1.一种基于大数据的农业信息监控方法，其特征在于，所述方法包括：基于大数据技术获取天气记录及作物变化率，根据所述天气记录及作物变化率训练神经网络模型；所述神经网络模型的输入为某一时间段内的天气记录，输出为对应时间段内的作物变化率；作物变化率是作物在生长过程中变化情况，由生长量比上时间；

根据预设的传感器实时监测天气信息，根据预设的频率截取天气信息，将所述天气信息输入训练好的神经网络模型，得到作物变化率；

根据所述作物变化率选取传感器，确定目标区域，根据无人机获取所述目标区域的图像，对图像进行识别，判定实际作物量；

基于所述实际作物量调节所述频率及神经网络模型；

所述基于大数据技术获取天气记录及作物变化率，根据所述天气记录及作物变化率训练神经网络模型的步骤包括：查询作物的生长期，根据生长期确定作物变化率的数据结构，基于数据结构统计各个时段的作物变化量，基于作物变化量计算作物变化率；

查询天气记录，根据作物变化率的时段对所述天气记录进行切分，构建天气记录至作物变化率的样本；

根据生长期对样本进行分类，构建训练集、测试集和验证集，基于训练集、测试集和验证集训练神经网络模型；

所述根据所述作物变化率选取传感器，确定目标区域，根据无人机获取所述目标区域的图像，对图像进行识别，判定实际作物量的步骤包括：判断所述作物变化率是否包含于预设的变化范围，当所述作物变化率超出所述变化范围时，将对应的传感器标记为目标传感器；

以所述目标传感器为中心，预设的数值为尺寸查询农田区域，作为目标区域；

统计所有目标传感器的位置，基于所述位置随机生成预设条数的无人机路径；

查询无人机路径中的采集区域，计算采集区域与目标区域的差集，作为参考区域；

根据预设的参照物对所述参考区域进行遍历匹配，根据匹配结果选取无人机路径；

基于根据匹配结果选取出的无人机路径对应的参考区域对目标区域进行识别，判定实际作物量；

所述基于根据匹配结果选取出的无人机路径对应的参考区域对目标区域进行识别，判定实际作物量的步骤包括：查询无人机路径中的包含参照物的参考区域对应的图像，并将其转换为HSV空间图像；

抽取HSV空间图像中的H分量、S分量和V分量，对各分量进行频域转换，得到参照物的频域图像；所述频域图像包括H频域图像、S频域图像和V频域图像；

将参照物的频域图像与标准频域图像作差，得到H变换层、S变换层和V变换层；

根据预设的权重系数叠加H变换层、S变换层和V变换层，得到变化图层，作为变化基准参数；

基于所述变化基准参数对目标区域对应的图像进行识别，判定实际作物量。

2.根据权利要求1所述的基于大数据的农业信息监控方法，其特征在于，所述基于所述变化基准参数对目标区域对应的图像进行识别，判定实际作物量的步骤包括：读取目标区域对应的图像，将其转换至HSV空间，并对HSV空间内的图像进行频域转换；

读取变化图层，对频域转换后的图像进行修正，对修正后的图像进行时域转换，得到修正图像；

对所述修正图像进行识别，判定实际作物量。

3.根据权利要求1所述的基于大数据的农业信息监控方法，其特征在于，所述基于所述实际作物量调节所述频率及神经网络模型的步骤包括：查询当前实际作物量的检测时刻和前一实际作物量的检测时刻，计算时间段及其实际变化量；

统计所述时间段内的作物变化率，计算理论变化量；

比对所述实际变化量和所述理论变化量，计算预测准度；

根据所述预测准度调节所述频率；其中，频率与预测准度呈反比；

当所述预测准度小于预设的准度阈值时，基于无人机采集数据更新神经网络模型的训练样本。

4.根据权利要求1至3任一项所述的基于大数据的农业信息监控方法，其特征在于，将图像转换至HSV空间的过程包括：式中，R、G和B分别为RGB空间内的图像色值，H、S和V分别为HSV空间内的图像色值，分别为色调、饱和度和明度。

5.一种基于大数据的农业信息监控系统，其特征在于，所述系统包括：模型训练模块，用于基于大数据技术获取天气记录及作物变化率，根据所述天气记录及作物变化率训练神经网络模型；所述神经网络模型的输入为某一时间段内的天气记录，输出为对应时间段内的作物变化率；作物变化率是作物在生长过程中变化情况，由生长量比上时间；

模型应用模块，用于根据预设的传感器实时监测天气信息，根据预设的频率截取天气信息，将所述天气信息输入训练好的神经网络模型，得到作物变化率；

作物量判定模块，用于根据所述作物变化率选取传感器，确定目标区域，根据无人机获取所述目标区域的图像，对图像进行识别，判定实际作物量；

识别结果应用模块，用于基于所述实际作物量调节所述频率及神经网络模型；

所述模型训练模块包括：

变化率计算单元，用于查询作物的生长期，根据生长期确定作物变化率的数据结构，基于数据结构统计各个时段的作物变化量，基于作物变化量计算作物变化率；

样本构建单元，用于查询天气记录，根据作物变化率的时段对所述天气记录进行切分，构建天气记录至作物变化率的样本；

训练执行单元，用于根据生长期对样本进行分类，构建训练集、测试集和验证集，基于训练集、测试集和验证集训练神经网络模型；

所述模型应用模块包括：

范围比对单元，用于判断所述作物变化率是否包含于预设的变化范围，当所述作物变化率超出所述变化范围时，将对应的传感器标记为目标传感器；

目标查询单元，用于以所述目标传感器为中心，预设的数值为尺寸查询农田区域，作为目标区域；

路径生成单元，用于统计所有目标传感器的位置，基于所述位置随机生成预设条数的无人机路径；

差集计算单元，用于查询无人机路径中的采集区域，计算采集区域与目标区域的差集，作为参考区域；

路径选取单元，用于根据预设的参照物对所述参考区域进行遍历匹配，根据匹配结果选取无人机路径；

识别执行单元，用于基于根据匹配结果选取出的无人机路径对应的参考区域对目标区域进行识别，判定实际作物量；

所述基于根据匹配结果选取出的无人机路径对应的参考区域对目标区域进行识别，判定实际作物量的内容包括：查询无人机路径中的包含参照物的参考区域对应的图像，并将其转换为HSV空间图像；

抽取HSV空间图像中的H分量、S分量和V分量，对各分量进行频域转换，得到参照物的频域图像；所述频域图像包括H频域图像、S频域图像和V频域图像；

将参照物的频域图像与标准频域图像作差，得到H变换层、S变换层和V变换层；

根据预设的权重系数叠加H变换层、S变换层和V变换层，得到变化图层，作为变化基准参数；

基于所述变化基准参数对目标区域对应的图像进行识别，判定实际作物量。