2019, Vol. 44文章信息
- 戴可人, 卓冠晨, 许强, 李振洪, 李为乐, 管威
- DAI Keren, ZHUO Guanchen, XU Qiang, LI Zhenhong, LI Weile, GUAN Wei
- 雷达干涉测量对甘肃南峪乡滑坡灾前二维形变追溯
- Tracing the Pre-failure Two-dimensional Surface Displacements of Nanyu Landslide, Gansu Province with Radar Interferometry
- 武汉大学学报·信息科学版, 2019, 44(12): 1778-1786, 1796
- Geomatics and Information Science of Wuhan University, 2019, 44(12): 1778-1786, 1796
- http://dx.doi.org/10.13203/j.whugis20190092
-
文章历史
收稿日期: 2019-02-15
2. 成都理工大学地球科学学院, 四川 成都, 610059;
3. 英国纽卡斯尔大学工学院, 英国 纽卡斯尔, NE1 7RU
2. College of Earth Sciences, Chengdu University of Technology, Chengdu 610059, China;
3. School of Engineering, Newcastle University, Newcastle Upon Tyne NE1 7RU, UK
2018年7月12日，甘肃省舟曲县南峪乡江顶崖区域发生大面积滑坡，滑坡体总量达到500×104 m3，大量坡积物冲入白龙江，造成白龙江南峪乡河道堵塞，水位上涨，对附近村庄人民的生命财产安全、下游水电厂安全等造成威胁，同时也带来监测预警、安全保卫、卫生防疫、转移安置等一系列后续工作[1]。追溯滑坡体灾前状态对滑坡诱因分析、灾后稳定性评估具有重要作用。我国西部山区滑坡分布广，灾害频发（西部地区滑坡灾害的总量已经达到中国地质灾害总量的60%[2]），对已有滑坡滑前状态追溯可以为未来滑坡灾害防治与监测预警、防灾减灾工作提供参考，具有重要意义。
由于滑坡灾害的突发性与不确定性，目前对滑坡灾前演变追溯主要利用存档光学遥感进行追溯[3-4]。光学遥感具有覆盖面积广、光谱范围大的特点，但获取时间间隔长、影像受云雾影响大、空间分辨率不够高，只能对滑坡体进行简单定性分析与解译。基于雷达遥感数据的合成孔径雷达干涉测量(interferometric synthetic aperture radar, InSAR)技术为滑坡灾前演变追溯提供了新的技术途径。InSAR技术利用对同一地区同一轨道观测获取的两景或多景合成孔径雷达(synthetic aperture radar，SAR)影像进行干涉差分处理，去除地形残余误差、大气效应等相关误差后获取高精度的三维地形及地表微小形变信息。InSAR技术具有覆盖范围广、监测精度高、全天时、全天候、空间分辨率高等特点，在大型滑坡形变监测[5-8]及滑坡大范围普查方面[9-12]已发挥重要作用；在对已发生滑坡的灾前形变追溯工作中，也展现出应用潜力。Dong等[13]、Intrieri等[14]利用InSAR技术对2017年造成80多人失踪或遇难的新磨村滑坡滑前变形进行追溯，发现了滑前明显的形变信号，也发现了临滑阶段明显的形变加速过程。许强等[15]基于SAR影像利用像素偏移算法对金沙江白格滑坡进行了滑前历史数据分析，发现滑坡体在滑坡发生前数年累积变形量已达30 m以上。随着雷达卫星数据硬件的不断提升，雷达遥感在未来将会发挥更加重要的作用[16]。
本文将利用时间序列SBAS-InSAR(small baseline subset InSAR)方法，基于升轨与降轨哨兵一号（Sentinel-1）雷达影像获取滑坡体的二维形变，对甘肃省南峪乡滑坡灾前滑坡体状态进行追溯，探究其滑坡发生前演变情况。结合降雨量信息等对其进行演变分析，为滑坡诱因分析提供有力支持，同时也可以为灾后稳定性评估和未来滑坡灾害的监测与预警提供思路与借鉴。
1 研究区概况南峪乡位于我国西北部，是甘肃省南藏族自治州舟曲县辖乡（图 1（a）），位于舟曲县县城东南方向9 km川甘边界处（图 1（c）中黑色矩形代表Sentienl-1影像覆盖范围）。白龙江属于长江支流嘉陵江的支流，南峪乡位于其西南岸，此次南峪乡滑坡发生于南峪乡江顶崖区域，位于白龙江东岸。S313两郎公路(两河口-郎木寺)顺着白龙江沿岸穿过此区域（图 1（c）中红色多边形代表了南峪乡滑坡边界）。南峪乡顶崖区域位属秦岭造山带，是新构造运动最强烈的地区之一，地质结构复杂，岩体严重破碎，且呈现多期活动状态，极易受降雨天气影响引发老滑坡复活滑动[17]。
|
| 图 1 研究区位置 Fig. 1 Location of the Study Area |
南峪乡江顶崖滑坡长约700 m，宽约240 m，面积约0.16 km2，估算平均厚度约30 m，体积达500×104 m3[18]，属于大型滑坡，其全景图与地质剖面图如图 2所示。根据江顶崖古滑坡体内部各部分的滑动特征，在全景图上可将其划分为7个主要区域：古滑坡崩塌区(Ⅰ)、滑坡岩体形变区(Ⅱ)、古滑坡堆积区(Ⅲ、Ⅳ、Ⅴ、Ⅵ、Ⅶ) [19]。
|
| 图 2 南峪乡全景图与地质剖面图 Fig. 2 A Panoramic View of the Nanyu Village and the View of the Ancient Landslide Geological Profile |
该滑坡为古滑坡的复活滑动，由碎石土和黄土混合而成，块石包括灰岩、板岩、炭质千枚岩等，如图 2（b）所示。其中灰岩含量大、块度大，呈次圆状，最大可见3 m的大块石，1~2 m的大块石较多[20]。该古滑坡体现阶段处于蠕滑状态，面上裂缝、鼓丘很多，前缘将白龙江堵塞，江面宽度仅余5 m，上游水位上升约7~8 m，导致南峪乡房屋较多被淹，公路、桥被冲毁，损失较大[20]。
利用多时相遥感影像分析，也可以发现此次滑坡发育于一巨型古滑坡堆积体上（古滑坡长约2 000 m，平均宽度1 600 m）。该古滑坡堆积体受前缘河流长期冲刷及坡体上公路开挖等人类活动影响，至少在2010年之前便出现了较明显的圈椅状地表形变迹象[17]。2018年7月12日，持续强降雨作用诱发了大规模滑坡运动[18]。由于该滑坡区域属于偏远地区，并未直接对人员聚集的村庄构成威胁，事发前无地表仪器观测记录。事发当天有大约1×104 m3碎石和黄土被雨水冲击到山体下方，造成白龙江河水上涨，国道345线南峪乡段道路中断[21]。考虑到滑坡活动有加剧的可能，极有可能造成白龙江堵塞形成堰塞湖，淹没南峪乡南一、南二两村，危险性极大；特别是滑坡体上大块石多，一旦形成坝体，坝体在自然水冲的情况下不易被冲开[20]，因此相关转移安置、安全保卫、卫生防疫、等一系列后续工作陆续展开。可见，该滑坡虽无直接威胁村舍，但后续工作同样耗费了大量人力、物力资源，造成较大损失，引起社会广泛关注。
2 数据与方法 2.1 研究区SAR数据本文采用的研究数据为Sentinel-1卫星数据。Sentinel-1卫星是欧洲航天局（European Space Agency, ESA）针对哥白尼全球观测计划研制的一个由两颗卫星（Sentinel-1A及Sentinel-1B）组成的卫星星座，可以进行全球海岸带、陆地、航线等全天候、全天时高分辨率监测，采用C波段成像，波长5.6 cm。Sentinel-1A卫星于2014-04-03发射升空，重返周期达到12 d；Sentinel-1B卫星于2016-04-26发射升空，将重返周期进一步缩短至6 d。
本研究共采用31景降轨Sentinel-1影像数据与33景升轨Sentinel-1影像数据，时间跨度为2017-06-07—2018-07-08，时间间隔12 d。研究区域的升轨数据与降轨数据的获取时间一致。数据成像模式为干涉宽幅模式，幅宽为250 km，地面分辨率为5 m×20 m。通过设置时间基线阈值72 d，垂直基线阈值104 m，降轨数据以2017-09-23期影像作为主影像，升轨数据以2018-02-02期影像作为主影像，其他所有影像都依主影像进行精配准。降轨数据共生成137组干涉对，升轨数据共生成154组干涉对。升降轨数据的具体获取日期与时空基线关系如图 3所示。另外，本研究中采用了30 m分辨率的ALOS World 3D (AW3D30)数字高程模型(digital elevation model，DEM)[22]作为外部DEM数据，以消除地形起伏的影响。
|
| 图 3 SAR数据时空基线图 Fig. 3 Spatial and Temporal Baselines of SAR Datasets |
SBAS-InSAR方法的主要思路是基于一定的时空基线阈值，选取多个主影像组成自由组合的干涉对，基于影像中的高相干点反演出区域的时间序列形变信息。该方法能够在一定程度上克服时间失相关及空间失相关的不利影响[23]。
SBAS-InSAR主要技术原理如下。假设有按照时间序列t0，t1⋯ti⋯tN获取的N+1幅SLC(single look complex)影像，首先以任意一幅影像作为主影像进行配准，以设定的时间与空间基线阈值进行干涉对组合与构网，分别对各组影像对进行差分干涉处理，共得到M对干涉对。然后利用轨道信息与外部DEM数据，对M个干涉对逐对进行差分处理，去除平地效应与地形效应，得到M幅差分干涉图，并采用Delaunay 3D的方法完成相位解缠。在基于外部控制点(ground control point, GCP)数据完成轨道精炼与重去平后便开始第一次时序解算。此时假设以t0时刻作为参考时间，将该时刻研究区域的形变视为零，则在第j幅干涉图中的某个像素相对于解缠起始点的相位可以表示为：
| $ \begin{array}{*{20}{c}} {{\rm{\Delta }}{\varphi _j} = {\varphi _{{t_1}}} - {\varphi _{{t_2}}} \approx {\rm{\Delta }}\varphi _{{j_{{\rm{def}}}}}^{} + {\rm{\Delta }}\varphi _{{j_{{\rm{topo}}}}}^{} + }\\ {{\rm{\Delta }}\varphi _{{j_{{\rm{atm}}}}}^{} + {\rm{\Delta }}\varphi _{{j_{{\rm{noise}}}}}^{}} \end{array} $ | (1) |
式中, 1≤j≤M；
| $ \left\{ {\begin{array}{*{20}{l}} {\Delta {\varphi _{{j_{{\rm{disp}}}}}}(x, r) = \frac{{4\pi }}{\lambda }\left[ {d\left( {{t_2}} \right) - d\left( {{t_1}} \right)} \right], \quad j = 1, 2 \cdots M}\\ {\Delta {\varphi _{{j_{{\rm{topo}}}}}}(x, r) = \frac{{4\pi }}{\lambda } \cdot \frac{{{B_ \bot }\Delta h}}{{r\sin \theta }}}\\ {\Delta {\varphi _{{j_{{\rm{atm}}}}}}(x, r) = {\varphi _{{\rm{atm }}}}\left( {{t_2}} \right) - {\varphi _{{\rm{atm }}}}\left( {{t_1}} \right)} \end{array}} \right. $ | (2) |
式中，λ表示雷达中心波长；θ为雷达视角；Δh为DEM误差；r为雷达到观测物体的斜距；d(t2)与d(t1)分别表示t2与t1时刻像元相对于初始时间t0在雷达视线方向的形变累计量，一般假设d(t0)=0。
SBAS方法中假设相邻两幅SAR影像获取时间间隔内地表形变符合线性累积趋势，将对相位时间序列的求解转化为相位变化速率的求解，可得：
| $ \begin{array}{*{20}{l}} {{\mathit{\boldsymbol{V}}^{\rm{T}}} = \left[ {{v_1} = \frac{{{\varphi _1} - {\varphi _0}}}{{{t_1} - {t_2}}},{v_2} = \frac{{{\varphi _2} - {\varphi _1}}}{{{t_2} - {t_1}}} \ldots } \right.}\\ {\left. {\;\;\;\;\;\;{v_n} = \frac{{{\varphi _n} - {\varphi _{n - 1}}}}{{{t_n} - {t_{n - 1}}}} \ldots {v_N} = \frac{{{\varphi _N} - {\varphi _{N - 1}}}}{{{t_N} - {t_{N - 1}}}}} \right]} \end{array} $ | (3) |
则
| $ \Delta {\varphi _{{j_{{\rm{def}}}}}} = \mathit{\boldsymbol{BV}} $ | (4) |
式中，矩阵B为系数矩阵，每一行都对应一个干涉对。矩阵的元素中主影像系数为1，辅影像系数为-1，其他影像系数为0。
因此，在不考虑大气相位与噪声的情况下，联合式(1)~(4)可得：
| $ \mathit{\boldsymbol{BV}} + \mathit{\boldsymbol{C}}\Delta h = \Delta \varphi $ | (5) |
其中，
| $ {\mathit{\boldsymbol{C}}^{\rm{T}}} = \left[ {\frac{{4{\rm{ \mathsf{ π} }}}}{\lambda }\frac{{\mathit{\boldsymbol{B}}_1^ \bot }}{{r{\rm{sin}}\theta }},\frac{{4{\rm{ \mathsf{ π} }}}}{\lambda }\frac{{\mathit{\boldsymbol{B}}_2^ \bot }}{{r{\rm{sin}}\theta }} \cdots \frac{{4{\rm{ \mathsf{ π} }}}}{\lambda }\frac{{\mathit{\boldsymbol{B}}_L^ \bot }}{{r{\rm{sin}}\theta }}} \right] $ | (6) |
若干涉构网形成一个唯一子集并充分连接，可采用最小二乘法基于式（5）对形变速率与高程改正数进行求解，当矩阵出现秩亏时，则可通过奇异值分解（singular value decomposition, SVD）的方法求解。在完成第一次求解后，会基于残差对大气相位进行估计去除，接着使用相同方法进行第二次时序估计，最终得到时间序列形变、平均形变速率及高程改正数结果。该方法的数据处理流程图如图 4所示，详细处理流程可参考文献[24-26]。
|
| 图 4 SBAS-InSAR时序分析流程图 Fig. 4 Flowchart of SBAS-InSAR Time Series Analysis |
基于单一轨道SAR数据，InSAR技术能够获取雷达视线方向上的一维形变。在滑坡灾前形变追溯的过程中，由于坡体朝向的不同，单一方向一维形变往往不能准确反映形变特征。如果有多个InSAR的监测结果，则可获得滑坡的多维形变。
假设目标远离雷达视线方向（line of sight, LOS）的形变dLOS为负值，靠近雷达视线方向的形变dLOS为正值。可将雷达视线方向的形变dLOS分解为垂直方向上的形变dU、南北方向上的形变dN及东西方向上的形变dE，得：
| $ \begin{array}{l} {d_{{\rm{LOS}}}} = {d_{\rm{U}}}{\rm{cos}}\theta - {d_{\rm{N}}}{\rm{sin}}\theta {\rm{cos}}\left( {\alpha - \frac{3}{2}{\rm{ \mathit{ π} }}} \right) - \\ \;\;\;\;\;\;\;\;\;\;\;\;{d_{\rm{E}}}{\rm{sin}}\theta {\rm{sin}}\left( {\alpha - \frac{3}{2}{\rm{ \mathit{ π} }}} \right) \end{array} $ | (7) |
式中，θ为卫星入射角；α-3π/2为方位视线方向。
要获取滑坡的三维形变必须获得3个不同方向上的监测结果。基于滑坡过程的自然规律，假设滑坡水平方向上的形变主要发生在坡面方向上，可通过升降轨数据两个不同入射方向的监测结果获取滑坡二维形变[27]，即：
| $ {d_{{\rm{LOS}}}} = {d_{\rm{U}}}{\rm{cos}}\theta - {d_{{\rm{OA}}}}{\rm{sin}}\theta {\rm{cos}}\left( {\delta - \left( {\alpha - \frac{3}{2}{\rm{ \mathit{ π} }}} \right)} \right) $ | (8) |
式中，dOA为滑坡方向形变；δ为滑坡方位角。
根据式(8)可得：
| $ \left( {\begin{array}{*{20}{c}} {{d_{\rm{U}}}}\\ {{d_{{\rm{OA}}}}} \end{array}} \right) = {\left( {\begin{array}{*{20}{c}} {{\rm{cos}}{\theta _1}}&{ - {\rm{sin}}{\theta _1}{\rm{cos}}\left( {\delta - {\alpha _1} + \frac{{3{\rm{ \mathit{ π} }}}}{2}} \right)}\\ {{\rm{cos}}{\theta _2}}&{ - {\rm{sin}}{\theta _2}{\rm{cos}}\left( {\delta - {\alpha _2} + \frac{{3{\rm{ \mathit{ π} }}}}{2}} \right)} \end{array}} \right)^{ - 1}}\left( {\begin{array}{*{20}{c}} {{d_{{\rm{LOS}}1}}}\\ {{d_{{\rm{LOS}}2}}} \end{array}} \right) $ | (9) |
根据式(9)，利用升轨与降轨数据的监测结果，即可获得垂直向与沿坡面向的二维形变。
3 灾前形变结果与分析利用§2提到的SBAS-InSAR方法，本文基于Sentinel-1数据集首先获取了升降轨道视线方向上的形变，两个轨道结果相干性好，几何畸变区域少，且结果互相对比较为吻合。联合使用升降轨道视线方向上的形变，基于§2.3方法获取了南峪乡滑坡区域的二维形变，结果如图 5所示，图 5(a)为沿滑坡坡面方向的年平均形变速率，图 5(b)为垂直向的年平均形变速率。图 5中红色实线标注的区域正是南峪乡滑坡发生所在地江顶崖区域。在滑坡发生前的13个月时间，滑坡方向存在明显形变，滑坡方向的最大平均年形变速率可达63 mm/a。在垂直方向上，滑坡区域的形变较小，绝大多数监测点的平均年形变速率位于-10~10 mm/a。值得一提的是, 除了南屿乡江顶崖滑坡区域之外，还发现了两处在坡向上存在明显形变区域的坡体1和2（图 5黄色圈内）。其放大后的形变分布如图 6所示，其最大年形变速率可达-53 mm/a。这两处形变区域是否存在滑坡及堵江的威胁，值得进一步关注。
|
| 图 5 南峪乡滑坡InSAR平均速率结果 Fig. 5 InSAR Derived Mean Velocity Map Around Nanyu Village |
|
| 图 6 两处其他形变区域滑坡向平均速率图 Fig. 6 Mean Velocity Maps for Two Deformation Areas |
南峪乡滑坡区域的时序形变与日降雨量统计结果如图 7所示, 放大形变分布结果如图 8所示。从滑坡方向的形变分解结果可以看出，滑坡体中部偏右区域为滑前形变最剧烈的区域，形变区域呈现出明显的漏斗状特征。形变中心区域最大形变量可达63 mm/a，最大累积形变量可达80 mm。依据获得的沿坡向的形变结果，图 8中白色虚线圈定的形变中心区域长约460 m，宽约165 m。形变中心高度海拔1 400 m，坡脚海拔1 300 m，该区域是在滑坡发生前半年发生显著形变的范围。滑坡体下方并无直接人员聚集村落，滑坡堆积物直接冲入白龙江中。
|
| 图 7 时间序列形变与日均降雨量统计结果 Fig. 7 Statistical Results of Time Series Deformation and Average Daily Rainfall |
|
| 图 8 南峪乡江顶崖滑坡区域滑坡方向形变结果解译分析 Fig. 8 Further Interpretation of the Mean Velocity Map in Azimuth Direction of Landslide of Jiangdingya Area, Nanyu Village |
南峪乡滑坡区域在沿坡面方向的形变值较大，而在垂直方向上的形变值较小。在南峪乡滑坡变形区域及邻近范围选择了6个点(A、B、C、D、E、F)进行滑坡方向的累计形变时序结果展示，时间序列结果如图 7所示。本文同时搜集了南峪乡地区InSAR监测时段的日均降雨量，用蓝边黑条柱形图表示于图 7中。从不同时序点可以看出，点A、点B及点C位于形变中心区域，从2017-06-07—2018-07-08 13个月之间累积形变量达64~77 mm。与降雨量结合分析，这3个点共经历如图 7所示的两个时段的形变，Ⅰ阶段处于2017-06—2018-02共9个月的时间内，形变不断积累，累积形变量约40 mm；Ⅱ阶段处于2018-02—2018-07，该区域在经历过降雨量较少的冬季之后，随着降雨量增大，形变量显著加速，特别是3月—4月加速较快。在4月—7月，形变匀速发展，最终在7月12日发生滑坡。点D、点E位于滑坡范围西、北、东侧，累计形变值整个时间段都较为稳定。时序结果表明，滑坡的灾前形变过程经历了形变积累和加速形变两个阶段，且降水与滑坡变形在2018年2月—7月均显著增加，呈现明显相关性，显示降水是滑坡发生的诱发因素之一。
4 结语本文利用升降轨Sentinel-1雷达影像采用SBAS-InSAR技术获取了滑坡的二维形变，对甘肃南峪乡滑坡灾前形变情况进行了追溯。结果显示，南峪乡滑坡范围内从2017年6月起便发生了变形，至滑坡前最大累积形变量达77 mm。通过与雨量数据联合分析，发现该区域时间序列形变主要表现为形变积累和加速形变两个阶段，与降雨量变化高度吻合，特别是降雨量从春季至夏季（即2月—7月）显著增加，形变增量在这一时间也显著增大，因此可以佐证降雨是此次滑坡主要诱发因素之一。该案例提供了基于InSAR技术及雷达遥感对滑坡发生前形变追溯的可靠结果，为滑坡诱因分析以及未来大面积滑坡监测预警工作提供了新的技术方法与思路。
值得注意的是，本次形变追溯结果并未发现临滑阶段明显的加速变形期，推测可能是由于最后一张Sentinel-1影像是在2018-07-08获取，离2018-07-12滑坡发生尚有4天时间，而加速变形期往往时间较短[28]，所以未能捕捉到临滑阶段明显的加速信号。这也说明了InSAR技术在滑坡监测预警中可能存在时间采样率不足等缺点[29]，需要与其他技术相结合，发挥各自优势，建设更为完备的滑坡监测预警体系。
| [1] |
Wu Tianlin. Enlightenment and Thoughts on Emergency Rescue and Disposal of 7·12 Landslide in Zhouqu County[J]. China Water Resources, 2018(15): 28-29. (吴天临. 舟曲县"7·12"滑坡应急抢险处置启示和思考[J]. 中国水利, 2018(15): 28-29. DOI:10.3969/j.issn.1000-1123.2018.15.008 ) |
| [2] |
Huang Runqiu. Some Catastrophic Landslides Since the Twentieth Century in the Southwest of China[J]. Landslides, 2009, 6(1): 69-81. DOI:10.1007/s10346-009-0142-y |
| [3] |
Zhu Boqin, Nie Yueping. Using Satellite Remotely Sensed Data to Monitor Yigong Tremendous High-speed Landslide[J]. Journal of Natural Disasters, 2001, 10(3): 103-107. (朱博勤, 聂跃平. 易贡巨型高速滑坡卫星遥感动态监测[J]. 自然灾害学报, 2001, 10(3): 103-107. DOI:10.3969/j.issn.1004-4574.2001.03.018 ) |
| [4] |
Behling R, Roessner S, Golovko D, et al. Derivation of Long-term Spatiotemporal Landslide Activity—A Multi-sensor Time Series Approach[J]. Remote Sensing of Environment, 2016, 186: 88-104. DOI:10.1016/j.rse.2016.07.017 |
| [5] |
Dai Keren, Li Zhenhong, Roberto T, et al. Monitoring Activity at the Daguangbao Mega-Landslide (China) Using Sentinel-1 TOPS Time Series Interferometry[J]. Remote Sensing of Environment, 2016, 186: 501-513. DOI:10.1016/j.rse.2016.09.009 |
| [6] |
Tomás R, Li Zhenhong, Lopez-Sanchez J M, et al. Using Wavelet Tools to Analyse Seasonal Variations from InSAR Time-Series Data: A Case Study of the Huangtupo Landslide[J]. Landslides, 2016, 13(3): 437-450. DOI:10.1007/s10346-015-0589-y |
| [7] |
Liu Peng, Li Zhenhong, Hoey T, et al. Using Advanced InSAR Time Series Techniques to Monitor Landslide Movements in Badong of the Three Gorges Region, China[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 21: 253-264. DOI:10.1016/j.jag.2011.10.010 |
| [8] |
Zhao Chaoying, Liu Xiaojie, Zhang Qin, et al. Research on Loess Landslide Identification, Monitoring and Failure Mode with InSAR Technique in Heifangtai, Gansu[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 996-1 007. (赵超英, 刘晓杰, 张勤, 等. 甘肃黑方台黄土滑坡InSAR识别、监测与失稳模式研究[J]. 武汉大学学报·信息科学版, 2019, 44(7): 996-1 007. ) |
| [9] |
Dong Jie, Liao Mingsheng, Xu Qiang, et al. Detection and Displacement Characterization of Landslides Using Multi-temporal Satellite SAR Interferometry: A Case Study of Danba County in the Dadu River Basin[J]. Engineering Geology, 2018, 240: 95-109. DOI:10.1016/j.enggeo.2018.04.015 |
| [10] |
Shi Xuguo, Liao Mingsheng, Li Menghua, et al. Wide-area Landslide Deformation Mapping with Multi-path ALOS PALSAR Data Stacks: A Case Study of Three Gorges Area, China[J]. Remote Sensing, 2016, 8(2): 136. DOI:10.3390/rs8020136 |
| [11] |
Li Guangyan. Landslide Identification and Monitoring in the Middle Reaches of Bailong River Using Sentinel-1A[D]. Nanjing : Nanjing Normal University, 2018 (黎光艳.基于Sentinel-1A数据的白龙江中游滑坡识别与监测研究[D].南京: 南京师范大学, 2018) http://cdmd.cnki.com.cn/Article/CDMD-10319-1018292254.htm
|
| [12] |
Zhang Lu, Liao Mingsheng, Dong Jie, et al. Early Detection of Landslide Hazards in Mountainous Areas of West China Using Time Series SAR Interferometry—A Case Study of Danba, Sichuan[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 2 039-2 049. (张路, 廖明生, 董杰, 等. 基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别——以四川丹巴为例[J]. 武汉大学学报·信息科学版, 2018, 43(12): 2 039-2 049. ) |
| [13] |
Dong J, Zhang L, Li M, et al. Measuring Precursory Movements of the Recent Xinmo Landslide in Mao County, China with Sentinel-1 and ALOS-2 PALSAR-2 Datasets[J]. Landslides, 2018, 15(1): 135-144. DOI:10.1007/s10346-017-0914-8 |
| [14] |
Intrieri E, Raspini F, Fumagalli A, et al. The Maoxian Landslide as Seen from Space: Detecting Precursors of Failure with Sentinel-1 Data[J]. Landslides, 2018, 15(1): 123-133. DOI:10.1007/s10346-017-0915-7 |
| [15] |
Xu Qiang, Zheng Guang, Li Weile, et al. Study on Successive Landslide Damming Events of Jinsha River in Baige Village on Octorber 11 and November 3, 2018[J]. Journal of Engineering Geology, 2018, 26(6): 1 534-1551. (许强, 郑光, 李为乐, 等. 2018年10月和11月金沙江白格两次滑坡-堰塞堵江事件分析研究[J]. 工程地质学报, 2018, 26(6): 1 534-1 551. ) |
| [16] |
Ge Daqing, Dai Keren, Guo Zhaocheng, et al. Early Identification of Serious Geological Hazards with Integrated Remote Sensing Technologies: Thoughts and Recommendations[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 949-956. (葛大庆, 戴可人, 郭兆成, 等. 重大地质灾害隐患早期识别中综合遥感应用的思考与建议[J]. 武汉大学学报·信息科学版, 2019, 44(7): 949-956. ) |
| [17] |
Xinhua Net Gansu Channel. Construction of the Emergency Disaster Management Project for the Jiangdingya Landslide in Zhouqu, Gansu[OL]. http://www.gs.xinhuanet.com/news/2018-12/07/c_1123819368.htm,2018 (新华网甘肃频道.甘肃舟曲江顶崖滑坡灾害应急治理工程开工建设[OL]. http://www.gs.xinhuanet.com/news/2018-12/07/c_1123819368.htm,2018)
|
| [18] |
State Key Laboratory of Geo-hazard Prevention and Geo-environment Protection, Chengdu University of Technology. Our Laboratory Carried Out Research Work on Jiangdingya Landslide in Nanyu Village, Zhouqu County, Gansu Province[OL]. http://www.sklgp.cdut.edu.cn/info/1018/2264.htm,2018 (地质灾害防治与地质环境保护国家重点实验室(成都理工大学).我室开展甘肃省舟曲县南峪乡江顶崖滑坡研究工作[OL]. http://www.sklgp.cdut.edu.cn/info/1018/2264.htm,2018)
|
| [19] |
Guo Changbao, Ren Sanshao, Li Xue, et al. Development Characteristics and Reactivation Mechanism of the Jiangdingya Ancient Landslide in the Nanyu Town, Zhouqu County, Gansu Province[J]. Geoscience, 2019, 33(1): 208-219. (郭长宝, 任三绍, 李雪, 等. 甘肃舟曲南峪江顶崖古滑坡发育特征与复活机理[J]. 现代地质, 2019, 33(1): 208-219. ) |
| [20] |
Guangming Website.Disaster Report: Jiangdingya Landslide in Nanyu Village, Zhouqu County Still Threatens Bailongjiang[OL]. https://baijiahao.baidu.com/s?id=1606116551462573144&wfr=spider&for=pc,2018 (光明网.灾情速报: 舟曲县南峪乡江顶崖滑坡体仍威胁白龙江[OL]. https://baijiahao.baidu.com/s?id=1606116551462573144&wfr=spider&for=pc,2018)
|
| [21] |
CCTV News.Directly Hit the Landslide Site in Nanyu Township, Zhouqu, Gansu: The Entire Landslide is Still Unstable[OL]. http://news.cctv.com/2018/07/14/ARTIS3vaDMwhWaWjit8lQDQ Z180714.shtml,2018 (央视网新闻.直击甘肃舟曲南峪乡滑坡现场: 整个滑坡体仍不稳定[OL]. http://news.cctv.com/2018/07/14/ARTIS3vaDMwhWaWjit8lQDQZ180714.shtml,2018)
|
| [22] |
Japan Aerospace Exploration Agency. ALOS Global Digital Surface Model "ALOS World 3D - 30 m (AW3D30) "[OL]. https://www.eorc.jaxa.jp/ALOS/en/aw3d30/index.htm?tdsourcetag=s_pctim_aiomsg,2018
|
| [23] |
Berardino P, Fornaro G, Lanari R, et al. A New Algorithm for Surface Deformation Monitoring Based on Small Baseline Differential SAR Interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(11): 2 375-2 383. DOI:10.1109/TGRS.2002.803792 |
| [24] |
Mu Jialei. Research on Surface Deformation Laws Caused by Deep Anhydrite Mining with SBAS-InSAR[D]. Beijing : China University of Geosciences, 2018 (穆家雷.基于SBAS-InSAR的深部硬石膏开采引起地表形变规律研究[D].北京: 中国地质大学, 2018) http://cdmd.cnki.com.cn/Article/CDMD-11415-1018030137.htm
|
| [25] |
Wang Ruyi. The Study of Land Subsidence Monitoring Technology Based on SBAS-InSAR with High Resolution[D]. Beijing : China University of Geosciences, 2015 (王如意.基于SBAS-InSAR的高分辨率地面沉降监测技术研究[D].北京: 中国地质大学, 2015) http://cdmd.cnki.com.cn/Article/CDMD-11415-1015389835.htm
|
| [26] |
Yu Bing. Modelling of High-resolution Coherent Scatterer Radar Interferometry and Methodology for Extracting Defermation[D]. Chengdu: Southwest Jiaotong University, 2015 (于冰.高分辨率相干散射体雷达干涉建模及形变信息提取方法[D].成都: 西南交通大学, 2015) http://cdmd.cnki.com.cn/Article/CDMD-10613-1017022388.htm
|
| [27] |
Kang Ya. Landslide Detection and Monitoring over Southwestern Mountainous Area with InSAR[D]. Xi'an: Chang'an University, 2016 (康亚. InSAR技术在西南山区滑坡探测与监测的应用[D].西安: 长安大学, 2016) http://cdmd.cnki.com.cn/Article/CDMD-10710-1016748892.htm
|
| [28] |
Xu Q, Yuan Y, Zeng Y P, et al. Some New Pre-warning Criteria for Creep Slope Failure[J]. Science China Technological Sciences, 2011, 54(1): 210-220. |
| [29] |
Li Zhenhong, Song Chuang, Yu Chen, et al. Application of Satellite Radar Remote Sensing to Landslide Detection and Monitoring: Challenges and Solutions[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 967-979. (李振洪, 宋闯, 余琛, 等. 卫星雷达遥感在滑坡灾害探测和监测中的应用:挑战与对策[J]. 武汉大学学报·信息科学版, 2019, 44(7): 967-979. ) |