一种生态灾害物监测方法及系统

摘要

本发明涉及生态监测技术领域，本发明公开了一种生态灾害物监测方法及系统，包括：获取第一生态灾害物信息和生态灾害物长时序信息；基于生态灾害物长时序信息，对第一生态灾害物信息进行降噪预处理，获得第二生态灾害物信息；获取生态灾害物的环境信息和生长参数，根据环境信息和生长参数构建生态灾害物生长模型；基于第二生态灾害物信息和生长模型，预测生态灾害物生长速度；进行人工采样对预测的生长速度进行修正，本发明通过建立生长模型，通过当下生态灾害物信息和生态灾害物长时序信息，对生态灾害物生长情况进行预测，省时省力，不需要大量的人力物力进行现场监测，成本低；通过进行人工采样对预测的生长速度进行修正，避免阶段性误差。

权利要求

1.一种生态灾害物监测方法，其特征在于，包括：获取第一生态灾害物信息和生态灾害物长时序信息；

基于所述生态灾害物长时序信息，对所述第一生态灾害物信息进行降噪预处理，获得第二生态灾害物信息；

获取生态灾害物的环境信息和生长参数，根据所述环境信息和生长参数构建生态灾害物生长模型；

基于所述第二生态灾害物信息和生长模型，预测生态灾害物生长速度；

进行人工采样对预测的生长速度进行修正；

其中，所述第一生态灾害物信息包括生态灾害物面积、生态灾害物体积和生态灾害物生物特征信息；

所述生态灾害物长时序信息包括根据一个周期内，生态灾害物的生长随时间变化的信息；

所述环境信息包括水质、温度和光照数据；所述生长参数包括在所述环境信息中单位时间内生态灾害物生命周期和影响因素；

根据所述环境信息和生长参数构建生态灾害物生长模型包括：分别构建水质子模型和光温子模型；

所述水质子模型包括：

其中，uP为生态灾害物生长速度与水质的关系，TP为水质中的磷，TN为水质中的氮，KTN为氮的半饱和参数，KTP为磷的半饱和参数；

所述光温子模型包括：

其中，uI,L为生态灾害物生长速度与光照和温度的关系，I为光照强度，L为温度，μmax为最大生长速率，Ik为饱和光强，Lopt是最佳生长温度，Lm为最佳生长温度与最低生长温度的差值；

所述生长模型包括：

其中，y表示生态灾害物生长率，uP为生态灾害物生长速度与水质的关系，uI,L为生态灾害物生长速度与光照和温度的关系，μmax为最大生长速率；λ为生态灾害物死亡率；γ为动物对生态灾害物的捕食率；N0为生态灾害物初始数量；t为时间；Nt为时间t时的生态灾害物数量。

2.根据权利要求1所述的生态灾害物监测方法，其特征在于：对所述第一生态灾害物信息进行降噪预处理，包括：计算第一生态灾害物信息的平均值、残余误差以及标准差：其中，表示第一生态灾害物信息的平均值，i为第一生态灾害物信息x的编号，其范围为(1，k),vi为第i个第一生态灾害物信息的残余误差；

若：

|vi|≥go(n,α)σ

则去除xi，其中，g0(n,α)表示显著度为α时的统计量临界值。

3.根据权利要求1所述的生态灾害物监测方法，其特征在于，所述进行人工采样对预测的生长速度进行修正包括：选取采样区域；

对所述采样区域中各生态灾害物进行测量，得到生长结果的实测值；

确定初始生长模型中各参数的阈值，选取初估值；

将所述采样区域中各生态灾害物输入构建的初始生长模型中，生成生长结果的计算值；

根据生长结果的实测值和生长结果的计算值，基于采样次数，修正所述初始生长模型各参数的阈值，得到修正后的生长模型。

4.根据权利要求3所述的生态灾害物监测方法，其特征在于，利用以下修正函数修正所述初始生长模型各参数的阈值：其中，f(x)表示修正函数，j为采样时间t的编号，其范围为(1，n),ca(tj)表示计算值，ca(tj)′表示实测值。

5.一种生态灾害物监测系统，其特征在于：所述系统利用如权利要求1‑4任意一项所述的方法监测生态灾害物。

说明书

一种生态灾害物监测方法及系统

技术领域

[0001] 本发明涉及生态监测技术领域，具体为一种生态灾害物监测方法及系统。

背景技术

[0002] 生态灾害物很容易死亡或被动物吃掉，所以一旦有合适的条件，它们就会以较快的速度不停地繁殖。大量繁殖的藻华生物不仅会堵塞鱼类等生物呼吸系统，致其死亡，而且会遮蔽射入水体的阳光，使固着在水底的其他藻类因缺少阳光而死去；有的藻生物还会释放毒素，并在鱼和贝类中积累，水鸟或人类在摄食这些鱼和贝类之后便会中毒；藻华生物本身死亡之后还会腐烂分解，从而大量消耗水中的氧气，致使爆发水域失去生机。

[0003] 由于全球气候变化、水体富营养化等原因，生态灾害物灾害频发，不仅影响湖泊生态系统，生态灾害物爆发还会严重影响景观，干扰旅游观光和水上运动的进行，这正是人们想要竭力消除的最大不利影响，造成了严重的社会影响和经济损失，监测是防止水面生态灾害物灾害的重要方法。现有技术中，主要采用人工或者光学遥感进行定期的巡查监测，但是人力巡查成本过高，劳动强度大，光学遥感数据分析量大，在多云多雨的季节受限，所以现有技术中定期更新生态灾害物的生长情况，需要大量的人力物力监测。

发明内容

[0004] （一）发明目的

[0005] 本发明的目的是提供一种低成本，无需大量人力物力的生态灾害物监测方法和系统。

[0006] （二）技术方案

[0007] 为解决上述问题，本发明的第一方面提供了一种生态灾害物监测方法，包括：

[0008] 获取第一生态灾害物信息和生态灾害物长时序信息；

[0009] 基于所述生态灾害物长时序信息，对所述第一生态灾害物信息进行降噪预处理，获得第二生态灾害物信息；

[0010] 获取生态灾害物的环境信息和生长参数，根据所述环境信息和生长参数构建生态灾害物生长模型；

[0011] 基于所述第二生态灾害物信息和生长模型，预测生态灾害物生长速度；

[0012] 进行人工采样对预测的生长速度进行修正。

[0013] 本发明的另一方面，优选地，获取第一生态灾害物信息包括生态灾害物面积、生态灾害物体积和生态灾害物生物特征信息。

[0014] 本发明的另一方面，优选地，对所述第一生态灾害物信息进行降噪预处理，包括：

[0015] 计算第一生态灾害物信息的平均值、残余误差以及标准差：

[0016]

[0017]

[0018]

[0019] 其中，表示第一生态灾害物信息的平均值，i为第一生态灾害物信息x的编号，其范围为（1，k）,vi为第i个第一生态灾害物信息的剩余误差；

[0020] 若：

[0021]

[0022] 则去除xi，其中，g0(n,α)表示显著度为α时的统计量临界值。

[0023] 本发明的另一方面，优选地，所述生长模型包括：所述环境信息包括水质、温度和光照数据；所述生长参数包括在所述环境信息中单位时间内生态灾害物生命周期和影响因素；根据所述环境信息和生长参数构建生态灾害物生长模型包括：分别构建水质子模型和光温子模型。

[0024] 本发明的另一方面，优选地，所述水质子模型包括：

[0025]

[0026] 其中，uP为生态灾害物生长速度与水质的关系，TP为水质中的磷，TN为水质中的氮，KTN为氮的半饱和参数，KTP为磷的半饱和参数。

[0027] 本发明的另一方面，优选地，所述光温子模型包括：

[0028]

[0029] 其中，uI,L为生态灾害物生长速度与光照和温度的关系，I为光照强度，L为温度，μmax为最大生长速率，Ik为饱和光强，Lopt是最佳生长温度，L是生态灾害物生长温度，Lm为最佳生长温度与最低生长温度的差值。

[0030] 本发明的另一方面，优选地，所述生长模型包括：

[0031]

[0032] 其中，y表示生态灾害物生长率，uP为生态灾害物生长速度与水质的关系，uI,L为生态灾害物生长速度与光照和温度的关系，μmax为最大生长速率；λ为生态灾害物死亡率； 为动物对生态灾害物的捕食率；N0为生态灾害物初始数量；Nmax为最大生态灾害物数量；t为时间；Nt为时间t时的生态灾害物数量。

[0033] 本发明的另一方面，优选地，所述进行人工采样对预测的生长速度进行修正包括：

[0034] 选取采样区域；

[0035] 对所述采样区域中各生态灾害物进行测量，得到生长结果的实测值；

[0036] 确定初始生长模型中各参数的阈值，选取初估值；

[0037] 将所述采样区域中各生态灾害物输入构建的初始生长模型中，生成生长结果的计算值；

[0038] 根据生长结果的实测值和生长结果的计算值，基于采样次数，修正所述初始生长模型各参数的阈值，得到修正后的生长模型。

[0039] 本发明的另一方面，优选地，利用以下修正函数修正所述初始生长模型各参数的阈值：

[0040]

[0041] 其中， 表示修正函数，j为采样时间t的编号，其范围为（1，n）, 表示计算值， 表示实测值。

[0042] 本发明的另一方面，优选地，一种生态灾害物监测系统，包括：

[0043] 数据模块，获取第一生态灾害物信息和生态灾害物长时序信息；

[0044] 预处理模块，基于所述生态灾害物长时序信息，对所述第一生态灾害物信息进行降噪预处理，获得第二生态灾害物信息；

[0045] 计算模块，获取生态灾害物的环境信息和生长参数，根据所述环境信息和生长参数构建生态灾害物生长模型；基于所述第二生态灾害物信息和生长模型，预测生态灾害物生长速度；

[0046] 修正模块，进行人工采样对预测的生长速度进行修正。

[0047] （三）有益效果

[0048] 本发明的上述技术方案具有如下有益的技术效果：

[0049] 本发明通过建立生长模型，通过当下生态灾害物信息和生态灾害物长时序信息，对生态灾害物生长情况进行预测，并对当下的信息进行了预处理，避免重大误差，省时省力，不需要大量的人力物力进行现场监测，成本低；同时，通过进行人工采样对预测的生长速度进行修正，避免阶段性误差。

附图说明

[0050] 图1是本发明一个实施例的整体流程图。

具体实施方式

[0051] 为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

[0052] 实施例一

[0053] 一种生态灾害物监测方法，如图1所示，包括：

[0054] 获取第一生态灾害物信息和生态灾害物长时序信息；此处不限定获取的第一生态灾害物信息的具体内容，可以是生态灾害物的种类，具体生物数量等，也可以是生态灾害物的面积、体积等，可选的，本实施例中，获取第一生态灾害物信息的具体内容包括生态灾害物面积、生态灾害物体积和生态灾害物生物特征信息，此处不限定获取信息的具体方式和途径，可选的，可以是根据无人机进行拍摄的图像，可以通过人工实验获取，本实施例中，可选的，生态灾害物的体积信息通过雷达获取、生态灾害物的面积信息通过可见光获取、生态灾害物生物特征信息通过高光谱获取；生物特征信息包括生态灾害物的种类，具体的生物量等；此处不限定生态灾害物长时序信息的具体内容，可选的，可以是生态灾害物的生长周期、生态灾害物的生长温度等，本实施例中，可选的，生态灾害物长时序信息的主要内容是根据一个周期内，如一年内，生态灾害物的生长随时间变化的信息，可以从水文馆等系列途径获得的信息，也可以是依据之前的监测获得的信息。

[0055] 基于所述生态灾害物长时序信息，对所述第一生态灾害物信息进行降噪预处理，获得第二生态灾害物信息；信息预处理的主要目的是为了去除较大的误差，此处不限定基于生态灾害物长时序信息的具体内容，可选的，本实施例中，可以是生态灾害物上一个周期中不可能出现的内容，比如一个时间段内生长的体积变化不符合生态灾害物的生长规律，此处就要对该数据进行降噪，因为超过生长规律范围的体积变化可能是漂浮的垃圾引起的，所以对获取的第一生态灾害物信息进行降噪是非常必要的，它会对最后的结果产生干扰，影响最后预测结果的准确性，去除了粗大误差，能降数据精确度大幅度提高。此处不限定数据降噪的处理方法，也不限定选取的处理方法的数量，可以是选择一种，也可以是选择两种，可选的采用分布图法、拉伊达法则、格拉布斯准则来进行粗大误差处理，本实施例中，剔除粗大误差具体实现方式为：

[0056] 假设某个节点时间单位内的第一生态灾害物信息数据分别为x1，x2，x3，x4，…，xi，…，xk,计算第一生态灾害物信息的平均值、残余误差以及标准差：

[0057]

[0058]

[0059]

[0060] 其中，表示第一生态灾害物信息的平均值，i为第一生态灾害物信息x的编号，其范围为（1，k）,vi为第i个第一生态灾害物信息的剩余误差；

[0061] 若：

[0062]

[0063] 则去除xi，其中，g0(n,α)表示显著度为α时的统计量临界值；其中，临界值g0(n,α),即p[g≥g0(n,α)]=α，为了提高精度，显著水平α一般取0.05或0.01，即置信度是94%或者98%，此处选择的置信度是94%，α取0.05；

[0064] 重复上面的过程直到所有数据满足要求为止；此方法剔除粗大误差的准确性较高，计算简单。

[0065] 获取生态灾害物的环境信息和生长参数，根据所述环境信息和生长参数构建生态灾害物生长模型；此处不限定生长模型的具体内容，获取环境信息、获取生长参数；此处不限定获取的环境信息和生长参数的具体内容，可选的，生长参数包括在所述环境信息中单位时间内生态灾害物生命周期和影响因素；基于生态灾害物长时序信息，设定生态灾害物死亡率、生态灾害物最大生长速率、生态灾害物对磷、氮的吸收的半饱和参数、动物对生态灾害物的捕食率、生态灾害物生长最佳温度和最低生长温度、生态灾害物生长饱和光强，进一步，可选的，这些数据均设置有阈值，本实施例中获取环境信息，包括获取水质、温度、光照数据；基于所述水质、温度、光照数据，分别构建水质子模型、光温子模型，此处不限定水质子模型、光温子模型的具体内容，可选的，本实施例中，构建水质子模型为依据水质历史数据，为了识别关键水环境营养物,首先需要利用机器学习算法构建水质参数与水环境营养物的相关模式,即构建水质子模型，本实施例中采用梯度增强迭代决策树算法构建水质子模型，梯度增强迭代决策树算法是一种有监督分类的算法,这类算法能从已知水环境营养物的水质数据集合中学习水质参数和水环境营养物的经验关系,以水质参数为自变量,水环境营养物为因变量,构建自变量和因变量之间的关联规则。具体内容为：

[0066] 以分类与回归树模型为基分类器，针对每一个任务构建若干数量的子回归树，采用梯度增强为学习策略进行训练；在构建新的回归树模型时，采用现存的回归树模型的拟合残差梯度值作为学习目标，输出结果为所有的子回归树输出预测值的累加结果，也就是说水质子模型会以回归树模型的原始结果为基础，并构建结果调整机制提升准确率，以实现更加优秀的模型性能。对于本实施例中涉及的水质子模型中的多种水环境营养物任务,梯度增强迭代决策树算法采用一对多的处理策略,如将磷、氮等水质类别标签划分为磷类水和非磷类水、氮类水和非氮类水等多个二分类,并分别同步构建模型,最后通过多个模型的输出结果综合判断水质子模型。水质数据集合被划分为训练集70% 和验证集30%  ,其中训练集被用于模型构建,验证集被用于模型的泛化性能验证。在模型构建过程中,采用 Hyperopt在十折交叉验证下进行超参数调优,即将训练集随机分为10份,进行10次模型构建,每次构建都取1份作为该次模型构建的验证数据计算准确率,并将交叉验证准确率的均值作为超参数调优算法的评价依据。在完成模型训练后,将测试集数据作为模型输入,预测每一条水质监测记录的水环境营养物,并与真实值进行比较,计算模型的测试准确率；

[0067] 在完成水质评价模型构建后,计算特征重要性,以此作为关键水质参数的识别依据。 本实施例采用基于模型交叉验证性能的递归特征消除算法进行关键水质参数的识别。递归特征消除算法是一种向后选择的特征筛选方法,会进行多次模型构建。 在每轮的模型构建中,依次遍历所有特征,将该特征剔除后,再将剩余的特征输入模型,计算该特征子集交叉验证的准确率,选择模型性能最好的特征子集进行下一轮消除,直到仅剩一个特征后停止消除。特征被消除的先后顺序便是特征的重要性排序。 采用该方法进行关键水环境营养物的识别,可以从水质评价效果的角度出发,判断水环境营养物对生态灾害物的影响。

[0068] 具体内容可用公式表示为：

[0069]

[0070] 其中，uP为生态灾害物生长速度与水质的关系，TP为水质中的磷，TN为水质中的氮，KTN为氮的半饱和参数，KTP为磷的半饱和参数。

[0071] 进一步的，从不同光强、温度条件下生态灾害物的生长过程主要分为3个阶段: 适应期、指数增长期和衰亡期; 在不同水质条件下，生态灾害物在指数增长期内均呈现出明显的指数生长趋势; 在光照实验下，生态灾害物的指数增长期相比温度实验下的指数增长期略短，且不同水质下生态灾害物增长较缓慢; 高光强下生态灾害物指数增长期短于低光强; 当水质营养盐浓度越高时，生态灾害物密度越大，细胞数量增长较为缓慢． 随着温度和光照强度的升高，最大密度逐渐增大，随后，温度和光强的增高则会抑制水华鱼腥藻的生长；因此，构建光温子模型，光温子模型包括：

[0072]

[0073] 其中，uI,L为生态灾害物生长速度与光照和温度的关系，I为光照强度，L为温度，μmax为最大生长速率，Ik为饱和光强，Lopt是最佳生长温度，L是生态灾害物生长温度，Lm为最佳生长温度与最低生长温度的差值。

[0074] 进一步，将水温、光照、氮浓度、磷浓度、动物因素以及自然死亡等因素考虑进生长模型，生长模型包括：

[0075]

[0076] 其中，y表示生态灾害物生长率，uP为生态灾害物生长速度与水质的关系，uI,L为生态灾害物生长速度与光照和温度的关系，μmax为最大生长速率；λ为生态灾害物死亡率； 为动物对生态灾害物的捕食率；N0为生态灾害物初始数量；Nmax为最大生态灾害物数量；t为时间；Nt为时间t时的生态灾害物数量；

[0077] 基于第二生态灾害物信息和生长模型，预测生态灾害物生长速度；此处生长速度可以表现为生态灾害物的体积、面积或者数量上的变化，包括：

[0078] 其中，Q为预测的生态灾害物生长速度，q为第二生态灾害物信息，y表示生态灾害物生长率。

[0079] 进行人工采样对预测的生长速度进行修正，包括：

[0080] 选取采样区域；

[0081] 对所述采样区域中各生态灾害物进行测量，得到生长结果的实测值；

[0082] 确定初始生长模型中各参数的阈值，选取初估值；

[0083] 将所述采样区域中各生态灾害物输入构建的初始生长模型中，生成生长结果的计算值；

[0084] 根据生长结果的实测值和生长结果的计算值，基于采样次数，修正所述初始生长模型各参数的阈值，得到修正后的生长模型。

[0085] 利用以下修正函数修正所述初始生长模型各参数的阈值：

[0086]

[0087] 其中， 表示修正函数，j为采样时间t的编号，其范围为（1，n）, 表示计算值， 表示实测值。

[0088] 本实施例建立生长模型对生态灾害物的生长速度进行预测，利用历史数据和当前信息，结合人工采样数据对模型中设计的参数进行多参数估计和修正，能较好的描述生态灾害物的生长过程中的影响因素和变化规律，为生态灾害物灾害情况提供预警，减少日常巡查的人力物力，高效防灾害。

[0089] 实施例二

[0090] 一种生态灾害物监测系统，包括：

[0091] 数据模块，用于获取第一生态灾害物信息和生态灾害物长时序信息；此处不限定获取的第一生态灾害物信息的具体内容，可以是生态灾害物的种类，具体生物数量等，也可以是生态灾害物的面积、体积等，可选的，本实施例中，获取第一生态灾害物信息的具体内容包括生态灾害物面积、生态灾害物体积和生态灾害物生物特征信息，此处不限定获取信息的具体方式和途径，可选的，可以是根据无人机进行拍摄的图像，可以通过人工实验获取，本实施例中，可选的，生态灾害物的体积信息通过雷达获取、生态灾害物的面积信息通过可见光获取、生态灾害物生物特征信息通过高光谱获取；生物特征信息包括生态灾害物的种类，具体的生物量等；此处不限定生态灾害物长时序信息的具体内容，可选的，可以是生态灾害物的生长周期、生态灾害物的生长温度等，本实施例中，可选的，生态灾害物长时序信息的主要内容是根据一个周期内，如一年内，生态灾害物的生长随时间变化的信息，可以从水文馆等系列途径获得的信息，也可以是依据之前的监测获得的信息。

[0092] 预处理模块，基于生态灾害物长时序信息，对第一生态灾害物信息进行降噪预处理，获得第二生态灾害物信息；信息预处理的主要目的是为了去除较大的误差，此处不限定基于生态灾害物长时序信息的具体内容，可选的，本实施例中，可以是生态灾害物上一个周期中不可能出现的内容，比如一个时间段内生长的体积变化不符合生态灾害物的生长规律，此处就要对该数据进行降噪，因为超过生长规律范围的体积变化可能是漂浮的垃圾引起的，所以对获取的第一生态灾害物信息进行降噪是非常必要的，它会对最后的结果产生干扰，影响最后预测结果的准确性，去除了粗大误差，能降数据精确度大幅度提高。此处不限定数据降噪的处理方法，也不限定选取的处理方法的数量，可以是选择一种，也可以是选择两种，可选的采用分布图法、拉伊达法则、格拉布斯准则来进行粗大误差处理，本实施例中，剔除粗大误差，具体实现方式为：

[0093] 假设某个节点时间单位内的第一生态灾害物信息数据分别为x1，x2，x3，x4，…，xi，…，xk,计算第一生态灾害物信息的平均值、残余误差以及标准差：

[0094]

[0095]

[0096]

[0097] 其中，表示第一生态灾害物信息的平均值，i为第一生态灾害物信息x的编号，其范围为（1，k）,vi为第i个第一生态灾害物信息的剩余误差；

[0098] 若：

[0099]

[0100] 则去除xi，其中，g0(n,α)表示显著度为α时的统计量临界值；其中，临界值g0(n,α),即p[g≥g0(n,α)]=α，为了提高精度，显著水平α一般取0.05或0.01，即置信度是94%或者98%，此处选择的置信度是94%，α取0.05；

[0101] 重复上面的过程直到所有数据满足要求为止；此方法剔除粗大误差的准确性较高，计算简单。

[0102] 计算模块，获取生态灾害物的环境信息和生长参数，根据所述环境信息和生长参数构建生态灾害物生长模型；基于所述第二生态灾害物信息和生长模型，预测生态灾害物生长速度；此处不限定获取的环境信息和生长参数的具体内容，可选的，获取生长参数，基于生态灾害物长时序信息，设定生态灾害物死亡率、生态灾害物最大生长速率、生态灾害物对磷、氮的吸收的半饱和参数、动物对生态灾害物的捕食率、生态灾害物生长最佳温度和最低生长温度、生态灾害物生长饱和光强，进一步，可选的，这些数据均设置有阈值，本实施例中获取环境信息，包括获取水质、温度、光照数据；基于所述水质、温度、光照数据，分别构建水质子模型、光温子模型，此处不限定水质子模型、光温子模型的具体内容，可选的，本实施例中，构建水质子模型为依据水质历史数据，为了识别关键水环境营养物,首先需要利用机器学习算法构建水质参数与水环境营养物的相关模式,即构建水质子模型，本实施例中采用梯度增强迭代决策树算法构建水质子模型，梯度增强迭代决策树算法是一种有监督分类的算法,这类算法能从已知水环境营养物的水质数据集合中学习水质参数和水环境营养物的经验关系,以水质参数为自变量,水环境营养物为因变量,构建自变量和因变量之间的关联规则。具体内容为：

[0103] 以分类与回归树模型为基分类器，针对每一个任务构建若干数量的子回归树，采用梯度增强为学习策略进行训练；在构建新的回归树模型时，采用现存的回归树模型的拟合残差梯度值作为学习目标，输出结果为所有的子回归树输出预测值的累加结果，也就是说水质子模型会以回归树模型的原始结果为基础，并构建结果调整机制提升准确率，以实现更加优秀的模型性能。对于本实施例中涉及的水质子模型中的多种水环境营养物任务,梯度增强迭代决策树算法采用一对多的处理策略,如将磷、氮等水质类别标签划分为磷类水和非磷类水、氮类水和非氮类水等多个二分类,并分别同步构建模型,最后通过多个模型的输出结果综合判断水质子模型。水质数据集合被划分为训练集70% 和验证集30%  ,其中训练集被用于模型构建,验证集被用于模型的泛化性能验证。在模型构建过程中,采用 Hyperopt在十折交叉验证下进行超参数调优,即将训练集随机分为10份,进行10次模型构建,每次构建都取1份作为该次模型构建的验证数据计算准确率,并将交叉验证准确率的均值作为超参数调优算法的评价依据。在完成模型训练后,将测试集数据作为模型输入,预测每一条水质监测记录的水环境营养物,并与真实值进行比较,计算模型的测试准确率；

[0104] 在完成水质评价模型构建后,计算特征重要性,以此作为关键水质参数的识别依据。 本实施例采用基于模型交叉验证性能的递归特征消除算法进行关键水质参数的识别。递归特征消除算法是一种向后选择的特征筛选方法,会进行多次模型构建。 在每轮的模型构建中,依次遍历所有特征,将该特征剔除后,再将剩余的特征输入模型,计算该特征子集交叉验证的准确率,选择模型性能最好的特征子集进行下一轮消除,直到仅剩一个特征后停止消除。特征被消除的先后顺序便是特征的重要性排序。 采用该方法进行关键水环境营养物的识别,可以从水质评价效果的角度出发,判断水环境营养物对生态灾害物的影响。

[0105] 包括：

[0106]

[0107] 其中，uP为生态灾害物生长速度与水质的关系，TP为水质中的磷，TN为水质中的氮，KTN为氮的半饱和参数，KTP为磷的半饱和参数。

[0108] 进一步的，从不同光强、温度条件下生态灾害物的生长过程主要分为3个阶段: 适应期、指数增长期和衰亡期; 在不同水质条件下，生态灾害物在指数增长期内均呈现出明显的指数生长趋势; 在光照实验下，生态灾害物的指数增长期相比温度实验下的指数增长期略短，且不同水质下生态灾害物增长较缓慢; 高光强下生态灾害物指数增长期短于低光强; 当水质营养盐浓度越高时，生态灾害物密度越大，细胞数量增长较为缓慢． 随着温度和光照强度的升高，最大密度逐渐增大，随后，温度和光强的增高则会抑制水华鱼腥藻的生长；因此，构建光温子模型，光温子模型包括：

[0109]

[0110] 其中，uI,L为生态灾害物生长速度与光照和温度的关系，I为光照强度，L为温度，μmax为最大生长速率，Ik为饱和光强，Lopt是最佳生长温度，L是生态灾害物生长温度，Lm为最佳生长温度与最低生长温度的差值。

[0111] 进一步，将水温、光照、氮浓度、磷浓度、动物因素以及自然死亡等因素考虑进生长模型，生长模型包括：

[0112]

[0113] 其中，y表示生态灾害物生长率，uP为生态灾害物生长速度与水质的关系，uI,L为生态灾害物生长速度与光照和温度的关系，μmax为最大生长速率；λ为生态灾害物死亡率； 为动物对生态灾害物的捕食率；N0为生态灾害物初始数量；Nmax为最大生态灾害物数量；t为时间；Nt为时间t时的生态灾害物数量；

[0114] 基于第二生态灾害物信息和生长模型，预测生态灾害物生长速度；此处生长速度可以表现为生态灾害物的体积、面积或者数量上的变化，包括：

[0115] 其中，Q为预测的生态灾害物生长速度，q为第二生态灾害物信息，y表示生态灾害物生长率。

[0116] 修正模块，进行人工采样对预测的生长速度进行修正，包括：

[0117] 选取采样区域；

[0118] 对所述采样区域中各生态灾害物进行测量，得到生长结果的实测值；

[0119] 确定初始生长模型中各参数的阈值，选取初估值；

[0120] 将所述采样区域中各生态灾害物输入构建的初始生长模型中，生成生长结果的计算值；

[0121] 根据生长结果的实测值和生长结果的计算值，基于采样次数，修正所述初始生长模型各参数的阈值，得到修正后的生长模型。

[0122] 利用以下修正函数修正所述初始生长模型各参数的阈值：

[0123]

[0124] 其中， 表示修正函数，j为采样时间t的编号，其范围为（1，n）, 表示计算值， 表示实测值。

[0125] 本实施例通过建立生长模型，通过当下生态灾害物信息和生态灾害物长时序信息，对生态灾害物生长情况进行预测，并对当下的信息进行了预处理，避免重大误差，省时省力，不需要大量的人力物力进行现场监测，成本低；同时，通过进行人工采样对预测的生长速度进行修正，避免阶段性误差。

[0126] 以上参照本发明的实施例对本发明予以了说明。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本发明的范围。本发明的范围由所附权利要求及其等价物限定。不脱离本发明的范围，本领域技术人员可以做出多种替换和修改，这些替换和修改都应落在本发明的范围之内。

[0127] 尽管已经详细描述了本发明的实施方式，但是应该理解的是，在不偏离本发明的精神和范围的情况下，可以对本发明的实施方式做出各种改变、替换和变更。

[0128] 显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。