基于無人機激光雷達的地表變形監測研究

摘要：旨主要探討了M2M、C2M、P2P這3種傳統點云面域沉降監測的原理及其優缺點，并詳細闡述了顧及最優步長的垂直形變監測算法的原理和流程；在不同點云密度下，開展了網格步長和非地面點對3種方法垂直變形監測精度影響的研究；當點云密度為5時，進行不同方法點云監測精度的對比分析；最后利用顧及最優步長的垂直形變監測算法對礦區垂直形變進行了計算。

關鍵詞：沉降監測"LiDAR點云"正射影像"網格步長

中圖分類號：P237;TD325

Research"on"Surface"Deformation"Monitoring"Based"on"the"UAV"Lidar

JIANG"Jiping

Dongguan"First"Branch，"Guangzhou"Siwei"Chengke"Information"Engineering"Co.，"Ltd.，"Guangzhou，"Guangdong"Province，"523040"China

Abstract："This"article"mainly"explores"the"principles"of"the"three"traditional"point"cloud"region"settlement"monitoring"methods"of"M2M，"C2M"and"P2P"and"their"advantages"and"disadvantages，"and"elaborates"on"the"principle"and"process"of"the"vertical"deformation"monitoring"algorithm"that"considers"the"optimal"step"size."It"studies"the"influence"of"the"grid"step"size"and"non-ground"points"on"the"vertical"deformation"monitoring"accuracy"of"the"three"methods"under"different"point"cloud"densities，"compares"and"analyzes"the"point"cloud"monitoring"accuracy"of"different"methods"when"the"point"cloud"density"is"5，"and"finally"uses"the"vertical"deformation"monitoring"algorithm"that"considers"the"optimal"step"size"to"calculate"the"vertical"deformation"of"the"mining"area.

Key"Words："Settlement"monitoring;"LiDAR"point"cloud;"Orthoimage;"Grid"spacing

開展礦區地表沉降監測能夠及時發現礦區安全隱患，對保護礦區周邊人民安全、保障礦區安全生產以及預警礦區地質災害具有重要意義[1]。InSAR技術對礦區的微小變形監測精度較高，但在實際應用中受地形、植被和失相干等限制，其大范圍監測能力難以有效施展。攝影測量影像具有豐富的紋理信息，可以用于變形前后的影像配準，被廣泛用于礦區變形監測，但該技術無法穿透地表植被獲取真實地表信息，其監測精度在植被茂密的區域受到限制。

基于激光雷達點云的礦區地表垂直變形監測方法主要是計算兩期激光雷達點云在同一位置的高程差異。但是點云數據獲取的地面點較為隨機，難以保證兩期點云可以獲取到完全同一位置的高程信息。為了實現基于點云數據的地表垂直變形監測，目前主要有M2M、P2P、C2M的計算方式[2]。這3種方法中僅有M2M方法在計算變形時直接利用網格法DEM作差得到變形結果，但其他兩種方法在最終進行變形結果重采樣插值計算時，同樣采用了網格插值的方法。而網格步長大小的設置會影像最終形變計算的精度。因此，本文提出顧及最優網格步長的礦區垂直變形監測方法，并基于此對礦區垂直形變進行監測。

1"研究區域與數據處理

研究區域所在村位于廣東省某鎮，村址占地面積約為420畝，現居住人口約為870人。本次選擇該村內礦山一工作面作為研究區。工作面開采工作時間為2021年11月到2022年8月，采深區間750～820"m，采厚3.5"m，開采傾角17°、走向長度1"134"m，傾向長度157"m，本研究主要選用搭載于大疆M300無人機平臺的蜂鳥Genius激光雷達和賽爾102S影像鏡頭來分別獲取點云和影像數據。為了評估監測精度，利用地面站點進行實時數據的獲取，后文中并以此監測結果與無人機設備監測結果進行比對。其中第一期數據獲取時間為2022年1月20日，而第二期數據為2023年6月8日。

1.1"LiDAR和影像點云融合

將正射影像和點云濾波結果進行融合，得到研究區高精度彩色點云。具體彩色點云融合步驟如下：（1）導入正射影像，選擇合適的坐標系和參考基準面;（2）導入點云LAS文件，并選擇坐標系和參考面;（3）融合生成彩色點云。

1.2"彩色點云精度評價

由于后續中需要使用彩色點云進行變形監測，因此需要利用控制點結果對點云進行精度評定。具體精度評定方法是在點云中利用最近鄰搜索算法搜索控制點最近的點，并計算對應坐標差[3]。通過對比GCP（Ground"Control"Point）數據可知，最大高程誤差為13.8"cm，最高高程誤差僅為4.7"cm。平均誤差約為9.8"cm。

2"顧及最優網格步長的垂直變形監測方法

傳統點云面域沉降監測方法主要有M2M、P2P、C2M這3種方法。M2M是指利用兩期點云分別生成兩期數字高程模型（Digital"Elevation"Model，DEM）模型，通過對比兩期DEM的高程變化，最終得到面域的垂直變形。P2P方法是指利用K近鄰點搜索（K-Nearest"Neighbor，KNN）兩期點云中的最近鄰點對，然后對比點云對的高程值變化，最終得到垂直向的變形值。C2M方法是指將第一期點云進行曲面模型重建，然后計算第二期點云中單點到模型的距離，并以此距離為變形值。

（1）首先對點云進行降采樣，獲取不同密度的點云，然后對礦區點云進行非地面點濾波，獲取去除地面點前后的礦區點云。

（2）分別對不同密度下的去除地面點前后的礦區點云進行精度分析，以獲取較高精度的點云。

（3）基于（2）中的高精度點云，并分別改變網格步長，計算不同步長下的C2M、M2M和P2P這3種垂直形變監測的結果。

（4）將（3）中的監測結果與GCP實測數據進行比對，計算監測偏差；監測結果與GCP實測數據比對一般使用K最近搜索的方法。

（5）為尋求獲取不同網格步長和垂直形變監測方法之間的關系，并獲取最優步長，需要對（4）中的偏差結果進行精度分析；具體過程為首先對控制點的數據進行逐點分析，對于其中部分因為外界因素導致的較大誤差的結果進行剔除[4]。為了統一偏差的結果，首先對偏差取絕對值，然后分別計算其偏差絕對值的平均值和標準差，并將其進行誤差棒分析，并繪制折線圖用以分析監測精度和網格步長的關系。利用上述步驟對所有監測結果的誤差棒分析，若某網格步長監測結果的偏差平均值為最小且標準差波動情況也較小，該步長即為最優步長[5]。

（6）根據最優步長結果對礦區進行形變監測。通過上述所有步驟的分析，找到高精度方法和網格步長，并基于此提出顧及最優步長的礦區垂直形變監測方法。并基于此方法對礦區進行垂直形變監測，對礦區工作面區域的變形情況進行分析。

3"LiDAR點云與影像點云垂直變形監測精度對比

本次實驗時在采集了無人機激光雷達點云數據的同時，也采集無人機正射影像數據。為了對比無人機影像生成的影像點云與LiDAR點云沉降監測精度，采用和上文中相同的方法對去除非地面點后的LiDAR點云和影像點云進行了對比分析。

通過對比分析可以發現3種方法監測結果LiDAR點云監測結果比無人機影像點云監測結果精度高約20"cm；其中影像點云監測結果誤差在30～35"cm之間。造成誤差較大的原因可能在于影像點云是基于相片和POS數據生成的，由于影像采集時植被等因素的遮擋，無法獲取正確的地表形態，導致后續非地面點分類時，無法將農作物等地物生成的影像點云進行去除，最終導致了較大的監測誤差的產生。對于LiDAR點云，由于LiDAR設備對稀疏的植被有一定的穿透性[6]，在地面點去除時，地面點去除效果相對于影像點云較好，因此最終LiDAR點云有較高的監測精度。步長為3"m時，影像點云可以進行變形監測，而LiDAR點云較難進行檢測，可能是由于影像點云在此區域無法正確去除非地面點。同時在2"m、4"m和8"m的網格步長下，LiDAR點云和影像點云都處于較高的誤差水平。因此后續變形監測時應盡量避免使用這類步長。

4"顧及最優網格步長的礦區垂直變形監測結果

通過上述精度分析發現，3種形變監測方法的監測精度隨著網格步長的增加整體上呈現出先減小，后增加，最后再減小的趨勢，5"m網格步長下為最優網格步長。因此，進一步的利用最優網格步長和高精度監測方法對礦區進行垂直形變監測。圖3和圖4展示了基于最優網格步長下的C2M和M2M兩種監測方法計算的礦區垂直變形結果。通過對比分析發現，在考慮最優網格步長情況下，C2M和M2M方法監測整體平均偏差約為6."2cm；不考慮最優步長情況下，兩者平均偏差為8.1"cm，即考慮最優步長監測精度提高了1.9"cm。

通過對圖3和圖4分析可知，在最優網格步長的情況下。在紫色橢圓內，即6—11月工作面區域為主要變形區域，其變形值達到了80～120"cm。在淡藍色矩形，即1—6月工作面區域內，由于分離地面點導致該區域點較少，但是少量的點可以發現該區域變形在30～70"cm之間。在村莊外的區域變形基本較小，基本在10"cm之內。

5"結語

基于C2M和M2M方法和最優步長的監測結果整體平均偏差約為6.2"cm，對比非最優網格監測結果精度提升約1.9"cm，最終利用C2M和M2M方法在最佳網格下對礦區進行監測，在2022年2—8月工作面開采區域沉陷最大，約在80～120"cm之間，其次是村莊區域，形變約為30～70"cm。

參考文獻

[1] 葉巖磊.基于激光點云的邊坡變形監測與危巖體識別研究[D].南京：南京信息工程大學，2023.

[2] 孫貝貝，周葵，林永春.基于S-SAR的高海拔露天礦邊坡變形監測與影響因素研究[J].中國安全生產科學技術，2023，19（S1）：79-85.

[3] 吳德軍.采動耕地三維變形無人機監測方法及應用研究[D].北京：中國礦業大學（北京），2023.

[4] 隋騰飛，黃建偉，余敏.基于近景攝影測量的高精度基坑變形監測技術研究[J].合肥工業大學學報（自然科學版），2023，46（6）：828-832.

[5] 趙甲濤.基于資源三號衛星影像的露天礦區地形變化檢測[D].北京：中國礦業大學（北京），2023.

[6] 郭一兵，翟向華，姜鑫，等.SBAS-InSAR技術在特大型滑坡變形監測中的應用[J].地震工程學報，2023，45（3）：642-650，672.