数字露头实景三维Web平台研究与云端地质考察应用

陈建华, 钟瀚霆, 侯明才, 王帅琪, 文华国,王炳乾, 凌嘉扬, 吴玉清, 周文峰, 林宗祺

1)成都理工大学, 深时地理环境重建与应用自然资源部重点实验室, 四川成都 610059;2)成都理工大学, 地球物理学院, 四川成都 610059;3)油气藏地质及开发工程全国重点实验室(成都理工大学), 四川成都 610059;4)成都理工大学, 沉积地质研究院, 四川成都 610059

传统地质考察常用手段一般为现场观察和量测(印森林等, 2018a, b)。由于野外地质环境不同, 通常进行一次野外考察耗时较久, 成本较高, 且有时存在安全风险。此外, 季节、天气等因素的变化可能导致采集到的地质数据质量参差不齐, 往往无法准确、全面地对地质现象进行定量化描述。

近年来倾斜摄影测量技术不断发展, 倾斜摄影测量通过多个传感器, 实现多视角的影像采集, 获得不同角度的地物影像, 能更加真实地反映出目标地物的情况。随着无人机技术的快速进步, 使用无人机搭载倾斜摄影相机进行数据采集, 构建目标地物的三维模型, 不仅节约了数据采集的时间和经济成本, 还能满足采集影像的精度需求。

基于倾斜影像构建的露头实景三维模型能够反映露头任意位置精确的三维坐标, 通过对露头三维模型可视化, 能够提供一种接近真实世界的观察、分析和推导方式, 可有效辅助地质研究(万剑华等, 2019)。在结合露头三维模型开展地质研究上, 许多研究者都进行了卓有成效的探索。如: 结合多源地质数据构建三维露头储层地质模型用于储层研究(郑剑锋等, 2014, 2015; 乔占峰等, 2015;Racolte et al., 2022); 通过多地质要素刻画露头储集体三维模型砂体形态用于储层研究(朱如凯等,2013); 结合露头模型开展沉积成因与空间展布研究(印森林等, 2018a, b)、地质现象的精细化解译(万剑华等, 2019)、剖面量测与岩层岩性分析(刘帅等,2022); 利用露头三维模型进行滑坡稳定性分析(Livio et al., 2022); 基于虚拟露头模型进行岩石裂缝特征分析(Casini et al., 2016)等。上述研究由于没有软件平台支撑, 使得露头模型和相关资源无法共享、汇聚。

在HTML5规范与WebGL绘图标准提出后, 出现了一批结合网络地理信息系统以三维可视化为核心的平台(乐世华等, 2018), 并广泛应用于各个领域(Tavani et al., 2014; Hunter et al., 2016; Ji et al., 2019;Pu et al., 2019; Mao et al., 2020; Wang et al., 2020)。在地质领域, 英国阿伯丁大学VOG团队的V3Geo平台(Buckley et al., 2022)、意大利GeoVires团队的虚拟地质露头共享平台(Mariotto et al., 2021)、美国亚利桑那州立大学的虚拟野外调查平台(Mead et al.,2019); 英国Petex公司的FieldMOVE平台(Lundmark et al., 2020); 法国Sketchfab公司的GeoAvatar平台(Sketchfab, 2023)等将地质露头模型与三维可视化技术相结合辅助地质研究, 都取得了很好的效果。但现有的将露头模型与三维可视化技术结合的平台大多存在数据量和数据资源有限的问题, 没有将国内外优秀的地质露头模型和露头相关地质信息进行有效整合, 建设的平台目标较为单一,实现的可视化功能局限性较大(李亚林等, 2021), 在云端地质考察方面, 上述平台的应用效果普遍有待提高。

因此, 论文通过对倾斜影像三维建模、露头模型可视化和全景影像可视化等三维技术进行研究,设计、研发了数字露头实景三维Web平台。平台以露头实景三维模型为数据基础, 结合Cesium开源三维地球引擎(Cesium GS, 2022), 以“众源”为核心思想, 共建、共享, 整合露头实景三维模型的各类地质信息, 进行数字露头的可视化分析和互动,从而支持云端地质考察应用, 有效地支撑地质学者进行地质研究。

1 三维技术

1.1 倾斜影像三维建模

使用无人机倾斜影像构建三维模型的处理流程主要有影像数据检查、多视影像联合平差、多视影像密集匹配、点云构网和纹理映射等。

(1)多视影像联合平差

多视影像联合平差能够解决由于倾斜摄影测量技术获取影像角度不同导致的影像间存在遮挡和畸变的问题。它基于多视图几何原理, 由于影像携带自身对应位置信息, 结合定位定向系统(Position and Orientation System, POS)能够获取影像的内方位元素, 并通过金字塔匹配方法, 将倾斜影像按照分辨率不同, 从低到高建立索引结构, 利用影像匹配算法获取影像匹配的结果, 同时以控制点、POS等数据为基础建立误差方程, 保证影像联合平差的精度。

(2)多视影像密集匹配

多视影像密集匹配能够解决传统影像匹配方法导致的影像匹配错误和影像匹配精度降低的问题。利用基于多基元的匹配算法, 快速获取倾斜影像的同名点坐标, 能够实现影像的精确匹配。如利用规则格网划分的空间平面作为匹配基础, 通过空间平面的位置变化对影像特征点投影范围进行约束,实现像方特征点和平面元这两种匹配基元的同时匹配, 匹配结束后继续使用高度遮挡检测算法对平面元进行再次匹配, 加密首次匹配结果, 有效减少影像遮挡对匹配结果产生的影响(王竞雪等, 2013)。

(3)点云构网

多视影像密集匹配后, 可生成目标地物的点云模型数据。通常使用区域生长算法和八叉树算法等表面重建算法对点云数据进行处理, 将点云数据连接为三角片元生成具有不同细节层次的不规则三角网模型。任意地形地物信息均可由三角面片表示,通过对三角网优化, 对较平坦地形的三角面片进行简化, 对较复杂地形的三角面片进行分析调整, 降低数据冗余, 形成地形地物的数字表面模型。

(4)纹理映射

模型纹理信息是决定模型精细程度的重要参数, 模型纹理映射是指将纹理信息贴附在生成的数字表面模型上。纹理信息存在于倾斜影像中, 只需要从影像空间中读取纹理信息, 并建立二维纹理空间中纹理信息和三维模型空间中模型表面的对应关系, 实现纹理坐标二维至三维的转换, 将二维纹理空间点的颜色值对应映射到三维地物表面, 即可得到具有真实感的三维地物模型。

1.2 三维模型可视化

(1)场景裁剪算法

在Web端加载三维模型渲染过程中, 为了避免一次性加载全部三维模型数据导致的浏览器卡顿,需要采用场景裁剪算法进行模型加载。该算法思想是: 只加载当前场景渲染需要的模型瓦片数据, 场景进行变换时, 对可视场景没有贡献的部分进行剔除, 并加载需要的部分, 从而优化Web平台的性能。图1示意了视锥体剔除、遮挡剔除和背面剔除三种方式, 虚线表示需剔除的部分。

图1 三种剔除方式示意Fig.1 Three reject methods

(2)细节层次算法

露头三维模型在浏览器进行加载展示时, 采用细节层次(Levels of Detail, LOD)算法实现露头三维模型的细节层次加载, 提升了渲染效率。LOD算法的思想是: 为一个目标地物建立多个不同细节层次的模型, 通过对场景复杂度和图形变换进行综合判断, 在不同视角下选择合适的细节层次模型进行渲染, 在保证恒定帧率的情况下最大程度提高可视化效果(靳海亮等, 2006)。

论文以分层组织、索引高效、实现简单的八叉树结构对三维模型进行组织(图2)。

图2 八叉树结构Fig.2 Octree structure

1.3 全景影像可视化

全景影像生成主要包括影像预处理、影像匹配与影像融合等步骤。影像预处理主要目标是校正几何误差, 消除鱼眼影像中存在的几何畸变; 影像匹配主要是为了建立影像之间的连接关系, 通过提取影像重叠区域的特征点, 利用特征点实现影像匹配;影像融合主要是对连接起来的影像进行融合处理,如果仅仅将两幅影像进行简单叠加, 会导致影像连接区域数据质量差, 影响可视化效果, 所以需要对影像拼接部分进行融合处理, 使两幅影像间缓慢过渡, 提升全景影像浏览效果。影像匹配与融合是全景影像生成的关键, 简要原理如下。

(1)影像匹配

影像匹配是全景影像生成的基础, 影像的匹配程度直接影响影像融合时重叠区的对齐程度。影像匹配首先将不同影像进行几何校正。论文使用野外采集的鱼眼影像数据, 在进行影像匹配前需要将鱼眼影像映射至三维球面模型上进行几何校正(英向华等, 2003)。

利用校正后影像中的特征点进行影像匹配通常使用尺度不变特征变换(Scale Invariant Feature Transform, SIFT)算法(Läbe et al., 2006), SIFT特征是一种基于尺度空间的对图像平移、旋转、缩放保持不变的图像局部特征。

(2)影像融合

影像融合是将匹配好的影像融合成一张大的拼接影像, 影像融合算法直接影响全景影像的质量。论文使用光流法影像融合算法。

光流是指影像中像素点的瞬时变化, 光流场则可以看成影像中光流的集合。最早的光流算法是通过将光流约束方程引入, 在二维速度场和影像像素点灰度之间建立联系所得到的。Lucas和Kanade在光流算法的基础上添加空间一致性约束条件, 实现了光流算法的改进, 成为求解影像稀疏光流的经典算法: 稀疏光流法(Lucas-Kanade, LK)(Lucas et al.,1981)。

在进行影像融合时, 为满足亮度恒定原则, 首先要调整输入影像的亮度, 然后根据LK算法求解影像光流, 构建影像的光流场, 根据光流场进行影像重叠区域的像素点匹配后将影像重投影, 实现影像的融合。

融合后的全景影像可实现地质露头的全景漫游, 给用户营造一种身临其境的感觉。并且, 借助全景影像能够提高数字露头实景三维Web平台的可视化效果, 帮助地质学者更充分的研究和分析地质现象。

2 平台设计与实现

2.1 平台设计

(1)架构设计

平台采用B/S(Browser/Server, 浏览器/服务器)体系架构, 分为四层: 表现层、业务逻辑层、数据处理层、数据层(图3)。

图3 平台体系架构Fig.3 Platform architecture

数据层负责对数字露头实景三维Web平台中的数据进行储存和管理, 采用数据库系统和文件系统为数据处理层提供数据支持。平台采用文件系统存储露头三维模型数据及模型所属和观察点所属图片、视频、全景和文献等地质信息数据, 通过数据库存储前述数据的位置信息, 同时通过数据库存储观察点、地质标绘、地质互动信息、用户信息等数据。

数据处理层是平台的重要组成部分, 该层主要负责平台业务逻辑层和数据层之间的数据调度, 为数字露头实景三维模型数据管理、模型信息显示、地质信息互动、用户管理等提供数据处理支持。该层包含三维处理服务、业务数据处理服务和影像及地形处理服务。平台使用开源GeoServer服务器发布三维服务和影像及地形服务, 使用Web服务器发布数据服务。

业务逻辑层为平台提供业务逻辑服务, 主要进行三维模型处理、地质信息处理、露头信息处理、地质标绘处理、地质信息互动处理等。该层根据业务流程对各类信息进行逻辑处理, 并反馈结果给表现层。

表现层位于体系架构中的顶层, 负责露头模型数据管理、模型信息显示、地质信息互动、用户管理等各种功能的人机交互和结果呈现。

(2)功能设计

围绕数字露头实景三维Web平台需求, 将功能模块划分为: 模型数据管理、模型信息显示、地质信息互动、用户管理, 具体功能设计如图4所示。

图4 平台功能结构Fig.4 Platform functional structure

2.2 平台实现

数字露头实景三维Web平台基于Cesium三维地球引擎实现。平台前端基于Vue框架采用JavaScript语言开发, 后端基于Django框架采用Python语言实现, 数据库采用PostgreSQL。使用GeoServer服务器发布露头三维模型和卫星遥感影像及地形数据, 鉴于这三种类型的数据体量大, Web前端加载时效性要求高, 因此都以金字塔结构进行数据组织, 以由粗到细的多层级瓦片按文件方式存储。使用IIS(Internet Information Services, 互联网信息服务)进行平台各层服务发布。图5所示为平台主界面(在线地址:https://outcrop3d.deep-time.org)。

图5 数字露头实景三维Web平台主界面(图中英文系用户提供、编辑的信息, 下同)Fig.5 Main page of the Web platform for real-scene 3D digital outcrops(in the figure, the English language is provided and edited by the users, same below)

3 云端地质考察应用

数字露头平台中的实景三维模型为云端地质考察提供了直观、清晰、真实的剖面外观, 为岩性识别、地层划分等地质考察工作提供了有效的支撑。结合平台或用户针对露头模型自主提供的描述、图片、视频、全景、文献、标绘等地质数据, 使得平台能够持续汇聚露头地质信息, 为云端地质考察提供了重要、持久的知识补充。

3.1 剖面总览

平台从宏观视角提供了露头剖面的展布情况、地理位置、周围环境。结合平台或用户提供的露头地质信息, 可以对露头所在地的气候、区域背景等获得总体的认识。如图6所示为内蒙古乌海苏拜沟剖面, 该剖面位于乌海市东部, 坐标: 东经106.85°、北纬39.60°, 属大陆季风性气候, 山区岩石裸露, 地面坡度较大。

图6 内蒙古乌海苏拜沟剖面总览Fig.6 Overview of the section of Subaigou in Wuhai, Inner Mongolia

3.2 岩性识别

平台上的高分辨率露头实景三维模型为剖面岩性的识别提供了真实的外观、形状和纹理, 结合平台或用户提供的精细照片等露头地质信息, 可以对露头岩性进行精准识别, 达到和野外地质考察岩性识别一致的效果。如图7所示为内蒙古乌海苏拜沟剖面, 该剖面寒武系陶思沟组发育典型的橙红色砂质白云岩(图7C, D),奥陶系地层发育棕褐色石英砂岩(图7A, B)。

图7 内蒙古乌海苏拜沟剖面寒武系砂质白云岩和奥陶系石英砂岩Fig.7 Cambrian sandy dolostone and Ordovician quartz sandstone in the section of Subaigou in Wuhai, Inner Mongolia

3.3 地层划分

通过露头实景三维模型的多方位、多角度观察,结合平台或用户提供的宏观/微观照片、视频、全景、文献等露头地质信息, 可以对剖面地层进行准确划分。如图8所示为内蒙古乌海苏拜沟剖面, 结合岩性、化石、沉积构造等露头地质信息, 可划分出震旦系黄旗口组和寒武系陶思沟组的分界面。

图8 内蒙古乌海苏拜沟剖面黄旗口组与陶思沟组分界Fig.8 Boundary between the Huangqikou Formation and the Taosigou Formation in the section of Subaigou in Wuhai,Inner Mongolia

3.4 地层叠覆辨别

观察高分辨率露头实景三维模型, 结合平台上的各种露头地质信息, 可以对剖面地层叠覆关系进行辨别。如图8所示为寒武系陶思沟组砂质白云岩上覆于震旦系黄旗口组厚白色交叉层状石英砂岩之上, 两地层产状一致(平台支持在露头模型上量测),中间有地层缺失, 呈平行不整合接触, 对应于全球“大不整合”。

3.5 地质构造识别

平台中的露头实景三维模型具有真实的外观、形状、纹理和位置, 通过不同视角、不同尺度(整体、局部)的模型观察, 在无需其它露头地质信息辅助的情况下, 可准确的识别断层、褶皱等地质构造。相比传统野外地质考察, 露头模型上构造的识别具有更便捷的观察方式。如图9所示为露头实景三维模型上所识别的断层。

图9 实景三维剖面中发育的断层Fig.9 Faults developed in real-scene 3D models

3.6 沉积构造鉴别

对沉积岩剖面而言, 沉积构造的观察是野外地质考察的重要内容。通过高清晰沉积岩露头实景三维模型的观察, 并配合平台或用户提供的照片、文献等各种露头地质信息, 能准确鉴别沉积构造。如图10所示为内蒙古乌海苏拜沟剖面, 在实景三维剖面上可以清楚的观察到黄旗口组砂岩中发育的槽状交错层理, 平台中模型同位置处的层理照片既是印证也是补充。

图10 内蒙古乌海苏拜沟剖面砂岩槽状交错层理Fig.10 Trough-like staggered stratification developed in the sandstone of the Subaigou section in Wuhai, Inner Mongolia

3.7 沉积环境分析

针对沉积地层, 在岩性、地层、沉积构造等考察的基础上分析其沉积环境是野外地质考察的重要内容。数字露头平台基于实景三维模型, 结合平台拥有的文字描述、照片、视频、全景、文献、地质标绘等露头地质信息, 在前述考察的基础上, 可以分析沉积岩层的沉积环境。如图8所示的寒武系陶思沟组发育砂质白云岩、含瘤状和叠层岩纹层的窗格构造白云岩、层状和生物扰动砂岩、微生物诱导沉积构造的泥岩, 以及古岩溶(图8C)和泥裂缝。这些出露表明当时的海洋环境非常浅, 由于基准面下降, 经常暴露在空气中(图8A, B中陶思沟组岩石的橙红色也印证了这一点)。页岩中存在各种小微化石(图8D)和三叶虫, 表明其年龄为早期的苗岭世。

3.8 地质量测

露头实景三维模型具备真实的形状, 使得通过数学方法进行产状等的量测成为可能。岩层产状是野外地质考察中重要而基本的量测项, 岩层的厚度、特殊岩层体的周长、面积等都是野外考察中需要获取的数据, 数字露头平台支持上述要素的精准量测。如图11为产状等地质量测的示例。

图11 数字露头平台地质量测示例Fig.11 Examples of geological measurements on the digital outcrop platform

3.9 地质标绘

针对露头实景三维模型, 结合数学方法可以实现线、面、文字等丰富的地质标绘。采用不同的线性、不同的颜色、不同的透明度、不同的大小, 使得露头模型上岩层的标绘更加有效, 云端考察的效果更好。如图12所示为内蒙古乌海苏拜沟剖面震旦系黄旗口组一段的地层标绘。

图12 内蒙古乌海苏拜沟剖面黄旗口组一段地层标绘Fig.12 Stratigraphic plot for the first member of the Huangqikou Formation of the section of Subaigou in Wuhai,Inner Mongolia

3.10 信息互动

有别于传统地质考察, 数字露头平台支持用户一对一或以讨论组的方式针对露头模型、露头所属的图片、视频、全景、文献、观察点、地质标绘等进行信息分享、互动。这种互动面向露头剖面, 高度聚焦, 引导精准, 地质信息丰富, 分享实时, 为云端地质考察提供了别具一格的交流模式(图13)。

图13 数字露头平台西藏年多剖面地质信息互动示例Fig.13 Interactive examples of geological information about the Nianduo section in Tibet on the digital outcrop platform

4 讨论

论文通过对数字露头实景三维Web平台关键技术进行深入研究, 设计、实现了该平台。平台实现了露头实景三维模型的可视化, 融入露头相关地质信息, 增强了数字露头的可视化和知识化, 实现了数字露头研究的共建、共享。

传统野外地质考察, 通常点多线长、高度流动、分散作业, 由于受交通、地形等因素的限制, 使得考察经常遭遇各种困难, 往往仅能从单一的角度进行观察和量测, 很难获取完整的露头信息。数字露头实景三维Web平台为解决上述问题并实现云端地质考察提供了全新的途径。

数字露头平台中众源露头地质信息的持续汇聚, 使得众多地质学者针对露头剖面研究的成果得以在云端露头模型上高度集中、资源共享, 突破了传统地质研究的局限, 地质研究者可以通过他人工作对露头地质情况进行快速了解, 从而使云端地质考察在成本、效率、准确性、认知深度等多方面显著优于传统野外地质考察。

相比传统地质研究手段, 高精度数字露头实景三维模型的可视化展示和露头丰富地质信息的聚合,使得地质工作者能够通过数字露头平台进行剖面总览、岩性识别、地层划分、地层叠覆辨别、地质构造识别、沉积构造鉴别、沉积环境分析、地质量测、地质标绘、信息互动等云端地质考察应用, 能够使地质工作者更加全面和直观地理解露头地质现象的时空展布和地质特征, 有效帮助地质研究。

数字露头平台不受时间与空间限制, 能够便捷、高效地实现实景三维露头的高精度展示, 并可进行露头剖面的重复研究, 随时查看露头研究的最新进展, 节省地质考察的时间和经济成本。

在露头实景三维模型上实现的地质标绘, 使得露头剖面不仅因为实景三维真实、好看, 更使剖面拥有了地质知识内涵, 成为了真正的实景三维地质剖面(图12)。因此, 平台具备的地质标绘能力, 使得云端地质考察的效果更好。

有别于传统野外地质考察, 数字露头平台针对露头模型、露头所属的图片、视频、全景、文献、观察点、地质标绘等各种地质信息的分享、互动, 使得聚焦于露头剖面的地质信息流动起来, 从而使地质学者的考察难度降低, 参与性更强, 为云端地质考察提供了别具一格的新模式(图13)。

需要说明的是, 虽然前述的地质考察应用以沉积岩为例, 但数字露头平台完全支持岩浆岩和变质岩的地质考察应用。

此外, 相比于国内外影响较大的V3Geo、GeoAvatar等虚拟露头平台, 论文研究的数字露头平台将国内外优秀的地质露头模型和露头相关地质信息进行了有效整合, 地质信息资源更加丰富, 平台功能更多, 可视化效果更好, 使得云端地质考察应用效果更出色。

但平台目前也存在以下问题, 将在后期进行改进。

首先, 平台中的部分露头模型分辨率不高, 严重影响了各种地质现象的观察。这需要改进野外无人机露头数据采集方案、露头影像三维建模方案,确保露头三维模型达到满足要求的分辨率。

其次, 当平台或用户自主提供的露头地质信息不丰富时, 云端地质考察的有效性将明显降低。因此, 平台或用户持续对露头地质信息的共享, 是云端地质考察有效性的重要保障。

第三, 平台三维模型的加载速度还需优化。露头三维模型数据量大, 目前平台在带宽较高的网络下模型加载快, 缩放、移动时流畅, 但在带宽较低的环境下模型加载较慢且缩放时有卡屯现象。就此,对三维模型进行顶点压缩、纹理压缩、顶层重建能有效减少模型数据量又可以保证模型分辨率基本不变。

最后, 平台主要实现了数字露头模型和相关地质信息的展示, 对于借助露头模型进行地质研究的方法挖掘程度还不够, 还需继续加强三维环境下辅助进行地质研究的功能, 增强平台应用价值。后续将开展地质路线自动漫游、露头岩性识别、古流向标定等功能研发, 提升地质研究价值。

5 结论

论文深入研究了倾斜影像三维建模、三维模型可视化与全景影像可视化等技术, 基于Cesium开源三维地球引擎设计、实现了数字露头实景三维Web平台。平台实现了露头实景三维模型的可视化,并将露头相关地质信息与露头三维模型结合, 实现了露头三维模型上传与实景漫游、露头相关地质信息自主提供、分享、互动与可视化展示。论文通过实例证明了平台云端地质考察应用的新颖性和有效性。该平台作为第21届国际沉积学大会虚拟野外地质路线考察的首选, 已成功应用于15条路线中的12条。平台结合可视化手段, 使露头模型的三维展示更加直观、准确、便捷, 能够解决传统地质露头研究中效率低、数据精度差、存在地质考察盲点和安全等问题, 为地质学者进行云端数字露头研究提供了重要技术支撑, 具有良好的实际应用价值。

Acknowledgements:

This study was supported by the IUGS Big Science Program for Deep-time Digital Earth, the National Major Science and Technology Project of China(No.2016ZX05050005), and the Key Project of Graduate Education and Teaching Reform of Chengdu University of Technology (No.2022YJG112).