滑坡的破坏力非常巨大，直接威胁人类的生命安全。出现滑坡的前兆是滑坡体变形，这个过程动态且复杂^[1]。滑坡体变形易受地质条件与气象条件等多种因素影响，滑坡体变形的复杂性大幅度增加了地质人员现场调查的难度。传统上，地质人员依靠现场调查、地基全球导航卫星系统（Global Navigation Satellite System， GNSS）、裂缝计等手段进行监测，这些方法虽能发现宏观变形迹象，但存在主观性强、覆盖范围有限、效率低下等固有缺陷，难以满足大范围、高精度预警的需求^[2-3]。为此，需要研究智能的滑坡体变形识别方法，精准识别滑坡体变形，提前预警滑坡灾害的发生。

例如，周剑等通过长短时记忆（Long Short-Term Memory，LSTM）神经网络，集合多因素耦合和滑坡演化状态，构造滑坡变形识别模型^[4]。LSTM主要擅长处理时间序列数据，但对于滑坡体的三维空间信息，它无法直接处理，从而难以全面捕捉滑坡体在三维空间中的变形细节。袁维等通过经验模态分解法提取滑坡变形的趋势项和周期项特征，通过加权值法分别融合上述两个特征，得到综合变形特征，结合滑动多项式拟合法和随机森林算法，建立滑坡变形识别模型^[5]。随机森林算法在处理三维滑坡变形数据时，难以有效提取数据中的局部空间结构信息。蒋亚楠等利用变分模态分解方法，提取滑坡变形特征，作为Informer模型的输入，结合多头注意力机制，完成滑坡变形识别^[6]。Informer模型主要关注时间维度上的特征关联，难以挖掘三维点云数据中的空间层次关系。Liu等利用临时相干点雷达干涉测量（Interfero⁃metric Synthetic Aperture Radar， InSAR）技术识别出显著运动单元，借助InSAR形变反演结果修正了滑体在渗流分析中的饱和渗透系数，从而确定了由库水位下降驱动的滑坡渗透诱发渐进破坏机制与变形模式^[7]。但整个分析流程高度依赖复杂的数值模拟与人工判读，周期长、计算成本高，难以实现对大范围滑坡体变形状态的快速、自动识别与预警。

无人机InSAR技术能够全面覆盖整个滑坡区域，实现全天时的监测，及时掌握滑坡体的详细变形信息。深层点网模型（PointNet++）不仅可以提取点云数据的局部细节特征，还可以提取全局结构特征，提高识别的准确性和泛化能力。为此，研究融合无人机 InSAR 技术的滑坡体变形PointNet++识别方法，提高变形识别的准确性和可靠性。无人机InSAR技术实现了滑坡体的大面积、毫米级、近实时监测，克服了传统手段的监测盲区；机载激光探测与测距（Light Detection and Ranging，LiDAR）则提供了精细的三维空间形态；最后采用PointNet++网络自动化提取局部与全局特征，实现高识别准确率。该方法为大范围滑坡灾害的早期识别、精准预警及风险管理提供了一种高效、可靠的技术手段。

以天水市红崖村阳坡山为实验对象，该研究区域内共包含20个滑坡，利用本文方法对该研究区域进行滑坡体变形识别，提前预警滑坡灾害的发生。研究所使用的机载LiDAR点云数据为在该区域利用大疆禅思L1激光雷达系统采集。

该研究区的基本概况如表1所示。

表1 研究区基本概况Table 1 Basic information of the study area

本文方法进行滑坡体变形识别的实验环境如图3所示。

利用全站仪获取监测点在不同时间的位置信息，进而计算出滑坡体的位移量、位移方向和变形速率等关键参数，作为本文方法滑坡体变形识别的参考标准。利用平板电脑控制无人机，采集合成孔径雷达（Synthetic Aperture Radar，SAR）图像与激光雷达点云数据，应用本文方法进行滑坡体变形识别，并实时呈现变形识别结果。研究方法核心参数配置如表2所示。

利用所研究方法反演该研究区域滑坡体的变形量，获取滑坡体变形场，部分区域的滑坡体变形场如图4所示。

图3 滑坡体变形识别实验环境Fig.3 Experimental environment for landslide deformation identification

图4 部分区域的滑坡体变形场Fig.4 Landslide deformation field in partial areas

表2 研究方法核心参数配置Table 2 Core parameter configuration of research methods

从图4中可以看出，无人机InSAR技术可以反演滑坡体变形量，得到部分区域的滑坡体变形场，该区域滑坡体的最大变形量为120 mm，即最大可识别的变形量，说明在该监测周期内，该滑坡体发生了显著位移。变形量分布呈现空间异质性，即不同区域的变形程度不一致，可能存在变形集中区（如滑带、裂缝发育区等）。变形高值区可能与地层界面、断裂带延伸方向、地下水富集区等地质因素密切相关。另外，图2所示的连续变形场，是经过多基线观测和数据筛选处理后的结果，它反映了在监测周期内整体保持良好相干性的区域的平均变形速率。对于那些已发生剧烈滑动、完全失相干的区域，其数据在该图中已被剔除，因此图中显示的是可有效监测的变形区域，而非整个滑坡体的每一个点。这表明了单一InSAR技术的局限性。

无人机InSAR技术捕捉到的变形场可为滑坡体变形识别提供直接数据支持。变形场覆盖连续、无显著数据缺失，说明无人机InSAR技术的数据处理效果较好。实验证明：无人机InSAR技术在滑坡体变形监测中的有效应用，有效获取了研究区滑坡体的变形场，揭示了变形空间分布特征与最大变形量。该结果为后续与LiDAR点云数据的融合提供了重要数据基础，也为滑坡体变形识别提供了科学依据。

利用所研究方法建立滑坡体三维点云模型，部分滑坡体三维点云模型建立结果如图5所示。

图5 部分滑坡体三维点云模型建立结果Fig.5 3D point cloud model construction result of partial landslide masses

从图5中可以看出，所研究方法可有效利用机载LiDAR点云数据，建立滑坡体三维点云模型，精准还原滑坡体的真实空间形态。LiDAR点云的高密度特性使得滑坡体三维点云模型能够捕捉到微地形变化，且三维点云模型内没有大面积的数据空洞或异常噪点，说明机载LiDAR点云数据质量较优。通过Alpha Shape算法提取的边界清晰锐利，可以将滑坡体与周边稳定斜坡准确区分开来，避免了模糊或锯齿状的边界。

实验证明：图3验证了本文所采用的机载LiDAR数据处理与三维建模流程的有效性。该模型可以高精度、高清晰地还原了滑坡体的空间形态，为后续生成无缝点云变形场奠定了基础。

利用所研究方法融合滑坡体变形场与三维点云模型，生成无缝滑坡体点云变形场，部分无缝滑坡体点云变形场生成结果如图6所示。

图6 部分无缝滑坡体点云变形场Fig.6 Point cloud deformation field of partial seamless landslide masses

从图6中可以看出，所研究方法可有效融合滑坡体变形场与三维点云模型，生成无缝滑坡体点云变形场，图中颜色的连续过渡表明数据是无缝且完整的，没有明显的空洞或跳跃。

该区域滑坡体最大变形量约为200 mm，即最大可识别的变形量，明显大于图2的最大变形量，说明无人机InSAR技术在陡峭地形或植被覆盖区容易失相干，导致其低估了真实变形量。机载LiDAR提供的精确三维点云模型使得反距离加权算法，能够更合理地估算这些缺失区域的变形值，从而生成更大幅值、更完整的变形场。200 mm的变形量远大于120 mm，表明该滑坡体的活动性比单一无人机InSAR技术监测结果显示的更为强烈。这对于滑坡灾害的预警等级判定和危险性评估具有至关重要的意义。融合后的结果更能反映真实的变形态势，结果更为可靠。无缝滑坡体变形场确保了PointNet++网络可以学习到整个滑坡体的完整形态和变形模式，避免因数据缺失导致特征提取偏差。

利用所研究方法对研究区域内的20个滑坡进行滑坡体变形识别，变形识别结果如图7所示。

分析图7可知，所研究方法可有效完成滑坡体变形识别，其中，仅有2号滑坡的识别结果与实际结果不同，将持续增长型滑坡体错误识别为阶跃型滑坡体，其余19个滑坡的识别结果与实际结果完全相同，说明所研究方法的滑坡体变形识别结果精度较高，总体准确率高达95%，充分证明了从数据融合到特征提取再到分类识别整个技术路线的有效性。

图7 滑坡体变形识别结果Fig.7 Landslide mass deformation identification results

将持续增长型滑坡错误识别为阶跃型，原因可能是PointNet++学习的是点云的空间变形特征。持续增长型滑坡体在监测末期可能表现出一个近似“阶跃”的剧烈变形阶段。由于PointNet++网络未能充分学习到前期缓慢变形的时序上下文特征，导致其被末期形变特征主导，误判为阶跃型。

实验证明：PointNet++网络能够成功提取滑坡点云变形场中的局部细节特征（如裂缝、滑带处的突变等）和全局结构特征（如整体位移矢量场、变形区空间分布等），并据此识别不同类型的滑坡体变形模式，且识别精度较高。

通过拟合优度衡量所研究方法的滑坡体变形识别精度，其值越接近1，说明识别结果与实际结果的拟合程度越高，即识别精度越高，分析结果如图8所示。

图8 拟合优度分析结果Fig.8 Goodness-of-fit analysis results

从图8中可以看出，随着滑坡规模的增加，所研究方法识别不同滑坡体变形类别时，其拟合优度均整体呈上升趋势，说明大规模滑坡的变形信号更强烈、特征更明显、空间形态更发育，其无缝点云变形场包含的特征更丰富、更不易受噪声干扰，因此PointNet++能够更精准地进行学习与识别。

对于阶跃型滑坡体，其拟合优度由0.94增长至1.00，说明阶跃型滑坡的变形模式在空间特征上最为独特和显著（如存在明显的陡坎或位移突变带等），PointNet++网络最容易准确捕捉和识别。对于振荡型滑坡体，其拟合优度由0.94增长至0.995，最终拟合优度略低于阶跃型。振荡型的变形历史复杂，可能在空间上留下多期活动的痕迹，增加了特征学习的难度，但PointNet++网络依然表现出极佳的性能。对于持续增长型滑坡体，其拟合优度由0.945增长至0.99，最终拟合优度略低于前两者，其变形在空间上可能表现为相对均匀、渐变的位移场，缺乏特别尖锐的特征，使得识别难度稍有增加。所有类别中，最低拟合优度（0.94）与理想值1非常接近，说明所研究方法的滑坡体变形识别精度极高。

为全面评估本文方法的先进性，基于相同的实验环境下，从识别准确性、稳定性和计算复杂度三个关键维度，将本文方法与阶跃型滑坡综合变形预测及监测预警方法（文献[5]方法）和InSAR-流固耦合数值模拟方法（文献[7]方法）进行对比实验，得到不同方法的综合性能对比结果如表3所示：

由表3可知，本文提出的融合方法在识别准确性、稳定性和计算效率上均展现出显著优势。在准确性方面，本文方法总体识别准确率高达95%，较文献[5]方法和文献[7]方法分别提升了15%与7%，充分验证了多源数据融合的有效性。在稳定性方面，面对10%的模拟数据噪声，本文方法准确率仅下降4%，抗干扰能力远优于对比方案，体现出更强的鲁棒性。在计算效率上，本文方法的模型参数量仅为对比Transformer模型的四分之一，显著降低了计算资源消耗。本文方法在确保最高识别精度的同时，兼具卓越的稳定性与优异的计算效率，综合性能突出。

表3 不同方法的综合性能对比结果Table 3 Comprehensive performance comparison of different methods

为及时发现滑坡灾害的发生，降低灾害损失，研究融合无人机 InSAR 技术的滑坡体变形PointNet++识别方法。无人机InSAR技术能够获取高精度的滑坡体变形场，但存在数据缺失问题；机载LiDAR的三维点云模型可以有效解决该类问题，通过融合滑坡体变形场与三维点云模型，生成无缝滑坡体点云变形场，可以更全面、精准地反映滑坡体变形信息，为PointNet++网络提供高质量的点云数据。 PointNet++网络采用多层抽象策略，可以分层提取滑坡体点云变形场的局部细节与全局结构特征，提升识别准确性。本文通过融合无人机InSAR技术、机载LiDAR点云数据与PointNet++网络，有效解决了单一技术的局限性问题。实验证明：最低拟合优度（0.94）接近理想值1，表明该方法具有极高的滑坡体变形识别精度。

未来可进一步优化无人机InSAR技术的参数设置，提高数据获取的精度和效率。同时，深入研究PointNet++网络结构，探索更有效的特征提取方法，进一步提升滑坡体变形识别的稳定性。