1.一种低空无人机与水面无人船协同的福寿螺卵块监测与治理方法，其特征在于，包括以下步骤：S1：通过无人机对监测水域内福寿螺卵块进行图像采集及坐标定位构建福寿螺卵块初步分布地图；

S2：再通过DBSCAN聚类法将所述坐标进行划分，从而将所述监测水域划分为不同生态风险等级区域；

S3：根据所述生态风险等级区域划分信息，设置福寿螺卵块清除任务的密度热点优先级列表，优先处理福寿螺卵块密度大的高生态风险紧急区域，结合所述监测水域中的天气、水流、障碍因素，完成无人船对福寿螺卵块清除路线规划；

S4：无人船根据所述清除路线对所述监测水域内福寿螺卵块定点准确彻底清除；

S5：当无人船在监测水域首次清除后，无人船回到起点待命；无人机高空复飞采集监测水域内的图像并实时将图像数据上传至云端进行卵块识别和清除效果评估，云端对比复飞数据与之前的清除记录，判断卵块是否完全清除，并根据结果更新水域的生态风险分区图；

如果发现某些区域卵块未被清除，云端会调整作业路径和优先级，重新安排无人船执行再次执行清除任务，直到所有清除任务完毕；其中，S1中图像采集包括无人机先沿所述监测水域低空飞行，通过SLAM完成连续环境建图及福寿螺卵块图像采集以及随后升至高空进行监测区域全局图像采集；其中，所述福寿螺卵块图像采集过程中在云端通过YOLOv5图像识别对福寿螺卵块进行检测、识别及排杂，得到福寿螺卵块监测定位坐标图；YOLOv5图像识别中增加NWD损失函数；以及，所述风险等级划分为：DBSCAN聚类法完成后，对聚类得到的若干簇统计福寿螺卵块密度数值，根据簇的福寿螺卵块密度数值进行排序，在经过排序后的数据上选取80％分位点作为高生态风险区域的临界值；40％分位点作为中生态风险区域的临界值；小于40％分位点的视为低生态风险区域。

2.根据权利要求1所述的低空无人机与水面无人船协同的福寿螺卵块监测与治理方法，其特征在于，低空高度范围8～20米；高空高度范围30～80米。

3.根据权利要求2所述的低空无人机与水面无人船协同的福寿螺卵块监测与治理方法，其特征在于，S4中当无人船到达指定清除区域内，先需对该区域内的福寿螺卵块进行二次定位确认，如果发现与福寿螺卵块监测定位坐标图相应位置的福寿螺卵块一致，则通过设于无人船上的水枪射出的高速高压水流对福寿螺卵块进行清除；如果发现不一致，需对无人船位置进行微调直到识别相应福寿螺卵块，然后执行清除；如果经过多次微调仍然无法识别相应福寿螺卵块，则无人船前往下一清除区域，重复上述步骤直到本次清除任务完成。

4.根据权利要求3所述的低空无人机与水面无人船协同的福寿螺卵块监测与治理方法，其特征在于，福寿螺卵块清除包括信息采集、控制决策及执行调整；其中，信息采集包括采集目标福寿螺卵块定位信息及水枪喷射角度信息；控制决策包括水枪指向与目标之间的角度误差及距离误差、信息处理模块中的PID控制器会对上述两种误差进行处理并生成控制信号；执行调整包括根据所述控制信号驱动电机调整云台的水平、俯仰角度、动态调整反馈及调控PWM水泵喷水。

5.根据权利要求4所述的低空无人机与水面无人船协同的福寿螺卵块监测与治理方法，其特征在于，获得所述采集目标福寿螺卵块定位信息及水枪喷射角度信息：以摄像头为原点，目标福寿螺卵块相对于摄像头的三维空间坐标为Pc＝(xc，yc，zc)；

以水枪为原点，目标福寿螺卵块相对于水枪的三维空间坐标为Pw＝(xw,yw，zw)；

摄像头的内参矩阵 其中，fx和fy为摄像头的焦距，cx和cy为摄像头光心坐标；

当福寿螺卵块出现在景深摄像头的画面中时，假设摄像头检测到目标物的二维像素坐标为(u，v)，则通过景深摄像头的内参矩阵k和深度信息zc，可以得到目标物在相机坐标系下的三维空间坐标：又由于摄像头及水枪的相对空间位置保持不变，则可以通过相机外参矩阵Tcw将目标物从摄像头坐标系下转换到水枪坐标系下：Pw＝Tcw·Pc；其中，

其中 是4x4的刚体变换矩阵；包括旋转矩阵R3x3、平移向量t3x1；

根据目标物在水枪坐标系下的三维空间坐标位置(xw，yw,zw)，即Pw，可以计算出云台需要调整的俯仰角θ， 即水枪在垂直平面内需调整的旋转角度及水平角即水枪在水平平面内需调整的旋转角度。

6.根据权利要求1或5所述的低空无人机与水面无人船协同的福寿螺卵块监测与治理方法，其特征在于，在所述密度热点优先级列表的基础上叠加福寿螺卵块生长周期预测机制。

7.根据权利要求6所述的低空无人机与水面无人船协同的福寿螺卵块监测与治理方法，其特征在于，所述福寿螺卵块生长周期预测机制是通过LSTM模型对监测区域内的历史环境气候数据、历史水质数据及历史产卵时间间隔，捕捉福寿螺产卵的规律，进而预测下一次产卵的时间。

8.根据权利要求7所述的低空无人机与水面无人船协同的福寿螺卵块监测与治理方法，其特征在于，将所述福寿螺卵块生长周期预测用下式表示：Tnext＝Tbase+ΔTseason+ΔTenvironment；其中，Tnext是预测的下一次产卵时间；

Tbase是基准值，假设没有其他因素影响时的产卵时间；

ΔTseason是季节性因素引起的误差；

ΔTenvironment是水质环境因素引起的误差；

对于基准值，我们采用均值模型进行计算：

其中， 是历史观察的产卵时间；N是历史数据的总数量。

9.根据权利要求8所述的低空无人机与水面无人船协同的福寿螺卵块监测与治理方法，其特征在于，还包括，安全余量Tsafetyrnargin：利用MSE度量LSTM模型的训练误差，定义加权因子αsafety来控制安全余量的大小；

其中：

MSE：当前模型预测的均方误差；

MSEmax：历史上最大的均方误差，作为标准化的依据；

∈：一个小常数，防止分母为零；

为了更好地考虑基准值Tbase的作用，引入一个加权因子βbase来对比基准值和预测值之间的差异：其中，

Tnext：根据模型预测的下一次产卵时间；

Tbase：基准值，假设没有其他因素影响时的产卵时间；

∈：一个小常数，防止分母为零；

βbase‑max：对βbase限制的最大值，以防止预测误差过大时对巡检时间间隔产生过度影响；

预测较为准确时，设定其为0.2～0.5；预测不稳定时，设定其为0.5～1.0；

结合αsafety与βbase，安全余量Tsafety margin的最终公式设计为：Tsafety margin＝Tnext×(1‑αsafety×MSE)+βbase×|Tbase‑Tnext|。

10.根据权利要求9所述的低空无人机与水面无人船协同的福寿螺卵块监测与治理方法，其特征在于，还包括，巡检时间间隔的设计：如果预测值为Tnext,则巡检时间间隔应为：

Tinspection＝min(Tnext，Tbase，Tsafety margin)，其中：Tnext：根据模型预测的下一次产卵时间；

Tbase：基准值，假设没有其他因素影响时的产卵时间；

Tsafety margin：基于预测的不确定性，为预测时间间隔的安全余量。