研究概述

Overview of the study

滑坡是全球范圍內(nèi)危害嚴(yán)重的自然災(zāi)害，常常造成重大人員傷亡和財產(chǎn)損失。準(zhǔn)確掌握滑坡運動規(guī)律對災(zāi)害風(fēng)險防控和災(zāi)后治理具有重要意義。傳統(tǒng)邊坡運動監(jiān)測主要依靠大地測量或直接觀測，而近年來無人機搭載攝影測量和激光掃描技術(shù)的應(yīng)用日益廣泛。克盧日· 納波卡技術(shù)大學(xué) 等提出了一種基于無人機攝影測量與激光雷達數(shù)據(jù)融合的滑坡監(jiān)測新方法。該方法創(chuàng)新性地將激光雷達點云數(shù)據(jù)與攝影測量光柵圖像進行整合，具體通過識別景觀特征（包括植被覆蓋區(qū)和人工建筑區(qū)）實現(xiàn)數(shù)據(jù)融合。

這種創(chuàng)新方法通過提升多時相監(jiān)測數(shù)據(jù)的比對精度，為滑坡動態(tài)演變研究提供了更可靠的技術(shù)手段。

研究區(qū)域概況

該研究區(qū)域位于克盧日-納波卡的北部，是一個結(jié)合工業(yè)和農(nóng)業(yè)活動的地區(qū)（見圖1）。隨著城市邊界的擴張，導(dǎo)致周邊區(qū)域快速增長?；掳l(fā)生頻率也隨之增加，主要原因是人類活動加?。盒略鼋ㄖ?dǎo)致斜坡負(fù)荷過重，改變了地表徑流的排水路徑；農(nóng)業(yè)用地逐漸轉(zhuǎn)變?yōu)槌鞘谢瘏^(qū)域。

圖1.研究區(qū)域的地理位置;航拍和地面照片

圖2顯示了應(yīng)用了滑坡易感層的調(diào)查研究區(qū)域。圖2的底圖正射影像顯示了 2018 年全面施工時的區(qū)域，由國家地籍和土地登記局提供，通過飛機攝影測量獲得，由國家制圖中心的專家進行地理配準(zhǔn)，分辨率為 0.2 m/px。在Sestra? et al.（2019）進行的先前研究中，為克盧日縣生成了山體滑坡易發(fā)性圖，隨后的柵格圖層疊加在研究區(qū)域的正射影像上，強調(diào)高風(fēng)險和極高風(fēng)險區(qū)域。該分析利用二元統(tǒng)計分析（BSA）方法來評估該地區(qū)對山體滑坡的敏感性。BSA模型包含12個因素，能夠創(chuàng)建全面的山體滑坡易發(fā)性地圖，將該地區(qū)分為五個易發(fā)性級別：低、中等、中等高、高和非常高。建模的最終結(jié)果揭示了對城市至關(guān)重要的區(qū)域中的許多重要熱點，包括當(dāng)前為DFM實施選擇的區(qū)域。圖1、圖2中顯示的圖片來自附近地區(qū)，顯示了結(jié)構(gòu)和路面的損壞程度、可見的活躍山體滑坡以及與道路相鄰擋土墻附近的幾個斜坡崩塌。根據(jù)以上原因，所選區(qū)域被認(rèn)為是當(dāng)前實施DFM概念的理想地點。

圖 2.研究區(qū)域的滑坡易發(fā)性;來自有明顯損壞的現(xiàn)場照片

研究方法

本文開發(fā)了一種新的方法，用來融合來自兩個傳感器的點云、柵格數(shù)據(jù)。根據(jù)Westoby 等人（2012 年）和Fonstad 等人（2013 年）進行的研究，在理想情況下，攝影測量比LiDAR 數(shù)據(jù)更準(zhǔn)確。以這一前提為起點，目標(biāo)是構(gòu)建數(shù)字地形融合模型（DFM），具體方法為：將研究區(qū)內(nèi)存在的不同類型地表通過地理空間方式進行鑲嵌拼接，而這些地表的地理空間表達均基于最優(yōu)傳感器及高程模型。

圖3以圖形方式顯示了上述創(chuàng)建 DFM 的步驟。DFM 基于合并數(shù)據(jù)集的特定特征的單獨獲取的高度精度。在此DFM中，可通過 CloudCompare 或 LiDAR360 等具備點云處理功能的專業(yè)軟件，對激光雷達（LiDAR）或攝影測量獲取的兩類點云進行融合。考慮到本研究中數(shù)字地形融合模型的應(yīng)用目標(biāo)是用于滑坡監(jiān)測，因此選擇基于柵格圖像對數(shù)據(jù)集進行融合。

圖3.用于創(chuàng)建鑲嵌柵格 DFM 的三高程柵格的區(qū)域分割

在本文所采取的研究方法中，柵格數(shù)據(jù)集之間的融合通過以下步驟來實現(xiàn)：

1）區(qū)域劃分采用自動檢測與手動選擇相結(jié)合的方式，具體如下：較大面積的植被區(qū)和瀝青區(qū)劃分借助點云處理技術(shù)及地理信息系統(tǒng)（GIS）完成。 通過點云識別出高度超過 20 厘米的植被或人工構(gòu)筑物，對相應(yīng)區(qū)域進行分類，生成選定植被區(qū)的柵格圖，再將柵格圖轉(zhuǎn)換為多邊形，最終得到代表大面積植被或瀝青區(qū)域的多邊形。

2）導(dǎo)入從無人機測量中獲取的三個高程柵格圖像，分別是激光雷達數(shù)字地形模型（LiDAR DTM）、運動恢復(fù)結(jié)構(gòu)數(shù)字地形模型（SfM DTM）和運動恢復(fù)結(jié)構(gòu)數(shù)字表面模型（SfM DSM）。由于在提取地面信息或?qū)Φ孛媾c相鄰擋土結(jié)構(gòu)進行分類時，現(xiàn)有處理軟件存在不一致性，因此此次拼接同時使用了攝影測量的數(shù)字地形模型（DTM）和數(shù)字表面模型（DSM）成果。這是因為濾波算法往往會裁剪掉擋土結(jié)構(gòu)的部分區(qū)域，所以該特定區(qū)域的處理以 DSM 為基礎(chǔ)。

3）根據(jù)前面提到的各傳感器優(yōu)勢及相關(guān)考量，為每個區(qū)域確定最合適的柵格圖像（例如：對于存在低至高大植被的自然地形區(qū)域，或是道路沿線的植被帶，激光雷達（LiDAR）傳感器的測繪結(jié)果更為精準(zhǔn)，因此選擇激光雷達數(shù)字地形模型（LiDAR DTM）；對于有人工構(gòu)筑物的區(qū)域（如擋土墻及周邊建筑物），未經(jīng)地面分類的攝影測量傳感器測繪結(jié)果更精準(zhǔn)，因此選擇運動恢復(fù)結(jié)構(gòu)數(shù)字表面模型（SfM DSM）柵格圖像；對于瀝青區(qū)域（如車行道、人行道及自行車道），攝影測量傳感器的測繪結(jié)果更精準(zhǔn)，因此選擇運動恢復(fù)結(jié)構(gòu)數(shù)字地形模型（SfM DTM）柵格圖像。

4）使用GIS空間分析工具中的“按掩膜提取”工具集，提取與已劃定區(qū)域相對應(yīng)的柵格像元。然后根據(jù)上一階段確定的適用柵格圖像，提取出10個新的區(qū)域分段（這些分段是根據(jù)地形特征和構(gòu)成選取的，如圖3中部所示）。

在此階段，生成了10個相互銜接的小型數(shù)字高程模型，每個模型均源自三個高程柵格模型中最合適的那一個。利用GIS的“鑲嵌至新柵格”工具，將這10個小型銜接數(shù)字高程模型合并，生成整個研究區(qū)域的鑲嵌圖。

5）對于區(qū)域劃分多邊形邊緣因柵格圖像初始裁剪及后續(xù)合并而產(chǎn)生的極小間隙，采用以下ArcMap公式命令進行填充：Con（IsNull（“DFM.tif”）， FocalStatistics（“DFM.tif”， NbrRectangle（9,9， “CELL”），“MEDIAN”），“DFM.tif）

研究結(jié)果

對所獲取數(shù)據(jù)的評估基于生成的四個輸出結(jié)果（高程模型），并結(jié)合地面真實值進行分析。這四個高程模型分別來自：無人機攝影測量傳感器、激光雷達（LiDAR）傳感器，以及創(chuàng)新性的DFM模型。

第一個評估的高程模型（見圖4），即通過運動恢復(fù)結(jié)構(gòu)（SfM）攝影測量獲取的數(shù)字表面模型（DSM）的評估結(jié)果總結(jié)如下：

兩種傳感器的核心差異在于激光雷達（LiDAR）可穿透植被層，而攝影測量僅能捕捉地表外表面，這使得植被在滑坡監(jiān)測等場景中會對攝影測量造成干擾。從 494 個實測點的對比來看，DSM模型在瀝青、混凝土、裸地及低植被區(qū)域表現(xiàn)良好，但在中高植被區(qū)（尤其是灌木叢和道路旁樹木下方）存在顯著垂直差異，差值可達數(shù)分米至數(shù)米。綜合所有數(shù)據(jù)，該DSM模型整體表現(xiàn)最差，平均絕對誤差（MAE）為 0.405 米，絕對中位差（MAD）為 0.050 米，標(biāo)準(zhǔn)差（SD）為1.251 米，均方根誤差（RMSE）為1.314米。

圖4.Ground Truth 和 SfM DSM 之間的垂直差異

第二個評估的高程模型（見圖5），即通過運動恢復(fù)結(jié)構(gòu)（SfM）攝影測量獲取的數(shù)字地形模型（DTM）的評估結(jié)果總結(jié)如下：

通過SfM攝影測量生成的DTM，是在DSM基礎(chǔ)上經(jīng)分類處理（去除中高植被等）得到的。其表現(xiàn)特點為：曾有植被的插值區(qū)域存在小到中等垂直差異，瀝青和裸地區(qū)域精度極高，凸顯了無人機攝影測量的優(yōu)勢；但擋土墻等混凝土表面因算法裁剪出現(xiàn)顯著垂直差異。該模型的統(tǒng)計指標(biāo)為：MAE 0.054米、MAD 0.047米、SD 0.199 米、RMSE 0.206米。

圖5.地面實況和 SfM DTM 之間的垂直差異

第三個評估的高程模型（見圖6），即通過激光雷達（LiDAR）獲取的數(shù)字地形模型（DTM）的評估結(jié)果總結(jié)如下：

激光雷達 DTM 的優(yōu)勢在于能穿透植被，在各類植被區(qū)域（中高、低植被）的地表測定精度極高（垂直差異最?。?；但在瀝青、裸地區(qū)域的精度略遜于 SfM 攝影測量 DTM，且因算法問題，擋土墻等混凝土表面出現(xiàn)明顯垂直差異（區(qū)域被過度裁剪）。其統(tǒng)計指標(biāo)為：MAE 0.093 米、MAD 0.045 米、SD 0.431 米、RMSE 0.441 米。由于混凝土、瀝青等人工區(qū)域的干擾，該模型整體平衡性欠佳，綜合指標(biāo)不如 SfM 攝影測量 DTM。

圖6.地面實況和 LiDAR DTM 之間的垂直差異

第四個評估的高程模型（見圖7），即創(chuàng)新性的數(shù)字地形融合模型（DFM），其數(shù)據(jù)源自運動恢復(fù)結(jié)構(gòu)（SfM）攝影測量和激光雷達（LiDAR）的評估結(jié)果總結(jié)如下：

創(chuàng)新性的DFM模型融合了SfM 攝影測量與LiDAR數(shù)據(jù)，根據(jù)不同地形特征選擇適配數(shù)據(jù)（植被區(qū)用 LiDAR DTM、瀝青區(qū)用 SfM DTM、擋土墻區(qū)用SfM DSM），實現(xiàn)了優(yōu)勢互補。結(jié)果顯示，該模型在所有區(qū)域的整體垂直差異顯著減小，其中瀝青、混凝土和植被區(qū)域的精度最優(yōu)，但裸地區(qū)域存在11厘米的較大差異（表明攝影測量更適合裸地）。其統(tǒng)計指標(biāo)優(yōu)異：MAE為0.006米，MAD為 0.035米，SD和RMSE均為 0.060米，驗證了模型的穩(wěn)健性。

圖7.Ground Truth 和 DFM 之間的垂直差異

本文圍繞滑坡監(jiān)測中無人機攝影測量（SfM）與激光雷達（LiDAR）技術(shù)的應(yīng)用展開研究，分析了兩者的優(yōu)劣勢及數(shù)據(jù)融合的必要性：SfM 在瀝青、混凝土、裸地等區(qū)域表現(xiàn)更優(yōu)，LiDAR 則適用于低、中、高植被區(qū)，但受植被影響，SfM的 DSM垂直差異RMSE達1.314米，LiDAR的DTM為0.441米；而融合兩者數(shù)據(jù)的新型數(shù)字特征模型（DFM）表現(xiàn)最優(yōu)，RMSE僅0.060米，能更精準(zhǔn)反映地表信息，提升滑坡位移監(jiān)測效果。研究同時指出，當(dāng)前裸地區(qū)域測繪存在局限性（人工提取復(fù)雜），未來需通過年度監(jiān)測分析滑坡演化、借助機器學(xué)習(xí)實現(xiàn)地形分類自動化以優(yōu)化流程，并將DFM推廣至建筑、農(nóng)林、環(huán)境監(jiān)測等更多工程地質(zhì)領(lǐng)域，進一步發(fā)揮其技術(shù)優(yōu)勢。

結(jié)論

本文提出了一種融合無人機攝影測量與激光雷達（LiDAR）數(shù)據(jù)的新方法，即數(shù)字地形融合模型（DFM）。這一方法的核心在于結(jié)合兩種技術(shù)的優(yōu)勢：無人機攝影測量在無植被覆蓋的區(qū)域（如裸地、人工構(gòu)筑物區(qū)）表現(xiàn)出色，而激光雷達能夠部分穿透植被，適用于植被覆蓋區(qū)域，二者結(jié)合可實現(xiàn)更精準(zhǔn)的滑坡測繪。

從實際效果來看，DFM 的統(tǒng)計指標(biāo)優(yōu)于傳統(tǒng)高程模型，通過整合兩種傳感器的數(shù)據(jù)，能更準(zhǔn)確地反映滑坡的演化過程和運動特征，為理解滑坡行為提供了有力支持。不過，該方法目前存在一定局限，主要體現(xiàn)在半自動化分區(qū)過程中對裸地和植被區(qū)的區(qū)分能力不足。因此，未來研究將聚焦于兩方面：一是借助先進的機器學(xué)習(xí)技術(shù)實現(xiàn)分區(qū)自動化，提升區(qū)分精度；二是對研究區(qū)域進行長期監(jiān)測，并將 DFM 推廣到更多需要精準(zhǔn)測繪的領(lǐng)域，進一步發(fā)揮其價值。

Source

文章來源

本研究成果發(fā)表在期刊“Engineering Geology”上，詳細內(nèi)容見Sestras P ,Badea G ,Badea C A , et al. A novel method for landslide deformation monitoring by fusing UAV photogrammetry and LiDAR data based on each sensor's mapping advantage in regards to terrain feature [J]. Engineering Geology, 2025, 346 107890-107890.

原文鏈接：https://doi.org/10.1016/j.enggeo.2024.107890

來源：復(fù)合鏈生自然災(zāi)害