CN116343129B - 基于遥感影像和神经网络的水体富营养监测及修复方法 - Google Patents
基于遥感影像和神经网络的水体富营养监测及修复方法 Download PDFInfo
- Publication number
- CN116343129B CN116343129B CN202310355180.4A CN202310355180A CN116343129B CN 116343129 B CN116343129 B CN 116343129B CN 202310355180 A CN202310355180 A CN 202310355180A CN 116343129 B CN116343129 B CN 116343129B
- Authority
- CN
- China
- Prior art keywords
- algae
- fish
- lake
- density
- water
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012851 eutrophication Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 241000251468 Actinopterygii Species 0.000 claims abstract description 95
- 241000195493 Cryptophyta Species 0.000 claims abstract description 82
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims abstract description 45
- 229910052698 phosphorus Inorganic materials 0.000 claims abstract description 45
- 239000011574 phosphorus Substances 0.000 claims abstract description 45
- 230000012010 growth Effects 0.000 claims abstract description 39
- 238000000746 purification Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 235000015097 nutrients Nutrition 0.000 claims abstract description 6
- 238000003860 storage Methods 0.000 claims description 35
- 238000005070 sampling Methods 0.000 claims description 29
- 230000005791 algae growth Effects 0.000 claims description 24
- 238000009966 trimming Methods 0.000 claims description 16
- 235000021050 feed intake Nutrition 0.000 claims description 15
- 238000002474 experimental method Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 10
- 239000011664 nicotinic acid Substances 0.000 claims description 9
- 230000035755 proliferation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000008033 biological extinction Effects 0.000 claims description 3
- 238000012258 culturing Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 241000196324 Embryophyta Species 0.000 description 40
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 230000005251 gamma ray Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- 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
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明公开了一种基于遥感影像和神经网络的水体富营养监测及修复方法,其包括获取城市中待监测湖泊的平均磷浓度,判断平均磷浓度是否大于磷富浓度警戒值,若是,进入下一步,否则,湖泊未发生富营养化;获取湖泊在预设深度时水中的图像信息,并将图像信息输入已训练的卷积神经网络,得到采食水藻的鱼类密度;判断鱼类密度是否小于最佳生长密度,若是,进入下一步,否则进入最后一步;根据平均磷浓度和鱼类密度,计算需要向湖泊投放采食水藻的鱼的鱼苗重量,之后向湖泊投放鱼苗,并在预设净化时长后对湖泊中鱼类进行捕捞;在湖泊上设置生态浮岛,并在生态浮岛上种植利用水体中养分的观赏性水生植物,并控制水生植物生长高度。
Description
技术领域
本发明涉及生态修复领域,具体涉及一种基于遥感影像和神经网络的水体富营养监测及修复方法。
背景技术
城市河流和湖泊是城市湿地的重要组成部分,不仅具有维持生物多样性、保存淡水资源、调蓄洪水、补充地下水、调节气候等生态功能,还能增加城市生态景观多样性、美化城市环境、为城市居民提供休闲场所。但现在随着各大城市的人口不断增加、各式各样厂家的增加以及牲畜养殖业和植物种植规模化发展,产生了大量的污染源,使得城市河流和湖泊水体易出现富营养化,给城市居民的健康以及生态安全受到威胁。
现有技术中并没有对被治理湖泊大小进行过多的关注,而在面积较大的城市富营养化湖泊生态修复过程中,采用传统的岸边种植树林,河坡种植灌木和草坪,这种植物成长需要一定周期,存在修复周期长,且只能对后续进入湖泊的水体起到净化,对现有湖泊水体几乎起不到净化效果,而城市对生态环境要求高,希望快速对湖泊水体进行修复,且还能达到景观效果,这使得现有传统的生态治理难以满足城市生态需求。
发明内容
针对现有技术中的上述不足,本发明提供的基于遥感影像和神经网络的水体富营养监测及修复方法解决了传统岸边种植植物的方式难以对已富营养的水体进行净化的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种基于遥感影像和神经网络的水体富营养监测及修复方法,其包括步骤:
S1、获取城市中待监测湖泊的遥感影像,并将遥感影像划分为若干区块,设置每个区块的中心为浓度采集点;
S2、基于最小化路径算法规划经过每个浓度采集点的最短路径,并采用搭载有磷浓度检测仪的无人机基于最短路径采集每个浓度采样点的磷浓度;
S3、计算所有磷浓度的平均值作为湖泊的平均磷浓度,判断平均磷浓度是否大于磷富浓度警戒值,若是,进入步骤S4,否则,湖泊未发生富营养化;
S4、获取湖泊在预设深度时水中的图像信息,并将图像信息输入已训练的卷积神经网络,得到采食水藻的鱼类密度;
S5、判断鱼类密度是否小于最佳生长密度,若是,进入步骤S6,否则进入步骤S7;
S6、根据平均磷浓度和鱼类密度,计算需要向湖泊投放采食水藻的鱼的鱼苗重量,之后向湖泊投放鱼苗,并在预设净化时长后对湖泊中鱼类进行捕捞;
S7、在湖泊上设置生态浮岛,并在生态浮岛上种植利用水体中养分的观赏性水生植物,并控制水生植物生长高度。
本发明的有益效果为:本方案基于遥感影像对湖泊进行分块,可以实现磷浓度快速且准确的采集,采集的图像信息和神经网络结合,能够通过大数据准确对鱼类进行分类,并获取到相对准确的采食藻类的鱼类密度,保证后面计算的投放鱼苗重量,能够在预设时间内达到预期净化效果。
监测过程中,对湖泊水体的富营养化进行监测,在水体富营养化情况下,通过考虑采食水藻的鱼类与水藻的共生方式进行水体自身的净化,这种方式能够充分利用水体的中水藻进行富营养水体净化时,且净化成本低,生长的鱼类捕捞后还可以产生经济价值。
在鱼类与水藻不能对水体进行净化时,采用生态浮岛上种植的植物进行水体净化,该种净化方式不仅能够实现水体净化,还能够形成类似湿地公园景观,美化环境,提高城市市容。
进一步地,步骤S6进一步包括:
S61、将最佳生长密度减预设值作为密度上限值,将鱼类密度作为初始密度,并在初始密度和密度上限值之间选取若干密度参考值;
S62、根据平均磷浓度和密度参考值,计算在期望净化时长内的水藻增长量及每个密度参考值下采食水藻鱼类的采食量;
S63、判断所有采食量中是否存在大于等于水藻增长量的值,若是,进入步骤S64,否则,进入步骤S7;
S64、选取采食量中大于等于水藻增长量的最小值,计算采食水藻的鱼类从初始密度值增长至最小值对应的密度参考值需投放的鱼苗重量;
S65、根据鱼苗重量向湖泊投放鱼苗,并在期望净化时长达到后对湖泊中鱼类进行捕捞,直至达到湖泊的最佳容纳量。
进一步地,步骤S4进一步包括:
S41、获取城市待监测湖泊的遥感影像,并根据仿生鱼水下摄像机的采集范围将遥感影像划分为若干采集区;
S42、采用采集区中心正下方预设深度的点作为采样点,并基于最小化路径算法计算仿生鱼水下摄像机经过所有采样点的最短路径;
S43、仿生鱼水下摄像机根据最短路径运动至每个采样点,采集每个采样点360角度的图像信息;
S44、将每个采样点采集的所有图像信息分别输入卷积神经网络,识别得到每个采样点中采食水藻的鱼的实测条数;
S45、计算所有采样点的实测条数的平均数量,采用平均数量除以360°角度采集的图像信息覆盖的水域体积,得到单位体积内的鱼类密度。
上述技术方案的有益效果为:本方案通过遥感影像可以获取到当前湖泊轮廓,在基于此进行采样点的选取,可以保证采样点的全面覆盖,以保证后续采集的鱼类密度能够相对准确地反映鱼类的当前密度。
进一步地,采食水藻鱼类的采食量Q采食和水藻增长量M增的计算公式分别为:
其中,i为时间变量,n为期望净化时长;ρ鱼为单位体积内的鱼类密度;S湖为湖泊面积;h采为采食水藻的鱼类的生活水深;m均为单条采食水藻的鱼类均重;γ增为单位重量的鱼在藻类充足时每天的增长率;q采为单位重量的鱼类采食的藻类重量;K修为藻类生长修正系数;ρ磷初为平均磷浓度;ρ磷末为水体中磷的理论最佳浓度;V湖为湖泊的体积;p耗为每增长单位质量藻类消耗的磷。
上述技术方案的有益效果为:本方案在对采食量进行计算时综合考虑了鱼类的生活水体深度及鱼类在食物充足环境下的增长率,从而保证了在期望净化时长内得到的采食重量的准确性;
在水藻增长量计算过程,通过设置修正参数后,可以消除外部环境对水藻生长的影响,避免计算得到的理论质量偏离真实质量较多,从而保证了后续基于采食量Q采食和水藻增长量M增对水体自净化评估的准确性。
进一步地,藻类生长修正系数的获取方法包括:
配置若干实验箱,并向每个实验箱中投放预设重量的水藻;
培养水藻预设天数,期间保持实验箱中的水体环境处于水藻最佳生长环境,培养完成后,取出实验箱中的水藻,并称重得到水藻的实测重量;
取所有实测重量的平均值,并根据预设重量和平均值,计算藻类生长修正系数:
其中,m均为平均值;m初为预设重量;α为水藻的增殖率;f1和f2分别为水下光照和水温对水藻增殖的限制因子;t为预设天数。
上述技术方案的有益效果为:本方案通过实验可以得到水藻在最佳适应环境下的真实增长重量,再将与基于增长率得到的理论增长量的比值作为藻类生长修正系数,可以准确反映理论值与真实值的偏差,再采用其对水藻增长量进行修正,保证了修正后得到的参数更接近真实值。
进一步地,水下光照和水温对水藻增殖的限制因子的计算公式分别为:
f2=exp[-tg(T-Tm)2]
其中,k为水下消光系数;I0为预设天数内水面的平均日照强度;Im为水藻的饱和光强;Zd为湖泊中水藻生长层的垂直高度;z为计算单元厚度;e为自然对数;Ktg为温度对水藻生长的限制系数;T为预设天数内湖泊水面实测温度均值;Tm为水藻的最佳适应温度。
进一步地,生态浮岛包括圆形浮床和安装在浮床上的植株修剪装置;圆形浮床上设置有若干下沉式种植槽,种植槽的底部开设有若干与水体连通的进水孔;圆形浮床在半径方向开设有至少两条下沉式收纳槽,其中两条收纳槽共用一侧壁,侧壁的高度大于收纳槽的深度,圆形浮床的中心位置开设有下沉式圆形收纳腔;
植株修剪装置包括安装在圆形收纳腔内的电动转盘,电动转盘上安装有电动伸缩杆,电动伸缩杆上固定安装有绿篱修剪机,绿篱修剪机的修剪刀片的长度等于种植的水生植物半径;共用同一侧壁的两条收纳槽中,其中一个收纳槽用于存放绿篱修剪机;圆形浮床上安装有摄像头,摄像头、电动转盘、电动伸缩杆和绿篱修剪机均采用圆形浮床上安装的太阳能电池板供电,且均与控制模块电连接。
上述技术方案的有益效果为:本方案生态浮岛种植的水生植物可以直接利用水体中的养分进行生长,并通过定期采集的图像可以确定植物高度,以定期采用植物修剪装置对水生植物进行自动修剪,以使植物持续处于最佳生长状态,快速消耗水体中的养分。修剪后的植物叶片可以通过收纳槽进行收集,可以避免植物叶片掉入水体,对水体造成污染,达不到净化水体的目的。
进一步地,非存放绿篱修剪机的收纳槽内安装有沿收纳槽伸缩的电动推杆,电动推杆的伸长端固定有用于推出收纳槽中的水生植物叶片的推板;电动推杆与控制模块电连接。
上述技术方案的有益效果为:在未对垃圾进行清理前,本方案的电动推杆处于收缩状态,此时推板处于生态浮岛的中心区域附近;当需要清理垃圾时,人工可以将叶片收纳袋套在收纳槽的末端,启动电动推杆带着推板将收纳槽中的叶片往外推,直接进入叶片收纳袋;该种方式可以大幅度提高植物叶片的收集。
进一步地,绿篱修剪机上方的电动伸缩杆上还固定有与收纳槽配合的盖板,盖板开设有供收纳槽侧壁陷入的条形槽。通过盖板与收纳槽的相互配合,在绿篱修剪机未使用时密封在收纳槽中,以避免风吹日晒雨淋等对缩短绿篱修剪机的使用寿命。
进一步地,控制水生植物生长高度的方法包括:
S71、采用圆形浮床上安装的摄像头获取其上种植的水生植物的生长照片;
S72、根据生长照片,判断水生植物的生长高度是否超过浮床承受的最大重量对应的高度;若是,进入步骤S73,否则,不修剪水生植物;
S73、启动电动伸缩杆,带着绿篱修剪机上升至预设修剪高度,之后启动电动转盘和绿篱修剪机对水生植物进行修剪;
S74、修剪完成后,采用电动伸缩杆将绿篱修剪机收纳至收纳槽中。
上述技术方案的有益效果为:本方案通过拍摄的照片对植物生长情况进行自动识别,在满足修剪条件时,自动进行植物修剪,可以使生态浮岛上的植物实现自动化管理。
附图说明
图1为基于遥感影像和神经网络的水体富营养监测及修复方法的流程图。
图2为本方案的生态浮岛俯视角度的结构简图。
图3为本方案的生态浮岛的侧视角度结构简图。
图4为图3中A部的放大图。
其中,1、圆形浮床;11、种植槽;12、收纳槽;13、侧壁;14、收纳腔;2、植株修剪装置;21、电动转盘;22、电动伸缩杆;23、绿篱修剪机;231、修剪刀片;24、电动推杆;25、推板;26、盖板;27、步道。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
参考图1,图1示出了基于遥感影像和神经网络的水体富营养监测及修复方法的流程图;如图1所示,该方法S包括步骤S1至步骤S7。
在步骤S1中,获取城市中待监测湖泊的遥感影像,并将遥感影像划分为若干区块,设置每个区块的中心为浓度采集点。
在步骤S2中,基于最小化路径算法规划经过每个浓度采集点的最短路径,并采用搭载有磷浓度检测仪的无人机基于最短路径采集每个浓度采样点的磷浓度。
在步骤S3中,计算所有磷浓度的平均值作为湖泊的平均磷浓度,判断平均磷浓度是否大于磷富浓度警戒值,若是,进入步骤S4,否则,湖泊未发生富营养化。
在步骤S4中,获取湖泊在预设深度时水中的图像信息,并将图像信息输入已训练的卷积神经网络,得到采食水藻的鱼类密度。
在本发明的一个实施例中,步骤S4进一步包括:
S41、获取城市待监测湖泊的遥感影像,并根据仿生鱼水下摄像机的采集范围将遥感影像划分为若干采集区;
S42、采用采集区中心正下方预设深度的点作为采样点,并基于最小化路径算法计算仿生鱼水下摄像机经过所有采样点的最短路径;
S43、仿生鱼水下摄像机根据最短路径运动至每个采样点,采集每个采样点360°角度的图像信息;
S44、将每个采样点采集的所有图像信息分别输入卷积神经网络,识别得到每个采样点中采食水藻的鱼的实测条数;
由于采集的图像信息中既含有食用藻类的鱼,又含有食用其他食物的鱼,在进行识别之前需要对卷积神经网络进行训练,使其能够在众多鱼类中根据鱼的形态外貌等分辨出哪些鱼是食藻鱼类。
S45、计算所有采样点的实测条数的平均数量,采用平均数量除以360角度采集的图像信息覆盖的水域体积,得到单位体积内的鱼类密度。
本方案的鱼类密度指单位体积内采集到的鱼类条数;磷浓度指单位体积内含有的磷质量。
在步骤S5中,判断鱼类密度是否小于最佳生长密度,若是,进入步骤S6,否则进入步骤S7。
在步骤S6中,根据平均磷浓度和鱼类密度,计算需要向湖泊投放采食水藻的鱼的鱼苗重量,之后向湖泊投放鱼苗,并在预设净化时长后对湖泊中鱼类进行捕捞。
实施时,本方案优选步骤S6进一步包括:
S61、将最佳生长密度减预设值作为密度上限值,将鱼类密度作为初始密度,并在初始密度和密度上限值之间选取若干密度参考值;
S62、根据平均磷浓度和密度参考值,计算在期望净化时长内的水藻增长量及每个密度参考值下采食水藻鱼类的采食量;
其中,采食水藻鱼类的采食量Q采食和水藻增长量M增的计算公式分别为:
其中,i为时间变量,n为期望净化时长;ρ鱼为单位体积内的鱼类密度;S湖为湖泊面积;h采为采食水藻的鱼类的生活水深;m均为单条采食水藻的鱼类均重;γ增为单位重量的鱼在藻类充足时每天的增长率;q采为单位重量的鱼类采食的藻类重量;K修为藻类生长修正系数;ρ磷初为平均磷浓度;ρ磷末为水体中磷的理论最佳浓度;V湖为湖泊的体积;p耗为每增长单位质量藻类消耗的磷。
S63、判断所有采食量中是否存在大于等于水藻增长量的值,若是,进入步骤S64,否则,进入步骤S7;
S64、选取采食量中大于等于水藻增长量的最小值,计算采食水藻的鱼类从初始密度值增长至最小值对应的密度参考值需投放的鱼苗重量;
S65、根据鱼苗重量向湖泊投放鱼苗,并在期望净化时长达到后对湖泊中鱼类进行捕捞,直至达到湖泊的最佳容纳量。此处捕捞的鱼类不局限于食藻鱼类,其他的鱼类都可以进行捕捞,捕捞的鱼可以投放市场,一定程度上在净化水体时还能产生经济效益。
本方案采用步骤S61~S65的思路去判断是否存在这么一个值可以在期望净化时长内通过采食藻类,藻类消耗水体中磷的方式进行水体净化,避免盲目投放鱼类,花费大量物力财力却达不到净化的目的。
在步骤S7中,在湖泊上设置生态浮岛,并在生态浮岛上种植利用水体中养分的观赏性水生植物,并控制水生植物生长高度。
在本发明的一个实施例中,藻类生长修正系数的获取方法包括:
配置若干实验箱,并向每个实验箱中投放预设重量的水藻;
培养水藻预设天数,期间保持实验箱中的水体环境处于水藻最佳生长环境,培养完成后,取出实验箱中的水藻,并称重得到水藻的实测重量;
取所有实测重量的平均值,并根据预设重量和平均值,计算藻类生长修正系数:
其中,m均为平均值;m初为预设重量;α为水藻的增殖率;f1和f2分别为水下光照和水温对水藻增殖的限制因子;t为预设天数。
其中,水下光照和水温对水藻增殖的限制因子的计算公式分别为:
f2=exp[-tg(T-Tm)2]
其中,k为水下消光系数;I0为预设天数内水面的平均日照强度;Im为水藻的饱和光强;Zd为湖泊中水藻生长层的垂直高度;z为计算单元厚度;e为自然对数;Ktg为温度对水藻生长的限制系数;T为预设天数内湖泊水面实测温度均值;Tm为水藻的最佳适应温度。
如图2和图3所示,本方案提供的生态浮岛包括圆形浮床1和安装在浮床上的植株修剪装置2;圆形浮床1上设置有若干下沉式种植槽11,种植槽11的底部开设有若干与水体连通的进水孔;圆形浮床1在半径方向开设有至少两条下沉式收纳槽12,其中两条收纳槽12共用一侧壁13,侧壁13的高度大于收纳槽12的深度。
圆形浮床1的中心位置开设有下沉式圆形收纳腔14;为了便于人工进入到圆形浮床1中心对其上安装的电器部件进行检修,在圆形浮床1上还可以设置上步道27。
植株修剪装置2包括安装在圆形收纳腔14内的电动转盘21,电动转盘21上安装有电动伸缩杆22,电动伸缩杆22上固定安装有绿篱修剪机23,绿篱修剪机23的修剪刀片231的长度等于种植的水生植物半径;共用同一侧壁13的两条收纳槽12中,其中一个收纳槽12用于存放绿篱修剪机23;圆形浮床1上安装有摄像头,摄像头、电动转盘21、电动伸缩杆22和绿篱修剪机23均采用圆形浮床1上安装的太阳能电池板供电,且均与控制模块电连接。
本方案与安装绿篱修剪机23的收纳槽12共用一侧壁13的收纳槽12的中心略微偏离生态浮岛的中心。共用侧壁13的高度的设置,可以避免修剪后的叶片进入放置绿篱修剪机23对应的收纳槽中。
如图2至图4所示,非存放绿篱修剪机23的收纳槽12内安装有沿收纳槽12伸缩的电动推杆24,电动推杆24的伸长端固定有用于推出收纳槽12中的水生植物叶片的推板25;电动推杆24与控制模块电连接。绿篱修剪机23上方的电动伸缩杆22上还固定有与收纳槽12配合的盖板26,盖板26开设有供收纳槽12侧壁13陷入的条形槽;此时用于收纳绿篱修剪机23的收纳槽12的两侧壁高度相等。
实施时,本方案优选控制水生植物生长高度的方法包括:
S71、采用圆形浮床1上安装的摄像头获取其上种植的水生植物的生长照片;
S72、根据生长照片,判断水生植物的生长高度是否超过浮床承受的最大重量对应的高度;若是,进入步骤S73,否则,不修剪水生植物;
S73、启动电动伸缩杆22,带着绿篱修剪机23上升至预设修剪高度,之后启动电动转盘21和绿篱修剪机23对水生植物进行修剪;
S74、修剪完成后,采用电动伸缩杆22将绿篱修剪机23收纳至收纳槽12中。
综上所述,本方案的水体富营养监测即生态修复方法在进行修复时首先考虑湖体内的生物自净化,之后再难以完成自净化时,才考虑借助水生植物进行生态修复。
Claims (9)
1.基于遥感影像和神经网络的水体富营养监测及修复方法,其特征在于,包括步骤:
S1、获取城市中待监测湖泊的遥感影像,并将遥感影像划分为若干区块,设置每个区块的中心为浓度采集点;
S2、基于最小化路径算法规划经过每个浓度采集点的最短路径,并采用搭载有磷浓度检测仪的无人机基于最短路径采集每个浓度采样点的磷浓度;
S3、计算所有磷浓度的平均值作为湖泊的平均磷浓度,判断平均磷浓度是否大于磷富浓度警戒值,若是,进入步骤S4,否则,湖泊未发生富营养化;
S4、获取湖泊在预设深度时水中的图像信息,并将图像信息输入已训练的卷积神经网络,得到采食水藻的鱼类密度;
S5、判断鱼类密度是否小于最佳生长密度,若是,进入步骤S6,否则进入步骤S7;
S6、根据平均磷浓度和鱼类密度,计算需要向湖泊投放采食水藻的鱼的鱼苗重量,之后向湖泊投放鱼苗,并在预设净化时长后对湖泊中鱼类进行捕捞;
S7、在湖泊上设置生态浮岛,并在生态浮岛上种植利用水体中养分的观赏性水生植物,并控制水生植物生长高度;
步骤S6进一步包括:
S61、将最佳生长密度减预设值作为密度上限值,将鱼类密度作为初始密度,并在初始密度和密度上限值之间选取若干密度参考值;
S62、根据平均磷浓度和密度参考值,计算在期望净化时长内的水藻增长量及每个密度参考值下采食水藻鱼类的采食量;
S63、判断所有采食量中是否存在大于等于水藻增长量的值,若是,进入步骤S64,否则,进入步骤S7;
S64、选取采食量中大于等于水藻增长量的最小值,计算采食水藻的鱼类从初始密度值增长至最小值对应的密度参考值需投放的鱼苗重量;
S65、根据鱼苗重量向湖泊投放鱼苗,并在期望净化时长达到后对湖泊中鱼类进行捕捞,直至达到湖泊的最佳容纳量。
2.根据权利要求1所述的基于遥感影像和神经网络的水体富营养监测及修复方法,其特征在于,步骤S4进一步包括:
S41、获取城市待监测湖泊的遥感影像,并根据仿生鱼水下摄像机的采集范围将遥感影像划分为若干采集区;
S42、采用采集区中心正下方预设深度的点作为采样点,并基于最小化路径算法计算仿生鱼水下摄像机经过所有采样点的最短路径;
S43、仿生鱼水下摄像机根据最短路径运动至每个采样点,采集每个采样点360°角度的图像信息;
S44、将每个采样点采集的所有图像信息分别输入卷积神经网络,识别得到每个采样点中采食水藻的鱼的实测条数;
S45、计算所有采样点的实测条数的平均数量,采用平均数量除以360角度采集的图像信息覆盖的水域体积,得到单位体积内的鱼类密度。
3.根据权利要求1所述的基于遥感影像和神经网络的水体富营养监测及修复方法,其特征在于,采食水藻鱼类的采食量和水藻增长量/>的计算公式分别为:
其中,i为时间变量,n为期望净化时长;为单位体积内的鱼类密度;/>为湖泊面积;为采食水藻的鱼类的生活水深;/>为单条采食水藻的鱼类均重;/>为单位重量的鱼在藻类充足时每天的增长率;/>为单位重量的鱼类采食的藻类重量;/>为藻类生长修正系数;/>为平均磷浓度;/>为水体中磷的理论最佳浓度;/>为湖泊的体积;/>为每增长单位质量藻类消耗的磷。
4.根据权利要求3所述的基于遥感影像和神经网络的水体富营养监测及修复方法,其特征在于,藻类生长修正系数的获取方法包括:
配置若干实验箱,并向每个实验箱中投放预设重量的水藻;
培养水藻预设天数,期间保持实验箱中的水体环境处于水藻最佳生长环境,培养完成后,取出实验箱中的水藻,并称重得到水藻的实测重量;
取所有实测重量的平均值,并根据预设重量和平均值,计算藻类生长修正系数:
其中,为平均值;/>为预设重量;α为水藻的增殖率;f 1和f 2分别为水下光照和水温对水藻增殖的限制因子;t为预设天数。
5.根据权利要求4所述的基于遥感影像和神经网络的水体富营养监测及修复方法,其特征在于,水下光照和水温对水藻增殖的限制因子的计算公式分别为:
其中,k为水下消光系数;I 0为预设天数内水面的平均日照强度;I m为水藻的饱和光强;为湖泊中水藻生长层的垂直高度;z为计算单元厚度;e为自然对数;/>为温度对水藻生长的限制系数;T为预设天数内湖泊水面实测温度均值;T m为水藻的最佳适应温度。
6.根据权利要求1所述的基于遥感影像和神经网络的水体富营养监测及修复方法,其特征在于,所述生态浮岛包括圆形浮床和安装在浮床上的植株修剪装置;所述圆形浮床上设置有若干下沉式种植槽,所述种植槽的底部开设有若干与水体连通的进水孔;所述圆形浮床在半径方向开设有至少两条下沉式收纳槽,其中两条收纳槽共用一侧壁,所述侧壁的高度大于收纳槽的深度,所述圆形浮床的中心位置开设有下沉式圆形收纳腔;
所述植株修剪装置包括安装在所述圆形收纳腔内的电动转盘,所述电动转盘上安装有电动伸缩杆,所述电动伸缩杆上固定安装有绿篱修剪机,所述绿篱修剪机的修剪刀片的长度等于种植的水生植物半径;共用同一侧壁的两条收纳槽中,其中一个收纳槽用于存放绿篱修剪机;所述圆形浮床上安装有摄像头,所述摄像头、电动转盘、电动伸缩杆和绿篱修剪机均采用圆形浮床上安装的太阳能电池板供电,且均与控制模块电连接。
7.根据权利要求6所述的基于遥感影像和神经网络的水体富营养监测及修复方法,其特征在于,非存放绿篱修剪机的收纳槽内安装有沿收纳槽伸缩的电动推杆,所述电动推杆的伸长端固定有用于推出收纳槽中的水生植物叶片的推板;所述电动推杆与所述控制模块电连接。
8.根据权利要求6所述的基于遥感影像和神经网络的水体富营养监测及修复方法,其特征在于,所述绿篱修剪机上方的电动伸缩杆上还固定有与所述收纳槽配合的盖板,所述盖板开设有供收纳槽侧壁陷入的条形槽。
9.根据权利要求6-8任一所述的基于遥感影像和神经网络的水体富营养监测及修复方法,其特征在于,控制水生植物生长高度的方法包括:
S71、采用圆形浮床上安装的摄像头获取其上种植的水生植物的生长照片;
S72、根据生长照片,判断水生植物的生长高度是否超过浮床承受的最大重量对应的高度;若是,进入步骤S73,否则,不修剪水生植物;
S73、启动电动伸缩杆,带着绿篱修剪机上升至预设修剪高度,之后启动电动转盘和绿篱修剪机对水生植物进行修剪;
S74、修剪完成后,采用电动伸缩杆将绿篱修剪机收纳至收纳槽中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310355180.4A CN116343129B (zh) | 2023-04-04 | 2023-04-04 | 基于遥感影像和神经网络的水体富营养监测及修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310355180.4A CN116343129B (zh) | 2023-04-04 | 2023-04-04 | 基于遥感影像和神经网络的水体富营养监测及修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116343129A CN116343129A (zh) | 2023-06-27 |
CN116343129B true CN116343129B (zh) | 2023-10-31 |
Family
ID=86891202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310355180.4A Active CN116343129B (zh) | 2023-04-04 | 2023-04-04 | 基于遥感影像和神经网络的水体富营养监测及修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116343129B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409333B (zh) * | 2023-12-15 | 2024-02-13 | 四川省生态环境科学研究院 | 基于遥感影像的生态脆弱区识别及生态修复方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101508489A (zh) * | 2009-03-24 | 2009-08-19 | 暨南大学 | 南方富营养化城市湖泊水生生态系统修复方法 |
CN104591394A (zh) * | 2015-01-23 | 2015-05-06 | 中国科学院南京地理与湖泊研究所 | 一种控制富营养化浅水湖泊藻类数量的方法 |
CN114913439A (zh) * | 2022-05-24 | 2022-08-16 | 江南大学 | 一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法 |
CN115704815A (zh) * | 2021-08-10 | 2023-02-17 | 力合科技(湖南)股份有限公司 | 水质监测的预警方法、装置、系统及计算机可读存储介质 |
-
2023
- 2023-04-04 CN CN202310355180.4A patent/CN116343129B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101508489A (zh) * | 2009-03-24 | 2009-08-19 | 暨南大学 | 南方富营养化城市湖泊水生生态系统修复方法 |
CN104591394A (zh) * | 2015-01-23 | 2015-05-06 | 中国科学院南京地理与湖泊研究所 | 一种控制富营养化浅水湖泊藻类数量的方法 |
CN115704815A (zh) * | 2021-08-10 | 2023-02-17 | 力合科技(湖南)股份有限公司 | 水质监测的预警方法、装置、系统及计算机可读存储介质 |
CN114913439A (zh) * | 2022-05-24 | 2022-08-16 | 江南大学 | 一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116343129A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rakocy | Aquaponics—integrating fish and plant culture | |
US10548269B2 (en) | Saline aquaculture systems and methods | |
Hall | Migration and metabolism in a temperate stream ecosystem | |
Beiswenger | Diel patterns of aggregative behavior in tadpoles of Bufo americanus, in relation to light and temperature | |
KR101549217B1 (ko) | 다변형 바이오플락 아쿠아포닉스 식물재배시스템 | |
Dineen | An ecological study of a Minnesota pond | |
CN116343129B (zh) | 基于遥感影像和神经网络的水体富营养监测及修复方法 | |
CN107032502B (zh) | 一种利用草食性鱼类调控沉水植物群落的综合技术方案 | |
Rakocy | Aquaponics—Integrating | |
JPS61115428A (ja) | 養魚プラント | |
KR20060132580A (ko) | 다단계 경작용 모듈 및 시스템 | |
Niranjan et al. | IOT based innovative smart monitoring of aquaponics system using Atmega 328P and ESP 8266 | |
CN107301481A (zh) | 一种生态农田需水预报系统、测算模型及需水预报方法 | |
Zweig | An integrated fish culture hydroponic vegetable production system | |
CN114702140A (zh) | 一种基于生态浮岛的水体富营养化优化系统及方法 | |
CN113207787B (zh) | 一种蜂巢式自动养殖系统及方法 | |
KR20220036920A (ko) | 에너지제로 생태순환형 농수축산 통합생산시스템 | |
Dunn | Diurnal fluctuations of physicochemical conditions in a shallow tropical pond | |
CN214709701U (zh) | 一种蜂巢式自动养殖系统 | |
CN213214750U (zh) | 立体种养殖集装箱 | |
CN108958184A (zh) | 一种基于物联网的智慧渔业管理系统 | |
Prince et al. | Plant spacing for controlled environment plant growth | |
CN209498158U (zh) | 全生命周期开放式鱼菜共生系统 | |
ŽALAKEVIČIUS et al. | The impact of global climate change on wildlife in Lithuania: theoretical and practical aspects | |
Bafdal | Rainfall harvesting as resources of self watering fertigation system with various growing medias |
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 |