1.一种基于机器学习模型的水质参数高光谱分析方法，其特征在于，包括以下步骤：

步骤S1：选取若干水质参数样本，获取水质参数样本溶液；设定标准信噪比Sn0，并根据所述标准信噪比设定若干信噪比梯度值，以不同信噪比梯度值的光谱波段对水质参数样本溶液进行高光谱分析，获取水质参数样本溶液的光谱曲线，所述光谱曲线为不同波长下的反射率；

根据各信噪比梯度值以及各信噪比梯度值的水质参数样本溶液对应的光谱曲线，获得水质参数样本的反射变化率；将所述反射变化率低于预设反射率变化阈值的水质参数样本，记为非敏感水质参数；

步骤S2：将水体的污染源所处的位置记为污染源点；在所述污染源点采集水体样本，获取所述非敏感水质参数的浓度c0；以标准信噪比的光谱波段对所述水体样本进行高光谱分析，得到高光谱图像，在所述高光谱图像中获取非敏感水质参数所处的像素点内的光谱曲线，记为源光谱曲线；

步骤S3：将水体的其余任意位置记为采集点，在所述采集点进行高光谱分析时，获取不同信噪比梯度值的光谱波段下得到的高光谱图像，记为当前高光谱图像，并将所述当前高光谱图像的各像素点内的光谱曲线，记为当前光谱曲线；

在所述当前高光谱图像中，获取同一像素点在不同信噪比梯度值的光谱波段下的全部当前光谱曲线，得到差异值：其中n为信噪比梯度值的总个数，fi(λ)

表示第i个信噪比梯度值的光谱波段下的当前光谱曲线，λ为波长，[λ0，λ1]表示光谱波段的波长范围；选取出所述差异值小于预设差异阈值的像素点，记为非敏感像素点；

步骤S4：获取所述非敏感像素点的全部当前光谱曲线，记为非敏感曲线，并选取出与所述源光谱曲线相似度最高的非敏感曲线，记为目标曲线；获取所述目标曲线对应的信噪比梯度值，记为Snmin；根据所述信噪比梯度值和标准信噪比，得到采集点处所述非敏感水质参数的预测浓度Pc＝c0+μ(Snmin‑Sn0)，其中μ为预设的修正参数且μ＞0，单位为mol/(L*dB)。

2.根据权利要求1所述的一种基于机器学习模型的水质参数高光谱分析方法，其特征在于，在步骤S1中，所述信噪比梯度值的设定过程包括：设定信噪比间隔阈值，以所述标准信噪比为起始值，根据所述信噪比间隔阈值对所述起始值进行递增或递减，得到若干个信噪比梯度值。

3.根据权利要求1所述的一种基于机器学习模型的水质参数高光谱分析方法，其特征在于，在步骤S1中，所述反射变化率的获得过程包括：在各光谱曲线上选取若干参考点，根据光谱曲线上各参考点处的反射率，得到反射率均值 其中k表示第k个光谱曲线，Px表示第x个参考点处的反射率，m为参考点的总个数；

以信噪比为横坐标，以反射率为纵坐标，建立坐标系；在所述坐标系中获得标准线y＝Mr，y表示坐标系的纵坐标；将全部光谱曲线的置于所述坐标系内，并将全部光谱曲线的起点与原点重合；在所述坐标系中，获取各条光谱曲线与所述标准线的差值则得到反射变化率

其中Sni表示第i个信噪比梯度值，Di表示第i个信噪比梯度值对应的光谱曲线的差值。

4.根据权利要求1所述的一种基于机器学习模型的水质参数高光谱分析方法，其特征在于，在步骤S1中，所述反射变化率大于等于预设反射率变化阈值的水质参数样本，记为敏感水质参数。

5.根据权利要求4所述的一种基于机器学习模型的水质参数高光谱分析方法，其特征在于，在步骤S2中，在所述高光谱图像中获取非敏感水质参数所处的像素点内的光谱曲线的过程包括：获取所述水体样本中全部敏感水质参数，获取所述敏感水质参数的光谱曲线，记为敏感光谱曲线；在所述高光谱图像中选取出全部敏感光谱曲线所处的像素点，记为敏感像素点，并剔除全部敏感像素点，将所述高光谱图像中剩余的全部像素点内的光谱曲线，记为源光谱曲线。

6.根据权利要求1所述的一种基于机器学习模型的水质参数高光谱分析方法，其特征在于，在步骤S3中，将所述差异值大于等于预设差异阈值的像素点，记为敏感像素点。

7.根据权利要求1所述的一种基于机器学习模型的水质参数高光谱分析方法，其特征在于，在步骤S4中，选取出与所述源光谱曲线相似度最高的非敏感曲线的过程包括：分别在所述源光谱曲线和非敏感曲线上等间隔的选取若干个对比点，则得到所述源光谱曲线和非敏感曲线的相似度 其中G(t)表示源光谱曲线上的第t个对比点，T(t)表示非敏感曲线上的第t个对比点，J为对比点的总数。

8.一种基于机器学习模型的水质参数高光谱分析系统，其特征在于，包括：

敏感划分模块：选取若干水质参数样本，获取水质参数样本溶液；设定标准信噪比Sn0，并根据所述标准信噪比设定若干信噪比梯度值，以不同信噪比梯度值的光谱波段对水质参数样本溶液进行高光谱分析，获取水质参数样本溶液的光谱曲线，所述光谱曲线为不同波长下的反射率；

根据各信噪比梯度值以及各信噪比梯度值的水质参数样本溶液对应的光谱曲线，获得水质参数样本的反射变化率；将所述反射变化率低于预设反射率变化阈值的水质参数样本，记为非敏感水质参数；

污染源分析模块：将水体的污染源所处的位置记为污染源点；在所述污染源点采集水体样本，获取所述非敏感水质参数的浓度c0；以标准信噪比的光谱波段对所述水体样本进行高光谱分析，得到高光谱图像，在所述高光谱图像中获取非敏感水质参数所处的像素点内的光谱曲线，记为源光谱曲线；

采集点分析模块：将水体的其余任意位置记为采集点，在所述采集点进行高光谱分析时，获取不同信噪比梯度值的光谱波段下得到的高光谱图像，记为当前高光谱图像，并将所述当前高光谱图像的各像素点内的光谱曲线，记为当前光谱曲线；

在所述当前高光谱图像中，获取同一像素点在不同信噪比梯度值的光谱波段下的全部当前光谱曲线，得到差异值：其中n为信噪比梯度值的总个数，fi(λ)

表示第i个信噪比梯度值的光谱波段下的当前光谱曲线，λ为波长，[λ0，λ1]表示光谱波段的波长范围；选取出所述差异值小于预设差异阈值的像素点，记为非敏感像素点；

浓度预测模块：获取所述非敏感像素点的全部当前光谱曲线，记为非敏感曲线，并选取出与所述源光谱曲线相似度最高的非敏感曲线，记为目标曲线；获取所述目标曲线对应的信噪比梯度值，记为Snmin；根据所述信噪比梯度值和标准信噪比，得到采集点处所述非敏感水质参数的预测浓度Pc＝c0+μ(Snmin‑Sn0)，其中μ为预设的修正参数且μ＞0，单位为mol/(L*dB)。