集成的机器学习分割技术和3D变化检测方法，用于构建可扩展的海岸悬崖监测工作流程

《Computers & Geosciences》：Integrated machine learning segmentation and 3D change detection for a scalable coastal cliff monitoring workflow

　　### 托纳·J·麦克（Connor J. Mack）| 马修·麦克莱（Matthew Maclay）| 拉斐尔·克里尔-马里亚尼（Raphael Krier-Mariani）| 亚当·P·扬（Adam P. Young）
美国加州大学圣地亚哥分校，斯克里普斯海洋研究所

#### 摘要
海岸悬崖侵蚀对全球各地区的沿海社区、基础设施和公共资源构成威胁。理解和量化海岸悬崖的侵蚀过程对于制定沿海管理和适应措施至关重要，尤其是鉴于许多地区的未来侵蚀速率预计将会上升。最近在仪器和监测技术（例如移动式激光雷达系统）方面的进步，为在更广泛的时间和空间尺度上收集更高质量的数据提供了可能，从而能够深入了解沿海灾害过程。然而，从这些包含复杂地形的大数据集中提取准确的海岸变化信息仍然具有挑战性。为了解决这一挑战，我们采用了机器学习分类技术和3D变化检测方法，从激光雷达数据中提取详细的海岸变化测量结果。该方法可以直接作用于点云，并能检测到具有陡峭地形的自然表面上的变化。该工作流程是使用在加利福尼亚州德尔马（Del Mar）2.3公里海岸线上使用移动式地面激光雷达系统收集的410次连续激光雷达调查数据开发而来的。这种方法适用于区域尺度，并推动了分析大型高分辨率地形数据集的技术发展。

#### 引言
据估计，全球约有10%的人口居住在距离海岸线5公里以内的范围内，这使数百万人面临海岸灾害的影响（Cosby等人，2024年）。海岸悬崖占全球海岸线的52%至80%（Emery和Kuhn，1982年；Young和Carilli，2019年），它们的退缩威胁着社区、基础设施和公共资源——随着海平面上升，这些风险预计将进一步加剧（Bray和Hooke，1997年；Dickson等人，2007年；Matsumoto等人，2024年；Trenhaile，2011年）。提高对海岸退缩模式、过程和速率的理解对于制定能够增强沿海社区抵御能力的适应措施至关重要（Bird，2016年；Rosser等人，2013年）。

海岸悬崖侵蚀是一个复杂的随机过程，受到悬崖岩石类型、海洋作用（例如悬崖底部的波浪冲击）以及陆地作用（例如降雨、地下水渗透）的综合影响，这些因素会破坏悬崖的上部（Castedo等人，2012年；Trenhaile，2019年；Young等人，2021年）。崖体破坏的形式从偶发的全面崩塌到小规模的渐进性侵蚀不等，后者还可能向上蔓延至悬崖内部（Rosser等人，2013年；Young等人，2021年）。捕捉这些不同的破坏模式具有挑战性，而将崖体破坏与特定的环境因素联系起来则需要能够详细解析地形特征并在长时间内保持高时间分辨率的监测系统（Rosser等人，2013年；Westoby等人，2020年；Young等人，2021年）。

目前使用了多种调查平台来监测悬崖形态的变化，这些平台在空间覆盖范围、时间频率、数据分辨率和成本之间存在权衡。卫星遥感和航空摄影测量或激光雷达调查可以提供广泛的空间覆盖范围（数百平方公里），但通常缺乏捕捉垂直悬崖表面微小变化的分辨率或观测角度（Young等人，2009年）。无人机（UAV）方法可以在多公里尺度上进行高分辨率测绘（Swirad和Young，2022b；Terefenko等人，2024年），尤其是在海滩难以到达的地区。然而，无人机调查受到天气条件、飞行限制、安全问题、电池寿命以及地面附近复杂悬挑结构的遮挡等因素的影响。地面和移动激光扫描（TLS/MLS）技术则可以生成高密度的地面3D点云，能够解析垂直和悬挑表面上的厘米级变化（Jaboyedoff等人，2012年；Lague，2020年；Young等人，2021年；Terefenko等人，2018年），但同样受到海岸通达性和阴影效果的制约。

尽管近年来用于描述海岸悬崖退缩的数据的可用性、覆盖范围和分辨率迅速提高，但从这些大数据集中处理和提取有价值的信息仍然面临挑战。不同的气变化评估方法在计算成本、数据完整性以及指标推导方面也存在权衡。例如，数字高程模型（DEMs）在计算上具有优势，但无法处理陡峭表面，这可能导致不同时间点之间的变化估计不准确。为在不丢失点云复杂性的情况下检测变化，开发了多尺度模型到模型云比较（M3C2）算法，该算法可以直接作用于3D点云（Lague等人，2013年）。M3C2算法沿表面法线计算距离，保留了自然表面的复杂性，从而实现了三维变化检测。然而，这种方法不适合直接进行体积分析，因为M3C2计算仅产生一个沿局部表面法线的一维“M3C2距离”。由于体积变化是一个广泛使用的、易于解释的指标，因此提出了多种利用M3C2距离估计岩石崩落体积的方法，包括表面重建（Bonneau和Hutchinson，2019年；DiFrancesco等人，2020年；DiFrancesco等人，2021年）、M3C2输出网格化（Benjamin等人，2020年；Bernard等人，2021年；Gómez-Gutiérrez和Gon?alves，2020年；Walker等人，2025年）以及体素化（Williams等人，2018年；Carrea等人，2021年）。

机器学习（ML）分类技术的进步在海岸激光雷达数据分割（Blanco等人，2022年；Hansen等人，2021年；Letard等人，2024年；Wernette，2024年）、一般岩石崩落分析（Schmid等人，2025年；Weidner等人，2019年；Weidner和Walton，2021年）以及自然表面特征检测（Brodu和Lague，2012年；Tysi?c等人，2025年；Khosravifardshirazi等人，2025年）方面展示了潜力。经典ML架构和深度学习方法相较于手动分类具有许多优势（速度更快、重复性更高、可扩展性更强）。尽管深度学习方法在点云分割精度方面持续进步并设立了新的基准（Qi等人，2017年；Hu等人，2020年；Wu等人，2024年），但其应用在区域尺度监测中可能受到计算成本和手动标注训练数据集的限制。相比之下，经典ML架构提供了一种更轻量、更具解释性的替代方案，在几何分割任务中效果同样出色，且无需深度学习所需的数据和硬件资源。在本研究中，我们使用了经典ML架构，但该工作流程可以轻松与深度学习方法结合用于不同的应用。移动式激光雷达系统提供的更多数据与基于ML的分割和3D变化检测相结合，为在以前无法实现的时空尺度上监测海岸悬崖提供了新的机会。

以往的工作流程已经在不同的时空尺度上使用M3C2算法开发，自动化程度各不相同。半自动化方法已被用于内陆岩石崩落分析，但仍需要人工干预进行植被和噪声去除（Dunham等人，2017年；DiFrancesco等人，2020年）和质量控制（Schovanec等人，2021年）等步骤。其他研究则成功实现了基于固定地面激光扫描（TLS）系统的自动化、近实时变化检测，改进了M3C2方法（Kromer等人，2017年；Williams等人，2018年），但仅限于较短的海岸线段（约100米）。鉴于M3C2的普遍性、ML分割技术的日益应用以及对可解释指标（如体积变化）的需求，沿海监测的一个关键发展方向是开发一种可扩展的、自动化的点云处理工作流程，以最小化人工干预。

在本文中，我们介绍了一种基于ML的变化检测工作流程，它可以从连续激光雷达点云数据中提取体积测量结果，并适用于长期区域监测所需的大型（TB级）数据集。我们引入了一种新颖的“2.75D”海岸法线网格结构，既保留了在复杂海岸线上使用3D M3C2计算的优势，又实现了传统基于DEM的变化检测方法所需的高效时空矩阵操作。该工作流程包括三个主要步骤：机器学习分类、变化检测和数据库构建。我们使用卡车搭载的激光雷达系统在加利福尼亚州德尔马2.3公里海岸线上八年间收集的410次连续调查数据（约7 TB），展示了该工作流程的性能。分析发现了超过33,000个离散的变化对象，并探讨了数据集中的功率律幅度-频率关系和季节性变化。该工作流程的平均处理速度为每公里海岸线约4分钟，提供了一种高分辨率、计算效率高的长期区域沿海监测方法。

#### 研究地点与数据收集
德尔马研究地点（图1B–F）的悬崖平均高度为18米，主要由两个地质单元组成。下部悬崖主要由始新世的砂质粘土岩构成，其中夹杂着粗粒砂岩（Kennedy，1975年；Young等人，2009年）。研究地点的中心部分包含一层可渗透的更新世砂质阶地沉积物，覆盖在德尔马层之上。悬崖前方是一片季节性宽窄变化的沙质海滩。

#### 方法论
该工作流程包括三个主要步骤：（1）使用机器学习分类隔离悬崖表面；（2）使用M3C2变化检测比较连续点云；（3）使用高分辨率海岸法线网格计算地形变化对象的体积（图2）。该方法结合了多种现有的开源工具，使用Python和3D点云及网格处理软件CloudCompare（Girardeau-Montaut，2023年）。工作流程的主要处理步骤包括……

#### 结果
总体而言，该工作流程每个时间步的平均完成时间为8.1分钟，410次调查总共耗时55小时，平均每公里海岸线处理时间为4分钟。M3C2和CANUPO是计算成本最高的步骤，分别为每个时间步5.0分钟和3.1分钟（图5）。聚类、网格生成和分割所需计算时间相对较少。所有处理都在配备双AMD EPYC CPU的高性能工作站上进行。

#### 讨论
该工作流程可扩展到更大范围的海岸区域，具有快速处理、区域尺度（数百平方公里）监测和灾害检测的潜力。这里展示的结果表明，该方法适用于多种激光雷达系统和调查方法，包括几种地面扫描仪以及来自非沿海地区的低密度航空激光雷达数据（附录C.7），表明其具有普遍适用性（例如无人机）。

#### 结论
我们提出了一种计算方法，能够实现海岸悬崖的区域尺度监测，处理大规模（TB级）激光雷达点云数据。该工作流程整合了多种现有方法（CANUPO、RF分类、M3C2和DBSCAN），直接从点云中进行变化检测。该方法的优势在于能够评估复杂的地形，如海洞和陡峭表面，这对于准确描述海岸悬崖变化非常重要。

#### 作者贡献声明
Connor J. Mack：撰写——原始草稿、可视化、软件实现、方法论设计、数据整理。
Matthew Maclay：撰写——审稿与编辑、可视化、软件实现、方法论设计、数据整理。
Raphael Krier-Mariani：方法论设计、可视化、验证、审稿与编辑。
Adam P. Young：撰写——审稿与编辑、监督、资金申请、概念构思。

#### 关于生成式AI和AI辅助技术的声明
在准备这项工作时，作者使用了GitHub Copilot进行代码调试。使用该工具后，作者对内容进行了必要的审阅和编辑，并对发表文章的内容负全责。

#### 联系方式
邮箱：[e-mail]

#### 硬件要求
无需专门硬件。

#### 编程语言
Python

#### 所需软件
CloudCompare、Python 3.10或更高版本

#### 许可证
MIT许可证

#### 源代码
源代码可在此链接下载：
https://github.com/connorjmack/cliff-change-detection.git

#### 竞争利益声明
作者声明没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

#### 致谢
本研究得到了加州州议会法案66、加州公园与娱乐部自然资源部门海洋学项目（C19E0049、C19E0026）以及美国陆军工程兵团（W912HZ192）的支持。感谢斯克里普斯海洋过程小组收集和处理调查数据。