基于SBAS InSAR技术的叙古高速沿线滑坡识别与监测

doi:10.6046/zrzyyg.2023241

基于SBAS InSAR技术的叙古高速沿线滑坡识别与监测

杨辰^,¹^,², 金源^,³, 邓飞⁴, 史绪国³

1.中国地质科学院岩溶地质研究所/自然资源部广西岩溶动力学重点实验室,桂林 541004

2.联合国教科文组织国际岩溶研究中心/岩溶动力系统与全球变化国际联合研究中心,桂林 541004

3.中国地质大学(武汉)地理与信息工程学院,武汉 430078

4.广东省佛山地质局,佛山 528000

Detection and monitoring of landslides along the Xuyong-Gulin Expressway using SBAS InSAR

YANG Chen^,¹^,², JIN Yuan^,³, DENG Fei⁴, SHI Xuguo³

1. Institute of Karst Geology, CAGS/ Key Laboratory of Karst Dynamics, MNR&GZAR, Guilin 541004, China

2. International Research Centre on Karst under the Auspices of UNESCO/National Center for International Research on Karst Dynamic System and Global Change, Guilin 541004, China

3. School of Geography and Information Engineering, China University of Geosciences(Wuhan), Wuhan 430078, China

4. Bureau of Foshan Geological Survey, Guangdong Province, Foshan 528000, China

通讯作者: 金源(1999-),男,硕士研究生,主要从事星载雷达干涉测量方法与应用研究。Email:jyuan@cug.edu.cn。

责任编辑: 陈庆

收稿日期: 2023-08-2 修回日期: 2023-11-6

基金资助:

中国地质调查局地质调查项目“云平台地质调查岩溶所节点运行维护与网络安全保障”(DD20230720)
中国地质科学院岩溶地质研究所基本科研业务费重大项目“岩溶地质数据集成管理与共享服务系统”(2021004)

Received: 2023-08-2 Revised: 2023-11-6

作者简介 About authors

杨辰(1989-),男,硕士,高级工程师,主要从事岩溶地质信息化、岩溶区地质灾害识别监测。Email: ychen@mail.cgs.gov.cn。

摘要

叙永—古蔺高速公路(叙古高速)位于四川盆地南缘,线路周边地质条件复杂,其安全运营受到地质灾害威胁,因此,叙古高速沿线地质灾害的识别分析具有十分重要的意义。合成孔径雷达干涉测量(interferometric synthe-tic aperture Radar,InSAR)技术具有全天时全天候、覆盖范围大和毫米级地表形变监测的优势,在广域滑坡识别监测中发挥了重要作用。基于此,采用小基线集(small baseline subset,SBAS)InSAR技术对2017年2月—2020年9月Sentinel-1升降轨数据集进行处理分析,获取叙古高速沿线地表形变速率,共探测到包括集美滑坡等在内的18处滑坡体,分析发现滑坡形变主要与人为活动相关。结果同时表明,升降轨数据结合有助于更准确地识别灾害点分布。随着数据的积累与技术的不断发展,InSAR技术可以在地质灾害防治中发挥越来越重要的作用。

关键词： 滑坡探测; 合成孔径雷达干涉测量; 叙古高速; 小基线数据集

Abstract

The Xuyong-Gulin (Xugu) Expressway, located along the southern margin of the Sichuan Basin, faces complex geological conditions, with its safe operation threatened by geologic hazards. Therefore, the identification and analysis of geologic hazards along the expressway holds great significance. Interferometric synthetic aperture Radar (InSAR) technique enjoys the advantages of all-weather, all-time observation capabilities, wide coverage, and mm-scale surface deformation monitoring, playing an important role in wide-field landslide detection and monitoring. Based on this, this study processed the Sentinel-1 ascending and descending datasets from February 2017 to September 2020 using the small baselines subset (SBAS) InSAR technique. As a result, the surface deformation rates along the expressway were determined, and 18 landslides were identified. The analysis indicates that the deformations of landslides are related to anthropogenic activities. The analytical results also reveal that the combination of ascending and descending datasets allows for more accurate identification of landslide distribution. With the continuous data accumulation and technological development, InSAR is expected to play an increasingly important role in the prevention and control of geologic disasters.

Keywords： landslide detection; interferometric synthetic aperture Radar; Xugu Expressway; small baseline subset

PDF (8367KB) 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

杨辰, 金源, 邓飞, 史绪国. 基于SBAS InSAR技术的叙古高速沿线滑坡识别与监测[J]. 自然资源遥感, 2025, 37(1): 161-168 doi:10.6046/zrzyyg.2023241

YANG Chen, JIN Yuan, DENG Fei, SHI Xuguo. Detection and monitoring of landslides along the Xuyong-Gulin Expressway using SBAS InSAR[J]. Remote Sensing for Land & Resources, 2025, 37(1): 161-168 doi:10.6046/zrzyyg.2023241

0 引言

滑坡是指在斜坡上的岩体土体,当受流水冲刷、降雨冲刷、地下水运动及地震等因素的影响时,在重力作用下失稳而沿斜坡向下滑动的自然现象^[1]。滑坡是我国分布最为广泛、数量最为庞大、危害最为严重的灾种之一^[2]。根据自然资源部统计,2020年全国共发生地质灾害7 840起,其中滑坡4 810起,占比61.35%^[3]; 2021年,全国共发生地质灾害4 772起,其中滑坡2 335起,占比48.93%^[4]。1949—2011年间,我国由滑坡引起的死亡人数保守估计超过25 000人,年均超过400人,年均经济损失大约为5 000万美元^[5]。山体滑坡和泥石流对人的生命和建筑物、高速公路等人工基础设施构成了极大的威胁,严重危害人们的生命财产安全。为了减少滑坡带来的巨大损失,亟需对大面积的坡体进行识别监测,为滑坡防治提供支撑。

传统滑坡监测方法一般采用水准观测技术以及全球导航卫星系统(global navigation satellite system,GNSS)共同构建的形变监测网对滑坡体进行长时间持续观测,这2种方法可以得到高精度的形变监测结果^[6],但一般适合监测已知滑坡,对于地形陡峭的高山地区,布设难度大、成本高。近景摄影测量方法和三维激光扫描技术能够获得滑坡体高精度的三维形变信息^[7-8],比较直观地展现滑坡体的形态信息,但是容易受到山区复杂地形环境的影响,且监测工作受天气以及植被覆盖等因素限制。

合成孔径雷达干涉测量技术(interferometric synthetic aperture Radar,InSAR)可以全天时全天候地对地表进行大范围长时间的观测,获取厘米级或毫米级精度地表形变监测结果,可以有效弥补常规滑坡监测方法的缺点,因此InSAR技术在获取滑坡的时空形变特征和研究滑坡运动特征方面受到广泛关注^[9]。然而传统的InSAR技术容易受到时间、空间失相关和大气延迟效应等因素的影响。时序InSAR技术通过利用SAR影像中的长时间保持相干或一定时间内保持相干的像素解决时空失相关等问题,有效消除大气扰动带来的影响,获得地表微小形变,得到长时间序列的地表形变场。常见的时序InSAR技术包括永久散射体合成孔径雷达干涉测量技术(persistent scatterers InSAR,PS-InSAR)和小基线集合成孔径雷达干涉测量技术(small baseline subset InSAR,SBAS InSAR)^[10⇓-12]。相较于PS-InSAR,SBAS InSAR技术采用多主影像的组合方式,可以充分利用场景中的永久散射体和一定时间内保持相干的目标,更加适用于自然场景中形变监测^[13-14]。

叙永—古蔺高速公路(叙古高速)沿线地势险峻,地质条件复杂,地质灾害多发。尤其是随着叙古高速的修建,沿线多处坡体出现形变迹象^[15],如集美隧道滑坡等。本文利用SBAS InSAR技术对2017—2020年Sentinel-1卫星升降轨数据进行分析,识别叙古高速周边滑坡分布信息,分析滑坡的形变特征,为叙古高速安全运营提供支撑。

1 研究区概况及数据源

研究区位于四川省泸州市古蔺县境内(E105°37'48″~105°51'36″,N28°00'00″~28°07'12″),东西长约22.6 km、南北宽约13.2 km,面积近300 km²。其中叙古高速位置如图1中紫线所示,全长为66.617 km,呈东西走向,贯穿整个研究区。研究区处于四川盆地最南缘,在四川盆地与云贵高原过渡带乌蒙山系大娄山西段北侧,境内海拔在410~1 829 m之间,高差起伏大,区域内地质、地形情况十分复杂,区域气候复杂多变,滑坡等地质灾害频频发生。根据已有的野外调查资料显示,研究区内存在多处地质灾害^[16],对叙古高速的安全运行以及周边居民生命财产安全造成严重威胁,阻碍了地方经济发展。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区示意图

Fig.1 Map of the study area

作为哥白尼全球对地观测项目中的重要组成部分,Sentinel-1卫星分别于2014年4月3日和2016年4月25日发射升空,以干涉宽条带模式(interferometric wide swath,IW)为主要工作模式,距离向和方位向分辨率分别为5 m和20 m,单星重访周期为12 d,覆盖范围可达250 km。本研究获取了2017年2月—2020年9月期间覆盖研究区的Sentinel-1卫星107景升轨数据和108景降轨数据,2组数据由欧洲空间局免费提供,基本信息如表1所示。本文将影像与时间最近的2幅影像进行组合形成如图2所示的升降轨数据干涉网络。本文获取了日本宇宙航空研究开发机构AW3D 30 m数字地表模型进行差分干涉图生成和地理编码。

表1 Sentinel-1数据基本信息

Tab.1 Basic information about Sentinel-1 data

轨道方向	升轨	降轨
轨道号	55	164
方位角/(°)	-12.6	-167.5
入射角/(°)	33.3	31.6
影像数量/景	107	108
时间跨度	2017-02-07— 2020-09-19	2017-02-26— 2020-09-26
参考影像日期	2018-12-23	2018-12-18

新窗口打开| 下载CSV

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 干涉对组合

Fig.2 Interferometric combinations

2 时序InSAR分析方法

Sentinel-1 IW模式获取的SAR数据一般由3个子幅组成,且一般每个子幅包含9个burst,覆盖范围约250 km。由于SAR数据获取过程中卫星天线大幅摆动,每个burst内部的多普勒参数剧烈变化,要求相邻burst间在方位向的配准精度需达0.001像素。本文利用AW3D数字地表模型和精密轨道辅助的增强谱分析的方法,将数据集中的影像配准至表1所示的参考影像,干涉形成小基线数据集(图2)。

本文采用振幅离差与时间相干性相结合的方式提取干涉图中的相干像素以及短时间内保持相干的像素。其中振幅离差指数 $D_{A}$ 通过振幅标准差 $σ_{A}$ 与振幅均值 $μ_{A}$ 计算得到^[11],即

(1)

D_{A} = \frac{σ_{A}}{μ_{A}}

。

本文将 $D_{A}$ 阈值设置为0.6,当 $D_{A}$ 小于设置的阈值时,该点纳入候选点集。相位的时间相干性可以利用缠绕相位进行估计。其中缠绕相位中的地表形变、部分高程误差、大气延迟及轨道误差在空间上是相关的,可以利用带通滤波估计,高程误差相位则通过基线与高程误差之间的线性关系估计。把上述2种分量从缠绕相位中移除,相位的时间相干性γ可以用相位残差Φ_r估计,即

(2)

γ = \frac{1}{N} [\sum_{i = 1}^{N} e x p (j \cdot Φ_{r})]

式中: N为干涉图数量; $j$ 为虚数。本文将相干性阈值设位置0.3,大于0.3的像素被纳入最终像素集合,进行时间序列分析,并进行三维相位解缠^[17]。任意像素的解缠相位 $Φ$ 可以表示为:

(3)

Φ = Φ_{t o p o} + Φ_{d i s p} + Φ_{o r b} + Φ_{a t m} + Φ_{n}

式中 $Φ_{t o p o}$ , $Φ_{d i s p}$ , $Φ_{o r b}$ , $Φ_{a t m}$ 和 $Φ_{n}$ 分别为由高程误差、地表形变、轨道误差、大气和噪声引起的相位分量。干涉图中轨道误差是由星历信息不准确导致的,可通过式(4)二次多项式进行估计移除,即

(4)

Φ_{o r b} = a_{0} + a_{1} x + a_{2} y + a_{3} x y + a_{4} x^{2} + a_{5} y^{2}

式中: a_i(i=0,1,…,5)为二次多项式系数; x和y分别为方位向和距离向行列号。对于高程误差项,本文通过最小二乘构建基线和高程误差之间的线性方程获取,即

(5)

Φ_{t o p o} = \frac{4 π}{λ} \frac{B}{R s i n θ} Δ h

式中B,Δh,λ,R和θ分别为垂直基线、高程误差、波长、斜距和入射角。本文采用时空滤波的方式估计大气。在移除上述误差分量后,时间序列形变以及速率可以通过最小二乘的方法获取。

3 结果与分析

3.1 叙古高速沿线平均形变速率

利用Sentinel-1数据和SBAS InSAR技术获取的叙古高速沿线雷达视线向的年平均形变速率如图3所示,图3(a)中升轨数据共选取到311 497个相干点目标,点密度约为1 039个/km²; 图3(b)中降轨数据共选取到258 759个相干点目标,点密度约为863个/km²。图3中,红色表示视线向形变为负值,表示该点沿远离卫星方向移动; 蓝色表示视线向形变为正值,表示该点位沿靠近卫星方向移动。通过对比升降轨2组结果,在大部分的形变区域,2组数据的探测结果较为一致,但受到卫星拍摄角度以及研究区地形因素等影响,部分形变区域的视线向形变结果存在差别。考虑到监测误差的影响,设置形变速率阈值为10 mm/a^[18],当形变速率绝对值大于10 mm/a时,将被识别为地质灾害点。根据设置的形变速率阈值对升降轨数据集结果进行分析,在叙古高速周围共识别圈定了18处地质灾害点,如图3所示。并对其中的典型形变区进行编号,其中集美隧道滑坡S01位于一处古滑坡处; 滑坡体S02位于德耀镇凤凰村,探测到的形变区域面积最大,约为2.6 km²; 滑坡体S03位于古蔺县客运站,形变最明显,升降轨雷达视线向最大形变速率分别为-64 mm/a和-45 mm/a; 滑坡体S04位于城区北侧的山谷。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 研究区形变速率

Fig.3 Mean displacement rate of the study area

根据谷歌地球光学影像对InSAR的识别结果进行核验,部分区域InSAR识别结果与光学影像的对比如图4所示,使用红色虚线划定了InSAR结果中形变范围,对照光学影像发现,划定的形变范围与光学影像上坡体的裸露范围相吻合,裸露的坡体存在继续形变的隐患,需要加强地面调查监测,预防滑坡地质灾害的发生。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 InSAR识别结果与光学影像对比

Fig.4 Comparison between InSAR results and optical images

3.2 典型滑坡时序形变特征分析

滑坡体S01位于古蔺县德耀镇集美村的集美隧道,经地质调查发现,该坡体属于古滑坡,总坡度约为21°,呈阶梯状,滑坡长约550~980 m,宽约400~900 m。集美隧道位于古滑坡体后方,在隧道通过滑坡时,由于隧道开挖形成临空面,引起隧道右侧土体变形、地表开裂,以及隧道开裂变形。形变主要集中在滑坡体后缘,2015年1—10月间,后缘最大位移达到了57.9 cm^[15]。2016年,对滑坡采用分级清方、分级支挡等加固措施,以确保隧道顺利开通运行^[19]。图5所示为加固措施之后的形变结果,滑坡体后缘已经趋于稳定,形变主要集中在滑坡的前缘,说明加固措施对滑坡的形变起到了减缓作用。形变区域呈现扇形,升降轨数据集探测到的最大形变分别为-34 mm/a和-28 mm/a。图6给出了滑坡体前缘P1点的时序形变,发现升降轨数据探测到的形变趋势一致,均呈现衰减趋势,表明集美隧道滑坡前缘形变区域的形变出现减缓趋势。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 集美隧道滑坡形变速率

Fig.5 Mean displacement rate of Jimei tunnel landslide

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 集美隧道滑坡P1点时序形变结果

Fig.6 Time-series displacement at P1 of Jimei tunnel landslide

滑坡体S02位于古蔺县德耀镇东北部凤凰村,在叙古高速北面,坡体呈东西走向,整体西高东低,平均坡度为14°,获取的形变速率结果如图7所示,形变主要集中在滑坡体中部。滑坡体朝向东侧,在升轨结果中,视线向形变结果为负值,呈远离卫星方向运动,最大形变速率达到-43 mm/a,而在降轨道结果中,视线向形变结果为正值,呈靠近卫星方向运动,最大形变速率达到29 mm/a。图8给出了凤凰村滑坡P2点的时序形变结果,升轨结果为负值,累积形变量达到了-100 mm,降轨结果为正值,累积形变量达到了63 mm,表明该处坡体主要沿东方向滑动。坡体上村落聚集,需要对其进行定期观测,预防潜在的地质灾害。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 凤凰村滑坡形变速率

Fig.7 Mean displacement rate of Fenghuang Village

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 凤凰村P2点时序形变结果

Fig.8 Time-series displacement at P2 of Fenghuang Village

滑坡体S03位于叙古高速北侧,是一处南北走向的坡体,形变结果如图9所示,升降轨视线向最大形变速率分别达到-64 mm/a和-45 mm/a,形变区域主要集中在古蔺县西区客运站周围。获取该处区域P3点的时序形变结果如图10所示,受到观测角度的影响,升降轨数据获取的视线向累积形变值分别为-160 mm和-90 mm。同时,升降轨时序形变显示该区域在2019年存在加速现象,这与客运站建设运行的时间相吻合,推测客运站的建设以及后续持续增加的人类活动,加剧了该处边坡的形变。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 客运站滑坡形变速率

Fig.9 Mean displacement rate of passenger station landslide

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 客运站滑坡P3点时序形变结果

Fig.10 Time-series displacement at P3 of passenger station landslide

滑坡体S04位于古蔺县城北部的官地嘴,在其东南侧的小坪子也检查到形变,形变结果如图11所示,2处形变点(P4,P5)均位于山谷,山谷大体呈东北—西南走向,在2处山谷的东西两侧探测到形变,由于山谷的地形特点,升轨结果中主要探测到山谷东侧的形变,而降轨结果主要探测到山谷西侧的形变。升降轨探测结果中,官地嘴处坡体的视线向最大形变速率分别为-43 mm/a和-85 mm/a; 小坪子处坡体在视线向最大形变速率分别为-37 mm/a和-50 mm/a。图12展示的这2处形变点(P4,P5)的时序结果表明2处坡体在持续发生形变,2处坡体北高南低,南侧坡脚紧邻古蔺县城区,需要进一步监测,预防潜在的地质灾害。

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 官嘴地与小坪子滑坡形变速率

Fig.11 Mean displacement rate of Guandizui and Xiaopingzi

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12 官嘴地P4点与小坪子P5点时序形变结果

Fig.12 Time-series displacement at P4 of Guandizui and P5 of Xiaopingzi

4 结论

本文利用SBAS InSAR方法分别分析了覆盖叙古高速沿线的Sentinel-1升降轨数据集,获取了沿线形变速率,并据此探测出18处滑坡。研究发现滑坡体多为裸露的坡体,主要与道路建设和村落扩张等人类活动相关。其中集美隧道处滑坡经过治理,形变集中在滑坡前缘,且形变处于减缓趋势; 客运站处滑坡体在2019年存在明显加速现象,主要与客运站的建设和运行有关。对比升降轨形变结果可以发现,单轨道的探测结果容易受到自身拍摄角度和地形影响,升降轨数据结合能获得更好的探测结果。同时,结合光学影像以及相关资料,发现识别到的滑坡体多为裸露的坡体,需要进一步的监测,预防潜在的地质灾害。本文的研究表明,不断积累的InSAR数据可为大范围地质灾害识别监测提供重要保障。

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]

郭澳庆, 胡俊, 郑万基,

等.

时序InSAR滑坡形变监测与预测的N-BEATS深度学习法——以新铺滑坡为例

[J]. 测绘学报, 2022, 51(10):2171-2182.

DOI:10.11947/j.AGCS.2022.20220298 [本文引用: 1]

滑坡通常发生突然,破坏力巨大,经常造成重大生命安全事故和财产损失。高可靠性、高精度及具有抗差性能的滑坡形变监测预测手段和方法对于国家防灾减灾需求具有切实意义。InSAR技术是一种能够全天时和全天候观测获取高空间分辨率和宽覆盖率影像,高灵敏性捕捉时空维动态变化的监测手段,然而目前应用InSAR时序影像对滑坡区进行滑坡预测的工作仅是凤毛麟角。基于时序InSAR观测结果,本文提出了一种能够有效解决中短期滑坡预测问题的深度学习滑坡预测方法。在三峡新铺滑坡区应用N-BEATS网络模型和Sentinel-1 SAR数据进行形变预测,以均方根误差1.1 mm的预测精度完成了滑坡预测工作,并对预测结果进行了数据结构影响的规律性分析、传统方法效果对比、抗差性评估及置信区间估计等多方位的剖析,结果显示出了其高精度、高可靠性及具有一定抗差能力的突出优势。

Guo

A Q

, Hu

, Zheng

W J

et al.

N-BEATS deep learning method for landslide deformation monitoring and prediction based on InSAR:A case study of Xinpu landslide

[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(10):2171-2182.