研究概述

Overview of the study

滑坡是全球范圍內危害嚴重的自然災害，常常造成重大人員傷亡和財產損失。準確掌握滑坡運動規律對災害風險防控和災后治理具有重要意義。傳統邊坡運動監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的應用日益廣泛。克盧日· 納波卡技術大學 等提出了一種基于無人機攝影測量與激光雷達數據融合的滑坡監測新方法。該方法創新性地將激光雷達點云數據與攝影測量光柵圖像進行整合，具體通過識別景觀特征（包括植被覆蓋區和人工建筑區）實現數據融合。

這種創新方法通過提升多時相監測數據的比對精度，為滑坡動態演變研究提供了更可靠的技術手段。

研究區域概況

該研究區域位于克盧日-納波卡的北部，是一個結合工業和農業活動的地區（見圖1）。隨著城市邊界的擴張，導致周邊區域快速增長。滑坡發生頻率也隨之增加，主要原因是人類活動加?。盒略鼋ㄖе滦逼仑摵蛇^重，改變了地表徑流的排水路徑；農業用地逐漸轉變為城市化區域。

圖1.研究區域的地理位置;航拍和地面照片

圖2顯示了應用了滑坡易感層的調查研究區域。圖2的底圖正射影像顯示了 2018 年全面施工時的區域，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，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性圖，隨后的柵格圖層疊加在研究區域的正射影像上，強調高風險和極高風險區域。該分析利用二元統計分析（BSA）方法來評估該地區對山體滑坡的敏感性。BSA模型包含12個因素，能夠創建全面的山體滑坡易發性地圖，將該地區分為五個易發性級別：低、中等、中等高、高和非常高。建模的最終結果揭示了對城市至關重要的區域中的許多重要熱點，包括當前為DFM實施選擇的區域。圖1、圖2中顯示的圖片來自附近地區，顯示了結構和路面的損壞程度、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。根據以上原因，所選區域被認為是當前實施DFM概念的理想地點。

圖 2.研究區域的滑坡易發性;來自有明顯損壞的現場照片

研究方法

本文開發了一種新的方法，用來融合來自兩個傳感器的點云、柵格數據。根據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 數據更準確。以這一前提為起點，目標是構建數字地形融合模型（DFM），具體方法為：將研究區內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傳感器及高程模型。

圖3以圖形方式顯示了上述創建 DFM 的步驟。DFM 基于合并數據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軟件，對激光雷達（LiDAR）或攝影測量獲取的兩類點云進行融合?？紤]到本研究中數字地形融合模型的應用目標是用于滑坡監測，因此選擇基于柵格圖像對數據集進行融合。

圖3.用于創建鑲嵌柵格 DFM 的三高程柵格的區域分割

在本文所采取的研究方法中，柵格數據集之間的融合通過以下步驟來實現：

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

2）導入從無人機測量中獲取的三個高程柵格圖像，分別是激光雷達數字地形模型（LiDAR DTM）、運動恢復結構數字地形模型（SfM DTM）和運動恢復結構數字表面模型（SfM DSM）。由于在提取地面信息或對地面與相鄰擋土結構進行分類時，現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字地形模型（DTM）和數字表面模型（DSM）成果。這是因為濾波算法往往會裁剪掉擋土結構的部分區域，所以該特定區域的處理以 DSM 為基礎。

3）根據前面提到的各傳感器優勢及相關考量，為每個區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域，或是道路沿線的植被帶，激光雷達（LiDAR）傳感器的測繪結果更為精準，因此選擇激光雷達數字地形模型（LiDAR DTM）；對于有人工構筑物的區域（如擋土墻及周邊建筑物），未經地面分類的攝影測量傳感器測繪結果更精準，因此選擇運動恢復結構數字表面模型（SfM DSM）柵格圖像；對于瀝青區域（如車行道、人行道及自行車道），攝影測量傳感器的測繪結果更精準，因此選擇運動恢復結構數字地形模型（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，提取與已劃定區域相對應的柵格像元。然后根據上一階段確定的適用柵格圖像，提取出10個新的區域分段（這些分段是根據地形特征和構成選取的，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個小型銜接數字高程模型合并，生成整個研究區域的鑲嵌圖。

5）對于區域劃分多邊形邊緣因柵格圖像初始裁剪及后續合并而產生的極小間隙，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）

研究結果

對所獲取數據的評估基于生成的四個輸出結果（高程模型），并結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），即通過運動恢復結構（SfM）攝影測量獲取的數字表面模型（DSM）的評估結果總結如下：

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、裸地及低植被區域表現良好，但在中高植被區（尤其是灌木叢和道路旁樹木下方）存在顯著垂直差異，差值可達數分米至數米。綜合所有數據，該DSM模型整體表現最差，平均絕對誤差（MAE）為 0.405 米，絕對中位差（MAD）為 0.050 米，標準差（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），即通過運動恢復結構（SfM）攝影測量獲取的數字地形模型（DTM）的評估結果總結如下：

通過SfM攝影測量生成的DTM，是在DSM基礎上經分類處理（去除中高植被等）得到的。其表現特點為：曾有植被的插值區域存在小到中等垂直差異，瀝青和裸地區域精度極高，凸顯了無人機攝影測量的優勢；但擋土墻等混凝土表面因算法裁剪出現顯著垂直差異。該模型的統計指標為：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）獲取的數字地形模型（DTM）的評估結果總結如下：

激光雷達 DTM 的優勢在于能穿透植被，在各類植被區域（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明顯垂直差異（區域被過度裁剪）。其統計指標為：MAE 0.093 米、MAD 0.045 米、SD 0.431 米、RMSE 0.441 米。由于混凝土、瀝青等人工區域的干擾，該模型整體平衡性欠佳，綜合指標不如 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），即創新性的數字地形融合模型（DFM），其數據源自運動恢復結構（SfM）攝影測量和激光雷達（LiDAR）的評估結果總結如下：

創新性的DFM模型融合了SfM 攝影測量與LiDAR數據，根據不同地形特征選擇適配數據（植被區用 LiDAR DTM、瀝青區用 SfM DTM、擋土墻區用SfM DSM），實現了優勢互補。結果顯示，該模型在所有區域的整體垂直差異顯著減小，其中瀝青、混凝土和植被區域的精度最優，但裸地區域存在11厘米的較大差異（表明攝影測量更適合裸地）。其統計指標優異：MAE為0.006米，MAD為 0.035米，SD和RMSE均為 0.060米，驗證了模型的穩健性。

圖7.Ground Truth 和 DFM 之間的垂直差異

本文圍繞滑坡監測中無人機攝影測量（SfM）與激光雷達（LiDAR）技術的應用展開研究，分析了兩者的優劣勢及數據融合的必要性：SfM 在瀝青、混凝土、裸地等區域表現更優，LiDAR 則適用于低、中、高植被區，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；而融合兩者數據的新型數字特征模型（DFM）表現最優，RMSE僅0.060米，能更精準反映地表信息，提升滑坡位移監測效果。研究同時指出，當前裸地區域測繪存在局限性（人工提取復雜），未來需通過年度監測分析滑坡演化、借助機器學習實現地形分類自動化以優化流程，并將DFM推廣至建筑、農林、環境監測等更多工程地質領域，進一步發揮其技術優勢。

結論

本文提出了一種融合無人機攝影測量與激光雷達（LiDAR）數據的新方法，即數字地形融合模型（DFM）。這一方法的核心在于結合兩種技術的優勢：無人機攝影測量在無植被覆蓋的區域（如裸地、人工構筑物區）表現出色，而激光雷達能夠部分穿透植被，適用于植被覆蓋區域，二者結合可實現更精準的滑坡測繪。

從實際效果來看，DFM 的統計指標優于傳統高程模型，通過整合兩種傳感器的數據，能更準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，主要體現在半自動化分區過程中對裸地和植被區的區分能力不足。因此，未來研究將聚焦于兩方面：一是借助先進的機器學習技術實現分區自動化，提升區分精度；二是對研究區域進行長期監測，并將 DFM 推廣到更多需要精準測繪的領域，進一步發揮其價值。

Source

文章來源

本研究成果發表在期刊“Engineering Geology”上，詳細內容見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

文章部分內容來源 復合鏈生自然災害

如有侵權 請聯系刪除

合作/建議 cehui360@qq.com

文章部分內容來源 清風揭陽

如有侵權 請聯系刪除

合作/建議 cehui360@qq.com

測繪行業一站式服務平臺

各類產品 應有盡有

測小喬

020-29020235

民航局CAAC全國培訓基地

中級/高級 測繪工程師職稱評審

住建部技工證《測量放線工》

中建協 八大員《測量員》

工程測量員 高級技師 福州/廣州

注冊測繪師 習題APP / 金考典

注冊測繪師繼續教育抵充學時課程

@中測網 新媒體矩陣

各平臺直接搜索 中測網

或者識別二維碼直達

抖音不能直接識別，需打開抖音APP掃碼

商 城