1.一种基于特征数据聚类分析的状态评估方法，其特征在于，包括以下步骤：步骤S1：利用工程测量仪器以及无人机获取堤防多源数据，其中堤防多源数据包括堤防高程数据、水文检测数据、堤防结构数据土壤特征数据、以及堤防地形地表数据，根据堤防多源数据生成堤防实时地貌数据集；

步骤S2：根据堤防实时地貌数据集利用矩阵分解法进行视觉投影，生成堤防实时地貌矩阵投影图；

步骤S3：利用多因子单元区划分法对堤防实时地貌数据集进行聚类分析法划分，生成堤防多因子单元区域群组；其中，步骤S3包括：步骤S31：根据堤防实时地貌数据集进行数据指标抽象，获取评价权重因子；

步骤S32：根据评价权重因子利用多因子单元区划分法对堤防实时地貌数据集进行聚类分析法划分，获得预设划分单元以及初始单元质心；

步骤S33：对预设划分单元以及初始单元质心进行多因子单元质心距离公式进行计算分析，获取各个预设划分单元与其单元质心的相似度距离；

步骤S34：根据各个预设划分单元与其单元质心的相似度距离进行最近分配划分，更新预设划分单元其所属单元质心；

步骤S35：对更新的预设划分单元所属单元质心进行迭代计算分配划分，直至预设划分单元所属单元质心位置不再改变，获得最终划分单元以及单元质心；

步骤S36：根据最终划分单元以及单元质心进行特征关联处理，生成堤防多因子单元区域群组；

其中，多因子单元质心距离公式具体为：

其中，D为多因子划分单元到单元质心距离，n为多因子划分单元的数量，i为第i个多因子划分单元，wi第i个元素的权重，xi为第i个元素中的多因子划分单元，yi为多因子划分单元中第i个元素，|xi‑yi|为第i个元素的差值的绝对值，ci为所有多因子划分单元在第i个因n子上的均值，|xi‑ci|为第i个因子上多因子划分单元与该因子均值之差的绝对值的n次方，n|yi‑ci|为多因子划分单元中第i个元素与该因子均值之差的绝对值的n次方；

步骤S4：利用可视化视图工具heatmap对堤防多因子单元区域群组进行可交互式视图处理，生成堤防可交互热力图；

步骤S5：利用超像素卷积网络对堤防可视化热力图进行膨胀卷积及多尺度采样，生成堤防卷积特征模型；其中，步骤S5包括：步骤S51：将堤防可视化热力图作为数据输入，利用超像素卷积网络对堤防交互热力图进行卷积预处理，生成堤防超像素卷积预处理管道；

步骤S52：基于堤防超像素卷积预处理管道利用超像素算法进行卷积数据切割，生成堤防低维卷积特征图；

步骤S53：根据堤防低维卷积特征图利用膨胀卷积算法进行边缘特征加强处理，生成堤防卷积特征网络；

步骤S54：利用多尺度采样算法对堤防卷积特征网络进行空间金字塔池化多层采样，生成堤防卷积特征序列；

步骤S55：将堤防卷积特征序列作为数据输出，利用超像素卷积网络对堤防卷积特征序列进行基于关联规则的数据挖掘算法建模，生成堤防卷积特征模型；

步骤S6：基于根据堤防卷积特征模型以及堤防实时地貌矩阵投影图，利用集成学习梯度提升决策树算法进行模型驱动建模，以构建堤防健康诊断模型。

2.根据权利要求1所述的基于特征数据聚类分析的状态评估方法，其特征在于，步骤S1的具体步骤为：步骤S11：利用激光测距仪以及水文探测仪获取堤防高程数据以及水文检测数据；

步骤S12：利用全站仪、土壤探针以及无人机获取堤防结构数据、土壤特征数据以及堤防地形地表数据；

步骤S13：基于堤防高程数据、水文检测数据、堤防结构数据以及土壤特征数据，利用ETL工具Talend Open Studio进行堤防异构数据融合，生成堤防多源数据集；

步骤S14：对堤防多源数据集以及堤防地形地表数据进行数据集成，生成堤防实时地貌数据集。

3.根据权利要求1所述的基于特征数据聚类分析的状态评估方法，其特征在于，步骤S2的具体步骤为：步骤S21：根据堤防实时地貌数据集进行数据预处理，包括清洗、整合以及标准化，生成堤防实时地貌预处理管道；

步骤S22：对堤防实时地貌预处理管道进行矩阵划分，生成多个堤防实时地貌数据子矩阵；

步骤S23：利用非负矩阵分解法对堤防实时地貌数据子矩阵进行矩阵分解，生成主成分矩阵以及最小误差矩阵；

步骤S24：根据主成分矩阵以及最小误差矩阵进行特征提取，生成堤防特征权重矩阵；

步骤S25：利用应用视觉投影法对堤防特征权重矩阵进行视觉投影，生成堤防实时地貌矩阵投影图。

4.根据权利要求1所述的基于特征数据聚类分析的状态评估方法，其特征在于，步骤S4的具体步骤为：步骤S41：利用可视化视图工具heatmap对堤防多因子单元区域群组进行Python可视化库处理，生成堤防多因子单元可视化视图；

步骤S42：利用基于深度学习算法对堤防多因子单元可视化视图进行特征提取并渲染，生成堤防特征热力图；

步骤S43：利用JavaScript库对堤防特征热力图进行交互化处理，生成堤防可交互热力图。

5.根据权利要求1所述的基于特征数据聚类分析的状态评估方法，其特征在于，步骤S54的具体步骤为：步骤S541：利用多尺度采样算法对堤防卷积特征网络进行空间金字塔池化多层采样，生成堤防多尺度特征图；

步骤S542：对堤防多尺度特征图进行卷积特征映射，生成堤防多尺度向量集；

步骤S543：利用堤防多尺度向量集进行向量拼接，生成堤防卷积特征序列。

6.根据权利要求1所述的基于特征数据聚类分析的状态评估方法，其特征在于，步骤S6的具体步骤为：步骤S61：根据堤防卷积特征模型以及堤防实时地貌矩阵投影图相结合进行特征数据提取，获取堤防实时地貌卷积特征数据；

步骤S62：利用集成学习梯度提升决策树算法对堤防实时地貌卷积特征数据进行组合分类器加权综合计算，生成堤防健康诊断加权模型；

步骤S63：利用贪心算法对堤防健康诊断加权数据进行模型训练，构建堤防特征与健康评估函数模型；

步骤S64：基于堤防特征与健康评估函数模型对堤防健康诊断加权数据利用堆叠模型融合法进行模型驱动建模，以构建堤防健康诊断模型。

7.根据权利要求6所述的基于特征数据聚类分析的状态评估方法，其特征在于，步骤S62的具体步骤为：步骤S621：对堤防实时地貌卷积特征数据进行组合分解，生成堤防特征数据样本集；

步骤S622：利用初始基分类器对堤防特征数据样本集进行权重初始化，生成初始等价权重数值；

步骤S623：利用集成学习梯度提升决策树算法对初始等价权重数值进行样本预测计算，生成权重残差数据；

步骤S624：利用基分类器对权重残差数据进行拟合，生成权重拟合残差数据；

步骤S625：基于权重拟合残差数据利用基分类器进行权重分配，生成组合分类器权重数据；

步骤S626：基于组合分类器权重数据利用组合分类器加权综合计算公式对堤防实时地貌卷积特征数据进行计算分析，生成堤防健康诊断加权模型；

其中，组合分类器加权综合计算公式具体为：

其中，f(x)为组合分类器权重系数，n为基分类器的数量，ti为第i个基分类器在组合分类器中的权重，hi为第i个基分类器对权重的预测值，(x)为输入初始基分类器的样本值，m为基分类器对结果值的预测结果的和，vi为第i个基分类器对结果值的预测结果，gi为第i个基分类器对结果值的实际结果，N为分类结果的数量，vjk为第j个基分类器对第k个基分类器的权重，hk为第k个基分类器对样本的分类结果。

8.一种基于特征数据聚类分析的状态评估系统，其特征在于，包括：至少一个处理器；以及，

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行如权利要求1至7中任一项所述的基于特征数据聚类分析的状态评估方法，从而构建堤防健康诊断模型，用于诊断堤防的健康安全状态。