CN116029469B - 基于水鸟生境适宜性的闸控湖泊湿地水位确定方法及装置 - Google Patents

基于水鸟生境适宜性的闸控湖泊湿地水位确定方法及装置 Download PDF

Info

Publication number
CN116029469B
CN116029469B CN202310328597.1A CN202310328597A CN116029469B CN 116029469 B CN116029469 B CN 116029469B CN 202310328597 A CN202310328597 A CN 202310328597A CN 116029469 B CN116029469 B CN 116029469B
Authority
CN
China
Prior art keywords
suitability
habitat
water level
data
gate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310328597.1A
Other languages
English (en)
Other versions
CN116029469A (zh
Inventor
朱秀迪
江波
成波
李红清
王晓媛
闫峰陵
刘芷兰
景朝霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
YANGTZE RIVER WATER RESOURCES PROTECTION SCIENCE RESEARCH INSTITUTE
Original Assignee
YANGTZE RIVER WATER RESOURCES PROTECTION SCIENCE RESEARCH INSTITUTE
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by YANGTZE RIVER WATER RESOURCES PROTECTION SCIENCE RESEARCH INSTITUTE filed Critical YANGTZE RIVER WATER RESOURCES PROTECTION SCIENCE RESEARCH INSTITUTE
Priority to CN202310328597.1A priority Critical patent/CN116029469B/zh
Publication of CN116029469A publication Critical patent/CN116029469A/zh
Application granted granted Critical
Publication of CN116029469B publication Critical patent/CN116029469B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于水鸟生境适宜性的闸控湖泊湿地水位确定方法及装置，该方法包括：获取闸控湖泊湿地不同观测时刻的水鸟观测数据；获取水鸟生境适宜性的影响因子数据集；采用最大熵模型耦合水鸟观测数据和影响因子数据集，并预测闸控湖泊湿地的生境适宜性时空分布；拟合水位与水鸟生境适宜性量化的响应关系曲线；从响应关系曲线获得水鸟生境适宜性峰值对应的水位，即最佳闸控水位。本申请从保护多种群水鸟生境适宜性的角度来推荐最佳闸控水位，更具科学性和精准性。

Description

基于水鸟生境适宜性的闸控湖泊湿地水位确定方法及装置
技术领域
本申请属于湿地生态保护和修复的技术领域，具体涉及基于水鸟生境适宜性的闸控湖泊湿地水位确定方法及装置。
背景技术
天然湿地是生物多样性最丰富、生产力最高的生态系统之一。湿地长期以来被公认为“地球之肾”，在水资源保护和水质改善方面发挥着至关重要的作用，是水鸟的主要栖息地。水鸟是湿地生态系统健康及多样性的重要指标生物。水位是影响水鸟栖息地可用性的重要因素。水位波动可能会淹没适合水鸟的栖息地，导致食物资源暂时不可用。闸控湖泊湿地的水位受水闸调控影响。合适的闸控水位能够为水鸟提供充足的食源、安全的栖息缓冲范围、多样的生境类型，为水鸟创造适宜的栖息觅食环境。水鸟生境适宜性评价是指分析某一区域水鸟栖息地需求与环境的匹配情况。因而探索水鸟生境适宜性对水位的响应规律，量化适宜水鸟生息的最佳水位对保护水鸟生境，增强闸控湖泊湿地对鸟类吸引力，维持或增加水鸟种类及数量具有重要意义。
目前，大多数闸控湖泊湿地最佳水位的确定方案，大多依据构建理论适宜生境面积与水位的响应关系求得最佳水位。但由于不同类型水鸟的生境偏好具有差异，且不同水位下理论水鸟适宜生境有多种，且其对水位的响应规律有偏差，因此通过理论适宜生境面积与水位的响应关系来求得最佳水位，更偏重于目标种群水鸟的保护，较难从多种群水鸟保护角度指导水闸调控。
发明内容
本申请的目的是提供基于水鸟生境适宜性的闸控湖泊湿地水位确定方法及装置，本申请顾及多种群水鸟的栖息觅食和适宜生境的偏好，量化闸控区水鸟生境适宜性对水位的响应，从而确定适宜水鸟生息的最佳水位。
为达到上述目的，一方面本申请实施例提供了基于水鸟生境适宜性的闸控湖泊湿地水位确定方法，包括：
获取闸控湖泊湿地不同观测时刻的水鸟观测数据，所述水鸟观测数据至少包括水鸟监测点经纬度以及各监测点观测到的水鸟种类、种群数量；
获取水鸟生境适宜性的影响因子数据集，包括闸控湖泊湿地不同观测时刻的水深数据、湿地类型数据、植被覆盖度数据以及湖区拟预测点分别距泥滩、草滩、水域、农田、圩堤、道路的距离数据；
采用最大熵模型耦合水鸟观测数据和影响因子数据集，并预测闸控湖泊湿地的生境适宜性时空分布；
从生境适宜性时空分布获得不同观测时刻下闸控湖泊湿地的平均生境适宜性指数，基于观测时刻与水位的对应关系获得水位与平均生境适宜性指数的对应关系，并拟合出水位与水鸟生境适宜性量化的响应关系曲线；
从响应关系曲线获得水鸟生境适宜性峰值对应的水位，即最佳闸控水位。
在一些具体实施方式中，闸控湖泊湿地不同观测时刻的水深数据，采用如下方法获得：
获取闸控湖泊湿地不同观测时刻的水位数据和水下地形数据，根据水位数据和水下地形数据获得水位和水下地形之差，得到水深数据。
在一些具体实施方式中，闸控湖泊湿地不同观测时刻的湿地类型数据，采用如下方法获得：
获取不同观测时刻下覆盖闸控湖泊湿地的遥感影像，采用支持向量机法和目视解译法对遥感影像进行湿地类型划分，划分结果即湿地类型数据。
进一步的，湿地类型包括水域、泥滩、草滩、农田、林地和建设用地。
在一些具体实施方式中，闸控湖泊湿地不同观测时刻的植被覆盖度数据，采用如下方法获得：
采用波段组合法估算闸控湖泊湿地的植被覆盖度。
在一些具体实施方式中，闸控湖泊湿地不同观测时刻湖区拟预测点分别距泥滩、草滩、水域、农田、圩堤、道路的距离数据，采用如下方法获得：
获取不同观测时刻下覆盖闸控湖泊湿地的遥感影像；从遥感影像中提取圩堤和道路的矢量数据；从湿地类型数据中提取泥滩、草滩、水域、农田的矢量数据；采用欧式距离法分别计算湖区拟预测点与圩堤、道路、泥滩、草滩、水域、农田的距离。
在一些具体实施方式中，采用最大熵模型耦合水鸟观测数据和影响因子数据集，并预测闸控湖泊湿地的生境适宜性时空分布，包括：
在各观测时刻下分别预测闸控湖泊湿地的生境适宜性空间分布，经融合获得闸控湖泊湿地的生境适宜性时空分布；其中，在各观测时刻下分别预测闸控湖泊湿地的生境适宜性空间分布，采用如下方法：
构建观测时刻t的训练数据集(X,Y)={(x i ,y i )| i=1,2,…m}，其中，x i 表示观测时刻t下第i个监测点的影响因子数据；y i 表示观测时刻t下第i个监测点的水鸟出现情况，当观测时刻t第i个监测点观测到的水鸟种群数量大于0，则y i =1，否则y i =0；m表示监测点数量；
根据训练数据集构造m个特征函数f(x,y)及对应的约束条件，经求解获得若干满足m个约束条件的模型集合C；
通过试算法从模型集合C中选择使熵最大的模型，即最佳模型；
采用最佳模型预测闸控湖泊湿地的生境适宜性空间分布。
另一方面，本申请实施例还提供了基于水鸟生境适宜性的闸控湖泊湿地水位确定装置，其包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现上述基于水鸟生境适宜性的闸控湖泊湿地水位确定方法。
与现有技术相比，本申请具有如下优点和有益效果：
考虑多种群水鸟适宜生境的偏好，对闸控湖泊湿地水鸟生境适宜性对水位的响应进行量化，获得水位与水鸟生境适宜性量化的响应关系曲线，基于该响应关系曲线确定适宜水鸟生息的最佳闸控水位。本申请从保护多种群水鸟生境适宜性的角度来推荐最佳闸控水位，更具科学性和精准性。
附图说明
图1为本申请实施例的流程图；
图2~3为本申请实施例中不同观测时刻的水鸟观测数据；
图4为本申请实施例中某一观测时刻下的影响因子数据；
图5为本申请实施例预测的生境适宜性时空分布示意图；
图6为本申请实施例所获得的水位与水鸟生境适宜性量化的响应关系曲线。
具体实施方式
为使本领域技术人员更好地理解本发明，下面将对本申请实施例的具体实施方式进行清楚、完整地描述，显然，下文所描述的仅为具体实施方式，其并不限制本申请的保护范围。
参见图1，所示为本申请实施例的流程图，下面将结合图1详细描述本申请实施例的具体实施方式。本申请实施例基于水鸟生境适宜性的闸控湖泊湿地最佳水位确定方法的具体步骤如下：
（1）获取闸控湖泊湿地不同观测时刻的水鸟观测数据，至少包括水鸟监测点经纬度以及各监测点观测到的水鸟种类、种群数量。可选人工观察方式对闸控湖泊湿地水鸟进行观测。图2~3所示为本实施例的水鸟观测数据，该图示出了不同观测时刻闸控湖泊湿地的水鸟空间分数据，其中，图2中的（a）~（f）图分别为2018年11月、2018年12月、2019年1月、2019年11月、2019年12月、2020年1月的水鸟观测数据，图3中的（a）~（f）图分别为2020年11月、2020年12月、2021年1月、2021年11月、2021年12月、2022年1月的水鸟观测数据。
（2）获取闸控湖泊湿地不同观测时刻的水深数据。
获取水深数据的一种可选方法为：采集不同观测时刻下闸控湖泊湿地的水位数据和水下地形数据，水下地形数据一般可采用水上测深仪进行测绘；根据水位数据和水下地形数据，获得水位和湖泊的水下地形之差，得到水深数据。
将观测时刻记为T＝{t 1,t 2,…,t n}，则水位数据集表示为W={W(t 1),W(t 2),…,W(t n)}，其中，W(t 1)、W(t 2)、…、W(t n)分别为不同观测时刻下的水位数据；所得水深数据集表示为D={D(t 1),D(t 2),…,D(t n)}，其中，D(t 1)、D(t 2)、…D(t n)分别为不同观测时刻下的水深数据。
（3）获取闸控湖泊湿地不同观测时刻的湿地类型数据和植被覆盖度数据。
获取湿地类型数据和植被覆盖度数据的一种可选方法为：获取不同观测时刻下覆盖闸控湖泊湿地的遥感影像，遥感影像优选高分辨率遥感影像，结合支持向量机分类法和目视解译法对遥感影像进行湿地类型划分，划分结果即湿地类型数据；并采用波段组合法进行反演，估算闸控湖泊湿地的植被覆盖度。本申请实施例中所划分的湿地类型包括水域、泥滩、草滩、农田、林地和建设用地。
将获取的遥感影像集记为RS_image＝{RS_I(t 1),RS_I(t 2),…RS_I(t n)}，其中，RS_I(t 1)、RS_I(t 2)、…RS_I(t n)分别为不同观测时刻的遥感影像；将湿地类型数据集记为WT={WT 1,WT 2,…WT n }，其中，WT 1、WT 2、…WT n 分别为不同观测时刻的湿地类型数据；将获得的植被覆盖度数据集记为NDVI={NDVI 1,NDVI 2,…NDVI n}，NDVI 1、NDVI 2、…NDVI n分别为不同观测时刻的植被覆盖度数据。
（4）获取闸控湖泊湿地不同观测时刻湖区拟预测点分别距泥滩、草滩、水域、农田、圩堤、道路的距离数据。
获取距离数据的一种可选方法为：获取不同观测时刻下覆盖闸控湖泊湿地的遥感影像，遥感影像优选高分辨率遥感影像；采用目视解译法从遥感影像中提取圩堤和道路的矢量数据；从湿地类型数据中提取泥滩、草滩、水域、农田的矢量数据；采用欧式距离法分别计算湖区拟预测点与圩堤、道路、泥滩、草滩、水域、农田的距离。
将各观测时刻下湖区拟预测点与泥滩的距离数据集eudistance_mud表示如下：
eudistance_mud={eudistance_mud(t 1),eudistance_mud(t 2),…,eudistance_ mud(t n)}，其中，eudistance_mud(t 1)、eudistance_mud(t 2)、…、eudistance_mud(t n)分别为不同观测时刻下湖区拟预测点与泥滩的距离数据；
所获得的湖区拟预测点与草滩的距离数据集eudistance_grass表示如下：
eudistance_grass={eudistance_grass(t 1),eudistance_grass(t 2),…,eudistance_grass(t n)}，其中，eudistance_grass(t 1)、eudistance_grass(t 2)、…eudistance_grass(t n)分别为不同观测时刻下湖区拟预测点与草滩的距离数据；
所获得的湖区拟预测点与水域的距离数据集eudistance_water表示如下：
eudistance_water={eudistance_water(t 1),eudistance_water(t 2),…,eudistance_water(t n)}，其中，eudistance_water(t 1)、eudistance_water(t 2)、…eudistance_water(t n)分别为不同观测时刻下湖区拟预测点与水域的距离数据；
所获得的湖区拟预测点与农田的距离数据集eudistance_cropland表示如下：
eudistance_cropland={eudistance_cropland(t 1),eudistance_cropland(t 2),…,eudistance_cropland(t n)}，其中，eudistance_cropland(t 1)、eudistance_ cropland(t 2)、…eudistance_cropland(t n)分别为不同观测时刻下湖区拟预测点与农田的距离数据；
所获得的湖区拟预测点与圩堤的距离数据集eudistance_WD表示如下：
eudistance_WD={eudistance_WD(t 1),eudistance_WD(t 2),…,eudistance_WD(t n)}，其中，eudistance_WD(t 1)、eudistance_WD(t 2)、…eudistance_WD(t n)分别为不同观测时刻下湖区拟预测点与圩堤的距离数据；
所获得的湖区拟预测点与道路的距离数据集eudistance_road表示如下：
eudistance_road={eudistance_road(t 1),eudistance_road(t 2),…,eudistance_road(t n)}，其中，eudistance_road(t 1)、eudistance_road(t 2)、…eudistance_road(t n)分别为不同观测时刻下湖区拟预测点与道路的距离数据。
上述水深数据、植被覆盖度数据、湿地类型数据以及距离数据构成本申请实施例中水鸟生境适宜性的影响因子数据集。参见图4，所示为本申请实施例中某一观测时刻下的影响因子数据示意图，包括湿地类型数据，植被覆盖度数据，水深数据，与农田的距离数据集，与草滩的距离数据集，与泥滩的距离数据集，与水域的距离数据集，与圩堤的距离数据集，与道路的距离数据集，分别见图4中的（a）~（i）图。
（5）采用最大熵模型耦合水鸟观测数据和影响因子数据集，并预测闸控湖泊湿地的生境适宜性时空分布。
本申请采用最大熵模型耦合水鸟生境适宜性的影响因子数据和水鸟观测数据，预测闸控湖泊湿地的生境适宜性时空分布。本步骤的具体实施过程进一步包括：
5.1构建训练数据集。
假设在观测时刻t下有k t 个水鸟监测点，从k t 个监测点中随机抽取部分或全部监测点，将所抽取监测点数量记为m，采用抽取的m个监测点构建训练数据集，则观测时刻t的训练数据包括m个样本，如下：(X,Y)={(x i ,y i )| i=1,2,…m} （1）
式（1）中：
i表示m个监测点中的第i个监测点；
x i 表示观测时刻t第i个监测点的影响因子数据，x i ={D(lon(i), lat(i))，WT(lon(i), lat(i)), NDVI(lon(i), lat(i)), eudistance_mud(lon(i), lat(i)),eudistance_grass(lon(i), lat(i)), eudistance_water(lon(i), lat(i)),eudistance_cropland(lon(i), lat(i)), eudistance_WD(lon(i), lat(i)),eudistance_road(lon(i), lat(i))}；其中：
(lon(i), lat(i))表示第i个监测点位置；D(lon(i), lat(i))、WT(lon(i), lat(i))、NDVI(lon(i), lat(i))分别表示第i个监测点处的水深数据、湿地类型数据、植被覆盖度数据；
eudistance_mud(lon(i), lat(i))、eudistance_grass(lon(i), lat(i))、eudistance_water(lon(i), lat(i))、eudistance_cropland(lon(i), lat(i))、eudistance_WD(lon(i), lat(i))、eudistance_road(lon(i), lat(i))分别表示第i个监测点距泥滩、草滩、水域、农田、圩堤、道路的距离数据；
y i 表示观测时刻t第i个监测点的水鸟出现情况，当观测时刻t第i个监测点有水鸟出现，即监测点观测到的水鸟种群数量大于0，则y i =1，否则y i =0。
5.2根据训练数据集分别构造m个特征函数f(x,y)及对应的约束条件。
特征函数f(x,y)用来描述训练数据集中x和y分的关系，其定义见式（2）：
Figure SMS_1
（2）
其中，x、y分别表示影响因子数据和水鸟出现情况。
约束条件基于假设
Figure SMS_2
构建，/>
Figure SMS_3
表示特征函数f(x,y)关于经验分布的期望值/>
Figure SMS_4
的期望值：
Figure SMS_5
（3）
EP(f)表示特征函数f(x,y)关于条件分布
Figure SMS_6
和经验分布/>
Figure SMS_7
的期望值：
Figure SMS_8
（4）
求解得到满足m个约束条件的模型集合C。
5.3 通过试算法从模型集合C中选择使熵H(P)最大的模型，即最佳模型。
熵H(P)的定义如下：
Figure SMS_9
（5）
5.4采用最佳模型预测闸控湖泊湿地的生境适宜性空间分布。
在不同观测时刻下分别采用上述步骤预测闸控湖泊湿地的生境适宜性空间分布，从而获得闸控湖泊湿地的生境适宜性时空分布。本申请实施例所预测的生境适宜性时空分布见图5所示，其中图5中的（a）~（l）图分别为不同观测时刻下闸控湿地区的生境适宜性空间分布。
（6）根据生境适宜性时空分布，获得不同观测时刻下闸控湖泊湿地的平均生境适宜性指数，基于观测时刻与水位的对应关系获得水位与平均生境适宜性指数的对应关系，并拟合水位与水鸟生境适宜性量化的响应关系曲线。
本申请实施例中采用区域平均计算闸控湖泊湿地的平均生境适宜性指数，采用非线性拟合方式拟合出水位与平均生境适宜性指数的响应关系曲线，即水位与水鸟生境适宜性量化的响应关系曲线。本申请实施例所获得的响应关系曲线见图6，该响应关系曲线的数学表达式如下：
Figure SMS_10
（6）
其中，h表示水位，s表示平均生境适宜性指数。
（7）从响应关系曲线获得水鸟生境适宜性峰值对应的水位，作为推荐的最佳闸控水位。
获得水鸟生境适宜性峰值对应的水位的一种可选方法为图像法结合梯度下降法，包括：
7.1设置梯度下降法的初始步长θ0=7.35m，计算目标函数的梯度。本申请实施例的目标函数见式（6），则目标函数对应的梯度
Figure SMS_11
。
7.2利用迭代公式
Figure SMS_12
进行迭代，直至梯度/>
Figure SMS_13
，其中，/>
Figure SMS_14
为预设的调试步长，α为预设的精度。本申请实施例中调试步长/>
Figure SMS_15
取0.01，α取0.0001；当第5次迭代时，梯度/>
Figure SMS_16
，则结束迭代，此时θ为7.40m，即7.40m为推荐的最佳闸控水位。
上述基于水鸟生境适宜性的闸控湖泊湿地水位确定方法可通过计算机程序实现，因此本申请实施例还提供了基于水鸟生境适宜性的闸控湖泊湿地水位确定装置，该装置包括存储器和处理器，存储器用来存储计算机程序，处理器用来执行该计算机程序，当处理器获取到水鸟观测数据和影响因子数据集，则自动执行上述步骤（5）~（7），从而实现基于水鸟生境适宜性的闸控湖泊湿地水位确定方法。
注意，上述仅为本申请的较佳实施例及所运用的技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请的构思的情况下，还可以包括更多其他等效实施例，均属于本申请的保护范畴。

Claims (8)

1.基于水鸟生境适宜性的闸控湖泊湿地水位确定方法，其特征是，包括：
获取闸控湖泊湿地不同观测时刻的水鸟观测数据，所述水鸟观测数据至少包括水鸟监测点经纬度以及各监测点观测到的水鸟种类、种群数量；
获取水鸟生境适宜性的影响因子数据集，包括闸控湖泊湿地不同观测时刻的水深数据、湿地类型数据、植被覆盖度数据以及湖区拟预测点分别距泥滩、草滩、水域、农田、圩堤、道路的距离数据；
采用最大熵模型耦合水鸟观测数据和影响因子数据集，并预测闸控湖泊湿地的生境适宜性时空分布；
从生境适宜性时空分布获得不同观测时刻下闸控湖泊湿地的平均生境适宜性指数，基于观测时刻与水位的对应关系获得水位与平均生境适宜性指数的对应关系，并拟合出水位与水鸟生境适宜性量化的响应关系曲线；
从响应关系曲线获得水鸟生境适宜性峰值对应的水位，即最佳闸控水位。
2.如权利要求1所述的基于水鸟生境适宜性的闸控湖泊湿地水位确定方法，其特征是：
所述水深数据采用如下方法获得：
获取闸控湖泊湿地不同观测时刻的水位数据和水下地形数据，根据水位数据和水下地形数据获得水位和水下地形之差，得到水深数据。
3.如权利要求1所述的基于水鸟生境适宜性的闸控湖泊湿地水位确定方法，其特征是：
所述湿地类型数据采用如下方法获得：
获取不同观测时刻下覆盖闸控湖泊湿地的遥感影像，采用支持向量机法和目视解译法对遥感影像进行湿地类型划分，划分结果即湿地类型数据。
4.如权利要求1所述的基于水鸟生境适宜性的闸控湖泊湿地水位确定方法，其特征是：
所述湿地类型包括水域、泥滩、草滩、农田、林地和建设用地。
5.如权利要求1所述的基于水鸟生境适宜性的闸控湖泊湿地水位确定方法，其特征是：
所述植被覆盖度数据采用如下方法获得：
采用波段组合法估算闸控湖泊湿地的植被覆盖度。
6.如权利要求1所述的基于水鸟生境适宜性的闸控湖泊湿地水位确定方法，其特征是：
所述湖区拟预测点分别距泥滩、草滩、水域、农田、圩堤、道路的距离数据，采用如下方法获得：
获取不同观测时刻下覆盖闸控湖泊湿地的遥感影像；从遥感影像中提取圩堤和道路的矢量数据；从湿地类型数据中提取泥滩、草滩、水域、农田的矢量数据；采用欧式距离法分别计算湖区拟预测点与圩堤、道路、泥滩、草滩、水域、农田的距离。
7.如权利要求1所述的基于水鸟生境适宜性的闸控湖泊湿地水位确定方法，其特征是：
所述采用最大熵模型耦合水鸟观测数据和影响因子数据集，并预测闸控湖泊湿地的生境适宜性时空分布，包括：
在各观测时刻下分别预测闸控湖泊湿地的生境适宜性空间分布，经融合获得闸控湖泊湿地的生境适宜性时空分布；其中，在各观测时刻下分别预测闸控湖泊湿地的生境适宜性空间分布，采用如下方法：
构建观测时刻t的训练数据集(X,Y)={(x i ,y i )| i=1,2,…m}，其中，x i 表示观测时刻t下第i个监测点的影响因子数据；y i 表示观测时刻t下第i个监测点的水鸟出现情况，当观测时刻t第i个监测点观测到的水鸟种群数量大于0，则y i =1，否则y i =0；m表示监测点数量；
根据训练数据集构造m个特征函数f(x,y)及对应的约束条件，经求解获得若干满足m个约束条件的模型集合C；
通过试算法从模型集合C中选择使熵最大的模型，即最佳模型；
采用最佳模型预测闸控湖泊湿地的生境适宜性空间分布。
8.基于水鸟生境适宜性的闸控湖泊湿地水位确定装置，其特征是：
包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现如权利要求1-7中任一项所述的基于水鸟生境适宜性的闸控湖泊湿地水位确定方法。
CN202310328597.1A 2023-03-30 2023-03-30 基于水鸟生境适宜性的闸控湖泊湿地水位确定方法及装置 Active CN116029469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310328597.1A CN116029469B (zh) 2023-03-30 2023-03-30 基于水鸟生境适宜性的闸控湖泊湿地水位确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310328597.1A CN116029469B (zh) 2023-03-30 2023-03-30 基于水鸟生境适宜性的闸控湖泊湿地水位确定方法及装置

Publications (2)

Publication Number Publication Date
CN116029469A CN116029469A (zh) 2023-04-28
CN116029469B true CN116029469B (zh) 2023-06-27

Family

ID=86079891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310328597.1A Active CN116029469B (zh) 2023-03-30 2023-03-30 基于水鸟生境适宜性的闸控湖泊湿地水位确定方法及装置

Country Status (1)

Country Link
CN (1) CN116029469B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116539008B (zh) * 2023-07-06 2023-09-22 长江水资源保护科学研究所 一种基于船舶噪声对水鸟影响的湖泊通航范围确定方法
CN117313434B (zh) * 2023-11-29 2024-02-20 长江水资源保护科学研究所 基于越冬水鸟对水位响应关系的湖泊湿地微地形营造方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110330110A (zh) * 2019-08-02 2019-10-15 交通运输部天津水运工程科学研究所 一种适于水鸟生息的湿地水位调控值确定方法
CN111523089A (zh) * 2020-04-19 2020-08-11 长江水资源保护科学研究所 基于水位～湖容关系的候鸟越冬期湖泊试验性水位调控方法
CN113688497A (zh) * 2021-07-05 2021-11-23 郑州大学 基于生态-生境-流量分组响应机制的生态流量量化方法
CN114282403A (zh) * 2021-11-22 2022-04-05 西安理工大学 一种耦合生境适宜模型的高效高精度栖息地模拟方法
CN114329957A (zh) * 2021-12-27 2022-04-12 中国水产科学研究院长江水产研究所 一种快速识别内陆河流鱼类群落适宜栖息地的模型构建方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103931397A (zh) * 2014-04-17 2014-07-23 华东师范大学 一种用于水鸟保育的滨海人工湿地及其构建方法
CN112784503B (zh) * 2021-01-12 2023-04-18 水利部交通运输部国家能源局南京水利科学研究院 一种闸坝调度下水鸟栖息地适宜性计算方法与装置
CN113011740B (zh) * 2021-03-18 2021-09-14 长江水资源保护科学研究所 一种用于构建湖泊湿地生态对水位梯度响应关系的方法
CN114971295B (zh) * 2022-05-26 2023-09-05 中国长江三峡集团有限公司 改善通江湖泊候鸟栖息地生境的水库调度方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110330110A (zh) * 2019-08-02 2019-10-15 交通运输部天津水运工程科学研究所 一种适于水鸟生息的湿地水位调控值确定方法
CN111523089A (zh) * 2020-04-19 2020-08-11 长江水资源保护科学研究所 基于水位～湖容关系的候鸟越冬期湖泊试验性水位调控方法
CN113688497A (zh) * 2021-07-05 2021-11-23 郑州大学 基于生态-生境-流量分组响应机制的生态流量量化方法
CN114282403A (zh) * 2021-11-22 2022-04-05 西安理工大学 一种耦合生境适宜模型的高效高精度栖息地模拟方法
CN114329957A (zh) * 2021-12-27 2022-04-12 中国水产科学研究院长江水产研究所 一种快速识别内陆河流鱼类群落适宜栖息地的模型构建方法

Also Published As

Publication number Publication date
CN116029469A (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN116029469B (zh) 基于水鸟生境适宜性的闸控湖泊湿地水位确定方法及装置
Harmelin-Vivien et al. Gradients of abundance and biomass across reserve boundaries in six Mediterranean marine protected areas: Evidence of fish spillover?
Thorson et al. Accounting for spatiotemporal variation and fisher targeting when estimating abundance from multispecies fishery data
Hartel et al. Changes in habitat use patterns by bottlenose dolphins over a 10-year period render static management boundaries ineffective
Kallasvuo et al. Modeling the spatial distribution of larval fish abundance provides essential information for management
Fonseca et al. Identifying fish diversity hot-spots in data-poor situations
Lambert et al. Habitat features determine the basking distribution of introduced red-eared sliders and native western pond turtles
Raab et al. Low-head dams facilitate Round Goby Neogobius melanostomus invasion
Benestan et al. Restricted dispersal in a sea of gene flow
Miller et al. Estimation of the capture efficiency and abundance of Atlantic sea scallops (Placopecten magellanicus) from paired photographic–dredge tows using hierarchical models
Ware et al. Using wave runup modeling to inform coastal species management: An example application for sea turtle nest relocation
Edwards et al. Using climate and a minimum set of local characteristics to predict the future distributions of freshwater fish in Ontario, Canada, at the lake-scale
Doherty et al. Using autonomous video to estimate the bottom-contact area of longline trap gear and presence–absence of sensitive benthic habitat1
Xie et al. Are river protected areas sufficient for fish conservation? Implications from large-scale hydroacoustic surveys in the middle reach of the Yangtze River
Newton et al. Estimation of vital population rates to assess the relative health of mussel assemblages in the Upper Mississippi River
Costa et al. Application of the physical habitat simulation for fish species to assess environmental flows in an Atlantic Forest Stream in South-eastern Brazil
Martins et al. Towed-float GPS telemetry: a tool to assess movement patterns and habitat use of juvenile stingrays
Perry et al. Application of the Stream Salmonid Simulator (S3) to the restoration reach of the Trinity River, California—Parameterization and calibration
Bloor The ecology, distribution and spawning behaviour of the commercially important common cuttlefish (Sepia officinalis) in the inshore waters of the English Channel
Morris Distribution of queen conch (Strombus gigas) on the Pedro Bank, Jamaica: Descriptive and predictive distribution models
Kock et al. Synthesis of habitat availability and carrying capacity research to support water management decisions and enhance conditions for Pacific salmon in the Willamette River, Oregon
Harrison A synthesis of marine predator migrations, distribution, species overlap, and use of Pacific Ocean Exclusive Economic Zones
Schmiing et al. Predictive mapping of reproductive fish habitats to aid marine conservation planning
Albalawi Assessing and predicting the impact of land use and land cover change on groundwater using geospatial techniques: a case study of Tabuk, Saudi Arabia
Cappo Development of a baited video technique and spatial models to explain patterns of fish biodiversity in inter-reef waters

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant