《Journal of Glaciology》：Lidar-based snow monitoring from aerial lifts: Gondola deployment in the Austrian Alps
编辑推荐：
本研究针对高山环境中雪分布监测成本高、危险性大及空间稀疏的难题，创新性地利用缆车搭载低成本激光雷达系统（MOLISENS），在无实时动态定位（RTK）的山区通过融合激光雷达、惯性测量单元（IMU）和独立全球导航卫星系统（GNSS）数据，结合即时定位与地图构建（SLAM）算法生成高精度3D点云。结果表明，该系统日内重复扫描精度达厘米级（加权标准差0.010 m），可有效检测日际至季节性雪厚变化，为高山雪况监测提供了一种成本低、可重复的技术方案，对水文预报、雪崩预警及气候研究具有重要意义。
在高山地区，精确监测积雪分布对于水文预报、雪崩安全预警和气候研究至关重要。然而，传统的雪深测量方法不仅成本高昂、操作危险，而且只能提供稀疏的空间数据点，难以捕捉复杂地形下积雪的高度变异性。尽管自动气象站能够进行连续观测，但其数据仍局限于单点信息，无法反映大范围的雪厚变化。近年来，激光雷达（Light Detection and Ranging, lidar）技术因其能够快速获取高分辨率三维点云数据，逐渐成为雪深监测的有力工具。但固定式地面激光雷达（Terrestrial Laser Scanner, TLS）造价昂贵（超过15万欧元），而无人机航测（Unmanned Aircraft System, UAS）又受限于天气、续航和法规限制，难以在恶劣的高山环境中实现长期、连续监测。面对这些挑战，研究人员开始探索将低成本激光雷达传感器搭载于空中缆车（gondola）上，利用缆车沿固定线路循环运行的特点，实现高效、重复的雪面扫描。
在这一背景下，研究团队在奥地利阿尔卑斯山的霍赫松比立克（Hoher Sonnblick）地区开展了一项可行性研究，旨在评估缆车搭载低成本激光雷达系统（命名为MOLISENS）进行雪厚监测的潜力。该研究重点关注两个核心问题：一是系统扫描的重复性（即同一日内多次测量的一致性）如何，能否可靠检测出厘米级的雪厚变化；二是在缺乏实时动态定位（Real-Time Kinematics, RTK）校正的山区环境下，仅依靠独立全球导航卫星系统（Global Navigation Satellite System, GNSS）和惯性测量单元（Inertial Measurement Unit, IMU），即时定位与地图构建（Simultaneous Localization And Mapping, SLAM）算法能否生成足够精确的累积点云。相关成果发表于《Journal of Glaciology》。
为完成上述研究，团队开发了MOLISENS系统，其核心传感器包括Ouster OS2-64 Gen6激光雷达、Xsens MTi-630 IMU和Ublox GNSS天线，总成本约2.33万欧元。系统被刚性安装于缆车外部，在缆车运行过程中以10赫兹频率采集数据。数据后处理采用LIO-SAM算法进行SLAM计算，将连续扫描拼接为完整的三维点云。为去除植被影响，使用布料模拟滤波（Cloth Simulation Filter, CSF）算法从数字表面模型（Digital Surface Model, DSM）中提取数字地形模型（Digital Terrain Model, DTM）。雪厚通过将冬季扫描点云与夏季无人机摄影测量（UAS-photogrammetry）获取的无雪参考点云进行差值计算得到。点云之间的精度评估采用多尺度模型到模型云比较（Multiscale Model to Model Cloud Comparison, M3C2）算法，量化扫描重复性和与参考数据的一致性。
5.1. IMU和GNSS数据分析
IMU数据的频谱分析显示，在缆车运动过程中存在明显的振动频率成分，而GNSS数据提供的定位信息与缆车站点已知坐标基本吻合，但由于山区卫星信号遮挡，绝对定位精度限于米级。
5.2. 质量评估
5.2.1. 精度
选取特征丰富的山谷段（Segment 1）进行同日两次扫描（M3与M6）的重复性分析。经迭代最近点（Iterative Closest Point, ICP）配准后，两点云间加权平均距离接近零（0.0001 m），加权标准差为0.010 m，95%的点云距离差值在±0.006 m以内，证明系统具备厘米级重复扫描能力，足以探测日尺度雪厚变化。
5.2.2. 与无人机摄影测量数据对比
将山顶段（Segment 9）的MOLISENS扫描与夏季无人机摄影测量数据在三个裸露岩面上进行对比。加权平均距离偏差在0.263–0.419 m之间，加权标准差达0.456–0.685 m。这种分米级的偏差主要源于点云配准误差和独立GNSS的绝对定位误差，而非传感器本身的测距噪声。
5.3. 雪厚分布图
通过将2023年3月的MOLISENS扫描与8月无人机数据配准后求差，生成了左北壁沟槽（Left North Face Couloir）区域的雪厚分布图。结果显示，在陡崖下方和沟槽内积雪最厚处可达5米，空间分布模式符合实际地形与积雪堆积规律，验证了该技术生成雪厚图的可行性。
本研究成功验证了在无RTK的高山环境中，利用缆车搭载低成本激光雷达进行雪厚监测的可行性。系统在特征丰富区域表现出优异的重复性（厘米级），为监测日际至季节性雪厚变化提供了可靠手段。尽管与参考数据对比存在分米级偏差，但这主要源于配准和GNSS定位误差，可通过引入后处理动态定位（Post-Processed Kinematic, PPK）和改进SLAM算法进一步优化。未来，通过系统自动化、硬件加固和数据处理流程优化，有望在全球数千条空中缆车线路上实现低成本、高时空分辨率的雪况业务化监测，为山区水文管理、雪崩预警和气候变化研究提供重要数据支撑。
