1.一种LiDAR先验引导的卫星影像DEM生成方法，其特征在于，包括：

步骤1：在整块DSM数据中随机裁剪出存在重叠区的两个相邻DSM切块；

步骤2：建立条件潜在扩散模型，并利用配套的卫星影像DSM数据和LiDAR DEM数据进行训练，用于从两个相邻DSM切块中自适应提取出对应的地形先验特征；步骤2中，所述条件潜在扩散模型由潜在编码器e、潜在编码器s、条件去噪扩散概率模型和潜在解码器组成；所述潜在编码器e将配套的卫星影像DSM数据与LiDAR DEM数据的合并数据编码为潜在特征Z；所述潜在编码器s将卫星影像DSM数据单独编码为潜在特征C；所述条件去噪扩散概率模型将潜在特征Z作为正向扩散过程的起点，并在T次迭代中逐渐向其添加高斯噪声得到ZT，在给定ZT和C的条件下，利用去噪网络通过T次迭代逐步将高斯噪声转变为先验特征 所述潜在解码器将先验特征 解码为与输入的DSM切块对应的DEM；

步骤3：建立DEM回归模型，所述DEM回归模型采用基于交叉注意力机制的特征融合策略，将提取的地形先验特征层次化嵌入到Transformer回归网络中，得到增强的DEM回归特征，并据此进行DEM预测；构建多元集成损失函数对DEM回归模型进行训练；

步骤4：搭建基于DEM回归模型的DEM回归优化框架，并构建几何一致性损失函数对DEM回归优化框架进行训练，用于显式惩罚回归过程中存在的尺度偏差，强制DEM回归模型输出几何一致的相邻区域DEM；

步骤5：重复步骤1‑4，直至所有DSM切块的总和覆盖原始的整块DSM数据，根据所有DSM切块的DEM预测结果生成全局几何一致的大范围无缝DEM。

2.如权利要求1所述的一种LiDAR先验引导的卫星影像DEM生成方法，其特征在于：步骤

2中，所述地形先验特征的提取方式如下：将训练好的条件潜在扩散模型中的潜在编码器s和条件去噪扩散概率模型的去噪网络进行组合，作为从两个相邻DSM切块中自适应提取出对应的地形先验特征的优良地形先验生成模型。

3.如权利要求1所述的一种LiDAR先验引导的卫星影像DEM生成方法，其特征在于：步骤

3中，所述DEM回归模型得到增强的DEM回归特征的方式如下：

分别将两个相邻DSM切块传给一系列Transformer层提取DSM局部特征；

采用基于交叉注意力机制的特征融合策略，在多个尺度上将提取的地形先验特征和DSM局部特征进行融合，得到增强的DEM回归特征。

4.如权利要求3所述的一种LiDAR先验引导的卫星影像DEM生成方法，其特征在于：步骤

3中，所述多元集成损失函数具体如下：

Lall＝α1l1+α2lgrad+α3lnorm

式中，l1表示L1范数损失，lgrad表示梯度损失，lnorm表示法向量损失，Lall为多元集成损失函数，表示用于DEM回归模型训练的总损失；de代表DEM预测值，dr代表LiDAR DEM真值，是x方向的分量， 是y方向的分量，n是像素总数， 代表 代表α1、α2以及α3是各项子损失的权重；利用多元集成损失函数Lall以及标注好的训练集对DEM回归模型进行训练。

5.如权利要求1所述的一种LiDAR先验引导的卫星影像DEM生成方法，其特征在于：步骤

4中，所述几何一致性损失函数具体如下：

式中，LGeo表示几何一致性损失函数， 表示Ea中与Eb存在重叠的部分， 表示Eb中与Ea存在重叠的部分，V代表Ea与Eb的重叠区域，Ea与Eb为DEM回归模型预测生成的两个相邻DSM切块对应的DEM。

6.如权利要求5所述的一种LiDAR先验引导的卫星影像DEM生成方法，其特征在于：步骤

4中，所述对DEM回归优化框架进行训练具体为：采用几何一致性损失函数LGeo以及标注好的训练集对DEM回归优化框架进行训练。

7.如权利要求1所述的一种LiDAR先验引导的卫星影像DEM生成方法，其特征在于：步骤

5中，所述根据所有DSM切块的DEM预测结果生成全局几何一致的大范围无缝DEM的过程中，对所有DSM切块的DEM预测结果中的重叠区进行平均融合处理。

8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1‑7任一项所述的LiDAR先验引导的卫星影像DEM生成方法。

9.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1‑7任一项所述的LiDAR先验引导的卫星影像DEM生成方法。