打开文本图片集

摘要：随着无人机技术的飞速发展，低空摄影测量已成为地形、城市规划、农业监测等领域的重要技术手段。然而，低空飞行环境中的大气折射效应对高程精度的影响仍然是无人机测量精度提升的难点之一。大气折射会导致测量数据中的高程误差，从而影响测量结果的准确性。本文首先分析了大气折射的影响机制，提出了基于修正算法的高程精度提升策略，并通过优化大气参数模型，结合多源数据融合技术，为低空摄影测量高程精度的提高提供解决方案。

关键词：无人机；低空摄影测量；大气折射；高程精度提升

低空摄影测量技术近年来在各种领域得到了广泛应用，尤其是在地理信息系统（GIS）、土地勘测、环境监测等方面具有显著优势。然而，由于无人机飞行环境存在大气折射现象，低空摄影测量的高程精度受到了一定影响。大气折射是指在不同气象条件下，光线通过大气层时发生的弯曲现象。无人机在低空飞行时，由于飞行高度较低，受大气折射的影响更加显著，尤其是在变化的气压、温度、湿度条件下，折射效应对高程测量精度的影响尤为突出。因此，如何准确地修正大气折射误差，提升低空摄影测量的高程精度，成为当前研究的热点问题。

1无人机低空摄影测量概述

1.1无人机低空摄影测量的基本内涵

无人机低空摄影测量是一种通过无人驾驶飞行器搭载高精度相机或激光雷达等传感器，在低空飞行中进行地面物体或地形数据采集的测量技术。这种技术利用无人机的灵活性和机动性，可以在复杂的地形和环境中进行快速、高效的数据采集。与传统的地面测量和航空摄影测量相比，低空摄影测量具有显著的优势，包括较低的成本、较高的灵活性和较快的数据处理速度。地面测量通常需要大量的人力和时间，而航空摄影测量则需要昂贵的设备和较高的操作成本。相比之下，无人机低空摄影测量可以在较低的成本下实现高精度的数据采集和处理。

1.2无人机低空摄影测量的发展与应用

近年来，无人机低空摄影测量在农业、林业、环境监测、城市规划等多个领域得到了广泛应用。在农业领域，无人机可以快速获取作物生长状况和土壤湿度等信息，为精准农业提供数据支持。在林业中，无人机可以进行森林资源调查和病虫害监测，提高林业管理的效率和准确性。在环境监测方面，无人机可以监测空气质量、水质和生态系统变化，为环境保护提供科学依据。在城市规划中，无人机可以进行地形测绘和建筑监测，为城市规划和建设提供精确的数据支持。此外，无人机低空摄影测量还可以应用于灾害评估、交通监控、公共安全等多个领域，显示出其广泛的应用前景和重要的实用价值。随着技术的不断进步和应用的深入，无人机低空摄影测量将在更多领域发挥重要作用，为社会经济发展提供有力支持。

1.3大气折射对低空摄影测量高程精度的影响

低空摄影测量中，大气折射的影响主要表现在光线通过大气时的传播路径弯曲，造成拍摄的影像或激光雷达点云数据存在误差。在低空飞行时，由于飞行高度较低，大气层的密度变化和地面气象条件的波动使得光线传播路径的折射效应更加明显。具体来说，折射现象会导致激光雷达和影像数据中的地面高程发生变化，影响测量结果的精度。特别是在气压、温度和湿度变化较大的地区，大气折射效应的影响更加显著，严重影响测量结果的可靠性。

1.4现有研究与应用现状

目前，国内外在大气折射对无人机低空摄影测量高程精度影响的研究已有一定成果。一些学者提出通过建立大气折射修正模型来减少折射误差的影响，但这些方法大多依赖于准确的气象数据，并且修正模型复杂度较高，难以直接应用于实际测量中。为了提高高程精度，研究者们提出了基于数据融合的策略，结合实时气象数据和飞行参数进行动态修正，但该方法的精度和实用性仍需要进一步验证。

2大气折射对低空摄影测量高程精度的影响机制

2.1大气折射的基本原理

大气折射是指光线在通过地球大气层时，由于大气层的折射率不同，光线的传播方向发生偏折。折射率与大气的温度、气压和湿度等因素密切相关。由于低空摄影测量时无人机的飞行高度较低，气象条件的变化对光线的折射影响尤为显著。具体而言，大气的温度梯度、湿度变化、气压分布等因素会导致光线传播的速度发生变化，从而引起成像误差，影响测量数据的准确性[1]。

2.2大气折射对高程精度的影响

2.2.1高程误差的表现形式

大气折射对高程精度的影响主要体现在测量结果的系统误差上。这种误差通常表现为测量值与真实值之间的偏差，这种偏差在不同时间和地点可能有所不同，取决于当时的气象条件。在低空摄影测量中，由于无人机飞行高度较低，这种偏差尤为显著。例如，在高温和高湿的环境下，大气折射率的变化可能导致测量的高程值偏高或偏低，从而影响测量结果的准确性。

2.2.2高程误差的时空分布

高程误差的时空分布特征也是大气折射影响研究的重要方面。在一天中的不同时间，由于太阳辐射的影响，地表温度会发生变化，进而影响大气的温度和密度，导致大气折射率的变化。这种变化在早晨和傍晚尤为明显，因为这两个时段的温差较大，大气折射率的变化也较为剧烈。此外，不同地理位置的气象条件差异也会导致高程误差的时空分布不同，如沿海地区与内陆地区、平原与山区等。

2.2.3高程误差的量化评估

为了更准确地评估大气折射对高程精度的影响，需要进行量化分析。这通常涉及到建立数学模型来模拟大气折射对光线传播路径的影响。通过这些模型，可以预测在特定气象条件下的高程误差大小。例如，可以利用气象站提供的实时数据，结合大气折射模型，计算出在不同气压、温度和湿度条件下的高程误差。这种量化评估对于开发有效的误差修正算法至关重要，可以帮助我们更好地理解和控制大气折射对高程测量的影响。

2.3大气折射影响的因素分析

2.3.1温度对大气折射的影响

温度是影响大气折射率的主要因素之一。温度的变化会导致大气密度的变化，进而影响光线的传播速度。在高温条件下，大气密度较低，光线传播速度较快，折射角度较小；而在低温条件下，大气密度较高，光线传播速度较慢，折射角度较大。这种变化在一天中的不同时间段尤为明显，如白天与夜间的温差，会导致大气折射率的显著变化，从而影响高程测量的精度。

2.3.2气压对大气折射的影响

气压的变化同样会影响大气折射率。在高海拔地区，气压较低，大气密度较小，光线的传播速度较快，折射角度较小；而在低海拔地区，气压较高，大气密度较大，光线的传播速度较慢，折射角度较大。这种变化在地形起伏较大的地区尤为显著，如山地和平原之间的气压差异，会导致大气折射率的显著变化，进而影响高程测量的精度。

2.3.3湿度对大气折射的影响

湿度的变化会影响大气中的水蒸气含量，水蒸气作为一种介质，其存在会改变光线的传播速度。在湿度较高的环境中，大气中的水蒸气含量较高，光线的传播速度较慢，折射角度较大；而在湿度较低的环境中，大气中的水蒸气含量较低，光线的传播速度较快，折射角度较小。这种变化在不同季节和不同地区的气象条件中尤为明显，如雨季与旱季、沿海与内陆的湿度差异，会导致大气折射率的显著变化，从而影响高程测量的精度。

2.3.4地形对大气折射的影响

地形的复杂性，如山地、峡谷等，会导致局部气象条件的显著变化，从而影响大气折射率。在地形起伏较大的地区，由于地形阻挡和局部气流的影响，大气的温度、气压和湿度可能会发生显著变化，导致大气折射率的局部变化。这种变化在地形复杂的地区尤为显著，如山地和峡谷地区，会导致大气折射率的显著变化，进而影响高程测量的精度。

3提升低空摄影测量高程精度的策略

3.1大气折射修正模型的建立

3.1.1大气折射修正模型的数学表达式

大气折射的修正模型基于折射率与气压、温度、湿度等气象参数之间的关系。折射率n可以通过以下公式计算：

其中，P为气压（hPa），T为温度（K），e为水蒸气压（hPa）。折射率的变化导致光线路径发生弯曲，进而影响高程测量。通过修正模型，可以准确计算折射误差并进行补偿，提高高程精度。

3.1.2修正模型的实时数据更新与适应性

为了提高大气折射修正模型的精度，实时的气象数据是必不可少的。由于气象条件会随着时间和空间的变化而变化，因此大气折射修正模型需要具备动态更新能力，能够根据无人机飞行过程中的实时气象数据进行调整。通常，采用实时气象监测系统来获取气压、温度和湿度等数据，并通过数据传输接口将其输入到修正模型中。

无人机飞行过程中的大气折射修正，除了需要精确计算折射率，还要考虑飞行高度对折射修正的影响。随着飞行高度的增加，气压和温度的变化幅度也有所不同，这要求修正模型不仅要根据实时气象数据进行修正，还需要考虑飞行高度变化对折射修正的影响。通过动态调整修正参数，可以在不同飞行阶段（如起飞、巡航和着陆）进行精确的高程修正，进一步提高测量精度[2]。

3.2高程精度提升的算法与技术

3.2.1基于滤波的高程修正算法

为进一步提高高程精度，本文提出了一种卡尔曼滤波算法来处理大气折射带来的误差。卡尔曼滤波能够自适应地优化测量数据，通过对传感器数据进行预测和校正，有效去除噪声和外部干扰。通过多次迭代修正，卡尔曼滤波能够提升高程测量的精度，通常可将测量误差控制在1-2厘米以内[3]。

3.2.2多源数据融合提升精度

为增强修正精度，采用多源数据融合方法，将无人机飞行数据、气象数据和地面控制点数据结合起来。通过加权平均等算法融合不同数据源，能够更精确地修正大气折射误差。合理的加权策略可以确保在动态环境中提高数据的可靠性和准确性，从而进一步提升高程测量的精度，减小大气折射带来的影响。

3.3多源数据融合与精度提升

为了进一步提高测量精度，本文还探讨了多源数据融合的方法。

3.3.1多源数据融合的概念与重要性

多源数据融合是一种综合利用来自不同来源的数据，以提高信息的准确性、可靠性和完整性的方法。在无人机低空摄影测量中，融合来自无人机飞行数据、气象站的气象数据和地面控制点数据，可以显著提升测量结果的精度。这种方法的重要性在于，它能够补偿单一数据源可能存在的不足，如数据缺失、误差或不稳定性，从而提供更全面和精确的测量结果。

3.3.2数据融合的技术方法

数据融合的技术方法包括多种算法和模型，如卡尔曼滤波、贝叶斯估计、神经网络等。这些方法可以根据数据的特性和测量的需求，选择最合适的融合策略。例如，卡尔曼滤波是一种有效的递归滤波器，能够处理多源数据的时间序列问题，提供实时的、最优的估计。贝叶斯估计则适用于处理不确定性和概率问题，通过先验知识和观测数据来更新估计。神经网络则能够学习数据的复杂模式，适用于非线性和高维数据的融合。

3.3.3气象数据在数据融合中的作用

气象数据在多源数据融合中扮演着关键角色。由于大气折射是影响无人机低空摄影测量精度的主要因素之一，准确的气象数据对于修正大气折射误差至关重要。气象数据包括气压、温度、湿度等，这些数据可以用来计算大气折射率，进而修正测量数据。通过实时获取和融合这些气象数据，可以动态调整修正模型，提高测量精度。

3.3.4地面控制点数据的融合应用

地面控制点数据提供了已知的高程和位置信息，是验证和校正测量数据的重要参考。在数据融合过程中，地面控制点数据可以用来校正和优化无人机测量结果，提高测量的准确性。通过将地面控制点数据与无人机飞行数据和气象数据相结合，可以构建一个更加精确的测量模型，从而提高低空摄影测量的高程精度。

3.3.5数据融合的挑战与解决方案

尽管多源数据融合能够显著提高测量精度，但在实施过程中也面临一些挑战，如数据的异构性、融合算法的选择和计算复杂性等。为了解决这些问题，需要开发更加灵活和高效的融合算法，提高算法的适应性和计算效率。此外，还需要建立统一的数据格式和标准，以便于不同来源的数据能够更容易地被融合和处理。

未来的发展方向包括进一步优化数据融合算法，提高算法的智能化和自动化水平，以及开发更加先进的传感器和测量设备，以获取更高质量的数据。此外，随着大数据和人工智能技术的发展，可以利用这些技术来处理和分析大规模的多源数据，进一步提高数据融合的效果和测量精度。

4结语

本文深入分析了大气折射对无人机低空摄影测量高程精度的影响机制，并提出了基于大气修正模型的高程精度提升策略。通过优化大气参数模型、提出修正算法和应用多源数据融合技术，研究有效提升了低空摄影测量的高程精度。未来，随着无人机技术和气象数据实时采集技术的不断发展，基于大气修正模型的精度提升策略将在实际应用中得到更加广泛的应用，为无人机测量技术的精度提升提供坚实的基础。

参考文献

[1]周金宝.无人机搭载差分GPS辅助空中三角测量精度分析[J].黑龙江科学，2023，14（10）：138-140.

[2]兰寒玉.低空无人机摄影测量精度分析[J].测绘与空间地理信息，2021，44（12）：167-171.

[3]王朝辉，吴昊，孟将.无人机倾斜摄影像控布点方案研究及精度分析[J].测绘通报，2021，（05）：102-105+110.

作者简介绍：谈荣钦（1982.11），男，本科，工程师，主要从事测量工作