本申请涉及激光雷达，具体而言，涉及一种基于激光雷达提取草原植被特征的方法、系统以及植被特征提取算法。
背景技术：
1、传统的植被特征提取方法主要依赖地面调查和遥感技术，存在效率低、精度不高的问题。随着激光雷达技术的发展，无人机激光雷达和地面激光扫描技术在植被特征提取中显示出巨大的潜力。然而，单一技术在获取全面植被信息方面仍存在局限性。
技术实现思路
1、本申请提供一种基于激光雷达提取草原植被特征的方法、系统以及植被特征提取算法，其利用无人机激光雷达和地面激光扫描结合，从而进行草原植被特征的提取，进而能够综合两种技术的优势，提高植被特征提取的精度和效率。
2、本发明具体是这样的：
3、一种基于激光雷达提取草原植被特征的方法，包括：
4、使用无人机搭载激光雷达系统，从空中获取植被区域的三维点云数据；
5、使用地面激光扫描系统，从地面获取植被区域的高精度点云数据；
6、对无人机激光雷达和地面激光扫描获取的点云数据进行预处理，包括去噪、点云分类和归一化；
7、使用迭代最近点算法对两种来源的点云数据进行配准和融合，生成融合后的点云数据；
8、利用深度学习模型对融合后的点云数据进行特征提取，得到植被特征参数。
9、在本发明的一种实施例中，对无人机激光雷达和地面激光扫描获取的点云数据进行预处理的步骤包括：
10、对无人机激光雷达点云数据进行去噪，去除地面点和其他干扰物；
11、对地面激光扫描点云数据进行去噪，去除非植被点云；
12、对两种点云数据进行点云分类，区分地面点、树干和树冠；
13、对点云数据进行归一化处理，确保数据一致性。
14、在本发明的一种实施例中，迭代最近点算法包括：
15、选择无人机激光雷达点云数据作为参考数据，地面激光扫描点云数据作为待配准数据；
16、进行粗配准，确定初始变换矩阵；
17、利用迭代最近点算法进行精配准，迭代优化变换矩阵，直至收敛。
18、在本发明的一种实施例中，深度学习模型包括：
19、使用改进的unet模型，加入批量归一化层，使其具有对连续变量进行定量估测的能力；
20、对融合后的点云数据进行特征提取，得到植被特征参数，如树高、胸径和冠层覆盖度。
21、一种基上述方法的系统，包括：
22、无人机搭载激光雷达设备；
23、地面激光扫描设备；
24、数据处理单元，用于执行预处理、配准和融合步骤；
25、深度学习模型训练和运行单元，用于特征提取。
26、在本发明的一种实施例中，数据处理单元包括：
27、去噪模块，用于去除点云数据中的噪声；
28、分类模块，用于区分点云数据中的不同类别；
29、归一化模块，用于确保点云数据的一致性。
30、在本发明的一种实施例中，深度学习模型训练和运行单元包括：
31、模型训练模块，用于训练改进的unet模型；
32、特征提取模块，用于运行训练好的模型，提取植被特征参数。
33、一种基于上述方法的植被特征提取算法，植被特征提取算法包括：
34、相对最短路径算法，用于从点云数据中识别单木；
35、点云区域生长算法，用于从相对最短路径算法识别的单木中提取树高和胸径；
36、dbscan算法，用于从点云数据中提取单木树高和胸径。
37、在本发明的一种实施例中，算法还包括：
38、多源数据融合定位定姿技术，用于提高数据获取的精度和可靠性；
39、自动化数据处理流程，用于减少人工干预并提高数据处理的效率。本发明的有益效果是：
40、综上，该基于激光雷达提取草原植被特征的方法包括：使用无人机搭载激光雷达系统，从空中获取植被区域的三维点云数据；使用地面激光扫描系统，从地面获取植被区域的高精度点云数据；对无人机激光雷达和地面激光扫描获取的点云数据进行预处理，包括去噪、点云分类和归一化；使用迭代最近点算法对两种来源的点云数据进行配准和融合，生成融合后的点云数据；利用深度学习模型对融合后的点云数据进行特征提取，得到植被特征参数。其利用无人机激光雷达和地面激光扫描结合，从而进行草原植被特征的提取，进而能够综合两种技术的优势，提高植被特征提取的精度和效率。
1.一种基于激光雷达提取草原植被特征的方法，其特征在于，包括：
2.根据权利要求1所述的基于激光雷达提取草原植被特征的方法，其特征在于：
3.根据权利要求1所述的基于激光雷达提取草原植被特征的方法，其特征在于：
4.根据权利要求1所述的基于激光雷达提取草原植被特征的方法，其特征在于，所述深度学习模型包括：
5.一种基于权利要求1-4中任意一项所述方法的系统，其特征在于，包括：
6.根据权利要求5所述的系统，其特征在于，所述数据处理单元包括：
7.根据权利要求5所述的系统，其特征在于，所述深度学习模型训练和运行单元包括：
8.一种基于权利要求1-4中任意一项所述方法的植被特征提取算法，其特征在于，所述植被特征提取算法包括：
9.根据权利要求8所述的算法，其特征在于，所述算法还包括：
