1.基于原位遥感信息的远洋渔类生境分布预测方法，其特征在于，首先，处理时间段a内海域b鱼类c的生产统计数据及时间段a内海域b的包括遥感反射比和亮温在内的原位遥感信息得到时间段a内海域b鱼类c的时空同步的cpue与原位遥感信息的数据，按照1、2、3……m的次序依次对所有类别的原位遥感信息进行编号，将这些原位遥感信息依次记为x1、x2、x3……xm；然后，针对x1、x2、x3……xm中的任意1～m种原位遥感信息利用bp神经网络建立至多2m-1个cpue预测模型，使用所得数据训练并测试建立的各cpue预测模型得到最终预测模型；最后，将待预测时间段内海域b鱼类c的原位遥感信息输入最终预测模型即可完成对待预测时间段内海域b鱼类c的cpue的预测。
2.根据权利要求1所述的基于原位遥感信息的远洋渔类生境分布预测方法，其特征在于，步骤如下：
(1)对时间段a内海域b鱼类c的生产统计数据、时间段a内海域b的原位遥感信息的数据以及时间段a内海域b的海洋环境因子的数据进行处理，获取时间段a内海域b鱼类c的时空同步的cpue、海洋环境因子与原位遥感信息的数据，所述原位遥感信息包括遥感反射比和亮温，按照1、2、3……m的次序依次对所有类别的原位遥感信息及海洋环境因子进行编号，将这些原位遥感信息及海洋环境因子依次记为x1、x2、x3……xm；
(2)将步骤(1)获取的时间段a内海域b鱼类c的时空同步的cpue、海洋环境因子与原位遥感信息的数据分为训练集和测试集；
(3)针对x1、x2、x3……xn中的任意1～n种原位遥感信息及海洋环境因子利用bp神经网络建立至多2n-1个cpue预测模型；
(4)使用训练集训练各cpue预测模型并使用测试集对各cpue预测模型进行测试，选取精度最高的模型作为最终预测模型；
(5)将待预测时间段内海域b鱼类c的最终预测模型所需的原位遥感信息输入最终预测模型即可完成对待预测时间段内海域b鱼类c的cpue的预测。
3.根据权利要求2所述的基于原位遥感信息的远洋渔类生境分布预测方法，其特征在于，步骤(4)中一cpue预测模型的训练及测试具体步骤为：
(a)从训练集中选取训练样本，判断训练集中训练样本是否已经全部被选取过；
(b)训练集中训练样本未被全部被选取过，则采用步骤(a)选取的训练样本对cpue预测模型i进行训练，所述cpue预测模型i的输入为海洋环境因子和原位遥感信息中的任意项，输出为cpue，反之，则以前次训练得到的cpue预测模型i作为cpue预测模型i的优选模型；
(c)从测试集中选取测试样本，将测试样本的对应cpue预测模型i的输入的相关数据输入步骤(b)训练得到的cpue预测模型i的优选模型得到该测试样本的测试cpue；
(c)测试样本的测试cpue与测试样本的真实cpue的偏差小于阈值，则cpue预测模型i的优选模型即为cpue预测模型i的最终模型，反之，则调整bp神经网络的参数并返回步骤(a)。
4.根据权利要求3所述的基于原位遥感信息的远洋渔类生境分布预测方法，其特征在于，步骤(4)中所述最终预测模型的获取过程如下：从测试集中选取测试样本，将测试样本的对应各cpue预测模型的输入的相关数据分别输入各cpue预测模型的最终模型得到各测试样本的测试cpue；计算各测试样本的测试cpue与真实cpue的偏差；选取最小偏差值对应的cpue预测模型的最终模型作为最终预测模型。
5.根据权利要求2所述的基于原位遥感信息的远洋渔类生境分布预测方法，其特征在于，所述海洋环境因子包括海表温度和叶绿素a浓度。
6.根据权利要求2所述的基于原位遥感信息的远洋渔类生境分布预测方法，其特征在于，步骤(1)中的对时间段a内海域b鱼类c的生产统计数据、时间段a内海域b的原位遥感信息的数据以及时间段a内海域b的海洋环境因子的数据是指在时间域上按照指定的时间分辨率进行平均处理，在空间域上按照指定的空间分辨率进行重采样。
7.根据权利要求3所述的基于原位遥感信息的远洋渔类生境分布预测方法，其特征在于，所述cpue预测模型包括输入层、隐含层和输出层；输入层为海洋环境因子和原位遥感信息中的任意项，输出层为cpue。
8.根据权利要求7所述的基于原位遥感信息的远洋渔类生境分布预测方法，其特征在于，步骤(d)中的调整bp神经网络的参数是指调整输入层、隐含层和输出层之间的连接权值。
9.一种电子设备，其特征在于，包括一个或多个处理器、一个或多个存储器、一个或多个程序及数据搜集装置；
所述数据搜集装置用于获取时间段a内海域b鱼类c的生产统计数据、时间段a内海域b的原位遥感信息的数据及待预测时间段内海域b鱼类c的原位遥感信息的数据，所述一个或多个程序被存储在所述存储器中，当所述一个或多个程序被所述处理器执行时，使得所述电子设备执行如权利要求1～8任一项所述的基于原位遥感信息的远洋渔类生境分布预测方法。