引用本文
高莎, 甘淑, 袁希平, 胡琳, 毕瑞, 李绕波, 罗为东. 典型高原坡耕地的UAV重复观测3D检测精度实证分析[J]. 光谱学与光谱分析, 2023,43(7): 2188-2194.
GAO Sha, GAN Shu, YUAN Xi-ping, HU Lin, BI Rui, LI Rao-bo, LUO Wei-dong. An Empirical Analysis of 3D Detection Accuracy of UAV Repeated Observation for the Typical Slope Farmland of Dongchuan Red Land[J]. Spectroscopy and Spectral Analysis, 2023,43(7): 2188-2194.
Doi:10.3964/j.issn.1000-0593(2023)07-2188-07  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
典型高原坡耕地的UAV重复观测3D检测精度实证分析
高莎1, 甘淑1,2,*, 袁希平1,3, 胡琳1, 毕瑞1, 李绕波1, 罗为东1
1.昆明理工大学国土资源工程学院, 云南 昆明 650093
2.云南省高校高原山地空间信息测绘技术应用工程研究中心, 云南 昆明 650093
3.滇西应用技术大学云南省高校山地实景点云数据处理及应用重点实验室, 云南 大理 671006
*通讯作者 e-mail: gs@kust.edu.cn

作者简介: 高 莎,女, 1993年生,昆明理工大学国土资源工程学院博士研究生 e-mail: kmust_gs@126.com

收稿日期: 2021-09-16 修回日期: 2022-06-29
基金: 国家自然科学基金项目(41861054)资助
摘要

随着低空无人机(unmaned aerial vehicle, UAV)技术的快速发展, 搭载光学传感器的小型消费级无人机可快速、 灵活地获取目标对象的高分辨率影像数据, 在地学各领域中呈现出广阔的应用前景。 UAV-SfM(structure from motion)作为成像3D立体构建的最新技术方法, 是深化低空无人机技术地学领域研究的核心技术, 但目前对于运用UAV-SfM方法获取数据综合精度的研究不足, 影响了该技术进一步的推广应用。 针对DJI Phantom 4 RTK消费级无人机是否具有应用于滇中高原山地浅层地表变化检测的可能性问题, 选择了东川红土地典型坡耕地为试验区, 采用相同航高重复飞行规划方案, 并运用SfM-MVS关键技术处理获取同一测区重复的DSM与DOM数据。 为了评价分析针对典型坡耕地的UAV重复观测的测量精度, 特别对实验区中的裸露坡耕地Ⅰ和有作物生长的坡耕地Ⅱ, 分别采用基于剖面线的3D离散点抽样和基于窗口面的3D点集抽样方法, 开展了对UAV重复观测坡耕地的3D点位精度评价。 点位精度分析表明: ①基于剖面线的3D离散点抽样及精度分析, 坡耕地Ⅰ平面点位精度误差均值为±0.029 m, 3D点位误差精度为±0.072 m; 坡耕地Ⅱ平面点位精度误差均值为±0.032 m, 3D点位误差精度为±0.075 m。 ②基于窗口面的3D点集抽样及精度分析, 坡耕地Ⅰ平面点位精度误差均值为±0.013 m, 3D点位误差精度为±0.066 m; 坡耕地Ⅱ平面点位精度误差均值为±0.038 m, 3D点位误差精度为±0.076 m。 综合分析得出, 基于剖面线单点抽样评价精度结果整体好于基于窗口的3D点集抽样评价精度, 但总体上平面精度与垂直精度均能够达到厘米级。 实验对比分析研究得出, 不同地表粗糙度对UAV重复观测精度存在影响, 地表粗糙度大的3D点位误差比粗糙度小的点位误差大。 该研究成果可以为基于无人机与SfM方法的地貌数据采集与三维重建的精度控制和采集方案设置提供定量参考。

关键词: UAV; SfM-MVS; DSM; 点位误差; 精度分析
中图分类号:P237 文献标志码:A
An Empirical Analysis of 3D Detection Accuracy of UAV Repeated Observation for the Typical Slope Farmland of Dongchuan Red Land
GAO Sha1, GAN Shu1,2,*, YUAN Xi-ping1,3, HU Lin1, BI Rui1, LI Rao-bo1, LUO Wei-dong1
1. School of Land and Resources Engineering, Kunming University of Science and Technology, Kunming 650093, China
2. Research Center of Applied Engineering of Spatial Information Surveying and Mapping Technology in Plateau and Mountainous in Yunnan Province, Kunming 650093, China
3. Key Laboratory of Mountain Land Cloud Data Processing and Application for Universities in Yunnan Province, West Yunnan University of Applied Sciences, Dali 671006, China
*Corresponding author
Abstract

With the rapid development of low-altitude unmanned aerial vehicle technology, small consumer-grade UAVs equipped with optical sensors can quickly and flexibly acquire high-resolution image data of target objects, which presents a broad prospect for expanding applications in various fields of geology. UAV-SfM is the latest technological method for imaging 3D stereo construction that is a core technology for deepening research in the field of low-altitude UAV technology geology, but at present the lack of research on the comprehensive accuracy of data results obtained by using the UAV-SfM method has affected the further promotion and application of this technical method. This paper addresses whether the DJI Phantom 4 RTK consumer-grade UAV has the technical potential to be used for detecting shallow surface changes in the mountainous areas of the central Yunnan plateau, and selects a typical sloping field in the red land of Dongchuan as the test area. The DSM and DOM data from the same area were obtained using the key SfM-MVS technique. In order to evaluate the accuracy of the repeated UAV observations on typical sloping land, 3D point accuracy evaluation was carried out for the bare sloping land I and the growing sloping land Ⅱin the experimental area, using 3D discrete point sampling based on profile lines and 3D point set sampling based on window surfaces, respectively. The point accuracy analysis showed that: (1) In 3D discrete point sampling and precision analysis based on profile line, the mean precision error of slope farmland Ⅰplane point position is ±0.029 m, and the accuracy of 3D point position error is ±0.072 m. The mean accuracy of slope farmland Ⅱplane point position is ±0.032 m, and the 3D point position error is ±0.075 m. (2) Based on the 3D point set sampling and precision analysis of the window surface, the mean precision error of slope farmland I plane point position is ±0.013 m, and the 3D point position error accuracy is ±0.066 m. The mean precision error of the slope farmland Ⅱplane point position is ±0.038 m, and that of the D point position is ±0.076 m. The comprehensive analysis shows that the evaluation accuracy of single point sampling based on profile line is better than that of 3D point set sampling based on the window, but the plane accuracy and vertical accuracy can reach centimeter level on the whole. According to the experimental comparative analysis, different surface roughness impacts on the UAV repeated observation accuracy, and the 3D point position error with large surface roughness is larger than that with small surface roughness. The research results of this paper can provide a quantitative reference for the precision control and acquisition scheme setting of geomorphic data acquisition and 3D reconstruction based on UAV and SfM methods.

Keyword: UAV; SfM-MVS; DSM; Point error; Precision analysis
引言

以无人机为载体的低空遥感探测是近几年迅猛发展起来的主要对地观测技术之一, 应用领域从早期军用扩展到商用、 民用市场[1]。 与传统卫星、 航空摄影测量相比, 低空无人机获取数据具备灵活、 便捷、 快速、 高分辨率等优势, 已经成为了目前主要的低空遥感平台[2]。 传统摄影测量是对同一目标进行拍摄, 依靠影像重叠度提取特征点进行影像匹配, 最后通过相机标定参数解算同名点的三维空间坐标[3]。 低空无人机摄影测量技术由于获取影像数据大、 分辨率高, 如何高效快速生成高精度的数据已经成为目前研究的热点问题。 近年来, 由于计算机视觉与传统摄影测量技术的融合发展, 带来了运动恢复结构(structure from motion, SfM)这一新型的地形测量技术, 可以让人们以最低的成本获得关于地貌高质量的密集三维点云。 尤其在近景三维场景重建中, 该算法仅需要目标物影像照片, 就可以快速获取高质量的三维地形数据, 而对相机标定参数、 影像尺寸等没有要求, 所以该方法已经被应用到多个地学研究领域中。 虽然基于UAV-SfM方法已经有了很多应用案例[4, 5, 6], 例如: 河道内地貌形态特征的快速变化检测[7], 地貌制图[8], 滑坡监测[9]等。 但是基于UAV-SfM方法的数据成果综合精度研究不足, 阻碍了UAV-SfM方法进一步的推广应用。

针对UAV-SfM方法数据成果的综合精度研究, 许多国内外学者通常利用激光雷达(light detection and ranging, LiDAR)数据或地面三维激光扫描(terrestrial laser scanning, TLS)点云与UAV-SfM数据进行精度对比分析。 Emilia Guisado-Pintado[10]等使用UAV-SfM和TLS以及基线dGPS数据点对爱尔兰西北部的一段海滩-沙丘进行了研究, 用来评估不同技术的实用价值及局限性。 对地貌类型与数字高程模型(digital elevation model, DEM)的精度、 分辨率和差异等进行关联分析, 发现传感器的性能在很大程度上取决于被测量的地形, 包括起伏度、 坡度、 植被覆盖、 采集分辨率(点密度)和内插方式等都对测量效果和数据质量有明显的影响。 Westoby[11]等针对不同尺度范围内的三种典型地貌, 利用SfM衍生的数字高程模型直接与使用地面激光扫描获得的类似模型进行比较, 试验结果表明, 即使对于具有复杂地形和一系列土地覆盖的场地, 使用SfM方法也可以达到分米级的垂直精度。 国内李文达[12]等基于UAV-SfM技术研究了拍摄高度、 拍摄角度和照片重叠度对地貌数据的测量精度, 以及对区域三维重建模型效果与生成时间的影响。 实验结果表明, 拍摄角度对结果的水平精度和垂直精度呈现出不同的影响, 拍摄角度越垂直于地面, 测量结果的水平误差越小, 垂直误差越大, 反之亦反。 甄怀才[13]等采用TLS和UAV 2种方法获取地表DSM, 并以TLS的DSM为基准, 分析了坡度对UAV-SfM的DSM的高程误差的影响。 结果表明, 高程误差均随沟壁坡度呈指数增加, 侵蚀沟愈活跃, 其坡比愈大, 高程误差占比愈集中在较大坡度的范围内。

综合国内外研究现状而言, UAV-SfM作为一种快速而廉价的三维地形测量方法, 不管最终产品是三维点云还是栅格DEM, 这些研究通常回避植被地表。 但是在地表探测应用UAV-SfM时, 那些以原始数据(没有栅格化DEM)进行分析, 来探索成像点云的真三维属性是至关重要的。 虽然UAV-SfM技术已日渐成熟, 并涉及到了多个应用领域中。 但是, 运用UAV-SfM方法获取数据成果的综合精度研究不足。 针对DJI Phantom 4 RTK消费级无人机是否具有应用于进行滇中高原山地浅层地表变化检测的技术可能性与精度可靠性, 选择了以云南东川红土地典型坡耕地为例, 基于UAV重复观测获取试验区影像数据, 针对不同地表粗糙度坡耕地, 按照地形测量的一般误差分析方法, 结合不同的抽样方式, 对UAV重复观测3D检测精度实证分析。 探讨消费级UAV可重复观测精度误差值, 为该类无人机的应用推广提供定量参考及技术支撑。

1 实验部分
1.1 试验地点概况

选取云南省昆明市东川红土地风景区落霞沟景点范围内开展UAV的3D误差分析, 落霞沟也称为“陷塘地”, 是红土地风景区崇山环抱中凹陷的洼地, 其经度103°6'36″, 纬度为25°55'48″, 处于云贵高原北部边缘。 境内不仅山高谷深, 地势陡峻, 还以小江流域为界。 东侧系, 最高峰海拔4 017.3 m, 西侧系, 最高峰海拔4 344.1 m, 为“滇中第一峰”。 并且, 该区还地处世界深大断裂带, 地质侵蚀强烈, 形成典型的深切割高山。 研究区位置图如图1示。

图1 研究区位置图Fig.1 Location map of the study area

1.2 数据获取

利用DJI Phantom 4 RTK无人机航测系统完成研究区影像数据采集, 该系统主要由无人机飞行平台、 飞行控制系统和影像传感器等组成, 定位系统采用双备份全球卫星导航系统(global navigation satellite system, GNSS)系统并且支持GNSS动态差分后处理技术, 航测作业灵活高效。 具体无人机平台参数和相机参数如表1示。

表1 DJI Phantom 4 RTK无人机平台和相机参数 Table 1 Parameters of DJI Phantom 4 RTK drone platform and camera

数据采集过程中, 选择对具有不同典型地表类型的同一红土地试验区, 采用相同规划航线方案, 基于相同航高, 执行三次飞行后获取三架次影像数据。 具体步骤如下: 首先, 根据测区实际周边地理环境, 交通状况, 结合DJI Pilot平台对测区进行航线规划。 其次, 结合航测对象主要面向坡耕地, 相对高差较小, 故将飞行参数设置为航向与旁向重叠度都为70%, 起飞点高程2 104.74 m, 平均飞行高度100 m, 本次航测天气条件良好, 共采集50张影像, 实验区面积为0.08 km2, 影像平均分辨率为0.03 m。

1.3 研究方法

1.3.1 研究技术框架

为了开展利用消费级UAV重复成像进行红土地不同类型浅层地表的3D测量变化精度试验分析, 确定研究主要技术框架如图2所示。 其中, 核心方法技术运用主要包括以下三方面: ①基于SfM-MVS的无人机DSM的构建。 ② 基于剖面线的3D点抽样及精度分析。 ③基于窗口面的3D点集抽样及精度分析。

图2 技术方法流程图Fig.2 Flow chart of technical method

如图2所示, 首先, UAV重复观测数据采集时, 共采集了三架次影像数据, 分别命名为: H100J1, H100J2和H100J3, 其中, H100代表航测高度, JX代表航飞架次数。 其次, 针对获取的3架次影像数据, 利用SfM-MVS方法进行DSM构建, 分别为: DSM1, DSM2和DSM3, 并对其进行场景可视化。 然后, 结合测区DOM数据对典型地貌解译并圈定出两类地表粗糙度不同的坡耕地Ⅰ、 坡耕地Ⅱ。 最后, 从剖面线的3D点抽样与窗口面的3D点集抽样方式, 对三架次航测数据3D点位误差进行分析。

1.3.2 SfM-MVS三维模型构建技术

UAV测量中, 基于SFM的三维重建是摄影测量与计算机立体视觉恢复研究热点之一, 该方法通过事先获取的图片进行特征点的提取, 对这些特征点进行匹配, 将匹配后的特征点进行三角化, 得到稀疏模型, 再用CMVS/PMVS进行稠密化, 最后恢复场景的三维模型。 SFM与MVS的结合已经成功运用到了无人机影像处理, 可生成高分辨的DSM与DOM数据, 具体可归纳为三个步骤:

(1) 基于SfM的几何重建

SfM技术中的多个环节与传统摄影测量的多个环节相似。 即通过无人机获取的影像数据, 运用尺度不变特征变换(scale-invariant feature transform, SIFT)等特征提取算法进行特征描述与提取, 结合K-s树模型计算特征点之间的欧式距离并进行匹配, 根据匹配点对求解基础矩阵或本质矩阵, 然后基于三角形法求解对应物方点的三维坐标, 考虑到存在误差, 求解之后还需使用Bundle Adjustment对结果进行优化; 该过程就是通过最小化误差函数来求解出最优的相机投影矩阵和三维点坐标, 最终得到相机的位置姿态和稀疏三维点云[14]。

(2) 基于MVS的稠密重建

MVS的稠密重建是基于SfM的三维重建基础上寻找空间中具有图像一致性的点, 对照片中的每个像素点都进行匹配, 几乎重建每一个像素点的三维坐标, 这样得到点的密集程度可以较接近图像为我们展示出的纹理信息。 在多视图照片间, 对于拍摄到的相同的三维几何结构部分, 存在极线几何约束, 如图3所示, X表示空间中的一点, x1和x2为X在两张图片中的同一点。 由于存在的约束, 已知x1, 想要在另一张图片中找到x2, 可以在直线L2上进行一维寻找。 MVS主要做的就是如何最佳搜索匹配不同相片的同一个点, 来实现几何稠密重建, 其中, DSM模型构建则是在密集匹配基础上生成的。

图3 MVS的稠密重建Fig.3 Dense reconstruction of MVS

(3) 真三维表面DSM的立体重建

真三维立体重建是在MVS稠密点云重建基础上, 基于深度图与立体图像恢复真实三维表面。 事实上, 稠密重建后的点云可能存在空洞以及遮挡造成局部匹配错误, 产生许多与实体模型无关的点云; 如果需要达到模型最佳效果需要人机交互, 剔除遮挡区域, 过滤明显错误点。 对于剩余点云, 通过Delaunay三角剖分, 获取一组包含三维图中每一个顶点的均匀三角网, 最后, 每个剖分三角网将会对应原图像中的一部分, 以面元形式映射到对应的3D三角面元上, 实现纹理拼贴。

1.3.3 DSM 3D点位误差分析

根据地形测量的一般误差分析方法, 点位误差分析的精度评定主要指在同一测站, 不同时刻测量同一目标时, 衡量多期数据间的精度指标以保证多期或多架次观测数据成果的正确性, 评定标准主要取决于不同架次数据间的相互吻合性。 精度主要通过各维度点位中误差进行验证[15, 16], 具体如式(1)所示。

δx=±∑i=1nΔxi2n, 　δy=±∑i=1nΔyi2n, 　δz=±∑i=1nΔzi2nδxy=±δx2+δy2, 　δp=±δx2+δy2+δz2(1)

式(1)中, δx为x维度方向的点位中误差, δy为y维度方向的点位中误差, δz为z维度方向的点位中误差, δxy为点位的平面中误差值, δp为3D点位误差值。

本次DSM 3D点位误差分析试验研究时, 首先, 以测区DSM数据为基础, 结合野外调查与DOM高分辨率影像的纹理信息, 分别解译圈定出地表粗糙度不同的两类微地貌。 其次, 在圈定的两类坡耕地中结合等高线趋势, 选取高程较为接近的两条带状剖面, 基于剖面线等间距进行3D点抽样, 通过上述公式计算各维度点位中误差后进行精度分析。 最后, 在两类坡耕地类型中, 分别选取三个1 m×1 m的窗口面进行3D点集抽样, 计算不同架次DSM中的各窗口内抽样点集的平面坐标均值和高程坐标均值统计处理, 并同理利用上述公式计算其点位中误差值。

2 结果与讨论

2.1 3D场景可视化及典型坡耕地确定

基于无人机成像处理获取DSM, 通过不同3D场景可视化如图4所示。 图4(a)为DSM+高程渲染, 该渲染模式下可以得到测区范围内地形大致变化情况, 经分析得出, 测区高程范围在2 010~2 150 m之间, 相对高差为140 m, 并且高程呈现出自西向东梯级递减趋势。 图4(b)为DSM+纹理映射, 该渲染模式下可将无人机遥感影像的RGB色彩信息映射到了DSM数据上, 使DSM数据不仅具有精确的位置信息还能具备清晰的纹理信息, 从图4(c)可以清晰看出, 测区范围内存在裸土地、 裸岩地、 耕作地等地类, 除耕作地之外植被覆盖率较高, 并且测区中部存在一条冲沟。

图4 可视化分析
(a): 高程渲染; (b): 纹理映射; (c): 倾斜模型Fig.4 Visual analysis
(a): Elevation rendering; (b): Texture mapping; (c): 3D model

结合测区DOM数据, 分别圈定粗糙度不同的两块坡耕地Ⅰ、 Ⅱ, 如图4(b)所示, Ⅰ类坡耕地无地表覆被, 地表粗糙度小, 地表平均高程2 121.5 m。 Ⅱ类坡耕地有地表覆被, 地表粗糙度大, 地表平均高程2 139.5 m。 两坡耕地相对高程差值为18 m。

2.2 基于剖面线的典型坡耕地3D点抽样及精度分析

基于剖面线的3D点抽样如图5所示, 首先进行剖面线的确定, 结合等高线区域走势, 在坡耕地Ⅰ, 坡耕地Ⅱ中分别构建AA', BB'两条剖面线, 从剖面线AA', BB'分析可得出, 剖面线AA'呈现光滑曲线, 反映该区地表粗糙度较小。 其中, 最小高程为2 120.0 m, 最大高程为2 122.2 m, 高程差值为2.2 m。 通过剖面线走势, 不难发现在, 在距离50~80 m间距, 高程呈现逐渐递增趋势, 结合DSM与DOM分析得出, 该区域呈现高程递增是由于该片区属于坡耕地形, 人工平整不均匀造成区域坡度相对较大。 剖面线BB'呈现许多峰值, 反映该区高程波动大, 地表粗糙度高。 其中, 最小高程为2 138.6 m, 最大高程为2 139.8 m, 高程差值为1.2 m。 通过剖面线走势, 可以发现该坡耕地从西南至东北方向高程呈现逐渐递减少趋势。

图5 剖面线示意图Fig.5 Schematic diagram of the section line

进行3D点抽样选取时, 以DSM1, DSM2和DSM3为基础数据, 沿剖面线AA', BB'按5 m等间距分别采样20个3D点作为样本值。 构建误差方程, 通过式(1), 计算个方向误差值如表2所示。

表2 抽样3D点精度分析表 Table 2 Accuracy analysis table of sampling 3D points

由表2可知, 针对两类坡耕地, 从单维度数据点位误差分析得出, Ⅰ类坡耕地x维度方向点位误差最大值为-0.027 m, y维度方向点位误差最大值为-0.031 m, z维度方向点位误差最大值为-0.099 m; Ⅱ类坡耕地x维度方向点位误差最大值为0.045 m, y维度方向点位误差最大值为-0.015 m, z维度方向点位误差最大值为-0.100 m。 从多维度数据点位误差分析得出, Ⅰ类坡耕地平面点位误差与3D点位误差最大值分别为± 0.040和± 0.104 m; Ⅱ类坡耕地平面点位误差与3D点位误差最大值分别为± 0.045和± 0.106 m; 对比平面点位误差与3D点位误差均值, 发现Ⅱ坡耕地误差均值大于Ⅰ坡耕地误差均值。

通过综合分析得出以下结论: ①从维度误差分析得出, 两类坡耕地的平面误差值均在厘米级, 高程点位误差最大值达到10 cm, 出现Ⅱ类坡耕地的DSM2中, 其余大部分点位高程误差值均在10 cm以下; ② 结合两类坡耕地点位误差值分析得出, Ⅱ坡耕地误差点位误差大于I坡耕地误差, 造成该现象是由于Ⅱ坡耕地有植被覆被, 地表粗糙高, 导致高程采样出现误差。 ③对于数据误差而言, 数据误差最大值基本出现在DSM2中, 可得出在进行第二架次数据扫描时可能由于无人机图像采集过程中风力、 风向、 光照度等因素对采集图像质量造成一定的影响, 出现测量粗差。

2.3 基于窗口面的典型坡耕地3D点集抽样及精度分析

结合DOM解译圈定出的两类地表粗糙度不同的坡耕地Ⅰ、 坡耕地Ⅱ, 分别在两类坡耕地中以1 m×1 m的窗口面对DSM数据进行3D点集抽样, 抽样窗口分布如图6所示。 其中S1窗口面3D点集, 无地表覆被; S2窗口面3D点集, 存在地表覆被, 地面粗糙度较大。

图6 地貌分类与抽样面选取Fig.6 Geomorphology classification and sampling surface selection

分别对S1, S1抽样窗口提取3D点集, 进而对相应3D点集进行平均化统计处理而得出3D点集点位偏离度结果如表3所列, 再利用点位误差分析的精度测算公式计算出3D点集中误差。

表3 1 m×1 m窗口抽样3D点集精度分析表 Table 3 3D point set accuracy analysis based on 1 m×1 m window sampling

通过表3计算, 对不同坡耕地采用1 m×1 m窗口抽样3D点集计算其点位误差分析得出, x, y和z三维度方向点位误差最大值出现在Ⅱ-S2类坡耕地的DSM2中, 误差值分别为0.052, 0.019和-0.096 m。 从多维度数据点位误差分析得出, 针对两类坡耕地, 平面误差与3D点位误差最大值出现在Ⅱ-S2类坡耕地的DSM2中, 平面点位误差最大值为± 0.055 m, 3D点位误差最大值为± 0.111 m。 对比3D点位误差均值, 发现Ⅱ坡耕地误差均值大于Ⅰ坡耕地误差均值。

综合分析发现, 垂直方向精度明显低于水平方向精度, 平均误差值呈现2~3倍关系, 并且平面精度、 高程精度均能够达到厘米级别。 结合坡耕地类型抽样精度对比分析, 垂直精度与3D点位误差精度均为Ⅱ>Ⅰ, 可得出地表粗糙度对SfM-DSM数据精度存在影响, 地表覆被越少, 数据精度越高, 反之, 越低。

3 结论

利用DJI Phantom 4 RTK消费级无人机进行数据采集, 以100 m航高进行UAV重复测量, 结合SfM-MVS方法获取试验区的DOM数据与DSM数据。 结合测区DOM数据, 分别圈定粗糙度不同的两块坡耕地Ⅰ和Ⅱ, 并以DSM数据为基础, 基于剖面线的3D点抽样与窗口面的3D点集抽样, 按照地形测量的一般误差分析方法, 计算其重复观测3D点位误差, 得出以下结论: ①试验结果表明, 该类无人机重复观测获取数据的平面误差与垂直误差能够达到厘米级。 针对不同地表粗糙度, 无植被覆被坡耕地平面误差均值为± 0.021 m, 3D点误差均值为± 0.069 m, 有植被覆被坡耕地平面误差均值为± 0.035 m, 3D点位误差均值为± 0.076 m。 平面粗差与垂直误差精度呈现2~3倍变换关系。 ②综合剖面线的3D点抽样与窗口面的3D点集抽样精度评定结果分析, 地表粗糙度对无人机数据垂直精度影像较大, 平面精度次之。 并且垂直精度误差明显大于平面精度误差。

无人机可以方便灵活地用于坡耕地浅层地表摄影测量, 并利用UAV-SfM构建3D场景, 但根据本试验研究表明, 对于使用UAV重复观测进行坡耕地水土流失或地表变换的精准监测, 平面点位变换精度达到厘米级。 针对垂直位移缓慢方向的流失沉降与堆积变化检测只能发生在在4~10 cm以上才有可能通过UAV探测得到。 由此可以推理出利用UAV对不同时间序列上地表形态变化的检测应用更主要适用于地表发生了明显灾变状况下的监测或者对长时间序列上发生4~10 cm以上的沉降或抬升变化。

试验研究过程中主要从野外数据获取角度出发, 进行UAV的可重复观测。 虽然通过实证试验得出了UAV可重复观测获取的DSM数据精度平面精度与垂直精度可达到厘米级。 但是仍然还存在一些问题与不足有待深化探讨。 例如: ①数据源单一, 对多类型数据(建设用地、 林地等)综合分析是今后研究的一个重点方向, 还能更好体现UAV观测技术的实用性; ② 试验误差因素可由单角度扩展到多角度, 如不同航高、 不同坡度、 不同角度等。

参考文献
[1] ZHANG Chun-bin, YANG Sheng-tian, ZHAO Chang-sen, et al(张纯斌, 杨胜天, 赵长森, 等). Journal of Remote Sensing(遥感学报), 2018, 22(1): 185. [本文引用:1]
[2] James M R, Robson S. Earth Surface Processes and Land forms, 2014, 39(10): 1413. [本文引用:1]
[3] QIN Chao, ZHENG Fen-li, XU Xi-meng, et al(覃超, 郑粉莉, 徐锡蒙, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2016, 47(11): 150. [本文引用:1]
[4] Carabella C, Buccolini M, Galli L, et al. Journal of Maps, 2020, 16(2): 222. [本文引用:1]
[5] Quesada-Román A, Zamorano-Orozco J. Journal of Maps, 2019, 15(2): 94. [本文引用:1]
[6] Lian H Q, Meng L, Han R Z, et al. Remote Sensing for Land & Resources, 2020, 32(3): 136. [本文引用:1]
[7] Özcan Orkan, Özcan Okan. Journal of Maps, 2020: 1. [本文引用:1]
[8] Das Sumanta, Christopher Jack, Apan Armand o, et al. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 173: 221. [本文引用:1]
[9] Eker R, Aydın A, Hübl J. Environmental Monitoring and Assessment, 2018, 190(1): 28. [本文引用:1]
[10] Guisado-Pintado E, Jackson D W T, Rogers D. Geomorphology, 2019, 328: 157. [本文引用:1]
[11] Westoby M J, Brasington J, Glasser N F, et al. Geomorphology, 2012, 179: 300. [本文引用:1]
[12] LI Wen-da, YAN Qi-ming, ZHANG Shang-hong, et al(李文达, 闫启明, 张尚弘, 等). Journal of Basic Science and Engineering(应用基础与工程科学学报), 2019, 27(6): 1225. [本文引用:1]
[13] ZHEN Huai-cai, ZHANG Xing-yi, YANG Wei, et al(甄怀才, 张兴义, 杨薇, 等). Journal of Soil and Water Conservation(水土保持学报), 2020, 34(3): 61. [本文引用:1]
[14] LI Dong-jiang, YANG Wei, YU Chao, et al(李东江, 杨维, 于超, 等). Journal of China University of Mining & Technology(中国矿业大学学报), 2020, 49(4): 798. [本文引用:1]
[15] KONG Jia-xu, GU Tian-feng, SUN Ping-ping, et al(孔嘉旭, 谷天峰, 孙萍萍, 等). Journal of Arid Land Resources and Environment(干旱区资源与环境), 2021, 35(1): 100. [本文引用:1]
[16] JIANG Guang-xin, XIE Yuan-li, GAO Zhi-yuan, et al(蒋广鑫, 谢元礼, 高志远, 等). Research of Soil and Water Conservation(水土保持研究), 2020, 27(5): 72. [本文引用:1]