本文摘要：摘要：激光雷達測量(LiDAR)技術是一種先進的主動式遙感測量手段，具備多次回波且成像點云可濾除植被的特點，該技術在幾乎無植被覆蓋的礦山地質調查、道路巡檢等方面有了一定的應用，但在植被覆蓋區的地質災害或地質災害隱患識別方面的研究還有待進一步深入。針對江蘇省
摘要：激光雷達測量(LiDAR)技術是一種先進的主動式遙感測量手段，具備多次回波且成像點云可濾除植被的特點，該技術在幾乎無植被覆蓋的礦山地質調查、道路巡檢等方面有了一定的應用，但在植被覆蓋區的地質災害或地質災害隱患識別方面的研究還有待進一步深入。針對江蘇省山區植被覆蓋茂盛、地質災害隱蔽性強的特點，以宜興市竹海風景區公路旁一處道路邊坡為研究對象，基于無人機機載LiDAR低空測取的高密度激光點云數據，使用Terrasolid的Terrascan模塊進行濾波處理，得到剝離植被后的地面點云，進而利用Arcgis10.6生成DEM、等高線圖和一系列數字地形分析圖件，并據此分析和解譯出該邊坡區一處隱蔽滑坡的各種地表參數信息。結果表明：該滑坡體平面上呈現典型的圈椅狀地貌，面積為930m2，長為91m，寬為19m，平均地表坡度為35°，滑坡體主滑方向為南偏西6°，為公路切坡誘發的小型土質滑坡;滑坡體的滑坡前、后緣高差為10.1m，滑坡后壁高差為1.9～3.1m，中部滑坡臺階寬度為3.5～6.2m。該研究不僅總結出一套針對植被覆蓋區小型地質災害進行機載激光雷達快速識別的技術流程，同時也為植被茂密區相對隱蔽地質災害隱患的調查及防災減災提供了思路。
關鍵詞：機載LiDAR技術;植被覆蓋區;地質災害識別;激光點云處理;植被濾除;數字地形分析
機載激光雷達是遙感手段中的激光成像測量系統，以飛機(本次研究采用無人機)或車輛為載具對地面沿著航線進行垂直掃描，記錄距離數據和其他信息，生成高精度的激光點云數據以及強度信息和光譜信息。國內學者利用激光雷達測量(LiDAR)技術開展了多個領域的應用研究，如：陳鼎等[1]利用LiDAR技術對鐵路邊坡形變進行了監測，可為后期鐵路邊坡的維護和加固提供較為準確的資料，預防邊坡坍塌事件。
激光論文范例：基于激光雕刻技術的陶瓷超疏水表面制備
陳潔[2]基于機載LiDAR技術分析和總結了斷裂構造的點云特征，利用斷裂的線性延伸、高程異常和坡度異常的特點，運用合適的算法自動提取了斷裂構造信息;何柯璐等[3]采用LiDAR技術對采煤沉陷盆地進行地面掃描和建模，提出了基于格網高程排序的類地面點云提取算法，構建了精度更高的礦區開采沉陷模型;杜磊等[4]基于LiDAR技術獲取了三峽庫區張家灣地區的點云數據，并通過對點云數據進行加工處理，成功地識別出滑坡體，并提取了滑坡體重要的參數。
在國外很多學者基于機載LiDAR技術開展了針對滑坡、泥石流的地質災害調查，如：Mezaal等[5]基于LiDAR技術，提出了基于相關的特征選擇(CFS)算法用來識別滑坡并判別滑坡類型;Pourghasemi等[6]通過人工神經網絡算法，基于機載激光點云數據進行了滑坡易發性分析與預警;Booth等[7]利用LiDAR重復掃描獲取了一處滑坡的變形區域，并分析了滑坡的發生機理。雖然LiDAR技術已經在鐵路邊坡監測、地質構造調查以及滑坡體識別等方面有了一定的研究，但是對于植被覆蓋區的地質災害或地質災害隱患識別的研究仍有待進一步深入。
激光雷達點云具有部分穿透植被的多次回波功能，可以快速且精準地構建研究區的真實數字高程模型(DEM)，從而進行數字地形分析并識別出研究區內植被以下的地質災害或地質災害隱患。傳統的激光雷達多以直升機載或者車載，其優點是單次掃描任務面積大，但由于激光雷達距離地面較遠且行進速度大，得到的激光點云較為稀疏，通常只有2～3pts/m2，濾波處理后得到剝離植被后的地面點云則密度更小，難以達到對小型地質災害進行識別的目的。
針對江蘇省山區植被覆蓋茂盛、地質災害隱蔽性強的特點，本文采用無人機搭載激光雷達，在離地80m左右的位置對研究區進行掃描，得出的地面點云密度可達400～500pts/m2，能夠精準地識別出江蘇省植被覆蓋區小型地質災害的一系列參數，可為后期防災減災工作提供重要依據。
1機載LiDAR技術
1.1機載LiDAR技術的優勢與特點一直以來，傳統的光學遙感技術，如光學衛星、無人機傾斜攝影三維建模等，在地質災害調查中發揮了較大的作用，但是這些技術方法不能穿透植被，無法快速獲取植被以下的真實地面信息。而機載LiDAR是通過儀器主動發射的脈沖信號，可部分穿透植被到達地表，通過點云去噪、濾波，剔除植被，可快速構建高精度地形地貌，免地面控制點數據相對精度可達厘米級。
機載激光雷達測量(LiDAR)系統主要由激光雷達掃描儀、GNSS/INS定位測姿系統(POS)、存儲控制單元三大部分組成。其中，激光掃描儀包括掃描儀、測距單元和控制單元，主要用于測量掃描儀和地物之間的距離;GNSS與INS主要用于測定激光雷達在空中的位置及五軸飛行姿態;存儲控制單元用于快速存儲激光雷達獲取的各項原始數據。三者的有機結合就能根據載具的位置反算出激光點云的精確三維坐標。
1.2機載LiDAR數據處理技術流程
激光雷達數據測量作業的生產環節，主要包括航線設計、激光雷達數據采集、數據預處理、點云解算以及DEM、等高線和數字地形分析圖件制作等。(1)航線設計。本文采用在專業地圖軟件平臺上勾畫航線，并在飛行器遙控器上根據等高線設計飛行高度、飛行速度以及轉彎半徑的方法進行航線設計。設計飛行高度為相對高度80m，航線起始端進行8字飛行，航帶旁向重復率大于10%。(2)研究區激光雷達數據采集。本文采用大疆經緯M300RTK無人機搭載GS-MID40激光雷達掃描系統獲取研究區點云數據，同時輔以千尋星矩SR3專業級GNSS接收機(地面基站)獲取當地的坐標和高程數據。
(3)數據預處理。本文使用GS-MID40激光雷達掃描系統適用的軟件對原始點云數據進行預處理，得到通用格式點云數據。(4)點云解算。本文使用Mircrostation+Ter-raSolid軟件中的TerraScan模塊對點云數據進行處理。首先進行航帶校正、數據檢校消除誤差;其次對校正后的點云進行濾波、分類，得到濾除植被后的地面點云。 (5)DEM制作及后處理。本文在ArcGIS平臺中使用相應的工具生成濾除植被后的DEM，并生成山體陰影、地表坡度、地表粗糙度和地形起伏度等數字地形分析圖件，最后對地質災害體進行識別和分析。
2研究區概況與研究方法
2.1研究區概況
本文以江蘇省無錫市宜興竹海風景區公路旁一 處道路邊坡為研究區，其地理坐標為東經119°42′35.39″、北緯31°09′54.30″，區內堆積體較厚，下伏基巖為泥盆紀觀山組石英砂巖，道路位于半山腰處，南側已發生過滑坡，目前已經得到治理。但由于植被覆蓋密度大，傳統的光學衛星、傾斜攝影等遙感手段都無法識別植被覆蓋層以下的地質災害。本次采用激光雷達探測發現研究區新滑坡體，其位于道路北側植被茂密區。
2.2研究方法
首先利用無人機機載LiDAR低空測取研究區高密度激光點云數據;然后通過Microstation+Terrasolid軟件，對點云數據進行濾波處理，得到剝離植被后的地面點云;再基于地面點云，在ArcGIS中生成研究區的DEM，并由DEM二次生成等高線圖、多視角山體陰影圖、地形坡度圖、地表粗糙度圖和地形起伏度圖等數字地形分析圖件;最后利用點云剖面和數字地形分析圖，完成植被覆蓋區地質災害體的識別和分析。
3機載LiDAR數據獲取與處理
3.1數據獲取
本次研究利用機載激光雷達系統和相應的地面基站，獲取了研究區的遙感數據，包括：激光雷達數據，即GNSS、INS、測距掃描角、強度時間;基站數據，即坐標、絕對高程和姿態數據。由于研究區位于低山丘陵區，海拔在150～240m之間，區域內大部分面積為竹林所覆蓋，故綜合考慮地貌、氣象、飛行安全及應用需求等因素，飛行高度設定為240～320m之間，飛行速度設定為4m/s，旁向重復率高于10%，數據量為100000pts/s，實際航測面積為66208m2，激光點云密度為487.3pts/m2，遠高于以往研究所采用的有人機機載LiDAR。
3.2數據處理
3.2.1數據預處理
獲取的研究區LiDAR數據并不能直接地進行解算，需要先在與GS-MID40激光雷達掃描系統配套的數據處理軟件中將原始點云數據轉換為可以在TerraSolid軟件中適用的格式，即Las格式點云文件。首先在配套的數據處理軟件中將“.dat”格式的流文件分揀為解算所需的文件;然后新建工程文件，導入相關文件，輸入基站信息，差分后顯示差分定位結果，輸出GNSS文件;再使用輸出的GNSS文件并添加INS文件，處理得到GNSS/INS組合結果POS文件;最后采用配套軟件處理獲得的激光數據和GNSS/INS組合結果POS文件進行點云計算，并輸出Las格式點云文件。
3.2.2數據后處理
3.2.2.1點云數據處理
(1)點云數據噪聲去除。在TerraSolid軟件的TerraScan模塊中將預處理得到的Las格式點云數據進行后續的點云解算，具體點云解算及后續的DEM。由于受儀器誤差和偶然誤差的影響，獲取的點云數據坐標會產生偏移，因此在濾波分類前需進行航帶校正和數據檢校，以消除誤差，提高數據精度。然后裁剪掉與所需滑坡信息無關的點云，即縮小范圍，避免在解算過程中由周圍臨近點云引起的精度不高的問題。
(2)點云濾波獲取地面點。在精確點云范圍后，開始進行濾波分類。首先對點云數據采用手動編輯的方式去除明顯的噪點和孤點;然后采用點云濾波處理剔除由于植被影響的多次回波現象形成的不規則形狀和因激光脈沖的折射、多路徑效應等引起的點云x、y、z值異常而產生的噪點;最后通過軟件自動分類算法，將點云數據分成若干類別。由于濾波后的目標產品是DEM，故只需要得到準確的地面點云數據[10]，因此將點云數據自動分成地面、低點、重疊點等幾類。
TerraScan模塊地面點的分類是基于Axelsson[11]提出的不規則三角網濾波算法實現的，可以得到高精度的地面點。該算法以局部 高程最低點作為種子點構建TIN網格，通過計算待定點到三角形各節點的坡度值和到三角形平面的距離是否處于設定好的迭代閾值，來判斷該點是否為地面點，若是地面點則利用該點重新構建TIN網格，并迭代加入地面點直至沒有新的地面點被加入，結束濾波。
4地表形變信息提取與分析
4.1基于地面形態要素的滑坡識別原理
利用傳統光學遙感工具進行滑坡識別，是基于滑坡在遙感圖像中的梨形、舌形、簸箕形等典型坡面形態進行的[13]。在遙感解譯中，根據這些圖形特征便可以在遙感影像中大致圈定滑坡范圍。利用機載LiDAR測得的點云數據具有厘米級精度，同時擁有濾除地表植被的功能，能夠在植被覆蓋的區域分離出地面點云。
基于機載LiDAR的滑坡識別，除了能夠準確地識別傳統光學遙感工具所能識別的典型地貌特征外，還增加了對滑坡微地貌的識別，能夠清晰地識別其滑坡舌、滑坡壁、滑坡臺階和滑坡裂縫等地貌形態，達到精確判別滑坡類型和識別滑坡邊界的效果。通常情況下滑坡具有如圖7所示的全部或部分空間形態要素，遙感解譯中，則主要是基于這些形態要素的識別來確認滑坡。
4.2基于山體陰影圖和數字地形分析圖的滑坡識別
利用遙感技術對地質災害進行全面的調查，是地面調查的有效補充和輔助工具，而利用傳統光學遙感衛星圖像進行的遙感解譯，其結果因受到植被覆蓋的影響和圖像精度的限制會存在較大的誤差，在這種情況下，本文引入LiDAR技術對地質災害進行識別。
4.2.1基于山體陰影圖的滑坡范圍識別
采用LiDAR數據生成的高精度DEM和利用ArcGIS軟件的3DAnalyst擴展模塊生成研究區一系列不同太陽方位角的山體陰影(Hill-shade)，作為地質災害隱患識別的定性參數。
4.3基于點云地形剖面圖的滑坡細節信息分析
基于高密度點云的地形剖面圖能直觀地表現出地面的起伏、地勢的變化和地表坡度的陡緩，還能形象地顯示出一個地區的地形類型及其特征。
5結論
本文運用無人機機載LiDAR技術對江蘇省宜興市竹海風景區公路旁一處道路邊坡66208m2的研究區進行了高密度點云測取，最終測得原始點云密度為487.3pts/m2，濾波處理剝離植被后的地面點云密度為13pts/m2，遠高于傳統有人機機載LiDAR。
通過對點云數據的處理，獲取了研究區內剝離植被后的DEM圖、山體陰影圖、地形起伏度圖、地表坡度圖和地表粗糙度圖，并通過對地面點云多視角的觀測和滑坡地形剖面圖測量，結合山體陰 影圖和數字地形圖分析，圈定了江蘇省宜興市竹海風景區公路旁植被茂盛區一處滑坡的范圍，獲取了滑坡的相關基本信息：滑坡體平面上呈圈椅狀，面積為930m2，長為91m、寬為19m，整體地表坡度為35°，滑坡體主滑方向為南偏西6°。
另根據滑坡地形剖面圖可以看出，滑坡體的滑坡前、后緣高差為10.1m，滑坡后壁高差為1.9～3.1m，滑坡臺階寬度為3.5～6.2m。在以往的地質災害調查過程中，傳統的光學遙感技術以及無人機低空航拍遙感不能穿透植被，不能獲取植被覆蓋區以下真實的地表(形變)信息，且數據的幾何精度受地形地貌、傳感器類型、天氣因素等的影響較大。
而機載LiDAR技術是利用激光儀器主動發射脈沖信號，可部分穿透植被到達地面，通過點云數據去噪、濾波，剔除植被點云層數據后，快速構建與重現高精度的地面形態，并提供地面變形跡象信息，且在無地面控制點情況下數據的相對精度可達厘米級。本文利用無人機機載激光雷達可濾除植被的二次回波特點以及其點云高密度的特性，在低山丘陵植被覆蓋區進行斜坡體變形跡象的地面信息讀取，從而達到對植被茂密區地質災害隱患早期識別的目的，極具實用性和創新性，能夠為地質災害的地面詳查提供極為有效的技術支撐。
參考文獻：
[1]陳鼎，李文.LiDAR技術在鐵路邊坡監測中的應用研究[J].工程建設與設計，2020(22)：237-238.
[2]陳潔.機載LiDAR技術在斷裂構造解譯中的應用研究[D].北京：中國地質大學(北京)，2013.
[3]何柯璐，湯伏全，韋書平，等.機載激光點云構建西部礦區開采沉陷模型研究[J].測繪科學，2021，46(2)：130-138.
[4]杜磊，陳潔，李敏敏，等.機載激光雷達技術在滑坡調查中的應用———以三峽庫區張家灣滑坡為例[J].國土資源遙感，2019，31(1)：180-186.
[5]MezaalMR，PradhanB.Animprovedalgorithmforidentifyingshallowanddeep-seatedlandslidesindensetropicalforestfromairbornelaserscanningdata[J].Catena，2018，167：147-159.
[6]PourghasemiHR，RahmatiO.Predictionofthelandslidesuscep-tibility：Whichalgorithm，whichprecision?[J].Catena，2018，162：177-192.
[7]BoothAM，McCarleyJ，HinkleJ，etal.Transientreactivationofadeep-seatedlandslidebyundrainedloadingcapturedwithre-peatairborneandterrestriallidar[J].GeophysicalResearchLet-ters，2018，45(10)：4841-4850.
[8]陳松堯，程新文.機載LIDAR系統原理及應用綜述[J].測繪工程，2007，16(1)：27-31.
作者：彭藝偉1，董琦1，田沖2，陳剛3，孟小軍1，曾斌1*
轉載請注明來自發表學術論文網：http://www.zpfmc.com/jjlw/28889.html
