Application UAV technology semi-automatic identification dangerous rock masses on ultra-high steep slopes
-
摘要:
在新疆山区开展危岩体勘察时，由于工程区存在复杂且陡峭的山体，传统人工勘察危岩体的方案往往受限。为了有效地提高危岩体调查的效率与自动化程度，本研究提出了一种基于无人机的高陡边坡危岩体半自动勘察技术。将无人机贴近摄影测量技术与精确的仿地飞行路线规划相结合，获取超高边坡精确三维点云模型；应用CloudCompare软件点云剖分工具结合危岩体突出于边坡表面的形态特征对异型滑移式块体进行语义分割；并通过分析异型滑移式块体的三维特征，实现对危岩体的定性分析。将上述理论方法应用于玉龙喀什水利工程左岸超高边坡坝址，在试验区提取出了4块危岩体。所有危岩体稳定性系数（K）均低于0.9，平均体积均在2000 m3左右，最大高差在7～11 m。危岩体的空间位置分布和三维特征与现场人工勘测的基本一致。试验表明，结合危岩体特征的高精度边坡点云模型能有效识别危岩体，提高调查效率并解决人工数据模糊的问题，对高陡边坡的危岩体评估具有实际应用价值。
Abstract:In the mountainous regions of Xinjiang, traditional manual survey methods for dangerous rock masses are often restricted by the complex and steep terrain. To improve the efficiency and automation of dangerous rock masses surveys, this study proposes a semi-automatic technique using unmanned aerial vehicle (UAV) for high and steep slopes. This methodology integrates close-range photogrammetry with precise terrain-following flight path planning to generate accurate 3D point cloud models of ultra-high steep slopes. Considering the distinctive shapes of dangerous rock masses protruding from the slope surfaces, this research leveraged CloudCompare software's point cloud segmentation tool to perform semantic segmentation of these profiled blocks. Furthermore, a qualitative assessment of dangerous rock masses is achieved through an analysis of their three-dimensional features. This methodology was applied to the ultra-high slope dam site on the left bank of the Yulong Kashi Hydropower Project. In the test area, four dangerous rock masses were identified (all with stability coefficients lower than 0.9, average around 2000 m³ in volume, with height differences ranging from 7-11m), aligning closely with manual field surveys. The research shows that high-precision slope point cloud models, integrated with rock body characteristics, can effectively detect dangerous rock masses, enhance survey efficiency, and mitigate the inaccuracies associated with manual data collection. This approach holds significant practical value for assessing dangerous rock masses on ultra-high steep slopes.
-
0. 引 言
滑坡是一种常见的多发性地质灾害，具有突发性强、危害大、治理难度高等特点。在山区工程建设中，不适当的开挖和填筑常诱发滑坡灾害。滑坡变形特征的研究对于分析滑坡形成机理和制定防治措施至关重要。变形监测是获取滑坡变形信息的直接手段。近年来“空、天、地”监测技术快速发展，相关学者利用各种监测技术在滑坡变形监测、预警、机理分析和防治方面取得了丰硕成果[1 − 2]。然而很多滑坡经历复杂的时空演化过程，且受限于复杂的地形地质条件，完整变形信息的获取非常困难。常用的地表变形监测方法（例如裂缝计、大地测量、GNSS等）存在控制范围小、安全风险大、经费投入高等问题，很难覆盖大范围的滑坡区域。合成孔径雷达干涉测量（InSAR）能进行大范围的非接触监测，但受卫星环绕具有周期性、地面工程活动等影响，仅适用于大范围的初步调查和滑前变形信息获取；三维激光扫描虽然可获取大范围高精度数据，但受经费投入和地表通视条件等制约难以广泛应用。
无人机具有成本低、效率高、风险小的特性，近年来在滑坡调查和监测中日益得到广泛应用。首先，无人机被广泛应用于滑坡区精细地形构建和几何形态数据获取，如刘春等[3]、王俊豪等[4]、孔嘉旭等[5]、彭大雷等[6]基于无人机影像构建了大型滑坡区域精细地形，定量提取滑坡要素信息并取得滑坡精细化几何形态数据；进而，无人机被广泛应用于滑坡快速调查评价，如张欢等[7]、陈巧等[8]应用无人机摄影测量技术实现滑坡的快速调查、形变区识别和定量评价，赵婷婷等[9]基于无人机倾斜摄影测量构建了应急状态下的地质灾害快速调查技术体系。也有学者利用无人机数码摄影测量进行滑坡变形监测，如Peternel等[10]通过滑坡区多期无人机影像对比分析，得出了滑坡区平面位移和高程变化数据。由于滑坡往往发生突然，且涉及较长的时间演化过程，对滑坡完整变形过程的研究需获取滑前滑后的多期无人机影像数据。已有研究多受数据较少的限制，很少能全面反映滑坡的变形过程。
目前在高速公路等工程建设中，航空摄影测量技术得到广泛应用，工程项目勘察设计期间往往有可供使用的无人机影像数据。若在工程建设过程中对潜在滑坡区域或者因工程活动触发滑坡的区域进行多期无人机影像数据采集，则可较好的对滑坡变形过程进行分析研究，从而为滑坡形成机制分析和防治方案制定提供科学依据。本文结合四川省新市—金阳高速公路工程建设中的唐家湾滑坡，通过工程建设前后多期无人机影像数据对比分析，并结合大地测量、深部位移监测和地质勘探等手段，研究滑坡变形特征，分析滑坡成因，为滑坡工程防治提供依据。
1. 研究区概况
唐家湾滑坡位于四川省屏山县清平乡唐家湾村向家坝水库库区（图1）。金沙江河谷深切，两侧岸坡陡峻、次级沟谷发育，库区正常蓄水位380 m，两侧分水岭高程多在
1200 m以上。滑坡位于金沙江左岸的唐家沟中游（图1、图2）。唐家沟沟域面积约3.6×106 m2，上游为环状汇水地貌，多为乔木覆盖；中游地形相对宽缓，除少量乔木和竹林外多开垦为耕地；下游为深切沟谷，冲沟两侧多为基岩陡壁。地质构造上，场地主要构造形迹为北西向延伸的周家坪向斜，出露基岩为中三叠统雷口坡组白云质灰岩和上三叠统须家河组砂泥岩互层，滑坡位于向斜轴部附近（图1）。
研究区属亚热带季风气候，雨量充沛、植被茂密。根据距滑坡区约2.2 km的清平乡气象观测站2018—2021年观测数据，平均年降水量为
1192 mm，雨量多集中在6—9月，占全年降水量的63 %。区内植被以乔木为主，缓坡地段多开垦为梯田。新建新市—金阳高速公路在唐家沟沟域通过，沟谷内布设互通式立交和连接线。高速公路于2021年3月进场施工。因便道和隧道施工开挖，在唐家沟形成了2处弃渣堆积区（图2b）。2021年9月发现弃渣体及部分区域斜坡滑动变形。受地表弃渣堆载及植被覆盖等因素影响，仅在后部的挡墙和局部的混凝土便道路面观察到变形迹象，详细滑坡变形特征缺失。
![]()
图 2 滑坡发生前后的影像图及滑坡分区图Figure 2. Images of pre- and post-sliding and zoning map of Tangjiawan landslide2. 数据与方法
本文通过地表调查和地质勘探研究滑坡区工程地质条件。基于多期无人机影像数据的对比分析，并结合大地测量和深部位移监测等方法研究滑坡变形特征。
2.1 数据获取
为研究滑坡变形特征，在滑坡发生前后的2018—2022年进行了多次地质调查和无人机影像数据采集（表1）。各期无人机影像航向重叠不小于70 %，旁向重叠不小于50 %，影像分辨率见表1。为了保证航拍数据解算后能够获得高精度的滑坡区域地形资料，在航拍前均布置了地面控制点（表1），地面控制点坐标采用RTK测量，水平和高程精度分别为2 cm和4 cm。采集无人机影像通过Context Capture软件进行处理生成数字正射影像图（DOM），数字高程模型（DEM）和三维数字模型。滑前地形采用Optech eclipse激光雷达获取。
表 1 数据汇总Table 1. Summary of the data阶段 使用设备 像控设置 影像分辨率
/cm获取日期 滑前 直升机搭载飞思相机（1亿像素）
和Optech eclipse 激光雷达沿线测绘
地面控制点<10 2018-05-15 DJI Mavic2 勘察期间
测绘控制点<3 2019-03-26 滑后 DJI Mavic2 滑坡周边4个
地面控制点<3 2021-06-06 DJI Mavic2 <3 2021-09-08 DJI Mavic2 <3 2021-11-03 DJI Mavic2 <3 2022-01-03 为分析滑坡地质结构和岩土特性，除利用滑坡发生前工程区钻孔外，滑坡发生后在滑坡区域布置了9个勘探钻孔（B1—B9），钻孔采用双管单动取芯工艺，采取原状岩芯样品。钻孔中选取代表性样品进行室内物理力学性质试验。钻孔完成后选取5个钻孔安装了深部位移监测管，进行深部位移监测（图2b中钻孔B3、B5—B8）。其中B3、B5和B6测斜管安装后因滑坡变形或施工破坏未能观测；B7和B8测斜孔观测时间段分别为2021年11月18—22日和2021年11月12—29日，之后因测斜管导轨无法下放而停止观测。
滑坡发生后布置了6个地表变形监测点（D1—D6）（图2b），自2021年9月22日开始采用RTK进行监测。其中2个监测点位于滑坡区外（D1和D2）；4个监测点（D3—D6）位于滑坡区内。2021年9月22日至2021年11月13日连续观测，之后因施工干扰暂停，2022年1月13日恢复观测（D3、D4被破坏）。
2.2 数据处理分析
地表变形监测通常采用大地测量、GNSS、裂缝计等监测手段，但受数量限制很难覆盖大范围区域。基于多期无人机DOM影像对比分析的滑坡变形分析方法，已被国内外学者广泛采用。例如Peternel等[10]、Laribi等[11]、Cheng等[12]研究表明采用多期无人机影像对比分析采集滑坡变形数据价格低廉且能获取大量变形信息，监测点平面坐标精度可达5～10 cm。本文研究中将相邻的两期DOM数据作为一个观测周期，在DOM影像上选取标志点作为监测点，通过对比两期影像上监测点坐标位置的变化，取得监测点的平面位移矢量。标志点主要选择影像上易于识别的块石角点、建筑物拐点、道路防护栏支撑柱等。通过6期DOM数据的对比，形成5个观测周期，各周期采集观测点数量见表2。
表 2 各观测周期的观测时长和监测点数量Table 2. Observation period duration and number of monitoring points for each observation period观测期 起止日期 时间间隔/d 监测点数量/个 1 2018-05-15—2019-03-26 325 17 2 2019-03-26—2021-06-06 803 7 3 2021-06-06—2021-09-08 94 25 4 2021-09-08—2021-11-03 56 68 5 2021-11-03—2022-01-03 61 49 为估算基于DOM数据采集监测点的精度，在2021年9月8日影像采集时设置了检查点，检查点均匀分布在研究区域，共设置了7个检查点（图2b，部分检查点和地面控制点位于该图幅外）。采用RTK测量检查点坐标，并在DOM上读取点位坐标。通过RTK测量坐标与DOM上读取的坐标数据对比，按照下式计算检查点中误差RMSE：
(1) 式中：yi——DOM影像上读取坐标；
xi——RTK测量坐标；
N——检查点数量。
计算得到检查点中误差为0.04 m。根据监测点平面精度并参考Peternel等[10]相关研究，笔者将基于相邻DOM影像对比得到位移矢量大于10 cm的认为是监测点产生了显著位移。
3. 滑坡基本特征及分区
唐家湾滑坡近似呈长条形（图1、图2），滑坡纵向长度约480 m，横向宽度约110 m，滑坡后缘高程约786 m，滑坡前缘高程约600 m，前后缘高差约186 m。地质钻探及深部位移监测揭示滑体最大厚度约29 m，估算滑坡体积约66×104 m3。根据滑坡地形地质特征，划分为3个分区：I区、II区和III区（图2b）。
I区位于清平隧道出口和环形便道之间（图2b），面积5 280 m2。根据工程建设前（2018年5月）和滑坡发生后（2021年9月8日）的DEM数据对比绘制了填挖区的范围和厚度（图2b）。受沟谷地形影响，弃渣区厚度差异较大，后部隧道施工平台附近厚度达11.2 m，向前厚度逐渐减小（图2b、图3）。滑坡后缘位于隧道施工平台前缘，滑坡剪出口位于环形便道附近。滑坡左侧、右侧及前缘左侧见三叠系须家河组基岩出露。I区主要为弃渣堆积体沿填筑界面滑动，厚度一般小于7 m，为浅层滑坡，是独立于II区和III区的滑移区。
![]()
图 3 滑坡剖面图（图2b中A-A’）Figure 3. Longitudinal profile of the landslide (section A-A’ in Fig. 2b)II区进一步划分为II-1区和II-2区。II-1区为II区后缘的弃方堆载区，面积约8 520 m2，最大堆载厚度18.7 m（图2b）。II-2区为唐家湾滑坡的主滑体，面积约2.46×104 m2。B6和B7钻孔揭示覆盖层厚度分别为40.5 m和48.5 m（图3）。土层主要为碎石土，结构不均，石质成分以砂岩、粉砂岩等为主，与斜坡基岩岩性一致，为崩坡积和水流搬运后堆积形成。土层中局部夹有透镜状含碎石粉质黏土夹层（图3、图4），较厚的粉质黏土层中部呈硬塑状，而土层顶部和较薄的粉质黏土夹层多呈软塑—可塑状。碎石土透水性较好，易于地表水的下渗，而较厚的粉质粘土层形成坡体中相对隔水层，其顶部受地下水影响呈软塑—可塑状。
钻探施工和测斜管埋设在2021年9—10月，正值滑坡变形期间。钻孔勘探及深部位移监测较好的揭示了滑带的位置。在钻孔B3的16.2～18.7 ｍ段钻进过程中起钻和下钻困难。B3钻孔和B6钻孔测斜管埋设完成后，分别在16.6 ｍ和21.5 m处剪断，导致测斜仪探头无法沿导轨下放。在钻孔B7和钻孔B8测斜管安装完成后，监测表明滑带分别在25.5～26.0 m和24.5～25.0 m处（图3），之后由于滑带变形过大测斜仪探头无法下放终止测量。深部位移监测表明滑坡的滑带发生在碎石土中部，部分滑带位于透镜状粉质黏土夹层附近（B7和B8），表明了土体中软弱夹层对滑坡的影响。
滑坡所在唐家沟溪沟地表水流量较小，2019年5月18日图2a中1号点实测流量0.35 L/s；2021年10月15日图2b中2号点和3号点实测流量分别为0.49 L/s和0.35 L/s。滑坡区钻孔地下水位监测表明稳定地下水水位埋深较大，滑坡中前部地下水水位远低于滑动面，仅在后部略高于滑动面（图3）。场地碎石土渗透性较好，易于地表水的下渗，致使场地地下水水位埋深较大。但受土层中局部隔水层（透镜状粉质黏土夹层）影响，局部可能有上层滞水分布。
根据施工前（2018年5月）和施工后（2021-09-08）DEM数据的对比分析，I区和II-1区的弃渣量分别为1.57×104 m3和2.94×104 m3。III区为滑坡前缘堆载区，主要为大石包隧道工程弃渣，自2021年3月隧道进洞施工后持续弃渣堆积，弃渣体面积和体积逐步增大（图3、图5）。通过多期无人机DEM数据分析，至2021年9月、2021年11月、2022年1月III区的弃渣堆积体积分别为4.82×104，9.50×104，14.49×104 m3。
![]()
图 5 基于相邻两期DOM对比得出的各观测周期位移矢量图Figure 5. Displacement vector maps for each observation period based on comparison of consecutive DOM4. 滑坡变形特征
基于6期无人机影像数据分析，得到滑坡区各期监测点变形矢量见图5，数据汇总见表3。
表 3 各监测周期监测点平均变形量及变形速率Table 3. Average displacement vectors and average deformation rates of monitoring points for each monitoring period分区 数据类型 第1观测期
（2018-05-15—
2019-03-26）第2观测期
（2019-03-26—
2021-06-06）第3观测期
（2021-06-06—
2021-09-08）第4观测期
（2021-09-08—
2021-11-03）第5观测期
（2021-11-03—
2022-01-03）I区 平均变形量/m <0.1 — 3.8 0.7 — 平均变形速率/（mm·d−1） 0 — 40.4 12.5 — II-1区 变形量平均值/m <0.1 — — 3.2 0.140 平均变形速率/（mm·d−1） 0 — — 57.1 0.002 II-2区 变形量平均值/m <0.1 4.4 9.7 3.5 0.090 平均变形速率/（mm·d−1） 0 53.0 103.2 62.5 0 注：—标示该区内施工导致地形变化，无法取得匹配监测点；第2观测周期变形速率计算起始时间为工程开始施工的2021年3月15日。 4.1 滑坡滑前变形特征
基于研究区工程施工前的DOM影像（2018年5月15日和2019年3月26日），作为第1个观测周期。通过影像对比，共识别出17个监测点，变形量为0.01～0.18 m，平均值为0.07 m，其中仅一个点大于0.1 m。根据本文2.2节的精度评估，第一个观测周期（325 d），基于无人机DOM影像对比分析得到监测点平面位置变形量小于10 cm，认为监测点无明显变形。
很多蠕变变形的滑坡具有较低的变形速率，有些甚至能够达到cm/a甚至mm/a[13]，然而蠕变变形的滑坡在地貌上多会表现出波浪状地貌、拉裂缝、田坎变形等特征[12 − 14]。2019年3月至2019年10月工程地质勘探期间对滑坡所在区的地表调查和当地居民的访问未见地表变形迹象。2018年5月和2019年3月的DOM影像上，田坎等线性影像特征明显，无蠕变型滑坡的波浪状地貌特征[15 − 16]。
综合第1期监测结果，以及勘察期间调查访问及影像分析，可以判定滑坡所在区域在工程施工前无变形现象，处于稳定状态。
4.2 滑坡滑后变形特征
滑坡滑后变形特征主要基于研究区工程施工前后的5期DOM影像，形成4个观测周期。
（1） 第2个观测周期（2019-03-26—2021-06-06）：工程区2021年3月开始施工，在2021年6月6日DOM上，可见滑坡区域的后缘和左侧修建了便道，在滑坡的后缘和前缘开始进行弃渣，见图5（a）。弃渣堆积区无法匹配监测点，仅在II-2区识别7个监测点，其变形量为4.2～4.7 m，平均值为4.4 m；位移矢量方位角186.9～199.8°，平均值为193.3°。可见工程施工弃渣堆载后，滑坡区即出现了滑移变形现象。2021年6月6日的无人机影像上，可以清晰见到滑坡左侧边界附近的剪切裂缝，以及施工便道护栏被剪断的现象（图6a）。
（2） 第3个观测周期（2021-06-06—2021-09-08）：I区弃渣堆载结束，II-1区和III区继续弃渣堆载。该观测周期共识别25个观测点，其中I区5个，II区20个，见图5（b）。
I区监测点变形量为3.3～4.1 m，平均值为3.8 m；位移矢量方位角225.2°～236.6°，平均值为230.8°。图5（b）可见I区位移矢量主要指向临空面方向，与II有明显的差异，也说明了I区是一个相对独立滑动的区域。在I区中部可见挡墙被剪断，错断量约2.8 m，表明该区不同位置变形量有一定差异。
II区监测点变形量为9.2～10.7 m，平均值为9.7 m；位移矢量方位角186.6°～196.1°，平均值为191.6°，位移矢量方向主要指向冲沟下游方向。II区纵向长度约260 m，前后监测点的变形量和方位角均较为接近，显示滑坡整体向前滑动的特征。滑体的滑动在滑坡边界形成了明显的剪切带，图6b可见自2021年6月6日至2021年9月8日，滑坡左侧的便道和便道护栏因滑体滑动而形成明显的剪切错动带。剪切错动带宽度约5.6 m，第2观测周期内错动距离约10 m，与滑体的滑动距离基本一致。对比图6a和b，可清晰见到因滑体滑动导致地表建筑物、便道和便道护栏平面位置变化的情况。
（3） 第4个观测周期（2021-09-08—2021-11-03），滑坡后缘的I区和II-1区弃渣结束，前缘的III区继续弃渣，共识别68个观测点。
I区11个监测点，变形量由后向前逐渐增大，其中后部的挡墙位置变形量为0.4～0.6 m，前部的变形量为0.4～1.6 m，不同位置变形量差异较大。前部变形较大的原因可能受便道通行的重型车辆加载和震动所致。
II-1区共识别11个监测点，其变形量为3.0～3.6 m，平均值为3.2 m；位移矢量方位角为170.5°～180.5°，平均值为176.3°，位移矢量方向主要指向临空面的方向。II-2区共识别40个监测点，除左侧边界附近2个点变形量较小外（0.4～0.8 m），其余32个点位移量为3.2～4.3 m，平均值为3.5 m；位移矢量方位角为179.4°～197.2°，平均值为187.7°，与第3观测周期位移矢量方向基本一致。II-1区和II-2区变形矢量方向略有不同，主要受II-1区斜坡临空面方向的影响，但两个分区变形量基本接近，表明了后缘加载作用下，滑体整体下滑的特征。第4观测周期内左侧便道重新修建，无法观测到边界附近变形的变化。
III区持续弃渣，III区左侧识别6个监测点，其变形表现为由后部的0.8 m向前逐渐增大至10.8 m，表明弃渣体不同部位变形差异较大，见图5（c）。
（4） 第5个观测周期（2021-11-03—2022-01-03），滑坡区共识别49个监测点。
II-1区（弃渣加载区）的10个监测点平均变形量0.14 m，II-2区的36个监测点平均变形量0.09 m，表明该观测周期内滑坡地表变形量大幅减小，变形速率趋于0。III区弃渣堆积体由于持续弃渣，仅左侧边界附近识别3个点，其变形量为0.25～1.08 m。
根据第2观测周期至第5观测周期的监测结果，滑坡后缘附近弃渣后滑坡区域开始出现明显变形迹象，以开始施工的2021年3月开始计算，第2、3、4观测周期主滑区（II区）的平均变形速率为53.0，103.2，62.5 mm/d，呈现先增大后减小的趋势，至第5观测周期，变形速率趋于0。滑坡区变形速率的变化与工程弃渣堆载密切相关，也与降雨量的变化有一定关系，在本文第5节“滑坡成因分析”中讨论。
图7为滑坡区4个地表变形监测点（位置见图2b）的变形—时间曲线，2021年9月22日—10月15日间平均变形速率83.7 mm/d，2021年10月15日—11月03日间平均变形速率减缓9.9 mm/d，2021年11月3日至2022年1月3日，D5和D6两个点平均变形量仅54 mm，之后至2022年5月8日均无明显变形。对比如上基于DOM影像的第5期分析结果与地表变形监测点（D5和D6）监测结果基本一致，验证了多期无人机影像对比分析得出地表变形监测结果的可靠性。
![]()
图 7 地表变形监测点时间—水平位移曲线Figure 7. Time-horizontal displacement curves for surface deformation monitoring points本文通过研究区工程建设前后3年多共6期无人机影像的对比分析，得出了研究区的地表变形特征。结果表明利用无人机高清影像比对的方法可实现大范围、非接触的变形监测，从而获取研究区域工程建设前后的地表变形信息。但植被覆盖较大的段落难以捕捉监测点，如图2中滑坡右侧植被密集区域未能识别监测点。同时，无人机采集影像数据受时间间隔限制，不能采集连续变形数据，不能准确捕捉图7所示的变形“拐点”，实际滑坡监测中可与传统大地测量等方法相结合，互为补充[17 − 19]。
5. 滑坡成因分析
工程开挖和填筑加载是诱发滑坡灾害发生的重要因素。唐家湾滑坡后缘的弃渣堆载区地面横坡坡度和岩土界面倾角分别在32°和40°（图3）。自2021年3月开始在滑坡后缘的（I区和II-1区）弃渣堆载，属于在坡体最不利部位加载。后缘堆载增大了坡体的下滑力，不利于坡体的稳定。弃渣堆载后滑坡区出现变形并不断发展，表明弃渣堆载是诱发滑坡发生和变形不断发展的直接因素。然而滑坡后缘堆载量仅4.51×104 m3，触发中前部近20～30 m厚土体滑动，也与滑坡所处的地形地质条件和降雨密切相关。
图1可见滑坡区位于唐家沟中游沟床纵坡相对平缓部位。唐家沟上游区为环状汇水地貌，地质构造上位于周家坪向斜轴部附近，岩性主要为砂岩、粉砂岩和泥岩互层，不同岩性层差异风化显著，受构造影响岩体破碎。陡坡岩体在长期风化和重力作用下不断变形失稳，在中游相对缓坡段堆积，形成深厚覆盖土层（图3）。堆积土层以块、碎石土为主，透水性好，易于地表水下渗。而土层中夹有透镜状含碎石粉质黏土层，具有含水率低、透水性差、遇水易软化的特点，形成局部的隔水层和软弱层（图3、图4），易于成为滑坡滑动的边界面。因此，特殊的地形地质条件是滑坡易于形成的地质基础。
同时，弃渣堆载主要在2021年的3月至9月，正值雨季。根据距离滑坡区2.2 km的清平乡气象站观测资料，2021年累计降雨量为
1008.9 mm，其中3—9月的累计降雨量为906.5 mm，占全年降雨量的90%（图8）。因此2021年3月弃渣堆载后，致使坡体变形开裂，从而更有利于地表降水向坡体深部渗透。弃渣堆载期与雨季叠加，持续降雨入渗不仅增大土体重度从而增大下滑力，还造成土体抗剪强度降低，也是促进滑坡变形发展的重要因素。图8可见在第3观测周期（2021-06-06—2021-09-08）变形速率最高，与该时间段内降雨量最大（累计594 mm，占全年58.9%）表现出了相关性。而地表变形观测点D5和D6在2021年9月22日开始观测后，变形速率波动性降低，2021年10月15日后变形速率明显降低，和降雨的逐步减少有一定关系[20 − 21]。![]()
图 8 累计日降水量与平均变形速率Figure 8. Cumulative daily precipitation and average deformation rates滑坡前缘的III区持续弃渣堆载，对滑坡的变形也有较大的影响。虽然III区在斜坡上堆载，自身也出现滑移变形。但III区持续弃渣堆载对滑坡起到了一定的反压作用（图3、图5）。尤其是在2021年11月以后，随着弃渣量的增大，弃渣体覆盖了冲沟并掩埋了部分滑坡右侧的基岩陡壁，形成了滑坡体前缘的反压，从而增大了抗滑力，从而使滑坡的滑动速率降低。
基于本文滑坡变形特征和形成机理的分析，滑坡防治采用在后缘堆载区前缘设置抗滑桩，见图5（c）,以消除后缘弃渣体对滑坡的加载作用，并设置地表截排水措施减小地表水入渗的不利影响。2022年3月滑坡治理工程逐步实施，滑坡区域趋于稳定，2022年未见明显变形。
6. 结论与认识
（1） 基于多期无人机影像生成的DOM数据，匹配相邻两期DOM影像特征点作为地表变形监测点，可通过监测点平面位置的变化提取变形矢量数据，从而实现滑坡区非接触式的地表变形监测。
（2） 唐家湾滑坡位于新市—金阳高速公路清平互通工程建设区。滑坡区工程建设前的自然斜坡无明显变形。唐家湾滑坡区工程弃渣后，主滑区开始出现明显变形迹象，基于无人机数码摄影测量得到第2观测周期（2021-03-15—2021-06-06）、第3 观测周期（2021-06-06—2021-09-08）和第4观测周期（2021-09-08—2021-11-03）滑坡主滑区平均变形速率分别为53.0，103.2，62.5 mm/d，之后变形速率趋于0。
（3） 弃渣堆载是唐家湾滑坡发生的直接触发因素，滑坡区特殊的地形地质条件和降雨也是滑坡变形持续发展的重要因素。受构造、岩性和地貌影响，滑坡区域堆积了厚度超过40 m的碎石土层，土层中夹透镜状含碎石粉质黏土夹层，形成坡体中的软弱层，易发展为滑动面。厚层碎石土有利于地表水的入渗，而弃渣堆载区叠加雨季，促进了滑坡变形的持续发展。
（4） 基于无人机数码摄影测量可低成本获得长时序、大范围滑坡运动特征数据，可作为一种有效的、安全的滑坡变形监测手段，为滑坡机理分析和防治措施研究提供依据。但易受采样间隔和地表植被覆盖限制，不能准确捕捉变形“拐点”，植被茂密区难以采集监测数据，可与其他方法相结合、互为补充。
-
![]()
图 2 人工对左岸边坡的典型危岩体的初步调查
注：（a）为试验区三维地形；（b）为试验区左岸边坡；（c）为左岸边坡样本区；（d）为人工调查的典型危岩体。
Figure 2. Preliminary investigation of typical dangerous rock masses on the left bank slope by manual methods
![]()
图 5 第一张正射影照片路线规划（分辨率2.5 cm）
Figure 5. Route planning of the first orthophoto photograph (resolution 2.5 cm)
![]()
图 7 无人机三维模型建模并生成点云模型
注：（a）为构造三角网TIN；（b）为生成模型白膜；（c）为模型纹理映射；（d）LAS点云格式转换
Figure 7. UAV three-dimensional modeling and point cloud model generation
![]()
图 10 异型滑移式块体的后壁面积与块体体积计算
Figure 10. Calculation for the rear wall area and block volume ofprofiled block
![]()
图 11 异型滑移式块体的后壁倾角与最大高差计算
Figure 11. Calculation of the rear wall inclination angle and maximum height difference of profiled blocks
![]()
图 12 左岸整体点云，左岸样本区区域
Figure 12. Overall point cloud on the left bank and sample area on the left bank
![]()
图 15 依据点云密度提取的异型滑移式块体后壁平面边缘点云
Figure 15. Edge point cloud of the rear wall plane of profiled blocks extracted based on point cloud density
![]()
图 17 异型滑移式块体L1的后壁平面和点云投影
Figure 17. Rear wall plane and point cloud projection of profiled block L1
![]()
图 18 Alpha Shape算法分别计算异型滑移式块体的后壁面积与体积
Figure 18. Alpha Shape algorithm for separate calculation of the rear wall area and volume of profiled block
表 1 单平面滑动岩体稳定性评价
Table 1 Stability evaluation of single-plane sliding rock mass
稳定性系数 稳定性分级 稳定 基本稳定 欠稳定 不稳定 
下载: 导出CSV
表 2 水电工程危险岩体规模分级
Table 2 Scale classification of dangerous rock mass in hydropower projects
评价依据 小型 中型 大型 超大型 体积/m3
下载: 导出CSV
表 3 异形滑移式块体特征数据统计
Table 3 Statistical analysis of characteristic data for profiled blocks
块体编号 后壁倾角/（°） 后壁面积/m2 块体体积/m3 最大高差/m L1 50.35 728.15 1712.30 7.65 L2 45.58 835.53 2398.60 10.60 L3 40.42 842.94 2299.47 9.48 L4 26.23 706.89 3294.37 14.53 L5 46.61 886.78 1690.18 7.71
下载: 导出CSV
表 4 异形滑移式块体物理力学参数
Table 4 Physical and mechanical parameters of profiled block
参数 块体重度/（kN·m−3） 结构面黏聚力/MPa 结构面内摩擦角/（°） 取值 25.8 0.100 35
下载: 导出CSV
表 5 危险岩体稳定系数的计算与定性
Table 5 Calculation and qualitative characterization of stability coefficient of dangerous rock mass
块体编号 稳定性系数 稳定性分析 块体性质 L1 0.58 不稳定 是 L2 0.69 不稳定 是 L3 0.82 不稳定 是 L4 1.42 稳定 否 L5 0.66 不稳定 是
下载: 导出CSV
表 6 危险岩体与岩体体积评价
Table 6 dangerous rock mass and rock massvolume evaluation
危岩体编号 危岩体体积/m3 危岩体体积评价 L1 1712.30 大型 L2 2398.60 大型 L3 2299.47 大型 L5 1690.18 大型
下载: 导出CSV
-
[1] 黄发明, 石雨, 欧阳慰平, 等. 基于证据权和卡方自动交互检测决策树的滑坡易发性预测[J]. 土木与环境工程学报(中英文),2022,44(5):16 − 28. [HUANG Faming, SHI Yu, OUYANG Weiping, et al. Landslide susceptibility prediction modeling based on weight of evidence and Chi-square automatic interactive detection decision tree[J]. Journal of Civil and Environmental Engineering,2022,44(5):16 − 28. (in Chinese with English abstract)] HUANG Faming, SHI Yu, OUYANG Weiping, et al . Landslide susceptibility prediction modeling based on weight of evidence and Chi-square automatic interactive detection decision tree［J］. Journal of Civil and Environmental Engineering,2022 ,44 （5 ）:16 −28 . （in Chinese with English abstract）[2] 赵树兴. 基于FLAC和极限平衡法的边坡稳定性分析[J]. 市政技术,2021,39(7):35 − 39. [ZHAO Shuxing. Slope stability analysis based on FLAC and limit equilibrium method[J]. Municipal Engineering Technology,2021,39(7):35 − 39. (in Chinese with English abstract)] ZHAO Shuxing . Slope stability analysis based on FLAC and limit equilibrium method［J］. Municipal Engineering Technology,2021 ,39 （7 ）:35 −39 . （in Chinese with English abstract）[3] 傅宏易, 刘远征. 激光测距仪在MATLAB辅助下的危岩体调查应用[J]. 科技通报,2021,37(1):34 − 38. [FU Hongyi, LIU Yuanzheng. Application of laser rangefinder in dangerous rock mass survey assisted by MATLAB[J]. Bulletin of Science and Technology,2021,37(1):34 − 38. (in Chinese with English abstract)] FU Hongyi, LIU Yuanzheng . Application of laser rangefinder in dangerous rock mass survey assisted by MATLAB［J］. Bulletin of Science and Technology,2021 ,37 （1 ）:34 −38 . （in Chinese with English abstract）[4] DUAN Shuqian,FENG Xiating,JIANG Quan,et al. In situ observation of failure mechanisms controlled by rock masses with weak interlayer zones in large underground cavern excavations under high geostress[J]. Rock Mechanics and Rock Engineering,2017,50(9):2465 − 2493. DOI: 10.1007/s00603-017-1249-4
[5] WANG Xueliang,FRATTINI P,STEAD D,et al. Dynamic rockfall risk analysis[J]. Engineering Geology,2020,272:105622. DOI: 10.1016/j.enggeo.2020.105622
[6] 陈文宝, 王立明, 张宏伟, 等. 基于ABAQUS的边坡稳定性分析[J]. 市政技术,2017,35(4):177 − 180. [CHEN Wenbao, WANG Liming, ZHANG Hongwei, et al. Slope stability analysis based on ABAQUS[J]. Municipal Engineering Technology,2017,35(4):177 − 180. (in Chinese with English abstract)] CHEN Wenbao, WANG Liming, ZHANG Hongwei, et al . Slope stability analysis based on ABAQUS［J］. Municipal Engineering Technology,2017 ,35 （4 ）:177 −180 . （in Chinese with English abstract）[7] BITENC M,KIEFFER D S,KHOSHELHAM K. Range versus surface denoising of terrestrial laser scanning data for rock discontinuity roughness estimation[J]. Rock Mechanics and Rock Engineering,2019,52(9):3103 − 3117. DOI: 10.1007/s00603-019-01755-2
[8] SALVINI R,FRANCIONI M,RICCUCCI S,et al. Photogrammetry and laser scanning for analyzing slope stability and rock fall runout along the Domodossola–Iselle railway,the Italian Alps[J]. Geomorphology,2013,185:110 − 122. DOI: 10.1016/j.geomorph.2012.12.020
[9] KUMHÁLOVÁ J,KUMHÁLA F,NOVÁK P,et al. Airborne laser scanning data as a source of field topographical characteristics[J]. Plant,Soil and Environment,2013,59(9):423 − 431.
[10] 康尘云. 基于倾斜摄影的高位危岩特征获取和稳定性评价——以重庆万州观音山危岩带为例[J]. 中国地质灾害与防治学报,2022,33(5):66 − 75. [KANG Chenyun. Feature acquisition and stability evaluation of high dangerous rock mass based on oblique photography: a case study at Guanyinshan in Wanzhou, Chongqing Province[J]. The Chinese Journal of Geological Hazard and Control,2022,33(5):66 − 75. (in Chinese with English abstract)] KANG Chenyun . Feature acquisition and stability evaluation of high dangerous rock mass based on oblique photography: a case study at Guanyinshan in Wanzhou, Chongqing Province［J］. The Chinese Journal of Geological Hazard and Control,2022 ,33 （5 ）:66 −75 . （in Chinese with English abstract）[11] NIETHAMMER U,JAMES M R,ROTHMUND S,et al. UAV-based remote sensing of the Super-Sauze landslide:evaluation and results[J]. Engineering Geology,2012,128:2 − 11. DOI: 10.1016/j.enggeo.2011.03.012
[12] RIQUELME A,TOMÁS R,CANO M,et al. Automatic mapping of discontinuity persistence on rock masses using 3D point clouds[J]. Rock Mechanics and Rock Engineering,2018,51(10):3005 − 3028. DOI: 10.1007/s00603-018-1519-9
[13] ZEYBEK M,ŞANLıOĞLU İ. Point cloud filtering on UAV based point cloud[J]. Measurement,2019,133:99 − 111. DOI: 10.1016/j.measurement.2018.10.013
[14] 赵婷婷, 高文娟, 李志林, 等. 实景三维技术在“8•8” 九寨沟地震地质灾害快速调查中的应用[J]. 中国地质灾害与防治学报,2023,34(3):93 − 99. [ZHAO Tingting, GAO Wenjuan, LI Zhilin, et al. Application of real-scene 3D technology in the rapid survey of geological disasters after the “8•8” Jiuzhaigou earthquake[J]. The Chinese Journal of Geological Hazard and Control,2023,34(3):93 − 99. (in Chinese with English abstract)] ZHAO Tingting, GAO Wenjuan, LI Zhilin, et al . Application of real-scene 3D technology in the rapid survey of geological disasters after the “8•8” Jiuzhaigou earthquake［J］. The Chinese Journal of Geological Hazard and Control,2023 ,34 （3 ）:93 −99 . （in Chinese with English abstract）[15] 梁京涛, 成余粮, 王军, 等. 基于无人机遥感技术的汶川震区典型高位泥石流动态监测——以绵竹市文家沟泥石流为例[J]. 中国地质灾害与防治学报,2013,24(3):54 − 61. [LIANG Jingtao, CHENG Yuliang, WANG Jun, et al. Monitoring of a typical high position debris flow dynamic change in Wenchuan earehquake areas with unmanned aerial vehicles case study of Wenjiagou debris flows in Mianzhu County[J]. The Chinese Journal of Geological Hazard and Control,2013,24(3):54 − 61. (in Chinese with English abstract)] LIANG Jingtao, CHENG Yuliang, WANG Jun, et al . Monitoring of a typical high position debris flow dynamic change in Wenchuan earehquake areas with unmanned aerial vehicles case study of Wenjiagou debris flows in Mianzhu County［J］. The Chinese Journal of Geological Hazard and Control,2013 ,24 （3 ）:54 −61 . （in Chinese with English abstract）[16] 黄发明, 陈佳武, 唐志鹏, 等. 不同空间分辨率和训练测试集比例下的滑坡易发性预测不确定性[J]. 岩石力学与工程学报,2021,40(6):1155 − 1169. [HUANG Faming, CHEN Jiawu, TANG Zhipeng, et al. Uncertainties of landslide susceptibility prediction due to different spatial resolutions and different proportions of training and testing datasets[J]. Chinese Journal of Rock Mechanics and Engineering,2021,40(6):1155 − 1169. (in Chinese with English abstract)] HUANG Faming, CHEN Jiawu, TANG Zhipeng, et al . Uncertainties of landslide susceptibility prediction due to different spatial resolutions and different proportions of training and testing datasets［J］. Chinese Journal of Rock Mechanics and Engineering,2021 ,40 （6 ）:1155 −1169 . （in Chinese with English abstract）[17] NICHOLSON L,MERTES J. Thickness estimation of supraglacial debris above ice cliff exposures using a high-resolution digital surface model derived from terrestrial photography[J]. Journal of Glaciology,2017,63(242):989 − 998. DOI: 10.1017/jog.2017.68
[18] 王明辉, 曹熙平, 谯立家. 危岩体精细调查与崩塌过程三维场景模拟——以西南某水电站高边坡为例[J]. 中国地质灾害与防治学报,2023,34(6):86 − 96. [WANG Minghui, CAO Xiping, QIAO Lijia. Comprehensive analysis of hazardous rock mass and simulation of potential rockfall processes using 3D terrain model: a case study of the high cut slope near damsite of a hydropower station in Southern China[J]. The Chinese Journal of Geological Hazard and Control,2023,34(6):86 − 96. (in Chinese with English abstract)] WANG Minghui, CAO Xiping, QIAO Lijia . Comprehensive analysis of hazardous rock mass and simulation of potential rockfall processes using 3D terrain model: a case study of the high cut slope near damsite of a hydropower station in Southern China［J］. The Chinese Journal of Geological Hazard and Control,2023 ,34 （6 ）:86 −96 . （in Chinese with English abstract）[19] 党杰, 董吉, 何松标, 等. 机载LiDAR与地面三维激光扫描在贵州水城独家寨崩塌地质灾害风险调查中的应用[J]. 中国地质灾害与防治学报,2022,33(4):106 − 113. [DANG Jie, DONG Ji, HE Songbiao, et al. Application of airborne LiDAR and ground 3D laser scanning in geological hazard risk investigation of Dujiazhai collapse in Shuicheng, Guizhou[J]. The Chinese Journal of Geological Hazard and Control,2022,33(4):106 − 113. (in Chinese with English abstract)] DANG Jie, DONG Ji, HE Songbiao, et al . Application of airborne LiDAR and ground 3D laser scanning in geological hazard risk investigation of Dujiazhai collapse in Shuicheng, Guizhou［J］. The Chinese Journal of Geological Hazard and Control,2022 ,33 （4 ）:106 −113 . （in Chinese with English abstract）[20] RABATEL A,DELINE P,JAILLET S,et al. Rock falls in high-alpine rock walls quantified by terrestrial lidar measurements:a case study in the Mont Blanc Area[J]. Geophysical Research Letters,2008,35(10):L10502.
[21] BAR N,KOSTADINOVSKI M,TUCKER M,et al. Rapid and robust slope failure appraisal using aerial photogrammetry and 3D slope stability models[J]. International Journal of Mining Science and Technology,2020,30(5):651 − 658. DOI: 10.1016/j.ijmst.2020.05.013
[22] CARA S,FIORI M,MATZUZZI C. Assessment of landscape by photogrammetry proximity uav survey technique:a case study of an abandoned mine site in the Furtei Area (Sardinia-Italy)[J]. 2013.
[23] HAVAEJ M,COGGAN J,STEAD D,et al. A combined remote sensing–numerical modelling approach to the stability analysis of delabole slate quarry,cornwall,UK[J]. Rock Mechanics and Rock Engineering,2016,49(4):1227 − 1245. DOI: 10.1007/s00603-015-0805-z
[24] 杜源, 王纯, 张勤, 等. 顾及黄土滑坡灾害状态特征的实时GNSS滤波算法[J]. 武汉大学学报(信息科学版),2023,48(7):1216 − 1222. [DU Yuan, WANG Chun, ZHANG Qin, et al. Real-time GNSS filtering algorithm considering state characteristics of loess landslide hazards[J]. Geomatics and Information Science of Wuhan University,2023,48(7):1216 − 1222. (in Chinese with English abstract)] DU Yuan, WANG Chun, ZHANG Qin, et al . Real-time GNSS filtering algorithm considering state characteristics of loess landslide hazards［J］. Geomatics and Information Science of Wuhan University,2023 ,48 （7 ）:1216 −1222 . （in Chinese with English abstract）[25] ALI S,LIU Dong,FU Qiang,et al. Improving the resolution of GRACE data for spatio-temporal groundwater storage assessment[J]. Remote Sensing,2021,13(17):3513. DOI: 10.3390/rs13173513
[26] YANG Boxiong,ALI F,ZHOU Bo,et al. A novel approach of efficient 3D reconstruction for real scene using unmanned aerial vehicle oblique photogrammetry with five cameras[J]. Computers and Electrical Engineering,2022,99:107804. DOI: 10.1016/j.compeleceng.2022.107804
[27] INAM O,QURESHI M,LARAIB Z,et al. GPU accelerated Cartesian GRAPPA reconstruction using CUDA[J]. Journal of Magnetic Resonance,2022,337:107175. DOI: 10.1016/j.jmr.2022.107175
[28] 黄发明, 殷坤龙, 蒋水华, 等. 基于聚类分析和支持向量机的滑坡易发性评价[J]. 岩石力学与工程学报,2018,37(1):156 − 167. [HUANG Faming, YIN Kunlong, JIANG Shuihua, et al. Landslide susceptibility assessment based on clustering analysis and support vector machine[J]. Chinese Journal of Rock Mechanics and Engineering,2018,37(1):156 − 167. (in Chinese with English abstract)] HUANG Faming, YIN Kunlong, JIANG Shuihua, et al . Landslide susceptibility assessment based on clustering analysis and support vector machine［J］. Chinese Journal of Rock Mechanics and Engineering,2018 ,37 （1 ）:156 −167 . （in Chinese with English abstract）[29] 武永彩. 基于LiDAR点云的电力线自适应密度聚类提取[J]. 工程勘察,2023,51(5):52 − 56. [WU Yongcai. Adaptive density clustering for extracting power line based on LiDAR point clouds[J]. Geotechnical Investigation & Surveying,2023,51(5):52 − 56. (in Chinese with English abstract)] WU Yongcai . Adaptive density clustering for extracting power line based on LiDAR point clouds［J］. Geotechnical Investigation & Surveying,2023 ,51 （5 ）:52 −56 . （in Chinese with English abstract）[30] 王道杰, 陈倍, 孙健辉. 机载LiDAR点云密度对DEM精度的影响[J]. 测绘通报,2022(5):140 − 144. [WANG Daojie, CHEN Bei, SUN Jianhui. Study on the effects of point density on DEM accuracy of airborne LiDAR[J]. Bulletin of Surveying and Mapping,2022(5):140 − 144. (in Chinese with English abstract)] WANG Daojie, CHEN Bei, SUN Jianhui . Study on the effects of point density on DEM accuracy of airborne LiDAR［J］. Bulletin of Surveying and Mapping,2022 （5 ）:140 −144 . （in Chinese with English abstract）[31] MAYR A,RUTZINGER M,BREMER M,et al. Object-based classification of terrestrial laser scanning point clouds for landslide monitoring[J]. The Photogrammetric Record,2017,32(160):377 − 397. DOI: 10.1111/phor.12215
[32] GOLDMAN R N. AREA OF PLANAR POLYGONS AND VOLUME OF POLYHEDRA[J]. Graphics Gems II,1991:170 − 171.
[33] WANG Binbin,XIE Jiacheng,WANG Xuewen,et al. A new method for measuring the attitude and straightness of hydraulic support groups based on point clouds[J]. Arabian Journal for Science and Engineering,2021,46(12):11739 − 11757. DOI: 10.1007/s13369-021-05689-2
[34] LATO M,KEMENY J,HARRAP R M,et al. Rock bench:establishing a common repository and standards for assessing rockmass characteristics using LiDAR and photogrammetry[J]. Computers & Geosciences,2013,50:106 − 114.
[35] WANG Luqi,YIN Yueping,HUANG Bolin,et al. Damage evolution and stability analysis of the Jianchuandong Dangerous Rock Mass in the Three Gorges Reservoir Area[J]. Engineering Geology,2020,265:105439. DOI: 10.1016/j.enggeo.2019.105439
[36] WU Wenlong,LIU Xiliang,GUO Jiaqi,et al. Upper limit analysis of stability of the water-resistant rock mass of a Karst tunnel face considering the seepage force[J]. Bulletin of Engineering Geology and the Environment,2021,80(7):5813 − 5830. DOI: 10.1007/s10064-021-02283-6
[37] TAO Zhigang,FAN Fangzheng,YANG Xiaojie,et al. Prediction of deep rock mass quality and spatial distribution law of open-pit gold mine based on 3D geological modeling[J]. Geotechnical and Geological Engineering,2021,39(4):3221 − 3238. DOI: 10.1007/s10706-021-01690-6
计量
- 文章访问数: 176
- HTML全文浏览量: 42
- PDF下载量: 120
邮件订阅
RSS