1.一种基于多元特征的滑坡形变降雨阈值计算方法，其特征在于，所述方法包括：通过Sentinel_1A和GPM卫星获取的数据，构建目标区域在目标时段的时空数据集，其中所述时空数据集包括：降雨数据集、土壤湿度数据集、雷达影像数据集；

通过永久性散射雷达干涉测量方法对所述时空数据集中的雷达影像数据集进行处理，获得滑坡形变数据，并基于所述滑坡形变数据，构建滑坡形变事件库；

通过Mann_Kendall突变检验算法，确定所述滑坡形变事件库中滑坡形变事件的降雨突变点；

根据所述降雨突变点前后的降雨时间序列，确定所述滑坡形变事件的有效降雨时间窗口；

根据所述有效降雨时间窗口、所述降雨数据集和所述土壤湿度数据集，确定所述滑坡形变事件的降雨历时、降雨强度以及土壤湿度指数；

通过所述滑坡形变事件库中各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数拟合获得所述目标区域的目标降雨阈值模型；

通过所述目标降雨阈值模型确定待测空间位置在待测时刻的滑坡形变发生概率；

其中，根据所述有效降雨时间窗口、所述降雨数据集和所述土壤湿度数据集，确定所述滑坡形变事件的降雨历时、降雨强度以及土壤湿度指数，包括：根据所述有效降雨时间窗口和所述降雨数据集，确定所述滑坡形变事件发生前的有效降雨时间序列；从所述滑坡形变事件的发生时刻开始，对所述滑坡形变事件发生前的有效降雨时间序列中的每一个时刻的前后有效降雨量进行计算，并将计算获得的所述前后有效降雨量进行对比，直至第一次出现一个时刻的后有效降雨量大于该一个时刻的前有效降雨量时，将该一个时刻确定为所述滑坡形变事件对应的滑坡前降雨事件的开始时刻；根据所述滑坡前降雨事件的开始时刻和所述滑坡形变事件的发生时刻，确定所述滑坡形变事件的降雨历时；根据所述降雨历时和所述降雨数据集，计算获得所述滑坡形变事件的累计降雨量；根据所述降雨历时和所述累计降雨量，计算获得所述滑坡形变事件的降雨强度；根据所述土壤湿度数据集，获取滑坡形变降雨事件之前预设时长的土壤湿度数据，并通过最小值和最大值标准化对所述滑坡形变降雨事件之前预设时长的土壤湿度数据进行处理获得对应的土壤湿度指数；

其中，通过所述滑坡形变事件库中各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数拟合获得所述目标区域的目标降雨阈值模型，包括：将所述各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数绘制在三维坐标系上，获得三维分布图；通过所述三维分布图拟合构建的降雨阈值模型的表达式，确定所述降雨阈值模型的表达式中的α和β的取值，以获得第一目标降雨阈值模型，其中，所述第一目标降雨阈值模型为进行降雨阈值判断的50%概率阈值曲面，对于位于所述50%概率阈值曲面上方的点所对应的时间和地点将有超过50%的概率发生滑坡形变事件；所述降雨阈值模型的表达式为：其中，D为降雨历时、I降雨强度、S为土壤湿度指数、α和β均为待定系数，α为缩放常数，β为形状参数；

其中，通过所述目标降雨阈值模型确定待测空间位置在待测时刻的滑坡形变发生概率，包括：根据确定的需要进行滑坡灾害预测的待测空间位置和待测时刻，计算获得所述待测空间位置在所述待测时刻对应的降雨历时、降雨强度以及土壤湿度指数；将计算获得的所述待测时刻对应的降雨历时、降雨强度以及土壤湿度指数绘制在三维分布图中，然后确定对应的点在所述三维分布图中的分布位置与所述目标降雨阈值模型之间的空间关系；根据所述空间关系，确定所述待测空间位置在所述待测时刻发生滑坡灾害的概率。

2.根据权利要求1所述的基于多元特征的滑坡形变降雨阈值计算方法，其特征在于，通过Sentinel_1A和GPM卫星获取的数据，构建目标区域在目标时段的时空数据集，包括：通过GPM卫星监测的降雨观测数据，获取到目标区域在目标时段的降雨时间序列数据，构成降雨数据集，并基于土壤湿度产品数据，构建目标区域在研究时段的土壤湿度数据集；

通过Sentinel_1A卫星监测的降轨数据，获取到所述目标区域的多景雷达影像数据；

对所述多景雷达影像数据进行预处理，确定所述多景雷达影像数据中的超级主影像，并将所述超级主影像与所述多景雷达影像数据中的其他雷达影像进行配对获得主从影像对；

通过所述主从影像对中的所述超级主影像对从影像集进行配准，获得雷达影像数据集；

将所述降雨数据集、所述土壤湿度数据集和所述雷达影像数据集均按照时间和空间位置进行命名存储，构成目标区域在目标时段的时空数据集。

3.根据权利要求1所述的基于多元特征的滑坡形变降雨阈值计算方法，其特征在于，通过Mann_Kendall突变检验算法，确定所述滑坡形变事件库中滑坡形变事件的降雨突变点，包括：根据所述滑坡形变事件库中滑坡形变事件的发生时刻和所述降雨数据集，获取所述滑坡形变事件发生前的长时间降雨时间序列；

根据所述长时间降雨时间序列的顺序降雨时间序列，通过第一预设算法构建对应的第一秩序列，并计算所述第一秩序列对应的平均值和方差；

在设定条件下，通过第二预设算法对所述第一秩序列对应的平均值和方差进行计算，获得所述第一秩序列的统计量；

根据所述长时间降雨时间序列的逆序降雨时间序列，通过第一预设算法构建对应的第二秩序列，并计算所述第二秩序列对应的平均值和方差；

在设定条件下，通过第二预设算法对所述第二秩序列对应的平均值和方差进行计算，获得所述第二秩序列的统计量；

根据所述第一秩序列的统计量和所述第二秩序列的统计量、预设的显著性水平线和预设判定条件，确定所述滑坡形变事件的降雨突变点。

4.根据权利要求1所述的基于多元特征的滑坡形变降雨阈值计算方法，其特征在于，根据所述降雨突变点前后的降雨时间序列，确定所述滑坡形变事件的有效降雨时间窗口，包括：确定所述滑坡形变事件的降雨突变点与所述滑坡形变事件的发生时刻之间的时间差；

根据所述降雨数据集和所述时间差，确定所述滑坡形变事件的初始有效降雨时间序列；

通过第三预设算法，计算所述初始有效降雨时间序列的偏态系数；

根据所述偏态系数，通过第四预设算法计算获得所述滑坡形变事件的有效降雨时间窗口。

5.根据权利要求1所述的基于多元特征的滑坡形变降雨阈值计算方法，其特征在于，通过所述滑坡形变事件库中各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数拟合获得所述目标区域的目标降雨阈值模型，包括：将所述各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数绘制在三维坐标系上，获得三维分布图；

通过所述三维分布图中的下部界限分布点拟合构建的降雨阈值模型的表达式，确定所述降雨阈值模型的表达式中α和β的取值，以获得第二目标降雨阈值模型，其中，所述第二目标降雨阈值模型为进行降雨阈值判断的0概率阈值曲面，对于位于所述0概率阈值曲面上方的点所对应的时间和地点将有发生滑坡形变的可能。

6.根据权利要求1所述的基于多元特征的滑坡形变降雨阈值计算方法，其特征在于，在所述时空数据集还包括地面形变监测数据的情况下，所述方法还包括：确定验证空间位置在预测时刻对应的降雨历时、降雨强度以及土壤湿度指数；

确定所述预测时刻对应的降雨历时、降雨强度以及土壤湿度指数在三维分布图中与所述第一目标降雨阈值模型之间的空间关系；

根据所述空间关系，确定所述预测时刻发生滑坡形变的发生概率；

根据各个预测时刻的发生概率和所述各个预测时刻各自对应的地面形变监测数据，确定所述第一目标降雨阈值模型的命中率。

7.根据权利要求5所述的基于多元特征的滑坡形变降雨阈值计算方法，其特征在于，在所述时空数据集还包括地面形变监测数据的情况下，所述方法还包括：确定验证空间位置在预测时刻对应的降雨历时、降雨强度以及土壤湿度指数；

确定所述预测时刻对应的降雨历时、降雨强度以及土壤湿度指数在三维分布图中与所述第二目标降雨阈值模型之间的空间关系；

根据所述空间关系，确定所述预测时刻发生滑坡形变的发生概率；

根据各个预测时刻的发生概率和所述各个预测时刻各自对应的地面形变监测数据，确定所述第二目标降雨阈值模型的命中率。