1.一种融合DEM、光学遥感和形变信息的潜在滑坡识别方法，具体包括以下步骤：

步骤1、对研究区域内的SAR影像进行处理，得到研究区域的形变速率图；获取研究区域的光学遥感影像数据和DEM数据，所述光学遥感影像数据包括全色波段数据和4波段多光谱数据；通过DEM数据对光学遥感影像数据进行预处理，得到融合的光学遥感影像图；所述DEM指数字高程模型；

步骤2、对研究区域的形变速率图定义投影和重采样，得到重采样后的形变速率图；对所述DEM数据定义投影，得到具有投影信息的DEM数据；采用多尺度分割方法对具有投影信息的DEM数据和融合的光学遥感影像图中的4波段多光谱数据整体进行分割，得到多个对象；

其特征在于，还包括以下步骤：

步骤3、将重采样后的形变速率图与得到的多个对象进行叠加，得到融合的光学遥感影像图中各像元的形变速率；通过融合的光学遥感影像图中各像元的形变速率计算得到多个对象的形变速率；采用阈值分类的方法对多个对象的形变速率进行处理，得到疑似滑坡区；

步骤4、在研究区域内分别选取已知滑坡区和已知非滑坡区，分别沿已知滑坡区和已知非滑坡区的边界，对具有投影信息的DEM数据进行剪裁，得到已知滑坡区的DEM数据和已知非滑坡区的DEM数据；给定多个尺度因子，计算多个尺度因子下已知滑坡区的DEM数据的小波系数的方差和多个尺度因子下已知非滑坡区的DEM数据的小波系数的方差；通过多个尺度因子下已知非滑坡区的DEM数据的小波系数的方差，对多个尺度因子下已知滑坡区DEM数据的小波系数的方差进行归一化处理，得到多个尺度因子下已知滑坡区的DEM数据归一化后的小波系数方差；判断得到的多个尺度因子下已知滑坡区的DEM数据归一化后的小波系数方差的大小，得到特征尺度因子；采用特征尺度因子对DEM数据进行小波变换，得到DEM数据中每个节点在多个整数尺度因子下的小波系数的平方和；

步骤5、设定多个给定阈值，判断多个整数尺度因子下DEM数据中每个节点的小波系数的平方和与多个给定阈值的大小，得到多个给定阈值对应的疑似滑坡区域；采用误差分析方法对得到的多个给定阈值对应的疑似滑坡区域进行处理，得到优选阈值；从多个给定阈值对应的疑似滑坡区域中选取优选阈值对应的疑似滑坡区域，将优选阈值对应的疑似滑坡区域与疑似滑坡区进行交运算，得到潜在滑坡区域。

2.如权利要求1所述的融合DEM、光学遥感和形变信息的潜在滑坡识别方法，其特征在于，所述步骤3的具体操作如下：将重采样后的形变速率图与得到的多个对象进行叠加，得到融合的光学遥感影像图中各像元的形变速率；分别计算多个对象中每个对象的所有像元形变速率的平均值，将得到的平均值分别作为多个对象的形变速率；采用阈值分类的方法对多个对象的形变速率进行分类，得到阈值范围内的形变速率，从多个对象中提取阈值范围内的形变速率所对应的对象，将提取的阈值范围内的形变速率所对应的对象作为疑似滑坡区。

3.如权利要求1所述的融合DEM、光学遥感和形变信息的潜在滑坡识别方法，其特征在于，所述步骤4的具体操作如下：步骤4.1、在研究区域内分别选取已知滑坡区和已知非滑坡区，分别沿已知滑坡区和已知非滑坡区的边界，对具有投影信息的DEM数据进行剪裁，分别得到已知滑坡区的DEM数据和已知非滑坡区的DEM数据；给定多个尺度因子，计算得到多个尺度因子下已知滑坡区的DEM数据的小波系数和多个尺度因子下已知非滑坡区的DEM数据的小波系数；

步骤4.2、计算多个尺度因子下已知滑坡区的DEM数据的小波系数的方差，和多个尺度因子下已知非滑坡区的DEM数据的小波系数的方差；

步骤4.3、通过多个尺度因子下已知非滑坡区的DEM数据的小波系数的方差，对多个尺度因子下已知滑坡区的DEM数据的小波系数的方差进行归一化处理，得到多个尺度因子下已知滑坡区的DEM数据归一化后的小波系数方差；将多个尺度因子下已知滑坡区域DEM数据归一化后小波系数方差中的最大值的1/2作为截断值；提取多个尺度因子下已知滑坡区域DEM数据归一化小波系数方差中大于截断值的已知滑坡区域DEM数据归一化小波系数方差，将大于截断值的已知滑坡区域DEM数据归一化小波系数方差所对应的尺度因子作为特征尺度因子，所述特征尺度因子中包括多个整数尺度因子；

步骤4.4、采用特征尺度因子中的多个整数尺度因子对DEM数据进行小波变换，得到多个整数尺度因子下的DEM数据的小波系数；通过多个整数尺度因子下的DEM数据的小波系数，计算DEM数据中每个节点在多个整数尺度因子下的小波系数的平方和。

4.如权利要求1所述的融合DEM、光学遥感和形变信息的潜在滑坡识别方法，其特征在于，所述步骤5的具体操作如下：步骤5.1、设定多个给定阈值，对DEM数据中的每个节点和多个给定阈值分别进行编号，得到DEM数据节点序列和给定阈值序列；将DEM数据节点序列中的第一个节点作为当前节点，将给定阈值序列中的第一个给定阈值作为当前阈值；

步骤5.2、从DEM数据中每个节点在多个整数尺度因子下的小波系数的平方和中选取当前节点在多个整数尺度因子下的小波系数的平方和；

当当前节点在多个整数尺度因子下得到的小波系数的平方和大于等于当前阈值时，将当前节点作为当前阈值对应的疑似滑坡区域节点；将当前节点的下一个节点作为当前节点，重复执行与步骤5.2相同的操作，直至判断完最后一个节点结束，得到当前阈值对应的疑似滑坡区域的多个节点；根据得到的当前阈值的疑似滑坡区域的多个节点构成得到当前阈值对应的疑似滑坡区域；

当当前节点在多个整数尺度因子下得到的小波系数的平方和小于当前阈值时，表示当前节点属于非滑坡区域；将当前节点的下一个节点作为当前节点，重复执行与步骤5.2相同的操作，直至判断完DEM数据中所有节点操作完成时操作结束；

步骤5.3、将当前阈值的下一个给定阈值作为当前阈值，重复执行与步骤5.2相同的操作，直至判断完最后一个给定阈值结束，得到多个给定阈值对应的疑似滑坡区域；

步骤5.4、采用误差分析方法对得到的多个给定阈值对应的疑似滑坡区域进行处理，得到优选阈值；从多个给定阈值对应的疑似滑坡区域中选取优选阈值对应的疑似滑坡区域，将优选阈值对应的疑似滑坡区域与疑似滑坡区进行交运算，得到潜在滑坡区域。

5.如权利要求3所述的融合DEM、光学遥感和形变信息的潜在滑坡识别方法，其特征在于，所述步骤4.1中，采用公式(1)计算得到多个尺度因子下已知滑坡区的DEM数据的小波系数，采用公式(2)计算得到多个尺度因子下已知非滑坡区的DEM数据的小波系数；

其中，(x,y)表示已知滑坡区域的DEM数据的节点，x和y均大于等于0；zfld(x,y)为已知滑坡区域的DEM数据中节点为(x,y)的高程，zfld(x,y)为实数；Cfld(si,a,b)为zfld(x,y)经过小波变换得到的小波系数，Cfld(si,a,b)∈R；si表示第i个尺度因子，si>0； 为已知滑坡区的DEM数据中节点为(x,y)在第i个尺度因子下的小波函数值，a、b均表示小波变换的位移，a和b均为实数；

其中，(m,n)表示已知非滑坡区的DEM数据中的节点，m和n均大于等于0；zunfld(m,n)为已知非滑坡区的DEM数据中节点为(m,n)的高程，zunfld(m,n)为实数；Cunfld(si,a,b)为zunfld(m,n)经过小波变换得到的小波系数，Cunfld(si,a,b)∈R；si表示第i个尺度因子，si>0；

为已知非滑坡区的DEM数据中节点为(m,n)在第i个尺度因子下的小波函数

值， a、b均表示小波变换的位移，a和b均为实数。

6.如权利要求3所述的融合DEM、光学遥感和形变信息的潜在滑坡识别方法，其特征在于，所述步骤4.2的具体操作如下：通过多个尺度因子下已知滑坡区的DEM数据的小波系数，采用公式(3)计算得到多个尺度因子下已知滑坡区的DEM数据的小波系数的方差；

其中，VCWT_fld(si)表示第i个尺度因子时已知滑坡区域的DEM数据的小波系数的方差，VCWT_fld(si)≥0；Na,Nb表示DEM数据中的节点个数，Na,Nb分别表示DEM数据中每一行和每一列的节点个数，Na,Nb均大于0；

通过多个尺度因子下已知非滑坡区的DEM数据的小波系数，采用公式(4)计算得到多个尺度因子下已知非滑坡区的DEM数据的小波系数的方差；

其中，VCWT_unfld(si)表示第i个尺度因子时已知非滑坡区域的DEM数据的小波系数的方差，VCWT_unfld(si)≥0；Na,Nb表示DEM数据中的节点个数，Na,Nb分别表示DEM数据中每一行和每一列的节点个数，Na,Nb均大于0。

7.如权利要求3所述的融合DEM、光学遥感和形变信息的潜在滑坡识别方法，其特征在于，所述步骤4.3中，通过多个尺度因子下已知非滑坡区的DEM数据的小波系数方差，采用公式(5)对多个尺度因子下已知滑坡区DEM数据的小波系数方差进行归一化处理，得到多个尺度因子下已知滑坡区的DEM数据归一化后的小波系数方差；

VCWT_norm(si)＝VCWT_fld(si)/VCWT_unfld(si)              (5)其中，VCWT_norm(si)表示第i个尺度因子的已知滑坡区的DEM数据的归一化小波系数方差，VCWT_fld(si)表示第i个尺度因子的已知滑坡区的DEM数据的小波系数的方差，VCWT_unfld(si)表示第i个尺度因子的已知非滑坡区的DEM数据的小波系数的方差，VCWT_norm(si),VCWT_fld(si)，VCWT_unfld(si)均大于等于0。

8.如权利要求3所述的融合DEM、光学遥感和形变信息的潜在滑坡识别方法，其特征在于，所述步骤4.4中，采用特征尺度因子中的多个整数尺度因子对DEM数据进行小波变换，具体采用公式(6)计算得到多个整数尺度因子下的DEM数据的小波系数；

其中，(xj,yj)表示DEM数据中第j个节点，且j>0，xj与yj均为实数；z(xj,yj)为DEM数据中第j个节点的高程，z(xj,yj)为实数；C(s'i,a,b)为z(xj,yj)经过小波变换得到的小波系数，C(s'i,a,b)∈R；s'i表示特征尺度因子中第i个整数尺度因子，s'i>0，i>0； 为DEM数据中第j个节点在第i个整数尺度因子下的小波函数值，且 a,b均表示小波变换的位移，且a,b均为实数。

9.如权利要求1所述的融合DEM、光学遥感和形变信息的潜在滑坡识别方法，其特征在于，所述步骤1的具体操作如下：步骤1.1、对研究区域内的SAR卫星采集得到的SAR影像，采用小基线集技术对SAR影像进行处理，得到研究区域的形变速率图；

步骤1.2、通过遥感卫星获取覆盖研究区域的光学遥感影像数据，所述光学遥感影像数据包括分辨率为0.5m的全色波段数据和分辨率为2m的4 波段多光谱数据，所述4波段包括红、绿、蓝和近红外波段；

步骤1.3、利用无人机获取研究区域的分辨率为3m的DEM数据，利用光学遥感影像数据自带的RPC文件和RPC模型得到完整的RPC模型；利用DEM数据和完整的RPC模型分别对光学遥感影像数据进行正射校正，得到正射光学遥感影像，所述RPC指有理多项式系数；

步骤1.4、采用NNDiffuse Pan Sharpening算法对正射光学遥感影像进行融合，得到融合的光学遥感影像图。

10.如权利要求1所述的融合DEM、光学遥感和形变信息的潜在滑坡识别方法，其特征在于，所述步骤2的具体操作如下：步骤2.1、采用地图投影方法对研究区域的形变速率图定义投影，得到具有投影信息的形变速率图，使具有投影信息的形变速率图与融合的光学遥感影像图的投影坐标系统一致；采用三次卷积的方法对具有投影信息的形变速率图进行重采样，得到重采样后的形变速率图，使重采样后的形变速率图与融合的光学遥感影像图的分辨率保持一致；

步骤2.2、采用地图投影方法对所述DEM数据定义投影，得到具有投影信息的DEM数据，使具有投影信息的DEM数据与融合的光学遥感影像图的投影坐标系统保持一致；

步骤2.3、将具有投影信息的DEM数据作为一个波段数据，采用多尺度分割方法，对具有投影信息的DEM数据和融合的光学遥感影像图中的4波段多光谱数据整体进行分割，得到多个对象，所述对象是指具有同质性的像元集合。