1.一种多源异构滑坡数据监测融合方法，其特征在于，包括：获取多源异构监测变量数据；

将多源异构监测变量划分为因变量和特征变量；

计算因变量和特征变量的最大互信息系数MIC、并筛选出影响滑坡变形最大的特征变量；

确定反应滑坡变形特征的单点位移序列为参考列，影响滑坡变形的因子组成的数据序列为比较列；

计算参考数列与比较数列间的灰色关联系数及灰色关联度；

根据最大互信息系数MIC与灰色关联度，计算加权关联度；

根据加权关联度大小进行特征优选、并筛选出最终特征变量；

将优选得到的特征变量进行逐步回归拟合分析；

构建基于加权关联度的特征优选‑逐步回归特征级数据融合模型；

利用基于加权关联度的特征优选‑逐步回归特征级数据融合模型进行多源异构信息融合，为滑坡预测预报提供有效的辅助信息；

所述灰色关联系数，计算公式包括：

其中，ρ为分辨系数，0<ρ<1，若ρ越小，关联系数间差异越大，区分能力越强，通常ρ取

0.5，|x0(k)‑xi(k)|表示每个比较序列与参考序列对应元素的绝对差值，与 分别表示两级最小差和两级最大差；n为被评价对象的个数；

计算关联度：对各评价对象分别计算其个指标与参考序列对应元素的关联系数的均值，以反映各评价对象与参考序列的关联关系，并称为关联度，记为：所述加权关联度，计算公式包括：

式中n为待选择特征变量的总数，MIC(A，Bi)表示特征变量A和特征变量Bi的最大互信息系数MIC；

所述特征优选的步骤，包括：

对计算得到的加权关联度按照从大到小进行排序；

特征变量按照加权关联度大小进行排序筛选；

计算排序后的各优选特征权重；

当优选特征权重 时，筛选停止，得到最终的特征变量；

其中，JS为各特征变量的加权关联度之和，Jj为第j个待筛选特征变量的加权关联度，ωj为第j个优选特征权重，α为给定的阈值；

所述逐步回归拟合分析包括：将特征因子逐个引入模型，每引入一个解释变量后都要进行F检验，并对已经选入的解释变量逐个进行t检验，当原来引入的解释变量的引入变得不再显著时，则将其删除，以确保每次引入的新的变量之前的回归方程只包含显著性变量；

反复执行直到既没有显著的解释变量选入回归方程，也没有不显著的解释变量从回归方程中剔除为止。

2.如权利要求1所述的一种多源异构滑坡数据监测融合方法，其特征在于，还包括对多源异构监测变量数据预处理：异常值剔除、缺失值补全及数据平滑去噪。

3.如权利要求1所述的一种多源异构滑坡数据监测融合方法，其特征在于，所述计算因变量和特征变量的最大互信息系数MIC的步骤，包括：给定变量i、j，对两变量构成的散点图进行i列j行网格化，并求出最大的互信息值；

对最大的互信息值进行归一化处理；

选择不同尺度下互信息的最大值作为MIC值；

得到与因变量关联程度最高的特征变量。

4.如权利要求1所述的一种多源异构滑坡数据监测融合方法，其特征在于，还包括：对基于加权关联度的特征优化‑逐步回归融合结果与BP神经网络融合结果进行分析对比，其包括：建立BP神经网络融合模型，以自变量作为系统输入变量，因变量为系统输出变量；

建立含有两个隐藏层的多输入单输出BP神经网络融合模型；

采用改进切线角及变形速率两个指标对基于加权关联度的特征优选‑逐步回归融合与BP神经网络数据融合模型进行阶段评价。

5.如权利要求4所述的一种多源异构滑坡数据监测融合方法，其特征在于，还包括：采用长短期记忆网络人工神经网络LSTM分别基于加权关联度的特征优选‑逐步回归融合数据和BP神经网络融合数据，进行预测比较分析。