1.一种基于LiDAR伪垂直波形模型的树种分类方法，其特征在于，包括以下步骤：
1)使用机载小光斑全波形LiDAR传感器进行数据采集，获得完整波形信息，采样间隔为1ns；
2)LiDAR波形数据预处理：包括噪声水平估计和数据平滑、计算拐点、高斯拟合及波形数据点云化、生成数字地形；
3)通过波形结构化分解和综合波形重组构建伪垂直波：首先利用三维体积单元划分地表以上的三维空间；然后在每个单元内，汇总穿过其中的最大脉冲能量并基于数字地形模型进行高度归一化；最后提取三维空间中垂直方向上的体元集合即为每束伪垂直波；
4)单木分割和信息综合
a)将地面以上点云插值生成数字表面模型，然后减去数字地形模型从而得到归一化植被高度；
b)采用二维高斯滤波方法平滑CHM表面，其公式为：
式中，x和y为到“内核”的距离；σ为4/π，6/π和8/π；
采用二次抛物线表面模型拟合树高，其公式为：
2 2
z＝a(x-x0)+b(y-y0)+c (2)
式中，x，y为像元所在位置，x0和y0为表面中心，通过该模型综合最佳分割尺度；
c)借助单木分割提取的冠幅和树高参数，在椭圆柱体范围内汇总其中的所有伪垂直波形，构成单木综合脉冲；借助DTM对单木综合脉冲进行归一化处理；
5)在单木范围内汇总点云属性并计算综合波形特征参数；
6)使用支持向量机分类器进行树种分类：在研究区内均匀选取有代表性的一组数据作为训练数据，与其完全独立的另一组作为检验数据；最后使用支持向量机分类器进行树种识别，并借助总体分类精度和卡帕系数对这两个定量化指标对分类精度进行评价；
卡帕系数计算公式：
式中，r为总的类别数，xii为对角线上的像元数，xi+和x+i是列和行的总像元，N是总像元数。
2.根据权利要求1所述的基于LiDAR伪垂直波形模型的树种分类方法，其特征在于：
步骤2)中，噪声水平估计和数据平滑为：首先把原始数据转换到频率域，再将频率较高的低值部分作为噪声水平的判断标准；然后选用高斯滤波器进行平滑。
3.根据权利要求1所述的基于LiDAR伪垂直波形模型的树种分类方法，其特征在于：
步骤2)中，高斯拟合(分解)及波形数据点云化为：对波形数据采用非线性最小二乘法进行拟合，然后通过局部最大峰值检测滤波算法从处理后的波形数据上提取离散点云。
4.根据权利要求1所述的基于LiDAR伪垂直波形模型的树种分类方法，其特征在于：
步骤2)中，生成数字地形为：首先对从波形数据中提取出离散点云进行分类，然后对末次回波进行Kraus滤波处理用以去除非地面点，最后使用滤波后的末次回波数据并借助自然邻近法插值生成数字地形模型。
5.根据权利要求1所述的基于LiDAR伪垂直波形模型的树种分类方法，其特征在于：
步骤4)中，使用σ＝8/π算子的平滑结果将作为“最粗糙尺度”，而使用σ＝4/π算子的平滑结果将作为“最精细尺度”。
6.根据权利要求1所述的基于LiDAR伪垂直波形模型的树种分类方法，其特征在于：
步骤5)中，在单木范围内汇总点云属性并计算综合波形特征参数包括：
a)单木分割的树冠椭圆柱体范围内，针对每组高斯分解后的点云，计算其属性的均值、最大值和最小值，以此作为单木的特征变量；
b)通过设置差异阈值对比DTM提取高度和对应位置上最后一个波峰所在高度，依此判断地形对应波峰位置；
c)提取特征变量：HOME、波形距离、高度中位数比、波峰数量、返回波形能量、冠层外层粗糙度、前坡度角和VDR。