1.一种海洋营养盐浓度反演方法，其特征在于，包括：

实时获取目标区域的海洋环境特征数据；所述海洋环境特征数据包括海表面温度、海表面盐度、海表面叶绿素a浓度、浊度、深度、经纬度和时间；

将所述海洋环境特征数据输入海洋表层营养盐浓度反演模型中，得到所述目标区域的海洋营养盐浓度；所述海洋营养盐浓度包括溶解态无机氮浓度、溶解态无机磷浓度和溶解态硅酸盐浓度；所述海洋表层营养盐浓度反演模型是基于人工神经网络建立的。

2.根据权利要求1所述的一种海洋营养盐浓度反演方法，其特征在于，所述海洋表层营养盐浓度反演模型的确定方法为：获取所述目标区域实地测量的历史数据；所述历史数据包括历史时间段的海洋环境特征数据和历史时间段对应的海洋营养盐浓度；

采用所述历史数据对人工神经网络进行训练，并将训练好的人工神经网络确定为所述海洋表层营养盐浓度反演模型。

3.根据权利要求2所述的一种海洋营养盐浓度反演方法，其特征在于，所述采用所述历史数据对人工神经网络进行训练，并将训练好的人工神经网络确定为所述海洋表层营养盐浓度反演模型，具体包括：对所述历史数据进行随机抽取，得到训练数据集、验证数据集和测试数据集；

构建设定层数、设定神经元数量的人工神经网络；

将所述训练数据集中的海洋环境特征数据作为所述人工神经网络的输入，分别以所述训练数据集中溶解态无机氮浓度、溶解态无机磷浓度和溶解态硅酸盐浓度作为所述人工神经网络的输出进行训练，得到初始模型；所述初始模型包括初始溶解态无机氮浓度反演模型、初始溶解态无机磷浓度反演模型和初始溶解态硅酸盐浓度反演模型；

采用所述验证数据集，以设定预测精度为目标，分别对所述初始模型中各模型的模型参数进行调整，得到调整模型；所述调整模型包括调整后的溶解态无机氮浓度反演模型、调整后的溶解态无机磷浓度反演模型和调整后的溶解态硅酸盐浓度反演模型；

采用所述测试数据集对所述调整模型中的各模型进行测试，得到海洋表层营养盐浓度反演模型；所述海洋表层营养盐浓度反演模型包括测试后的溶解态无机氮浓度反演模型、测试后的溶解态无机磷浓度反演模型和测试后的溶解态硅酸盐浓度反演模型。

4.根据权利要求3所述的一种海洋营养盐浓度反演方法，其特征在于，所述设定预测精度为模型准确率达到60％以上。

5.一种海洋营养盐浓度反演系统，其特征在于，包括：

数据获取模块，用于实时获取目标区域的海洋环境特征数据；所述海洋环境特征数据包括海表面温度、海表面盐度、海表面叶绿素a浓度、浊度、深度、经纬度和时间；

海洋营养盐浓度预测模块，用于将所述海洋环境特征数据输入海洋表层营养盐浓度反演模型中，得到所述目标区域的海洋营养盐浓度；所述海洋营养盐浓度包括溶解态无机氮浓度、溶解态无机磷浓度和溶解态硅酸盐浓度；所述海洋表层营养盐浓度反演模型是基于人工神经网络建立的。

6.根据权利要求5所述的一种海洋营养盐浓度反演系统，其特征在于，还包括：模型确定模块，用于确定所述海洋表层营养盐浓度反演模型；

所述模型确定模块，具体包括：

历史数据获取单元，用于获取所述目标区域实地测量的历史数据；所述历史数据包括历史时间段的海洋环境特征数据和历史时间段对应的海洋营养盐浓度；

训练单元，用于采用所述历史数据对人工神经网络进行训练，并将训练好的人工神经网络确定为所述海洋表层营养盐浓度反演模型。

7.根据权利要求6所述的一种海洋营养盐浓度反演系统，其特征在于，所述训练单元，具体包括：数据集划分子单元，用于对所述历史数据进行随机抽取，得到训练数据集、验证数据集和测试数据集；

网络构建子单元，用于构建设定层数、设定神经元数量的人工神经网络；

初始训练子单元，用于将所述训练数据集中的海洋环境特征数据作为所述人工神经网络的输入，分别以所述训练数据集中溶解态无机氮浓度、溶解态无机磷浓度和溶解态硅酸盐浓度作为所述人工神经网络的输出进行训练，得到初始模型；所述初始模型包括初始溶解态无机氮浓度反演模型、初始溶解态无机磷浓度反演模型和初始溶解态硅酸盐浓度反演模型；

验证子单元，用于采用所述验证数据集，以设定预测精度为目标，分别对所述初始模型中各模型的模型参数进行调整，得到调整模型；所述调整模型包括调整后的溶解态无机氮浓度反演模型、调整后的溶解态无机磷浓度反演模型和调整后的溶解态硅酸盐浓度反演模型；

测试子单元，用于采用所述测试数据集对所述调整模型中的各模型进行测试，得到海洋表层营养盐浓度反演模型；所述海洋表层营养盐浓度反演模型包括测试后的溶解态无机氮浓度反演模型、测试后的溶解态无机磷浓度反演模型和测试后的溶解态硅酸盐浓度反演模型。

8.根据权利要求7所述的一种海洋营养盐浓度反演系统，其特征在于，所述验证子单元中的所述设定预测精度为模型准确率达到60％以上。