战灾影响区UAV（Unmanned Aerial Vehicle，无人驾驶航空器）影像测得点云精度评估

《International Journal of Remote Sensing》：Accuracy assessment of point clouds measured by UAV imagery in war-disaster-affected areas

　　

研究人员日益将无人驾驶航空器（UAV）用于冲突后及灾害制图，因其可在危险或难以进入的区域快速获取高分辨率影像与密集三维点云。本研究评估了叙利亚Kafranbel（143公顷战争损毁城镇区域，瓦砾、植被及受损结构使地面控制点布设与摄影测量重建复杂化）UAV衍生点云的精度。研究人员使用DJI Mavic 2 Pro执行四次航测任务：三次nadir（垂直向下）飞行分别在45 m、50 m、65 m高度，航向与旁向重叠约80%；一次oblique（倾斜）飞行在38 m高度、相机倾角70°。各航次采集400–1000幅影像。研究人员采用Topcon 105N全站仪测量54个独立检查点（CP，Check Point），精度<2 cm，用作外部参考数据验证。影像在Agisoft Metashape中通过运动恢复结构（SfM，Structure from Motion）工作流处理，生成密集点云、数字高程模型（DEM，Digital Elevation Model）与正射影像（orthophoto）。精度评估计算X、Y、Z方向RMSE（Root Mean Square Error，均方根误差）及RMSE3D。45 m nadir飞行精度最高，RMSE3D约0.13 m，50 m约为0.35 m，65 m约为0.45 m；nadir模型平面误差一般为5–10 cm。38 m oblique任务改善了立面与墙体等垂直结构建模，但平面表面水平精度降至约14 cm。总体而言，近50 m飞行高度在精度、覆盖范围与效率间取得最佳折衷。研究结果建议结合nadir与oblique影像及分布良好的检查点网络，以实现战争损毁城区的可靠三维记录。

该研究发表于《International Journal of Remote Sensing》。研究背景方面，尽管UAV在地理空间数据采集中应用广泛，但既有精度评估多集中于常规环境，针对战争损毁城区（表面不规则、进入受限、常规控制测量困难、瓦砾与受损结构干扰）的UAV影像点云精度系统性研究较少。此类灾后或冲突后区域常需快速、安全、低成本的三维空间记录以支持损害评估与重建规划，传统全站仪、GNSS、地基激光扫描等手段受限于安全风险、可达性与工时，UAV摄影测量因其灵活、低成本、同步产出正射影像与三维模型成为重要替代方案；然而在战争损毁城市环境中，飞行参数（高度、重叠、相机倾角等）对点云几何精度与完整性的影响尚缺乏实证依据，且许多实际部署场景无法使用RTK（Real-Time Kinematic，实时动态）/PPK（Post-Processed Kinematic，后处理动态）高级定位而依赖常规低成本平台与独立地面验证，因此研究人员开展此项研究以明确关键飞行参数对精度的定量影响并提出适用方法论建议。

关键技术方法：研究人员选取叙利亚北部Idlib省Kafranbel战争损毁城镇（约273.17 km2，多层建筑、硬石灰岩墙体与钢筋混凝土屋顶，地形与结构高度不规则）为研究区；使用DJI Mavic 2 Pro搭载Hasselblad L1D-20c相机（1英寸CMOS，20 MP，焦距10.26 mm，视场约77°）执行四组航测：三次nadir分别在45 m（GSD≈1.06 cm/像素，417幅覆盖0.16 km2）、50 m（GSD≈1.17 cm/像素，1000幅覆盖0.64 km2）、65 m（GSD≈1.53 cm/像素，452幅覆盖0.47 km2），航向/旁向重叠80%；一次oblique在38 m、相机倾角70°（GDS≈0.89 cm/像素，350幅覆盖约0.0144 km2）；环境条件稳定（风速<4 m/s，温度约22℃，晴空）。研究人员采用Topcon GTS-105N全站仪在WGS84/UTM 37N下测量54个地面点作为检查点（CP），水平精度±(2 mm+2 ppm×距离)、垂直±3 mm，用作独立验证且不参与光束平差（bundle adjustment）；影像在Agisoft Metashape Professional（v2.0.1）中按SfM（Structure from Motion，运动恢复结构）–MVS（Multi-View Stereo，多视立体）标准工作流处理：图像对齐（高精度，每幅约40,000关键点）、深度图生成与fine-scale深度图滤波（depth-map filtering）、超高质量密集点云生成（nadir 45 m约10.86百万点/714.4点/m2；50 m约44.3百万点/690.3点/m2；65 m约25.6百万点/535.6点/m2；oblique 38 m约15百万点/882点/m2）、数字表面模型（DSM，Digital Surface Model）与正射影像生产；精度评估上，正射影像在ArcGIS Pro中通过13–21个独立CP计算X、Y方向RMSE得2D精度；三维点云在CloudCompare（v2.13）中用ICP（Iterative Closest Point，迭代最近点）算法配准至CP参考坐标，以Cloud-to-Cloud（C2C）距离分析与RMSE_X、RMSE_Y、RMSE_Z、RMSE_3D量化空间偏差。

研究结果：研究人员在“3.1. Accuracy assessment of the orthorectified imagery (orthophotos)”中通过ArcGIS Pro对各高度正射影像与独立CP比对，得出2D平面RMSE约0.0997–0.1030 m（45 m、50 m、65 m间差异不大），表明所有nadir配置均达高分辨率地形制图可接受精度；50 m高度X方向RMSE最低（0.0476 m），65 m Y方向RMSE最低（0.0822 m），平面误差总体5–10 cm级；面积覆盖范围随高度增大（45 m覆盖约0.16 km2、50 m约0.64 km2、65 m约0.47 km2部分区域），CP数量增加提高了评估稳健性，50 m在影像量、处理效率与定位精度间最均衡。在“3.2. Accuracy assessment of the three-dimensional point clouds”中研究人员借助CloudCompare与ICP配准、C2C分析得出：45 m nadir的RMSE_3D约0.127 m（最高几何精度），50 m升至约0.345 m，65 m达约0.447 m；Z方向误差随高度增加而增大，源于GSD变大与影像细节减少；nadir任务对屋顶、路面等水平面表达连续平滑、噪声低，点密度随高度由714.4点/m2（45 m）降至535.6点/m2（65 m），50 m为690.3点/m2；oblique（38 m，70°）点密度最高约882点/m2，显著改善建筑立面、墙体等垂直结构可见度与重建完整性（对比nadir中立面常缺失），但平面表面（屋顶、平地）水平精度略降至约14 cm且重投影误差稍增。

讨论部分研究人员指出：飞行高度与成像几何是影响UAV摄影测量三维模型几何精度与完整性的关键因素；45 m nadir获最高几何精度但覆盖有限，50 m nadir在精度、覆盖与处理效率间最佳折衷；oblique成像明显提升垂直地物重建但对水平面精度有轻微牺牲；推荐航向/旁向重叠保持在80–70%，全区布设不少于20个分布良好的CP以保障模型稳定与几何精度；局限在于未与RTK/PPK平台直接对比、仅单一战争损毁城环境故数值不普遍推广、侧重几何评估而非自动损毁分类；未来应整合UAV摄影测量与LiDAR数据以提升模型质量与空间精度，应用深度学习于点云分类与特征提取，发展自适应航线规划与多传感器融合框架以拓展至高阶测绘、智慧城市管理及灾害监测中。研究人员在“6. Conclusions”中总结：飞行高度与成像几何对UAV摄影测量派生三维模型之几何精度及完整性具有重要影响；虽45 m飞行产生最高几何精度，但50 m飞行在精度、空间覆盖与处理效率间提供最实用平衡；oblique成像较垂直（nadir）影像显著增强建筑立面与损毁墙体表达，但伴随水平面（如屋顶、平地）表示精度轻微下降；为实现最优结果建议影像重叠率保持80–70%且研究区内使用不少于20个分布良好的CP以保障模型稳定性与几何精度；未来研究强烈建议整合UAV摄影测量技术与LiDAR数据以提升模型质量与空间精度，同时鼓励将深度学习算法用于点云分类与特征提取（尤见于复杂或损毁城市环境），后续应聚焦发展自适应飞行规划策略与多传感器数据融合框架以进一步提高模型精度、自动化水平并扩展至先进测绘、智慧城市管理与灾害监测应用。