1.一种隐蔽性地质灾害多模态遥感智能识别方法，其特征在于，包括以下步骤：对多模态遥感数据包括光学RGB影像、InSAR形变图和DEM地形数据进行归一化处理，将不同模态数据映射到统一特征空间；构建像素级跨模态视觉转换器，包括多模态编码器和解码器；编码器采用多阶段结构提取多尺度特征，各阶段中整合像素级跨模态融合模块；解码器基于多层感知机整合多模态编码特征生成分割预测；构建像素级跨模态注意力模块，包括像素自注意子模块、像素互注意子模块和层适应混合模块，通过像素对齐实现线性复杂度的高效跨模态注意力机制；构建层适应性噪声机制，自适应调节不同层级中模态内自注意和模态间互注意的权重比例，平衡不同深度层的模态融合程度；构建关系判别器，通过评估空间对应点模态间差异性，调制注意力计算过程，增强互补信息提取能力；训练模型，采用多任务损失函数包括语义分割损失和边界感知损失联合优化，生成隐蔽性地质灾害分割结果；所述像素自注意子模块的计算公式为：其中， 为查询、键和值矩阵， 为可学习的投影权重，d为注意力头的维度，T为转置符号；像素互注意子模块仅在空间位置对齐的像素间建立连接，其计算公式为：其中，Q i，n 、K j，n 和V j，n 分别表示位置n处模态i的查询以及模态j的键和值，R i，j 为关系判别器；所述关系判别器的结构设计为：R i,j (X i ,X j )＝σ(MLP([X i ；X j ]))；其中，[X i ；X j ]表示特征连接操作，MLP为多层感知机，σ为Softmax函数；关系分数用于调制互注意力中的键值计算： 其中，⊙表示元素级乘法，Kj为由模态索引j得出的键值， 为计算更新后的键值。
2.根据权利要求1所述的一种隐蔽性地质灾害多模态遥感智能识别方法，其特征在于：所述对多模态遥感数据进行归一化处理的步骤，包括：对RGB光学影像，应用标准归一化处理：将RGB图像像素值减去均值后除以标准差；对InSAR形变速率图，采用鲁棒归一化处理：将InSAR数据映射到[-1,1]范围，同时应用95％分位数裁剪避免异常值影响；对DEM高程数据，应用对数变换后再归一化：先计算对数变换log(1+DEM)，再应用标准归一化处理。
3.根据权利要求1所述的一种隐蔽性地质灾害多模态遥感智能识别方法，其特征在于：所述像素级跨模态视觉转换器的编码器，包括四个阶段，每个阶段分别包含：重叠式图像分块模块，通过卷积操作将输入图像划分为序列化块；多个像素级跨模态Transformer块，每个块包含像素级跨模态注意力模块和前馈神经网络；下采样模块，通过步长为2的卷积实现空间分辨率减半并增加通道维度；四个阶段的配置包括：第一阶段块大小7×7，步长4，输出通道64；第二阶段块大小3×3，步长2，输出通道128；第三阶段块大小3×3，步长2，输出通道320；第四阶段块大小3×3，步长2，输出通道512。
4.根据权利要求1所述的一种隐蔽性地质灾害多模态遥感智能识别方法，其特征在于：所述层适应性噪声机制包括：为每个模态和每个网络层创建独特的噪声嵌入： 其中， 为噪声嵌入向量，EmBed为嵌入函数，根据模态索引i和层索引l生成特定噪声向量；噪声嵌入被添加到自注意力过程中的键矩阵： 其中， 为由模态索引i和层索引l得出的键矩阵， 为噪声嵌入被添加后更新的键矩阵；噪声注入引导自注意力计算：
5.根据权利要求1所述的一种隐蔽性地质灾害多模态遥感智能识别方法，其特征在于：所述多任务损失函数包括：焦点损失：L focal ＝-α t (1-p t ) γ log(p t )，其中，p t 为预测类别t的概率，α t 为类别平衡参数，γ为聚焦参数；边界感知损失： 其中，CE为交叉熵损失，w n 为边界权重：w n ＝exp(-d n /θ)，d n 为像素到最近分割边界的距离，θ为控制权重衰减速度的参数，y n 表示像素n的真值， 表示像素n的预测值；组合损失：L＝λ 1 L focal +λ 2 L boundary ，其中，λ 1 和λ 2 为损失权重，设置为，λ 1 ＝0.7，λ 2 ＝0.3。
6.根据权利要求1所述的一种隐蔽性地质灾害多模态遥感智能识别方法，其特征在于：所述训练模型的步骤，包括：使用预训练的视觉转换器初始化编码器，加速训练和提高稳定性；采用余弦退火学习率调度，初始学习率设为2×10 -5 ，最小学习率为1×10 -7 ；批量大小设置为32，训练总轮数为150轮。
7.根据权利要求1所述的一种隐蔽性地质灾害多模态遥感智能识别方法，其特征在于：所述方法还包括推理与实际应用步骤：获取目标区域的多模态遥感数据，包括RGB影像、InSAR形变图和DEM数据；对数据进行前处理，包括配准、裁剪和归一化处理；输入处理后的多模态数据到训练好的模型进行推理；处理模型输出的分割结果，生成隐蔽性地质灾害风险区域地图；结合现场调查，验证和细化地质灾害风险评估结果。
