一种养殖水环境预警调控方法、装置及系统

摘要

本发明涉及养殖水环境调控领域，尤其涉及一种养殖水环境预警调控方法、装置及系统。所述养殖水环境预警调控方法包括：获取特定养殖水环境区域的高光谱图像；根据所述高光谱图像在所述特定养殖水环境区域中选取采样点，以及在所述采样点上测得第一水质参数；利用所述高光谱图像和所述第一水质参数对所述特定养殖水环境区域的第二水质参数进行反演；根据反演的结果对水质已经恶化的特定养殖水环境区域提出预警。本发明利用无人机高光谱遥感技术通过高光谱图像反演水质参数，并结合常规方法对水质参数进行采样，为养殖水环境水质监测和养殖水环境调控开辟了新的途径，同时也有利于淡水渔业养殖水环境的保护。

说明书

本申请要求于2020年12月23日提交中国专利局、申请号为202011534129.2、发明名称为“一种养殖水环境预警调控方法、装置及系统”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。

技术领域

本发明涉及养殖水环境调控领域，尤其涉及一种养殖水环境预警调控方法、装置及系统

背景技术

2018年的水产品养殖总产量超过5000万吨，占我国水产品养殖总产量的78％以上。然而，目前淡水养殖产业也面临诸多问题和挑战。比如养殖形式主要是以散户连片式养殖为主，且存在养殖模式较为粗放、养殖密度过高等问题，其结果一方面造成养殖池塘水质恶化，引起养殖对象疾病频发；另一方面大量残余的饵料、水生动物的排泄物未经处理直接被排放到天然水域中，使养殖区域及周边水体富营养化日趋加剧，给生态环境造成了巨大压力，并成为制约淡水养殖业健康可持续发展的重要限制性因素。因此，对池塘水环境及时精准调控显得尤为重要，也越来越引起养殖户的重视。

此外，水环境控制不好，极易造成氮、磷、藻类、有机物等有毒有害物的积累，最终导致养殖对象的品质和产量下降，进一步造成严重的经济损失。而要做好水质调控，必须先要了解水环境的各类参数，其主要包括氨氮、硝态氮、优势藻类、微生物数量、悬浮物、总氮和总磷等指标，调控好这些参数是获得较大经济效益和环境效益的关键。目前，针对于我国小规模而分散式的养殖水环境区域采取的仍是常规的水质监测方法，即对特定养殖水环境区域定期、定点进行长年累月的采样及水质监测，这种方法受人力、物力、时间及天气的限制，采集的数据量不可能太多；而且其具有成本高、速度慢等缺陷；并且对于整个养殖水环境区域而言，这些测点数据只具有局部和典型的代表意义，难以获得大范围淡水养殖水环境区域的水质参数分布和变化情况，不能满足对该养殖水环境区域的水质大尺度、实时的监测要求。因此，迫切需求一种实时、快速监测养殖水环境区域的水质动态变化并采取相应调控方法的有效手段。

发明内容

鉴于上述现有技术的不足，本申请的目的在于提供一种养殖水环境预警调控方法、装置及系统，旨在解决现有技术中所存在的至少一个问题。

第一方面，本发明提供的一种养殖水环境预警调控方法包括：获取特定养殖水环境区域的高光谱图像；根据所述高光谱图像在所述特定养殖水环境区域中选取采样点，以及在所述采样点上测得第一水质参数；利用所述高光谱图像和所述第一水质参数对所述特定养殖水环境区域的第二水质参数进行反演；根据反演的结果对水质已经恶化的特定养殖水环境区域提出预警。无人机高光谱遥感技术具有监测范围广、速度快、成本低的特点，更具备长期、动态监测养殖池塘水环境的优势；本发明利用无人机高光谱遥感技术获取高光谱图像进而反演水质参数，并结合常规方法对水质参数进行采样，不仅能极大地提高监测效率降低监测成本，又可以反映常规方法难以揭示的污染源和污染物迁徙等特征，为养殖水环境区域的水质监测和调控开辟了新的途径，同时也有利于淡水渔业养殖水环境区域的保护。

可选地，所述获取特定养殖水环境区域的高光谱图像包括：提供一航拍设备，所述航拍设备包括无人机以及搭载于所述无人机上的光谱仪；待所述无人机飞抵所述特定养殖水环境区域上空后，控制所述光谱仪获取所述特定养殖水环境区域的所述高光谱图像。本发明通过采用市面上已有的无人机和光谱仪即可完成对高光谱图像的获取，其优点在于技术成熟易于实现。

可选地，所述养殖水环境预警调控方法还包括：对已经获取的所述高光谱图像进行预处理。本发明通过对高光谱图像进行预处理更有利于提升后续对第二水质参数反演度的精度，进一步保证及时准确预警。

可选地，所述对已经获取的所述高光谱图像进行预处理包括：对所述高光谱图像执行镜头校正；对所述高光谱图像执行黑白帧校正；以及对所述高光谱图像执行大气校正。通过执行镜头校正可以修正光谱仪因内置推扫而导致的影像内部畸变对拼接的影响；通过执行黑白帧校正可以降低光谱仪的系统误差；通过执行大气校正可以消除高光谱图像因大气、水汽等因素的影响。

可选地，所述利用所述高光谱图像和所述第一水质参数对所述特定养殖水环境区域的第二水质参数进行反演包括：提取与所述采样点所对应的所述高光谱图像中各个波段的反射率值；根据所述反射率值对至少一个所述波段相对应的第一水质参数进行相关性统计；将相关性统计的结果利用BP模型、RBF神经网络模型和SVM模型的一种或多种完成所述第二水质参数的反演。本发明采用机器学习技术，选取最佳水质参数反演模型，为第二水质参数的反演提供依据。

可选地，所述养殖水环境预警调控方法还包括：根据所述第一水质参数和所述第二水质参数研判特定养殖水环境区域中水质的变化趋势。本发明通过对特定养殖水环境区域中水质的变化趋势进行研判，可以及时发现水质可能存在恶化等情况，为后续及时处置奠定基础。

可选地，所述养殖水环境预警调控方法还包括：根据所述变化趋势对所述特定养殖水环境区域的水质进行调控。本发明可以起到预警调控作用，即能够及时提示养殖户对较差水质的养殖塘等进行水环境调控，及时改善养殖水环境，有效降低了养殖风险，有效避免了蓝绿藻爆发等严重后果。

可选地，所述第一水质参数包括TN、氨氮、亚硝态氮、TP、DP、叶绿素a、优势藻类、悬浮物、透明度、PH、DO及微生物数量的一种或多种；所述第二水质参数包括TN、氨氮、硝氮、亚硝态氮、TP、DP、叶绿素、悬浮物和透明度的一种或多种。本发明通过对水质中的多种参数进行采集和反演可以极大提高数据的准确性，尽可能避免误判的发生。

第二方面，本发明提供的一种养殖水环境预警调控装置包括：处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如本发明第一方面中所述的养殖水环境预警调控方法的步骤。本发明所示出的养殖水环境预警调控装置通过高光谱图像反演水质参数，并结合常规方法对水质参数进行采样，不仅能极大地提高监测效率降低监测成本，又可以反映常规方法难以揭示的污染源和污染物迁徙特征，为养殖水环境水质监测和养殖水环境调控开辟了新的途径，同时也有利于淡水渔业养殖水环境的保护。

第二方面，本发明提供的一种养殖水环境预警调控系统包括：养殖水环境预警调控装置以及航拍设备，所述航拍设备与所述养殖水环境预警调控装置通信连接，所述养殖水环境预警调控装置执行如本发明第一方面中所述的养殖水环境预警调控方法的步骤。本发明所提出的养殖水环境预警调控系统具有系统组成简单，易于实现等优点。

附图说明

图1为本发明实施例养殖水环境预警调控方法的流程图；

图2A为本发明实施例未经过镜头校正的高光谱图像；

图2B为本发明实施例经过镜头校正后的高光谱图像；

图2C为本发明实施例未经过镜头校正的高光谱图像的DN值曲线；

图2D为本发明实施例经过镜头校正后的高光谱图像的DN值曲线；

图3A为本发明实施例未经过黑白帧校正的高光谱图像的DN值曲线；

图3B为本发明实施例参考板的DN值曲线；

图3C为本发明实施例暗背景的DN值曲线；

图3D为本发明实施例过黑白帧校正后的相对反射率值曲线；

图4为本发明实施例植物在大气校正前后的光谱曲线；

图5A为本发明实施例几何精校正前的高光谱图像；

图5B为本发明实施例几何精校正后的高光谱图像；

图6A为本发明实施例第一架次无人机拍摄的多个高光谱图像的拼接结果图；

图6B为本发明实施例第二架次无人机拍摄的多个高光谱图像的拼接结果图；

图7A为本发明实施例10个采样点分布情况示意图一；

图7B为本发明实施例10个采样点分布情况示意图二；

图7C为本发明实施例杨港村、卢家庄、青虾和鲈鱼池塘采样点光谱反射率曲线；

图8为本发明实施例各采样点第一水质参数与反射率的相关系数曲线；

图9A为本发明实施例总氮与各波段比值的相关系数分布图；

图9B为本发明实施例总磷与各波段比值的相关系数分布图；

图9C为本发明实施例叶绿素a与各波段比值的相关系数分布图；

图9D为本发明实施例高锰酸钾指数与各波段比值的相关系数分布图；

图10A为本发明实施例总氮与比值指数之间的一元线性回归方程；

图10B为本发明实施例总磷与比值指数之间的一元线性回归方程；

图10C为本发明实施例叶绿素a与比值指数之间的一元线性回归方程；

图10D为本发明实施例高锰酸钾指数与比值指数之间的一元线性回归方程；

图11A为本发明实施例第一架次总氮反演示意图；

图11B为本发明实施例第一架次总磷反演示意图；

图11C为本发明实施例第一架次叶绿素a反演示意图；

图11D为本发明实施例第一架次高锰酸钾指数反演示意图；

图12A为本发明实施例第二架次总氮反演示意图；

图12B为本发明实施例第二架次总磷反演示意图；

图12C为本发明实施例第二架次叶绿素a反演示意图；

图12D为本发明实施例第二架次高锰酸钾指数反演示意图；

图13为本发明实施例卢家庄曝气池和卢家庄沉淀池采样点的反演示意图；

图14为本发明实施例卢家庄生态池和鲈鱼池塘采样点的反演示意图；

图15为本发明实施例采样点的各反演的第二水质参数与实测的第二水质参数1:1示意图。

具体实施方式

为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的较佳实施方式。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本申请的公开内容理解的更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本申请。

下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。

在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。

请参照图1，本发明所示出的实施例公开了一种养殖水环境预警调控方法，所述养殖水环境预警调控方法包括如下步骤：

S1，进行基础数据调查，根据调查结果选择一特定养殖水环境区域。

在一个可选的实施例中，为了提高预警的效率，首先可以选取相对集中并连片的养殖水环境区域作为无人机航拍区域。更进一步地，所述基础数据可以通过包括但不限于现场走访、网络问卷调查等方式调查该区域的养殖品种、养殖密度、投喂水平及管理方式等基础数据，在另外的一个或一些实施例中，所述基础数据还可以根据实际情况进行变更，此处就不一一进行列举。

S2，获取特定养殖水环境区域的高光谱图像。

在一个可选的实施例中，在获取所述高光谱图像时，可以首先提供一航拍设备，所述航拍设备包括无人机以及搭载于所述无人机上的光谱仪。在一个可选的实施例中，所述无人机可以采用大疆六旋翼无人机M600 Pro，该无人机的净重约4kg，最大载重约10kg，在上述无人机的遥感平台上可搭载四川双利合谱科技有限公司自主研发的高光谱成像光谱仪GaiaSky-mini-2，该无人机的遥感平台采用的是无人机悬置空中，高光谱成像光谱仪采用内置推扫的方式获取地面图像，其主要参数见表1。

表1 GaiaSky-mini-2机载成像高光谱仪系统参数

在一个可选的实施例中，待所述无人机飞抵所述特定养殖水环境区域上空后，控制所述光谱仪获取所述特定养殖水环境区域的所述高光谱图像。其中，在执行对特定养殖水环境区域的拍摄时可以提前规划航线，并选取天气晴朗、云层较少、几乎无风的日期，定时定点进行无人机航空遥感控制，进而获取特定养殖水环境区域的高光谱图像。需要进行说明的是，所述高光谱图像可以包括通过一预设监测频率所获取的多张高光谱图像；更进一步地，所述监测频率为每月2次及以上，拍摄周期为1年。在另外的一个或一些实施例中，所述监测频率可以根据不同养殖水环境区域的具体情况而定，在此就不作具体限定。

S3，对已经获取的所述高光谱图像进行预处理。

在一个可选的实施例中，所述高光谱图像可以在遥感ENVI4.5软件中进行图像预处理，所述图像预处理主要步骤可以包括但不限于几何校正、大气校正和辐射校正等。在另外的一个可选的实施例中，所述对所述高光谱图像进行预处理还可以利用四川双利合谱科技有限公司自主研发的Spec View软件完成。更进一步地，所述预处理还可以包括但不限于对所述高光谱图像执行镜头校正；对所述高光谱图像执行黑白帧校正；以及对所述高光谱图像执行大气校正。

在一个可选的实施例中，对高光谱图像的原始数据进行镜头校正是因为高光谱图像的成像方式为推扫型，成像镜头和光谱仪是分开的，光谱仪前端有其对应的入射狭缝；入射狭缝有一定的长度，当狭缝被聚焦透镜遮挡时，会有部分图像被遮挡，无法正常获取高光谱图像，同样当狭缝位置超过终止位置之后，也会被遮挡进而无法采集高光谱图像。因此，当参数设置不合理时，或者在采集到的高光谱图像的边缘处出现黑色不均匀区域时，可以进行镜头校正。同时，由于镜头也并非是一个平面，在进行高光谱图像采集时，狭缝相对聚焦透镜镜面是一行接一行进行拍摄的，这样平面可能会导致高光谱图像的畸变，只是在观察时不是非常明显，利用镜头校准的方式可以消除上述弊端。在无人机执行高光谱图像采集时，只需要勾选厂家提供的镜头校准参数文件，就可以修正因内置推扫而导致的高光谱图像内部畸变以及对拼接的影响。请参见图2A、图2B、图2C和图2D；其中，图2A为未经过镜头校正的高光谱图像，图2B为经过镜头校正后的高光谱图像，图2C为未经过镜头校正的高光谱图像的DN值曲线、图2D经过镜头校正后的高光谱图像的DN值曲线。

在一个可选的实施例中，对所述高光谱图像执行黑白帧校正的目的是为了将DN值(数字量化值，digital quantization value)，转化为反射率值(reflectance)具体包括：

上式中，Rref是黑白帧校正过后的高光谱图像的反射率值，DNraw是原始高光谱图像的DN值，DNwhite为参考板的白帧数据，DNdark是光谱仪的系统误差DN值，Rwhite为参考板的反射率系数。以玉米粒的高光谱图像为例，请参见图3A、图3B、图3C和图3D；其中图3A为未经过黑白帧校正的高光谱图像的DN值曲线，图3B为参考板的DN值曲线，图3C为暗背景的DN值曲线，图3D为经过黑白帧校正后的相对反射率值曲线。

在一个可选的实施例中，因为考虑到无人机在飞到一定高度后，光谱仪获取的高光谱图像数据可能会受到大气、水汽等因素的影响。为了消除这些因素的影响，可以在无人机起飞之前，在拍摄区域放置一块经过国家计量院标定过的2m*2m灰布，在对高光谱图像进行获取的时候，只需要在其中的一景高光谱图像中覆盖到灰布即可；更进一步地，在对大气、水汽等因素影响消除时具体包括：

上式中，Rfixed是消除大气、水汽等因素后的高光谱图像的光谱反射率，Rref是经过黑白帧校正后的高光谱图像的光谱反射率，Rstandard是经过国家计量院标定的灰布的光谱反射率，Rgrayref是经过黑白帧校正后高光谱图像中灰布的光谱反射率。请参见图4，图4中示出了植物在大气校正前后的光谱曲线。

在一个可选的实施例中，对已经获取的所述高光谱图像进行预处理还包括：对无人机机载光谱仪进行几何精校正。所述对无人机机载光谱仪进行几何精校正主要是针对无人机与光谱仪在获取高光谱图像的过程中，由于无人机的平台细微震动造成高光谱图像出现畸变现象，本发明利用四川双利合谱科技有限公司研发的Registrator机载高光谱几何精校正软件消除高光谱图像的细微畸变；在另外的一个或一些实施例中，对所述高光谱图像执行几何精校正还可以采用其软件或者方式进行，此处就不再赘述。更进一步地，请参见图5A和图5B；其中，图5A为几何精校正前的高光谱图像，图5B为几何精校正后的高光谱图像。

在一个可选的实施例中，对已经获取的所述高光谱图像进行预处理还包括：对多个高光谱图像进行拼接。所述对多个高光谱图像进行拼接主要是针对几何精校正处理后的多个高光谱图像，利用Agisoft Metashape Professional软件对其进行图像数据拼接。请参见图6A和图6B，图6A示出了第一架次无人机所携光谱仪执行拍摄任务后所拍摄的多个高光谱图像的拼接结果；图6B示出了第2架次无人机所携光谱仪执行拍摄任务后所拍摄的多个高光谱图像的拼接结果。

S4，根据所述高光谱图像在所述特定养殖水环境区域中选取采样点，以及在所述采样点上测得第一水质参数。

在一个可选的实施例中，在确定采样点时可以根据高光谱图像的初步分析结果所确定，可以通过找出图像颜色差异较大的区域作为所述特定养殖水环境区域，在一个实施例中，所述特定养殖水环境区域包括养殖池塘，在其他的一个或一些实施例中，所述特定养殖水环境区域还可以包括其他任何从事水产养殖的淡水区域，为使本发明的行文简洁，此处就不一一进行列举。在确定采样点后然后根据其坐标位置进行水质采样，同时对各污水处理池取样，并且可以在现场检测悬浮物、透明度、PH和DO；然后随即在室内测定水质理化指标，所述理化指标包括但不限于TN、氨氮、亚硝态氮、TP、DP以及叶绿素a、优势藻类和微生物数量。请参见表2，表2示出了10个采样点的第一水质参数及其含量分布；每个采样点均取表层0.5m处的水样进行实验室分析，分析的参数包括总氮(mg/L)、总磷(mg/L)、叶绿素a(ug/L)和高锰酸钾指数(mg/L)。

表2 10个采样点的水质指标参数含量分布

S5，利用所述高光谱图像和所述第一水质参数对所述特定养殖水环境区域的第二水质参数进行反演。

在一个可选的实施例中，根据校正后的高光谱图像，通过计算各个采样点的各波段的反射率值，在SPSS18.0软件中利用Pearson方法对各个波段及波段组合与相应的第二水质参数进行相关性统计分析，确定最佳反演波段和波段组合，利用多元线性回归模型、人工神经网络模型中的BP模型、RBF神经网络模型和SVM模型对养殖池塘中第二水质参数TN、氨氮、硝氮、亚硝态氮、TP、DP以及叶绿素、悬浮物和透明度进行反演。

请参见图7A、图7B和图7C，其中图7A和图7B分别列举了杨港村、卢家庄的生态池、曝气池、沉淀池、青虾池塘以及鲈鱼池塘的10个采样点分布情况，图7C分别示出了杨港村、卢家庄、青虾和鲈鱼池塘采样点的高光谱图像的光谱反射率曲线。从图中可知，卢家庄采样点的光谱反射率总体上高于其他采样点的光谱反射率，而鲈鱼池塘采样点的光谱反射率总体上则低于其他采样点的光谱反射率。

将杨港村、卢家庄的生态池、曝气池、沉淀池、青虾池塘以及鲈鱼池塘的第一水质参数(如总氮、总磷、叶绿素a和高锰酸钾指数)分别与其对应的光谱反射率值进行相关性分析，得到如图8所示的相关性曲线。从图8可知，总氮、叶绿素a与各波段的光谱反射率变化趋势一致，但总氮的光谱反射率值高于叶绿素a。总磷、高锰酸钾指数与各波段的光谱反射率呈负相关性，而总氮、叶绿素a与各波段的光谱反射率的相关性先呈负相关，再呈正相关，最后呈负相关性。

根据现有技术可知，利用单波段监测水质的精度不如双波段的监测精度高；利用复杂的化学计量学分析法，如偏最小二乘法、人工神经网络、支持向量机等，与双波段监测模型相比虽然从监测精度上有所提高，但运用的波段数多，且运行时间较长，在实际应用过程中并不适合实时在线监测水质参数。然而利用双波段组合因子不仅可以突出水质参数的光谱特征，使得非特征波段和特征波段不重合的其他水质参数的交叉影响所造成的误差平均化和随机化。同时，相除因子和相差因子都是突出水质参数的光谱特征波段的有效运算方法。本发明根据双波段组合构建比值指数，以寻找最佳的双波段组合构建监测模型预测第二水质参数。将波长从400-1000nm的所有波段反射率构建比值指数与各第一水质参数进行相关性分析，得到第二水质参数与各波段比值的相关系数分布图。请参见图9A、图9B、图9C和图9D；图9A为总氮与各波段比值的相关系数分布图，图9B为总磷与各波段比值的相关系数分布图，图9C为叶绿素a与各波段比值的相关系数分布图，图9D为高锰酸钾指数与各波段比值的相关系数分布图。

通过第一水质参数与比值指数的相关系数分布，筛选出每一种第一水质参数与每一种比值指数相关系数最高的波段组合，建立各第一水质参数与比值指数之间的一元线性回归方程。请参见图10A、图10B、图10C和图10D；其中，图10A为总氮与比值指数之间的一元线性回归方程，图10B为总磷与比值指数之间的一元线性回归方程，图10C为叶绿素a与比值指数之间的一元线性回归方程，图10D为高锰酸钾指数与比值指数之间的一元线性回归方程。

根据图10A、图10B、图10C和图10D中最佳双波段比值指数与各第一水质参数之间拟合的一元一次方程，对获取的第一架次、第二架次机载高光谱拼接结果以及鲈鱼池塘和卢家庄生态池、曝气池、沉淀池的单景影像进行反演，从而得到第一架次、第二架次和单景影像的总氮、总磷、叶绿素a和高锰酸钾指数的含量分布图，根据含量分布图可直观地展示杨港村、卢家庄生态池、曝气池、沉淀池和青虾池塘以及鲈鱼池塘的总氮、总磷、叶绿素a、高锰酸钾指数等水质参数的空间分布规律，如图11-14所示。

由于本次试验水质参数样本相对过少，因此无法对反演结果进行验证。图15为构建的经验模型反演出采样点的各水质参数含量与实测值的1:1图，从图中可知，总磷和叶绿素a的实测值与预测值拟合系数最高，达到了0.98以上，其次是总氮，实测值与预测值的拟合系数为0.83，最后是高锰酸钾指数，实测值与预测值的拟合系数为0.81。

S6，根据反演的结果对水质已经恶化的特定养殖水环境区域提出预警。

在一个可选的实施例中，随着拍摄次数及水质采样的增多，反演模型的鲁棒性、可靠性及精度显著增加，结合实测的第一水质参数和模型，根据均方根误差和相对误差计算每个第二水质参数，进而遥感监测精度，筛选其最优反演模型，然后将第二水质参数的高光谱反演模型应用于高光谱图像中，得到拍摄区养殖池塘各水质面上的反演结果，并对超过养殖水环境的水质参数指标并且已经出现水质恶化的区域进行预警分析。

S7，根据所述第一水质参数和所述第二水质参数研判特定养殖水环境区域中水质的变化趋势。

在一个可选的实施例中，可以根据第二水质参数反演的结果进行预警分析结果，进而合理研判水质变化趋势，例如在一特定养殖水环境区域中，其第二水质参数中存在一项或多项指标即将突破临界值，即可判断该区域的水质可能出现进一步恶化的趋势。

S8，根据所述变化趋势对所述特定养殖水环境区域的水质进行调控。

在一个可选的实施例中，通过上述水质变化趋势，可以针对性采用不同的调控措施对该特定养殖水环境区域进行及时干预，在对该特定养殖水环境区域的水环境进行针对性调控后的一端时间内，可以再次对该特定养殖水环境区域进行一次或多次无人机高光谱拍摄，再根据建立水质模型反演起第二水质参数，评价该养殖水环境区域的水环境调控效果。

本发明所示出的实施例公开了一种养殖水环境预警调控装置，所述养殖水环境预警调控装置包括输入设备、处理器、存储器和输出设备，所述处理器、输入设备、输出设备和存储器通过通信总线相互连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令；进一步地，所述处理器被配置用于调用所述程序指令执行所述执行如本发明养殖水环境预警调控方法的实施例的步骤。关于养殖水环境预警调控方法的具体说明及有益效果，请参见前文所述在此就不再累述。

应当理解，在本发明实施例中，所称存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储有设备类型的相关信息。

处理器用于运行或执行被存储在内部存储器中的操作系统，各种软件程序，以及自身的指令集，并用于处理来自于触摸式输入装置或自其它外部输入途径接收到的数据和指令，以实现各种功能。处理器可以包括但不限于中央处理器、通用图像处理器、微处理器、数字信号处理器、现场可编程逻辑门阵列，应用专用集成电路中的一种或多种。在一些实施例中，处理器和存储器控制器可在单个芯片上实现。在一些其他实施方案中，它们可分别在彼此独立的芯片上实现。

输入设备可以是摄像头等，摄像头又称为电脑相机、电脑眼以及电子眼等，是一种视频驶入设备，以及数字键盘或机械键盘等触摸式输入装置；所述输出设备可以包括显示器等。

本发明的又一个实施例示出的计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行所述养殖水环境预警调控方法的相关步骤。

其中，所述计算机可读存储介质可包括缓存、高速随机存取存储器，例如常见的双倍数据率同步动态随机存取内存，并且还可包括非易失性存储器，诸如一个或多个只读存储器、磁盘存储设备、闪存存储器设备、或其他非易失性固态存储器设备例如光盘，软盘或数据磁带等。

本发明所示出的实施例公开了一种养殖水环境预警调控系统，所述养殖水环境预警调控系统包括养殖水环境预警调控装置以及航拍设备，所述航拍设备与所述养殖水环境预警调控装置通信连接，所述养殖水环境预警调控装置执行如本发明养殖水环境预警调控方法相关实施的步骤。所述航拍设备包括无人机以及搭载于所述无人机上的光谱仪。在一个可选的实施例中，所述无人机可以采用大疆六旋翼无人机M600 Pro，该无人机的净重约4kg，最大载重约10kg，在上述无人机的遥感平台上可搭载四川双利合谱科技有限公司自主研发的高光谱成像光谱仪GaiaSky-mini-2，该无人机的遥感平台采用的是无人机悬置空中，高光谱成像光谱仪采用内置推扫的方式获取地面图像。关于航拍设备及养殖水环境预警调控装置的其他表述具体可以参见前文所述，此处就不再进行累述。