1.一种基于卷积神经网络的土壤含氮量反演模型构建方法，其特征在于，所述方法包括：

获取模型训练数据，所述模型训练数据包括遥感影像数据以及野外土壤样本，根据所述遥感影像数据获取遥感影像范围以及多份土地利用类型样本，将所述土地利用类型样本结合卷积神经网络模型进行模型训练以获得第一目标模型；

根据所述第一目标模型结合所述遥感影像范围获得土地利用类型空间分布图，根据所述土地利用类型空间分布图获得土地利用分类结果，根据所述土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱；

通过所述野外土壤样本获取土壤光谱数据，对所述土壤光谱数据进行光谱预处理以获得目标土壤光谱数据，通过所述目标土壤光谱数据获取土壤全氮含量，将所述土壤全氮含量及所述室内光谱结合所述卷积神经网络模型建立光谱与土壤全氮含量模型，通过所述目标土壤光谱数据对所述光谱与土壤全氮含量模型进行模型训练以获得光谱与土壤全氮含量目标模型，将所述光谱与土壤全氮含量目标模型结合所述遥感影像范围构建土壤全氮含量空间分布图。

2.根据权利要求1所述的基于卷积神经网络的土壤含氮量反演模型构建方法，其特征在于，将所述土地利用类型样本结合卷积神经网络模型进行模型训练以获得第一目标模型的步骤包括：将所述土地利用类型样本结合卷积神经网络模型进行模型训练；

结合精度评价指标对训练后的卷积神经网络模型进行精度评价从而获得第一目标模型，所述精度评价指标包括总体分类精度，Kappa系数，生产者精度以及用户精度。

3.根据权利要求1所述的基于卷积神经网络的土壤含氮量反演模型构建方法，其特征在于，根据所述土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱的步骤包括：通过相关系数法分析影像光谱、室内光谱及土壤全氮含量的相关性；

通过所述相关性结合卷积神经网络模型建立影像光谱与室内光谱的转换关系；

通过所述转换关系将影像光谱转换为室内光谱。

4.根据权利要求1所述的基于卷积神经网络的土壤含氮量反演模型构建方法，其特征在于，对所述土壤光谱数据进行光谱预处理以获得目标土壤光谱数据的步骤之后包括：通过相关系数法对土壤全氮含量进行筛选以确定土壤全氮的特征波段；

将所述特征波段作为建立光谱与土壤全氮含量模型的模型参数。

5.根据权利要求1所述的基于卷积神经网络的土壤含氮量反演模型构建方法，其特征在于，所述土地利用类型样本包括建模样本及测试样本，将所述土地利用类型样本结合卷积神经网络模型进行模型训练以获得第一目标模型的步骤包括：将所述建模样本结合卷积神经网络模型建立第一模型，通过所述测试样本对所述第一模型进行测试从而修正模型分类精度以获得第一目标模型。

6.根据权利要求1所述的基于卷积神经网络的土壤含氮量反演模型构建方法，其特征在于，所述目标土壤光谱数据包括建模样本以及测试样本，通过所述目标土壤光谱数据对所述光谱与土壤全氮含量模型进行模型训练以获得光谱与土壤全氮含量目标模型的步骤包括：通过所述建模样本对所述光谱与土壤全氮含量模型进行模型训练，通过所述测试样本对训练后的光谱与土壤全氮含量模型进行精度测试，以获得光谱与土壤全氮含量目标模型。

7.一种基于卷积神经网络的土壤含氮量反演模型构建系统，其特征在于，所述系统包括：

获取模块，用于获取模型训练数据，所述模型训练数据包括遥感影像数据以及野外土壤样本，根据所述遥感影像数据获取遥感影像范围以及多份土地利用类型样本，将所述土地利用类型样本结合卷积神经网络模型进行模型训练以获得第一目标模型；

转换模块，用于根据所述第一目标模型结合所述遥感影像范围获得土地利用类型空间分布图，根据所述土地利用类型空间分布图获得土地利用分类结果，根据所述土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱；

构建模块，用于通过所述野外土壤样本获取土壤光谱数据，对所述土壤光谱数据进行光谱预处理以获得目标土壤光谱数据，通过所述目标土壤光谱数据获取土壤全氮含量，将所述土壤全氮含量及所述室内光谱结合所述卷积神经网络模型建立光谱与土壤全氮含量模型，通过所述目标土壤光谱数据对所述光谱与土壤全氮含量模型进行模型训练以获得光谱与土壤全氮含量目标模型，将所述光谱与土壤全氮含量目标模型结合所述遥感影像范围构建土壤全氮含量空间分布图。