CN113723403A - 一种滑坡监测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种滑坡监测方法、装置、电子设备及存储介质，用于解决现有的滑坡分析方法对滑坡体识别、危险性评价的准确性较低的技术问题。本发明包括：获取预设区域的滑坡发生前影像和滑坡发生后影像，并对比所述滑坡发生前影像和所述滑坡发生后影像，确定滑坡发生区域；获取所述滑坡发生前影像中滑坡发生区域的激光雷达点云数据；对所述激光雷达点云数据进行预处理，得到预处理数据；对所述预处理数据进行分类，得到地面点云数据；采用所述地面点云数据生成第一数字高程模型；获取所述滑坡发生后影像的第二数字高程模型；对比所述第一数字高程模型和所述第二数字高程模型，得到滑坡区域划分图。

Description

一种滑坡监测方法、装置、电子设备及存储介质

技术领域

本发明涉及地形分析技术领域，尤其涉及一种滑坡监测方法、装置、电子设备及存储介质。

背景技术

电力***是生命线工程特殊而有机的组成部分，其安全可靠运行除受到人的不安全行为、机械设备的不安全状态等内部因素影响外，还受到具有较强突发性和较大破坏性的自然灾害的威胁。在各种自然灾害威胁中，滑坡数量多、规模大、区域性强、性质复杂，具有较大危害性和一定规律性。输电线路多于野外分布，特点是点多、现场、面广，易受滑坡等自然灾害侵袭，而滑坡灾害发生范围细碎，难以做到精准的预防报警，因此只能尽可能地降低灾害的破坏力，但无法避免滑坡灾害的发生。快速准确地获取滑坡特征，可以快速合理部署补救措施，达到降低滑坡灾害破坏力的效果。

在传统技术中，对于滑坡情况的调查主要有野外实地调查和卫星遥感技术分析等。

然而，野外实地调查虽然能够近距离地观察滑坡的形态，并圈定各滑坡要素，但是工作效率低，对难以到达的地区无法完成滑坡调查工作；卫星遥感技术虽然能够获取大尺度的、多期的遥感数据，但是卫星数据采集受天气限制较大，不能穿透植被，对于植被覆盖下的滑坡识别能力有限，并且采集精度较低，无法生成能够刻画地表微小变形的精细参数，限制了滑坡体识别、危险性评价的准确性。

发明内容

本发明提供了一种滑坡监测方法、装置、电子设备及存储介质，用于解决现有的滑坡分析方法对滑坡体识别、危险性评价的准确性较低的技术问题。

本发明提供了一种滑坡监测方法，包括：

获取预设区域的滑坡发生前影像和滑坡发生后影像，并对比所述滑坡发生前影像和所述滑坡发生后影像，确定滑坡发生区域；

获取所述滑坡发生前影像中滑坡发生区域的激光雷达点云数据；

对所述激光雷达点云数据进行预处理，得到预处理数据；

对所述预处理数据进行分类，得到地面点云数据；

采用所述地面点云数据生成第一数字高程模型；

获取所述滑坡发生后影像的第二数字高程模型；

对比所述第一数字高程模型和所述第二数字高程模型，得到滑坡区域划分图。

可选地，所述对所述激光雷达点云数据进行预处理，得到预处理数据的步骤，包括：

获取激光雷达数据检校参数，并采用所述激光雷达数据检校参数对所述激光雷达点云数据进行预处理，得到预处理数据。

可选地，所述对所述预处理数据进行分类，得到地面点云数据的步骤，包括：

通过预设不规则三角网滤波算法对所述预处理数据进行分类，得到分类结果；

对所述分类结果进行噪声点过滤，得到地面点云数据。

可选地，所述采用所述地面点云数据生成第一数字高程模型的步骤，包括：

采用所述地面点云数据构建规则格网；

生成所述规则格网的第一数字高程模型。

本发明还提供了一种滑坡监测装置，包括：

滑坡发生区域确定模块，用于获取预设区域的滑坡发生前影像和滑坡发生后影像，并对比所述滑坡发生前影像和所述滑坡发生后影像，确定滑坡发生区域；

激光雷达点云数据获取模块，用于获取所述滑坡发生前影像中滑坡发生区域的激光雷达点云数据；

预处理模块，用于对所述激光雷达点云数据进行预处理，得到预处理数据；

分类模块，用于对所述预处理数据进行分类，得到地面点云数据；

第一数字高程模型生成模块，用于采用所述地面点云数据生成第一数字高程模型；

第二数字高程模型生成模块，用于获取所述滑坡发生后影像的第二数字高程模型；

滑坡区域划分图生成模块，用于对比所述第一数字高程模型和所述第二数字高程模型，得到滑坡区域划分图。

可选地，所述预处理模块，包括：

预处理子模块，用于获取激光雷达数据检校参数，并采用所述激光雷达数据检校参数对所述激光雷达点云数据进行预处理，得到预处理数据。

可选地，所述分类模块，包括：

分类子模块，用于通过预设不规则三角网滤波算法对所述预处理数据进行分类，得到分类结果；

过滤子模块，用于对所述分类结果进行噪声点过滤，得到地面点云数据。

可选地，所述第一数字高程模型生成模块，包括：

规则格网构建子模块，用于采用所述地面点云数据构建规则格网；

第一数字高程模型生成子模块，用于生成所述规则格网的第一数字高程模型。

本发明还提供了一种电子设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行如上任一项所述的滑坡监测方法。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如上任一项所述的滑坡监测方法。

从以上技术方案可以看出，本发明具有以下优点：本发明通过获取预设区域的滑坡发生前影像和滑坡发生后影像，并对比滑坡发生前影像和滑坡发生后影像，确定滑坡发生区域；获取滑坡发生前影像的激光雷达点云数据；对激光雷达点云数据进行预处理，得到预处理数据；对预处理数据进行分类，得到地面点云数据；采用地面点云数据生成第一数字高程模型；获取滑坡发生后影像的第二数字高程模型；对比第一数字高程模型和第二数字高程模型，得到滑坡区域划分图。解决了现有的滑坡分析方法对滑坡体识别、危险性评价的准确性较低的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种滑坡监测方法的步骤流程图；

图2为本发明另一实施例提供的一种滑坡监测方法的步骤流程图；

图3为本发明实施例提供的一种滑坡监测装置的结构框图。

具体实施方式

本发明实施例提供了一种滑坡监测方法、装置、电子设备及存储介质，用于解决现有的滑坡分析方法对滑坡体识别、危险性评价的准确性较低的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明实施例提供的一种滑坡监测方法的步骤流程图。

本发明提供的一种滑坡监测方法，具体可以包括以下步骤：

步骤101，获取预设区域的滑坡发生前影像和滑坡发生后影像，并对比滑坡发生前影像和滑坡发生后影像，确定滑坡发生区域；

在本发明实施例中，可以通过获取预设区域的滑坡发生前影像和滑坡发生后影像，并通过对比两者之间的差异，来确定滑坡发生区域。

在一个示例中，可以通过电动固定翼无人机航摄获得滑坡核心区域及周边3平方公里范围拍摄得到的正摄影像，来作为滑坡发生后影像。获取预设区域的多期历史影像，在无地形变化的历史影像中任选一个历史影像作为滑坡发生前影像。通过对比滑坡发生前影像和滑坡发生后影像，确定滑坡发生区域。

步骤102，获取滑坡发生前影像中滑坡发生区域的激光雷达点云数据；

点云数据，是指在一个三维坐标***中的一组向量的集合。

激光点云数据，是通过激光的发射与反射得到的三维坐标***中的一组向量的集合。

滑坡发生区域的激光点云数据是通过向地面发射激光并接收相应的反射激光，根据发射到返回的传播时间，激光器的高度，激光扫描角度，来准确计算地面每一个光斑的三维坐标，从而得到一组向量集合。

在确定了滑坡区域后，可以获取滑坡发生前影像中滑坡发生区域的激光雷达点云数据。

步骤103，对激光雷达点云数据进行预处理，得到预处理数据；

在实际应用中，由于各种误差的存在，未经检校的激光雷达点云数据并不能直接应用。因此，在本发明实施例中，在获取到激光雷达点云数据后，需要对其进行预处理，以消除误差，得到准确的预处理数据。

步骤104，对预处理数据进行分类，得到地面点云数据；

在完成对激光雷达点云数据的预处理后，可以对预处理数据进行分类，得到地面点云数据。

步骤105，采用地面点云数据生成第一数字高程模型；

数字高程模型(Digital Elevation Model，DEM)，是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达)，它是用一组有序数值阵列形式表示地面高程的一种实体地面模型，是数字地形模型(Digital Terrain Model，DTM)的一个分支，其它各种地形特征值均可由此派生。

一般认为，DTM是描述包括高程在内的各种地貌因子，如坡度、坡向、坡度变化率等因子在内的线性和非线性组合的空间分布，其中DEM是零阶单纯的单项数字地貌模型，其他如坡度、坡向及坡度变化率等地貌特性可在DEM的基础上派生。

在获取到地面点云数据之后，可以采用地面点云数据生成滑坡发生前影像中滑坡发生区域的第一数字高程模型。

步骤106，获取滑坡发生后影像的第二数字高程模型；

步骤107，对比第一数字高程模型和第二数字高程模型，得到滑坡区域划分图。

通过对比第一数字高程模型和第一数字高程模型，可以得到滑坡区域划分图。

本发明通过获取预设区域的滑坡发生前影像和滑坡发生后影像，并对比滑坡发生前影像和滑坡发生后影像，确定滑坡发生区域；获取滑坡发生前影像的激光雷达点云数据；对激光雷达点云数据进行预处理，得到预处理数据；对预处理数据进行分类，得到地面点云数据；采用地面点云数据生成第一数字高程模型；获取滑坡发生后影像的第二数字高程模型；对比第一数字高程模型和第二数字高程模型，得到滑坡区域划分图。解决了现有的滑坡分析方法对滑坡体识别、危险性评价的准确性较低的技术问题。

请参阅图2，图2为本发明另一实施例提供的一种滑坡监测方法的步骤流程图。具体可以包括以下步骤：

步骤201，获取预设区域的滑坡发生前影像和滑坡发生后影像，并对比滑坡发生前影像和滑坡发生后影像，确定滑坡发生区域；

在本发明实施例中，可以通过获取预设区域的滑坡发生前影像和滑坡发生后影像，并通过对比两者之间的差异，来确定滑坡发生区域。

在一个示例中，可以通过电动固定翼无人机航摄获得滑坡核心区域及周边3平方公里范围拍摄得到的正摄影像，来作为滑坡发生后影像。获取预设区域的多期历史影像，在无地形变化的历史影像中任选一个历史影像作为滑坡发生前影像。通过对比滑坡发生前影像和滑坡发生后影像，确定滑坡发生区域。

步骤202，获取滑坡发生前影像中滑坡发生区域的激光雷达点云数据；

在确定了滑坡区域后，可以获取滑坡发生前影像中滑坡发生区域的激光雷达点云数据。

步骤203，对激光雷达点云数据进行预处理，得到预处理数据；

在本发明实施例中，为了保证获取得到高精度数据，需要对激光雷达点云数据进行预处理。

在一个示例中，对激光雷达点云数据进行预处理，得到预处理数据的步骤，可以包括：获取激光雷达数据检校参数，并采用激光雷达数据检校参数对激光雷达点云数据进行预处理，得到预处理数据。

在具体实现中，首先可以选取滑坡附近区域作为检校场，然后测定GPS天线到测量点的距离来确定GPS的偏心量，再进行航迹解算，即结合机载平台的动态GPS数据和地面GPS数据或星历数据联合求解出飞行轨迹的三维坐标，其解算结果要满足GPS的正反算误差不超过5厘米；激光设备的定位精度，同样不超过5厘米；卫星的分布状态，要求不能大于2.5。接下来进行相机检校，即将相机视准轴对准到激光雷达基准坐标系的过程，主要是为了消除相机的安装角度和惯性测量***之间XYZ的误差，根据解算得到的航迹文件同时结合相机的参数匹配得到的影像文件，根据每条航线上的影像来计算角度差，当计算结果在一个像素内，则将此时的角度差作为最终检校结果，否则适当删减航线上的影像数量，反复迭代直至满足要求。然后进行激光检校，主要是为了得到照准误差，即惯性测量***与激光测距仪之间的角度安置误差，通过不断调整XYZ轴的值，直至输出的点云数据在上下、前后及左右无偏差。紧接着进行距离检校，目的是为了消除高程偏移，通过不断迭代距离检校值，使其平均值接近于0。通过在检校场中的相机检校、激光检校和距离检校，可以得到激光雷达检校参数，可以此对激光雷达点云数据进行调整，得到预处理数据。

步骤204，对预处理数据进行分类，得到地面点云数据；

在本发明实施例中，对预处理数据进行分类，得到地面点云数据的步骤，可以包括：

通过预设不规则三角网滤波算法对预处理数据进行分类，得到分类结果；

对分类结果进行噪声点过滤，得到地面点云数据。

在具体实现中，可以先运用TerraSolid软件的不规则三角网滤波算法对激光雷达点云数据进行分类，再进行人工干预再次过滤噪声点，具体操作为先将自动分类的结果制作点云高程晕渲图；然后检查晕渲图是否存在突变区域，若整个图形过渡平滑，表示分类较好。若有突变，则可能存在非地面点，需将晕渲图与数据叠加，找到突变处，检查是否存在分类错误；最后将地面点、非地面点与晕渲图套合，在分类出错区域截取断面，仔细查看周边的点，并结合影像分析分类错误的原因，并进行修改，直至山地坡度过渡平滑自然，没有明显突变的点出现。最终完成对预处理数据的分类，得到地面点云数据。

步骤205，采用地面点云数据构建规则格网；

步骤206，生成规则格网的第一数字高程模型；

在本发明实施例中，可以先对激光雷达点云数据构建规则网格，然后判断规则格网点所在的三角形，以该三角形的3个顶点确定一个平面，继而内插出格网点的高程值，即得到规则网格的第一数字高程模型。

步骤207，获取滑坡发生后影像的第二数字高程模型；

在本发明实施例中，可以通过无人机和近景摄影测量技术获取滑坡发生后影像的第二数字高程模型。

步骤208，对比第一数字高程模型和第二数字高程模型，得到滑坡区域划分图。

在本发明实施例中，基于滑坡前后的数字高程模型可以定量划定滑坡分区，滑坡前后高程增大的点则为聚集区，高程减小的点则为下滑区，高程没有明显变化则为稳定区，用不同颜色渲染不同的区域，则可以得到滑坡区域划分图。

通过比对滑坡前后数字高程模型的体积变化量来计算滑坡土方，根据计算结果可以将滑坡分级，滑坡土方小于100000立方米，为小型滑坡；滑坡土方在100000-1000000立方米，为中型滑坡；滑坡土方在1000000-10000000立方米，为大型滑坡；滑坡土方大于10000000立方米，为特大型滑坡。从而准确评价滑坡的危险性。

在滑坡区域绘制数条剖面线，在数字高程模型中提取剖面线对应高程绘制滑坡坡面图，对比滑坡前后坡面图，重点观察滑向、落差、坡度，可以为是否有再次滑坡、或者局部哪些地方可能再次发生小型滑坡提供一定的指导作用。在一个示例中，在绘制剖面线时，可以选择最能够反映滑坡特征的区域，同时确保剖面线与滑坡滑向一致且避免过多的折点。

本发明通过获取预设区域的滑坡发生前影像和滑坡发生后影像，并对比滑坡发生前影像和滑坡发生后影像，确定滑坡发生区域；获取滑坡发生前影像的激光雷达点云数据；对激光雷达点云数据进行预处理，得到预处理数据；对预处理数据进行分类，得到地面点云数据；采用地面点云数据生成第一数字高程模型；获取滑坡发生后影像的第二数字高程模型；对比第一数字高程模型和第二数字高程模型，得到滑坡区域划分图。解决了现有的滑坡分析方法对滑坡体识别、危险性评价的准确性较低的技术问题。

请参阅图3，图3为本发明实施例提供的一种滑坡监测装置的结构框图。

本发明实施例提供了一种滑坡监测装置，包括：

滑坡发生区域确定模块301，用于获取预设区域的滑坡发生前影像和滑坡发生后影像，并对比滑坡发生前影像和滑坡发生后影像，确定滑坡发生区域；

激光雷达点云数据获取模块302，用于获取滑坡发生前影像中滑坡发生区域的激光雷达点云数据；

预处理模块303，用于对激光雷达点云数据进行预处理，得到预处理数据；

分类模块304，用于对预处理数据进行分类，得到地面点云数据；

第一数字高程模型生成模块305，用于采用地面点云数据生成第一数字高程模型；

第二数字高程模型生成模块306，用于获取滑坡发生后影像的第二数字高程模型；

滑坡区域划分图生成模块307，用于对比第一数字高程模型和第二数字高程模型，得到滑坡区域划分图。

在本发明实施例中，预处理模块303，包括：

预处理子模块，用于获取激光雷达数据检校参数，并采用激光雷达数据检校参数对激光雷达点云数据进行预处理，得到预处理数据。

在本发明实施例中，分类模块304，包括：

分类子模块，用于通过预设不规则三角网滤波算法对预处理数据进行分类，得到分类结果；

过滤子模块，用于对分类结果进行噪声点过滤，得到地面点云数据。

在本发明实施例中，第一数字高程模型生成模块305，包括：

规则格网构建子模块，用于采用地面点云数据构建规则格网；

第一数字高程模型生成子模块，用于生成规则格网的第一数字高程模型。

本发明实施例还提供了一种电子设备，设备包括处理器以及存储器：

存储器用于存储程序代码，并将程序代码传输给处理器；

处理器用于根据程序代码中的指令执行本发明实施例的滑坡监测方法。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行本发明实施例的滑坡监测方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种滑坡监测方法，其特征在于，包括：

获取预设区域的滑坡发生前影像和滑坡发生后影像，并对比所述滑坡发生前影像和所述滑坡发生后影像，确定滑坡发生区域；

获取所述滑坡发生前影像中滑坡发生区域的激光雷达点云数据；

对所述激光雷达点云数据进行预处理，得到预处理数据；

对所述预处理数据进行分类，得到地面点云数据；

采用所述地面点云数据生成第一数字高程模型；

获取所述滑坡发生后影像的第二数字高程模型；

对比所述第一数字高程模型和所述第二数字高程模型，得到滑坡区域划分图。

2.根据权利要求1所述的方法，其特征在于，所述对所述激光雷达点云数据进行预处理，得到预处理数据的步骤，包括：

获取激光雷达数据检校参数，并采用所述激光雷达数据检校参数对所述激光雷达点云数据进行预处理，得到预处理数据。

3.根据权利要求1所述的方法，其特征在于，所述对所述预处理数据进行分类，得到地面点云数据的步骤，包括：

通过预设不规则三角网滤波算法对所述预处理数据进行分类，得到分类结果；

对所述分类结果进行噪声点过滤，得到地面点云数据。

4.根据权利要求1所述的方法，其特征在于，所述采用所述地面点云数据生成第一数字高程模型的步骤，包括：

采用所述地面点云数据构建规则格网；

生成所述规则格网的第一数字高程模型。

5.一种滑坡监测装置，其特征在于，包括：

滑坡发生区域确定模块，用于获取预设区域的滑坡发生前影像和滑坡发生后影像，并对比所述滑坡发生前影像和所述滑坡发生后影像，确定滑坡发生区域；

激光雷达点云数据获取模块，用于获取所述滑坡发生前影像中滑坡发生区域的激光雷达点云数据；

预处理模块，用于对所述激光雷达点云数据进行预处理，得到预处理数据；

分类模块，用于对所述预处理数据进行分类，得到地面点云数据；

第一数字高程模型生成模块，用于采用所述地面点云数据生成第一数字高程模型；

第二数字高程模型生成模块，用于获取所述滑坡发生后影像的第二数字高程模型；

滑坡区域划分图生成模块，用于对比所述第一数字高程模型和所述第二数字高程模型，得到滑坡区域划分图。

6.根据权利要求5所述的装置，其特征在于，所述预处理模块，包括：

预处理子模块，用于获取激光雷达数据检校参数，并采用所述激光雷达数据检校参数对所述激光雷达点云数据进行预处理，得到预处理数据。

7.根据权利要求5所述的装置，其特征在于，所述分类模块，包括：

分类子模块，用于通过预设不规则三角网滤波算法对所述预处理数据进行分类，得到分类结果；

过滤子模块，用于对所述分类结果进行噪声点过滤，得到地面点云数据。

8.根据权利要求5所述的装置，其特征在于，所述第一数字高程模型生成模块，包括：

规则格网构建子模块，用于采用所述地面点云数据构建规则格网；

第一数字高程模型生成子模块，用于生成所述规则格网的第一数字高程模型。

9.一种电子设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的滑坡监测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的滑坡监测方法。

Images