陳建國 鐘連祥　

基于無人機(jī)影像的崩塌信息提取

陳建國 鐘連祥

（江西省地質(zhì)局工程地質(zhì)大隊，江西 南昌 330029）

以開陽縣西部金中鎮(zhèn)某崩塌為例，采用無人機(jī)傾斜攝影技術(shù)，獲取了崩塌表面豐富的光譜與紋理信息，然后結(jié)合運(yùn)動恢復(fù)結(jié)構(gòu)算法（SFM）實現(xiàn)了高精度的DEM、DOM，運(yùn)用面向?qū)ο笈cSVM算法相結(jié)合的分類方法實現(xiàn)了對研究區(qū)內(nèi)崩塌區(qū)域的信息提取。研究表明，崩塌的識別總體精度為93%，Kappa系數(shù)為0.796 7，崩塌的總面積為5 362 m2，識別準(zhǔn)確度較高，表明無人機(jī)遙感在崩塌信息提取與分析領(lǐng)域具有較高的精度和應(yīng)用價值。

無人機(jī)遙感；面向?qū)ο蠓诸悾槐浪畔⑻崛?；SVM算法

引言

崩塌被認(rèn)為是世界范圍內(nèi)嚴(yán)重的自然災(zāi)害之一，給人民的生命財產(chǎn)安全造成了嚴(yán)重的威脅[1]?，F(xiàn)有的崩塌災(zāi)害調(diào)查與制圖技術(shù)，例如光學(xué)遙感、機(jī)載三維激光掃描、地面三維激光掃描、星載雷達(dá)等，都存在不足之外，如價格昂貴、不夠靈活方便等。對于崩塌微小的變形或者裂隙結(jié)構(gòu)等特征，衛(wèi)星影像獲取的DOM難以識別[2]。

在過去的幾年中，民用的廉價無人機(jī)（UAV）以及基于圖像的計算技術(shù)的發(fā)展，基于無人機(jī)的攝影測量技術(shù)得到了廣泛的應(yīng)用，該技術(shù)已經(jīng)成為傳統(tǒng)航空攝影測量的有利補(bǔ)充，被廣泛應(yīng)用在包括地質(zhì)災(zāi)害調(diào)查、河岸侵蝕、植被監(jiān)測等領(lǐng)域[3,4]。但無人機(jī)遙感獲取高分辨率的DEM和DOM在崩塌信息提取方面的研究較欠缺。

陽縣金鐘鎮(zhèn)位于黔中腹地，黔中經(jīng)濟(jì)區(qū)，其地表破碎、崩塌等地質(zhì)災(zāi)害發(fā)生頻率居高不下，且嚴(yán)重威脅到當(dāng)?shù)厝嗣竦纳敭a(chǎn)安全[5,6]。開展相應(yīng)的崩塌災(zāi)害研究具有緊迫性和必要性。

因此，這項研究的主要目的是評估無人機(jī)系統(tǒng)在復(fù)雜地形條件下崩塌測繪的適用性，并建立基于無人機(jī)傾斜攝影的崩塌自動制圖與精細(xì)化分析的完整方法。采用無人機(jī)傾斜攝影技術(shù)，獲取了崩塌表面豐富的光譜與紋理信息；然后結(jié)合運(yùn)動恢復(fù)結(jié)構(gòu)算法（SFM）獲取高精度的DEM、DOM和三維實景模型；選用VDVI和坡度作為參數(shù)，運(yùn)用SVM面向?qū)ο蠓诸惙椒ㄒ垣@取崩塌信息提?。蛔詈?，對此方法進(jìn)行精度驗證。該新技術(shù)值得在云貴高原地區(qū)進(jìn)行推廣和應(yīng)用。

1　研究區(qū)概況

研究區(qū)位于貴州省開陽縣西部金中鎮(zhèn)，地理坐標(biāo)為東經(jīng)106°50′26″，北緯27°05′42″，距貴陽市88 km。研究區(qū)地屬亞熱帶溫和濕潤氣候區(qū)，降雨豐沛且集中在夏季和秋季。該區(qū)內(nèi)最主要的河流是洋水河，為烏江水系二級支流。區(qū)內(nèi)出露地層巖性主要是震旦系下統(tǒng)南沱組（Pt32cn）粉砂質(zhì)頁巖、變余粉砂巖；上統(tǒng)燈影組（Pt33b?ldy）中厚至厚層白云巖等。

2　無人機(jī)遙感系統(tǒng)

無人機(jī)攝影測量是以快速、低成本地獲取目標(biāo)物為目的，以無人機(jī)為飛行平臺，搭載高分辨率數(shù)碼相機(jī)傳感器的對研究區(qū)進(jìn)行多角度拍攝的一種測量技術(shù)。小型無人機(jī)遙感系統(tǒng)滿足體積小、成本低、操作簡便、實時性強(qiáng)等特點，能高效獲取高精度、高分辨率的影像，在中小型地質(zhì)災(zāi)害應(yīng)急調(diào)查中能發(fā)揮其獨特的優(yōu)勢。無人機(jī)遙感系統(tǒng)總體上可以分為三部分：一是飛行系統(tǒng)，由無人機(jī)及其搭載的遙感設(shè)備組成，控制著飛行和航拍；二是地面控制系統(tǒng)，主要由無人機(jī)控制器和高精度實時動態(tài)差分輔助設(shè)備（RTK）組成；三是航攝系統(tǒng)，主要包括控制調(diào)節(jié)方向的相機(jī)云臺和攝像頭[7]。

3　基于無人機(jī)影像的崩塌提取步驟

3.1　影像預(yù)處理

崩塌信息提取主要分為5個步驟：影像預(yù)處理、影像多尺度分割、特征信息提取、特征規(guī)則集構(gòu)建和崩塌提取分析[8]。

3.1.1影像數(shù)據(jù)獲取

無人機(jī)獲取影像數(shù)據(jù)的第一步是現(xiàn)場踏勘，進(jìn)行飛行區(qū)域的環(huán)境評估，評估內(nèi)容包括無人機(jī)起飛及飛行空間是否安全，以確定調(diào)查方案。接著進(jìn)行設(shè)備組裝，包括電池、攝像頭、機(jī)翼組裝和控制器連接等，組裝完成后需要進(jìn)行檢查飛行工作情況等。然后，根據(jù)研究區(qū)實際地形地物情況進(jìn)行控制測量，布設(shè)控制點及航線規(guī)劃。最后，設(shè)定好參數(shù)即可起飛航攝，參數(shù)設(shè)定包括無人機(jī)飛行高度和拍照重疊率等。

3.1.2圖像處理

利用運(yùn)動恢復(fù)結(jié)構(gòu)SfM對圖像進(jìn)行處理。SfM的特點是無需重構(gòu)場景，可高效地從重疊影像中通過迭代光束平差過程自動提取目標(biāo)物數(shù)字三維模型及快速求解成像照相機(jī)的運(yùn)動參數(shù)等。此過程需要利用控制點對生成的3D密集點云進(jìn)行空間系統(tǒng)校正。

3.1.3面向?qū)ο笥跋裉幚矸椒?/p>

隨著空間信息技術(shù)的發(fā)展及地觀測任務(wù)逐漸精細(xì)化，高分辨率遙感衛(wèi)星影像技術(shù)被廣泛使用，面向?qū)ο蟮挠跋穹治黾夹g(shù)應(yīng)運(yùn)而生。對于無人機(jī)遙感獲取的具有較高分辨率的影像，傳統(tǒng)的基于像元的分類方法會造成空間數(shù)據(jù)冗余，而面向?qū)ο蠓诸惙椒梢员苊狻敖符}效應(yīng)”，且能從不同尺度提取地物信息，以獲取較高的精度[9]。面向?qū)ο蠓诸惙椒▽τ谏俨ǘ蔚母叻直媛蔬b感影像有著巨大的潛力。面向?qū)ο蟮挠跋穹治鲋凶詈诵牟襟E為圖像分割。

3.2　多尺度分割與參數(shù)的選擇

在進(jìn)行面向?qū)ο蠓诸惖牡谝徊绞菍ρ芯繀^(qū)進(jìn)行影像分割，這一步至關(guān)重要，分割結(jié)果的好壞不僅影響特征物提取，還直接影響分類的精度[10]。多尺度分割是在影像分割時最重要的分割方法之一。本文利用多尺度迭代分割方法以確定最優(yōu)分割參數(shù)，分割參數(shù)見表1。

表1　影像分割參數(shù)

分割尺度形狀因子緊實度波段權(quán)重 1500.50.51∶1∶1∶1

3.3　特征信息提取

經(jīng)前人的研究[10]，可見光波段計算的植被指數(shù)VDVI，在無人機(jī)影像中有較好的提取效果。本研究區(qū)植被覆蓋率較高，較方便進(jìn)行提取，故首先進(jìn)行植被提取。設(shè)置閾值小于-0.018判斷為非植被；大于0.002判斷為植被，并為上述值區(qū)間選用隸屬度函數(shù)，即原始影像是依據(jù)隸屬函數(shù)值來確定植被與非植被類別。VDVI計算公式為：

式（1）中：為綠光波段；為紅光波段；為藍(lán)光波段。

3.4　坡度小于5°區(qū)域提取

為更好地提取崩塌信息，往往需要更多的輔助特征，例如地形、形狀、紋理及鄰域特征等[11]。眾多研究表明，崩塌多發(fā)生于坡度較陡區(qū)域，對于坡度小于5°的區(qū)域則不易發(fā)生崩塌[12]。因此利用無人機(jī)生成的高精度DEM數(shù)據(jù)獲取研究區(qū)的坡度信息，通過規(guī)則分類的方法，在非植被區(qū)中提取了坡度小于5°的區(qū)域。

3.5　崩塌提取分析

本文根據(jù)遙感影像中的對象特征，利用隸屬度函數(shù)結(jié)合規(guī)則分類，剔除非崩塌地物，在此基礎(chǔ)上運(yùn)用SVM監(jiān)督分類方法實現(xiàn)了崩塌信息的提取。

對于崩塌信息分類提取，設(shè)置閾值的方式不再適用。本文以確保樣本點對應(yīng)地物信息的豐富度和覆蓋度為原則，人工選取樣本點，并結(jié)合支持向量機(jī)（SVM）以完成分類、提取崩塌信息。SVM通過監(jiān)督學(xué)習(xí)的方法進(jìn)行線性、非線性分類等任務(wù)，其目標(biāo)是尋找適當(dāng)?shù)暮瘮?shù)子集及該子集中的判別函數(shù)，容忍更多的噪聲或是降低噪聲影響。通過在高維空間內(nèi)構(gòu)建超平面，使兩類數(shù)據(jù)點正確分開并距離分類面最遠(yuǎn)，其判別函數(shù)如下[13]：

式中，()為回歸函數(shù)，()為核函數(shù)，為權(quán)重向量，為偏置項。不同核函數(shù)構(gòu)成的SVM有所不同，本文選用徑向基核函數(shù)（RBF），即

懲罰系數(shù)設(shè)為2，在待分類影像區(qū)域選擇20個崩塌區(qū)域的樣本點和20個非崩塌區(qū)域的樣本點，選定方差、對比度與坡度作為分類參考特征，進(jìn)行模型訓(xùn)練，分割后結(jié)合點樣本訓(xùn)練集對崩塌進(jìn)行提取。崩塌的總面積為5 362 m2。

4　崩塌特征分析

4.1　崩塌幾何特征分析

由于利用控制點將整個結(jié)果轉(zhuǎn)換到大地測量坐標(biāo)系中，無人機(jī)影像生成的三維模型不僅是立體直觀的，而且是可測量的。在匹配數(shù)據(jù)空間后加入控制點生成密集點云時，可挖掘更深層次的數(shù)據(jù)，可以進(jìn)行深度信息挖掘，為地質(zhì)災(zāi)害的定量研究提供了有用信息，對地質(zhì)災(zāi)害的監(jiān)測分析具有重要的意義[8]。本文在崩塌制圖的基礎(chǔ)上結(jié)合三維模型和DEM提供的三維信息，獲取了崩塌的幾何結(jié)構(gòu)特征（見表2、圖1）。

表2崩塌幾何特征統(tǒng)計 單位：m

崩塌源區(qū)（A）堆積區(qū)（B1）堆積區(qū)（B2） 長寬高厚度長寬高厚度長寬高厚度 702863101003570311538853.5

圖1　崩塌幾何結(jié)構(gòu)特征

崩塌源區(qū)平均高約63 m，寬約28 m，平均厚度約10 m。崩塌體失穩(wěn)崩落后，在坡角由于地形的阻擋作用使崩塌體向兩側(cè)滾落堆積，在形態(tài)上形成一個分叉。左側(cè)堆積區(qū)（B1）平均長約100 m，寬約35 m，高約70 m，平均厚度約3 m。右側(cè)堆積區(qū)（B2）平均長約115 m，寬約38 m，高約85 m，平均厚度約3.5 m。

4.2　崩塌地形特征分析

本文利用無人機(jī)生成的DEM數(shù)據(jù)計算該崩塌的坡度、高程及坡向頻率分布。通過分析該崩塌的高程圖和高程頻率分布曲線，可以識別出：整個崩塌體分布在1 086～1 208 m高程范圍內(nèi)，相對高差為122 m。崩塌源區(qū)分布在1 145～1 208 m，相對高差為63 m。根據(jù)坡度頻率分布圖可以區(qū)分出崩塌源區(qū)和堆積區(qū)部分，崩塌源區(qū)的坡度雖然很大（在55°～85°之間），但是頻率較小。堆積區(qū)的坡度主要分布在20°～40°之間，頻率比崩塌源區(qū)大5倍。崩塌的坡向頻率分布表明崩塌內(nèi)部坡向分布，主要集中在北、西北、西、西南方向。

5　精度定量評估

提取精度驗證是為判斷提取遙感圖像信息方法和結(jié)果的優(yōu)劣，對提取結(jié)果進(jìn)行分析有助于修正提取模型[14]。為定量化描述崩塌識別的精度，利用相同無人機(jī)影像對崩塌進(jìn)行人工目視判讀，獲取研究區(qū)崩塌分布，通過隨機(jī)獲取了100個崩塌數(shù)據(jù)驗證點，100個非崩塌數(shù)據(jù)驗證點。通過將驗證點與提取結(jié)果進(jìn)行疊加分析進(jìn)行識別準(zhǔn)確性驗證。如表3所示，經(jīng)過統(tǒng)計計算可得，本文采用的崩塌信息提取方法，識別總體精度（OA）為93%，Kappa系數(shù)為0.796 7，精度可靠。

表3精度驗證混淆矩陣

參數(shù)本文方法結(jié)果 崩塌/處非崩塌/處 崩塌樣本點14912 非崩塌樣本點237 總體精度93% Kappa系數(shù)0.796 7

6　結(jié)束語

本文提出了一種基于面向?qū)ο蠛蜔o人機(jī)遙感高分辨率影像崩塌信息半自動提取的方法。與其他數(shù)據(jù)采集系統(tǒng)（地面、基于飛機(jī)或基于衛(wèi)星的）相比，UAV在時間、成本和高空間分辨率方面具有優(yōu)勢，可以在突然的崩塌事件后快速收集數(shù)據(jù)。與人工目視解譯結(jié)果相比較，基于面向?qū)ο蟮谋浪詣幼R別方法提取精度可達(dá)93%，Kappa系數(shù)為0.796 7，識別準(zhǔn)確度較高。

崩塌的總面積為5 362 m2，崩塌源區(qū)平均高約63 m，寬約28 m，平均厚度約10 m。整個崩塌體分布在1 086～1 208 m高程范圍內(nèi)。崩塌源區(qū)的坡度在55°～85°之間，堆積區(qū)分布在20°～40°之間，崩塌內(nèi)部的坡向主要集中在北、西北、西和西南方位。

本文利用面向?qū)ο蠛蜔o人機(jī)遙感高分辨率影像崩塌信息半自動提取的方法，在開陽縣西部金中鎮(zhèn)牛干沖崩塌信息提取中得到較好的應(yīng)用，為地質(zhì)災(zāi)害調(diào)查、風(fēng)險評估及應(yīng)急搶險等工作提供技術(shù)參考，以提高工作效率和減少經(jīng)濟(jì)損失。

[1]劉傳正. 中國崩塌滑坡泥石流災(zāi)害成因類型[J]. 地質(zhì)評，2014，60(4): 858-868.

[2]李培鋒，王暉，吳雨辰，等. 基于無人機(jī)影像的危巖體識別及公路地震風(fēng)險研究[J]. 地震工程學(xué)報，2022，44(4): 777-785.

[3]陳秋明，黃發(fā)明，宋鵬. 無人機(jī)及三維激光掃描儀技術(shù)在沙灘剖面動態(tài)監(jiān)測中的應(yīng)用及測量精度分析[J]. 應(yīng)用海洋學(xué)學(xué)報，2021，40(3): 529-539.

[4]覃乙根，楊根蘭，謝金，等. 貴州省開陽縣斜坡地質(zhì)災(zāi)害孕災(zāi)因子敏感性分析[J]. 煤田地質(zhì)與勘探，2020，48(4): 190-198.

[5]覃乙根，楊根蘭，江興元，等. 基于確定性系數(shù)模型與邏輯回歸模型耦合的地質(zhì)災(zāi)害易發(fā)性評價: 以貴州省開陽縣為例[J]. 科學(xué)技術(shù)與工程，2020，20(1): 96-103.

[6]邵林，李軍. 貴州礦山地質(zhì)災(zāi)害類型及其基本特征[J]. 中國地質(zhì)災(zāi)害與防治學(xué)報，2011，22(3): 56-60.

[7]謝金，楊根蘭，覃乙根，等. 基于無人機(jī)與Rockfall的危巖體結(jié)構(gòu)特征識別與運(yùn)動規(guī)律模擬[J]. 河南理工大學(xué)學(xué)報(自然科學(xué)版)，2021，40(1): 55-64.

[8]黃海峰，林海玉，呂奕銘，等. 基于小型無人機(jī)遙感的單體地質(zhì)災(zāi)害應(yīng)急調(diào)查方法與實踐[J]. 工程地質(zhì)學(xué)報，2017，25(2): 447-454.

[9]李強(qiáng)，張景發(fā)，羅毅，等. 2017年“8.8”九寨溝地震滑坡自動識別與空間分布特征[J]. 遙感學(xué)報，2019，23(4): 785-795.

[10]楊云輝，趙魯全，李新舉，等. 利用無人機(jī)和面向?qū)ο蠹夹g(shù)快速提取田坎面積[J]. 測繪地理信息，2022，47(2): 96-100.

[11]陳天博，胡卓瑋，魏錸，等. 無人機(jī)遙感數(shù)據(jù)處理與滑坡信息提取[J]. 地球信息科學(xué)學(xué)報，2017，19(5): 692-701.

[12]張群，趙超英. 基于面向?qū)ο蟮母叻诌b感數(shù)據(jù)甘肅黑方臺黃土滑坡半自動識別[J]. 災(zāi)害學(xué)，2017，32(3): 210-215.

[13]婁佩卿，陳曉雨，王疏桐，等. 基于無人機(jī)影像的喀斯特農(nóng)耕區(qū)地物識別: 以桂林市為例[J]. 國土資源遙感，2020，32(1): 216-223.

[14]刁淑娟，劉春玲，張濤，等. 基于SVM的湖泊咸度等級遙感信息提取方法: 以內(nèi)蒙古巴丹吉林沙漠為例[J]. 國土資源遙感，2016，28(4): 114-118.

Collapse Information Extraction Based on UAV Images

Taking a collapse in Jinzhong town in the west of Kaiyang county as an example, the UAV oblique photography technology is used to obtain abundant spectral and texture information of the collapse surface. Then combined with motion recovery structure algorithm (SFM), DEM and DOM are realized with high precision. The classification method combining object - oriented algorithm and SVM algorithm is used to extract the information of collapse area in the research area. The research shows that the overall accuracy of the collapse identification is 93%, the Kappa coefficient is 0.796 7, and the total area of the collapse is 5 362 m2. The recognition accuracy is high, which indicates that the UAV remote sensing has high precision and application value in the field of collapse information extraction and analysis.

UAV remote sensing; object-oriented classification; extraction of collapse information; SVM algorithm

TP7

A

1008-1151(2023)07-0006-03

2022-11-01

陳建國（1976－），男，江西崇仁人，江西省地質(zhì)局工程地質(zhì)大隊高級工程師，從事巖土工程研究工作。