鱼类个体的运动方向，D_i,t为t时刻第i个目标鱼类个体的运动方向，D′_i,t为t时刻第i个目标鱼类个体到临近个体平均位置的方向，D″_i,t为t时刻第i个目标鱼类个体的临近个体的平均方向，D″′_i,t为t时刻小于预设安全距离的临近个体到第i个目标鱼类个体方向的平均值(规避障碍)，考虑到对鱼的影响力不同，还需要对各个方向加权，取加权平均值，权重的大小可以根据偏好确定，λ₁,λ₂,λ₃,λ₄为权重，且λ₁+λ₂+λ₃+λ₄＝1。

觅食函数根据第三公式确定，第三公式为：

eat＝if(fixed＜0.1,0,fixed::-(0.1*fixed))

式中，fixed为饵料浓度。

目标鱼类体重生长模式的选择函数为：

G＝Fixed*0.01*area

式中，fixed为饵料浓度，area为单位网格面积。

步骤2.2、结合生长函数、集群函数和觅食函数，在三维水环境模型上搭建生物仿真模型，示例性地，所搭建的生物仿真模型为基于主体的模型(Agent-based Model,ABM)。

本发明确定目标鱼类的偏好栖息地的方法是在该生物仿真模型上确定的。

步骤3、获取生物仿真模型中目标鱼类的运动轨迹，根据运动轨迹确定目标鱼类的潜在栖息地，具体为：

步骤3.1、根据第四公式获取生物仿真模型中目标鱼类的运动轨迹，第四公式为：

式中，

为t时刻的第i个目标鱼类所在位置，

为t+1时刻第i个目标鱼类所在位置，x和y为笛卡尔坐标系中的横轴和纵轴，S_i,t为t时刻第i个目标鱼类个体的运动速度，D_i,t为t时刻第i个目标鱼类个体的运动方向，θ_i,t为t时刻第i个目标鱼类个体运动方向为D_i,t时的夹角，

为位移偏角；S_i,t∈(0,S_max)，S_max为目标鱼类从t时刻至t+1时刻的时间段内的最大移动速度。

其中，目标鱼类个体的运动速度和运动方向根据第五公式确定，第五公式为：

式中，S_i,t为t时刻第i个目标鱼类个体的运动速度，D_i,t为t时刻第i个目标鱼类个体的运动方向，D_fav(t)和S_fav(t)分别为t时刻第i个目标鱼类个体在其感知范围内的喜好流速所在位置相比于当前位置的运动方向及朝向该运动方向的运动速度；D_flee(t)和S_flee(t)分别为t时刻第i个目标鱼类个体逃离其感知范围内最近的临近个体的运动方向及逃离该运动方向的运动速度。

上述感知范围是根据目标鱼类的视觉信息、听觉信息和嗅觉信息确定的，具体为：

获取目标鱼类的视觉信息、听觉信息和嗅觉信息。上述信息可以根据实验获得。

示例性的：

a、目标鱼类的视觉信息的测定实验为：

先对实验鱼进行条件反射的训练，用绘有条纹的平板作为刺激信号。在鱼类视觉范围内显示条纹板，随即向水族箱投放饵料。通过条纹板与食物两个事件，训练鱼类建立对条纹板的条件反射。条件反射建立后，如鱼类显示摄食的行为，则作为看见条纹板的依据，由此进行鱼类的视距测定实验。实验表明鱼类的视距平均为10m。实验记录为15m，最高达30m。不同的鱼类的视距不同，在相同条件下，人的视觉能力达100m以上。

b、目标鱼类的听觉信息的测定实验为：

实验采用水下扬声器在水下50cm处向鱼群放声，平均声压90分贝，水面照度为01～1lx：实验鱼群的鱼体平均体长143cm，平均体重30g。船上设有荧光灯，灯距水面2m。先用荧光灯集鱼，然后向聚有30尾左右的鱼群处放声。为了防止产生适应性，避免采用频率接近的单音，即相邻两次的声波频率要具有较大的差异。放声后观察鱼群的反应，直到鱼群全部恢复稳定后，再进行下一次实验。实验表明鱼群对900Hz反应最强烈，其次是950Hz、1050Hz和750Hz。

c、目标鱼类的嗅觉信息的测定实验为：

用大叶藻包了石块和饵料作为实验物，观察鱼类的反应，发现鱼类对包石头的没有反应，而在平均3min内就发现和吞食包饵料的实验物，当用棉花将鱼类的鼻孔堵上时，没有任何反应。将饵料投入海中时，10m处的鱼类立刻游向饵料。

根据视觉信息、听觉信息和嗅觉信息，确定目标鱼类的感知范围。

在该确定过程中，可以综合考虑视觉信息、听觉信息和嗅觉信息，然后确定目标鱼类的感知范围。

例如，综合考虑上述测定实验获得的目标鱼类的视觉信息、听觉信息和嗅觉信息，得到目标鱼类的感知范围为10米。不同种类的鱼其感知范围不同，需要根据实验测定结果进行综合考虑。

步骤3.2、根据运动轨迹确定目标鱼类的潜在栖息地，具体为：

所采取的确定规则可以为距运动轨迹直线距离小于设定距离阈值的河道浅滩、沟壑和水湾等地，即为潜在栖息地。在该步骤，所得到的潜在栖息地较多，如全部进行修复，则修复成本较高。

步骤4、利用基于累计密度法的偏好学习模型从潜在栖息地中确定目标鱼类的偏好栖息地，具体为：

步骤4.1、利用基于累计密度法的偏好学习模型，获取第i个目标鱼类对每个潜在栖息地的偏好值；基于累计密度法的偏好学习模型根据第九公式确定，第九公式为：

式中，P_ij为第i个目标鱼类在第j个潜在栖息地中出现的累计密度，

为所有潜在栖息地中出现目标鱼类的总累计密度；

P_ij的数值设定为第i个目标鱼类对每个潜在栖息地的偏好值。

步骤4.2、根据偏好值确定目标鱼类的偏好栖息地。

将偏好值与预设偏好阈值进行对比，大于预设偏好阈值的偏好值对应的潜在栖息地即为目标鱼类的偏好栖息地。

在获得偏好栖息地以后，可以对该目标鱼类的偏好栖息地进行修复，从而实现有针对性的修复，在降低成本的同时，达到最佳的修复效果，确保鱼类的生存环境。

本发明的第二方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。

下面将以更为具体的实施例详述本发明的方法。

在该具体实施例中，使用基于主体的模型(Agent-based Model,ABM)进行仿真。其中，基于主体的模型的结构图如图2所示。该模型通常用于模拟自主主体的行为和交互，评估自主个体对整个系统的影响。ABM框架中被模拟的主体能根据不同信息在特定环境中主动采取行动而不是被动地听取指令。在本实施例中该框架由个体和环境两个层次组成，一是以丹华水利开发的商用软件系统Mike 21/3FM中的水动力(HD)和对流扩散(AD)模块作为基础，应用其计算得到水环境的参数信息，如水深、流速、水位、温度和盐度等参数，二是以鱼类感知半径范围内的环境变量、其他个体的位置和集群运动定义个体移动的方向和速度，得到粒子的状态变量、过程和计算式，并赋予粒子属性。

在模拟关键环境因子的变化，再将模拟结果以及鱼类生长、运动等函数关系作为输入，根据鱼对水环境因子的响应关系，在欧拉框架以网格为标尺建立的外部环境下，得到基于拉格朗日框架的代理粒子的运动轨迹。

然后根据模型计算出目标鱼类个体在下一时刻经过运动所到达的位置，模拟鱼的个体行为和生长状态，提出改进的鱼类个体行为仿真模型，并在此基础上建立粒子群，赋予每个粒子不同的属性，所有的个体通过上述的规则运动，从而获得整个河段鱼的空间分布随水环境条件的动态变化，实现研究区鱼群的生长、存活、生殖等行为的精确模拟，准确重现真实的鱼类个体行为和种群分布的信息交互。

上述基于主体的模型所处环境为ECO Lab提供的环境，该环境用于用户在三维高清模型Mike 21/3FM上开发方程、实现和执行。在水动力(HD)和对流扩散(AD)模拟的基础上可以很好的进行水质各参数的模拟。表1为ABM模型模板参数设置及过程表达式描述。

表1 ABM模型模板(鱼类种群)参数设置

本实施例中，在ABM框架下利用拉格朗日算法构建目标鱼类的偏好区域确定模型，结合鱼类驯养实验中研究鱼类的视觉能力、听觉能力、嗅觉能力和相关产生的行为、游泳能力和方式，得到目标鱼类的偏好区域。在该模型中将目标鱼类以代理鱼粒子代替，代理鱼粒子追踪是以拉格朗日形式描述问题，使用牛顿运动定律求解常微分方程。一般情况下，粒子上的作用力可以分为两类，一类来源于外场，另一类来源于粒子相互作用。鱼类运动具有种群聚集效应，大多鱼类种群在其生活周期内存在阶段性的集群行为，从鱼苗开始直至成鱼均存在着追食行为。

代理鱼粒子在良好的饵料区以内食物浓度为第一选择，表现为觅食运动；在良好的饵料区之外选择基本运动，表现为首先选择适宜温度，然后是适宜水深，最后是适宜流速。粒子个体的漂浮游动具有主动迁移和运动的特性，首先是不受限制的随机漫步；前进路线上出现障碍物则绕行，出现利好条件则被诱导；通过对感知范围内环境变量的判断，进行受限区域搜索，前进方向被诱导。

在鱼类个体的成长过程中，粒子能反映出幼鱼到成鱼不同阶段的习性，需要给鱼类个体设置不同的计算函数。赋予代理粒子随机规则、确定性方程和混合规则的运动函数，以及生长函数(size、weight)、索饵函数(fixed)、集群函数，以得到基于拉格朗日的鱼类个体动态模型。

本实施例中采用了基于新陈代谢理论的von Bertalanffy生长方程作为生长函数。

式中，l_t为所述目标鱼类t时刻的平均体长，W_t为所述目标鱼类t时刻的平均体重，l_∞为所述目标鱼类的平均渐进体长，W_∞为所述目标鱼类的平均渐进体重，k为生长系数，t₀为假设的理论生长起点年龄。

采用下式作为所述目标鱼类体重生长模式的选择：

G＝Fixed*0.01*area

式中，fixed为饵料浓度，area为单位网格面积。

目标鱼类种群运动特征表现为同向、对齐、规避障碍等，集群运动的运动方向的确定公式为：

D_i,t+1＝λ₁D_i,t+λ₂D′_i,t+λ₃D″_i,t+λ₄D″′_i,t

式中，D_i,t+1为t+1时刻第i个目标鱼类个体的运动方向，D_i,t为t时刻第i个目标鱼类个体的运动方向，D′_i,t为t时刻第i个目标鱼类个体到临近个体平均位置的方向，D″_i,t为t时刻第i个目标鱼类个体的临近个体的平均方向，D″′_i,t为t时刻小于预设安全距离的临近个体到第i个目标鱼类个体方向的平均值(规避障碍)，考虑到对鱼的影响力不同，还需要对各个方向加权，取加权平均值，权重的大小可以根据偏好确定，λ₁,λ₂,λ₃,λ₄为权重，且λ₁+λ₂+λ₃+λ₄＝1。

觅食速率判别式为：

eat＝if(fixed＜0.1,0,fixed::-(0.1*fixed))

式中，fixed为饵料浓度。

ABM模型计算模式下，代理的运动可以同时受到多种环境因子的影响，其中包括基于欧拉方法下流速、水深、水温、水质浓度等因子，也包括基于拉格朗日方法下其他代理与当前/目标代理之间的相互影响。每个时间步进行代理下一时间步空间位移的如果仅取决于其喜好流速及其临近的个体位置(如逃离其最近的个体)，则当前代理即将发生的运动速度和方向将是上述两个因子各自影响下的代理运动速度矢量的叠加结果。如图3所示。

在图3中五角星表示代理鱼粒子，即生物个体；所有网格含有流速信息；虚线圆圈为某一个代理鱼粒子(五角星)的感知范围；网格表示代理鱼粒子所能感知到的欧拉场环境因子，本例为流速，该流速中有代理鱼粒子最喜欢的流速(鱼类个体喜好流速一般有一定的取值范围)；虚线圈外的五角星表示处于当前代理鱼粒子感知能力范围外的其他代理鱼粒子。

当前时刻代理鱼粒子的运动速度为S_t，运动方向为D_t；两者通过当前时刻代理鱼粒子在搜索半径(虚线圈)内感知到的喜好流速所在网格相比于代理鱼粒子自身位置的方向D_fav(t)及朝向该方向运动的速度S_fav(t)与其在搜索半径(虚线圈)内感知到的离其最近的代理相比于自身位置的反向D_flee(t)及逃离该方向运动的速度S_flee(t)两组速度失量叠加计算得到当前时刻代理运动速度S(t)和运动方向D(t)。

假设代理鱼粒子个体i在特定时间步骤t的位置为

其中x和y是笛卡尔坐标，时刻t+1的位置建模为：

式中，

为t时刻的第i个目标鱼类所在位置，

为t+1时刻第i个目标鱼类所在位置，x和y为笛卡尔坐标系中的横轴和纵轴，S_i,t为t时刻第i个目标鱼类个体的运动速度，D_i,t为t时刻第i个目标鱼类个体的运动方向，θ_i,t为t时刻第i个目标鱼类个体运动方向为D_i,t时的夹角，

为位移偏角；S_i,t∈(0,S_max)，S_max为目标鱼类从t时刻至t+1时刻的时间段内的最大移动速度。

粒子在欧拉法计算的环境场中以鱼类不同阶段生活史特点为优先级，搜索鱼类偏好特征参数如最大饵料浓度、适宜温度、适宜流速等等，并在搜索参数中增加了另一粒子特征，拓展了鱼类行为模型中单一个体的模拟。最终通过ABM框架下欧拉-拉格朗日的信息交互。实现“外源环境-内源感知-鱼群运动决策”的模拟技术。

接下来进行目标鱼类偏好效应的模拟。

研究目标鱼类数量变动的目的是为了解鱼类资源的现状和预测其变动趋势，为水产捕捞、鱼类增殖及渔业资源管理理工科学依据。鱼类种群的数量变动是由捕捞强度变化、水温、河流水文条件等环境条件变化，饵料数量波动等多种因素造成的。模型的选用，参数的设计，各类生物学特征值，例如年龄、重量和生长函数的了解估算，在一定渔场的鱼苗资源量，以及环境因素对种群聚集效应、洄游与数量的影响等等。因此，本实施例对近岸的鱼苗繁衍行为、聚集效应及游泳游向一致性进行了模拟计算分析，便于后续新形成的栖息地的鱼类增殖性放流、鱼类产卵场保护范围划设提供一定的科学依据和支撑。

依靠大量的观察和资料积累，通过数字化和建模技术，利用计算机的大容量和高速计算能力，模拟鱼群的动态，从相似度来探索现象的本质和主要因素，对各种条件下的趋势进行预测。代理粒子对于潜在栖息地j的偏好Pop_j为：

其中，P_ij为第i个所述目标鱼类在第j个所述潜在栖息地中出现的累计密度，

为所有潜在栖息地中出现的所述目标鱼类的累计总密度。

鱼苗集群行为是在鱼苗具有游泳能力后体现的，随着个体的长大，鱼苗集群形式不断变化，鱼苗集群使鱼苗具有生态学适应上的优越性，对其个体的生长和生存是有利的。鱼类成群游动可保存个体的能量，降低消耗，集群游泳时，带头鱼不断地交换，个体能量消耗比较均匀。鱼苗集群生活有安全感，夜晚集群休息则是表现之一，群体中的的鱼对邻伴游泳速度变化可迅速做出反应，能机动的同步逃逸。集群行为有助于鱼类的摄食及避开障碍物，浮游生物有时聚集成团，单尾鱼进入成团区域很慌乱，二集群鱼类进入这一区域由于游泳速度和游向具有一致性，利于捕食浮游生物，而且可以灵活的机动的包围浮游生物，有利于提高鱼苗的存活率。

刚孵化出的鱼苗无集群行为，集群行为是在具有游泳能力后逐渐显现出来的。从鱼苗的生存时间及游泳轨迹线可知，鱼苗群体生活区域在一定范围内，符合在岸边浅水缓流区域发现鱼苗聚集的现象，同时，鱼苗具有岸边边壁捕食苔藓等附着植物、浮游生物的特性，并体现出边壁障碍物的避开效应。

本发明的方法可以确定鱼类偏好的栖息地，从而进行有针对性的修复，在保证鱼类生存环境的同时，降低了修复栖息地的成本。

以上所述，仅是本申请的几个实施例，并非对本申请做任何形式的限制，虽然本申请以较佳实施例揭示如上，然而并非用以限制本申请，任何熟悉本专业的技术人员，在不脱离本申请技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于技术方案范围内。

Claims (10)

1.一种鱼类偏好栖息地的确定方法，其特征在于，包括：

获取目标鱼类所在水环境的参数信息，利用所述水环境的参数信息建立三维水环境模型；

确定所述目标鱼类的生态学函数，结合所述生态学函数在所述三维水环境模型上搭建生物仿真模型；

获取所述生物仿真模型中目标鱼类的运动轨迹，根据运动轨迹确定所述目标鱼类的潜在栖息地；

利用基于累计密度法的偏好学习模型从所述潜在栖息地中确定所述目标鱼类的偏好栖息地。

2.根据权利要求1所述的方法，其特征在于，所述生态学函数包括生长函数、集群函数和觅食函数。

3.根据权利要求2所述的方法，其特征在于，所述生长函数根据第一公式确定，所述第一公式为：

式中，l_t为所述目标鱼类t时刻的平均体长，W_t为所述目标鱼类t时刻的平均体重，l_∞为所述目标鱼类的平均渐进体长，W_∞为所述目标鱼类的平均渐进体重，k为生长系数，t₀为假设的理论生长起点年龄。

4.根据权利要求3所述的方法，其特征在于，所述集群函数根据第二公式确定，所述第二公式为：

D_i,t+1＝λ₁D_i,t+λ₂D′_i,t+λ₃D″_i,t+λ₄D″′_i,t

式中，D_i,t+1为t+1时刻第i个目标鱼类个体的运动方向，D_i,t为t时刻第i个目标鱼类个体的运动方向，D′_i,t为t时刻第i个目标鱼类个体到临近个体平均位置的方向，D″_i,t为t时刻第i个目标鱼类个体的临近个体的平均方向，D″′_i,t为t时刻小于预设安全距离的临近个体到第i个目标鱼类个体方向的平均值，λ₁,λ₂,λ₃,λ₄为权重，且λ₁+λ₂+λ₃+λ₄＝1。

5.根据权利要求4所述的方法，其特征在于，所述觅食函数根据第三公式确定，所述第三公式为：

eat＝if(fixed＜0.1,0,fixed::-(0.1*fixed))

式中，fixed为饵料浓度。

6.根据权利要求5所述的方法，其特征在于，获取所述生物仿真模型中目标鱼类的运动轨迹，具体为：

根据第四公式获取所述生物仿真模型中目标鱼类的运动轨迹，所述第四公式为：

式中，

为t时刻的第i个所述目标鱼类所在位置，

为t+1时刻第i个所述目标鱼类所在位置，x和y为笛卡尔坐标系中的横轴和纵轴，S_i,t为t时刻第i个目标鱼类个体的运动速度，D_i,t为t时刻第i个目标鱼类个体的运动方向，θ_i,t为t时刻第i个目标鱼类个体运动方向为D_i,t时的夹角，

为位移偏角；S_i,t∈(0,S_max)，S_max为所述目标鱼类从t时刻至t+1时刻的时间段内的最大移动速度。

7.根据权利要求6所述的方法，其特征在于，目标鱼类个体的运动速度和运动方向根据第五公式确定，所述第五公式为：

式中，S_i,t为t时刻第i个目标鱼类个体的运动速度，D_i,t为t时刻第i个目标鱼类个体的运动方向，D_fav(t)和S_fav(t)分别为t时刻第i个目标鱼类个体在其感知范围内的喜好流速所在位置相比于当前位置的运动方向及朝向该运动方向的运动速度；D_flee(t)和S_flee(t)分别为t时刻第i个目标鱼类个体逃离其感知范围内最近的临近个体的运动方向及逃离该运动方向的运动速度。

8.根据权利要求7所述的方法，其特征在于，感知范围的确定方法为：

获取所述目标鱼类的视觉信息、听觉信息和嗅觉信息；

根据所述视觉信息、听觉信息和嗅觉信息，确定所述目标鱼类的感知范围。

9.根据权利要求1-8任一项所述的方法，其特征在于，利用基于累计密度法的偏好学习模型从所述潜在栖息地中确定所述目标鱼类的偏好栖息地，具体为：

利用基于累计密度法的偏好学习模型，获取第i个目标鱼类对每个所述潜在栖息地的偏好值；所述基于累计密度法的偏好学习模型根据第六公式确定，所述第六公式为：

式中，P_ij为第i个目标鱼类在第j个所述潜在栖息地中出现的累计密度，记为偏好值，

为所有潜在栖息地中出现所述目标鱼类的总累计密度；

根据所述偏好值确定所述目标鱼类的偏好栖息地。

10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征是，所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述方法的步骤。

Images