1.一种水质状态融合感知与预测溯源方法，其特征在于，该方法包括以下步骤：S1、获取待监测水体的水质监测数据，并结合从实时水体视频中提取的视觉信息，作为待监测水体的多源数据；

S2、基于动态加权融合模型，将所述多源数据整合为融合数据；

S3、将所述融合数据输入至水质模型，预测未来时刻的水质变化趋势；

S4、识别水体监测过程中存在的异常行为；基于所述异常行为的地理信息，追溯异常来源，并分析所述异常来源所在地的污染物信息；

S5、整合待监测水体内所有监测点的多源数据及污染物信息，建立可视化的污染时空分布模型，动态展示待监测水体全域的水质状态；

所述基于动态加权融合模型，将所述多源数据整合为融合数据包括以下步骤：S21、对所述多源数据中各类水质指标进行数据格式统一与同步处理；

S22、利用滤波器优化所述多源数据，并利用动态加权融合模型将多源数据整合为融合数据，其中，所述动态加权融合模型的表达式为：式中，Xkk表示当前时刻的融合数据；

Xkk‑1表示前一时刻的水质指标的预测值；

ZK表示当前时刻融合数据的实际值；

KK表示卡尔曼增益；

H表示观测模型矩阵；

所述识别水体监测过程中存在的异常行为；基于所述异常行为的地理信息，追溯异常来源，并分析所述异常来源所在地的污染物信息包括以下步骤：S41、基于自编码器网络，重构水质传感器监测得到的水质参数数据，并设定重构误差阈值，分析水质传感器监测过程中的异常行为；

S42、在捕获异常行为后，收集异常行为发生时刻的目标水体数据；其中，所述目标水体数据包括水体监测数据、水体视觉信息及环境监测数据；

S43、获取所述异常行为发生位置的地理位置数据，追溯异常水体的坐标，并基于污染物扩散模型，模拟污染物在异常水体内的对流扩散过程；

S44、基于污染物扩散模拟结果，识别污染物在不同时间和空间分布，并结合实时水体视频分析污染物种类与污染物来源；

S45、基于污染物种类与污染物来源，分析异常水体内污染物的成分、浓度、发生时间及持续周期，再计算异常水体的污染负荷；

所述整合待监测水体内所有监测点的多源数据及污染物信息，建立可视化的污染时空分布模型，动态展示待监测水体全域的水质状态包括以下步骤：S51、获取待监测水体内所有监测点的空间分布信息，并基于贝叶斯统计方法，建立污染时空分布模型，描述污染物在待监测水体内的时空分布；

S52、定义空间相对水平参数与局部相对趋势参数；

S53、分别计算下一时刻时的空间相对水平参数与局部相对趋势参数的后验概率，基于后验概率计算结果标定各个监测点污染等级；

S54、基于所述污染时空分布模型与污染等级，采用可视化地图展示待监测水体全域的水质状态，并依据采样频率进行实时动态更新；

S55、基于可视化展示结果，评估待监测水体的水质状态的分布规律，并优化与调配污染的处置策略；

所述定义空间相对水平参数与局部相对趋势参数包括以下步骤：定义空间相对水平参数的表达式为：

式中，pi表示第i处监测点的污染负荷；

α表示待监测水体所有监测点的污染负荷的平均值；

定义局部相对趋势参数的表达式为：

式中，qi表示i处监测点的污染负荷变化率；

q0表示待监测水体所有监测点的污染负荷变化率的平均值。

2.根据权利要求1所述的一种水质状态融合感知与预测溯源方法，其特征在于，所述获取待监测水体的水质监测数据，并结合从实时水体视频中提取的视觉信息，作为待监测水体的多源数据包括以下步骤：S11、设定水质监测传感器的初始采集频率，并基于前一时刻的水质变化趋势与环境因素，自适应动态调节下一时刻的采集频率；

S12、基于调节后的采样频率，利用所述水质监测传感器按时采集待监测水体的水质参数数据，并进行数据校正与时间对齐；

S13、将不同类型的所述水质参数数据整合为水质监测数据；

S14、拍摄待监测水体的实时水体视频，并基于所述实时水体视频，分析提取待监测水体的水体视觉信息；

S15、将所述水质监测数据与所述水体视觉信息，作为待监测水体监测得到的多源数据。

3.根据权利要求2所述的一种水质状态融合感知与预测溯源方法，其特征在于，所述基于所述实时水体视频，分析与提取待监测水体的水体视觉信息包括以下步骤：S141、对所述实时水体视频的视频帧图像进行图像预处理；

S142、利用图像识别模型提取视频帧图像中的视觉图像特征，再基于深度学习模型，将视觉图像特征转换为序列化的特征向量；

S143、利用所述深度学习模型计算每个特征向量对其他特征向量的注意力权重，并对特征向量进行加权组合，生成全局特征描述符；

S144、基于所述全局特征描述符，输出每种视觉信息类型的概率分布，并依据概率分布结果，识别水体视觉信息的具体分析结果。

4.根据权利要求1所述的一种水质状态融合感知与预测溯源方法，其特征在于，所述将所述融合数据输入至水质模型，预测未来时刻的水质变化趋势包括以下步骤：S31、水质模型采用输入的融合数据，模拟待监测水体在当前时刻的动态变化与污染物传播行为，并输出当前时刻的水质指标，作为模型预测结果；

S32、基于历史水质指标与模型预测结果，利用变分数据同化方法优化所述水质模型的模型参数与状态变量；

S33、基于优化后的水质模型，建立预测模型，预测待监测水体在下一时刻水质指标的预测值，并基于预测值变化，分析待监测水体的水质变化趋势。

5.根据权利要求4所述的一种水质状态融合感知与预测溯源方法，其特征在于，所述污染物扩散模型的表达式为：式中，C(x，t)表示在位置x和时间t时的污染物浓度；

S(x，t)表示在位置x和时间t的污染物源强度；

u表示水流的平均速度；

D表示污染物的扩散系数；

λ表示污染物的自然降解率。

6.根据权利要求5所述的一种水质状态融合感知与预测溯源方法，其特征在于，所述计算异常水体的污染负荷的表达式为：式中，Cpollutant为污染物在异常水体内的污染负荷；

Ct和Qt分别表示时间t的污染物浓度和污染物流量；

Tstart和Tend分别表示污染开始和结束的时间；

f表示污染物浓度与流量的关系函数。