基于無人機航測的滑坡穩定性動態分析

邢 燁

(廣東省重工建筑設計院有限公司,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%的地區處于山區[1],而山區是地質災害的主要發生地,山體滑坡、泥石流又是地質災害中發生率最高、對人們生命財產威脅最大的一種?；率侵冈诰哂幸欢ㄆ露鹊膮^域,由于雨水浸泡、地震或者人為活動導致坡體內部出現結構性變化,使其出現脆弱性面積,無法再為外部宏觀結構提供有力支撐,受重力影響,外圍坡面開始分散向坡下無規則滑動,引發災害[2]。據不完全統計,我國每年因滑坡災害經濟受損高達近60億元人民幣,受災人數近100萬人[3]。因此,對山體滑坡隱患的提前預警及監測工作被放在極其重要的位置?；卤O測是提前利用一定技術捕捉并實時觀測重點區域的細微形變規律,并向外界傳遞信息提供警示,達到提前預防的目的[4]。最初滑坡監測工作需要人為使用全站儀、滑坡預警伸縮儀、建立衛星接收站等方式獲取監測地點的相關狀態信息[5-7],這些傳統方法雖然成本較低,操作簡單,但或多或少存在人力物力的大量消耗或連續觀測能力較差、監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,隨著經濟與科技的不斷發展,非接觸式的滑坡監測技術逐漸成為熱門研究對象,主要包括三維激光技術、合成干涉雷達測量技術及近景攝影監測技術。其中,三維激光技術可通過激光掃描快速獲取目標山體上的地物、地貌等幾何信息,經數字化處理后獲得高精度點云數據,再利用數學建模方法對山體結構重構,進一步在非接觸的情況下對其進行相關計算和分析[8]。合成干涉雷達測量技術是利用在同一軌道或者相鄰近的軌道的衛星對目標區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,實現滑坡監測[9]。近景攝影監測技術則是利用無人機對監測地區航攝獲取目標的影像信息,通過解算構建數字高程模型、數字正射影像(digital orthophoto map,DOM)等制作高精度的目標物三維模型,再進一步做差分處理實現滑坡監測[10]。但三維激光技術對掃描距離有一定的限制,同時目標區域過大時,大量的點云數據處理極為復雜;合成干涉雷達測量技術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;近景攝影監測技術成本低,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測技術獲取目標區域的遙感影像,圖像采集階段使用大疆Phantom 4 RTK無人機系統其中,RTK是實時動態載波相位差分技術(real-time kinematic)。相關數據處理后,使用K最近鄰算法對形變區域進行分類提取,比較其分類精度,并驗證無人機近景攝影監測技術在滑坡監測應用中的實用性。

1 滑坡穩定性評估方案

1.1 面向對象的滑坡分析方法

本文使用一種面向對象的圖像分類方法,利用滑坡對象之間的語義關系對滑坡邊界及地形情況進行詳細描述,用于對滑坡危險區域提取。面向對象的滑坡分析方法分為圖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。而在分類過程中主要使用機器學習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。實驗平臺使用eCognition 9.0軟件進行,其作為一款面向對象的商用遙感軟件,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、光譜數據、空間信息進行提取分類工作。本文采取的面向對象的表征算法來檢測和描述滑坡和非滑坡體需要從正射影像出發,用紅綠藍光譜指數的平均值構成單個光譜層。隨后使用數字地表模型(digital surface model,DSM)數據構建多個主題數據集作為輸入輔助層,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,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,是一種有監督學習方法,屬于機器學習領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:將某一未知標簽的測試樣本放入所有已知標簽的樣本集中,并將其作為參考,該未知標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準,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“少數服從多數”原則進行類別劃分,即把前K個已知標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簽,通常情況下K值的選取不宜過大。KNN算法的優點在于原理較為簡單,沒有復雜的模型參數,排除了模型對原始數據的假設性影響;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個已知標簽樣本并劃分類別。

(4)分別計算每個類別的占比權重,占比最高的類別即劃定為該測試樣本的類別。

1.3 穩定性動態分析

經過對滑坡體長期監測和研究發現,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域、穩定區域、植被覆蓋區、危險區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坡體不穩定的重要發育位置,滑坡地質構造結構是導致滑坡發生的主要原因,在滑坡發育基本階段因為降雨條件下土體含水率達到了失穩條件,產生了正常的滑坡現象或者受持續降雨或短期強降雨影響,已發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[15]。為完成對滑坡體穩定性的分析,現使用流固耦合分析模型對降雨中滑坡隱患點穩定性進行模擬,完成對滑坡信息提取后完成對穩定性動態分析。

2 無人機航測與數據處理

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

圖1 無人機航測數據采集及處理流程

在進行面向影像對象分類過程時,為提升分類結果的準確性,第一步需要將影像數據完成合適的分割,此過程需要將影像相似特征區域分別分割出來,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。

本次數據采集由大疆Phantom 4 RTK無人機進行,設計飛行高度設置為60 m,以恒定飛行姿態共采集數據112張圖片,航線設計須保持75%航向重疊和80%的旁向重疊,保證了對滑坡體細節數據的采集工作。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據處理,獲得待測坡體的DSM、三維點云數據、正射影像以及網格數據。在圖像分割過程中選取三個不同的分割參數,用以分別表示對象層次結構中三個相互關聯的層次,其中L1級為最優分割效果,L2級為中等水平,L3級則分割的較為粗糙。在系數選擇方面,在緊致系數選擇上三等級均使用0.5,形狀系數則分別使用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施的分類。其中,各類別相互關聯。

從圖2可以看出,該區域內構造活動強烈,使得巖體結構形成傾斜,陡坡斜度在40°～50°并且遭受了持續的退沖侵蝕,從平面滑動和不同程度巖崩的復雜情況來看,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 待測區域及無人機飛行路徑以及該區域分類效果圖

對滑坡體進行調查分類后,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邊坡響應的流固耦合分析,為模擬降雨持續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含水量已經達到飽和狀態,其中對坡體形變信息進行分析,發現形變量在坡腳位置達到最大,于是開始對該滑坡體動態穩定過程進行分析,即對降雨各階段滑坡安全系數進行總結評價。結果如圖4所示。

(a)模擬持續降雨量

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

3 結束語

本文通過使用一種面向對象的無人機影像識別方法,對某一滑坡體邊界與組成進行分類調查,隨后對影像滑坡體內信息進行穩定性分析。將降雨作為滑坡誘發條件,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之間建立關系,實現了從無人機航測對滑坡體調查工作再到對滑坡體穩定性的動態穩定性分析過程。實際應用中,滑坡體區域可能較大,常規方法處理數據較為復雜,下一步可通過深度學習數據處理方法進一步提升圖像分析效率。