1.基于神经网络和多参数信息融合的地质灾害预报方法，其特征在于，具体按照以下步骤实施：
步骤1，建立基于神经网络和多参数信息融合的地质灾害预报模型；
步骤2，建立地质灾害发生概率与地质灾害等级之间的关系；
步骤3，利用多参数地质灾害监测系统进行数据采集，将采集到的数据输入步骤1和步骤2中，实现地质灾害的预报。
2.根据权利要求1所述的基于神经网络和多参数信息融合的地质灾害预报方法，其特征在于，步骤1地质灾害预报模型建立过程为：
步骤1.1：训练数据整理及阈值的设置；
步骤1.2：基于径向基神经网络的预报模型的建立。
3.根据权利要求2所述的基于神经网络和多参数信息融合的地质灾害预报方法，其特征在于，步骤1.1的具体过程为：
分别统计发生过地质灾害地区的泥石流因子、滑坡因子与危害程度的关系，并将各参数因子作为训练数据，随后选择相应参数测量传感器的最大量程，并将0-最大量程之间安装训练数据的点数划分等级，确定各参数与地质灾害发生概率的初始关系分布，将成灾机率分为0-5％、5-2-％、20-40％和40-90％四个范围，从而确定各参数的阈值。
4.根据权利要求3所述的基于神经网络和多参数信息融合的地质灾害预报方法，其特征在于，泥石流因子包括有效降雨量、土壤含水量、泥位和次声频率；滑坡因子包括日综合雨量、土壤含水率、孔隙水压力和裂缝移位。
5.根据权利要求2所述的基于神经网络和多参数信息融合的地质灾害预报方法，其特征在于，步骤1.2的具体过程为：
预报模型分为输入层、隐含层和输出层，其输入为多参数和对应的地质灾害发生概率，通过给定的输入层、输出层数据计算出隐含层中的权值参数，从而得到输入与输出之间的关系式，具体公式如下：
a{1}＝radbas(netprod(dist(net，IW{1，1}，p)，net，b{1})) (1)
其中a为输出--地质灾害发生概率，p为输入--训练数据，求得net；随后将其带入调用MATLAB函数库中的训练模型公式：
net＝newrb(p1,a1) (2)
其中，net为得到的地质灾害预报模型，a1为输出—当前地质灾害发生概率，p1为输入--实时采集数据。
6.根据权利要求1所述的基于神经网络和多参数信息融合的地质灾害预报方法，其特征在于，步骤2的具体过程为：
依据地质灾害突然发生灾情造成的损失状况、成灾机率和极易产生的危害程度，将地质灾害等级分为四级：特别严重突发灾情为四级，地质灾害发生概率为40-90％，为红色预警，严重性突发灾情为三级，地质灾害发生概率为20-40％，为橙色预警，大型突发灾情为二级，地质灾害发生概率为5-20％，为黄色预警，通常性突发灾情为一级，地质灾害发生概率为0-5％，为蓝色预警。
7.根据权利要求1所述的基于神经网络和多参数信息融合的地质灾害预报方法，其特征在于，步骤3中，多参数地质灾害监测系统包括监测终端(1)，监测终端(1)分别与传感器、电源模块(2)、存储模块(3)连接，监测终端(1)与监控中心(4)通过无线网络连接，监控中心(4)与现场报警器(5)连接，其中，监测终端(1)为以STM32F103为核心器件的最小系统，内部包含16路A/D转换器；传感器包括土壤含水率传感器(6)、降雨量传感器(7)、泥速传感器(8)、泥位传感器(9)和地声传感器(10)、次声传感器(11)、裂缝传感器(12)、渗透压传感器(13)和沉降位移传感器(14)。
8.根据权利要求7所述的基于神经网络和多参数信息融合的地质灾害预报方法，其特征在于，存储模块(3)为K9F2G08UOC-SCBO可编程存储器；电源模块(2)为太阳能电池板加蓄电池的供电方式。
9.根据权利要求7所述的基于神经网络和多参数信息融合的地质灾害预报方法，其特征在于，无线网络为GSM、GPRS或北斗卫星通信。
10.根据权利要求1所述的基于神经网络和多参数信息融合的地质灾害预报方法，其特征在于，步骤3的具体过程为：
多参数地质灾害监测系统中的监测终端对土壤含水率传感器、降雨量传感器、泥速传感器、泥位传感器、次声传感器、裂缝传感器、渗透压和沉降位移传感器采集到的数据进行收集，并将收集的数据存储到扩展的存储模块中，当监控中心通过无线网络要求监测终端将采集数据发送，或者监测终端自设定的发送时间到达的时候，监测终端可以通过无线网络将采集数据发送给监控中心，监控中心接收到之后，将其输入到步骤1.2中的公式(2)中，得地质灾害发生概率值a，随后通过步骤2的方法可得地质灾害等级。