Research on Loess Landslide Identification, Monitoring and Failure Mode with InSAR Technique in Heifangtai, Gansu
-
摘要: 采用合成孔径雷达干涉测量（interferometric synthetic aperture radar，InSAR）技术对甘肃黑方台地区潜在的黄土滑坡开展了多时相编目、长时序监测以及失稳模式识别研究。首先，采用不同空间分辨率、不同波长的历史存档合成孔径雷达（synthetic aperture radar，SAR）数据对黑方台地区2006-12至2017-11间的潜在滑坡开展了识别研究，在2006-12至2011-03和2016-01至2016-11两个时间段均识别出数10处不稳定坡体，实地调查和光学遥感影像验证了InSAR技术识别结果的可靠性与准确性。然后，对典型不稳定滑坡体采用高空间与高时间分辨率的TerraSAR-X数据开展了长时序监测，结果表明，在InSAR监测期间，累积形变最大的滑坡体在随后的时间里均发生了滑动，并成功地捕获到滑坡体形变加速的时间点。最后，利用升降轨SAR数据开展了黄土滑坡二维形变监测研究，基于滑坡的二维形变特征并结合地形图以及光学遥感影像进一步研究了滑坡的失稳模式，现场调查结果验证了所获得滑坡失稳模式的准确性。Abstract: The interferometric synthetic aperture radar (InSAR) technique is used over Heifangtai loess terrace, Gansu province of China to map the distribution of potential loess landslides, the evolution of landslide deformation and the failure mode. Firstly, the archived synthetic aperture radar (SAR) datasets with different spatial resolutions and wavelengths from December 2006 to November 2017 are used to identify the potential landslides. Tens potential landslide areas are identified from December 2006 to March 2011 and from January 2016 to November 2016. Field investigation and optical remote sensing images validate the reliability and accuracy of the identified landslides. Then, the TerraSAR-X data with high spatial and temporal resolution are used to monitor the time series deformation of the typical unstable slopes. Results demonstrate that the landslides with the large accumulative deformation all occur in the following time, and the acceleration dates of failed landslides are successfully captured by InSAR time series results. Finally, two-dimensional deformation monitoring of loess landslide is conducted by combining with ascending and descending SAR datasets. The landslide failure mode are analyzed in depth according to the obtained two-dimensional deformation results, topographic map and remote sensing images. The accuracy of the obtained result is verified by field investigation.
-
滑坡作为一种主要的地质灾害，在世界范围内广泛分布，在中国分布更为广泛。相关研究结果表明[1]，1950-2016年期间，发生在中国的致命性滑坡事件达到28 139起。然而，由于滑坡灾害的特征谱十分宽泛，受到常规滑坡调查、监测技术的限制，导致大量的灾难性滑坡时有发生，引起了中央及其防灾部门的高度重视。2018-10-10，习近平总书记在中央财经委员会第三次会议上指出：“加强地质灾害防治关系国计民生，要建立科学的自然灾害防治体系，提高全社会自然灾害防治能力，为保护人民生命财产安全和国家安全提供有力保障。”长期以来，中国在地质灾害防治方面形成了调查评价、监测预警、综合治理以及应急防治4大技术体系，且《“十三五”地质灾害防治规划》明确提出，计划到2020年要建成系统完善的4大地质灾害防治体系。
新型遥感对地观测技术的出现，为实现地质灾害的防治规划目标提供了重要的技术支持，其中合成孔径雷达干涉测量(interferometric synthetic aperture radar, InSAR)作为一项新型的空间对地观测技术，具有全天候、全天时获取大面积地面精确形变信息的能力，近些年来已广泛应用于中国三峡库区[2-3]、西南山区[4-6]以及西北地区[7-8]潜在滑坡的识别、监测以及机理研究中。
甘肃黑方台黄土台塬地处干旱少雨的西北黄土高原，20世纪60年代，由于刘家峡与盐锅峡水库的修建，大量的人员移居在此。该地区年蒸发量约为年降雨量的5.4倍[9]，因此当地居民通过抽取大量的黄河水进行农业灌溉。长期的农业灌溉使得大量的地表水进入黄土内部，在黑方台诱发了大面积黄土湿陷以及塬边大量分布的黄土滑坡。在过去30余年里，发生了超过120次的黄土滑坡[10]。国内外学者在此开展了多方位的研究，包括黑方台地区潜在滑坡的分布[11]、类型及发育规律[12]、破坏机理[13]以及黄土滑坡的滑动模式[14]等。
由于前期对黑方台滑坡分布调查主要采用野外地质调查、光学遥感影像、无人机摄影测量以及数字高程模型(digital elevation model, DEM)分析等方法，大多是针对已经发生的滑坡和潜在分布滑坡的调查编目，缺乏对历史滑坡分布以及滑坡随时间变化特征的分析。在滑坡形变监测方面，缺少基于面状的滑坡形变特征以及时间演化过程的解释。在滑坡失稳模式研究方面，主要集中在野外地质调查、DEM分析以及现场与实验室的试验来分析滑坡的失稳机理。基于此，本文采用InSAR技术，利用多源、多时相的合成孔径雷达(synthetic aperture radar, SAR)数据对黑方台地区潜在的黄土滑坡开展多时相调查、长时序形变监测以及失稳模式研究。
1 基于InSAR技术的潜在黄土滑坡识别、监测及失稳模式研究方法
针对黄土滑坡的特殊性质，如较小的空间尺度、同一区域易多次发生以及突发性强等特点[7]，开展了基于InSAR技术的小尺度黄土滑坡调查、监测以及失稳模式研究，提出针对性的研究方法与数据处理流程。
1.1 InSAR技术用于黄土滑坡多时相编目
由于SAR影像侧视成像的几何关系，存在阴影、叠掩以及透视收缩等几何畸变现象，易造成滑坡识别的盲区，采用单一SAR数据源进行滑坡识别时，容易导致滑坡漏判现象。本文采用多源、多轨道、多时相SAR数据开展潜在黄土滑坡的识别研究，其流程图如图 1所示。对于任一SAR数据集，首先选择一个最优的主影像，所有的从影像配准到该主影像几何关系下；然后，通过设置时空基线阈值进行干涉图的生成、滤波、解缠以及轨道误差与大气误差的去除；最后选取高质量解缠干涉图，采用加权平均的方式计算卫星到地表视向的形变速率[15]。
![]()
图 1 多源SAR数据黄土滑坡识别流程图Figure 1. Flowchart of Loess Landslide Detection with Multi-source SAR Datasets针对小尺度黄土滑坡的特殊性质，在InSAR数据处理中需要重点考虑DEM误差的改正、解缠误差的探测与改正以及高质量干涉图的选取。首先，本文选取短时间基线、长空间基线的干涉对来计算DEM误差，将计算得到的DEM误差迭代更新到原始DEM中。然后，以目视以及闭合环的方式进行解缠误差的探测，采用设置多个相干性阈值进行相位解缠以及相位补偿的方式获得解缠误差的改正。最后，对获取的形变速率通过设置形变阈值，自动化识别潜在滑坡，如果形变速率大于2 cm/a或者小于-1 cm/a，将被确定为疑似滑坡。为了排除几何畸变对滑坡识别的影响，利用DEM梯度图以及SAR强度图参与验证所识别的滑坡。
对所有的SAR数据集均执行上述解算步骤，并对相同时间段不同SAR数据集识别的结果进行交叉验证。最终对不同SAR数据集识别的疑似滑坡镶嵌组合生成多时相滑坡编目图。
1.2 InSAR技术用于黄土滑坡长时序监测
图 2为多源SAR数据集小尺度黄土滑坡长时序监测流程图。不同于黄土滑坡的识别，对每一个SAR数据集分别进行配准、干涉图的生成、滤波、解缠之后，采用时序InSAR技术[16]计算滑坡体的时间序列形变。将不同SAR数据集所获得的时间序列形变结果结合起来进行滑坡体的长时序形变监测研究。
![]()
图 2 多源SAR数据集黄土滑坡时序监测流程图Figure 2. Flowchart of Loess Landslide Time Series Monitoring with Multi-source SAR Datasets1.3 InSAR技术用于黄土滑坡失稳模式研究
常规时序InSAR分析方法[15-17]仅能够获得一维视线向形变，本文结合升降轨数据获取了滑坡体二维时序形变监测结果，通过对比垂直向与东西向的不同形变时序结果来分析不同的黄土滑坡失稳模式。针对单一雷达视线向形变的局限性，Samsonov等[18]提出了多维小基线集(multidimensional small baseline subset, MSBAS)时序InSAR分析方法。
如果仅获得单一SAR数据集，可通过式(1)计算获得时间序列形变信息[16]。
$$\mathit{\boldsymbol{A}}{\mathit{\boldsymbol{V}}_{{\rm{los}}}} = {\mathit{\boldsymbol{\varphi }}_{{\rm{obs}}}}, {\mathit{\boldsymbol{V}}_{{\rm{los}}}} = {\mathit{\boldsymbol{A}}^ + }{\mathit{\boldsymbol{\varphi }}_{{\rm{obs}}}}, d_{{\rm{los}}}^i = d_{{\rm{los}}}^{i - 1} + V_{{\rm{los}}}^i\Delta {t^i} $$ (1) 式中，A为系数矩阵；Vlos为雷达视线向的形变速率；A+为应用奇异值分解计算得到的矩阵A的伪逆；φobs为观测的干涉相位；dlosi表示i时刻雷达视线向的累积形变；Vlosi为i时刻雷达视线向的形变速率；Δti为两景SAR影像之间的时间间隔。
如果同时获得覆盖相同时间段的K个不同SAR数据集，则具有不同的雷达入射角及卫星飞行方位角，式(1)可以写成如下形式[19]：
$$\left( {\begin{array}{*{20}{c}} {{\mathit{\boldsymbol{A}}^1}}\\ {{\mathit{\boldsymbol{A}}^2}}\\ \vdots \\ {{\mathit{\boldsymbol{A}}^k}} \end{array}} \right) \times \left( {\begin{array}{*{20}{c}} {{V_{\rm{N}}}}\\ {{V_{\rm{E}}}}\\ {{V_{\rm{U}}}} \end{array}} \right) = \left( {\begin{array}{*{20}{c}} {{\varphi ^1}}\\ {{\varphi ^2}}\\ \vdots \\ {{\varphi ^k}} \end{array}} \right){\rm{或}}\mathit{\boldsymbol{\hat A\hat V}} = {\mathit{\boldsymbol{\widehat \varphi }}_{{\rm{obs}}}} $$ (2) 式中，Â表示系数矩阵；$\mathit{\boldsymbol{\hat V}} $表示待求参数，即未知速率向量，包含南北方向(VN)、东西方向(VE)以及垂直方向(VU)的形变分量；${\mathit{\boldsymbol{\widehat \varphi }}_{{\rm{obs}}}} $表示新的观测值向量。由于式(2)中待求的未知参数个数大于线性方程组个数，因此造成方程的系数矩阵是秩亏的，可采用奇异值分解(singular value decomposition，SVD)以及吉洪诺夫(Tikhonov)正则化方法进行求解。通过对所获取的形变速率在对应时间区间上进行数值积分，即可获得多维时间序列形变信息。由于SAR卫星近极地飞行的几何关系，造成其对南北向的形变不敏感，因此当仅获得两个不同的SAR数据集时，式(2)可忽略南北向形变分量，计算获得二维(垂直向与水平东西向)形变速率与时间序列。
2 研究区域及试验数据
2.1 研究区域
黑方台黄土台塬位于甘肃省永靖县盐锅峡镇，如图 3所示，地处黄河与湟水河交汇口上游，属于黄河Ⅳ级阶地，总面积约13.7 km2。虎狼沟将其分割为东西两个台塬，东侧称为黑台，西侧称为方台。该台塬最高海拔1 759.5 m，最低海拔1 560.4 m，相对高差达199.1 m，形成了塬边20°~70°的坡度变化。
![]()
图 3 研究区域位置和滑坡分布图Figure 3. Location of the Study Area and Distribution Map of the Landslides图 3(a)表示研究区域的位置以及所用SAR数据集的覆盖范围，图 3(b)表示已知的研究区域潜在滑坡分布[11, 20]。这些滑坡分布被划分为9个滑坡群，即方台滑坡群(G1)、新塬滑坡群(G2)、党川滑坡群(G3)、黄茨滑坡群(G4)、野狐沟滑坡群(G5)、焦家崖滑坡群(G6)、焦家滑坡群(G7)、陈家滑坡群(G8)和磨石沟滑坡群(G9)。此外，依据滑坡的破坏机理又将已知滑坡划分为黄土滑坡和黄土基岩型滑坡[11]。2015年之后，先后约有16次滑坡发生在该台塬的塬边。
2.2 试验数据
本研究总共选取了111景不同轨道、不同波段以及不同时间跨度的SAR数据，包括34景升轨ALOS/PALSAR数据(来自轨道473与轨道474)、11景升/降轨ALOS/PALSAR-2数据、42景升/降轨TerraSAR-X数据以及24景降轨Sentinel-1A/B数据，所用SAR数据的详细参数如表 1所示。
表 1 SAR数据集主要参数Table 1. Main Parameters of the SAR Datasets Used in this Study卫星 波段 轨道方向 轨道号 方位向分辨率×
距离向分辨率/m2时间跨度 影像景数 ALOS/PALSAR L 升轨 473 3.16×4.7 2006-12-2011-03 22 ALOS/PALSAR L 升轨 474 3.14×4.7 2007-03-2009-10 12 ALOS/PALSAR-2 L 升轨 146 3.25×4.29 2014-11-2017-11 6 ALOS/PALSAR-2 L 降轨 39 3.25×4.29 2015-05-2017-07 5 TerraSAR-X X 升轨 21 1.26×0.91 2016-02-2016-11 23 TerraSAR-X X 降轨 165 1.26×0.91 2016-01-2016-11 19 Sentinel-1A/B C 降轨 135 9.32×13.97 2016-09-2017-10 24 针对研究区域滑坡空间尺度小以及频发的特点，选用两种不同时间段获取的DEM数据消除地形相位并进行形变结果分析。对于ALOS/PALSAR数据集，选取30 m空间分辨率的AW3D30 DSM(digital surface model)，而对于ALOS/PALSAR-2、TerraSAR-X以及Sentinel-1A/B数据集，选用2015年生成的3 m空间分辨率的无人机DEM。
3 结果与分析
3.1 黑方台地区多时相滑坡识别结果
采用表 1所示的SAR数据集，计算获得了黑方台地区2006-12至2017-11间的地表形变速率图，如图 4与图 5所示，负值表示滑坡位移沿着远离卫星的方向，正值表示滑坡位移朝着卫星的方向。图 4为采用升轨SAR数据集计算获得的地表形变速率图，其中图 4(a)表示轨道473的ALOS/PALSAR数据集计算获得的2006-12至2011-03间的地表形变速率，图 4(b)表示轨道474的ALOS/PALSAR数据集计算获得的2007-03至2009-10间的地表形变速率，图 4(c)表示TerraSAR-X数据集计算获得的2016-02至2016-11间的地表形变速率，图 4(d)表示ALOS/PALSAR-2数据集计算获得的2014-11至2017-11间的地表形变速率。图 5表示降轨SAR数据集计算获得的地表形变速率图，其中图 5(a)表示TerraSAR-X数据集计算获得的2016-01至2016-11间的地表形变速率，图 5(b)表示ALOS/PALSAR-2数据集计算获得的2015-05至2017-07间的地表形变速率，图 5(c)表示Sentinel-1A/B数据计算获得的2016-09至2017-10间的地表形变速率。从图 4与图 5中可以看到，不同SAR数据集在相同时间段内计算获得的形变区域范围具有较高的一致性。但由于不同的SAR数据集具有不同的波长、空间分辨率、入射角以及卫星飞行方向等造成了局部地区形变存在较大的差异，但均能表明该区域存在潜在滑坡。
![]()
图 4 升轨SAR数据集获得的黑方台地表形变速率图Figure 4. Average Deformation Rate Maps for the Heifangtai Loess Terrace Calculated with Ascending SAR Datasets![]()
图 5 降轨SAR数据集获得的黑方台地表形变速率图Figure 5. Average Deformation Rate Maps for the Heifangtai Loess Terrace Calculated with Descending SAR Datasets综合图 4与图 5可以看到，黑方台地区2011年之前与2014年之后的形变区域分布具有较大的不同。2006-12至2011-03间，形变区域主要集中在方台滑坡群、野狐沟滑坡群以及磨石沟滑坡群，在党川滑坡群、黄茨滑坡群、焦家滑坡群以及陈家滑坡群的部分区域也观测到明显的形变信息。然而，在2014年之后，除了方台滑坡群、野狐沟滑坡群以及磨石沟滑坡群外，主要的形变区域扩展至党川滑坡群，整个党川滑坡群出现了较大形变。此外，在新塬滑坡群、焦家滑坡群以及陈家滑坡群出现了新的形变区域。尤其是新塬滑坡群，在2006-12至2011-03间，未观测到明显的形变信息，但在2015年之后，出现了两个新的较大形变区域。比较图 4(b)与图 4(c)可以发现，2007-03至2009-10间，黄茨滑坡群存在一个明显的形变区域，但此形变区域在2014年之后消失，主要原因是该滑坡于2008-05发生了失稳滑动。
基于§1.1描述的方法，2006-12至2011-03间，黑方台地区共探测到32个潜在的滑坡区域，2016-01至2016-11间共探测到48个潜在的活动滑坡，这些潜在的滑坡均分布在台塬的边缘，其位置如图 6所示。从图 6(b)可以看出，2016-2017年期间探测的滑坡尺度更小，主要是由于SAR数据的分辨率更高的缘故。
![]()
图 6 InSAR技术识别的黑方台地区2006-12至2016-11潜在滑坡的分布图Figure 6. Distribution of Potential Landslides Detected by InSAR Technique from December 2006 to November 2016 in Heifangtai3.2 黑方台地区滑坡时序形变监测结果
以党川滑坡群为例，采用3种覆盖不同时间段的SAR数据集进行滑坡形变的长时序监测研究，即ALOS/PALSAR数据集(2006-12至2011-03)用于研究滑坡体的历史形变特征，TerraSAR-X数据集(2016-01至2016-11)用于滑坡体的实时连续监测，Sentinel-1A/B数据集(2016-09至2017-10)用于捕获滑坡体的形变加速过程。图 7为党川滑坡群的遥感影像以及2006-12至2017-10间的地表形变速率图，其中图 7(a)为2017-11获取的该滑坡群遥感影像，图 7(b)为ALOS/PALSAR数据集计算获得的该滑坡群2006-12至2011-03间的地表形变速率，图 7(c)为TerraSAR-X数据集计算获得的该滑坡群2016-01至2016-11间的地表形变速率，图 7(d)为Sentinel-1A/B数据集计算获得的该滑坡群2016-09至2017-10间的地表形变速率。从图 7中可以看到，2006-12至2011-03，党川滑坡群的形变主要集中在党川2号(DC 2#)与党川3号(DC 3#)滑坡，其分别发生于2015-04-29与2015-08-03，其他区域未观测到明显的形变信息，而2016-01至2017-10期间，整个党川滑坡群存在明显的大形变。
![]()
图 7 党川滑坡群遥感影像以及地表形变速率图Figure 7. Remote Sensing Image and Deformation Rate Maps of Dangchuan Landslide Group图 8与图 9分别为党川2号、3号、4号以及5号滑坡2006-12至2011-03与2016-01至2016-11间的形变时序结果。从图 8中可以看到，2006-12至2011-03，党川2号与3号滑坡持续变形，在4 a多的时间里，累积形变在雷达视线方向上分别达到了－210 mm与－300 mm。此外，2010-07-10之后，党川3号滑坡的形变出现明显的加速。对于党川4号与5号滑坡，其在2007-10-30之前是基本稳定的，随后开始出现形变。从图 9中可以看到，2016-01至2016-11，党川2号、3号、4号以及5号滑坡在不到1 a的时间里，其累积形变在雷达视线方向上分别达到了－114 mm、－82 mm、－217 mm以及－129 mm。党川4号与5号滑坡在2017-10-01同时发生了失稳，这两个滑坡也是2016-01至2016-11间累计形变最大的两个区域。Sentinel-1A/B数据成功捕获到党川4号与5号滑坡发生前的形变加速时间点，如图 10所示。从图 10中可以看到，党川4号滑坡在2017-09-16开始出现形变加速，而党川5号滑坡在2017-08-23开始出现形变加速，此结果与现场裂缝计监测结果高度一致。
![]()
图 8 党川2号、3号、4号以及5号滑坡2006-12至2011-03间的时间序列形变Figure 8. Time Series Deformation of Dangchuan No.2, No.3, No.4 and No.5 Landslides from December 2006 to March 2011![]()
图 9 党川2号、3号、4号以及5号滑坡2016-01至2016-11间的时间序列形变Figure 9. Time Series Deformation of Dangchuan No.2, No.3, No.4 and No.5 Landslides from January 2016 to November 2016![]()
图 10 党川4号与5号滑坡2016-09至2017-10间的时间序列形变Figure 10. Time Series Deformation of Dangchuan No.4 and No.5 Landslides from September 2016 to October 20173.3 典型滑坡体失稳模式分析
以新塬2号滑坡为例，研究其形变特征及失稳模式。选用覆盖研究区域2016-01至2016-11的升/降轨TerraSAR-X数据集，计算获得该滑坡体二维形变速率及时间序列形变结果。图 11为2017-11-12获取的该滑坡遥感影像，图 11中的黄色箭头表示该滑坡的主要滑动方向，基于形变特征将其划分为4个区，即Ⅰ、Ⅱ、Ⅲ和Ⅳ区。图 12为该滑坡的地形图。图 13为该滑坡2016-01至2016-11间的地表形变速率图，其中图 13(a)为升轨TerraSAR-X数据集计算得到的雷达视线向形变速率，图 13(b)为降轨TerraSAR数据集计算得到的雷达视线向形变速率，图 13(c)为垂直向形变速率，向下运动为负值，图 13(d)为水平东西向形变速率，向东运动为正值。从图 13中可以看到，升/降轨数据因不同的观测几何而探测到的形变区域以及形变量级均不同。二维形变图显示该滑坡整体向东运动，且垂直向形变仅出现在滑坡体的边缘。Ⅰ区同时具有垂直向与东西向形变，但垂直向形变大于东西向形变；Ⅱ区仅有东西向形变；Ⅲ区同时具有垂直向形变与东西向形变，但东西向形变大于垂直向形变；Ⅳ区仅有垂直向形变。在4个区域中各选取1个特征点(P11~P14)来研究该滑坡体的二维形变演化特征，如图 14所示。可以看到，该滑坡体在2016-01至2016-11期间，每个部分在垂直向和东西向都有持续的变形。垂直向最大的累积形变出现在Ⅰ区，不到1 a的时间里，其累积形变达到－33 mm；东西向最大的累积形变出现在Ⅱ区，不到1 a的时间里，其累积形变达到54 mm。此外，2016-10，P12点与P13点在东西向的形变出现加速的趋势，P13点与P14点在垂直向的形变出现加速的趋势，推测此现象可能是由于受到地下水水位上升的影响。
![]()
图 13 新塬2号滑坡二维形变速率图Figure 13. Two-Dimensional Deformation Rate Maps of Xinyuan No.2 Landslide![]()
图 14 新塬2号滑坡P11~P14点的二维时间序列形变Figure 14. Two-Dimensional Time Series Deformation of Xinyuan No.2 Landslide for Point P11-P14综合二维形变特征、遥感影像、地形信息以及早前学者关于黄土滑坡失稳模式的研究[21]，可以推断新塬2号滑坡的二维形变特征与黄土滑坡的渐进后退式失稳模式高度一致，说明该滑坡为渐进后退式失稳滑坡。其机理为地下水的上升造成了黄土层被软化，在自身重力作用下，滑坡体表面产生拉张裂缝；随着时间的推移，张裂缝持续向下延伸；当整个张裂缝贯通时，滑坡发生失稳。该滑坡发生后，形成新的局部临空面，滑坡后缘的应力持续发生改变，形成新的拉张裂缝，产生第2次、第3次滑坡，如此反复，在同一滑坡体形成渐进后退式失稳。
4 结果验证及讨论
4.1 InSAR滑坡识别结果验证
为了验证InSAR技术识别潜在滑坡的准确性与可靠性，于2018-08对InSAR所识别的滑坡进行了现场调查验证，图 15为InSAR识别的部分典型滑坡体的现场照片。结果表明，InSAR所识别的潜在滑坡实际均具有滑坡空间特征。对于重点滑坡区域，如党川滑坡群、焦家滑坡群、陈家滑坡群以及磨石沟滑坡群，在滑坡体上均观测到密集的裂缝分布以及后缘明显的张拉裂缝，最大的裂缝宽度达到60 cm，裂缝间的错台达到140 cm。通过实地调查，验证了本文InSAR技术所识别滑坡的可靠性与准确性。
![]()
图 15 InSAR识别的典型滑坡体现场照片Figure 15. Scene Photos of Typical Landslides Identified by InSAR Technique4.2 新塬2号滑坡形变机理及失稳模式验证
图 16为新塬2号滑坡现场照片，可以看到InSAR技术获得的该滑坡二维形变特征及失稳模式与实际地形及特征高度一致。密集裂缝切割整个滑坡体，形成破碎的表面，在滑坡体的后缘出现了明显的拉裂缝，裂缝间的错台达到数米，滑坡体的左侧分布着数个因雨水冲刷形成的地洞。此外，在Ⅰ区和Ⅲ区均观测到明显的地表沉陷。
5 结语
本文以甘肃黑方台黄土台塬为试验区，首次采用InSAR技术对该地区潜在的黄土滑坡开展了多时相编目、形变监测以及失稳模式研究。主要结论有：①2006-12至2011-03间共探测到32个潜在的滑坡区域，2016-01至2016-11间共探测到48个潜在的滑坡体，野外调查验证了InSAR技术识别的黄土滑坡具有较高的可靠性。②典型滑坡形变的长时序监测结果表明，累计形变最大的滑坡在随后发生失稳的可能性高，采用InSAR技术可以捕捉到滑坡形变加速的时间点，这为滑坡预警提供了可能性。③通过滑坡二维形变监测，有效克服了单一InSAR雷达视线向形变无法深入分析滑坡形变机理的局限性，可用于黄土滑坡的失稳模式研究。
-
![]()
图 1 多源SAR数据黄土滑坡识别流程图
Figure 1. Flowchart of Loess Landslide Detection with Multi-source SAR Datasets
![]()
图 2 多源SAR数据集黄土滑坡时序监测流程图
Figure 2. Flowchart of Loess Landslide Time Series Monitoring with Multi-source SAR Datasets
![]()
图 3 研究区域位置和滑坡分布图
Figure 3. Location of the Study Area and Distribution Map of the Landslides
![]()
图 4 升轨SAR数据集获得的黑方台地表形变速率图
Figure 4. Average Deformation Rate Maps for the Heifangtai Loess Terrace Calculated with Ascending SAR Datasets
![]()
图 5 降轨SAR数据集获得的黑方台地表形变速率图
Figure 5. Average Deformation Rate Maps for the Heifangtai Loess Terrace Calculated with Descending SAR Datasets
![]()
图 6 InSAR技术识别的黑方台地区2006-12至2016-11潜在滑坡的分布图
Figure 6. Distribution of Potential Landslides Detected by InSAR Technique from December 2006 to November 2016 in Heifangtai
![]()
图 7 党川滑坡群遥感影像以及地表形变速率图
Figure 7. Remote Sensing Image and Deformation Rate Maps of Dangchuan Landslide Group
![]()
图 8 党川2号、3号、4号以及5号滑坡2006-12至2011-03间的时间序列形变
Figure 8. Time Series Deformation of Dangchuan No.2, No.3, No.4 and No.5 Landslides from December 2006 to March 2011
![]()
图 9 党川2号、3号、4号以及5号滑坡2016-01至2016-11间的时间序列形变
Figure 9. Time Series Deformation of Dangchuan No.2, No.3, No.4 and No.5 Landslides from January 2016 to November 2016
![]()
图 10 党川4号与5号滑坡2016-09至2017-10间的时间序列形变
Figure 10. Time Series Deformation of Dangchuan No.4 and No.5 Landslides from September 2016 to October 2017
![]()
图 13 新塬2号滑坡二维形变速率图
Figure 13. Two-Dimensional Deformation Rate Maps of Xinyuan No.2 Landslide
![]()
图 14 新塬2号滑坡P11~P14点的二维时间序列形变
Figure 14. Two-Dimensional Time Series Deformation of Xinyuan No.2 Landslide for Point P11-P14
![]()
图 15 InSAR识别的典型滑坡体现场照片
Figure 15. Scene Photos of Typical Landslides Identified by InSAR Technique
表 1 SAR数据集主要参数
Table 1 Main Parameters of the SAR Datasets Used in this Study
卫星 波段 轨道方向 轨道号 方位向分辨率×
距离向分辨率/m2时间跨度 影像景数 ALOS/PALSAR L 升轨 473 3.16×4.7 2006-12-2011-03 22 ALOS/PALSAR L 升轨 474 3.14×4.7 2007-03-2009-10 12 ALOS/PALSAR-2 L 升轨 146 3.25×4.29 2014-11-2017-11 6 ALOS/PALSAR-2 L 降轨 39 3.25×4.29 2015-05-2017-07 5 TerraSAR-X X 升轨 21 1.26×0.91 2016-02-2016-11 23 TerraSAR-X X 降轨 165 1.26×0.91 2016-01-2016-11 19 Sentinel-1A/B C 降轨 135 9.32×13.97 2016-09-2017-10 24 
下载: 导出CSV
-
[1] Lin Q, Wang Y.Spatial and Temporal Analysis of a Fatal Landslide Inventory in China from 1950 to 2016 [J]. Landslides, 2018, 15(12): 2 357-2 372 doi: 10.1007/s10346-018-1037-6
[2] Shi X, Liao M, Li M, 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
[3] Sun L, Muller J P, Chen J. Time Series Analysis of Very Slow Landslides in the Three Gorges Region Through Small Baseline SAR Offset Tracking [J]. Remote Sensing, 2017, 9(12): 1 314 doi: 10.3390/rs9121314
[4] 敖萌, 张勤, 赵超英, 等.改正的CR-InSAR技术用于四川甲居滑坡形变监测[J].武汉大学学报·信息科学版, 2017, 42(3):377-383 http://ch.whu.edu.cn/CN/abstract/abstract5689.shtml Ao Meng, Zhang Qin, Zhao Chaoying, et al. An Improved CR-InSAR Technology Used for Deformation Monitoring in Jiaju Landslide, Sichuan [J]. Geomatics and Information Science of Wuhan University, 2017, 42(3): 377-383 http://ch.whu.edu.cn/CN/abstract/abstract5689.shtml
[5] 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 http://ch.whu.edu.cn/CN/abstract/abstract6288.shtml 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 http://ch.whu.edu.cn/CN/abstract/abstract6288.shtml
[6] Zhao C, Kang Y, Zhang Q, et al. Landslide Identification and Monitoring Along the Jinsha River Catchment(Wudongde Reservoir Area), China, Using the InSAR Method [J]. Remote Sensing, 2018, 10(7): 993 doi: 10.3390/rs10070993
[7] Zhao C, Zhang Q, He Y, et al. Small-Scale Loess Landslide Monitoring with Small Baseline Subsets Interferometric Synthetic Aperture Radar Technique—Case Study of Xinyuan Landslide, Shaanxi, China [J]. J Appl Remote Sens, 2016, 10(2): 1-14 https://www.researchgate.net/publication/303852031_Small-scale_loess_landslide_monitoring_with_small_baseline_subsets_interferometric_synthetic_aperture_radar_technique-case_study_of_Xingyuan_landslide_Shaanxi_China
[8] Li M, Zhang L, Shi X, et al. Monitoring Active Motion of the Guobu Landslide Near the Laxiwa Hydropower Station in China by Time-Series Point-Like Targets Offset Tracking [J]. Remote Sensing of Environment, 2019, 221: 80-93 doi: 10.1016/j.rse.2018.11.006
[9] Zeng R, Meng X, Zhang F, et al. Characterizing Hydrological Processes on Loess Slopes Using Electrical Resistivity Tomography—A Case Study of the Heifangtai Terrace, Northwest China [J]. Journal of Hydrology, 2016, 541: 742-753 doi: 10.1016/j.jhydrol.2016.07.033
[10] Cui S, Pei X, Wu H, et al. Centrifuge Model Test of an Irrigation-Induced Loess Landslide in the Heifangtai Loess Platform, Northwest China [J]. Journal of Mountain Science, 2018, 15(1): 130-143 doi: 10.1007/s11629-017-4490-0
[11] Peng D, Xu Q, Liu F, et al. Distribution and Failure Modes of the Landslides in Heitai Terrace, China [J]. Engineering Geology, 2017, 236: 97-110 https://www.researchgate.net/publication/319948885_Distribution_and_failure_modes_of_the_landslides_in_Heitai_terrace_China
[12] Xu L, Dai F, Tu X, et al. Landslides in a Loess Platform, North-West China [J]. Landslides, 2014, 11(6): 993-1 005 doi: 10.1007/s10346-013-0445-x
[13] Xu L, Dai F, Gong Q, et al. Irrigation-Induced Loess Flow Failure in Heifangtai Platform, North-West [J]. Environmental Earth Sciences, 2012, 66(6): 1 707-1 713 doi: 10.1007/s12665-011-0950-y
[14] Xu L, Qiao X, Wu C, et al. Causes of Landslide Recurrence in a Loess Platform with Respect to Hydrological Processes [J]. Natural Hazards, 2012, 64(2): 1 657-1 670 doi: 10.1007/s11069-012-0326-y
[15] Lyons S, Sandwell D. Fault Creep Along the Southern San Andreas from Interferometric Synthetic Aperture Radar, Permanent Scatterers, and Stacking [J]. J Geophys Res Solid Earth, 2003, 108(B1): 2 047 doi: 10.1029-2002JB001831/
[16] Berardino P, Fornaro G, Lanari R, et al. A New Algorithm for Surface Deformation Monitoring Based on Small Baseline Differential SAR Interferograms [J]. IEEE Trans Geosci Remote Sens, 2002, 40(11): 2 375-2 383 doi: 10.1109/TGRS.2002.803792
[17] Ferretti A, Prati C, Rocca F. Permanent Scatterers in SAR Interferometry [J]. IEEE Trans Geosci Remote Sens, 2001, 39(1): 8-20 doi: 10.1109/36.898661
[18] Samsonov S, d'Oreye N, Smets B. Ground Deformation Associated with Post-mining Activity at the French-German Border Revealed by Novel InSAR Time Series Method [J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 23(1): 142-154 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=2e4a6a65b387c2b4dde5976663d7f27f
[19] Samsonov S, Feng W, Peltier A, et al. Multidimensional Small Baseline Subset(MSBAS) for Volcano Monitoring in Two Dimensions: Opportunities and Challenges. Case Study Piton de la Fournaise Volcano [J]. Journal of Volcanology and Geothermal Research, 2017, 344: 121-138 doi: 10.1016/j.jvolgeores.2017.04.017
[20] Xu Q, Li H, He Y, et al. Comparison of Data-Driven Models of Loess Landslide Runout Distance Estimation [J]. Bull Eng Geol Environ, 2017, 8: 1-14 https://www.researchgate.net/publication/320846968_Comparison_of_data-driven_models_of_loess_landslide_runout_distance_estimation
[21] Qi X, Xu Q, Liu F. Analysis of Retrogressive Loess Flowslides in Heifangtai, China [J]. Engineering Geology, 2018, 236: 119-128 doi: 10.1016/j.enggeo.2017.08.028
-
期刊类型引用(83)
1. 刘晓杰，赵超英，李滨，王文达，张勤，高杨，陈立权，王宝行，郝君明，杨校辉. 基于InSAR技术的甘肃积石山震区活动滑坡识别与动态形变监测. 武汉大学学报(信息科学版). 2025(02): 297-312 . 
百度学术
2. 黄发明，吴敦筱，常志璐，陈茜，陶杰，蒋水华，周创兵. 滑坡样本缺失下易发性规律和潜在滑坡识别的易发性–InSAR多源信息法. 岩石力学与工程学报. 2025(03): 584-601 . 百度学术
3. 张亚楠，郭长宝，杨志华，吴瑞安，闫怡秋. 基于SBAS-InSAR的金沙江上游探戈古滑坡变形特征与影响因素分析. 工程地质学报. 2025(01): 186-200 . 百度学术
4. 李广，汤明高，张明礼，左炙坪，帅奕垚. 植被覆盖对季节冻土区黄土斜坡水热变化及稳定性影响. 干旱区资源与环境. 2024(01): 133-142 . 百度学术
5. 龚翔，许强，蒲川豪，陈婉琳，修德皓，纪续. 兰州新区平山造城竣工后地表形变InSAR时序监测与分析. 武汉大学学报(信息科学版). 2024(02): 236-245 . 百度学术
6. 李泽润，喜文飞，赵子龙，刘海红，张玉英，张莉婷. SBAS-InSAR技术在昆明高铁南站山体形变监测中的应用. 测绘通报. 2024(01): 150-154 . 百度学术
7. 李启亮，孙永彬，王诜，汪冰，邓国武，张策. 基于InSAR技术溪洛渡库区活动滑坡形变特征研究. 矿产勘查. 2024(02): 311-319 . 百度学术
8. 邓斐，张双成，樊茜佑，牛玉芬，惠文华，司锦钊，吴文辉. 时序InSAR用于滑坡灾前二维形变追溯与灾后风险评价. 测绘科学. 2024(01): 67-78 . 百度学术
9. 沙仙武，张亦海，谢启源. 高寒高海拔地区某排土场边坡滑坡模式分析与雷达监测效果研究. 矿产勘查. 2024(S1): 71-76 . 百度学术
10. 陈宝林，李为乐，陆会燕，付豪，周胜森，黄维. 基于SBAS-InSAR的黄河干流军功古滑坡形变分析. 武汉大学学报(信息科学版). 2024(08): 1407-1421 . 百度学术
11. 魏统彪，石鹏卿，高子雁，周小龙. 基于DeepLabv3+算法的黄土地区地质灾害隐患形变区识别技术研究. 甘肃科学学报. 2024(04): 18-25 . 百度学术
12. 李昊，李叶繁，魏长婧，王磊杰，康利军，姜川. 基于SBAS-InSAR技术的登封市潜在地质灾害识别研究. 河南科学. 2024(08): 1170-1178 . 百度学术
13. 董思源，曾昭发，周帅，吴燕冈，赵健维. 极端气候条件下黄土体地球物理灾害探测. 地球物理学进展. 2024(04): 1648-1657 . 百度学术
14. 张蕙，张娅娣，师芸. 基于InSAR技术的伊宁县滑坡早期识别. 中国矿业. 2024(10): 131-142 . 百度学术
15. 佀传琪，王琛，梁家馨，华建，梁发云. 智慧化技术在城市滨海软土工程的应用前景与挑战. 岩土工程学报. 2024(S2): 216-220 . 百度学术
16. 杨芳，丁仁军，李勇发. 基于SBAS-InSAR技术的金沙江流域典型滑坡时空演化特征分析. 测绘通报. 2024(11): 102-107 . 百度学术
17. 张敏，郑哲，陈哲锋. 基于PS-InSAR的福建寿宁地区地表形变监测与分析. 测绘通报. 2024(12): 117-122 . 百度学术
18. 张娅娣，徐欣. InSAR技术在滑坡识别监测中的应用. 电子技术. 2024(12): 44-46 . 百度学术
19. 焦润成，郭学飞，南赟，杨红磊，曹颖，王晟宇，闫驰，韩建锋，马晓雪，赵丹凝，倪璇，马驰. 采空区-滑坡-泥石流链式灾害隐患综合遥感识别与评价. 金属矿山. 2023(01): 73-82 . 百度学术
20. 毛正君，石硕杰，王贵荣，李欢，于海泳，孙婕文，张瑾鸽. 基于无人机遥感的区域黄土滑坡识别及发育特征分析. 灾害学. 2023(01): 63-71 . 百度学术
21. 朱智富，甘淑，袁希平，张荐铭，王睿博，张晓伦. 融合升降轨InSAR数据的东川区滑坡隐患识别. 地球物理学进展. 2023(01): 137-146 . 百度学术
22. 尹玉玲，徐素宁，王军，胡克. 典型黄土丘陵区地质灾害隐患识别与时序监测. 水文地质工程地质. 2023(02): 141-149 . 百度学术
23. 王勇，陈岩，王沛，李绍陟，尚军，杨军. 升降轨融合的施工区域InSAR地表形变监测. 大地测量与地球动力学. 2023(05): 487-490 . 百度学术
24. 张娅娣，师芸，王佳运，颉昕宇，石龙龙. 新疆伊犁地区滑坡隐患InSAR识别与发育特征研究. 遥感技术与应用. 2023(02): 496-507 . 百度学术
25. 胡祥祥，柯福阳，张志山，姚永顺，宋宝，明璐璐，尹继鑫，张海欢. 顾及多动态环境因子的滑坡演化规律研究——以西宁市9大滑坡区为例. 测绘通报. 2023(05): 21-26+43 . 百度学术
26. 费新峰，田野，赵超英，刘海敏，陈恒祎. 基于多时相InSAR技术的黄河上游龙羊峡库区不稳定边坡识别与形变监测. 地球科学与环境学报. 2023(03): 578-589 . 百度学术
27. 王利，张懿恺，舒宝，许豪，魏拓，雷体俊. 基于特征优选和逐步回归的黄土滑坡监测数据融合改进方法. 地球科学与环境学报. 2023(03): 511-521 . 百度学术
28. 邵建鸿，郑万鹏，张斌，杜源，王兴涛，栾纪昊. 基于点云数据的黄土公路边坡病害识别. 岩土工程技术. 2023(03): 320-326 . 百度学术
29. 王安迪，李龙起. 结合SBAS-InSAR与离散元模拟的茂县核桃坪滑坡变形破坏趋势分析. 大地测量与地球动力学. 2023(07): 685-691 . 百度学术
30. 凌峻，张伟. 基于SBAS-InSAR的南水北调淅川县段沉降监测与分析. 人民珠江. 2023(S1): 207-212 . 百度学术
31. 许强，董秀军，朱星，邓博，戴可人. 基于实景三维的天-空-地-内滑坡协同观测. 工程地质学报. 2023(03): 706-717 . 百度学术
32. 于冰，胡云亮，刘国祥，罗小军，胡金龙. 时序InSAR反演唐山市二维地表形变时间序列. 测绘科学. 2023(06): 82-94+230 . 百度学术
33. 张春宇，郭际明，王鼎，许毅，潘尚毅，乔世雄. 基于Stacking-InSAR的澜沧江营盘镇——苗尾段滑坡隐患识别. 地理空间信息. 2023(09): 93-97 . 百度学术
34. 杨沛璋，崔圣华，裴向军，何双，王慧，梁玉飞. 基于SBAS-InSAR和光学遥感影像的大型倾倒变形体变形演化. 地质科技通报. 2023(06): 63-75 . 百度学术
35. 尹勇，史先琳，钟佳宏，高宏伟，戴可人. 联合升降轨Sentinel-1A监测攀枝花机场高边坡二维形变. 测绘与空间地理信息. 2023(12): 45-48 . 百度学术
36. 徐哈宁，邓居智，肖慧. 基于邻近域特征的堆积层滑坡多维地电信息成像监测技术研究. 地学前缘. 2023(06): 473-484 . 百度学术
37. 王君鹭，富志鹏. 基于PS-InSAR技术的黄土高边坡形变监测. 公路交通科技. 2023(11): 27-33+60 . 百度学术
38. 祝杰，李瑜，师宏波，刘洋洋，韩宇飞，邵银星，王坦. 鹤岗煤矿区地面沉降时空特征InSAR时间序列监测研究. 中国地震. 2023(03): 596-608 . 百度学术
39. 许强，陆会燕，李为乐，董秀军，郭晨. 滑坡隐患类型与对应识别方法. 武汉大学学报(信息科学版). 2022(03): 377-387 . 百度学术
40. 姚闯闯，姚鑫，顾畛逵，任开瑀，周振凯. 基于InSAR识别的黄土高原活动性地质灾害发育规律分析. 地质力学学报. 2022(02): 257-267 . 百度学术
41. 谭超，薛廉，齐得旭. 利用多InSAR技术分析某天然气管道填方区形变. 测绘地理信息. 2022(03): 61-64 . 百度学术
42. 许广河，何小锋，王国瑞，扈志勇，程霞，李小琼. 黄河流域宁夏(西吉县)段滑坡灾害的InSAR识别及成因分析. 测绘通报. 2022(06): 104-107 . 百度学术
43. 廖军，吴彩燕，王立娟，谭秋焰，朱新婷. 基于时序InSAR的滑坡早期识别——以贵州省水城县为例. 自然灾害学报. 2022(03): 251-260 . 百度学术
44. 刘小松，冯婧. 山西某县地质灾害隐患的高分辨率时序InSAR识别. 测绘技术装备. 2022(02): 76-81 . 百度学术
45. 刘陈伟，蒋亚楠，廖露，燕翱翔，罗袆沅. 黑方台主要形变区的SBAS-InSAR识别与分析. 测绘科学. 2022(05): 56-65 . 百度学术
46. 常宏. 三峡库区潜在顺层岩质滑坡识别的宏观判据. 华南地质. 2022(02): 265-272 . 百度学术
47. 何秀凤，高壮，肖儒雅，罗海滨，贾东振，章浙涛. InSAR与北斗/GNSS综合方法监测地表形变研究现状与展望. 测绘学报. 2022(07): 1338-1355 . 百度学术
48. 董继红，马志刚，梁京涛，刘彬，赵聪，曾帅，鄢圣武，马晓波. 基于时序InSAR技术的滑坡隐患识别对比研究. 自然资源遥感. 2022(03): 73-81 . 百度学术
49. 高星月，王世杰，高鹏程. D-InSAR与随机森林模型耦合的活动性滑坡识别方法探究. 中国地质灾害与防治学报. 2022(05): 102-108 . 百度学术
50. 喜文飞，赵子龙，李国柱，周定义，杨正荣. SBAS-InSAR技术与无人机影像融合的滑坡变形监测. 测绘通报. 2022(10): 1-6 . 百度学术
51. 黄海峰，薛蓉花，赵蓓蓓，易武，邓永煌，董志鸿，柳青，易庆林，张国栋. 孕灾机理与综合遥感结合的三峡库首顺层岩质滑坡隐患识别. 测绘学报. 2022(10): 2056-2068 . 百度学术
52. 刘纪平，梁恩婕，徐胜华，刘猛猛，王勇，张福浩，罗安. 顾及样本优化选择的多核支持向量机滑坡灾害易发性分析评价. 测绘学报. 2022(10): 2034-2045 . 百度学术
53. 董建军，梅媛，闫斌，刘士乙. 高海拔排土场边坡安全稳定性D-InSAR监测. 安全与环境学报. 2022(05): 2514-2523 . 百度学术
54. 弓永峰，王辉，吴学华，张佳，刘君. 基于时序InSAR的宁夏西吉县滑坡灾害隐患识别. 安全与环境工程. 2022(06): 114-121 . 百度学术
55. 邹俊，武斌，刘义，艾力丰，陈宁. InSAR技术在西南山区管道沿线地质灾害监测中的应用. 四川地质学报. 2022(S2): 178-182 . 百度学术
56. 余斌，李松，谢凌霄，贾洪果，亢邈迒，刘雨鑫，廖明杰，张瑞. 改进TS-InSAR方法的白格滑坡灾前-灾后形变演化特征分析. 测绘通报. 2022(11): 8-12 . 百度学术
57. 吴琼，葛大庆，于峻川，张玲，李曼，刘斌，王艳，马燕妮，刘宏娟. 广域滑坡灾害隐患InSAR显著性形变区深度学习识别技术. 测绘学报. 2022(10): 2046-2055 . 百度学术
58. 凌晴，张勤，张静，瞿伟，孔令杰，朱丽，张金辉. 融合工程地质资料与GNSS高精度监测信息的黑方台党川黄土滑坡稳定性研究. 测绘学报. 2022(10): 2226-2238 . 百度学术
59. 李晓恩，周亮，苏奋振，吴文周. InSAR技术在滑坡灾害中的应用研究进展. 遥感学报. 2021(02): 614-629 . 百度学术
60. 李广，张明礼，叶伟林，王得楷，马昭，安亚鹏. 甘肃黑方台坡面冻融特征及冻结滞水效应分析. 干旱区资源与环境. 2021(06): 117-122 . 百度学术
61. 杨成生，董继红，朱赛楠，熊国华. 金沙江结合带巴塘段滑坡群InSAR探测识别与形变特征. 地球科学与环境学报. 2021(02): 398-408 . 百度学术
62. 王新刚，刘凯，连宝琴，王家鼎，邱海军，胡胜. 黄土-泥岩滑坡诱发因素及形成机理研究进展. 西北大学学报(自然科学版). 2021(03): 404-413 . 百度学术
63. 代聪，李为乐，陆会燕，杨帆，许强，简季. 甘肃省舟曲县城周边活动滑坡InSAR探测. 武汉大学学报(信息科学版). 2021(07): 994-1002 . 百度学术
64. 许强，蒲川豪，赵宽耀，何攀，张含悦，刘佳良. 延安新区地面沉降时空演化特征时序InSAR监测与分析. 武汉大学学报(信息科学版). 2021(07): 957-969 . 百度学术
65. 方汕澳，许强，修德皓，赵宽耀，李志刚，蒲枫. 基于斜率模型的突发型黄土滑坡失稳时间预测. 水文地质工程地质. 2021(04): 169-179 . 百度学术
66. 杨通，南燕云，张智杰，于潇，王效科. 基于主被动遥感协同的山体隆升动态监测研究. 干旱区资源与环境. 2021(10): 178-184 . 百度学术
67. 杨通，张智杰，王效科，郭旭东，于潇. 基于PS-InSAR技术监测土壤侵蚀可行性研究. 农业工程学报. 2021(14): 127-134 . 百度学术
68. 刘睿，王志勇，高瑞. 时序SAR影像的干旱地区土地利用分类应用. 测绘科学. 2021(10): 90-97 . 百度学术
69. 张双成，司锦钊，徐永福，牛玉芬，樊茜佑，朱武，安鹏，郭衍辉. 时序InSAR用于安康膨胀土机场稳定性监测. 武汉大学学报(信息科学版). 2021(10): 1519-1528 . 百度学术
70. 王哲，赵超英，刘晓杰，李滨. 西藏易贡滑坡演化光学遥感分析与InSAR形变监测. 武汉大学学报(信息科学版). 2021(10): 1569-1578 . 百度学术
71. 焦志平，江利明，牛富俊，郭瑞，周志伟. 藏东冻土区滑坡形变时序InSAR监测分析——以317国道矮拉山为例. 冰川冻土. 2021(05): 1312-1322 . 百度学术
72. 李磊，许冲，张中俭，黄远东. 黄土高原滑坡灾害研究综述. 防灾科技学院学报. 2021(04): 1-11 . 百度学术
73. 李万林，周英帅. 基于D-InSAR技术的地质灾害和监测预警. 测绘工程. 2021(01): 66-70 . 百度学术
74. 高海英，赵争，章彭. 时序InSAR的贵州地质灾害监测. 测绘科学. 2020(07): 91-99 . 百度学术
75. 张福浩，朱月月，赵习枝，张杨，石丽红，刘晓东. 地理因子支持下的滑坡隐患点空间分布特征及识别研究. 武汉大学学报(信息科学版). 2020(08): 1233-1244 . 百度学术
76. 王智伟，王利，黄观文，韩清清，徐甫，岳聪. 基于BP神经网络的滑坡监测多源异构数据融合算法研究. 地质力学学报. 2020(04): 575-582 . 百度学术
77. 姚鑫，邓建辉，刘星洪，周振凯，姚佳明，戴福初，任开瑀，李凌婧. 青藏高原泛三江并流区活动性滑坡InSAR初步识别与发育规律分析. 工程科学与技术. 2020(05): 16-37 . 百度学术
78. 武宇，张俊，尹耀. 时序InSAR技术对城建地选址的潜在影响研究. 城市勘测. 2020(05): 10-14 . 百度学术
79. LIAN Xu-gang，LI Zou-jun，YUAN Hong-yan，LIU Ji-bo，ZHANG Yan-jun，LIU Xiao-yu，WU Yan-ru. Rapid identification of landslide, collapse and crack based on low-altitude remote sensing image of UAV. Journal of Mountain Science. 2020(12): 2915-2928 . 必应学术
80. 贺凯，李滨，赵超英，高杨，陈立权，刘朋飞. 基于易滑地质结构与多源数据差异的岩溶山区大型崩滑灾害识别研究. 中国岩溶. 2020(04): 467-477 . 百度学术
81. 蔡杰华，张路，董杰，董秀军，廖明生，许强. 九寨沟震后滑坡隐患雷达遥感早期识别与形变监测. 武汉大学学报(信息科学版). 2020(11): 1707-1716 . 百度学术
82. 戴可人，卓冠晨，许强，李振洪，李为乐，管威. 雷达干涉测量对甘肃南峪乡滑坡灾前二维形变追溯. 武汉大学学报(信息科学版). 2019(12): 1778-1786+1796 . 百度学术
83. 佘金星，周兴霞，刘飞，黄青伦，董秀军. 丹巴地质灾害隐患早期识别关键技术研究. 测绘. 2019(06): 243-247 . 百度学术
其他类型引用(92)
计量
- 文章访问数: 2454
- HTML全文浏览量: 384
- PDF下载量: 609
- 被引次数: 175
