1.基于机载静态激光雷达的拍岸浪参数提取方法，其特征在于，包括以下步骤：S1、使用无人机搭载静态激光雷达扫描仪采集数据，起飞前设置静态激光雷达扫描仪为重复扫描模式，操纵无人机飞行至波浪破碎处，扫描方向为垂直海岸线方向；

S2、将数据导出至制图软件，导出格式为las数据；

S3、打开las数据，并将数据导出为txt格式，获得点云的地理坐标、激光雷达扫描波束与垂直地面方向的扫描角及相对时间；

S4、数据分切：删除无效数据，保留所需数据，将所需数据按照相对时间排序，将排序后的数据按照自定义的时间间隔分切为多个新的txt文件；

S5、数据提取：设计MATLAB程序对步骤S4中分切后的txt文件提取波浪束；

S6、数据去噪及可视化：采用DBSCAN算法进行数据去噪；

S7、海浪参数提取及环境影响因子获取，所述海浪参数包括海浪波高、最大波高、有效波高、平均波高及波浪数目，所述环境影响因子包括风应力、水深及潮位；

其中，海浪波高的提取方法为：选择每帧海浪数据的前3%的点云计算其三维空间坐标（X，Y，Z）中的Z值平均值作为海浪的最大波高值，同时拟合平均海平面高度，最大波高值与平均海平面高度的差值即为海浪波高。

2.根据权利要求1所述的基于机载静态激光雷达的拍岸浪参数提取方法，其特征在于，步骤S1中，无人机飞行高度为距海面30米；静态激光雷达扫描仪采用单线扫描，重复扫描图案的重复周期为0.1秒，重复扫描图案的水平FOV为70°。

3.根据权利要求2所述的基于机载静态激光雷达的拍岸浪参数提取方法，其特征在于，步骤S5中，MATLAB程序的设计思路为：针对单个txt数据，首先，设置两个检测值，其中一个为正检测值，初始为 ；另一个为负检测值，初始为 ；然后，从扫描角所在列依次按行往下检测，此时有三种情况：S51、若检测到第一个正检测值或者第一个负检测值，则以检测到的值所在的行开始，继续往下检测，如果第一个检测到的是正检测值，往下检测到下一个负检测值则停止检测；

如果第一个检测到的是负检测值，往下检测到下一个正检测值则停止检测，将两个检测值间的行全部提取出来；

S52、若检测到第一个正检测值或者第一个负检测值后，没有检测到下一个检测值，则将下一个检测值的数值更改，更改规则为：如果待检测的检测值是负检测值，则将负检测值加1，并从第一个正检测值的所在行重新开始检测，直至检测到负检测值；如果待检测的检测值是正检测值，则将正检测值减1，并从第一个负检测值的所在行重新开始检测，直至检测到正检测值，提取两个检测值间的行；

S53、若扫描角所在列中没有检测到正检测值或者负检测值，则将正检测值减1，负检测值加1，重复步骤S51和S52；最后，提取两个检测值间的行。

4.根据权利要求3所述的基于机载静态激光雷达的拍岸浪参数提取方法，其特征在于，步骤S6中，采用DBSCAN算法进行数据去噪，包括以下步骤：S61、提取点云数据：将步骤S2中的las数据加载到数据结构中；

S62、参数设定：根据数据的空间分布特点和噪声水平设置邻域半径为0.1米，设置最小点数为5；

S63、核心点搜索：遍历数据集中的每个点，并计算各个点在邻域半径内的邻居点数量，如果邻居点数量大于或等于最小点数，则标记为核心点；

S64、聚类生成：从一个未被访问过的核心点开始，将所述核心点作为一个新的聚类的种子点，递归地扩展所述聚类，将种子点的所有直接密度可达的点加入到所述聚类中；如果所述聚类中新加入的点中存在核心点，则继续递归扩展，直到没有新的点加入到所述聚类中；重复上述过程，直到所有的核心点都被处理过，从而生成多个聚类；

S65、噪声点识别及数据去噪：经过聚类生成后，数据集中剩余的未被分配到任何聚类中的点即为噪声点，删除噪声点。

5.根据权利要求4所述的基于机载静态激光雷达的拍岸浪参数提取方法，其特征在于，步骤S7中，有效波高的提取方法为：将观测周期中连续测得的波高序列从大到小排列，取前

1/3个波高的平均值；

波浪数目的提取方法为：遍历按时间排序的波高数据，比较每个波高与其相邻的前一个波高和后一个波高的大小；若当前波高大于前后点或当前波高小于前后点，则标记为极值点；极值点数目则为波浪数目。

6.基于机载静态激光雷达的拍岸浪波高预测方法，其特征在于，将权利要求1‑5中任一项所述的基于机载静态激光雷达的拍岸浪参数提取方法提取的海浪波高、环境影响因子及对应的时间作为时间序列数据输入KF‑LSTM‑Attention模型，采用卡尔曼滤波对所述时间序列数据进行预处理，并对处理后的数据采用LSTM建模，通过自注意力机制挖掘局部深基坑监测数据的层序特征，最后通过全连接层整合预测值，输出波高数据的预测值。

7.根据权利要求6所述的基于机载静态激光雷达的拍岸浪波高预测方法，其特征在于，卡尔曼滤波通过状态空间方程描述海浪动态演化规律，结合先验知识与实时观测值，以协方差矩阵量化系统噪声与观测噪声的不确定性，最终输出波高信号的最优估计值；

卡尔曼滤波的工作原理分为预测阶段和更新阶段：当在预测阶段时，先验状态估计：；

式中， 是对当前状态的预测值， 是前一时刻的状态估计， 为状态转移矩阵，为控制输入矩阵， 为控制输入；

误差协方差估计：

；

式中， 为协方差， 为预测的误差协方差， 为前一时刻的误差协方差；

当在更新阶段时，卡尔曼增益 ：

；

式中， 为观测矩阵， 为协方差矩阵；

后验状态估计：

；

式中， 为更新后的状态估计， 为时刻 的实际观测值；

后验协方差更新：

；

式中， 为更新后的误差协方差，为单位矩阵。

8.根据权利要求7所述的基于机载静态激光雷达的拍岸浪波高预测方法，其特征在于，使用多层LSTM网络处理经卡尔曼滤波处理后的 ，输出隐藏状态序列 ；

LSTM网络包括细胞状态、遗忘门、输入门和输出门，通过协同工作实现时序特征的动态建模。

9.根据权利要求8所述的基于机载静态激光雷达的拍岸浪波高预测方法，其特征在于，自注意力机制的核心在于利用查询、键和值三向量的正交投影建立输入序列各单元间的交互依赖图谱，计算元素间的关联强度系数；具体通过以下三阶段实现特征优化：A1、动态权重分配：在多头注意力架构下，将输入序列映射至多个正交子空间，并行计算各子空间内的元素关联度得分；

A2、特征融合机制：对归一化后的注意力权重与值向量进行加权聚合，形成融合全局语义的新特征表示；

A3、选择性聚焦策略：通过门控机制动态增强关键时序节点的表征强度，同时抑制非关键区域的信号干扰。