Analysis of Vertical Accuracy Based on Network/Base Station RTK-SfM Data
-
摘要: 移动摄影测量技术SfM(Structure from Motion)的发展使活动构造研究中快速获得野外中小区域内高精度DEM数据更便捷,DEM数据精度是目前活动构造与测量领域较关注的问题。本文通过对比非RTK模式无人机摄影测量并结合地面控制点(GCPs)生成的SfM DEM数据与基于RTK移动摄影测量技术获取的RTK-SfM DEM数据差异,重点分析搭载RTK模块的移动摄影测量技术获取的DEM数据在垂向上的精度。数据采集、处理与对比结果表明:在添加地面控制点后的非RTK模式无人机摄影测量生成的DEM数据中,除测量区域边缘照片较少而产生畸变外,大部分地区畸变率较小;基于移动RTK技术摄影测量获取的高程数据畸变率更小,且与非RTK模式无人机摄影结合地面控制点生成的高程数据存在约0.85 m的系统高程误差,减去该误差后,点云对比结果表明二者95%以上的点垂向误差均<0.05 m;搭载RTK模块的移动摄影测量技术获取的DEM数据在垂向上具有更高的精度,且节省了时间与人工成本。
-
关键词:
- 活动构造 /
- 移动摄影测量技术 /
- RTK-SfM DEM /
- 垂向误差 /
- 测量精度
Abstract: The development of Structure from Motion (SfM) technology makes it more convenient to obtain high precision DEM data in small and medium-sized areas quickly in the field of active tectonics research. The accuracy of DEM data is a major concern in the field of active tectonics and surveying. By comparing the SfM DEM data generated by non-RTK model UVA technology combined with ground control point (GCPs) and RTK-SfM DEM data obtained based on RTK SfM technology, this paper focuses on analyzing the vertical accuracy of DEM data obtained by SfM technology equipped with RTK module. The results of data acquisition, processing and comparison show that in the DEM data generated by non-RTK model SfM technology with the GCPs, the distortion rate is small in most areas except the distortion caused by fewer photos at the edge of the measurement area. The DEM data obtained by RTK-SfM has a smaller distortion rate, and the data generated by non-RTK SfM combined with GCPs has a system elevation error of about 0.85 m. After subtracting the system error, the point cloud comparison results show that more than 95% of the vertical errors of both are less than 0.05 m. The DEM data obtained by SfM technology equipped with RTK module has better vertical accuracy and saves time and labor cost.-
Key words:
- Active tectonics /
- SfM technology /
- RTK-SfM DEM /
- Vertical error /
- Accuracy of surveying
1) 2 CloudCompare user manual(Version 2.6.1),2015. -
引言
研究活动构造在地貌上的表现时需大量的定量化参数,如断裂长度、分段长度、同震位移等(邓起东等,2004;Arrowsmith等,2009;Zielke等,2012),获取这些定量参数的传统测量方法如皮尺测量、全站仪测量、实时差分(RTK)-GPS测量等,不仅受野外自然条件限制,且受人工操作影响,会导致测量效率低、危险系数增高等问题,并使测量范围局限在较小的区域内(刘静等,2013;王朋涛等,2016;Bi等,2017)。
20世纪末发展起来的激光雷达扫描技术LiDAR使快速获取高精度地形数据成为可能(Hudnut等,2002;刘静等,2013;陈涛等,2014)。LiDAR的优势不仅在于精度高、扫描速度快,且可利用多重回波技术进行地面点和非地面点的区分,以此排除植被对测量精度的影响,更适用于植被发育较好的地区。然而LiDAR也有其局限性,由于LiDAR整合了激光扫描仪、高精度惯导系统(IMU)、GPS、成像装置等设备,通过高空机载或无人机载LiDAR设备均会导致造价较高;另外,LiDAR虽能在弱光下进行数据采集,但如果空气中浮尘等颗粒物较多,会对激光光束产生影响,同时由于激光波束较窄,难以用于搜索目标测量,使LiDAR难以推广使用(Johnson等,2014;赖旭东等,2017;佘金星等,2018;罗达等,2019;Okyay等,2019)。
近年来,移动摄影测量技术SfM的发展极大地提高了野外中小区域测量工作效率。该技术拥有大多数LiDAR技术的优势,包括可绝对定位、重复多次测量及获取高分辨率地形数据等,且SfM技术更简单方便,成本较低(Westoby等,2012;Wei等,2013;刘静等,2013;Johnson等,2014;王朋涛等,2016;Bi等,2017;张志文等,2021)。但利用无人机搭载相机进行摄影时,需在地面设置控制点,对测量结果进行校正,会降低测量效率,增加工作量。Harwin等(2012)研究了添加控制点的必要性,但研究前提是利用摄影测量的飞行器均未搭载任何RTK设备。针对该问题,使用搭载有RTK模块的无人机在野外分别采用RTK和非RTK两种模式进行摄影测量。非RTK模式下在测量区域使用Trimble R10差分GNSS均匀采集了地面控制点,并采集了多条地形剖面线。在室内分别将RTK模式下生成的数字高程模型(DEM)与非RTK模式并结合地面控制点生成的DEM,以及Trimble R10差分GNSS采集的地形剖面线进行对比,以此讨论确定搭载网络/基站RTK模块的无人机在移动摄影测量中发挥的作用。
1. SfM移动摄影测量基本原理与数据处理流程
SfM移动摄影测量是使用运动着的相机从多个视角获取所拍摄物体的多视角图像集,由此推算出相机位置和姿态,从而重建三维数字表面结构的技术方法(Ullman,1979;Westoby等,2012;李美燕,2014;杨海波等,2016;艾明等,2018)。基于SfM重建DEM是传统摄影测量的逆过程,在该过程中,二维图片内的点利用一定算法转换为三维坐标内的点,通过不同位姿相机拍摄的图片中大量重复的同名点实现(Tomasi等,1992;Wei等,2013;李美燕,2014)。
一般SfM重建地形工作的过程包括影像特征检测、同名点立体匹配、相机位姿标定、三维重建等。其中影像特征检测、同名点立体匹配一般利用Lowe(2004)提出的SIFT(Scale Invariant Feature Transform)同名特征点匹配算法,用于进行检测、匹配,经检验,已有研究认为该算法较好地解决了拍摄过程中由于相机运动产生的图形变形问题(陈志雄,2008;杨艳伟,2009;郑辉,2010)。基于匹配完成的特征,进行相机位姿标定工作,利用迭代光束平差方法可精确求得相机的位姿,并初步获得由一系列同名点构建的较稀疏的点云框架(Harwin等,2012;Mancini等,2013;Lucieer等,2014;Bemis等,2014;Javernick等,2014)。获得稀疏的点云框架后,可进一步进行高精度处理,主要基于多视角立体测量原理逐像素在影像间搜索匹配生成大量的匹配点,得到更密集的点云数据(Johnson等,2014)。对密集点云数据进行绝对坐标校正和空间插值。最终得到具有真实空间地理坐标的点云和DEM等地形数据。
网络RTK移动摄影测量与传统移动摄影测量的区别主要在于通过在无人机上搭载RTK模块,利用网络RTK进行实时差分,并将坐标信息记录在照片的中心点,每张照片可利用SIFT算法进行同名点匹配校准,也可通过自身携带的坐标信息进行自校准,从而提高测量精度(图1)。
2. 测量区域及数据采集与处理
本次测量区域选为祁连山北缘白杨河一带(图2),跨越白南断裂与白杨河背斜(闵伟等,2002),地形起伏较大,测量区域内发育因白杨河背斜形成的5级河流阶地(刘睿等,2017),阶地面上多为砂砾石,植被稀疏,适合开展SfM摄影测量工作(James等,2012;Fonstad等,2013)。
采用大疆精灵4 RTK型四旋翼无人机(图3(a))对选定的测量区域进行影像数据采集。无人机搭载的云台相机有效像素为2 000万,相机广角为84°,自动对焦距离为1 m~∞,上述参数可保证照片清晰度,便于后续处理过程中同名点的特征提取与匹配。
为更直接地进行数据对比,在相同测量区域、飞行高度及重叠率的条件下,分别采用RTK模式和非RTK模式获取数据,并在测量区域内均匀地布设14个地面控制点,地面控制点为边长47 cm的红/黄色海绵纸(图3(b)、(c))相间排列,其表面较粗糙,对阳光的反射方式为漫反射,有利于相机在多个角度进行拍摄,且进行相控点刺点时更方便。地面控制点坐标采用Trimble R10实时差分GNSS接收系统(实时动态测量水平精度10 mm±1 ppm RMS,垂直精度20 mm±1 ppm RMS)在海绵纸中心进行采集,保证了校正数据的精确性(图3(d)、(e))。
2次摄影测量过程均采用割草机式飞行路线,设置的飞行高度均为100 m,照片航向重叠率均为80%,旁向重叠率均为70%。采集每套数据时需3个架次,拍摄过程历时约75 min,拍摄有效照片917张。采用集成SfM算法的Pix4D软件进行数据处理,处理设备采用英特尔至强八核处理器的图形工作站,内存为128 G。
首先,将拍摄的照片导入Pix4D软件,导入前剔除质量较差、成像模糊的照片。然后,设置相机参数,无人机定位和相机参数信息均直接记录在照片里,利用记事本打开所拍摄的任一照片,找到记录相机焦距fx、fy,像主点坐标Cx、Cy,径向畸变校正参数k1、k2、k3,切向畸变校正参数p1、p2,并设置相机参数,用于对SfM处理数据结果进行校正。需说明的是,Pix4D软件的坐标系统与照片存储位置信息存在差异,这是因为Pix4D坐标系统是以照片左上角作为x、y轴初始原点,而照片坐标原点为照片中心。因此,处理时需用Cx、Cy加上照片文本信息中记录的相机标定的光学中心坐标,形成导入Pix4D中照片的像中心点(图4(a)、(b))。其次,对所采集的数据进行影像特征检测,利用SIFT算法进行同名点检测,立体匹配,恢复影像对之间的相对位置关系,获得稀疏的点云框架,并基于多视角立体测量原理(MVS)对点云进行逐像素的搜索加密,随后导入地面控制点,对生成的加密点云进行绝对坐标校正(进行RTK模式获取的数据处理时无须添加地面控制点);最后,生成三角网格,生成校正后带有地理空间坐标的密集点云、数字高程模型和正射影像图(Johnson等,2014;Bemis等,2014;魏占玉等,2015;Bi等,2017;高帅坡等,2017)。
将基于RTK模式获取的数字高程模型称为RTK-SfM DEM,将非RTK模式无人机摄影测量并结合地面控制点(GCPs)生成的数字高程模型称为SfM DEM。
3. SfM数据质量及对比分析
3.1 SfM数据质量
采用RTK模式进行数据处理时,根据Pix4D生成的质量报告,每张照片上点云的中位数为70 728个,最小为55 541个,最大为83 516个,平均每张照片上的点云为69 989个,分辨率为3.85 cm。经三维空间匹配后,平均三维点云密度为315.14个/m3,满足要求。
在采用非RTK模式并添加地面控制点的情况下,根据Pix4D生成的质量报告,每张照片上点云的中位数为71 169个,最小为56 244个,最大为83 516个,平均每张照片上的点云为70 870个,分辨率为3.96 cm。经三维空间匹配后,平均三维点云密度为262.65个/m3,添加14个控制点前、后的平均照片相对畸变为0.104%。
3.2 SfM数据对比分析
对于空间位置(x,y,z)均有差异的2组栅格数据,对z值进行对比时,一般采用的方法是首先以1组栅格数据为基准,对另一组栅格数据的平面位置(x,y)进行人工几何校正,然后将校正后的2组数据根据精度需要进行重采样,进行相应的计算后可得到2组数据在z值上的差异。但该数据对比方法较繁琐,且由于涉及人工校正因素,会在一定程度上造成人为误差,不适用于精度较高的数据对比。CloudCompare软件是专门用于点云对比的免费软件,其基本原理是计算2个点云之间的距离,默认方式是最近邻距离,对于比较云的每个点,CloudCompare软件搜索参考云中最近的点,并计算其(欧几里德)距离。如果参考点云密度足够大,可采用由对比云至参考云代表的下表面的近似距离。如果参考云不够密集,最近邻距离有时不够精确。因此,利用CloudCompare软件确定参考云中最近的点时,利用最近的点和与其相邻的几个点拟合数学模型,对参考云表面进行局部建模。从比较云的每个点到参考云中最近点的距离被到数学模型的距离所代替,这在统计上更精确,对云采样的依赖更少。CloudCompare软件采用了更精确的二次高度函数拟合曲面数学模型①。
本试验采用CloudCompare软件对2组数据进行对比,由于前期利用Pix4D软件生成DEM前已生成了相应的点云数据,以生成SfM-DEM的点云为参考云,对生成RTK-SfM DEM的点云进行对比,为尽量减少计算量,并提高对比的精确性,对生成RTK-SfM DEM的点云进行适当抽稀。
随机抽取对比云内部分点云数据,通过Cloud-cloud distances与参考云进行初步对比,本次初步对比选取了100 000个点,全部覆盖了对比云的范围,初步对比结果如表1所示,表中RMS是对比云与参考云之间的平均误差,也是2套数据之间产生的系统误差。
表 1 初步对比点云转换矩阵数据Table 1. Preliminary comparison point cloud transformation matrix tablex y z RMS 1.000 0.000 0.000 0.565 −0.000 1.000 0.000 0.509 −0.000 −0.000 1.000 0.851 0.000 0.000 0.000 1.000 初步处理目的是将2套数据通过大量的校准点进行对比,统计2套数据之间的空间位置差异。由图4(g)、(h)可知,2套数据的最小高程和最大高程差值为0.83~0.86 m,说明该初步处理结果可信。
初步处理后,CloudCompare软件会根据转换矩阵数据调整对比云的空间位置,并对2套数据进行详细对比。本文重点分析垂向z值对比结果,共包括73 056 320个对比值,平均值为0.048 2 m,其中95%以上的对比值<0.05 m,可知通过初步的空间位置修正后,对比云与参考云的垂向误差均<0.05 m(图5)。
由图4(g)、(h)、图5(b)可知,垂向对比值误差较小的点云分布在测量区域内部,而误差较大的点云主要分布在测量区域边缘或无地面控制点、地面控制点稀疏的区域,部分点云位于地形较陡峭的阴影区。排除地形因素影响外,造成误差较大的主要原因是参考云的地面控制点稀疏或缺少地面控制点导致的局部畸变。
3.3 无人机摄影测量生成的DEM与DGPS数据高程对比
基于DEM分析(坡度和坡向)结果,并结合野外地质调查结果,对测量区域内河流阶地进行系统划分。使用Trimble R10实时差分GNSS分别沿河道、T1阶地、T2阶地、T3阶地、T4阶地和T5阶地共测量6条测线,含5 077个DGPS坐标点。将实时差分测量的坐标点数据导入无人机测量生成的DEM中,在测线相同位置提取点,与6条测线高程进行对比(图6)。
进行预处理时,已输入了相机倾斜校正与垂直校正的相关参数,在Pix4D处理过程中已进行了相关校正,因此后续处理相对简单。利用ArcGIS中的数值提取到点功能,将DGPS测点文件与无人机摄影测量生成的DEM叠加,分别将2种模式下生成的DEM高程值提取至DGPS文件中,并将数据导出,进行3组高程对比。为使对比效果图更直观,仅选择阶地发育相对集中的局部段落进行对比(图6(c)中2个黄框位置)。将DGPS高程、带有控制点生成DEM高程(SfM DEM)及基于RTK模式生成DEM高程(RTK-SfM DEM)数据生成散点折线图(图7),并对比分析各级阶地测线高程数据差值(表2)。
表 2 3种高程数据差值的平均值Table 2. Average value of difference of three elevation data测线 DGPS与SfM DEM差值/m DGPS与RTK-SfM DEM差值/m 河床 0.44648900 1.25817214 T1 0.51727922 1.33264908 T2 0.56253832 1.39865517 T3 0.54695363 1.33524765 T4 0.61002861 1.38761910 T5 0.56203093 1.47095521 平均值 0.540886618 1.36388305 由图7可知,3种数据之间存在系统误差,且每2种数据之间的误差基本恒定,但RTK-SfM DEM数据对地形的刻画更细致。由表2可知,添加地面控制点生成的SfM DEM中各级阶地高程值与实时差分RTK测得的高程值相差0.446~0.610 m,平均值为0.540 886 618 m;基于RTK模式生成的RTK-SfM DEM中各级阶地高程值与实时差分RTK测得的高程值相差1.258~1.471 m,平均值为1.363 883 05 m,差值均为不同测量系统之间存在的系统误差。
以DGPS数据为基准值,分别减去0.540 886 618 m和1.363 883 05 m,以去除系统误差,然后与SfM DEM、RTK-SfM DEM数据中提取的点高程值进行对比,得出各级阶地相对平均值与标准差(表3),以此分析2种数据的相对稳定性。利用matlab软件中的hisfit绘图函数,得到利用3种方法测得的各测线高程数据差值正态分布曲线(图8)。
表 3 去除系统误差后3种高程数据差值平均值与标准差Table 3. Average difference and standard deviation of three elevation data after removing systematic error测线 DGPS与SfM DEM差值/m DGPS与RTK-SfM DEM差值/m 平均值 标准差 平均值 标准差 河床 −0.108 698 0.178 616 −0.096 039 0.158 909 T1 −0.037 377 0.143 255 −0.026 488 0.081 722 T2 0.021 172 0.130 226 0.013 106 0.105 653 T3 −0.033 185 0.189 726 −0.010 624 0.109 698 T4 0.069 141 0.120 677 0.023 736 0.150 740 T5 0.107 072 0.116 793 0.021 144 0.082 876 由表3、图8可知,各级阶地去除系统误差后DGPS数据与2种方式生成的DEM数据之间的差值均<0.10 m,DGPS数据与RTK-SfM DEM数据差值更小,大部分约为0.02 m。另外,各级阶地(除T4阶地外)去除系统误差后DGPS数据与RTK-SfM DEM数据差值的标准差较小,说明如果以DGPS数据为基准,RTK-SfM DEM数据较SfM DEM数据具有较好的稳定性。
4. 讨论与结论
(1)对搭载RTK模块的移动摄影测量技术获取的数据进行点云对比和与DGPS测量数据对比,分析基于网络/基站RTK移动摄影测量数据的垂向精度。
(2)通过对比非RTK模式无人机摄影测量并结合地面控制点(GCPs)生成的数字高程数据SfM DEM与基于RTK模式下获取的数字高程数据RTK-SfM DEM点云,发现2种数据在垂向上存在约0.85 m的系统误差,减去该误差后,2种数据95%以上的点云在垂向上的误差均<0.05 m,且RTK-SfM DEM数据畸变率更小。对比阶地面上DGPS测量数据与以上2种模式下获取的高程数据发现,DGPS测量数据与SfM DEM数据存在约0.5 m的系统误差,DGPS测量数据与RTK-SfM DEM数据存在约1.3 m的系统误差,产生系统误差的原因需进一步研究。去除系统误差后,DGPS测量数据与RTK-SfM DEM数据差值的标准差较小,说明误差分布更集中,可知RTK-SfM DEM数据具有更好的稳定性与更小的畸变率。
(3)笔者在山西地堑系、四川和云南地区均开展了对比工作,均存在系统误差,但该系统误差因地区不同而不同,山西地堑系约为0.7~0.8 m,四川地区约为0.5~0.6 m,云南地区约为1.1~1.2 m。笔者认为造成系统误差的原因可能为:①无人机与地面采集终端(Trimble R10实时差分GNSS接收系统)源椭球设置不一致;②地面采集终端的基准站开机后,静置初始化时间较短,且基准站未在已知坐标控制点上进行校正。垂向上的系统误差不会影响RTK-SfM DEM数据的可靠性,如果数据均匀稳定且畸变率小,可满足活动构造研究对高程数据的精度要求。
-
表 1 初步对比点云转换矩阵数据
Table 1. Preliminary comparison point cloud transformation matrix table
x y z RMS 1.000 0.000 0.000 0.565 −0.000 1.000 0.000 0.509 −0.000 −0.000 1.000 0.851 0.000 0.000 0.000 1.000 表 2 3种高程数据差值的平均值
Table 2. Average value of difference of three elevation data
测线 DGPS与SfM DEM差值/m DGPS与RTK-SfM DEM差值/m 河床 0.44648900 1.25817214 T1 0.51727922 1.33264908 T2 0.56253832 1.39865517 T3 0.54695363 1.33524765 T4 0.61002861 1.38761910 T5 0.56203093 1.47095521 平均值 0.540886618 1.36388305 表 3 去除系统误差后3种高程数据差值平均值与标准差
Table 3. Average difference and standard deviation of three elevation data after removing systematic error
测线 DGPS与SfM DEM差值/m DGPS与RTK-SfM DEM差值/m 平均值 标准差 平均值 标准差 河床 −0.108 698 0.178 616 −0.096 039 0.158 909 T1 −0.037 377 0.143 255 −0.026 488 0.081 722 T2 0.021 172 0.130 226 0.013 106 0.105 653 T3 −0.033 185 0.189 726 −0.010 624 0.109 698 T4 0.069 141 0.120 677 0.023 736 0.150 740 T5 0.107 072 0.116 793 0.021 144 0.082 876 -
[1] 艾明, 毕海芸, 郑文俊等, 2018. 利用无人机摄影测量技术提取活动构造定量参数. 地震地质, 40(6): 1276—1293Ai M. , Bi H. Y. , Zheng W. J. , et al. , 2018. Using unmanned aerial vehicle photogrammetry technology to obtain quantitative parameters of active tectonics. Seismology and Geology, 40(6): 1276—1293. (in Chinese) [2] 陈涛, 张培震, 刘静等, 2014. 机载激光雷达技术与海原断裂带的精细地貌定量化研究. 科学通报, 59(14): 1293—1304.Chen T. , Zhang P. Z. , Liu J. , et al. , 2014. Quantitative study of tectonic geomorphology along Haiyuan fault based on airborne LiDAR. Chinese Science Bulletin, 59(20): 2396—2409. (in Chinese) [3] 陈志雄, 2008. 基于图像配准的SIFT算法研究与实现. 武汉: 武汉理工大学.Chen Z. X. , 2008. The SIFT research and implementation based on the image registration. Wuhan: Wuhan University of Technology. (in Chinese) [4] 邓起东, 陈立春, 冉勇康, 2004. 活动构造定量研究与应用. 地学前缘, 11(4): 383—392 doi: 10.3321/j.issn:1005-2321.2004.04.005Deng Q. D. , Chen L. C. , Ran Y. K. , 2004. Quantitative studies and applications of active tectonics. Earth Science Frontiers, 11(4): 383—392. (in Chinese) doi: 10.3321/j.issn:1005-2321.2004.04.005 [5] 高帅坡, 冉勇康, 吴富峣等, 2017. 利用无人机摄影测量技术提取复杂冲积扇面构造活动信息——以新疆巴里坤盆地南缘冲积扇面为例. 地震地质, 39(4): 793—804 doi: 10.3969/j.issn.0253-4967.2017.04.013Gao S. P. , Ran Y. K. , Wu F. Y. , et al. , 2017. Using UAV photogrammetry technology to extract information of tectonic activity of complex alluvial fan——A case study of an alluvial fan in the southern margin of Barkol Basin. Seismology and Geology, 39(4): 793—804 (in Chinese). doi: 10.3969/j.issn.0253-4967.2017.04.013 [6] 赖旭东, 李咏旭, 陈佩奇等, 2017. 机载激光雷达技术现状及展望. 地理空间信息, 15(8): 1—4 doi: 10.3969/j.issn.1672-4623.2017.08.001Lai X. D. , Li Y. X. , Chen P. Q. , et al. , 2017. Current status and outlook of LiDAR technology. Geospatial Information, 15(8): 1—4. (in Chinese) doi: 10.3969/j.issn.1672-4623.2017.08.001 [7] 李美燕, 2014. 基于改进SFM方法的航空摄影测量应用研究. 南宁: 广西大学.Li M. Y., 2014. Research on the application of improved SFM in aerial photogrammetry. Nanning: Guangxi University. (in Chinese) [8] 刘静, 陈涛, 张培震等, 2013. 机载激光雷达扫描揭示海原断裂带微地貌的精细结构. 科学通报, 58(1): 41—45 doi: 10.1360/972012-1526Liu J. , Chen T. , Zhang P. Z. , et al. , 2013. Illuminating the active Haiyuan Fault, China by airborne light detection and ranging. Chinese Science Bulletin, 58(1): 41—45. (in Chinese) doi: 10.1360/972012-1526 [9] 刘睿, 李安, 张世民等, 2017. 白杨河阶地揭示的北祁连山西段晚第四纪构造变形. 地震地质, 39(6): 1237—1255 doi: 10.3969/j.issn.0253-4967.2017.06.010Liu R. , Li A. , Zhang S. M. , et al. , 2017. The late quaternary tectonic deformation revealed by the terraces on the Baiyang river in the northern Qilian Mountains. Seismology and Geology, 39(6): 1237—1255. (in Chinese) doi: 10.3969/j.issn.0253-4967.2017.06.010 [10] 罗达, 林杭生, 金钊等, 2019. 无人机数字摄影测量与激光雷达在地形地貌与地表覆盖研究中的应用及比较. 地球环境学报, 10(3): 213—226Luo D. , Lin H. S. , Jin Z. , et al. , 2019. Applications of UAV digital aerial photogrammetry and LiDAR in geomorphology and land cover research. Journal of Earth Environment, 10(3): 213—226. (in Chinese) [11] 闵伟, 张培震, 何文贵等, 2002. 酒西盆地断层活动特征及古地震研究. 地震地质, 24(1): 35—44 doi: 10.3969/j.issn.0253-4967.2002.01.004Min W. , Zhang P. Z. , He W. G. , et al. , 2002. Research on the active faults and paleoearthquakes in the western Jiuquan basin. Seismology and Geology, 24(1): 35—44. (in Chinese) doi: 10.3969/j.issn.0253-4967.2002.01.004 [12] 佘金星, 程多祥, 刘飞等, 2018. 机载激光雷达技术在地质灾害调查中的应用——以四川九寨沟7.0级地震为例. 中国地震, 34(3): 435—444 doi: 10.3969/j.issn.1001-4683.2018.03.005She J. X. , Cheng D. X. , Liu F. , et al. , 2018. Application of airborne LiDAR technology in geological disaster investigation—taking the Jiuzhaigou MS7.0 earthquake in Sichuan province as an example. Earthquake Research in China, 34(3): 435—444. (in Chinese) doi: 10.3969/j.issn.1001-4683.2018.03.005 [13] 王朋涛, 邵延秀, 张会平等, 2016. sUAV摄影技术在活动构造研究中的应用——以海原断裂骟马沟为例. 第四纪研究, 36(2): 433—442 doi: 10.11928/j.issn.1001-7410.2016.02.18Wang P. T. , Shao Y. X. , Zhang H. P. , et al. , 2016. The application of sUAV photogrammetry in active tectonics: Shanmagou site of Haiyuan Fault, for example. Quaternary Sciences, 36(2): 433—442. (in Chinese) doi: 10.11928/j.issn.1001-7410.2016.02.18 [14] 魏占玉, Ramon A. , 何宏林等, 2015. 基于SfM方法的高密度点云数据生成及精度分析. 地震地质, 37(2): 636—648 doi: 10.3969/j.issn.0253-4967.2015.02.024Wei Z. Y. , Ramon A. , He H. L. , et al. , 2015. Accuracy analysis of terrain point cloud acquired by “Structure from Motion” using aerial photos. Seismology and Geology, 37(2): 636—648. (in Chinese) doi: 10.3969/j.issn.0253-4967.2015.02.024 [15] 杨海波, 杨晓平, 黄雄南等, 2016. 移动摄影测量数据与差分GPS数据的对比分析——以祁连山北麓洪水坝河东岸断层陡坎为例. 地震地质, 38(4): 1030—1046 doi: 10.3969/j.issn.0253-4967.2016.04.018Yang H. B. , Yang X. P. , Huang X. N. , et al. , 2016. Data comparative analysis between SFM data and DGPS data: a case study from fault scarp in the east bank of Hongshuiba river, northern margin of the Qilian Shan. Seismology and Geology, 38(4): 1030—1046. (in Chinese) doi: 10.3969/j.issn.0253-4967.2016.04.018 [16] 杨艳伟, 2009. 基于SIFT特征点的图像拼接技术研究. 西安: 西安电子科技大学.Yang Y. W., 2009. Research on image mosaic based on SIFT feature points. Xi’an: Xidian University. (in Chinese) [17] 张志文, 任俊杰, 章小龙, 2021. 高精度无人机航测在2021年玛多7.4级地震地表破裂精细研究中的应用. 震灾防御技术, 16(3): 437—447Zhang Z. W. , Ren J. J. , Zhang X. L. , 2021. Application of high-precision UAV aerial survey in the detailed study of surface rupture of Maduo MS7.4 earthquake in 2021. Technology for Earthquake Disaster Prevention, 16(3): 437—447. (in Chinese) [18] 郑辉, 2010. 基于SIFT特征的全景图像拼接算法研究. 武汉: 武汉科技大学.Zheng H., 2010. Research of panorama image mosaic algorithm based on SIFT feature. Wuhan: Wuhan University of Science and Technology. (in Chinese) [19] Arrowsmith J. R. , Zielke O. , 2009. Tectonic geomorphology of the San Andreas Fault zone from high resolution topography: an example from the Cholame segment. Geomorphology, 113(1—2): 70—81. doi: 10.1016/j.geomorph.2009.01.002 [20] Bemis S. P. , Micklethwaite S. , Turner D. , et al. , 2014. Ground-based and UAV-Based photogrammetry: a multi-scale, high-resolution mapping tool for structural geology and paleoseismology. Journal of Structural Geology, 69: 163—178. doi: 10.1016/j.jsg.2014.10.007 [21] Bi H. Y. , Zheng W. J. , Ren Z. K. , et al. , 2017. Using an unmanned aerial vehicle for topography mapping of the fault zone based on structure from motion photogrammetry. International Journal of Remote Sensing, 38(8—10): 2495—2510. doi: 10.1080/01431161.2016.1249308 [22] Fonstad M. A. , Dietrich J. T. , Courville B. C. , et al. , 2013. Topographic structure from motion: a new development in photogrammetric measurement. Earth Surface Processes and Landforms, 38(4): 421—430. doi: 10.1002/esp.3366 [23] Harwin S. , Lucieer A. , 2012. Assessing the accuracy of georeferenced point clouds produced via multi-view stereopsis from unmanned aerial vehicle (UAV) imagery. Remote Sensing, 4(6): 1573—1599. doi: 10.3390/rs4061573 [24] Hudnut K. W. , Borsa A. , Glennie C. , et al. , 2002. High-resolution topography along surface rupture of the 16 October 1999 hector mine, California, earthquake (MW 7.1) from airborne laser swath mapping. Bulletin of the Seismological Society of America, 92(4): 1570—1576. doi: 10.1785/0120000934 [25] James M. R. , Robson S. , 2012. Straightforward reconstruction of 3D surfaces and topography with a camera: accuracy and geoscience application. Journal of Geophysical Research, 117(F3): F03017. [26] Javernick L. , Brasington J. , Caruso B. , 2014. Modeling the topography of shallow braided rivers using Structure-from-Motion photogrammetry. Geomorphology, 213: 166—182. doi: 10.1016/j.geomorph.2014.01.006 [27] Johnson K. , Nissen E. , Saripalli S. , et al. , 2014. Rapid mapping of ultrafine fault zone topography with structure from motion. Geosphere, 10(5): 969—986. doi: 10.1130/GES01017.1 [28] Lowe D. G. , 2004. Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, 60(2): 91—110. doi: 10.1023/B:VISI.0000029664.99615.94 [29] Lucieer A. , de Jong S. M. , Turner D. , 2014. Mapping landslide displacements using Structure from Motion (SfM) and image correlation of multi-temporal UAV photography. Progress in Physical Geography: Earth and Environment, 38(1): 97—116. doi: 10.1177/0309133313515293 [30] Mancini F. , Dubbini M. , Gattelli M. , et al. , 2013. Using unmanned aerial vehicles (UAV) for high-resolution reconstruction of topography: the structure from motion approach on coastal environments. Remote Sensing, 5(12): 6880—6898. doi: 10.3390/rs5126880 [31] Okyay U. , Telling J. , Glennie C. L. , et al. , 2019. Airborne lidar change detection: an overview of Earth sciences applications. Earth-Science Reviews, 198: 102929. doi: 10.1016/j.earscirev.2019.102929 [32] Tomasi C. , Kanade T. , 1992. Shape and motion from image streams under orthography: a factorization method. International Journal of Computer Vision, 9(2): 137—154. doi: 10.1007/BF00129684 [33] Ullman S. , 1979. The interpretation of structure from motion. Proceedings of the Royal Society B: Biological Sciences, 203(1153): 405—426. [34] Wei Y. M. , Kang L. , Yang B. , et al. , 2013. Applications of structure from motion: a survey. Journal of Zhejiang University SCIENCE C, 14(7): 486—494. doi: 10.1631/jzus.CIDE1302 [35] Westoby M. J. , Brasington J. , Glasser N. F. , et al. , 2012. ‘Structure-from-Motion’ photogrammetry: a low-cost, effective tool for geoscience applications. Geomorphology, 179: 300—314. doi: 10.1016/j.geomorph.2012.08.021 [36] Zielke O. , Arrowsmith J. R. , Grant Ludwig L. , et al. , 2012. High-resolution topography-derived offsets along the 1857 Fort Tejon earthquake rupture trace, San Andreas fault. Bulletin of the Seismological Society of America, 102(3): 1135—1154. doi: 10.1785/0120110230 期刊类型引用(3)
1. 徐伟,程理,李光涛,陈文龙. 马雅雪山断裂金强河段晚第四纪断错地貌及滑动速率确定. 震灾防御技术. 2024(03): 457-467 . 本站查看
2. 李彦锋,杨延斌,杨岩,杨树宏,杨超. RTK技术在云南高海拔山区架空输电线路多旋翼无人机自动巡检中的应用. 云南电业. 2024(06): 36-39 . 百度学术
3. 丁锐. 城市规划测绘在数字化城市建设中的应用. 中国高新科技. 2023(07): 155-157+160 . 百度学术
其他类型引用(0)
-