1.一种基于人工智能的水产养殖加氧监控方法，其特征在于，所述水产养殖加氧监控方法包括以下步骤：

采集多模态环境数据，将多模态环境数据以三维矩阵形式输入空间通道，将三维矩阵按环境因子类型拆分为多个二维网格层，每层代表一种环境因子在空间上的分布状态；采用多层堆叠的卷积操作处理各网格层，通过3×3卷积核在网格上滑动，计算局部区域内传感器数据的关联特征；使用全局池化操作将局部特征整合为反映整个养殖水域空间模式的特征向量；通过跨通道卷积层计算不同环境因子空间分布的关联性，输出包含多因子空间交互特征的中间结果；采用BiGRU双向门控循环单元结构，前向GRU从历史起点向当前时刻遍历数据捕捉溶解氧随时间的上升趋势，后向GRU从当前时刻向历史起点反向遍历捕捉下降趋势；通过GRU单元的重置门和更新门，筛选历史信息并遗忘无关噪声；通过门控机制强化突变时刻的特征权重，输出包含趋势、周期、突变信息的时序特征向量；利用空间通道处理网格传感器数据，时间通道处理历史时序数据，引入动态权重注意力机制自适应调整不同环境因子的贡献度，得到多维度特征向量；

基于LSTM长短期记忆网络建立溶解氧预测模型，利用改进的IPOS粒子群算法优化模型的超参数，得到目标溶解氧预测模型；

将所述多维度特征向量输入至所述目标溶解氧预测模型中进行预测，输出未来预设时间段内水体溶解氧浓度指数；

根据所述水体溶解氧浓度指数结合强化学习算法和预设的溶解氧安全阈值范围进行增氧资源管理，若预测未来溶解氧浓度将持续高于安全上限则维持当前增氧强度；若预测未来溶解氧浓度将持续处于安全范围则维持当前增氧策略；若预测未来溶解氧浓度将下降至接近安全下限则提前启动增氧措施；若预测未来溶解氧浓度将发生急剧下降则立即执行最高级别的增氧响应，并发出高级别预警。

2.如权利要求1所述的一种基于人工智能的水产养殖加氧监控方法，其特征在于，所述采集多模态环境数据，包括：采集养殖水体的溶解氧浓度数据、环境参数、气象信息数据和鱼群图像数据，对采集到的各类数据进行异常值检测，采用拉依达准则识别异常值并将其剔除，得到清洗数据；

通过小波变换去噪方法对传感器采集数据的随机噪声进行处理，得到降噪数据；

利用z‑score标准化方法，将数据转换为均值为0、标准差为1的标准化数据，得到多模态环境数据。

3.如权利要求1所述的一种基于人工智能的水产养殖加氧监控方法，其特征在于，所述基于LSTM长短期记忆网络建立溶解氧预测模型，利用改进的IPOS粒子群算法优化模型的超参数，得到目标溶解氧预测模型，包括：在预设的超参数范围内随机生成初始粒子群，将每个粒子对应的超参数代入LSTM模型，用训练集训练模型后，计算验证集的预测误差作为粒子的适应度；

计算每个粒子的个体最优位置和全局最优位置，结合自适应惯性权重与全局最优的引导更新粒子的速度和位置，同时通过交叉变异生成新粒子；

当迭代次数达到预设最大值时停止迭代，此时的全局最优粒子对应的超参数组合为最优解。

4.如权利要求1所述的一种基于人工智能的水产养殖加氧监控方法，其特征在于，所述将所述多维度特征向量输入至所述目标溶解氧预测模型中进行预测，输出未来预设时间段内水体溶解氧浓度指数，包括：利用模型的输入层对特征向量进行初步编码，并经过隐藏层提取特征向量中的关键时序信息，根据预设时间段的长度动态调整运算精度，输出未来预设时间段内水体溶解氧浓度指数。

5.一种基于人工智能的水产养殖加氧监控系统，其特征在于，所述水产养殖加氧监控系统包括以下步骤：

多维度向量提取模块，用于采集多模态环境数据，将多模态环境数据以三维矩阵形式输入空间通道，将三维矩阵按环境因子类型拆分为多个二维网格层，每层代表一种环境因子在空间上的分布状态；采用多层堆叠的卷积操作处理各网格层，通过3×3卷积核在网格上滑动，计算局部区域内传感器数据的关联特征；使用全局池化操作将局部特征整合为反映整个养殖水域空间模式的特征向量；通过跨通道卷积层计算不同环境因子空间分布的关联性，输出包含多因子空间交互特征的中间结果；采用BiGRU双向门控循环单元结构，前向GRU从历史起点向当前时刻遍历数据捕捉溶解氧随时间的上升趋势，后向GRU从当前时刻向历史起点反向遍历捕捉下降趋势；通过GRU单元的重置门和更新门，筛选历史信息并遗忘无关噪声；通过门控机制强化突变时刻的特征权重，输出包含趋势、周期、突变信息的时序特征向量；利用空间通道处理网格传感器数据，时间通道处理历史时序数据，引入动态权重注意力机制自适应调整不同环境因子的贡献度，得到多维度特征向量；

预测模型建立模块，用于基于LSTM长短期记忆网络建立溶解氧预测模型，利用改进的IPOS粒子群算法优化模型的超参数，得到目标溶解氧预测模型；

溶解氧浓度预测模块，用于将所述多维度特征向量输入至所述目标溶解氧预测模型中进行预测，输出未来预设时间段内水体溶解氧浓度指数；

增氧资源管理模块，用于根据所述水体溶解氧浓度指数结合强化学习算法和预设的溶解氧安全阈值范围进行增氧资源管理，若预测未来溶解氧浓度将持续高于安全上限则维持当前增氧强度；若预测未来溶解氧浓度将持续处于安全范围则维持当前增氧策略；若预测未来溶解氧浓度将下降至接近安全下限则提前启动增氧措施；若预测未来溶解氧浓度将发生急剧下降则立即执行最高级别的增氧响应，并发出高级别预警。

6.如权利要求5所述的一种基于人工智能的水产养殖加氧监控系统，其特征在于，所述溶解氧浓度预测模块包括以下子模块：预测子模块，用于利用模型的输入层对特征向量进行初步编码，并经过隐藏层提取特征向量中的关键时序信息，根据预设时间段的长度动态调整运算精度，输出未来预设时间段内水体溶解氧浓度指数。

7.如权利要求5所述的一种基于人工智能的水产养殖加氧监控系统，其特征在于，所述溶解氧浓度预测模块包括以下子模块：管理子模块，用于若预测未来溶解氧浓度将持续高于安全上限则维持当前增氧强度；

若预测未来溶解氧浓度将持续处于安全范围则维持当前增氧策略；

预警子模块，用于若预测未来溶解氧浓度将下降至接近安全下限则提前启动增氧措施；若预测未来溶解氧浓度将发生急剧下降则立即执行最高级别的增氧响应，并发出高级别预警。