联合SAR影像相位和幅度信息的多形变量级滑坡监测——以金沙江白格滑坡为例

doi:10.6046/zrzyyg.2022467

联合SAR影像相位和幅度信息的多形变量级滑坡监测——以金沙江白格滑坡为例

杨帆^,¹, 马志刚², 文艳², 董杰^,³, 姜清辉⁴

1.武汉大学测绘遥感信息工程国家重点实验室, 武汉 430079

2.四川省国土空间修复与地质灾害防治研究院, 成都 610084

3.武汉大学遥感信息工程学院, 武汉 430079

4.武汉大学土木建筑工程学院,武汉 430079

Monitoring a landslide with a multi-deformation magnitude based on the phase and amplitude information of SAR images: A case study of the Baige landslide in Jinsha River

YANG Fan^,¹, MA Zhigang², WEN Yan², Dong Jie^,³, JIANG Qinghui⁴

1. State Key Laboratory of Surveying, Mapping and Remote Sensing Information Engineering, Wuhan University, Wuhan 430079, China

2. Sichuan Institute of Territorial Space Ecological Restoration and Geological Disaster Prevention and Control, Chengdu 610084, China

3. School of Remote Sensing Information Engineering, Wuhan University, Wuhan 430079, China

4. School of Civil Engineering, Wuhan University, Wuhan 430079, China

通讯作者: 董杰(1988-),男,特聘副研究员,研究方向为时间序列InSAR算法及其在地表形变监测中的应用。Email:dongjie@whu.edu.cn。

责任编辑: 李瑜

收稿日期: 2022-12-5 修回日期: 2023-08-20

基金资助:

四川省科技计划项目“四川省地质灾害隐患早期识别与监测预警”(2021JDR0394)
国家自然科学基金青年项目“复杂山区滑坡形变监测的相干散射体InSAR方法”(41904001)

Received: 2022-12-5 Revised: 2023-08-20

作者简介 About authors

杨帆(1999-),女,硕士研究生,研究方向为雷达遥感在地质灾害中的应用。Email: yangfan_whu@whu.edu.cn。

摘要

近年来,雷达遥感被广泛用于提取滑坡表面的高精度形变信息,所用技术包括基于相位的干涉测量和基于幅度的像素偏移量追踪; 然而,大型复杂滑坡的形变量在时间演化以及空间分布上都存在较大差异,单一雷达遥感手段难以实现滑坡形变的全面监测。该文在雷达遥感形变探测能力分析的基础上,提出联合SAR(synthetic aperture Radar)影像的相位和幅度信息进行滑坡的全过程监测。以2018年发生的金沙江白格滑坡为例,基于2014—2021年Sentinel-1数据和2014—2018年ALOS-2数据,联合时序InSAR(interferometric SAR)分析和时序像素偏移量追踪(pixel offset tracking, POT),获取滑坡灾前灾后时序形变。结果显示白格滑坡灾前后缘的年平均速率在20 mm/a,主滑坡区2014年12月—2018年7月形变量可达45 m左右; 灾后滑坡逐渐向后缘扩张,年平均形变速率可达200 mm/a,已经威胁到部分民房。2种方法的联合可以实现大型复杂滑坡的时空维多形变量级提取。

关键词： 干涉测量; 像素偏移量追踪; 多形变量级; 大型滑坡

Abstract

In recent years, radar remote sensing has been extensively applied to extract high-precision deformation information of landslide surfaces. The techniques used include phase-based interferometry and amplitude-based pixel offset tracking (POT). However, large complex landslides exhibit significantly different deformation magnitudes over the spatio-temporal evolution, complicating the comprehensive monitoring of landslide deformation via single radar remote sensing. Hence, by analyzing the deformation detection capability of radar remote sensing, this study proposed monitoring the whole process of a landslide combined with the phase and amplitude information of synthetic aperture radar (SAR) images. This study investigated the Baige landslide occurring in Jinsha River in 2018 based on Sentinel-1 data from 2014 to 2021 and ALOS-2 data from 2014 to 2018. Combined with time-series interferometric SAR (InSAR) analysis and POT, this study acquired the pre- and post-disaster time-series deformations of the landslide. The results are as follows. Pre-disaster, the trailing edge of the Baige landslide exhibited an average annual rate of 20 mm/a, with deformation of the main landslide area up to about 45 m from December 2014 to July 2018. Post-disaster, the landslide gradually expanded to the trailing edge, with an average annual deformation rate reaching 200 mm/a, threatening the safety of some civilian houses. Therefore, the combined method in this study can achieve the multi-deformation magnitude extraction of large complex landslides from spatio-temporal dimensions.

Keywords： interferometry; pixel offset tracking; multi-deformation magnitude; large landslide

PDF (9448KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

杨帆, 马志刚, 文艳, 董杰, 姜清辉. 联合SAR影像相位和幅度信息的多形变量级滑坡监测——以金沙江白格滑坡为例[J]. 自然资源遥感, 2024, 36(2): 257-267 doi:10.6046/zrzyyg.2022467

YANG Fan, MA Zhigang, WEN Yan, Dong Jie, JIANG Qinghui. Monitoring a landslide with a multi-deformation magnitude based on the phase and amplitude information of SAR images: A case study of the Baige landslide in Jinsha River[J]. Remote Sensing for Land & Resources, 2024, 36(2): 257-267 doi:10.6046/zrzyyg.2022467

0 引言

中国是世界上自然灾害最为严重的几个国家之一。滑坡灾害作为其中一种主要的地质灾害,因其分布广、破坏性强,每年都造成巨大的经济损失和人员伤亡^[1]。我国西部山区的大型滑坡规模大、机制复杂,对滑坡的早期识别、监测预警需求迫切^[2]。滑坡体表面形变是滑坡稳定性分析和失稳预警的关键信息^[3]。

近年来发展的卫星雷达遥感技术可以获取地表毫米级形变信息^[4],具有全天时全天候、覆盖范围广、空间分辨率高、成本低等优点^[5],在滑坡识别与监测中得到广泛应用^[6]。获取的合成孔径雷达(synthetic aperture Radar,SAR)影像包含相位和幅度信息,幅度反映电磁波后向散射能量,相位与卫星到地面的距离有关,是合成孔径雷达干涉测量(interferometric SAR,InSAR)的关键^[7]。利用相位信息的差分干涉测量技术(differential InSAR,DInSAR)和利用幅度信息的像素偏移量追踪(pixel offset tracking,POT)技术,分别适用于缓慢和快速滑坡获取形变^[8]。1996年,法国学者Fruneau等^[9]首先证明了DInSAR可有效用于小范围滑坡形变监测。随后国际上许多研究团队陆续开展了DInSAR和时间序列InSAR在滑坡监测中的应用研究,出现了很多成功案例^[10-11]。

对于快速移动的滑坡,形变量级往往超出InSAR探测能力上限,使得InSAR方法无法适用,在这种情况下可采用基于幅度的POT^[12]方法。该方法具有不受相干性限制、不受大气延迟扰动影响、无需相位解缠、可获得二维形变等优势。因POT方法适用于大尺度大梯度形变测量,在大形变量级滑坡监测中得到广泛应用^[13-14]。

虽然InSAR和POT方法分别得到了广泛应用,但是很少联合二者进行滑坡监测。本文的研究对象大型滑坡形变格局复杂,在时间和空间维存在多形变量级现象。在时间维度上,大型滑坡从初始变形到最后的失稳,会经历多个变形阶段——初始变形、等速变形、加速变形阶段^[15],每个阶段的形变速率不同。在空间维度上,大型滑坡不同位置的形变量级存在较大差异,一般滑坡主体比滑坡周围形变量级大得多。针对形变格局复杂的大型滑坡,仅采用某一种雷达遥感技术(InSAR或POT),无法有效提取全覆盖的滑坡表面形变信息。因此联合2种方法能更加全面地在时空维度对滑坡形变进行监测和分析。

本文以金沙江白格滑坡为例,讨论多形变量级滑坡监测方法。2018年10—11月白格滑坡发生2次滑动后,很多学者用光学或者SAR影像对其地质地貌、形变大小及产生原因等进行了讨论^[16-17]。然而由于形变量级的差异,仅用一种方法难以对整个滑坡区进行形变监测; 而且白格滑坡在灾后一直变形,存在再次垮塌的隐患,需要持续关注。因此,本文首先讨论基于SAR影像相位信息的InSAR方法和基于幅度信息的POT方法的形变探测能力; 然后联合2种方法对金沙江白格滑坡进行全面监测,以证明联合方法的有效性; 最后,对滑坡灾前灾后形变进行了分析。

1 联合SAR影像相位和幅度的多形变量级滑坡监测方法

大型滑坡的形变格局复杂,在时空维度上存在多形变量级的特点。联合利用SAR影像的相位和幅度信息,分别提取大型滑坡体的缓慢形变和快速形变,总结InSAR和POT技术的适用范围及技术细节,为大型复杂滑坡监测提供技术参考,方法流程如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 基于卫星雷达遥感技术的多形变量级滑坡监测方法流程

Fig.1 Flowchart of multi-deformation landslide monitoring method based on satellite radar remote sensing technology

1.1 基于相位信息的SBAS-InSAR技术

1.1.1 SBAS-InSAR原理

基于相位信息获取形变主要利用相位的差分干涉,时序InSAR技术利用同一地区不同时间内的多幅影像通过最小二乘法解算形变。通过提取观测时间段内具有稳定散射特征的高相干点集合,并依据不同相位信号分量的时空分布特性来实现误差分离,从而获得经过地形改正以及轨道、大气误差去除的形变速率场,代表性技术主要有永久散射体(persistent scatter InSAR, PSI)技术和小基线集(small baselines subset,SBAS)技术。

SBAS技术适用于山区中滑坡的形变监测预警,其借助于多主影像的方式,可以组合出一系列时空基线较短的干涉图。这种组合方法对在一定时间内保持相干性分布的点目标的提取十分有效,从而提升了点密度的提取。SBAS方法原理如下: 假如获取了对于同一个地表区域的N+1幅雷达影像,选取其中一幅作为主影像,接着把其余影像配准到主影像的成像空间中。给时空基线进行阈值上的设定,完成对全部SAR影像的组合,进而得到了M幅差分干涉图,M满足如下计算公式:

(1)

\frac{N + 1}{2} \leq M \leq \frac{N (N + 1)}{2}

。

Berardino等^[18]提出的SBAS算法先对差分干涉图解缠。针对在 $t_{A}$ 和 $t_{B}$ 不同时刻从主从影像得到的第j幅差分干涉图,在这个差分干涉图中任意某点的干涉相位 $δ φ_{j}$ 表达式为:

(2)

\begin{array}{l} δ φ_{j} = φ_{t_{A}} - φ_{t_{B}} \approx \frac{4 π}{λ} (d_{t_{A}} - d_{t_{B}}) + Δ φ_{j}^{t o p o} + \\ Δ φ_{j}^{a t m} + Δ n_{j} \end{array}

式中: $1 \leq j \leq M$ ; $d_{t_{A}}$ 和 $d_{t_{B}}$ 分别为 $t_{A}$ 和 $t_{B}$ 时刻相对于 $t_{0}$ 时刻的累积形变量; $λ$ 为卫星传感器的波长; $Δ n_{j} 为噪声相位; φ_{j}^{t o p o}$ 为高程误差; $Δ φ_{j}^{a t m} 为大气延迟。 φ_{j}^{t o p o} 和 Δ φ_{j}^{a t m}$ 都可以按照PSI中的方法,高程和相位的关系以及时空滤波进行估计。去除差分相位中的高程误差和大气延迟影响后化简为:

(3)

δ φ_{j} = φ_{t_{A}} - φ_{t_{B}} \approx \frac{4 π}{λ} (d_{t_{A}} - d_{t_{B}})

。

设定在相邻2个不同时间间隔中形变是线性变化的。则完整的时间段里整体的形变也是分段线性。依据此原理得到了第j幅干涉图的形变相位,其表达式为:

(4)

δ φ_{j} = \overset{b}{\sum_{k = a + 1}} (t_{k} - t_{k - 1}) v_{k}

式中: $a$ 和 $b$ 分别为第 $j$ 幅干涉图主辅影像对应的序列号; v_k为影像序列中第k个时间间隔的平均相位速率。

对所有的差分干涉解缠,然后将相位组合成矩阵形式,即

(5)

B V = δ φ

式中: B为M×N的系数矩阵; V为形变相位速率矩阵。因为在差分干涉进行组合的过程中,在设定空间基线把干涉对做组合处理时,会出现不连续的干涉图,这种情形下矩阵B出现秩亏。为解决这个问题,凭借奇异值分解,在矩阵B出现秩亏的情形下做广义矩阵解析,而后计算得到了变形速率的大小。

1.1.2 InSAR可探测形变能力

表面运动引起的变形由InSAR干涉图中的一系列干涉条纹表示。SAR影像差分干涉图中一个周期的条纹(2π)变化代表地表视线向发生 $λ$ /2量级的形变。而InSAR的极限是一个像素被一整个条纹填充,因此可解算的最大形变梯度为^[19]:

(6)

d_{m a x} = \frac{λ}{2 η}

式中: d_max为可监测最大形变量级; η为像素大小。而后,Baran等^[20]将去相干因素的影响加入公式,通过模拟实验研究了InSAR可探测形变梯度与相干性的关系,用经验性统计的方法分析建立了以相干性为自变量的形变梯度函数模型; Jiang等^[21]在此基础上结合了相干系数 $γ$ 和多视视数,提出了一种确定InSAR最小和最大可探测变形梯度的函数模型,分别为 $D_{m i n}$ 与 $D_{m a x}$ 。本实验中应用5视,因此其计算公式为:

(7)

D_{m i n, 5} (γ) = - 0.000181 (γ - 1) + 10^{- 7}

(8)

D_{m a x, 5} (γ) = 0.000753 (γ - 1) + 0.00070

。

形变梯度和速率的转换关系为:

(9)

V_{L O S} = 365.25 D_{m a x} R / T

式中: R为2个相邻相干点之间的空间距离; T为InSAR影像对的平均时间间隔。

InSAR监测到的是实际地表形变在雷达视线向(line of sight, LOS)的投影。仅当地表形变完全沿着LOS向移动时,InSAR监测的LOS向形变才能完全反映地表真实变形。假设滑坡体沿着最大地形梯度方向发生位移,得到滑坡LOS向形变 $V_{L O S}$ 和真实形变 $V_{s l o p e}$ 分别为:

(10)

V_{s l o p e} = \frac{V_{L O S}}{s i n θ c o s ω s i n β c o s α - s i n θ s i n ω c o s β c o s α + c o s θ s i n α}

式中 $α, β, θ, ω$ 分别为滑坡的坡度角、坡向角以及卫星的视角、飞行方向角。

1.2 基于幅度信息的时序POT技术

1.2.1 时序POT原理

该算法的核心是对SAR幅度图像进行互相关匹配,并通过搜索互相关系数最大值的位置来估计2个图像之间的相对偏移^[7]。POT技术首先利用幅度信息对SAR影像进行粗匹配,利用精密轨道信息计算影像间的初始偏移量; 然后基于粗匹配偏移进行局部精细匹配。

实际计算中,首先从主影像中选择一个窗口作为参考,利用卫星轨道信息计算出主从影像之间的大致偏移量。然后以主影像的窗口作为模板,根据初始偏移量信息,在从影像中对应位置附近选择一个较大的窗口,作为搜索窗口。在搜索窗口内逐点计算辅影像窗口内像素与主影像的参考模板之间的归一化互相关系数(normalized cross correlation, NCC),评价主从影像窗口之间的相似性指标 $ρ_{N C C}$ 为:

(11)

ρ_{N C C} = \frac{| \overset{P}{\sum_{i = 1}} \overset{Q}{\sum_{j = 1}} (m_{i, j} - μ_{m}) (s_{i, j} - μ_{s}) |}{\sqrt{\overset{P}{\sum_{i = 1}} \overset{Q}{\sum_{j = 1}} (m_{i, j} - μ_{m})^{2}} \sqrt{\overset{P}{\sum_{i = 1}} \overset{Q}{\sum_{j = 1}} (s_{i, j} - μ_{s})^{2}}}

式中: P $\times$ Q为配准窗口的尺寸; $m_{i, j}$ 和 $s_{i, j}$ 分别为主从影像配准窗口中像元的强度值(即幅度的平方); $μ_{m}$ 和 $μ_{s}$ 分别为主从影像配准窗口中强度的均值。在从影像中一定搜索区域内,配准窗口在距离向和方位向每移动一个像元可计算一个相关系数 $ρ_{N C C}$ 。当互相关系数达到最大时,这时得到的偏移量里面还包含了轨道误差和形变信息。一般情况下,轨道误差信息可以用一个双线性或者二次多项式来进行拟合。去除轨道信息后,就可以得到最终的形变信息。

时序POT的主要思路是设置时空基线的阈值筛选影像对进行组合计算偏移量,而后利用最小二乘法得到影像间的累积形变量,包含距离向和方位向形变。

1.2.2 POT可探测形变能力

POT技术利用幅度信息进行形变测量,其形变测量精度可近似表达为^[22]:

(12)

δ = \sqrt{\frac{3}{n}} \frac{\sqrt{1 - γ^{2}}}{π γ}

式中: δ为像素单元中偏移量估算误差的标准差; n为估算窗口中的样本数目; $γ$ 为互相关性。公式表明,为了减小δ,需要更高的n和 $γ$ 。对于互相关算法而言,在互相关性较高的情况下,偏移量计算精度大约为一个像素单元的1/20,可探测的最大形变不超过搜索窗口的1/2^[23]。

2 研究区概况及数据源

2.1 研究区概况

金沙江白格滑坡位于西藏自治区昌都市江达县和四川省甘孜藏族自治州白玉县交界处的金沙江上游西岸,地理坐标为E98°42'7″,N31°4'57″,平均海拔约3 600 m。图2(a)给出了白格滑坡发生的具体位置(红色五角星)及周边区域地形,黑框显示实验所用SAR影像覆盖范围。图2(b)和(c)分别是2017年12月21日获取的垮塌前高分二号光学影像及2018年11月3日获取的垮塌后哨兵二号光学影像。2018年10月11日凌晨发生大规模高位滑坡,堵塞了金沙江干流河道,形成堰塞湖,如图3(a)。沿江滑坡坝长约2 km,宽约450~700 m,高约61~100 m,估计容积约2 000万m³,坝体整体呈左高右低的格局。2018年11月3日,经过第一次垮塌的滑坡体后缘山体失稳,发生二次滑坡,第二次截断了金沙江。由于垮塌的岩土体刮铲山体,第二次垮塌的方量更大,形成更高的堰塞坝。2018年11月12日,开挖泄洪槽,如图3(b),金沙江白格特大型滑坡受灾范围堰塞湖上游达20多km,造成房屋损坏,道路、桥梁冲毁,耕地被淹没,千余人被转移,如图3(c)—(d)。白格滑坡因地处边远,且应急处置得当未造成人员伤亡,但是据统计,其造成直接经济损失超过100亿元。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 研究区域概况

Fig.2 Overview of the study area

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 滑坡发生后产生的严重影响

Fig.3 Serious threats of landslides

2.2 实验数据

本实验分别选取了升降轨各327景 Sentinel-1 干涉宽幅模式数据以及10景ALOS-2 PALSAR-2升轨数据。实验数据覆盖范围如图2所示,SAR数据集的相关参数如表1所示。采用美国国家航空航天局发布的 SRTM 90 m 空间分辨率数字高程模型(digital elevation model,DEM)。

表1 SAR影像数据集参数

Tab.1 Parameters of SAR dataset

数据集	Sentinel-1卫星		ALOS-2 PALSAR-2卫星
轨道方向	升轨	降轨	升轨
航向角/(°)	-13	193	-15
分辨率/m (距离向×方位向)	5×20	5×20	7×4
时间范围	2014年10月—2021年12月		2014年12月—2018年7月
影像数量/景	327		10

新窗口打开| 下载CSV

3 结果与分析

3.1 白格滑坡变形监测结果

3.1.1 SBAS-InSAR方法结果

采用StaMPS-SBAS^[24]方法进行数据处理,将影像序列分为灾前2014年10月—2018年10月、灾后2018年11月—2021年12月以及全过程2014年10月—2021年12月。从Sentinel-1升降轨数据集中组合生成干涉图,从中提取了相干点的LOS向形变速率,如图4所示。图4中红色表示远离卫星方向的形变,蓝色表示朝向卫星的形变。从图4中可以看出白格滑坡周围的形变量级,灾前可探测到的滑坡边缘约10~30 mm/a,灾后可选到的相干点更多,升轨最大值超过180 mm/a,降轨最大值约80 mm/a,滑坡周围其他区域相对稳定。升降轨结果不同是因为升轨和降轨雷达LOS向本身就代表不同方向,可以根据雷达LOS向和滑坡形变方向的几何关系把LOS向转化到滑坡真实形变方向的速率进而比较。由于白格滑坡位于金沙江的西岸,主要沿着东偏南的方向滑动,滑坡体不在其阴影区内。升轨影像相比于降轨影像不受叠掩和顶底倒置的几何畸变影响,更适合提取滑坡体形变。图4观察到主滑区没有探测到相干点,是由于形变量级较大,超出InSAR探测能力,因此该空间区域的形变监测不再适用InSAR方法,需要采用POT方法。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 Sentinel-1数据SBAS-InSAR方法获得白格滑坡形变速率图

Fig.4 Deformation rate diagram of Baige landslide obtained by Sentinel-1 data and SBAS-InSAR method

3.1.2 POT方法结果

2014—2018年间,白格滑坡处于快速滑移状态,为了监测该时段主滑区的形变,即对超出InSAR方法探测能力的区域进行补充,本文对2014年12月15日—2018年7月24日期间的10景升轨ALOS-2 PALSAR-2影像进行了时序POT处理。得到距离向(LOS向)和方位向的形变量分别如图5所示,最大累积形变量能达到45 m左右,远远超过同期Sentinel-1升轨数据探测到的后缘几百毫米形变量。累积形变量结果及选取典型点位置(白色五角星)如图5(a)所示,典型点S1—S4的时序形变量结果如图5(b)所示,以每景ALOS-2影像获取时间作为横坐标,形变量(单位为m)作为纵坐标。从图5(b)中虚线可以发现,2016年10月之前形变整体比较缓慢,而之后就发生明显的加速现象,2017年7月、2018年5月之后加速更快,需要引起极度关注。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 ALOS-2数据时序POT方法获得白格滑坡灾前累积形变量

Fig.5 ALOS-2 data time series POT method was used to obtain the cumulative deformation of Baige landslide before disaster

3.2 时空维度联合分析

从图4结果可以发现,使用时序InSAR技术能够探测到滑坡周围的形变信息,在快速形变区域无法探测到相干点; 使用POT技术可提取滑坡体上的快速形变,但是,在滑坡顶部接近后缘形变较小的区域,POT技术无法得到准确的形变信息。联合2种方法能获得更全面更准确的形变信息。

在时间维度上,白格滑坡区岩土体经历了50 a以上的长期蠕滑变形过程^[11],而近年来对应形变三阶段曲线发现其应该处于加速变形阶段。本实验从灾前的2014年始使用Sentinel-1数据进行时序InSAR方法监测,灾后2018年12月之后仍可以继续用该方法持续监测。而灾前使用POT方法进行时序POT方法计算形变,灾后由于形变量级较小则不能用POT方法得到准确的形变量; 在空间维度上,主滑区形变速率快、量级大,适合POT方法,而在滑坡周围形变缓慢且量级小的区域则适合用时序InSAR方法监测其滑移过程。所以,在时间维度上的联合,采用相位方法和幅度方法交替使用策略。

灾前联合2种方法的结果如图6所示。利用2014—2018年的327景Sentinel-1升轨数据,时序InSAR方法提取灾前滑坡周围的形变量,用到图6左下的色带,发现4 a左右滑坡周围最大累积形变量在100 mm以上; 利用2014—2018年的10景ALOS-2升轨数据,时序POT方法提取灾前主滑区的形变量,用到图6左上的色带,发现这段时间内主滑区的最大累积形变量可达45 m。所以,在空间维度上的联合,采用相位方法进而幅度方法拼接联合策略。因此,联合相位信息的InSAR方法和幅度信息的POT方法可以对像白格滑坡一类多形变量级大型滑坡进行有效全面监测。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 灾前空间维联合2种方法累积形变结果

Fig.6 Pre-disaster spatial dimension is combined with the two methods to accumulate the deformation results

另外,对2种方法的适用性进行讨论,并利用本实验应用的数据进行验证。针对Sentinel-1传感器,波长为5.6 cm,运用5∶1的多视,像素大小按20 m计算,相干系数近似为0.5带入式(8),得到D_max=0.000 323 5。以灾后升轨为例,R=20 m,T=1 128/86≈13.1 d,由式(9)计算 $V_{L O S}$ =180.4 mm/a,与可探测到的LOS最大形变速率吻合。已知白格滑坡及卫星飞行平台参数α=35°,β=70°,θ=38.6°,ω=-13°,根据式(10),得到 $V_{s l o p e}$ =353.7 mm/a。实际形变量要大于得到的形变量,即雷达LOS转换到坡度向时会对形变速率进行放大。针对ALOS-2数据,方位向像素大小约为4 m,估算精度约为0.2 m,也就是小于20 cm的形变将不能被POT方法探测。另外根据精度式(12),窗口大小n=64×64,γ=0.15,带入得距离向方位向偏移量估算误差的标准差分别为0.057和0.067。7 m×4 m分辨率,可探测最小形变量0.47 m×0.27 m。而白格滑坡主滑区形变量明显大于此数值,因此可以用POT方法探测主滑区形变。

3.3 滑坡灾后演变趋势

利用Sentinel-1数据进行白格滑坡灾后形变时空演化趋势分析。图7(a)—(b)为2018年11月8日—2021年12月10日共86景Sentinel-1升轨、2018年10月22日—2021年11月29日共91景降轨影像得到的累积形变量,形变在持续的向后侧扩张,最大形变量达到600 mm以上。对距滑坡后缘很近的居民区及寺庙有严重威胁。图7(a)展示了白格滑坡灾后形变速率。依次向后缘延伸选出4个典型点P1—P4,用紫色五角星标注了典型点位置。外围黑色多边形表示依据形变速率结果圈定的灾后形变区域,灾后空间扩张光学影像如图7(b),观察比较与图7(a)中时序InSAR方法圈定的扩张区域基本吻合。图7(a)中间较小的黑色多边形内区域是滑坡后缘扩张威胁到的村民和寺庙,图中箭头同样标注了对应的位置。图7(c)为P1—P4点的时间序列形变量图,最大形变量可达500 mm以上。从图中垂直的红色虚线可以看出2019年上半年之前整体形变量较小,速率平缓,之后速率明显加快且差异性大,距离滑坡中心越近的点,形变量越大。在图8中2019年3月的现场考察照片也发现了后缘逐渐向后扩张的现象,部分建筑物倒塌,墙面开裂严重。用升降轨Sentinel-1数据进行灾后白格滑坡二维形变反演,忽略南北向形变,分别得到白格滑坡垂直向、东西向的二维形变速率结果,如图9所示,垂直向形变速率可达100 mm/a,东西向形变速率可达200 mm/a。水平向下为负,水平向东为正。由于白格滑坡现场没有水准点或者架设GPS等监测仪器,无法对滑坡的形变量等进行准确估计得到野外验证结果和精度评价。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 Sentinel-1数据时序InSAR方法获得白格滑坡灾后形变量及形变速率图

Fig.7 The Sentinel-1 time-series InSAR method was used to obtain the post-disaster deformations and deformation rate maps of Baige landslide

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 灾后现场考察图片

Fig.8 Post-disaster site inspection pictures

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 Sentinel-1升降轨数据灾后二维形变反演结果

Fig.9 2D deformation inversion results of Sentinel-1 ascending and descending data after disaster

4 结论

针对大型滑坡时空维度上的形变量级差异,联合使用SAR影像的相位和幅度信息对多形变量级大型滑坡进行监测。本文分析了雷达遥感可探测形变量级及精度,研究缓慢和快速滑坡形变提取方法,为大型滑坡监测提供指导。以金沙江白格滑坡为例,联合了基于相位信息的差分干涉测量技术和基于幅度信息的像素偏移量追踪技术对其灾前灾后全过程进行监测,提取了SAR影像获取时间范围内整个滑坡区域的形变信息。实验验证了联合2种方法的可行性和必要性。

通过联合相位和幅度信息的SAR影像实验,发现白格滑坡周围灾前年平均形变速率在20 mm/a左右,主滑区形变量可达45 m,滑坡发生前有明显的滑移形变可以被监测。灾后仍对其持续监测,可发现形变逐渐向后缘扩张,LOS向形变量累积可达600 mm,对后缘村庄居民产生严重威胁。

通过研究发现白格滑坡经历2次滑坡溃滑后,周缘坡体受到扰动而产生了持续增长的变形体,具有孕育第三次大范围溃滑的风险。雷达遥感技术观测到的滑坡变形全面广泛,有利于对滑坡隐患进行早期识别,建议以雷达遥感技术为导向,扩大滑坡后缘变形区裂缝的地面调查和现场监测的部署,可进行各种方法的检验和精度评定。同时利用无人机观测滑坡陡峭侧裂缝的贯通情况,为白格滑坡稳定性评判和风险预测提供更准确的技术支撑。

志谢

感谢四川省国土空间修复与地质灾害防治研究院的曾帅,协助实地考察,同时提供试验区地质资料!

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

黄润秋.

20世纪以来中国的大型滑坡及其发生机制

[J]. 岩石力学与工程学报, 2007, 26(3):433-454.