巖質高邊坡結構面識別及產狀統計信息采集方法

摘要：準確識別巖質高邊坡結構面和獲取產狀統計信息是進行邊坡穩定性分析的重要前提。無人機攝影測量技術為解決高邊坡結構面準確勘測難題提供了可能，但缺少高效準確的影像后處理方法，且現有研究沒有考慮結構面產狀信息特征的不確定性，致使結構面識別準確性差、效率低。針對該問題，以江西省南昌市某露天礦高邊坡為研究背景，提出了融合無人機攝影、后處理算法及統計分析的一體化結構面識別與產狀統計信息采集方法。首先，通過Phantom 4 Pro V2.0 無人機獲取邊坡表面影像；其次，利用Context Capture 軟件進行處理，得到高密度三維點云數據；然后，采用K 近鄰（KNN）算法中的確定近鄰點數量法構建相似點集，采用基于密度的聚類（DBSCAN）算法進行聚類分析，從而實現邊坡結構面識別，獲得結構面產狀信息并進行統計特征分析；最后，通過現場勘測數據進行對比驗證。結果表明：該方法能夠快速獲取完整的高密度點云數據，準確高效地識別巖質高邊坡大部分結構面，識別結果與邊坡工程現場實際情況基本吻合；該方法可獲取高邊坡結構面數量、產狀信息及其統計特征，大部分結構面傾角和傾向概率分布與實測數據擬合較好，為高邊坡裂隙網絡模型構建及穩定性分析提供了重要數據來源。

關鍵詞：巖質高邊坡；結構面識別；產狀統計信息；無人機攝影測量；K 近鄰算法；基于密度的聚類算法

中圖分類號：TD854.6 文獻標志碼：A

0 引言

準確獲取結構面信息是巖質邊坡穩定性分析的重要前提。傳統的結構面接觸式測量方法有測線法和測窗法，這2 種方法操作簡單，但對測量者的專業技術水平要求較高，易受測量者主觀影響，對于復雜結構面需要進行多次測量和綜合分析，工作量大且效率低；尤其對于高陡邊坡，測量者無法直接進行人工編錄，作業危險性大，難以獲取全面的結構面信息[1-2]。因此，高效準確地采集巖質高邊坡結構面信息仍是一個關鍵難題。

針對傳統接觸式測量技術存在的各種問題，研究者提出了非接觸式測量技術，包括三維激光掃描技術和無人機攝影測量技術[3]。三維激光掃描技術對測量環境要求較高且相關設備價格昂貴。無人機攝影測量技術以無人機為云臺，通過機身搭載高精度數碼相機和傳感器對被測物體拍攝高清影像，然后結合計算機圖像處理軟件進行后處理與分析[4]，具有機動靈活、性價比高、維護簡單和適用性強等優勢，因而逐漸被應用于數字化地形測繪、建筑物測量等領域[5]。

近年來，研究者將無人機攝影測量技術應用于巖質高邊坡結構面識別中。趙明宇等[6]通過無人機和全站儀對邊坡進行聯合測量，獲取了邊坡結構面跡線和產狀信息。熊開治等[7]開展了基于無人機攝影測量技術的隨機裂隙網絡模型構建方法研究。李水清等[8]基于無人機和“三點法”提出了一種巖體結構面產狀統計的半自動方法，克服了傳統方法的局限性。雖然無人機攝影測量技術可以獲取巖質高邊坡表面的高清影像，但是缺少高效準確的影像后處理方法，導致結構面識別仍然存在準確性差和效率低等缺點。一些學者嘗試采用不同數據處理算法進行結構面識別。沙鵬等[9]在采用無人機航測獲取邊坡圖像的基礎上， 結合運動恢復結構法（Structurefrom Motion，SfM）獲取邊坡巖體點云模型，進而建立包含離散裂隙網絡的實際邊坡三維離散元模型。賈曙光等[10]使用無人機采集北京市某采石場地形數據，結合計算機視覺原理與SfM 方法重建了三維模型測量結構面產狀。張愷等[11]采用無人機和SfM 法對浙江某露天采石場邊坡進行三維重構，提取巖體結構面產狀。Liu Yongqiang 等[12]采用無人機拍攝高分辨率影像，開發了一種同時考慮產狀、跡長和起伏度的結構面分組新方法。然而，當前算法在構建高密度三維點云模型、精準識別與擬合復雜結構面存在局限性，且沒有充分考慮識別結構面產狀信息統計特征的不確定性，亟需構建高效準確的融合高邊坡攝影、后處理算法及統計分析的一體化結構面識別與產狀信息采集方法。

本文以江西省南昌市某露天礦高邊坡為研究背景，提出一種巖質高邊坡結構面識別及產狀統計信息采集方法。采用無人機攝影測量技術和計算機視覺原理，使用無人機對邊坡進行航測并獲取基礎影像數據； 采用Context Capture 系列圖像處理軟件、Cloud Compare、DSE（Discontinuity Set Extractor）和多種算法進行邊坡結構面識別，進而提取結構面產狀信息，進行產狀統計特征分析。

1 基于無人機攝影測量的結構面信息采集

1.1 研究區概況

露天礦邊坡現場如圖1 所示。通過現場踏勘得知，邊坡長約200 m，坡頂坡底落差約100 m，邊坡出露巖體節理裂隙發育。將研究區巖體劃分為上層和下層2 個部分，每層巖體高陡，難以直接采用傳統的接觸式測量方法進行結構面產狀測量。選擇地點開闊、人員稀少且不受磁場干擾影響的地區作為無人機飛行起降點，并通過云臺設置覆蓋整個研究區的飛行路線，進行無人機攝影測量工作。

1.2 無人機影像處理

考慮到研究區地形復雜、障礙物多等因素，選擇體積小、控制性能好、操作簡單的Phantom 4 ProV2.0 四旋翼無人機進行測量。無人機系統主要包括飛行器、云臺、視覺系統、紅外感知系統、相機、遙控器、智能飛行電池和存儲器等組件。

采用無人機獲取高分辨率邊坡影像后，需要選擇合適的計算機圖像處理軟件基于圖像二維坐標構建三維點云模型。目前，常用的無人機航測影像后處理軟件主要包括Pix4D、大疆智圖、Photo Scan、Context Capture、Open Drone Map 等。其中， ContextCapture 具有快速、簡單、全自動等優勢，能夠在無人工干預情況下，從簡單連續的二維影像還原出真實的三維實景模型和超高密度點云模型。此外，該軟件還具有良好的輸入數據兼容性和廣泛的輸出數據格式，能夠滿足絕大多數的工作需要。因此，本文選擇Context Capture 軟件進行無人機拍攝影像的后處理。

由于無人機配備有慣性測量裝置傳感器及全球定位系統（Global Positioning System，GPS）與全球軌道導航衛星系統（Global Orbiting Navigation SatelliteSystem，GLONASS），在飛行作業中拍攝的影像均保留了傳感器信息、相機參數、照片姿態參數、照片位置參數等元數據，從而保證能夠輸出色彩真實、幾何形態及細節精細的三維模型。Context Capture 構建三維點云模型的流程如圖2 所示。生成的邊坡上層和下層巖體高密度三維點云模型分別如圖3 和圖4所示，可看出模型與邊坡實物圖吻合度較高。

2 巖質高邊坡結構面識別

2.1 識別流程

在完成原始點云數據重采樣后，采用A. J. Riquelme等[13]基于Matlab 編寫的開源軟件DSE 進行結構面識別，流程如圖5 所示。

1） 將帶有空間點坐標（X，Y，Z）和顏色信息的重采樣點云數據輸入到結構面提取程序中。

2） 設置K 近鄰（K-Nearest Neighbor，KNN）算法中需要的參數?近鄰點數量K 和偏差參數ηmax，并根據確定好的參數尋找共面點。

3） 在搜尋到所有共面點子集后，分別進行最優平面擬合，計算擬合平面的法向量并作為對應目標點的法向量。

4） 在法向量密度圖的基礎上，采用Riquelme 算法計算極點密度，并確定主極點。

5） 采用基于密度的聚類（Density-Based SpatialClustering of Applications with Noise， DBSCAN）算法進行聚類分析和結構面識別，并通過最小二乘法計算結構面的平面方程。

6） 輸出三維點云及結構面數據。

2.2 關鍵技術

2.2.1 點法向量計算和極點統計分析

在邊坡結構面識別過程中，尋找特征向量是進行后續結構面分組與提取的前提。通常選擇點法向量作為特征向量，但是每個單獨的點無法計算法向量，需要利用每個點和其相似點構成平面的法向量作為該點的法向量。KNN 是一種非參數、有監督的學習分類器，通過鄰近度指標對單個數據點進行分類或預測[14]。KNN 算法主要包括近鄰點距離度量法和確定近鄰點數量法。① 近鄰點距離度量法：為了確定最接近給定目標點的近鄰點，需要計算該點與其他數據點之間的距離，以該點為球心，將所有滿足給定距離的相鄰點都歸屬于同一個點集。② 確定近鄰點數量法：規定目標點需要尋找的近鄰點數量為一定值，從目標點出發，將距離目標點最近的K 個點歸屬于同一個點集。

由于點云密度存在不均勻性，采用近鄰點距離度量法進行搜索時，可能會因為邊界處包含錯誤點而形成錯誤平面，導致后續計算流程出現錯誤[15]。而選擇確定近鄰點數量法進行搜索時，可通過適當縮小搜索半徑降低結果出錯率。因此，本文選擇確定近鄰點數量法構建相似點集。

需要指出的是，設置合適的近鄰點數量K 是保證KNN 算法性能的關鍵。如果K 值過?。ㄈ鏚 <15） ，那么在計算極點密度過程中會保留噪聲； 若K 值過大（如K > 30） ，則會降低結果的準確性。同樣，對于偏差參數ηmax，如果ηmax< 15%，會導致符合的共面點被丟棄；而當ηmax> 25%時，則會產生邊緣點。根據A. C. Rencher 和W. F. Christensen[16]的研究，如果1 組主成分的方差貢獻率不小于80%，則可認為其能夠正確地表示數據。因此，本文中取K =30，ηmax= 20%。

確定點法向量后，采用Riquelme 算法計算極點的密度函數。該方法為點云中每個點指定主方向，但由于曲面的讀取誤差和極點分散等問題，使得局部極大值極點中只有少數點才是主極點。為此，通過設置參數和來尋找局部最大值點并作為主極點，np為可建立結構面組的最大數量， γ為點法向量與指定主極點法向量之間的最大允許角度。本文設置np = 10，γ取20～30°。

2.2.2 聚類分析與平面擬合

為了找到每個結構面組的數據子集并實現結構面識別，本文采用文獻[17]提出的DBSCAN 算法進行聚類分析。文獻[18]證明了該算法在點云數據處理中的實用性。該算法需要設置2 個輸入參數：ε 和min-pts。ε 表示可視為相鄰點的兩點間最大距離，一般根據點云密度確定；min-pts 為DBSCAN 算法中的閾值參數，即在1 個目標點的鄰域內至少包含的點數。min-pts 過大會導致碎片化，min-pts 過小會導致子集連接過多。本文設置ε 為4，min-pts 為5。

聚類分析原理：在數據集中任選1 個初始點，如果在距離該點ε 距離內有超過min-pts 個點，則認為這些點都屬于同一個聚類。以所有新添加的點為起始點， 搜索距離該點ε 距離內是否也有超過minpts個點。如果有超過min-pts 個點，則把這些點也增加到與初始點同一聚類中，依此循環，直至沒有符合條件的可添加點為止，便可得到1 個聚類的所有子集。以該聚類外的任一點為初始點重復上述過程，直到所有的聚類分組都被找到。

完成聚類分析后， 需要計算結構面的平面方程。設結構面組i 的點集為Ri，屬于該組結構面聚類j 的點集為Ri j，尋找Ri j的最佳擬合平面，其平面方程為

Ai jx+ Bi jy+Ci jz+Di j = 0 （1）

式中：（x， y， z）為點數據的坐標信息；Ai j ，Bi j， Ci j分別為平面單位法向量在x，y，z 方向的分量；Di j為原點到平面的垂直距離。

2.2.3 點云數據前處理

經過Context Capture 軟件處理獲得的點云密度通常很大，直接用于結構面識別需要大量計算，時間成本大，效率低。為此，對原始點云數據進行前處理，在保證計算結果準確性的前提下，最大限度地提高計算效率。Cloud Compare 軟件是一款開源的三維點云編輯與處理軟件，支持許多點云處理算法（包括點云配準、重采樣、統計計算、自動分割等），并包含大量插件可供選擇。因此， 本文選擇CloudCompare 軟件進行點云數據重采樣處理。重采樣方法包括空間距離重采樣、隨機重采樣、八叉樹重采樣3 種。綜合比較， 本文選擇空間距離重采樣方法。由于研究區域范圍較大，原始點云數據過于龐大，為提高計算效率，在Cloud Compare 軟件中進行重采樣時，設置兩點間的最小距離為5 cm。

2.3 識別結果驗證

為了驗證邊坡結構面識別結果的準確性，將邊坡結構面識別結果與野外實地勘測的結構面信息進行對比分析。

分別對圖1 中高邊坡的上層巖體和下層巖體進行結構面識別，得到巖體法向量密度圖和三維點云，如圖6—圖9 所示。邊坡上層巖體共找到6 個主極點J1—J6（傾向/傾角）：J1（156.26°/66.07°），J2（177.52°/57.46°） ， J3（147.54°/34.49°） ， J4（197.45°/82.27°） ，J5（127.88°/78.31°） ， J6（221.05°/88.77°）。邊坡下層巖體共找到5 個主極點J7—J11： J7（155.00°/43.01°） ，J8（177.51°/57.45°） ， J9（135.02°/75.48°） ， J10（209.04°/72.65°），J11（354.48°/73.11°）。

識別的三維點云數據與實際邊坡結構面的對比如圖10 所示?？煽闯?，用本文方法識別的結構面與邊坡工程現場實際情況基本吻合。

3 邊坡結構面產狀統計信息采集

在聚類分析過程中對6 組結構面的每個子聚類進行平面擬合，分別得到其平面方程參數，利用這些參數可計算得到每個結構面的傾角和走向，進而得到其傾向[19-20]。因為聚類結果中存在很多小的聚類，難以形成有效的結構面，所以設定一個閾值500，每個子聚類中的所有點數量不小于500 時才在輸出結果中顯示。利用Python 編寫的計算程序得到邊坡穩定性定量評價需要的結構面產狀信息。

對邊坡上層巖體進行分析，得到擬合平面參數及結構面產狀信息（表1），J1—J6 所在結構面組中出露的結構面數量依次為70，66，103，49，55，20。通過統計分析，得到各組結構面傾角和傾向的概率分布直方圖及函數擬合曲線， 如圖11 所示， μ 為均值，σ 為標準差。

邊坡下層巖體擬合平面參數及結構面產狀信息見表2。J7—J11 所在結構面組中出露的結構面數量依次為102，92，41，42，12。同理，通過統計分析可得到各組結構面傾角和傾向的概率分布直方圖、函數擬合曲線和結構面產狀分布特征。結構面產狀統計特征見表3。邊坡結構面產狀概率統計分布特征可以為高邊坡概率穩定性的定量評價提供重要的數據來源。

4 討論

對比分析研究區高邊坡上層和下層巖體結構面的概率分布直方圖及擬合結果可知，大部分結構面的函數擬合效果較好，僅有少數結構面的擬合效果較差。其可能原因主要如下：① 無人機獲取的圖像數量不夠多，導致部分結構面細節丟失，進而增大了點云數據提取過程中的誤差。② 研究區邊坡下層巖體表面局部存在植被，干擾點云數據聚類分析，影響結構面產狀的計算結果。③ 一些結構面組出露的結構面數量很少，無法對其進行準確擬合。

相較于當前結構面識別研究[21-22]，本文方法具有以下優勢。

1） 相較于三維激光掃描方法，本文方法具有效率高、操作簡單和成本低等優勢，尤其在一些人力無法到達和不利于架設觀測站的情況（如水電站庫岸邊坡等），更能突出無人機機動靈活的優勢。

2） 相較于其他數據處理算法（K-Means 算法等），DBSCAN 算法不需要事先指定聚類個數，能夠自動識別簇的數量和形狀，同時能識別離群點，有效過濾噪聲數據，使得結構面識別過程更高效、結果更準確，且無需過多人工干預。

5 結論

1） 提出了基于無人機攝影測量技術和ContextCapture 系列軟件的邊坡結構面點云數據獲取方法，具有效率高、操作簡單和成本低等優勢，為解決高邊坡結構面勘測難題提供了有效途徑。

2） 采用KNN 算法和DBSCAN 算法進行邊坡結構面識別，實現了復雜邊坡結構面的準確高效識別和產狀信息快速提取，結構面識別結果與工程實際吻合。

3） 巖質高邊坡結構面識別及產狀統計信息采集方法可獲取高邊坡結構面數量、產狀信息及其統計特征，大部分結構面傾角和傾向概率分布與實測數據擬合較好，為高邊坡裂隙網絡模型構建及穩定性分析提供了重要數據來源。

4） 下一步將繼續開展巖質高邊坡結構面網絡模型構建和邊坡穩定性與可靠度分析，并揭示結構面分布對邊坡穩定性的影響機制，最終實現科學指導水利水電工程、公路和露天礦邊坡的防護與安全運行，降低邊坡支護成本和失穩破壞造成的潛在損失。

參考文獻（References）：

[ 1 ]程昊，唐輝明，孫淼軍，等. 基于半跡長測線法的巖體結構面全跡長概率分布及平均跡長新算法[J]. 巖石力學與工程學報，2013，32（增刊2）：3073-3082.

CHENG Hao， TANG Huiming， SUN Miaojun， et al.New algorithm to determine rock mass discontinuitytrace length probabilistic distribution and mean tracelength based on semi-trace scanline surveys[J]. ChineseJournal of Rock Mechanics and Engineering， 2013，32（S2）：3073-3082.

[ 2 ]黃磊. 測線取樣法引起的巖體結構面幾何偏差糾正[D]. 武漢：中國地質大學，2014.

HUANG Lei. Correction of geometric deviation of rockmass structural plane caused by survey line samplingmethod[D]. Wuhan： China University of Geosciences，2014.

[ 3 ]朱合華，潘柄屹，武威，等. 巖體結構面信息采集及識別方法研究進展[J]. 應用基礎與工程科學學報，2023，31（6）：1339-1360.

ZHU Hehua， PAN Bingyi， WU Wei， et al. Review oncollection and extraction methods of rock massdiscontinuity information[J]. Journal of Basic Scienceand Engineering，2023，31（6）：1339-1360.

[ 4 ]王巖，馬宏偉，王星，等. 基于迭代最近點的井下無人機實時位姿估計[J]. 工礦自動化，2019，45（9）：25-29.

WANG Yan， MA Hongwei， WANG Xing， et al. Realtimepose estimation of underground unmanned aerialvehicle based on ICP method[J]. Industry and MineAutomation，2019，45（9）：25-29.

[ 5 ]高海躍，王凱，王保兵，等. 基于全局點云地圖的煤礦井下無人機定位方法[J]. 工礦自動化，2023，49（8）：81-87，133.

GAO Haiyue， WANG Kai， WANG Baobing， et al.Positioning method for underground unmanned aerialvehicles in coal mines based on global point cloudmap[J]. Journal of Mine Automation， 2023， 49（8） ：81-87，133.

[ 6 ]趙明宇，王鳳艷，王明常，等. 基于無人機攝影測量的巖體結構面信息獲取[J]. 工程地質學報，2018，26（增刊1）：480-487.

ZHAO Mingyu， WANG Fengyan， WANG Mingchang，et al. Rock mass discontinuity acquisition based onphoto-grammetry of UAV[J]. Journal of EngineeringGeology，2018，26（S1）：480-487.

[ 7 ]熊開治，任志遠，趙亞龍，等. 基于無人機航測的丹霞地貌區危巖結構面識別與三維裂隙網絡模型——以重慶四面山景區為例[J]. 中國地質災害與防治學報，2021，32（5）：62-69.

XIONG Kaizhi， REN Zhiyuan， ZHAO Yalong， et al.Identification of dangerous rock structural planes andfracture network model in Danxia landform based onUAV aerial survey： a case study at Simianshan scenicarea of Chongqing[J]. The Chinese Journal ofGeological Hazard and Control，2021，32（5）：62-69.

[ 8 ]李水清，張慧超，劉乳燕. 無人機攝影測量半自動統計巖體結構面產狀[J]. 科學技術與工程，2017，17（26）：18-22.

LI Shuiqing， ZHANG Huichao， LIU Ruyan. Semiautomaticallycounting orientations of rock mass structuralplane based on unmanned aerial vehiclephotogrammetry[J]. Science Technology and Engineering，2017，17（26）：18-22.

[ 9 ]沙鵬，孔德珩，王紹亮，等. 高陡邊坡巖體結構信息無cca24BjJPjxGpEIR1TgBXQ==人機識別與離散元數值模擬[J]. 工程地質學報，2022，30（5）：1658-1668.

SHA Peng， KONG Deheng， WANG Shaoliang， et al.Identification of rockmass discontinuities and 3d discreteelement modeling of high slope based on unmannedaerial vehicle photogrammetry[J]. Journal ofEngineering Geology，2022，30（5）：1658-1668.

[10]賈曙光，金愛兵，趙怡晴. 無人機攝影測量在高陡邊坡地質調查中的應用[J]. 巖土力學， 2018， 39（3） ：1130-1136.

JIA Shuguang， JIN Aibing， ZHAO Yiqing. Applicationof UAV oblique photogrammetry in the field of geologysurvey at the high and steep slope[J]. Rock and SoilMechanics，2018，39（3）：1130-1136.

[11]張愷，伍法權，沙鵬，等. 基于無人機傾斜攝影的礦山邊坡巖體結構編錄方法與工程應用[J]. 工程地質學報，2019，27（6）：1448-1455.

ZHANG Kai，WU Faquan，SHA Peng，et al. Geologicalcataloging method with oblique photo-graphy of UAVfor open-pit slope and its application[J]. Journal ofEngineering Geology，2019，27（6）：1448-1455.

[12]LIU Yongqiang， CHEN Jianping， TAN Chun， et al.Intelligent scanning for optimal rock discontinuity setsconsidering multiple parameters based on manifoldlearning combined with UAV photogrammetry[J].Engineering Geology， 2022， 309. DOI： 10.1016/j.enggeo.2022.106851.

[13]RIQUELME A J， ABELLáN A， TOMáS R， et al. Anew approach for semi-automatic rock mass jointsrecognition from 3D point clouds[J]. Computers &Geosciences，2014，68：38-52.

[14]COVER T， HART P. Nearest neighbor patternclassification[J]. IEEE Transactions on InformationTheory，1967，13（1）：21-27.

[15]LATO M J， DIEDERICHS M S， HUTCHINSON D J.Bias correction for view-limited lidar scanning of rockoutcrops for structural characterization[J]. RockMechanics and Rock Engineering，2010，43（5）：615-628.

[16]RENCHER A C， CHRISTENSEN W F. Methods ofmultivariate analysis[M]. Hoboken：Wiley，2012.

[17]ESTER M， KRIEGEL H P， SANDER J， et al. Adensity-based algorithm for discovering clusters in largespatial databases with noise[C]. 2nd InternatinalConference on Knowledge Discovery and Data Mining，Portland， 1996.

[18]TONINI M， ABELLAN A. Rockfall detection fromterrestrial LiDAR point clouds： a clustering approachusing R[J]. Journal of Spatial Information Science，2014（8）：95-110.

[19]何曠宇. 基于無人機貼近攝影高陡邊坡巖體表面信息識別方法[D]. 長沙：湖南大學，2021.

HE Kuangyu. Study of rock mass surface informationidentification in high steep slopes based on nap-of-theobjectphotography[D]. Changsha： Hunan University，2021.

[20]郭戈. 基于三維激光掃描技術的巖體結構面識別與巖體完整性評價研究[D]. 宜昌：三峽大學，2023.

GUO Ge. Study on rock mass structural planeidentification and rock mass integrity evaluation basedon 3D laser scanning technology[D]. Yichang： ChinaThree Gorges University，2023.

[21]葉震，許強，劉謙，等. 無人機傾斜攝影測量在邊坡巖體結構面調查中的應用[J]. 武漢大學學報（信息科學版），2020，45（11）：1739-1746.

YE Zhen， XU Qiang， LIU Qian， et al. Application ofunmanned aerial vehicle oblique photogrammetry toinvestigation of high slope rock structure[J]. Geomaticsand Information Science of Wuhan University， 2020，45（11）：1739-1746.

[22]陳昌富，何曠宇，余加勇，等. 基于無人機貼近攝影的高陡邊坡結構面識別[J]. 湖南大學學報（自然科學版），2022，49（1）：145-154.

CHEN Changfu， HE Kuangyu， YU Jiayong， et al.Identification of discontinuities of high steep slope basedon UAV nap-of-the-object photography[J]. Journal ofHunan University （Natural Sciences） ， 2022， 49（1） ：145-154.

基金項目：國家自然科學基金優秀青年科學基金項目（52222905）； 江西省自然科學基金資助項目（20232ACB204031，20224ACB204019）；江西省水利科技計劃資助項目（202325ZDKT07， 202426ZDKT12）。