1.一种水文水质在线监测信息融合方法，其特征在于，所述方法包括：获取预设区域内流域监测设备发送的当前水文水质监测数据；基于目标数据校正模型对所述当前水文水质监测数据进行数据校正，得到目标水文水质监测数据；所述目标数据校正模型基于对初始数据校正模型进行同化校正后得到的，所述初始数据校正模型基于训练数据进行训练得到；基于所述目标水文水质监测数据，对所述预设区域内的流域进行预警；其中，所述目标数据校正模型基于对初始数据校正模型进行同化校正后得到的，包括：获取所述初始数据校正模型；基于目标同化矩阵，对所述初始数据校正模型进行校正，得到所述目标数据校正模型；其中，所述基于目标同化矩阵，对所述初始数据校正模型进行校正，得到所述目标数据校正模型，包括：获取所述预设区域内流域监测设备采集得到的第二历史时间段内的第二历史水文水质监测数据；利用所述初始数据校正模型对所述第二历史水文水质监测数据进行校正，生成第二目标水文水质数据；获取所述第二历史时间段内所述预设区域内流域对应的第二人工采集数据；基于所述第二目标水文水质数据和所述第二人工采集数据之间的差值，建立成本函数；所述成本函数中包括所述目标同化矩阵；利用预设方法对所述成本函数的最小值进行求解，计算得到所述目标同化矩阵；基于所述目标同化矩阵，对所述初始数据校正模型进行校正，得到所述目标数据校正模型。
2.根据权利要求1所述的方法，其特征在于，所述基于目标数据校正模型对所述当前水文水质监测数据进行数据校正，得到目标水文水质监测数据，包括：获取所述目标数据校正模型；对所述当前水文水质监测数据进行数据预处理，得到预处理后的当前水文水质监测数据；所述数据预处理包括缺失值处理、数据标准化中的至少一项；将所述预处理后的当前水文水质监测数据输入至所述目标数据校正模型，所述目标数据校正模型对所述预处理后的当前水文水质监测数据进行特征提取，对提取的特征进行识别，输出所述目标水文水质监测数据。
3.根据权利要求1所述的方法，其特征在于，所述获取所述初始数据校正模型，包括：获取所述预设区域内流域监测设备采集得到的第一历史时间段内的第一历史水文水质监测数据；所述第一历史时间段早于所述第二历史时间段；对所述第一历史水文水质监测数据进行数据清洗，剔除空缺值；采用不同的窗宽和步长对清洗后的第一历史水文水质监测数据进行分组处理，得到多组子历史水文水质监测数据；对各组所述子历史水文水质监测数据计算均值和方差；基于所述均值和所述方差，删除各组所述子历史水文水质监测数据中的异常值；将删除所述异常值的各组子历史水文水质监测数据按照时间顺序进行重组，生成第一目标历史水文水质数据；获取所述第一历史时间段内所述预设区域内流域对应的第一人工采集数据；基于所述第一目标历史水文水质数据和所述第一人工采集数据，生成所述初始数据校正模型对应的训练数据；基于所述训练数据，训练初始数据校正网络，生成所述初始数据校正模型。
4.根据权利要求3所述的方法，其特征在于，所述基于所述训练数据，训练初始数据校正网络，生成所述初始数据校正模型，包括：对所述训练数据进行分组，得到训练集和验证集；所述训练集中的所述第一目标历史水文水质数据作为输入，所述训练集中的所述第一人工采集数据作为目标输出，通过线性调整因子将第一目标历史水文水质数据拟合至第一人工采集数据，并以权重向量和松弛变量进行组合的最小值作为目标函数训练所述初始数据校正网络，得到候选数据校正模型；其中，所述目标函数为：其中，对于训练集中的训练样本，都有：Y-w·(aX+b)≤ε+ξ其中，X表征训练集中的所述第一目标历史水文水质数据，Y表征训练集中的所述第一人工采集数据；a和b为所述线性调整因子，w是权重向量，ε是误差指标参数，ξ是松弛变量；利用所述验证集，使用误差指标参数对所述候选数据校正模型进行验证，确定所述候选数据校正模型的准确度；若所述候选数据校正模型的准确度大于或者等于预设准确度阈值，则将所述候选数据校正模型确定为所述初始数据校正模型；若所述候选数据校正模型的准确度小于所述预设准确度阈值，则利用所述训练集再次对所述候选数据校正模型进行训练，直至所述候选数据校正模型的准确度大于或者等于所述预设准确度阈值，将所述候选数据校正模型确定为所述初始数据校正模型。
5.根据权利要求1所述的方法，其特征在于，所述目标同化矩阵包括校正矩阵和偏差矩阵，所述成本函数利用如下公式进行表示：其中，x k 为第二目标水文水质数据，y k 为第二人工采集数据，k表征第二目标水文水质数据和第二人工采集数据中的各个数据种类；O k 为校正矩阵，P为偏差矩阵。
6.根据权利要求5所述的方法，其特征在于，所述利用预设方法对所述成本函数的最小值进行求解，计算得到所述目标同化矩阵，包括：将所述第二目标水文水质数据和所述第二人工采集数据之间的差值转化为二进制目标数值；基于所述二进制目标数值将所述成本函数转化为目标函数；利用预设方法对所述目标函数进行求解，得到第一结果；对所述第一结果进行还原，计算得到所述目标同化矩阵。
7.根据权利要求6所述的方法，其特征在于，所述基于所述二进制目标数值将所述成本函数转化为目标函数，包括：从所述成本函数中提取二次项以及所述二次项对应的第二项系数，基于所述二次项以及所述二次项对应的所述第二项系数，构建二次项矩阵；从所述成本函数中提取线性项以及所述线性项对应的线性项系数，基于所述线性项以及所述线性项对应的所述线性项系数，构建线性项向量；基于所述二次项矩阵和所述线性项向量构建所述目标函数；其中，所述目标函数为H(d)＝d T Qd+c T d其中， Q为所述二次项矩阵，c为所述线性项向量。
8.根据权利要求1所述的方法，其特征在于，所述基于所述目标同化矩阵，对所述初始数据校正模型进行校正，得到所述目标数据校正模型，包括：利用如下公式对所述初始数据校正模型中的线性调整因子进行校正，得到所述目标数据校正模型：a'＝α 1 O k a+β 1 Pab'＝α 2 O k b+β 2 Pb其中，a和b为所述初始数据校正模型中的所述线性调整因子，a'和b'是校正后的目标数据校正模型中的线性调整因子，α1、α2、β 1 、β 2 分别为权重系数，Ok为校正矩阵，P为偏差矩阵。
