基于無人機航測的滑坡穩(wěn)定性動態(tài)分析

邢 燁

(廣東省重工建筑設(shè)計院有限公司,廣東 廣州,510700)

0 引言

我國國土面積遼闊,且具有較為復(fù)雜的地貌,包含平原、山地、高原、丘陵及盆地五大特征。其中,近75%的地區(qū)處于山區(qū)[1],而山區(qū)是地質(zhì)災(zāi)害的主要發(fā)生地,山體滑坡、泥石流又是地質(zhì)災(zāi)害中發(fā)生率最高、對人們生命財產(chǎn)威脅最大的一種?；率侵冈诰哂幸欢ㄆ露鹊膮^(qū)域,由于雨水浸泡、地震或者人為活動導(dǎo)致坡體內(nèi)部出現(xiàn)結(jié)構(gòu)性變化,使其出現(xiàn)脆弱性面積,無法再為外部宏觀結(jié)構(gòu)提供有力支撐,受重力影響,外圍坡面開始分散向坡下無規(guī)則滑動,引發(fā)災(zāi)害[2]。據(jù)不完全統(tǒng)計,我國每年因滑坡災(zāi)害經(jīng)濟受損高達近60億元人民幣,受災(zāi)人數(shù)近100萬人[3]。因此,對山體滑坡隱患的提前預(yù)警及監(jiān)測工作被放在極其重要的位置?；卤O(jiān)測是提前利用一定技術(shù)捕捉并實時觀測重點區(qū)域的細(xì)微形變規(guī)律,并向外界傳遞信息提供警示,達到提前預(yù)防的目的[4]。最初滑坡監(jiān)測工作需要人為使用全站儀、滑坡預(yù)警伸縮儀、建立衛(wèi)星接收站等方式獲取監(jiān)測地點的相關(guān)狀態(tài)信息[5-7],這些傳統(tǒng)方法雖然成本較低,操作簡單,但或多或少存在人力物力的大量消耗或連續(xù)觀測能力較差、監(jiān)測期短或易受地形及氣象條件約束等不足之處,具有一定的局限性,且作業(yè)人員自身無法得到足夠保障,存在一定的安全隱患。

近年來,隨著經(jīng)濟與科技的不斷發(fā)展,非接觸式的滑坡監(jiān)測技術(shù)逐漸成為熱門研究對象,主要包括三維激光技術(shù)、合成干涉雷達測量技術(shù)及近景攝影監(jiān)測技術(shù)。其中,三維激光技術(shù)可通過激光掃描快速獲取目標(biāo)山體上的地物、地貌等幾何信息,經(jīng)數(shù)字化處理后獲得高精度點云數(shù)據(jù),再利用數(shù)學(xué)建模方法對山體結(jié)構(gòu)重構(gòu),進一步在非接觸的情況下對其進行相關(guān)計算和分析[8]。合成干涉雷達測量技術(shù)是利用在同一軌道或者相鄰近的軌道的衛(wèi)星對目標(biāo)區(qū)域拍攝合成孔徑雷達(synthetic aperture radar,SAR)影像,因為山體隨著時間推移不斷發(fā)生形變,因此需要拍攝不同時期的SAR影像,通過對SAR圖像差分處理計算形變量,實現(xiàn)滑坡監(jiān)測[9]。近景攝影監(jiān)測技術(shù)則是利用無人機對監(jiān)測地區(qū)航攝獲取目標(biāo)的影像信息,通過解算構(gòu)建數(shù)字高程模型、數(shù)字正射影像(digital orthophoto map,DOM)等制作高精度的目標(biāo)物三維模型,再進一步做差分處理實現(xiàn)滑坡監(jiān)測[10]。但三維激光技術(shù)對掃描距離有一定的限制,同時目標(biāo)區(qū)域過大時,大量的點云數(shù)據(jù)處理極為復(fù)雜;合成干涉雷達測量技術(shù)雖然分辨率及精度很高,但耗費成本較高,難以做到大面積推廣;近景攝影監(jiān)測技術(shù)成本低,操作方便、使用場景靈活且兼顧高精度,已成為目前最受歡迎的滑坡檢測方式之一[11]。

本文采用無人機近景攝影監(jiān)測技術(shù)獲取目標(biāo)區(qū)域的遙感影像,圖像采集階段使用大疆Phantom 4 RTK無人機系統(tǒng)其中,RTK是實時動態(tài)載波相位差分技術(shù)(real-time kinematic)。相關(guān)數(shù)據(jù)處理后,使用K最近鄰算法對形變區(qū)域進行分類提取,比較其分類精度,并驗證無人機近景攝影監(jiān)測技術(shù)在滑坡監(jiān)測應(yīng)用中的實用性。

1 滑坡穩(wěn)定性評估方案

1.1 面向?qū)ο蟮幕路治龇椒?/h3>

本文使用一種面向?qū)ο蟮膱D像分類方法,利用滑坡對象之間的語義關(guān)系對滑坡邊界及地形情況進行詳細(xì)描述,用于對滑坡危險區(qū)域提取。面向?qū)ο蟮幕路治龇椒ǚ譃閳D像分割和圖像分類兩個階段,本文在分割階段將滑坡特征要素作為興趣對象進行分割任務(wù)。而在分類過程中主要使用機器學(xué)習(xí)分類算法完成滑坡檢測工作,本文采用K最近鄰算法完成分類任務(wù)。實驗平臺使用eCognition 9.0軟件進行,其作為一款面向?qū)ο蟮纳逃眠b感軟件,可以模擬人腦對影像信息的提取流程,將地物特征中的幾何特征、紋理特征、顏色、光譜數(shù)據(jù)、空間信息進行提取分類工作。本文采取的面向?qū)ο蟮谋碚魉惴▉頇z測和描述滑坡和非滑坡體需要從正射影像出發(fā),用紅綠藍光譜指數(shù)的平均值構(gòu)成單個光譜層。隨后使用數(shù)字地表模型(digital surface model,DSM)數(shù)據(jù)構(gòu)建多個主題數(shù)據(jù)集作為輸入輔助層,用以分別描述滑坡危險特征:山陰、曲率(剖面)、坡角和坡向。分割過程中使用K最近鄰算法完成圖像分級分類任務(wù),下面將對該算法原理進行介紹。

1.2 K最近鄰算法原理

K最近鄰算法(K-nearest neighbor,KNN)在1965年被提出,是一種有監(jiān)督學(xué)習(xí)方法,屬于機器學(xué)習(xí)領(lǐng)域中原理較為簡單的一種方法,在解決分類問題或者回歸問題時均可用到[12]。KNN算法用作分類時的基本思想為:將某一未知標(biāo)簽的測試樣本放入所有已知標(biāo)簽的樣本集中,并將其作為參考,該未知標(biāo)簽的類別是具有唯一性的;不同類別之間的相似程度是依靠距離作為評價標(biāo)準(zhǔn),KNN算法一般采用歐式距離公式計算距離,并參考“投票選舉”的方式,根據(jù)“少數(shù)服從多數(shù)”原則進行類別劃分,即把前K個已知標(biāo)簽樣本中距離最近且占比最多的樣本直接作為該未知樣本的標(biāo)簽,通常情況下K值的選取不宜過大。KNN算法的優(yōu)點在于原理較為簡單,沒有復(fù)雜的模型參數(shù),排除了模型對原始數(shù)據(jù)的假設(shè)性影響;它屬于一種惰性算法,幾乎不需要花費時間進行模型訓(xùn)練,且適用于多類別分類問題[13]。

(1)

式中,L(hi,hj)表示兩個樣本之間的歐式距離,具體計算步驟如下:

(1)確定訓(xùn)練集并對特征空間劃分類別。

(2)計算某一測試樣本與每個已知標(biāo)簽樣本的距離,按照距離由小到大進行排序。

(3)確定K值,并選擇距離最近的前K個已知標(biāo)簽樣本并劃分類別。

(4)分別計算每個類別的占比權(quán)重,占比最高的類別即劃定為該測試樣本的類別。

1.3 穩(wěn)定性動態(tài)分析

經(jīng)過對滑坡體長期監(jiān)測和研究發(fā)現(xiàn),滑坡體往往是由多部分組成。其中,主要由滑坡源和沉積巖石區(qū)域、穩(wěn)定區(qū)域、植被覆蓋區(qū)、危險區(qū)域下道路等多種屬性地貌特征要素組成[14]。陡坡部分是形成滑坡隱患及出現(xiàn)坡體不穩(wěn)定的重要發(fā)育位置,滑坡地質(zhì)構(gòu)造結(jié)構(gòu)是導(dǎo)致滑坡發(fā)生的主要原因,在滑坡發(fā)育基本階段因為降雨條件下土體含水率達到了失穩(wěn)條件,產(chǎn)生了正常的滑坡現(xiàn)象或者受持續(xù)降雨或短期強降雨影響,已發(fā)生滑動的滑體呈流體狀匯聚移動,均可以作為評判滑坡體臨界狀態(tài)[15]。為完成對滑坡體穩(wěn)定性的分析,現(xiàn)使用流固耦合分析模型對降雨中滑坡隱患點穩(wěn)定性進行模擬,完成對滑坡信息提取后完成對穩(wěn)定性動態(tài)分析。

2 無人機航測與數(shù)據(jù)處理

為實現(xiàn)對無人機影像滑坡數(shù)據(jù)處理與識別工作主要需要完成以下過程:①實地航飛數(shù)據(jù)收集;②識別數(shù)據(jù)預(yù)處理;③滑坡對象識別和表征;④數(shù)據(jù)表示和可視化。針對本次實驗數(shù)據(jù)采集工作采用大疆Phantom 4 RTK無人機系統(tǒng)進行,該系統(tǒng)配備了1英寸CMOS的2000萬有效像素鏡頭。能夠滿足實驗需要的數(shù)據(jù)采集任務(wù),其內(nèi)置RTK模塊可提供航攝過程中定位數(shù)據(jù),實時反饋無人機飛行狀態(tài)。此飛行系統(tǒng)因為其使用方便,運行成本低深受測繪從業(yè)人員喜愛,滑坡測區(qū)數(shù)據(jù)采集工作僅需要在航線規(guī)劃上按照交叉方式設(shè)置兩次飛行,可獲取全面覆蓋陡坡的航測影像數(shù)據(jù)。數(shù)據(jù)采集流程主要包括了:飛行前首先需要確定測區(qū)范圍規(guī)劃好飛行路線、針對測區(qū)規(guī)劃航線、數(shù)字正射影像(digital orthophoto map,DOM)和數(shù)字地表模型(digital surface model,DSM)數(shù)據(jù)生成,后期分析階段數(shù)據(jù)采用DSM進行。

圖1 無人機航測數(shù)據(jù)采集及處理流程

在進行面向影像對象分類過程時,為提升分類結(jié)果的準(zhǔn)確性,第一步需要將影像數(shù)據(jù)完成合適的分割,此過程需要將影像相似特征區(qū)域分別分割出來,分割效果是直接用影像分類算法完成地物地貌提取效果,對于分割參數(shù)選擇實驗分析中進行介紹。通過多次分類實驗表明K最近鄰算法能夠較好地完成分類任務(wù)。

本次數(shù)據(jù)采集由大疆Phantom 4 RTK無人機進行,設(shè)計飛行高度設(shè)置為60 m,以恒定飛行姿態(tài)共采集數(shù)據(jù)112張圖片,航線設(shè)計須保持75%航向重疊和80%的旁向重疊,保證了對滑坡體細(xì)節(jié)數(shù)據(jù)的采集工作。隨后開始三維模型建模工作:使用三維重建的離線算法(structure from motion,SFM)完成對坡體三維重建數(shù)據(jù)處理,獲得待測坡體的DSM、三維點云數(shù)據(jù)、正射影像以及網(wǎng)格數(shù)據(jù)。在圖像分割過程中選取三個不同的分割參數(shù),用以分別表示對象層次結(jié)構(gòu)中三個相互關(guān)聯(lián)的層次,其中L1級為最優(yōu)分割效果,L2級為中等水平,L3級則分割的較為粗糙。在系數(shù)選擇方面,在緊致系數(shù)選擇上三等級均使用0.5,形狀系數(shù)則分別使用0.4。故對滑坡與非滑坡進行分類為L3級別,L2級別完成如陡坡、沉積和植被等等次級分類,而L1類別需要完成如道路、海岸線等配套公共設(shè)施的分類。其中,各類別相互關(guān)聯(lián)。

從圖2可以看出,該區(qū)域內(nèi)構(gòu)造活動強烈,使得巖體結(jié)構(gòu)形成傾斜,陡坡斜度在40°～50°并且遭受了持續(xù)的退沖侵蝕,從平面滑動和不同程度巖崩的復(fù)雜情況來看,該滑坡體與下方裸露巖石帶最大寬度分別為26 m和119 m。整個滑坡投影面積為24 872 m2,最大滑動距離為85 m,高度為0～95 m。在第一級分類中,首先將滑坡場地根據(jù)分割條件完成滑坡和非滑坡分割。第二級別分類將滑坡類別中陡坡和巖石帶子類進行區(qū)別,在非滑坡類別,最先解決植被分割,將其作為非危險要素進行分類。最后將道路信息分割完成。分類精度如表1所示。

表1 滑坡體影像分類精度

圖2 待測區(qū)域及無人機飛行路徑以及該區(qū)域分類效果圖

對滑坡體進行調(diào)查分類后,使用工程模擬的有限元軟件——ABAQUS軟件,完成對降雨入滲條件下混合土質(zhì)邊坡響應(yīng)的流固耦合分析,為模擬降雨持續(xù)過程選用特大暴雨等級降雨對同等條件下的滑坡體進行模擬結(jié)果,如圖3所示。

(a)降雨前

圖3可以得出該在滑坡體仿真模型中在施加降雨后坡體內(nèi)含水量已經(jīng)達到飽和狀態(tài),其中對坡體形變信息進行分析,發(fā)現(xiàn)形變量在坡腳位置達到最大,于是開始對該滑坡體動態(tài)穩(wěn)定過程進行分析,即對降雨各階段滑坡安全系數(shù)進行總結(jié)評價。結(jié)果如圖4所示。

(a)模擬持續(xù)降雨量

圖4(a)表示對模型施加的持續(xù)降雨時間和降雨量,在降雨發(fā)生過程中對于滑坡體穩(wěn)定性進行持續(xù)評估,降雨過程會使得土壤含水量逐漸上升直至達到飽和狀態(tài)。隨著坡體含水量達到飽和,坡體安全性會出現(xiàn)持續(xù)性降低,直至下降到拐點位置,此時該滑坡體已經(jīng)達到了失穩(wěn)狀態(tài)。此模型可根據(jù)實際現(xiàn)場情況精細(xì)化建模處理,為完成基于無人機滑坡隱患識別后的滑坡穩(wěn)定性動態(tài)監(jiān)測提供條件。

3 結(jié)束語

本文通過使用一種面向?qū)ο蟮臒o人機影像識別方法,對某一滑坡體邊界與組成進行分類調(diào)查,隨后對影像滑坡體內(nèi)信息進行穩(wěn)定性分析。將降雨作為滑坡誘發(fā)條件,并針對滑坡體的流固耦合模型建模進行分析,對各類降雨以及降雨時間與滑坡體安全系數(shù)之間建立關(guān)系,實現(xiàn)了從無人機航測對滑坡體調(diào)查工作再到對滑坡體穩(wěn)定性的動態(tài)穩(wěn)定性分析過程。實際應(yīng)用中,滑坡體區(qū)域可能較大,常規(guī)方法處理數(shù)據(jù)較為復(fù)雜,下一步可通過深度學(xué)習(xí)數(shù)據(jù)處理方法進一步提升圖像分析效率。