0.   引　　言

作为煤炭生产消费大国，未来很长一段时间内煤炭仍将在我国能源结构中占据主体地位。2021年我国能源生产结构煤炭占比67%，其中一次能源消费占比56%^[1]。煤炭井工开采造成采空区上层顶板断裂，原地质结构改变，引发地表沉陷。同时，地表不均匀沉陷产生地裂缝，是煤矿区最常见、最直观的地表破坏表现形式之一。地表沉陷与裂缝严重影响地面建筑物、土地生产能力、生产生活设施安全与社区和谐稳定，丘陵山区裂缝易因雨水冲刷作用导致坡体失稳、滑坡、泥石流等地质灾害。上述问题正在严重危害矿区生态环境保护与能源矿产持续稳定供应，难以满足经济社会高质量发展需求。矿区地表沉陷与裂缝产生影响因素复杂，对其开展全面、高效、高质量的观测是揭示致灾机理、实施合理防治措施的前提。

当前矿区地表沉陷和裂缝观测多借助人工布置测点、测线并携带专业仪器如全站仪、实时动态测量技术(Real-Time Kinematic,RTK) 流动站等赴现场周期观测的方式，测点布设与采集工作量大且标志物易丢失^[2]；自动化定点观测方法虽然能够达到高精度、自动化的要求，但仍是以点为单位测量，存在成本高、数据维度低等缺点，难以反映矿区地表整体沉陷情况。国内外学者研究提出基于地面三维激光扫描和干涉合成孔径雷达（Interferometric Synthetic Aperture Radar, InSAR）技术的矿区地表沉陷观测方法，前者在理想情况下能获取毫米级精度数据^[3]，但其设备价格昂贵且通常不能一站式测量，对于地形复杂的矿区地表适用性不强；而后者虽具有获取高精度地表微小变形、连续空间覆盖以及避免人工现场作业的优势，但也存在时空失相干、大气影响以及可观测最大变形量受其波长限制等问题^[4]。21世纪以来，无人机遥感技术装备飞速革新，已成熟应用于地理测绘、电力巡检、农林植保、地灾防治等领域，成为推动传统行业进步转型的强劲技术动力。无人机遥感技术矿业领域应用亦逐步受到国内外研究者重视^[5]，但同时因数据精度、技术门槛等问题饱受诟病。本文调研国内外最新文献，梳理无人机遥感技术在矿区沉陷和裂缝观测领域应用案例与研究进展，为技术推广应用与发展提供参考。

1.   无人机遥感技术

无人机是以动力系统和导航系统为基础的无人驾驶航空器，由预编程序或在一定距离范围内使用遥控设备控制飞行^[6]。无人机搭载传感器获取遥感数据即无人机遥感技术可实现空间信息快速获取，与卫星遥感技术相比具有机动灵活、高效、可重复、全面覆盖等优势，被认为是应对乡村、矿区等偏远地区遥感数据短缺的有效解决方案^[7]。LEE等^[8]、王昆等^[9]总结无人机遥感技术在露天矿生产管理、尾矿库安全监测、灾害应急救援、矿区环境监测、边坡灾害防治等场景的成功案例与前沿进展，认为该技术在矿业领域应用前景广阔。

无人机遥感技术为开采沉陷和裂缝观测提供数据支持，如图1所示，搭载传感器包括可见光相机、激光雷达（Light Detection and Ranging, LiDAR）以及红外热成像相机等。

图  1  无人机遥感技术矿区地表沉陷与裂缝观测技术流程

Figure  1.  Technical flow of surface subsidence and fracture measurement in mining area using UAV remote sensing technology

下载: 全尺寸图片 幻灯片

无人机搭载可见光相机通过设置合适的飞行高度、重叠率等参数后在待测区域上空按照规定航线飞行并采集照片，同时记录拍照瞬间相机的空间位置及姿态，借助摄影测量软件后处理生成数字表面模型（Digital Surface Model, DSM）和数字正射影像（Digital Orthophoto Map, DOM）等成果。DSM是包含地表附着物高程及平面坐标的模型，可用于观测无建筑物且植被稀疏区域地表沉陷；DOM为数字化遥感影像，兼具地物平面坐标和影像特征，可用于裂缝识别。

无人机搭载LiDAR通过向地表发射波束并接收其回波，采集高密度点云数据。在沉陷观测中，利用机载LiDAR传感器获取区域点云，通过点云滤波算法获取地面点云，可用于生成数字高程模型（Digital Elevation Model, DEM），其包含地面平面坐标及高程，描述地貌形态的空间分布，在植被茂密区域，机载LiDAR获取DEM数据成果可提升地表沉陷观测精度。

红外波段的波长大于可见光，其穿透性也较强，其中8～14 μm的热红外波段常用于探测地物的发射率及温度。由于裂缝内部温度受地层温度影响，与地表周围环境温度存在明显差异，故可被红外热成像相机探测，与无人机结合可以克服地形等限制，灵活观测裂缝。如 BAROÑ 等^[10]利用机载红外热成像探测边坡和悬崖裂隙，证明该方法可快速获取裂隙分布。

2.   矿区地表沉陷无人机遥感观测

2.1   沉陷区域地形获取

获取精度满足要求的沉陷区域地形数据是沉陷研究的前提。SUH等^[11]使用无人机遥感技术观测开采沉陷坑，得到精度14 cm的地形模型，证明该技术可初步满足沉陷区域地形测量需求；随着无人机遥感硬件以及数据处理算法的改进，其观测精度也有提高，IGNJATOVIć STUPAR等^[12]、TAN等^[13]分别将开采沉陷区无人机遥感观测结果与全球导航卫星系统（Global Navigation Satellite System, GNSS）及水准观测结果对比，指出该技术在沉陷区域地形采集精度达到厘米级；若沉陷区域存在茂密植被，会对无人机数据采集造成干扰，田帅帅等^[14]为解决该问题，从地形特征出发，提出基于断面式点云滤波和DEM模型修正的沉陷区DEM构建方法，实现高精度DEM快速获取。

2.2   地表沉陷观测及参数求取

利用无人机遥感技术观测开采沉陷的常规思路是对多期地形数据做差处理得到沉陷盆地，该方法被称为差分数字高程模型(DEM of Difference, DoD)^[15]，如图2所示。高精度DEM是DoD方法的关键，LIAN等^[16]通过对比分析发现自适应不规则三角网滤波算法获取地面点效果最好，并利用该算法得到某采空区地面点云，生成DEM，通过DoD方法得到精度为16 cm的下沉盆地；张永庭等^[17]利用无人机机载LiDAR生成采空区地表DEM，通过DoD方法得到精度为4.3 cm的下沉盆地。当地表无高大建筑物和植被时，DEM也可以用DSM替代^[18]，汤伏全等^[19]直接对两期DSM叠加得到沉陷模型，并利用可见光植被指数获取植被覆盖区域来消除植被影响，使沉陷模型精度从15.3 cm提高到7.1 cm，又通过统计非沉陷区误差分布特征减小沉陷模型系统误差，使沉陷模型精度达到4.1 cm，该研究思路为构建高精度沉陷模型提供参考。

图  2  无人机遥感沉陷观测DoD方法

Figure  2.  The DoD mining subsidence surveying method using UAV remote sensing

下载: 全尺寸图片 幻灯片

矿区地表沉陷观测中，沉陷参数的求取也备受关注，其准确性直接影响沉陷预测结果，对煤矿生产建设规划具有重要意义。常用的沉陷参数有下沉系数和主要影响角正切。下沉系数指充分采动情况下，地表最大下沉值与煤层采厚的比值；主要影响角正切指沉陷主要影响半径与开采深度的比值。因此求取精确的最大下沉值和影响半径是参数求取的关键。

受限于测点密度，传统点位沉陷观测方法不利于捕获最大下沉值点，而无人机遥感观测沉陷是以面为单位观测，能够得到整个区域的下沉值，有利于最大下沉值的获取，进而计算精确的下沉系数。高银贵等^[20]用DoD法得到沉陷盆地，通过概率积分法求沉陷预计参数并与水准测量求参结果比较，得出下沉系数的相对误差仅为1.4%，但主要影响角正切的相对误差较大，为20%，这是由于无人机遥感精度还不满足沉陷盆地边缘获取需求，不利于主要影响角等关键参数的求取。

为研究观测精度对沉陷预计参数反演的影响，ZHOU等^[21]通过DoD法得到地表沉陷模型，拟合动态反演得到沉陷预计参数，并通过模拟分析发现当误差小于最大沉陷值的7%时，反演的沉陷预计参数可靠。为提升沉陷区域边缘获取精度，ZHOU等^[22]融合无人机遥感与InSAR技术，用InSAR观测沉陷盆地边缘小变形区域，用无人机遥感观测大变形区域，得到沉陷盆地并动态反演沉陷预计参数，求取主要影响角正切相对误差仅为5%^[23]。WANG等^[24]、胡东升等^[25]、ZHANG等^[26]同样将无人机遥感数据与InSAR数据融合，实现高精度沉陷观测。

无人机遥感技术结合DoD方法能够实现地表沉陷观测，可通过消除植被影响提高精度；作为沉陷观测的重要方面，沉陷参数也能够通过无人机遥感技术求取，但对于沉陷盆地边缘等小变形区域，该技术精度还达不到观测要求，故主要影响角正切等参数求取精度不高，但与InSAR等数据融合能提高精度，弥补短板。

2.3   地表水平位移观测

地下开采造成的地表变形是三维的，包括垂直沉陷和水平位移，且水平位移不容忽视，相比于垂直沉陷，其对地表建筑物的威胁更大^[27]，易造成地表裂缝引发滑坡等地质灾害。当前观测矿区水平位移主要通过地表测点完成，本文借鉴冰川运动、滑坡、泥石流等领域无人机遥感技术应用案例，为该技术在矿区地表水平位移观测应用提供参考。

符茵等^[28]提取两期冰川表面无人机DOM成果中的特征点，并追踪特征点获得三维位移；BENOIT等^[29]基于特征识别算法对两期DOM匹配得到配准图，进而得到冰川位移；DALL’ASTA等^[30]利用最小二乘匹配和全局匹配方法对两期DOM和DSM配准，获取冰川位移。TURNER等^[31]基于集成在ENVI软件中、具备遥感图像正射校正、配准和互相关功能的COSI-Corr（Co-registration of Optically Sensed Imaged and Correlation）模块，利用图像关联算法分析某滑坡区域多期DSM，得到厘米级精度地表移动矢量。与上述研究方法不同，何柯璐等^[32]利用机载LiDAR点云数据，针对矿区地形特征，改进二进制形状上下文特征描述算子提取主断面水平位移，其结果符合开采沉陷特征，为沉陷区域地表水平位移研究提供新思路。

因矿区地表分布有植被且水平位移量较小，故其水平移动研究相较于冰川和滑坡领域更具挑战性。研究重点应包括如何从多期无人机遥感成果中找到更多更精确的图像配准点和减少植被影响；另外，利用点云数据能够降低植被和光照影响，但点云密度、地形因素及观测精度的平衡也需进一步研究。

2.4   沉陷观测技术展望

学者研究证实无人机遥感技术获取沉陷区域地形以及观测沉陷的可行性，且具备机动灵活、高效、可重复、全面覆盖等优势。在实际应用中，该技术最大不足是其精度难以满足沉陷盆地边缘获取要求，所以观测关键区域沉陷规律仍依赖其他技术方法。但无人机可迅速获取沉陷区域地形，观测整体沉陷，从宏观角度分析沉陷规律。在后续发展应用中，如何发挥其长处，在大范围观测和提取整体沉陷规律是发展的重点。数据精度和采集效率的平衡也需着重考虑。在水平位移观测中，借鉴相关领域研究方法，从无人机成果影像中更精确地提取配准点是未来研究重点。

3.   矿区地表裂缝无人机遥感观测

矿区地表裂缝的及时准确观测对环境治理具有重要意义。传统裂缝观测方法是人工巡检，工作量大且效率低下；利用卫星遥感观测裂缝受分辨率、时效性及作业门槛限制。侯恩科等^[33]用50 cm分辨率卫星遥感影像和4 cm分辨率无人机遥感影像解译同一区域地裂缝，发现无人机遥感影像能更充分反映裂缝特征，且裂缝形态清晰，最小裂缝宽度为5 cm，验证了无人机遥感技术相比于卫星遥感技术识别地裂缝的优越性。由于矿区地表覆盖范围大且环境复杂，通过DOM人工观测裂缝费时费力且易出现遗漏，往往需借助图像处理法、机器学习法^[34]等技术方法实现地表裂缝快速准确识别。

3.1   图像处理法识别地表裂缝

图像处理法指利用图像处理技术，结合裂缝自身形态特征使其在图像上得以凸显。STUMPF等^[35]综合利用高斯滤波、形态滤波以及面向对象等方法提取裂缝，结果表明该方法虽能够识别裂缝，但对图像中的阴影敏感。针对该问题，韦博文等^[36]提出一种适用于复杂地物条件下无人机影像裂缝识别提取的改进一阶高斯差分匹配滤波算法，可实现地裂缝的动态快速识别提取。杨娜等^[37]利用无人机影像通过对图像预处理后利用优化的自适应阈值分割方法实现木结构裂缝识别和尺度测量。矿区地表环境复杂、地形起伏大，造成无人机影像中纹理杂乱且通常伴有阴影，图像处理法识别矿区地表裂缝应用范围较为局限。

3.2   机器学习法识别地表裂缝

常用的机器学习算法如朴素贝叶斯(Naive Bayes, NB)、支持向量机(Support Vector Machines, SVM)、随机森林(Random Forests，RF)等，裂缝识别中，多应用于道路^[38-40]、桥梁^[41-42]、墙体^[43-46]等背景较为单一的场景。

为探究矿区地表裂缝最佳识别算法，杨奇让等^[47]构建面向对象监督分类模型方法，对比分析SVM、K最近邻、RF和NB等算法的裂缝分类效果，结果显示SVM算法效果最优，但存在细小裂缝漏提取和植被误提取问题；汤伏全等^[48]对比分析Canny、SVM以及最大似然法(Maximum Likelihood Method，MLM)的裂缝识别效果，结果表明MLM提取效果最好，但受植被等噪声影响较大，可用RF算法消除植被影响，再采用MLM获取更完整的裂缝信息。

综上，无论是SVM还是MLM算法，其识别裂缝效果均受地表植被影响。深度学习作为机器学习的特定形式，可以解决复杂的非线性关系，在医疗、金融、无人驾驶等领域应用广泛。无人机遥感技术能够为深度学习提供大量训练数据，深度学习能够解决地裂缝形态和背景复杂的问题，两者结合可提高裂缝识别准确度。ZHANG等^[49]将深度学习应用到裂缝识别中，训练监督深度卷积神经网络来分类照片，效果显著优于SVM和Boosting方法。邓雅心等^[50]结合无人机遥感和改进的全卷积神经网络识别大坝裂缝，其召回率为85.84%，表明该方法准确有效；余加勇等^[51]提出集成深度学习YOLOv5和U-Net3+算法的一体化桥梁裂缝识别方法，其裂缝分割召回率达92.22%，定位召回率达95.15%，实现桥梁裂缝高效高精度识别定位。程健等^[52]为解决地表裂缝复杂背景噪声问题，提出一种基于混合域注意力变形卷积网络的方法来强化特征图中特定通道和空间位置对地裂缝识别的贡献程度，研究表明该方法能够显著提高裂缝识别精度。地裂缝曲折形态及背景噪声导致人工标注不够准确，影响裂缝识别准确率，为此王臻等^[53]提出一种弱监督分类的深度学习地裂缝识别模型，优化裂缝标注不准确问题，结果表明优化标注能够将裂缝识别召回率从81.3%提升到91.4%，效果显著。

深度学习与无人机遥感技术结合在裂缝识别方面具有优势，无人机遥感虽能够为深度学习提供大量数据，但裂缝复杂的背景噪声会影响数据标注的准确性，影响识别准确性。

3.3   机载红外热成像相机识别裂缝

除搭载可见光镜头获取相片和DOM来识别裂缝外，无人机还能搭载红外热成像相机根据裂缝与周围环境的温度差异识别裂缝，因不同时间段的温差不同，为找到红外热成像相机地裂缝识别最佳时间窗口，赵毅鑫等^[54]对地表裂缝发育区域全天候监测,得出其地裂缝识别最优时间窗口，并通过分析红外图片中裂缝尺寸，得到测量裂缝尺寸精度最高的时间段^[55]；对于隐蔽裂缝，该团队选取不同时间对不同埋深隐蔽地裂缝进行不同高度的红外测量，得出隐蔽裂缝观测最佳时间窗口^[56]。

3.4   地表裂缝识别方法展望

无人机遥感可为裂缝识别提供如可见光影像和红外图片等数据支持。对于背景单一的裂缝提取，采用图像处理法或机器学习法均能得到理想结果。对于沉陷区域地裂缝，其周围环境复杂，识别效果影响因素多，可采用机器学习法尤其是深度学习法，但如何降低植被和阴影的影响需作为后续研究的重点。同时由于裂缝发育与工作面开采过程中的开采速度、开采条件以及地质环境等因素关联性复杂，可建立裂缝与开采因素间的特征关系，提高识别准确率。另外，利用DOM或航拍相片提取地裂缝尺寸参数会受到成像变形影响，在后续研究中可利用三维模型建立完整的成像模型和三维场景提高裂缝尺寸参数提取精度^[57]。

裂缝准确识别后，探究裂缝随时间的变化关系是裂缝治理的重点工作；另外，根据研究结果准确预测裂缝分布也是管理部门和矿山企业共同关注的方向，可为地面规划和环境治理提供参考。

4.   不足与展望

4.1   不　足

1）地表植被影响。矿区地表沉陷区域多位于偏远地区，地表常覆有植被，对于构建高精度沉陷盆地和水平位移测量不利。基于图像处理与深度学习方法的裂缝识别技术均难以消除植被影响。

2）无人机遥感成果精度。限制无人机遥感技术在矿区地表沉陷观测应用推广的重要因素之一是其成果精度不足，除植被对精度的影响外，无人机系统硬件、飞行参数、光照条件以及重建算法等都会影响成果精度。

3）数据处理速度。受当前数据传输速度、摄影测量重建算法以及计算机配置限制，无人机数据的处理往往要花费数小时甚至数十小时，影响数据的实时性与应用效率。

4）多源数据融合界点的确定。虽已有学者将InSAR数据与无人机遥感数据融合用于提升沉陷盆地观测精度，但多种类型遥感数据融合的界点确定方法还没有统一标准。

4.2   展　望

1）无人机遥感技术在矿区地表沉陷观测应用中，减少植被影响提升精度的同时应进一步研究如何发挥其长处，在大范围内观测获取矿区整体沉陷规律，为沉陷治理、预测及井下生产提供参考。同时应加大地表水平位移研究力度。

2）结合更加先进的深度学习算法识别地表裂缝是未来发展方向，但需考虑降低裂缝复杂背景噪声的影响。在深度学习算法中进一步植入煤层开采速度、开采条件等影响因素可以提升裂缝识别准确率，利用三维模型建立完整的成像模型和三维场景提高地裂缝尺寸提取精度。在矿区地表裂缝准确识别基础上，裂缝演化规律及预测裂缝分布是将今后研究热点。

3）随着无人机遥感系统硬件、重建算法等不断发展，数据传输以及云处理技术有助于提高作业效率、改变作业模式，有望实现数据的“边采集边处理”、“无人值守”式观测。

4）加强多源遥感数据融合以充分发挥无人机遥感技术的优势。多源遥感数据融合可实现技术短板互补、获取更加精准的矿区地表沉陷范围，如何综合InSAR波长和无人机遥感精度以确定沉陷数据融合界点，是提高数据融合精确性的研究方向。

5.   结　　论

1）无人机遥感技术可采集沉陷区域地形数据并观测沉陷，与InSAR等数据融合可实现沉陷边缘高精度观测。借鉴改进冰川和滑坡等领域研究案例可以填补当前地表水平位移空缺。

2）无人机遥感技术获取DOM可为地表裂缝识别提供高质量影像数据。借助图像处理和机器学习方法可实现裂缝智能识别。采用深度学习方法可以提高裂缝识别准确率。如何降低植被和阴影影响，总结裂缝规律以及分布预测是未来研究重点。

3）随着技术改进，无人机遥感技术在矿区沉陷与裂缝观测应用中精度、数据处理速度等限制会逐渐改善。

4）无人机遥感技术对矿区生态科学治理、矿山智能化转型具有重要意义，势必成为未来智能化矿山建设中不可缺少的重要组成部分。