Multi-temporal analys av förändringar i bergsterräng baserad på UAV-bilder och punktmolnsdata

Att iaktta bergen andas och röra sig

Branta bergslandskap kan se tidlösa ut, men de hör till de mest rörliga platserna på jorden. Kraftigt regn, jordbävningar, jordskred och långsam markförskjutning kan tyst omforma dalgångar, skada bostäder och skära av vägar. Denna studie visar hur små drönare och avancerad bildanalys kan förvandla dessa kantiga områden till noggrant övervakade zoner och avslöja var marken har förflyttats från bara några centimeter upp till flera meter. Den informationen kan hjälpa räddningsinsatser efter katastrofer och stödja säkrare planering för samhällen som bor på instabila sluttningar.

Varför förändringar i bergen är svåra att se

Att mäta hur bergsterrängen förändras över tid är långt ifrån enkelt. Branta klippväggar kastar djupa skuggor, tät växtlighet döljer marken och delar av landskapet är ofta skymda. Traditionella flygfoton eller satellitbilder kan missa subtila rörelser, och även högteknologiska laserskanningar kan störas när trädgrenar svajar eller när terrängen bara delvis fångas upp. Resultatet blir att farliga förskjutningar kan förbli oupptäckta, eller att falska larm uppstår där endast skuggor eller säsongsbetonad grönska har förändrats. Bergsområden behöver därför metoder som ser inte bara ytfärgerna uppifrån utan också den tredimensionella formen hos marken under.

Att använda drönare för att fånga terrängens form

För att möta denna utmaning flög forskarna obemannade luftfarkoster — små kamerakapslade drönare — över ett sex hektar stort område i Taiwans Guanziling-berg vid två tillfällen, med ungefär ett års mellanrum. Genom att noggrant planera överlappande flygrutter och hålla flyghöjden låg samlade de tusentals högupplösta bilder, där varje pixel motsvarar endast två centimeter på marken. Ur dessa fotografier rekonstruerade öppen källkodsprogram detaljerade tredimensionella ”punktmoln”, där miljontals färgade punkter kartlägger ytorna på byggnader, träd, vägar och bar mark. Det digitala landskapet förankrades i verkliga koordinater med markbundna kontrollmärken, vilket säkerställde att de två mätningarna kunde jämföras med centimeterprecision.

Att lära datorn att förstå scenen

Hög detaljrikedom räcker inte i sig — datorn måste också veta vad den ser. Teamet tränade en djupinlärningsmodell kallad DeepLabv3 för att utföra semantisk segmentering, det vill säga att tilldela varje pixel i drönarbilderna en enkel kategori som byggnad, väg, vegetation, flod eller andra människoskapat objekt. De märkte manuellt hundratals bildrutor från den första undersökningen för att skapa en sanningkarta och använde denna för att lära nätverket känna igen liknande mönster. Den tränade modellen visade sig mycket noggrann och matchade människomärkningarna korrekt för de flesta kategorier mer än 90 procent av tiden i komplex, kuperad terräng. Detta steg gjorde det möjligt för systemet att skilja styva objekt, som hus och vägar, från mer föränderliga som lövverk — avgörande när man ska avgöra om en till synes förändring är oroande eller bara lövens rörelse.

Mäta verklig markförflyttning i 3D

När de två undersökningarna var inpassade och varje pixel klassificerad vände sig forskarna till punktmolnen för att mäta hur mycket själva marken hade förflyttats. De använde en metod kallad Multiscale Model-to-Model Cloud Comparison, som analyserar längs terrängens lokala lutning och beräknar hur långt ytan har förskjutits mellan de två tidpunkterna, samtidigt som osäkerheten i varje mätning uppskattas. På stabila platser som tak och asfalterade vägar rapporterade metoden en genomsnittlig avvikelse på endast omkring fyra centimeter, vilket bekräftade att inpassningen var tätt. I områden med stora förändringar upptäckte systemet genomsnittliga förskjutningar på ungefär tre meter, där de flesta berörda punkterna tydligt låg över brusnivån — starka bevis för verklig markrörelse snarare än mätfel.

Att se vad 2D-bilder missar

Metodens verkliga styrka ligger i att kombinera två- och tredimensionella vyer. En enkel jämförelse av klassificerade bilder från de två datumen markerade ibland förändringar där inga verkliga hade skett, till exempel i områden som mörknat av förskjutna skuggor eller täckts av tätare vegetation. Genom att korsreferera dessa till synes förändringar mot 3D-förskjutningskartan kunde forskarna sålla bort fall med liten eller ingen uppmätt rörelse. I en uppsättning ”medelstora förändrings”-zoner upptäckte en 2D-endast metod mindre än en tiondel av de faktiska förskjutningarna, medan 3D-analysen avslöjade verkliga förflyttningar i genomsnitt på mer än två meter, även där träd delvis dolde marken. Denna 2D–3D-fusion förvandlade ett brusigt lapptäcke av till synes förändringar till en tydligare bild av var marken faktiskt hade deformerats.

Vad detta innebär för bergssamhällen

I praktiska termer visar studien ett användbart recept för att övervaka instabil bergsterrängs andning och förskjutning över tid. Genom att kombinera kostnadseffektiva drönarundersökningar med smart bildmärkning och precisa 3D-avståndsmätningar kan myndigheter kartlägga var sluttningar kryper, var jordskred har vuxit och hur nära sådana förändringar är bostäder och vägar. Systemets goda överensstämmelse med manuellt framtagna referenskartor tyder på att dess förändringsuppskattningar är tillförlitliga nog att användas vid efterhandsbedömningar, jordskredsövervakning och långsiktig planering. När detta tillvägagångssätt sprids kan samhällen i kuperade regioner få tidigare varningar om markrörelser, mer exakta skadekartor efter stormar eller jordbävningar och bättre underlag för beslut om var — och var inte — det är lämpligt att bygga i framtiden.

Citering: 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

Nyckelord: bergsskalv, drönarkartering, 3D-punktmoln, detektion av terrängförändringar, katastrofövervakning