摘要：在當(dāng)前農(nóng)村土地確權(quán)過(guò)程中，傳統(tǒng)的人工測(cè)量方法存在效率低下、精度不足的問(wèn)題，難以滿足日益增長(zhǎng)的土地管理需求。為應(yīng)對(duì)上述挑戰(zhàn)，本研究提出利用無(wú)人機(jī)傾斜攝影測(cè)量技術(shù)快速獲取大面積區(qū)域的高分辨率影像資料，并利用專業(yè)軟件進(jìn)行三維建模與分析，從而實(shí)現(xiàn)對(duì)農(nóng)村土地邊界的高效、準(zhǔn)確界定。測(cè)試實(shí)驗(yàn)結(jié)果表明，基于無(wú)人機(jī)傾斜測(cè)量技術(shù)的農(nóng)村土地工程確權(quán)登記邊界精準(zhǔn)確定方法能夠提升測(cè)量結(jié)果的準(zhǔn)確性和可靠性，可以為農(nóng)村土地管理提供技術(shù)支持。

關(guān)鍵詞：無(wú)人機(jī)；像控點(diǎn)；多視影像采集；土地確權(quán)；農(nóng)村

農(nóng)村土地確權(quán)工作是保障農(nóng)民權(quán)益、推動(dòng)農(nóng)村經(jīng)濟(jì)發(fā)展及維護(hù)社會(huì)穩(wěn)定的重要基石。然而，復(fù)雜的地形、技術(shù)瓶頸及歷史遺留問(wèn)題，使得確權(quán)登記邊界的精準(zhǔn)確定面臨重重挑戰(zhàn)。傳統(tǒng)測(cè)繪手段雖能提供一定精度，但耗時(shí)費(fèi)力、成本高昂，且難以適應(yīng)大規(guī)模復(fù)雜地形區(qū)域的測(cè)量需求[1]。鑒于此，開(kāi)發(fā)一種高效、精準(zhǔn)的土地邊界確定方法顯得尤為重要。近年來(lái)，無(wú)人機(jī)傾斜攝影測(cè)量技術(shù)憑借其靈活性、高效率及低成本等優(yōu)勢(shì)，在地理信息獲取領(lǐng)域大放異彩。該技術(shù)利用搭載多角度相機(jī)的無(wú)人機(jī)進(jìn)行航拍，迅速獲取地表高分辨率影像，并通過(guò)計(jì)算機(jī)視覺(jué)與空間信息技術(shù)構(gòu)建三維模型，實(shí)現(xiàn)目標(biāo)區(qū)域的全方位、立體化觀測(cè)?；谏鲜霰尘埃狙芯窟x取大疆M300 RTK無(wú)人機(jī)為例，深入探索基于無(wú)人機(jī)傾斜測(cè)量技術(shù)的農(nóng)村土地工程確權(quán)登記邊界精準(zhǔn)確定方法，旨在為相關(guān)從業(yè)者提供有益的參考與借鑒[1]。

1 無(wú)人機(jī)傾斜測(cè)量技術(shù)設(shè)計(jì)

依托于實(shí)時(shí)動(dòng)態(tài)（RTK）定位技術(shù)與高精度傳感器，大疆M300 RTK無(wú)人機(jī)在執(zhí)行測(cè)量任務(wù)時(shí)能夠?qū)崿F(xiàn)厘米級(jí)的三維坐標(biāo)測(cè)量[2]。RTK技術(shù)核心在于基站與移動(dòng)站之間的數(shù)據(jù)差分處理，其中基站將接收到的衛(wèi)星信號(hào)通過(guò)L1頻段發(fā)送給移動(dòng)站，移動(dòng)站則利用這些信息進(jìn)行位置校正；同時(shí)，配備激光雷達(dá)、多光譜相機(jī)兩種專業(yè)負(fù)載選項(xiàng)以獲取測(cè)區(qū)的點(diǎn)云數(shù)據(jù)和圖像數(shù)據(jù)，兩種數(shù)據(jù)流匯入嵌入式計(jì)算單元進(jìn)行處理與分析。此外，該無(wú)人機(jī)還整合慣性測(cè)量單元（IMU）和加速度計(jì)等關(guān)鍵傳感器組件，進(jìn)一步增強(qiáng)穩(wěn)定性和數(shù)據(jù)采集能力[2]，如圖1所示。

IMU由陀螺儀、加速度計(jì)及磁力計(jì)組成，能夠?qū)崟r(shí)監(jiān)測(cè)無(wú)人機(jī)的姿態(tài)變化、角速度以及線性加速度，為飛行控制系統(tǒng)提供即時(shí)反饋，確保平穩(wěn)飛行；加速度計(jì)則專門(mén)用于檢測(cè)無(wú)人機(jī)沿各個(gè)軸向的加速度變化情況，這對(duì)于精確控制無(wú)人機(jī)的速度與方向至關(guān)重要。同時(shí)，集成雙天線GNSS接收器提供精準(zhǔn)的位置信息，并有效抵抗電磁干擾，確保即使在復(fù)雜環(huán)境下也能保持穩(wěn)定飛行。

2 農(nóng)村土地工程精準(zhǔn)確權(quán)邊界的技術(shù)性方案設(shè)計(jì)

2.1 布設(shè)像控點(diǎn)

像控點(diǎn)點(diǎn)位應(yīng)盡量避開(kāi)遮擋嚴(yán)重的區(qū)域，如樹(shù)下、房檐下等，應(yīng)選擇相對(duì)較平且無(wú)陰影、無(wú)遮擋的地方。布設(shè)過(guò)程中，使用標(biāo)準(zhǔn)的40 cm×40 cm的圓形像控點(diǎn)標(biāo)靶，并采用紅噴漆，確保標(biāo)靶在航片上成像清晰、棱角分明[3]。同時(shí)，像控點(diǎn)的連線應(yīng)盡可能覆蓋整個(gè)測(cè)區(qū)，并在測(cè)區(qū)范圍內(nèi)均勻加密布設(shè)，以提升無(wú)人機(jī)航空攝影地形圖成像精度。5種無(wú)人機(jī)航測(cè)的像控點(diǎn)布設(shè)方式如圖2所示。

對(duì)于平坦或簡(jiǎn)單的地形選擇四角單點(diǎn)布設(shè)、四角點(diǎn)組布設(shè)、四周邊均勻布設(shè)方式；而對(duì)于復(fù)雜地形（如山地、丘陵）或有大量地物變化的區(qū)域，則應(yīng)采用更加密集的布設(shè)方式，如四周邊均勻布設(shè)或者加上內(nèi)部控制點(diǎn)。同時(shí)，使用徠卡全站儀進(jìn)行像控點(diǎn)點(diǎn)位采集[3]，每個(gè)像控點(diǎn)至少采集3次數(shù)據(jù)，每次采集過(guò)程應(yīng)平滑10次，以提升數(shù)據(jù)的穩(wěn)定性和可靠性。為便于后續(xù)處理，在像控點(diǎn)布設(shè)結(jié)束后進(jìn)行編號(hào)，并拍攝3張照片，包括1張近景圖和2張包含周?chē)湫蛥⒖嘉矬w的遠(yuǎn)景圖。

2.2 多視影像采集與預(yù)處理

在無(wú)人機(jī)飛行規(guī)劃階段，依據(jù)測(cè)區(qū)的地貌、農(nóng)作物分布特征及具體的確權(quán)登記需求，運(yùn)用DJI Flight Plan飛行規(guī)劃軟件對(duì)目標(biāo)農(nóng)田區(qū)域進(jìn)行全面的剖析，以科學(xué)規(guī)劃飛行路徑[4]。在此基礎(chǔ)之上，借助預(yù)飛校驗(yàn)環(huán)節(jié)調(diào)整無(wú)人機(jī)的飛行參數(shù)，如表1所示。

進(jìn)一步地，在Pix4Dmapper中對(duì)獲取的多視影像數(shù)據(jù)進(jìn)行預(yù)處理操作，首先采用Tsai針孔模型標(biāo)定消除鏡頭畸變，表達(dá)式如式（1）所示：

其中，為校正后半徑，為焦距，為未校正半徑，和為徑向畸變系數(shù)。其次，采用灰度直方圖拉伸法對(duì)采集的影像進(jìn)行輻射校正，以均衡影像的亮度和色彩分布[5]。最后，使用Pix4D Mapper軟件對(duì)影像進(jìn)行粗拼接，以快速驗(yàn)證影像完整性和覆蓋情況，確保多視影像無(wú)遺漏和斷層，為后續(xù)三維建模和邊界提取奠定高質(zhì)量的數(shù)據(jù)基礎(chǔ)。

2.3 構(gòu)建DSM三維數(shù)據(jù)模型

2.3.1 SIFT影像特征匹配

SIFT算法能夠有效地從多張重疊的無(wú)人機(jī)影像中提取出穩(wěn)定的關(guān)鍵點(diǎn)，這些關(guān)鍵點(diǎn)在不同尺度和旋轉(zhuǎn)角度下具有不變性，為影像配準(zhǔn)和三維重建提供堅(jiān)實(shí)的基礎(chǔ)。具體而言，SIFT算法通過(guò)多層高斯模糊濾波構(gòu)建尺度空間，識(shí)別出不同尺度上的局部極值點(diǎn)作為潛在特征點(diǎn)。高斯模糊濾波算法表達(dá)式如式（2）所示：

其中，為差分高斯圖像，是尺度為的高斯核函數(shù)，為輸入影像，為尺度增量系數(shù)。上述方法對(duì)圖像中的極值點(diǎn)進(jìn)行篩選，繼而結(jié)合主方向確定每個(gè)關(guān)鍵點(diǎn)的位置和方向?qū)傩?，以?shí)現(xiàn)對(duì)特征點(diǎn)的初步提取。在此基礎(chǔ)上，SIFT通過(guò)比較特征點(diǎn)描述符之間的歐氏距離找出最佳匹配對(duì)，而每個(gè)特征點(diǎn)的描述符是由該點(diǎn)鄰域內(nèi)的灰度值構(gòu)成的一個(gè)高維向量，以此向量來(lái)描述特征點(diǎn)的局部圖像信息。特征點(diǎn)匹配過(guò)程如式（3）所示：

其中，表示兩個(gè)特征點(diǎn)描述符之間的歐氏距離，和分別為描述符向量中的第個(gè)元素，為描述符的維度。通過(guò)計(jì)算描述符之間的歐氏距離，以選擇最小的距離作為最佳匹配點(diǎn)[4]。為進(jìn)一步提升匹配的精度和效率，采用RANSAC（隨機(jī)抽樣一致性）算法對(duì)初始匹配對(duì)進(jìn)行優(yōu)化，該算法隨機(jī)抽樣匹配點(diǎn)對(duì)，并通過(guò)內(nèi)點(diǎn)數(shù)量最大化準(zhǔn)則剔除誤匹配點(diǎn)對(duì)，從而得到精確的匹配結(jié)果。

2.3.2 表面重建與紋理映射

根據(jù)SIFT匹配結(jié)果，采用泊松表面重建技術(shù)（Poisson Surface Reconstruction）構(gòu)建地形表面三維幾何形狀。泊松表面重建是一種基于全局優(yōu)化的方法，核心在于將已知的點(diǎn)云數(shù)據(jù)視為帶有法向量的離散采樣，利用這些數(shù)據(jù)通過(guò)優(yōu)化一個(gè)全局的泊松方程生成一條平滑的三維表面。泊松方程表達(dá)式如式（5）所示：

其中，表示要求解的潛在函數(shù)，是點(diǎn)云數(shù)據(jù)的法向量，表示拉普拉斯算子。通過(guò)求解這個(gè)方程，泊松表面重建能夠有效地從散亂的點(diǎn)云數(shù)據(jù)中提取出連通的表面，并且該表面能夠自然地適應(yīng)點(diǎn)云的局部變化特征。在此基礎(chǔ)上，通過(guò)紋理映射技術(shù)將原始圖片中的顏色信息映射到三維表面上，以增強(qiáng)模型的真實(shí)感和可視化效果。具體而言，從原始影像中提取出每個(gè)像素的RGB值，然后將這些顏色信息按照三維表面點(diǎn)的坐標(biāo)一一對(duì)應(yīng)進(jìn)行映射，使得三維模型不僅在幾何形態(tài)上得到精確重建，同時(shí)也具備與現(xiàn)實(shí)物體相似的顏色細(xì)節(jié)。

2.4 邊界線識(shí)別

為實(shí)現(xiàn)高效且精準(zhǔn)的邊界識(shí)別，在三維表面模型（DSM）的基礎(chǔ)上，利用基于形態(tài)學(xué)的圖像處理方法和基于深度學(xué)習(xí)的端到端方法對(duì)地物邊界進(jìn)行自動(dòng)化檢測(cè)。形態(tài)學(xué)方法通過(guò)Canny邊緣檢測(cè)算法識(shí)別圖像中的邊緣，并通過(guò)邊緣追蹤算法將散亂的邊緣點(diǎn)連接成閉合的邊界線，該處理過(guò)程通過(guò)式（6）表示：

其中，表示圖像在點(diǎn)的梯度幅值，和分別是圖像在x和y方向上的偏導(dǎo)數(shù)。而對(duì)于復(fù)雜的地形或多變的邊界形狀，采用U-Net深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)端到端的邊界識(shí)別。U-Net編碼器—解碼器結(jié)構(gòu)能夠?qū)D像進(jìn)行逐層抽象，并將抽象后的高層次特征與原始圖像信息結(jié)合，進(jìn)一步精確地定位邊界。最終，經(jīng)過(guò)標(biāo)注和驗(yàn)證后的邊界數(shù)據(jù)可以直接應(yīng)用于土地管理系統(tǒng)、空間分析等領(lǐng)域，實(shí)現(xiàn)智能化的土地邊界管理與規(guī)劃。

2.5 測(cè)試試驗(yàn)

2.5.1 試驗(yàn)環(huán)境

測(cè)量區(qū)域選取某鄉(xiāng)村區(qū)域面積為132 km的地塊，包含坡地、平地和水域等，以模擬典型的農(nóng)村土地復(fù)雜環(huán)境。同時(shí)，使用Pix4Dmapper進(jìn)行圖像處理和三維建模，配置Intel i7-9700K處理器，以及32GB RAM，NVIDIA GTX 1080 Ti顯卡，以高效完成大數(shù)據(jù)量的圖像解算。

2.5.2 試驗(yàn)結(jié)果

試驗(yàn)隨機(jī)選取了該地塊邊界的4個(gè)點(diǎn)A、B、C、D，并將通過(guò)無(wú)人機(jī)系統(tǒng)獲得的數(shù)據(jù)與采用傳統(tǒng)的全站儀方法得到的實(shí)際測(cè)量值進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果如表2所示。

從表2可以看出，在所選的4個(gè)點(diǎn)中，無(wú)人機(jī)測(cè)量與實(shí)際測(cè)量之間的坐標(biāo)偏差均保持在較小范圍內(nèi)，最大偏差不超過(guò)0.003 m，表明利用大疆M300 RTK無(wú)人機(jī)搭載Zenmuse P1相機(jī)進(jìn)行的土地邊界測(cè)量具有較高的精度，能夠滿足農(nóng)村土地工程確權(quán)登記對(duì)于邊界精準(zhǔn)度的要求。此外，考慮到整個(gè)測(cè)試區(qū)域內(nèi)包含多種地形特征（如坡地、平地和水域），無(wú)人機(jī)傾斜攝影技術(shù)依然表現(xiàn)出良好的適應(yīng)性和穩(wěn)定性，進(jìn)一步證明了其在復(fù)雜環(huán)境下的應(yīng)用潛力[5]。

3 結(jié)語(yǔ)

基于無(wú)人機(jī)傾斜測(cè)量技術(shù)的農(nóng)村土地工程確權(quán)登記邊界精準(zhǔn)確定方法，不僅有助于提高土地邊界測(cè)量的速度和精度，而且能夠減少傳統(tǒng)人工測(cè)繪所需的時(shí)間與成本，對(duì)于促進(jìn)農(nóng)村土地制度改革、保障農(nóng)民權(quán)益具有重要意義。未來(lái)，研究人員可以考慮將人工智能等先進(jìn)技術(shù)融入數(shù)據(jù)處理流程中來(lái)，以實(shí)現(xiàn)自動(dòng)化程度更高的邊界識(shí)別與分析。

參考文獻(xiàn)

[1] 劉一鳴.傾斜攝影測(cè)量技術(shù)在房地一體測(cè)繪中的應(yīng)用[J].科技創(chuàng)新與應(yīng)用，2024，14（31）：71-74+79.

[2] 黃月秋.無(wú)人機(jī)傾斜攝影測(cè)量技術(shù)在水庫(kù)庫(kù)容計(jì)算中的應(yīng)用[J].水利技術(shù)監(jiān)督，2024（10）：61-63+85.

[3] 羅佳，劉寶榮.無(wú)人機(jī)航空傾斜攝影測(cè)量技術(shù)在航電工程建設(shè)中的應(yīng)用與發(fā)展[J].四川水泥，2024（10）：65-66+69.

[4] 張學(xué)才.多源觀測(cè)技術(shù)在黃浦江三維地形河道測(cè)量中的應(yīng)用[J].測(cè)繪通報(bào)，2024（S2）：82-85.

[5] 黃毅.無(wú)人機(jī)傾斜攝影測(cè)量技術(shù)在社區(qū)建筑面積測(cè)算中的應(yīng)用[J].住宅與房地產(chǎn)，2024（25）：92-94.