運用雷射測距雙筒望遠鏡與GPS進行遠端山崩測繪

目錄

1. 緒論

可靠的山崩目錄圖是地形學研究、災害評估與風險管理的基礎。傳統的測繪方法，包括直接實地調查與航空照片判釋，通常耗時費力，且在不安定的地形中可能具有危險性。本文提出一項實地試驗，評估一套結合高精度雷射測距雙筒望遠鏡、GPS接收器以及執行GIS軟體的堅固平板電腦之新系統，用於遠端測繪近期降雨誘發的山崩。主要目標是評估相較於傳統方法，此技術是否能促成更快、更安全且準確度相當的山崩測繪。

2. 方法論與實驗設置

2.1. 儀器設備

核心系統包含三個整合元件：

• Vectronix VECTOR IV 測距雙筒望遠鏡：用於遠端測量至山崩特徵的距離與方位。
• Leica Geosystems ATX1230 GG GPS/GLONASS 接收器：提供操作員位置的高精度地理定位。
• 搭載 ESRI ArcGIS 與 Leica Mobilematrix 的堅固平板電腦：作為資料整合與測繪平台，允許即時GIS資料收集。

該系統利用操作員的GPS位置、測距儀測得的距離（$d$）與方位角（$\alpha$）來計算山崩頂點的座標。

2.2. 研究區域與測試程序

實驗在Monte Castello di Vibio 地區（義大利中部翁布里亞）進行，這是一個21平方公里、沉積岩層易發生山崩的丘陵區域。使用新的遠端系統重新測繪了13個先前已測繪過的山崩。為進行驗證，其中四個山崩也透過手持GPS接收器沿其周界行走（「步行GPS」法）進行測繪。這些結果與最初的目視偵察圖進行了比較。

3. 結果與分析

3.1. 測繪技術比較

遠端測繪系統產生的山崩邊界，在地理上與步行GPS方法獲得的結果相當。這兩種技術均被發現優於缺乏精確地理參照的初始目視偵察測繪。遠端方法成功捕捉了邊坡破壞的基本幾何形狀。

3.2. 準確度與效率評估

雖然提供的摘要中未詳細說明完整的統計準確度評估（例如計算均方根誤差），但作者得出結論，該系統對於測繪近期山崩是有效的。其關鍵優勢在於操作層面：它允許從安全、穩定的有利位置進行測繪，顯著減少了穿越不穩定山崩地形所需的時間與風險。它被定位為一種用於大範圍快速偵察目錄測繪的工具。

4. 技術細節與數學框架

核心的地理空間計算涉及從已知的觀測者位置確定目標點（山崩頂點）的座標。所使用的公式基於解算大地主題正算問題：

給定觀測者的座標（緯度 $\phi_o$、經度 $\lambda_o$、橢球高 $h_o$）、測量的斜距 $d$、方位角 $\alpha$ 與垂直角（或天頂距 $z$），即可計算目標點（$\phi_t$, $\lambda_t$, $h_t$）的座標。對於短距離的簡化平面近似，可以表示為：

$\Delta N = d \cdot \cos(\alpha) \cdot \sin(z)$

$\Delta E = d \cdot \sin(\alpha) \cdot \sin(z)$

$\Delta h = d \cdot \cos(z)$

其中 $\Delta N, \Delta E, \Delta h$ 是相對於觀測者的北向、東向與高度差。目標點的座標則為：$Easting_t = Easting_o + \Delta E$, $Northing_t = Northing_o + \Delta N$, $h_t = h_o + \Delta h$。實務上，專用的GIS/GPS軟體會使用精確的大地模型（例如WGS84橢球體）來執行此計算。

5. 結果與圖表說明

圖1（PDF中引用）： 此圖（此處未完整重現）通常會展示三種關鍵儀器的照片或示意圖：Vectronix VECTOR IV 雙筒望遠鏡、Leica GPS接收器以及堅固的平板電腦。其目的是為整合的野外系統提供視覺參考，突顯其便攜性以及測量（雙筒望遠鏡）、定位（GPS）與資料記錄/視覺化（搭載GIS的平板電腦）之間的協同作用。

隱含的比較分析： 文本結果暗示了一個概念性圖表，在「位置準確度」、「資料收集速度」、「野外安全性」與「操作成本」等軸線上比較三種方法。雷射/GPS遠端方法在初始偵察的安全性和速度上得分較高，其準確度接近用於周界測繪的步行GPS「黃金標準」，而目視偵察在準確度與可重複性方面排名較低。

6. 分析框架：範例案例

情境： 在一個50平方公里的山區進行降雨後的山崩快速目錄調查。

框架應用：

1. 規劃與偵察： 使用事件前的衛星影像（例如Sentinel-2）來識別高敏感度或可見擾動的區域。
2. 遠端測繪行動： 將雷射/GPS系統部署到可通達的山脊或俯瞰目標山谷的道路上。從每個有利位置：
   • 建立穩定的GPS定位。
   • 使用雙筒望遠鏡掃描邊坡，識別新鮮的山崩崩崖、土石流徑與趾部堆積物。
   • 對於每個識別出的特徵，使用測距儀標記關鍵頂點（例如，主崩崖冠部、側緣、趾部）。GIS軟體即時繪製這些點，形成多邊形。
   • 透過平板電腦輸入屬性資料（類型、可信度等級）。
3. 資料整合與驗證： 將所有收集到的多邊形合併到單一的GIS圖層中。選取一部分較大或關鍵的山崩進行驗證，方法包括：
   a) 步行GPS調查（若安全）。
   b) 無人機攝影測量，以生成高解析度數值高程模型（DEM）與正射影像，用於精確數化。
4. 分析： 計算基本的目錄統計數據（數量、密度、總面積），並與歷史數據比較以評估事件規模。

7. 核心見解與批判性分析

核心見解： 這項工作並非關於技術突破，而是一種實用的野外工作技巧。它將高端的測量工具（雷射測距儀、大地測量GPS）重新用於一個特定且複雜的問題——快速山崩目錄調查——傳統方法在此問題上於安全性與速度方面表現不佳。真正的創新在於系統整合以及為「遠距」地形學調查提供了概念驗證。

邏輯流程： 作者的邏輯合理但保守。他們識別出一個問題（危險、緩慢的測繪），提出一個技術輔助的解決方案，在受控環境中對比基準（步行GPS）進行測試，並發現其可行。這個流程是典型的應用地球科學。然而，它缺乏計量學期刊所期望的嚴謹定量誤差分析，這是一個鞏固其技術貢獻的錯失機會。

優點與缺點：

• 優點： 展示了顯著的安全性與效率提升。該系統穩健，使用商用現成（COTS）硬體。它填補了危險的地面調查與昂貴、依賴天氣的航空/太空遙感（如InSAR或LiDAR，正如USGS或Remote Sensing of Environment等期刊中所討論的）之間的利基。
• 缺點： 「視線」限制在茂密植被或複雜地形中是致命缺陷——這對全球適用性是一大障礙。硬體（Vectronix, Leica）的成本對於山崩風險通常最高的發展中國家廣泛採用而言過於高昂。該研究缺乏與新興的無人機攝影測量相比的成本效益分析，後者可以達到類似的安全性與更優的細節。

可行建議：

1. 對於實務工作者： 此系統是可通達、開闊地形中快速應變團隊的可行選擇。優先將其用於初始範圍界定以及識別需要更詳細調查的目標。
2. 對於研究人員： 未來在於融合。下一步合乎邏輯的步驟是將此地面向量資料與無人機或衛星柵格資料整合（例如，使用AI進行特徵提取，如Ghorbanzadeh等人，2022所示）。將精確的GPS-雷射點作為應用於更廣泛影像的機器學習模型的訓練資料或驗證資料。
3. 對於開發者： 利用智慧型手機感測器（新款iPhone上的LiDAR、RTK GPS模組）與雲端處理，開發更便宜、基於應用程式的版本。使此能力普及化。

本質上，Santangelo等人為特定的野外工作流程提供了一份有價值（儘管有些過時）的藍圖。其最大的遺產應該是激發更多經濟實惠、整合且AI輔助的地質災害測繪解決方案。

8. 應用前景與未來方向

• 與無人機整合： 雷射/GPS系統非常適合用於地面實測與驗證由無人機攝影測量或LiDAR建立的山崩圖。操作員可以從遠處精確測量無人機影像中識別出的特徵。
• 多災害快速評估： 此方法論可調整用於事件後其他地質災害的快速測繪，例如落石源區、洪水侵蝕痕跡或地震後的斷層崖測繪。
• 公民科學與群眾外包： 此工具的簡化、基於應用程式的版本，可以使受過訓練的當地人員或公民科學家能夠貢獻有關山崩事件的結構化地理空間資料，從而擴展監測網絡。
• 擴增實境介面： 未來的系統可以使用AR眼鏡，將GIS資料與測量工具直接疊加在視野中，進一步簡化測繪流程。
• AI驅動的特徵識別： 將該系統與即時影像分析AI結合，可以幫助透過雙筒望遠鏡的取景器自動建議並分類山崩特徵，減少操作員偏見與訓練時間。

9. 參考文獻

1. Santangelo, M., Cardinali, M., Rossi, M., Mondini, A. C., & Guzzetti, F. (2010). Remote landslide mapping using a laser rangefinder binocular and GPS. Natural Hazards and Earth System Sciences, 10(12), 2539–2546. https://doi.org/10.5194/nhess-10-2539-2010
2. Guzzetti, F., Mondini, A. C., Cardinali, M., Fiorucci, F., Santangelo, M., & Chang, K. T. (2012). Landslide inventory maps: New tools for an old problem. Earth-Science Reviews, 112(1-2), 42–66.
3. Ghorbanzadeh, O., Blaschke, T., Gholamnia, K., & Aryal, J. (2022). Landslide mapping using deep learning and object-based image analysis. Scientific Reports, 12, 3042.
4. USGS Landslide Hazards Program. (n.d.). Landslide Mapping and Monitoring. Retrieved from https://www.usgs.gov/natural-hazards/landslide-hazards/science
5. Martha, T. R., Kerle, N., Jetten, V., van Westen, C. J., & Kumar, K. V. (2010). Characterising spectral, spatial and morphometric properties of landslides for semi-automatic detection using object-oriented methods. Geomorphology, 116(1-2), 24–36.