CN117423387B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN117423387B
CN117423387B CN202311733441.8A CN202311733441A CN117423387B CN 117423387 B CN117423387 B CN 117423387B CN 202311733441 A CN202311733441 A CN 202311733441A CN 117423387 B CN117423387 B CN 117423387B
Authority
CN
China
Prior art keywords
biological community
under
group
distribution
plane
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
CN202311733441.8A
Other languages
English (en)
Other versions
CN117423387A (zh
Inventor
郭传波
王杨
齐江千惠
许博
苑晶
廖传松
王齐东
刘家寿
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.)
Institute of Hydrobiology of CAS
Original Assignee
Institute of Hydrobiology of CAS
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 Institute of Hydrobiology of CAS filed Critical Institute of Hydrobiology of CAS
Priority to CN202311733441.8A priority Critical patent/CN117423387B/zh
Publication of CN117423387A publication Critical patent/CN117423387A/zh
Application granted granted Critical
Publication of CN117423387B publication Critical patent/CN117423387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biotechnology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Bioethics (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及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，其方法包括:获取各个分组下各个点位的同一生物群落的结构占比;利用各个分组下各个点位的同一生物群落的结构占比进行三维空间建模得到各个分组下生物群落结构分布平面;根据各个分组下生物群落结构分布平面计算出生物群落结构在两个不同分组下的相似度和空间距离以定量描述生物群落结构分布特性;识别出各个分组下生物群落结构分布平面上的各个异常点位并计算异常点位的偏离程度。本发明不仅能够准确、直观的对不同群落结构时空差异进行定量描述，也能够将群落结构的时空差异进行对比分析，挖掘群落结构的分布规律，为保护物种多样性、修复水域生态系统提供重要的理论支持。

Description

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
技术领域
本发明涉及水生生物群落结构分析领域，具体涉及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。
背景技术
浮游生物、底栖类和鱼类等生物是水域生态系统的重要组成部分，并通过食物链的方式参与水域生态系统的物质循环和能量流动过程，其时空分布特点能够在一定程度上反映该区域水体中食物链上、下游的分布及水质的情况。生物群落在水体中的分布主要受温度、盐度、营养盐等水体环境因子的影响，从而表现出不同水域环境中生物群落结构的差异性。
当前对于水生生物群落结构的研究主要基于描述性统计分析方法，对生物群落中物种的生物量、密度和种类数的分布以及物种多样性的情况进行分析，仅能进行定性分析和简单的定量描述；通过季节的变化或者采样点位的分布来研究生物群落的时空分布规律，也只能在一定程度上反映群落结构的时空变化情况，未能进行群落结构的时空差异对比分析，对于出现差异的群落结构未能给出其差异的大小。
发明内容
本发明所要解决的技术问题是提供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，可以量化群落结构的分布特性以及分布偏移程度。
本发明解决上述技术问题的技术方案如下：基于数字驱动的水生生物群落时空差异的评估方法,包括:
S1，基于多个分组和多个点位，获取各个分组下各个点位的同一生物群落的结构占比;
S2，基于最小二乘法回归方法,利用各个分组下各个点位的同一生物群落的结构占比进行三维空间建模,得到各个分组下生物群落结构分布平面;
S3，根据各个分组下生物群落结构分布平面,计算出生物群落结构在两个不同分组下的相似度和空间距离,并根据生物群落结构在两个不同分组下的相似度和空间距离定量描述生物群落结构分布特性;
S4，基于点位到分布平面之间的距离,采用四分位距法识别出各个分组下生物群落结构分布平面上的各个异常点位；
S5，计算各个分组下生物群落结构分布平面上的异常点位的偏离程度。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，生物群落内包括多类物种，所述S1具体为：
基于多个分组和多个点位，获取各个分组下各个点位的同一生物群落中各类物种的丰度或生物量；
根据各个分组下各个点位的同一生物群落中各类物种的丰度或生物量，计算出各个分组下各个点位的同一生物群落中各类物种的结构占比；
将各个分组下各个点位的同一生物群落中各类物种的结构占比进行集合，得到各个分组下各个点位的同一生物群落的结构占比。
进一步， 计算各个分组下各个点位的同一生物群落中各类物种的结构占比的公式为：
；
其中，表示点位序号，且/>，/>表示点位总数；/>表示物种序号，且/>，表示同一生物群落中物种总类数，/>表示分组序号，且/>，/>表示分组总数；/>为第个分组下第/>个点位的同一生物群落中第/>类物种的结构占比；/>为第/>个分组下第/>个点位的同一生物群落中第/>类物种的丰度或生物量。
进一步，生物群落内至少包括三类物种；所述S2具体为：
将生物群落内任意选取三类物种的结构占比作为三个变量参与三维空间建模，以构建三维空间平面方程；
将各个分组下各个点位的同一生物群落参与三维空间建模的三类物种的结构占比进行集合，得到各个分组下同一生物群落参与三维空间建模的三类物种的结构占比数据集;
分别从各个分组下同一生物群落参与三维空间建模的三类物种的结构占比数据集中多次随机抽取预设比例量的数据，代入所述三维空间平面方程中,并采用最小二乘法，将一个变量作为应变量，另外两个变量作为自变量进行多次线性拟合，对应得到在各个分组下的多组平面参数；其中，每组平面参数包括一个常数和三个变量系数；
计算各个分组下的多组平面参数中常数的平均值以及各个变量系数的平均值；
将三个变量与各个分组下所述三维空间平面方程的多组平面参数中常数的平均值以及各个变量系数的平均值进行结合来构建方程，对应得到各个分组下生物群落结构分布平面的方程；其中，各个分组下生物群落结构分布平面的方程表征各个分组下生物群落结构的分布平面。
进一步，所述S3具体为：
利用两个分组下生物群落结构分布平面的方程，计算出两个分组下生物群落结构分布平面之间夹角的余弦值；其中，两个分组下生物群落结构分布平面之间夹角的余弦值即为生物群落结构在两个不同分组下的相似度；
将两个分组下生物群落结构分布平面之间夹角的余弦值与预设阈值进行对比，以定量描述两个分组下生物群落结构的差异性；
在两个分组下生物群落结构分布平面之间夹角的余弦值大于或等于预设阈值时，通过计算两个分组下生物群落结构分布平面与Z轴交点之间的距离，得到两个分组下生物群落结构分布平面之间的空间距离，以定量描述两个分组下生物群落结构在空间分布的位置差异性。
进一步， 计算两个分组下生物群落结构分布平面之间夹角的余弦值的公式为：
；
其中，为第/>个与第/>个分组下生物群落结构分布平面之间夹角/>的余弦值，和/>分别对应为第/>个和第/>个分组下生物群落结构分布平面的方程中一自变量的变量系数，/>和/>分别对应为第/>个和第/>个分组下生物群落结构分布平面的方程中另一自变量的变量系数，/>，且/>，/>表示分组总数。
进一步，计算两个分组下生物群落结构分布平面之间的空间距离的公式为：
；
其中，为第/>个与第/>个分组下生物群落结构分布平面之间的空间距离，/>和/>分别对应为第/>个和第/>个分组下生物群落结构分布平面的方程中的常量，/>，且/>，/>表示分组总数。
进一步，所述S4具体为：
根据点位到分布平面的距离公式，计算出各个点位到其所在分组下生物群落结构分布平面之间的距离；
将各个点位到其所在分组下生物群落结构分布平面之间的距离进行集合，得到各个点位到其所在分组下生物群落结构分布平面之间的距离序列；
用四分位距法对各个点位到其所在分组下生物群落结构分布平面之间的距离序列进行四分位，得到最上界值；
将各个点位到其所在分组下生物群落结构分布平面之间的距离与所述最上界值进行对比，来判定各点位在各个分组下生物群落结构分布平面上是否属于异常点位，进而获得各个分组下生物群落结构分布平面上的各个异常点位。
进一步，所述S5具体为：
获取各个分组下生物群落结构分布平面与XOY平面的交线方程；
假定各个分组下生物群落结构分布平面上的各个异常点位在三维空间的X轴上的结构占比正常，将各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Y轴上的结构占比对应代入各个分组下生物群落结构分布平面与XOY平面的交线方程中，得到各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Y轴上的理论结构占比；将各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Y轴上的结构占比和理论结构占比进行比较，得到各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Y轴上偏移量；
将各个分组下生物群落结构分布平面上的各个异常点位在三维空间的X、Y轴上的结构占比对应代入各个分组下生物群落结构分布平面的方程中，得到各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Z轴上的理论结构占比；将各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Z轴上的结构占比和理论结构占比进行比较，得到各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Z轴上偏移量；
其中，各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Y、Z轴上偏移量表征各个分组下生物群落结构分布平面上的异常点位的偏离程度。
在上述基于数字驱动的水生生物群落时空差异的评估方法的基础上，本发明还提供基于数字驱动的水生生物群落时空差异的评估系统。
基于数字驱动的水生生物群落时空差异的评估系统,包括：
结构占比获取模块，其用于基于多个分组和多个点位，获取各个分组下各个点位的同一生物群落的结构占比;
分布平面拟合模块，其用于基于最小二乘法回归方法,利用各个分组下各个点位的同一生物群落的结构占比进行三维空间建模,得到各个分组下生物群落结构分布平面;
分布特性描述模块，其用于根据各个分组下生物群落结构分布平面,计算出生物群落结构在两个不同分组下的相似度和空间距离,并根据生物群落结构在两个不同分组下的相似度和空间距离定量描述生物群落结构分布特性;
异常点位判断模块，其用于基于点位到分布平面之间的距离,采用四分位距法识别出各个分组下生物群落结构分布平面上的各个异常点位；
异常分析模块，其用于计算各个分组下生物群落结构分布平面上的异常点位的偏离程度。
本发明的有益效果是：本发明为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，在基于群落结构数据的基础上，从各类物种在群落中的结构出发，搭建三维空间几何模型，将不同维度的群落结构在几何空间中更加直观的进行量化展示；通过求解几何模型参数，量化群落结构空间分布特性；采用群落结构相似度和群落空间距离两个指标对群落结构进行定量的对比分析，能够更加清晰、准确的描述群落间的差异特性；此外，能够准确识别群落结构异常的点位，并对其结构成分的偏离程度进行量化，便于发现异常结构的偏离方向及大小；本发明不仅能够准确、直观的对不同群落结构的时空差异进行定量描述，也能够将群落结构的时空差异进行对比分析，挖掘群落结构的分布规律，为保护物种多样性、修复水域生态系统提供重要的理论支持。
附图说明
图1为本发明基于数字驱动的水生生物群落时空差异的评估方法的流程图；
图2为具体示例中群落结构分布平面示意图；
图3为具体示例中异常点位分布示意图；
图4为本发明基于数字驱动的水生生物群落时空差异的评估系统的结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，基于数字驱动的水生生物群落时空差异的评估方法,包括:
S1，基于多个分组和多个点位，获取各个分组下各个点位的同一生物群落的结构占比;
S2，基于最小二乘法回归方法,利用各个分组下各个点位的同一生物群落的结构占比进行三维空间建模,得到各个分组下生物群落结构分布平面;
S3，根据各个分组下生物群落结构分布平面,计算出生物群落结构在两个不同分组下的相似度和空间距离,并根据生物群落结构在两个不同分组下的相似度和空间距离定量描述生物群落结构分布特性;
S4，基于点位到分布平面之间的距离,采用四分位距法识别出各个分组下生物群落结构分布平面上的各个异常点位；
S5，计算各个分组下生物群落结构分布平面上的异常点位的偏离程度。
下面对S1-S5进行具体说明：
在一些实施例中，生物群落内包括多类物种，所述S1具体为：
基于多个分组和多个点位，获取各个分组下各个点位的同一生物群落中各类物种的丰度或生物量；
根据各个分组下各个点位的同一生物群落中各类物种的丰度或生物量，计算出各个分组下各个点位的同一生物群落中各类物种的结构占比；
将各个分组下各个点位的同一生物群落中各类物种的结构占比进行集合，得到各个分组下各个点位的同一生物群落的结构占比。
优选的，计算各个分组下各个点位的同一生物群落中各类物种的结构占比的公式为：
；
其中，表示点位序号，且/>，/>表示点位总数；/>表示物种序号，且/>，表示同一生物群落中物种总类数，/>表示分组序号，且/>，/>表示分组总数；/>为第个分组下第/>个点位的同一生物群落中第/>类物种的结构占比；/>为第/>个分组下第/>个点位的同一生物群落中第/>类物种的丰度或生物量。
具体的，物种的丰度是单位环境中物种的数量；物种的生物量是指单位环境中物种的重量。本发明以生物群落为浮游动物进行举例说明。浮游动物作为水域生态系统重要组成部分，其种群结构及分布特性对于诊断水域生态系统具有重要参考。通常对于浮游动物的群落数据通过特定的专业定量样品采集方法进行采集，采集指标包含物种丰度和物种生物量。浮游动物丰度是指单位水体中浮游动物的数量；浮游动物生物量是指单位水体中浮游动物的重量。对于一个特定水域，范围比较大，一般会采用抽样方式采集数据，点位是指在单次采样过程中选定的采样点，一般情况下，一个特定水域的采样点的位置是固定的。
一般浮游动物群落主要包含原生动物、轮虫、枝角类和桡足类四大类。将第()个点位的第/>(/>，在浮游动物群落中/>)类物种的丰度或者生物量记为/>，其中/>表示第/>个点位的第/>类物种的数量；因而，第/>个点位的第/>类物种的结构占比可表示为：
；
然而，群落结构在不同分组（分组可以是以季节来分组，也可以是按区域来分组，还可以按其他指标进行分组，例如月份或年份等）的分布存在较大差异，因而对于其结构的变化，需考虑分组带来的影响,对于第个点位的第/>类物种在第/>(/>)个分组的结构占比标记为/>。因而，第/>个分组下第/>个点位的同一生物群落的结构占比数据集可表示为：
；
以季节分组为例，因而可以分为春、夏、秋、冬四个分组。下表1示例性的给出了浮游动物群落中各类物种在各分组各点位下的结构占比。就代表了表1中一行四个数据（结构占比）的集合；对于一个点位的单个分组的数据，作为后续三维空间中的一个分布点，一个点位有四个季节的数据，那么在三维空间中就是四个分布点。
表1
在一些实施例中，生物群落内至少包括三类物种；所述S2具体为：
将生物群落内任意选取三类物种的结构占比作为三个变量参与三维空间建模，以构建三维空间平面方程；
将各个分组下各个点位的同一生物群落参与三维空间建模的三类物种的结构占比进行集合，得到各个分组下同一生物群落参与三维空间建模的三类物种的结构占比数据集;
分别从各个分组下同一生物群落参与三维空间建模的三类物种的结构占比数据集中多次随机抽取预设比例量的数据，代入所述三维空间平面方程中,并采用最小二乘法，将一个变量作为应变量，另外两个变量作为自变量进行多次线性拟合，对应得到在各个分组下的多组平面参数；其中，每组平面参数包括一个常数和三个变量系数；
计算各个分组下的多组平面参数中常数的平均值以及各个变量系数的平均值；
将三个变量与各个分组下所述三维空间平面方程的多组平面参数中常数的平均值以及各个变量系数的平均值进行结合来构建方程，对应得到各个分组下生物群落结构分布平面的方程；其中，各个分组下生物群落结构分布平面的方程表征各个分组下生物群落结构的分布平面。
具体的，群落结构在不同分组（分组可以按照季节、月份、年份、区域等）的分布存在较大差异，因而需要分组单独考虑其分布情况。因此，在获取到各个分组下各个点位的同一生物群落中各类物种的结构占比后，以单个分组、单个点位为单位对各个分组下各个点位的同一生物群落中各类物种的结构占比进行集合，得到各个分组下各个点位的同一生物群落的结构占比数据集，第个分组下第/>个点位的同一生物群落的结构占比数据集表示为/>。
浮游动物群落包含原生动物、轮虫、枝角类和桡足类等四大类，这四大类总体看作单位1，因而当其中任意3类确定结构占比后，第四类的结构占比即可通过单位1减去该3类总的结构占比得到。因而浮游动物群落的数据自由度小于等于3。当生物群落分为更多类别时，其对应的数据自由度小于等于所分的总类数减1。
通常情况下，浮游动物群落分为四大类，任意选择其中三类物种（比如选择原生动物、轮虫、枝角类的结构占比数据）分别对应三维空间中的X、Y、Z三个轴；因而，可在三维空间平面内将各个点位的参与三维空间建模的三类物种的结构占比数据进行展示搭群落结构占比的分布平面。
假设三维空间平面方程为：；（1）
为方便拟合分布平面方程，对式（1）进行变形后得到：
；（2）
将各个分组下各个点位的同一生物群落参与三维空间建模的三类物种的结构占比数据集中的结构占比代入式（2），采用线性最小二乘法，将作为应变量，/>、/>作为自变量进行线性拟合，得到各个分组下生物群落结构分布平面的方程：
；（3）
其中，为第/>个分组下生物群落结构分布平面的方程中自变量/>的变量系数，/>为第/>个分组下生物群落结构分布平面的方程中自变量/>的变量系数，/>为第/>个分组下生物群落结构分布平面的方程中的常数。
为了提高分布平面的拟合精度，在线性拟合的过程中，分别从各个分组下同一生物群落参与三维空间建模的三类物种的结构占比数据集中多次随机抽取预设比例量（例如80%）的结构占比，进行多次的重复拟合，对应得到在各个分组下的多组平面参数（一个分组对应多组平面参数，每组平面参数包括、/>、/>）；将各个分组下的多组平面参数中/>的平均值，对应作为各个分组下生物群落结构分布平面的方程中自变量/>的变量系数；将各个分组下的多组平面参数中/>的平均值，对应作为各个分组下生物群落结构分布平面的方程中自变量/>的变量系数；将各个分组下的多组平面参数中/>的平均值，对应作为各个分组下生物群落结构分布平面的方程中的常数；将各个分组下生物群落结构分布平面的方程平面参数进行集合，得到由所有分组下生物群落结构分布平面的方程的平面参数矩阵；当按季节进行分组时，该平面方程矩阵可表示为：
；
在一些实施例，所述S3具体为：
利用两个分组下生物群落结构分布平面的方程，计算出两个分组下生物群落结构分布平面之间夹角的余弦值；其中，两个分组下生物群落结构分布平面之间夹角的余弦值即为生物群落结构在两个不同分组下的相似度；
将两个分组下生物群落结构分布平面之间夹角的余弦值与预设阈值进行对比，以定量描述两个分组下生物群落结构的差异性；
在两个分组下生物群落结构分布平面之间夹角的余弦值大于或等于预设阈值时，通过计算两个分组下生物群落结构分布平面与Z轴交点之间的距离，得到两个分组下生物群落结构分布平面之间的空间距离，以定量描述两个分组下生物群落结构在空间分布的位置差异性。
优选的，计算两个分组下生物群落结构分布平面之间夹角的余弦值的公式为：
；
其中，为第/>个与第/>个分组下生物群落结构分布平面之间夹角/>的余弦值，和/>分别对应为第/>个和第/>个分组下生物群落结构分布平面的方程中一自变量的变量系数，/>和/>分别对应为第/>个和第/>个分组下生物群落结构分布平面的方程中另一自变量的变量系数，/>，且/>，/>表示分组总数。
优选的，计算两个分组下生物群落结构分布平面之间的空间距离的公式为：
；
其中，为第/>个与第/>个分组下生物群落结构分布平面之间的空间距离，/>和/>分别对应为第/>个和第/>个分组下生物群落结构分布平面的方程中的常量，/>，且/>，/>表示分组总数。
具体的，浮游动物群落结构受水体环境、季节、地域等因素的影响，从而表现出不同的群落结构分布特性。为量化由于各因素导致的群落结构分布的差异，因此本发明采用群落结构相似度和群落空间距离两个维度进行衡量。群落结构相似度是不同组别的群落结构的相似程度，也即群落在不同分组下分布平面的夹角，该夹角的余弦值即为生物群落结构在不同分组下的相似度。
当两个分组的群落结构相似度小于预设阈值（例如0.8）时，说明两个分组的群落结构存在较大差异，即该两个分组的群落结构不相似；当群落结构相似度大于等于0.8，说明两个分组的群落结构存在一定的相似性，即该两个分组的群落结构相似，但在空间分布的位置存在一定的差异。
群落空间距离是指群落结构相似度在0.8以上的两个分组的群落结构在空间分布的距离。
由于浮游动物各个类别的结构占比均大于0，所以其平面的分布区域仅限于x>0,y>0,z>0所构成的空间内，因而当两分布平面的夹角余弦值大于0.8时，说明两个分布平面夹角很小，可近似看作平行平面。所以两个平行平面在当x=y=0时得到的z值之间的差即是两个平面在竖直方向上的距离，也即两个分组的群落结构在竖直方向上的距离。
群落结构相似度和群落空间距离两个指标可以从数据出发，对各个分组的群落结构进行定量的对比分析，群落结构相似度量化了各分组间群落结构的相似程度；对于两个相似的群落结构采用群落空间距离定量描述相似群落的在空间分布的位置差异，能够更加清晰、准确的描述群落间的差异特性。
在一些实施例中，所述S4具体为：
根据点位到分布平面的距离公式，计算出各个点位到其所在分组下生物群落结构分布平面之间的距离；
将各个点位到其所在分组下生物群落结构分布平面之间的距离进行集合，得到各个点位到其所在分组下生物群落结构分布平面之间的距离序列；
用四分位距法对各个点位到其所在分组下生物群落结构分布平面之间的距离序列进行四分位，得到最上界值；
将各个点位到其所在分组下生物群落结构分布平面之间的距离与所述最上界值进行对比来判定各点位在各个分组下生物群落结构分布平面上是否属于异常点位，进而获得各个分组下生物群落结构分布平面上的各个异常点位。
具体的，在确定了各个分组下生物群落结构分布平面之后，群落结构正常的点位会均匀分布于平面的上、下侧。若某一点位的群落中参与三维空间建模的物种结构出现异常，则其在空间的分布必然远离该分组下生物群落结构分布平面，因而可通过计算各点位到对应分组下生物群落结构分布平面的距离，来识别出异常点位。
点位到分布平面的距离公式为：
；
其中，为第/>个分组的第/>个点位到第/>个分组下生物群落结构分布平面之间的距离，/>为第/>个组的第/>个点位中参与三维空间建模的三类物种的结构占比，对应三维空间中的X、Y、Z三个轴。
构造距离序列，用四分位距法对距离序列进行四分位计算，得到最上界值：/>；其中，/>代表距离/>的上四分位数，/>代表距离/>的上四分位数减去距离/>的下四分位数。
在一些实施例中，所述S5具体为：
获取各个分组下生物群落结构分布平面与XOY平面的交线方程；
假定各个分组下生物群落结构分布平面上的各个异常点位在三维空间的X轴上的结构占比正常，将各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Y轴上的结构占比对应代入各个分组下生物群落结构分布平面与XOY平面的交线方程中，得到各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Y轴上的理论结构占比；将各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Y轴上的结构占比和理论结构占比进行比较，得到各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Y轴上偏移量；
将各个分组下生物群落结构分布平面上的各个异常点位在三维空间的X、Y轴上的结构占比对应代入各个分组下生物群落结构分布平面的方程中，得到各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Z轴上的理论结构占比；将各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Z轴上的结构占比和理论结构占比进行比较，得到各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Z轴上偏移量；
其中，各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Y、Z轴上偏移量表征各个分组下生物群落结构分布平面上的异常点位的偏离程度。
具体的，在生物群落结构分布平面的方程中，令/>，得到生物群落结构分布平面与XOY平面的交线方程/>，对交线方程进行变形可得：
；（4）
对于第个分组的第/>个异常点位的三类物种（参与三维空间建模的三类物种）的结构占比/>，假定/>一定时（即第/>个分组下生物群落结构分布平面上的第/>个异常点位在三维空间的X轴上的结构占比正常），将/>代入式（4），得到第/>个分组下生物群落结构分布平面上的第/>个异常点位在三维空间的Y轴上的理论结构占比/>，而第/>个分组下生物群落结构分布平面上的第/>个异常点位在三维空间的Y轴上的结构占比为，因而，第/>个分组下生物群落结构分布平面上的第/>个异常点位在三维空间的Y轴上的偏移量为：/>；
而对于第个分组下生物群落结构分布平面上的第/>个异常点位在三维空间的Z轴上的偏移量，将/>、/>代入式（3），得到第/>个分组下生物群落结构分布平面上的第/>个异常点位在三维空间的Z轴上的理论结构占比/>，而第/>个分组下生物群落结构分布平面上的第/>个异常点位在三维空间的Z轴上的结构占比/>，因而第/>个分组下生物群落结构分布平面上的第/>个异常点位在三维空间的Z轴上的偏移量为：/>。
下面以具体示例来说明本发明：
（1）获取各个季节各个点位的浮游动物中原生动物、轮虫、枝角类和桡足类的丰度数据，一共279个点位信息；分别计算各个点位的四大类浮游动物的占比，选择原生动物、轮虫、枝角类物种占比来构造浮游动物群落结构占比数据，得到各季节下原生动物、轮虫、枝角类物种的结构占比数据集。
（2）将得到结构占比数据集参与三维空间平面拟合，得到各季节下原生动物、轮虫、枝角类的群落结构分布平面的方程平面参数，并进行集合得到平面参数矩阵：
该过程构建的群落结构分布平面如图2所示,由下至上的四层分别对应春夏秋冬四个季节分组下的群落结构分布平面。
（3）群落分布特性，经计算得到的群落结构相似度和群落空间距离如下表2所示：
表2
由上表2可知，由于季节导致的水体环境差异，各个季节的群落结构在不同水平保持较高的相似性，其中春季和夏季、秋季和冬季的群落结构相似度为1，说明群落在三维空间中的平面平行，也即其群落结构保持一致；春季和秋季群落结构相似度为0.87，两个平面存在一定的夹角，说明群落结构存在一定的相似性，但在空间分布的位置存在一定的差异，因而其群落距离为0.49。
（4）选择大于最上界值0.055的点位距离，获取异常结构的异常点位分布如图3所示;其中,横坐标表示各个季节各点位信息,纵坐标表示各个点位到其所在分组下生物群落结构分布平面之间的距离。
（5）量化异常程度
对于浮游动物群落结构异常的异常点位，当原生动物的结构占比确定时，其他三类浮游动物相较于生物群落结构分布平面的偏离程度如下表3所示：
表3
由上表3可知，共识别12个异常点位，其中春季3个、夏季5个、秋季2个，冬季2个。水域异常点位的群落结构占比中，轮虫物种占比低于理论值；枝角类占比除了点位34、85、91、124、168占比升高，其他异常点位占比降低；桡足类占比除了点位34、85、91、124、168占比降低，其他异常点位占比升高，与枝角类变化方向相反。
本示例通过采集的浮游动物群落的丰度和生物量数据，能够从数据角度定量分析水域浮游动物群落结构的变化情况及其各阶段的特性。本方法从浮游动物群落结构中各物种的丰度或者生物量占各点位的整体丰度或者生物量的比例出发，搭建三维空间平面模型；通过最小二乘线性拟合得到表示群落结构分布特性的空间平面及其对应的参数；采用群落结构相似度评价各个组别的群落结构的相似程度，采用群落空间距离量化群落结构的差异；通过计算各点到对应组别平面的欧式距离，获取结构异常点位，并对异常点位的偏离程度进行量化。该方法从定量的角度出发对群落结构的时空特性进行描述及对比分析，更加准确、直观展示不同群落结构的相似度和差异性，挖掘群落结构的分布规律。
本发明具有如下优点：
（1）本发明基于水生生物群落中各大类的数量占比进行分析，能够更加清晰的显示群落结构的组成部分；
（2）本发明可以对浮游动物群落结构进行三维空间建模，更加直观的展示了群落结构的时空分布特征，并对其特征进行了定量的描述.
（3）本发明基于三维空间几何模型，采用群落结构相似度和群落空间距离两个指标对群落分布特性进行描述，使得能够定量的描述各个浮游动物群落分布的差异性，便于不同群落的时空分布对比分析。
（4）本发明基于空间几何模型，能够快速查找浮游动物群落结构的异常点位，并能够查找异常来源、量化群落结构的异常程度。
（5）本发明除了应用在不同浮游动物群落结构及其差异的量化外，还可以延伸至生物各种相互关联的群落结论差异的比较及量化。
在上述基于数字驱动的水生生物群落时空差异的评估方法的基础上，本发明还提供基于数字驱动的水生生物群落时空差异的评估系统。
如图4所示，基于数字驱动的水生生物群落时空差异的评估系统,包括：
结构占比获取模块，其用于基于多个分组和多个点位，获取各个分组下各个点位的同一生物群落的结构占比;
分布平面拟合模块，其用于基于最小二乘法回归方法,利用各个分组下各个点位的同一生物群落的结构占比进行三维空间建模,得到各个分组下生物群落结构分布平面;
分布特性描述模块，其用于根据各个分组下生物群落结构分布平面,计算出生物群落结构在两个不同分组下的相似度和空间距离,并根据生物群落结构在两个不同分组下的相似度和空间距离定量描述生物群落结构分布特性;
异常点位判断模块，其用于基于点位到分布平面之间的距离,采用四分位距法识别出各个分组下生物群落结构分布平面上的各个异常点位；
异常分析模块，其用于计算各个分组下生物群落结构分布平面上的异常点位的偏离程度。
本发明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，在基于群落结构数据的基础上，从各类物种在群落中的结构出发，搭建三维空间几何模型，将不同维度的群落结构在几何空间中更加直观的进行量化展示；通过求解几何模型参数，量化群落结构空间分布特性；采用群落结构相似度和群落空间距离两个指标对群落结构进行定量的对比分析，能够更加清晰、准确的描述群落间的差异特性；此外，能够准确识别群落结构异常的点位，并对其结构成分的偏离程度进行量化，便于发现异常结构的偏离方向及大小；本发明不仅能够准确、直观的对不同群落结构时空差异进行定量描述，也能够将群落结构的时空差异进行对比分析，挖掘群落结构的分布规律，为保护物种多样性、修复水域生态系统提供重要的理论支持。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于数字驱动的水生生物群落时空差异的评估方法,其特征在于,包括:
S1，基于多个分组和多个点位，获取各个分组下各个点位的同一生物群落的结构占比；
S2，基于最小二乘法回归方法,利用各个分组下各个点位的同一生物群落的结构占比进行三维空间建模,得到各个分组下生物群落结构分布平面；
S3，根据各个分组下生物群落结构分布平面,计算出生物群落结构在两个不同分组下的相似度和空间距离,并根据生物群落结构在两个不同分组下的相似度和空间距离定量描述生物群落结构分布特性；
S4，基于点位到分布平面之间的距离,采用四分位距法识别出各个分组下生物群落结构分布平面上的各个异常点位；
S5，计算各个分组下生物群落结构分布平面上的异常点位的偏离程度；
生物群落内至少包括三类物种；所述S2具体为：
将生物群落内任意选取三类物种的结构占比作为三个变量参与三维空间建模，以构建三维空间平面方程；
将各个分组下各个点位的同一生物群落参与三维空间建模的三类物种的结构占比进行集合，得到各个分组下同一生物群落参与三维空间建模的三类物种的结构占比数据集；
分别从各个分组下同一生物群落参与三维空间建模的三类物种的结构占比数据集中多次随机抽取预设比例量的数据，代入所述三维空间平面方程中,并采用最小二乘法，将一个变量作为应变量，另外两个变量作为自变量进行多次线性拟合，对应得到在各个分组下的多组平面参数；其中，每组平面参数包括一个常数和三个变量系数；
计算各个分组下的多组平面参数中常数的平均值以及各个变量系数的平均值；
将三个变量与各个分组下所述三维空间平面方程的多组平面参数中常数的平均值以及各个变量系数的平均值进行结合来构建方程，对应得到各个分组下生物群落结构分布平面的方程；其中，各个分组下生物群落结构分布平面的方程表征各个分组下生物群落结构的分布平面；
所述S3具体为：
利用两个分组下生物群落结构分布平面的方程，计算出两个分组下生物群落结构分布平面之间夹角的余弦值；其中，两个分组下生物群落结构分布平面之间夹角的余弦值即为生物群落结构在两个不同分组下的相似度；
将两个分组下生物群落结构分布平面之间夹角的余弦值与预设阈值进行对比，以定量描述两个分组下生物群落结构的差异性；
在两个分组下生物群落结构分布平面之间夹角的余弦值大于或等于预设阈值时，通过计算两个分组下生物群落结构分布平面与Z轴交点之间的距离，得到两个分组下生物群落结构分布平面之间的空间距离，以定量描述两个分组下生物群落结构在空间分布的位置差异性。
2.根据权利要求1所述的基于数字驱动的水生生物群落时空差异的评估方法,其特征在于,生物群落内包括多类物种，所述S1具体为：
基于多个分组和多个点位，获取各个分组下各个点位的同一生物群落中各类物种的丰度或生物量；
根据各个分组下各个点位的同一生物群落中各类物种的丰度或生物量，计算出各个分组下各个点位的同一生物群落中各类物种的结构占比；
将各个分组下各个点位的同一生物群落中各类物种的结构占比进行集合，得到各个分组下各个点位的同一生物群落的结构占比。
3.根据权利要求2所述的基于数字驱动的水生生物群落时空差异的评估方法,其特征在于,计算各个分组下各个点位的同一生物群落中各类物种的结构占比的公式为：
其中，i表示点位序号，且i＝1,2,...,I，I表示点位总数；j表示物种序号，且j＝1,2,...,J，J表示同一生物群落中物种总类数，k表示分组序号，且k＝1,2,...,K，K表示分组总数；xijk为第k个分组下第i个点位的同一生物群落中第j类物种的结构占比；Eijk为第k个分组下第i个点位的同一生物群落中第j类物种的丰度或生物量。
4.根据权利要求1所述的基于数字驱动的水生生物群落时空差异的评估方法,其特征在于,计算两个分组下生物群落结构分布平面之间夹角的余弦值的公式为：
其中，cosθmn为第m个与第n个分组下生物群落结构分布平面之间夹角θmn的余弦值，αm和αn分别对应为第m个和第n个分组下生物群落结构分布平面的方程中一自变量的变量系数，βm和βn分别对应为第m个和第n个分组下生物群落结构分布平面的方程中另一自变量的变量系数，m、n∈[1,2,...,K]，且m≠n，K表示分组总数。
5.根据权利要求1所述的基于数字驱动的水生生物群落时空差异的评估方法,其特征在于,计算两个分组下生物群落结构分布平面之间的空间距离的公式为：
Dmn＝|γm-γn|；
其中，Dmn为第m个与第n个分组下生物群落结构分布平面之间的空间距离，γm和γn分别对应为第m个和第n个分组下生物群落结构分布平面的方程中的常量，m、n∈[1,2,...,K]，且m≠n，K表示分组总数。
6.根据权利要求1所述的基于数字驱动的水生生物群落时空差异的评估方法,其特征在于,所述S4具体为：
根据点位到分布平面的距离公式，计算出各个点位到其所在分组下生物群落结构分布平面之间的距离；
将各个点位到其所在分组下生物群落结构分布平面之间的距离进行集合，得到各个点位到其所在分组下生物群落结构分布平面之间的距离序列；
用四分位距法对各个点位到其所在分组下生物群落结构分布平面之间的距离序列进行四分位，得到最上界值；
将各个点位到其所在分组下生物群落结构分布平面之间的距离与所述最上界值进行对比，来判定各点位在各个分组下生物群落结构分布平面上是否属于异常点位，进而获得各个分组下生物群落结构分布平面上的各个异常点位。
7.根据权利要求1所述的基于数字驱动的水生生物群落时空差异的评估方法,其特征在于,所述S5具体为：
获取各个分组下生物群落结构分布平面与XOY平面的交线方程；
假定各个分组下生物群落结构分布平面上的各个异常点位在三维空间的X轴上的结构占比正常，将各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Y轴上的结构占比对应代入各个分组下生物群落结构分布平面与XOY平面的交线方程中，得到各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Y轴上的理论结构占比；将各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Y轴上的结构占比和理论结构占比进行比较，得到各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Y轴上偏移量；
将各个分组下生物群落结构分布平面上的各个异常点位在三维空间的X、Y轴上的结构占比对应代入各个分组下生物群落结构分布平面的方程中，得到各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Z轴上的理论结构占比；将各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Z轴上的结构占比和理论结构占比进行比较，得到各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Z轴上偏移量；
其中，各个分组下生物群落结构分布平面上的各个异常点位在三维空间的Y、Z轴上偏移量表征各个分组下生物群落结构分布平面上的异常点位的偏离程度。
8.基于数字驱动的水生生物群落时空差异的评估的系统,其特征在于,包括：
结构占比获取模块，其用于基于多个分组和多个点位，获取各个分组下各个点位的同一生物群落的结构占比；
分布平面拟合模块，其用于基于最小二乘法回归方法,利用各个分组下各个点位的同一生物群落的结构占比进行三维空间建模,得到各个分组下生物群落结构分布平面；
分布特性描述模块，其用于根据各个分组下生物群落结构分布平面,计算出生物群落结构在两个不同分组下的相似度和空间距离,并根据生物群落结构在两个不同分组下的相似度和空间距离定量描述生物群落结构分布特性；
异常点位判断模块，其用于基于点位到分布平面之间的距离,采用四分位距法识别出各个分组下生物群落结构分布平面上的各个异常点位；
异常分析模块，其用于计算各个分组下生物群落结构分布平面上的异常点位的偏离程度；
生物群落内至少包括三类物种；所述分布平面拟合模块具体用于：
将生物群落内任意选取三类物种的结构占比作为三个变量参与三维空间建模，以构建三维空间平面方程；
将各个分组下各个点位的同一生物群落参与三维空间建模的三类物种的结构占比进行集合，得到各个分组下同一生物群落参与三维空间建模的三类物种的结构占比数据集；
分别从各个分组下同一生物群落参与三维空间建模的三类物种的结构占比数据集中多次随机抽取预设比例量的数据，代入所述三维空间平面方程中,并采用最小二乘法，将一个变量作为应变量，另外两个变量作为自变量进行多次线性拟合，对应得到在各个分组下的多组平面参数；其中，每组平面参数包括一个常数和三个变量系数；
计算各个分组下的多组平面参数中常数的平均值以及各个变量系数的平均值；
将三个变量与各个分组下所述三维空间平面方程的多组平面参数中常数的平均值以及各个变量系数的平均值进行结合来构建方程，对应得到各个分组下生物群落结构分布平面的方程；其中，各个分组下生物群落结构分布平面的方程表征各个分组下生物群落结构的分布平面；
所述分布特性描述模块具体用于：
利用两个分组下生物群落结构分布平面的方程，计算出两个分组下生物群落结构分布平面之间夹角的余弦值；其中，两个分组下生物群落结构分布平面之间夹角的余弦值即为生物群落结构在两个不同分组下的相似度；
将两个分组下生物群落结构分布平面之间夹角的余弦值与预设阈值进行对比，以定量描述两个分组下生物群落结构的差异性；
在两个分组下生物群落结构分布平面之间夹角的余弦值大于或等于预设阈值时，通过计算两个分组下生物群落结构分布平面与Z轴交点之间的距离，得到两个分组下生物群落结构分布平面之间的空间距离，以定量描述两个分组下生物群落结构在空间分布的位置差异性。
CN202311733441.8A 2023-12-18 2023-12-18 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 Active CN117423387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311733441.8A CN117423387B (zh) 2023-12-18 2023-12-18 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311733441.8A CN117423387B (zh) 2023-12-18 2023-12-18 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

Publications (2)

Publication Number Publication Date
CN117423387A CN117423387A (zh) 2024-01-19
CN117423387B true CN117423387B (zh) 2024-03-08

Family

ID=89526959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311733441.8A Active CN117423387B (zh) 2023-12-18 2023-12-18 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

Country Status (1)

Country Link
CN (1) CN117423387B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101561395A (zh) * 2009-03-20 2009-10-21 中国海洋大学 一种浮游植物群落组成快速测定方法
CN105956406A (zh) * 2016-05-13 2016-09-21 浙江省舟山海洋生态环境监测站 近岸海域生态系统健康评价方法
RU2019101510A (ru) * 2018-08-31 2020-03-03 Общество с ограниченной ответственностью "Сойминтех" Автономный программно-аппаратный комплекс для фиксирования и оценки пространственного распределения биомассы рыб
CN111159246A (zh) * 2019-11-15 2020-05-15 西安海的电子科技有限公司 一种基于大数据的海洋生物多样性统计方法
RU2726128C1 (ru) * 2019-12-12 2020-07-09 Общество с ограниченной ответственностью "Научно-исследовательский институт проблем Каспийского моря" Методика организации экологических исследований морской среды с использованием системы стационарных биостанций в рамках производственного экологического мониторинга
CN115821852A (zh) * 2022-12-08 2023-03-21 成都清源水环境治理有限公司 一种用于行洪河道的沉水植物群落水下保护系统及方法
CN116503335A (zh) * 2023-03-31 2023-07-28 江苏省秦淮河水利工程管理处 一种水生物监测系统、方法、装置和存储介质
CN116590381A (zh) * 2023-05-12 2023-08-15 青岛理工大学 一种筛选再生水补水影响河道生物多样性的关键水质因子的方法
CN117092307A (zh) * 2023-08-23 2023-11-21 中国水产科学研究院珠江水产研究所 一种判定江河生态系统连续性特征的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820873B (zh) * 2015-05-13 2017-12-26 中国环境科学研究院 一种基于金属定量构效关系的淡水急性基准预测方法
EP3276516B1 (en) * 2016-07-30 2021-01-06 Tata Consultancy Services Limited Method and system for identification of key driver organisms from microbiome / metagenomics studies
CA3117889A1 (en) * 2018-11-15 2020-05-22 Quantum-Si Incorporated Methods and compositions for protein sequencing

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101561395A (zh) * 2009-03-20 2009-10-21 中国海洋大学 一种浮游植物群落组成快速测定方法
CN105956406A (zh) * 2016-05-13 2016-09-21 浙江省舟山海洋生态环境监测站 近岸海域生态系统健康评价方法
RU2019101510A (ru) * 2018-08-31 2020-03-03 Общество с ограниченной ответственностью "Сойминтех" Автономный программно-аппаратный комплекс для фиксирования и оценки пространственного распределения биомассы рыб
CN111159246A (zh) * 2019-11-15 2020-05-15 西安海的电子科技有限公司 一种基于大数据的海洋生物多样性统计方法
RU2726128C1 (ru) * 2019-12-12 2020-07-09 Общество с ограниченной ответственностью "Научно-исследовательский институт проблем Каспийского моря" Методика организации экологических исследований морской среды с использованием системы стационарных биостанций в рамках производственного экологического мониторинга
CN115821852A (zh) * 2022-12-08 2023-03-21 成都清源水环境治理有限公司 一种用于行洪河道的沉水植物群落水下保护系统及方法
CN116503335A (zh) * 2023-03-31 2023-07-28 江苏省秦淮河水利工程管理处 一种水生物监测系统、方法、装置和存储介质
CN116590381A (zh) * 2023-05-12 2023-08-15 青岛理工大学 一种筛选再生水补水影响河道生物多样性的关键水质因子的方法
CN117092307A (zh) * 2023-08-23 2023-11-21 中国水产科学研究院珠江水产研究所 一种判定江河生态系统连续性特征的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Exploring the Drivers of Spatiotemporal Patterns in Fish Community in a Non-Fed Aquaculture Reservoir;Chuanbo Guo 等;《MDPI》;20230716;全文 *
Yichen Sun等.《Environmental Pollution》.2022,全文. *
华南地区大型水库铁时空分布特征及污染评价——以大沙河水库为例;张颖等;《中国环境科学》;20230911;1-10页 *
福建山美水库浮游动物群落结构时空特征及其影响因子分析;郭传波等;《Ｊ． Ｌａkｅ Ｓcｉ．（湖泊科学）》;20220619;2039-2054 *

Also Published As

Publication number Publication date
CN117423387A (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
Gauch Multivariate analysis in community ecology
CN111369106A (zh) 一种适用于湖泊底栖生态系统的健康评价方法
CN105431854B (zh) 用于分析生物样品的方法和设备
Gorospe et al. The importance of sampling design: spatial patterns and clonality in estimating the genetic diversity of coral reefs
Buxbaum et al. Non-destructive plant biomass monitoring with high spatio-temporal resolution via proximal RGB-d imagery and end-to-End deep learning
Buchanan A water quality binning method to infer phytoplankton community structure and function
CN112763429A (zh) 一种蓝藻水华的立体监测方法
Valckx et al. Within-field spatial distribution of earthworm populations related to species interactions and soil apparent electrical conductivity
CN108377788B (zh) 一种水稻全生育期耐盐性鉴定评价方法
CN114242156A (zh) 海洋微塑料上致病性弧菌相对丰度的实时预测方法及系统
CN113344409A (zh) 一种设施连作土壤质量的评价方法及系统
Yurista et al. Lake Superior zooplankton biomass: alternate estimates from a probability-based net survey and spatially extensive LOPC surveys
CN113658640B (zh) 一种淡水生态系统健康评价方法
CN102550455A (zh) 一种大黄鱼刺激隐核虫病害程度的判别方法
CN117423387B (zh) 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
Cao et al. A method for measuring the comparability of different sampling methods used in biological surveys: implications for data integration and synthesis
CN114596509A (zh) 一种基于机器视觉的水稻秧苗叶龄期识别方法
Dazzo et al. In situ ecophysiology of microbial biofilm communities analyzed by CMEIAS computer-assisted microscopy at single-cell resolution
CN116864026A (zh) 一种基于Argo温盐剖面的海洋溶解氧浓度重构模型构建方法
Li et al. A technique system for the measurement, reconstruction and character extraction of rice plant architecture
Melo et al. Package ‘CommEcol’
CN116486242A (zh) 一种浮游植物检测方法和系统
CN114021644A (zh) 一种基于K-means和去丛聚法的区域代表性地下水位计算方法
Voutilainen et al. Analysing a large dataset on long-term monitoring of water quality and plankton with the SOM clustering
CN112149991A (zh) 一种考虑水质变化趋势的河湖主要污染断面识别方法

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