基于无人机影像与点云数据的山区地形多时相变化分析

观察群山的呼吸与移位

陡峭的山地景观看似恒久不变，实则是地球上最不安静的地区之一。暴雨、地震、滑坡以及缓慢的地面蠕动都能悄然重塑河谷、损毁民屋并切断交通。本文展示了小型无人机与先进影像分析如何将这些崎岖区域变为可被精细监测的空间，揭示地面从仅几厘米到数米的位移。此类信息可为灾后救援提供方向，也能支持在不稳定坡地上的更安全规划。

为何山地变化难以察觉

量测山地随时间的变化远非易事。陡峭的悬崖投下深深的阴影，茂密的植被掩盖了地表，且地形常有遮挡。传统的航空或卫星影像可能漏掉细微移动，即便是高端激光扫描在树枝摇动或地形部分未被捕获时也会受扰。结果是危险位移可能被忽视，或因仅仅是阴影或季节性植被变化而产生误报。因此，山地需要不仅能自上而下观察表面颜色、还能够把握地表三维形态的方法。

用无人机捕捉地形形态

为应对这一挑战，研究团队在台湾关子岭山区的一个六公顷区域进行了两次无人机航测，间隔约一年。通过精心规划重叠的飞行航线并保持较低飞行高度，他们收集了数千张高分辨率影像，每个像素代表地面上仅两厘米。利用这些照片，开源软件被用来重建详细的三维“点云”，数百万彩色点描绘出建筑、树木、道路和裸地的表面。通过地面控制标识将这一数字地景锚定至真实坐标，确保两次测量可在厘米级精度下进行比较。

教计算机理解场景

高分辨率本身还不够——计算机还需要知道自己在看什么。团队训练了名为 DeepLabv3 的深度学习模型来执行语义分割，即将无人机影像中的每个像素分配到诸如建筑、道路、植被、河流或其他人造物等简单类别。他们对第一次航测的数百个影像瓦片进行了人工标注以创建真实标注图，然后用它来教会网络识别相似模式。训练后的模型在复杂丘陵地带对大多数类别的识别准确率超过90%。这一步使系统能够把像房屋和道路这样的刚性特征与易变的植被区分开来，这在判定某一表观变化是值得关注的地面位移还是仅仅树叶移动时尤为重要。

在三维中测量真实地面位移

在两次航测对准且每个像素均被分类后，研究者转向点云以测量地面自身的位移。他们使用一种称为“多尺度模型对模型点云比较”（Multiscale Model-to-Model Cloud Comparison）的方法，该方法沿地形的局部坡面方向计算两次时相间表面移动的距离，同时估计每项测量的不确定性。在建筑屋顶和铺装道路等稳定区域，该方法报告的平均不匹配仅约四厘米，证实配准相当精确。在重大变化区域，系统检测到平均位移约三米，且大多数受影响点明显高于噪声水平——这是地面真实移动而非测量误差的有力证据。

揭示二维图像无法察觉的情况

该框架的真正威力在于将二维与三维视角结合。对两次日期的分类影像进行简单对比有时会标记出并未真实发生的变化，例如由于阴影移动而变暗的区域或被更浓密植被覆盖的地段。通过将这些表观变化与三维位移图交叉核验，研究者可以剔除那些几乎没有测得移动的情况。在一组“中等变化”区块中，仅二维方法检测到的实际位移不到十分之一，而三维分析在树木部分遮挡地面的区域也揭示了平均超过两米的真实位移。二维—三维的融合将噪声般的表观变化拼图转换为更清晰的地面真实变形图景。

对山地社区的意义

通俗来说，这项研究展示了一套可行的配方，用以随时间观察不稳定山地的“呼吸”与位移。通过将廉价的无人机航测与智能影像标注和精确的三维距离测量相结合，主管部门可以绘出坡体蠕变、滑坡扩展的位置，以及这些变化距离民居和道路的远近。系统与人工参考地图的高度一致性表明，其变化估计足够可靠，可为灾后评估、滑坡监测与长期规划提供依据。随着该方法的推广，生活在崎岖地区的社区可能获得更早的地面移动预警、更准确的风灾或地震后的损毁图，以及更有依据的选址决策信息。

引用: 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

关键词: 山地滑坡, 无人机测绘, 三维点云, 地形变化检测, 灾害监测