1.基于大水面环境的渔业资源协同增殖方法，其特征在于，包括：

S1：采集水域特征数据；水域特征数据包括水质数据、底质数据、声波数据和水域图像；

S2：根据声波数据进行水生生物监测，获取水生生物数据；

S3：结合水质数据、底质数据以及水生生物数据，制定增殖恢复策略；制定增殖恢复策略的步骤包括：步骤S301：构建m个恢复集合，m为大于1的整数，恢复集合包括每种水生植物和底栖生物需要的引入数量，m个恢复集合均不相同；

步骤S302：从m个恢复集合中随机选择 个不同的恢复集合，并标记为选择集合，将每个选择集合均作为一个个体，生成种群， ；

步骤S303：对种群中的每个个体进行变异，生成变异个体；

步骤S304：采用交叉操作将种群中每个个体与对应的变异个体结合，生成新个体；

步骤S305：分别计算种群中每个个体与新个体对应的恢复度，并对种群中的个体进行更新；恢复度的计算方法为：将水质数据、底质数据以及水生生物数据作为研究数据，将研究数据和个体对应的恢复集合作为计算数据，将计算数据输入训练好的恢复评估模型，评估出对应的恢复度，恢复度为水域生态健康状态的恢复效果；

步骤S306：获取更新后种群对应的最大恢复度，并减去更新前种群对应的最大恢复度，获取恢复度差值；预设差值阈值，若恢复度差值小于差值阈值，则生成缓慢指令，若恢复度差值大于或等于差值阈值，则不生成缓慢指令；预设数量阈值，统计连续生成的缓慢指令的数量，并标记为指令数量，若指令数量大于或等于数量阈值，则进入步骤S307，若指令数量小于数量阈值，则返回步骤S303；

步骤S307：获取最大恢复度对应的恢复集合；

S4：根据水域图像进行鱼类资源评估，获取鱼群资源数据；

S5：结合水质数据、底质数据、水生生物数据以及鱼群资源数据，优选增殖对象；所述增殖对象为在水域中进行放流的鱼群种类；

所述优选增殖对象的方法包括：

步骤S501：建立模糊集合，将优选数据中的每个数据划分为多个模糊集合，优选数据包括研究数据和鱼群资源数据；

步骤S502：将每个优选数据，分别通过模糊化技术转换成对应的每个模糊集合的隶属度；模糊化是将精确的数值转换为模糊集合对应的隶属度的过程；

步骤S503：定义模糊规则；

步骤S504：将模糊化后的优选数据与模糊规则匹配，进行模糊推理，获取模糊推理结果，模糊推理结果为增殖对象的隶属度；

步骤S505：对模糊推理结果进行去模糊化操作，获取去模糊化结果，去模糊化结果即为增殖对象；去模糊化操作为：根据模糊推理结果，分别获取每种鱼类对应的隶属度；预设隶属度阈值，将每种鱼类对应的隶属度分别与隶属度阈值进行对比，将隶属度大于隶属度阈值的鱼类作为增殖对象；

S6：基于增殖对象，确定增殖放流容量。

2.根据权利要求1所述的基于大水面环境的渔业资源协同增殖方法，其特征在于，所述水生生物数据包括生物丰度和生物种类；所述生物种类包括水生植物种类、浮游生物种类和底栖生物种类；所述生物丰度为生物种类中每种水生生物的数量；

所述获取水生生物数据的方法包括：

对声波数据进行处理，获取对应的声学特征数据；声学特征数据包括声波强度、声波频率、回波持续时间和声波散射强度；将声学特征数据输入训练好的生物预测模型，预测出对应的集合标签，集合标签为分析集合对应的数字标签，不同的分析集合对应的数字标签不同；根据预测的集合标签获取对应的分析集合，将分析集合作为水生生物数据；分析集合的设置方式为：对不同的生物种类和生物丰度进行随机组合，一个组合即对应一个分析集合；

生物预测模型的训练过程包括：

预先收集a组声学特征数据，对a组声学特征数据均设置对应的集合标签，a为大于1的整数，将声学特征数据与对应的集合标签转换为对应的一组特征向量；将每组特征向量作为生物预测模型的输入，所述生物预测模型以每组声学特征数据对应的一组预测集合标签作为输出，以每组声学特征数据对应的实际集合标签作为预测目标，实际集合标签即为预先设置的与声学特征数据对应的集合标签；以最小化所有声学特征数据的预测误差之和作为训练目标；对生物预测模型进行训练，直至预测误差之和达到收敛时停止训练；所述生物预测模型为深度神经网络模型。

3.根据权利要求2所述的基于大水面环境的渔业资源协同增殖方法，其特征在于，获取声学特征数据的方法包括：根据声波数据，获取时间T内的声压值，并计算均方根声压，均方根声压的表达式为：；式中， 为均方根声压， 为t时刻的声压值， 为对0

时刻至t时刻的声压值的平方进行积分操作， ；根据均方根声压，计算声波强度；

声波强度的表达式为： ；式中 为声波强度， 为水密度， 为声波在水中的传播速度；

采用快速傅里叶变换将声波数据从时域信号转换为频率信号，获取声波频率；

获取声波发射时间和声波接收时间，将声波接收时间减去声波发射时间，获取回波持续信号；

获取发射强度，发射强度为声纳传感器发射声波时的声波强度；根据发射强度和声波强度，计算声波散射强度；声波散射强度的表达式为： ；式中， 为声波散射强度， 为发射强度。

4.根据权利要求3所述的基于大水面环境的渔业资源协同增殖方法，其特征在于，变异个体的表达式为： ；式中 为第j个变异个体， 为第j个个体， 、为种群中随机选择的两个个体， 为变异因子， ， 。

5.根据权利要求4所述的基于大水面环境的渔业资源协同增殖方法，其特征在于，所述步骤S304中，生成新个体的方法为：预设交叉概率 , ；对个体中的每个变量均生成一个 间的随机数，个体中的变量为每种水生植物或底栖生物需要的引入数量，变量与引入数量一一对应；将个体中每个变量对应的随机数分别与交叉概率进行对比，若随机数小于交叉概率，则将对应的变量替换为对应变异个体中对应的变量；若随机数大于或等于交叉概率，则不对对应的变量进行替换；从个体中的所有变量内随机选择一个变量，将选择的变量替换为对应变异个体中对应的变量。

6.根据权利要求5所述的基于大水面环境的渔业资源协同增殖方法，其特征在于，所述步骤S305中，更新方法为：若个体的恢复度小于对应新个体的恢复度，则将个体更新为对应的新个体，若个体的恢复度大于对应的新个体的恢复度，则不对对应个体进行更新；恢复评估模型的训练过程与生物预测模型的训练过程一致，并且均为神经网络模型。

7.根据权利要求6所述的基于大水面环境的渔业资源协同增殖方法，其特征在于，所述鱼群资源数据包括鱼群丰度和鱼群种类；所述鱼群丰度为鱼群种类中每种鱼类的数量；

所述获取鱼群资源数据的方法包括：

采用目标检测方法对水域图像中的鱼类进行矩形框标注，矩形框与鱼类一一对应；根据标注的矩形框，对水域图像进行图像分割，分割出水域子图像，水域子图像与矩形框一一对应；采用训练好的鱼类识别模型，对水域子图像中的鱼类进行识别，输出识别结果，识别结果为鱼群种类；根据识别出的鱼群种类，统计每种鱼类对应的数量，获取鱼群丰度；

鱼类识别模型训练过程包括：

预先收集多张水域子图像，对每张水域子图像中的鱼类进行标注，标注为鱼群种类；将不同的鱼群种类转换为不同的数字标注；将标注后的水域子图像分为训练集和测试集；使用训练集对鱼类识别模型进行训练，使用测试集对鱼类识别模型进行测试；预设误差阈值，当测试集中所有水域子图像的预测误差的均值小于误差阈值时，输出鱼类识别模型；所述鱼类识别模型为卷积神经网络模型。

8.根据权利要求7所述的基于大水面环境的渔业资源协同增殖方法，其特征在于，确定增殖放流容量的方法包括：将增殖对象根据食性进行划分，获取食性种类；食性种类包括滤食性鱼类、草食性鱼类、底栖动物食性鱼类和碎屑食性鱼类；增殖放流容量包括滤食性鱼类增殖容量、草食性鱼类增殖容量、底栖动物食性鱼类增殖容量和碎屑食性鱼类增殖容量；

根据生物丰度获取水生植物数量、浮游生物数量和底栖生物数量；

滤食性鱼类增殖容量的表达式为： ；式中， 为滤食性鱼类增殖

容量， 为浮游生物数量， 为第一生物系数， 水域容积；

草食性鱼类增殖容量的表达式为： ； 为草食性鱼类增殖容量，

为水生植物数量。

9.根据权利要求8所述的基于大水面环境的渔业资源协同增殖方法，其特征在于，底栖动物食性鱼类增殖容量的表达式为： ; 为底栖动物食性鱼类增殖容量， 为底栖生物数量， 为第二生物系数， 为水域面积；获取水域所在地域，通过预设的生物系数集合获取第一生物系数和第二生物系数，生物系数集合中包括不同地域下，第一生物系数和第二生物系数的数值；

碎屑食性鱼类增殖容量的表达式为：

；

式中， 为碎屑食性鱼类增殖容量， 为有机碳含量， 为鲢鱼占比， 为鳙鱼占比；鲢鱼占比和鳙鱼占比的获取方法为：根据鱼群资源数据，获取鲢鱼数量和鳙鱼数量；将鲢鱼数量加上鳙鱼数量，获取鲢鳙总数；将鲢鱼数量除以鲢鳙总数，获取鲢鱼占比；将鳙鱼数量除以鲢鳙总数，获取鳙鱼占比。