CN115638772A - 基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法 - Google Patents

基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法 Download PDF

Info

Publication number
CN115638772A
CN115638772A CN202210987243.3A CN202210987243A CN115638772A CN 115638772 A CN115638772 A CN 115638772A CN 202210987243 A CN202210987243 A CN 202210987243A CN 115638772 A CN115638772 A CN 115638772A
Authority
CN
China
Prior art keywords
landslide
unmanned aerial
aerial vehicle
image data
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210987243.3A
Other languages
English (en)
Inventor
吕杰
夏永华
王丹丹
宗慧琳
王泽华
韩颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202210987243.3A priority Critical patent/CN115638772A/zh
Publication of CN115638772A publication Critical patent/CN115638772A/zh
Priority to LU504675A priority patent/LU504675B1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features

Abstract

本发明公开了基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法，涉及高山峡谷区滑坡灾害信息提取技术领域，包括如下步骤：步骤S10，无人机数据采集，包括影像数据与激光雷达数据；步骤S20，影像数据检查与质量评估；步骤S30，数据产品与三维场景生成；步骤S40，滑坡特征提取与灾害信息识别，滑坡类型及易发性分区、滑坡变化监测；步骤S50，滑坡信息提取精度分析；采用定量的方法计算滑坡信息的提取精度。基于无人机影像数据的滑坡灾害信息提取方法，可以有效地提取滑坡灾害类型及其面积变化等信息，同时，通过滑坡灾害类型时空分布可以有效地监测滑坡共同发生与演变趋势，为滑坡灾害风险评价与预防工程布设的决策制定提供技术支持。

Description

基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法
技术领域
本发明涉及高山峡谷区滑坡灾害信息提取技术领域，具体为基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法。
背景技术
滑坡是指在具有一定的坡度的斜坡上，施加自然或人为的破坏力导致部分斜坡体沿着一定的坡面向下滑动。高山峡谷区滑坡灾害监测是指运用各种技术和方法，在不同的空间尺度，根据随时间演化的阶段性规律上分层次进行全方位立体化的实现对各类地质灾害活动以及各种诱发因素动态变化的工作。
目前，对于山地滑坡、崩塌和泥石流灾害的识别与监测常采用的传统测绘技术方法有：野外勘察、卫星遥感监测(光学遥感监测、雷达遥感监测)和航空摄影遥感监测(机载雷达遥感监测、无人机航空摄影遥感监测)。在现有的科学技术水平下，在日渐严密的监测中，滑坡发生的程度、时间和地点等信息依然无法准确预测，而滑坡危险区的快速准确定位是灾后应急救援工作安排的关键，然而滑坡多发生于地形复杂的山区，给救援工作带来诸多困难。
滑坡识别与信息提取最初提出且日前依旧被经常使用的技术是实地勘测与现场调查，这种方法得到的滑坡信息定位准确且精度较高，但是由于新滑坡地质不稳定，容易发生二次滑坡，威胁到调查人员的生命安全，且经常带来道路受损与堵塞，给交通带来不便，使得实地调查时间长、费用高、效率低，严重影响到后续救援与灾后应急工作的进行。
高山峡谷区滑坡灾害的诱发因素复杂，最主要有人为挖掘破坏、强降雨以及地震等诱因造成滑坡的发生，其中，长期大范围的强降雨和较高级别的地震往往是在短时间内造成大规模的山体滑坡。在这种情况下，传统的现场获取资料的方式难以满足应急需求。因此，遥感技术应运而生，大范围灾害的应急工作得到有效的技术支持。在灾害发生后，利用航空相片开展解译、立体图像分析等方法可以用来检测和识别滑坡，随着卫星传感器的分辨率逐渐提高，通过遥感手段提取滑坡的技术研究得到越来越多研究者的关注，目前滑坡信息提取的数据源主要有SPOT、QUICKBIRD、IKONOS等，但是这些高空间分辨率遥感影像数据较难获取且价格昂贵且受气候和云雾等影响较大。近些年低空无人机遥感技术迅速发展，它具有成本低、起降灵活、分辨率高、拍摄角度多变等优势，结合遥感数据处理技术，应用在应急救援、灾害调查与监测、地质灾害灾情评估等方面有着显著优势。因此，在滑坡遥感研究中，利用无人机遥感数据获取滑坡灾害信息逐渐成为主流。
综上所述，对于滑坡、崩塌、泥石流地质灾害频发的高山峡谷地区，高效获取精度高的灾害区遥感数据是首要任务。传统的监测方法并不适用地形起伏程度较大的高山峡谷地区，常常受到信号的影响、机器难架设、道路险峻等非人为条件的影响，监测工作难以开展。使用光学遥感卫星和雷达遥感监测却不能满足小范围地区的监测，存在影像分辨率不足、解译识别误判困难等其他问题，不能满足滑坡、崩塌、泥石流地质灾害的调查。现阶段，无人机影像主要有可见光三波段、可见光+近红外四波段两种，其中可见光影像应用最广泛，为此，本发明基于无人机光学遥感数据的滑坡信息提取技术，以期无人机遥感在滑坡提取领域中有更深一步的应用，为防灾减灾、灾后救援等工作提供方法参考与技术支持。
发明内容
(一)解决的技术问题
本发明为克服现有方法在提取滑坡灾害信息过程中，成本高，周期长，受云量和地形阴影影响大，安全性差等缺点，提供了一种基于无人机影像数据的高山峡谷区滑坡灾害信息提取方法。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法，本发明提供一种基于无人机影像数据提取滑坡灾害信息的方法，包括以下步骤：
步骤一，无人机数据采集，包括外业实地踏勘、地面控制点布设与量测、航线布设、参数设定、飞行作业，获取到无人机航拍摄影像数据；
步骤二，影像数据检查与质量评估，包括数据质量检查、航测影像、预处理。
步骤三，数据产品与三维场景生成，数据包括DRG(数字栅格地图)、DLG(数字线划地图)、DEM(数字高程模型)和DOM(数字正射影像图)；
3D场景构建技术流程主要包括影像数据检查和预处理、多视影像特征匹配、空中三角测量、密集匹配点云生成、三维TIN格网构建、纹理映射和数字产品成果生产；
步骤四，滑坡特征提取与灾害信息识别，滑坡类型、滑坡易发性分区、滑坡变化监测依据影像光谱特征分析、形状特征分析、地形特征分析、纹理特征分析、遥感影像的多尺度分割、遥感影像的分类、目视判读，提取滑坡。
步骤五，滑坡信息提取精度分析。
本发明提供一种基于无人机影像数据提取滑坡灾害信息的方法，包括以下步骤：包括如下步骤：步骤S10，无人机数据采集，包括影像数据与激光雷达数据；步骤S20，影像数据检查与质量评估，包括数据质量检查、航测影像预处理；步骤S30，数据产品与三维场景生成，包括，影像数据检查和预处理、多视影像特征匹配、空中三角测量、密集匹配点云生成、三维TIN格网构建、纹理映射和数字产品成果生产；步骤S40，滑坡特征提取与灾害信息识别，滑坡类型及易发性分区、滑坡变化监测；步骤S50，滑坡信息提取精度分析；采用定量的方法计算滑坡信息的提取精度，采用误差T.E和kappa系数两个精度测度用于定量的评定滑坡提取精度，提取结果的交叉矩阵。
进一步的，在S10中，包括如下：S11、取研究区影像图，从图像上基本了解周边地形地势、交通情况，根据获取的信息，对实地进行调查，选取合适的地点作为无人机起降点；S12、布设地面控制点并采集三维坐标信息数据：根据试验区的范围和地面高程起伏情况，依据现场踏勘，进行实际布设。
进一步的，在S12中，在试验区四角和中心位置布设地面控制点共计15个，地面控制点采用L形图案，其中，中心位置控制点采用L形白色喷漆，其他均采用L形蓝色胶带图案。
进一步的，在S12之后，还存在：S13，利用实时动态测量仪器采集地面控制点圆心位置的三维坐标信息，包括经度、维度和高程；S14，航线布设、参数设定、飞行作业，获取到航摄影像数据。
进一步的，在S14中，包括如下内容：S141、组装无人机电池、遥控器电池；S142、选取合适的地点后，根据具体的地势，结合实际情况进行航线布设；S143、目视估计被摄对象的长度，选取合适的飞行方向；S144、根据被摄对象的复杂程度，然后依据试验区地表情况和无人机的续航能力，对研究区进行分区，规划航线，设定90％的航向重叠度和 80％的旁向重叠度。
进一步的，S14中，无人机飞行高度设定为200m，飞行速度5m/s，镜头垂直向下朝向地面拍摄，沿规划航线飞行，并逐个分区采集无人机影像数据和激光雷达数据。
进一步的，在S20中包括：S21、数据质量检查：对获取的影像数据进行检查，检查内容包括：影像曝光度、影像模糊度、影像完整连续性，若存在检查内容中的问题，进行补拍或重拍；S22、航测影像预处理：对影像数据的连续性、信息的完整性进行检查，对变形较大的影像进行剔除，对影像进行去噪、增强和匀色等预处理。
进一步的，在步骤S30中，包括：S31、无人机航测完成后，实现3D场景构建，并进行图像拼接处理；S32、利用步骤S10布设的地面控制点的地面测量三维坐标信息，进行航测影像的几何校正和地理空间投影转换，生成厘米分辨率正射影像和数字表面模型；其中，所选择的地面控制点应在至少5张航测影像上出现，对试验区两次无人机影像数据进行空间配准。
进一步的，步骤S40中包括：S41、依据影像光谱特征分析、地形特征分析、形状特征分析、纹理特征分析、遥感影像的多尺度分割、遥感影像的分类、目视判读，获取滑坡信息；S42、基于无人机影像数据生成的正射影像，采用面向对象方法，对滑坡特征进行提取。
进一步的，在S42中包括：S421、对获得的影像数据进行多尺度分割，生成影像对象； S422、构建特征空间，对影像对象的各种特征进行分析，包括形状、纹理、植被、光谱等特征；S423、基于德国的易康软件平台实现震后滑坡体的提取。
(三)有益效果
本发明提供了基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法。具备以下有益效果：
基于无人机影像数据的滑坡灾害信息提取方法，可以有效地提取滑坡灾害类型及其面积变化等信息，同时，通过滑坡灾害类型时空分布可以有效地监测滑坡共同发生与演变趋势，为滑坡灾害风险评价与预防工程布设的决策制定提供技术支持。
附图说明
图1为本发明中无人机影像数据的高山峡谷区滑坡灾害信息提取流程图；
图2为本发明中无人机影像数据的研究区数字高程模型示意图；
图3为本发明中无人机正射影像示意图；
图4为本发明中无人机影像数据的地表景观示意图；
图5为本发明中外业踏勘现场示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围，下面结合具体实施例对本发明做进一步的详细说明。
实施例
请参阅图1-5，本发明提供基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法，方法包括以下步骤：
步骤一，无人机数据采集，基于外业实地踏勘、地面控制点布设与量测、航线布设、参数设定、飞行作业，获取到航摄影像数据。
其中，外业实地踏勘包括如下内容：
布设地面控制点并采集三维坐标信息数据；布设地面控制点时采用圆形图案作为控制点，并且圆形直径尺寸至少是影像分辨率的10倍；采集圆形图案圆心对应地理三维坐标信息，分别为经度、纬度和高程，得到三维坐标信息数据。
航线布设、参数设定、飞行作业，采集无人机影像数据；采集无人机影像数据时，无人机按照规划航线，设置80％的航向重叠度和70％的旁向重叠度，以及50-120m的飞行高度，并多次采集无人机影像数据，每次采用相同的航测参数，采集时间为分冻土冻结和融化时期，得到无人机影像数据。
步骤二，影像数据检查与质量评估，包括数据质量检查、航测影像、预处理、纹理分析、模型分析等，畸变校正、空三加密、几何校正以及图像的增强；
拼接无人机影像数据并进行几何校正与空间配准；结合地面控制点及其实测的地理三维坐标信息，对无人机影像数据进行拼接和几何校正，其中，所述地面控制点至少在5张单幅无人机影像数据上出现，采用同名地面控制点进行多次无人机影像数据的空间配准。
步骤三，数据产品与三维场景生成，3D场景构建技术流程主要包括影像数据检查和预处理、多视影像特征匹配、空中三角测量、密集匹配点云生成、三维TIN格网构建、纹理映射和数字产品成果生产。
步骤四，滑坡特征提取与灾害信息识别，滑坡类型、滑坡易发性分区、滑坡变化监测。
依据影像光谱特征分析、形状特征分析、地形特征分析、纹理特征分析、遥感影像的多尺度分割、遥感影像的分类、目视判读，提取滑坡信息。
基于无人机影像数据生成的正射影像，采用面向对象方法，对滑坡特征进行提取。
其中基本思路大体如下：首先，对获得的影像数据进行多尺度分割，生成影像对象；其次，构建特征空间，对影像对象的各种特征进行分析，包括形状、纹理、植被、光谱等特征；最后，基于德国的易康(eCognition)软件平台实现震后滑坡体的提取。
步骤五，评估基于无人机影像数据的滑坡提取精度分析。
本实施例结合附图对本发明做进一步的说明。
本申请选取云南省昆明市东川区西南处大白泥河泥石流沟谷为研究区，其包括了大白泥河和小白泥河，二者均为小江流域的支流，从西南方向延伸至东北，地理位置为103°9′50″E～103°13′13″E，25°55′58″N～26°01′13″N。
该地区沟谷狭长，流域内地势险峻，沟谷两侧分布高落差、陡峭高山、植被贫瘠，沟谷地区滑坡体、崩塌体分布较多，雨季水量丰富，泥石流灾害频发，是一条具有代表性的暴雨性泥石流沟谷，受泥沙的不断冲刷、堆积，地表沟壑纵横，流水从沟谷中心流出，流经整个沟谷，中心土质柔软易塌陷，沟谷两侧形成巨大泥沙堆，土质较为坚硬。复杂的地形情况是探讨无人机遥感技术在泥石流迹地监测的绝佳研究区。
本实施例的基于无人机影像数据提取冻土灾害信息的方法，具体步骤如下：
步骤一，无人机数据采集，包括影像数据与激光雷达数据。
无人机遥感数据采集流程包括外业实地踏勘、地面控制点布设与量测、航线布设、参数设定、飞行作业，获取到航摄影像数据等。
外业踏勘：泥石流沟多存在地形地势复杂的山地地区。
飞行任务之前，需要对研究区进行实地踏勘，了解研究区内的基本情况、附近有无禁飞区域存在、无人机起降条件等。
首先，利用奥维地图软件获取研究区影像图，从图像上基本了解周边地形地势、交通情况，根据获取的信息，对实地进行调查，选取合适的地点作为无人机起降点。
布设地面控制点并采集三维坐标信息数据：根据试验区的范围和地面高程起伏情况，依据现场踏勘，进行实际布设。
在试验区四角和中心位置布设地面控制点共计15个，地面控制点采用L形图案，其中，中心位置控制点采用L形白色喷漆，其他均采用L形蓝色胶带图案。
然后，利用实时动态(Real-TimeKinematic，RTK)测量仪器采集地面控制点圆心位置的三维坐标信息，包括经度、维度和高程。三维坐标信息来自云南省测绘地理信息局的连续运行卫星定位服务参考站(ContinuouslyOperatingReferenceStation，CORS)接收站网络，精度达到厘米级。
本实施例中RTK测量仪器型号为：南方千寻SRmini，但不限于此。
本实施例中地面控制点三维坐标信息来自于云南省省测绘地理信息局的连续运行卫星定位服务参考站接收站网络(YNCORS)，但不限于此。
航线布设、参数设定、飞行作业，获取到航摄影像数据：选择天气晴朗、低空无云雾、风速小于8m/s、能见度大于5km，太阳高度角大于45°时开展外业航拍。
首先组装无人机电池、遥控器电池。
其次，选取合适的地点后，根据具体的地势，结合实际情况进行航线布设。由于地处谷底，根据被摄对象的位置，使用无人机对飞行高度进行尝试，飞到被摄对象所在的最高点，确保周围遮挡物较少、信号稳定、安全，选取目前的高度作为飞行高度；再次，目视估计被摄对象的长度，选取合适的飞行方向。
最后，根据被摄对象的复杂程度，然后依据试验区地表情况和无人机的续航能力，对研究区进行分区，规划航线，设定90％的航向重叠度和80％的旁向重叠度。
根据试验区地形起伏情况，将无人机飞行高度设定为200m，飞行速度5m/s，镜头垂直向下朝向地面拍摄。操控无人机沿规划航线飞行，并逐个分区采集无人机影像数据和激光雷达数据。
本实施例中无人机航测平台为大疆M300无人机，相机RainpooM6P2020081S；激光雷达数据采集使用华测导航AA450激光雷达测量系统，但不限于此。
步骤二，影像数据检查与质量评估，包括数据质量检查、航测影像预处理。
数据质量检查：无人机完成飞行作业后，需对获取的影像数据进行检查。其中，检查内容包括：影像曝光度、影像模糊度、影像完整连续性。若存在检查内容中的问题，需进行重新补拍或重拍，以获取最优数据。
航测影像预处理：对影像数据的连续性、信息的完整性进行检查，同时，对于在采集过程中，受到天气、光线因素的影响导致的影像畸变、曝光不足的问题，需要对变形较大的影像进行剔除，可对影像进行去噪、增强和匀色等预处理，尽可能保证同时段影像数据质量一致。加载数据后，在3DViewer视图窗口查看航点信息，进行初步检查。
步骤三，数据产品与三维场景生成，3D场景构建技术流程主要包括影像数据检查和预处理、多视影像特征匹配、空中三角测量、密集匹配点云生成、三维TIN格网构建、纹理映射和数字产品成果生产。
无人机航测完成后，利用Bently公司的ContextCaptureCentert软件实现3D场景构建无人机航测完成后，利用Pix4DMapper软件进行图像拼接处理，并利用步骤一布设的地面控制点的地面测量三维坐标信息进行航测影像的几何校正和地理空间投影转换，最后生成厘米分辨率正射影像和数字表面模型(DigitalSurfaceModel，DSM)。
此步骤中选择地面控制点时应注意，所选择的地面控制点应在至少5张航测影像上出现。依据同名地面控制点，对试验区两次无人机影像数据进行空间配准。
使用时，通过无人机摄影测量获取的影像数据，影像信息量丰富，除了包含RGB颜色信息，还包括了为空中三角测量提供辅助数据的POS数据(经度、纬度和高程数据)。能得到三维模型、数字正射影像(DigitalOrthophotoMap，DOM)、数字表面模型(DigitalSurfaceModel，DSM)、数字高程模型(DigitalElevationModel，DEM)和密集匹配点云数据。数据源直观性强、有丰富的三维细节纹理信息、能作为地形特征提取及分析的关键数据、点云具有颜色信息，数据成果丰富但也增加了数据处理的难度。
步骤四，滑坡特征提取与灾害信息识别，滑坡类型、滑坡易发性分区、滑坡变化监测。
依据影像光谱特征分析、地形特征分析、形状特征分析、纹理特征分析、遥感影像的多尺度分割、遥感影像的分类、目视判读，提取滑坡。
基于无人机影像数据生成的正射影像，采用面向对象方法，对滑坡特征进行提取。
基本思路：首先，对获得的影像数据进行多尺度分割，生成影像对象；其次，构建特征空间，对影像对象的各种特征进行分析，包括形状、纹理、植被、光谱等特征；最后基于德国的易康(eCognition)软件平台实现震后滑坡体的提取。
滑坡的地形地貌特征较为明显，加之滑坡在遥感影像上同样具有丰富的特征(如色调、几何形态、纹理等)，对比分析上述特征可以实现滑坡提取。
结合以下几个方面的滑坡解译标志：
(1)色调特征、滑坡在光学遥感影像上呈现出白色、灰色、浅灰色、灰白色等浅色调。在滑坡发生的区域，由于周边的树木都会遭到破坏，因此会导致岩土裸露，滑坡发生的区域，地表上几乎没有或者有少量稀疏的植被覆盖，并且滑坡脚部容易出现大量岩石，碎石等堆积物。
(2)影像特征、滑坡在影像上呈现出的是由后壁、侧壁共同构成的呈合拢椅形状的形态，滑坡形态特征多样，大多数是呈长舌形、椭圆形、马蹄形等。
(3)植被特征、由于部分斜坡沿着相应的面作剪切运动而形成滑坡，因此滑坡的发生会引起周边植被以及地表的破坏，一旦发生滑坡，滑坡体上的植被也会与周边区域的植被情况不同，可以观察到滑坡周边的植被发生倾斜，直接覆盖在滑坡体上，因此植被是识别滑坡的一个重要特征。
(4)纹理特征、滑坡的滑动作用使滑坡在不同的部分具有不同光谱反射的特性，即表现为滑坡纹理具有粗糙细腻之分。
步骤五，滑坡信息提取精度分析，本发明采用的是无人机超低空遥感数据，因此采用定量的方法计算滑坡信息的提取精度，采用误差T.E和kappa系数两个精度测度用于定量的评定滑坡提取精度，提取结果的交叉矩阵。
结合上述实施例可以说明本发明涉及的基于无人机影像数据的滑坡灾害信息提取方法，可以有效地提取滑坡灾害类型及其面积变化等信息，同时，通过滑坡灾害类型时空分布可以有效地监测滑坡共同发生与演变趋势，为滑坡灾害风险评价与预防工程布设的决策制定提供技术支持。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法，其特征在于：包括如下步骤：
步骤S10，无人机数据采集，包括影像数据与激光雷达数据；
步骤S20，影像数据检查与质量评估，包括数据质量检查、航测影像预处理；
步骤S30，数据产品与三维场景生成，包括，影像数据检查和预处理、多视影像特征匹配、空中三角测量、密集匹配点云生成、三维TIN格网构建、纹理映射和数字产品成果生产；
步骤S40，滑坡特征提取与灾害信息识别，滑坡类型及易发性分区、滑坡变化监测；
步骤S50，滑坡信息提取精度分析；采用定量的方法计算滑坡信息的提取精度，采用误差T.E和kappa系数两个精度测度用于定量的评定滑坡提取精度，提取结果的交叉矩阵。
2.根据权利要求1所述的基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法，其特征在于：在S10中包括如下步骤：
S11、取研究区影像图，从图像上基本了解周边地形地势、交通情况，根据获取的信息，对实地进行调查，选取合适的地点作为无人机起降点；
S12、布设地面控制点并采集三维坐标信息数据：根据试验区的范围和地面高程起伏情况，依据现场踏勘，进行实际布设。
3.根据权利要求2所述的基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法，其特征在于：在S12中，在试验区四角和中心位置布设地面控制点共计15个，地面控制点采用L形图案，其中，中心位置控制点采用L形白色喷漆，其他均采用L形蓝色胶带图案。
4.根据权利要求3所述的基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法，其特征在于：在S12之后，还包括如下步骤：
S13，利用实时动态测量仪器采集地面控制点圆心位置的三维坐标信息，包括经度、维度和高程；
S14，航线布设、参数设定、飞行作业，获取到航摄影像数据。
5.根据权利要求4所述的基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法，其特征在于：在S14中，包括如下步骤：
S141、组装无人机电池、遥控器电池；
S142、选取合适的地点后，根据具体的地势，结合实际情况进行航线布设；
S143、目视估计被摄对象的长度，选取合适的飞行方向；
S144、根据被摄对象的复杂程度，然后依据试验区地表情况和无人机的续航能力，对研究区进行分区，规划航线，设定90％的航向重叠度和80％的旁向重叠度。
6.根据权利要求5所述的基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法，其特征在于：S14中，无人机飞行高度设定为200m，飞行速度5m/s，镜头垂直向下朝向地面拍摄，沿规划航线飞行，并逐个分区采集无人机影像数据和激光雷达数据。
7.根据权利要求1所述的基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法，其特征在于：在S20中包括如下步骤：
S21、数据质量检查：对获取的影像数据进行检查，检查内容包括：影像曝光度、影像模糊度、影像完整连续性，若存在检查内容中的问题，进行补拍或重拍；
S22、航测影像预处理：对影像数据的连续性、信息的完整性进行检查，对变形较大的影像进行剔除，对影像进行去噪、增强和匀色等预处理。
8.根据权利要求7所述的基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法，其特征在于：在步骤S30中，包括如下步骤：
S31、无人机航测完成后，实现3D场景构建，并进行图像拼接处理；
S32、利用步骤S10布设的地面控制点的地面测量三维坐标信息，进行航测影像的几何校正和地理空间投影转换，生成厘米分辨率正射影像和数字表面模型；
其中，所选择的地面控制点应在至少5张航测影像上出现，对试验区两次无人机影像数据进行空间配准。
9.根据权利要求1所述的基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法，其特征在于：S40中包括如下步骤：
S41、依据影像光谱特征分析、地形特征分析、形状特征分析、纹理特征分析、遥感影像的多尺度分割、遥感影像的分类、目视判读，获取滑坡信息；
S42、基于无人机影像数据生成的正射影像，采用面向对象方法，对滑坡特征进行提取。
10.根据权利要求9所述的基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法，其特征在于：在S42中包括如下步骤：
S421、对获得的影像数据进行多尺度分割，生成影像对象；
S422、构建特征空间，对影像对象的各种特征进行分析，包括形状、纹理、植被、光谱等特征；
S423、基于德国的易康软件平台实现震后滑坡体的提取。
CN202210987243.3A 2022-08-17 2022-08-17 基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法 Pending CN115638772A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210987243.3A CN115638772A (zh) 2022-08-17 2022-08-17 基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法
LU504675A LU504675B1 (de) 2022-08-17 2023-07-05 Ein verfahren zur gewinnung von informationen über die erdrutschgefahr auf der grundlage von uav-bilddaten in hochgebirgstalgebieten

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210987243.3A CN115638772A (zh) 2022-08-17 2022-08-17 基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法

Publications (1)

Publication Number Publication Date
CN115638772A true CN115638772A (zh) 2023-01-24

Family

ID=84940334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210987243.3A Pending CN115638772A (zh) 2022-08-17 2022-08-17 基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法

Country Status (2)

Country Link
CN (1) CN115638772A (zh)
LU (1) LU504675B1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843850A (zh) * 2023-07-24 2023-10-03 保利长大工程有限公司 应急地形数据获取方法、系统及计算机可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843850A (zh) * 2023-07-24 2023-10-03 保利长大工程有限公司 应急地形数据获取方法、系统及计算机可读存储介质

Also Published As

Publication number Publication date
LU504675B1 (de) 2024-01-11

Similar Documents

Publication Publication Date Title
Dall’Asta et al. Unmanned Aerial Systems and DSM matching for rock glacier monitoring
Hervás et al. Monitoring landslides from optical remotely sensed imagery: the case history of Tessina landslide, Italy
KR101859947B1 (ko) 무인 항공기를 이용한 재해위험 저수지의 정밀안전진단평가를 위한 데이터베이스 구축 시스템 및 방법
Nelson et al. DEM production methods and sources
Yu et al. Modeling of landslide topography based on micro-unmanned aerial vehicle photography and structure-from-motion
Hrůza et al. Monitoring of forest hauling roads wearing course damage using unmanned aerial systems.
Karantanellis et al. 3D hazard analysis and object-based characterization of landslide motion mechanism using UAV imagery
Henry et al. The use of small‐format and low‐altitude aerial photos for the realization of high‐resolution DEMs in mountainous areas: application to the Super‐Sauze earthflow (Alpes‐de‐Haute‐Provence, France)
Cilek et al. Generation of high-resolution 3-D maps for landscape planning and design using UAV technologies
Bilaşco et al. 3D reconstruction of landslides for the acquisition of digital databases and monitoring spatiotemporal dynamics of landslides based on GIS spatial analysis and UAV techniques
CN115638772A (zh) 基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法
Brook et al. Monitoring active landslides in the Auckland region utilising UAV/structure-from-motion photogrammetry
Singh et al. High resolution DEM generation for complex snow covered Indian Himalayan Region using ADS80 aerial push-broom camera: a first time attempt
Liu et al. Architecture planning and geo-disasters assessment mapping of landslide by using airborne LiDAR data and UAV images
Brigante et al. USE OF MULTISPECTRAL SENSORS WITH HIGH SPATIAL RESOLUTION FOR TERRITORIAL AND ENVIRONMENTAL ANALYSIS.
Dinis et al. Hierarchical object-based classification of dense urban areas by integrating high spatial resolution satellite images and lidar elevation data
Qiao et al. Application of DSM in obstacle clearance surveying of aerodrome
Parente et al. Uncertainty in landslides volume estimation using DEMs generated by airborne laser scanner and photogrammetry data
Morocho et al. Mass movements detection from UAV images analysis
Du et al. High-precision DEM extraction by region segmentation-based progressive triangulation encryption filtering
Hostens et al. Assessing the Role of sUAS Mission Design in the Accuracy of Digital Surface Models Derived from Structure-from-Motion Photogrammetry
Lalak et al. The analysis of the accuracy of digital terrain model (Dtm) obtained from high resolution geoeye-1 satellite imagery
Joshi et al. Preparation of High-Resolution DTM and Orthophoto Using LiDAR in Nepal
Lu et al. Digital Heritage and Preservation: Aerial Photogrammetry and Lidar Applied to the Mapping of Kapayuwanan, Indigenous Paiwan Settlements, Taiwan
Sestras et al. The Use of Budget UAV Systems and GIS Spatial Analysis in Cadastral and Construction Surveying for Building Planning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination