CN116503335B - 一种水生物监测系统、方法、装置和存储介质 - Google Patents

一种水生物监测系统、方法、装置和存储介质 Download PDF

Info

Publication number
CN116503335B
CN116503335B CN202310341473.7A CN202310341473A CN116503335B CN 116503335 B CN116503335 B CN 116503335B CN 202310341473 A CN202310341473 A CN 202310341473A CN 116503335 B CN116503335 B CN 116503335B
Authority
CN
China
Prior art keywords
water
aquatic
degradations
organisms
determining
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
CN202310341473.7A
Other languages
English (en)
Other versions
CN116503335A (zh
Inventor
张加雪
刘建龙
冯俊
闵克祥
刘建华
陈大卫
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 CN202310341473.7A priority Critical patent/CN116503335B/zh
Publication of CN116503335A publication Critical patent/CN116503335A/zh
Application granted granted Critical
Publication of CN116503335B publication Critical patent/CN116503335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G01N33/186—Water using one or more living organisms, e.g. a fish
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • 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)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medicinal Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Food Science & Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Farming Of Fish And Shellfish (AREA)

Abstract

本说明书实施例提供一种水生物监测系统与方法，该方法包括：获取待监测水体的传感数据，传感数据基于部署于待监测水体中多个预设点位的水生物监测单元采集，传感数据至少包括图像数据，图像数据包括水面图像和水下图像；基于传感数据，确定水生物的预估数量，水生物至少包括浮游生物、自游生物和底栖生物；基于水生物的预估数量，确定多个退化度，多个退化度包括第一退化度和第二退化度，第一退化度包括水生物多样性退化度，第二退化度包括水生物数量退化度；响应于多个退化度中的一个或多个满足预设条件，生成预警信息并向用户提示。

Description

一种水生物监测系统、方法、装置和存储介质
技术领域
本说明书涉及水环境水生态保护领域，特别涉及一种水生物监测系统、方法、装置和存储介质。
背景技术
随着水环境健康评价体系的不断发展，进行水环境健康评价时，水生物指标成为重要的指标之一。但由于受复杂环境的影响,水生物指标监测和选取存在很大的不确定性。
鉴于此，CN101059493B公开了一种水质在线生物安全预警方法，通过水生生物的行为变化或生理反应来表明水质状况，从而对水环境生态系统质量进行综合性评价，实现实时在线对水质安全的预警，但未涉及水生物集成归纳的识别系统。
因此，需要提供一种水生物监测系统和方法，通过智能化采集系统和对水生物的识别方法，选择适合于本地的敏感性指标来进行水生物完整性评价，能够大大减少采集工作量，以实现提高采集、监测和评估效率。
发明内容
本说明书一个或多个实施例提供一种水生物监测系统，所述水生物监测系统包括：获取模块，用于获取待监测水体的传感数据，所述传感数据基于部署于所述待监测水体中多个预设点位的水生物监测单元采集，所述传感数据至少包括图像数据，所述图像数据包括水面图像和水下图像；第一确定模块，用于基于所述传感数据，确定水生物的预估数量，所述水生物至少包括浮游生物、自游生物和底栖生物；第二确定模块，用于基于所述水生物的预估数量，确定多个退化度，所述多个退化度包括第一退化度和第二退化度，所述第一退化度包括水生物多样性退化度，所述第二退化度包括水生物数量退化度；预警模块，用于响应于所述多个退化度中的一个或多个满足预设条件，生成预警信息并向用户提示。
本说明书一个或多个实施例提供一种水生物监测方法，所述水生物监测方法包括：获取待监测水体的传感数据，所述传感数据基于部署于所述待监测水体中多个预设点位的水生物监测单元采集，所述传感数据至少包括图像数据，所述图像数据包括水面图像和水下图像；基于所述传感数据，确定水生物的预估数量，所述水生物至少包括浮游生物、自游生物和底栖生物；基于所述水生物的预估数量，确定多个退化度，所述多个退化度包括第一退化度和第二退化度，所述第一退化度包括水生物多样性退化度，所述第二退化度包括水生物数量退化度；响应于所述多个退化度中的一个或多个满足预设条件，生成预警信息并向用户提示。
本说明书一个或多个实施例提供一种水生物监测装置。所述装置包括至少一个存储介质和至少一个处理器，所述至少一个存储介质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以实现水生物监测的方法。
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，计算机执行水生物监测方法。
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水生物监测系统的示例性模块图；
图2是根据本说明书一些实施例所示的水生物监测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确定自游生物和底栖生物的预估数量的示例性流程图；
图4是根据本说明书一些实施例所示的水域关联图的示意图；
图5是根据本说明书一些实施例所示的确定活动范围退化度和栖息范围退化度的示例性流程图。
图6是根据本说明书一些实施例所示的水生物识别模型的示例性示意图。
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水生物监测系统的示例性模块图。如图1所示，水生物监测系统100可以包括获取模块110、第一确定模块120、第二确定模块130和预警模块140。以下将对本说明书实施例所涉及的水生生物监测系统100进行详细说明。需要注意的是，以下实施例仅用于解释本说明书，并不构成对本说明书的限定。
在一些实施例中，获取模块110用于获取待监测水体的传感数据，传感数据基于部署于待监测水体中多个预设点位的水生物监测单元采集，传感数据至少包括图像数据，图像数据包括水面图像和水下图像。关于获取待监测水体的传感数据的更多说明可以参见图2及其相关描述。
在一些实施例中，第一确定模块120用于基于传感数据，确定水生物的预估数量，水生物至少包括浮游生物、自游生物和底栖生物。关于确定水生物的预估数量的更多说明可以参见图2及其相关描述。
在一些实施例中，第一确定模块120可以进一步用于构建待监测水体的三维测绘模型；基于三维测绘模型，确定多个水域子空间；基于水域子空间，构建水域关联图，水域关联图的节点包括水域子空间，边代表水域子空间的邻接关系；基于水域关联图，确定自游生物和底栖生物的预估数量。关于确定自游生物和底栖生物的预估数量的更多说明可以参见图3及其相关描述。
在一些实施例中，第一确定模块120可以进一步用于根据待监测水体的水体特征和三维测绘模型的射影形态特征，通过向量数据库确定多个水域子空间，水体特征至少包括水体透明度、悬浮物含量、周边植被覆盖率中的一种或多种。关于确定多个水域子空间的更多说明可以参见图3及其相关描述。
在一些实施例中，第二确定模块130可以进一步用于基于水生物的预估数量，确定多个退化度，多个退化度包括第一退化度和第二退化度，第一退化度包括水生物多样性退化度，第二退化度包括水生物数量退化度。关于基于水生物的预估数量确定多个退化度的更多说明可以参见图2及其相关描述。
在一些实施例中，第二退化度还包括自游生物的活动范围退化度和底栖生物的栖息范围退化度。
在一些实施例中，第二确定模块130可以进一步用于根据传感数据，确定每个预设点位的每种自游生物和底栖生物的数量；基于每种自游生物和底栖生物在多个预设点位的数量，确定每种自游生物和底栖生物的数量分布特征；基于数量分布特征，确定自游生物的活动范围大小和底栖生物的栖息范围大小；基于自游生物的活动范围大小和底栖生物的栖息范围大小，确定活动范围退化度和栖息范围退化度。关于确定活动范围退化度和栖息范围退化度的更多说明可以参见图5及其相关描述。
在一些实施例中，预警模块140可以进一步用于响应于多个退化度中的一个或多个满足预设条件，生成预警信息并向用户提示。关于生成预警信息的更多说明可以参见图2及其相关描述。
应当理解，图1所示的系统及其模块可以利用各种方式来实现。
需要注意的是，以上对于水生物监测系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图1中披露的获取模块、第一确定模块、第二确定模块和预警模块可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的水生物监测方法的示例性流程图。在一些实施例中，流程200可以由水生物监测系统100执行。如图2所示，流程200包括下述步骤：
步骤210，获取待监测水体的传感数据。在一些实施例中，步骤210可以由获取模块110执行。
水体可以指水的集合体，包括水、水中的悬浮物、底泥和水生生物，例如，海洋、湖泊、河流、水库和地下水等。待监测水体是指需要监测水生物相关信息(如，数量、栖息范围等)的水体。例如，湖泊、江河等。
传感数据可以指由感知设备或传感设备感受、测量及传输的数据，例如，浊度的传感数据、气象的传感数据等。在一些实施例中，感知设备可以检测环境中的变化，并将环境的实时状态转化为电子信号输出的设备，例如电导率传感器、温度传感器等。在一些实施例中，待监测水体的传感数据可以指待监测水体的传感设备传输的数据，例如，淮河的总磷传感器监测的总磷浓度等。
在一些实施例中，传感数据至少包括图像数据，图像数据包括水面图像和水下图像。其中，水面图像可以指水体表面的图像，水下图像可以指位于水面下方的图像。在一些实施例中，传感数据还可以包括水流速度信息。
在一些实施例中，可以基于部署于待监测水体中多个预设点位的水生物监测单元采集传感数据。在一些实施例中，预设点位可以指在待监测水体中预先设定的用于采集传感数据的水生物监测单元所在位置。在一些实施例中，水生物监测单元可以指用于水生物监测的仪器设备。
步骤220，基于所述传感数据，确定水生物的预估数量。在一些实施例中，步骤220可以由第一确定模块120执行。
水生物可以指水生生物，用于判断水体是否受到污染的有效参照物。水体中不同化学物质的分布和浓度，将决定水生物的类型构成。在一些实施例中，水生物至少包括浮游生物、自游生物和底栖生物。其中，浮游生物可以指生活在水中而缺乏有效移动能力的漂浮生物，例如蓝藻等；自游生物可以指靠自身机能在水中运动的生物，例如鱼类等；底栖生物可以指栖息于海洋或内陆水域底内或底表的生物，例如贝类等。
预估数量可以指通过预设规则预估的水生物种类数量和每类水生物对应的数量。其中，预设规则可以指用于预估水生物相关数量数据预先设定的规则。在一些实施例中，预设规则可以由历史经验人为设定或者由水生物数量预估模型确定。关于水生物数量预估模型的更多说明可以参见图3及其相关描述。
在一些实施例中，可以根据水下图像包含的自游生物以及底栖生物的数量，通过预设规则预估整个待监测水体的水面上的浮游生物的数量。例如，根据水下图像拍到的水体体积以及其中的自游生物以及底栖生物的数量，按水下图像拍到的水体体积占整个待监测水体的水体体积的比例预估算出整个待监测水体的水体中的自游生物以及底栖生物的数量。
在一些实施例中，还可以根据水面图像包含的浮游生物的数量，通过预设规则预估整个待监测水体的水面上的浮游生物的数量。例如，根据水面图像拍到的水面面积以及其中的浮游生物数量，按比例预估算出整个待监测水体的水面上的浮游生物的数量。
在一些实施例中，还可以基于水域关联图确定预估数量。关于水域关联图的更多说明可以参见图4及其说明。
步骤230，基于水生物的预估数量，确定多个退化度。在一些实施例中，步骤230可以由第二确定模块130执行。
退化度可以指水生物相关的退化程度。在一些实施例中，多个退化度包括第一退化度和第二退化度，第一退化度包括水生物多样性退化度，第二退化度包括水生物数量退化度。其中，水生物多样性退化度可以指水生物种类数量的退化程度(如，种类数量的减少程度)，水生物数量退化度可以指每类水生物的数量退化程度(数量的减少程度)，一类水生物对应一个数量退化程度。关于退化度的更多说明可以参见图5相关描述。
在一些实施例中，可以基于水生物的预估数量，确定第一退化度和第二退化度。在一些实施例中，可以通过计算预估的水生物种类数量和历史的水生物种类数量的差值或减少比例确定多样性退化度。例如，某湖泊水生物种类在一年内由年初的1500种减少到目前预估的1000种，则多样性退化度可以为三分之一。在一些实施例中，可以通过计算预估的该水生物数量和历史的该水生物数量的差值或减少比例确定该水生物数量退化度。例如，某河流内鲫鱼数量在一年内由年初的3000条减少到目前预估的2500条，则数量退化度可以为六分之一。
步骤240，响应于多个退化度中的一个或多个满足预设条件，生成预警信息并向用户提示。在一些实施例中，步骤240可以由预警模块140执行。
预设条件可以指提前预设的生成预警信息需要满足的条件。在一些实施例中，预设条件可以根据情况设定。在一些实施例中，预设条件可以包括退化度大于和/或等于预设阈值。预设阈值可以指退化度的最小值。预设阈值可以人为设定。退化度可以基于水生物的预估数量确定。关于预估数量和退化度的更多说明可以参见图3和图5的相关描述。
预警信息可以指用于预示警告的信息。在一些实施例中，响应于多个退化度中的一个或多个满足预设条件，生成预警信息并向用户提示。例如，第一退化度和/或第二退化度大于和/或等于预设阈值，水生物监测系统生成预警信息并向用户提示。
在一些实施例中，可以通过多种方式向用户提示。例如，语音提示、文字提示、振动提示等。其中，文字提示可以指向用户端发送短信，例如，向用户端发送“退化度已超出阈值”短信内容等。
本说明书一些实施例中，通过获取的待监测水体传感数据确定水生物的预估数量，从而确定退化度，并发出预警信息，即通过智能化采集系统和对水生物的识别方法，可以减少采集工作量，有利于提高采集、监测和评估效率。
在一些实施例中，水生物监测方法还包括仅采集局部水域水样并进行过滤与相关实验的环境DNA(Environmental DNA,eDNA)技术。环境DNA技术是指从环境样品(例如水体等)中直接提取DNA片段后利用测序技术进行定性或定量分析的方法。环境DNA技术包括：从环境样本中捕获DNA，并对其进行保存、提取、扩增、测序和分类，利用有足够变异且容易扩增的相对较短的标准DNA片段，在种内的特异性与种间的多样性中建立的一种生物身份识别系统，从而实现了对物质进行快速、准确的识别和鉴定，进而确定取样环境中生物的分布状况。
在一些实施例中，通过采集局部水域水样并结合环境DNA技术进行分析，可以预测该局部水域所对应的水体中水生物的分布状况。将环境DNA技术用于水生生物调查方法，可以实现生物入侵的防治、濒危物种的保护、生物多样性的评价以及生物量的评估等。
图3是根据本说明书一些实施例所示的确定自游生物和底栖生物的预估数量的示例性流程图。如图3所示，流程300包括下述步骤。在一些实施例中，流程300可以由第一确定模块执行。
步骤310，构建待监测水体的三维测绘模型。
三维测绘模型是指根据对待监测水体(如湖泊、江河)的测绘信息，得到的表示该待监测水体的三维形状的三维模型。其中，测绘信息可以包括水体各个点位的水深度、边界的位置、水体的干流支流分支情况等。
在一些实施例中，第一确定模块可以基于待监测水体的测绘信息，通过三维建模软件(如，SketchUp、3D max等)构建三维测绘模型。
步骤320，基于三维测绘模型，确定多个水域子空间。
水域子空间是指将待监测水体进行划分得到的一个或多个子空间。例如，某湖泊划分成的多个子区域可以作为该湖泊的多个水域子空间。
在一些实施例中，第一确定模块可以基于划分规则将待监测水体的三维模型划分为多个区域，并将每个区域作为一个水域子空间。其中，划分规则可以包括基于水域面积、水体体积、水深进行划分等。例如，第一模块可以按一定距离(如，1米、5米等)的等间距网格将三维测绘模型划分为水域面积相等的多个子区域，每个子区域可以作为一个水域子空间。
在一些实施例中，水域子空间还可以基于待监测水体的水体特征和三维测绘模型的射影形态特征，通过向量数据库确定。其中，向量数据库可以基于历史数据构建。例如，向量数据库可以包括历史多个时刻的历史水域子空间以及对应的历史水体特征、历史射影形态特征等。
水体特征是指和待监测水体水质相关的物理/化学参数对应的特征。在一些实施例中，水体特征可以包括水体透明度、悬浮物含量、周边植被覆盖率中的一种或多种。其中，水体透明度是指光透入水体的深浅程度(例如，水体透明度可以是5米、10米等)；悬浮物含量是指水体中的颗粒物(如，难溶于水的淤泥、黏土、有机物、藻类和微生物等)的含量(例如，悬浮物含量可以是10mg/L等)；周边植被覆盖率是指待监测水体附近(例如，50米、100米等)的植被面积与土地面积的比例(如，周边植被覆盖率可以是50％、70％等)。
在一些实施例中，水体特征还可以进一步包括：酸碱值、泥沙含量、溶解氧、常见元素含量等。
在一些实施例中，水体特征可以用向量表示为(A1，A2，A3，A4，…)，其中，A1，A2，A3，A4等分别表示水体透明度、悬浮物含量、周边植被覆盖率、酸碱值等。
射影形态特征是指对三维测绘模型进行多个角度的二维射影拍照(如，在3D软件中虚拟拍照)，得到多个角度的图像数据对应的特征。在一些实施例中，射影形态特征也可以用向量表示为(B1，B2，B3，B4，…)，其中，B1，B2，B3，B4等分别表示对三维测绘模型进行多个角度的二维射影拍照得到的多个图像数据。
在一些实施例中，水域子空间的确定还可以与待监测水体中的水生物的数量以及多样性相关。
水生物的数量是指待监测水体中各种水生物的数量以及所有水生物的总数量，例如，浮游生物的数量、底栖生物的数量等；水生物多样性是指待监测水体中的物种多样性，例如，底栖生物的种类、浮游生物的种类等。
在一些实施例中，水域子空间相关于待监测水体中的水生物的数量以及多样性，可以使水域子空间的划分结果更加准确。
在一些实施例中，第一确定模块可以基于水体特征、射影形态特征、待监测水体中的水生物的数量以及多样性构建目标向量，并将目标向量与向量数据库中的特征向量进行匹配；确定最小向量距离(如，欧式距离、余弦距离、马氏距离、切比雪夫距离、曼哈顿距离等)对应的关联特征向量；基于该关联特征向量对应的水域子空间划分方法，确定当前的划分方法；根据确定的划分方法执行划分，得到多个水域子空间。
目标向量是用于确定水域子空间划分方法的向量。在一些实施例中，目标向量可以基于水体特征、射影形态特征、待监测水体中的水生物的数量以及多样性确定。例如，目标向量可以表示为(A1、B1、C1、…)。其中，A1表示水体特征，B1表示射影形态特征，C1表示待监测水体中的水生物的数量以及多样性。
特征向量是向量数据库中历史待监测水体的数据和/或信息构建的向量。在一些实施例中，特征向量可以基于历史水体特征、历史射影形态特征、历史待监测水体中的水生物的数量以及多样性构建。例如，特征向量可以表示为(A2、B2、C2、…)。其中，A2表示历史水体特征，B2表示历史射影形态特征，C2表示历史待监测水体中的水生物的数量以及多样性等。
水域子空间划分方法是将待监测水体划分为多个子空间的方法。在一些实施例中，水域子空间划分方法可以是通过切割线对待监测水体的三维测绘模型进行切割。在一些实施例中，水域子空间划分方法可以包括切割线参数，例如，不同切割线的间隔大小、每条切割线的切割角度等。在一些实施例中，向量数据库中可以包括历史实践中较优的多个水域子空间划分方法，每个水域子空间划分可以与不同的特征向量对应。例如，特征向量1对应水域子空间划分方法1，特征向量2对应水域子空间划分方法2等。
关联特征向量是指与目标向量满足一定条件的特征向量。例如，关联特征向量可以是与目标向量的向量距离最小的特征向量。
在一些实施例中，基于多个关联特征向量对应的水域子空间划分方法，确定当前的划分方法包括：将目标向量与向量数据库中的特征向量进行匹配；基于向量距离确定多个关联特征向量；选择多个关联特征向量中与目标向量距离最接近的关联特征向量对应的水域子空间划分方法作为当前待监测水体的水域子空间划分方法。
步骤330，基于水域子空间，构建水域关联图，水域关联图的节点包括水域子空间，边代表水域子空间的邻接关系。
水域关联图是指将待监测水体划分为多个水域子空间后得到的图结构。
在一些实施例中，第一确定模块可以基于划分好的水域子空间构建水域关联图。其中，水域关联图的节点包括水域子空间，边代表水域子空间的邻接关系。关于水域关联图的详细说明可以参见图4。
步骤340，基于水域关联图，确定自游生物和底栖生物的预估数量。
在一些实施例中，第一确定模块可以基于水域关联图，通过水生物数量预估模型确定自游生物和底栖生物的预估数量。
水生物数量预估模型可以用于确定自游生物和底栖生物的预估数量。在一些实施例中，水生物数量预估模型可以是机器学习模型。例如，图神经网络模型(Graph NeuralNetwork，GNN)、深度神经网络模型(Deep Neural Network，DNN)、神经网络模型(NeuralNetwork，NN)等或其任意组合。
在一些实施例中，水生物数量预估模型的输入为水域关联图，输出为每个节点的各类自游生物和各类底栖生物的预估数量。
在一些实施例中，可以基于大量带有标签的第一训练样本训练水生物数量预估模型。具体地，将带有标签的第一训练样本输入水生物数量预估模型，通过训练更新水生物数量预估模型的参数，直至满足损失函数小于阈值、收敛，或训练周期达到阈值等条件，获取训练好的水生物数量预估模型。在一些实施例中，第一训练样本可以是大量的历史水域关联图，第一训练样本的标签可以是历史待监测水体中各个水域子空间的自游生物和底栖生物的数量。在一些实施例中，第一训练样本和标签可以基于历史数据确定。
在一些实施例中，第一确定模块可以根据水域关联图中部分节点拍摄的水下画面，确定部分节点的自游生物和底栖生物数量，并通过进一步预估水域关联图中其他节点的自游生物和底栖生物数量，最后对所有节点的自游生物和底栖生物数量进行求和，得到待监测水域的自游生物和底栖生物数量的总数量。
在一些实施例中，自游生物和底栖生物的数量是指各种不同的生物各自的数量。例如，自游生物数量可以是鱼类x1、鱼类x2等的数量；底栖生物数量可以是贝类y1，贝类y2等的数量。
在一些实施例中，自游生物和底栖生物的预估数量为一个数量范围。例如，某种鱼类的预估数量可能为300至400条等。
在一些实施例中，自游生物和底栖生物的预估数量还可以基于水生物数量预估模型的输出和预估置信度确定。
预估置信度是用于确定预估数量范围的置信度。在一些实施例中，预估置信度可以是0～1之间的数值，预估置信度越接近1预估数量范围的浮动越小。例如，当水生物数量预估模型输出的某种底栖生物的数量为100，预估置信度为0.85时，该底栖生物的预估数量范围为85～115。
在一些实施例中，预估置信度可以相关于监测参数和环境条件。
监测参数是指对待监测水体进行数据采集时的水生物监测单元(例如，摄像设备、温度传感器、流速仪等)获取的水体相关参数。在一些实施例中，监测参数可以包括预设时间段的长度、拍摄图像的拍摄时间间隔等。预设时间段的长度是指预设的水生物监测单元采集水体图像、温度等相关参数的时间段长度。例如，预设时间段长度可以是12小时、1天、2天等。拍摄图像的拍摄时间间隔是指摄像设备对待监测水体进行拍摄的时间间隔。例如，拍摄图像的拍摄时间间隔可以是10分钟、30分钟等。
环境条件是指待监测水体的环境的相关参数。在一些实施例中，环境条件可以包括待监测水体的平均浑浊度和待监测水体的平均流速。待监测水体的平均浑浊度可以根据多个预设点位的水生物监测单元采集的图像数据的清晰程度来确定，清晰程度越高，待监测水体的平均浑浊度越低。待监测水体的平均流速可以根据多个预设点位的水生物监测单元采集的水流速度信息确定。
在一些实施例中，预估置信度相关于预设时间段长度、拍摄图像的拍摄时间间隔、待监测水体的平均浑浊度以及待监测水体的平均流速。例如，预设时间段长度越大、拍摄图像的拍摄时间间隔越大、待监测水体的平均浑浊度越低、待监测水体的平均流速越小，预估置信度越高。
在一些实施例中，预估置信度还可以相关于各类水生物的预估数量(例如，水生物数量预估模型输出的水生物数量)与实际监测获取的水生物实际数量之差。其中，差值越大，预估置信度越小。
在一些实施例中，不同种类的水生物对应的预估置信度可能不同。某类水生物的预估置信度还相关于该水生物的活动范围/栖息范围大小。例如，活动范围/栖息范围越小越固定的生物，其预估置信度越大；活动范围/栖息范围越大越分散的生物，其预估置信度越小等。
在一些实施例中，预估置信度相关于水生物的活动范围/栖息范围大小可以考虑到不同水生物的习性，并针对不同的水生物获得更好的预测效果。
在一些实施例中，第一确定模块基于水域关联图，通过水生物数量预估模型确定自游生物和底栖生物的预估数量，可以较好地确定待监测水域中不同种类的自游生物和底栖生物的数量；通过对部分节点拍摄的水下画面确定整个待监测水体的自游生物和底栖生物的预估数量，免去了采集整个待监测水体的相关数据的繁琐操作，提高了效率，节约了资源。
图4是根据本说明书一些实施例所示的水域关联图的示意图。
水域关联图可以表示待监测水体的多个水域子空间的图结构。在一些实施例中，水域关联图可以包括节点和边。
在一些实施例中，水域关联图的节点可以表示不同的水域子空间。如图4所示，水域关联图可以包括节点a、节点b、节点c、节点d、节点e、节点f、节点g以及节点h。其中，每个节点代表一个水域子空间。例如，节点a代表水域子空间a，节点b代表水域子空间b等。
在一些实施例中，节点特征可以包括该水域子空间的空间大小。其中，水域子空间的空间大小可以基于三维测绘模型确定。
在一些实施例中，节点特征还可以包括水域子空间的物理/化学参数(如，水温、酸碱值等)。其中，水域子空间的物理/化学参数可以通过该水域空间内的水生物监测单元获取。在一些实施例中，部分不存在水生物监测单元的水域子空间对应的节点的物理/化学参数可以为无该部分值或者用预设标志补全。
在一些实施例中，节点特征还可以包括水域子空间在预设时间段内的多个时刻的水生物数量构成的数量特征向量。例如，数量特征向量可以表示为((t1，m1，m2，m3，…)，(t2，n1，n2，n3，…)，…)。其中，(t1，m1，m2，m3，…)表示t1时刻自游生物甲的数量为m1，自游生物乙的数量为m2，底栖生物丙的数量为m3等。
在一些实施例中，不同时刻的某类自游生物、底栖生物的数量可以基于水生物识别模型确定。关于水生物识别模型的更多说明可以参见图6。
在一些实施例中，节点特征包括水域子空间与空气的接触面积、水域子空间与岸边及岸底的距离。
水域关联图的边表示相邻水域子空间的连接关系。在一些实施例中，相邻的水域子空间对应的节点可以通过边连接。例如，水域子空间a与水域子空间b相邻，则两者对应的节点a和节点b可以通过边连接；水域子空间a与水域子空间f之间不相邻，则两者对应的节点a和节点f之间没有边连接。
在一些实施例中，边特征可以包括边连接的两个水域子空间之间的相邻面积。例如，水域子空间a与水域子空间b之间的相邻面积为20平方米，则节点a与节点b的边特征可以是20平方米。其中，相邻面积是指两个水域子空间之间直接接触部分的面积。在一些实施例中，相邻面积可以通过三维测绘模型确定。
在一些实施例中，边特征还可以包括边连接的两个水域子空间之间的水交换速率。水交换速率是指水在不同水域子空间之间的流动的速率。例如，水域子空间a与水域子空间b之间的水交换速率包括：水域子空间a中的水流向水域子空间b的速率(该速率可以基于流速仪采集的水流速度和水域子空间a、b之间的面积确定)、水域子空间b中的水流向水域子空间a的速率。
在一些实施例中，对于没有水生物监测单元的水域子空间(即，无法获取其水流速度)，可以没有该部分值或用预设标志补全。
在一些实施例中，通过考虑水域子空间与空气的接触面积、水域子空间与岸边及岸底的距离，结合了空气、土壤和水流对水生物的影响情况，提高预测的准确度。
在一些实施例中，第二退化度还包括自游生物的活动范围退化度和底栖生物的栖息范围退化度。在一些实施例中，自游生物的活动范围退化度可以指自游生物的活动范围的退化程度，底栖生物的栖息范围退化度可以指底栖生物的栖息范围的退化程度。
图5是根据本说明书一些实施例所示的确定活动范围退化度和栖息范围退化度的示例性流程图。在一些实施例中，流程500可以由水生物监测系统100执行。如图5所示，流程500包括以下步骤。
步骤510，根据传感数据，确定每个预设点位的每种自游生物和底栖生物的数量。
在一些实施例中，根据多个预设点位的水生物监测单元采集的图像数据，确定每个水生物监测单元所在位置的每种自游生物和底栖生物的数量。例如，通过图像模型识别水下图像和水面图像中的生物统计数量或通过人工观察确定每种自游生物和底栖生物的数量。
步骤520，基于每种自游生物和底栖生物在多个预设点位的数量，确定每种自游生物和底栖生物的数量分布特征。
数量分布特征可以指每种自游生物和底栖生物的数量分布的数据特点。在一些实施例中，可以利用图表对数据分布特征找到反映数据分布特征的各个代表值进行描述。例如，通过频数分布表可以计算比例，该比例反映样本的构成；通过计算的方差可以反映数据的离散程度。
在一些实施例中，将在5个预设点位的拍摄画面中，水生物A在每个预设点位的3个时刻的数量生成频数分布表，则数量分布特征可以包括：特征1和特征2。示例性的，每个时刻为一个值，多个时刻构成一个序列(如，位于预设点位Q的水生物A在t1、t2、t3时刻的数量分别为a1、a2、a3，则构成序列(a1,a2,a3))，特征1可以为每个时刻水生物A数量大于阈值的预设点位的数量的占比；特征2可以为每个时刻5个预设点位的水生物A数量的方差。
在一些实施例中，每种水生物的数量分布特征基于待监测水体的每个水域子空间的该水生物的预估数量确定，预估数量通过水生物数量预估模型确定。在一些实施例中，可以通过水生物数量预估模型确定每个水域子空间的每种水生物的预估数量，进一步确定每种水生物的数量分布特征，一种水生物的预估数量对应一个水生物的数量分布特征。关于水域子空间和水生物数量预估模型的更多说明可以参见图3及其相关描述。
在一些实施例中，每种水生物的数量分布特征基于待监测水体的每个水域子空间的该水生物的预估数量分布的数据特点确定。在一些实施例中，可以利用图表对预估数量分布特征找到反映数据分布特征的各个代表值进行描述。例如，通过频数分布表可以计算比例，该比例反映样本的构成；通过计算的方差可以反映数据的离散程度。
在本说明书一些实施例中，结合水生物数量预估模型预测的水生物的预估数量，可以获得更为准确的数量分布特征。
步骤530，基于数量分布特征，确定自游生物的活动范围大小和底栖生物的栖息范围大小。
在一些实施例中，可以通过每个时刻水生物数量大于阈值的预设点位的数量的占比和每个时刻多个预设点位的水生物数量的方差，确定自游生物的活动范围大小和底栖生物的栖息范围大小。例如，鱼类E的数量分布特征的特征1的值越大、特征2的值越小，鱼类E的活动范围越小。
步骤540，基于自游生物的活动范围大小和底栖生物的栖息范围大小，确定活动范围退化度和栖息范围退化度。
在一些实施例中，自游生物的活动范围退化度可以指自游生物的活动范围的退化程度。底栖生物的栖息范围退化度可以指底栖生物的栖息范围的退化程度。例如，某贝类的栖息范围缩小程度。
在一些实施例中，可以通过计算当前自游生物的活动范围大小和历史的自游生物的活动范围大小的差值或减少比例，确定自游生物的活动范围退化度。例如，鱼类C一年内活动范围由10平方千米缩小至5平方千米，则鱼类C的活动范围退化度可以为二分之一。在一些实施例中，可以通过计算当前底栖生物的栖息范围大小和历史的底栖生物的栖息范围大小的差值或减少比例，确定底栖生物的栖息范围退化度。例如，贝类D一年内栖息范围由20平方千米缩小至5平方千米，则贝类D的活动范围退化度可以为四分之三。
本说明书一些实施例中，通过预设点位的真实监测数据和基于模型确定的每个水域子空间的水生物预估数量，进而确定数量分布特征，使得确定的数量分布特征更真实可靠。
应当注意的是，上述有关流程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6是根据本说明书一些实施例所示的水生物识别模型的示例性示意图。如图6所示，水生物识别模型600可以包括对象识别模块610和分类识别模块620。
水生物识别模型可以指识别水生物的机器学习模型。在一些实施例中，水生物识别模型可以是训练好的机器学习模型。例如，水生物识别模型可以包括循环神经网络模型、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。
对象识别模块可以用于识别水生物、生成对象框及确定该对象框属于各种类的可能性。其中，生成对象框可以指识别到对象，用边框将对象包围起来形成对象框。确定该对象框属于各种类的可能性可以指将对象框划分为不同类的可能性，一种类对应一个可能性。在一些实施例中，对象识别模块的模型类型可以包括但不限于卷积神经网络模型、yolo模型等。
在一些实施例中，卷积神经网络模型可以作为对象识别模块。卷积神经网络可以根据输入数据，得到预测结果，主要用于处理分析图像数据。卷积神经网络模型包含有输入层、卷积层、池化层、全连接层和输出层：卷积层用于输入的图像进行降维和特征抽取；卷积后的数据受临近像素的相互的影响，即该卷积后的数据不仅是反映出本身的一个像素的信息，而且可以将相邻像素的信息共同反映出来；池化层用于压缩图像(对图像进行抽象处理)；全连接层用于连接所有的特征，并将特征进行后序处理，后序处理可以是分类或其他方式，例如，对图片的预测结果。示例性的，将水域子空间的某一时刻下的水下图像输入卷积神经网络，输出可以为对象框和该对象框属于各种类的可能性。
在一些实施例中，yolo模型可以作为对象识别模型。yolo模型可以一次性地完成对图像中多个对象的矩形分割和识别，其相关原理包括：yolo可以把输入其的图片分成网格，每个网格对应输出为5*B+C长度的向量，总长度为网格个数*(5*B+C)；其中，B是Box的个数，每一个Box对应x、y、w、h、confidence共5个参数；C是种类数，长度为C的向量表示该Box属于各种类的可能性，比如三个种类则C可能是(0.1,0.3,0.8)，其含义包括对每个网格可以识别对象是否对应于某个物体，它是各种物体的可能性(C)，以及物体的多种(B)可能的分割尺寸(以及每种尺寸的置信度)；当然对这个结果可以进一步处理得到识别结果。示例性的，将水域子空间的某一时刻下的水下图像输入yolo模型，yolo模型作为目标检测模型可以对该图像进行分割，输出可以为对象框和该对象框属于各种类的可能性。
在一些实施例中，对象识别模块的输入可以为某水域子空间的时刻t1下的水下图像，输出可以为对象框和该对象框属于各种类的可能性。
在一些实施例中，某水域子空间的时刻t1下的水下图像可以指在时刻t1下在某水域子空间采集到的水下图像，例如，上午8时某湖泊的岸边区域的水下图像。对象框可以指用边框包围的识别对象，例如，图像A中包含两种水生物，用矩形框框住的水生物的类别为砂海星以及其可能性为80％，图像中用矩形框框住的水生物的类别为僧帽水母以及其可能性为40％。
分类识别模块可以用于识别每个对象框的分类结果。在一些实施例中，分类识别模块的模型类型可以包括但不限于卷积神经网络模型。
在一些实施例中，分类识别模块的输入可以为对象框和该对象框属于各种类的可能性，输出可以为每个对象框的分类识别结果。在一些实施例中，每个对象框的分类识别结果可以指对生成的对象框进行分类识别的结果，一个对象框对应一个分类识别结果。例如，输入的对象框框住的水生物种类为“砂海星”以及其可能性为80％，对应的输出可以为该对象框的分类识别结果为“砂海星”。
在一些实施例中，水生物识别模型可以由对象识别模块、分类识别模块联合训练确定。在一些实施例中，水生物识别模型的第二训练样本中的每个训练样本可以包括某生态域子空间的历史时刻t1的水下图像。在一些实施例中，水生物识别模型的训练标签中的每个训练标签可以包括水下图像中包含的对象对应的对象框的实际类别。标签可以基于人工标注或其它可行的方式进行标注。
在一些实施例中，第二训练样本和训练标签可以基于水生物监测单元采集的历史传感数据进行获取。对象识别模型样本和对象识别模型标签与第二训练样本和训练标签可以为一一对应关系。例如，多个第二训练样本和标签中的每个训练样本和标签均为相同的历史水下图像。对象识别模块输出的对象框和该对象框属于各种类的可能性可以作为分类识别模块的输入。
联合训练的过程可以包括：将对象识别模块样本中的历史某生态域子空间的时刻t1的水下图像作为对象识别模块的输入；将对象识别模块输出的对象框和该对象框属于各种类的可能性作为分类识别模块的输入，以确定分类识别模块的输出；将分类识别模块输出的每个对象框的分类识别结果与训练标签构建损失函数；基于损失函数迭代更新直至满足损失函数小于阈值、收敛，或训练周期达到阈值等条件，获取训练好的对象识别模块和分类识别模块。
本说明书一些实施例中，根据水生物识别模型输出的每个对象框的分类识别结果，统计数量，从而更高效地得到该时刻各类自游生物和底栖生物更准确的数量。
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)

1.一种水生物监测系统，其特征在于，所述系统包括获取模块、第一确定模块、第二确定模块和预警模块：
所述获取模块用于获取待监测水体的传感数据，所述传感数据基于部署于所述待监测水体中多个预设点位的水生物监测单元采集，所述传感数据至少包括图像数据，所述图像数据包括水面图像和水下图像；
所述第一确定模块用于基于所述传感数据，确定水生物的预估数量，所述水生物至少包括浮游生物、自游生物和底栖生物，所述预估数量指水生物种类数量和每类水生物对应的数量；
所述第二确定模块用于基于所述水生物的预估数量，确定多个退化度，所述多个退化度包括第一退化度和第二退化度，所述第一退化度包括水生物多样性退化度，所述水生物多样性退化度指所述水生物种类数量的退化程度，所述第二退化度包括水生物数量退化度，所述水生物数量退化度指所述每类水生物对应的数量的退化程度；所述第二确定模块进一步用于：
通过计算预估的水生物种类数量和历史的水生物种类数量的差值或减少比例确定所述水生物多样性退化度；
通过计算预估的水生物数量和历史的水生物数量的差值或减少比例确定所述水生物数量退化度；
所述预警模块用于响应于所述多个退化度中的一个或多个满足预设条件，生成预警信息并向用户提示。
2.根据权利要求1所述的系统，其特征在于，所述第一确定模块进一步用于：
构建所述待监测水体的三维测绘模型；
基于所述三维测绘模型，确定多个水域子空间；
基于所述水域子空间，构建水域关联图，所述水域关联图的节点包括所述水域子空间，边代表所述水域子空间的邻接关系；
基于所述水域关联图，确定所述自游生物和所述底栖生物的预估数量。
3.根据权利要求2所述的系统，其特征在于，所述第一确定模块进一步用于：
根据所述待监测水体的水体特征和所述三维测绘模型的射影形态特征，通过向量数据库确定所述多个水域子空间，所述水体特征至少包括水体透明度、悬浮物含量、周边植被覆盖率中的一种或多种。
4.根据权利要求1所述的系统，其特征在于，所述第二退化度还包括所述自游生物的活动范围退化度和所述底栖生物的栖息范围退化度；所述第二确定模块进一步用于：
根据所述传感数据，确定每个预设点位的每种所述自游生物和所述底栖生物的数量；
基于每种所述自游生物和所述底栖生物在所述多个预设点位的数量，确定每种所述自游生物和所述底栖生物的数量分布特征；
基于所述数量分布特征，确定所述自游生物的活动范围大小和所述底栖生物的栖息范围大小；
基于所述自游生物的所述活动范围大小和所述底栖生物的所述栖息范围大小，确定所述活动范围退化度和所述栖息范围退化度。
5.一种水生物监测方法，其特征在于，所述方法包括：
获取待监测水体的传感数据，所述传感数据基于部署于所述待监测水体中多个预设点位的水生物监测单元采集，所述传感数据至少包括图像数据，所述图像数据包括水面图像和水下图像；
基于所述传感数据，确定水生物的预估数量，所述水生物至少包括浮游生物、自游生物和底栖生物，所述预估数量指水生物种类数量和每类水生物对应的数量；
基于所述水生物的预估数量，确定多个退化度，所述多个退化度包括第一退化度和第二退化度，所述第一退化度包括水生物多样性退化度，所述水生物多样性退化度指所述水生物种类数量的退化程度，所述第二退化度包括水生物数量退化度，所述水生物数量退化度指所述每类水生物对应的数量的退化程度；所述基于所述水生物的预估数量，确定多个退化度包括：
通过计算预估的水生物种类数量和历史的水生物种类数量的差值或减少比例确定所述水生物多样性退化度；
通过计算预估的水生物数量和历史的水生物数量的差值或减少比例确定所述水生物数量退化度；
响应于所述多个退化度中的一个或多个满足预设条件，生成预警信息并向用户提示。
6.根据权利要求5所述的方法，其特征在于，所述基于所述传感数据，确定水生物的预估数量包括：
构建所述待监测水体的三维测绘模型；
基于所述三维测绘模型，确定多个水域子空间；
基于所述水域子空间，构建水域关联图，所述水域关联图的节点包括所述水域子空间，边代表所述水域子空间的邻接关系；
基于所述水域关联图，确定所述自游生物和所述底栖生物的预估数量。
7.根据权利要求6所述的方法，其特征在于，所述基于所述传感数据，确定水生物的预估数量包括：
根据所述待监测水体的水体特征和所述三维测绘模型的射影形态特征，通过向量数据库确定所述多个水域子空间，所述水体特征至少包括水体透明度、悬浮物含量、周边植被覆盖率中的一种或多种。
8.根据权利要求5所述的方法，其特征在于，所述第二退化度还包括所述自游生物的活动范围退化度和所述底栖生物的栖息范围退化度；所述基于所述水生物的预估数量，确定多个退化度包括：
根据所述传感数据，确定每个预设点位的每种所述自游生物和所述底栖生物的数量；
基于每种所述自游生物和所述底栖生物在所述多个预设点位的数量，确定每种所述自游生物和所述底栖生物的数量分布特征；
基于所述数量分布特征，确定所述自游生物的活动范围大小和所述底栖生物的栖息范围大小；
基于所述自游生物的所述活动范围大小和所述底栖生物的所述栖息范围大小，确定所述活动范围退化度和所述栖息范围退化度。
9.一种水生物监测装置，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如权利要求5～8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，当所述计算机指令被处理器执行时实现如权利要求5～8任意一项所述的方法。
CN202310341473.7A 2023-03-31 2023-03-31 一种水生物监测系统、方法、装置和存储介质 Active CN116503335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310341473.7A CN116503335B (zh) 2023-03-31 2023-03-31 一种水生物监测系统、方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310341473.7A CN116503335B (zh) 2023-03-31 2023-03-31 一种水生物监测系统、方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN116503335A CN116503335A (zh) 2023-07-28
CN116503335B true CN116503335B (zh) 2024-02-20

Family

ID=87319315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310341473.7A Active CN116503335B (zh) 2023-03-31 2023-03-31 一种水生物监测系统、方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN116503335B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117423387B (zh) * 2023-12-18 2024-03-08 中国科学院水生生物研究所 基于数字驱动的水生生物群落时空差异的评估方法及系统
CN117593767A (zh) * 2024-01-19 2024-02-23 南昌工程学院 一种河流底栖动物统计方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107340365A (zh) * 2017-06-19 2017-11-10 中国科学院南京地理与湖泊研究所 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法
JP2018134039A (ja) * 2017-02-22 2018-08-30 株式会社東芝 水中生物検出装置、水中生物検出システム及び水中生物検出方法
CN112526097A (zh) * 2020-12-04 2021-03-19 南京珀煦软件科技有限公司 一种基于大数据分析的养殖水体环境智能监测管理系统
CN112782101A (zh) * 2021-01-25 2021-05-11 深圳市工勘岩土集团有限公司 基于遥感和地理信息系统的生态环境动态监测及预警方法
WO2021260732A1 (en) * 2020-06-24 2021-12-30 Bariflolabs Private Limited Intelligent waterbody management system
CN115017249A (zh) * 2022-06-20 2022-09-06 河北省张家口水文勘测研究中心(河北省张家口水平衡测试中心) 一种河湖水环境健康智能评估预警系统
CN115131657A (zh) * 2021-03-12 2022-09-30 国家海洋信息中心 海洋生态分析方法和系统
CN115206040A (zh) * 2021-04-12 2022-10-18 南方科技大学 核电取水口的生物入侵预警方法、装置及终端
CN115797868A (zh) * 2022-08-26 2023-03-14 丽水学院 一种监测对象的行为预警方法、系统、装置和介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018134039A (ja) * 2017-02-22 2018-08-30 株式会社東芝 水中生物検出装置、水中生物検出システム及び水中生物検出方法
CN107340365A (zh) * 2017-06-19 2017-11-10 中国科学院南京地理与湖泊研究所 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法
WO2021260732A1 (en) * 2020-06-24 2021-12-30 Bariflolabs Private Limited Intelligent waterbody management system
CN112526097A (zh) * 2020-12-04 2021-03-19 南京珀煦软件科技有限公司 一种基于大数据分析的养殖水体环境智能监测管理系统
CN112782101A (zh) * 2021-01-25 2021-05-11 深圳市工勘岩土集团有限公司 基于遥感和地理信息系统的生态环境动态监测及预警方法
CN115131657A (zh) * 2021-03-12 2022-09-30 国家海洋信息中心 海洋生态分析方法和系统
CN115206040A (zh) * 2021-04-12 2022-10-18 南方科技大学 核电取水口的生物入侵预警方法、装置及终端
CN115017249A (zh) * 2022-06-20 2022-09-06 河北省张家口水文勘测研究中心(河北省张家口水平衡测试中心) 一种河湖水环境健康智能评估预警系统
CN115797868A (zh) * 2022-08-26 2023-03-14 丽水学院 一种监测对象的行为预警方法、系统、装置和介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Uday Bhan Singh et al..Planktonic indicators: A promising tool for monitoring water quality (early-warning signals).《Ecology, Environment and Conservation》.2013,第19卷(第3期),第793-800页. *
基于细胞和群落特征的湖泊水华预警因子研究;王崇;《中国博士学位论文全文数据库 工程科技Ⅰ辑》(第8期);第B027-23页 *

Also Published As

Publication number Publication date
CN116503335A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN116503335B (zh) 一种水生物监测系统、方法、装置和存储介质
Monkman et al. Using machine vision to estimate fish length from images using regional convolutional neural networks
Chabot et al. Computer‐automated bird detection and counts in high‐resolution aerial images: a review
Steccanella et al. Waterline and obstacle detection in images from low-cost autonomous boats for environmental monitoring
Lopez‐Marcano et al. Automatic detection of fish and tracking of movement for ecology
Mojekwu et al. Advanced techniques for morphometric analysis in fish
Descamps et al. An automatic counter for aerial images of aggregations of large birds
Gonzalez-Cid et al. Machine learning and deep learning strategies to identify posidonia meadows in underwater images
McLaren et al. Using the random forest algorithm to integrate hydroacoustic data with satellite images to improve the mapping of shallow nearshore benthic features in a marine protected area in Jamaica
Ditria et al. Automating the analysis of fish grazing behaviour from videos using image classification and optical flow
CN116400035B (zh) 一种湖泊生态监测管理方法与系统
Nemani et al. A multi-scale feature selection approach for predicting benthic assemblages
KR20160019681A (ko) 감지 조류 제거 시스템 및 방법
Kuru et al. Intelligent airborne monitoring of irregularly shaped man-made marine objects using statistical Machine Learning techniques
Bajaj et al. Sea debris detection using deep learning: Diving deep into the sea
Yamato et al. Deep neural networks based automated extraction of dugong feeding trails from UAV images in the intertidal seagrass beds
Harasyn et al. Detection and tracking of belugas, kayaks and motorized boats in drone video using deep learning
Tata et al. A robotic approach towards quantifying epipelagic bound plastic using deep visual models
Desgarnier et al. Putting eagle rays on the map by coupling aerial video-surveys and deep learning
Fu et al. Region proposal and regression network for fishing spots detection from sea environment
Galloway et al. Predicting dreissenid mussel abundance in nearshore waters using underwater imagery and deep learning
Boone-Sifuentes et al. Marine-tree: A large-scale marine organisms dataset for hierarchical image classification
Bajaj et al. Sea debris: A review of marine litter detection techniques
Lestari et al. Segmentation of seagrass (Enhalus acoroides) using deep learning mask R-CNN algorithm
Trotter et al. Towards automatic cetacean photo-identification: A framework for fine-grain, few-shot learning in marine ecology

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