詹俏 甘淑 杨敏

基金项目：国家自然科学基金项目（41861054，41561083）

作者简介：詹俏（1994-），女，昆明理工大学国土资源工程学院硕士研究生，研究方向为三维激光扫描技术的应用研究;甘淑（1964-），女，博士，昆明理工大学国土资源工程学院教授、博士生导师，研究方向为资源环境遥感与GIS空间分析技术应用。本文通讯作者：甘淑。

摘 要：针对传统测量技术在滑坡监测时的不足，以云南省小江流域大白泥河泥石流沟的一伴生滑坡体为试验对象，利用TLS技术对滑坡体进行两个时期的点云数据采集，经过点云配准、点云滤波等点云数据预处理得到处理后点云，在此基础上提取滑坡体地表特征并进行变化检测分析，提出一整套比较直观、全面的滑坡体地表特征变化检测方法。该方法基于坡度坡向比较、DEM差值比较、剖面线比较检测滑坡体地表特征形变量和形变趋势，对泥石流物源量进行估算，有助于预估泥石流灾害爆发时的危害程度和范围，从而减少泥石流灾害带来的损失。

关键词：地面激光扫描;滑坡体;点云数据;地表特征

DOI：10. 11907/rjdk. 191937 开放科学（资源服务）标识码（OSID）：

中圖分类号：TP319文献标识码：A 文章编号：1672-7800（2019）008-0140-04

Experimental Study on TLS for Detecting Surface Changes of Landslides

ZHAN Qiao，GAN Shu，YANG Min

（Faculty of Land Resource Engineering， Kunming University of Science and Technology， Kunming 650093， China）

Abstract：In view of the shortcomings of traditional measurement technology in landslide monitoring， this paper takes an associated landslide body of Dabaini river debris flow gully in Xiaojiang Basin of Yunnan Province as an experimental object， and uses TLS technology to collect point cloud data for two periods. After point cloud registration and point cloud filtering， the point cloud data are pretreated and processed. Based on the point cloud data， the landslide surface features are extracted and analyzed， and a set of intuitive and comprehensive landslide surface features change detection methods are given. Based on the comparison of slope gradient and direction， DEM difference and section line， the deformation and trend of surface features of landslides are compared and detected. By estimating the amount of debris flow material source， the degree and scope of hazards in the outbreak of debris flow hazards can be estimated. Effective prediction is carried out to reduce the losses caused by debris flow disasters.

Key Words： terrestrial laser scanner;landslide body; point cloud data; surface characteristics

0 引言

泥石流沟伴生滑坡体指泥石流沟谷两侧伴生坡体上的土体或岩体，受降雨和地形等因素影响，在重力作用下整体或分散地沿着软弱面或软弱带顺坡向下滑动的一种自然现象[1]，是泥石流主要物源。其诱发因素主要为强降雨导致水土流失，若伴随泥石流灾害一起爆发则会造成严重的经济损失和人员伤亡。对滑坡体地表特征变化进行有效检测一方面可掌握泥石流的活跃情况，为泥石流监测预报提供可靠依据;另一方面可以精确地估算其物源量，进而有效预估泥石流爆发时的危害范围，一定程度上减少泥石流灾害带来的损失。

目前，用于滑坡变形监测方法大致可归纳为以下3种：①传统基于双经纬仪的检测方法，该方法操作简单，作业速度快，成本低，但仅适用于小范围的检测对象，且精度较低[2];②现代GPS/GNSS检测方法，该方法在作业性能上有很大改进，有全天候、时效性及测量精度高等优点，但仅获取单点信息，对大型滑坡进行观测时，观测工作量也会随之增大，且所获取数据的完整性受地形条件约束[3-5];③利用不同时期卫星遥感源数据生成的DEM对滑坡进行“面”状地表变形分析，但是获取的DEM精度较低，难以刻画地表微小变形的精细特征[6]。因此，上述方法对于大范围、地形条件复杂的滑坡体检测均具有不足之处。

近些年来，地面激光扫描技术（Terrestrial Laser Scanner，TLS）因其全自动、非接触、高密度的三维数据获取手段和高精度产品获得快速发展，越来越多地被应用于滑坡变形监测领域。本文以东川小江大白泥河泥石流沟的某伴生滑坡体为研究对象，运用TLS技术对泥石流沟滑坡体进行点云数据采集，经过点云配准、滤波去噪等预处理过程得到地表点云数据，基此数据开展坡度、坡向、地表粗糙度和精细化DEM等滑坡体地表特征提取及其变化检测分析，以达到更直观检测滑坡体地表特征变化的目的。

1 试验区与数据预处理

1.1 试验区概况

试验区位于昆明市东川区小江流域的大白泥河泥石流沟内，地处小江流域的中下游地段。该试验区山高谷深，地势陡峻，是云南省泥石流主要发育带和集中分布区，被称为“泥石流灾害的天然博物馆”[7];其发育在小江深大断裂带，岩层古老而破碎，岩性软弱而易坍，固体松散物质丰富;地形高差较大，构成显著的立体气候和旱雨季分明的特点[8];由于其特殊的地质地貌环境条件及风蚀作用导致该区滑坡、崩塌，泥石流灾害频发。试验区与站点布设如图1[9]所示，图片源于Google Earth。

图1 试验区与站点布设

1.2 数据采集及预处理

为检测滑坡体的变化情况，用MAPTEK I-Site 8200型地面三维激光扫描仪在2017-03-25（I期）和2018-03-09（II期）进行两期野外数据采集，每期采集设置3个测站的扫描任务，分别获取点云2 658 713个和3 363 318个。

TLS获取的点云数据存在不同测站、不同期的数据空间坐标不统一、点云中存在干扰变化检测的非地面点等问题，因此在数据使用之前需对其进行空间配准和点云滤波等预处理。空间配准指将多个扫描站的点云或多期点云统一在同一坐标系下，包括粗配准和精配准两个步骤。由于本文采用基于GPS站点扫描模式[9]获取点云，故在数据采集过程中已完成点云粗配准。之后再采用迭代最近点（iterative closest point，ICP）算法[10]实现点云精配准，该算法以六参数为基础，通过查找两测站重叠区域的最近点集，并通过设置最近点集间的距离阈值，计算满足该阈值最近点集的旋转矩阵和平移参数。

在LiDAR点云滤波方法方面，大致可分为顾及地形坡度的滤波法、基于不规则三角网法、数学形态学法、移动窗口法、迭代最小二乘内插法等几类[11]。本文根据试验区地形地貌特征，采用一种基于区域增长渐进加密TIN滤波方法[12]。该方法基本原理为：首先对点云数据进行中值滤波处理，剔除噪点;其次，对去噪后的点云数据进行网格化处理，提取网格中的最低点作为初始三角网的种子点，构建初始TIN;然后，通过设定阈值，利用渐进加密TIN原理对原始点云进行地面点分离和区域增长;最后，当TIN中不再有新的点添加时，基本地形已经形成，即完成区域增长，滤波结束。为进一步保证试验的滤波效果，在完成基于区域增长渐进加密TIN滤波后，可采用手动滤波方法再进行一次滤波处理。

2 泥石流沟伴生滑坡体地表特征变化检测

2.1 滑坡体地表特征提取

2.1.1 坡度坡向提取

地形因素是影响滑坡发育过程的重要因素，不仅影响滑坡程度，还影响滑坡速率。本文利用ArcGIS提取其整体坡度、坡向、地表粗糙度等地形特征定量分析滑坡体地表几何形态。根据预处理后的点云数据，运用ArcGIS平台提取试验区坡度坡向并进行坡度分级统计。如图2和表1所示，滑坡体模型表面积为48 200.50m2，最高点高程为      1 561.42m，最低点高程为1 424.68m，滑坡体落差为136.74m;滑坡体最大坡度接近74°，坡度大于35°的面积占滑坡体总面积的65.91%。

图2 滑坡体地形特征

表1 滑坡体坡度分级统计结果

滑坡体坐北朝南，山脊两侧坡面东西向显著;地表粗糙度为在地面特定距离内地面表面积与其在水平面上的投影面积之比，反映宏观区域内地面的破碎程度，与水土流失密切相关。该滑坡体区域的地表粗糙度为1.32。

2.1.2 DEM提取

DEM （数字高程模型） 通常定义为在x、y域（规则或不规则）离散点上，以高程表达地面起伏形态的数字集，是一种对空间起伏变化进行连续表示的方法，可派生出坡度、坡向、坡度变化率等信息，用于地形信息相关的应用[13]。由于点云数据高精度、高密度的特征，利用其生成的高分辨率DEM可以更准确、真实地表达三维地面信息。本文试验利用预处理后的点云数据构建TIN模型，由TIN模型生成所需DEM，利用两期DEM进行滑坡体地表高程变化探测，对泥石流物源量进行估算并生成剖面线以探测滑坡体形变信息。

2.2 滑坡体地表特征变化检测

2.2.1 基于坡度坡向比较的变化检测

将基于两期点云数据提取的坡度进行分级统计面积，如图3所示。当坡度小于等于25°时，II期各级坡度面积比对应的I期各级坡度面积有所增加，在坡度为5°～8°范围内，II期面积比I期面积增加了753.38m2，说明滑坡体堆积导致该坡度范围内的面积增加;当坡度大于25°时，II期各级坡度面积比对应的I期各级坡度面积均有所减少，在坡度为35°～73.47°范围内，II期面积比I期面积减少了694.99m2，说明滑坡体下滑导致该坡度范围内的面积减少。在本文滑坡体中，坡体坡度均大于25°，属于容易触发滑坡的一个角度范围，坡度对滑坡的发育具有重要影响作用，一直被认为是影响滑坡稳定性的重要因素。

图3 坡度分级统计面积变化分析

将I期和II期坡向数据进行差分对比，滑坡体坡向检测如图4所示。整体上山脊两侧坡面坡向变化较小，山谷处及河滩处坡向变化较大，说明该滑坡体坡面滑坡特征不明显，但山脊山谷处滑坡特征明显。同时，由图2（b）和图5可以看出，该坡体坐北朝南，东西向坡体太陽辐射吸收不均，东向坡体表现为坡体下滑，西向坡体表现为坡体堆积，两者有着明显的滑坡表现差异。因此，坡向也影响着滑坡发育状况，在自然发育的滑坡条件下，不同的水热条件导致坡体地貌各要素有规律性分布，进而潜在地导致滑坡发育具有坡向性。

2.2.2 基于DEM比较的变化检测

通过数据处理后分别得到两期DEM模型，用I期DEM模型减去II期DEM模型，从而可以得到滑坡体2017年3月25日和2018年3月9日的高程差值，如图5所示（见封二彩图）。其中正值表示高程降低，属于滑坡体的下滑区，负值表示高程增加，属于滑坡体的堆积区。从2017年3月25日到2018年3月9日期间，滑坡体的大致表现为东向坡体向下滑动并在红圈1处形成一定的局部堆积区，其中，坡体下滑导致坡体高程值下降约为0.3m，在红圈1处出现0.8m左右的局部隆起。在图5中，黑圈处形变量异常，有4～8m的高程差值，通过查看原始点云，发现在I期数据扫描时，形变量异常处由于植被茂密或有地物遮挡等因素导致该处点云数据稀少和缺失，从而导致DEM提取错误。在后续泥石流物源量估算过程中，该部分数据将会被剔除。

图4 滑坡体坡向变化检测      图5 基于DEM的滑坡体变形分析

3 结果分析与讨论

本文通过两期点云数据对滑坡体进行了基于坡度、坡向、DEM的变化检测，取得了较好的检测结果。在坡度为5°～8°范围内，II期面积比I期面积增加了753.38m2;在坡度为35°～73.47°范围内，II期面积比I期面积减少了694.99m2，说明滑坡在坡度较陡处发生下滑，在坡度较低处形成堆积;山脊两侧坡面坡向和高程变化较小，而山谷处及河滩处坡向和高程变化较大，说明该滑坡体坡面滑坡特征不明显，但山脊山谷处滑坡特征明显。整体而言，该滑坡体在2017年3月25日至2018年3月9日期间处于一个较为稳定的状态。

为了进一步对滑坡进行形变趋势分析，本文还对该滑坡体进行了剖面分析及泥石流物源量估算。根据两期点云数据生成的高精度DEM，可以绘制出滑坡剖面线，将同一位置的滑坡剖面线放在同一坐标系下比较，可以直观地观察到滑坡体形变趋势，如图6所示。

图6 滑坡体剖面线变化检测

同时，将两期DEM进行差值计算可得到差值栅格文件，利用差值栅格文件，通过条件函数和设定阈值将点云稀疏和缺失区域剔除，即可计算出2017年3月25日到2018年3月9日该滑坡体为泥石流提供的物源量为31 460.347立方米。

4 结语

与传统滑坡检测方法相比，TLS技术具有方便快捷、全数字化、高精度、测量方式灵活、非接触测量的特点。本文以昆明市东川小江流域大白泥河泥石流沟的某滑坡体为例，利用TLS技术对大范围滑坡体进行地表特征提取及变化检测。基于坡度、坡向比较与DEM差值比较，剖面线比较检测了滑坡体的特征形变量和形变趋势，通过对泥石流物源量进行估算可以对泥石流灾害爆发时的危害程度和范围进行有效预估，从而减少泥石流灾害带来的损失。试验结果表明，TLS技术以其独特的面测量方式，能够获取带有丰富地表特征信息的点云数据。利用这些点云且通过一定的技术手段能够检测到滑坡体局部特征变化，以实现对检测对象宏观和微观两方面的检测分析，从而达到更直观、全面、多方位的检测目的。

滑坡发生具有不确定性，TLS技术的快速发展为滑坡变形检测提供了一种新的解决方案，在滑坡精细化监测和应急监测中具有良好的应用前景。

参考文献：

[1] 朱涯，黄玮，李蒙，等. 云南省山洪地质灾害分布特征及致灾因子分析[J].灾害学，2018，33（3）：96-100.

[2] 姜晨光，盖玉松，王尤选，等. 双经纬仪监测小范围滑坡的研究与实践[J].东北测绘，2000（4）：40-42.

[3] 徐绍铨，程温鸣，黄学斌，等. GPS用于三峡库区滑坡监测的研究[J]. 水利学报，2003（01）：114-118.

[4] 李远宁，冯晓亮.  GPS在三峡水库区云阳县滑坡监测中的应用[J]. 中国地质灾害与防治学报，2007（1）：124-127.

[5] 霍欣杰，崔磊，蒋国辉，等.  浅析三维激光扫描仪在边坡变形监测中的应用[J]. 测绘通报，2017（11）：157-158.

[6] 薛强，张茂省，唐亚明，等.  基于DEM的黑方台焦家滑坡变形分析[J]. 水文地质工程地质，2011，38（1）：133-138.

[7] 曾璇. 东川泥石流形成条件及治理对策探讨[J]. 中山大学研究生学刊：自然科学2医学版，2016，37（3）：37-46.

[8] 师焰方. 东川小江流域生态环境与可持续发展[J]. 云南环境科学，2000（3）：41-43.

[9] 杨敏，甘淑，袁希平，等. 复杂带状地形条件下的地面三维激光扫描点云数据采集与配准处理试验[J]. 测绘通报，2018（5）：35-40.

[10] ABELLáN A，VILAPLANA J M.CALVET J，et al. Rockfall monitoring by terrestrial laser scanning-case study of the baseitic rock face at Castellfollit de la Roca （Catalonia，Spain）[J]. Natural Hazards and Earth System Science，2011，11（3）：829-841

[11] 陈静，陈仁喜.  基于TIN渐次加密的LiDAR点云数据滤波[J]. 测绘与空间地理信息，2014，37（11）：107-110.

[12] 李卉，李德仁，黄先锋，等. 一种渐进加密三角网LIDAR点云滤波的改进算法[J]. 测绘科学，2009，34（3）：39-40+216.

[13] 刘珊珊.  DEM数据生产中点云数据处理方法探讨[J]. 测绘与空间地理信息，2018，41（8）：172-174.