本文摘要：摘要：激光雷达测量(LiDAR)技术是一种先进的主动式遥感测量手段，具备多次回波且成像点云可滤除植被的特点，该技术在几乎无植被覆盖的矿山地质调查、道路巡检等方面有了一定的应用，但在植被覆盖区的地质灾害或地质灾害隐患识别方面的研究还有待进一步深入。针对江苏省
摘要：激光雷达测量(LiDAR)技术是一种先进的主动式遥感测量手段，具备多次回波且成像点云可滤除植被的特点，该技术在几乎无植被覆盖的矿山地质调查、道路巡检等方面有了一定的应用，但在植被覆盖区的地质灾害或地质灾害隐患识别方面的研究还有待进一步深入。针对江苏省山区植被覆盖茂盛、地质灾害隐蔽性强的特点，以宜兴市竹海风景区公路旁一处道路边坡为研究对象，基于无人机机载LiDAR低空测取的高密度激光点云数据，使用Terrasolid的Terrascan模块进行滤波处理，得到剥离植被后的地面点云，进而利用Arcgis10.6生成DEM、等高线图和一系列数字地形分析图件，并据此分析和解译出该边坡区一处隐蔽滑坡的各种地表参数信息。结果表明：该滑坡体平面上呈现典型的圈椅状地貌，面积为930m2，长为91m，宽为19m，平均地表坡度为35°，滑坡体主滑方向为南偏西6°，为公路切坡诱发的小型土质滑坡;滑坡体的滑坡前、后缘高差为10.1m，滑坡后壁高差为1.9～3.1m，中部滑坡台阶宽度为3.5～6.2m。该研究不仅总结出一套针对植被覆盖区小型地质灾害进行机载激光雷达快速识别的技术流程，同时也为植被茂密区相对隐蔽地质灾害隐患的调查及防灾减灾提供了思路。
关键词：机载LiDAR技术;植被覆盖区;地质灾害识别;激光点云处理;植被滤除;数字地形分析
机载激光雷达是遥感手段中的激光成像测量系统，以飞机(本次研究采用无人机)或车辆为载具对地面沿着航线进行垂直扫描，记录距离数据和其他信息，生成高精度的激光点云数据以及强度信息和光谱信息。国内学者利用激光雷达测量(LiDAR)技术开展了多个领域的应用研究，如：陈鼎等[1]利用LiDAR技术对铁路边坡形变进行了监测，可为后期铁路边坡的维护和加固提供较为准确的资料，预防边坡坍塌事件。
激光论文范例：基于激光雕刻技术的陶瓷超疏水表面制备
陈洁[2]基于机载LiDAR技术分析和总结了断裂构造的点云特征，利用断裂的线性延伸、高程异常和坡度异常的特点，运用合适的算法自动提取了断裂构造信息;何柯璐等[3]采用LiDAR技术对采煤沉陷盆地进行地面扫描和建模，提出了基于格网高程排序的类地面点云提取算法，构建了精度更高的矿区开采沉陷模型;杜磊等[4]基于LiDAR技术获取了三峡库区张家湾地区的点云数据，并通过对点云数据进行加工处理，成功地识别出滑坡体，并提取了滑坡体重要的参数。
在国外很多学者基于机载LiDAR技术开展了针对滑坡、泥石流的地质灾害调查，如：Mezaal等[5]基于LiDAR技术，提出了基于相关的特征选择(CFS)算法用来识别滑坡并判别滑坡类型;Pourghasemi等[6]通过人工神经网络算法，基于机载激光点云数据进行了滑坡易发性分析与预警;Booth等[7]利用LiDAR重复扫描获取了一处滑坡的变形区域，并分析了滑坡的发生机理。虽然LiDAR技术已经在铁路边坡监测、地质构造调查以及滑坡体识别等方面有了一定的研究，但是对于植被覆盖区的地质灾害或地质灾害隐患识别的研究仍有待进一步深入。
激光雷达点云具有部分穿透植被的多次回波功能，可以快速且精准地构建研究区的真实数字高程模型(DEM)，从而进行数字地形分析并识别出研究区内植被以下的地质灾害或地质灾害隐患。传统的激光雷达多以直升机载或者车载，其优点是单次扫描任务面积大，但由于激光雷达距离地面较远且行进速度大，得到的激光点云较为稀疏，通常只有2～3pts/m2，滤波处理后得到剥离植被后的地面点云则密度更小，难以达到对小型地质灾害进行识别的目的。
针对江苏省山区植被覆盖茂盛、地质灾害隐蔽性强的特点，本文采用无人机搭载激光雷达，在离地80m左右的位置对研究区进行扫描，得出的地面点云密度可达400～500pts/m2，能够精准地识别出江苏省植被覆盖区小型地质灾害的一系列参数，可为后期防灾减灾工作提供重要依据。
1机载LiDAR技术
1.1机载LiDAR技术的优势与特点一直以来，传统的光学遥感技术，如光学卫星、无人机倾斜摄影三维建模等，在地质灾害调查中发挥了较大的作用，但是这些技术方法不能穿透植被，无法快速获取植被以下的真实地面信息。而机载LiDAR是通过仪器主动发射的脉冲信号，可部分穿透植被到达地表，通过点云去噪、滤波，剔除植被，可快速构建高精度地形地貌，免地面控制点数据相对精度可达厘米级。
机载激光雷达测量(LiDAR)系统主要由激光雷达扫描仪、GNSS/INS定位测姿系统(POS)、存储控制单元三大部分组成。其中，激光扫描仪包括扫描仪、测距单元和控制单元，主要用于测量扫描仪和地物之间的距离;GNSS与INS主要用于测定激光雷达在空中的位置及五轴飞行姿态;存储控制单元用于快速存储激光雷达获取的各项原始数据。三者的有机结合就能根据载具的位置反算出激光点云的精确三维坐标。
1.2机载LiDAR数据处理技术流程
激光雷达数据测量作业的生产环节，主要包括航线设计、激光雷达数据采集、数据预处理、点云解算以及DEM、等高线和数字地形分析图件制作等。(1)航线设计。本文采用在专业地图软件平台上勾画航线，并在飞行器遥控器上根据等高线设计飞行高度、飞行速度以及转弯半径的方法进行航线设计。设计飞行高度为相对高度80m，航线起始端进行8字飞行，航带旁向重复率大于10%。(2)研究区激光雷达数据采集。本文采用大疆经纬M300RTK无人机搭载GS-MID40激光雷达扫描系统获取研究区点云数据，同时辅以千寻星矩SR3专业级GNSS接收机(地面基站)获取当地的坐标和高程数据。
(3)数据预处理。本文使用GS-MID40激光雷达扫描系统适用的软件对原始点云数据进行预处理，得到通用格式点云数据。(4)点云解算。本文使用Mircrostation+Ter-raSolid软件中的TerraScan模块对点云数据进行处理。首先进行航带校正、数据检校消除误差;其次对校正后的点云进行滤波、分类，得到滤除植被后的地面点云。 (5)DEM制作及后处理。本文在ArcGIS平台中使用相应的工具生成滤除植被后的DEM，并生成山体阴影、地表坡度、地表粗糙度和地形起伏度等数字地形分析图件，最后对地质灾害体进行识别和分析。
2研究区概况与研究方法
2.1研究区概况
本文以江苏省无锡市宜兴竹海风景区公路旁一 处道路边坡为研究区，其地理坐标为东经119°42′35.39″、北纬31°09′54.30″，区内堆积体较厚，下伏基岩为泥盆纪观山组石英砂岩，道路位于半山腰处，南侧已发生过滑坡，目前已经得到治理。但由于植被覆盖密度大，传统的光学卫星、倾斜摄影等遥感手段都无法识别植被覆盖层以下的地质灾害。本次采用激光雷达探测发现研究区新滑坡体，其位于道路北侧植被茂密区。
2.2研究方法
首先利用无人机机载LiDAR低空测取研究区高密度激光点云数据;然后通过Microstation+Terrasolid软件，对点云数据进行滤波处理，得到剥离植被后的地面点云;再基于地面点云，在ArcGIS中生成研究区的DEM，并由DEM二次生成等高线图、多视角山体阴影图、地形坡度图、地表粗糙度图和地形起伏度图等数字地形分析图件;最后利用点云剖面和数字地形分析图，完成植被覆盖区地质灾害体的识别和分析。
3机载LiDAR数据获取与处理
3.1数据获取
本次研究利用机载激光雷达系统和相应的地面基站，获取了研究区的遥感数据，包括：激光雷达数据，即GNSS、INS、测距扫描角、强度时间;基站数据，即坐标、绝对高程和姿态数据。由于研究区位于低山丘陵区，海拔在150～240m之间，区域内大部分面积为竹林所覆盖，故综合考虑地貌、气象、飞行安全及应用需求等因素，飞行高度设定为240～320m之间，飞行速度设定为4m/s，旁向重复率高于10%，数据量为100000pts/s，实际航测面积为66208m2，激光点云密度为487.3pts/m2，远高于以往研究所采用的有人机机载LiDAR。
3.2数据处理
3.2.1数据预处理
获取的研究区LiDAR数据并不能直接地进行解算，需要先在与GS-MID40激光雷达扫描系统配套的数据处理软件中将原始点云数据转换为可以在TerraSolid软件中适用的格式，即Las格式点云文件。首先在配套的数据处理软件中将“.dat”格式的流文件分拣为解算所需的文件;然后新建工程文件，导入相关文件，输入基站信息，差分后显示差分定位结果，输出GNSS文件;再使用输出的GNSS文件并添加INS文件，处理得到GNSS/INS组合结果POS文件;最后采用配套软件处理获得的激光数据和GNSS/INS组合结果POS文件进行点云计算，并输出Las格式点云文件。
3.2.2数据后处理
3.2.2.1点云数据处理
(1)点云数据噪声去除。在TerraSolid软件的TerraScan模块中将预处理得到的Las格式点云数据进行后续的点云解算，具体点云解算及后续的DEM。由于受仪器误差和偶然误差的影响，获取的点云数据坐标会产生偏移，因此在滤波分类前需进行航带校正和数据检校，以消除误差，提高数据精度。然后裁剪掉与所需滑坡信息无关的点云，即缩小范围，避免在解算过程中由周围临近点云引起的精度不高的问题。
(2)点云滤波获取地面点。在精确点云范围后，开始进行滤波分类。首先对点云数据采用手动编辑的方式去除明显的噪点和孤点;然后采用点云滤波处理剔除由于植被影响的多次回波现象形成的不规则形状和因激光脉冲的折射、多路径效应等引起的点云x、y、z值异常而产生的噪点;最后通过软件自动分类算法，将点云数据分成若干类别。由于滤波后的目标产品是DEM，故只需要得到准确的地面点云数据[10]，因此将点云数据自动分成地面、低点、重叠点等几类。
TerraScan模块地面点的分类是基于Axelsson[11]提出的不规则三角网滤波算法实现的，可以得到高精度的地面点。该算法以局部 高程最低点作为种子点构建TIN网格，通过计算待定点到三角形各节点的坡度值和到三角形平面的距离是否处于设定好的迭代阈值，来判断该点是否为地面点，若是地面点则利用该点重新构建TIN网格，并迭代加入地面点直至没有新的地面点被加入，结束滤波。
4地表形变信息提取与分析
4.1基于地面形态要素的滑坡识别原理
利用传统光学遥感工具进行滑坡识别，是基于滑坡在遥感图像中的梨形、舌形、簸箕形等典型坡面形态进行的[13]。在遥感解译中，根据这些图形特征便可以在遥感影像中大致圈定滑坡范围。利用机载LiDAR测得的点云数据具有厘米级精度，同时拥有滤除地表植被的功能，能够在植被覆盖的区域分离出地面点云。
基于机载LiDAR的滑坡识别，除了能够准确地识别传统光学遥感工具所能识别的典型地貌特征外，还增加了对滑坡微地貌的识别，能够清晰地识别其滑坡舌、滑坡壁、滑坡台阶和滑坡裂缝等地貌形态，达到精确判别滑坡类型和识别滑坡边界的效果。通常情况下滑坡具有如图7所示的全部或部分空间形态要素，遥感解译中，则主要是基于这些形态要素的识别来确认滑坡。
4.2基于山体阴影图和数字地形分析图的滑坡识别
利用遥感技术对地质灾害进行全面的调查，是地面调查的有效补充和辅助工具，而利用传统光学遥感卫星图像进行的遥感解译，其结果因受到植被覆盖的影响和图像精度的限制会存在较大的误差，在这种情况下，本文引入LiDAR技术对地质灾害进行识别。
4.2.1基于山体阴影图的滑坡范围识别
采用LiDAR数据生成的高精度DEM和利用ArcGIS软件的3DAnalyst扩展模块生成研究区一系列不同太阳方位角的山体阴影(Hill-shade)，作为地质灾害隐患识别的定性参数。
4.3基于点云地形剖面图的滑坡细节信息分析
基于高密度点云的地形剖面图能直观地表现出地面的起伏、地势的变化和地表坡度的陡缓，还能形象地显示出一个地区的地形类型及其特征。
5结论
本文运用无人机机载LiDAR技术对江苏省宜兴市竹海风景区公路旁一处道路边坡66208m2的研究区进行了高密度点云测取，最终测得原始点云密度为487.3pts/m2，滤波处理剥离植被后的地面点云密度为13pts/m2，远高于传统有人机机载LiDAR。
通过对点云数据的处理，获取了研究区内剥离植被后的DEM图、山体阴影图、地形起伏度图、地表坡度图和地表粗糙度图，并通过对地面点云多视角的观测和滑坡地形剖面图测量，结合山体阴 影图和数字地形图分析，圈定了江苏省宜兴市竹海风景区公路旁植被茂盛区一处滑坡的范围，获取了滑坡的相关基本信息：滑坡体平面上呈圈椅状，面积为930m2，长为91m、宽为19m，整体地表坡度为35°，滑坡体主滑方向为南偏西6°。
另根据滑坡地形剖面图可以看出，滑坡体的滑坡前、后缘高差为10.1m，滑坡后壁高差为1.9～3.1m，滑坡台阶宽度为3.5～6.2m。在以往的地质灾害调查过程中，传统的光学遥感技术以及无人机低空航拍遥感不能穿透植被，不能获取植被覆盖区以下真实的地表(形变)信息，且数据的几何精度受地形地貌、传感器类型、天气因素等的影响较大。
而机载LiDAR技术是利用激光仪器主动发射脉冲信号，可部分穿透植被到达地面，通过点云数据去噪、滤波，剔除植被点云层数据后，快速构建与重现高精度的地面形态，并提供地面变形迹象信息，且在无地面控制点情况下数据的相对精度可达厘米级。本文利用无人机机载激光雷达可滤除植被的二次回波特点以及其点云高密度的特性，在低山丘陵植被覆盖区进行斜坡体变形迹象的地面信息读取，从而达到对植被茂密区地质灾害隐患早期识别的目的，极具实用性和创新性，能够为地质灾害的地面详查提供极为有效的技术支撑。
参考文献：
[1]陈鼎，李文.LiDAR技术在铁路边坡监测中的应用研究[J].工程建设与设计，2020(22)：237-238.
[2]陈洁.机载LiDAR技术在断裂构造解译中的应用研究[D].北京：中国地质大学(北京)，2013.
[3]何柯璐，汤伏全，韦书平，等.机载激光点云构建西部矿区开采沉陷模型研究[J].测绘科学，2021，46(2)：130-138.
[4]杜磊，陈洁，李敏敏，等.机载激光雷达技术在滑坡调查中的应用———以三峡库区张家湾滑坡为例[J].国土资源遥感，2019，31(1)：180-186.
[5]MezaalMR，PradhanB.Animprovedalgorithmforidentifyingshallowanddeep-seatedlandslidesindensetropicalforestfromairbornelaserscanningdata[J].Catena，2018，167：147-159.
[6]PourghasemiHR，RahmatiO.Predictionofthelandslidesuscep-tibility：Whichalgorithm，whichprecision?[J].Catena，2018，162：177-192.
[7]BoothAM，McCarleyJ，HinkleJ，etal.Transientreactivationofadeep-seatedlandslidebyundrainedloadingcapturedwithre-peatairborneandterrestriallidar[J].GeophysicalResearchLet-ters，2018，45(10)：4841-4850.
[8]陈松尧，程新文.机载LIDAR系统原理及应用综述[J].测绘工程，2007，16(1)：27-31.
作者：彭艺伟1，董琦1，田冲2，陈刚3，孟小军1，曾斌1*
转载请注明来自发表学术论文网：http://www.fbxslw.com/jjlw/28889.html
