多学科交叉融合、跨界合作已是社会进步的必然趋势，也是科学研究的新范式，要解决地质灾害隐患早期识别这类复杂问题尤应如此。地质灾害隐患早期识别涉及到地质学、工程地质学、水文地质学、地理学等传统学科，以及摄影测量与遥感技术、大地测量技术、电子与通信技术、人工智能、大数据等现代技术学科，只有通过多学科交叉融合、多种技术综合应用、各行业和部门跨界合作与相互协作，以数据导向为基础，作好综合性研判，才能真正提高地质灾害早期识别能力和水平，突破相关技术瓶颈，解决相关难题。

笔者提出的重大地质灾害隐患早期识别的“三查”体系^[8]，其核心理念和观点就是通过多学科交叉融合、多部门跨界合作、多种技术手段的综合应用，以及多部门的协同创新，共同破解地质灾害隐患早期识别难题。具体地讲，“三查”体系强调和突出了“四多”：

1）多学科交叉融合。工程地质学、摄影测量与遥感技术、电子与通信技术等多个学科交叉融合。

2）多层次立体观测。以卫星为主的天基层次，以有人机和无人机为主的航空层次，以人工调查和专业监测为主的地面层次，由此构成天-空-地一体化的多元立体观测体系。

3）多技术综合应用。光学遥感、三维摄影测量、InSAR、LiDAR、地面勘探和监测等多种技术手段的综合利用。

4）多时序持续监测。不仅可通过调取历史存档数据了解过去，也可通过实时监测掌握现状，还可通过长期持续监测分析预测发展趋势，由此形成多时序观测数据^[9]。

倡导和强调多种技术手段的综合应用，其原因在于任何一种技术手段只会是某些方面的功能具有先进性和独特性，同时其一定会存在特定的适用范围和局限性。比如InSAR技术，其大范围持续观测地面变形的功能是一般技术手段所不具备的，但在实际应用中也还存在不少的问题和局限，而InSAR的局限和问题可通过LiDAR、光学遥感等来弥补和校正。因此，只能通过多种技术手段的综合应用，一方面通过发挥各种技术手段的优势和某些独特功能（如LiDAR的植被去除功能），实现对灾害隐患最全面的搜索和识别；另一方面通过多种技术手段所获结果的相互比对、补充、检验和校核，最终实现对地质灾害隐患的全面而准确的识别。

光学遥感影像具有直观、形象、清楚等特点，是一线地质调查人员最容易看懂的遥感成果，尤其是高清、高分辨率、三维立体影像更是为地质灾害调查评价提供了重要依据。利用不同时段和期次光学遥感影像的光谱和纹理差异，结合地形地貌特征，人工就能较容易地识别出历史上曾经发生过的古老滑坡体和具有明显变形迹象的区域^[9]，而这些部位往往就是最大的隐患点。同时，卫星遥感影像覆盖范围大，通过重访可对同一区域作周期性持续观测。因此，光学遥感技术在区域性大范围地质灾害调查和排查方面具有独特的能力，其行为和作用相当于医学上的定期全面体检，称之为“普查”。

InSAR通过对重复轨道观测获取的多时相雷达数据，集中提取到具有稳定散射特性的高相干点目标上的时序相位信号进行分析，反演研究区域地表形变平均速率和时间序列形变信息，能获取厘米级甚至毫米级的形变测量精度^[10]。InSAR最大的长处是能对地表正在发生的大范围持续缓慢变形进行有效识别和持续监测。InSAR可有效识别和提前发现那些地质调查人员难以到达的高处或人迹罕至区域的地质灾害隐患。因为有免费的InSAR数据可供使用（如哨兵Sentinel），可用其对一些地质灾害频发区或其他重要区域进行长期持续的形变观测，并通过对某些关键点变形的时间序列分析，判定相关区域当前所处的变形阶段，评估其危险性和风险。这一点对日常防灾减灾具有非常重要的作用。

但卫星遥感也具有一些自身不可回避的缺点和局限，主要表现在以下几方面：

1）星载光学遥感会受卫星重访周期和气候条件的限制。同一区域卫星的重访周期一般为数天至近一月。在地质灾害频发的西部山区云雾天气较为常见，而地质灾害又往往发生在雨季尤其是强降雨期间，往往难以获取真正有用的遥感影像。长重访周期和受天气影响的问题在重大灾害发生后的应急处置阶段尤显突出。同时，不少卫星的影像分辨率也难以满足地质调查评价的实际需求。

2）InSAR虽然在滑坡形变监测方面具有常规手段不可替代的功能，但也存在以下问题与挑战^[11]：（1）合成孔径雷达（synthetic aperture radar，SAR）是利用电磁波相位相干性原理来解算地表形变，但茂密的植被覆盖和快速大变形（如滑坡产生突发性滑动）都会使前后两期监测数据失去相干性，从而使形变监测能力失效。（2）卫星雷达发射的电磁波穿过大气层时会导致电离层和对流层延迟，因此在作SAR数据分析处理时必须作大气改（校）正。但山区的大气对流往往复杂多变，很容易影响InSAR结果的准确性，甚至得到错误的分析结果。（3）SAR的斜视成像机制使其在地形复杂山区在几何成像方面存在距离压缩、阴影和叠掩等问题，从而导致某些区域或方向的坡面变形要么根本就观测不到，要么存在较大误差甚至错误。（4）在地形起伏较大的区域，地形效应会直接影响解算结果的精度，而地质灾害频发的西部山区一般地形起伏都较大，由此影响InSAR的观测精度。基于以上原因，InSAR在西部地形起伏大、植被覆盖好的山区，其变形观测效果一般并不太好，急需寻求解决方案破解相关难题。（5）受卫星分辨率的限制，卫星遥感只适用于观测较大面积的目标，对于那些通过人工排查发现的小型地质灾害隐患，尤其是平面投影面积很小的灾害点，将失去其辨识能力。以上几方面可能是在某些地区InSAR识别结果与人工排查结果重合度相对较低的原因。同时，InSAR数据的分析处理相对较专业，非专业人员的分析处理质量可能会大打折扣，因此，不能拿那些分析处理质量差的结果来轻易否定InSAR在地质灾害形变观测和隐患早期识别的作用和优势。

通过星载光学遥感和InSAR完成区域扫面性“普查”后，基本可圈定地质灾害重点区段和重大隐患，然后再利用基于航空平台的三维摄影测量和LiDAR对重点区段和重大隐患实施“详查”^[8]。

在航空平台层次观测方面，无人机已逐渐成为地质灾害调查评价和应急处置的重要手段和“常客”。通过无人机三维摄影测量已可快速获取高分辨率的三维立体影像，既直观形象，可看清相关区域各种地物特征和坡体变形迹象，又可快速形成地形图、量测各种参数（如滑坡的几何尺寸、结构面产状等）。此外，通过不同期次影像数据的差分分析，可圈定变形区，量化各区的动态变化情况，量测滑坡前后各部位地形和体积变化，快速准确计算滑坡方量等^{[1, 4]}。近年来，无人机摄影测量已为多次重大地质灾害应急处置提供了重要的科技支撑。

利用机载LiDAR可获取厘米级分辨率的数字地表模型（digital surface model，DSM）。LiDAR最独特和实用的功能是植被去除，形成裸露地面的数字地形模型（digital terrain model，DTM）。通过裸露地面可轻易识别山体已有的“损伤”，不仅可在光学影像解译的基础上进一步通过去除植被后的地形地貌特征辨识历史上的古老灾害体、未彻底破坏的变形体、地震导致的震裂山体，以及潜在的不稳定斜坡，同时还可识别规模较大的山体裂缝和松散堆积体，从另一视角发现和识别灾害隐患^[8]。这对于植被茂密、地形起伏大的西部山区尤其有用。此外，通过LiDAR数据解译可获取相关区域植被、建筑物等各种地物的三维表面数据，其在城市建筑信息模型（building information modeling，BIM）建模、电力巡线、林业资源量化评价、矿山开采进度评价与调度等方面已得到广泛应用。但是，机载LiDAR必须要用飞机（直升机或专业航测飞机）或载荷量较大的无人机作为作业平台，需要专业技术人员作业，目前还难以在一线地质调查工作中普遍推广使用。不少国家（如日本、意大利等）和地区（如中国香港、中国台湾）已完成了全域范围的LiDAR飞行，并将相关数据提供给不同部门使用，产出了很好的成果和效益。中国大陆现阶段开展全域范围的LiDAR数据获取还不现实，但应尽快开展地质灾害高风险山区、重要城镇、重大工程区等的LiDAR数据获取和示范应用，为自然资源的调查评价、国土空间规划、生态环境评价与保护、地质灾害防治等提供基础数据和科技支撑。

值得强调的是，无论采用的技术如何先进，获得的观测数据有多么好，最终还得依靠地质工作者对这些多源观测数据和专业解译分析结果进行综合研判，现场调查复核，进行最终的确认或否定，这就是“三查”体系中的“核查”工作。核查类似于医学上的临床诊断和针对重大疑难杂症的专家会诊。地质人员通过对光学影像、InSAR、LiDAR等的综合分析、相互比对和校验；现场调查复核，最终确定是否为真正的地质灾害隐患。近年来，相关单位综合应用光学遥感、InSAR、LiDAR等手段，已发现和确认了多处重大灾害隐患，并采取了针对性的防范措施。

图 1为利用光学影像、InSAR和LiDAR综合确定隐患的典型案例。通过对某区域InSAR数据的分析处理，发现某藏寨后山存在一大片疑似变形区（图 1（b））。该藏寨为一处著名风景区，变形区下部的藏寨除数百户居民外（图 1（a）），每天还有不少的游客居住和往来。但因变形区地处大山中上部，前缘海拔高程约3 000 m，后缘滑坡壁海拔更是高达4 600 m，加上坡陡无路，地质调查人员很难到变形区去开展实地调查复核。2018年对相关区域作了LiDAR飞行，LiDAR数据解译后发现该区滑坡特征非常明显，前缘有挤压隆起带，后缘有明显的滑坡壁和多次局部垮塌现象（见图 1（c）），由此确认了该大型滑坡隐患真实存在。

图  1  利用InSAR与LiDAR相互校验的方法发现并确认四川某藏寨后山的大型变形区

Figure 1.  Large Deformation Area Found Through Mutual Verification of InSAR and LiDAR of a Tibetan Village in Sichuan

综上所述，利用现代遥感和测绘技术可从更宏观的角度、更宽广的视野，从上往下以“俯视”的角度来搜索、识别具有典型特征的大型地质灾害隐患。当然，其识别的重点主要为高位、隐蔽性、平面投影面积相对较大、某方面特征显著的灾害隐患；而传统调查排查则主要通过实地考察、肉眼亲见来搜寻、发现和确认地质灾害隐患，其排查的重点为人类日常活动区域内变形特征明显且对人民生命财产安全构成威胁的各类（包括小型）地质灾害隐患点。两者排查识别的对象虽有较多交集，但并不会完全重合。因此，地质部门与测绘部门应通力合作，“人防”与“技防”有机结合，相互补充和校验，才能最大限度地识别出已存在的灾害隐患。

2019-07-23，贵州六盘水市水城县鸡场镇坪地村岔沟组发生山体滑坡（简称贵州鸡场镇滑坡），21幢房屋被埋，近1 600人受灾，43人死亡，9人失踪。该滑坡发生后，相关部门也在反思该滑坡隐患为何未被提前识别和发现，并及时组织专业队伍对滑坡区进行InSAR分析解译，发现滑坡发生前3 d内（有卫星重访）滑坡区并无明显的变形迹象，说明滑坡区是在降雨期间才出现变形并在短时间内失稳破坏，表现出显著的突发性，所以未被提前识别和监测预警。

地质灾害一般集中发生在以下部位：目前正在变形区、曾经变形区、稳定性较差的斜坡、大型松散堆积体^[10]。其中，大范围的正在变形区可通过InSAR、光学遥感、人工排查等手段进行识别；曾经变形区和大型松散堆积体可利用LiDAR、光学影像、人工调查进行识别；但稳定性较差的斜坡（常称不稳定斜坡）既未正在发生变形，历史上可能也未曾产生过变形，利用遥感、测绘等停留于地表的“技术识别”手段已很难识别和发现，需通过地勘手段查明坡体的地下结构特征和物质组成，定量评价其稳定性状况，才能确定是否为“隐患”。

斜坡的稳定性主要受控于坡体的物质组成、结构以及临空条件，同时受水（地下水和地表水）和人类工程活动等外在因素的显著影响。这些控制条件和影响因素仅靠遥感和地表测绘是很难查清楚的，必须综合利用地质调查、勘测、监（观）测、测试试验等手段。对于无明显变形迹象的不稳定斜坡，其稳定性已难以通过其变形特征作定性评价，需要在地勘的基础上通过力学计算得到。因此，对不稳定斜坡开展地质调查和适量的地勘工作是必要的，但不稳定斜坡点多、面广，在地质勘测中应充分利用现代技术，提高其稳定性评价和隐患识别的效率和准确率。

LiDAR可通过去除植被直接看到裸露的地表，消除因植被覆盖带来的“隐蔽性”。依靠LiDAR可以准确地量测斜坡坡面、结构面、裂缝等的产状和几何尺寸，量化描述斜坡结构，构建三维地质模型，为坡体稳定性的量化评价提供科学依据。同时，去除植被后坡体的地形地貌和结构特征非常明显，大多情况下通过工程地质类比便可定性判断斜坡稳定性和危险性，确定其是否为滑坡隐患。

图 2为利用航空平台同时搭载光学摄影镜头和三维激光扫描仪获取的光学影像和去除植被后的数字高程模型（digital elevation model，DEM）。该斜坡地处某一著名景区，其下为日常通行公路。但从图 2（b）中可以清楚地看出，该斜坡为一陡倾角顺层斜坡，临空条件较好，其中部已经发生过顺层滑动，其两侧的斜坡结构与中部完全相同，稳定性较差，也存在失稳下滑的可能。为保证景区安全，建议作加固处理。

图  2  某斜坡的航拍光学影像和利用LiDAR获取的DEM

Figure 2.  Aerial Optical Image and DEM Obtained Through LiDAR of a Slope

现场调查表明，滑坡区集中分布散体和碎裂状全强风化玄武岩，再加上强降雨期间的地下水作用，是2019年贵州鸡场镇滑坡发生的主要原因。在滑坡区，玄武岩风化后的产物基本与粗颗粒土类似（见图 3）。但通过沿公路沿线的追踪调查发现，不同区段玄武岩的风化特性和程度差别很大，呈现出典型的差异风化特点。某些地段的玄武岩风化较弱、强度高；但在滑坡区段玄武岩的风化程度非常高，岩体异常破碎，全强风化带埋深大、强度很低。加上强降雨期间地下水入渗，进一步软化全强风化带，并产生水压力，最终导致滑坡的发生。

图  3  贵州鸡场镇滑坡区散体状的风化玄武岩

Figure 3.  Loose and Weathering Basalt in Sliding Area of Jichang Town, Guizhou

严格地讲，处于地表以下的斜坡体内部结构特征和物质组成需要通过钻探、坑槽探等常规地勘手段来查明，但因其点太多、面太广，都采用地勘手段显然不现实，即使采用地面物探手段都不现实。因此，急需发展航空、半航空物探技术，利用无人机携带物探设备作线状和面状飞行，可大大提高勘测效率。

航空物探是通过在飞机上装备的专用物探仪器在航行过程中探测各种地球物理场的变化，研究和寻找地下地质结构和矿产资源的一种物探方法。常用的有航空磁测、航空放射性测量、航空电磁测量等。航空物探具有速度快、不受地面条件限制、大面积工作精确度较均一等优点。还有一种介于地面物探和航空物探之间的半航空物探方法，如半航空瞬变电磁法，是以地面接地长导线电信源作为发射源在空中进行观测的一种地球物理勘探方法。

川藏铁路的环境条件极为恶劣，传统的地勘手段在不少区段已难以开展，相关单位采用航空物探手段开展典型区段的地勘工作，取得了良好的效果。成都理工大学采用半航空瞬变电磁法对2019年发生的几处滑坡（包括贵州鸡场镇滑坡）进行了实验性探测，取得了一些效果，也发现不少问题。总体上技术还不够成熟，现有仪器设备还不能很好地满足地质灾害浅层（探测深度一般小于100 m）高精度探测的实际需求，需要从仪器设备研发开始，加强（半）航空物探技术方法的研发工作，重点开展针对第四系覆盖层空间分布特征及含水率状况的快速、高精度探测技术方法研究。

地质条件复杂多变，影响因素众多，导致地质灾害类型多样，成因机理复杂，再加上一线地质调查人员水平参差不齐，在实际工作中很容易因认识不到位而出现错判和误判。因此，有必要通过对大量已有地质灾害典型实例进行系统的收集整理和归纳分析，建立实用的地质灾害分类体系。在此基础上，分析研究每一类型的基本形成条件、发育特征、发展演化过程与特征、典型识别标志，最终以直观形象的图谱来体现，以此来全面提高地质灾害调查和隐患早期识别的能力和水平。本文对西部山区和西北黄土地区滑坡类型和模式进行了概括总结，分别提出了19类和11类滑坡成因模式，根据滑坡形成条件和各阶段动态演化特征构建了直观形象的滑坡地质识别三维图谱（见图 4），并建立了与不同类型和发展阶段相对应的滑坡地质识别标志和指标体系。现场调查人员利用此图谱和指标体系，可“按图索骥”地进行滑坡调查、分类评价和隐患判识。

图  4  西部山区滑坡隐患识别图谱示例

Figure 4.  Diagram of Potential Landslide Identification in Western Mountainous Area

如前所述，利用光学和SAR等卫星遥感影像可检测和识别出具有显著地形地貌和变形特征的滑坡隐患区。目前，全球共有400多颗在轨的地球遥感卫星，这一数字还会快速增加。如此海量的遥感影像和数据，若都采用人工解译方法进行地质灾害隐患早期识别，工作量巨大，难以实施。有时，一个重大灾害事件的遥感解译就需要大量的人力和足够长的时间。例如，2008年汶川特大地震发生后，国内外数十个团队花费几个月甚至更长时间才解译出汶川地震诱发的滑坡发育情况，得到较为精细的汶川地震滑坡分布图，相关文章几年后才陆续见刊^[12]。但地震触发滑坡发育分布图对指导抗震救灾极为重要，为现场所急需，越快出来越好。事实上，遥感图像处理的变化检测以及深度机器学习方法已可逐渐实现对地质灾害隐患的智能化、自动化快速识别。尤其是卷积神经网络（convolutional neural networks，CNN）具有较强的图像、影像学习和分析预测能力，是实现遥感数据智能化自动识别的重要工具。

对于新发生的群发性地质灾害（如地震和强降雨天气诱发的地质灾害），因滑坡区的光谱特性与周围环境有较大差异，用遥感数据处理的变化检测等手段便可快速检测和识别出新发生的地质灾害区域。图 5为利用变化检测自动识别和人工解译两种手段对2017年九寨沟“8·8”地震区同震地质灾害的识别结果^[13]。图 5中，绿色区域为模型识别结果，红色多边形为目视解译结果。从图 5中可以看出，自动识别与人工解译结果两者的差异已不是太大，其符合度超过90%，表明自动检测技术已可实际用于群发性地质灾害的快速解译。

图  5  2017年九寨沟“8·8”地震区同震地质灾害发育分布图（局部）

Figure 5.  Regional Distribution of Coseismic Geohazards of 2017 "8·8" Jiuzhaigou Earthquake

对于正在变形的滑坡区，因其光谱和纹理特性与周围环境具有一定的差异（但没有新发生滑坡显著），利用基于CNN的深度机器学习方法也能对其较好地进行自动识别。例如，以贵州省已排查出的部分地质灾害隐患点的影像资料为学习样本，利用卷积神经网络进行学习，然后利用学习结果对其他区域地质灾害隐患进行自动识别，其识别正确率可达80%左右^[14]。

而对于历史上发生的古老滑坡体，因绝大多数近期内未变形，其光谱特性与周围环境并无明显差异，在影像上仅能根据滑坡地貌的纹理特性来判识，但与滑坡地貌（圈椅状地貌、滑坡壁等）类似的地貌很多，如田坎、陡壁等，其自动识别难度较大。本文以滑坡地貌特征相对明显的黄土高原古老滑坡为研究对象，采集了3 000多处古老滑坡的样本进行深度机器学习，然后利用学习结果对其他相邻地区滑坡进行识别，目前识别的正确率仅为60%~70%。其原因在于：（1）目前使用的遥感影像来自于谷歌地球，其影像由不同时间、不同分辨率、不同传感器拍摄的影像拼接而成，光谱、纹理特性和分辨率差异较大，影像数据质量不高；（2）老滑坡已遭受自然侵蚀和人类活动的改造，很多滑坡已面目全非。若是在西部山区，还要受植被覆盖的影响，其识别难度更大，识别正确率可能会更低。

利用深度机器学习进行地质灾害隐患的自动识别是学科发展的必然趋势和重要研究方向^[15]，建议在以下几个方面加大投入力量，深化研究：（1）结合地质灾害样本的特点，提出和改进深度机器学习算法。（2）开展基于光学遥感影像的智能化自动识别理论和技术方法研究，提高识别率；在此基础上进一步研究和探索基于多源数据（光学影像、数字表面模型、DEM、InSAR、多光谱影像和高光谱影像等）的自动识别理论和方法。（3）地质体是在不断发展演化的，地质灾害隐患也是在动态变化的。应研究和开发基于遥感技术的实时动态识别技术与方法，最好能使卫星和航空探测装置本身就具有自动学习和识别的能力，在拍摄影像的同时，自动与同一区域前期数据进行匹配和作变化检测，一旦发现明显变化，及时自动传回相关数据和分析结果，从而实现对地质灾害隐患的实时自动识别和提前发现。

中国地质灾害点多、面广，目前通过人工排查已发现近30万处地质灾害隐患，但近年来发生的多起重大地质灾害事件大多并不在已发现的隐患范围内，因此，通过多种技术手段的综合应用，从不同角度更全面地识别和发现地质灾害隐患，已成为中国地质灾害防治的重大实际需求。对于如何进一步推动地质灾害隐患早期识别工作，本文有以下认识和建议：

1）传统的地质调查、排查是地质灾害隐患早期识别的主要手段，但仅靠人工调查、排查是远远不够的，尤其是对于具有高位、隐蔽性特点的隐患点，必须充分利用现代遥感技术进行地质灾害隐患识别。高分辨率光学遥感、InSAR、LiDAR等现代技术各有所长，每种技术手段能识别出的隐患类型有所不同，没有哪种技术手段能识别出所有类型的隐患。因此，应将多种技术手段有机结合、综合应用，才能最大限度地识别出地质灾害隐患，有效破解地质灾害隐患识别难题。

2）对于地貌特征和变形特征都不明显的不稳定斜坡，地质调查和勘测是最有效的隐患识别手段。但因不稳定斜坡点多、面广，仅依靠人工手段已远不能满足实际需求，需要将传统地质调查与现代技术有机结合，才能提高识别效率和精准度。这些现代技术主要包括使用机载LiDAR查明斜坡结构特征，使用（半）航空物探快速探测坡体地下情况，构建直观形象的识别图谱等。

3）随着人工智能技术的快速发展，深度机器学习将会成为地质灾害隐患识别向智能化自动化方向发展的利器。已有的研究结果表明，对于新发生的地质灾害，因其光谱和纹理特性与周围环境差异显著，利用遥感变化检测和人工智能、深度机器学习方面都能较好地进行自动快速解译；但对于变形和地貌特征不明显的古老滑坡体和一般的地质灾害隐患点，基于卷积神经网络的深度机器学习方法可有效地进行自动识别，但目前识别的正确率偏低，还需要开展深入研究。