CN104155638A - 一种基于LiDAR伪垂直波形模型的树种分类方法 - Google Patents

Abstract

本发明公开了一种基于LiDAR伪垂直波形模型的树种分类方法，包括：1）使用机载小光斑全波形LiDAR传感器进行数据采集，获得完整波形信息，采样间隔为1ns；2）LiDAR波形数据预处理；3）通过波形结构化分解和综合波形重组构建伪垂直波；4）单木分割和信息综合；5）在单木范围内汇总点云属性并计算综合波形特征参数；6）使用支持向量机分类器进行树种分类。该树种分类方法，能增强获取的LiDAR能量信号，在单木分割基础上，从多个维度提取综合波形特征变量，实现了通过单一数据源获取并提升亚热带森林的树种分类精度，可以更好地反映该森林类型中主要树种的时空变异，经实验验证结果表明，与其他使用LiDAR进行树种分类的方法相比总体精度提升10%；Kappa系数提升0.1。

Description

一种基于LiDAR伪垂直波形模型的树种分类方法

技术领域

本发明属于树种分类方法技术领域，具体涉及一种基于LiDAR伪垂直波形模型的树种分类方法。 

背景技术

如何快速、定量、精确地进行森林内各主要树种的自动化提取与识别是林业遥感研究的难点之一。其在森林资源经营管理中具有重要的现实意义。常规的森林类型或树种调查方法主要依赖于野外调查以及利用大比例尺航片判读等相结合的方法，其精度往往不高。同时，传统的光学遥感方法由于受到“同物异谱”和“同谱异物”现象的影响，在识别森林类型或树种组时往往效果也不够理想，其在大区域上更是难于实用化推广。激光雷达(LiDAR，Light Detection and Ranging)是通过发射激光束击打物体表面并分析其返回信号的一种主动遥感技术。通过LiDAR可获得高精度的地球表面及地表实体的高度信息，如地形和植被等可达到亚米级的垂直精度。现有研究表明，LiDAR可穿透森林冠层获得其三维结构特征，特别适合植被覆盖度高且森林结构复杂地区森林信息提取。 

LiDAR技术在过去的十多年里逐步发展成熟并分化为多个分支，其中“大光斑”全波形LIDAR(Big-FW-LiDAR)、“小光斑”离散点云LIDAR(Small-DR-LiDAR)被较早应用在林业领域。由于Big-FW-LiDAR的地面光斑大小通常很大(如ICESat卫星搭载的GLAS传感器的光斑直径为60-70m，光斑间隔为170m)，故基于此类LiDAR技术进行森林类型分类的研究较为少见，进行树种分类更加困难。Small-DR-LiDAR数据的光斑大小通常为0.2-3.0m，记录了离散的多次(以首次和末次为主)回波峰值(3D位置与强度)信息，采用此类LiDAR数据进行森林分类通常需要与传统光学遥感数据集成来实现。相比以上技术，“小光斑”全波形LIDAR(Small-FW-LiDAR)虽然起步较晚(直到2004年奥地利Riegl公司才推出了世界上第一台商业机载小光斑全波形LiDAR数字测量系统)，但其数据处理和信息提取方法研究已成为近年来的热点。这是由于与Big-FW-LiDAR相比，Small-FW-LiDAR可精确获取单木冠层内的返回信号变化；与Small-DR-LiDAR相比，Small-FW-LiDAR记录了包括较小能量信号在内的所有回波信号，通过对波形数据进行处理，能够检测到更多的目标物特征信息，理论上能够更为丰 富地反映不同树种的结构特征。近年来为数不多的Small-FW-LiDAR树种分类研究为：Reitberger等2008年发表在《International Journal of Remote Sensing》第29卷的“Analysis of full waveform LIDAR data for the classification of deciduous and coniferous trees”，该研究在单木识别基础上借助(提取的)波形特征参数进行分类，从而区分了针叶林和阔叶林；Neuenschwander等2009年发表在《Journal of Applied Remote Sensing》第3卷的“Landcover classification of small-footprint,full-waveform lidar data”，该研究在高斯波形分解的基础上，通过总结目标物参数对研究区内的不同地表覆盖类型进行了分类。然而，以上方法仅适用于树种单一(如纯林)或树种组成较为简单的森林分类研究，在林分组成和结构复杂的森林中分类精度不高。 

发明内容

发明目的：针对现有技术中存在的不足，本发明的目的是提供一种基于LiDAR伪垂直波形模型的树种分类方法，使其具有操作方便，提取树种时空变异信息准确，且性能稳定等特点。 

技术方案：为了实现上述发明目的，本发明采用的技术方案如下： 

一种基于LiDAR伪垂直波形模型的树种分类方法，包括以下步骤： 

1)使用机载小光斑全波形LiDAR传感器进行数据采集，获得完整波形信息，采样间隔为1ns； 

2)LiDAR波形数据预处理：包括噪声水平估计和数据平滑、计算拐点、高斯拟合及波形数据点云化、生成数字地形； 

3)通过波形结构化分解和综合波形重组构建伪垂直波：首先利用三维体积单元划分地表以上的三维空间；然后在每个单元内，汇总穿过其中的最大脉冲能量并基于数字地形模型进行高度归一化；最后提取三维空间中垂直方向上的体元集合即为每束伪垂直波； 

4)单木分割和信息综合 

a)将地面以上点云插值生成数字表面模型，然后减去数字地形模型从而得到归一化植被高度； 

b)采用二维高斯滤波方法平滑CHM表面，其公式为： 

$G(x,y)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}}---\left(1\right)$

式中，x和y为到“内核”的距离；σ为4/π，6/π和8/π； 

采用二次抛物线表面模型拟合树高，其公式为： 

z＝a(x-x₀)²+b(y-y₀)²+c   (2) 

式中，x，y为像元所在位置，x₀和y₀为表面中心，通过该模型综合最佳分割尺度； 

c)借助单木分割提取的冠幅和树高参数，在椭圆柱体范围内汇总其中的所有伪垂直波形，构成单木综合脉冲；借助DTM对单木综合脉冲进行归一化处理； 

5)在单木范围内汇总点云属性并计算综合波形特征参数； 

6)使用支持向量机分类器进行树种分类：在研究区内均匀选取有代表性的一组数据作为训练数据，与其完全独立的另一组作为检验数据；最后使用支持向量机分类器进行树种识别，并借助总体分类精度和卡帕系数这两个定量化指标对分类精度进行评价； 

卡帕系数计算公式： 

$K_{\mathrm{hat}}=\frac{N\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{x}_{\mathrm{ii}}-\underset{i=1}{\overset{r}{\mathrm{\Σ}}}\left(x_{i+}{x}_{+i}\right)}{N^2-\underset{i=1}{\overset{r}{\mathrm{\Σ}}}\left(x_{i+}{x}_{+i}\right)}---\left(3\right)$

式中，r为总的类别数，x_ii为对角线上的像元数，x_i+和x_+i是列和行的总像元，N是总像元数。 

步骤2)中，噪声水平估计和数据平滑为：首先把原始数据转换到频率域，再将频率较高的低值部分作为噪声水平的判断标准；然后选用高斯滤波器进行平滑。 

步骤2)中，高斯拟合(分解)及波形数据点云化为：对波形数据采用非线性最小二乘法进行拟合，然后通过局部最大峰值检测滤波算法从处理后的波形数据上提取离散点云。 

步骤2)中，生成数字地形为：首先对从波形数据中提取出离散点云进行分类，然后对末次回波进行Kraus滤波处理用以去除非地面点，最后使用滤波后的末次回波数据并借助自然邻近法插值生成数字地形模型。 

步骤4)中，使用σ＝8/π算子的平滑结果将作为“最粗糙尺度”，而使用σ＝4/π算子 的平滑结果将作为“最精细尺度”。 

步骤5)中，在单木范围内汇总点云属性并计算综合波形特征参数包括： 

a)单木分割的树冠椭圆柱体范围内，针对每组高斯分解后的点云，计算其属性的均值、最大值和最小值，以此作为单木的特征变量； 

b)通过设置差异阈值对比DTM提取高度和对应位置上最后一个波峰所在高度，依此判断地形对应波峰位置； 

c)提取特征变量：HOME、波形距离、高度中位数比、波峰数量、返回波形能量、冠层外层粗糙度、前坡度角和VDR。 

传统的树种认定需要大量地面调查，且往往仅能获得“点”上的数据，很难及时准确地获取区域或更大范围的“面”上连续空间分布信息。基于LiDAR技术的遥感方法有效地减少了地面实测的人力和时间耗费，且在较高精度下保证了数据的空间完整性和时间一致性。小光斑全波形LiDAR精确获取了单木冠层内的返回信号变化，记录了包括较小能量信号在内的所有回波信号；通过对波形数据进行处理，能够检测到更多的目标物特征信息，从而更为丰富地反映不同树种之间的生物物理特性差异。本发明通过波形结构化分解和综合波形重组构建伪垂直波，有效减少由扫描角引起的数据获取误差和不确定性，同时通过汇总体元内的强度信息“增强”了能量信号；在单木分割基础上，从几何、空间信息、和能量多个维度提取综合波形特征变量，从而提升亚热带森林的树种分类精度，同时也为其在机理上解释提供了理论及方法支撑。以上方法还使得较复杂森林状况下的高精度树种分类不再依赖于多源遥感数据集成，有效地简化了数据处理方式及获取来源，一定程度上降低了处理成本。 

有益效果：与现有技术相比，本发明的基于LiDAR伪垂直波形模型的树种分类方法，通过波形结构化分解和综合波形重组构建伪垂直波，从而“增强”了获取的LiDAR能量信号；在(基于树冠三维结构的)单木分割基础上，从多个维度提取综合波形特征变量，实现了通过单一数据源(无需多源遥感数据集成)获取并提升亚热带(较复杂)森林的树种分类精度。由于提取综合波形特征变量包含了完整的冠层垂直分布和能量信息，故该发明可以更好地反映该森林类型中主要树种的时空变异，并利于从机理上解释和验证分类方法的有效性。经实验验证结果表明，通过本发明对北亚热带天然次生混交林的主要树种进行树种分类，与其他使用LiDAR(注：对比条件为：LiDAR作为单一数据源；且在类似复杂森林类型内)进行树种分类的方法相比总体精度提升了10％左右； Kappa系数提升了0.1左右。 

附图说明

图1是研究区内的样地分布状况图； 

图2是DEM(下层)和提取的点云(上层)示意图； 

图3是原始LiDAR点云数据图； 

图4是DTM(数字地形模型)图； 

图5是CHM(归一化植被高度)图； 

图6是单木树高验证散点图； 

图7是树冠分割及树种分类结果图； 

图8是单木范围内(经过预处理和归一化的)LiDAR脉冲图； 

图9是基于“原始”和“伪垂直波形”数据的栅格显示效果图；其中，a是基于原始波形数据计算的HOME特征变量，b是基于原始波形数据计算的“冠层外层粗糙度”特征变量，c是基于原始波形数据计算的“返回波形能量”特征变量，d是基于伪垂直波形数据计算的HOME特征变量，e是基于伪垂直波形数据计算的“冠层外层粗糙度”特征变量，f是基于伪垂直波形数据计算的“返回波形能量”特征变量。 

具体实施方式

下面结合具体实施例对本发明做进一步的说明。 

实施例1 

一种基于LiDAR伪垂直波形模型的树种分类方法，包括以下步骤： 

1)借助机载小光斑全波形LiDAR传感器(如奥地利的Riegl LMS-Q680i)进行数据采集。其常用遥感平台为：运-5/12等飞机。传感器记录了每束激光脉冲返回的完整波形信息，采样间隔为1ns。 

2)LiDAR波形数据预处理 

a)噪声水平估计、数据平滑和计算拐点：首先把原始数据转换到频率域，再将频率较高的低值部分作为噪声水平的判断标准。然后选用高斯滤波器进行平滑，这是由于高斯滤波器在有效平滑数据的同时，还可以最大限度地保持原有曲线的趋势；通过移动窗体逐个判断某点周边的最近4个点的脉冲强度信息，以此计算拐点； 

b)高斯拟合(分解)及波形数据点云化：基于回波数据是多个高斯函数的累加这一假设，对波形数据采用非线性最小二乘法进行拟合。然后通过局部最大峰值检测滤波 算法从处理后的波形数据上提取离散点云，每个离散点中记录了返回信号的能量和振幅信息； 

c)生成数字地形：LiDAR数据高度归一化的目的是为了得到去除了地形影响的“真实”植被高度，通常采用原始LiDAR数据高度信息减去地形高度得到。因此，精确生成数字地形模型(DTM)是计算归一化植被高度的重要前提。首先对从波形数据中提取出离散点云进行分类，然后对末次回波进行Kraus滤波处理用以去除非地面点，最后使用滤波后的末次回波数据并借助自然邻近法插值生成数字地形模型。 

3)通过波形结构化分解和综合波形重组构建伪垂直波。 

首先利用三维体积单元划分地表以上的三维空间(每个单元的大小依据脉冲采样间隔及光斑大小进行设置)；然后在每个单元内，汇总穿过其中的最大脉冲能量并基于数字地形模型进行高度归一化；最后提取三维空间中垂直方向上的体元集合即为每束伪垂直波(体元内记录的能量强度即为伪垂直波的振幅)。 

4)单木分割和信息综合。 

a)将地面以上点云插值生成数字表面模型(DSM)，然后减去数字地形模型(DTM)从而得到归一化植被高度(CHM)。 

b)采用2维高斯滤波方法平滑CHM表面，其公式为： 

$G(x,y)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}}---\left(1\right)$

式中，x和y为到“内核”的距离。3个平滑算子，即σ为4/π，6/π和8/π被分别采用。在2m以上的像元内布设种子并允许其“爬向”最大坡度的方向。当种子“到达”的某一像元内高度都高于周边像元时，则将此像元作为树顶，树顶所对应的种子“爬行”过的区域为冠幅。使用σ＝8/π算子的平滑结果将作为“最粗糙尺度”，即总体上来看每棵树都只有一个最高值(通常为树顶)。而使用σ＝4/π算子的平滑结果将作为“最精细尺度”，即某些大树可能有多于一个最高值(通常为树顶)。采用二次抛物线表面模型拟合树高，其公式为： 

z＝a(x-x₀)²+b(y-y₀)²+c   (2) 

式中，x，y为像元所在位置，x₀和y₀为表面中心，通过该模型综合最佳分割尺度。c)借助单木分割提取的冠幅和树高参数，在椭圆柱体范围内汇总其中的所有伪垂直波形， 构成单木综合脉冲。借助DTM对单木综合脉冲进行归一化处理。 

5)在单木范围内汇总点云属性并计算综合波形特征参数(生成二组波形特征变量)。 

a)单木分割的树冠椭圆柱体范围内，针对每组高斯分解后的点云，计算其属性(即能量、振幅和回波次数)的均值、最大值和最小值，以此作为单木的特征变量(第一组)； 

b)通过设置差异阈值对比DTM提取高度和对应位置上最后一个波峰所在高度，依此判断地形对应波峰位置(从而推测冠层对应波峰)； 

c)提取特征变量(第二组)：HOME(成功应用于估算冠层垂直结构和郁闭度)、波形距离(WD，通常与树高联系紧密)、高度中位数比(该变量对冠层结构变化很敏感)、波峰数量、返回波形能量、冠层外层粗糙度(ROUGH，用于描述植被表面空间结构)、前坡度角(FS，用于描述植被冠层上部的变异性)和VDR(冠层高度和HOME的差值除以冠层高)。 

6)使用支持向量机分类器进行树种分类。即在研究区内均匀选取有代表性的一组数据作为训练数据，与其完全独立的另一组作为检验数据。最后使用支持向量机分类器进行树种识别，并借助总体分类精度(即对角线像元数/总体像元数×100％)和卡帕系数这两个定量化指标对分类精度进行评价。 

卡帕系数计算公式： 

$K_{\mathrm{hat}}=\frac{N\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{x}_{\mathrm{ii}}-\underset{i=1}{\overset{r}{\mathrm{\Σ}}}\left(x_{i+}{x}_{+i}\right)}{N^2-\underset{i=1}{\overset{r}{\mathrm{\Σ}}}\left(x_{i+}{x}_{+i}\right)}---\left(3\right)$

式中，r为总的类别数，x_ii为对角线上的像元数，x_i+和x_+i是列和行的总像元，N是总像元数。 

实施例2 

按照实施例1的方法，以针对一个北亚热带天然次生混交林为主要森林类型的林区内树种分类为例说明。林区海拔20-261m，面积约1000公顷。主要树种为针叶的马尾松(Pinus massoniana)和杉木(Cunninghamia lanceolata)，以及阔叶的麻栎(Quercus acutissima)和枫香(Liquidambar formosana)。林区内根据树种组成、林龄和立地状况等布设了20个方形样地(30×30m)(图1)，每个样地内人工判别了单木树种，并实测了胸径、树高和冠幅等森林参数；样地的中心通过差分GPS进行定位，每木的相对位 置(即距离样地中心的水平距离和方向角)通过皮尺和森林罗盘仪测定(最后换算为每木的绝对位置坐标)。本实例选取了其中1个典型样地进行树种分类和结果验证，样地内主要树种包括麻栎(63棵)、枫香(59棵)、马尾松(49棵)和杉木(26棵)等。 

借助奥地利Riegl LMS-Q680i的机载小光斑全波形LiDAR传感器进行数据采集。遥感平台为：运-12飞机(飞行高度900m，速度为：55m/s)。获得的LiDAR波形数据参数为：脉冲发射频率400kHz，扫描频率114lines/sec(扫描角±30°)，激光脉冲的光斑半径为27cm。传感器记录了每束激光脉冲返回的完整波形信息，采样间隔为1ns。获得数据的脉冲间距为0.74m，脉冲点密度1.4pulse/m²(航向重叠区域的脉冲点密度更高)。 

数据预处理和高斯分解提取点云：首先进行噪声水平估计(在频域中逐波形判断其噪音信号阈值，然后去除阈值以下的数值)、数据平滑(通过高斯平滑，内核设置：FWHM＝2.35×σ)、拐点计算(通过移动窗体逐个判断某点周边的最近4个点的脉冲强度信息)，然后对波形数据进行高斯拟合，并通过局部最大峰值检测滤波算法从处理后的波形数据上提取离散点云。生成数字地形模型(DTM)：首先对末次回波进行Kraus滤波处理(在此基础上进一步采用中值滤波进行平滑，窗体大小3×3)用以去除非地面点，使用滤波后的末次回波数据并借助自然邻近法插值生成数字地形模型(输出空间分辨率为1m)(图2)。 

单木分割和信息综合。通过将地面以上点云(图3)基于自然邻域法插值生成数字表面模型(DSM)，然后借助栅格矩阵运算逐个像元“减去”数字地形模型(DTM)(图4)从而得到归一化植被高度(CHM)(图5)。通过2维高斯滤波方法平滑CHM表面，然后采用爬行局部最大值方法提取单木树冠，即在一定高度以上的像元内布设种子并允许其“爬向”最大坡度的方向。当种子“到达”的某一像元内高度都高于周边像元时，则将此像元作为树顶，树顶所对应的种子“爬行”区域为冠幅。采用二次抛物线表面模型拟合树高(选取前30％的分割结果分区内的树高)，并借助该模型分析(拟合效果最好的情况下，即残差最小)得到最佳分割尺度为6/π。由图6的验证结果可见，LiDAR提取树高信息准确性高，即预测值和真实值的拟合决定系数为0.87，各散点紧靠拟合线，且拟合线斜率接近1(0.95)；图7可见，单木冠幅(绿色边线)和树高位置(红点)提取效果较好。 

借助单木分割提取的冠幅和树高参数，在椭圆柱体范围内汇总其中的所有伪垂直波形，构成单木综合脉冲(图8)。借助DTM对单木综合脉冲进行归一化处理。利用三维 体积单元划分地表以上的三维空间(每个单元的大小依据垂直采样间隔及光斑大小进行设置：15cm×30cm×30cm)；然后在每个单元内，汇总穿过其中的最大脉冲能量并基于数字地形模型进行高度归一化；最后提取三维空间中垂直方向上的体元集合即为每束伪垂直波。 

在单木范围内汇总点云属性并计算综合波形特征参数(生成二组波形特征变量)。单木分割的树冠椭圆柱体范围内，针对每组高斯分解后的点云，计算其属性(即能量、振幅和回波次数)的均值、最大值和最小值，以此作为单木的特征变量(第一组)。然后，通过设置差异阈值(0.5m)对比DTM提取高度和对应位置上最后一个波峰所在高度，依此判断地形对应波峰位置(从而推测冠层对应波峰)，提取的特征变量为(第二组)：HOME(即地面到脉冲能量质心的距离)、波形距离(即波形起点到地面距离)、高度中位数比(HOME与波形距离的比值)、返回波形能量、冠层外层粗糙度(波形起点到第一波峰的距离)、前坡度角(波形起点到第一波峰连线的波形垂直角度)和VDR(冠层高度和HOME的差值除以冠层高)。图9为分别基于“原始波形”及“伪垂直波形”计算的HOME、冠层外层粗糙度和返回波形能量信息空间分布制图。对比分图可见，d-f的图像对比度和清晰度要明显高于a-c，这表明“伪垂直波形”有效减少由扫描角引起的数据获取误差，并“增强”了波形特征变量能量信号的提取效果。 

以上所有特征变量都将转换为栅格数据(像元大小：30cm×30cm，作为分类图层，共16个)。将以上图层叠加，并在此基础上选取有代表性的一组数据作为训练数据，通过支持向量机分类器进行树种识别。选取与训练数据完全独立的另一组作为检验数据，借助总体分类精度和卡帕系数等定量指标对分类精度进行评价。结果由表1可见，树种分类结果较好(总体精度＝73.42％；Kappa系数＝0.646)；由表2可见，森林类型(针阔叶)分类结果比树种分类结果好(总体精度＝92.5％；Kappa系数＝0.851)。 

表1 树种分类结果验证混淆矩阵 

注：像元数已转换为百分比 

表2 森林类型(针阔叶)分类结果验证混淆矩阵 

注：像元数已转换为百分比。 

Claims (6)

1.一种基于LiDAR伪垂直波形模型的树种分类方法，其特征在于，包括以下步骤： 

1)使用机载小光斑全波形LiDAR传感器进行数据采集，获得完整波形信息，采样间隔为1ns； 

2)LiDAR波形数据预处理：包括噪声水平估计和数据平滑、计算拐点、高斯拟合及波形数据点云化、生成数字地形； 

3)通过波形结构化分解和综合波形重组构建伪垂直波：首先利用三维体积单元划分地表以上的三维空间；然后在每个单元内，汇总穿过其中的最大脉冲能量并基于数字地形模型进行高度归一化；最后提取三维空间中垂直方向上的体元集合即为每束伪垂直波； 

4)单木分割和信息综合 

a)将地面以上点云插值生成数字表面模型，然后减去数字地形模型从而得到归一化植被高度； 

b)采用二维高斯滤波方法平滑CHM表面，其公式为： 

式中，x和y为到“内核”的距离；σ为4/π，6/π和8/π； 

采用二次抛物线表面模型拟合树高，其公式为： 

z＝a(x-x₀)²+b(y-y₀)²+c   (2) 

式中，x，y为像元所在位置，x₀和y₀为表面中心，通过该模型综合最佳分割尺度； 

c)借助单木分割提取的冠幅和树高参数，在椭圆柱体范围内汇总其中的所有伪垂直波形，构成单木综合脉冲；借助DTM对单木综合脉冲进行归一化处理； 

5)在单木范围内汇总点云属性并计算综合波形特征参数； 

6)使用支持向量机分类器进行树种分类：在研究区内均匀选取有代表性的一组数据作为训练数据，与其完全独立的另一组作为检验数据；最后使用支持向量机分类器进行树种识别，并借助总体分类精度和卡帕系数对这两个定量化指标对分类精度进行评价； 

卡帕系数计算公式： 

式中，r为总的类别数，x_ii为对角线上的像元数，x_i+和x_+i是列和行的总像元，N是总像元数。 

2.根据权利要求1所述的基于LiDAR伪垂直波形模型的树种分类方法，其特征在于：步骤2)中，噪声水平估计和数据平滑为：首先把原始数据转换到频率域，再将频率较高的低值部分作为噪声水平的判断标准；然后选用高斯滤波器进行平滑。 

3.根据权利要求1所述的基于LiDAR伪垂直波形模型的树种分类方法，其特征在于：步骤2)中，高斯拟合(分解)及波形数据点云化为：对波形数据采用非线性最小二乘法进行拟合，然后通过局部最大峰值检测滤波算法从处理后的波形数据上提取离散点云。 

4.根据权利要求1所述的基于LiDAR伪垂直波形模型的树种分类方法，其特征在于：步骤2)中，生成数字地形为：首先对从波形数据中提取出离散点云进行分类，然后对末次回波进行Kraus滤波处理用以去除非地面点，最后使用滤波后的末次回波数据并借助自然邻近法插值生成数字地形模型。 

5.根据权利要求1所述的基于LiDAR伪垂直波形模型的树种分类方法，其特征在于：步骤4)中，使用σ＝8/π算子的平滑结果将作为“最粗糙尺度”，而使用σ＝4/π算子的平滑结果将作为“最精细尺度”。 

6.根据权利要求1所述的基于LiDAR伪垂直波形模型的树种分类方法，其特征在于：步骤5)中，在单木范围内汇总点云属性并计算综合波形特征参数包括： 

a)单木分割的树冠椭圆柱体范围内，针对每组高斯分解后的点云，计算其属性的均值、最大值和最小值，以此作为单木的特征变量； 

b)通过设置差异阈值对比DTM提取高度和对应位置上最后一个波峰所在高度，依此判断地形对应波峰位置； 

c)提取特征变量：HOME、波形距离、高度中位数比、波峰数量、返回波形能量、冠层外层粗糙度、前坡度角和VDR。