1.一种基于航空测绘技术的地形测绘方法，其特征在于，包括：

步骤S1，获得待测绘地区多张图像数据和雷达点云数据，对待测绘地区图像数据进行预处理，每张待测绘地区图像数据包括位置信息和高程信息；

步骤S2，构建测绘地形的卷积神经网络模型，优化卷积神经网络模型，将预处理后的多张待测绘地区图像依次输入优化后的卷积神经网络模型，提取预处理后的待测绘地区图像特征，根据提取到的特征对待测绘地区图像的地形复杂度进行预测，获得多个待测绘地区的地形复杂度；

步骤S3，获取待测绘地区的天气指数，包括风速、能见度、光照强度；获取航空测绘摄影相机的相机参数，包括焦距、像素、光圈、灵敏度；

步骤S4，通过实验获取飞行高度与地形复杂度、天气指数、相机参数的拟合曲线，将得到的地形复杂度、天气指数代入拟合曲线，得到目标地区的多个预定飞行高度，将此预定飞行高度与目标地区高程信息对比，若此预定飞行高度大于目标地区最高点高度，则将此预定飞行高度作为确定飞行高度，若此预定飞行高度小于目标地区最高点高度，则将目标地区最高点高度+5m作为确定飞行高度，将目标地区确定飞行高度与位置信息进行匹配；

步骤S5，无人机按照一一匹配的确定飞行高度与位置飞行，获取新待测绘地区图像；

步骤S6，将新待测绘地区图像与步骤S1获取的待测绘地区图像对比、填充、结合，获得测绘图像；

步骤S7，导入获取到的雷达点云数据，将point_cloud变量类型从 Numpy 转换为 Open3Do3d.geometry.PointCloud类型以便进一步处理，选择网格化策略进行表面重建，为了获得干净的结果，添加一个裁剪步骤来清除图中以黄色突出显示的不需要的伪影，初步建立待测绘地区的地表三维轮廓；

步骤S8，对测绘图像进行空中三角测量，结合地表三维轮廓建立三维地形图。

2.根据权利要求1所述的一种基于航空测绘技术的地形测绘方法，其特征在于，获得待测绘地区多张图像数据和雷达点云数据的方法为：

搭载摄影设备和孔径雷达的无人机按照预设的飞行高度预先飞行一趟，获得待测绘地区的多张图像数据和雷达点云数据。

3.根据权利要求1所述的一种基于航空测绘技术的地形测绘方法，其特征在于，对待测绘地区图像进行预处理的方法为：

使用加权平均法将待测绘地区图像转为灰度图像，使用最近邻插值算法进行灰度值插值，使用高斯滤波器去除图像噪声并进行图像锐化，突出地形的边缘轮廓，获得处理图像。

4.根据权利要求1所述的一种基于航空测绘技术的地形测绘方法，其特征在于，步骤S2中，构建测绘地形的卷积神经网络模型的方法包括以下步骤：

步骤S2.1，使用无人机收集不同地形的图像，并通过实地测量计算图像中的地形复杂度，计算地形复杂度主要通过计算局部高差、局部标准差、局部褶皱度、局部全曲率四个指标进行，其中，局部高差计算局部窗口高程最大值与最小值之差，反映局部窗口地形起伏的程度；局部标准差计算地形局部窗口高程的标准差，反映局部窗口地形的平均起伏程度；局部褶皱度计算局部地形三维表面积与投影平面面积比，反映局部窗口地形的平均褶皱程度；局部全曲率刻画地表眼各个方向的平均曲率，反映局部窗口地形的平均突变程度，其表

2 2 2 1/2

达式为：c=（r+2s+t） ，式中，r表示x方向的二阶偏导数，t表示y方向的二阶偏导数，s表

2 2 2 2 2

示x与y方向的二阶偏导数：r=fxx=∂f/∂x ,t=fyy=∂f/∂y ,s=fxy=∂f/∂xy；将计算得到的局部高差、局部标准差、局部褶皱度、局部全曲率进行归一化处理，公式为：N=（T‑minT）/（maxT‑minT），T为原始局部高差、局部标准差、局部褶皱度、局部全曲率，minT为最小局部高差、局部标准差、局部褶皱度、局部全曲率值，maxT为最大局部高差、局部标准差、局部褶皱度、局部全曲率值，归一化后得到局部高差NLRE、局部标准差NLSD、局部褶皱度NLRU、局部全曲率NLTC，地形复杂度C=（NLRE+NLSD+NLRU+NLTC）/4，对收集到的图像进行人工标注地形复杂度，图像作为特征，地形复杂度作为标签构建数据集，并划分为训练集和验证集；

步骤S2.2，搭建卷积神经网络架构，以经典卷积神经网络模型VGG‑16为基础，添加卷积层、池化层、全连接层以及回归层，计算模型的平均绝对误差MAE和平均相对误差MRE作为损m m失函数，计算公式为：MAE=∑i=1|Mi‑Mj|,MRE=∑i=1（|Mi‑Mj|/Mi）*100%,Mi表示地形复杂度实测值（%），Mj表示地形复杂度预测值；将训练集输入到卷积神经模型进行训练，采用反向传播算法更新卷积神经网络的权重；利用验证集优化卷积神经网络的超参数，包括学习率、迭代次数、优化器，得到最优的目标任务为预测地形复杂度的卷积神经网络模型。

5.根据权利要求1所述的一种基于航空测绘技术的地形测绘方法，其特征在于，步骤S2中，获得多个待测绘地区的地形复杂度的方法为：将多张待测绘地区图像依次输入优化后的卷积神经网络模型，卷积神经网络模型自动提取预处理后的待测绘地区图像特征，根据提取到的特征对待测绘地区图像的地形复杂度进行预测，获得多个待测绘地区的地形复杂度。

6.根据权利要求1所述的一种基于航空测绘技术的地形测绘方法，其特征在于，步骤S4中，通过实验获取飞行高度与地形复杂度、天气指数、相机参数的拟合曲线得方法为：将天气指数中的风速、能见度、光照强度，以及相机作为变量，通过控制变量法研究天气指数对测绘精确度的影响，获取天气指数的拟合曲线f天气指数=ω11x+ω12y+ω13z，x为风速，y为能见度，z为光照强度，ω11为风速的权重，ω12为能见度的权重，ω13为光照强度的权重；将相机参数中的焦距、像素、光圈、灵敏度作为变量，通过控制变量法研究相机参数对测绘精确度的影响，获取相机参数的拟合曲线f相机参数=ω21a+ω22b+ω23c+ω24d，a为焦距，b为像素，c为光圈，d为灵敏度，ω21为焦距的权重，ω22为像素的权重，ω23为光圈的权重，ω24为灵敏度的权重；将飞行高度、地形复杂度、天气指数、相机参数作为变量，通过控制变量法获取飞行高度与地形复杂度、天气指数、相机参数的拟合曲线f=ω1f天气指数+ω2f相机参数+ω3f地形复杂度，ω1为天气指数的权重，ω2为相机参数的权重，ω3为地形复杂度的权重，f为飞行高度。

7.根据权利要求1所述的一种基于航空测绘技术的地形测绘方法，其特征在于，获取拟

1 2 3 m

合曲线的方法为：假设数据集为{（x1,y1）,（x2,y2）,（xn,yn）}，xi=（xi ,xi ,xi ,...,xi）,i∈{1,2,3,...,n}，n为数据集个数，m为变量个数，使用最小二乘参数估计，使得E（ω,b）=m 2 1 2 3 m∑i=1（yi‑ωxi‑b）最小化，ω=（ω ,ω ,ω ,...,ω），将E（ω,b）分别对ω和b求导，得到Em 2 m m（ω,b）ω=2（ω∑i=1xi ‑∑i=1（yi‑b）xi），E（ω,b）b=2（mb‑∑i=1（yi‑ωxi）），令偏导数都为m m 2 m 2 2 m

0，得到ω=∑ i=1yi（xi‑x）/∑i=1xi‑1/m*∑i=1xi），b=1/m*∑i=1（yi‑ωxi），其中，x=1/m*m∑i=1xi。

8.根据权利要求1所述的一种基于航空测绘技术的地形测绘方法，其特征在于，步骤S6中，将新待测绘地区图像与步骤S1获取的待测绘地区图像对比、填充、结合，获得测绘图像的方法，包括以下步骤：步骤S6.1，将新待测绘地区图像尺寸与步骤S1获取的待测绘地区图像尺寸对比，进而对新待测绘地区图像进行缩放，公式为：预设的飞行高度/确定飞行高度=步骤S1获取的待测绘地区图像尺寸/新待测绘地区图像尺寸；

步骤S6.2，将新待测绘地区图像尺寸与步骤S1获取的待测绘地区图像进行特征点匹配，使用SIFT尺度不变特征变换从图像中提取特征点和描述子，使用暴力匹配或基于近邻搜索匹配两幅图像的特征点，使用基于距离阈值的筛选方法去除错误匹配，通过基于RANSAC算法的后处理方法来过滤重复和模糊匹配，获取匹配结果；

步骤S6.3，根据匹配结果将步骤S1获取的待测绘地区图像对应位置的图像切割出来，通过图像填充将缩放后的新待测绘地区图像填充到步骤S1获取的待测绘地区图像切割后的位置，并进行色彩和空间校正。

9.根据权利要求1所述的一种基于航空测绘技术的地形测绘方法，其特征在于，空中三角测量包括：依照数字航空影像确定的相对定向结果；结合IMU/DGPS/GPS数据以及像控点坐标进行绝对定向；依据绝对定向结果计算空中三角测量结果；

在空中三角测量时，进行DEM采集；基于DEM采集结果，进行DOM制作；根据DOM以及地面高程矢量数据，进行TDOM制作；将DEM、TDOM叠加至地表三维轮廓，构建三维地形图。

10.一种基于航空测绘技术的地形测绘系统，其特征在于，包括：数据采集模块，用于采集待测绘地区图像数据和雷达点云数据；

图像预处理模块，用于对采集到的待测绘地区图像数据进行预处理；

深度学习模块，用于根据待测绘地区图像预测地形复杂度；

信息采集模块，用于获取待测绘地区的天气指数，以及获取航空测绘摄影相机的相机参数，天气指数包括风速、能见度、光照强度，相机参数包括焦距、像素、光圈、灵敏度；

飞行高度调节模块，用于根据获取到的信息和数据调整飞行高度；

图像处理模块，用于对第一次飞行和第二次飞行获得的图像进行对比、填充和结合；

三维建模模块，用于建立待测绘地区的三维地形图。