-
滑坡灾害对电站的安全运行，对滑坡区域及附近区域的人员和财产安全都会带来重大威胁，并可能伴随交通中断和堰塞湖等多种次生灾害。因此，在峡区水电站的施工建设和运营管理中，对峡区高陡边坡进行地形变化监测是一项十分重要的工作[1]。传统的基于全站仪和GNSS的滑坡监测技术是通过在滑坡体关键位置布设一定数量的监测点，根据监测点的位置变化判断滑坡体的运动变化。这种技术监测精度高，但是监测点的数量有限，不能全面覆盖滑坡体表面。而且，由于滑坡本身存在重大安全威胁，监测点及其上的人员和设备面临较大风险[2]。
无人机载LiDAR技术是将惯性导航系统(INS)、全球导航卫星定位系统(GNSS)和激光扫描测距系统进行集成，利用INS获得飞行过程中的瞬时姿态参数，通过GNSS获取激光扫描仪中心坐标，利用激光扫描系统获取扫描仪中心至地面点的距离，由此计算出地面上相应激光点的空间坐标(X,Y,Z)，同时还可以获得反射率、激光脉冲回波次数等信息[3]，与无人机倾斜航测技术生成地表三维模型[4]相比，无人机LiDAR技术可以直接获取三维点云数据，在各种高陡边坡、危岩体等复杂地形地貌环境下，具有高分辨率、高精度及高效的特点[5-6]。在有植被覆盖的区域，可获取植被下地形，已成为生产高精度数字高程模型( digital elevation model，DEM)的主要手段[7]。
但是，在高海拔、沟壑纵横的复杂地形地貌环境下，利用无人机载LiDAR设备对多处沟壑边坡数据采集过程中会由于山区地形起伏、沟壑多，无人机在飞行中时常会发生GNSS信号中断而无法持续安全飞行的问题；另一方面，由于轻小型无人机载LiDAR扫描角度和测距精度受限，在高差大、边坡陡且形态复杂的区域采集数据时，会存在部分高陡边坡点云数据缺失的问题。
针对上述问题，文中优化设计了一种垂直于山脊线、变高飞行的高陡边坡无人机影像/点云数据采集方案，实现了复杂地形地貌环境下无人机倾斜影像及LiDAR点云数据安全、高效的数据采集。进而提出利用对应区域的多视倾斜影像密集点云辅助下的LiDAR点云融合方案，以解决对高陡边坡数据采集时点云缺失问题，提升其DEM重建的精度和完整性。该工作对高海拔高陡滑坡灾害监测、国家安全生产及人民生命和财产安全保障具有重要的意义。
-
龙羊峡水电站位于青海省共和县和贵南县交界处的黄河干流上，其周长约123 km，其地理位置如图1所示。它是黄河干流上游第一座梯级电站，工程以发电为主，兼顾防洪、灌溉、防凌等作用。龙羊峡坝址以上控制流域面积131 420 km2，多年平均流量650 m3/s，多年平均径流量2.05×1010 m3。受区域差异构造运动影响，龙羊峡水库北岸发育多级阶地，而南岸地形陡峭，沟壑众多。斜坡的相对高差为300~500 m，坡度为35°~45°；水渗透和水侵蚀降低了南岸土壤的抗剪强度，形成空洞，导致边坡不稳定，直接威胁着电站的安全运行和周围来往的船只安全。而库区右岸的“龙西”、“龙羊”、“农场”三个典型的高陡边坡位于高海拔、连绵起伏的山区，周边是水域，地形地貌及环境复杂，是该电站重点关注的滑坡群。因此，文中以上述三个典型的高陡边坡为研究对象开展DEM重建方案设计及形变监测。
图 1 龙羊峡地理位置及三个典型滑坡体
Figure 1. The location of Longyang Gorge and its three interested slopes near the dam bank
-
文中主要是针对复杂地形地貌环境下的高陡滑坡群形变监测任务，开展轻小型无人机多视影像/LiDAR点云数据采集和DEM重建方案设计优化，以及不同时期重点滑坡体形变监测和分析，技术路线如图2所示。
图 2 总体技术路线
Figure 2. Overall technical route
-
文中外业数据采集时间为2021年11月28-29日，采用飞马D2000旋翼无人机平台，分别搭载了轻型的D-LiDAR2000激光载荷系统和D-OP3000载荷五镜头倾斜系统。该系统是由飞行器、载荷、地面控制站、GNSS差分定位系统及相应的数据预处理软件组成，设备主要参数如表1、表2所示。
表 1 D-LiDAR2000激光雷达模块参数
Table 1. D-LiDAR2000 LiDAR equipment parameters
Ranging
modeWave-
length/
nmRanging
precision/
cmPoint
frequency/
kHzEcho
strength/
bitsHorizontal
accuracy/
mTOF 905 ±2 240 8 0.02 表 2 D-OP3000倾斜相机参数
Table 2. D-OP3000 oblique cameras parameters
Camera
selectionSize of
sensor/mmEffective
pixelsLens focal
length/mmSONYa6000 23.5×15.6 2.430 million×5 25(down)
35(oblique)注：×5指五个相机获取的实际像素 针对研究区复杂的地形地貌环境，文中设计了安全、高效的数据采集方案，具体如下：
（1）设备准备：利用同一无人机平台下D-LiDAR2000激光雷达和D-OP3000倾斜相机数据采集设备。考虑高陡边坡邻接水库，海拔高且风力大，选取了高原无人机螺旋翼来代替普通的螺旋翼。
（2）起降点设置：研究区内的多处高陡边坡紧邻大面积水域，因此，选取至少5~6 m2、地形平坦且通讯状况良好区域作为无人机安全起降的场地。当起降点距离测区较远时，应设置不少于30%剩余电量以保证无人机安全返回。
（3）航线优化设计：因研究区地形起伏大、沟壑纵横，导致山脊线一侧GNSS信号较差。为防止长时间GNSS信号消失，设计了沿垂直于山脊线方向飞行的航线，并设置GNSS信号消失时间不超过5分钟，以保证无人机安全飞行和航次控制。
（4）飞行参数设计：为保证影像分辨率或点云密度以及DEM精度，采用变高飞行方式。
LiDAR数据采集航线设计如图3所示，主要参数设置如下：航线间距为159 m，旁向重叠度25%，平均点云密度93点/m2，飞行速度14 m/s。
图 3 无人机载LiDAR数据采集航线规划图
Figure 3. UAV LiDAR data acquisition flight route planning
基于上述方案中步骤（1）~（4），利用同一无人机平台同时采集了五镜头倾斜影像，其中，航向/旁向重叠度为80%/65%，地面分辨率为3 cm，其航线设计见图4。
图 4 无人机载倾斜影像采集航线规划图
Figure 4. UAV oblique images flight route planning
-
对获取的无人机载LiDAR点云数据进行航迹和坐标解算，生成标准点云。但会存在因传感器、空中、地面干扰生成的噪声点[8-9]。因此，选取半径滤波算法对噪声点云剔除。该方法指某点所在半径r的圆域内的邻近点数小于某个阈值N，则该点视为噪声点，被剔除，否则，保留该点。如图5所示，在给定r的情况下，当N取为1时，则只有a点是噪声点，被删除；当N取2时，则a和b点都视为噪声点，被删除，而c点将被保留。
图 5 半径滤波去噪算法示意图
Figure 5. Schematic diagram of radius filtering denoising algorithm
-
针对地形起伏大、高陡边坡众多的地形地貌下，D-LiDAR2000设备采用单一视角激光扫描方式进行数据采集，导致的部分高陡边坡点云数据缺失[10]，使该区域的DEM失真，无法进行边坡形变测量。因此，提出将对应区域的多视倾斜影像匹配后点云与LiDAR点云融合，以改善其DEM重建的质量和完整性，实现不同时期滑坡形变分析。具体方法如下：
（1）从多视倾斜影像生成的密集点云中裁剪出包含LiDAR点云缺失区域的点集；
（2）将预处理后的两源点云数据集进行粗配准，即，实现两源数据空间基准的统一；
（3）选取迭代最邻点 (Iterative Closest Point，ICP) 算法[11]进行精配准，算法描述如下：求解待配准点云数据与参考点云数据之间的旋转参数R和平移参数T，使得两点集数据之间满足如公式（1）所示的目标函数F(R,T)值最小准则下的最优匹配[12]。
$$ {F}({R}, {T})=\frac{1}{{n}} \sum\nolimits_{{i}=1}^{{n}}\left\|{Q}_{{i}}-\left({RP}_{{i}}+{T}\right)\right\|^{2}=\min $$ (1) 式中：Pi是待配准点云；Qi是参考点云数据中对应Pi的最近点；n是最邻近点对个数；R是3×3旋转矩阵；T是3×1平移矢量。
采用上述算法将LiDAR点云与对应区域的倾斜影像生成点云精配准，通过两类点云融合实现缺失点云补偿，融合前、后结果如图6(a)、(b)所示。
从图6可以看出，经过两源点云的融合实现了对初始LiDAR点云缺失数据的补偿，改善了该区域边坡DEM重建的的完整性。为了验证融合后的点云数据质量，利用实测选取的15个GNSS控制点进行了精度验证，结果表明：融合后点云均方根误差为0.063 m，精度提高了0.018 m。
图 6 融合倾斜影像点云与LiDAR点云的缺失数据补偿
Figure 6. Missing compensation by fusing LiDAR point cloud and point cloud from oblique images
-
对融合后的点云数据按陡坡范围进行裁剪，使用不规则三角网算法[13]建立研究区的不规则三角网之后，进行网格点的高程内插[14]，生成了高斯克吕格投影下CGCS2000坐标系下空间分辨率1 m的DEM[15]，如图7所示。最后，利用GNSS控制点进行精度验证，DEM高程精度为0.08 m。
图 7 完整的1 m分辨率高陡边坡DEM
Figure 7. Complete DEM with 1 m resolution of high steep slope
-
将该库区重点滑坡体生成的完整DEM与2018年多视倾斜航测技术生成的DEM进行形变分析。具体作法如下：将2018年与2021年两期DEM空间基准统一到高斯克吕格投影下的CGCS2000坐标系，再对两期DEM进行高程差分运算，获取滑坡区域形变结果，如图8所示。
图 8 三个典型陡坡形变结果
Figure 8. Deformation results of three steep slope
从图8可得出，上述三个陡坡高程变化高达几十米，其中，龙西陡坡形变量最大，高差变化范围为：−56~59 m，农场陡坡次之，其高差变化范围为：−20~41 m，龙羊陡坡高差变化范围为：−12~31 m。依据对历史资料的调查及实地踏勘结果，2018年至2021年期间多处陡坡发生较为严重的坍塌，边坡上段的土体塌陷导致边坡下段堆积，也缩小了水域面积。
通过对三处陡坡DEM开展了坡度、坡向分析，文中以农场为例，陡坡方向朝水域方向，如图9所示。图10为2018、2021年农场陡坡近水库区域的坡度图细节对比结果，可明显看出2021年该陡坡边界坡度明显高于2018年。
图 9 农场陡坡坡向图
Figure 9. Steep slope direction map of Nongchang
图 10 农场陡坡近水域处坡度图
Figure 10. Slope map near water region of Nongchang steep
利用ARCGIS软件从农场陡坡的高程形变结果中获取典型陡坡滑动区域，并对两个不同时期提取的滑动区域叠加计算出塌方量及堆方量（见图11）。该滑坡区域沿主滑方向剖面图如图12所示。经统计，农场陡坡塌方量为320 570 m3，堆方量为28 155 m3，塌方量远大于堆方量，部分土体落入水域中。
图 11 塌方、堆方示意图
Figure 11. Schematic diagram of collapse and stacking
图 12 主滑方向剖面示意图
Figure 12. Main sliding direction profile
-
针对高海拔、地形起伏大、沟壑多的复杂地形环境下的滑坡群形变监测任务，优化设计了一种垂直于山脊线、变高飞行的高陡边坡无人机点云/多视影像数据采集，以及影像密集匹配点云辅助下的LiDAR三维激光点云的滑坡群DEM重建方案，解决了山区复杂地形地貌条件下无人机LiDAR数据采集时点云数据缺失的问题，有效提升了高陡边坡DEM重建的质量以及滑坡体高程形变测量的精度。
利用实测的GNSS地面控制点对青海龙羊峡水电站的高陡边坡滑坡群实例进行精度验证，得出如下结论：（1）融合后的LiDAR点云中误差为0.063 m，比融合前提高了0.018 m，重建的三个典型滑坡体的DEM高程精度为0.08 m，边坡DEM重建的完整性和精度得到提高；（2）经对2018至2021年间三个高陡坡体高程形变监测，发现：滑坡群中多个边坡发生不同程度的土体滑动，高程方向的形变高达50多米，滑坡群形变量大；（3）经对滑动前后坡体的坡度分析，陡坡群大范围边界的坡度远大于往年，未来再次滑动可能性较大，后期需要继续监测。
Deformation monitoring of high and steep slopes with UAV LiDAR technology assisted by oblique images
-
摘要: 针对高海拔峡域地形地貌环境下基于轻小型无人机载LiDAR对高陡边坡激光点云扫描数据缺失导致DEM重建及形变分析精度低的问题，优化设计了一种垂直于山脊线、变高飞行的无人机点云/多视影像数据采集，以及影像密集匹配点云辅助下LiDAR三维激光点云的滑坡群DEM重建方案,实现了复杂地形地貌下LiDAR点云数据安全、高效的采集，改善了高陡边坡DEM重建及形变监测的精度和完整性。该方法基于迭代最邻近点算法，将倾斜影像生成的点云数据与同期获取的LiDAR点云数据配准和融合，实现了LiDAR点云数据缺失补偿，进而构建出完整、高精度的DEM，并与往期倾斜影像生成的DEM进行差分，对三个典型滑坡体进行了高程形变分析。以青海龙羊峡水电站的高陡边坡滑坡群为研究区，利用实测的GNSS地面控制点进行实验验证，得出结论：融合后的LiDAR点云精度为0.063 m，比融合前提高了0.018 m；重建的三个典型滑坡体的DEM高程精度为0.08 m，提升了边坡DEM重建的完整性和精度；对三个典型滑坡体2018、2021年两期高程形变分析，表明：滑坡群中多个边坡发生不同程度的土体滑动，高程方向的形变高达50多米，滑坡群形变量大。Abstract: Aiming at the problem of low accuracy of DEM reconstruction and deformation analysis due to the lack of data during the scanning of high and steep slope point cloud based on light and small unmanned airborne LiDAR in the topographic environment of high-altitude gorge, this paper proposed an optimized data acquisition scheme using UAV image/point cloud data acquisition of high and steep slope flying perpendicular to the ridge, and DEM reconstruction scheme using UAV LiDAR point cloud with the aid of dense point cloud derived from multi-view oblique images. The accuracy and integrity of DEM reconstruction of high and steep slope and the accuracy of landslide deformation measurement in different periods have been improved. This method uses the point cloud data generated from the collected tilted image and the LiDAR point cloud data of the same period, in order to compensate the LiDAR point cloud missing data based on the iterative nearest neighbor point algorithm. Then, high-precision DEM products of landslides are constructed using the compensated LiDAR point cloud; Finally, the deformation of the landslides in elevation direction is obtained by comparing the current DEM with the DEM generated from the oblique images acquired in the past. Taking the landslides located at high and steep slopes of Qinghai Longyangxia Hydropower Station as the study area, an experiment is carried out and verified using the measured GNSS ground control points. It is concluded that the accuracy of LiDAR point cloud after fusion is 0.063 m, which is 0.018 m higher than that before fusion. The elevation accuracy of the reconstructed DEM of three typical landslides is 0.08 m, which improves the completeness and accuracy of DEM of slopes. The deformation results of typical landslides in the area are obtained by a comparison of DEM from two different epochs. The conclusions can be drawn that many slopes in the landslide group have different degrees of soil sliding, and the deformation in the elevation direction is up to more than 50 m, heavy deformations happened to the landslides.
-
Key words:
- oblique images /
- UAV LiDAR /
- point cloud registration /
- deformation monitoring /
- high and steep slopes
-
图 1 龙羊峡地理位置及三个典型滑坡体
Figure 1. The location of Longyang Gorge and its three interested slopes near the dam bank
图 6 融合倾斜影像点云与LiDAR点云的缺失数据补偿
Figure 6. Missing compensation by fusing LiDAR point cloud and point cloud from oblique images
表 1 D-LiDAR2000激光雷达模块参数
Table 1. D-LiDAR2000 LiDAR equipment parameters
Ranging
modeWave-
length/
nmRanging
precision/
cmPoint
frequency/
kHzEcho
strength/
bitsHorizontal
accuracy/
mTOF 905 ±2 240 8 0.02 
下载: 导出CSV
表 2 D-OP3000倾斜相机参数
Table 2. D-OP3000 oblique cameras parameters
Camera
selectionSize of
sensor/mmEffective
pixelsLens focal
length/mmSONYa6000 23.5×15.6 2.430 million×5 25(down)
35(oblique)注：×5指五个相机获取的实际像素
下载: 导出CSV
-
[1] Wang Qingguo, Zhao Hai, Li Jianping. Landslide monitoring by merging ground laser point cloud and aerial image [J]. Bulletin of Surveying and Mapping, 2019(4): 99-102. (in Chinese) doi: 10.13474/j.cnki.11-2246.2019.0122 [2] Chi Weikang, Li Xiangxin, Li Pengfei. Reservoir slope deformation monitoring based on GPS [J]. Journal of Geological Hazards and Environment Preservation, 2018, 29(1): 9-12. (in Chinese) [3] Wang Chunyang, Li Guorui, Liu Xuelian, et al. 3D point cloud registration algorithm with IVCCS [J]. Infrared and Laser Engineering, 2022, 51(5): 20210491. (in Chinese) doi: 10.3788/IRLA20210491 [4] Yuan Xiuxiao, Yuan Wei, Xu Shu, et al. Research development and prospect on dense image matching in photogrammetry [J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(12): 1542-1550. (in Chinese) [5] Yao Yanli, Jiang Shengping, Wang Hongping. Landslide model monitoring and foreccast by using ground 3D laser scanner [J]. Science of Surveying and Mapping, 2014, 39(11): 42-46. (in Chinese) [6] Zhu Haixiong, Sui Lichun, Lu Kaixiang. Application of terrestrial 3D laser scanning technology in deformation monitoring of dangerous rock mass [J]. Bulletin of Surveying and Mapping, 2017, 11: 68-71. (in Chinese) [7] Yang Huishan, Lei Lizhen. Research on key technologies of acquisition of airborne LiDAR point cloud data and high-precision DEM [J]. Bulletin of Surveying and Mapping, 2019(3): 124-127. (in Chinese) doi: 10.13474/j.cnki.11-2246.2019.0092 [8] Zhao Fuqun, Zhou Mingquan. Hierarchical point cloud denoising algorithm [J]. Optics and Precision Engineering, 2020, 28(7): 1618-1625. (in Chinese) doi: 10.37188/OPE.20202807.1618 [9] Wang Cong. DEM production process based on airborne LiDAR data [J]. Geomatics & Spatial Information Technology, 2020, 43(10): 204-207. (in Chinese) doi: 10.3969/j.issn.1672-5867.2020.10.055 [10] Lv Yuanzhi, Sun Qiang, Bi Guoling. Recognition and repairing of surface hole in three dimensional laser scanning system [J]. Chinese Optics, 2016, 9(1): 114-121. (in Chinese) doi: 10.3788/co.20160901.0114 [11] Wang Xin, Zhang Mingming, Yu Xiao, et al. Point cloud registration based on improved iterative closest point method [J]. Optics and Precision Engineering, 2012, 20(9): 2068-2077. (in Chinese) doi: 10.3788/OPE.20122009.2068 [12] Xie Xiaopeng, Gu Jiawei. An improved two-dimension ICP point cloud registration algorithm [J]. Laser & Infrared, 2021, 51(7): 951-955. (in Chinese) doi: 10.3969/j.issn.1001-5078.2021.07.020 [13] Miao Qiguang, Shi Junjie, Liu Tiange, et al. New efficient DSM genertating algorithm based on TIN [J]. System Engineering and Electronics, 2014, 36(9): 1868-1873. (in Chinese) doi: 10.3969/j.issn.1001-506X.2014.09.32 [14] Chang Bingtao, Chen Chuanfa, Guo Jiaojiao, et al. Interpolation-based filtering with segmentation for airborne LiDAR point clouds [J]. Infrared and Laser Engineering, 2021, 50(9): 20200369. (in Chinese) doi: 10.3788/IRLA20200369 [15] Wang Yunkai, Jiang Yi, He Yanlan, et al. The application of airborne LiDAR and inclination photography in beautiful rural construction [J]. Bulletin of Surveying and Mapping, 2021(S1): 37-41. (in Chinese) doi: 10.13474/j.cnki.11-2246.2021.0508 -
点击查看大图
图(12) / 表(2)
计量
- 文章访问数: 240
- HTML全文浏览量: 66
- PDF下载量: 53
- 被引次数: 0
