一种林分平均高预测方法及装置

技术领域

本申请涉及林分生长研究技术领域，具体而言，涉及一种林分平均高预测方法及装置。

背景技术

随着遥感传感器技术以及航空、航天平台技术的发展，机载激光雷达(LiDAR，Light Detection and Ranging)系统在森林资源调查领域得到的广泛的应用，利用激光雷达系统可以获取森林关键结构参数，如林分平均高。

目前，将利用激光雷达系统获取到待测林区的点云数据分类成地面点和非地面点，通过地面点生成DEM(Digital Elevation Model，数字高程模型)数据，通过非地面点生成DSM(Digital Surface Model，数字表面模型)数据，将DSM和DEM作差，得到CHM(CanopyHeight Model，冠层高度模型)数据。然后使用局部最大值搜索网口算法在CHM数据中搜索潜在的树冠顶点数据，进而得到待测林区中各个小班的林分平均高。

然而，当待测林区为复层林时，使用现有技术的方法会导致丢失处理下层植被信息，进而使得到的待测林区中各个小班的林分平均高可信度降低。

发明内容

本申请的目的在于，针对上述现有技术中的不足，提供一种林分平均高预测方法及装置，可以提高待测区域中各小班的林分平均高可信度。

为实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供了一种林分平均高预测方法，所述方法包括：

将待测林区的点云数据划分成地面点云数据以及植被点云数据，所述待测林区包括至少一个小班；

根据所述待测林区中各小班的数字高程模型数据以及所述植被点云数据，确定所述各小班的冠层高度数据；

根据所述各小班的冠层高度数据，获取所述各小班的高度特征，其中，所述高度特征为高度最小值特征和/或高度最大值特征；

分别将所述各小班的高度特征输入林分平均高预测模型，得到所述各小班的林分平均高。

可选地，所述根据所述待测林区中各小班的数字高程模型数据以及所述植被点云数据，确定所述各小班的冠层高度数据，包括：

将所述各小班划分为多个样方块；

根据预设格网尺寸，将每个所述样方块分别划分为多个格网单元；

根据各所述格网单元的中心位置以及每个所述格网单元上的植被点云数据，确定所述各小班的冠层高度数据。

可选地，所述根据各所述格网单元的中心位置以及每个所述格网单元上的植被点云数据，确定所述各小班的冠层高度数据，包括：

确定各所述网格单元上各植被点云与各所述格网单元的中心位置的高程差，将所述高程差作为各所述格网单元的冠层高度数据；

根据各所述格网单元的冠层高度数据，得到所述各小班的冠层高度数据。

可选地，所述将所述各小班的高度特征输入林分平均高预测模型，得到所述各小班对应的林分平均高，包括：

分别将所述各小班对应的植被个数信息、植被高度信息以及所述各小班的高度特征输入林分平均高预测模型，得到所述各小班对应的林分平均高。

可选地，所述将所述植被个数信息、所述植被高度信息以及所述各小班的高度特征输入林分平均高预测模型之前，所述方法还包括：

根据单木分割算法获取所述各小班对应的植被个数信息以及植被高度信息。

可选地，所述根据所述各小班的冠层高度模型数据，获取所述各小班的高度特征之后，所述方法还包括：

根据所述各小班的高度特征平均值以及标准差，确定所述各小班的高度特征区间；

根据所述各小班的高度特征区间，确定所述各小班的目标高度特征；

将所述各小班的目标高度特征输入林分平均高预测模型，得到所述各小班的林分平均高。

可选地，所述将所述各小班的高度特征输入林分平均高预测模型之前，所述方法还包括：

获取所述待测林区中多个样方区域的特征数据以及各样方区域对应的林分平均高数据，其中，所述样方区域的特征数据包括所述样方区域的高度特征、植被个数特征；

根据所述各样方区域的特征数据以及林分平均高数据，获取训练样本以及测试样本；

将各所述训练样本中的所述特征数据以及所述林分平均高数据分别输入初始林分平均高预测模型，得到多个训练后的林分平均高预测模型；

通过各所述测试样本，从所述多个训练后的林分平均高预测模型中获取所述林分平均高预测模型。

可选地，所述将待测林区的点云数据划分成地面点云数据以及植被点云数据，包括：

使用不规则三角网算法将所述待测林区的点云数据划分成地面点云数据以及非地面点云数据；

从所述非地面点云数据中获取所述植被点云数据。

可选地，所述从所述非地面点云数据中获取所述植被点云数据，包括：

使用高程阈值算法获取所述非地面点云数据中的初始植被点云数据，所述初始植被点云数据用于表征带有噪声的植被点云数据；

利用kd树算法滤除所述初始植被点云数据中的噪声，得到所述植被点云数据。

第二方面，本申请实施例还提供了一种林分平均高预测装置，所述装置包括：

划分模块，用于将待测林区的点云数据划分成地面点云数据以及植被点云数据，所述待测林区包括至少一个小班；

确定模块，用于根据所述待测林区中各小班的数字高程模型数据以及所述植被点云数据，确定所述各小班的冠层高度数据；

获取模块，用于根据所述各小班的冠层高度数据，获取所述各小班的高度特征，其中，所述高度特征为高度最小值特征和/或高度最大值特征；

输入模块，用于分别将所述各小班的高度特征输入林分平均高预测模型，得到所述各小班的林分平均高。

可选地，所述确定模块，具体用于将所述各小班划分为多个样方块；根据预设格网尺寸，将每个所述样方块划分为多个格网单元；根据各所述格网单元的中心位置以及每个所述格网单元上的植被点云数据，确定所述各小班的冠层高度数据。

可选地，所述确定模块，还具体用于确定各所述网格单元上各植被点云与各所述格网单元的中心位置的高程差，将所述高程差作为各所述格网单元的冠层高度数据；根据各所述格网单元的冠层高度数据，得到所述各小班的冠层高度数据。

可选地，所述输入模块，具体用于分别将所述各小班对应的植被个数信息、植被高度信息以及所述各小班的高度特征输入林分平均高预测模型，得到所述各小班对应的林分平均高。

可选地，所述输入模块，还用于根据单木分割算法获取所述各小班对应的植被个数信息以及植被高度信息。

可选地，所述获取模块，还用于根据所述各小班的高度特征平均值以及标准差，确定所述各小班的高度特征区间；根据所述各小班的高度特征区间，确定所述各小班的目标高度特征；将所述各小班的目标高度特征输入林分平均高预测模型，得到所述各小班的林分平均高。

可选地，所述获取模块，还用于获取所述待测林区中多个样方区域的特征数据以及各样方区域对应的林分平均高数据，其中，所述样方区域的特征数据包括所述样方区域的高度特征、植被个数特征；根据所述各样方区域的特征数据以及林分平均高数据，获取训练样本以及测试样本；将各所述训练样本中的所述特征数据以及所述林分平均高数据分别输入初始林分平均高预测模型，得到多个训练后的林分平均高预测模型；通过各所述测试样本，从所述多个训练后的林分平均高预测模型中获取所述林分平均高预测模型。

可选地，所述划分模块，具体用于使用不规则三角网算法将所述待测林区的点云数据划分成地面点云数据以及非地面点云数据；从所述非地面点云数据中获取所述植被点云数据。

可选地，所述划分模块，还具体用于使用高程阈值算法获取所述非地面点云数据中的初始植被点云数据，所述初始植被点云数据用于表征带有噪声的植被点云数据；利用kd树算法滤除所述初始植被点云数据中的噪声，得到所述植被点云数据。

第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行上述第一方面的所述林分平均高预测方法的步骤。

第四方面，本申请实施例提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面的所述林分平均高预测方法的步骤。

本申请的有益效果是：

本申请实施例提供一种林分平均高预测方法及装置，该方法包括：将待测林区的点云数据划分成地面点云数据以及植被点云数据，该待测林区包括至少一个小班；根据该待测林区中各小班的数字高程模型数据以及该植被点云数据，确定各小班的冠层高度数据；根据各小班的冠层高度数据，获取各小班的高度特征，其中，该高度特征为高度最小值特征和/或高度最大值特征；分别将各小班的高度特征输入林分平均高预测模型，得到各小班的林分平均高。采用本申请实施例提供的林分平均高预测方法，通过直接利用植被点云数据与该待测区域中各小班的数字高程模型数据，确定各个小班的冠层高度数据，这样可以将获取到的各个植被点云数据都遍历一次。也就是说，当待测林区为复层林时，各个小班的冠层高度数据中即包括上层植被信息，也包括下层植被信息，这样可以提高待测区域中各小班的林分平均高可信度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种林分平均高预测方法的流程示意图；

图2为本申请实施例提供的另一种林分平均高预测方法的流程示意图；

图3为本申请实施例提供的又一种林分平均高预测方法的流程示意图；

图4为本申请实施例提供的再一种林分平均高预测方法的流程示意图；

图5为本申请实施例提供的一种林分平均高预测模型训练方法的流程示意图；

图6为本申请实施例提供的一种林分平均高预测方法的流程示意图；

图7为本申请实施例提供的一种林分平均高预测装置的结构示意图；

图8为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

如下结合附图对本申请所提到的林分平均高预测方法进行示例说明。图1为本申请实施例提供的一种林分平均高预测方法的流程示意图。如图1所示，该方法可以包括：

S101、将待测林区的点云数据划分成地面点云数据以及植被点云数据。

通过机载激光雷达系统获取该待测林区的点云数据，需要说明的是，本申请不对该待测林区的具体信息进行限定，如该具体信息可以为该待测林区的面积、位置等信息。获取到的该待测林区的点云数据可包括地面点云数据、植被点云数据以及建筑物点云数据等其他类型的点云数据，可从该点云数据中分离出该地面点云数据以及该植被点云数据，需要说明的是，本申请不对该地面点云数据以及该植被点云数据的个数进行限定。

同时，可根据该待测林区的影像数据勾画出至少一个小班，该小班可表征为该待测区域中内部特征基本一致，与相邻地段有明显差异的林区，其中，该内部特征可包括植被种类、地势特征等。

S102、根据该待测林区中各小班的数字高程模型数据以及该植被点云数据，确定各小班的冠层高度数据。

可根据不规则三角网算法将该地面点云数据内插生成数字高程模型(DEM)，已知该待测林区中各小班的区域信息，进而可得到各小班对应的数字高程模型数据，其中，各小班对应的数字高程模型数据至少包括所包含的各个地面点云的高程信息。同理，根据该待测林区中各小班的区域信息以及所述植被点云数据，可得到各小班所包含的各个植被点云的高程信息。在对获取到的数据进行存储时，可以以各小班为单位，将各小班与其对应的各个地面点云数据(数字高程模型数据)以及植被点云数据进行相关联存储。最后可根据地面点云数据、植被点云数据的平面坐标信息以及高程信息得到各小班的冠层高度数据，即各小班中各植被的绝对高度信息。

直接通过植被点云数据计算得到各小班的冠层高度数据，这样可以全方位的反应待测林区的真实情况，使各小班的冠层高度数据更精确，进而使最后得到的林分平均高可信度得到提高。

S103、根据各小班的冠层高度数据，获取各小班的高度特征。

各小班的冠层高度数据中可包括多个植被点云数据对应的高程信息，也就是说，小班中所包含的植被点云数据有n个，那么就会对应有n个高程信息，可根据预先设置的计算方式，对这n个高程信息进行处理，得到各小班的高度特征，需要说明的是，本申请不对计算方式进行限定。可根据实际需求进行设置，可以设置一种计算方式，也可以同时设置多种计算方式。其中，该高度特征可包括高度最小值特征和/或高度最大值特征，当然，也可包括其他类型高度特征，如高度均值特征、高度上四分位数值特征、高度方差特征、高度标准差特征、高度中位数特征、高度偏度特征、高度峰度特征、高度变异系数特征、高度冠层起伏率特征、高度二次幂特征、高度三次幂特征、高度中位数绝对值偏差特征、高度平均绝对偏差特征等，本申请不对该高度特征的具体类型以及类型个数进行限定。

S104、分别将各小班的高度特征输入林分平均高预测模型，得到各小班的林分平均高。

可对各小班进行编号，以键值对的存储方式将小班与高度特征进行相关联存储，比如需要预测小班1的林分平均高时，可从存储器中取出与小班1对应的高度特征，并将取出的高度特征输入到预先训练好的林分平均高预测模型，进而可以预测出小班1的林分平均高。同理，如果需要预测小班2、小班3等其他小班的林分平均高时，可参考上述具体描述。当然，输入到预先训练好的林分平均高预测模型中的特征数据除了小班对应的高度特征外，也还可以包括小班对应的其他特征，如小班的郁闭度特征数据等，本申请不对其进行限定。

综上所述，本申请提供的林分平均高预测方法中，该方法包括：将待测林区的点云数据划分成地面点云数据以及植被点云数据，该待测林区包括至少一个小班；根据该待测林区中各小班的数字高程模型数据以及该植被点云数据，确定各小班的冠层高度数据；根据各小班的冠层高度数据，获取各小班的高度特征，其中，该高度特征为高度最小值特征和/或高度最大值特征；分别将各小班的高度特征输入林分平均高预测模型，得到各小班的林分平均高。采用本申请实施例提供的林分平均高预测方法，通过直接利用植被点云数据与该待测区域中各小班的数字高程模型数据，确定各个小班的冠层高度数据，这样可以将获取到的各个植被点云数据都遍历一次。也就是说，当待测林区为复层林时，各个小班的冠层高度数据中即包括上层植被信息，也包括下层植被信息，这样可以提高待测区域中各个小班的林分平均高可信度。

图2为本申请实施例提供的另一种林分平均高预测方法的流程示意图。如图2所示，可选地，上述根据该待测林区中各小班的数字高程模型数据以及该植被点云数据，确定各小班的冠层高度数据，可包括：

S201、将各小班划分为多个样方块。

可根据预设样方块面积以及各小班面积，判断各小班是否能够进行样方尺度化，当预设样方块面积大于小班面积时，则该小班不能进行样方尺度化；当预设样方块面积小于小班面积时，则该小班可以进行样方尺度化。当该小班可以进行样方尺度化时，可根据预设样方块面积将该小班划分为多个样方块。

S202、根据预设格网尺寸，将每个样方块划分为多个格网单元。

对于能够进行样方尺度化的小班来说，在根据预设样方块面积将该小班划分为多个样方块后，可再根据该预设格网尺寸，将该小班中的各个样方块划分为多个格网单元；对于不能进行样方尺度化的小班来说，可直接根据预设格网尺寸，将该小班划分为多个网格单元。

S203、根据各格网单元的中心位置以及每个格网单元上的植被点云数据，确定各小班的冠层高度数据。

可选地，确定各网格单元上各植被点云与各格网单元的中心位置的高程差，将高程差作为各格网单元的冠层高度数据；根据各格网单元的冠层高度数据，得到各小班的冠层高度数据。

根据不规则三角网算法将地面点内插生成数字高程模型，该数字高程模型中的各个地面点云所在的位置相当于各格网单元的中心位置，根据四叉树算法可得到小班中各个格网单元所对应的植被点云。其中，地面点云数据以及植被点云数据都包括平面数据以及高程数据，在得到该小班中一个格网单元对应的地面点云数据以及植被点云数据后，可计算出该格网单元的高程差数据，该高程差数据为地面点云的高程数据与植被点云的高程数据之间的差值，最后综合各个格网单元的高程差数据，得到该小班对应的多个高程差数据，多个高程差数据组成该小班的冠层高度数据。同理，计算该待测林区的其他小班的冠层高度数据的具体方式可如上所述，此处不再详细解释。

可以看出，不管该植被点云是上层植被所对应的信息，还是下层植被所对应的信息，只要在小班内，在计算小班的冠层高度模型时，都将其考虑在内，这样可以避免由于植被信息的丢失而造成各小班林分平均高可信度降低的现象。

图3为本申请实施例提供的又一种林分平均高预测方法的流程示意图。如图3所示，该方法还包括：

S301、根据单木分割算法获取各小班对应的植被个数信息以及植被高度信息。

S302、分别将各小班对应的植被个数信息、植被高度信息以及各小班的高度特征输入林分平均高预测模型，得到各小班对应的林分平均高。

其中，该单木分割算法可包括局部最大距离算法、均值漂移算法等。具体的，可根据局部最大距离算法以及各小班的冠层高度模型(冠层高度数据)确定各植被的树顶位置，即植被高度信息。再利用均值漂移(Mean Shift)算法从该冠层高度模型中高程数据最小的植被点开始漂移，直至漂移到高程数据最大的植被点，在漂移的过程中，将在同一格网单元中漂移经过的同一个植被点确定为同一个植被，这样可以分别计算出各个格网单元所对应的植被个数，最后将各个格网单元的植被个数进行相加，计算得到一个小班对应的植被个数信息。

从上述的描述可知，每个小班都有对应的植被个数信息、植被高度信息以及高度特征，可预先将小班对应的有量纲的特征因子(如植被个数、植被高度以及高度特征)进行归一化，转化为无量纲的特征因子，最后将该小班对应的无量纲的特征因子输入预先训练好的林分平均高预测模型，可预测得到该小班对应的林分平均高，其他小班类似。

进一步地，也可将小班的郁闭度特征输入预先训练好的林分平均高预测模型中。其中，郁闭度可以间接反应林分平均高，下式为郁闭度(CC)、林区的平均冠幅面积(C

由于林区的平均冠幅面积(C

其中，H为林分平均高，a为常数。

由此可以看出，郁闭度(CC)与林分平均高(H)呈正相关，植被个数(N)与林分平均高(H)呈负相关。也就是说，小班的郁闭度(CC)以及小班的植被个数(N)都会影响该小班的林分平均高(H)，都可以作为预测该小班林分平均高的特征因子，输入林分平均高预测模型。

通过本实施例，可增加输入到林分平均高预测模型中的特征因子，从各个方面考虑了影响林分平均高的因素，使预测出的林分平均高更精确。对特征因子进行归一化，将特征数据归纳到同一的表达区间内，可以简化预测过程，提高预测效率。

图4为本申请实施例提供的再一种林分平均高预测方法的流程示意图。如图4所示，在上述根据各小班的冠层高度数据，获取各小班的高度特征之后，该方法还可以包括：

S401、根据各小班的高度特征平均值以及标准差，确定各小班的高度特征区间。

S402、根据各小班的高度特征区间，确定各小班的目标高度特征。

S403、将各小班的目标高度特征输入林分平均高预测模型，得到各小班的林分平均高。

对于可以样方尺度化的小班来说，根据该小班的冠层高度模型数据，即高程差数据，可按照由小到大的顺序对每个样方块的高程差进行排序，然后利用预先设置的高度特征计算方式计算得到各个样方块的高度最小值特征、高度最大值特征、高度均值特征和/或高度方差特征等，本申请不对预先设置的高度特征计算方式进行限定。在得到各个样方块对应的同一个高度特征后，可计算得到该特征对应的平均值以及标准差。

这里以高度最小值特征为例，小班1上有4个样方块，每个样方块可对应一个高度最小值特征，根据计算得到的这4个高度最小值特征可以获取到该高度最小值特征对应的平均值M以及标准差σ，进而可以确定出小班1的高度最小值特征区间[M-3σ,M+3σ]。如果这4个高度最小值特征中有不在该高度最小值特征区间[M-3σ,M+3σ]的情况，则将不在该高度最小值特征区间上的高度最小特征剔除，即剔除不在该高度最小值特征区间上的高度最小特征对应的样方块，根据剩下的样方块的高度最小值特征求解小班1的目标高度最小值特征。

对小班1的目标高度最小值特征进行归一化处理，将归一化处理后的目标高度最小值特征输入预先训练好的林分平均高预测模型的输入层，预测得到小班1的林分平均高。需要说明的是，对于其他类型的目标高度特征(如高度最大值特征、高度均值特征、高度方差特征)来说，可参考上述求解过程，本申请此处不再进行描述。通过该方式可以过滤掉噪声等其他异常高度特征，使获取到的目标高度特征更精确，进而使预测得到的林分平均高可信度更高。

下述实施例对林分平均高预测模型训练方法进行详细解释。

图5为本申请实施例提供的一种林分平均高预测模型训练方法的流程示意图。如图5所示，在上述分别将各小班的高度特征输入林分平均高预测模型之前，该方法还可以包括：

S501、获取该待测林区中多个样方区域的特征数据以及各样方区域对应的林分平均高数据。

可以选择该待测林区中地势比较平坦，植被高度容易被实际测量的区域作为样方区域，一般情况下，该样方区域的个数至少为两个。工作人员可通过测量工具分别测量出各样方区域的植被高度，进而计算出各样方区域的林分平均高。在各样方区域确定后，可通过机载激光雷达系统获取各样方区域对应的特征数据(如高度特征、植被个数、植被高度)，其具体内容和获取各小班对应的特征数据内容类似，此处不再进行详细解释。

需要说明的是，针对各样方区域，可直接采用预设格网尺寸，将每个样方区域划分成多个格网单元，相当于不能样方尺度化的小班。可根据各格网单元的中心位置以及每个所述格网单元上的植被点云数据，确定各个样方区域的冠层高度数据，根据各样方区域的高度特征平均值以及标准差，确定各个样方区域的高度特征区间；可根据各个样方区域的高度特征区间，滤除高度特征不在该高度特征区间上的样方区域。这样可以使对初始林分平均高预测模型进行训练的训练样本精确度得到提高，进而可以使训练得到的林分平均高预测模型精确度高。

其中，该样方区域的特征数据包括该样方区域的高度特征、植被个数信息以及植被高度信息，当然也还可以包括其他特征，如郁闭度特征，本申请不对其进行限定。

S502、根据各样方区域的特征数据以及林分平均高数据，获取训练样本以及测试样本。

根据k-fold交叉验证方式，可将各样方区域对应的特征数据以及林分平均高数据组成样方数据集。当样方区域个数为D个时，那么该样方数据集中就相当于包括了D组数据包，每组数据包中都包括特征数据以及林分平均高数据。可将D组数据包中的任何一组数据包作为测试样本，剩下的(D-1)组数据包作为训练样本。也就是说，当样方区域个数为D个时，训练样本和测试样本会有D种组合。

S503、将各训练样本中的特征数据以及林分平均高数据分别输入初始林分平均高预测模型，得到多个训练后的林分平均高预测模型。

S504、通过各测试样本，从多个训练后的林分平均高预测模型中获取林分平均高预测模型。

可将每种组合对应的训练样本中的特征数据以及林分平均高数据分别输入该初始林分平均高预测模型中，当满足训练停止条件，可得到每种组合对应的林分平均高预测模型，并且可利用每种组合对应的测试样本中的特征数据分别对每种组合对应的林分平均高预测模型进行测试。举例来说，当训练样本和测试样本有D种组合时，可训练得到D个林分平均高预测模型，利用D种测试样本分别对这D个林分平均高预测模型进行测试。

每个林分平均高预测模型对应的测试结果中都有其各自的拟合优度V及均方误差MSE，可通过下式从D个林分平均高预测模型中选取最优的林分平均高预测模型作为最终的林分平均高预测模型。

P＝V+(1-MSE)

其中，拟合优度V越高，均方误差MSE越小，选取P值最大的林分平均高预测模型作为最终的林分平均高预测模型。

可以看出，P值最大时，代表着对应的林分平均高预测模型最精确，使利用该林分平均高预测模型可以很好地进行线性、非线性数据的回归拟合，准确预测得到该待测林区中的森林因子，该森林因子包括各小班对应的林分平均高。

该实施例使用基于机器学习以及单木分割的反演方法，不仅利用高度特征作为训练样本中的自变量，还利用植被个数信息以及植被高度信息作为训练样本中的自变量，使训练初始林分平均高预测模型的特征种类不再单一。将这些特征组合起来作为该初始林分平均高预测模型的自变量，并以实际测量得到的林分平均高作为因变量，使用机器学习的不同算法完成初始林分平均高模型的训练。其中，机器学习具有优秀的数据挖掘能力、数据分析能力、数据预测能力，可以很好地解决小样本训练、自变量特征维度高和共线性等问题。在森林因子定量反演方面的应用，可以很好地进行线性、非线性数据的回归拟合，准确得到相关森林因子。

图6为本申请实施例提供的一种林分平均高预测方法的流程示意图。如图6所示，可选地，上述将待测林区的点云数据划分成地面点云数据以及植被点云数据，可包括：

S601、使用不规则三角网算法将该待测林区的点云数据划分成地面点云数据以及非地面点云数据。

利用不规则的三角网(TIN，Triangulated Irregular Network)算法首先获取可能性最大的地面点，如点云数据中高程数据接近0的点，可将这些地面点称为种子地面点。根据这些种子地面点建立初始TIN表面，逐一判断其他点云数据与该初始TIN网络表面的垂直距离关系，如果该点云数据对应的垂直距离小于预设阈值，则将该点云数据重新纳入该初始TIN网络表面，重新构建新的TIN表面；如果该点云数据对应的垂直距离不小于该预设阈值，则将该点云数据删除。以此类推，直到其他点云数据全部判断完成，此时构建TIN表面上的点云数据为地面点云数据，其他点云数据为非地面点云数据。

S602、从该非地面点云数据中获取该植被点云数据。

可选地，使用高程阈值算法获取该非地面点云数据中的初始植被点云数据，该初始植被点云数据用于表征带有噪声的植被点云数据；利用kd树算法滤除该初始植被点云数据中的噪声，得到该植被点云数据。

利用点云垂直分布的特性，将非地面点云和地表进行垂直方向高程分析，然后利用高程阈值算法对非地面点云数据进行分离，将其他类型的激光回波点剔除，得到含有噪声的植被点云数据，即初始植被点云数据。其中，其他类型的激光回波点可以包括路面、水面形成的激光回波点，本申请不对其进行限定。

该初始植被点云数据可能包含建筑物点云数据，在对初始植被点云数据中的建筑物点云数据进行提出时，可利用kd树算法逐个计算各个初始植被点云法向量，根据各个初始植被点云法向量的三维位置关系，分割初始植被点云，使用区域增长算法分割索引，根据索引邻接关系区域增长建筑点云，从而生成建筑物点云集合。从该初始植被点云数据中剔除该建筑物点云集合，也就相当于把该初始植被点云数据中的噪声滤除，得到植被点云数据。

这样不仅可以得到精确的地面点云数据，而且还可以得到精确的植被点云数据，进而可以提高各小班或者各样方区域的冠层高度模型的精度，更进一步的得到更精确的各小班的林分平均高。

图7为本申请实施例提供的一种林分平均高预测装置的结构示意图。如图7所示，该装置可以包括：

划分模块701，用于将待测林区的点云数据划分成地面点云数据以及植被点云数据；

确定模块702，用于根据该待测林区中各小班的数字高程模型数据以及该植被点云数据，确定各小班的冠层高度数据；

获取模块703，用于根据各小班的冠层高度数据，获取各小班的高度特征；

输入模块704，用于分别将各小班的高度特征输入林分平均高预测模型，得到各小班的林分平均高。

可选地，确定模块702，具体用于将各小班划分为多个样方块；根据预设格网尺寸，将每个样方块划分为多个格网单元；根据各格网单元的中心位置以及每个格网单元上的植被点云数据，确定各小班的冠层高度数据。

可选地，确定模块702，还具体用于确定各网格单元上各植被点云与各格网单元的中心位置的高程差，将高程差作为各格网单元的冠层高度数据；根据各格网单元的冠层高度数据，得到各小班的冠层高度数据。

可选地，输入模块704，具体用于分别将各小班对应的植被个数信息、植被高度信息以及各小班的高度特征输入林分平均高预测模型，得到各小班对应的林分平均高。

可选地，输入模块704，还用于根据单木分割算法获取各小班对应的植被个数信息以及植被高度信息。

可选地，获取模块703，还用于根据各小班的高度特征平均值以及标准差，确定各小班的高度特征区间；根据各小班的高度特征区间，确定各小班的目标高度特征；将各小班的目标高度特征输入林分平均高预测模型，得到各小班的林分平均高。

可选地，获取模块703，还用于获取该待测林区中多个样方区域的特征数据以及各样方区域对应的林分平均高数据；根据各样方区域的特征数据以及林分平均高数据，获取训练样本以及测试样本；将各训练样本中的特征数据以及林分平均高数据分别输入初始林分平均高预测模型，得到多个训练后的林分平均高预测模型；通过各测试样本，从多个训练后的林分平均高预测模型中获取该林分平均高预测模型。

可选地，划分模块701，具体用于使用不规则三角网算法将该待测林区的点云数据划分成地面点云数据以及非地面点云数据；从该非地面点云数据中获取该植被点云数据。

可选地，划分模块701，还具体用于使用高程阈值算法获取该非地面点云数据中的初始植被点云数据，该初始植被点云数据用于表征带有噪声的植被点云数据；利用kd树算法滤除该初始植被点云数据中的噪声，得到该植被点云数据。

上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。

以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Signal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。

图8为本申请实施例提供的一种电子设备的结构示意图，如图8所示，该电子设备可以包括：处理器801、存储介质802和总线803，存储介质802存储有处理器801可执行的机器可读指令，当该电子设备运行时，处理器801与存储介质802之间通过总线803通信，处理器801执行机器可读指令，以执行上述林分平均高预测方法的步骤。具体实现方式和技术效果类似，这里不再赘述。

可选地，本申请还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述林分平均高预测方法的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。