一种利用无人机成像和深度学习技术进行河道测量与洪水模拟的新方法

《Geomorphology》:A novel approach for utilizing UAV imaging and deep learning techniques for river channel measurement and flood simulation

【字体: 大 中 小 】 时间:2026年01月18日 来源:Geomorphology 3.3

编辑推荐:

  自动检测与三维建模在河道水力分析中的应用研究,通过无人机航拍结合深度学习技术实现河道地形与砾石尺寸的自动识别,构建三维数据模型并与3Di水力模拟软件耦合,有效提升洪水预测精度至95.39%。

  
Jen-Yu Han|Chun-Jia Huang|Yuan-Shun Chang|Yen-Cheng Lin|Hao-Che Ho
台湾国立大学土木工程系高性能遥感与城市信息学研究中心,罗斯福路4段1号,台北市106319,台湾

摘要

河流水力分析是灾害预防的关键前提。传统上,这类分析所需的重要参数是通过实地观察河床获得的,这既费时又成本高昂。本研究采用图像传感技术和无人机(UAV)来收集河床的广泛空间信息,并生成二维和三维数据,以便快速更新河床属性。河床中的砾石大小分布也可以通过深度学习技术自动检测和分析。计算了D50?D90范围内的砾石参数,以进一步估算曼宁粗糙系数。最后,利用上述参数进行了水力分析,以预测河流水位和流体动力学模拟。结果表明,与真实值相比,水位估算的准确率为95.39%。因此,所提出的创新方法可以大大提高河流水力分析和洪水模拟的效率。

引言

监测技术的迅速发展以及高分辨率三维空间测绘的日益应用,显著增加了所获取数据的多样性、丰富性和精确度(Arnesen等人,2013;Fan等人,2020;Tung和Yaseen,2020)。为了确保国家安全和保障人民生计,有效利用大量的现场观测数据来推断河流空间特征变化对洪水的影响变得至关重要(Nagendra等人,2020;Wu和Guo,2021)。然而,整合和利用多种空间和水文观测数据存在不可避免的挑战(Liu等人,2012;Fatichi等人,2016)。因此,精确整合和分析现有及未来的大数据的优势,并开发合适的分析技术至关重要。
近年来,无人机(UAV)经历了显著的发展,由于其采集成本降低、技术门槛降低以及功能增强,已在各个领域得到广泛应用(Wang等人,2016;Albeaino等人,2019;Kim等人,2019)。在河流监测应用中,UAV图像可以与地面控制点和摄影测量技术结合,进行三维重建,从而将图像数据有效转换为可用于工程目的的数值地形数据(Islam等人,2022;Lin等人,2022)。多时相地形比较可以提供有关河床地形的详细信息,最终减少人力和材料成本(Nuske等人,2015;Mourato等人,2017)。经过验证,数字表面模型(DSM)数据的准确性和分辨率适用于地形测量,并可用于分析河流中的泥沙输送(Beloev,2016)。
为了有效管理河流,全面了解河床随时间的变化至关重要(East等人,2015)。这些变化可能由泥沙输送的变化、河流形态的改变或其他可能导致侵蚀和人工结构(如桥墩和堤坝)损坏的水文现象引起(Syarifudin和Sartika,2019;Zaid等人,2019;Wang等人,2020)。监测河床形状的变化可以收集有价值的信息,以辅助河流管理决策(Hemmelder等人,2018;Langat等人,2019)。河床变化的监测可以分为两类:三维空间信息和二维属性信息(Watanabe和Kawahara,2016;Rusnák等人,2018)。三维空间信息可以使用二维图像结合图像匹配技术进行重建(Hugenholtz等人,2016)。
然后可以使用图像对象检测来检测泥沙砾石的大小并估算曼宁粗糙系数(Buckland等人,2021;Mair等人,2022)。分析泥沙砾石的大小、形状和分布有助于确定河床粗糙度,这是河流流量的重要指标(Keupers等人,2015;Shumie,2018;Wang等人,2022)。目前,泥沙砾石分析主要依赖于人工现场调查,这既耗时又费力(Wolman,1954)。相关研究表明,可以使用图像处理技术来计算砾石大小(Chandler等人,2000;Brasington等人,2012),然后可以利用这些大小来计算曼宁粗糙系数,并绘制砾石的粒径分布曲线。已经建立了一种全面的砾石大小分析策略,显著提高了调查效率,并为水文建模和河流管理提供了宝贵的帮助(Li等人,2008)。
深度学习技术,特别是卷积神经网络(CNN),在基于图像的对象检测任务中表现出强大的性能。其中,You Only Look Once(YOLO)架构因其高检测速度和准确性而受到广泛关注。它提供了一种灵活且轻量级的结构,特别适合在UAV图像中检测对象(Han等人,2024)。最近的研究已将基于YOLO的模型成功应用于各种地理空间和环境任务。例如,Zhang等人(2024)使用基于YOLO的模型检测河流中的漂浮物体。Jayakrishna和Ganesh(2025)使用YOLO评估用于大规模灌溉的受污染河水中有害藻类的环境影响。Vaghela等人(2025)使用YOLO进行土地覆盖分类以识别农田。这些研究表明,将图像与YOLO模型结合在环境和地理空间应用中的潜力。基于这一基础,本研究采用基于YOLO的深度学习模型来自动检测高分辨率UAV图像中的砾石颗粒。
河流通道实时水位预测方法对于实施灾害预防和预警系统至关重要。常用的方法包括SOBEK、MIKE系列、FLO2D、HEC-RAS和3Di等洪水模型(Quiroga等人,2016;Wei等人,2016;Wu等人,2016;Afshari等人,2018;Hu等人,2020)。近年来,由荷兰团队开发的3Di模型在流域管理、洪水风险管理、城市洪水模拟、明渠和雨水系统设计以及溃坝建模中得到了越来越广泛的应用(Afifi等人,2019;Ruheili等人,2019;Nicklin等人,2019;Hadidi等人,2020)。其主要特点包括高速水力计算以及快速、实时和直观的模拟显示。它整合了子网格建模、河床摩擦、有限体积交错网格和四叉树等方法来解决浅水波方程。该模型可以包含各种水力结构,如渠道、堤坝、涵洞、污水井、泵站和闸门。它还可以根据高分辨率空间数据适应摩擦系数、渗透性和滞留量等空间变化参数。交互式网页界面允许在模拟过程中实时调整配置,并显示相应的模拟结果(Dahm等人,2014;Wong,2018)。此外,3Di模型的误差较小,模拟速度比其他模型更快。Hsu等人(2016)的一项研究比较了3Di和SOBEK模型,发现对于相同的准确度水平,3Di的计算时间仅约为3-23分钟,而SOBEK需要约19小时,相差约50倍。对于洪水结果,3Di利用高分辨率数字高程模型(DEM)可以模拟更详细和真实的淹没场景。鉴于本研究中从UAV获得的高精度DSM数据,选择3Di作为进一步分析的模拟工具,因为它可能产生准确的模拟结果(Chang等人,2023)。
本研究通过整合无人机、深度学习图像检测技术和3Di水动力模拟软件,提出了一种创新且全面的水力分析方法。通过将UAV捕获的图像与图像检测技术相结合,可以获取关于河床地形和砾石的广泛高分辨率数据。这种方法显著降低了传统手动采样方法的劳动强度、时间消耗和高不确定性,从而提高了洪水建模的准确性。因此,本研究开发的模拟过程可以增加河流观测的频率,提高灾害管理的效率,增强预警系统的准确性,并减轻灾害的影响。

方法论

图1展示了本研究的场景,包括使用无人机收集图像数据,然后生成正射影像和DSM。这些正射影像与深度学习结合,用于计算砾石大小以估算曼宁粗糙系数。最后,将DSM和降雨数据整合起来预测河流水位。对于快速和定期监测河床变化,只需要UAV图像和本研究开发的技术。

研究区域和数据

图7所示的研究区域面积为150公顷,包括新台北市三峡区内的主要三峡河及其支流横溪河。三峡河在研究区域内延伸约6000米,包含四座重要桥梁,而横溪河延伸约1600米,包含一座重要桥梁。几乎整个三峡区居住着约117,000名居民,分布在两个行政区域内

结论

本研究提出了一种结合无人机成像和深度学习技术的新方法,用于增强河流通道和水力分析。通过利用无人机成像,我们高效地收集了关于河床的广泛空间数据,从而快速生成二维和三维表示。深度学习的应用促进了砾石大小分布的自动检测和分析,这对于估算曼宁粗糙系数至关重要

CRediT作者贡献声明

Jen-Yu Han:撰写 – 审稿与编辑。Chun-Jia Huang:撰写 – 初稿。Yuan-Shun Chang:正式分析。Yen-Cheng Lin:正式分析。Hao-Che Ho:监督。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本研究得到了国家科学技术委员会的支持,授予编号为MOST111-2124-M002-009的资助。作者感谢NSTC提供的协助,这促进了本研究。我们还要感谢匿名审稿人的宝贵意见和建议,这些意见和建议显著提高了本手稿的质量。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号