孟永東,袁昌緯,田 斌,蔡征龍,張偉杰

(1. 三峽大學(xué)湖北長(zhǎng)江三峽滑坡國(guó)家野外科學(xué)觀測(cè)研究站,湖北 宜昌 443002; 2. 三峽大學(xué)水利與環(huán)境學(xué)院,湖北 宜昌 443002)

滑坡作為一種多發(fā)性的地質(zhì)災(zāi)害,時(shí)刻威脅著人民的生命和財(cái)產(chǎn)安全。對(duì)滑坡易發(fā)區(qū)域進(jìn)行動(dòng)態(tài)實(shí)時(shí)監(jiān)測(cè),是及時(shí)發(fā)現(xiàn)并預(yù)報(bào)滑坡災(zāi)害發(fā)生、避免人員生命和財(cái)產(chǎn)安全受到嚴(yán)重侵害的重要手段之一。隨著無(wú)人機(jī)傾斜攝影技術(shù)的不斷進(jìn)步,以運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)算法(structure from motion, SfM)為代表的一系列三維重建技術(shù)逐漸成熟,使以小型無(wú)人機(jī)為監(jiān)測(cè)工具的地表監(jiān)測(cè)系統(tǒng)開(kāi)始承擔(dān)各種復(fù)雜地形條件下的滑坡監(jiān)測(cè)任務(wù)[1-2]。

目前,對(duì)滑坡表面位移的監(jiān)測(cè)主要有單點(diǎn)式和整體式兩種方法。其中,滑坡表面位移單點(diǎn)式監(jiān)測(cè)方法對(duì)滑坡的固定監(jiān)測(cè)點(diǎn)進(jìn)行位移監(jiān)測(cè),進(jìn)而達(dá)到對(duì)滑坡實(shí)施動(dòng)態(tài)監(jiān)測(cè)的目的[3-5],該方法雖然可對(duì)滑坡實(shí)施高精度動(dòng)態(tài)監(jiān)測(cè),但無(wú)法做到對(duì)滑坡的變動(dòng)區(qū)域進(jìn)行整體性把握。因此,國(guó)內(nèi)外學(xué)者開(kāi)展了關(guān)于滑坡表面位移整體式監(jiān)測(cè)的調(diào)查研究[6]。目前常用的方法主要有基于DEM的差分比較法(DEM of difference,DoD)、兩云直接比較法(direct cloud-to-cloud comparison with closest point technique,C2C)、云到網(wǎng)格和云到模型距離比較法(cloud-to-mesh distance or cloud-to-model distance,C2M)。DoD方法是在像素的基礎(chǔ)上將兩期DEM進(jìn)行比對(duì)區(qū)分,從而展示坡體的位移變化[7];但該方法無(wú)法用于三維模型的比較,對(duì)于復(fù)雜地形下的變化展示存在一定不足[8-9]。C2C方法具有簡(jiǎn)單快捷的特點(diǎn),無(wú)需對(duì)數(shù)據(jù)進(jìn)行匹配和網(wǎng)格化,對(duì)表面法線依賴度低,可用于三維邊坡的位移監(jiān)測(cè);但該方法測(cè)得的位移也極易受點(diǎn)云精細(xì)度、誤差點(diǎn)及點(diǎn)間距的影響,常用于三維密集點(diǎn)云的快速變化檢測(cè),不能實(shí)現(xiàn)對(duì)點(diǎn)云變化的精細(xì)測(cè)量。C2M方法通過(guò)點(diǎn)云并參考三維網(wǎng)格或理論模型之間的距離計(jì)算表面位移[10];但該方法只在地形平坦條件下表現(xiàn)良好,且需要人工創(chuàng)建網(wǎng)格,對(duì)丟失的數(shù)據(jù)進(jìn)行插值也會(huì)產(chǎn)生監(jiān)測(cè)位移的誤差[11-12]。鑒于此,文獻(xiàn)[13]提出多尺度模型對(duì)模型點(diǎn)云比對(duì)(multiscale model-to-model cloud comparison,M3C2)算法。相較于其他點(diǎn)云比對(duì)算法而言,該算法能直接在點(diǎn)云上檢測(cè)復(fù)雜地形變化,無(wú)需生成網(wǎng)格;且進(jìn)行變化計(jì)算時(shí)受空間點(diǎn)密度、表面粗糙度及不同采樣位置影響較小,目前已被成功應(yīng)用于湖濱暗溝侵蝕、支護(hù)結(jié)構(gòu)位移監(jiān)測(cè)及近海危巖監(jiān)測(cè)等領(lǐng)域[14-16]。

針對(duì)現(xiàn)有滑坡監(jiān)測(cè)方法所存在的缺陷,本文借助無(wú)人機(jī)傾斜攝影技術(shù),結(jié)合SfM算法與M3C2算法,實(shí)現(xiàn)復(fù)雜地形下的滑坡監(jiān)測(cè)需求。通過(guò)無(wú)人機(jī)采集的影像進(jìn)行運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)分析,還原滑坡三維點(diǎn)云模型,并采用點(diǎn)云比對(duì)算法處理兩期航測(cè)點(diǎn)云數(shù)據(jù),以色值深淺表征滑坡區(qū)域點(diǎn)云變動(dòng)距離,進(jìn)而識(shí)別坡體表面位移變化。

1 M3C2算法原理

為對(duì)比分析不同時(shí)期三維點(diǎn)云模型,采用M3C2點(diǎn)云比對(duì)算法,步驟包括選取核心點(diǎn)云、計(jì)算三維曲面法線、點(diǎn)云距離計(jì)算、確定空間變量置信區(qū)間等,如圖1所示。該算法可以直接在點(diǎn)云上檢測(cè)復(fù)雜地形的變化,無(wú)需網(wǎng)格劃分;且進(jìn)行變化計(jì)算時(shí),受空間點(diǎn)密度、表面粗糙度及不同采樣位置的影響較小[17]。

由于選取合適的核心點(diǎn)云可顯著提高計(jì)算效率,因此計(jì)算初始階段需根據(jù)設(shè)定的距離將原始數(shù)據(jù)下采樣,得到密度較低且分布均勻的核心點(diǎn)云,并將其作為變化識(shí)別的基礎(chǔ)(如圖1(a)所示)。該方法能夠顯著提升計(jì)算效率,優(yōu)化時(shí)間復(fù)雜度,從而大幅縮短計(jì)算所需時(shí)間。

在選取合適的核心點(diǎn)云后,對(duì)于任何給定的核心點(diǎn)Pcore,在半徑為D/2的范圍內(nèi),均可與鄰域其他點(diǎn)云數(shù)據(jù)擬合出一個(gè)平面,并由此得出兩期點(diǎn)云的局部法向量N。如圖1(b)所示,記錄核心點(diǎn)Pcore半徑D/2范圍內(nèi)所有點(diǎn)到最佳擬合平面距離,并使用粗糙度σ(D) 表征標(biāo)準(zhǔn)差大小[18],即

(1)

沿法線方向從Pcore所在的擬合平面出發(fā),以d/2為投影半徑,存在一個(gè)通過(guò)Pcore、以法向量N為軸線且與兩期點(diǎn)云相交的圓柱體。搜索柱面內(nèi)包含的所有點(diǎn)云n1、n2,沿法向量分別計(jì)算兩期點(diǎn)云柱內(nèi)的平均位置,此時(shí)兩期點(diǎn)云在柱內(nèi)的平均位置分別為M1、M2,兩平均位置的差值即為間距LM3C2,也即坡體在Pcore點(diǎn)變化的距離。對(duì)整個(gè)坡體進(jìn)行迭代運(yùn)算直至遍歷所有點(diǎn)云,可得出整個(gè)目標(biāo)區(qū)域的點(diǎn)云變化情況,即坡體表面位移,進(jìn)而識(shí)別滑坡等地質(zhì)災(zāi)害的發(fā)生,如圖1(c)所示。在計(jì)算過(guò)程中,能否設(shè)置合適的算法參數(shù),直接影響后續(xù)的計(jì)算效果。其中,投影半徑d/2、法向量半徑D/2,以及最大計(jì)算深度H為影響計(jì)算精度與效率的3個(gè)主要參數(shù)。

如圖1(d)所示,計(jì)算點(diǎn)云距離后,為估計(jì)局部距離變化量測(cè)精度,避免各種誤差導(dǎo)致坡體災(zāi)害識(shí)別誤判,需要進(jìn)一步確定空間置信區(qū)間,降低地質(zhì)災(zāi)害誤判的概率。在多次測(cè)量的誤差遵從獨(dú)立高斯分布的前提條件下,n1、n2≥ 30時(shí)采用z-雙尾差異顯著性檢驗(yàn)公式計(jì)算置信水平0.95以上的置信區(qū)間,即

(2)

式中,n1、n2為d/2投影半徑下兩期點(diǎn)云的核心點(diǎn)點(diǎn)數(shù);REG代表兩期點(diǎn)云的配準(zhǔn)誤差;LOD95%(d)為投影半徑d/2下置信水平0.95以上置信區(qū)間的最小變化距離。其中,兩期點(diǎn)云的配準(zhǔn)誤差REG的計(jì)算公式為

(3)

式中,RMSE1為參照點(diǎn)云的均方根誤差;RMSE2為對(duì)比點(diǎn)云的均方根誤差。

當(dāng)4

(4)

式中,當(dāng)n1、n2小于4時(shí),無(wú)需置信區(qū)間。

2 監(jiān)測(cè)試驗(yàn)與數(shù)據(jù)處理

2.1 監(jiān)測(cè)試驗(yàn)方案

為研究基于M3C2算法的無(wú)人機(jī)滑坡表面位移整體式監(jiān)測(cè)方法的可行性與識(shí)別精度,以及該算法相較于其他常用典型點(diǎn)云比對(duì)算法的優(yōu)劣性,開(kāi)展室外試驗(yàn)分析驗(yàn)證。首先布設(shè)監(jiān)測(cè)點(diǎn);其次規(guī)劃航線并采集影像;然后在此基礎(chǔ)上借助SfM算法還原目標(biāo)區(qū)域三維點(diǎn)云模型;最后用點(diǎn)云比對(duì)算法識(shí)別點(diǎn)云模型變化,與實(shí)際位移數(shù)據(jù)進(jìn)行對(duì)比分析,驗(yàn)證該方法用于滑坡表面位移監(jiān)測(cè)的可行性,并探究其識(shí)別精度問(wèn)題。

采用大疆Phantom 4 RTK無(wú)人機(jī)配套監(jiān)測(cè)系統(tǒng)采集影像數(shù)據(jù)(如圖2所示)。其機(jī)身搭載云臺(tái)相機(jī)型號(hào)為DJI-FC6310R,并具備三軸云臺(tái)增穩(wěn)系統(tǒng);采用1英寸大幅面CMOS傳感器,影像分辨率為5472×3648像素,搭配8.8 mm定焦鏡頭,能提供精準(zhǔn)的航測(cè)影像輸出;厘米級(jí)定位精度的GNSS定位系統(tǒng)搭配內(nèi)置RTK模塊,可精準(zhǔn)獲取每張圖像的POS數(shù)據(jù),即外方位元素X、Y、Z、ω、κ、γ,并保存在xmp字段中;操作端帶屏遙控器可規(guī)劃航測(cè)路徑,同時(shí)實(shí)時(shí)反饋無(wú)人機(jī)飛行狀況。

圖2 無(wú)人機(jī)監(jiān)測(cè)系統(tǒng)

2.2 野外試驗(yàn)數(shù)據(jù)獲取

以三峽庫(kù)區(qū)某邊坡為試驗(yàn)對(duì)象,在坡體表面布設(shè)4個(gè)監(jiān)測(cè)點(diǎn),監(jiān)測(cè)點(diǎn)設(shè)計(jì)為柱狀結(jié)構(gòu),頂面、底面圓直徑均為115 cm。為精準(zhǔn)控制監(jiān)測(cè)點(diǎn)的移動(dòng)距離,監(jiān)測(cè)點(diǎn)底部用木板保持水平并鋪設(shè)坐標(biāo)紙。4個(gè)監(jiān)測(cè)點(diǎn)位隨機(jī)分布,相互獨(dú)立,現(xiàn)場(chǎng)布置如圖3所示。

為保證無(wú)人機(jī)飛行安全,試驗(yàn)前獲取該區(qū)域的DEM模型數(shù)據(jù),并設(shè)置仿地飛行模式,飛行航線以“井”字形規(guī)劃,航行高度為50 m。為保證建模的精細(xì)程度,飛行航向、旁向重疊率均設(shè)置為80%,相機(jī)傾斜角度為-60°。

在保證底板水平的前提下,同時(shí)水平移動(dòng)4個(gè)監(jiān)測(cè)點(diǎn),模擬滑坡發(fā)生時(shí)的坡表水平位移;或同時(shí)替換4個(gè)高度更低的監(jiān)測(cè)點(diǎn),模擬滑坡發(fā)生時(shí)的坡表豎向位移。在移動(dòng)或替換4個(gè)監(jiān)測(cè)點(diǎn)前后分別采用無(wú)人機(jī)監(jiān)測(cè)系統(tǒng)對(duì)目標(biāo)坡體進(jìn)行傾斜攝影,并獲取影像數(shù)據(jù)。試驗(yàn)中實(shí)際控制的水平移動(dòng)量和豎直變高都為10 mm。

2.3 建模流程及數(shù)據(jù)處理

建模及數(shù)據(jù)處理流程如圖4所示,大致可分為兩步:①三維點(diǎn)云模型獲取,基于尺度不變特征變換(scale-invariant feature transform,SIFT)算法、SfM算法及空中三角測(cè)量原理,對(duì)坡體進(jìn)行三維重建,得到坡體三維點(diǎn)云數(shù)據(jù),從而恢復(fù)坡體三維結(jié)構(gòu)。其主要包括圖像采集與處理、獲取內(nèi)外方位元素(POS數(shù)據(jù))、空中三角測(cè)量、三維點(diǎn)云模型構(gòu)建。②點(diǎn)云比對(duì),將獲取的兩期三維點(diǎn)云模型進(jìn)行裁剪,采用M3C2算法比對(duì)兩期點(diǎn)云數(shù)據(jù),識(shí)別點(diǎn)云變動(dòng)區(qū)域,進(jìn)而實(shí)現(xiàn)坡體表面位移的整體監(jiān)測(cè)。關(guān)鍵環(huán)節(jié)如下。

(1)多視圖影像采集環(huán)節(jié),采用傾斜攝影方式能有效解決航拍影像的變形及遮擋問(wèn)題。但受相機(jī)鏡頭制造精度影響,拍攝的像片會(huì)出現(xiàn)不同程度的畸變,因此試驗(yàn)關(guān)閉“畸變校正”后飛行,以獲取圖像畸變參數(shù)。

(2)參數(shù)獲取環(huán)節(jié),使用高斯函數(shù)將采集的影像序列卷積下采樣,以獲取高斯金字塔,并采用SIFT算法捕捉多視圖影像的特征點(diǎn)并進(jìn)行匹配。該過(guò)程提取的特征點(diǎn)又稱SIFT特征,具有高度穩(wěn)定性,不隨圖像拉伸、平移、明暗變化而變化,且能在一定程度上減小噪聲與視角變換帶來(lái)的負(fù)面影響,能有效改善無(wú)人機(jī)監(jiān)測(cè)系統(tǒng)在航測(cè)過(guò)程中因光照、坡度、轉(zhuǎn)向等各種因素變化而導(dǎo)致的圖像尺度差異、旋轉(zhuǎn)等問(wèn)題。由當(dāng)前圖像與不同尺度核參數(shù)σ進(jìn)行卷積運(yùn)算產(chǎn)生的一系列圖像即尺度空間圖像[19]。公式分別如下

L(x,y,σ)=I(x,y)*G(x,y,σ)

(5)

(6)

D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]·I(x,y)

(7)

D(x,y,σ)=L(x,y,kσ)-L(x,y,σ)

(8)

式中,L(x,y,σ)為卷積函數(shù);(x,y)為特征點(diǎn)像素坐標(biāo);*為卷積運(yùn)算符;G(x,y,σ)表示高斯函數(shù);σ為尺度空間參數(shù),決定圖像相應(yīng)的尺度及被平滑的程度,而尺度參數(shù)又能影響圖像的特征概貌與特征細(xì)節(jié)。

(3)增量式三維重建環(huán)節(jié),增量式三維重建方法通過(guò)迭代圖像配準(zhǔn)—三角化—采用光束法區(qū)域網(wǎng)平差解算地面坐標(biāo),并濾除誤差較大的點(diǎn),遍歷所有像片后建立稀疏點(diǎn)云模型。在此基礎(chǔ)上,利用多視圖密集匹配(patch-based multi-view stereo,PMVS)算法,通過(guò)迭代延伸、擴(kuò)散稀疏點(diǎn)云構(gòu)建面元,最終形成密集點(diǎn)云模型。

(4)點(diǎn)云比對(duì)環(huán)節(jié),得到密集點(diǎn)云模型后,為節(jié)約算力資源,裁剪不同時(shí)期的點(diǎn)云,保留重點(diǎn)關(guān)注區(qū)域,對(duì)兩期點(diǎn)云進(jìn)行最近點(diǎn)配準(zhǔn)(iterative closest point,ICP)并迭代,將其轉(zhuǎn)換到同一坐標(biāo)系下并對(duì)齊。將對(duì)齊后的兩期點(diǎn)云圖采用M3C2算法進(jìn)行點(diǎn)云比對(duì),以色值深淺變化表征位移距離大小。為了能夠在短時(shí)間內(nèi)對(duì)大型點(diǎn)云的兩次掃描之間的變化進(jìn)行估計(jì),降低時(shí)間復(fù)雜度,M3C2算法使用特定的八叉樹(Octree)結(jié)構(gòu),以確保內(nèi)存使用和點(diǎn)鄰域提取速度之間存在良好比例。

2.4 坡體監(jiān)測(cè)試驗(yàn)結(jié)果分析

為實(shí)現(xiàn)變化區(qū)域的可視化表達(dá),對(duì)邊坡點(diǎn)云數(shù)據(jù)進(jìn)行處理后,分別采用同為三維點(diǎn)云比對(duì)算法的C2C算法與M3C2算法對(duì)變動(dòng)區(qū)域進(jìn)行識(shí)別,并比較識(shí)別效果。

2.4.1 C2C算法

在對(duì)坡體進(jìn)行三維重建的基礎(chǔ)上,將兩期點(diǎn)云裁剪、對(duì)齊,得到如圖5(a)、(d)所示的區(qū)域點(diǎn)云。采用 C2C 點(diǎn)云算法對(duì)位移前后的兩期點(diǎn)云數(shù)據(jù)進(jìn)行變化識(shí)別。設(shè)置合適參數(shù)后運(yùn)行計(jì)算,得到兩期點(diǎn)云水平、豎直方向數(shù)據(jù)變化監(jiān)測(cè)結(jié)果(如圖5(b)、(e)所示),變化區(qū)域顯示設(shè)置為綠色。

圖5 C2C點(diǎn)云變化監(jiān)測(cè)(單位為m)

結(jié)果顯示,C2C算法能夠捕捉到監(jiān)測(cè)點(diǎn)水平方向和豎直方向上1 cm的位移變化。為進(jìn)一步探究其識(shí)別效果,控制變化顯示范圍為0.5～1.5 cm(如圖5(c)、(f)所示)。結(jié)果表明,雖然C2C三維點(diǎn)云比對(duì)算法能夠捕捉到監(jiān)測(cè)點(diǎn)在水平及豎直方向上厘米級(jí)的位移變化,但變化分布較為離散,并不能精準(zhǔn)提供其位移距離并采用色值大小體現(xiàn)。

2.4.2 M3C2算法

同理,對(duì)試驗(yàn)區(qū)域完成坡體三維重建后,將兩期點(diǎn)云裁剪、對(duì)齊,得到如圖6(a)所示的區(qū)域點(diǎn)云。采用 M3C2 點(diǎn)云比對(duì)算法識(shí)別兩期點(diǎn)云數(shù)據(jù)變化。參數(shù)設(shè)置及步驟為:對(duì)第1期點(diǎn)云數(shù)據(jù)以 1.0 cm為間距進(jìn)行下采樣,得到稀疏、均質(zhì)的核心點(diǎn)云;設(shè)置步長(zhǎng)為1.0 cm,從初始值12.8 cm開(kāi)始,到終值51.6 cm結(jié)束,選取最合適的法向量擬合半徑,參考實(shí)際情況將最大計(jì)算深度設(shè)置為15 cm。兩期點(diǎn)云數(shù)據(jù)變化監(jiān)測(cè)結(jié)果如圖6(b)所示,可以發(fā)現(xiàn)位移變化集中在0～2 cm,顯示顏色為綠色;而灰色區(qū)域?qū)儆跓o(wú)變動(dòng)區(qū)域。

圖6 M3C2點(diǎn)云變化監(jiān)測(cè)(單位為m)

為更加直觀地顯示監(jiān)測(cè)點(diǎn)的變動(dòng)狀況,控制顯示范圍為0.5～1.5 cm。如圖6(c)所示,可以明顯觀測(cè)到0.5～1.5 cm的變動(dòng)區(qū)域只存在于監(jiān)測(cè)點(diǎn)所處位置范圍內(nèi),即綠色區(qū)域。基于此,有理由認(rèn)為該方法可以準(zhǔn)確顯示水平方向的厘米級(jí)位移變化。同理,由圖6(d)—(f)可知,該方法也能夠反映垂直方向的厘米級(jí)位移變化,且變動(dòng)區(qū)域顯示為粉色。雖然有極少部分噪聲存在,但總體而言顯示效果良好,能清晰地反映出變動(dòng)區(qū)域和非變動(dòng)區(qū)域,且能采用色值深淺體現(xiàn)其位移距離大小。

因此,基于M3C2算法的無(wú)人機(jī)滑坡表面位移整體式監(jiān)測(cè)方法可以準(zhǔn)確觀測(cè)并捕捉到厘米級(jí)的地物位移變化,相較于C2C點(diǎn)云比較算法而言,雖然花費(fèi)時(shí)間更長(zhǎng),具有更高的時(shí)間復(fù)雜度,但噪點(diǎn)更少精度更優(yōu)。

2.5 滑坡現(xiàn)場(chǎng)試驗(yàn)

野外試驗(yàn)雖然證明了基于M3C2點(diǎn)云比對(duì)算法識(shí)別地物位移的有效性,但該方法對(duì)于滑坡表面位移監(jiān)測(cè)的有效性仍不夠明確,同時(shí)為比較M3C2算法和C2C算法分別運(yùn)用于實(shí)地滑坡監(jiān)測(cè)的效果,以湖北省宜昌市龍泉鎮(zhèn)某地質(zhì)災(zāi)害點(diǎn)為現(xiàn)場(chǎng)試驗(yàn)對(duì)象,對(duì)上述問(wèn)題進(jìn)行驗(yàn)證。

采用基于無(wú)人機(jī)航測(cè)點(diǎn)云比對(duì)的滑坡表面位移監(jiān)測(cè)方法對(duì)該區(qū)域坡體進(jìn)行多次監(jiān)測(cè),分別于2021年12月18日、2022年1月8日,以及強(qiáng)降雨后的2022年3月29日,對(duì)目標(biāo)區(qū)域進(jìn)行圖像數(shù)據(jù)采集。綜合考慮坡高、樹木遮擋及飛行安全因素,3次試驗(yàn)飛行均設(shè)置航高為60 m(無(wú)人機(jī)到坡底的距離);航線規(guī)劃的航向及旁向重疊率均設(shè)置為80%,相機(jī)傾斜角度為-60°。所獲取的變形區(qū)現(xiàn)場(chǎng)照片如圖7所示,獲得的監(jiān)測(cè)對(duì)象重點(diǎn)監(jiān)測(cè)區(qū)域的點(diǎn)云數(shù)據(jù)如圖8所示。

圖7 監(jiān)測(cè)區(qū)域現(xiàn)場(chǎng)照片

圖8 監(jiān)測(cè)區(qū)域點(diǎn)云數(shù)據(jù)

對(duì)3期點(diǎn)云進(jìn)行裁剪、配準(zhǔn),分別對(duì)3次采集的點(diǎn)云數(shù)據(jù)采用M3C2和C2C點(diǎn)云算法進(jìn)行量化識(shí)別,以判別兩種算法的應(yīng)用效果,如圖9所示。

圖9 變化區(qū)識(shí)別(單位為m)

M3C2算法以1.0 cm為間隔進(jìn)行下采樣;設(shè)置步長(zhǎng)為1 cm,以初始值19 cm開(kāi)始,到終值78 cm結(jié)束,計(jì)算M3C2距離,最大計(jì)算深度為5 m,以色值深淺表征位移大小。比對(duì)3期點(diǎn)云數(shù)據(jù)發(fā)現(xiàn),地質(zhì)災(zāi)害點(diǎn)坡體表面位移主要發(fā)生在3月強(qiáng)降雨后,比對(duì)結(jié)果如圖9(c)所示;圖中存在白色、藍(lán)色、紅色3種顏色區(qū)域。參考顏色標(biāo)尺,白色區(qū)域?qū)?yīng)的變動(dòng)值為0,即該區(qū)域未發(fā)生位移變化,可認(rèn)為屬于坡體穩(wěn)定區(qū);相對(duì)白色而言的其他顏色區(qū)域表明有位移發(fā)生,可認(rèn)為屬于坡體不穩(wěn)定區(qū)域。觀察災(zāi)害識(shí)別圖可以看出,目標(biāo)區(qū)域自上而下經(jīng)歷了藍(lán)色、淺白色、紅色區(qū)域。其中,藍(lán)色區(qū)域?yàn)樘鋮^(qū),紅色區(qū)域?yàn)榛露逊e區(qū),最大變化值大于1.5 m?；诖丝梢耘袛?由于強(qiáng)降雨導(dǎo)致藍(lán)色區(qū)域坍落區(qū)土體發(fā)生滑動(dòng),滑動(dòng)土體最后于坡腳處堆積,堆積區(qū)標(biāo)識(shí)為紅色。此外有其他極小范圍的稀疏紅色區(qū)域和藍(lán)色區(qū)域存在,造成該現(xiàn)象的原因?yàn)橹脖蛔匀簧L(zhǎng)及人為搬運(yùn)物體干擾造成的點(diǎn)云變化。

C2C算法的識(shí)別結(jié)果如圖9(d)所示?？梢钥闯?雖然C2C算法也能夠識(shí)別出變動(dòng)區(qū)域,但相對(duì)于M3C2算法而言,無(wú)法通過(guò)顏色區(qū)分坍落區(qū)與堆積區(qū),同時(shí)具有更多的噪聲,識(shí)別效果較差。而M3C2點(diǎn)云比對(duì)算法的識(shí)別精度更高,顯示的變動(dòng)區(qū)域更準(zhǔn)確,更適用于滑坡發(fā)育過(guò)程中的早期變形判識(shí)。

3 結(jié) 論

本文基于無(wú)人機(jī)航測(cè)點(diǎn)云比對(duì)的滑坡表面位移監(jiān)測(cè)方法,開(kāi)展室外試驗(yàn),驗(yàn)證了該方法的識(shí)別精度,并有效應(yīng)用于邊坡地質(zhì)災(zāi)害的實(shí)地調(diào)查與識(shí)別。結(jié)論如下:

(1)借助無(wú)人機(jī)傾斜攝影技術(shù),可以獲取地質(zhì)災(zāi)害隱患點(diǎn)的多視圖影像序列,借助SfM和MVS算法能夠獲取目標(biāo)區(qū)域高密度三維點(diǎn)云,并以此構(gòu)建精細(xì)化三維模型。

(2)采用M3C2多尺度模型與模型點(diǎn)云比對(duì)算法,可以捕捉到1 cm的水平、垂直位移變化,且以色值差異表征滑坡面域變形狀況,成功識(shí)別出地質(zhì)災(zāi)害隱患點(diǎn)位的滑坡變動(dòng)區(qū)。相對(duì)于C2C點(diǎn)云比對(duì)算法而言,雖然時(shí)間復(fù)雜度更高,但噪點(diǎn)更少,精度更高,性能更優(yōu)。

(3)基于無(wú)人機(jī)航測(cè)點(diǎn)云比對(duì)的滑坡表面位移監(jiān)測(cè)方法,可以建立不同時(shí)期、不同狀態(tài)下的滑坡三維模型,不僅能整體性把握滑坡的位移變化過(guò)程,且能及時(shí)對(duì)滑坡災(zāi)害的發(fā)生作出預(yù)警,可實(shí)現(xiàn)復(fù)雜地形條件下滑坡的自動(dòng)化監(jiān)測(cè)和地質(zhì)災(zāi)害識(shí)別。