地面激光点云与航空影像相结合的滑坡监测

王庆国，赵 海，李健平

(1. 武汉科技大学汽车与交通工程学院，湖北 武汉 430065; 2. 长江勘测规划设计研究院，湖北 武汉 430010； 3. 武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079)

滑坡灾害对电站的安全运行，对滑坡区域及附近区域的人员和财产安全都会带来重大威胁，并可能伴随交通中断和堰塞湖等多种次生灾害。因此，在水电站的施工建设和运营管理中，对库区坡体进行实时有效监测是一项十分重要的工作。

传统的基于全站仪和GNSS的滑坡监测方式是通过在滑坡体上一些关键位置布置一定数量的监测点，根据监测点的位置变化判断滑坡体的运动变化。这种方式具有较高的监测精度，但是监测点的数量有限，难以全面覆盖滑坡体表面。而且，由于滑坡本身存在重大安全威胁，监测点及其上的人员和设备面临较大的风险[1-3]。

与传统的基于全站仪和GNSS等监测手段相比，三维激光扫描监测技术在不接触滑坡体的情况下，利用激光测距的原理，记录被扫描物体表面大量密集点的三维坐标、反射率和RGB等信息，可快速提供扫描体表面的三维点云数据，即时性获取扫描体的高分辨率和高精度的数字地形，构建出扫描体的三维模型及线、面、体等各种图件数据，能快速反映滑坡体的整体变化趋势，具有高效率和高精度的独特测量优势。相对而言，三维激光扫描监测技术弥补了关键点表观监测法等常规监测技术存在的费时、低效、监测盲区多等不足，在滑坡监测中得到越来越广泛的应用[4-7]。

本文结合云南澜沧江上某水电站滑坡监测的实际需求，在滑坡变形区域以地面三维激光扫描监测技术为主，同时在一些因扫描视角和遮挡导致的扫描盲区，辅以无人机摄影测量技术，通过全面的信息采集和处理，分析滑坡的变形特性及趋势，为电站的安全运营和后续的路口保通设计方案提供全面准确的工程基础资料。

1 监测区的基本状况

被监测的滑坡体位于水电站的水库右岸K72+800—K73+200范围内的沿江公路上、下边坡，自2018年9月下旬以来逐渐发生较大变形。自10月15日起，在K72+850、K72+930、K73+100等处上边坡出现频繁的间歇性小规模坍塌，对应的下边坡也出现坍塌。至10月20日，上述几处库岸在沿江公路上边坡开挖开口线以上发生沉降塌滑，K72+850处公路路基已不足3 m，无法保障通行。鉴于库区右岸K72+800—K73+200范围库岸沉降变形加剧，滑坡体体积较大，且离电站仅6 km左右，水库目前处于较高水位运行，若滑坡体整体塌滑入库区，将会对大坝及电站运行带来较大的安全隐患。为确保水电站运行安全，需对该处滑坡进行变形监测、地质勘查和保通治理。

2 监测方案

2.1 基本作业步骤

综合考虑监测区的实际地形地貌和任务要求，监测中以三维激光扫描仪为主，辅以无人机、测量机器人等进行外业工作。首先通过控制测量、三维激光扫描、无人机摄影测量获取测区点云及影像数据。然后，利用专业软件CloudCompare对获取的点云和影像数据进行融合处理，并经过点云去噪及植被过滤等步骤，生成监测区当期的完整地形点云数据。最后建立地表三角网，经峰值剔除、孔洞填充等处理，并生成当期数字地表模型。监测分析时，以第1期监测数据生成的地表模型作为基准数据，与后面各期数据进行对比，以实现对滑坡体区域的整体监测分析。

2.2 外业数据采集

2.2.1 监测设备

为满足本项目高精度、长距离、全方位的监测要求，外业数据采集主要采用RIEGL VZ-1000三维激光扫描仪获取激光点云、大疆无人机Inspire-1采集序列影像。

2.2.2 监测点与关键监测剖面的布置

为了保证监测精度，并对采集的点云数据进行绝对定向，在滑坡区域事先布置固定监测基准点与固定靶标点作为变形监测点。

在滑坡体上运动明显及产生断面的位置，沿位移主要方向布置10条平行剖面，沿澜沧江上游至下游方向依次编号，进行重点监测。监测剖面布置如图1所示。

图1 监测剖面

2.2.3 外业数据采集

外业主要采集3类数据。第1类是滑坡体监测区的地面激光三维点云数据。首先在选定的固定测站点上架设好三维激光扫描仪，然后根据任务对仪器进行一些基本设定，由仪器自动采集与储存点云数据。扫描完成后实时检查数据是否完整无误，并进行初步质量分析，查缺补漏，经确认无误后关闭扫描仪。第2类是测量机器人数据，通过测量机器人对靶标进行观测获取。还有一类就是无人机影像数据。由于激光扫描仪扫描范围受限于地形，存在地表物体的自遮挡，因此，采用无人机对整个山体进行大范围的倾斜拍摄，以获得滑坡整体的数据，作为地面激光扫描数据的补充。

2.3 内业数据处理

2.3.1 数据配准

对每期激光扫描数据，人工选取靶标点坐标作为参考基准进行数据配准。分别在待配准点云及参考点云上选取4对以上同名点，计算出变换矩阵，将待配准点云坐标变换到参考点云上，后面再将每期数据配准到第1期数据坐标基准上[8-11]。

对于无人机拍摄的影像数据，通过在地面激光点云中人工选取同名点作为控制点，并将其放入影像空三解算过程中平差，从而实现对摄影测量点云的绝对定向，以获取统一坐标基准的地面激光点云与摄影测量点云。经过计算，该点云的精度达到5 cm，可满足检测要求。

2.3.2 数据去噪

受数据采集区地物分布、地貌形态和周边环境的影响，激光点云和影像数据中存在一些不清晰的噪声点，给数据的后续处理和建模都增加了难度和不必要的工作量。因此，可以借助软件和人工交互的方法，剔除数据中的噪声点。

2.3.3 模型重建

由于点云数据密度有限，直接基于点云进行变形比较误差较大。因此，在获取第1期点云数据后，基于Delaunay三角网构建原则，利用第1期点云数据构建mesh模型。然后经峰值剔除、孔洞填充等处理，生成扫描区域的数字表面模型。以第1期监测数据生成的数字表面模型作为基准数据，与后面各期数据进行对比分析，从而实现对滑坡体区域的整体监测[12-15]。

截至目前，通过监测已成功获取5期监测区及周边环境的三维点云数据。通过数据处理，一方面将影像数据和激光扫描数据进行了融合，得到了监测区全面的点云数据；另一方面以第1期数据为基础，生成了库区的三维地表模型，以作为后续形变监测对比分析的数据基准。

3 监测数据成果与分析

3.1 基于地表模型的整体分析

以第1期数据成果生成的地表模型作为基准数据，将后续监测得到的成果与其进行对比分析，可得到监测区整体变形的分布情况，如图2所示。

图2 整体变化对比

图2中，横坐标表示滑坡区东西方向，纵坐标表示南北方向。经过整体分析和比较几期监测数据成果发现，变形较大的区域主要集中于东西向-200～+100 m、南北向-100～-400 m的区域，包括滑坡凹陷较大的区域和堆积凸起较明显的区域，其周边另有少量零星分布的明显滑坡。

由于监测距离和激光点云入射角过大，无法完全剔除植被等的干扰所带来的监测误差。这部分区域主要位于监测区1500 m高程以上，接近山体顶部，植被覆盖多，监测距离超过1100 m，地形复杂。

3.2 剖面监测数据与分析

在重点监测区域，进一步采集各剖面的监测数据进行分析。在各监测剖面上，每间隔一定高程提取一个采样点，各剖面取不少于5个采样分析点。从第2期开始，每期以前一期高程数据为基准，进行变形分析。以第1号和第2号剖面为例，其监测数据见表1。其中，带负号的变形表示凹陷变形，其他为凸起变形。

表1 剖面监测数据

本文方法对剖面采样点高程的变化监测精度可达毫米级，实现了高精度的监测分析。综合各剖面几期的监测数据来看，各剖面都在不同程度地以不同速率发生变形。高程较大的区域以滑坡和沉降变形为主，表现为区域凹陷；而高程较低的区域则主要是高处滑坡体的堆积。总体来说，监测区内在山体断裂面及其下侧变形较大，其他部分变形较小。

4 结 语

本文采用地面激光点云数据和航空影像数据相结合的滑坡监测方法，一方面，避免了传统的接触式监测方法存在的安全风险和采样监测的片面性；另一方面，通过将两种数据进行融合分析，既充分利用了两种数据的优势，保证了数据的完备性，实现了对滑坡体的全面监测，又保证了监测的精度和效率，具有很好的适用性。