基于多尺度点云比对的滑坡表面形变探测与评估理论方法研究

Affected by the surface complexity of natural terrain, the application of 3D laser scanning to monitor the landslide surface deformation faces challenges on surface deformation detection and evaluation. The study on point-cloud-comparison-based extraction of surface deformations and its uncertainty analysis can significantly facilitate the application of 3D laser scanning in landslide monitoring. In general, this research divides the complex point clouds into subunits for point cloud comparison and detectable deformation measurement. Firstly, this study uses a mission-oriented simulation approach to develop a fine uncertainty model, which takes into account the measurement errors of a single point from point clouds as well as registration errors. Secondly, this study defines the multi-scale reference point cloud area according to the point cloud surface roughness, a priori topographic and accuracy parameters. With the normal direction defined by the main direction of the deformation, the corresponding region in the following point cloud is determined combining the curvature distribution and angle resolution error space model. Finally, this study utilizes a robust distance algorithm to determine the deformation vector. The total least-squares conformal transformation based on Gaussian Markov model is studied, and a matrix of the global deformation is constructed. Based on the fine uncertainty model, the Level of Detection (LoD) is obtained by non-parametric estimations. The feasibility of the proposed algorithm is validated with simulation experiments and real datasets.

受自然地形表面复杂性的影响，三维激光扫描应用于滑坡体形变监测在表面形变探测与评估方面面临极大挑战。开展基于点云比对的地表形变提取与不确定性分析算法研究，对三维激光扫描在滑坡表面形变监测的深入应用具有重要意义。本课题拟将复杂表面点云分割成单一子单元，进行点云比对、变形提取及变形可探测量级和可靠性分析。首先采用面向任务模拟方法构建顾及单点量测误差、配准误差的点云精度细分模型；其次根据点云表面粗糙度、地形及点云精度信息确定多尺度参考点云特征区域，以区域法向为变形矢量主导方向，结合点云角度分辨率误差空间模型，利用曲度分布矩阵为相似性度量确定“同名区域”；最后，引入强抗差性距离算法，确定“同名区域”的变形矢量，通过基于整体最小二乘的正形变换算法，获得点云整体区域性变化的变形矩阵。根据点云精度细分模型，采用非参数估计变形结果的不确定度，并通过模拟和实测试验验证算法可行性。

随着光电技术的大力发展，激光点云数据的获取变得越来越容易。高密度的激光点云可以直接反映监测对象整体空间信息，在测绘领域得到了广泛的应用。然而在灾害安全监测领域由于监测对象的复杂性以及监测任务的精度要求，激光点云的智能化处理技术还需进一步发展。本课题以滑坡表面形变监测为例，探讨了激光点云用于安全监测的数据处理流程以及相关算法。项目从理论研究、模型构建与解算、算法设计与实现、实测验证与结果评价等方面开展了研究工作，主要研究内容包括：.1）针对复杂地形表面点云数据采集以及数据处理过程所产生的空间分布各向异性误差，确定激光点位误差源、利用激光能量衰减模型以及光斑点位扩散函数推导出任意点位的单点坐标测量误差模型，最后采用面向任务的Monte-Carlo模拟方法完成配准误差影响分析，建立点云配准影响下的点云精度细分模型。.2）基于地形表面数据处理分析的复杂性，研究将复杂地形表面数据分割成单一局部区域的点云数据分类方法。将点云表面粗糙度、多尺度邻域关系特征等信息加入深度学习网络模型，选取三种具有代表性的网络PointNet、PointNet++、DGCNN进行点云分类研究。探讨了局部区域内各点关系，针对三种网络的优缺点进行改进，提出用于复杂地形表面点云分割算法，最后采用实验数据集验证所改进的模型算法。.3）最后在分割后的局部区域研究“同名区域”不同时序下的形变结果提取和表达方式，比较几种基于离散点群的距离计算方法，结合点云精度细分模型确定形变结构的置信区间，判断变形矢量的不确定度。.在国家自然科学基金项目的资助下，项目研究形成了针对复杂地形表面激光点云序列的数据处理计算流程，设计并实现了其中的关键数据处理的程序模块。发表学术期刊论文5篇，其中SCI收录5篇。