.png){kind=icon}
返回
A Point Cloud-Based Algorithm for Mining Subsidence Extraction Considering Horizontal Displacement
.png){kind=icon}
PRE
AI
DOI：10.3390/math14081270.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
监测矿区地表沉降对于地质灾害早期预警和安全生产至关重要。现有几何差异方法严重依赖多时相点云的局部一致性。当水平位移与垂直沉降耦合时，水平运动常导致局部错位，造成垂直估计的空间偏差和离散异常。为解决此问题，本文提出DL-C2C模型，一种从双时相地面点云中提取沉降的深度学习模型。在统一框架内，该模型将水平位移作为辅助约束引入垂直求解过程，通过连续跨时相对齐和相关更新有效提升垂直沉降估计的稳定性。在特征提取方面，DL-C2C采用PointConv多尺度金字塔与所提出的尺度自适应Transformer相结合，以增强稀疏非均匀采样条件下的跨尺度信息交互。此外，网络通过递归框架内的迭代对齐构建动态局部关联，并在细尺度阶段引入扩散式残差校正，以补偿沉降盆地边界和数据缺失区域的细节误差。在涵盖风沙和山地沟壑地貌的模拟与真实数据集上的实验表明，该方法在模拟场景中达到0.16 cm和0.22 cm的采矿3D误差（M3DE）。在真实矿区验证中，与现有方法相比，DL-C2C显著减少离散异常点，误差分布更接近零，并在边界过渡连续性和非沉降区域稳定性方面表现更优。总之，该模型为矿区地质灾害大规模、高精度智能监测提供了可靠的技术支持。
Keyword:
point cloud
mining subsidence
deep learning
3D displacement field
期刊
IF:
2.2
论文数:
3.1K
被引数:
3.6W
机构
引用论文
Zhao, J.; Niu, Y.; Zhou, Z.; Lu, Z.; Wang, Z.; Zhang, Z.; Li, Y.; Ju, Z. Construction of Mining Subsidence Basin and Inversion of Predicted Subsidence Parameters Based on UAV Photogrammetry Products Considering Horizontal Displacement. Remote Sens. 2024, 16, 4283. [Google Scholar] [CrossRef]赵, J.; 牛, Y.; 周, Z.; 鲁, Z.; 王, Z.; 张, Z.; 李, Y.; 耿, Z. 基于UAV摄影测量产品的矿山沉陷盆地构建及考虑水平位移的预测沉陷参数反演. 远程 sensing. 2024, 16, 4283. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
Monitoring small-scale mass movement using unmanned aerial vehicle remote sensing techniquesCATENA
CATENAIF5.7
PREAI
分享收藏
查看更多内容