《Applied Sciences》：Identification of Unstable Rock Blocks and Rockfall Hazard Assessment on a Karst Steep Rock Slope Using UAV Photogrammetry
编辑推荐：
摘要翻译：
陡峭岩质边坡广泛分布于中国西南喀斯特山区，结构控制的落石频繁威胁交通基础设施和人类安全。由于复杂的不连续面网络和落石运动过程中的破碎现象，准确识别不稳定岩块（URs）并定量评估其破坏后的灾害仍面临重大挑战。本研究以贵州省左家营陡峭岩质边坡为代表
摘要翻译：
陡峭岩质边坡广泛分布于中国西南喀斯特山区，结构控制的落石频繁威胁交通基础设施和人类安全。由于复杂的不连续面网络和落石运动过程中的破碎现象，准确识别不稳定岩块（URs）并定量评估其破坏后的灾害仍面临重大挑战。本研究以贵州省左家营陡峭岩质边坡为代表案例，集成高分辨率无人机摄影测量（UAV photogrammetry）、自动不连续面识别、不稳定岩块检测和三维落石模拟，研究不连续面控制的落石形成机制和灾害特征。研究人员从无人机影像重建了高分辨率三维地形模型，并使用I-MinPts约束的DBSCAN算法自动识别了六组主导不连续面。结合岩石产状运动学分析（ROKA）算法和块体理论（Block Theory），识别出54个不稳定岩块，其中楔形破坏和倾倒破坏为主要失稳模式。结果表明，不连续面组合控制岩体分割和不稳定岩块几何形态。具体而言，不连续面组J1、J3和J5主要控制楔形块体，J2和J4主导柱状倾倒块体，而J6进一步促进孤立不稳定岩块的形成。考虑破碎效应的三维RockGIS模拟再现了从脱离到最终沉积的完整落石过程。最大运动距离、动能和弹跳高度分别达到395 m、748.5 kJ和40.1 m。破碎使岩块数量从54增加到1013，显著扩大了潜在影响区域。基于栅格的落石灾害指数（RHI）进一步揭示，中下坡和坡脚构成主要高危险区，在极端情景下，高能量碎片可能到达G246国道及邻近基础设施。本研究揭示了研究区不连续面组合控制的不稳定岩块形成机制和灾害特征，为喀斯特山区类似高陡岩质边坡的落石灾害识别和缓解提供了案例参考。
论文解读文章：
**研究背景与问题**
在中国西南喀斯特山区，陡峭岩质边坡广泛分布，受复杂地质构造和工程活动（如采矿和边坡开挖）的叠加影响，岩块失稳频发，严重威胁交通基础设施和社区安全。近年发生的系列灾难性事件（如2017年贵州纳雍张家湾崩塌、2022年贵州安顺白岩滑坡等）凸显了有效风险防控的紧迫性。然而，陡峭岩质边坡地形陡峭、地质结构复杂，多组不连续面相互切割，导致岩体高度异质化，不稳定岩块的形成机制和落石运动过程难以精确预测。传统方法（如人工测量、二维运动学分析）受限于地形可达性和理想化假设，无法充分捕捉局部地形变化和不连续面组合的复杂相互作用。因此，如何准确表征边坡结构、可靠识别潜在不稳定岩块并定量评估落石灾害，成为岩石工程和地质灾害缓解领域的关键科学挑战。
**研究内容与结论**
研究人员以贵州省毕节市左家营陡峭岩质边坡为典型研究区，集成高分辨率无人机摄影测量、自动不连续面识别、基于ROKA算法的块体理论分析和考虑破碎效应的三维落石动态模拟，建立了一套完整的技术框架。该框架系统分析了多组不连续面组合对不稳定岩块形成和失稳模式的控制作用，并构建了基于栅格的落石灾害指数（RHI），实现定量三维灾害评估。
研究得出以下核心结论：
1. 通过I-MinPts约束的DBSCAN聚类算法，从点云数据中自动识别出六组主导不连续面（J1–J6），其中J1、J2和J4为主要结构面，占比分别为27.4%、18.2%和15.6%，揭示了岩体显著的结构异质性。
2. 结合ROKA算法和块体理论，识别出54个不稳定岩块（URs），体积范围为1.11–288.16 m3，平均体积为35.91 m3。失稳模式以楔形破坏（46.3%）和倾倒破坏（38.9%）为主，表明落石灾害主要由结构控制的局部岩块控制。
3. 不连续面组合控制机制显著：J1、J3和J5主要形成楔形块体，J2和J4垂直切割形成柱状倾倒块体，而近垂直的J6进一步促进孤立不稳定岩块的形成。这些组合决定了岩块几何形态、失稳模式和空间分布。
4. 考虑破碎效应的RockGIS模拟再现了完整落石过程，最大运动距离达395 m，峰值动能为748.5 kJ，最大弹跳高度为40.1 m。破碎使岩块数量从54增至1013，扩大了潜在影响区域，表明破碎是控制落石运动性和灾害的关键过程。
5. 基于RHI的灾害分区显示，中下坡和坡脚为高危险区（RHI≥0.6），占总面积的40.02%，形成连续高危险带。极端情景下，高能量碎片可能威胁G246国道及邻近设施，凸显了在灾害评估中纳入破碎效应的必要性。
**主要技术方法**
研究采用多航带无人机摄影测量（含地形跟随、近景成像和环拍）获取高分辨率影像，重建10 mm分辨率的三维点云。不连续面识别采用I-MinPts约束的DBSCAN聚类算法，结合主成分分析（PCA）计算法向量，并用随机采样一致性（RANSAC）和最小二乘法拟合平面参数。不稳定岩块识别基于ROKA算法，该算法综合不连续面空间组合和局部坡度特征，通过运动学准则（如方程6–9）判定失稳模式，并用块体理论验证。落石模拟采用RockGIS模型，其包含反弹模型（基于法向和切向恢复系数）和破碎模型（基于动能阈值和幂律分布），输入参数包括0.1 m分辨率DEM和表面材料参数（如恢复系数），样本来源为左家营边坡的现场调查数据。
**研究结果分述**
- **不连续面几何特征**：自动识别出1191个不连续面，六组优势结构面方位为J1（159°/38°）、J2（168°/70°）、J3（87°/46°）、J4（204°/73°）、J5（248°/54°）和J6（325°/88°）。与半自动工具AST对比，平均倾角误差为1.70°，倾向误差为2.17°，准确率分别为98.1%和99.4%，验证了自动方法的可靠性。
- **不稳定岩块分布**：54个URs中，楔形破坏25个、直接倾倒21个、弯曲倾倒7个、平面滑动1个。现场调查和无人机影像验证了自动识别结果的准确性，典型块体UR36（体积约16.57 m3）由J4、J6和层面组合控制，表现为倾倒型失稳。
- **落石运动特征**：模拟显示，考虑破碎效应后，89%以上的落石停留在坡面，形成带状沉积区。最大运动距离为395 m，横向扩散宽度为215 m，速度峰值达45.6 m/s，动能峰值748.5 kJ，平均弹跳高度8.1 m。沿路径，速度呈现多重加速-减速阶段，上坡以自由落体为主，中坡为强烈碰撞和破碎区，下坡逐渐转为沉积区。
- **灾害分区**：RHI计算表明，高危险区（0.6≤RHI<1.0）集中于中下坡和坡脚，面积约3.45×10? m2，占总面积的40.02%。这些区域具有高落石频率和高冲击能量，潜在破坏性强。
**讨论与结论**
讨论部分指出，不稳定岩块的形成不单受单一坡面条件控制，而是由多组不连续面组合和岩性条件共同决定。J1、J3和J5控制楔形块体，J2和J4垂直切割形成柱状块体，J6进一步促进孤立块体形成。与传统运动学分析（Dips）相比，ROKA算法仅考虑局部实际不连续面交线，避免了无限空间假设导致的虚拟组合，临界失稳概率更合理（如楔形破坏概率为5.04%对6.51%）。同时，考虑破碎效应的模拟比刚性体模拟更符合现场观测，最小和平均运动距离分别降低50.5%和43.3%。研究局限性包括：部分低密度不连续面识别受限、未纳入力学参数（如结构面强度）、模型参数未与现场冲击实验校准。未来研究应结合多尺度识别、力学约束和监测数据。
结论部分强调，该研究建立了集成式工作流，成功识别了六组不连续面和54个不稳定岩块，揭示了不同不连续面组合的控制机制，并通过考虑破碎效应的模拟提供了更真实的灾害评估。研究结果为喀斯特山区高陡岩质边坡的落石灾害识别和防护设计提供了实用参考，特别是强调将破碎效应纳入评估体系的重要性。
