Application of UAV SfM technology in active tectonic research: A case study of the Longmu Co Fault, Northwestern Qinghai-Tibet Plateau
-
摘要: 为探讨搭载与未搭载实时动态差分技术/动态后处理技术(RTK/PPK)模块的无人机平台通过运动恢复结构(SfM)方法处理获得的数字高程模型(DEM)数据质量差异，以及建立不同无人机平台野外数据采集和室内数据处理过程的快速流程，利用大疆经纬M 300 RTK无人机(搭载禅思L1激光雷达(LiDAR)和测绘相机)与大疆精灵4 Pro无人机(搭载可见光相机)分别对青藏高原西北部龙木错断裂上1处位错阶地进行了数据采集，获得了该处高分辨率、高精度DEM数据和数字正射影像图(DOM)数据。对比结果显示，M 300 RTK无人机平台L1负载系统获得的LiDAR和SfM地形数据精度接近，两者在约100 m的飞行高度获得的DEM数据在水平和垂直方向的均方差分别为0.135 m、0.111 m和0.201 m、0.180 m；无RTK模块的精灵4 Pro无人机获取的DEM数据虽然绝对精度较差(水平和垂直方向均方差分别为1.707 m和249.280 m)，但其反映的相对地形与实际地形接近，经过地面控制点校正后精度可以达到分米级。研究表明，RTK SfM技术克服了使用地面控制点的局限性，为活动构造研究领域微地貌测量提供了更高精度、更高效率的解决方案。当对测区的绝对三维坐标要求不高，仅需相对的地形起伏时，未搭载RTK模块的无人机也能够在无地面控制点约束的情况下满足地貌位错测量基本需求。Abstract:
Objective In recent years, UAV (Unmanned Aerial Vehicle) SfM (Structure from Motion) technology has been widely applied as an emerging high-precision 3D topographic data acquisition technique in active tectonics research. However, existing domestic research primarily focuses on UAV platforms without RTK/PPK modules. Over the past two years, RTK and PPK technologies have gradually been introduced to UAV platforms, resulting in changes to field data collection and in-office data processing workflows compared to traditional UAV platforms without RTK/PPK modules. The differences in topographic data quality obtained through SfM processing of aerial photographs from UAV platforms equipped and not equipped with RTK/PPK modules under the same scenes and collection conditions still require investigation. Methods To address these questions and establish a streamlined data collection and processing workflow for different UAV platforms, a site where alluvial terraces are offset by the sinistral Longmu Co fault, northwestern Qinghai-Tibet Plateau, was surveyed using the DJI M300 RTK UAV (equipped with the Zenmuse L1 LiDAR and a 20-megapixel visible light camera) and the DJI Phantom 4 Pro UAV (equipped with a 20-megapixel visible light camera). Through processing the raw data with SfM technology, high-resolution and high-precision DEM and DOM data were obtained for the study area. Additionally, 16 ground control points (checkpoints) were uniformly distributed in the research area, and their coordinates were measured using the Trimble R8 GNSS receiver in RTK mode to compare and validate the differences in data quality obtained by the two platforms. Results The data comparison showed that the visible light camera and LiDAR module carried by the M300 RTK demonstrated high accuracy, with root mean square errors (RMSEs) in the centimeter to decimeter range compared to the RTK-measured ground checkpoints. Compared to SfM data collected at the same time (RMSEX=0.176, RMSEY=0.099, RMSEZ=0.180, RMSEH=0.201, RMSE3D=0.270, unit: m), the Zenmuse L1 LiDAR data exhibited slightly higher accuracy (RMSEX=0.112, RMSEY=0.076, RMSEZ=0.111, RMSEH=0.135, RMSE3D=0.174, unit: m). The uncorrected SfM data from the Phantom 4 Pro had horizontal errors of approximately 1 meter (RMSEX=1.112, RMSEY=1.295, unit: m) and a vertical error of over 200 meters (RMSEZ=249.286, unit: m). After ground control point correction, the accuracy of the Phantom 4 Pro SfM data significantly improved, with RMSE of 0.046 m, 0.058 m, and 0.527 m in the X, Y, and Z directions, respectively. Further analysis of a topographic profile nearly perpendicular to the steep slopes of various terrace risers within the surveyed area revealed that, despite significant elevation discrepancies in the uncorrected Phantom 4 Pro SfM data, it still accurately reflected the relative topographic relief. Subtracting the profile elevation values from their corresponding RMSE, the profile shape closely matched the rest of the data. Based on the acquired DEM data, the displacement of the terrace at this location was measured using LaDiCaoz software, revealing a left-lateral strike-slip displacement of 122.5±5 m and a vertical displacement of 0.8±0.2 m. Conclusion The study results indicate that: (1) UAV SfM method and LiDAR technology have significantly improved the resolution of DOM and DEM, enabling more detailed interpretation and analysis of active faults and related structural landforms; (2) RTK SfM technology overcomes the limitations of using ground control points, providing a higher-precision and more efficient solution for micro-landform measurements in the field of active tectonics research; (3) when absolute three-dimensional coordinates in the study area are not crucial, and only relative terrain variations are required, UAVs without RTK modules can still meet the basic requirements for geomorphic fault displacement measurements in the absence of ground control point constraints; (4) combining UAV SfM technology with traditional fault geomorphology analysis and Quaternary dating techniques in high-precision quantitative active tectonics research can offer robust technical support for analyzing fault activity patterns, seismic hazard, landform evolution, and the occurrence patterns of geological disasters. Significance Through the aforementioned work, workflows for data collection, data processing, and geomorphic fault displacement measurement using SfM methods in active tectonics research were established for both UAV platforms equipped and not equipped with RTK/PPK modules. The fieldwork considerations and data accuracy of UAV SfM methods were analyzed, providing a reference for selecting UAV platforms and rapidly collecting and processing data for similar studies in the future. -
0. 引言
近年来，随着煤矿开采深度不断加深，动力灾害的发生日趋频繁。其中，冲击地压灾害的破坏力巨大，造成的后果严重影响了煤矿安全开采。从工作面的尺度出发，煤层在开采过程中常伴随上覆坚硬岩层的突然破裂，引发岩体强烈的冲击破坏，表征为一定范围内的破坏现象（纪洪广等，2003）。近年来，专家学者着眼于工作面尺度之外更大的范围去研究煤矿相关动力灾害的发生机制及预警，将研究范围扩展至区域应力场的范畴（李铁等，2003，刘金海等，2014；张月征等，2016a）。甘肃华亭煤矿于2014年发生的一次冲击地压灾害，其释放的能量达到了108 J量级，造成 1500 m巷道底鼓1.5 m，与工作面尺度内的顶板结构失稳相比，该灾害表现出破坏力强、波及范围广等特点，其根本原因在于周边区域内煤岩体为冲击地压灾害的发生提供了必要的力能条件（张月征等，2016b）。因此，在工作面开采期间，应从更广的区域范围入手，寻求不同尺度的动力异常响应特征，以期探索深部煤矿开采过程中动力灾害的发生及预警机制。
天然地震和矿震都是地层内部的动力学现象，可将天然地震超前预报的观测手段应用到矿震或冲击地压灾害的监测中，其中地壳形变观测是地震地面监测体系中重要的前兆观测项目（邱泽华和石耀霖，2004），监测台站观测到地应力拉伸脉冲异常与地壳地震活动显著相关（邱泽华，2017）。采用S变换和高通滤波从钻孔应变数据中提取短周期信号，能够发现汶川地震前钻孔应变观测出现异常（刘琦和张晶，2011）。借助钻孔应变观测仪器实现对地壳变形的精确记录，可及时捕捉地壳内部如固体潮汐量级的微小变化（苏恺之，2003；邱泽华，2010；张聪聪，2015）。钻孔应变仪因其频带宽、精度高，适用于监测煤矿深部开采动力灾害异常响应特征。为了揭示煤层开采过程中区域应力场的演变规律，需要考虑开采扰动与区域应力场协同作用对矿震活动性的相互影响，往往需要捕捉长短周期信号（云龙等，2021）。相比监测煤矿动力灾害的其他设备，钻孔应变仪因其监测频带宽的特性（池顺良，2013），所采集的数据含有高频短周期的噪声和低频长周期的应变固体潮频段以及能够反映矿震活动规律的特定频段，为探究工作面采动环境中矿震孕育与诱发机制，需滤去噪声和应变固体潮频段。
针对时域内难以有效区分煤矿动力灾害异常响应信息的问题，文章以鲍店煤矿七采区东翼不规则区域（73上11工作面）开采期间观测的钻孔应变数据为基础，采用变分模态分解（VMD）方法，获得不同频率的固有模态函数（IMF）分量。通过构建带通滤波通道，滤去高斯噪声信号和固体潮分量，重构反映矿震活动的IMF分量，利用希尔伯特（Hilbert）变换将时域内看似杂乱无章却能反映矿压活动的应变信息转换成频域信息，求解该分量的瞬时能量和以天为单位的能量累计变化，分析信号异常处矿震的发生与区域应力场之间的相互作用效应，实现对矿震或冲击地压灾害前兆信息的识别和解析，以期对相似地质条件下煤矿动力灾害的预测预报提供一定指导意义。
1. 工程概况及资料选取
鲍店煤矿73上11工作面位于井田东北部边界，东部与东滩煤矿四采区（43上09采空区）、十四采区（14316采空区和14302采空区）相接，北部与兴隆庄煤矿四采区相接，相邻矿井的3个采区回采工作已完成，西部为鲍店煤矿73上02采空区和73上04采空区，南部为十采区、七采区（73上09采空区）南翼采区，相邻采区已基本采完（图1）。因此，工作面之间相互关系呈现孤岛工作面开采。其中，七采区东翼南侧已回采，待回采的73上11工作面处于不规则三角形区域（图1）。73上11工作面主采3#煤层，煤层采深超过600 m，且距煤层上方100 m处有厚硬砂岩层，其破断后释放大量弹性应变能，该厚硬岩层的失稳对工作面安全开采影响显著。根据地质勘探结果，已探明鲍店煤矿七采区厚硬砂岩最小厚度为41.75 m，最大厚度超过373.55 m。由采区东北部边界向东西翼分界线逐渐增加，73上11工作面上覆厚硬砂岩层厚度大于300 m，部分区域超过350 m，工作面周边采空区覆岩运动以及应力场调整势必增加73上11工作面应力分布的复杂性。综上所述，73上11工作面开采期间主要受孤岛工作面导致的应力集中和上覆厚硬岩层稳定性的影响，故73上11工作面在掘进和回采过程中动力异常响应较为突出，易引发矿震或冲击地压相关动力灾害。
图 1 鲍店煤矿73上11工作面邻近关系示意图（海拔 –546.8 m）Figure 1. Neighboring relationship diagram of the working face position (The altitude is −546.8 m)为了揭示矿震发生前的异常响应特征，选取能量为105J的矿震事件作为研究对象，截取5月份和10月份每次矿震发生前20天和震后10天作为一个完整的时间序列，基于VMD识别和提取钻孔应变数据。
2. 基于VMD识别和提取钻孔应变数据
工作面开采期间，钻孔应变仪因其具有高分辨率、高精度等特性，采集的数据会受到所处环境中干扰因素的影响，如高斯噪声的即时干扰和应变固体潮的周期性干扰等（文勇等，2012）。消除噪声常见的滤波方法主要有小波变换、傅里叶变换或短时变换（穆峰等，2015），上述方法在处理平稳信号时所表现的效果是满足滤波需求的，但是在处理非平稳信号时误差较大，因非平稳信号的特性是其信号自身频率随时间变化而变化，傅里叶变换在处理相关问题时只能给出总体效果，并不能够反应出某一时刻信号的局部信息。在此基础上，Huang et al.（1998）提出经验模态分解（EMD）来处理非平稳、非线性信号，其特点是将原始信号按照频率从高到低的顺序分解为若干个固有模态函数分量，分解后的各模态函数具备其自身固有的属性；然后，再根据希尔伯特变换将信号从时域角度转换至频域角度，这在面对时域内非线性、非平稳信号分析效果差的环境下，提供了有力的技术支撑。但随着EMD分解方法在信号处理方面的广泛应用，其缺点也暴露出来，如其端点效应和模态混叠严重，不具备严格的数学模型。基于此问题，在EMD基础上又发展出很多改进算法，如集合经验模态分解（EEMD；Huang and Wu，2008；陈可等，2010）、补充集合经验模态分解（CEEMD；Yeh et al.，2010）和改进集合经验模态分解（MEEMD；郑近德等，2013）等。EEMD是通过向原始信号中加入高斯白噪声来抑制经验模态分解过程中存在的模态混叠现象，CEEMD是通过向目标信号添加成对的符号相反的白噪声，来确保信号分解具有真实的物理意义，MEEMD结合CEEMD与排列熵（PE）算法在抑制模态混叠方面取得理想的结果（邢昀和荣剑，2018）。上述相关改进算法虽然在一定程度上解决了模态混叠和端点效应问题（康佳星等，2016），但本质上仍是时域范畴内的递归求解。随后，Dragomiretskiy and Zosso（2014）提出的一种自适应信号处理方法（VMD），通过迭代不断更新各模态函数及中心频率，得到若干具有一定带宽的模态函数，获取变分模态的最优解。VMD相较于EMD是基于频域的非递归求解算法，弥补了EMD的缺点。
井下工作环境、地质环境复杂多变（谭元隆等，2021），钻孔应变仪采集的数据记录了不同来源、不同特性的混合时频信号，仅仅从应变数据波形特征的时变角度难以精确分析局部细节信息。但诸如噪声、应变固体潮等某个单频信号蕴含着固有的优势频率，采用VMD的方法，能够将具有不同来源、不同频率的波动信号分离出来，进而针对不同的研究问题，选择敏感频率段的数据作为研究对象。
文章采用四分量钻孔应变仪分析采动环境中应变的相对变化规律，四分量钻孔应变仪通过记录元件电容值实现对应变的观测。为界定观测数据质量是否满足研究问题的要求，需要依靠质量评价体系评定数据的可靠性，而钻孔应变数据质量评价体系则是自洽方程（式）。四分量钻孔应变仪采集的数据经过应变换算后得到面应变Sa（邱泽华等，2009），依靠自洽方程既可以评判数据自身的可靠性，也可以用来识别四分量钻孔应变仪的工作状态。若数据段内整体变化趋势一致，则满足自洽方程：
式中：${S_{\text{1}}}$—元件1的观测数值；${S_{\text{2}}}$—元件2的观测数值；${S_{\text{3}}}$—元件3的观测数值；${S_{\text{4}}}$—元件4的观测数值。
动力灾害的孕育及其诱发与区域应力场的力学行为密切相关，这里的动力灾害主要涉及冲击地压、矿震以及工作面来压期间发生的顶板异常动力显现事件。针对能级跃迁较大的煤矿动力灾害，钻孔应变曲线走势表现为显著的“阶跃”（张月征等，2016b），即数据曲线在动力灾害发生时刻产生台阶式上升或下降。此外，还存在一些能级跃迁较小的动压事件。5月4日—5月31日四分量钻孔应变仪分量1和分量3根据自洽方程拟合后的观测数据（图2a），9月22日—10月13日分量2和分量4根据自洽方程拟合后的观测数据（图2b），均满足自洽方程，图中仅绘制拟合后的观测曲线。观察两个不同时间序列上钻孔应变数据的幅值变化，可知某一时刻发生动力异常事件的典型状态失稳现象在应变数据波动特征上并不能够有效直观地显现，应力传递路径受钻孔应变仪安装位置、震源处煤岩介质力学属性等影响，动力异常事件发生前后微小的响应信号大都淹没在固体潮背景下，故有必要根据时频变换识别或提取区域应力场中细微变化与动力灾害的前兆响应特征。
图 2 时频解析前钻孔应变仪采集原始数据曲线Figure 2. Raw data curves by the borehole strainmeter before time-frequency analysis钻孔应变仪采集的是多频段混合后的数据（欧阳祖熙等，2009），经VMD分解后得到若干个固有模态函数（IMF）。定义有意义的瞬时频率其必要条件是函数关于零均值局部对称且过零点的数目与极点的数目一致。据此，Huang et al.（1998）定义了IMF应满足以下2个条件：①在整个数据区间内，极值点的数目与过零点的数目相等或至多相差1个；②在任意一点处，由局部极大值点定义的包络以及由局部极小值点定义的包络的均值为零。此外，为了消除噪声和固体潮等因素对要研究数据段的影响，在VMD分解的基础上，采用希尔伯特（Hilbert）变换依次分析IMF分量，将时域信息转换至频域信息范畴。按照上述理论对5月1日—5月31日的数据段进行分解，获得各频段IMF曲线（图3）。
图 3 5月1日—5月31日钻孔应变数据VMD分解曲线图Figure 3. VMD decomposition curves (IMF1—IMF13 ) of borehole strain data from May 1st to May 31st如表1所示，IMF1—IMF5周期皆小于1 h，推测可能是设备自身或周围环境中产生的高斯噪声（Barman et al., 2016），故剔除IMF1—IMF5分量，以排除噪声对原始数据的干扰。 IMF9和IMF10的频率分别为2.24×10−5 Hz与1.16×10−5 Hz，转换至周期后分别为12.4 h和23.9 h，时间维度上与固体潮严格匹配，确定为固体潮的半日波和日波分量。此外，与IMF9和IMF10邻近的IMF 11和IMF12为固体潮谐波分量。
表 1 钻孔应变数据VMD分量频率周期表Table 1. Frequency periodic table of VMD component of borehole strain dataIMF 1 2 3 4 5 6 频率/Hz 3.98×10−3 2.62×10−3 1.19×10−3 6.64×10−4 3.17×10−4 2.41×10−4 周期/h 0.07 0.10 0.23 0.41 0.89 1.15 IMF 7 8 9 10 11 12 频率/Hz 1.53×10−4 6.37×10−5 2.24×10−5 1.16×10−5 1.51×10−6 7.49×10−7 周期/h 1.8 4.3 12.4 23.9 185 370 为探究噪声频段对所研频段数据造成的干扰，综上所述，将混杂的各频段数据解析后重构，对比分析降噪前与降噪后的频段曲线（图4）。降噪信号段与原始信号背景趋势走向一致，对钻孔应变数据的局部异常突跳点捕捉效果良好，降噪信号能够从局部微小信号上反映钻孔应变的波动特征。
利用VMD对含噪信号按照频率从高到低依次分解，得到若干个固有模态分量。通过构建带通滤波器，滤去高频噪声项和低频固体潮背景趋势项后，将其余IMF分量重构。
通过上述方法，分析用于监测矿山动力灾害和区域应力场变化的钻孔应变数据。依据变分模态分解原理，既能排除原始信号中的高频噪声，又能剔除低频固体潮背景数据。因此，该方法充分保留了特定信号段非线性、非平稳的固有属性，经频谱分析得到IMF1—IMF12频率与周期的优势分布，对比每个IMF的固有属性和信号时频差异性，从而实现钻孔应变数据的降噪处理。
3. 基于希尔伯特（Hilbert）变换的区域应力异常提取方法
冲击地压和矿震都属于煤矿常见的动力灾害，两者既有相似之处，也有其内在的差异。通常由于积聚的弹性应变能瞬间释放致使周围煤岩体的破坏，从而引起冲击地压和矿震。前者多发生在巷道或工作面以及开采扰动近源区，并伴随有煤岩体抛出的动力现象，而后者是开采扰动与区域应力场共同作用诱发的地震，多发生在工作面开采扰动远源区，其在表征动力破坏程度上弱于冲击地压，且不发生煤岩体的抛出现象。此外，从二者的发生频次上分析，冲击地压灾害数要远小于矿震，但当满足一定的临界条件时，矿震会诱发冲击地压灾害的发生。因此，区域应力场监测是实现矿震预测、预警的基础和前提，且有利于揭示冲击地压的致灾机理（姜耀东等，2014）。
为了得到区域应力场的实时变化，将经过VMD分解后得到的精细信号段进一步分析和处理。常用的方法有傅里叶变换和希尔伯特变换。其中，傅里叶变换的优势表现为对平稳或线性信号的处理，若使用该方法处理非平稳、非线性的信号，则需进行特定的变形后方可使用，如：小波变换和短时傅里叶变换。但经过小波变换和短时傅里叶变换解析的信号会出现负频率，负频率在分析相关问题时不具有任何物理意义，而希尔伯特变换在解析过程中虚数部分较实数部分滞后$\text{π} /2$，借用此特性可消除负频率的影响。因此，希尔伯特变换在解析非线性、非平稳信号时，有其自身特有的优势。
根据矿震事件发生的时间，以分钟为单位提取钻孔应变数据，经希尔伯特变换后得到矿震分量的瞬时幅值、瞬时能量和每日累计能量（图5，图6）。由5月1日—5月31日和9月22日—10月13日的钻孔应变瞬时幅值时程变化曲线可知（图5a，图6a），在时间序列内统计矿震发生频次共计6次，分别为5月21日、5月26日和5月29日及9月24日、10月4日和10月11日，从瞬时幅值和累计能量两个角度均反应了相同的变化规律。其中，日累计能量的变化趋势说明区域应力场内能量在不断的积聚、释放和耗散（图5b，图6b）。
图 5 5月1日—5月31日重构分量动力异常响应幅值和能量时程变化Figure 5. Dynamic anomaly response amplitude and energy time–history change of reconstructed components from May 4th to May 31st
图 6 9月22日—10月13日重构分量动力异常响应幅值和能量时程变化Figure 6. Dynamic anomaly response amplitude and energy time–history change of reconstructed components from September 22nd to October 13rd3.1 从幅值曲线波动形态上分析
矿震与地震都是地下岩层运动后产生形变进而导致弹性应变能的积累并释放（蒋骏等，2000；彭华等，2008，2011；王凯英，2018），两者在发生机制上具有相似的特征。Mescherikov（1968）、Yoichiro（1974）通过对大量地震资料的归纳总结发现，在地震的孕育和诱发过程中存在α、β和γ三个阶段，运用该理论在后续的地震跟踪预测中取得了显著效果。为解释地震形变三阶段的物理实质，冯德益（1983）认为α阶段以岩层的微小破裂为主，持续扩展乃至相互贯通，导致最终发生非震滑动或岩层的蠕变；β阶段则是因断层活化而引起的突变异常，并最终进入γ阶段，表征为大量积蓄弹性应变能的释放。如图7所示，地震形变三阶段的曲线走势与岩石破坏的应力应变曲线相似，运用该理论分析煤矿矿震的活动规律，以期探究矿震发生的前兆特征。以5月21日矿震事件为例，应变幅值“有升有降”走势契合地震发生的前期α、中期β和后期γ三个形变阶段。α阶段：应变稳定变化，该阶段虽然也会造成煤岩破裂，但区域应力场总体稳定，能量积聚速率与能量释放速率趋于一致，不足以引发动力灾害。β阶段：应变急剧变化，表现形式为“震荡”+“突跳”，这是相关区域岩层破裂产生非稳态应力调整现象的表征，能量积聚与能量释放处于临界状态，如5月21日矿震前期先发生“震荡”后发生“突跳”，而5月26日矿震β阶段应力异常表征为“震荡”、“震荡”+“突跳”2种应变异常表现形式受矿震震源处和“力链”范围内煤岩介质属性、应力传递路径、开采扰动影响范围，以及震源、工作面和钻孔应变安装设备三者相对位置的影响，区分2种异常形式有利于了解区域应力场的赋存状态，并为未来的煤矿开采工作提供技术指导。γ阶段：大量积聚弹性应变能瞬间释放，造成煤岩体破裂并引发矿震。
图 7 地震形变三阶段物理模型（宋治平等，2004）Figure 7. Three-stage physical model of seismic deformation (Song et al., 2004)3.2 从形变异常开始时间分析
钻孔应变数据经VMD识别并提取能够反映矿震的IMF分量。该IMF分量经希尔伯特变换后所得时间幅值变化关系，亦是矿震震源、工作面开采位置和钻孔应变仪安装位置三部分组成的系统所形成的一定空间范围内区域应力场变化的表征。不同于天然地震发生前2年应变出现异常的规律（宋先月等，2003)，解析出矿震形变异常早于其发生2～7天（表2，表3），这是天然地震与煤矿矿震的孕震环境不同所造成的。工作面开采扰动促使区域应力场不断的调整，对比观察开采扰动作用下的区域应力场幅值随时间的变化，形变的三个阶段中稳定变化阶段（α）的应变格值为0.5×10−10ε，形变快速变化阶段（β）的应变格值为稳定变化阶段的3倍以上，呈现为 “突跳” 的变化特征。动力灾害发生前，区域应力场内应力（应变）显著升高，积蓄大量的弹性应变能，当相关区域的可释放弹性应变能超过岩石表面应变能时，即可沿破裂面瞬间释放。
表 2 5月份形变异常前兆模式特征表Table 2. Characteristics of deformation anomaly precursory mode in May发生时间 形变异常
开始时间应力调整
持续时间表现形式 5月21日 5月11日 10 d “震荡”+“突跳” 5月26日 5月24日 2 d “震荡” 5月29日 5月27日 2 d “突跳”+“震荡” 表 3 10月份形变异常前兆模式特征表Table 3. Characteristics of deformation anomaly precursory mode in October发生时间 形变异常
开始时间应力调整
持续时间表现形式 9月24日 9月22日 2 d “突跳” 10月4日 9月27日 7 d “突跳” 10月11日 10月6日 5 d “突跳”+“震荡” 基于鲍店煤矿典型动力灾害−矿震事件，通过分析钻孔应变数据对区域应力场异常的响应，认为应变幅值由形变稳定变化阶段向快速变化阶段的幅值阶跃为形变异常开始时间。随后，区域应力场在开采扰动作用下不断调整直至进入震前失稳阶段，能量释放呈现出动力灾害形式。因此，对应变数据进行VMD和Hilbert变换后，可以识别并提取能够反映煤矿动力异常响应的IMF分量，并在地震形变三阶段的理论基础上，统计分析其幅值和累积能量的时程变化规律，进而尝试建立煤矿动力灾害的预测预报模式。
4. 存在的不足与展望
（1）基于鲍店煤矿所在区域地应力监测数据，采用Hilbert变换方法进行了解析，获得了煤矿动力灾害发生前明显的前兆异常响应特征，但不能代表不同构造环境下的应变前兆特征，未来还需进一步丰富不同构造环境下的应变监测数据采集与分析工作，以期归纳总结出煤矿动力灾害的预测预报模式。
（2）在对分解出的若干个IMF分量进行异常信号提取和识别工作中，由于煤矿井下环境复杂多变，设备采集到的原始数据受到严重干扰，以上研究中所采用的方法仅是针对具体问题的定向研究，在一定程度上删除了干扰信号的影响，但是使用的算法有其自身的局限性，存在部分数据段无法消除干扰的问题，后期还需进一步优化算法，以期提高数据分析的准确性。
5. 结论
采用VMD和Hilbert变换的方法，分析了鲍店煤矿开采期区域应力场变化的钻孔应变监测数据，结论如下：
（1）将VMD方法应用到钻孔应变数据处理中，能够将混频信号分解为若干个具有特定频段的固有模态分量，为后续动力异常响应特征的识别和提取提供无模态混叠的数据源。
（2）通过构建带通滤波器，消除高斯噪声和应变固体潮干扰项，重构信号获得能够反映区域应力场对矿震、冲击地压等动力灾害响应的IMF分量，并采用Hilbert变换方法处理特定频段IMF分量。
（3）依据地震形变三阶段理论，定义形变异常开始时间为区域应力场进入异常状态时刻，并经过形变快速变化阶段的“震荡”和“突跳”后，释放出积聚的弹性应变能，满足岩石强度失效和变形破坏准则时，即能引发动力灾害。
（4）基于钻孔应变仪对区域应力场的精确观测，将形变异常开始时间作为动力灾害事故发生前的响应时刻，为未来煤矿开采工程的安全性和稳定性评价提供了一种切实可行的前兆信息判别模式。
责任编辑：范二平 -
图 1 野外工作点及邻区活动断裂分布图(据Li et al., 2021修改)
Figure 1. Fieldwork locations and distribution of active faults in neighboring areas (modified from Li et al., 2021)
图 2 野外工作点河流阶地左行位错地貌卫星影像解译图(据Chevalier et al., 2017修改)
红色线指示活动断层迹线；黄色方框为无人机航测范围；黄色圆圈及对应的数字表示地面控制点位置及其编号
Figure 2. Interpretation of satellite imagery of left-lateral faulted landforms in river terraces at fieldwork locations (modified from Chevalier et al., 2017)
The red lines indicate the traces of active faults, the yellow boxes represent the coverage area of the UAV aerial survey, and the yellow circles with corresponding numbers indicate the positions of ground control points and their identifiers.
图 3 应用UAV SfM方法开展活动构造研究数据采集、数据处理、位错测量流程图
Figure 3. Flowchart of data collection, data processing, and fault displacement measurement process for active tectonics research using UAV SfM method
图 4 无人机数据采集系统及地面控制点的布置与测量
a—大疆经纬M 300 RTK无人机及禅思L1负载；b—大疆精灵4 Pro无人机；c—地面控制点标靶；d—地面控制点坐标RTK测量
Figure 4. UAV data acquisition system and deployment and measurement of ground control points
(a) DJI Matrice M300 RTK UAV equipped with Zenmuse L1 payload; (b) DJI Phantom 4 Pro UAV; (c) Ground control point target; (d) Ground control point coordinates measured by RTK
图 5 测区UAV SfM及LiDAR成果图
a—M 300 RTK无人机航测照片重叠度示意图；b—M 300 RTK SfM方法处理获得的测区DOM图像；c—M 300 RTK SfM方法处理获得的测区DEM图像；d—禅思L1 LiDAR获得的测区DEM图像；e—未使用地面控制点校正的精灵4 Pro SfM方法获得的测区DEM图像；f—经地面控制点校正过后的精灵4 Pro SfM方法获得的测区DEM图像
Figure 5. Result Maps of UAV SfM and LiDAR
(a) Overlap of aerial survey photos taken by the M300 RTK UAV; (b) Digital Orthophoto Map (DOM) of the surveyed area obtained by M300 RTK SfM method; (c) Digital Elevation Model (DEM) of the surveyed area obtained by M300 RTK SfM method; (d) DEM of the surveyed area obtained by Zenith L1 LiDAR; (e) DEM of the surveyed area obtained by DJI Phantom 4 Pro using SfM method without ground control point correction; (f) DEM of the surveyed area obtained by DJI Phantom 4 Pro using SfM method after ground control point correction
图 6 M 300 RTK UAV SfM方法获得的工作点DOM、DEM综合解译的河流阶地位错地貌图
红色线指示活动断层迹线；黄色线段AB指示图 9中地形剖面位置；灰色细线及对应的数字为等高线及其对应海拔高度；黑色虚线指示T3阶地被断裂错开的标志线，黑色双向箭头及中间数字指示T3阶地位错量
Figure 6. River terrace faulted landform interpreted from the integrated analysis of DOM and DEM obtained by M300 RTK UAV SfM method
The red lines indicate the traces of active faults, the yellow line segment AB indicates the position of the topographic profile in Fig. 9, the gray lines and corresponding numbers represent contour lines and their corresponding elevations, the black dashed lines indicate the marker lines where the T3 terrace is displaced by the fault, and the black bidirectional arrow with the middle numbers indicate the amount of displacement of the T3 terrace.
图 7 M 300 RTK无人机平台SfM数据、LiDAR数据、未经地面控制点校正的精灵4 Pro SfM数据及地面控制点校正后的精灵4 Pro SfM数据与地面检查点差分GPS实测坐标在3个方向上的对比
a—X方向；b—Y方向；c、d—Z方向
Figure 7. Comparison of M300 RTK UAV SfM data, LiDAR data, Phantom 4 Pro SfM data before GCP correction, and Phantom 4 Pro SfM data after GCP correction, with checkpoint coordinates measured by differential GPS, in the X, Y, and Z axes
(a) X direction; (b) Y direction; (c, d) Z direction
图 8 LaDiCaoz软件位错提取过程及结果
a—确定断层迹线、断错地貌标志(阶地陡坎)以及穿过标志物剖面的位置；b—位错恢复后的研究点地貌图；c、d—断裂两侧剖面线地貌标志体拟合前后的相对位置
Figure 8. Process and results of fault displacement extraction using LaDiCaoz software
(a) Locating fault traces, terrace risers, and profile locations; (b) Geomorphological map of the study points after displacement restoration (color legends in Fig 8a and 8b represent changes in terrain elevation); (c, d) Relative positions before and after fitting of geomorphic markers on both sides of the fault
图 9 M 300 RTK无人机平台SfM、LiDAR、精灵4 Pro SfM DEM数据地形剖面对比(剖面位置见图 6)
T0—河漫滩；T1—一级阶地；T2—二级阶地；T2′—次二级阶地；T2″—次次二级阶地；T3—三级阶地
Figure 9. Comparison of topographic profiles of DEM data derived from M 300 RTK UAV SfM, LiDAR, and Phantom 4 Pro SfM (Profile location is shown in Fig. 6)
T0-floodplain; T1-Terrace 1; T2-Terrace 2; T2′-Sub-terrace on Terrace 2; T2″-High sub-terrace on Terrace 2; T3-Terrace 3
表 1 不同类型数据与地面检查点RTK GNSS测量结果对比(单位：m)
Table 1. Comparison of different types of data with ground checkpoints measured with RTK GNSS (unit: m; * denotes points used as GCP during Phatom 4Pro data SfM processing)
地面检查点 经纬M300 SfM 禅思L1 LiDAR 地面控制点校正前精灵4 Pro SfM数据 地面控制点校正后精灵4 Pro SfM数据 DX DY DZ DX DY DZ DX DY DZ DX DY DZ GCP1 -0.078 -0.078 -0.148 0.043 0.043 0.043 -1.082 -0.239 249.443 -0.057 -0.006 1.075 GCP2* -0.035 -0.058 -0.082 0.023 0.023 0.023 -0.940 -0.518 249.408 -0.046 -0.025 0.017 GCP3* 0.258 0.028 -0.141 0.106 0.106 0.106 -0.253 -0.990 248.971 -0.004 -0.076 0.018 GCP4* 0.350 0.058 -0.334 0.166 0.166 0.166 -0.336 -1.944 248.603 -0.002 -0.059 -0.314 GCP5* 0.197 0.169 -0.226 0.008 0.008 0.008 -0.766 -2.731 248.457 0.058 -0.023 0.256 GCP6* -0.026 0.071 -0.149 0.125 0.125 0.125 -1.536 -2.415 249.319 0.057 0.021 -0.185 GCP7* -0.185 -0.040 -0.233 0.016 0.016 0.016 -1.849 -1.721 249.819 0.017 0.072 0.262 GCP8 -0.109 -0.091 -0.125 -0.087 -0.087 -0.087 -1.419 -1.228 249.693 0.104 0.026 -1.060 GCP9 0.189 0.028 -0.100 0.135 0.135 0.135 -0.730 -1.612 249.086 0.049 -0.007 -0.592 GCP10 -0.015 -0.069 -0.070 0.064 0.064 0.064 -0.833 -0.229 249.390 0.017 0.103 0.422 GCP11* -0.081 -0.191 -0.184 -0.054 -0.054 -0.054 -1.113 0.533 249.263 -0.037 0.113 -0.317 GCP12* 0.103 -0.125 -0.104 0.124 0.124 0.124 -0.524 0.280 249.127 -0.032 -0.035 0.517 GCP13* 0.224 -0.027 -0.187 0.183 0.183 0.183 -0.081 -0.250 248.951 -0.002 -0.101 -0.058 GCP14* -0.236 -0.119 -0.251 -0.018 -0.018 -0.018 -1.704 -0.796 249.809 0.032 0.009 0.066 GCP15 -0.167 -0.107 -0.199 0.031 0.031 0.031 -1.313 -0.179 249.523 0.040 0.023 -0.619 GCP16 -0.157 -0.121 -0.122 -0.122 -0.122 -0.122 -1.340 -0.486 249.608 0.050 -0.029 -0.785 注：*为精灵4 Pro数据SfM处理过程中的地面控制点 
下载: 导出CSV
表 2 不同类型数据在X、Y和Z轴方向的平均误差与均方根误差(单位：m)
Table 2. Mean error and root mean square error (RMSE) in X, Y, and Z axes for different types of data (unit: m)
X轴平均误差 Y轴平均误差 Z轴平均误差 RMSEX RMSEY RMSEZ RMSEH RMSE3D 经纬M300 SfM 0.151 0.086 0.166 0.176 0.099 0.180 0.201 0.270 禅思L1 LiDAR 0.096 0.051 0.103 0.112 0.076 0.111 0.135 0.174 校正前精灵4 Pro SfM 0.989 1.009 249.279 1.112 1.295 249.280 1.707 249.286 校正后精灵4 Pro SfM 0.038 0.046 0.410 0.046 0.058 0.527 0.073 0.532
下载: 导出CSV
-
AGÜERA-VEGA F, CARVAJAL-RAMÍREZ F, MARTÍNEZ-CARRICONDO P, 2017. Accuracy of digital surface models and orthophotos derived from unmanned aerial vehicle photogrammetry[J]. Journal of Surveying Engineering, 143(2): 04016025. doi: 10.1061/(ASCE)SU.1943-5428.0000206 ARMIJO R, TAPPONNIER P, HAN T L, 1989. Late Cenozoic right-lateral strike-slip faulting in southern Tibet[J]. Journal of Geophysical Research: Solid Earth, 94(B3): 2787-2838. doi: 10.1029/JB094iB03p02787 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[J]. Journal of Structural Geology, 69: 163-178. doi: 10.1016/j.jsg.2014.10.007 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[J]. International Journal of Remote Sensing, 38(8-10): 2495-2510. doi: 10.1080/01431161.2016.1249308 BI H Y, ZHENG W J, ZENG J Y, et al., 2017. Application of SfM photogrammetry method to the quantitative study of active tectonics[J]. Seismology and Geology, 39(4): 656-674. (in Chinese with English abstract) doi: 10.3969/j.issn.0253-4967.2017.04.003 CAO P J, CHENG S Y, LIN H X, et al., 2021. DEM in quantitative analysis of structural geomorphology: application and prospect[J]. Journal of Geomechanics, 27(6): 949-962. (in Chinese with English abstract) CHEN X Y, SHI Y Z, YANG Y, et al., 2023. Accuracy evaluation of structure from motion (SfM) photogrammetry on the measurement of typical gullies in the Loess Plateau[J]. Journal of Shaanxi Normal University (Natural Science Edition), 51(6): 25-36. (in Chinese with English abstract) CHEVALIER M L, PAN J W, LI H B, et al., 2017. First tectonic-geomorphology study along the Longmu-Gozha Co fault system, western Tibet[J]. Gondwana Research, 41: 411-424. doi: 10.1016/j.gr.2015.03.008 DENG Q D, CHEN L C, RAN Y K, 2004. Quantitative studies and applications of active tectonics[J]. Earth Science Frontiers, 11(4): 383-392. (in Chinese with English abstract) FONSTAD M A, DIETRICH J T, COURVILLE B C, et al., 2013. Topographic structure from motion: a new development in photogrammetric measurement[J]. Earth Surface Processes and Landforms, 38(4): 421-430. doi: 10.1002/esp.3366 GUO Q H, HU T Y, LIU J, et al., 2021. Advances in light weight unmanned aerial vehicle remote sensing and major industrial applications[J]. Progress in Geography, 40(9): 1550-1569. (in Chinese with English abstract) doi: 10.18306/dlkxjz.2021.09.010 HAN S, WU Z H, WANG S F, et al., 2023. Surface deformation and tectonic implication of the late Quaternary Bue Co strike-slip fault system, mid-western Qiangtang block [J/OL]. Journal of Geomechanics, DOI: 10.12090/j.issn.1006-6616.2023086 (in Chinese with English abstract).HARWIN S, LUCIEER A, 2012. Assessing the accuracy of georeferenced point clouds produced via multi-view stereopsis from unmanned aerial vehicle (UAV) imagery[J]. Remote Sensing, 4(6): 1573-1599. doi: 10.3390/rs4061573 JAMES M R, ROBSON S, 2012. Straightforward reconstruction of 3D surfaces and topography with a camera: accuracy and geoscience application[J]. Journal of Geophysical Research: Earth Surface, 117(F3): F03017. JIMÉNEZ-JIMÉNEZ S I, OJEDA-BUSTAMANTE W, DE JESÚSMARCIAL-PABLO M, et al., 2021. Digital terrain models generated with low-cost UAV photogrammetry: methodology and accuracy[J]. ISPRS International Journal of Geo-Information, 10(5): 285. doi: 10.3390/ijgi10050285 JOHNSON K, NISSEN E, SARIPALLI S, et al., 2014. Rapid mapping of ultrafine fault zone topography with structure from motion[J]. Geosphere, 10(5): 969-986. doi: 10.1130/GES01017.1 KANG W J, XU X W, YU G H, et al., 2020. Comparison study of two kinds of codes to measure fault-offsets based on matlab: a case study on eastern Altyn Tagh Fault[J]. Seismology and Geology, 42(3): 732-747. (in Chinese with English abstract) doi: 10.3969/j.issn.0253-4967.2020.03.013 KOZMUS TRAJKOVSKI K, GRIGILLO D, PETROVIČ D, 2020. Optimization of UAV flight missions in steep terrain[J]. Remote Sensing, 12(8): 1293. doi: 10.3390/rs12081293 LI H, CHEVALIER M L, TAPPONNIER P, et al., 2021. Block tectonics across western Tibet and multi-millennial recurrence of great earthquakes on the Karakax Fault[J]. Journal of Geophysical Research: Solid Earth, 126(12): e2021JB022033. doi: 10.1029/2021JB022033 LI H Q, YUAN D Y, SU Q, et al., 2023. Geomorphic features of the Menyuan basin in the Qilian Mountains and its tectonic significance[J]. Journal of Geomechanics, 29(6): 824-841. LIAO C, LIANG M J, ZHOU W Y, et al., 2024. Quantitative parameter extraction of seismic surface rupture based on SfM method and LaDiCaoz: take the typical surface rupture in Luho Zhajiao Village Area as an example[J]. Journal of Geodesy and Geodynamics, 44(2): 183-188. (in Chinese with English abstract) MA X X, WU Z H, LI J C, 2016. LiDAR technology and its application and prospect in geological environment[J]. Journal of Geomechanics, 22(1): 93-103. (in Chinese with English abstract) MICHELETTI N, CHANDLER J H, LANE S N, 2015. Investigating the geomorphological potential of freely available and accessible structure-from-motion photogrammetry using a smartphone[J]. Earth Surface Processes and Landforms, 40(4): 473-486. doi: 10.1002/esp.3648 MOREELS P, PERONA P, 2007. Evaluation of features detectors and descriptors based on 3D objects[J]. International Journal of Computer Vision, 73(3): 263-284. doi: 10.1007/s11263-006-9967-1 NESBIT P R, HUGENHOLTZ C H, 2019. Enhancing UAV-SFM 3D model accuracy in high-relief landscapes by incorporating oblique images[J]. Remote Sensing, 11(3): 239. doi: 10.3390/rs11030239 OSKIN M E, LE K, STRANE M D, 2007. Quantifying fault-zone activity in arid environments with high-resolution topography[J]. Geophysical Research Letters, 34(23): L23S05. PERRIN C, MANIGHETTI I, AMPUERO J P, et al., 2016. Location of largest earthquake slip and fast rupture controlled by along‐strike change in fault structural maturity due to fault growth[J]. Journal of Geophysical Research: Solid Earth, 121(5): 3666-3685. doi: 10.1002/2015JB012671 RATERMAN N S, COWGILL E, LIN D, 2007. Variable structural style along the Karakoram fault explained using triple-junction analysis of intersecting faults[J]. Geosphere, 3(2): 71-85. doi: 10.1130/GES00067.1 REN Z K, CHEN T, ZHANG H P, et al., 2014. LiDAR survey in active tectonics studies: an introduction and overview[J]. Acta Geologica Sinica, 88(6): 1196-1207. (in Chinese with English abstract) ROSAS M A, CLAPUYT F, VIVEEN W, et al., 2023. Quantifying geomorphic change in Andean river valleys using UAV-PPK-SfM techniques: an example from the western Peruvian Andes[J]. Geomorphology, 435: 108766. doi: 10.1016/j.geomorph.2023.108766 ROSNELL T, HONKAVAARA E, 2012. Point cloud generation from aerial image data acquired by a quadrocopter type micro unmanned aerial vehicle and a digital still camera[J]. Sensors, 12(1): 453-480. doi: 10.3390/s120100453 SANZ-ABLANEDO E, CHANDLER J H, RODRÍGUEZ-PÉREZ J R, et al., 2018. Accuracy of Unmanned Aerial Vehicle (UAV) and SfM photogrammetry survey as a function of the number and location of ground control points used[J]. Remote Sensing, 10(10): 1606. doi: 10.3390/rs10101606 SEFERCIK U G, NAZAR M, 2023. Consistency analysis of RTK and Non-RTK UAV DSMs in vegetated areas[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 16: 5759-5768. doi: 10.1109/JSTARS.2023.3288947 SIMIC MILAS A, CRACKNELL A P, WARNER T A, 2018. Drones-the third generation source of remote sensing data[J]. International Journal of Remote Sensing, 39(21): 7125-7137. doi: 10.1080/01431161.2018.1523832 TURNER D, LUCIEER A, WATSON C, 2012. An automated technique for generating georectified mosaics from ultra-high resolution Unmanned Aerial Vehicle (UAV) imagery, based on Structure from Motion (SfM) point clouds[J]. Remote Sensing, 4(5): 1392-1410. doi: 10.3390/rs4051392 THOMAS A F, AMY E F, ADAM J M, et al., 2020. Impacts of abrupt terrain changes and grass cover on vertical accuracy of UAS-SfM derived elevation models[J]. Papers in Applied Geography, 6(4): 336-51. doi: 10.1080/23754931.2020.1782254 WANG J W, LI C L, WANG Z Y, et al., 2021. Analysis on the influence of images on measurement accuracy of three-dimensional model reconstructed by SFM[J]. Laser Journal, 42(3): 63-69. (in Chinese with English abstract) WANG 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[J]. Quaternary Sciences, 36(2): 433-442. (in Chinese with English abstract) WESTOBY M J, BRASINGTON J, GLASSER N F, et al., 2012. 'Structure-from-Motion' photogrammetry: a low-cost, effective tool for geoscience applications[J]. Geomorphology, 179: 300-314. doi: 10.1016/j.geomorph.2012.08.021 YANG 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[J]. Seismology and Geology, 38(4): 1030-1046. (in Chinese with English abstract) ZHANG D, LI J C, WU Z H, et al., 2021. Using terrestrial LiDAR to accurately measure the micro-geomorphologic geometry of active fault: a case study of fault scarp on the Maoyaba Fault zone[J]. Journal of Geomechanics, 27(1): 63-72. (in Chinese with English abstract) ZHANG H P, LIU S F, SUN Y P, et al., 2006. The acquisition of local topographic relief and its application: an SRTM-DEM analysis[J]. Remote Sensing for Land & Resources, (1): 31-35. (in Chinese with English abstract) ZIELKE O, ARROWSMITH J R, 2012. LaDiCaoz and LiDARimager—MATLAB GUIs for LiDAR data handling and lateral displacement measurement[J]. Geosphere, 8(1): 206-221. doi: 10.1130/GES00686.1 毕海芸, 郑文俊, 曾江源, 等, 2017. SfM摄影测量方法在活动构造定量研究中的应用[J]. 地震地质, 39(4): 656-674. https://www.cnki.com.cn/Article/CJFDTOTAL-DZDZ201704003.htm 曹鹏举, 程三友, 林海星, 等, 2021. DEM在构造地貌定量分析中的应用与展望[J]. 地质力学学报, 27(6): 949-962. doi: 10.12090/j.issn.1006-6616.2021.27.06.077?viewType=HTML 陈薪伊, 史扬子, 杨扬, 等, 2023. SfM摄影测量法对黄土高原典型切沟的测量精度评价[J]. 陕西师范大学学报(自然科学版), 51(6): 25-36. https://www.cnki.com.cn/Article/CJFDTOTAL-SXSZ202306003.htm 邓起东, 陈立春, 冉勇康, 2004. 活动构造定量研究与应用[J]. 地学前缘, 11(4): 383-392. https://www.cnki.com.cn/Article/CJFDTOTAL-DXQY200404006.htm 郭庆华, 胡天宇, 刘瑾, 等, 2021. 轻小型无人机遥感及其行业应用进展[J]. 地理科学进展, 40(9): 1550-1569. https://www.cnki.com.cn/Article/CJFDTOTAL-DLKJ202109011.htm 韩帅, 吴中海, 王世锋, 等, 2023. 羌塘地块中西部布木错走滑断裂系晚第四纪以来地表变形特征与构造意义[J/OL]. 地质力学学报, DOI: 10.12090/j.issn.1006-6616.2023086 .康文君, 徐锡伟, 于贵华, 等, 2020. 2种基于Matlab平台的断层位移测量软件对比分析: 以阿尔金断裂东段为例[J]. 地震地质, 42(3): 732-747. https://www.cnki.com.cn/Article/CJFDTOTAL-DZDZ202003013.htm 李红强, 袁道阳, 苏琦, 等, 2023. 祁连山内部门源盆地地貌特征及构造意义[J]. 地质力学学报, 29(6): 824-841. doi: 10.12090/j.issn.1006-6616.2023123?viewType=HTML 廖程, 梁明剑, 周文英, 等, 2024. 基于无人机SfM及LaDiCaoz的地震地表破裂定量参数提取: 以炉霍扎交村一带地震典型地表破裂为例[J]. 大地测量与地球动力学, 44(2): 183-188. https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB202402014.htm 马晓雪, 吴中海, 李家存, 2016. LiDAR技术在地质环境中的主要应用与展望[J]. 地质力学学报, 22(1): 93-103. https://journal.geomech.ac.cn/article/id/0f502c82-0ca8-4348-9b7a-ba4406be4e74?viewType=HTML 任治坤, 陈涛, 张会平, 等, 2014. LiDAR技术在活动构造研究中的应用[J]. 地质学报, 88(6): 1196-1207. https://www.cnki.com.cn/Article/CJFDTOTAL-DZXE201406019.htm 王佳文, 李彩林, 王志勇, 等, 2021. 影像数量对SFM三维重建模型测量精度的影响分析[J]. 激光杂志, 42(3): 63-69. https://www.cnki.com.cn/Article/CJFDTOTAL-JGZZ202103012.htm 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[J]. 第四纪研究, 36(2): 433-442. https://www.cnki.com.cn/Article/CJFDTOTAL-DSJJ201602018.htm 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[J]. 地震地质, 38(4): 1030-1046. https://www.cnki.com.cn/Article/CJFDTOTAL-DZDZ201604018.htm 张迪, 李家存, 吴中海, 等, 2021. 利用地面LiDAR精细化测量活断层微地貌形态: 以毛垭坝断裂禾尼处断层崖为例[J]. 地质力学学报, 27(1): 63-72. doi: 10.12090/j.issn.1006-6616.2021.27.01.007?viewType=HTML 张会平, 刘少峰, 孙亚平, 等, 2006. 基于SRTM-DEM区域地形起伏的获取及应用[J]. 国土资源遥感, (1): 31-35. https://www.cnki.com.cn/Article/CJFDTOTAL-GTYG200601006.htm -
下载:
下载:
计量
- 文章访问数: 462
- HTML全文浏览量: 137
- PDF下载量: 77
- 被引次数: 0
