1.一种基于深度学习的滑坡易发性评价方法，其特征在于，包括：获取多个滑坡影响因子数据；

根据多个滑坡影响因子数据，获取滑坡易发性区域的多个影响因子层数据；

将多个影响因子层数据，分别输入卷积神经网络CNN的不同通道；

通过多通道加权卷积模块对不同通道加权卷积后提取的特征加权融合；

获取层数自适应网络模块对不同通道加权融合后的结果，利用信息熵聚类法分类后进行层数自适应分类卷积，输出堆叠后的特征图；

将堆叠后的特征图输入全连接层，获得整合特征图；

使用Softmax层对整合特征图进行概率回归处理，构建层数自适应加权卷积神经网络LAW‑CNN；

根据层数自适应加权卷积神经网络LAW‑CNN，获得滑坡易发性评价结果。

2.如权利要求1所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，根据滑坡灾害分布特征选取多个滑坡影响因子数据；所述多个滑坡影响因子数据，包括：分别从地形、地质、水文、人类活动、土地覆盖方面选取了多个滑坡影响因子：高程，坡度，坡向，曲率，平面曲率，剖面曲率，地面起伏度，地表粗糙度，地形湿度指数TWI，归一化植被指数NDVI，降雨量，岩性，距道路的距离，距河流的距离，距断层的距离。

3.如权利要求2所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，还包括：

使用信息增益比IGR法分析所选影响因子与滑坡发生之间的关系，剔除部分的滑坡影响因子，经过筛选，最终确定坡度，坡向，曲率，平面曲率，剖面曲率，地形湿度指数TWI，归一化植被指数NDVI，降雨量，岩性，距道路的距离，距河流的距离，距断层的距离影响因子。

4.如权利要求1所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，还包括：对层数自适应加权卷积神经网络LAW‑CNN进行训练和验证；其步骤包括：获取历史滑坡数据和滑坡隐患点数据；

根据历史滑坡数据和滑坡隐患点数据构建，滑坡样本数据集，并在距滑坡点半径缓冲区外随机选取相同数量的非滑坡点，构建非滑坡样本数据集；

以滑坡点或非滑坡点为中心的矩形区域作为样本空间范围，并将此范围的影响因子栅格数据作为实验数据集；

将实验数据集按照7：3随机分为训练集和验证集，其中，滑坡数据集标注为1，非滑坡数据集标注为0。

5.如权利要求4所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，还包括：

通过加入Dropout层在训练阶段随机丢弃一定比例的神经元。

6.如权利要求1所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，所述将多个影响因子层数据分别输入卷积神经网络CNN的不同通道，包括：通过顾及滑坡空间信息，将各所述影响因子层二维面数据在三维方向上堆叠，构建具有多通道的图像输入，每个通道代表不同的影响因子数据。

7.如权利要求3所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，所述通过多通道加权卷积模块对不同通道加权卷积后提取的特征加权融合，包括：对各通道分组卷积提取到的基本特征根据信息增益比计算各通道影响因子层的权重：式中，Wi表示第i个因子层的权重，IGRi表示第i个因子层的信息增益比值；

对各通道提取到的特征加权融合。

8.如权利要求1所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，所述通过层数自适应网络模块对不同通道加权融合后的结果利用信息熵聚类法分类后进行层数自适应分类卷积，包括：

根据不同影响因子层的信息熵值，使用K‑means聚类算法将所有通道划分为三个类别；

对信息简单的影响因子层使用少的卷积层提取简单的特征；

对信息丰富的影响因子层使用多的卷积层增加网络深度，提取深层次的特征；

介于中间的影响因子层则选择中等的卷积层充分提取有效特征。

9.如权利要求8所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，所述层数自适应网络模块构建了3层，5层，7层，9层和11层五种不同深度的层数自适应网络网络。

10.如权利要求9所述的一种基于深度学习的滑坡易发性评价方法，其特征在于，所述3层深度的层数自适应网络包括：

对多通道加权卷积后的3层8×8大小的特征层先进行卷积核大小为3×3，卷积核数量为6，步长为2，使用0填充的卷积；

进入一个池化核大小为2×2，步长为2的最大池化层，得到2×2大小的6层特征图；

进入一个全连接层，输出20个特征。