1.一种基于人工智能的多尺度地震滑坡危险性评价方法，其特征在于，包括如下步骤：S1、多尺度数据收集及数据处理；S2、区域尺度地震滑坡危险性评价；S3、单体尺度地震边坡稳定性分析；S4、构建多尺度评价框架与动态修正；通过区域尺度地震滑坡危险性评价和单体尺度地震边坡稳定性分析，构建“单体-区域”和“区域-单体”的多尺度评价框架，并实现评价结果的动态修正；具体包括如下步骤：S41、“单体-区域”跨尺度评价：通过步骤S2区域尺度的地震滑坡危险性评价，得到极高危险性区，识别出该区域的极高危险性边坡个数，分别作为单体边坡；获取这些单体尺度特征值，包括地震动加速度时程、速度时程、坡度和岩土体参数，然后带入步骤S3单体尺度地震边坡稳定性分析中，即得到这些危险性较高单体边坡的失稳概率；S42、在某一研究区域内，可获得个别单体边坡的特征值，包括地震动加速度时程、速度时程、坡度、岩土体参数，基于步骤S3单体尺度地震边坡稳定性分析方法，得到这些单体边坡的失稳概率，将该概率值进行归一化；再通过步骤S2得到该研究区域的地震滑坡危险性概率，以单体边坡的归一化失稳概率修正该区域内空间对应的滑坡危险性概率，即可得到修正后的区域地震滑坡危险性概率值，计算公式如下：其中， 为修正后的地震滑坡危险性概率；P region 为滑坡危险性概率；P instable 为边坡失稳概率；α为修正强度，取值0-1之间，1表示直接以单体边坡失稳概率代替区域内对应边坡的危险性概率，0表示不进行修正。
2.根据权利要求1所述的基于人工智能的多尺度地震滑坡危险性评价方法，其特征在于：在步骤S1中，收集全世界范围内的历史地震滑坡数据，根据滑坡的空间位置，分别从单体尺度和区域尺度收集包括地震动数据、地形、地质和变形的数据。
3.根据权利要求2所述的基于人工智能的多尺度地震滑坡危险性评价方法，其特征在于：在单体尺度时，具体包括如下：A、收集历史地震动时程数据，包括地震动加速度时程、速度时程、位移时程；基于地震动时程计算得到包括阿里亚斯强度、脉冲能量率的基于能量的地震动强度参数；B、通过无人机航拍或激光雷达收集高分辨率地形数据，包括坡度、坡向、坡高的边坡几何参数；C、收集地质数据，获取边坡的岩土体力学参数，包括粘聚力、内摩擦角和重度；D、通过已有边坡现场监测数据，获取应力、位移或倾角的动态变化信息。
4.根据权利要求2所述的基于人工智能的多尺度地震滑坡危险性评价方法，其特征在于：在区域尺度时，具体包括如下：1)通过GIS进行空间插值分析，获取研究区域的地震动区划图，包括峰值加速度和峰值速度；2)基于全国地理空间数据库、NASA平台，获取中低分辨率地形数据，包括区域坡度、坡向、坡高的数据；3)获取区域地质构造信息，包括断层分布和岩性分组；4)获取卫星遥感数据，包括地面沉降和地表变形的数据。
5.根据权利要求1所述的基于人工智能的多尺度地震滑坡危险性评价方法，其特征在于：在步骤S2中，具体包括如下：S21、提取区域尺度的各类地震动数据、地形、地质和变形数据作为影响因子，对所有数据进行[0,1]标准化处理；通过双变量相关性分析，获得因子之间的相关性值，将与其他影响因子的相关性小于0.8的因子保留，作为输入的特征值变量；将滑坡是否发生作为目标值，发生滑坡为1，不发生滑坡为0；将特征值变量和目标值进行汇总，形成数据集；S22、基于梯度提升决策树算法，进行地震滑坡危险性评价模型的建立，首先选择对数损失函数作为算法目标函数，设置模型的超参数，包括学习率、最大深度、数的数量；将步骤S21的数据集按照6:2:2划分为训练集、验证集和测试集，将测试集数据进行模型训练，验证集评估模型性能，进行超参数调整，基于测试集计算模型的评价指标，包括准确性、AUC值、精确率；最后输出滑坡危险性概率P region 。
6.根据权利要求5所述的基于人工智能的多尺度地震滑坡危险性评价方法，其特征在于：在步骤S22中，根据危险性概率P region 进行危险等级划分，将危险性概率大于80％设为极高危险区，60％-80％为高危险区，40％-60％为中危险区，20％-40％为低危险区，小于20％为极低危险区。
7.根据权利要求1所述的基于人工智能的多尺度地震滑坡危险性评价方法，其特征在于：在步骤S3中，提取单体尺度的各类地震动数据、地形、地质数据，基于改进动力滑块法，结合地震动时程、边坡几何特征和岩土体力学参数计算边坡永久位移，计算公式如下：其中，D N 为边坡永久位移值；a(t)为地震动加速度时程；a c 为边坡初始临界加速度；t为时间；基于Weibull函数建立的边坡永久位移与边坡失稳概率的关系，计算得到边坡失稳概率P instable ，其计算公式如下：
8.根据权利要求1所述的基于人工智能的多尺度地震滑坡危险性评价方法，其特征在于：在步骤S42中，所述归一化是指当P instable ＝0.335时，归一化概率值为1。
