1.由梯度提升回归优化模型预测多因子滑坡沉降量的方法，其特征在于，包括：收集历史预测滑坡沉降量的多因子样本数据；所述多因子样本数据通过北斗监测站以及气象站数据计算得到；包括：北斗监测滑坡位移量、北斗大气可降水量以及气象站降雨量数据；

其中，所述北斗大气可降水量通过北斗监测数据进行反演，其计算公式表示为：PWV＝Π×ZWD；

其中，PWV表示为所述北斗大气可降水量的计算值；Π表示为转换因子；ZWD表示为对流层天顶湿延迟；

所述转换因子的计算公式为： 其中，ρw表示为水密度；ρv表示为水汽密度；k'2，k3表示为大气折射常系数；Tm表示为加权平均气温；

对所述多因子样本数据进行预处理，并构建多因子样本数据集；将所述多因子样本数据集进行划分，得到训练集和测试集；

构建梯度提升回归优化模型，包括多个弱学习器；其中，所述梯度提升回归优化模型主体使用梯度提升回归模型，让并行生成的多个弱学习器拟合先前累加模型的损失函数的负梯度，使加上多个所述弱学习器后的累积模型损失往负梯度的方向减少；其中，所述弱学习器采用梯度提升回归树；

其中，所述弱学习器的初始化模型函数表示为：

其中，F0()表示为所述弱学习器的初始化模型函数；x＝{xi|1≤i≤n}表示为训练集；

argmin()表示为最小参数值函数；n表示为训练集的样本个数；L()表示为损失函数；yi表示为训练集中样本i的滑坡沉降预测值；γ表示为所述梯度提升回归优化模型中拟合叶子节点的最优输出值；

其中，所述损失函数的负梯度的计算公式表示为：

其中，gmi表示为训练样本i在第m轮训练的负梯度值，且m(m＝1,2,...,M)为训练轮数；

Fm‑1()表示为所述梯度提升回归优化模型在第m‑1轮训练函数；

其中，所述损失函数的负梯度用于在第m轮迭代时拟合一棵梯度回归树hm(xi)；其中，所述hm(xi)的权重系数的计算公式为：其中，γmj表示为模型训练第m轮后，第j个叶子节点的权重系数；j的取值范围为[1,...,J]；Rmj表示为建立的滑坡沉降量预测的重点区域；

其中，经过m轮迭代的学习器可更新为如下：

其中，记I为hm(x)；

对所述梯度提升回归优化模型进行训练，包括：

输入所述训练集至第一弱学习器，得到第一滑坡沉降量预测值；

计算所述第一滑坡沉降量预测值与实际滑坡沉降量的误差，优化所述第一弱学习器；

对所述训练集进行数据转化，得到第一训练集；其中，所述数据转化包括：提取所述训练集的样本特征；对所述样本特征进行特征分布分析，得到特征分布随机数序列；结合所述特征分布随机数序列与所述训练集生成初始化训练样本；将所述初始化训练样本进行数据增强进行随机变化，得到增强训练样本；根据所述训练集的样本标签对所述增强训练样本进行重新赋予标签；验证所述增强训练样本是否符合所述训练集的特征分布，并进行调整，得到所述第一训练集；

将所述第一训练集输入至第二弱学习器，得到第二滑坡沉降量预测值；

计算第二滑坡沉降量预测值与所述实际滑坡沉降量的误差，优化所述第二弱学习器；

重复弱学习器训练过程，直至多个所述弱学习器优化完毕；

根据多个所述弱学习器的预测结果，输出滑坡沉降量预测值；

计算所述滑坡沉降量预测与所述实际滑坡沉降量的误差，优化所述梯度提升回归优化模型的全局参数；

根据预设条件，模型训练结束，得到最优梯度提升回归优化模型；

其中，在所述最优梯度提升回归优化模型中弱学习器最大迭代次数为41，最大树深为

6，学习率为0.5；正则化中的子采样为0.4；

利用所述测试集对所述最优梯度提升回归优化模型进行测试，得到滑坡沉降量测试值；

根据当前滑坡沉降量预测值评估滑坡危险等级。

2.根据权利要求1所述的由梯度提升回归优化模型预测多因子滑坡沉降量的方法，其特征在于，所述滑坡危险等级的评估过程包括：获取预测滑坡沉降量的当前多因子样本数据；

将当前多因子样本数据进行所述预处理，得到当前多因子预测样本数据；

输入所述当前多因子预测样本数据至所述最优梯度提升回归优化模型，得到所述当前滑坡沉降量预测值；

基于滑坡历史数据、地质条件和土壤类型确定滑坡危险等级的阈值；

根据所述当前滑坡沉降量预测值与所述阈值进行比较，获取比较结果；

根据所述比较结果判定滑坡的危险等级；其中，所述危险等级包括：低级、中级和高级。