Application of Geological Hazard Risk Assessment System Based on 3D Real Scene and AHP: Example from the Wubu-Yonghe Section along the Yellow River Highway
-
摘要:
为了有效控制、管理和减少公路边坡地质灾害产生的不利影响，本研究提出了一种基于无人机倾斜摄影三维实景边坡信息提取结合层次分析原理的公路边坡危险性评价新方法，开发了以Cesium为框架的沿黄公路边坡危险性评价三维可视化web平台。利用三维实景模型和计算机算法室内即可提取边坡危险性评价信息(包括路-坡距、坡度、坡高和节理密度等)，采用层次分析法对各个边坡的危险性进行评估，依据最终得出的危险性综合评分，将其划分为极低、低、中、高、极高5个危险等级。将所提出的方法应用于沿黄公路边坡危险性评估，共评价边坡656个，其中极低危险边坡0个，低危险边坡23个，中危险边坡405个，高危险边坡210个，极高危险边坡18个。评价结果与实地调查结果吻合，说明提出的评价系统是合理的、有效的。该系统不仅实现地质灾害三维可视化调查和危险性评价，也推进了公路边坡防灾减灾技术数字化、智能化应用的发展。
Abstract:In order to effectively control, manage and reduce the adverse effects of highway slope geological disasters, this study proposes a new method of highway slope risk assessment based on UAV tilt photography and three-dimensional real scene slope information extraction combined with analytic hierarchy process, and develops a three-dimensional visualization web platform for highway slope risk assessment along the Yellow River Based on cesium. The three-dimensional real scene model and computer algorithm can be used to extract the slope risk evaluation information (including road slope distance, slope, slope height and joint density, etc.) in the room. The AHP is used to evaluate the risk of each slope. According to the comprehensive final risk score, it is divided into five risk levels: extremely low, low, medium, high and extremely high. The proposed method is applied to the risk assessment of slopes along the Yellow River Highway. A total of 656 slopes are evaluated, including 0 extremely low-risk slope, 23 low-risk slope, 405 medium risk slope, 210 high-risk slope and 18 extremely high-risk slope. The evaluation results are consistent with the field survey results, which show that the evaluation system proposed in this paper is effective and reasonable. The system not only realizes the three-dimensional visualization investigation and risk assessment of geological disasters, but also promotes the development of digital and intelligent application of highway slope disaster prevention and reduction technology.
-
公路是一个国家或地区的“血管”，影响着这个国家或地区社会经济的发展。从西部大开发到“新丝绸之路”经济带持续推进，再到乡村振兴、区域协调发展和以人为核心的新型城镇化国家重大战略的深入实施。中国公路建设也发展迅速并不断向山区推进，目前总里程已达528×104 km（郝瑀然, 2022）。虽然中国在交通网络建设中取得了举世瞩目的成就，但由于丘陵山区公路建设期间的人为活动扰动了自然斜坡，使其更容易发生灾害（田媛等，2022；姚富潭等，2023）。这些边坡灾害不仅造成经济损失、环境和文化资产的破坏，有时还造成生命损失（Oboni et al., 2020; Panchal et al., 2022）。随着公路边坡灾害日益增加，开展公路边坡危险性评价已成为当前业界关注的焦点。
为了有效控制、管理和减少公路边坡地质灾害产生的不利影响，众多研究学者对此提出了针对不同尺度、不同规模的地质灾害危险性评估决策体系。这些评估体系总体思路是依托GIS平台提取评价因子，运用逻辑回归法、神经网络（Li et al., 2016）、层次分析法（Myronidis et al., 2015; Fan et al., 2017; Guo et al., 2019; Hepdeniz, 2020）、模糊层次分析法（梁涛等, 2016; Zhang et al., 2018; Du et al., 2019; Pal et al., 2019）、可拓物元模型（Su et al., 2016; Yang et al., 2017）、Scoops 3D模型（Rashid et al., 2020）等方法进行影响因子与公路边坡危险性的关系分析。然而，这些评价分析的基础资料几乎都来源于野外调查，通过人工野外调查获取地质数据，然后进行定性、定量或者半定量分析（Myronidis et al., 2015; Fan et al., 2017; Zhang et al., 2018; Yao et al., 2019; Du et al., 2019; Guo et al., 2019; Abdelkarim et al., 2020; Hepdeniz, 2020; Ding et al., 2020; Rashid et al., 2020; Xiao et al., 2020; Qiang et al., 2021）。对于公路边坡来讲，这种传统的地质调查方法存在很大的局限。一般山区的公路边坡都十分高陡，几十米甚至上百米的斜坡，通视性有限，人力难以到达（Gregory-Lederer, 2020; 崔溦等, 2021; 廖小平等, 2021; 谢金等, 2021; 周福军, 2021）。此外，受沿线边坡经常有落石、崩塌、滑塌等不良地质现象及车流的影响，作业人员的野外安全也难以保障。
随着地质灾害信息化、数字化的大力发展，计算机和无人机应用技术的不断创新，公路边坡危险性评价工作逐渐朝着网络化、智能化应用方向前进。一方面推动了评估体系软件技术集成应用，如Thiebes 等 （2013）采用极限平衡理论结合WebGIS开发了一种边坡稳定性分析辅助决策系统；梁涛等（2016）基于matlab语言环境和FAHP，研发了公路边坡风险评估软件RAslope。另一方面推动了岩土体地质信息获取手段的更新换代，如采用无人机/无人机载LiDAR摄影测量技术、车载激光扫描等构建高精度三维地质模型，获取高精度地形地貌数据（Svennevig et al., 2015; 刘洋洋等, 2018; Tang et al., 2018; 陈志华等, 2019; 陈宙翔等, 2019; Cheng et al., 2020; Gregory-Lederer, 2020; 贾虎军等, 2021; 廖斌等, 2021; 吕权儒等, 2021; 王俊豪等, 2021; 谢金等, 2021），进而进行评价工作。随着地质信息化建设的增强，基于人工智能的自动化巡查、物联网的智能化应用、路网运行感知等基础设施改造实施，地质灾害作业模式将形成智能化信息采集和网络化协同管理新模式。
因此，笔者以无人机倾斜摄影三维实景提取边坡信息与AHP结合，选取沿黄公路边坡的危险性评价进行探索性研究。运用基于开源JavaScript语言的Cesium数据可视化平台，实现支持倾斜摄影osgb格式的Web三维实景模型数据管理引擎，开发依据层次分析原理的公路边坡危险性评价信息系统，实现公路边坡量化的危险性自动化评价的集成应用。
1. 研究区概况
1.1 研究区范围
研究区为沿黄公路吴堡县宋家川镇至清涧县王家河镇路段，长90 km （图1），地处黄河中游的晋陕大峡谷内，属于黄土堆积–侵蚀地貌。区内沿黄公路海拔为627～994 m，受黄河下蚀的强烈影响，年均降雨量约为444.1 mm，年平均气温为11.5 ℃，属于中温带亚干旱区。地质构造属于鄂尔多斯盆地Ⅰ级构造单元陕北台凹，地质构造简单。出露岩性主要为三叠系近水平产状的砂岩–泥岩互层（T3h），局部披覆浅层第四系黄土，露头部位的泥岩风化掏蚀严重，地层差异性风化强烈，节理裂隙发育。
![]()
图 1 沿黄公路吴堡-永和段路线位置图Figure 1. Location map of the Wubu-Yonghe section along the Yellow River Highway1.2 地质灾害类型
沿黄公路的危险性因素主要来自于切坡、桥隧建设等人类工程活动中，沿线形成了大量的切坡群，这些高陡切坡成为沿黄公路沿线地质灾害的主要危险源。自2017年8月通车以来，公路沿线地质灾害以崩塌最为高发，常见形式有风化剥落、掉块落石、倾倒、垮塌等（图2），对沿线游客及过往车辆威胁极大。因此，沿黄公路沿线边坡崩塌地质灾害的形成条件及触发因素主要有以下几点：①地形地貌：险峻且高陡的山坡是产生崩塌的基本条件，坡度一般大于45°，且以55°～75°居多。② 岩性：如石灰岩、花岗岩、砂岩、页岩等，厚层土体或硬岩覆盖在软弱岩层之上的陡壁最易发生崩塌。③地质构造：各种结构面（如层理面、断层面、劈理面、节理面）等。④ 气候条件：在干湿循环、温差较大的地区易发生崩塌。⑤ 触发因素：主要有暴雨、冻融、地震、人类工程活动等。
![]()
图 2 研究路段公路沿线地质灾害类型图Figure 2. Photos of geological hazard types of the Wubu-Yonghe section along the Yellow River Highway2. 数据采集及评价模型构建
2.1 控制点布设及测量
测区沿黄公路两侧各150 m呈条带状，区内多为丘陵及沟壑地形（图1、图3a）。为完全满足项目成图和建模需要，沿线形测区埋设基础测量控制点50个（以GP+二位流水号命名），其中国家B级GPS点1个，C级GPS点3个，国家I等水准点1个，新埋设控制点45个。采用GPS RTK测量法，对不同时段的控制点坐标进行抽检，平面位置和高程较差分别为≤0.027 m和0.038 m（表1），满足《卫星定位城市测量技术标准》（CJJ/T73-2019）技术规范要求。
表 1 基础控制点误差表Table 1. The error of the base control point点号 平面位置较差（m） 高程较差（m） x y h GP02 −0.014 0.027 0.038 GP14 −0.019 −0.019 0.034 GP27 −0.036 −0.020 −0.033 GP42 −0.006 0.027 −0.021 GP48 0.027 −0.023 −0.027 由于测区范围沿线固定构造物较少，为保证相控测量的精度，使用基于CORS系统GPS RTK网络技术，布设地面标靶进行像控点测量，每间隔1～1.5 km布设一对像片控制点，两个像片控制点间布设一个检查点，在航线末端和航线交接处加密布设1～2个像片控制点，共布设测量像片控制点109个（以P+三位流水号命名），检查点146（以J+三位流水号命名）。像片控制点三维坐标的多次测量互差不大于0.05 m时，取其坐标均值为该像片控制点的坐标。
2.2 倾斜摄影数据获取
2.2.1 无人机倾斜摄影
无人机倾斜摄影技术是在飞行平台上搭载多镜头传感器对地摄影，颠覆了正射影像只能从垂直角度拍摄的局限。倾斜摄影飞行任务采用纵横CW20、华测P330电动固定翼长航时无人机进行（表2），通过在吊舱上搭载睿铂D2、D2 Pro五相机（表3），同时从1个垂直、4个侧视（前后左右各倾斜45°）多个角度同时对地进行摄影测量，获得更为完整精确的近地高分辨率航测影像信息（王俊豪等, 2021），大大提升了数据采集的速度和效率。再配合三维建模软件可快速重构一定区域内的空间三维模型（刘伟等, 2020），并能够提取真实地物的位置、高度及外观尺寸等属性（贾虎军等, 2021）。
表 2 无人机性能参数表Table 2. UAV performance parameters无人机 纵横CW20 华测P330 机身长度 1.8 m 1.22 m 翼展 3.2 m 2.5 m 实用升限 4500 m6000 m起降方式 垂直起降 垂直起降 垂直方向定位精度 3 cm 2 cm+1 ppm 水平方向定位精度 1 cm+1 ppm 1 cm+1 ppm 巡航速度 100 km/h 75 km/h 续航时间 180 min 150 min 抗风能力 7 级 6 级 测控半径 35 km 15 km 最大起飞重量 25 kg 14 kg 表 3 倾斜摄影相机性能参数表Table 3. Performance parameters of tilt camera总有效像素 1.2亿 图像分辨率 6000 ×4000 传感器数量 5个 传感器尺寸 23.5 mm×15.6 mm 最小曝光间隔 2 s 焦距 D2：20 mm/35 mm
D2 Pro：25 mm/35 mm倾斜相机角度 45° 总重量 0.65 kg 存储器总容量 640 G 像元大小 3.9 μm 根据《数字航空摄影规范 第1部分：框幅式数字航空摄影》（GB/T 27920.1-2011）规范要求，计算相对航高不得高于717 m，需划分多个航摄分区多架次进行航飞。综合考虑摄区地形、地面分辨率要求（优于0.15 m）、测区周边情况，使用航线设计及飞管系统CWComman\Recorder软件进行航线规划（图3b）：确定航高700 m、航高差小于10 m；航线平行于沿黄公路，旁向间隔依地形起伏确定为180 m，航向基线长119 m，航线弯曲度小于1%；旁向、航向的最小重叠度分别为71.3%和70.9%，像片旋偏角小于15°；像片有效范围在航向上超出成图范围的基线均在两条以上，旁向覆盖超出摄区边界70%，确保全区航摄无漏洞。通过空域申请和航飞协调，根据测区的天气预报和航线设计情况，组织航摄飞行。本次航摄共飞行30个架次，飞行航线160条，航线总长为939.4 km，获取倾斜影像133,858张。
2.2.2 数据处理和三维实景制作
通过无人机倾斜摄影技术采集边坡三维影像数据，构建边坡三维实景模型（图4），从而提取公路边坡特征参数，为边坡危险性分析提供基础数据（陈宙翔等, 2019）。
（1） 数据处理：每架次飞行结束后，现场进行航摄数据进行检查，确保无漏片，无航摄漏洞、POS与相机曝光和设计一致性。使用SKY-Sliter软件对倾斜摄影得到的巨量数据导出，并进行自动识别、归类和匀色处理。使用无人机差分解算软件JOPPS对获取的数据进行解算，检查POS数据完整性、计算像控点和检查点，获取高精度POS数据。
（2） 三维建模：采用Smart 3D软件ContextCpture Center模块进行三维实景建模。模型制作具体过程主要包括无人机影像数据预处理、空三测量、多视影像密集匹配、三角网构建、纹理映射、自动赋纹理等进行初步处理，再根据像控点数据，利用DP-Model、3D-MAX等软件对实景三维进行局部修饰，如云、浓雾、水汽、水面漏洞、拉花以及路面起伏扭曲变形等，得到具有真实坐标精细化的三维实景模型（图5），利用空三加密成果，还可制作数字线划图（DLG）、数字高程模型（DEM）、正射影像图（DOM）和点云数据（图6）。根据《测绘成果质量检查与验收》（GB/T 24356-2009）规范，采用野外实测检测方法对测区的空三测量、三维实景模型、DLG、DEM及DOM平面/高程精度进行检查，其中误差见表4。
![]()
图 5 沿黄公路三维实景模型图（a）.三维重构建模；（b～d）.局部三维实景Figure 5. 3D Realistic model of Highway along the Yellow River![]()
图 6 倾斜摄影数据产品图（a）. DLG数据；（b）. DEM数据；（c）. DOM数据；（d）. 点云数据Figure 6. Tilt photography data products表 4 数据质量控制表Table 4. Data quality control项目 数据类别 检查点数（个） 平面中误差（m） 高程中误差（m） 空三测量 定向点残差 101 0.169～0.261 −0.260～0.279 多余控制点不符值较差 83 0.52～0.63 0.160～0.332 三维实景模型 154 ±0.038 ±0.026 数字产品 DLG 85 0.793 0.285 DEM 131 – ±0.343 DOM 130 0.163 – 三维实景模型以极高的分辨率对地表特征进行精细刻画和极佳的现势性表达（图5b～图5d），通过高精度、高清晰的实景三维模型可从宏观和细观两个层次对沿线公路沿线边坡进行地质灾害进行解译，宏观上可以对整个路段、整个斜坡体进行观察，细观上能够快捷地获得到边坡细节信息。通过高精度三维实景模型，可获取三维模型在CGCS 2000坐标系，1985国家高程基准，高斯–克吕格投影3°带中央经线111°基准的空间参数。因而，在室内便可对公路边坡的地形地貌、地质构造、岩性等特征信息进行详细统计，大大提高了灾害地质调查精度和效率，同时也避免了实地调查的危险性。
2.3 层次评价模型
2.3.1 层次分析法（AHP）
层次分析法（AHP）是托马斯·萨提（Thomas Saaty）提出的一种多目标决策的重要方法（Saaty, 2001），已在许多不同领域成功应用（王红杰等，2021；杨波等，2021；Panchal et al., 2022；赵银鑫等，2023）。层次分析法把需要解决的问题分为：目标层（A）、准则层（B）和方案层（C）3个层次（Saaty, 2008）。将问题按照主次关系分成有序的递阶层次结构，构建层次评价结构模型（冯卫等, 2021）。层次结构建立后，对准则层中的每两个因素（Bi、Bj （i, j = 1, 2, …, n））进行定性和定量分析比较，以Bij表示Bi对Bj的相对重要性，构造判断矩阵，Bij的取值及含义见表5。
表 5 判断矩阵Bij的取值及含义表Table 5. The value and meaning of judgment matrix BijBij的取值 含义 1 i和j同样重要 3 i和j稍微重要 5 i和j明显重要 7 i和j强烈重要 9 i和j极端重要 2, 4, 6, 8 表示上述相邻判断的中间值 倒数 若因素i和j的重要性之比为Bij，那么因素j与i的重要性之比Bji = 1/ Bij。 将目标层矩阵的各行向量进行几何平均（方根法），然后进行归一化，所得特征向量wi即为各判断因子的权重（唐亚明等, 2012a）。
$$ {\lambda _{\max }} = \sum\limits_{i = 1}^n {\left( {{{{A_i}} \mathord{\left/ {\vphantom {{{A_i}} {n{W_i}}}} \right. } {n{W_i}}}} \right)} $$ (1) 式中：λmax为矩阵的最大特征根；Ai是向量A的第i个因子；Wi表示第i个因子的权重；n是判断矩阵的阶数。判断因子的权重是否合理，还需要利用随机一致性指数（CI）和随机一致性比率（CR），检验判断矩阵的偏差一致性和综合随机性。
$$ CR = {{CI} \mathord{\left/ {\vphantom {{CI} {RI}}} \right. } {RI}} $$ (2) 式中：$ CI = \dfrac{{{\lambda _{\max }} - n}}{{n - 1}} $为判断矩阵的一致性指标，CI越接近于0，一致性越好，CI越大，一致性越差； RI为平均随机一致性指标，其取值见表6。如果CR＜0.1，则认为该判断矩阵通过一致性检验，否则，需要根据实际情况调整判断矩阵，直到达到标准，才能继续验证结果（Panchal et al., 2022）。
表 6 平均随机一致性指标（RI）取值表Table 6. Values of average random consistency index (RI)n 3 4 5 6 7 8 9 10 RI 0.52 0.89 1.12 1.24 1.32 1.41 1.46 1.49 2.3.2 评价因子的选取、权重确定及评分赋值
（1）评价因子的选取：由于公路边坡的危险性影响因素众多（Ding et al., 2020），地质灾害的发生往往是众多因素耦合的结果。根据沿黄公路边坡危险性因素分析，触发地质灾害发生的因素有3类，分别是地震、降雨和人类活动。由于地震和降雨属于区域性的统一影响因素，很难在相邻的斜坡单元上体现个体差异，不宜选作评价指标（唐亚明等, 2012a， 2012b）。而人类工程活动对黄公路边坡的影响作用主要体现在不同斜坡单元其切坡参数各不相同，最直观的就是坡度、坡高、路-坡距以及节理密度。强烈的工程切坡不仅改变了原始地形地貌，同时也加剧了岩体原生地质构造（如节理、层理、劈理等非连续变形构造）进一步变形和变位，并产生大量次生构造，客观上增加地质灾害发生的可能性。因此，参考现行标准、规范和指南，由于沿黄公路地质构造及岩性条件和工程扰动因素，选择坡度（取斜坡单元的平均坡度，B1）、坡高（取斜坡单元最高点与最低点的差值，B2）、路–坡距离（取斜坡单元距离路缘的平均距离，B3）、节理密度（取斜坡单元内节理面密度，B4）等4个因子作为危险性评价指标，建立沿黄公路边坡危险性层次分析法模型（图7）。
（2）权重的确定：为了量化各判别因子的权重，根据沿黄公路边坡的实际情况，结合专家实地考察意见，采用层次分析法结合专家经验分析确定各评价因子的权重。使用1～9标度法确定各判别因子之间的相对重要性并赋值，从而得到公路边坡危险性评价的判断矩阵A-B（表7）。
表 7 构造A-B判断矩阵表Table 7. Construction of A-B judgment matrixA B1 B2 B3 B4 Wi λmax CR B1 7 3 1 2 0.489 4.109 0.007 B2 5 2 1/2 1 0.288 B3 3 1 1/3 1/2 0.162 B4 1 1/3 1/7 1/5 0.060 $$\begin{split}\\[-2pt] CR = \frac{{CI}}{{RI}} \end{split} $$ (3) 由已知得，RI=0.89，CI=
0.00064 ，计算得CR=0.007 ＜0.1，表明判断矩阵两两比较的一致性水平合理，足以识别沿黄公路边坡危险性模型中的因子权重。坡度的权重为0.489、节理密度的权重为0.288和坡高的权重为0.162是研究区域的重要参数，而路-坡距的重要性较低（表6）。（3）评价因子赋值：公路边坡地质灾害危险性指标GDHI （Geological Disaster Hazard Index）是在加权每个评估因子权重Wi与其评分赋值ai的积，反映每个方案层的发生概率。其数学模型如下，
$$ GDHI = \sum\limits_{i = 1}^n {{W_i}} {a_i} （i=1, 2, 3, \cdots , n） $$ (4) 其中，评价因子的赋值ai是根据三维实景模型的解译值采用线性插值法依据评分赋值表8计算获得。评分赋值表依据专家系统法收集调查而设置的，赋值越高，表示该等级的边坡危险性越大。
表 8 评价因子评分赋值表Table 8. Evaluation factor score assignment table路-坡距 坡高 坡度 节理密度 路–坡距（ m） 分值 平均坡高（m） 分值 平均坡度（°） 分值 基岩边坡
（条/m2）黄土边坡
（条/m2）分值 [0～0.5） （90～100] [0～2） [0～10） [0～5） [0～10） [0～2） [0.01～0.05） [0～10） [0.5～1） （80～90] [2～5） [10～20） [5～10） [10～20） [2～4） [0.05～0.1） [10～20） [1～2） （70～80] [5～10） [20～30） [10～20） [20～30） [4～7） [0.1～0.2） [20～30） [2～3） （60～70] [10～15） [30～40） [20～30） [30～40） [7～10） [0.2～0.3） [30～40） [3～4） （50～60] [15～20） [40～50） [30～40） [40～50） [10～15） [0.3～0.5） [40～50） [4～5） （40～50] [20～25） [50～60） [40～50） [50～60） [15～20） [0.5～1.0） [50～60） [5～10） （30～40] [25～30） [60～70） [50～60） [60～70） [20～25） [1.0～1.5） [60～70） [10～15） （20～30] [30～40） [70～80） [60～70） [70～80） [25～30） [1.5～2.0） [70～80） [15～30） （10～20] [40～50） [80～90） [70～80） [80～90） [30～35） [2～5） [80～90） [30～50） （0～10] [50～80） [90～100） [80～90） [90～100） [35～40） [5～10） [90～100） ≥50 m 0 ≥80 100 反倾 100 40以上 10以上 100 2.3.3 危险性等级划分
地质灾害危险性指标（GDHI）以斜坡单元表示危险性评价结果，按照地质灾害危险性指标（GDHI）划分相应的危险性级别。根据相似性原则将评价区边坡危险性划分为V（极高）、IV（高）、III（中）、II（低）、I（极低）5级，对应地质灾害危险性指标（GDHI）区间分别为[0-20]，（20-40]，（40-60]，（60-80]，（80-100]，地质灾害危险性指标（GDHI）与危险等级的对应关系如表9所示。
表 9 危险评分与危险等级的对应关系Table 9. Correspondence of risk value and risk grade危险值R [0-20] （20-40] （20-60] （60-80] （80-100] 危险等级Rg I （极低） II （低） III （中） IV （高） V （极高） 2.4 危险性评价系统平台架构
该系统采用如图8所示的分层架构设计，整个系统分为基础设施层（硬件层、虚拟化层）、核心系统层（软件层、GIS核心层）、客户应用层3个层次。平台前端采用轻量化设计，后端引入虚拟化技术，以充分发挥硬件设备的计算能力，增强系统的容错性、可扩展性，也使得整个系统具备向云端扩展的能力。
![]()
图 8 沿黄公路边坡危险性评价系统框架图Figure 8. Frame diagram of the risk assessment system for slopes along the Yellow River Highway（1）基础设施层：由计算/存储/网络基础设施和基于硬件辅助的虚拟化层构成，可分为物理硬件资源池和虚拟资源池两部分。
（2）核心系统层：为GIS服务器的核心组件，提供倾斜摄影osgb数据基于Cesium-Web三维实景模型服务加载、可视化应用（图9）、模型管理及核心地理信息服务（WMS/WFS/WPS）的GIS系统，以及基于PostgreSQL扩展的地理信息数据存储管理系统、自主开发的认证权限管理、运维及安全系统。
（3）客户应用层：基于核心服务层提供解决方案的应用（图10），主要包括三维边坡属性管理、三维边坡危险性评价以及运维管理子系统，实现数据源、地理地图、空间/属性数据编辑、管理，三维边坡模型分析以及用户权限、审计日志等功能。
![]()
图 10 地质灾害综合信息系统Web端展示图Figure 10. Web terminal of geological disaster comprehensive information system整个系统的关键是核心系统层和应用层，两者之间的职责分配遵循策略和机制分离原则，核心系统组件层提供原子性机制操作，在客户应用层中实现策略性封装为用户提供最终功能。
3. 危险性评价系统的应用与结果分析
3.1 评价因子解译及其信息提取
准确识别地质灾害体并确定其具体特征是科学评估地质灾害隐患危险性的重要前提（Ferrero et al., 2010; 贾虎军等, 2021; Tang et al., 2022），因此评价因子要具有可识别性（能够解译）、可度量性（定量度量）。针对沿黄公路边坡，充分考虑地形及地层出露条件，采用高分辨率影像构建的三维精细化实景三维模型、DLG、DEM和DOM及点云数据参数对地质灾害隐患体信息进行采集，也可以通过空间参数计算出地质灾害体的面积和体积大小等数据。
3.1.1 划分斜坡单元
沿黄公路沿线斜坡，短则几米，长则数千米，特别是过长的斜坡如果作为一个评价单元，其危险性评价结果会变得不可靠。因此对于评价单元的划分，确定两个基本原则：①自然或人工切削形成的大型岩质或黄土单体边坡，可单独作为评价单元（图11a）。②对于属性一致的连续不间断的长边坡，以长200 m左右分割形成多个评价单元（图11b）。考虑斜坡的完整性，斜坡单元的顶端至切坡带或者第一道分水岭，坡脚至公路内侧路缘。
![]()
图 11 沿黄公路斜坡单元划分图（a）.独立边坡；（b）.过长边坡Figure 11. Slope unit division of Highway along the Yellow River3.1.2 边坡特征信息提取
根据斜坡单元划分原则，对沿黄公路三维实景模型边坡进行室内解译，通过系统平台的Gis核心层即可提取路-坡距、坡度、坡高、节理密度等评价因子参数（图12）。
坡度是影响崩塌、落石发生的重要因素之一，它对崩滑的发生具有控制性作用（唐亚明等, 2012b）。因切坡造成岩土体应力释放，抗剪强度降低，进而影响斜坡的稳定性。一般来说，斜坡坡度越陡，发生崩塌的可能性就越大（唐亚明等, 2012b; 王萌等, 2014）。从图13中可以看出，该路段边坡坡度从平缓到非常陡峭不等，坡度大于45°占比达90%。因斜坡高陡，岩土体稳定较差，按10°的间隔将斜坡进行分类（表7）（王萌等, 2014），作为斜坡危险性的评价指标。
![]()
图 13 研究路段公路边坡坡度统计图Figure 13. Statistics of highway slope gradient of the study section图14为研究路段斜坡坡高统计结果，这里坡高是指公路内测路缘至边坡坡顶高程的差值。由于公路边坡切坡扰动，坡角会形成应力集中，使坡体的稳定性降低（王萌等, 2014）。因而斜坡越高陡，产生地质灾害的危险性程度越高，坡高对边坡稳定性有着重要作用和影响，但又没有坡度的影响显著。从边坡高度来说，研究路段边坡低边坡占比55.34%，高边坡占比42.53%，特高边坡占比2.13%；从物质组成来看，土质边坡（475个）、岩质边坡（151个）、二元结构边坡（黄土+基岩边坡30个）等。地层岩性是崩塌灾害发生的基础，可以控制崩塌灾害的发育并为其提供物质来源，不同岩性的地层由于其本身物理化学特性可以对崩塌灾害发育做出不同的贡献（王萌等, 2014）。对于本研究的二元结构边坡来说，相对于下层基岩，上覆的晚更新世或全新世黄土其结构性差、强度低，更易产生滑塌灾害，因此这里将二元结构斜坡纳入土质边坡进行统计。按表7的坡高区间将斜坡进行分类，作为斜坡危险性的评价指标。
![]()
图 14 研究路段公路边坡坡高统计图（a）.土质边坡；（b）.岩质边坡Figure 14. Statistics on the slope height of the highway in the research section节理密度又称节理频度（frequency of joints），通常指单位长度（或面积）内的节理数，是用来衡量节理发育程度的标志。本研究采用节理面密度来描述边坡表面岩土体的破碎程度，通过三维实景模型提取的斜坡节理数和斜坡单元的面积即可获取（图15）。在工程地质中，节理密度与岩土体的稳定性息息相关，节理越密集，表明岩土体越破碎，进而导致岩土体的稳定性越差，可以说断续节理的密度控制着岩土体的稳定性（刘刚等, 2007）。在道路施工过程中，开挖活动对自然边坡造成了破坏（Panchal et al., 2022）。
公路距边坡的距离也是其危险性评价的一个重要参数，公路距边坡越近，其遭受地质灾害的危险性就越大。从图16a可以看出，研究路段的边坡95%以上路–坡距离在5 m以内，而1～3 m的路–坡距又占到56.5%（图16b），这是因为受该地区地形限制，公路修筑必须切坡，进而形成大量紧贴公路高陡的边坡，因而考虑路-坡距作为的评价指标。
![]()
图 16 路-坡距统计分析图（a）.路-坡距数量统计；（b）.路-坡距区间分布Figure 16. Statistical analysis of road-slope distance3.2 危险性层次评价结果与ROC验证
应用沿黄公路边坡危险性评价系统总计评价斜坡656个（图17），公路边坡地质灾害危险性指数（GDHI）为23.22～84.90。层次评价结果显示，极低危险斜坡0个；低危险斜坡23个，占比为3.51%；中危险斜坡405个，占比为61.74%；高危险斜坡210个，占比为32.01%；极高危险斜坡18个，占比为2.74%（图18a）。
![]()
图 17 沿黄公路边坡危险性评价可视化成果（局部视野）展示图Figure 17. Visualization results of risk assessment of slopes along the Yellow Rever Highway (partial view)![]()
图 18 危险性评价结果及ROC检验图（a）.危险性等级统计；（b）.ROC校验Figure 18. Risk assessment results and ROC test可以看出，研究路段的基岩边坡和黄土边坡均以中、高危险性为主（图18a），二元结构的基岩+黄土型边坡绝大多数处于高危险等级。而极高危险等级以高陡的黄土边坡最为显著，其坡度均在51°以上，往往也是节理大量发育的边坡，其节理密度范围为10～42条/m2，坡高以高边坡和特高边坡为主。
验证评价结果的准确性和可靠性至关重要，因为公路边坡危险性评价是减轻潜在地质灾害的影响以及未来防灾减灾的关键要素。有许多科学方法可用于验证公路边坡灾害评价结果，而接受者操作特性曲线（ROC）和曲线下面积（AUC）是公路边坡危险性评价研究中最常用的（Pal et al., 2019; Panchal et al., 2022）。如果AUC接近1，则评价结果越好；AUC值小于0.5，这意味着评价结果不可靠。
为了验证边坡危险性评价的敏感性，通过实地调查绥德县、清涧县沿黄公路的51个斜坡与系统平台评价的斜坡危险性进行比较来评估模型的准确性和可靠性。图18b是使用Origin软件绘制的ROC曲线，曲线下面积AUC为
0.8545 ，预测准确率为85.45%，置信水平为95%。AUC值表明，本研究中公路边坡危险性评价的结果可靠性良好。4. 结论
（1）本次开发的系统平台集成了公路边坡危险性评价完整的工作步骤，以倾斜摄影三维实景地质信息提取代替传统的人工野外调查，实现计算及分析评价结果的可视化呈现，缩短了评价周期，提升了工作效率，推进地质调查数字化转型。
（2）基于无人机倾斜摄影技术构建的Cesium-Web三维实景模型，获取DLG、DEM、DOM及点云等高精度多维数据，可定量提取坡度、坡高、节理密度和路–坡距等微地形地貌数据，说明对于地形起伏较大、通视性差、人工难于到达的高陡边坡，可采用该技术实现地质信息准确、高效的数字化调查。
（3）针对本研究路段的公路边坡，本研究考虑了坡度、坡高、节理密度和路–坡距等主要影响因素，根据层次分析法构建了评价指标体系，确定了各指标的权重和评价准则，共计评价边坡656个，其中极低危险边坡0个，低危险边坡23个，中危险边坡405个，高危险边坡210个，极高危险边坡18个。本研究得到的评价结果与实地调查结果吻合较好，表明笔者建立的公路边坡危险性评价体系准确高效，可为相关管理部门提供决策建议，为路线边坡地质灾害的防治工作提供保障。
（4）基于3D实景模型和AHP边坡危险性评价系统是一种新的公路边坡调查评价方法。因此，下一步工作是进一步讨论笔者建立的危险性评价系统的优缺点，并研究更有效确定主要影响因素和权重的方法，以及拓展本系统在不同地质背景中的应用，从而使本研究提出的危险性评估体系广泛适用于更多类型的地质或工程风险评估工作。
-
![]()
图 1 沿黄公路吴堡-永和段路线位置图
Figure 1. Location map of the Wubu-Yonghe section along the Yellow River Highway
![]()
图 2 研究路段公路沿线地质灾害类型图
Figure 2. Photos of geological hazard types of the Wubu-Yonghe section along the Yellow River Highway
![]()
图 5 沿黄公路三维实景模型图
（a）.三维重构建模；（b～d）.局部三维实景
Figure 5. 3D Realistic model of Highway along the Yellow River
![]()
图 6 倾斜摄影数据产品图
（a）. DLG数据；（b）. DEM数据；（c）. DOM数据；（d）. 点云数据
Figure 6. Tilt photography data products
![]()
图 8 沿黄公路边坡危险性评价系统框架图
Figure 8. Frame diagram of the risk assessment system for slopes along the Yellow River Highway
![]()
图 10 地质灾害综合信息系统Web端展示图
Figure 10. Web terminal of geological disaster comprehensive information system
![]()
图 11 沿黄公路斜坡单元划分图
（a）.独立边坡；（b）.过长边坡
Figure 11. Slope unit division of Highway along the Yellow River
![]()
图 13 研究路段公路边坡坡度统计图
Figure 13. Statistics of highway slope gradient of the study section
![]()
图 14 研究路段公路边坡坡高统计图
（a）.土质边坡；（b）.岩质边坡
Figure 14. Statistics on the slope height of the highway in the research section
![]()
图 16 路-坡距统计分析图
（a）.路-坡距数量统计；（b）.路-坡距区间分布
Figure 16. Statistical analysis of road-slope distance
![]()
图 17 沿黄公路边坡危险性评价可视化成果（局部视野）展示图
Figure 17. Visualization results of risk assessment of slopes along the Yellow Rever Highway (partial view)
![]()
图 18 危险性评价结果及ROC检验图
（a）.危险性等级统计；（b）.ROC校验
Figure 18. Risk assessment results and ROC test
表 1 基础控制点误差表
Table 1 The error of the base control point
点号 平面位置较差（m） 高程较差（m） x y h GP02 −0.014 0.027 0.038 GP14 −0.019 −0.019 0.034 GP27 −0.036 −0.020 −0.033 GP42 −0.006 0.027 −0.021 GP48 0.027 −0.023 −0.027 
下载: 导出CSV
表 2 无人机性能参数表
Table 2 UAV performance parameters
无人机 纵横CW20 华测P330 机身长度 1.8 m 1.22 m 翼展 3.2 m 2.5 m 实用升限 4500 m6000 m起降方式 垂直起降 垂直起降 垂直方向定位精度 3 cm 2 cm+1 ppm 水平方向定位精度 1 cm+1 ppm 1 cm+1 ppm 巡航速度 100 km/h 75 km/h 续航时间 180 min 150 min 抗风能力 7 级 6 级 测控半径 35 km 15 km 最大起飞重量 25 kg 14 kg
下载: 导出CSV
表 3 倾斜摄影相机性能参数表
Table 3 Performance parameters of tilt camera
总有效像素 1.2亿 图像分辨率 6000 ×4000 传感器数量 5个 传感器尺寸 23.5 mm×15.6 mm 最小曝光间隔 2 s 焦距 D2：20 mm/35 mm
D2 Pro：25 mm/35 mm倾斜相机角度 45° 总重量 0.65 kg 存储器总容量 640 G 像元大小 3.9 μm
下载: 导出CSV
表 4 数据质量控制表
Table 4 Data quality control
项目 数据类别 检查点数（个） 平面中误差（m） 高程中误差（m） 空三测量 定向点残差 101 0.169～0.261 −0.260～0.279 多余控制点不符值较差 83 0.52～0.63 0.160～0.332 三维实景模型 154 ±0.038 ±0.026 数字产品 DLG 85 0.793 0.285 DEM 131 – ±0.343 DOM 130 0.163 –
下载: 导出CSV
表 5 判断矩阵Bij的取值及含义表
Table 5 The value and meaning of judgment matrix Bij
Bij的取值 含义 1 i和j同样重要 3 i和j稍微重要 5 i和j明显重要 7 i和j强烈重要 9 i和j极端重要 2, 4, 6, 8 表示上述相邻判断的中间值 倒数 若因素i和j的重要性之比为Bij，那么因素j与i的重要性之比Bji = 1/ Bij。
下载: 导出CSV
表 6 平均随机一致性指标（RI）取值表
Table 6 Values of average random consistency index (RI)
n 3 4 5 6 7 8 9 10 RI 0.52 0.89 1.12 1.24 1.32 1.41 1.46 1.49
下载: 导出CSV
表 7 构造A-B判断矩阵表
Table 7 Construction of A-B judgment matrix
A B1 B2 B3 B4 Wi λmax CR B1 7 3 1 2 0.489 4.109 0.007 B2 5 2 1/2 1 0.288 B3 3 1 1/3 1/2 0.162 B4 1 1/3 1/7 1/5 0.060
下载: 导出CSV
表 8 评价因子评分赋值表
Table 8 Evaluation factor score assignment table
路-坡距 坡高 坡度 节理密度 路–坡距（ m） 分值 平均坡高（m） 分值 平均坡度（°） 分值 基岩边坡
（条/m2）黄土边坡
（条/m2）分值 [0～0.5） （90～100] [0～2） [0～10） [0～5） [0～10） [0～2） [0.01～0.05） [0～10） [0.5～1） （80～90] [2～5） [10～20） [5～10） [10～20） [2～4） [0.05～0.1） [10～20） [1～2） （70～80] [5～10） [20～30） [10～20） [20～30） [4～7） [0.1～0.2） [20～30） [2～3） （60～70] [10～15） [30～40） [20～30） [30～40） [7～10） [0.2～0.3） [30～40） [3～4） （50～60] [15～20） [40～50） [30～40） [40～50） [10～15） [0.3～0.5） [40～50） [4～5） （40～50] [20～25） [50～60） [40～50） [50～60） [15～20） [0.5～1.0） [50～60） [5～10） （30～40] [25～30） [60～70） [50～60） [60～70） [20～25） [1.0～1.5） [60～70） [10～15） （20～30] [30～40） [70～80） [60～70） [70～80） [25～30） [1.5～2.0） [70～80） [15～30） （10～20] [40～50） [80～90） [70～80） [80～90） [30～35） [2～5） [80～90） [30～50） （0～10] [50～80） [90～100） [80～90） [90～100） [35～40） [5～10） [90～100） ≥50 m 0 ≥80 100 反倾 100 40以上 10以上 100
下载: 导出CSV
表 9 危险评分与危险等级的对应关系
Table 9 Correspondence of risk value and risk grade
危险值R [0-20] （20-40] （20-60] （60-80] （80-100] 危险等级Rg I （极低） II （低） III （中） IV （高） V （极高）
下载: 导出CSV
-
陈志华, 张俊贤, 张克铭, 等. 云南高速公路无人机倾斜摄影测量实景三维模型建立方法改进及精度提高[J]. 测绘通报, 2019（S1）: 275−279. doi: 10.13474/j.cnki.11-2246.2019.0564 CHEN Zhihua, ZHANG Junxian, ZHANG Keming, et al. The improved method and accuracy of the establishment of three-dimensional model of UAV tilt photogrammetry scene in Yunnan expressway[J]. Bulletin of Surveying and Mapping,2019(S1):275−279. doi: 10.13474/j.cnki.11-2246.2019.0564
陈宙翔, 叶咸, 张文波, 等. 基于无人机倾斜摄影的强震区公路高位危岩崩塌形成机制及稳定性评价[J]. 地震工程学报, 2019, 41（1）: 257−267. doi: 10.3969/j.issn.1000-0844.2019.01.257 CHEN Zhouxiang, YE Xian, ZHANG Wenbo, et al. Formation Mechanism Analysis and Stability Evalluationof Dangerous Rock Collapses Based on the Oblique Photography by Unmanned Aerial Vehicles[J]. China Earthquake Engineering Journal,2019,41(1):257−267. doi: 10.3969/j.issn.1000-0844.2019.01.257
崔溦, 谢恩发, 张贵科, 等. 利用无人机技术的高陡边坡孤立危岩体识别[J]. 武汉大学学报·信息科学版, 2021, 46（6）: 836−843. CUI Wei, XIE Enfa, ZHANG Guike, et al. Identification of Isolated Dangerous Rock Mass in High and Steep Slope Using Unmanned Aerial Vehicle[J]. Geomatics and Information Science of Wuhan University,2021,46(6):836−843.
冯卫, 唐亚明, 马红娜, 等. 基于层次分析法的咸阳市多灾种自然灾害综合风险评价[J]. 西北地质, 2021, 54（2）: 282−288. FENG Wei, TANG Yaming, MA Hongna, et al. Comprehensive Risk Assessment of Multi-hazard Natural Disasters in Xianyang City Based on AHP[J]. Northwestern Geology,2021,54(2):282−288.
郝瑀然. 中国公路总里程已达528万公里[N]. 北京: 新华社, 2022-04-26 HAO Yuran. The total mileage of highways in China has reached 5.28 million kilometers[N]. Beijing: The Xinhua News Agency, 2022-04-26.
贾虎军, 王立娟, 范冬丽. 无人机载LiDAR和倾斜摄影技术在地质灾害隐患早期识别中的应用[J]. 中国地质灾害与防治学报, 2021, 32（2）: 60−65. JIA Hujun, WANG Lijuan, FAN Dongli. The application of UAV LiDAR and tilt photography in the early identification of geo-hazards[J]. The Chinese Journal of Geological Hazard and Control,2021,32(2):60−65.
梁涛, 王浩, 泮俊, 等. 公路边坡风险评估软件RASlope的研发与应用[J]. 中国地质灾害与防治学报, 2016, 27（1）: 62−70. LIANG Tao, WANG Hao, PAN Jun, et al. Development and application of software RASlope for highway slope risk assessment[J]. The Chinese Journal of Geological Hazard and Control,2016,27(1):62−70.
廖斌, 杨根兰, 覃乙根, 等. 基于无人机技术的高陡危岩体参数获取及稳定性评价[J]. 路基工程, 2021, 217（4）: 24−29. LIAO Bin, YANG Genlan, QIN Yigen, et al. Parameter Acquisition and Stability Evaluation of High and Steep Dangerous Rock Mass Based on UAV[J]. Subgrade Engineering,2021,217(4):24−29.
廖小平, 徐风光, 蔡旭东, 等. 香丽高速公路边坡地质灾害发育特征与易发性区划[J]. 中国地质灾害与防治学报, 2021, 32（5）: 121−129. LIAO Xiaoping, XU Fengguang, CAI Xudong, et al. Development characteristics and susceptibality zoning of slope geological hazards in Xiangli expressway[J]. The Chinese Journal of Geological Hazard and Control,2021,32(5):121−129.
刘刚, 赵坚, 宋宏伟, 等. 节理密度对围岩变形及破坏影响的试验研究[J]. 岩土工程学报, 2007, 29（11）: 1737−1741. LIU Gang, ZHAO Jian, SONG Hongwei, et al. Physical modelling of effect of joint density on deformation and failure of surrounding rocks[J]. Chinese Journal of Geotechnical Engineering,2007,29(11):1737−1741.
刘伟, 翟斌斌, 刘燃, 等. 无人机倾斜航空摄影在三维实景建模中的应用[J]. 地理空间信息, 2020, 18（1）: 45−46+8. LIU Wei, ZHAI Binbin, LIU Ran, et al. Application of Unmanned Aerial Vehicle Oblique Photography in Real 3D Modeling[J]. Geospatial Information,2020,18(1):45−46+8.
刘洋洋, 郭增长, 李永强, 等. 基于熵权集对分析和车载激光扫描的公路边坡危险性评价模型[J]. 岩土力学, 2018, 39（S2）: 131−141+156. LIU Yangyang, GUO Zengzhang, LI Yongqiang, et al. Risk assessment model of highway slope based on entropy weight set pair analysis and vehicle laser scanning[J]. Rock and Soil Mechanics,2018,39(S2):131−141+156.
吕权儒, 曾斌, 孟小军, 等. 基于无人机倾斜摄影技术的崩塌隐患早期识别及影响区划分方法[J]. 地质科技通报, 2021, 40（6）: 313−325. LÜ Quanru, ZENG Bin, MENG Xiaojun, et al. Early identification and influence range division method of collapse hazards based on UAV oblique photography technology[J]. Bulletin of Geological Science and Technology,2021,40(6):313−325.
唐亚明, 程秀娟, 薛强, 等. 基于层次分析法的黄土滑塌风险评价指标权重分析[J]. 中国地质灾害与防治学报, 2012a, 23（4）: 40−46. TANG Yaming, CHENG Xiujuan, XUE Qiang, et al. Weights analysis of Loess collapse risk assessing factors based on analytical hierarchy process[J]. The Chinese Journal of Geological Hazard and Control,2012a,23(4):40−46.
唐亚明, 薛强, 毕俊擘, 等. 陕北黄土崩塌灾害风险评价指标体系构建[J]. 地质通报, 2012b, 31（6）: 979−988. TANG Yaming, XUE Qiang, BI Junbo, et al. The construction of factors for assessing the risk of collapse at loess slopes in northern Shaanxi Province[J]. Geological Bulletin of China,2012b,31(6):979−988.
田媛, 巨能攀, 解明礼, 等. 滑坡编录表达模式对易发性评价结果的影响[J]. 成都理工大学学报(自然科学版), 2022, 49（5）: 606−615. TIAN Yuan, JU Nengpan, XIE Mingli, et al. Analysis of the impact of landslide cataloguing expression patterns on the evaluation results of landslide susceptibility[J]. Journal of Chengdu University of Technology (Science & Technology Edition),2022,49(5):606−615.
王红杰, 卞孝东, 邓晓伟, 等. 基于模糊数学理论的煤矿地下空间开发利用适宜性评价——以白源煤矿为例[J]. 西北地质, 2021, 54（4）: 156−170. WANG Hongjie, BIAN Xiaodong, DENG Xiaowei, et al. Suitability Evaluation of Underground Space Development and Utilization of Coal Mine Based on Fuzzy Mathematics Theory: Taking Baiyuan Coal Mine as an Example[J]. Northwestern Geology,2021,54(4):156−170.
王俊豪, 魏云杰, 梅傲霜, 等. 基于无人机倾斜摄影的黄土滑坡信息多维提取与应用分析[J]. 中国地质, 2021, 48（2）: 388−401. WANG Junhao, WEI Yunjie, MEI Aoshuang, et al. Multidimensional extraction of UAV tilt photography-based information of loess landslide and its application[J]. Geology in China,2021,48(2):388−401.
王萌, 何思明, 张小刚. S210线芦山-宝兴段崩塌灾害危险性分析及防治对策建议[J]. 中国地质灾害与防治学报, 2014, 25（3）: 101−106. WANG Meng, HE Siming, ZHANG Xiaogang. Study on S210 line Lushan-Baoxing segment collapse hazard assessment and control measures[J]. The Chinese Journal of Geological Hazard and Control,2014,25(3):101−106.
谢金, 杨根兰, 覃乙根, 等. 基于无人机与Rockfall的危岩体结构特征识别与运动规律模拟[J]. 河南理工大学学报(自然科学版), 2021, 40（1）: 55−64. XIE Jin, YANG Genlan, QIN Yigen, et al. Structural feature recognition and motion law simulation of dangerous rock mass based on UAV and Rockfall[J]. Journal of Henan Polytechnic University (Natural Science),2021,40(1):55−64.
杨波, 管后春, 杨潘, 等. 基于三维GIS的第四系古河道沉积区工程建设适宜性评价研究[J]. 西北地质, 2021, 54（3）: 244−252. YANG Bo, GUAN Houchun, YANG Pan, et al. Research on 3D GIS-Based Suitability Evaluation of Engineering Construction of the Quaternary Paleo-channel Sedimentary Area[J]. Northwestern Geology,2021,54(3):244−252.
姚富潭, 吴明堂, 董秀军, 等. 基于贴近摄影测量技术的高陡危岩体结构面调查方法[J]. 成都理工大学学报(自然科学版), 2023, 50（2）: 218−228. YAO Futan, WU Mingtang, DONG Xiujun, et al. Investigation method of discontinuity in high and steep dangerous rock mass based on nap of the object photogrammetry[J]. Journal of Chengdu University of Technology (Science & Technology Edition),2023,50(2):218−228.
赵银鑫, 公亮, 吉卫波, 等. 宁夏银川市浅层地温能赋存条件和开发利用潜力评价[J]. 西北地质, 2023, 56（5）: 172−184. ZHAO Yinxin, GONG Liang, JI Weibo, et al. Conditions for the Occurrence and Development and Utilization Potential Evaluation of Shallow Geothermal Energy in Yinchuan City, Ningxia[J]. Northwestern Geology,2023,56(5):172−184.
周福军. 高原复杂山区铁路无人机倾斜摄影勘察技术应用研究[J]. 铁道标准设计, 2021, 65（6）: 1−5. ZHOU Fujun. Application of Unmanned Aerial Vehicle Oblique Photography Survey Technology for Railway in Complex Plateau Mountain Area[J]. Railway Standard Design,2021,65(6):1−5.
Abdelkarim A, Al-Alola S S, Alogayell H M, et al. Integration of GIS-Based Multicriteria Decision Analysis and Analytic Hierarchy Process to Assess Flood Hazard on the Al-Shamal Train Pathway in Al-Qurayyat Region, Kingdom of Saudi Arabia[J]. Water,2020(12):1702.
Cheng M L, Matsuoka M. Extracting three-dimensional (3D) spatial information from sequential oblique unmanned aerial system (UAS) imagery for digital surface modeling[J]. International Journal of Remote Sensing,2020(42):1643−1663.
Ding Y, Wang P, Liu X, et al. Risk assessment of highway structures in natural disaster for the property insurance[J]. Natural Hazards,2020(104):2663−2685.
Du Y, Sheng Q, Fu X, et al. Risk evaluation of colluvial cutting slope based on fuzzy analytic hierarchy process and multilevel fuzzy comprehensive evaluation[J]. Journal of Intelligent & Fuzzy Systems,2019(37):4253−4271.
Fan W, Wei X S, Cao Y B, et al. Landslide susceptibility assessment using the certainty factor and analytic hierarchy process[J]. Journal of Mountain Science,2017(14):906−925.
Ferrero A M, Migliazza M, Roncella R, et al. Rock slopes risk assessment based on advanced geostructural survey techniques[J]. Landslides,2010(8):221−231.
Gregory Lederer M. Nadir and Oblique Uav Photogrammetry Techniques for Quantitative Rock Fall Evaluation in the Rimrocks of South-Central Montana[D], Montana: Montana Technology. 2020.
Guo B, Chen Z X, Zhang M, et al. Risk Assessment Index System for Soil-Similar Slopes and Application in Highway Engineering[C]. In "CICTP 2019: Transportation in China—Connecting the World", Nanjing, China. 2019, 799-810.
Hepdeniz K. Using the analytic hierarchy process and frequency ratio methods for landslide susceptibility mapping in Isparta-Antalya highway (D-685), Turkey[J]. Arabian Journal of Geosciences,2020(13):795.
Li A J, Khoo S, Lyamin A V, et al. Rock slope stability analyses using extreme learning neural network and terminal steepest descent algorithm[J]. Automation in Construction,2016(65):42−50.
Myronidis D, Papageorgiou C, Theophanous S. Landslide susceptibility mapping based on landslide history and analytic hierarchy process (AHP)[J]. Natural Hazards,2015(81):245−263.
Oboni F, Oboni C H. Holistic geoethical slope portfolio risk assessment[J]. Geological Society, London, Special Publications,2020(508):225−243.
Pal S C, Das B, Malik S. Potential Landslide Vulnerability Zonation Using Integrated Analytic Hierarchy Process and GIS Technique of Upper Rangit Catchment Area, West Sikkim, India[J]. Journal of the Indian Society of Remote Sensing,2019(47):1643−1655.
Panchal S, Shrivastava A K. Landslide hazard assessment using analytic hierarchy process (AHP): A case study of National Highway 5 in India[J]. Ain Shams Engineering Journal,2022(13):101626.
Qiang Y, Wang G, Li R, et al. Risk assessment of geological hazards in mountain town scale based on FLO-2D and GIS[J]. IOP Conference Series: Earth and Environmental Science,2021(861):052042.
Rashid B, Iqbal J, Su L J. Landslide susceptibility analysis of Karakoram highway using analytical hierarchy process and scoops 3D[J]. Journal of Mountain Science,2020(17):1596−1612.
Saaty T L. Fundamentals of the Analytic Hierarchy Process[A]. Schmoldt D L, Kangas J, Mendoza G A, et al. , eds. The Analytic Hierarchy Process in Natural Resource and Environmental Decision Making, Managing Forest Ecosystems[C]. Springer, Dordrecht, 2001(3): 15-35.
Saaty T L. Decision making with the analytic hierarchy process[J]. International Journal of Services Sciences,2008(1):83−98.
Su H Z, Yang M, Wen Z P. Comprehensive evaluation of high rocky slope safety through an integrated analytic hierarchy process and extension matter model[J]. Natural Hazards and Earth System Sciences, 2016(16).
Svennevig K, Guarnieri P, Stemmerik L. From oblique photogrammetry to a 3D model–Structural modeling of Kilen, eastern North Greenland[J]. Computers & Geosciences,2015(83):120−126.
Tang F, Ruan Z, Li L. Application of unmanned aerial vehicle oblique photography in 3D modeling of crag[C]. In "Tenth International Conference on Digital Image Processing (ICDIP 2018)", Shanghai, China,2018,Proceedings Volume 10806.
Tang Y, Guo Z, Wu L, et al. Assessing Debris Flow Risk at a Catchment Scale for an Economic Decision Based on the LiDAR DEM and Numerical Simulation[J]. Frontiers in Earth Science,2022(10):821735.
Thiebes B, Bell R, Glade T, et al. A WebGIS decision-support system for slope stability based on limit- equilibrium modelling[J]. Engineering Geology,2013(158):109−118.
Xiao H, Tang X, Zhang H. Risk Assessment of Debris Flow in Longchi Area of Dujiangyan based on GIS and AHP[J]. IOP Conference Series: Earth and Environmental Science,2020(474):042010.
Yang W, Zheng Z, Zhang X, et al. Analysis of landslide risk based on fuzzy extension analytic hierarchy process[J]. Journal of Intelligent & Fuzzy Systems,2017(33):2523−2531.
Yao X, Deng H, Zhang T, et al. Multistage fuzzy comprehensive evaluation of landslide hazards based on a cloud model[J]. PLoS One,2019(14):e0224312.
Zhang J, He P, Xiao J, et al. Risk assessment model of expansive soil slope stability based on Fuzzy-AHP method and its engineering application[J]. Geomatics, Natural Hazards and Risk,2018(9):389−402.
计量
- 文章访问数: 69
- HTML全文浏览量: 4
- PDF下载量: 57
