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

葛大庆, 戴可人, 郭兆成, 李振洪

葛大庆, 戴可人, 郭兆成, 李振洪. 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. DOI: 10.13203/j.whugis20190094
引用本文: 葛大庆, 戴可人, 郭兆成, 李振洪. 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. DOI: 10.13203/j.whugis20190094
GE Daqing, DAI Keren, GUO Zhaocheng, LI Zhenhong. 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. DOI: 10.13203/j.whugis20190094
Citation: GE Daqing, DAI Keren, GUO Zhaocheng, LI Zhenhong. 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. DOI: 10.13203/j.whugis20190094

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

基金项目: 

国家重点研发计划 2017YFB0502700

国家自然科学基金 41801391

四川省科技计划项目 2019YJ0404

详细信息
    作者简介:

    葛大庆, 博士, 教授级高工, 主要研究方向为雷达卫星与InSAR技术应用。survery@sina.com

  • 中图分类号: P237

Early Identification of Serious Geological Hazards with Integrated Remote Sensing Technologies: Thoughts and Recommendations

Funds: 

The National Key Research and Development Program of China 2017YFB0502700

the National Natural Science Foundation of China 41801391

Sichuan Science and Technology Plan Project 2019YJ0404

More Information
    Author Bio:

    GE Daqing, PhD, professor-level senior engineer, specializes in radar satellite and InSAR technology application. E-mail: survery@sina.com

  • 摘要: 2017年以来,以四川茂县新磨村高位垮塌、金沙江白格滑坡为代表的重大地质灾害多次发生,呈现出隐蔽性强、突发性高、破坏力大等特点,难以早期发现。值得注意的是,尽管地质灾害防治工作已在全国大范围开展并受到国家层面的高度重视与支持,但绝大部分灾害仍发生于全国现有地质灾害隐患点分布以外的区域。对这些人迹罕至、人不能至且观测条件苛刻的地区的重大隐患进行有效早期识别,是当前地质灾害防治工作尚需解决的难题和重要任务。在总结合成孔径雷达干涉测量(interferometric synthetic aperture radar,InSAR)技术特点与其应用局限的基础上,从光学遥感、InSAR、激光雷达等综合遥感测量的角度提出了以“形态、形变、形势”(三形)为观测内容、以定性识别灾害隐患位置、定量监测灾害体变形幅度、依靠综合遥感动态监测数据提升隐患识别能力的技术思路。对未来工作提出了若干建议与思考,以期服务于重大地质灾害隐患综合判断与早期识别工作。
    Abstract: Since 2017, many serious geological disasters have been reported, including the 2017 mountain collapse at high altitudes in Xinmo Village in Mao County, Sichuan Province, and the 2018 Baige landslide in Jinsha River, most of which are of great destructive power and hard to detect in advance. It is worth noting that although the geohazard prevention has been carried out extensively across the whole country which is supported by the state, many of these geological disasters occur outside the potential geohazard points estimated in advance. The early identification of these undetectable geohazards points remains a big challenge and a crucial task in current geohazard prevention work. In this paper, the characteristics of interferometric synthetic aperture radar (InSAR) and its inherited limitations are summarized. Based on the integrated remote sensing technologies (including optical, SAR/InSAR and LiDAR), the key observation concept with three forms "morphology, deformation, situation" is proposed. Through the integration of a range of remote sensing technologies, the locations of potential geohazards will be identified qualitatively, and their associated movements will be monitored quantitatively. Finally, a series of thoughts and recommendations are provided to guide our future work for the early detection of serious geological hazards.
  • 重力恢复与气候实验(gravity recovery and climate experiment,GRACE)卫星于2002年成功实施,为地球气候的研究提供了独特视角,在监测地球表层质量变化方面提供了全新的观测手段。在较短时间尺度上,引起地球重力场变化的主要因素是表层大气、海洋及陆地水之间的质量交换,其中陆地水储量在空间上与地表水和地下水相关联。根据GRACE获得的地球重力场观测值,反演得到的总蓄水量(total water storage,TWS)可表示为等效水高(equivalent water thickness,EWT)的形式,其中,TWS表示一个网格单元点中储存的所有水成分的总和,即地表水、土壤水、地下水和植被水等均包含在同一个网格单元的TWS值中[1]。近年来,GRACE的TWS数据已在诸多学科中得到广泛应用,但仍存在其局限性。比如,仅能估算单元格内垂直方向上整体的陆地水储量,无法独立将TWS值分解为不同的储存成分,因此,找到一种方法对GRACE信号进行进一步的分解,将提高GRACE的应用潜力。

    地下水储量(ground water storage,GWS)作为TWS的一个重要组成成分,对一个城市乃至国家的可持续发展具有重要意义。计算GWS的经典方法是基于水平衡方程,结合TWS结果以及水文模型的其他水储量成分来探测GWS,再与实测的水井数据进行精度评估。国内外已有多位学者基于GRACE和不同水文模型研究了多个地下水耗损严重区域的地下水变化[2-12]

    但是,当前GWS探测依然有较大的局限性,评估地下水变化的经典方法依赖于地下水位监测和区域地下水建模[1]。在全球范围内的大多数地区,对地下水网络的监测往往无法达到足够的时空覆盖范围,也难以做到全网格密度的分布。同时,经典方法也依托于水文模型,会受到水文模型精度的制约。

    近年来,有学者利用小波分析方法对GRACE TWS进行分解-重构,试图分离出GRACE数据中不同成分水的信号。文献[1]利用小波分析对澳大利亚的GRACE数据进行分解,得到土壤水储量成分的时间序列,并与澳大利亚水资源(Australian water resources assessment,AWRA)模型进行比较评估,发现使用小波组合序列得到的浅层土壤水和深层土壤水储量变化与AWRA模型中的相应蓄水量存在较好的相关性,可用于水储量的估计;高频小波(A1/D1A2/D2)反映浅层地表水的时空特征,而低频小波(A3/D3A4/D4)则能探测出深层土壤水乃至地下水的变化信号,小波分解-重构法对于GWS探测具有可行性。本文在其基础上分析了除去根系水和土壤水的地下水时空分布特征,并利用水井资料对实验结果进行分析和验证。

    综合上述分析,本文将利用一种小波-逐步回归方法来估计GRACE TWS值中GWS成分。其基本思想是:基于原始的TWS时间序列,通过全球陆地数据同化系统(global land data assimilation system,GLDAS)水文模型,在扣除土壤水、根系水和冠层水等地表水成分后,对剩余量采用小波分析的方法,将时间序列分解为不同时间频率的信号序列,通过逐步回归得到与地下水序列相关性较高的小波成分,结合回归结果与二维曲面插值的函数模型重构出实验区域GWS变化信号,并与已有的水井数据进行对比分析,为估计区域GWS提供算法支撑和理论依据。

    小波分解是在泛函分析、调和分析、数值分析和傅里叶分析等基础上发展起来的一种对信号进行伸缩平移从而实现时频分析的方法[1-2]。本文采用离散小波变换(discrete wavelet transform,DWT)对GRACE信号进行分解,图1显示了4级小波的分解示例,原始信号经过分解后,得到4层A/D组合,每一层的A信号可以再分为下一层的A/D信号,最终,红色所表示的信号之和可以重构原始信号。应用Meyer小波对GRACE数据序列进行分解,数据被分解为多个“近似”和“细节”分量,每组分量代表不同的时间尺度,其中“近似”序列代表了原始序列的趋势特征,“细节”序列代表了原始序列的细节特征。小波分解后得到的两组时间序列分别命名为:“近似”序列A1A2A3A4;“细节”序列D1D2D3D4。结合小波分解的性质,可以得到每一组时间序列的时间尺度为:A1/D1(2个月尺度)、A2/D2(4个月尺度)、A3/D3(8个月尺度)和A4/D4(16个月尺度)。考虑到原始时间序列长度为163个月,若继续进一步分解至第五层则时间尺度为32个月,这对于只有163个月长度的时间序列来说过于粗糙,因此,本文只进行4级小波分解。

    图  1  小波分解与重构示意图
    Figure  1.  Diagram of Wavelet Decomposition and Reconstruction

    多分辨率分析(multi-resolution analysis,MRA)也称为多尺度分析,是小波分析的重要概

    念。基于多分辨率分析的空间分解,可以得到一系列的尺度空间V0,V1,V2,同时,在每一级的分解中都会得到一个高频细节空间Wj,它是相邻尺度空间之差,即:

    Wj=Vj-1-Vj (1)

    同时,该高频细节空间也是尺度空间的正交补,即:

    Vj-1=VjWj (2)

    对于GRACE信号f(t),Di分量代表细节空间,而Ai分量代表尺度空间,即:

    ft=D1t+D2t++Djt+Aj(t) (3)

    式中,j表示最高阶分解层次。在第一级分解中,ft=D1+A1,得到低通滤波成分A1和高通滤波成分D1,再对A1进行相同的操作,以便在更大的尺度上进行分解:A1=D2+A2,如此往复,直到最高阶的分解层次j[13-17]

    根据MRA的性质和概念,可以看出除了最后一级的“近似”信号,其他的“近似”信号都包含了“细节”信号,即上一级的“近似”信号可以进一步分解为下一级的“近似”信号与“细节”信号之和。因此,只需最低一级的“近似”信号与所有的“细节”信号即可包含原始信号的所有信息,从而达到对原信号进行重构的目的。基于上述分析,本文仅选取D1D2D3D4A4 5组信号来进行实验研究。

    为了评估小波分解后每种时间尺度下GWS变化信号的显著性,本文对每个测点使用逐步回归法建立线性回归模型。逐步回归法的本质就是从自变量集{x1,x2,,xm}中选出最优子集{xi1,xi2,,xil}(l<m),从而建立因变量Yxi1,xi2,,xil的最优回归方程。最优子集的选择通常从几个方面来考虑:(1)残差平方和越小越好;(2)剩余标准差越小越好;(3)回归方程中包含的自变量个数m越小越好。最优子集的变量筛选法包括向前引入法、向后剔除法和逐步回归法。逐步回归法综合向前引入法和向后剔除法,其基本步骤为:逐个引入变量,每次引入对因变量影响最显著的自变量,对整个方程的全局性检验采用F检验,并对方程中已有变量的回归系数逐个进行t检验(显著性水平均取α=0.05),剔除因引入新变量而退化为不显著的自变量,直至最后既没有新的变量引入,也没有已有的变量剔除。对于每个水井点,D1D2D3D4A4为自变量,该点的GWS WGWS为因变量,以此建立的函数模型为:

    WGWS=β0+β1D1+β2D2+β3D3+β4D4+β5A4+ε (4)

    式中,β0β1β2β3β4β5分别为常数项和对应自变量的回归系数;ε为误差常量。通过统计检验的方法来判断各回归系数的显著性。

    本文使用由美国宇航局协同美国国家环境预报中心发布的GLDAS水文模型。该模型使用的是卫星观测数据和地面观测数据,通过先进的陆地表面模型和数据同化技术得到地表流体的变化,并输出陆地地表的各项物理参数。本文选取基于NOAH陆地模型的GLDAS-NOAH模型,在后文中统一简称为GLDAS水文模型。GLDAS模型中包括了土壤湿度、温度、压强、蒸发量、径流等参数,根据本文的研究内容,筛选出水文模型中地表径流、土壤水、积雪融化、根系水和植被冠层水的组分,同时由于模型值的单位为kg/m2,将模型值除以水的密度(ρ0=1 000 kg/m3),以将其转化为EWT的形式,并进行去平均处理。

    本文使用德克萨斯大学空间研究中心(Center for Space Research-University of Texas at Austin,CSR)发布的CSR-RL06-Mascon数据集(2002年4月至2017年6月),其中,大气、海潮和固体潮的影响已经被移除,空间平滑、去相关改正以及冰川均衡调整也已完成[18-20],空间分辨率为0.25°×0.25°。为了突出时间变化特征,CSR Mascon发布的数据已进行去平均处理。考虑到GRACE序列中空缺的月份,本文采用三次样条插值的方法对空缺月份进行填补。

    GRACE反演得到的陆地水储量信号hTWS可表示为EWT的形式:

    hTWS=hQ+hS+hW+hR+hC+hr (5)

    式中,等号右边前5项分别对应GLDAS水文模型中的地表径流、土壤水、积雪融化、根系水和植被冠层水成分;将它们扣除后,得到的残量信号hr包含了GWS的变化。后文将对残量信号进行小波分解-逐步回归处理,以获得实验区域的GWS变化。

    文献[21]指出评估全球水资源变化的水文方法依赖于地下水水位(groundwater level, GWL)监测和区域地下水建模,通过GWL数据WGWL评估含水层的水储量变化需要对应含水层的蓄水系数信息,以此来将GWL数据转化为GWS,即:

    WGWS=ScWGWL (6)

    式中,表示相对于长期平均值的变化值;Sc为蓄水系数因子,无量纲。

    承压含水层和非承压含水层蓄水系数因子的变化较大,非承压含水层约为0.02~0.3,承压含水层约为0.000 1~0.001。同时,也存在着介于承压含水层和非承压含水层之间的半承压含水层,如加利福尼亚中央山谷,在具有垂直堆叠含水层的系统中,很难界定水井所处含水层的环境条件,这也增加了通过GWL估计GWS的不确定性。

    文献[22]对美国所有州的含水层进行了详细系统的地质条件分析,并以地图册的形式发布了美国地下水分布情况。文献[21]在此基础上研究了美国主要含水层的蓄水系数因子,本文实验区域含水层与文献[21]的研究区域相同,因此本文直接采用文献[21]研究结果中对应含水层的蓄水系数因子,各实验含水层的蓄水系数因子见表1。其中,各含水层的名称与文献[21]一致,为亚利桑那冲积层(Arizona Alluvial, AZ ALL)、爱德华兹高原(Edwards-Trinity Plateau, ETP)、得克萨斯州墨西哥湾沿岸(Texas Gulf Coast, TX GC)、中南高原(Central & Southern High Plains, CHP)、北部高原(Northern High Plains, NHP)、佛罗里达州(Florida)、上科罗拉多州(Upper Colorado, U COL)、宾夕法尼亚州(Pennsylvania, PENN)。

    表  1  美国区域实验含水层蓄水系数因子表
    Table  1.  Water Storage Coefficient Factors for Experimental Aquifers in USA
    含水层Sc含水层Sc
    AZ ALL0.05NHP0.104 3
    ETP0.03Florida0.037 9
    TX GC0.05U COL0.02
    CHP0.05PENN0.004 1
    下载: 导出CSV 
    | 显示表格

    USGS是美国内政部所属的科学研究机构,建立并维护美国全国的地下水监测系统,该系统由一系列当地管理的分布式水数据库组成,地表水、地下水和水质数据从地方的分布式数据库汇编成一个国家信息系统。该数据库不仅含有地下水位数据,还能够分析监测点位的水质变化等一系列物理参数,达到综合监测区域乃至全国性水资源变化的目的。

    本文利用USGS提供的美国各州1 494个水井实时数据,水井分布见图2,时间跨度为2002年4月至2017年6月,与GRACE数据的时间跨度保持一致,考虑到水井序列存在数据缺失的情况,从中筛选出843个时间序列保持10 a以上连续观测的水井作为输入模型(图2中红色点),其余点位作为测试模型(图2中白色点)。

    图  2  USGS水井总点位分布图
    Figure  2.  Location of USGS Well Points

    数据预处理步骤如下:

    1)基准统一。由于地区和水井差异,USGS发布的水位数据基准存在区别,本文统一选用NGVD1929基准,并对其他类型的数据进行基准换算。同时,该机构发布的水位数据时间分辨率不一致,为匹配GRACE TWS的时间分辨率,本文将每个水井点的测量值按月平均的形式统一归算到当月的月中时间点。

    2)去平均。对水井点的水位数值进行去平均处理,以此显示水井水位的相对变化,计算公式为:

    X*i=Xi-1ni=1nXi (7)

    式中,Xi表示水井点位每个月的水位值;X*i表示去平均处理后的水井水位值。

    3)蓄水系数因子。GRACE TWS探测的是水的质量变化,因此需要将监测水井实测的地下水位变化数据转化为地下水的质量变化数据。本文基于文献[21]的研究结果以及§2.3相关内容,将每个水井点位的实时监测水位与水储量数据联系起来,计算公式为:

    WGWS=ScWRGWL (8)

    式中,表示的是时间序列去平均处理后的相对变化值;WRGWL表示实时监测的GWL(real-time GWL,RGWL)数值。综合式(4)、式(8),可以得到:

    ScWGWL=β0+β1D1+β2D2+
    β3D3+β4D4+β5A4+ε (9)

    整理得:

    WGWL=β0'+β1'D1+β2'D2+
    β3'D3+β4'D4+β5'A4+ε (10)

    式中,βi'=βi/Sci=0,1,2,,5),由此可将蓄水系数因子纳入到回归系数中。同时,为了方便比较,选用测试水井的水位监测数据作为测试数据,与模型数据相统一,后文若不特别说明将以βi'代替βi

    4)区域点位平均。由于水井的空间分布与GRACE格网点存在一定差异,为统一分辨率,本文将每个GRACE单元格内的水井数据进行区域点位平均,以该单元格内水井水位序列的平均值表示当前点位的地下水变化序列。同时,其同一区域点位不同水井的非重叠部分也可以用来填补数据空缺,增加该区域点位时间序列的连续性,有利于GWL建模。

    图3展示了GRACE信号与其5组小波信号的分解示例。

    图  3  GRACE、D1D2D3D4A4时间序列图示例(82.375°W,34.625°N)
    Figure  3.  An Example of Time Series of GRACE, D1, D2, D3, D4, A4(82.375°W,34.625°N)

    将根据§2.2预处理后的GRACE格网点数据以及筛选出的843个模型水井水位数据作为模型输入数据,归算后得到589个模型格网点,对GRACE信号进行5级小波分解,根据式(10),以模型水井水位数据作为因变量,对应点位GRACE信号分解得到的5组小波信号作为自变量进行逐步回归分析,实验统计结果如表2所示。

    表  2  逐步回归统计结果
    Table  2.  Stepwise Regression Statistical Results
    小波成分模型点位数检验通过点位数通过率/%
    D1589132.21
    D258914324.28
    D358948682.51
    D458939567.06
    A458944575.55
    下载: 导出CSV 
    | 显示表格

    统计结果显示,高频成分1、2级小波序列通过假设检验的结果较差,分别仅有2.21%(D1)和24.28%(D2),而低频成分3、4级小波序列通过假设检验的结果较为理想,分别为82.51%(D3)、67.06%(D4)和75.55%(A4)。实验结果表明,3、4级小波可以有效地探测出该实验区域内地下水的变化信号,与文献[1]的研究结果相符。基于上述分析,后文在进行GWL研究时,将采用D3D4A4小波信号对地下水序列进行重构。

    联合式(10)以及§3.1的分析结果,将模型点位数据设为因变量,D3D4A4这3组小波成分设为自变量,得到线性回归方程:

    WGWLi=β3i'D3+β4i'D4+β5i'A4+ε (11)

    式中,β3i'β4i'β5i'为待估参数;i代表不同的模型点位。顾及到在预处理过程中,水井数据与Mascon

    数据均进行过去平均处理,所以线性回归模型中忽略常数项。

    由于水井无法覆盖实验区域内所有的GRACE格网点,本文采用克里金插值法对每种小波系数进行二维空间插值,以获得实验区域内每种小波成分的估计系数格网值,以此为基础,结合每个格网点的小波函数,可以重构出实验区域内地下水时变序列的格网数据。根据回归系数的插值结果,由式(11)对实验区域的地下水时变序列进行重构,以2002年6月份为例,图4展示了GWL重构结果的空间分布。

    图  4  2002年6月美国区域GWL重构格网图
    Figure  4.  Reconstruction of GWL in USA (June,2002)

    图4可以看出,实验区域西北部和南部地区的GWL变化值过大,明显偏离正常值,存在较为严重的发散现象,在图4中以空白代替。同时,北部邻近五大湖的地区受水体影响,地下水位变化值较为剧烈,存在一定的边缘效应,而中、东部地区模型重构情况较好,没有出现发散现象。在美国西北部(华盛顿州、俄勒冈州、爱达荷州、蒙大拿州、加利福尼亚州北部地区等)、北部五大湖附近的威斯康星州、南部德克萨斯州的部分地区,地下水模型重构结果存在发散现象,本文认为对于西北地区由于缺少必要的水井点位模型约束,系数插值以及重构结果在此区域并不理想;而对于北部五大湖附近的威斯康星州,由于该实验地区邻近于五大湖,五大湖的水储量较大,其水文变化较为明显,会对邻近区域的模型重构造成影响,尤其是对于反映长期趋势项的A4小波成分影响较大,从而引起该区域的模型重构结果不佳。相对于西部模型水井数据的匮乏,美国的中部以及东部地区水井分布较为密集,模型重构的收敛情况较好,能较为清晰地重构出区域地下水的时间序列。

    文献[21]使用经典的水平衡方程法计算了实验区域主要含水层的GWS序列,本节对各经典方法计算得到的各含水层GWS与本文使用小波分解-逐步回归法计算得到的GWL进行相关性分析,统计结果见表3

    表  3  各实验含水层GWS与GWL相关系数统计表
    Table  3.  Statistics of Correlation Coefficients Between GWS and GWL in Various Experimental Aquifers
    含水层Sc相关系数
    AZ ALL0.050.88
    ETP0.030.70
    TX GC0.050.71
    CHP0.050.89
    NHP0.104 30.52
    Florida0.037 90.24
    U COL0.020.23
    PENN0.004 10.16
    下载: 导出CSV 
    | 显示表格

    根据表3,AZ ALL、ETP、TX GC、CHP含水层的GWS与GWL相关性良好,相关系数均超过0.70,NHP含水层的GWS与GWL相关性一般,仅为0.52,U COL、Florida和PENN含水层的GWS与GWL相关性较差,不足0.25。整体而言,Sc较大的含水层地区,经典方法得到的GWS与小波分解法得到的GWL相关性良好;反之,蓄水因子Sc较小的含水层,两者的相关性偏弱。文献[21]也指出U COL、Florida和PENN含水层属于陆地含水量变化较小且与GRACE信号相关性较差的含水层,与本文检验结果相符。其中,U COL含水层处于美国西部,PENN处于美国东部,Florida含水层处于美国东南部临海岸,这3个含水层的蓄水系数因子均偏小,反映出含水层的地质条件可能更偏向于承压含水层,其地质条件以及该地区陆地水储量变化较小的特性使估计该地区GWS的不确定性增大。

    将测试水井的水位时变序列进行相同的预处理,对于地下水时间序列不足12个月的测试点位予以剔除,最终可以得到283个点位测试序列,将其与对应的重构地下水时间序列模型进行对比,图5给出了地理坐标为(90.375°W,36.125°N)的实验点的测试序列与模型序列的对比结果。

    图  5  地下水重构序列与地下水测试序列对比图(90.375°W,36.125°N)
    Figure  5.  Comparison of Groundwater Reconstruction Series and Groundwater Test Series (90.375°W,36.125°N)

    根据图5,示例实验点位的地下水重构序列可以较为完整地反映出该点地下水时变序列的变化趋势与幅度特征,同时,模型序列的季节性周期变化也能与实际水位序列保持一致。该示例点位的相关系数为0.82。

    对于总体实验结果,统计数据的相关系数和残差均方根(root mean square,RMS)见表4表5,统计结果的空间分布见图6图7

    表  4  地下水重构序列与测试序列相关系数统计分布表
    Table  4.  Correlation Coefficient of Groundwater Reconstruction Series and Groundwater Test Series
    相关系数点位数点位占比/%
    (0.8, 1]227.77
    (0.6, 0.8]8028.27
    (0.4, 0.6]7325.80
    (0.2, 0.4]5619.79
    [0, 0.2]5218.37
    下载: 导出CSV 
    | 显示表格
    表  5  地下水重构序列与测试序列残差RMS统计分布表
    Table  5.  RMS of Groundwater Reconstruction Series and Groundwater Test Series
    RMS/m点位数点位占比/%
    (0, 0.5]9132.16
    (0.5, 1.0]8730.74
    (1.0, 1.5]3913.78
    (1.5, 2.0]165.65
    >2.05017.67
    下载: 导出CSV 
    | 显示表格
    图  6  地下水重构序列与测试序列相关系数空间分布图
    Figure  6.  Correlation Coefficient Space Distribution of Groundwater Reconstruction Series and Groundwater Test Series
    图  7  地下水重构序列与测试序列残差RMS空间分布图
    Figure  7.  RMS Space Distribution of Groundwater Reconstruction Series and Groundwater Test Series

    根据表4表5,相关系数在0.4以上的测试点位占比达61.84%,残差RMS在1.0 m以下的测试点位占比达62.90%,但其中仍有18.37%的测试点相关系数处于0.2以下,17.67%的测试点残差RMS大于2.0 m。根据图6图7,其中RMS

    大于1.0 m的点位大部分集中在科罗拉多州东北部以及美国西北部的区域,其余小部分分布在亚利桑那州南部地区以及五大湖附近的威斯康星州。

    根据水井点位分布,本文认为由于缺乏必要的水井数据约束,西北地区实验区域小波回归系数的解算与插值效果并不理想,存在较为严重的发散现象,引起重构的地下水模型序列失真。对于五大湖附近的威斯康星州,由于邻近五大湖区域,其地下水的水文活动一定程度上会受五大湖水体的影响,存在发散现象,其影响范围在空间格网分布图中有所体现(见图4),其导致重构的模型结果与测试序列存在较大差异。

    本文利用重构的地下水模型序列计算了实验区域的模型趋势变化项,计算结果见图8。其中,本文实验探测出德克萨斯州的北部存在一定程度的地下水亏损现象;佛罗里达州与佐治亚州的地下水趋势呈现微弱的涨幅;而加利福尼亚州南部与亚利桑那州南部则呈现出一定程度的下跌趋势,其趋势结果与文献[21]的研究结果接近。文献[21]采用经典的水平衡方程法构建了美国全境大部分主要含水层的GWS变化序列。本文结合文献[21-22]的研究成果,对美国一些主要含水层进行对比分析,为了便于比较,本节结合式(8),顾及Sc,将区域GWL转化成GWS,并同时与其他水文模型、地表模型提供的GWS变化进行对比分析,汇总结果见表6。水文模型和地表模型的名称分别为全球水平衡光栏模型(PCRaster global water balance model,PCR-GLOBWB)、水隙水文模型(watergap hydrology model,WGHM)、全球路面数据同化模型(catchment land surface model-5.0,CLSM-5.0)、NOAH多参数模型(NOAH with multi‑parameterization options,NOAH-MP)。

    图  8  美国区域GWL重构序列趋势分布图
    Figure  8.  Reconstruction Series Trend of GWL in USA
    表  6  美国地区含水层GWS趋势统计表/(mm∙a-1)
    Table  6.  GWS Trends of Aquifers in USA /(mm∙a-1)
    含水层经典水平衡方程法小波分解-逐步回归法ScPCR-GLOBWBWGHMCLSM-5.0NOAH-MP
    CHP-12.60-26.630.05-38.17-51.96-4.93-1.15
    ETP-3.89-15.700.03-1.04-0.560.50-1.11
    Florida4.121.660.037 9-2.49-1.271.37-0.51
    NHP5.715.090.104 3-14.49-12.224.520.69
    PENN2.920.0180.004 1-7.33-0.40-1.69-1.09
    TX GC-3.20-6.530.05-2.81-1.63-3.89-2.53
    U COL-0.66-0.650.02-0.24-0.22-0.240.03
    AZ ALL-2.14-10.650.05-4.32-2.75-1.51-0.18
    下载: 导出CSV 
    | 显示表格

    表6可以看出,相较于其他水文模型或地表模型,小波-逐步回归法与经典水平衡方程法的趋势项更为接近,其中NHP和U COL含水层的结果几乎一致,CHP、ETP和AZ ALL含水层的结果差距较大,其绝对值普遍大于水平衡方程法的结果,达到了10 mm/a以上,本文推测由于其含水层的位置处于美国南部边缘,在模型重构时存在一定的边界效应,从而引起模型结果的偏差,使其趋势项增强。而Florida与PENN含水层的结果绝对值小于经典水平衡方程法,根据§3.3的分析,这两个含水层属于陆地含水量变化较小且与GRACE信号相关性较差的含水层,在进行模型重构时,由于相关性较弱,可能会造成趋势项减弱的情况。同时,Sc也是影响GWS重构的一个重要因素,该比值受水井附近的水文条件以及含水层地区的地质因素影响,量级为1×10-5~1×10-1不等。

    本文研究了利用小波-逐步回归方法重构地下水序列的可行性,通过将扣除地表水后的GRACE信号进行小波分解及重构,在得到不同层次的小波信号后使用逐步回归的统计方法来进行检验分析,以此为基础来构建实验区域的回归系数模型,得到实验区域的地下水重构序列。在对测试水井点位进行精度评估后,本文同时结合水平衡方程法以及水文-地表模型的结果对重构的模型序列进行了对比分析,结论如下:

    1)通过将GRACE信号进行小波分解,可以得到多个层次的趋势项和细节项,发现D3D4A4小波成分与地下水相关性良好,在进行地下水序列模型的重构和结果对比时,选择D3D4A4小波成分作为重构序列。

    2)将美国地区设置为实验区域,并同时提取了USGS提供的美国境内1 494个水井序列作为实验数据,研究发现在美国西北部、北部五大湖附近以及南部的部分地区,其重构的地下水模型结果存在发散现象,其主要原因是缺少必要的水井点位模型约束,以及五大湖自身的水体变化对邻近区域模型重构造成影响,后期研究可以通过改进系数插值方法或是添加约束条件来减弱发散现象。

    3)与文献[21-22]的研究成果进行对比分析,验证了采用小波分析-逐步回归方法重构GWS序列理论的可行性。本文实验测试点位达283个,相关系数在0.4以上的测试点位以及RMS在1.0 m以下的测试点位占比均超过60%,质量较差的点位主要集中在模型发散现象较为严重的区域,美国中、东部地区的模型重构结果与测试点位符合良好。

    4)选取美国地区特定的主要含水层,将小波-逐步回归法的结果与经典水平衡方程法以及水文-地表模型的结果进行联合比较。在总体上,相较于其他水文模型或地表模型,小波-逐步回归法与经典水平衡方程法的趋势项较为接近,并能探测出德克萨斯州北部GWS的亏损以及佛罗里达州GWS的小幅度涨幅趋势,与经典水平衡方程法结果相符。

    地下水是构成陆地水储量的主要成分,因此,量化其水储量成分至关重要。本文使用的小波分解-逐步回归的方法扩展了GRACE信号的应用潜力,该方法可以对水资源的定量状态进行更详细的时空估计,在空间尺度上能一定程度上填补水井数据的空缺。此外,小波分解-逐步回归方法的扩展性和通用性较好,该方法理论上可以与遥感数据、全球和区域建模以及地面监测相结合,有助于减少GWS序列构建中概念和数值模型的不确定性,同时可以促进对于大型含水层系统的理解,为进一步的研究提供理论支持。

  • 图  1   空-天-地多源遥感与地面测量集成的地质灾害调查监测技术体系

    Figure  1.   Geological Disaster Investigation and Monitoring Technology System Integrated with Space-Air-Ground Multi-source Remote Sensing and Ground Measurement

    图  2   综合遥感应用中的“三形”调查与判断——以四川理县西山村为例

    Figure  2.   "Three Forms" Investigation and Judgment Application with Integrated Remote Sensing-A Case Study of Xishan Village, Li County, Sichuan Province

    表  1   InSAR形变监测应用需要顾及的参数

    Table  1   Parameters That Should Be Taken into Account in InSAR Deformation Monitoring Application

    参数类别 具体参数 应用需求
    卫星参数 重复轨道要求 相同的频率、入射角(相同轨道)
    卫星倾角、成像入射角度 与地形相关
    成像方式要求 TOPS、条带、聚束模式数据的统一
    相位保真度 系统载荷与星地指标
    轨道参数稳定性 姿态、轨道控制精度
    分辨率、重访周期 可测量的精细程度与最大相对变化量
    环境参数 空间基线 取决于空间基线-临界基线条件(因卫星而异)
    地物变化程度 时间间隔(视监测区域地物分布状况)
    季节性影响 地物变化,大气变化特征
    对象参数 变形幅度匹配 相位干涉测量的有限性(极小与极大)
    图像相关 非相干移动(超过相位梯度约束)与大变形测量
    片段与过程 短期内的相对测量与变化过程长期连续测量
    下载: 导出CSV

    表  2   InSAR不同技术方法的适用性

    Table  2   Applicability of Different InSAR Algorithms

    方法技术 应用条件 应用目标 优选条件 应用效果
    差分干涉测量D-InSAR 短期相干性良好,滑移方向可测 活动状态识别,短时间间隔 长波长、短周期、高分辨率 定性分析,大范围可行
    时序分析(永久散射体时序InSAR、小基线集时序InSAR等) 植被覆盖度低,滑移方向可测 识别以及活动特征表征 长时序SAR数据,观测点密度取决于环境因素 定性/定量,可大范围进行,处理要求高
    宽带SAR子带干涉 可布设反射器网络 大变形连续测量 高分辨率SAR局部变形场 定性/定量,单个滑坡体监测
    Offset-tracking 高分数据,相干性良好 方位向与距离向,大变形场探测 高分辨率SAR优先,影像信息,非干涉测量 定性为主,单个坡体,不适合大范围
    下载: 导出CSV
  • [1] 国土之声.2017年全国地质灾害灾情及2018年地质灾害趋势预测[OL]. http://dy.163.com/v2/article/detail/D7NDC18H0514N88B.html, 2018

    Voice of Land. National Geological Disasters in 2017 and Prediction of Geological Disaster Trends in 2018[OL]. http://dy.163.com/v2/article/detail/D7NDC18H0514N88B.html, 2018

    [2] 自然资源部. 2018年全国地质灾害灾情及2019年地质灾害趋势预测[OL]. https://baijiahao.baidu.com/s?id=1622170215265411461&wfr=spider&for=pc, 2019

    Ministry of Natural Resources. National Geological Disasters in 2018 and Prediction of Geological Disaster Trends in 2019[OL]. https://baijiahao.baidu.com/s?id=1622170215265411461&wfr=spider&for=pc, 2019

    [3] 葛大庆.从滑坡形变的InSAR识别探测到监测预警[OL]. https://mp.weixin.qq.com/s/fPqzto6ZDNVqLp9PzrTACw?tdsourcetag=s_pctim_aiomsg, 2018

    Ge Daqing. From InSAR Identification Detection of Landslide Deformation to Monitoring and Warning[OL]. https://mp.weixin.qq.com/s/fPqzto6ZDNVqLp9PzrTACw?tdsourcetag=s_pctim_aiomsg, 2018

    [4]

    Xia Ye, Kaufmann H, Guo Xiaofang. Differential SAR Interferometry Using Corner Reflectors[C]. IEEE International Geoscience and Remote Sensing Symposium, Toronto, Canada, 2002

    [5] 夏耶, 范景辉, 李曼, 等.高分辨率雷达数据三峡库区滑坡监测技术[C].第十八届中国遥感大会, 武汉, 2012

    Xia Ye, Fan Jinghui, Li Man, et al. Landslide Monitoring Technology with High-Resolution Radar Data in the Three Gorges Reservoir Area[C]. The 18th China Symposium on Remote Sensing, Wuhan, China, 2012

    [6]

    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

    [7]

    Xia Ye, Kaufmann H, Guo Xiaofang. Landslide Monitoring in the Three Gorges Area Using D-InSAR and Corner Reflectors[J]. Photogrammetric Engineering & Remote Sensing, 2004, 70(10): 1 167-1 172 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=fa4e0d33a0682f20c72056afc8e5e441

    [8]

    Singleton A, Li Zhenhong, Hoey T, et al. Evaluating Sub-pixel Offset Techniques as an Alternative to D-InSAR for Monitoring Episodic Landslide Movements in Vegetated Terrain[J]. Remote Sensing of Environment, 2014, 147: 133-144 doi: 10.1016/j.rse.2014.03.003

    [9]

    Dai Keren, Li Zhenhong, Tomás R, 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

    [10]

    Dong Jie, Zhang Lu, Li Menghua, 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

    [11]

    Zhao Chaoying, Kang Ya, Zhang Qin, 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

    [12]

    Tang Yixian, Zhang Zhengjia, Wang Chao, et al. The Deformation Analysis of Wenjiagou Giant Landslide by the Distributed Scatterer Interferometry Technique[J]. Landslides, 2018, 15(2): 347-357 doi: 10.1007/s10346-017-0917-5

    [13]

    Qu Tengteng, Lu Ping, Liu Chun, et al. Hybrid-Sar Technique: Joint Analysis Using Phase-Based and Amplitude-Based Methods for the Xishancun Giant Landslide Monitoring[J]. Remote Sensing, 2016, 8(10): 874 doi: 10.3390/rs8100874

    [14]

    Chen Qiang, Cheng Haiqin, Yang Yinghui, et al. Quantification of Mass Wasting Volume Associated with the Giant Landslide Daguangbao Induced by the 2008 Wenchuan Earthquake from Persistent Scatterer InSAR[J]. Remote Sensing of Environment, 2014, 152: 125-135 doi: 10.1016/j.rse.2014.06.002

    [15] 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

    [16]

    Zhao Chaoying, Zhang Qin, He Yang, et al. Small-Scale Loess Landslide Monitoring with Small Baseline Subsets Interferometric Synthetic Aperture Radar Technique—Case Study of Xingyuan Landslide, Shaanxi, China[J]. Journal of Applied Remote Sensing, 2016, 10(2): 026030 doi: 10.1117/1.JRS.10.026030

    [17]

    Liu Xiaojie, Zhao Chaoying, Zhang Qin, et al. Multi-temporal Loess Landslide Inventory Mapping with C-, X- and L-Band SAR Datasets—A Case Study of Heifangtai Loess Landslides, China[J].Remote Sensing, 2018, 10(11): 1 756 doi: 10.3390/rs10111756

    [18]

    Sun Qian, Hu Jun, Zhang Lei, et al. Towards Slow-Moving Landslide Monitoring by Integrating Multi-sensor InSAR Time Series Datasets: The Zhouqu Case Study, China[J]. Remote Sensing, 2016, 8(11): 908 doi: 10.3390/rs8110908

    [19] 许强.构建新"三查"体系创新地灾防治新机制[OL]. http://www.zgkyb.com/yw/20180312_48669.htm, 2018

    Xu Qiang. Constructing a New "Three-Check" System, Innovating New Mechanisms for Disaster Prevention and Control [OL]. http://www.zgkyb.com/yw/20180312_48669.htm, 2018

    [20] 川报观察.住川全国政协委员许强: 空天地一体化破解国际难题[OL]. https://cbgc.scol.com.cn/currentaffairs/73373, 2018

    Chuan Newspaper Observation. Xu Qiang, Member of the National Committee of the Chinese People's Political Consultative Conference in Sichuan: The Integration of Air and Space to Solve International Problems[OL]. https://cbgc.scol.com.cn/currentaffairs/73373, 2018

    [21] 国土资源部.国土资源部关于印发《全国地质灾害防治"十三五"规划》的通知[OL]. http://www.cgs.gov.cn/tzgg/tzgg/201701/W020170103557462354074.doc, 2016

    Ministry of Land and Resources. Notice of the Mi-nistry of Land and Resources on Printing and Distributing the 13th Five-Year Plan for the Prevention and Control of Geological Disasters in China[OL]. http://www.cgs.gov.cn/tzgg/tzgg/201701/W020170103557462354074.doc, 2016

    [22] 新浪看点.它们比地震还"阴险", 这道难题十年未解[OL]. http://k.sina.com.cn/article_2173867535_8192960f01900d7n1.html?cre=tianyi&mod=pcpager_inter&loc=11&r=9&doct=0&rfunc=57&tj=none&tr=9, 2018

    Sina Watch. They Are "Insidious" Than the Earthquake, and This Problem Has not Been Solved for Ten Years[OL]. http://k.sina.com.cn/article_2173867535_8192960f01900d7n1.html?cre=tianyi&mod=pcpager_inter&loc=11&r=9&doct=0&rfunc=57&tj=none&tr=9, 2018

    [23] 葛大庆.地质灾害早期识别与监测预警中的综合遥感应用[J].城市与减灾, 2018(6): 53-60 doi: 10.3969/j.issn.1671-0495.2018.06.011

    Ge Daqing. Integrated Remote Sensing Application in Early Identification, Monitoring and Early Warning of Geological Hazards[J]. City and Disaster Reduction, 2018(6): 53-60 doi: 10.3969/j.issn.1671-0495.2018.06.011

    [24] 何平, 许才军, 温扬茂, 等.时序InSAR的误差模型建立及模拟研究[J].武汉大学学报·信息科学版, 2016, 41(6): 752-758 http://ch.whu.edu.cn/CN/abstract/abstract5459.shtml

    He Ping, Xu Caijun, Wen Yangmao, et al. Analysis and Simulation for Time Series InSAR Error Model[J].Geomatics and Information Science of Wuhan University, 2016, 41(6): 752-758 http://ch.whu.edu.cn/CN/abstract/abstract5459.shtml

    [25]

    Wasowski J, Bovenga F. Investigating Landslides and Unstable Slopes with Satellite Multi Temporal Interfero-metry: Current Issues and Future Perspectives[J].Engineering Geology, 2014, 174: 103-138 doi: 10.1016/j.enggeo.2014.03.003

    [26]

    Crosetto M, Monserrat O, Cuevas-González M, et al. Persistent Scatterer Interferometry: A Review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 115: 78-89 doi: 10.1016/j.isprsjprs.2015.10.011

    [27] 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).实验室与贵州省自然资源厅联合主办"重大地质灾害隐患早期识别专题研讨会"[OL]. http://www.sklgp.cdut.edu.cn/info/1018/2245.htm, 2018

    State Key Laboratory of Geo-hazard Prevention and Geo-environment Protection, Chengdu University of Technology. The Laboratory and the Natural Resources Department of Guizhou Province Jointly Hosted the "Special Symposium on Early Identification of Hidden Geological Hazards"[OL]. http://www.sklgp.cdut.edu.cn/info/1018/2245.htm, 2018

图(2)  /  表(2)
计量
  • 文章访问数:  4018
  • HTML全文浏览量:  609
  • PDF下载量:  1525
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-02-26
  • 发布日期:  2019-07-04

目录

/

返回文章
返回