1.基于机载LiDAR的点云树种分类方法，其特征在于，包括以下步骤：S1、对待处理的原始点云进行地面滤波，得到目标区域的地面点；剔除所述地面点，得到非地面点云，对所述非地面点云进行高程归一化处理，得到林木点云；

S2、对所述林木点云进行分割，得到单木点云数据；基于所述单木点云数据，构建训练数据集和测试数据集；

S3、对所述单木点云数据进行切片，基于切片后的所述单木点云数据得到特征向量；

所述S3包括：

将所述单木点云数据进行切片；

对每一个点云构造球形邻域空间，并通过邻域点集构建协方差矩阵，得到特征值；

并基于所述特征值计算局部服从点状、线状、球状结构的程度值、邻域点数和反射强度均值；

基于所述局部服从点状、线状、球状结构的程度值，所述邻域点数和所述反射强度均值构建直方图特征描述子；

基于所述直方图特征描述子得到所述特征向量；

S4、构建分类神经网络，并采用所述训练数据集对所述分类神经网络进行训练，并基于训练好的所述分类神经网络对所述测试数据集进行树种分类，得到分类结果；

所述S4包括：

构建所述分类神经网络；

所述分类神经网络包括：

序列加权模块、加权编码结构和深度前馈结构；

所述序列加权模块包括：DFF、Softmax权重归一化函数和Concatenate特征聚合单元；

所述加权编码结构包括：多头注意力模块、DFF以及LayerNorm层归一化单元；

所述深度前馈结构包括：Linear线性全连接层，Mish激活函数以及BatchNorm批次归一化单元；

提取每个切片的平均反射强度和平均高度，构造强度序列和高度序列；

将所述强度序列、所述高度序列和所述特征向量输入至所述分类神经网络中，得到分类结果。

2.根据权利要求1所述基于机载LiDAR的点云树种分类方法，其特征在于，所述S1得到目标区域的所述地面点的方法包括：对所述目标区域进行栅格化；

选取每一栅格的最低点作为种子点，并基于所述种子点构建初始三角网；

计算每个所述原始点云到所述初始三角网的顶点形成的夹角和距离；

设定迭代角度阈值和迭代距离阈值，将满足所述迭代角度阈值和所述迭代距离阈值的所述夹角和所述距离的所述原始点云作为地面点，并更新三角网；

重复操作，得到所述目标区域内的所有地面点。

3.基于机载LiDAR的点云树种分类系统，其特征在于，包括：滤波单元、分割单元、切片单元和分类单元；

所述滤波单元用于对待处理的原始点云进行地面滤波，得到目标区域的地面点；剔除所述地面点，得到非地面点云，对所述非地面点云进行高程归一化处理，得到林木点云；

所述分割单元用于对所述林木点云进行分割，得到单木点云数据；基于所述单木点云数据，构建训练数据集和测试数据集；

所述切片单元用于对所述单木点云数据进行切片，基于切片后的所述单木点云数据得到特征向量；

所述切片单元获得所述特征向量的方法包括：将所述单木点云数据进行切片；

对每一个点云构造球形邻域空间，并通过邻域点集构建协方差矩阵，得到特征值；

并基于所述特征值计算局部服从点状、线状、球状结构的程度值、邻域点数和反射强度均值；

基于所述局部服从点状、线状、球状结构的程度值，所述邻域点数和所述反射强度均值构建直方图特征描述子；

基于所述直方图特征描述子得到所述特征向量；

所述分类单元用于构建分类神经网络，并采用所述训练数据集对所述分类神经网络进行训练，并基于训练好的所述分类神经网络对所述测试数据集进行树种分类，得到分类结果；

所述分类单元得到所述分类结果的方法包括：构建所述分类神经网络；

所述分类神经网络包括：

序列加权模块、加权编码结构和深度前馈结构；

所述序列加权模块包括：DFF、Softmax权重归一化函数和Concatenate特征聚合单元；

所述加权编码结构包括：多头注意力模块、DFF以及LayerNorm层归一化单元；

所述深度前馈结构包括：Linear线性全连接层，Mish激活函数以及BatchNorm批次归一化单元；

提取每个切片的平均反射强度和平均高度，构造强度序列和高度序列；

将所述强度序列、所述高度序列和所述特征向量输入至所述分类神经网络中，得到分类结果。

4.根据权利要求3所述的基于机载LiDAR的点云树种分类系统，其特征在于，所述滤波单元得到所述地面点的方法包括：对所述目标区域进行栅格化；

选取每一栅格的最低点作为种子点，并基于所述种子点构建初始三角网；

计算每个所述原始点云到所述初始三角网的顶点形成的夹角和距离；

设定迭代角度阈值和迭代距离阈值，将满足所述迭代角度阈值和所述迭代距离阈值的所述夹角和所述距离的所述原始点云作为地面点，并更新三角网；

重复操作，得到所述目标区域内的所有地面点。