1.基于物联网技术的水产养殖环境监测方法，其特征在于，所述方法包括以下步骤：在水库内每个采样点处采集水样，获取采集水样的水质检测数据序列，根据水质检测数据序列中的极值点将水质检测数据序列划分为多个子序列；

基于子序列中相邻数据点之间增减趋势的差异确定子序列中的突变点，基于突变点所取窗口范围内突变点的重合情况确定子序列的波动范围；基于所述波动范围内突变点之间的距离特征获得所述波动范围的第一保留程度；

基于每个波动范围内突变点在每个波动范围内数据点的拟合曲线上的位置距离特征确定每个波动范围的离散程度表征值；

基于每个波动范围内数据分解得到的最长残差子序列中的数据点数量以及相邻数据点之间变化的规律性确定每个波动范围的规律评估系数，将所述离散程度表征值、规律评估系数之和作为确定每个波动范围的第二保留程度；将每个波动范围的第一保留程度和第二保留程度的和值作为每个波动范围的修正系数；

根据所述修正系数对旋转门算法的预设门限值进行修正获得自适应门限值，利用旋转门算法基于自适应门限值对水质检测数据序列进行压缩，得到优化采集结果；

基于水质检测数据序列的优化采集结果确定环境监测结果；

所述基于所述波动范围内突变点之间的距离特征获得所述波动范围的第一保留程度的步骤包括：将每个波动范围内数据点的数量值的正相关映射结果作为每个波动范围的范围表征值，计算所述范围表征值与预设第一权重的乘积得到范围权重；

计算每个波动范围内相邻两个突变点之间的数据点数量的平均值并正相关映射，获得每个波动范围的间距表征值，计算所述间距表征值与预设第二权重的乘积得到间距权重；

将所述范围权重与所述间距权重的和作为每个波动范围的第一保留程度；

所述基于每个波动范围内突变点在每个波动范围内数据点的拟合曲线上的位置距离特征确定每个波动范围的离散程度表征值的步骤包括：对每个波动范围内的数据点进行曲线拟合获得第二拟合曲线；

计算第二拟合曲线内所有相邻的单波的波峰的横坐标之间的差值绝对值，获得波峰间距值；计算第二拟合曲线内每个单波的波峰和波谷之间的纵坐标的差值绝对值，获得波形幅度值；

计算第二拟合曲线内所有所述波峰间距值的标准差与所有所述波形幅度值的标准差之和作为波动离散值，对所述波动离散值进行负相关映射，得到波动范围的离散程度表征值；

所述基于每个波动范围内数据分解得到的最长残差子序列中的数据点数量以及相邻数据点之间变化的规律性确定每个波动范围的规律评估系数的步骤包括：将波动范围内的数据序列通过STL算法进行分解获得残差序列，将残差序列中的数据点作为输入，利用AP聚类算法将残差序列中的数据点划分到不同聚类簇中，并将数据点数量最多的聚类簇内的数据点按照时间排列，得到最长残差子序列；

根据最长残差子序列的长度特征和变化特征获得波动范围的规律评估系数；

所述根据最长残差子序列的长度特征和变化特征获得波动范围的规律评估系数的步骤包括：计算最长残差子序列中每个数据点与相邻的其他数据点之间的斜率作为每个数据点的斜率表征值；

将最长残差子序列中所有数据点的斜率表征值的绝对值的累加和作为最长残差子序列的整体斜率表征值；

计算最长残差子序列中所有相邻数据点之间的斜率表征值的差值绝对值并累加求和，得到最长残差子序列的相邻斜率差异值；

计算所述整体斜率表征值与所述相邻斜率差异值的和值得到最长残差子序列的偏差程度，将所述偏差程度的负相关映射结果作为最长的残差子序列的平缓程度值；

对最长残差子序列中数据点的数量值进行正相关映射，将所述正相关映射的映射结果与所述平缓程度值的和值作为波动范围的规律评估系数。

2.根据权利要求1所述的基于物联网技术的水产养殖环境监测方法，其特征在于，所述根据水质检测数据序列中的极值点将水质检测数据序列划分为多个子序列的步骤包括：对每个水质检测数据序列中的数据点进行曲线拟合，得到第一拟合曲线；

将第一拟合曲线上的极值点作为分割点；根据所述分割点对每个水质检测数据序列进行分割获得每个水质检测数据序列的多个子序列。

3.根据权利要求1所述的基于物联网技术的水产养殖环境监测方法，其特征在于，所述基于子序列中相邻数据点之间增减趋势的差异确定子序列中的突变点，基于突变点所取窗口范围内突变点的重合情况确定子序列的波动范围的步骤包括：计算所述子序列中每个数据点与前一个相邻数据点的数值差值，获得每个数据点的前相邻差；计算所述子序列中数据点与后一个相邻数据点的数值差值，获得每个数据点的后相邻差；计算所述前相邻差和所述后相邻差的比值，作为每个数据点的波动表征值；当所述波动表征值大于0时，将对应的数据点作为一个突变点；

对于所述子序列中的任意一个突变点，对于子序列中的任意一个突变点，将每个突变点和预设邻域范围内其他突变点组成一个波动子区间；

获取子序列内的所有波动子区间，将任意两个包含相同突变点的波动子区间融合，直至融合后的波动范围内没有与其他波动子区间相同的突变点；获取包含相同突变点的每个波动子区间中两个端点对应的时刻，将所有所述时刻中确定最长时间区间的两个时刻作为起始时刻、末尾时刻，将由起始时刻、末尾时刻对应的数据点作为端点确定的区间作为波动区间。

4.根据权利要求1所述的基于物联网技术的水产养殖环境监测方法，其特征在于，所述根据所述修正系数对旋转门算法的预设门限值进行修正获得自适应门限值的步骤包括：将预设门限值和每个波动范围的波动范围的修正系数的比值作为每个波动范围的自适应门限值。

5.根据权利要求1所述的基于物联网技术的水产养殖环境监测方法，其特征在于，所述利用旋转门算法基于自适应门限值对水质检测数据序列进行压缩的步骤包括：分别计算每个水质检测数据序列中每个子序列中每个波动范围的自适应门限值；将每个水质检测数据序列划分的所有子序列作为输入；

对于修正系数大于预设修正阈值的波动范围对应的数据，将预设门限值替换为波动范围的自适应门限值，进行压缩；

对于修正系数小于等于预设修正阈值的波动范围对应的数据，利用旋转门算法基于预设门限值进行压缩；

对于子序列中不在波动范围内的检测数据，按照时间顺序排列得到带压缩序列，利用旋转门算法基于预设门限值进行压缩。

6.根据权利要求1所述的基于物联网技术的水产养殖环境监测方法，其特征在于，所述基于水质检测数据序列的优化采集结果确定环境监测结果的步骤包括：将每个采样点的每个水质检测数据序列的优化采集结果作为异常检测算法的输入，利用异常检测算法输出所述优化采集结果中的异常点；

统计每个采样点中同一种水质检测数据序列中的所有异常点，将所述所有异常点与每种水质检测标准区间进行对比，将不位于标准区间内的异常点数量与所有异常点数量的比值作为每个采样点每种水质反映出的养殖环境不合格率。