基于无人机航测的滑坡稳定性动态分析

邢 烨

(广东省重工建筑设计院有限公司,广东 广州,510700)

0 引言

我国国土面积辽阔,且具有较为复杂的地貌,包含平原、山地、高原、丘陵及盆地五大特征。其中,近75%的地区处于山区[1],而山区是地质灾害的主要发生地,山体滑坡、泥石流又是地质灾害中发生率最高、对人们生命财产威胁最大的一种。滑坡是指在具有一定坡度的区域,由于雨水浸泡、地震或者人为活动导致坡体内部出现结构性变化,使其出现脆弱性面积,无法再为外部宏观结构提供有力支撑,受重力影响,外围坡面开始分散向坡下无规则滑动,引发灾害[2]。据不完全统计,我国每年因滑坡灾害经济受损高达近60亿元人民币,受灾人数近100万人[3]。因此,对山体滑坡隐患的提前预警及监测工作被放在极其重要的位置。滑坡监测是提前利用一定技术捕捉并实时观测重点区域的细微形变规律,并向外界传递信息提供警示,达到提前预防的目的[4]。最初滑坡监测工作需要人为使用全站仪、滑坡预警伸缩仪、建立卫星接收站等方式获取监测地点的相关状态信息[5-7],这些传统方法虽然成本较低,操作简单,但或多或少存在人力物力的大量消耗或连续观测能力较差、监测期短或易受地形及气象条件约束等不足之处,具有一定的局限性,且作业人员自身无法得到足够保障,存在一定的安全隐患。

近年来,随着经济与科技的不断发展,非接触式的滑坡监测技术逐渐成为热门研究对象,主要包括三维激光技术、合成干涉雷达测量技术及近景摄影监测技术。其中,三维激光技术可通过激光扫描快速获取目标山体上的地物、地貌等几何信息,经数字化处理后获得高精度点云数据,再利用数学建模方法对山体结构重构,进一步在非接触的情况下对其进行相关计算和分析[8]。合成干涉雷达测量技术是利用在同一轨道或者相邻近的轨道的卫星对目标区域拍摄合成孔径雷达(synthetic aperture radar,SAR)影像,因为山体随着时间推移不断发生形变,因此需要拍摄不同时期的SAR影像,通过对SAR图像差分处理计算形变量,实现滑坡监测[9]。近景摄影监测技术则是利用无人机对监测地区航摄获取目标的影像信息,通过解算构建数字高程模型、数字正射影像(digital orthophoto map,DOM)等制作高精度的目标物三维模型,再进一步做差分处理实现滑坡监测[10]。但三维激光技术对扫描距离有一定的限制,同时目标区域过大时,大量的点云数据处理极为复杂;合成干涉雷达测量技术虽然分辨率及精度很高,但耗费成本较高,难以做到大面积推广;近景摄影监测技术成本低,操作方便、使用场景灵活且兼顾高精度,已成为目前最受欢迎的滑坡检测方式之一[11]。

本文采用无人机近景摄影监测技术获取目标区域的遥感影像,图像采集阶段使用大疆Phantom 4 RTK无人机系统其中,RTK是实时动态载波相位差分技术(real-time kinematic)。相关数据处理后,使用K最近邻算法对形变区域进行分类提取,比较其分类精度,并验证无人机近景摄影监测技术在滑坡监测应用中的实用性。

1 滑坡稳定性评估方案

1.1 面向对象的滑坡分析方法

本文使用一种面向对象的图像分类方法,利用滑坡对象之间的语义关系对滑坡边界及地形情况进行详细描述,用于对滑坡危险区域提取。面向对象的滑坡分析方法分为图像分割和图像分类两个阶段,本文在分割阶段将滑坡特征要素作为兴趣对象进行分割任务。而在分类过程中主要使用机器学习分类算法完成滑坡检测工作,本文采用K最近邻算法完成分类任务。实验平台使用eCognition 9.0软件进行,其作为一款面向对象的商用遥感软件,可以模拟人脑对影像信息的提取流程,将地物特征中的几何特征、纹理特征、颜色、光谱数据、空间信息进行提取分类工作。本文采取的面向对象的表征算法来检测和描述滑坡和非滑坡体需要从正射影像出发,用红绿蓝光谱指数的平均值构成单个光谱层。随后使用数字地表模型(digital surface model,DSM)数据构建多个主题数据集作为输入辅助层,用以分别描述滑坡危险特征:山阴、曲率(剖面)、坡角和坡向。分割过程中使用K最近邻算法完成图像分级分类任务,下面将对该算法原理进行介绍。

1.2 K最近邻算法原理

K最近邻算法(K-nearest neighbor,KNN)在1965年被提出,是一种有监督学习方法,属于机器学习领域中原理较为简单的一种方法,在解决分类问题或者回归问题时均可用到[12]。KNN算法用作分类时的基本思想为:将某一未知标签的测试样本放入所有已知标签的样本集中,并将其作为参考,该未知标签的类别是具有唯一性的;不同类别之间的相似程度是依靠距离作为评价标准,KNN算法一般采用欧式距离公式计算距离,并参考“投票选举”的方式,根据“少数服从多数”原则进行类别划分,即把前K个已知标签样本中距离最近且占比最多的样本直接作为该未知样本的标签,通常情况下K值的选取不宜过大。KNN算法的优点在于原理较为简单,没有复杂的模型参数,排除了模型对原始数据的假设性影响;它属于一种惰性算法,几乎不需要花费时间进行模型训练,且适用于多类别分类问题[13]。

(1)

式中,L(hi,hj)表示两个样本之间的欧式距离,具体计算步骤如下:

(1)确定训练集并对特征空间划分类别。

(2)计算某一测试样本与每个已知标签样本的距离,按照距离由小到大进行排序。

(3)确定K值,并选择距离最近的前K个已知标签样本并划分类别。

(4)分别计算每个类别的占比权重,占比最高的类别即划定为该测试样本的类别。

1.3 稳定性动态分析

经过对滑坡体长期监测和研究发现,滑坡体往往是由多部分组成。其中,主要由滑坡源和沉积岩石区域、稳定区域、植被覆盖区、危险区域下道路等多种属性地貌特征要素组成[14]。陡坡部分是形成滑坡隐患及出现坡体不稳定的重要发育位置,滑坡地质构造结构是导致滑坡发生的主要原因,在滑坡发育基本阶段因为降雨条件下土体含水率达到了失稳条件,产生了正常的滑坡现象或者受持续降雨或短期强降雨影响,已发生滑动的滑体呈流体状汇聚移动,均可以作为评判滑坡体临界状态[15]。为完成对滑坡体稳定性的分析,现使用流固耦合分析模型对降雨中滑坡隐患点稳定性进行模拟,完成对滑坡信息提取后完成对稳定性动态分析。

2 无人机航测与数据处理

为实现对无人机影像滑坡数据处理与识别工作主要需要完成以下过程:①实地航飞数据收集;②识别数据预处理;③滑坡对象识别和表征;④数据表示和可视化。针对本次实验数据采集工作采用大疆Phantom 4 RTK无人机系统进行,该系统配备了1英寸CMOS的2000万有效像素镜头。能够满足实验需要的数据采集任务,其内置RTK模块可提供航摄过程中定位数据,实时反馈无人机飞行状态。此飞行系统因为其使用方便,运行成本低深受测绘从业人员喜爱,滑坡测区数据采集工作仅需要在航线规划上按照交叉方式设置两次飞行,可获取全面覆盖陡坡的航测影像数据。数据采集流程主要包括了:飞行前首先需要确定测区范围规划好飞行路线、针对测区规划航线、数字正射影像(digital orthophoto map,DOM)和数字地表模型(digital surface model,DSM)数据生成,后期分析阶段数据采用DSM进行。

图1 无人机航测数据采集及处理流程

在进行面向影像对象分类过程时,为提升分类结果的准确性,第一步需要将影像数据完成合适的分割,此过程需要将影像相似特征区域分别分割出来,分割效果是直接用影像分类算法完成地物地貌提取效果,对于分割参数选择实验分析中进行介绍。通过多次分类实验表明K最近邻算法能够较好地完成分类任务。

本次数据采集由大疆Phantom 4 RTK无人机进行,设计飞行高度设置为60 m,以恒定飞行姿态共采集数据112张图片,航线设计须保持75%航向重叠和80%的旁向重叠,保证了对滑坡体细节数据的采集工作。随后开始三维模型建模工作:使用三维重建的离线算法(structure from motion,SFM)完成对坡体三维重建数据处理,获得待测坡体的DSM、三维点云数据、正射影像以及网格数据。在图像分割过程中选取三个不同的分割参数,用以分别表示对象层次结构中三个相互关联的层次,其中L1级为最优分割效果,L2级为中等水平,L3级则分割的较为粗糙。在系数选择方面,在紧致系数选择上三等级均使用0.5,形状系数则分别使用0.4。故对滑坡与非滑坡进行分类为L3级别,L2级别完成如陡坡、沉积和植被等等次级分类,而L1类别需要完成如道路、海岸线等配套公共设施的分类。其中,各类别相互关联。

从图2可以看出,该区域内构造活动强烈,使得岩体结构形成倾斜,陡坡斜度在40°～50°并且遭受了持续的退冲侵蚀,从平面滑动和不同程度岩崩的复杂情况来看,该滑坡体与下方裸露岩石带最大宽度分别为26 m和119 m。整个滑坡投影面积为24 872 m2,最大滑动距离为85 m,高度为0～95 m。在第一级分类中,首先将滑坡场地根据分割条件完成滑坡和非滑坡分割。第二级别分类将滑坡类别中陡坡和岩石带子类进行区别,在非滑坡类别,最先解决植被分割,将其作为非危险要素进行分类。最后将道路信息分割完成。分类精度如表1所示。

表1 滑坡体影像分类精度

图2 待测区域及无人机飞行路径以及该区域分类效果图

对滑坡体进行调查分类后,使用工程模拟的有限元软件——ABAQUS软件,完成对降雨入渗条件下混合土质边坡响应的流固耦合分析,为模拟降雨持续过程选用特大暴雨等级降雨对同等条件下的滑坡体进行模拟结果,如图3所示。

(a)降雨前

图3可以得出该在滑坡体仿真模型中在施加降雨后坡体内含水量已经达到饱和状态,其中对坡体形变信息进行分析,发现形变量在坡脚位置达到最大,于是开始对该滑坡体动态稳定过程进行分析,即对降雨各阶段滑坡安全系数进行总结评价。结果如图4所示。

(a)模拟持续降雨量

图4(a)表示对模型施加的持续降雨时间和降雨量,在降雨发生过程中对于滑坡体稳定性进行持续评估,降雨过程会使得土壤含水量逐渐上升直至达到饱和状态。随着坡体含水量达到饱和,坡体安全性会出现持续性降低,直至下降到拐点位置,此时该滑坡体已经达到了失稳状态。此模型可根据实际现场情况精细化建模处理,为完成基于无人机滑坡隐患识别后的滑坡稳定性动态监测提供条件。

3 结束语

本文通过使用一种面向对象的无人机影像识别方法,对某一滑坡体边界与组成进行分类调查,随后对影像滑坡体内信息进行稳定性分析。将降雨作为滑坡诱发条件,并针对滑坡体的流固耦合模型建模进行分析,对各类降雨以及降雨时间与滑坡体安全系数之间建立关系,实现了从无人机航测对滑坡体调查工作再到对滑坡体稳定性的动态稳定性分析过程。实际应用中,滑坡体区域可能较大,常规方法处理数据较为复杂,下一步可通过深度学习数据处理方法进一步提升图像分析效率。