1.一种智慧农业大气污染物浓度分层次预警方法，其特征在于，包括以下步骤：(1)对目标农作物种植区域进行高度层级划分，每一层级分别设置若干大气污染物浓度传感器实时监测并采集该高度层级的多种类大气污染物浓度，大气污染物包括SO2、NOx、CO、O3，获取四种大气污染物的高度层级划分，分别记为： HeightCO、(2)利用每一高度层级的均匀分布大气污染物浓度传感器分别对SO2、NOx、CO、O3浓度进行采集，分别形成目标大气污染物浓度样本a、b、c、d，对原始浓度样本进行异常值剔除与去噪处理，得到四种污染物浓度的处理后样本a″、b″、c″、d″；

(3)分层次大气污染物浓度预测模型建立：

3.1)将样本a″中t时刻、高度层级为 的SO2浓度序列作为带有自适应权值的量子粒子群优化的小波神经网络SO2浓度预测模型的输入，样本a″中t+Δt时刻、高度层级为 的SO2浓度序列作为预测模型的输出，得到高度层级为 步长为Δt的SO2浓度预测模型；同理共得到ρ个SO2预测模型，ρ为SO2浓度对应的高度层级数；

3.2)将样本b″中t时刻、高度层级为 的NOx浓度序列作为水循环WCA算法优化的极限学习机NOx浓度预测模型的输入，对应样本b″中t+Δt时刻、高度层级为的浓度序列作为预测模型的输出，得到高度层级为 步长为Δt的NOx浓度预测模型；同理共得到σ个NOx预测模型，σ为NOx浓度对应的高度层级数；

3.3)将样本c″中t时刻、高度层级为 的CO浓度序列作为布谷鸟搜索算法优化的随机森林CO浓度预测模型的输入，对应样本c″中t+Δt时刻、高度层级为 的浓度序列作为预测模型的输出，得到高度层级为 步长为Δt的CO浓度预测模型；

同理共得到τ个CO预测模型，τ为CO浓度对应的高度层级数；

3.4)将样本d″中t时刻、高度层级为 的O3浓度序列作为基于猴群爬过程的人工蜂群优化的支持向量机O3浓度预测模型的输入，对应样本d″中t+Δt时刻、高度层级为的O3浓度序列作为预测模型的输出，得到高度层级为 步长为Δt的O3浓度预测模型；同理共得到ω个O3预测模型，ω为O3浓度对应的高度层级数；

(4)利用训练完成的ρ个SO2预测模型、σ个NOx预测模型、τ个CO预测模型、ω个O3预测模型实现目标农作物区域的四种大气污染物浓度分层次、全覆盖的空间立体网络预测，对不同种类农作物进行针对不同种类大气污染物、不同生长高度的多层级分类预警。

2.根据权利要求1所述的智慧农业大气污染物浓度分层次预警方法，其特征在于，步骤(1)中，高度层级的划分依据如下：

1.1)利用若干台无人机分布在目标农作物种植区域的若干个随机子区域，每台无人机测量覆盖1个子区域，每台无人机搭载SO2、NOx、CO、O3四种大气污染物浓度传感器，在阳光、水分等自然因素正常且基本一致的条件下进行匀速自主升降实时测量每一高度元素的4种大气污染物浓度，采样间隔为Δt，高度元素为hΔt＝{h1，h2，...，hn}，即每一台无人机均采样n次；

1.2)对不同种类、不同高度元素的大气污染物浓度进行标签化处理，SO2对应于不同高度元素的浓度分别记为 NOx对应于不同高度元素的浓度分别记为 CO对应于不同高度元素的浓度分别记为

O3对应于不同高度元素的浓度分别记为

1.3)利用先验知识获取目标农作物种植区域内所有农作物对4种大气污染物浓度的敏感高度值，记目标农作物对SO2浓度、NOx浓度、CO浓度和O3浓度的敏感高度元素集分别为：

1.4)对SO2浓度值序列，计算 中每两个相邻的浓度值之间的变化率，即若当 第一次超过阈值 时，记录此时的有效高度元素值

hi，第二次超过阈值 时，记录此时的有效高度元素值hj，将所有有效高度元素值重新编号，记为有效高度元素集

1.5)与步骤1.4)中同理，得到NOx、CO、O3的有效高度元素集

1.6)将步骤1.3)中得到的敏感高度与步骤1.4)、1.5)中得到的有效高度元素进行融合，具体过程如下：S1.以SO2浓度为例，当α＞n1时，高度层级划分取为目标农作物的敏感高度元素集；

S2.当α＝n1且 与 的差值在阈值范围内时，高度层级划分取为敏感高度元素集与有效高度元素集的算数平均数；

S3.当α＝n1但 与 的差值超出阈值范围时，高度层级划分取为目标农作物的敏感高度元素集；

S4.当α＜n1时，高度层级划分取为有效高度元素集；

S5.得到SO2的高度层级划分

CO

同理可得到NOx、CO、O3的高度层级划分 Height 、

3.根据权利要求1所述的智慧农业大气污染物浓度分层次预警方法，其特征在于，步骤(2)中，所述异常值剔除与去噪处理过程，具体为：

2.1)设 表示传感器ID为j的第i时刻第k高度层级的SO2浓度值， 为任意传感器ID中的第i时刻第k高度层级的SO2浓度值，通过对样本中的所有SO2浓度数据进行判断，识别潜在异常值：

2.2)若对于 存在 使得：

则该点为异常值点，对该点的样本浓度值进行重新赋值：

将样本数据进行异常值处理后的SO2浓度样本记为a′；

2.3)利用傅里叶变换将步骤2.2)得到的样本a′分解为低频和高频信号，利用滤波器滤去高频信号，使处理后的浓度数据更加平稳，将浓度样本a′经去噪之后的样本数据记为a″；

2.4)对NOx、CO、O3三种污染物浓度原始样本b、c、d同样进行上述步骤2.1)～2.3)的操作，得到此三种污染物浓度的处理后样本b″、c″、d″。