CN117687416A - 河网水安全检测装置路径规划方法及系统 - Google Patents
河网水安全检测装置路径规划方法及系统 Download PDFInfo
- Publication number
- CN117687416A CN117687416A CN202410105652.5A CN202410105652A CN117687416A CN 117687416 A CN117687416 A CN 117687416A CN 202410105652 A CN202410105652 A CN 202410105652A CN 117687416 A CN117687416 A CN 117687416A
- Authority
- CN
- China
- Prior art keywords
- water quality
- river network
- river
- detection
- path
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 379
- 238000001514 detection method Methods 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims abstract description 53
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000005286 illumination Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 19
- 239000010410 layer Substances 0.000 claims description 17
- 238000007689 inspection Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 13
- 239000002344 surface layer Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000005755 formation reaction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 241000282461 Canis lupus Species 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 19
- 239000001301 oxygen Substances 0.000 description 19
- 229910052760 oxygen Inorganic materials 0.000 description 19
- 239000011159 matrix material Substances 0.000 description 12
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 5
- 229910052698 phosphorus Inorganic materials 0.000 description 5
- 239000011574 phosphorus Substances 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 244000058871 Echinochloa crus-galli Species 0.000 description 3
- 235000015225 Panicum colonum Nutrition 0.000 description 3
- 208000034699 Vitreous floaters Diseases 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012372 quality testing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- -1 trees Substances 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 101100107610 Arabidopsis thaliana ABCF4 gene Proteins 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 101100068078 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GCN4 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了一种河网水安全检测装置路径规划方法及系统，包括如下步骤：获取预定区域的基础数据，从基础数据中提取用于构建河网模型的信息，构建城市河网数字模型；基于河网数字模型、河网水安全检测目标和固定式水质检测装置的位置，规划检测场景和检测范围，生成无人机飞行路径；调用无人机沿预定路径飞行并获取河网的水质信息，基于存在问题的区域，生成移动式水质检测装置的巡航路径；通过移动式水质检测装置获取预定巡航路径上的水质数据，获得河网水安全的水质分布，划定各个场景下的重点水质监测区域，并生成各个场景下的动态检测路径。本发明能够配置于河网水安全检测装置中，获得分辨率更高的水质数据，可以提高检测的精度和效率。
Description
技术领域
本发明涉及水文水安全技术，尤其是一种河网水安全检测装置路径规划方法及系统。
背景技术
随着全球气候变化的加剧、城市建设以及人类社会的发展，水资源的安全与管理日益受到重视。河网作为地球表面最主要的淡水来源，其健康与安全直接关系到人类生存与发展。因此，对河网，尤其是城市河网的实时监测和管理就显得尤为重要。
传统的河网监测方法主要依赖于固定的观测站点，这些站点被设置在河流的关键位置，如流域出口、大坝上游等。这些观测站可以提供水位、流速、水温、水质等基本参数的实时数据。然而，这种方法存在明显的局限性：观测站点间隔距离较大，难以捕捉河流之间的微小变化；且部署成本高昂，难以广泛覆盖所有河段。另外，由于城镇河网的复杂性和动态性，水质监测站点的布局需要考虑多种因素，如水网结构、水流方向、污染源分布、水质变化规律等。然而，目前的水质监测站点布局往往缺乏科学性和系统性，不能充分反映水网的整体状况和重点区域的特征，导致监测数据的不准确和不充分
近年来，随着遥感技术和地理信息系统（GIS）技术的发展，它们在河网监测领域的应用也日趋广泛。遥感技术可以实现对大范围河网的实时监测，为水文学家提供宏观的水文数据。而GIS技术则能够对这些数据进行可视化处理，实现对河网的空间分析。但遥感技术存在分辨率和时效性的限制，获取的基本为河流表层的数据，难以获取河网内部的详细信息；而GIS技术则主要用于数据的可视化和分析，并未涉及路径规划等领域。
对于河网的实时监测，仅仅获取固定传感器采集的数据是远远不够的，在分辨率和精确度等方面均无法达到要求，如何根据这些数据进行实时的路径规划，使得移动式检测装置可以快速、准确地到达关键位置，对于水安全的保障至关重要。而传统的路径规划方法，如Dijkstra算法、A*算法等，虽然在一般情境下表现出色，但在复杂的河网环境中，这些算法往往表现不佳，难以满足实时、准确的需求。
故需要进行研究创新，从而解决现有技术存在的上述问题，提高检测装置对河网水安全状况的预测和诊断能力。
发明内容
发明目的，提供一种河网水安全检测装置路径规划方法及系统，以解决现有技术存在的上述问题。
技术方案，根据本申请的一个方面，河网水安全检测装置路径规划方法，包括如下步骤：
步骤S1、获取预定区域的基础数据，从基础数据中提取用于构建河网模型的信息，构建城市河网数字模型；
步骤S2、基于河网数字模型、河网水安全检测目标和固定式水质检测装置的位置，规划检测场景和检测范围，生成无人机飞行路径；
步骤S3、调用无人机沿预定路径飞行并获取河网的水质信息，判断水质是否存在问题，并基于存在问题的区域，生成移动式水质检测装置的巡航路径；
步骤S4、通过移动式水质检测装置获取预定巡航路径上的水质数据；并基于固定式水质检测装置和移动式水质检测装置的数据，获得河网水安全的水质分布；
步骤S5、基于河网水安全的水质分布，划定各个场景下的重点水质监测区域，并生成各个场景下的动态检测路径。
根据本申请的一个方面，步骤S1进一步为：
步骤S11、确定待研究的预定区域范围，获取数据源并解析，得到包括地理信息、河网信息、水文信息和水资源信息在内的基础数据；
步骤S12、从基础数据中提取用于构建河网模型的信息，包括河流高程、宽度、深度、长度、流量、流速和流向；
步骤S13、构建城市河网数字模型和河网水动力模型，根据河网信息和水质指标，初步模拟预定区域内河网的水动力特征和水质分布特征，获得初步模拟结果并储存。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、调取河网数字模型，并基于初步模拟结果，提取重点检测区域，并固定式水质检测装置的位置对重点检测区域的范围进行优化；
步骤S22、确定河网水安全的检测目标，所述检测目标至少包括检测频率、检测精度、检测成本和水质检测参数；
步骤S23、从基础数据中获取重点检测区域附近的建筑高度和位置信息，以及河网中的障碍物信息，形成飞行路径约束集合；
步骤S24、针对检测目标，并根据重点检测区域和飞行路径约束集合，采用预配置的算法，生成可行的飞行路径。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、调用无人机并配置视频装置和光谱成像装置，获取重点检测区域的图像和光谱信息，并基于预配置的反演计算模型，获取河流表层的水质参数，并通过视频数据获取河流中的障碍物和漂浮物数据；
步骤S32、基于预存储的规则，判断河网水质是否超标，并标注超标河段，形成问题区域集合；
步骤S33、针对问题区域集合，调取河网数字模型，并获取河网中相邻问题区域中间的河网水工建筑的开闭状态，生成至少一个移动式水质检测装置的巡航路径。
根据本申请的一个方面，所述步骤S4进步为：
步骤S41、构建并使用河网分割模块，对包括问题区域在内的河网进行分割，形成具有深度信息的河网矢量图层；
步骤S42、配置移动式水质检测装置，并在深度方向上设置至少两个检测传感器；检测传感器至少可以获取预定深度的河网水质信息；
步骤S43、基于移动式水质检测装置和固定式水质检测装置的检测数据，生成河网水质的时空序列；
步骤S44、采用预配置的时空序列处理模块，基于获取河网水质的时空序列，生成河网水安全的水质分布图。
根据本申请的一个方面，所述步骤S5进一步为：
步骤S51、获取河网水安全的水质分布图，并计算不合格水质参数对应的时空总体积；
步骤S52、根据时空总体积，划定每个场景下的重点水质监测区域；
步骤S53、据不同的监测目的和场景，确定重点区域的监测频率、指标和方法，并优化巡航路径和检测装置的配置；
步骤S54、根据实时监测数据和预测模型，动态调整重点区域的范围和位置，并更新巡航路径和检测方案，以适应河网水质的变化情况。
根据本申请的一个方面，所述步骤S33中，生成至少一个移动式水质检测装置的巡航路径的过程具体包括：
步骤S331、构建并采用改进的灰狼优化算法，根据问题区域集合，生成巡航的起点和终点，获得移动式水质检测装置的最优巡航路径；
步骤S332、获取各个移动式水质检测装置的实时位置和速度，构建并采用人工势场模块计算移动式水质检测装置受到的吸引力和排斥力，并根据这些力的合成，调整移动式水质检测装置的运动方向和速度，保证相邻移动式水质检测装置之间的间距；
步骤S333、根据领航与跟随者策略，将移动式水质检测装置分为领航者和若干跟随者，并根据预设的队形和间距，使跟随者根据领航者的位置和速度进行相应的调整，实现对河网的高精度测量。
根据本申请的一个方面，步骤S44还包括：
步骤S441、构建基于图卷积的时空序列处理模块；
步骤S442、获取河网水质的时空序列数据并预处理，然后通过主成分分析PCA模块或自编码器AE模块进行降维和压缩，所述时空序列数据至少包括各个断面的水质参数、水流速度和水位；
步骤S443、将时空序列数据输入到基于图卷积的时空序列处理模块中，进行水质分布的预测或估计，并输出水质分布的概率密度函数或置信区间；
步骤S444、根据输出的水质分布结果，绘制河网水安全的水质分布图，并标注不同水质等级的颜色和范围。
根据本申请的一个方面，所述步骤S23中，还包括：
步骤S231、基于建筑高度和位置信息，在河网数字模型中添加光照模拟模块，获取在建筑物影响下各个时间段的河面的光照度数据；
步骤S232、根据光照度数据，确定河面上光照强度大于阈值的时间段和区域，作为无人机拍摄的优先目标；并将光照强度小于阈值的时间段和区域作为飞行路径约束参数；
步骤S233、根据飞行路径和光照条件，配置无人机的相机参数，在无人机飞行过程中，根据监测到的河面的光照变化，动态调整飞行路径和相机参数，以适应不同的光照环境。
根据本申请的另一个方面，提供一种用于河网水安全检测装置的路径规划系统，被配置于河网水安全检测装置中，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的河网水安全检测装置路径规划方法。
有益效果，能够更为快速地获得河网的高分辨率的、包含中下层水质信息的巡检路径，解决了现有技术存在的一些缺陷，相关技术优势将结合具体实施方式进行详细描述。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
图5是本发明步骤S4的流程图。
图6是本发明步骤S5的流程图。
具体实施方式
为了解决背景技术存在的上述问题，申请人进行了深入地研究，提出了如下的技术方案，先通过确定重点区域，然后通过移动检测装置获取重点区域的高精度高分辨率数据，由于通过较好的路径规划方法，大大提高了检测的效率。
如图1所示，提供一种河网水安全检测装置路径规划方法，包括如下步骤：
步骤S1、获取预定区域的基础数据，从基础数据中提取用于构建河网模型的信息，构建城市河网数字模型；
步骤S2、基于河网数字模型、河网水安全检测目标和固定式水质检测装置的位置，规划检测场景和检测范围，生成无人机飞行路径；
步骤S3、调用无人机沿预定路径飞行并获取河网的水质信息，判断水质是否存在问题，并基于存在问题的区域，生成移动式水质检测装置的巡航路径；
步骤S4、通过移动式水质检测装置获取预定巡航路径上的水质数据；并基于固定式水质检测装置和移动式水质检测装置的数据，获得河网水安全的水质分布；
步骤S5、基于河网水安全的水质分布，划定各个场景下的重点水质监测区域，并生成各个场景下的动态检测路径。
在本实施例中，无人机可以搭载多种传感器，如视频、光谱、水文等，从空中获取河网的水质信息，覆盖河网的表层和宽度；移动式水质检测装置可以搭载多个检测传感器，从水中获取河网的水质信息，覆盖河网的深度和长度。这样可以实现对河网水安全的三维立体监测，提高监测的精度和效率。而且通过无人机获取的表层信息，提取出重点的巡检区域，然后对重点的区域进行深度层面的检测，大大提高了巡检的效率。同时，通过移动式的检测装置，弥补了现有固定式巡检装置的不足，提高了河网水质检测的效率和精度。通过构建城市河网数字模型，反映河网的空间分布和结构特征，河网水动力模型可以反映河网的流量、流速、流向等特征。结合无人机和移动式水质检测装置的检测数据，可以对河网水安全的时空分布进行预测和模拟，分析河网水质的变化趋势和影响因素，为决策提供科学依据。在最后得到的优化巡检路径，可以配置在现有的移动式水质检测装置中，比如配置在无人船中。
根据本申请的一个方面，步骤S1进一步为：
步骤S11、确定待研究的预定区域范围，获取数据源并解析，得到包括地理信息、河网信息、水文信息和水资源信息在内的基础数据；
根据河流所在流域的行政区划和地形特征，确定预定区域的范围和边界；利用遥感影像、地形图、水文图等数据源，获取预定区域内的地理信息，如高程、坡度、土地利用等；利用相关部门提供的流域水系图，获取预定区域内的河网信息，如河流名称、长度、宽度、深度等；利用流域水文站点数据，获取预定区域内的水文信息，如流量、流速、流向等；利用流域水资源监测数据，获取预定区域内的水资源信息，如水质参数（化学需氧量、氨氮、总磷等）、污染源分布等。
步骤S12、从基础数据中提取用于构建河网模型的信息，包括河流高程、宽度、深度、长度、流量、流速和流向；
使用地理信息系统（GIS）软件对基础数据进行处理和分析，提取出每条河流在空间上的几何形状和位置坐标；利用数字图像处理软件对基础数据进行处理和分析，提取出每条河流在垂直方向上的高程变化和横断面形状；利用水文统计软件对基础数据进行处理和分析，提取出每条河流在时间上的流量、流速和流向变化规律和分布特征。
步骤S13、构建城市河网数字模型和河网水动力模型，根据河网信息和水质指标，初步模拟预定区域内河网的水动力特征和水质分布特征，获得初步模拟结果并储存。
利用MIKE11、HEC-RAS或SWMM软件的HD模块和AD模块，建立一维水动力水质耦合模型，输入河网信息和水质指标，进行参数设置和边界条件设定；对预定区域内河网的水动力特征和水质分布特征进行初步模拟，获得各个断面的水位、流量、流速、流向、水质等模拟结果；将初步模拟结果以图形或表格的形式展示和储存，以便后续的分析和优化。
在本实施例中，初步实现对预定区域内河网水系的高精度数字化模拟，实现对预定区域内河网水系的动态监测和预警。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、调取河网数字模型，并基于初步模拟结果，提取重点检测区域，并固定式水质检测装置的位置对重点检测区域的范围进行优化；
使用MIKE11等软件调取之前构建好的城市河网数字模型和河网水动力模型，输入当前的水文流量数据，进行模拟计算；根据模拟计算结果，分析河网中各个断面的水位、流量、流速、流向、水质等参数，找出可能存在问题或风险的区域，作为初步的重点检测区域；使用已有的固定式水质检测装置的位置信息，结合重点检测区域的分布特征，对重点检测区域的范围进行优化，以提高覆盖率和有效性。
步骤S22、确定河网水安全的检测目标，所述检测目标至少包括检测频率、检测精度、检测成本和水质检测参数；
根据河网水安全状况的变化趋势和影响因素，确定合适的检测频率，如每天、每周或每月等；根据河网水安全状况的复杂程度和难度，确定合适的检测精度，如误差范围、置信区间或可信度等；根据河网水安全状况的紧急程度和重要性，确定合适的检测成本，如人力投入、设备投入或时间投入等；根据河网水安全状况的评估标准和指标体系，确定合适的水质检测参数，如氨氮、溶解氧、总磷或化学需氧量等。
步骤S23、从基础数据中获取重点检测区域附近的建筑高度和位置信息，以及河网中的障碍物信息，形成飞行路径约束集合；利用遥感影像、地形图、水文图等数据源，获取重点检测区域附近的建筑高度和位置信息，如楼房、桥梁、电线杆等；利用流域水系图，获取河网中的障碍物信息，如水坝、闸门、堤岸等；根据建筑和障碍物的信息，形成飞行路径约束集合，如禁飞区域、飞行高度限制、飞行方向限制等。
步骤S24、针对检测目标，并根据重点检测区域和飞行路径约束集合，采用预配置的算法，生成可行的飞行路径。利用多目标优化算法，如多目标粒子群优化算法、多目标蚁群优化算法、多目标遗传算法等，综合考虑检测频率、检测精度、检测成本和水质检测参数等因素，寻找最优或近似最优的飞行路径；利用飞行路径约束集合，对候选路径进行筛选和修正，以满足无人机的安全飞行要求；利用可视化工具，如matplotlib或seaborn等，对生成的飞行路径进行展示和评估，以便后续的调整和优化。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、调用无人机并配置视频装置和光谱成像装置，获取重点检测区域的图像和光谱信息，并基于预配置的反演计算模型，获取河流表层的水质参数，并通过视频数据获取河流中的障碍物和漂浮物数据；
根据河网水系的拓扑结构和属性特征，以及检测装置的运行约束和目标函数，确定重点检测区域的范围和位置，例如河流交汇处、水库入口处、污染源附近等。
调用无人机，并配置视频装置和光谱成像装置。视频装置可以是高清摄像头，可以对河流表面进行可见光或红外光等不同波段的拍摄和录制。光谱成像装置可以是高光谱相机或高光谱雷达，可以对河流表面进行高分辨率的光谱成像，以获取河流表层的反射率或散射率等信息。控制无人机在重点检测区域上空飞行，并实时采集图像和光谱信息。图像信息可以用于识别河流中的障碍物和漂浮物，如岩石、树木、垃圾等，以及河流表面的水色、水草等特征。光谱信息可以用于反演计算河流表层的水质参数，如溶解氧、化学需氧量、氨氮等。将采集到的图像和光谱信息无线传输到云端服务器，并基于预配置的反演计算模型，获取河流表层的水质参数，并通过图像处理算法，获取河流中的障碍物和漂浮物位置和形状信息。
步骤S32、基于预存储的规则，判断河网水质是否超标，并标注超标河段，形成问题区域集合；
根据国家或地方的水质标准，设定预存储的规则，如河流表层的溶解氧、化学需氧量、氨氮等参数的阈值或范围等。根据上述步骤获取的河流表层的水质参数，与预存储的规则进行比较和判断，确定河网水质是否超标，并标注超标河段，如用红色线条或图标等方式。将标注出来的超标河段，汇总成一个问题区域集合，如用一个列表或地图等方式展示。
步骤S33、针对问题区域集合，调取河网数字模型，并获取河网中相邻问题区域中间的河网水工建筑的开闭状态，生成至少一个移动式水质检测装置的巡航路径。
调取河网数字模型，并获取河网中相邻问题区域中间的河网水工建筑的开闭状态。河网数字模型是一种利用数学方法描述河网水系的几何形状、物理特性、动力过程等特征的模型。河网水工建筑是指在河网中设置的用于调节水流、控制洪水、发电等目的的建筑物，如闸门、堰坝、水电站等。开闭状态是指水工建筑对水流的阻挡或放行程度，如闸门开度、堰坝溢流量等。基于河网数字模型和水工建筑开闭状态，生成至少一个移动式水质检测装置的巡航路径。移动式水质检测装置是一种可以在河网中自由移动，并实时采集和传输水质数据的设备，如无人船、无人潜艇等。巡航路径是指移动式水质检测装置在河网中移动的轨迹和速度。生成巡航路径的方法可以有多种，如基于遗传算法、蚁群算法、强化学习等优化算法，或者基于人工设定或调整等经验方法。生成巡航路径时需要考虑多种因素，如检测装置的运行约束、目标函数、环境反馈等。将生成的巡航路径作为控制信号，通过无线通信模块发送给移动式水质检测装置。
在本实施例中，为了实时、准确地获取河流的水质信息，使用无人机携带视频和光谱成像装置进行飞行检测。通过处理收集到的数据，可以得到河流的水质参数，并与预存储的标准进行对比，判断水质是否达标。针对问题区域，可以调取河网数字模型，了解水工建筑的状态，并据此规划出最佳的巡航路径。
根据本申请的一个方面，所述步骤S4进步为：
步骤S41、构建并使用河网分割模块，对包括问题区域在内的河网进行分割，形成具有深度信息的河网矢量图层；
选择合适的河网分割算法，如基于流域划分、基于聚类分析、基于图切割等方法，获取河网所在区域的数字高程模型（DEM）数据，并导入到河网分割模块中。运行河网分割模块，根据DEM数据和分割算法，对河网进行分割，并输出每个子区域的边界、面积、平均深度等信息。根据问题区域的范围和位置，从河网分割模块中提取包含问题区域在内的若干个子区域，并将其保存为一个具有深度信息的河网矢量图层。
步骤S42、配置移动式水质检测装置，并在深度方向上设置至少两个检测传感器；检测传感器至少可以获取预定深度的河网水质信息；
根据移动式水质检测装置的型号和要求，如无人船、无人潜艇等，选择至少两个合适的水质检测传感器，如光学传感器、电化学传感器等。将水质检测传感器安装在移动式水质检测装置上，并在深度方向上设置不同的位置，如表层、中层、底层等。并对传感器进行校准和测试，确保其能够正常工作。将移动式水质检测装置部署到河网中，并通过无线通信模块与云端服务器连接，实时或定时上传水质数据。
步骤S43、基于移动式水质检测装置和固定式水质检测装置的检测数据，生成河网水质的时空序列；
通过步骤S42得到了移动式水质检测装置和固定式水质检测装置在不同时间和深度上的水质数据，例如溶解氧、pH、电导率等。可以将这些数据按照时间和空间的顺序排列，形成一个多维的时空序列数据集。例如，可以将数据集表示为一个张量X{T x N x D x F}，其中T是时间步长，N是空间节点数，D是深度层数，F是水质参数数量。通过处理模块来对这个时空序列进行预处理、降维、插值、平滑等操作，以提高数据的质量和可用性。可以采用时空图卷积网络（ST-GCN），可以利用图神经网络和卷积神经网络来提取时空序列中的空间和时间特征。
步骤S44、采用预配置的时空序列处理模块，基于获取河网水质的时空序列，生成河网水安全的水质分布图。
通过步骤S43得到一个经过处理的时空序列数据集X{T x N x D x F }，其中T是时间步长，N是空间节点数，D是深度层数，F是水质参数数量。可以使用预配置的时空序列处理模块来对这个数据集进行分析和预测，以评估河网水安全的状况。例如，可以使用基于Transformer的时空预测方法（TFT），它可以利用Transformer和状态空间模型来进行多变量、多步长、多水平的概率预测。可以将X作为TFT的输入，并设置好预测目标、预测长度、预测频率等参数。然后运行TFT模型，得到一个预测输出Y {H x N x D x F}，其中H是预测步长。可以根据Y中各个位置的水质参数值和标准阈值来判断该位置的水安全等级，并将其可视化为一个河网水安全的水质分布图。
在本实施例中，可以对关键河段进行实时在线监测,也可以按需进行移动检测,实现水质时空分布监测,做到对河网水质变化的全面掌握。借助移动检测装置,可以快速响应问题区域，及时掌握水质状况，大大提高监测的时效性。移动检测与固定监测相结合，可以acq得更高密度的采样点，显著提升监测的空间细节和分辨率。建立水质时空序列预测模型，可以预测问题区域的未来水质变化趋势，为预警提前做好准备。总之，本实施例可以全面提升河网水质监测与管理的智能化水平，保障水环境安全,支持水资源的可持续利用。
根据本申请的一个方面，所述步骤S5进一步为：
步骤S51、获取河网水安全的水质分布图，并计算不合格水质参数对应的时空总体积；
下载上述步骤河网水安全检测装置路径规划方法及系统生成的河网水安全的水质分布图，该图为一个多维时空序列数据集Y{HxNxDxF}，其中H是预测步长，N是空间节点数，D是深度层数，F是水质参数数量。根据国家或地方的水质标准，设定不同水质参数的阈值或范围，如溶解氧、化学需氧量、氨氮等。
对于每个水质参数f，遍历Y中所有位置i和深度j和时间k，判断Yijkf是否超过了设定阈值或范围。如果是，则将该位置i和深度j和时间k标记为不合格，并计算其对应的时空体积Vijkf，即该位置i和深度j和时间k的空间面积乘以时间步长。如果否，则将该位置i和深度j和时间k标记为合格，并将其对应的时空体积Vijkf设为零。对于每个水质参数f，求和所有不合格的时空体积Vijkf，得到该参数的时空总体积Vf，即该参数在河网中超标的总范围和总时间。
在进一步的实施例中，还可以采用如下流程：
加载水质时空分布结果数据。数据包含时间戳、经纬度坐标、站点编号和多参数水质索引值。读取国家/行业水质标准表，包含各参数阈值，存储格式为Excel。设置空间查询窗口，基于经纬度坐标逐站点查询。逐时段、逐参数对比监测值与标准阈值,筛选出超标的时空点。计算超标点所构成的四维体积，通过坐标差运算积分求解。将超标参数、位置范围、时空体积信息写入结构化数据库中。
步骤S52、根据时空总体积，划定每个场景下的重点水质监测区域；
根据不同的水质问题的性质和影响，将河网中的水质问题分为以下几种场景：紧急场景、重要场景、一般场景和次要场景。紧急场景是指可能导致严重的人员伤亡、生态破坏或经济损失的水质问题，如洪涝灾害、污染事件等。重要场景是指可能影响河网水系的正常运行或水资源供给的水质问题，如水位过低、流量不足、水质恶化等。一般场景是指可能影响河网水系的部分功能或水资源利用效率的水质问题，如水色变化、水草增生、溶解氧降低等。次要场景是指可能对河网水系没有明显影响或可逆转的水质问题，如氨氮波动、化学需氧量轻微超标等。
根据上述步骤计算出的时空总体积，对每个水质参数进行排序，以确定每个场景下最关键的水质参数。一般来说，时空总体积越大，说明该参数在河网中超标的范围和时间越广泛，对河网水安全状况的影响越大。因此，可以按照时空总体积从大到小进行排序，将前几位的参数作为每个场景下最关键的参数。例如，如果溶解氧、化学需氧量、氨氮、总磷等参数的时空总体积分别为1000、800、600、400，则可以认为溶解氧是紧急场景下最关键的参数，化学需氧量是重要场景下最关键的参数，氨氮是一般场景下最关键的参数，总磷是次根据上述步骤标记出的不合格位置和深度和时间，划定每个场景下最关键参数对应的重点水质监测区域。重点水质监测区域是指在河网中存在最关键参数超标问题，并且需要优先监测和处理的区域。可以根据不合格位置和深度和时间的分布情况，确定重点区域的范围和位置，并将其用不同颜色或图标标注在河网地图上。例如，如果溶解氧是紧急场景下最关键的参数，并且在河流交汇处、水库入口处等位置和深度上出现了超标情况，可以将这些位置和深度用红色或警示图标标注在地图上，作为紧急场景下的重点水质监测区域。
步骤S53、据不同的监测目的和场景，确定重点区域的监测频率、指标和方法，并优化巡航路径和检测装置的配置；
根据不同的场景，确定重点区域的监测频率。一般来说，监测频率与水质问题的紧迫性成正比，即紧急场景下的重点区域需要更高的监测频率，而次要场景下的重点区域可以较低的监测频率。可以根据河网水安全检测装置路径规划方法及系统提供的预测模型和实时数据，对不同场景下的重点区域进行风险评估，并根据风险等级设定相应的监测频率。例如，如果预测模型显示某个紧急场景下的重点区域在未来24小时内有很高的可能发生水质恶化或污染事件，则可以设定该区域的监测频率为每小时一次；而如果实时数据显示某个次要场景下的重点区域在过去一周内水质参数基本稳定，则可以设定该区域的监测频率为每天一次。根据不同的场景，确定重点区域的监测指标。一般来说，监测指标与水质问题的重要性成正比，即重要场景下的重点区域需要更多的监测指标，而次要场景下的重点区域可以较少的监测指标。可以根据国家或地方的水质标准和评价体系，对不同场景下的重点区域进行水质评价，并根据评价结果设定相应的监测指标。例如，如果某个重要场景下的重点区域是一个饮用水源地，则可以设定该区域的监测指标为溶解氧、pH、电导率、氨氮、总磷、总有机碳等多个参数；而如果某个次要场景下的重点区域是一个养殖水域，则可以设定该区域的监测指标为溶解氧、pH、氨氮等少数参数。根据不同的场景，确定重点区域的监测方法。一般来说，监测方法与水质问题的复杂性成正比，即复杂场景下的重点区域需要更高级或更多样化。
步骤S54、根据实时监测数据和预测模型，动态调整重点区域的范围和位置，并更新巡航路径和检测方案，以适应河网水质的变化情况。
下载实时监测数据和预测模型，该数据和模型为一个多维时空序列数据集W；对数据集 W 进行分析，如异常检测、趋势分析、相关分析等操作，以发现河网水质的变化情况和影响因素。根据分析结果，对重点区域的范围和位置进行动态调整，如扩大或缩小区域范围，改变区域位置，增加或减少区域数量等操作，以适应河网水质的变化情况。根据重点区域的动态调整结果，对巡航路径和检测方案进行更新，如改变航行速度、方向、顺序等操作，以提高巡航效率和覆盖率；或者改变检测频率、指标、方法等操作，以提高检测精度和灵敏度。
根据本申请的一个方面，所述步骤S33中，生成至少一个移动式水质检测装置的巡航路径的过程具体包括：
步骤S331、构建并采用改进的灰狼优化算法，根据问题区域集合，生成巡航的起点和终点，获得移动式水质检测装置的最优巡航路径；
步骤S332、获取各个移动式水质检测装置的实时位置和速度，构建并采用人工势场模块计算移动式水质检测装置受到的吸引力和排斥力，并根据这些力的合成，调整移动式水质检测装置的运动方向和速度，保证相邻移动式水质检测装置之间的间距；
步骤S333、根据领航与跟随者策略，将移动式水质检测装置分为领航者和若干跟随者，并根据预设的队形和间距，使跟随者根据领航者的位置和速度进行相应的调整，实现对河网的高精度测量。
在一些实施例中，具体过程如下：
构建基于混沌映射和自适应权重因子的灰狼优化算法IGWO。
获取问题区域集合Q，即河网中可能存在水质问题或需要重点监测的区域集合。例如，Q可以包括河流交汇处、水库入口处、闸门附近处等。
利用灰狼优化算法IGWO算法，根据问题区域集Q生成巡航的起点和终点P，即移动式水质检测装置需要经过或停留的位置集合。例如，起点和终点P可以包括Q中每个区域的中心位置或边缘位置等。利用灰狼优化算法IGWO算法，根据起点和终点P生成移动式水质检测装置的最优巡航路径R，即移动式水质检测装置需要按照顺序访问P中每个位置的路径集合。例如，最优巡航路径R可以包括从河流A出发，经过河流交汇处、水库入口处、闸门附近处等位置，最后到达河流D等。
从云端服务器中下载各个移动式水质检测装置的实时位置和速度数据，该数据为一个二维矩阵P{Mx3}，其中M是移动式水质检测装置的数量，3是位置和速度的维度。
构建并采用人工势场模块，根据二维矩阵P中的数据，计算每个移动式水质检测装置受到的吸引力和排斥力。吸引力是指河网中存在问题区域或其他目标点对移动式水质检测装置产生的引导作用，使其向问题区域或目标点靠近。排斥力是指河网中存在障碍物或其他移动式水质检测装置对移动式水质检测装置产生的阻碍作用，使其远离障碍物或其他移动式水质检测装置。人工势场模块可以根据不同情况设定不同的吸引力和排斥力函数，并根据距离、角度、权重等因素计算每个移动式水质检测装置受到的合成力F{Mx2}，其中2是合成力的维度。
根据合成力F中的数据，调整每个移动式水质检测装置的运动方向和速度。运动方向是指移动式水质检测装置在河网中前进的方向，可以根据合成力F的方向进行调整。运动速度是指移动式水质检测装置在河网中前进的速度，可以根据合成力F的大小进行调整。同时，还需要考虑河网中流速、流量、水位等因素对运动方向和速度的影响，并进行相应的补偿或修正。最终得到每个移动式水质检测装置更新后的位置和速度数据Q{Mx3}，其中M是移动式水质检测装置的数量，3是位置和速度的维度。
将问题区域集Q中的数据上传到云端服务器，并更新河网地图上每个移动式水质检测装置的位置和速度信息。同时，保证相邻移动式水质检测装置之间有一定的间距，以避免碰撞或干扰。如果发现某个移动式水质检测装置与其他移动式水质检测装置或障碍物距离过近，可以通过调整合成力F的权重或方向，使其远离危险区域。
根据移动式水质检测装置的数量、性能、位置等因素，将移动式水质检测装置分为领航者和若干跟随者。领航者是指在河网中具有最高优先级和最大自主性的移动式水质检测装置，它可以根据河网水安全检测装置路径规划方法及系统生成的最优巡航路径进行自主导航，并通过无线通信模块向其他移动式水质检测装置发送指令或信息。跟随者是指在河网中具有较低优先级和较小自主性的移动式水质检测装置，它们需要根据领航者的位置和速度进行相应的调整，并通过无线通信模块接收来自领航者或其他跟随者的指令或信息。
根据预设的队形和间距，使跟随者根据领航者的位置和速度进行相应的调整。队形是指移动式水质检测装置在河网中前进时所呈现出的空间分布形态，如直线、三角、菱形等。间距是指移动式水质检测装置之间在空间上保持的最小距离，以避免碰撞或干扰。可以根据不同场景和目标，设定不同的队形和间距，并通过无线通信模块将其发送给所有移动式水质检测装置。然后，每个跟随者根据自己所属的队形位置，计算出自己与领航者或其他跟随者之间应该保持的相对位置和速度，并进行相应的调整。
最后，实现对河网的高精度测量。通过领航与跟随者策略，可以使移动式水质检测装置在河网中形成一个有序、协调、高效的检测队伍，可以有效地覆盖河网中所有重要位置，并及时发现并预警河网中可能发生的水安全问题。同时，可以根据实时监测数据和预测模型，对队形和间距进行动态调整，以适应河网水质的变化情况。
根据本申请的一个方面，步骤S44还包括：
步骤S441、构建基于图卷积的时空序列处理模块；
步骤S442、获取河网水质的时空序列数据并预处理，然后通过主成分分析PCA模块或自编码器AE模块进行降维和压缩，所述时空序列数据至少包括各个断面的水质参数、水流速度和水位；
步骤S443、将时空序列数据输入到基于图卷积的时空序列处理模块中，进行水质分布的预测或估计，并输出水质分布的概率密度函数或置信区间；
步骤S444、根据输出的水质分布结果，绘制河网水安全的水质分布图，并标注不同水质等级的颜色和范围。
在一些实施例中，具体过程如下：
基于图卷积的时空序列处理模块包括以下几个部分：图卷积层，用于从邻接矩阵和节点特征矩阵中提取空间特征，可以使用不同的图卷积算法，如GCN4、GAT5、ChebNet6等。时间卷积层，用于从多个时间步长的空间特征中提取时间特征，可以使用不同的时间卷积算法，如1D-CNN7、TCN8、LSTM9等。输出层（，用于根据最终的时空特征生成预测或估计结果，可以使用不同的损失函数和评价指标，如MSE、MAE、R2等。
预处理包括以下几个步骤：数据清洗，用于去除或修正数据中存在的异常值、缺失值、重复值等错误或无效信息，可以使用不同的方法，如删除法、插值法、平均法等。数据标准化，用于将数据转换为统一的度量单位和范围，消除数据的量纲和尺度差异，可以使用不同的方法，如Z-score、Min-Max、Logarithm等。数据降维用于将数据的特征维数降低到一个合理的水平，减少数据的冗余和噪声，提高数据的可解释性和可视化性，可以使用不同的方法，如PCA、AE、LDA等。最后，需要将预处理后的数据转换为适合输入到基于图卷积的时空序列处理模块中的格式，即邻接矩阵和节点特征矩阵。邻接矩阵用于表示河网中各个断面之间的空间连接关系，可以根据不同的依据构建，如拓扑距离、水流方向、水质相似性等。节点特征矩阵用于表示河网中各个断面在不同时间点上的水质参数、水流速度和水位等信息，可以根据不同的时间粒度和滑动窗口进行划分。
将得到的邻接矩阵和节点特征矩阵作为输入，送入构建好的基于图卷积的时空序列处理模块中，进行前向传播和反向传播，得到预测或估计结果。接着对预测或估计结果进行不确定性度量，即给出水质分布的概率密度函数或置信区间。这样可以帮助评估预测或估计结果的可靠性和稳定性，以及可能存在的风险和误差。不确定性度量可以使用不同的方法，如蒙特卡罗模拟、贝叶斯推断、引导法等。最后，使用一些可视化工具或库，如Matplotlib、Seaborn、Plotly等，根据输出的水质分布结果绘制河网水安全的水质分布图。可以选择合适的图形类型，如热力图、等高线图、散点图等，来展示河网中各个断面在不同时间点上的水质情况。
根据本申请的一个方面，所述步骤S23中，还包括：
步骤S231、基于建筑高度和位置信息，在河网数字模型中添加光照模拟模块，获取在建筑物影响下各个时间段的河面的光照度数据；
步骤S232、根据光照度数据，确定河面上光照强度大于阈值的时间段和区域，作为无人机拍摄的优先目标；并将光照强度小于阈值的时间段和区域作为飞行路径约束参数；
步骤S233、根据飞行路径和光照条件，配置无人机的相机参数，在无人机飞行过程中，根据监测到的河面的光照变化，动态调整飞行路径和相机参数，以适应不同的光照环境。
在一些实施例中，具体过程如下：
下载河网数字模型DEM，该模型为一个二维矩阵H{NxM}，其中N是河网长度方向上的像素数，M是河网宽度方向上的像素数。每个像素值Hij表示河网中第i行第j列位置的高程值。下载建筑高度和位置信息BIM，该信息为一个三维矩阵B{NxMxK}，其中N是河网长度方向上的像素数，M是河网宽度方向上的像素数，K是建筑物高度方向上的层数。每个像素值Bijk表示河网中第i行第j列位置第k层是否有建筑物存在，如果有则为1，如果没有则为0。根据太阳高度角和方位角等参数，计算每个时间段下太阳光线在河网中的入射角度和强度，并根据河网数字模型DEM和建筑高度和位置信息BIM中的数据，计算每个位置和深度上河面的光照度L{TxNxM}，其中T是时间段数。同时，考虑建筑物对光照的遮挡和反射等影响，并将其纳入光照度的计算中。
根据无人机相机的性能和要求，设定一组合适的相机参数，如曝光时间、ISO、白平衡、对焦等，并将其发送给无人机相机模块。
根据飞行路径O中的数据，规划无人机在每个时间段t的飞行路径，使其尽可能地覆盖所有优先目标，并避开所有飞行路径约束。可以利用一些路径规划算法，如遗传算法、蚁群算法等，对飞行路径进行优化，并考虑河网中的流速、流量、水位等因素对飞行路径的影响，并进行相应的补偿或修正。最终得到每个时间段t的飞行路径Pt，并将其发送给无人机飞行控制模块。
在无人机飞行过程中，实时监测河面的光照变化，并根据变化情况，动态调整飞行路径和相机参数。可以利用无人机上安装的光强传感器或者图像处理模块，对河面的光照强度进行实时测量或估计，并与预测模型进行比较。如果发现河面的光照强度与预测模型有较大偏差，则可以通过无线通信模块向云端服务器发送请求，重新计算飞行路径O和光照条件R，并更新飞行路径和相机参数。同时，如果发现河面上出现了新的问题区域或目标点，则可以将其加入到飞行路径O中，并重新规划飞行路径。如果发现河面上出现了新的障碍物或其他移动式水质检测装置，则可以将其加入到光照条件R中，并重新规划飞行路径。
将无人机拍摄到的图像和视频数据上传到云端服务器，并进行预处理，如压缩、裁剪、旋转、矫正等操作，以提高数据的质量和可用性。
利用图像和视频分析方法和深度神经网络模型，对预处理后的图像和视频数据进行处理、分析、识别和预测。可以利用一些图像和视频处理算法，如图像分割、目标检测、光流估计等，对图像和视频中的河面区域进行划分和定位，并提取出河面上的流速、流量、水色、水草等特征。同时，可以利用一些深度神经网络模型，如卷积神经网络、循环神经网络等，对河面上的特征进行时空预测和关联分析，并根据预测和分析结果，评估河网水安全状况，并生成相应的报告或预警信息。
将图像和视频分析方法和深度神经网络模型的处理、分析、识别和预测结果。该子步骤的目的是将河面上的流速、流量、水色、水草等特征，以及河面特征的时空预测和关联分析结果，作为河网水安全检测装置的运行状态和环境反馈，为后续的路径规划提供数据支持。
根据本申请的另一个方面，提供一种用于河网水安全检测装置的路径规划系统，被配置于河网水安全检测装置中，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的河网水安全检测装置路径规划方法。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
Claims (10)
1.河网水安全检测装置路径规划方法，其特征在于，包括如下步骤：
步骤S1、获取预定区域的基础数据，从基础数据中提取用于构建河网模型的信息，构建城市河网数字模型；
步骤S2、基于河网数字模型、河网水安全检测目标和固定式水质检测装置的位置，规划检测场景和检测范围，生成无人机飞行路径；
步骤S3、调用无人机沿预定路径飞行并获取河网的水质信息，判断水质是否存在问题，并基于存在问题的区域，生成移动式水质检测装置的巡航路径；
步骤S4、通过移动式水质检测装置获取预定巡航路径上的水质数据；并基于固定式水质检测装置和移动式水质检测装置的数据，获得河网水安全的水质分布；
步骤S5、基于河网水安全的水质分布，划定各个场景下的重点水质监测区域，并生成各个场景下的动态检测路径。
2.如权利要求1所述的河网水安全检测装置路径规划方法，其特征在于，步骤S1进一步为：
步骤S11、确定待研究的预定区域范围，获取数据源并解析，得到包括地理信息、河网信息、水文信息和水资源信息在内的基础数据；
步骤S12、从基础数据中提取用于构建河网模型的信息，包括河流高程、宽度、深度、长度、流量、流速和流向；
步骤S13、构建城市河网数字模型和河网水动力模型，根据河网信息和水质指标，初步模拟预定区域内河网的水动力特征和水质分布特征，获得初步模拟结果并储存。
3.如权利要求2所述的河网水安全检测装置路径规划方法，其特征在于，所述步骤S2进一步为：
步骤S21、调取河网数字模型，并基于初步模拟结果，提取重点检测区域，并固定式水质检测装置的位置对重点检测区域的范围进行优化；
步骤S22、确定河网水安全的检测目标，所述检测目标至少包括检测频率、检测精度、检测成本和水质检测参数；
步骤S23、从基础数据中获取重点检测区域附近的建筑高度和位置信息，以及河网中的障碍物信息，形成飞行路径约束集合；
步骤S24、针对检测目标，并根据重点检测区域和飞行路径约束集合，采用预配置的算法，生成可行的飞行路径。
4.如权利要求3所述的河网水安全检测装置路径规划方法，其特征在于，所述步骤S3进一步为：
步骤S31、调用无人机并配置视频装置和光谱成像装置，获取重点检测区域的图像和光谱信息，并基于预配置的反演计算模型，获取河流表层的水质参数，并通过视频数据获取河流中的障碍物和漂浮物数据；
步骤S32、基于预存储的规则，判断河网水质是否超标，并标注超标河段，形成问题区域集合；
步骤S33、针对问题区域集合，调取河网数字模型，并获取河网中相邻问题区域中间的河网水工建筑的开闭状态，生成至少一个移动式水质检测装置的巡航路径。
5.如权利要求4所述的河网水安全检测装置路径规划方法，其特征在于，所述步骤S4进步为：
步骤S41、构建并使用河网分割模块，对包括问题区域在内的河网进行分割，形成具有深度信息的河网矢量图层；
步骤S42、配置移动式水质检测装置，并在深度方向上设置至少两个检测传感器；检测传感器至少可以获取预定深度的河网水质信息；
步骤S43、基于移动式水质检测装置和固定式水质检测装置的检测数据，生成河网水质的时空序列；
步骤S44、采用预配置的时空序列处理模块，基于获取河网水质的时空序列，生成河网水安全的水质分布图。
6.如权利要求5所述的河网水安全检测装置路径规划方法，其特征在于，所述步骤S5进一步为：
步骤S51、获取河网水安全的水质分布图，并计算不合格水质参数对应的时空总体积；
步骤S52、根据时空总体积，划定每个场景下的重点水质监测区域；
步骤S53、据不同的监测目的和场景，确定重点区域的监测频率、指标和方法，并优化巡航路径和检测装置的配置；
步骤S54、根据实时监测数据和预测模型，动态调整重点区域的范围和位置，并更新巡航路径和检测方案，以适应河网水质的变化情况。
7.如权利要求6所述的河网水安全检测装置路径规划方法，其特征在于，所述步骤S33中，生成至少一个移动式水质检测装置的巡航路径的过程具体包括：
步骤S331、构建并采用改进的灰狼优化算法，根据问题区域集合，生成巡航的起点和终点，获得移动式水质检测装置的最优巡航路径；
步骤S332、获取各个移动式水质检测装置的实时位置和速度，构建并采用人工势场模块计算移动式水质检测装置受到的吸引力和排斥力，并根据这些力的合成，调整移动式水质检测装置的运动方向和速度，保证相邻移动式水质检测装置之间的间距；
步骤S333、根据领航与跟随者策略，将移动式水质检测装置分为领航者和若干跟随者，并根据预设的队形和间距，使跟随者根据领航者的位置和速度进行相应的调整，实现对河网的高精度测量。
8.如权利要求6所述的河网水安全检测装置路径规划方法，其特征在于，步骤S44还包括：
步骤S441、构建基于图卷积的时空序列处理模块；
步骤S442、获取河网水质的时空序列数据并预处理，然后通过主成分分析PCA模块或自编码器AE模块进行降维和压缩，所述时空序列数据至少包括各个断面的水质参数、水流速度和水位；
步骤S443、将时空序列数据输入到基于图卷积的时空序列处理模块中，进行水质分布的预测或估计，并输出水质分布的概率密度函数或置信区间；
步骤S444、根据输出的水质分布结果，绘制河网水安全的水质分布图，并标注不同水质等级的颜色和范围。
9.如权利要求6所述的河网水安全检测装置路径规划方法，其特征在于，所述步骤S23中，还包括：
步骤S231、基于建筑高度和位置信息，在河网数字模型中添加光照模拟模块，获取在建筑物影响下各个时间段的河面的光照度数据；
步骤S232、根据光照度数据，确定河面上光照强度大于阈值的时间段和区域，作为无人机拍摄的优先目标；并将光照强度小于阈值的时间段和区域作为飞行路径约束参数；
步骤S233、根据飞行路径和光照条件，配置无人机的相机参数，在无人机飞行过程中，根据监测到的河面的光照变化，动态调整飞行路径和相机参数，以适应不同的光照环境。
10.一种用于河网水安全检测装置的路径规划系统，被配置于河网水安全检测装置中，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1至9任一项所述的河网水安全检测装置路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410105652.5A CN117687416B (zh) | 2024-01-25 | 2024-01-25 | 河网水安全检测装置路径规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410105652.5A CN117687416B (zh) | 2024-01-25 | 2024-01-25 | 河网水安全检测装置路径规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117687416A true CN117687416A (zh) | 2024-03-12 |
| CN117687416B CN117687416B (zh) | 2024-04-12 |
Family
ID=90132300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410105652.5A Active CN117687416B (zh) | 2024-01-25 | 2024-01-25 | 河网水安全检测装置路径规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117687416B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649156A (zh) * | 2024-01-30 | 2024-03-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 高城镇化河网全自动水环境监测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113467472A (zh) * | 2021-07-27 | 2021-10-01 | 山东科技大学 | 一种复杂环境下的机器人路径规划方法 |
| CN115333678A (zh) * | 2022-10-17 | 2022-11-11 | 江西省绿时代低碳环保发展有限公司 | 一种无人船水质监测数据传输方法及系统 |
| WO2022241944A1 (zh) * | 2021-05-21 | 2022-11-24 | 武汉理工大学 | 一种海空协同水下目标追踪的路径规划系统及方法 |
| CN117053793A (zh) * | 2023-08-01 | 2023-11-14 | 武汉理工大学 | 一种基于海空跨域协同的水质监测巡检方法、装置及设备 |
| CN117236674A (zh) * | 2023-11-16 | 2023-12-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市河网水动力精准调控和水环境提升方法及系统 |
| CN117311395A (zh) * | 2023-11-30 | 2023-12-29 | 国家海洋环境监测中心 | 用于河道内污染巡检的无人机路径规划方法及系统 |
-
2024
- 2024-01-25 CN CN202410105652.5A patent/CN117687416B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022241944A1 (zh) * | 2021-05-21 | 2022-11-24 | 武汉理工大学 | 一种海空协同水下目标追踪的路径规划系统及方法 |
| CN113467472A (zh) * | 2021-07-27 | 2021-10-01 | 山东科技大学 | 一种复杂环境下的机器人路径规划方法 |
| CN115333678A (zh) * | 2022-10-17 | 2022-11-11 | 江西省绿时代低碳环保发展有限公司 | 一种无人船水质监测数据传输方法及系统 |
| CN117053793A (zh) * | 2023-08-01 | 2023-11-14 | 武汉理工大学 | 一种基于海空跨域协同的水质监测巡检方法、装置及设备 |
| CN117236674A (zh) * | 2023-11-16 | 2023-12-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市河网水动力精准调控和水环境提升方法及系统 |
| CN117311395A (zh) * | 2023-11-30 | 2023-12-29 | 国家海洋环境监测中心 | 用于河道内污染巡检的无人机路径规划方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王宏伦: "基于扰动流体动态系统的无人机三维航路规划:方法与应用", 无人系统技术, no. 01, 15 May 2018 (2018-05-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649156A (zh) * | 2024-01-30 | 2024-03-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 高城镇化河网全自动水环境监测方法及系统 |
| CN117649156B (zh) * | 2024-01-30 | 2024-04-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 高城镇化河网全自动水环境监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117687416B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111859800B (zh) | 用于pm2.5浓度分布的时空估算和预测方法 | |
| EP3534187B1 (en) | Process and system for hydrological analysis and management for river basins | |
| CN111625993B (zh) | 一种基于山区地形及降雨特征预测的小流域面雨量插值方法 | |
| CN117687416B (zh) | 河网水安全检测装置路径规划方法及系统 | |
| US11288953B2 (en) | Wildfire defender | |
| Vandaele et al. | Deep learning for automated river-level monitoring through river-camera images: an approach based on water segmentation and transfer learning | |
| CN116539004A (zh) | 一种采用无人机测绘的通信线路工程勘察设计方法与系统 | |
| CN117520718B (zh) | 一种感潮河流水文数据的处理方法及系统 | |
| US20240029547A1 (en) | Wildfire defender | |
| Turukmane et al. | Multispectral image analysis for monitoring by IoT based wireless communication using secure locations protocol and classification by deep learning techniques | |
| CN118314491A (zh) | 一种基于无人机测绘的海滩侵蚀检测和定量计算方法 | |
| Tillihal et al. | River flood monitoring and management: a review | |
| Zanella et al. | Internet of things for hydrology: Potential and challenges | |
| Sun et al. | Study on safe evacuation routes based on crowd density map of shopping mall | |
| CN114063063A (zh) | 基于合成孔径雷达和点状传感器的地质灾害监测方法 | |
| KR20220071038A (ko) | 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법 | |
| Kostyuchenko et al. | Multi-Model Approach in the Risk Assessment Tasks with Satellite Data Utilization | |
| Galaiduk et al. | Technical report: Darwin–bynoe harbours predictive mapping of benthic communities | |
| Prypeshniuk | Ocean surface visibility prediction | |
| CN118155003B (zh) | 一种基于数据分析的土地利用分类方法及系统 | |
| CN118692226B (zh) | 一种基于人工智能的洪水分析方法 | |
| Chybicki et al. | Integration techniques for data from observational systems in coastal zone and port area monitoring | |
| Rajavel et al. | Construction Progress Monitoring In Smart Cities Using Deep Alexnet | |
| Wright | Understanding and Managing Uncertainty in Geospatial Data for Tactical Decision Aids | |
| Chen et al. | Drones in 6G Network Environment Achieve Dynamic Detection of Water Environment by Collecting High-Resolution Images |
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 |