Мультитемпоральный анализ изменений горного рельефа на основе данных БПЛА и точечных облаков

Наблюдая, как дышат и смещаются горы

Крутые горные ландшафты могут казаться вечными, но они — одни из самых подвижных мест на Земле. Сильные дожди, землетрясения, оползни и медленное сползание грунта тихо перестраивают долины, портят дома и разрывают дороги. В этом исследовании показано, как небольшие беспилотники и современные методы анализа изображений превращают эти суровые районы в тщательно контролируемые пространства, показывая, где земля сдвинулась всего на несколько сантиметров или на несколько метров. Эти данные могут помочь координировать спасательные работы после катастроф и служить основой для более безопасного планирования в сообществах, живущих на неустойчивых склонах.

Почему изменения в горах трудно заметить

Измерить, как рельеф гор меняется со временем, далеко не просто. Крутые скалы отбрасывают глубокие тени, густая растительность скрывает почву, а участки ландшафта нередко оказываются закрытыми от обзора. Традиционные аэрофотоснимки или спутниковые кадры могут пропустить тонкие перемещения, а даже высокоточные лазерные сканы ошибаться, когда ветви деревьев колышутся или рельеф зафиксирован лишь частично. В результате опасные сдвиги могут остаться незамеченными, а ложные срабатывания возникнуть там, где изменились лишь тени или сезонная зелень. Для горных районов поэтому требуются методы, которые видят не только цвета поверхности сверху, но и трёхмерную форму земли под ними.

Использование дронов для снятия формы местности

Чтобы решить эту задачу, исследователи дважды — с разницей примерно в год — облетели шестигектарную зону в горах Гуаньцилин на Тайване с помощью беспилотных летательных аппаратов — небольших дронов с камерами. Тщательно планируя перекрывающиеся маршруты и удерживая невысокую высоту полёта, они собрали тысячи высокоразрешающих снимков, где каждый пиксель соответствовал всего двум сантиметрам на земле. Из этих фотографий с помощью открытого программного обеспечения восстановили подробные трёхмерные «точечные облака», в которых миллионы цветных точек отображают поверхности зданий, деревьев, дорог и оголённой почвы. Эта цифровая модель была привязана к реальным координатам с помощью наземных контрольных маркеров, что обеспечило возможность сравнения двух обследований с точностью до сантиметра.

Обучение компьютера пониманию сцены

Высокое разрешение само по себе недостаточно — компьютеру также нужно знать, что он видит. Команда обучила модель глубокого обучения DeepLabv3 выполнять семантическую сегментацию, то есть присваивать каждому пикселю в изображениях с дрона простую категорию, такую как здание, дорога, растительность, река или прочие искусственные объекты. Они вручную маркировали сотни фрагментов снимков из первого обследования, чтобы создать эталонную карту, а затем использовали её для обучения сети распознавать схожие шаблоны. Обученная модель показала высокую точность, правильно сопоставляя человеческие метки для большинства категорий более чем в 90% случаев на сложной холмистой местности. Этот шаг позволил системе отделять жёсткие объекты, например дома и дороги, от более изменчивых, таких как кроны деревьев, что критично при решении, является ли заметное изменение тревожным или это просто движение листвы.

Измерение реальных перемещений грунта в 3D

После выравнивания двух обследований и классификации каждого пикселя исследователи перешли к точечным облакам, чтобы измерить, насколько сам грунт сдвинулся. Они использовали метод, называемый многомасштабным сравнением модели с моделью (Multiscale Model-to-Model Cloud Comparison), который анализирует смещение вдоль локального склона рельефа и вычисляет, на какое расстояние поверхность сместилась между двумя периодами, одновременно оценивая неопределённость каждого измерения. В стабильных местах, таких как крыши зданий и асфальтированные дороги, метод показал среднее несоответствие всего около четырёх сантиметров, подтверждая точность выравнивания. В зонах значительных изменений система обнаружила средние перемещения порядка трёх метров, при этом большинство затронутых точек были явно выше уровня шума — убедительное свидетельство реального смещения грунта, а не погрешности измерения.

Что упускают двухмерные изображения

Подлинная сила методики заключается в сочетании двух- и трёхмерных представлений. Простое сопоставление классифицированных изображений с двух дат иногда помечало изменения там, где на самом деле их не было — например в областях, затемнённых смещающимися тенями или покрытых более густой растительностью. Сопоставляя такие кажущиеся изменения с 3D-картой смещений, исследователи могли отсеять случаи с незначительным или отсутствующим движением. В одной группе «умеренных изменений» подход, основанный только на 2D, выявил менее десятой части фактических сдвигов, тогда как 3D-анализ раскрыл реальные перемещения в среднем более двух метров, даже там, где деревья частично скрывали почву. Такое 2D–3D слияние превратило шумную мозаику кажущихся изменений в более ясную картину реальной деформации земли.

Что это значит для горных сообществ

Проще говоря, исследование демонстрирует практическую схему для наблюдения за неустойчивым горным рельефом и его изменениями во времени. Сочетая недорогие обследования дронами с интеллектуальным маркированием изображений и точными 3D-измерениями расстояний, власти могут картировать места, где склоны сползают, где разрослись оползни и насколько эти изменения близки к домам и дорогам. Хорошее совпадение результатов системы с картами, созданными человеком, говорит о том, что оценки изменений достаточно надёжны для посткатастрофической оценки, мониторинга оползней и долгосрочного планирования. По мере распространения этого подхода сообщества, живущие в труднодоступных районах, могут получить более ранние предупредительные сигналы о движениях грунта, более точные карты ущерба после бурь или землетрясений и лучшее основание для решений о том, где строить, а где — не стоит.

Цитирование: Hou, TC., Trinh, T.B.N., Yang, TY. et al. Multi-temporal analysis of mountainous terrain changes based on UAV images and point cloud data. Sci Rep 16, 12792 (2026). https://doi.org/10.1038/s41598-026-42202-x

Ключевые слова: горные оползни, картирование с помощью дронов, 3D точечные облака, обнаружение изменений рельефа, мониторинг стихийных бедствий