1.一种滑坡隐患识别及易发性评价方法，其特征在于，包括以下步骤：利用SBAS‑InSAR技术获取研究区域的地表形变数据；

基于地形、地质和气象因素，构建滑坡易发性评价的IV‑MLP模型；

结合地表形变数据和模型的结果，生成LSR，输出滑坡易发性评价指数；

其中，所述LSR用于识别滑坡隐患区域，并对易发性进行评价；

所述利用SBAS‑InSAR技术获取研究区域的地表形变数据步骤包括：选择研究区域内的多个时间点的合成孔径雷达影像；

对所选择的SAR影像进行差分干涉处理，以获取时序地表形变数据；

利用小基线集算法对差分干涉结果进行处理，以减少大气延迟和噪声的影响，并提高地表形变监测的精度；

所述基于地形、地质和气象因素，构建滑坡易发性评价的IV‑MLP模型步骤包括：收集研究区域的地形、地质和气象数据；

使用机器学习算法处理所述数据，以确定与滑坡易发性相关的关键因素；

构建滑坡易发性评价模型，以预测不同区域的滑坡易发性；

所述IV‑MLP模型的构建还包括：利用多层感知器神经网络分析地形、地质和气象因素与滑坡事件之间的非线性关系；

应用迭代验证方法对MLP神经网络进行训练和验证，以优化模型参数并防止过拟合；

确定经过迭代验证的MLP模型中各输入变量的权重，以评价其对滑坡易发性的相对重要性；

所述构建滑坡易发性评价模型采用信息量法模型，计算滑坡各因子的信息量，根据现有的滑坡信息，确定影响因子与滑坡发生之间的概率关系，即滑坡因子和滑坡的相关性，信息值计算公式为：其中， 是因子类的信息值， 为第 类滑坡的像素数， 是第类中的像素数， 为整个研究区滑坡的像素数， 是整个研究区域内的像素数；

所述结合地表形变数据和模型的结果，生成LSR图，输出滑坡易发性评价指数步骤包括：对地表形变数据进行归一化处理；

将归一化的形变数据与滑坡易发性评价模型的结果相结合，以生成LSR值；

根据LSR值，将研究区域划分为不同的滑坡风险等级；

所述LSR值是来自SBAS‑InSAR和IV‑MLP模型分析的叠加累积，计算公式为：其中， 为易发性概率指数， 为在一定时期内的斜坡运动速率， 为总时期；

方法还包括：

使用滑坡指数P和卡帕系数对生成的LSR图进行精度验证；

所述使用滑坡指数P和卡帕系数对生成的LSR图进行精度验证步骤包括：计算高至极高易发性类别中实际发生的滑坡区域面积与研究区域滑坡总面积的比率；

评估所述比率以确定LSR图的有效性；

根据观测到的一致性与偶然预期的一致性之间的差异，计算卡帕系数以评估模型的分类能力；

所述滑坡指数 的计算公式为：

其中，为易发性评价的精度， 为高至极高易发性类别中的滑坡区域面积，为该地区滑坡的总面积。

2.一种滑坡隐患识别及易发性评价装置，用于实施如权利要求1所述的方法，其特征在于，包括：数据获取模块，用于利用SBAS‑InSAR技术获取地表形变数据；

模型构建模块，用于基于地形、地质和气象因素构建滑坡易发性评价模型；

分析模块，用于结合数据获取模块和模型构建模块的结果生成LSR；

验证模块，用于使用滑坡指数P和卡帕系数对LSR进行精度验证。

3.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1所述的方法。

4.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1所述的方法。