CN116400035B - 一种湖泊生态监测管理方法与系统 - Google Patents

一种湖泊生态监测管理方法与系统 Download PDF

Info

Publication number
CN116400035B
CN116400035B CN202310383018.3A CN202310383018A CN116400035B CN 116400035 B CN116400035 B CN 116400035B CN 202310383018 A CN202310383018 A CN 202310383018A CN 116400035 B CN116400035 B CN 116400035B
Authority
CN
China
Prior art keywords
lake
monitoring
monitoring data
evaluation index
value
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
CN202310383018.3A
Other languages
English (en)
Other versions
CN116400035A (zh
Inventor
张加雪
冯俊
刘建龙
闵克祥
刘建华
范宁
陆晓平
朱慧
石雯倩
赵庆华
傅捷
顾昊
张红艳
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.)
Jiangsu Qinhuai River Water Consevancy Engineering Division
Original Assignee
Jiangsu Qinhuai River Water Consevancy Engineering Division
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 Jiangsu Qinhuai River Water Consevancy Engineering Division filed Critical Jiangsu Qinhuai River Water Consevancy Engineering Division
Priority to CN202310383018.3A priority Critical patent/CN116400035B/zh
Priority to CN202311863987.5A priority patent/CN117890546A/zh
Publication of CN116400035A publication Critical patent/CN116400035A/zh
Application granted granted Critical
Publication of CN116400035B publication Critical patent/CN116400035B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/20—Controlling water pollution; Waste water treatment

Abstract

本说明书实施例提供一种湖泊生态监测管理方法与系统，该管理方法包括获取被监测湖泊的湖泊特征以及多个维度的监测数据；基于湖泊特征以及多个维度的监测数据，确定被监测湖泊的多个风险值；基于多个风险值，生成预警信息，并向用户发出提示以及执行人工干预方案。

Description

一种湖泊生态监测管理方法与系统
技术领域
本说明书涉及生态监测领域，特别涉及一种湖泊生态监测管理方法与系统。
背景技术
湖泊具有调蓄、改善水质、为动物提供栖息地、调节局部气候和为人类提供饮水与食物等功能。随着当前湖泊周围生态环境的变化，湖泊很容易出现水环境恶化、生物多样性退化和河湖阻隔等多种问题，从而影响人类自身的健康，现在保障湖泊健康的问题越来越重要。
针对如何在线监测湖泊水质的问题，CN102890142B提出一种基于物联网的在线湖泊水质监测系统，该申请重点针对的是通过检测数据形成水质地图信息，基于水质地图信息控制数据视频基站航行获取视频数据并进行辅助治理。但是由于湖泊生态健康不仅与水质有关，还与天气、土壤、水流等多方面因素息息相关，例如，降水量和温度对水循环和生态环境起到控制性作用，地形地貌造就了湖泊物种在湖泊空间分布上的差异进而影响生态环境等。可见，需要从更全面的角度对湖泊进行监测。
因此，希望提供一种湖泊生态监测管理方法与系统，实现对湖泊健康的有效监测，保障湖泊健康。
发明内容
本说明书实施例之一提供一种湖泊生态监测管理方法，所述方法包括：获取被监测湖泊的湖泊特征以及多个维度的监测数据；所述多个维度至少包括空间维度，所述多个维度的监测数据包括至少一个湖泊监测单元的单元监测数据；所述至少一个湖泊监测单元部署于所述被监测湖泊的内部和/或所述被监测湖泊周边的多个空间位置；所述湖泊特征至少包括湖泊类型、湖泊表面积、湖泊平均水深；所述湖泊监测单元至少包括单个空间的多维一体化监测设备，所述单个空间的多维一体化监测设备包括水体参数监测设备、水土界面参数监测设备以及空气参数监测设备中的一种或多种；所述单元监测数据至少包括水体单元监测数据、水土界面单元监测数据以及空气单元监测数据中的一种或多种；基于所述湖泊特征以及所述多个维度的监测数据，确定所述被监测湖泊的多个风险值；所述多个风险值至少包括水体污染风险值、土壤污染风险值、空气污染风险值以及生物退化风险值中的一种或多种，所述生物退化风险值基于生物多样性退化值以及生物栖息地退化值确定，所述生物多样性退化值相关于生物多样性退化概率以及生物多样性退化程度，所述生物栖息地退化值相关于生物栖息地退化概率以及生物栖息地退化程度；基于所述多个风险值，生成预警信息，并向用户发出提示以及执行人工干预方案。
本说明书实施例之一提供一种湖泊生态监测管理系统，所述系统包括：获取模块，用于获取被监测湖泊的湖泊特征以及多个维度的监测数据；所述多个维度至少包括空间维度，所述多个维度的监测数据包括至少一个湖泊监测单元的单元监测数据；所述至少一个湖泊监测单元部署于所述被监测湖泊的内部和/或所述被监测湖泊周边的多个空间位置；所述湖泊特征至少包括湖泊类型、湖泊表面积、湖泊平均水深；所述湖泊监测单元至少包括单个空间的多维一体化监测设备，所述单个空间的多维一体化监测设备包括水体参数监测设备、水土界面参数监测设备以及空气参数监测设备中的一种或多种；所述单元监测数据至少包括水体单元监测数据、水土界面单元监测数据以及空气单元监测数据中的一种或多种；风险确定模块，用于基于所述湖泊特征以及所述多个维度的监测数据，确定所述被监测湖泊的多个风险值；所述多个风险值至少包括水体污染风险值、土壤污染风险值、空气污染风险值以及生物退化风险值中的一种或多种，所述生物退化风险值基于生物多样性退化值以及生物栖息地退化值确定，所述生物多样性退化值相关于生物多样性退化概率以及生物多样性退化程度，所述生物栖息地退化值相关于生物栖息地退化概率以及生物栖息地退化程度；预警模块，用于基于所述多个风险值，生成预警信息，并向用户发出提示以及执行人工干预方案。
本说明书实施例之一提供一种湖泊生态监测管理装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现上述的任意一项的湖泊生态监测管理方法。
本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行上述的任意一项的湖泊生态监测管理方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的湖泊生态监测管理系统的应用场景示意图；
图2是根据本说明书一些实施例所示的湖泊生态监测管理方法的示例性流程图；
图3是根据本说明书一些实施例所示的监测域的示例性示意图；
图4是根据本说明书一些实施例所示的多维一体化监测设备的示例性示意图；
图5是根据本说明书一些实施例所示的确定多个风险值的流程图；
图6A是根据本说明书一些实施例所示的基于监测数据预测模型确定预测单元监测数据的示例性示意图；
图6B是本说明书一些实施例所示的邻接特征矩阵的示例性示意图；
图7是根据本说明书一些实施例所示的确定目标监测方案参数的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的湖泊生态监测管理系统的应用场景示意图。
如图1所示，湖泊生态监测管理系统100中可以包括湖泊110、湖泊监测单元120、处理器130和存储设备140。
湖泊110可以是需要进行监测的湖泊，也可以称为被监测湖泊。
湖泊监测单元120可以是用于监测湖泊110的相关信息的设备。湖泊110中可以部署至少一个湖泊监测单元，例如，可以在湖泊110的内部和/或湖泊110周边的多个空间位置部署至少一个湖泊监测单元。
湖泊监测单元120可以是单个空间的多维一体化监测设备。单个空间可以指被监测湖泊中垂直于(或近似垂直于)湖底的多个空间位置构成的一个空间范围。多维一体化监测设备可以指一种或多种监测设备的组合。多维一体化监测设备可以用于监测一个空间范围内的湖泊数据。更多关于单个空间、多维一体化监测设备的内容可以参见图2及其相关描述。
在一些实施例中，湖泊监测单元120中可以包括多个巡视设备。巡视设备可以用于监测被监测湖泊及周边的相关数据。巡视设备可以包括遥感卫星及巡视无人机等。遥感卫星可以用于获取被监测湖泊的湖泊表面积等。巡视无人机可以用于对被监测湖泊及周边的空气等进行监测。
处理器130是指对数据进行处理和生成指令的设备或部件，例如中央处理器(CPU)、图形处理器(GPU)、专用集成电路(ASIC)等或任意组合。数据可以来自于上述不同部件或其他数据来源。指令可以被发送给上述不同部件。处理器也可以包括与上述内容相关的其他部件，例如处理器也可以指电脑、手机、服务器、工控机、带有计算功能的电路板等。
存储设备140可以用于存储数据和/或指令。在一些实施例中，存储设备140可以存储湖泊监测单元120和处理器130的相关数据。
上述部分部件可以通过有线或无线的方式建立数据连接。
图2是根据本说明书一些实施例所示的湖泊生态监测管理方法的示例性流程图。在一些实施例中，流程200可以由处理器执行。如图2所示，流程200包括下述步骤：
步骤210，获取被监测湖泊的湖泊特征以及多个维度的监测数据。
被监测湖泊指处于被监测状态下的湖泊。
湖泊特征指与被监测湖泊相关的特征。例如，湖泊特征可以至少包括湖泊类型、湖泊表面积、湖泊平均水深。
湖泊类型可以通过湖泊的成因、泄水情况、湖水含盐度等进行确定。湖泊类型按成因划分可以包括构造湖、火山口湖、冰川湖、堰塞湖、喀斯特湖、河成湖、风成湖、海成湖和人工湖(水库)；按泄水情况划分可以包括外流湖(吞吐湖)和内陆湖；按湖水含盐度划分可以包括淡水湖(含盐度小于1g/L)、咸水湖(含盐度为1-35g/L)和盐湖(含盐度大于35g/L)等。湖泊表面积可以基于遥感卫星拍摄的影像等方式获取。湖泊平均水深可以通过测深器等设备获取。
监测数据可以指对被监测湖泊进行监测得到的相关数据。例如，监测数据可以包括被监测湖泊的水位变化值、透明度、自然岸线保有率、总氮、总磷、溶解氧的含量、重点野生动物和旗舰物种数量、浮游动植物数量、鱼类数量、大型底栖无脊椎动物数量、叶绿素浓度、微囊藻毒素浓度、重金属浓度等数据。
多个维度至少包括空间维度。空间维度的监测数据指被监测湖泊及周边区域的多个空间类型的监测数据。湖泊及周边区域的多个空间类型可以包括湖泊上方的空气所处的空间类型、湖泊内部的水体所处的空间类型和湖泊底部的土壤所处的空间类型。相应的，空间维度的监测数据可以包括被监测湖泊的上方空气的相关监测数据、内部水体的相关监测数据和底部土壤的相关监测数据。
在一些实施例中，多个维度的监测数据包括至少一个湖泊监测单元的单元监测数据。
湖泊监测单元指用于监测湖泊的设备或设备组合。例如，湖泊监测单元可以包括水质监测仪、空气质量监测仪和土壤养分监测仪等监测设备中的一种或多种。
在一些实施例中，至少一个湖泊监测单元可以部署于被监测湖泊的内部和/或被监测湖泊周边的多个空间位置。例如，至少一个湖泊监测单元可以部署在被监测湖泊的水体、土壤或空气中，也可以部署在被监测湖泊的周边。
在一些实施例中，至少一个湖泊监测单元可以位于多个监测域中。
监测域指对被监测湖泊划分后得到的区域。例如，如图3所示，被监测湖泊(俯视图)可以被划分为3个监测域，包括监测域1、监测域2和监测域3。
在一些实施例中，多个监测域的划分可以基于被监测湖泊的地理特征、生态特征中至少一项的梯度分布确定。在一些实施例中，可以根据地理特征的梯度分布划分监测域。作为示例，可以根据被监测湖泊中某个孤岛、湖中的礁石等将该被监测湖泊分隔成多个区域，该多个区域即可作为不同的监测域。在一些实施例中，可以根据生态特征的梯度分布划分监测域。作为示例，在被监测湖泊中，若某个位置的水质经常发生突变(例如，可以基于历史数据进行判断)，形成一个明显的梯度下降的分界线，则可以将该分界线作为不同监测域的分界线。在一些实施例中，监测域的划分可以通过提前对湖泊的每一个地方进行测绘(例如，地理测绘、水质参数测绘等)来完成。
在一些实施例中，对于不同的监测域，可以部署相应数量和/或类型的湖泊监测单元。例如，若监测域1的水质经常发生突变，则可以在监测域1部署多个水体参数监测设备。又例如，若监测域2的土壤中某种重金属的含量超标或曾经超标，则可以在监测域2部署多个重金属监测设备。
本说明书的一些实施例通过将被监测湖泊划分为多个监测域，能够针对不同的监测域部署相应的湖泊监测单元，使得对湖泊的监测更具有针对性，节约设备资源。
在一些实施例中，湖泊监测单元至少包括单个空间的多维一体化监测设备。
单个空间可以指被监测湖泊中垂直于(或近似垂直于)湖底的多个空间位置构成的一个空间范围，该多个空间位置位于或近似位于一条直线。例如，如图4所示，图中R1、R2和R3所在空间范围分别为一个单个空间。
多维一体化监测设备可以指一种或多种监测设备的组合。其中，一体化可以指多种监测设备用于监测某一单个空间内的多种类型的数据。在一些实施例中，单个空间的多维一体化监测设备包括水体参数监测设备、水土界面参数监测设备以及空气参数监测设备中的一种或多种。例如，如图4所示，单个空间R3的多维一体化监测设备为D，多维一体化监测设备D中包括水体参数监测设备、水土界面参数监测设备以及空气参数监测设备。
水体参数监测设备指用于监测水体的相关参数的设备。例如，水体参数监测设备可以用于监测水体的相关物理指标(例如，水位变化值、透明度、自然岸线保有率等)、相关化学指标(例如，总氮、总磷、溶解氧等物质的含量)、相关生物指标(例如，重点野生动物和旗舰物种的数量、浮游动植物的数量、叶绿素的浓度、鱼类数量、大型底栖无脊椎动物数量等)。
水土界面参数监测设备指用于监测湖泊水土界面的相关参数的设备。其中，湖泊水土界面可以包括湖泊岸坡水土界面、湖泊河床水土界面中的至少一种。例如，水土界面参数监测设备可以监测湖泊水土界面处的淤泥厚度、沉积物类别及数量、土壤污染风险值等参数。土壤污染风险值可以根据土壤中总氮、总磷等物质的含量确定。
空气参数监测设备指用于监测空气的相关参数的设备。例如，空气参数监测设备可以监测湖泊上方或周边的空气中的温度、压强、湿度、空气流速、化学性参数(例如，二氧化硫、二氧化氮、一氧化碳、二氧化碳、可吸入颗粒物等)、菌落总数等参数。
单元监测数据指某一湖泊监测单元的监测数据。单元监测数据可以通过单个空间的多维一体化监测设备获取。
在一些实施例中，单元监测数据至少包括水体单元监测数据、水土界面单元监测数据以及空气单元监测数据中的一种或多种。
水体单元监测数据指某一湖泊监测单元监测的水体的相关数据。水体单元监测数据可以由水体参数监测设备直接得到，或由水体参数监测设备或处理器对获取的数据经过处理得到。
水土界面单元监测数据指某一湖泊监测单元监测的湖泊水土界面的相关监测数据。水土界面单元监测数据可以由水土界面参数监测设备直接得到，或由水土界面参数监测设备或处理器对获取的数据经过处理得到。
空气单元监测数据指某一湖泊监测单元监测的空气的相关监测数据。空气单元监测数据可以由空气参数监测设备直接得到，或由空气参数监测设备或处理器对获取的数据经过处理得到。
在一些实施例中，多个维度还包括时间维度。多个维度的监测数据还可以包括至少一个湖泊监测单元在多个历史时刻(例如，7天前、15天前等)采集的单元监测数据。
本说明书的一些实施例中，通过多维一体化监测设备在垂直空间中进行监测，可以同时对垂直空间中互相关联的多元影响因素(对水质进行影响的影响因素，即，水体、土壤、空气等)的监测数据进行收集分析，得到多个垂直空间位置的多元多维度(如，时间、空间等)的监测数据。这些监测数据的关联性较高，根据这些数据可以进行更全面、更准确的风险分析等。
步骤220，基于湖泊特征以及多个维度的监测数据，确定被监测湖泊的多个风险值。
风险值指被监测湖泊生态环境发生改变的可能性大小。风险值可以由数值0-10表示，数值越高表示湖泊生态环境发生改变的可能性大小越高。
在一些实施例中，多个风险值至少包括水体污染风险值、土壤污染风险值、空气污染风险值以及生物退化风险值中的一种或多种。
水体污染风险值指被监测湖泊的水体受到污染的可能性大小。水体污染风险值可以由数值0-10表示，数值越高表示水体受到污染的可能性越大。
在一些实施例中，处理器可以基于多个维度的监测数据确定当前的水体污染评估指标；基于当前的水体污染评估指标，根据第一预设规则确定水体污染风险值。
水体污染评估指标可以是评估水体污染程度的指标。水体污染评估指标越高表示水体污染程度越大。在一些实施例中，水体污染评估指标可以包括预设时间段内的水位变化值、透明度、水温、酸碱值、基础元素含量(溶解氧含量、氮含量、磷含量等)、有毒物质含量(例如，重金属含量)等。
在一些实施例中，水体污染评估指标可以基于多个维度的监测数据确定。例如，可以基于多个维度的监测数据中的多个水体单元监测数据与对应的标准数据范围的偏离程度，确定水体污染评估指标。当水体单元监测数据与对应的标准数据范围的偏离程度越大，水体污染评估指标越高；反之越低。
第一预设规则可以是用于确定水体污染风险值的规则。示例性的第一预设规则可以是：基础元素含量在适宜范围内且有毒物质含量低于预设含量阈值时，水体污染风险值越低。其中，适宜范围和预设含量阈值可以根据先验知识人为预设。
土壤污染风险值指被监测湖泊的土壤受到污染的可能性大小。土壤污染风险值可以由数值0-10表示，数值越高表示土壤受到污染的可能性越大。
在一些实施例中，处理器可以基于多个维度的监测数据确定当前的土壤污染评估指标；基于湖泊特征、土壤污染评估指标和水体污染评估指标，根据第二预设规则确定土壤污染风险值。
土壤污染评估指标可以是评估土壤(例如，湖底或岸边的土壤等)污染程度的指标。土壤污染评估指标越高表示土壤污染程度越大。
在一些实施例中，土壤污染评估指标可以包括土壤温度、土壤湿度、土壤酸碱度、基础元素含量(氧含量、氮含量、磷含量等)、有毒物质含量(例如，重金属含量)等。
在一些实施例中，土壤污染评估指标可以基于多个维度的监测数据确定。例如，可以基于当前的监测数据与标准数据范围的偏离程度，确定土壤污染评估指标。当监测数据与标准数据范围的偏离程度越大，土壤污染评估指标越高；反之越低。
在一些实施例中，土壤污染评估指标可以基于多个维度的监测数据确定。例如，可以基于多个维度的监测数据中的多个水土界面单元监测数据与对应的标准数据范围的偏离程度，确定土壤污染评估指标。当水土界面单元监测数据与对应的标准数据范围的偏离程度越大，土壤污染评估指标越高；反之越低。
第二预设规则可以是用于确定土壤污染风险值的规则。示例性的第二预设规则可以是：土壤污染评估指标高于对应的指标阈值(表示土壤污染情况比较严重)、水体污染评估指标高于对应的指标阈值，对应的土壤污染风险值越大。
在一些实施例中，不同湖泊特征对应的第二预设规则可以不同。例如，湖泊表面积越大、湖泊平均水深越深，此时湖泊与周边土壤的接触面积越大，若湖水的水质存在问题，对周边土壤的影响程度越大。该情况下对应的土壤污染风险值越大。
空气污染风险值指被监测湖泊上方或周边的空气受到污染的可能性大小。空气污染风险值可以由数值0-10表示，数值越高表示空气受到污染的可能性越大。
在一些实施例中，处理器可以基于多个维度的监测数据确定当前的空气污染评估指标；基于湖泊特征、空气污染评估指标和水体污染评估指标，根据第三预设规则确定空气污染风险值。
空气污染评估指标可以是评估空气(例如，湖面上方空气或周边空气等)污染程度的指标。空气污染评估指标越高表示空气污染程度越大。在一些实施例中，空气污染评估指标可以包括污染物浓度(例如，含硫化合物(SO2、H2S等)、含氮化合物(NO、NO2、NH3等)、含碳化合物(例如，CO、VOCs等))、颗粒物浓度(例如，PM10)、细颗粒物浓度(例如，PM2.5)等。
在一些实施例中，空气污染评估指标可以基于多个维度的监测数据确定。例如，可以基于多个维度的监测数据中的多个空气单元监测数据与对应的标准数据范围的偏离程度，确定空气污染评估指标。当空气单元监测数据与对应的标准数据范围的偏离程度越大，空气污染评估指标越高；反之越低。
第三预设规则可以是用于确定空气污染风险值的规则。示例性的第三预设规则可以是：空气污染评估指标高于对应的指标阈值、水体污染评估指标高于对应的指标阈值，对应的空气污染风险值越大。
在一些实施例中，不同湖泊特征对应的第三预设规则可以不同。例如，湖泊表面积越大，此时湖泊与周边空气的接触面积越大，若湖水的水质存在问题，对周边空气的影响程度越大。该情况下对应的空气污染风险值越大。
生物退化风险值指被监测湖泊的生态环境发生退化(例如，生物数量、种类减少等)的可能性大小。生物退化风险值可以由数值0-10表示，数值越高表示生态环境发生退化的可能性越大。
在一些实施例中，处理器可以基于生物多样性退化值以及生物栖息地退化值，根据第四预设规则确定生物退化风险值。
第四预设规则可以是用于确定生物退化风险值的规则。示例性的第四预设规则可以是：对生物多样性退化值和生物栖息地退化值进行加权，确定生物退化风险值。
生物多样性退化值用于衡量被监测湖泊的生物种类或数量减少的程度。生物多样性退化值可以由数值0-10表示，数值越高表示被监测湖泊的生物种类或数量减少的程度越高。
在一些实施例中，生物多样性退化值可以相关于生物多样性退化概率以及生物多样性退化程度。例如，可以对生物多样性退化概率以及生物多样性退化程度进行加权，得到生物多样性退化值。
生物多样性退化概率指被监测湖泊的生物种类或数量存在某种程度的减少的概率。例如，生物多样性退化概率可以包括多种生物的数量减少达到预设数量的概率。
生物多样性退化程度指被监测湖泊的生物种类或数量减少的严重程度。生物多样性退化程度可以由数值0-10表示，数值越高表示被监测湖泊的生物种类或数量减少的严重程度越大。
生物多样性的退化概率以及生物多样性退化程度可以基于水体污染评估指标、土壤污染评估指标、空气污染评估指标综合确定。例如，水体污染评估指标、土壤污染评估指标、空气污染评估指标其中的一个或多个超出对应的指标阈值，生物多样性的退化概率以及生物多样性退化严重程度越大。超出对应的指标阈值的指标个数越多，生物多样性的退化概率以及生物多样性退化程度越大。
生物栖息地退化值用于衡量被监测湖泊的生物环境退化(例如，有益元素降低至一定含量等)的程度。生物栖息地退化值可以由数值0-10表示，数值越高表示被监测湖泊的生物环境退化程度越高。
在一些实施例中，生物栖息地退化值可以相关于生物栖息地退化概率以及生物栖息地退化程度确定。例如，可以对生物栖息地退化概率以及生物栖息地退化程度进行加权，得到生物栖息地退化值。
生物栖息地退化概率指被监测湖泊的生物环境减少的概率。
生物栖息地退化程度指被监测湖泊的生物环境退化的严重程度。生物栖息地退化程度可以由数值0-10表示，数值越高表示被监测湖泊的生物环境退化的严重程度越大。
生物栖息地退化概率以及生物栖息地退化程度可以基于水体污染评估指标、土壤污染评估指标、空气污染评估指标综合确定。例如，水体污染评估指标、土壤污染评估指标、空气污染评估指标其中的一个或多个超出对应的指标阈值，生物多样性的退化概率以及生物多样性退化严重程度越大。超出对应的指标阈值的指标个数越多，生物栖息地退化概率以及生物栖息地退化程度越大。
在一些实施例中，处理器可以基于多个维度的监测数据，预测至少一个湖泊监测单元在未来时刻的预测单元监测数据，确定被监测湖泊的未来评估指标值，并基于至少一个湖泊监测单元在当前时刻的当前单元监测数据，确定被监测湖泊的当前评估指标值，进而确定多个风险值。关于确定多个风险值的更多内容，可以参见图5中的相关描述。
步骤230，基于多个风险值，生成预警信息，并向用户发出提示以及执行人工干预方案。
预警信息指用于预警被监测湖泊的生态环境出现异常的信息。例如，预警信息可以包括：在未来某时段内重金属含量将达到阈值等。
当一个或多个风险值高于对应的预设风险阈值时，处理器可以生成预警信息，并向用户发出提示，以及执行人工干预方案。提示的方式可以包括语音提示、消息(例如，邮件、短信等)提示等。
人工干预方案指预设的有助于修复湖泊的生态环境的方案。例如，人工干预方案可以包括利用物理或化学方法清理湖泊等。又例如，人工干预方案也可以包括调整监测等级、监测精度和监测频率等。
在一些实施例中，人工干预方案可以根据风险值确定。例如，可以确定高于预设风险阈值的风险值的成因，根据成因确定针对性的人工干预方案。其中，成因和对应的人工干预方案可以预先根据先验知识或历史数据确定。例如，当水体污染风险值高于对应的预设风险阈值时，可以确定造成水体污染风险值较高的成因，并根据成因确定针对性的人工干预方案。作为示例，当造成水体污染风险值较高的成因为被监测湖泊中某种有益物质的含量过低时，针对性的人工干预方案可以是向湖泊中投放该有益物质。
本说明书的一些实施例中，通过湖泊特征以及多个维度的监测数据，确定被监测湖泊的多个风险值并生成预警信息，能够实现对湖泊健康的有效监测和预测，提高被监测湖泊的灾害抵御能力。
在一些实施例中，处理器还可以基于当前监测方案参数、多个维度的监测数据以及湖泊特征，确定多个维度的监测数据的数据可靠度，基于数据可靠度，确定目标监测方案参数。关于确定目标监测方案参数的更多内容，可以参见图7中的相关描述。
图5是根据本说明书一些实施例所示的确定多个风险值的流程图。在一些实施例中，流程500可以由处理器执行。如图5所示，流程500包括下述步骤：
步骤510，基于多个维度的监测数据，预测至少一个湖泊监测单元在未来时刻的预测单元监测数据。
预测单元监测数据指预测的某一湖泊监测单元在未来时刻的监测数据。未来时刻可以是未来的任一时刻，例如7天后、30天后等。
预测单元监测数据可以通过多种方法得到。例如，可以通过构建各个维度(例如，水体、空气、土壤等)的单元监测数据对应的特征向量，基于该特征向量在向量数据库中进行向量匹配，进而得到一个或多个湖泊监测单元在未来时刻的预测单元监测数据。进行向量匹配的方式可以参考后文中通过向量匹配确定湖泊生态恢复能力的相关描述，在此不再赘述。又例如，可以基于传统的时间序列预测方法(例如，自回归滑动平均模型(AutoRegressive Moving Average model，ARMA)、差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model，ARIMA)、自回归条件异方差模型(Generalized Auto Regressive Conditional Heteroskedasticity，GARCH)等方法)，将历史单元监测数据按照时间序列绘制成统计图，计算该统计图的数学模型，利用该数学模型得到预测单元监测数据。
在一些实施例中，处理器可以基于监测数据预测模型对至少一个湖泊监测单元的监测数据序列进行处理，确定至少一个湖泊监测单元在未来时刻的预测单元监测数据。关于监测数据预测模型的更多内容，可以参见图6A中的相关描述。
步骤520，基于至少一个湖泊监测单元在当前时刻的当前单元监测数据，确定被监测湖泊的当前评估指标值。
当前单元监测数据指当前监测得到的某一湖泊监测单元的监测数据。
当前评估指标值可以用于衡量被监测湖泊当前的生态健康状况。在一些实施例中，当前评估指标值可以包括被监测湖泊当前的水体污染评估指标、土壤污染评估指标、空气污染评估指标等。关于水体污染评估指标、土壤污染评估指标、空气污染评估指标及其确定方式的更多内容，可以参见图2中的相关描述。
步骤530，基于预测单元监测数据，确定被监测湖泊的未来评估指标值。
未来评估指标值可以用于衡量被监测湖泊在未来时刻的生态健康状况。在一些实施例中，未来评估指标值可以包括预测的被监测湖泊在未来时刻的水体污染评估指标、土壤污染评估指标、空气污染评估指标等。未来评估指标值可以通过对预测单元监测数据进行分析确定，具体的确定方式可以参考前文中当前评估指标值的确定方式，在此不再赘述。
步骤540，基于当前评估指标值和/或未来评估指标值，确定多个风险值。
多个风险值可以通过多种方式确定。例如，处理器可以基于当前评估指标值中的水体污染评估指标、土壤污染评估指标和空气污染评估指标中的一个，与未来评估指标值中对应的评估指标进行加权或求平均值的处理，确定处理后评估指标；基于处理后评估指标，根据对应的预设规则确定对应的风险值。作为示例，处理器可以基于当前评估指标值中的土壤污染评估指标、未来评估指标值中的土壤污染评估指标进行加权或求平均值的处理，确定处理后土壤污染评估指标；基于处理后土壤污染评估指标，根据第二预设规则确定土壤污染风险值。关于水体污染评估指标、土壤污染评估指标、空气污染评估指标和各预设规则的说明可以参见图2及其相关描述。
在一些实施例中，处理器可以基于当前评估指标值、未来评估指标值以及被监测湖泊的湖泊生态恢复能力，确定多个风险值。
湖泊生态恢复能力可以用于衡量湖泊自我修复的能力。在一些实施例中，湖泊生态恢复能力可以由湖泊在没有人工干预下，从异常指标恢复到正常指标所花费的时间(如天数)来衡量。花费时间越少，湖泊生态恢复能力越强。
在一些实施例中，处理器可以基于被监测湖泊的监测数据和气候特征提取特征，确定目标特征向量；基于目标特征向量，通过向量数据库确定关联特征向量；以及，将关联特征向量对应的历史湖泊生态恢复能力值确定为被监测湖泊的湖泊生态恢复能力。
气候特征指未来一段时间内的气候相关特征。例如，气候特征可以包括温度、湿度等。
目标特征向量指基于多个维度的监测数据和气候特征构建的向量。基于监测数据和气候特征构建目标特征向量的方式可以有多种。例如，目标特征向量p(x，y，z，p)可以表示对应的湖泊监测单元监测的水体的相关监测数据为x、土壤的相关监测数据为y、空气的相关监测数据为z、气候特征为p等信息。
向量数据库是指用于存储、索引和查询向量的数据库。通过向量数据库，可以面对大量向量快速进行相似性查询和其他向量管理。
在一些实施例中，向量数据库可以包括多个参考特征向量，多个参考特征向量中的每个参考特征向量基于历史单元监测数据以及历史气候特征构建，每个参考特征向量对应一个历史湖泊生态恢复能力值。其中，历史单元监测数据、历史气候特征、历史湖泊生态恢复能力值可以基于历史监测记录获取。历史监测记录中可以包括在某个历史时刻(在该历史时刻，被监测湖泊存在异常指标)进行监测得到的历史单元监测数据，以及该历史时刻之后未来一段时间内的历史气候特征。同时，历史监测记录中记录有湖泊从该历史时刻所处当天起，在没有人工干预下，从异常指标恢复到正常指标所花费的时间，即历史湖泊生态恢复能力值。
在一些实施例中，处理器可以基于目标特征向量，通过向量数据库确定符合预设条件的参考特征向量，将符合预设条件的参考特征向量作为关联特征向量。其中，预设条件可以指用于确定关联特征向量的判断条件。在一些实施例中，预设条件可以包括参考特征向量和目标特征向量的向量距离小于距离阈值、向量距离最小等。
在一些实施例中，处理器可以基于多个关联特征向量对应的历史湖泊生态恢复能力值，确定被监测湖泊的湖泊生态恢复能力值。例如，可以将多个关联特征向量对应的历史湖泊生态恢复能力值的平均值作为湖泊生态恢复能力值。
风险值可以基于多种方式获取。例如，若湖泊生态恢复能力难以使被监测湖泊从某一当前评估指标值恢复至相应的未来评估指标值，则风险值较高。
在一些实施例中，处理器可以基于风险值预测模型对当前评估指标值、未来评估指标值以及被监测湖泊的湖泊生态恢复能力进行处理，确定多个风险值。
在一些实施例中，风险值预测模型可以为机器学习模型，例如循环神经网络模型、卷积神经网络或其他自定义的模型结构等中的任意一种或组合。
风险值预测模型的输入包括当前评估指标值、未来评估指标值和湖泊生态恢复能力值，风险值预测模型的输出包括多个风险值。风险值预测模型的输出可以为向量形式。例如，风险值预测模型的输出可以是(m1，m2，m3)，其中，m1表示被监测湖泊的水体污染风险值，m2表示被监测湖泊的土壤污染风险值，m3表示被监测湖泊的空气污染风险值。
在一些实施例中，风险值预测模型的输入还包括多个维度的监测数据的数据可靠度。
数据可靠度指监测数据的可信程度。数据可靠度可以由数值0-1表示，数值越高表示数据的可信程度越高。关于数据可靠度的更多内容，可以参见图7中的相关描述。
本说明书的一些实施例中，将数据可靠度作为风险值预测模型的输入，充分考虑了监测数据的可靠程度，使预测的风险值更加可信。
在一些实施例中，风险值预测模型可以通过多个有第一标签的第一训练样本训练得到。例如，可以将多个带有第一标签的第一训练样本输入初始风险值预测模型，通过第一标签和初始风险值预测模型的结果构建损失函数，基于损失函数通过梯度下降或其他方法迭代更新初始风险值预测模型的参数。当满足预设条件时模型训练完成，得到训练好的风险值预测模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中，第一训练样本至少可以包括样本湖泊在样本当前评估指标值、样本未来评估指标值和样本湖泊生态恢复能力，第一标签可以是样本被监测湖泊的多个风险值。在一些实施例中，第一训练样本可以基于历史数据获取。第一标签可以人工标注。例如，对于某个样本湖泊可以确定其在某个样本历史时刻下的样本当前评估指标值、样本未来评估指标值和样本湖泊生态恢复能力，并在该样本历史时刻的样本未来时刻(例如1天、2天后)，通过技术手段(例如，土壤/水质采样化验等方式)确定该样本湖泊的生态环境出现了无法恢复的情况(例如，污染较大)，则可以根据该样本历史时刻与该样本未来时刻的时间距离，确定该样本湖泊对应的风险值比较高(例如，未来时刻越近，风险值越大)。相应的，可以人工标注一个较高的风险值作为第一标签。
本说明书的一些实施例中，通过风险值预测模型确定多个风险值，使湖泊生态监测管理系统能够自动预测多个风险值，进而实现被监测湖泊的预警。通过确定当前评估指标值、未来评估指标值以及被监测湖泊的湖泊生态恢复能力，进而确定多个风险值，可以使湖泊生态监测管理系统能够根据各项评估指标等准确地确定被监测湖泊的多个风险值，进而实现被监测湖泊的预警。
应当注意的是，上述有关流程200和500的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程200和500进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
图6A是根据本说明书一些实施例所示的基于监测数据预测模型确定预测单元监测数据的示例性示意图。
在一些实施例中，处理器可以通过监测数据预测模型630对至少一个湖泊监测单元的监测数据序列610进行处理，确定预测单元监测数据640。
监测数据序列可以是由多个单元监测数据组成的序列。在一些实施例中，监测数据序列可以包括至少一个湖泊监测单元在多个历史时刻采集的单元监测数据。例如，湖泊监测单元A的监测数据序列可以包括湖泊监测单元A在三天前、两天前和一天前采集的单元监测数据。
关于单元监测数据的更多细节可以参见图2及其相关描述。
监测数据预测模型630可以是机器学习模型，例如，监测数据预测模型可以包括神经网络模型等。
在一些实施例中，监测数据预测模型630的输入可以包括至少一个湖泊监测单元的监测数据序列610，例如，湖泊监测单元A的监测数据序列610-1、湖泊监测单元B的监测数据序列610-2等；监测数据预测模型630的输出可以包括预测的至少一个湖泊监测单元在未来时刻的预测单元监测数据640，例如，湖泊监测单元A在未来时刻的预测单元监测数据640-1、湖泊监测单元B在未来时刻的预测单元监测数据640-2等。
在一些实施例中，监测数据预测模型630的输入还包括邻接特征矩阵620。
邻接特征矩阵可以是用于反映相邻监测域之间的水体流通关系的矩阵。例如，邻接特征矩阵可以反映监测域1与监测域2之间的水体流通关系。其中，水体流通关系可以包括水的流向、流通量等。
在一些实施例中，邻接特征矩阵的元素值至少包括水体流通度。水体流通度可以用于衡量一个监测域的水流向另一个监测域的流通量。
在一些实施例中，水体流通度可以基于相邻监测域间水体接触面积、水流速度和水的流向(例如，流向可以指水流与水体接触面切线方向的夹角)确定。示例性地，监测域1的水流向监测域2的水体流通度可以通过如下公式(1)确定：
x＝Svsinα (1)
其中，x为监测域1与监测域2的水体流通度，S为监测域1与监测域2水体接触面积，v为监测域1的水流向监测域2的水流速度，α为监测域1的水流向监测域2的水的方向(例如，该方向可以由水流方向与岸底平面的夹角表示)。需要说明的是，水体接触面积可以通过对被监测湖泊进行预先建模，根据三维模型得到。监测域之间的水流速度和水流方向可以通过速度传感器等得到。
在一些实施例中，邻接特征矩阵可以基于多个监测域的相邻关系和相邻监测域之间的水体流通关系构建。例如，如图3所示，被监测湖泊310包括监测域1、监测域2和监测域3，其中监测域1与监测域2相邻，监测域2与监测域3相邻，则可以根据监测域1的水流向监测域2的水体流通度、监测域2的水流向监测域1的水体流通度、监测域2的水流向监测域3的水体流通度和监测域3的水流向监测域2的水体流通度确定该被监测湖泊的邻接特征矩阵。
作为一具体示例，如图6B所示，某湖泊包括三个监测域，其中监测域1与监测域2相邻，监测域2与监测域3相邻，监测域1的水流向监测域2的水体流通度为x1、监测域2的水流向监测域1的水体流通度为x2、监测域2的水流向监测域3的水体流通度为x4以及监测域3的水流向监测域2的水体流通度为x3，则该湖泊的邻接特征矩阵可以是一个三行三列的矩阵(0，x1，0；x2，0，x4；0，x3，0)。更多关于监测域的说明参见图2及其相关描述。
本说明书的一些实施例中，通过将邻接特征矩阵输入监测数据预测模型中，得到湖泊监测单元在未来时刻的预测单元监测数据，可以充分考虑湖泊间相邻监测域的水体流通度关系，从而使预测的单元监测数据更符合实际情况，提高了监测数据预测模型的准确度。
在一些实施例中，监测数据预测模型630的输入还包括水土交换分布650和水空交换分布660。
水土交换分布是指被监测湖泊的水体与其底部的土壤的接壤程度。水土交换分布可以反映土壤与水体之间溶解物质的交换。水土交换分布由多个水体交换值构成。每个监测域对应一个水土交换值。被监测湖泊中多个监测域对应的水土交换值构成水土交换分布。
在一些实施例中，某一监测域的水土交换值可以基于监测域与土壤的接壤面积、监测域的体积、土壤特征确定。其中，土壤特征可以包括土壤的质地、疏松度，以及湖泊水土界面处的淤泥厚度、沉积物类别及数量等多种特征。示例性的，水土交换值可以通过如下公式(2)确定：
其中，w为水土交换值，St为监测域与土壤的接壤面积，Vj为监测域的体积，ε为系数。ε可以基于土壤特征确定。示例性的，ε可以通过如下公式(3)确定：
其中，ki为不同土壤特征的权重，Ri为不同土壤特征的量化值。权重和不同特征的量化值可以由系统或人为预设。需要说明的是，针对不同湖泊水土界面可以应用公式(2)对应确定不同的水土交换值。对于不同湖泊水土界面，其不同土壤特征的权重(即上述ki)和不同土壤特征的量化值(即上述Ri)可以不同。ki和Ri可以基于先验知识或历史数据，根据实际需求确定。
水空交换分布是指湖泊的水体与其上方的空气的接壤程度。水空交换分布由多个水空交换值构成。每个监测域对应一个水空交换值。被监测湖泊中多个监测域对应的水空交换值构成水空交换分布。
在一些实施例中，某一监测域的水空交换值可以基于监测域与空气的接壤面积、监测域的体积、空气特征确定。其中，空气特征可以包括湿度、温度等。示例性的，水空交换值可以通过如下公式(4)确定：
/>
其中，u为水空交换值，Sk为监测域与空气的接壤面积，Vj为监测域的体积，θ为系数。θ可以基于空气特征确定。示例性的，θ可以通过如下公式(5)确定：
其中，pi为不同空气特征的权重，Gi为不同空气特征的量化值。权重和不同特征的量化值可以由系统或人为预设。
本说明书的一些实施例中，通过考虑各个监测域与土壤、空气的接壤程度，有助于更好地预测未来时刻的水质情况、土壤情况、空气情况。例如，通过考虑湖泊水体与土壤的水土交换分布，可以考虑水体和土壤接壤处二者对彼此的影响，有助于提高对未来时刻的水质情况、土壤情况的预测准确性。
在一些实施例中，监测数据预测模型可以通过多个有第二标签的第二训练样本训练得到。例如，可以将多个带有第二标签的第二训练样本输入初始监测数据预测模型，通过第二标签和初始监测数据预测模型的结果构建损失函数，基于损失函数通过梯度下降或其他方法迭代更新初始监测数据预测模型的参数。当满足预设条件时模型训练完成，得到训练好的监测数据预测模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中，第二训练样本至少可以包括多个样本湖泊监测单元在样本历史时刻对样本湖泊进行监测得到的样本监测数据序列。第二标签可以是各个样本湖泊监测单元在样本未来时刻的实际单元监测数据。需要说明的是，样本历史时间和样本未来时间均为过去时间，样本未来时间位于样本历史时间之后。
在一些实施例中，第二训练样本还可以包括样本湖泊的样本邻接特征矩阵。在一些实施例中，第二训练样本还可以包括样本湖泊的样本水土交换分布和样本水空交换分布。
在一些实施例中，第二训练样本可以通过历史数据得到。第二标签可以人工标注，也可以基于历史数据确定。
本说明书的一些实施例中，通过监测数据预测模型对湖泊监测单元的监测数据进行预测，使预测的湖泊监测单元未来时刻的单元监测数据更符合实际，提高预测的效率，并且可以应用于更多类型的被监测湖泊，应用范围更加广泛。
图7是根据本说明书一些实施例所示的确定目标监测方案参数的示意图。
在一些实施例中，处理器可以基于当前监测方案参数、多个维度的监测数据以及湖泊特征，确定多个维度的监测数据的数据可靠度。
当前监测方案参数可以是湖泊监测单元的当前工作参数。在一些实施例中，监测方案参数至少可以包括监测等级、监测精度以及监测频率等一种或多种。
监测等级可以用于表示对被监测湖泊进行监测的重要度。例如，监测等级越高，表示对被监测湖泊进行监测的重要度越高，需要对被监测湖泊进行精度更高、频率更高的监测。
监测精度可以用于表示对被监测湖泊进行监测的精度大小。例如，监测精度越高时，可以在被监测湖泊中设置更多的监控域，提高湖泊监测单元的布置密度，相应可以得到被监测湖泊中更多位置上的空间维度的监测数据。
监测频率可以用于表示对被监测湖泊进行监测的频率大小。例如，监测频率越高时，湖泊监测单元进行监测的时间越频繁，相应可以得到更多的时间维度的监测数据。
在一些实施例中，监测等级、监测精度和监测频率可以对应于被监测湖泊的风险等级。被监测湖泊的风险等级越高，湖泊监测单元的监测等级、监测精度和监测频率越高。其中，风险等级可以由风险值确定，具体确定方式可以由系统或人为预设。
数据可靠度指监测数据的可信程度。在一些实施例中，处理器可以通过多种方式，基于当前的监测方案参数、多个维度的监测数据以及湖泊特征确定监测数据的数据可靠度。例如，当多个维度的监测数据与当前监测方案参数和/或湖泊特征不匹配时，可以确定监测数据的数据可靠度较低。反之，较高。作为示例，假设当前监测方案参数包括监测等级较高、监测精度较高、监测频率较高，当空间维度的监测数据数量不足、时间维度的监测数据数量不足时，可以确定监测数据的数据可靠度较低。
在一些实施例中，数据可靠度相关于监测数据的统计特征与被监测湖泊的固有敏感度。例如，固有敏感度越低时：监测数据的统计特征越稳定，则监测数据可靠度越高；监测数据的统计特征越不稳定，则监测数据可靠度越低。固有敏感度越高时：监测数据的统计特征越稳定，则监测数据可靠度越低；监测数据的统计特征越不稳定，则监测数据可靠度越高。
监测数据的统计特征可以用于反映监测数据总体上的一些规律特征。监测数据的统计特征可以与预设时间内湖泊监测单元采集的数据有关。例如，可以通过计算预设时间内多个湖泊监测单元的采集数据的方差、平均差等方式得到监测数据的统计特征。
固有敏感度可以用于反映湖泊生态环境发生退化的容易程度。固有敏感度越高，湖泊生态环境越容易发生退化。
在一些实施例中，固有敏感度可以基于被监测湖泊的湖泊生态恢复能力确定。例如，某湖泊的湖泊生态恢复能力较强，则该湖泊的固有敏感度就较低。反之，固有敏感度较高等。关于湖泊生态恢复能力的更多内容可以参见图5及其相关描述。
本说明书的一些实施例中，通过监测数据的统计特征和被监测湖泊的固有敏感度确定湖泊监测单元的监测数据可靠度，可以充分考虑湖泊发生退化的容易程度对监测数据的影响，使得确定的数据可靠度更加准确。
在一些实施例中，处理器可以基于多个维度的监测数据的数据可靠度，确定目标监测方案参数。
目标监测方案参数可以是湖泊监测单元的目标工作参数。关于监测方案参数的更多内容可以参见前文相关描述。
在一些实施例中，处理器可以通过多种方式，基于多个维度的监测数据的数据可靠度，确定目标监测方案参数。例如，当数据可靠度较低时，可以提高湖泊监测单元的监测等级、监测精度和/或监测频率等。
在一些实施例中，目标监测方案参数相关于未来一段时间内的气候特征。例如，未来一段时间内的气候特征变化会影响巡视设备的工作效率，可以根据气候特征适应性调整未来一段时间内巡视设备的工作频率等。作为示例，云层厚度太厚时，可以降低遥感卫星的监测精度和监测频率；降雨量大或风力等级大时，可以降低巡视无人机监测精度和监测频率；当遥感卫星的监测频率和巡视无人机的监测频率不足时，可以适当增加人工巡查监测的监测精度和监测频率等。关于巡视设备的更多内容可以参见图1及其相关描述。关于气候特征的更多内容可以参见图5及其相关描述。
本说明书的一些实施例，通过未来一段时间的气候特征调整目标监测方案参数，可以根据未来天气情况调整监测设备的工作参数。以及，通过增加人工巡查监测的监测频率，保证监测数据的完整性。
在一些实施例中，目标监测方案参数还相关于未来评估指标值。例如，未来评估指标值远离标准范围时，适当上调监测等级、监测精度和监测频率；未来评估指标值离标准范围越近或处于标准范围内，适当下调监测等级、监测精度和监测频率等。其中，标准范围可以是预先设置的评估指标值的正常值范围。关于未来评估指标值的更多细节可以参见图5及其相关描述。
本说明书的一些实施例中，通过未来评估指标值调整目标监测方案参数，可以让目标监测方案参数更加符合实际情况。
在一些实施例中，目标监测方案参数可以作为人工干预方案的参考数据。例如，可以根据目标监测方案参数确定的人工干预方案中的相关内容，包括适当提高监测等级、监测精度和监测频率等。
本说明书一些实施例提供了一种湖泊生态监测管理系统，包括：获取模块、风险确定模块和预警模块，获取模块用于获取被监测湖泊的湖泊特征以及多个维度的监测数据；风险确定模块，用于基于湖泊特征以及多个维度的监测数据，确定被监测湖泊的多个风险值；预警模块，用于基于多个风险值，生成预警信息，并向用户发出提示以及执行人工干预方案。
本说明书一些实施例提供了一种湖泊生态监测管理装置包括至少一个处理器以及至少一个存储器，该存储器可以用于存储计算机指令，该处理器可以用于执行所述计算机指令中的至少部分指令以实现湖泊生态监测管理方法。
本说明书一些实施例提供了一种计算机可读存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行湖泊生态监测管理方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种湖泊生态监测管理方法，其特征在于，所述方法包括：
获取被监测湖泊的湖泊特征以及多个维度的监测数据；
所述多个维度至少包括空间维度，所述多个维度的监测数据包括至少一个湖泊监测单元的单元监测数据；
所述至少一个湖泊监测单元部署于所述被监测湖泊的内部和/或所述被监测湖泊周边的多个空间位置；
所述湖泊特征至少包括湖泊类型、湖泊表面积、湖泊平均水深；
所述湖泊监测单元至少包括单个空间的多维一体化监测设备，所述单个空间的多维一体化监测设备包括水体参数监测设备、水土界面参数监测设备以及空气参数监测设备中的一种或多种；
所述单元监测数据至少包括水体单元监测数据、水土界面单元监测数据以及空气单元监测数据中的一种或多种；
基于所述湖泊特征以及所述多个维度的监测数据，确定所述被监测湖泊的多个风险值；
所述多个风险值至少包括水体污染风险值、土壤污染风险值、空气污染风险值以及生物退化风险值中的一种或多种，所述生物退化风险值基于生物多样性退化值以及生物栖息地退化值确定，所述生物多样性退化值相关于生物多样性退化概率以及生物多样性退化程度，所述生物栖息地退化值相关于生物栖息地退化概率以及生物栖息地退化程度；
基于所述多个风险值，生成预警信息，并向用户发出提示以及执行人工干预方案；
确定所述水体污染风险值、所述土壤污染风险值、所述空气污染风险值包括：
基于所述多个维度的监测数据，确定当前的水体污染评估指标；基于当前的所述水体污染评估指标，根据第一预设规则确定所述水体污染风险值；
基于所述多个维度的监测数据，确定当前的土壤污染评估指标；基于所述湖泊特征、所述土壤污染评估指标和所述水体污染评估指标，根据第二预设规则确定所述土壤污染风险值；
基于所述多个维度的监测数据，确定当前的空气污染评估指标；基于所述湖泊特征、所述空气污染评估指标和所述水体污染评估指标，根据第三预设规则确定所述空气污染风险值。
2.根据权利要求1所述的方法，其特征在于，所述多个维度还包括时间维度，所述多个维度的监测数据还包括所述至少一个湖泊监测单元在多个历史时刻采集的单元监测数据，
所述基于所述湖泊特征以及所述多个维度的监测数据，确定所述被监测湖泊的多个风险值，包括：
基于所述多个维度的监测数据，预测所述至少一个湖泊监测单元在未来时刻的预测单元监测数据；
基于所述至少一个湖泊监测单元在当前时刻的当前单元监测数据，确定所述被监测湖泊的当前评估指标值；
基于所述预测单元监测数据，确定所述被监测湖泊的未来评估指标值；
基于所述当前评估指标值和/或所述未来评估指标值，确定所述多个风险值。
3.根据权利要求2所述的方法，其特征在于，所述基于所述当前评估指标值和/或所述未来评估指标值，确定所述多个风险值，包括：
基于所述当前评估指标值、所述未来评估指标值以及所述被监测湖泊的湖泊生态恢复能力，确定所述多个风险值；
其中，所述湖泊生态恢复能力基于所述被监测湖泊的历史恢复情况，通过向量数据库确定，所述向量数据库包括多个参考特征向量，所述多个参考特征向量中的每个参考特征向量基于历史单元监测数据以及历史气候特征构建，所述每个参考特征向量对应一个历史湖泊生态恢复能力值。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于当前监测方案参数、所述多个维度的监测数据以及所述湖泊特征，确定所述多个维度的监测数据的数据可靠度；
基于所述数据可靠度，确定目标监测方案参数，所述目标监测方案参数至少包括监测等级、监测精度以及监测频率中的一种或多种。
5.一种湖泊生态监测管理系统，其特征在于，所述系统包括：
获取模块，用于获取被监测湖泊的湖泊特征以及多个维度的监测数据；
所述多个维度至少包括空间维度，所述多个维度的监测数据包括至少一个湖泊监测单元的单元监测数据；
所述至少一个湖泊监测单元部署于所述被监测湖泊的内部和/或所述被监测湖泊周边的多个空间位置；
所述湖泊特征至少包括湖泊类型、湖泊表面积、湖泊平均水深；
所述湖泊监测单元至少包括单个空间的多维一体化监测设备，所述单个空间的多维一体化监测设备包括水体参数监测设备、水土界面参数监测设备以及空气参数监测设备中的一种或多种；
所述单元监测数据至少包括水体单元监测数据、水土界面单元监测数据以及空气单元监测数据中的一种或多种；
风险确定模块，用于基于所述湖泊特征以及所述多个维度的监测数据，确定所述被监测湖泊的多个风险值；
所述多个风险值至少包括水体污染风险值、土壤污染风险值、空气污染风险值以及生物退化风险值中的一种或多种，所述生物退化风险值基于生物多样性退化值以及生物栖息地退化值确定，所述生物多样性退化值相关于生物多样性退化概率以及生物多样性退化程度，所述生物栖息地退化值相关于生物栖息地退化概率以及生物栖息地退化程度；
预警模块，用于基于所述多个风险值，生成预警信息，并向用户发出提示以及执行人工干预方案；
所述风险确定模块进一步用于：
基于所述多个维度的监测数据，确定当前的水体污染评估指标；基于当前的所述水体污染评估指标，根据第一预设规则确定所述水体污染风险值；
基于所述多个维度的监测数据，确定当前的土壤污染评估指标；基于所述湖泊特征、所述土壤污染评估指标和所述水体污染评估指标，根据第二预设规则确定所述土壤污染风险值；
基于所述多个维度的监测数据，确定当前的空气污染评估指标；基于所述湖泊特征、所述空气污染评估指标和所述水体污染评估指标，根据第三预设规则确定所述空气污染风险值。
6.根据权利要求5所述的系统，其特征在于，所述多个维度还包括时间维度，所述多个维度的监测数据还包括所述至少一个湖泊监测单元在多个历史时刻采集的单元监测数据，
所述风险确定模块还用于：
基于所述多个维度的监测数据，预测所述至少一个湖泊监测单元在未来时刻的预测单元监测数据；
基于所述至少一个湖泊监测单元在当前时刻的当前单元监测数据，确定所述被监测湖泊的当前评估指标值；
基于所述预测单元监测数据，确定所述被监测湖泊的未来评估指标值；
基于所述当前评估指标值和/或所述未来评估指标值，确定所述多个风险值。
7.根据权利要求6所述的系统，其特征在于，所述风险确定模块还用于：
基于所述当前评估指标值、所述未来评估指标值以及所述被监测湖泊的湖泊生态恢复能力，确定所述多个风险值；
其中，所述湖泊生态恢复能力基于所述被监测湖泊的历史恢复情况，通过向量数据库确定，所述向量数据库包括多个参考特征向量，所述多个参考特征向量中的每个参考特征向量基于历史单元监测数据以及历史气候特征构建，所述每个参考特征向量对应一个历史湖泊生态恢复能力值。
8.根据权利要求5所述的系统，其特征在于，所述系统还包括方案确定模块，所述方案确定模块用于：
基于当前监测方案参数、所述多个维度的监测数据以及所述湖泊特征，确定所述多个维度的监测数据的数据可靠度；
基于所述数据可靠度，确定目标监测方案参数，所述目标监测方案参数至少包括监测等级、监测精度以及监测频率中的一种或多种。
9.一种湖泊生态监测管理装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1至4中任意一项所述的方法。
10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1至4中任一项所述的方法。
CN202310383018.3A 2023-04-11 2023-04-11 一种湖泊生态监测管理方法与系统 Active CN116400035B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310383018.3A CN116400035B (zh) 2023-04-11 2023-04-11 一种湖泊生态监测管理方法与系统
CN202311863987.5A CN117890546A (zh) 2023-04-11 2023-04-11 一种湖泊生态风险预警和干预方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310383018.3A CN116400035B (zh) 2023-04-11 2023-04-11 一种湖泊生态监测管理方法与系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202311863987.5A Division CN117890546A (zh) 2023-04-11 2023-04-11 一种湖泊生态风险预警和干预方法及系统

Publications (2)

Publication Number Publication Date
CN116400035A CN116400035A (zh) 2023-07-07
CN116400035B true CN116400035B (zh) 2023-12-15

Family

ID=87015636

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202311863987.5A Pending CN117890546A (zh) 2023-04-11 2023-04-11 一种湖泊生态风险预警和干预方法及系统
CN202310383018.3A Active CN116400035B (zh) 2023-04-11 2023-04-11 一种湖泊生态监测管理方法与系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202311863987.5A Pending CN117890546A (zh) 2023-04-11 2023-04-11 一种湖泊生态风险预警和干预方法及系统

Country Status (1)

Country Link
CN (2) CN117890546A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116625328B (zh) * 2023-07-24 2023-10-20 新兴际华(北京)智能装备技术研究院有限公司 湖泊水量确定方法、装置、电子设备和存储介质
CN116933985B (zh) * 2023-09-19 2023-12-01 中国标准化研究院 一种适用于多区域的生物多样性物种监测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106202960A (zh) * 2016-07-21 2016-12-07 沈阳环境科学研究院 一种基于湖泊水生态系统的健康评价方法
CN106202163A (zh) * 2016-06-24 2016-12-07 中国环境科学研究院 通江湖泊生态监测信息管理及预警系统
CN106295121A (zh) * 2016-07-21 2017-01-04 天津大学 景观湖泊贝叶斯水质风险预测方法
US20210293770A1 (en) * 2017-06-19 2021-09-23 Nanjing Institute Of Geography & Limnology. Chinese Academy Of Sciences Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom
CN114239290A (zh) * 2021-12-21 2022-03-25 中国科学院东北地理与农业生态研究所 一种基于多技术交互的湖泊水环境监测预警系统及构建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106202163A (zh) * 2016-06-24 2016-12-07 中国环境科学研究院 通江湖泊生态监测信息管理及预警系统
CN106202960A (zh) * 2016-07-21 2016-12-07 沈阳环境科学研究院 一种基于湖泊水生态系统的健康评价方法
CN106295121A (zh) * 2016-07-21 2017-01-04 天津大学 景观湖泊贝叶斯水质风险预测方法
US20210293770A1 (en) * 2017-06-19 2021-09-23 Nanjing Institute Of Geography & Limnology. Chinese Academy Of Sciences Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom
CN114239290A (zh) * 2021-12-21 2022-03-25 中国科学院东北地理与农业生态研究所 一种基于多技术交互的湖泊水环境监测预警系统及构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
智慧巡湖系统在湖泊巡查管理中的探索应用;闵克祥等;《水利信息化》(第2期);46-49 *

Also Published As

Publication number Publication date
CN116400035A (zh) 2023-07-07
CN117890546A (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN116400035B (zh) 一种湖泊生态监测管理方法与系统
Viana et al. Assembly mechanisms determining high species turnover in aquatic communities over regional and continental scales
Hughes et al. EMAP-Surface Waters: A multiassemblage, probability survey of ecological integrity in the USA
Hossen et al. Change detection in the water bodies of Burullus Lake, Northern Nile Delta, Egypt, using RS/GIS
Horrigan et al. Response of stream macroinvertebrates to changes in salinity and the development of a salinity index
Zhao et al. Making global river ecosystem health assessments objective, quantitative and comparable
Jones et al. Ecological monitoring and assessment of pollution in rivers
CN116503335B (zh) 一种水生物监测系统、方法、装置和存储介质
Myer et al. Spatio-temporal modeling for forecasting high-risk freshwater cyanobacterial harmful algal blooms in Florida
Liu et al. Combined effects of global climate suitability and regional environmental variables on the distribution of an invasive marsh species Spartina alterniflora
Patrick et al. Modeled hydrologic metrics show links between hydrology and the functional composition of stream assemblages
Yusri et al. Water quality classification using SVM and XGBoost method
CN117310115A (zh) 一种水环境质量评估方法及系统
Kim et al. Enhanced monitoring of water quality variation in Nakdong River downstream using multivariate statistical techniques
Mendes et al. Comparing alternatives for combining invertebrate and diatom assessment in stream quality classification
Devagopal et al. Prediction of water quality parameters of River Periyar using regression models
Mykrä et al. Predicting the stream macroinvertebrate fauna across regional scales: influence of geographical extent on model performance
CN116704076A (zh) 一种河湖地图生成的方法、装置、设备及存储介质
Castillo-Torres et al. Potential distribution of native freshwater fish in Tabasco, Mexico
Schweiger et al. Environmental monitoring and assessment of a great river ecosystem: the upper Missouri River pilot
Zylstra et al. Surface‐water availability governs survival of an amphibian in arid mountain streams
Joy et al. Assessing biological integrity using freshwater fish and decapod habitat selection functions
Hafiz et al. Tracking environmental changes in Manzala lake integrating landsat data based on interpolation nonlinear models
Nanjundan et al. A Reliable Method of Predicting Water Quality Using Supervised Machine Learning Model
Zhou et al. Modeling Chlorophyll $ a $ Concentration Affected by Artificial Upwelling in Qiandao Lake

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