地面激光扫描仪对公路边坡落石形成条件及运动特性分析研究

林雄 LIN Xiong

（深圳市工勘岩土集团有限公司，深圳 518000）

0 引言

公路边坡落石是交通工程中一项常见而严重的地质灾害问题，对行车安全和道路设施的完整性构成潜在威胁。为了有效地应对这一问题，必须深入了解公路边坡落石的形成条件和运动特性。本文旨在通过分析地质条件、气象条件和人为因素等多个方面，系统研究公路边坡落石的形成条件，同时探讨落石的类型、规模、运动速度、运动路径以及对公路安全的影响。还将介绍现代技术在研究中的应用，包括地面激光扫描仪的使用以及不连续性的自动识别方法。通过全面的形成条件和运动特性分析，可以更好地了解公路边坡落石的机制，为预防和应对此类事件提供科学依据。

1 形成条件分析

在分析公路边坡落石的形成条件时，需要综合考虑地质、气象和人为因素。首先，地质条件对边坡稳定性和落石风险有显著影响，包括岩性、斜坡坡度和地下水情况。其次，气象条件也是重要因素，包括降水量、温度变化和风速。最后，人为因素如开采活动、道路施工和植被状况也会对边坡稳定性产生影响。通过全面分析这些因素，可以更好地了解公路边坡落石的形成条件，为预防和处理落石事件提供基础。

2 研究方法与数据采集

2.1 地面激光扫描仪

地面激光扫描（TLS）被称为基于地面的LIDAR（光探测和测距）系统，该系统基于无反射和无接触采集，用于快速获得周围场景的准确3D 几何信息。基于脉冲的扫描仪传输激光脉冲，发射物体反射的信号，并利用飞行时间（TOF）技术确定仪器与物体反射表面上的点之间的距离。它捕捉测量区域中数百万点的3D 位置，以创建测量对象的几何正确的3D“图像”。对于每个点，采集TLS 仪器中心笛卡尔坐标（x，y，z）设置中的x，y 和z 坐标。同时，记录每个点发射信号的反向散射回波的光功率。这些值作为所谓的反射强度（i）。获取的空间点（称为点云）随后可用于创建精确的3D 表面模型或数字高程模型（DEM），用于制图、工程测量或进一步的岩土工程分析。

应用TLS 系统RIEGL VZ-2000 是一种基于脉冲的扫描仪，具有360°水平视野和100°垂直视野。原始位置精度为8150mm，在90%反射率的目标上扫描距离精度为5mm，可达到2000m。高速数据采集（每秒高达396000 点）使其成为快速工程测量和三维建模的理想系统。

2.2 数据采集和处理

研究地点为某个地形复杂的地区，第一个数据集，称为参考点云，于2019 年8 月25 日采集，采集地点是岩质边坡滑坡发生后的几天。为了确保完全覆盖研究区域，选择了适当的扫描点，并沿着河对岸的岩质边坡设置了总共八个扫描站，以获取整个滑坡的三维几何信息（图1（a））。这些扫描站到岩石边坡的距离在250 到300m 之间，坡脚处位于800m 和900m 处。将水平和垂直角度分辨率均设置为0.01°，采集的数据的平均点间距范围从5cm 到15cm不等。此外，在扫描场景中放置了四个具有已知中心坐标的圆形目标，以作为数据处理阶段的地理参考连接点（图1（a））。确保了相邻扫描站之间至少有30%区域的重叠扫描，以最小化崎岖地形中的遮挡区域。然后，将采集的点云数据对齐并合并到单个文件中，以创建最终的3D 模型。

图1 滑坡的三维几何信息

获取的点云位于各自的相对坐标系中；需要对齐以将不同的点云合并到一个文件中。这是通过算法完成的，以在三个阶段获得最佳旋转平移对齐矩阵：①通过手动拾取两个相邻扫描之间重叠区域中的同源点对（例如岩石尖塔、岩石棚角和结构角）来完成初步粗略对齐；②随后使用迭代最近点（ICP）优化对准，以通过最小化均方成本函数逐步减少点之间的差异；③最终的改进是通过将“搜索距离”参数逐渐减小到几厘米来实现的，以获得最佳旋转平移对准矩阵，其可接受的对准误差为0.002m。对齐后，点云将合并并统一为一个文件，大约30%的重叠和误导点将被删除。然后，通过使用四组圆形目标作为地面控制点，将统一点云转换为地理坐标系。因此，点云被合并、统一，然后用从激光扫描仪上设置的校准数字相机获得的RGB 信息着色（图1a）。生成的表面模型捕获了破坏后岩石边坡的高分辨率几何和形态信息。带有凸起、凹陷和现有不连续性（如断层和层面）的崎岖滑坡表面非常详细（图1（b））。它可用于识别和定位斜坡形态和变化。

2.3 运动特性分析方法

断层、叶理和节理等不连续性在岩石边坡的形态和破坏倾向中起着关键作用。三维点云或表面模型可以详细记录破坏后岩石边坡的几何和形态信息，以充分识别空间信息和不连续性。

要分析这些不连续性的运动特性，一个简单的方法是根据操作员的判断手动估计属于不连续表面的点云子集的最佳拟合平面。然后，可以通过拟合平面的法向量直接确定不连续性的方向（倾角和倾角方向）。图1（c）显示了通过这种方法识别的一些接头。

在本研究中，开发了一种基于模糊聚类方法的方法。模糊聚类分析试图根据数据集中观测值之间的相似性来将数据集分为K 个子组或聚类。

通过使用点云数据的三角网格建模，计算了每个三角网格的法向量和出现情况，然后根据法向量之间的相似性将它们分为子组或集合。这样，获得了不连续性的几何信息，并进行了自动的模糊聚类统计分析。自动识别方法是通过在本研究中使用Matlab 执行模糊Kmeans 算法来实现的。这个算法经过以下步骤：①计算岩石边坡三维表面模型的三角形网格的法向量；②确定簇数K 和初始簇质心V0（一种简单的方法是选择随机K 向量作为初始簇质心的初始猜测；另一种有用的方法是依赖于实地调查或以前的手动/半自动识别方法选择初始簇质心）；③计算距离d 并计算来自K个簇形心的所有法向量的隶属度矩阵U；④使用Picard 迭代方法来求解目标函数的最小值，并获得最佳的聚类质心和隶属度矩阵；⑤根据多数服从规则对岩石不连续性的出现进行分类，并对不连续性的聚类分类结果进行着色。

在滑坡表面，有两个主要的不连续性面组。J2 区域以绿色标记，分布广泛，大致平行于滑坡表面。J3 区域标记为红色，大致垂直于河流方向。然而，由于悬垂面较小、结构面粗糙度和节理面的错动，所以在自动识别中，一些不可避免的斑驳区域（例如J2 区域中可能出现的黄色或红色区域）可能会出现。这是因为自动识别方法是基于三角形网格的法向量来表示不连续性的方向，因此对于稍微封闭或未暴露的不连续性，识别精度将大大降低。例如，在岩石边坡崩塌后的大型岩层结构中，自动识别过程可能会忽略闭合节理组J1。因此，自动识别方法与人工识别方法相结合可以产生更合理的结果。

3 运动特性分析结果

3.1 不连续性分析

通过结合自动识别方法和手动识别方法，总共识别了331 个不连续性。如图2（a）所示，然后在立体投影中绘制其倾角和倾角方向值。滑坡表面有三个主要的优选不连续面组：节理组J1 沿岩层发育，倾角30.7°，平均倾角20°，变异性较小（1σ=7.6°），节理组J1 的平均迹线长度达到75.41m，平均间距约为4.51m；节理组J2 大致平行于滑坡表面，倾角为86°，平均倾角78°，分布广泛，一个标准差的变异性较大，为17.5°，节理组J2 的平均间距为6.81m，平均迹线长度约为27.53m；节理组J3 的平均倾角为60°，平均倾角为77°，只有很小的变化（1σ=8.2°），平均间距为8.32m，平均迹线长度为54.56m。这些确定的不连续面组与传统地质调查的不连续性组非常相似（图2（b））。然而，它们可以提供关于不连续面的分布和结构特征的更详细信息，以及更全面的滑坡表面视图。

图2 不连续极点的集中线和不连续集合的模态平面的立体投影

3.2 落石分析

图3 显示了2019 年8 月至2022 年6 月期间岩质边坡崩塌后岩石边坡表面模型的多时间比较。它为岩质边坡的性质和时间演变提供了高分辨率和精确的可视化。对表面变化进行颜色编码，并计算所涉及的质量体积。蓝色表示与材料增加相关的积极变化，红色表示落石的材料损失区域。如图3（a）-（c）所示，自岩质边坡滑坡发生以来，滑坡表面或沿破坏后岩石边坡边缘经常发生落石。岩石边坡落石的主要破坏机制可分为平面破坏、楔形破坏和倾倒破坏。平面破坏和楔形破坏主要发生在滑坡表面，而倾倒破坏主要出现在破坏后岩石边坡的边缘。如图3（d）所示，表中列出了岩石边坡中检测到的36 个主要落石的体积。可以看出，落石量的大小取决于位置。

图3 TLS 累计检测到的落石事件

3.3 研究效果分析

研究效果分析有助于研究落石的破坏机理，并提出今后的合理处理措施。研究表明，通过采取一系列有效的防范措施，可以显著减少落石事故的发生概率。这些措施包括但不限于定期巡检和维护潜在的落石点，安装护栏和防护网，以及进行地质勘察和工程加固等。这些措施的实施有效地降低了落石事故的风险，提高了公路的安全性。

4 结束语

公路边坡落石是一项复杂而严重的地质问题，其形成条件和运动特性的分析对于确保交通安全和道路设施的保护至关重要。通过本文的研究，深入探讨了地质条件、气象条件和人为因素对落石的影响，同时对不同类型落石的规模、速度、路径以及对公路安全的威胁进行了全面分析。现代技术的应用，如地面激光扫描仪和自动不连续性识别方法，为研究提供了更准确的数据和更全面的视角。通过深入了解公路边坡落石的形成机制，能够采取更有针对性的措施来预防和减轻这一潜在危险。此外，及时的监测和预警系统也可以帮助降低落石事件的风险。总之，对于公路管理和工程建设部门来说，了解公路边坡落石的形成条件和运动特性是确保道路安全和可持续性的关键一步。