基于无人机测绘的矿山地质调查数据库建库设计

2021-12-24席凯林

中国金属通报 2021年19期

席凯林

（江西省自然资源测绘与监测院，江西南昌 330002）

矿产资源是实现国家经济可持续发展的重要保障，矿产资源的大规模开发，在极大程度上实现了对国家经济和社会的推动，但与此同时也对地质环境造成威胁，导致地面沉降、地震、泥石流等危害时常发生。如何实现对矿山资源的合理开发，并做到对矿山生态环境的保护，是当前亟待解决的问题[1]。同时，要想发挥矿山资源的经济优势，还应当实现对各类现代技术的合理利用，引入多种手段和方法完成矿山地质调查。当前，针对矿山地质的调查，通常是采用卫星遥感和其他相关测量手段实现，但在实际应用中，这种方法存在工程量大，工程施工成本高等问题，对于部分紧急情况而言，通过这种方式很难实现对矿山地质调查数据的实时更新[2]。当前矿山开采和施工的规模不断扩大，在进行地质调查的过程中调查数据具有数据量大、数据来源多样化、非结构化等特点。同时，矿山地质调查数据是不断积累的，目前已经达到了巨大的量，并且调查数据还具有阶段性、种类多、格式复杂等特点。因此，在对各类数据资源利用时还存在利用效率地、连续性差、继承性差等问题。但无人机测绘技术与之相比具有更高的灵活性，并且在测绘上能够实现更加高效和方便的调查效果，同时调查数据的得出的结果准确性更高，对于矿山开采和施工等领域而言，能够充分满足去成本损耗低的需要。基于此，本文引入无人机测绘技术，开展矿山地质调查数据库建库设计研究。

1 基于无人机测绘的矿山地质调查数据库建库设计

1.1 矿山地质调查数据库模型选择

在对矿山地质调查数据库建库时，首先需要明确各类数据的基本构造，以及数据与数据之间的关联。因此，本文针对矿山地质调查数据库的模型进行选择，在关系模型、层次模型、网络模型和面对对象数据模型当中，选择更符合本文数据类型存储的数据库模型。第一种数据库模型通常是将数据按照表格的形式存储，表格当中每一行可看作是一组数据记录，并且在每个记录当中都包含了若干字段。同时该类型数据库模型能够实现对调查数据的添加、修改和更新等操作[3]。第二种数据库模型主要通过有向树表示各个实体之间的联系，可实现对数据的快速查询，但数据冗余量较大。第三种数据库模型采用网状结构表示，在同一层当中记录的数据可通过网状模型连通，同样可以实现对数据的快速查询，但无法对数据本身结构进行修改。第四种数据库模型主要面向技术与技术之间的结合产物，稳定性较差，并且也无法支持编程。

综合矿山地质调查数据量大、数据之间关系复杂等因素，采用关系数据库模型能够实现对数据更加快速的访问，并且针对不同矿山调查数据使用需要，对其进行结构上的修改更加方便，因此本文在后续对矿山地质调查数据库进行构建时，采用关系数据库模型结构，进一步实现对矿山管理的数字化转变。将调查数据库文件以ArcGIS格式进行存储，并采用GeoDatabase表现地理信息数据模型。图1为本文矿山地质调查数据关系模型数据库结构示意图。

图1 关系模型数据库结构示意图

将图1所示的关系模型数据库结构作为本文建库基础，按照其相应内容对各个模块进行设计。

1.2 基于无人机测绘的矿山地质图像数据采集

在对矿山地质调查影像数据进行采集时，本文引入无人机测绘技术，依靠其遥感目视判读完成对数据库分类体系的构建。对于矿山地质图像获取的关键是提取调查目标区域范围内的光谱信息、形状信息、纹理信息等，并借助相应的解释判断和专家经验对其进行选定和分析，从而实现对矿山地质调查区域内植被、道路、河流、房屋以及地质灾害等相关数据信息的采集[4]。在实际应用中，观察无人机测绘影响当中呈现出深绿色的区域即为植被覆盖区域，并且在这一区域范围内的测绘图像色调和纹理相对单一，具有明显的连续性和完整性。将测绘图像当中亮度值不超过95的图像划分为植被，完成对植被区域划分后，其余部分全部为非植被覆盖类区域。同时，河流信息在测绘图像当中也十分明显，由于受到矿山地质灾害的影响，河流当中会聚集大量泥沙，因此其测绘图像色调较浅，并且呈现出明显的自然条带状结构，在测绘图像上边缘区域十分平滑。基于上述两种地质信息类型特点，可采用光谱特征提取的方式，对矿山地质调查区域内的植被和河流进行提取，并根据实际情况对其分类规则面积进行计算。

针对矿山地质调查区域内的道路信息数据提取，在测绘影响上道路通常会呈现出亮白色细长状特点，并且不会出现破碎情况，利用道路的长宽比和亮度值特征，可实现对道路信息数据的初步提取。再结合分类规则和亮度值，在亮度值超过165并且长度和宽度比超过6.5时的图像上，对道路信息数据提取。针对房屋和地质灾害信息数据，在区域后针对上述剩余部分进行分类提取。房屋信息数据在光谱特征上呈现出蓝色或亮白色，并且具有较高的反射率，且形状大多以规则的矩形为主。地质灾害信息数据在测绘图像当中的光谱特征以灰色为主。根据房屋和地质灾害信息特点，以此建立相对应的分类规则，再完成对各类别下信息数据的提取，最后对上述初步完成提取的结果进行目视判别，将最终符合标准要求的各项数据作为后续特征数据分类端存储的重要依据。

1.3 矿山地质调查特征数据分类端存储

完成上述操作后，通过对所有矿山地质调查特征数据在分布端进行存储，实现解放人工数据管理的目的。按照上述获取到的矿山无人机测绘图像中的地质图像数据，通过分类器完成对特征数据的分类。结合分类最优原则，按照逻辑关系从众多图像数据信息当中提取大数据特征，并将大数据分解为矢量，将分解后的数据结果分配到数据库的两端，其中一端主要用于接收与特征数据无关的矢量，另一端通过最优平面完成对海量数据的有效分类[5]。按照无人机测绘对应的局部测量坐标系，选择无人机摄像头的三维坐标系，假设O1（x1，y1，z1）表示为数据采集器1对应的局部测量坐标系；O2（x2，y2，z2）表示为数据采集器2对应的局部测量坐标；On（xn，yn，zn）表示为全局测量三维坐标。在全局测量三维坐标当中，Xn可表示为任意一点对应的矢量值，其表达式为：

假设X1表示为在数据采集器1当中对应的局部测量坐标系当中任意一个坐标点的矢量值，则其表达式应为：

以此类推，得到X2的表达式为：

在上述公式基础上，引入一个4×4的旋转矩阵，将上述多个参数作为数据采集器对应的无人机测绘外部参数，将各类矿山地质调查数据按照其类型和坐标分别带入到不同公式当中，得出其在数据库分类端的存储位置，实现对数据的实时分类。在实际应用中，完成对数据库的建库操作后，还需要对其进行定期数据信息检查，将该数据库与无人机测绘影响数据库相连接，针对各项信息数据进行提取和成果检验，确保存储在调查数据库当中的数据真实有效，提高数据资源的利用价值。

2 实验论证分析

为了确保本文上述提出的建库方法能够在真实应用环境中实现对矿山地质调查数据的有效存储，将其与传统基于3Dmine的数据库建库方法同时针对一组矿山地质调查数据进行数据库构建并存储。选择以某城市郊区某矿山周围5.5平方公里作为本次实验的研究区域，分别通过无人机测绘技术和3Dmine技术，对该区域范围内的矿山地质数据进行调查，并以此数据作为依据，构建两个不同的数据库，随机抽取200个、400个、600个、800个、1000个特征数据量，对比两种数据库正确完成数据分类的个数，并记录如表1所示。

表1 两种数据库建库方法特征数据分类结果比较

结合表1当中得出的两种数据库建库方法特征数据分类结果比较可以看出，本文建库方法在实际应用中能够保证特征数据为200个和400个时达到百分百的分类准确率，随着特征数据量的增加，分类准确特征数据量占比虽降低，但仍然可达到98.0%以上。而传统基于3Dmine技术的建库方法在任何特征数据量都无法达到百分百分类准确率，基本维持在50.00%~67.00%范围以内。因此，通过实验证明，本文提出的建库方法应用到实际能够实现对海量数据资源的精准分类，提高调查数据的利用率，并能够进一步实现对调查数据的实时更新。