基于地面激光扫描与无人机摄影测量的污水处理基础设施竣工测图对比评估及回溯性数据源选择方法

《Remote Sensing》：TLS and UAV Photogrammetry for As-Built Mapping of Wastewater Treatment Infrastructure: A Comparative Assessment and Retrospective Source Selection Approach

　　

地面激光扫描（TLS）与无人机（UAV）摄影测量为基础设施文档化提供了互补观测手段，但其适用性取决于所需地图特征。本研究将一座污水处理厂的TLS与UAV衍生竣工产品与传统测量参考进行了比较，并展示了一种初步的、回溯性的、基于特征级别的数据源选择方法。研究人员从三种产品均可识别的细节中，有目的地选取了30个独立检核点进行位置一致性评估。TLS的三维均方根误差（RMSE3D）为7.51 cm，UAV为7.66 cm；这些数值表征的是共同可观测样本的特征，而非完整基础设施的精度。TLS和UAV分别绘制了135个参考对象中的128个和102个，对应目标检测完整率分别为94.8%和75.6%。UAV所需的记录采集工作量较少，而TLS在使用测试配置的情况下恢复了更多参考对象。一项透明评分结合了平面精度和目标检测完整性（两者均可用时），数据源资格则单独评估。该应用展示了利用现有产品进行源比较的方法；它并未证明地图质量得到改善或生产成本有所降低。一份完成的选择性源地图和一份全合并替代方案未经过独立评估。

1. 研究背景、存在问题与研究意义

随着遥感与大地测量技术的进步，工程基础设施的竣工测图日益依赖异构空间数据集的集成。传统二维测绘产品正被三维数字表征所取代，包括密集点云、正射影像和面向对象的空间数据库。地面激光扫描（TLS）因其高密度、高几何一致性的数据获取能力成为现代空间测量的主要工具之一；同时，无人机（UAV）摄影测量凭借其灵活、经济高效的特点，在局部尺度上实现了高分辨率数据采集，尤其适用于复杂空间结构区域。然而，单一测量技术往往难以同时满足复杂工程结构对点位精度、几何完整性和作业效率的要求。尽管整合TLS与UAV数据的混合方法在工程文档化中显示出优势，但针对其在工程测量中的适用性与作业效率的系统性评估，特别是与传统大地测量方法的直接比较，仍然相对缺乏。为此，本研究旨在比较TLS与UAV衍生竣工产品在位置一致性、目标检测完整性和记录的操作特性方面的表现，并展示一种基于特征级别、利用现有类别特异性证据进行回溯性数据源比较的初步方法。

2. 研究方法与技术路线

本研究在一个运营中的污水处理厂进行，该厂区包含高密度的结构、工艺和线性元素。研究区域位于波兰南部扎科帕内市行政边界内的两个正式分离的污水处理厂Spyrkówka和??gi的部分区域。作为参考基准的常规大地测量采用Trimble S5全站仪和Trimble R8s GNSS接收机完成。TLS数据使用Leica ScanStation P40采集，共设置22个扫描站，点云配准和地理参考后在MicroStation V8i环境中进行竣工图绘制。UAV数据使用Autel EVO II Pro无人机在40米航高、80%航向和旁向重叠率下采集，共处理229张影像，在Agisoft Metashape Professional软件中生成正射影像和数字高程模型（DEM）。所有数据集均转换至PL-2000/7投影坐标系和EVRF2007-NH垂直参考系。研究通过30个独立检核点进行统计验证，计算均方根误差（RMSE）、系统偏差（Bias）和组内相关系数（ICC(A,1)），并结合Bland-Altman分析评估方法间的一致性。

3. 研究结果

3.1 统计分析

研究人员通过30个独立检核点评估了TLS和UAV衍生产品的几何精度。TLS的二维均方根误差（RMSE_2D）为5.91 cm，UAV为6.77 cm；三维均方根误差（RMSE_3D）分别为7.51 cm和7.66 cm。TLS在平面精度上略优，而UAV在高度分量上表现更好（RMSE_h：TLS为4.64 cm，UAV为3.59 cm）。偏差分析显示，TLS的高度分量存在显著的系统性偏差（Bias = -4.10 cm），其残余均方根误差（RMS_res）从4.64 cm降至2.24 cm，表明大部分高度误差源于系统性因素，可能与山区GNSS地理参考或垂直基准转换有关。组内相关系数（ICC(A,1)）在平面坐标上均超过0.99，在高度分量上TLS为0.9855，UAV为0.9911。Bland-Altman分析进一步揭示了TLS较大的平均高度差异（-4.07 cm）和较窄的一致性界限（-8.52至0.39 cm），而UAV的平均偏移较小（-2.27 cm）但离散程度更大（-7.81至3.28 cm）。

3.2 操作性能

在数据采集阶段，TLS需一名操作员约5-6小时，而UAV仅需0.5小时（含13分15秒的自动飞行），表明UAV在采集效率上具有明显优势。数据处理阶段，UAV在Metashape中的计算时间为3小时26分32秒。特征提取与矢量化阶段，两种方法各需3小时。尽管TLS采集时间更长，但其目标检测完整性更高，绘制了135个参考对象中的128个（94.8%），而UAV仅绘制了102个（75.6%）。屋顶结构和密集设施限制了UAV对建筑基底轮廓等地面级几何特征的描绘能力。

3.3 特征级数据源选择框架

研究人员提出了一项初步的回溯性特征级数据源选择框架，基于平面精度（A_ij）和目标检测完整性（C_ij）两个可量化标准，并对每个特征类别计算综合得分Q_ij。平面精度由该类别的二维均方根误差（RMSE_2D）相对于0.10米基准值计算得出，完整性则为该类中被成功绘制的对象数量与参考数量的比值。基线权重设为相等（w_A=w_C=0.5）。在拥有检核点的五个类别中，TLS在污水检查井盖类得分更高（0.847 vs. 0.781），而UAV在电缆井类得分更高（0.775 vs. 0.742），表明数据源的适用性依赖于特征类别。对于其余八个无检核点的类别，仅报告了完整性。该框架强调，高分并不等同于数据源资格合格，还需额外评估所需几何能否确定以及是否符合适用要求。

4. 讨论与结论

讨论部分指出，尽管TLS和UAV的组内相关系数（ICC）在平面和高程分量上均较高，但这不能单独证明满足竣工测量的法定精度要求，必须结合坐标差异和Bland-Altman一致性界限进行解读。TLS的高度偏差可能源于地理参考或垂直基准转换过程中的系统性误差。本研究的局限性包括：仅涉及单一设施、单一采集配置和30个有目的选择的共同可观测检核点，常规参考本身存在非零不确定性，且各类别样本量不均限制了类别层面的推断。此外，未对组装后的选择性源地图与全合并替代方案进行独立评估。

研究结论部分翻译如下：

本研究在三个产品均可观测的30个独立的、有目的选择的检核点上，比较了TLS和UAV摄影测量与常规测量坐标的一致性。TLS的三维均方根误差（RMSE_3D）为7.51 cm，UAV为7.66 cm。TLS显示出更大的平均高度差，但其物理原因尚未确定。报告的差异和不确定性区间描述的是所选样本的特征，而非对整个地图精度的认证。TLS绘制了135个参考对象中的128个，而UAV绘制了102个。UAV所需的记录采集工作量较少，而在测试配置下TLS恢复了更多参考对象。这些发现描述了互补能力；目标计数并不能确立完整的几何表征，采集记录也不能证明更低的总生产成本。初步的特征级数据源选择框架展示了利用平面精度和目标检测完整性对现有来源进行回溯性比较的方法，数据源资格则单独评估。不同类别间的支持证据存在差异，基于极小样本的分数仍仅为示意性。对组装后的选择性源地图与替代制图策略进行独立评估仍是未来工作的课题。