留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

光学遥感与InSAR结合的金沙江白格滑坡上下游滑坡隐患早期识别

陆会燕 李为乐 许强 董秀军 代聪 王栋

陆会燕, 李为乐, 许强, 董秀军, 代聪, 王栋. 光学遥感与InSAR结合的金沙江白格滑坡上下游滑坡隐患早期识别[J]. 武汉大学学报 ● 信息科学版, 2019, 44(9): 1342-1354. doi: 10.13203/j.whugis20190086
引用本文: 陆会燕, 李为乐, 许强, 董秀军, 代聪, 王栋. 光学遥感与InSAR结合的金沙江白格滑坡上下游滑坡隐患早期识别[J]. 武汉大学学报 ● 信息科学版, 2019, 44(9): 1342-1354. doi: 10.13203/j.whugis20190086
LU Huiyan, LI Weile, XU Qiang, DONG Xiujun, DAI Cong, WANG Dong. Early Detection of Landslides in the Upstream and Downstream Areas of the Baige Landslide, the Jinsha River Based on Optical Remote Sensing and InSAR Technologies[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1342-1354. doi: 10.13203/j.whugis20190086
Citation: LU Huiyan, LI Weile, XU Qiang, DONG Xiujun, DAI Cong, WANG Dong. Early Detection of Landslides in the Upstream and Downstream Areas of the Baige Landslide, the Jinsha River Based on Optical Remote Sensing and InSAR Technologies[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1342-1354. doi: 10.13203/j.whugis20190086

光学遥感与InSAR结合的金沙江白格滑坡上下游滑坡隐患早期识别

doi: 10.13203/j.whugis20190086
基金项目: 

国家创新研究群体科学基金 41521002

四川省自然资源厅重大科技支撑研究课题 KJ-2018-21

四川省科技支撑计划项目 2018SZ0339

四川省科技支撑计划项目 2017JQ0031

贵州省科学技术厅科技平台及人才团队计划 [2017]5402

详细信息

Early Detection of Landslides in the Upstream and Downstream Areas of the Baige Landslide, the Jinsha River Based on Optical Remote Sensing and InSAR Technologies

Funds: 

The Funds for Creative Research Groups of China 41521002

the Major Scientific and Technological Fund of Sichuan Natural Resources Department KJ-2018-21

the Funds of Sichuan Science and Technology Support Plan 2018SZ0339

the Funds of Sichuan Science and Technology Support Plan 2017JQ0031

Science and Technology Platform and Talent Team Plan of Guizhou Science and Technology Department [2017]5402

More Information
    Author Bio:

    LU Huiyan, postgraduate, specializes in geological disaster early detection by InSAR. E-mail:907493338@qq.com

    Corresponding author: LI Weile, PhD, associate professor. E-mail:liweile08@mail.cdut.edu.cn
  • 摘要: 2018-10-11和2018-11-03,金沙江上游西藏自治区江达县波罗乡白格村附近先后发生两次大规模高位滑坡堵江。虽经人工干预处置后进行泄流,但还是对下游居民和交通设施造成了严重损失,其上下游是否还存在类似的大规模滑坡隐患,成为白格滑坡灾害发生后社会各界关注的焦点问题。首先利用高精度光学卫星影像对白格滑坡上游30 km和下游100 km范围内的滑坡隐患进行人工目视解译和定性评价,共识别出滑坡隐患51处,其中下游70~100 km范围内有10处具有堵江风险的滑坡隐患。在此基础上,对具有堵江风险的重点区域(白格滑坡下游70~100 km范围内)收集存档ALOS PALSAR-1和Sentinel-1A雷达卫星数据,利用短基线差分干涉测量技术开展滑坡隐患地表形变定量探测和分析评价,共探测出7处具有较显著形变的滑坡隐患,其中3处堵江风险较大,为白格滑坡上下游地质灾害防治和川藏铁路选线提供了参考。
  • 图  1  研究区位置图和雷达卫星影像覆盖范围

    Figure  1.  Location of Study Area and Coverage of Radar Satellite Image

    图  2  典型老(古)滑坡卫星影像

    Figure  2.  Satellite Images of Typical Old Landslide

    图  3  孕育中的滑坡卫星影像(红色箭头标识后缘裂缝)

    Figure  3.  Satellite Images of Potential Landslides (Red Arrows Indicate the Back Scar)

    图  4  金沙江白格滑坡下游70~100 km范围内滑坡隐患分布图

    Figure  4.  Distribution Map of Landslides in 70-100 km Downstream of the Baige Landslide in the Jinsha River

    图  5  金沙江白格滑坡下游70~100 km范围InSAR年均形变速率图

    Figure  5.  Annual Deformation Rate Maps of InSAR in 70-100 km Range of Lower Reaches of the Baige Landslide in the Jinsha River

    图  6  H28滑坡隐患光学卫星影像

    Figure  6.  Optical Satellite Images of H28 Landslide

    图  7  H28滑坡隐患形变速率图

    Figure  7.  Deformation Rate Maps of H28 Landslide

    图  8  H28滑坡隐患典型特征点形变曲线

    Figure  8.  Deformation Curves of Typical Characteristic Points of H28 Landslide

    图  9  H31滑坡隐患光学卫星影像

    Figure  9.  Optical Satellite Images of H31 Landslide

    图  10  H31滑坡隐患形变速率图

    Figure  10.  Deformation Rate Maps of H31 Landslide

    图  11  H31滑坡隐患典型特征点形变曲线

    Figure  11.  Deformation Curves of Typical Characteristic Points of H31 Landslide

    图  12  H34滑坡隐患光学卫星影像

    Figure  12.  Optical Satellite Image of H34 Landslide

    图  13  H34滑坡隐患形变速率图

    Figure  13.  Deformation Rate Map of H34 Landslide

    图  14  H34滑坡隐患典型特征点形变曲线

    Figure  14.  Deformation Curve of Typical Characteristic Points of H34 Landslide

    表  1  卫星SAR影像数据基本参数信息

    Table  1.   Basic Parameters of the Satellite SAR Image Datasets

    参数 SAR传感器
    ALOS PALSAR-1 Sentinel-1A
    轨道方向 升轨 升轨/降轨
    所处波段 L C
    雷达波长/cm 23.6 5.6
    空间分辨率/m 10 15
    重访周期/d 46 12
    侧视角/(°) 34 39.5
    影像时间 2007-12—2009-02 2017-12—2018-12/2018-01—2018-12
    影像数量/景 9 29/25
    下载: 导出CSV

    表  2  光学遥感解译出的具有堵江风险的滑坡隐患

    Table  2.   Landslides with the Risk of Blocking River Identified by Optical Remote Sensing Interpretation

    编号 经度 纬度 长度/m 宽度/m 面积/m2 遥感解译信息
    H28 98°55' 28.483" 30°36' 16.511" 830 380 360 641 古滑坡堆积体,目前前缘局部可见较明显变形,具有整体失稳可能,堵江风险较大
    H29 98°55' 58.402" 30°36' 0.844" 1 000 420 413 967 古滑坡堆积体,目前前缘局部可见较明显变形,具有局部失稳可能,有堵江风险
    H31 98°55' 31.763" 30°34' 41.361" 660 1 200 656 833 岩质滑坡,滑坡后缘拉裂缝非常明显,具有整体失稳可能,堵江风险大
    H34 98°55' 50.899" 30°33' 53.606" 630 360 214 908 岩质滑坡,滑坡后缘发育多级拉裂缝,变形显著,具有局部失稳可能,堵江风险大
    H36 98°56' 1.333" 30°32' 34.017" 260 260 65 097 岩质滑坡,滑坡后缘拉裂缝非常明显,具有局部失稳可能,有堵江风险
    H37 98°55' 52.126" 30°32' 20.109" 260 290 79 742 岩质滑坡,滑坡后缘拉裂缝非常明显,具有局部失稳可能,有堵江风险
    H44 98°56' 53.375" 30°28' 8.206" 270 330 105 973 岩质滑坡,滑坡后缘拉裂缝明显,具有局部失稳可能,有堵江风险
    H46 98°57' 25.383" 30°27' 38.027" 380 210 76 569 岩质滑坡,滑坡后缘拉裂缝非常明显,具有局部失稳可能,有堵江风险
    H47 98°57' 34.651" 30°26' 35.196" 860 290 239 179 岩质滑坡,滑坡后缘拉裂缝明显,具有局部失稳可能,有堵江风险
    H48 98°57' 48.631" 30°25' 37.207" 190 210 42 587 岩质滑坡,滑坡后缘拉裂缝非常明显,具有局部失稳可能,有堵江风险
    注:H28H31H34表示堵江风险高的滑坡隐患点,其他点表示有堵江风险的滑坡隐患点
    下载: 导出CSV
  • [1] 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):1534-1551 http://d.old.wanfangdata.com.cn/Periodical/gcdzxb201806017

    Xu Qiang, Zheng Guang, Li Weile, et al. Study on Successive Landslide Damming Events of Jinsha River in Baige Village of Octorber 11 and November 3, 2018[J]. Journal of Engineering Geology, 2018, 26(6):1534-1551 http://d.old.wanfangdata.com.cn/Periodical/gcdzxb201806017
    [2] 柴贺军, 刘汉超, 张倬元.中国滑坡堵江的类型及其特点[J].成都理工大学学报(自然科学版), 1998, 25(3):411-416 http://www.cqvip.com/QK/91405A/199803/3158929.html

    Chai Hejun, Liu Hanchao, Zhang Zhuoyuan. Study on the Categories of Landslide-Damming of Rivers and Their Characteristics[J]. Journal of Chengdu University of Technology (Science & Technology Edition), 1998, 25(3):411-416 http://www.cqvip.com/QK/91405A/199803/3158929.html
    [3] 许强, 李为乐, 董秀军, 等.四川茂县叠溪镇新磨村滑坡特征与成因机制初步研究[J].岩石力学与工程学报, 2017, 36(11):2612-2628 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=yslxygcxb201711002

    Xu Qiang, Li Weile, Dong Xiujun, et al. The Xinmocun Landslide on June 24, 2017 in Maoxian, Sichuan:Characteristics and Failure Mechanism[J]. Chinese Journal of Rock Mechanics and Engineering, 2017, 36(11):2612-2628 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=yslxygcxb201711002
    [4] 许强, 董秀军, 李为乐.基于天-空-地一体化的重大地质灾害隐患早期识别与监测预警[J].武汉大学学报·信息科学版, 2019, 44(7):957-966 http://ch.whu.edu.cn/CN/abstract/abstract6438.shtml

    Xu Qiang, Dong Xiujun, Li Weile. Integrated Space-Air-Ground Early Detection, Monitoring and Warning System for Potential Catastrophic Geohazards[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7):957-966 http://ch.whu.edu.cn/CN/abstract/abstract6438.shtml
    [5] Ouyang C J, Zhao W, Xu Q, et al. Failure Mechanisms and Characteristics of the 2016 Catastrophic Rockslide at Su Village, Lishui, China[J]. Landslides, 2018, 15(7):1391-1400 doi:  10.1007/s10346-018-0985-1
    [6] Fan X M, Xu Q, Scaringi G, et al. Failure Mechanism and Kinematics of the Deadly June 24th 2017 Xinmo Landslide, Maoxian, Sichuan, China[J]. Landslides, 2017, 14(6):2129-2146 doi:  10.1007/s10346-017-0907-7
    [7] 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
    [8] 郑光, 许强, 巨袁臻, 等. 2017年8月28日贵州纳雍县张家湾镇普洒村崩塌特征与成因机理研究[J].工程地质学报, 2018, 26(1):223-240 http://d.old.wanfangdata.com.cn/Periodical/gcdzxb201801024

    Zheng Guang, Xu Qiang, Ju Yuanzhen, et al. The Pusacun Rockavalanche on August 28, 2017 in Zhangjiawan Nayongxian, Guizhou:Characteristics and Failure Mechanism[J]. Journal of Engineering Geology, 2018, 26(1):223-240 http://d.old.wanfangdata.com.cn/Periodical/gcdzxb201801024
    [9] Jie D, Liao M, Qiang X, 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(5):94-109
    [10] 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):2039-2049 http://ch.whu.edu.cn/CN/abstract/abstract6288.shtml

    Zhang Lu, Liao Mingsheng, Dong Jie, et al. Early Dectection 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):2039-2049 http://ch.whu.edu.cn/CN/abstract/abstract6288.shtml
    [11] Gagon H. Remote Sensing of Landslides Hazards on Quick Clays of Eastern Canada[C]. The 10th International Symposium of Remote Sensing of Enviroment, Environmental Research Institute of Michigan, Ann Arbor, USA, 1975
    [12] McDonald H C, Grubbs R S. Landsat Imagery Analysis: An Aid for Predicting Landslide Prone Areas for Highway Construction[C]. NASA Earth Resource Symposium, Houston, Texas, USA, 1975
    [13] Sauchyn D J, Trench N R. Landsat Applied to Landslide Mapping[J]. Photogrammetric Engineering and Remote Sensing, 1978, 44(6):735-741
    [14] Stephens P R. Use of Satellite Data to Map Landslide[C]. The 9th Asian Conference on Remote Sensing, Bangkok, Thailand, 1988
    [15] Nichol J E, Shaker A, Wong M S. Application of High Resolution Stereo Satellite Images to Detailed Landslide Hazard Assessment[J]. Geomorphology, 2006, 76(1-2):68-75 doi:  10.1016/j.geomorph.2005.10.001
    [16] 王志勇, 张金芝.基于InSAR技术的滑坡灾害监测[J].大地测量与地球动力学, 2013, 33(3):87-91 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dkxbydz201303020

    Wang Zhiyong, Zhang Jinzhi. Landslide Monitoring Based on InSAR Technique[J]. Journal of Geodesy and Geodynamics, 2013, 33(3):87-91 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dkxbydz201303020
    [17] Rosen P A, Hensley S, Joughin I R, et al. Synthetic Aperture Radar Interferometry[J]. Proc of the IEEE, 2000, 88(3):333-382 doi:  10.1109/5.838084
    [18] 廖明生, 王腾.时间序列InSAR技术与应用[M].北京:科学出版社, 2014

    Liao Mingsheng, Wang Teng. Time Series InSAR Technology and Its Applications[M]. Beijing:Science Press, 2014
    [19] Colesanti C, Ferretti A, Prati C, et al. Monitoring Landslides and Tectonic Motions with the Permanent Scatterers Technique[J]. Engineering Geology, 2003, 68(1-2):3-14 doi:  10.1016/S0013-7952(02)00195-3
    [20] Colesanti C, Wasowski J. Investigating Landslides with Space-Borne Synthetic Aperture Radar (SAR) Interferometry[J]. Engineering Geology, 2006, 88(3):173-199 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=76e04e80aa3b1d5c4a0e9e7422064125
    [21] Bayer B, Simoni A, Mulas M, et al. Deformation Responses of Slow Moving Landslides to Seasonal Rainfall in the Northern Apennines, Measured by InSAR[J]. Geomorphology, 2018, 308:293-306 doi:  10.1016/j.geomorph.2018.02.020
    [22] Zhang Y, Meng X, Chen G, et al. Detection of Geohazards in the Bailong River Basin Using Synthetic Aperture Radar Interferometry[J]. Landslides, 2016, 13(5):1273-1284 doi:  10.1007/s10346-015-0660-8
    [23] 廖明生, 张路, 史绪国, 等.滑坡变形雷达遥感监测方法与实践[M].北京:科学出版社, 2017

    Liao Mingsheng, Zhang Lu, Shi Xuguo, et al. Methodology and Practice of Landslide Deformation Monitoring with SAR Remote Sensing[M]. Beijing:Science Press, 2017
    [24] Fruneau B, Achache J, Delacourt C. Observation and Modeling of the Saint-Etienne-de-Tinée Landslide Using SAR Interferometry[J]. Tectonophysics, 1996, 265:181-190 doi:  10.1016/S0040-1951(96)00047-9
    [25] Hilley G E, Bürgmann R, Ferretti A, et al. Dynamics of Slow-Moving Landslides from Permanent Scatterer Analysis[J]. Science, 2004, 304(5679):1952-1955 doi:  10.1126/science.1098821
    [26] Strozzi T, Farina P, Corsini A, et al. Survey and Monitoring of Landslide Displacements by Means of L-band Satellite SAR Interferometry[J]. Landslides, 2005, 2(3):193-201 doi:  10.1007/s10346-005-0003-2
    [27] Liao M, Tang J, Wang T, et al. Landslide Monitoring with High-Resolution SAR Data in the Three Gorges Region[J]. Science China:Earth Sciences, 2012, 55(4):590-601 doi:  10.1007/s11430-011-4259-1
    [28] Zhao C, Lu Z, Zhang Q, et al. Large-Area Landslide Detection and Monitoring with ALOS/PALSAR Imagery Data over Northern California and Southern Oregon, USA[J]. Remote Sensing of Environment, 2012, 124:348-359 doi:  10.1016/j.rse.2012.05.025
    [29] Dai K R, Li Z H, 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
    [30] Ferretti A, Prati C, Rocca F. Nonlinear Subsidence Rate Estimation Using Permanent Scatterers in Differential SAR Interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(5):2202-2212 doi:  10.1109/36.868878
    [31] Ferretti A, Prati C, Rocca F. Permanent Scatterers in SAR Interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(1):8-20 doi:  10.1109/36.898661
    [32] Ferretti A, Fumagalli A, Novali F, et al. A New Algorithm for Processing Interferometric Data-Stacks:SqueeSAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(9):3460-3470 doi:  10.1109/TGRS.2011.2124465
    [33] 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):2375-2383 doi:  10.1109/TGRS.2002.803792
    [34] Colesanti C, Ferretti A, Novali F, et al. SAR Monitoring of Progressive and Seasonal Ground Deformation Using the Permanent Scatterers Technique[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(7):1685-1701 doi:  10.1109/TGRS.2003.813278
    [35] 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. Application of Remote Sensing in Early Recognition and Monitoring and Early Warning of Geological Hazards[J]. City and Disater Reduction, 2018(6):53-60 doi:  10.3969/j.issn.1671-0495.2018.06.011
    [36] 卓宝熙.工程地质遥感判释与应用[M].北京:中国铁道出版社, 2011

    Zhuo Baoxi. Remote Sensing Interpretation & Application of Geology Engineering[M]. Beijing:China Railway Publishing House, 2011
    [37] Fiorucci F, Cardinali M, Carlà R, et al. Seasonal Landslide Mapping and Estimation of Landslide Mobilization Rates Using Aerial and Satellite Images[J]. Geomorphology, 2011, 129:59-70 doi:  10.1016/j.geomorph.2011.01.013
    [38] Marcelino E V, Formaggio A R, Maeda E E. Landslide Inventory Using Image Fusion Techniques in Brazil[J]. International Journal of Applied Earth Observation and Geoinformation, 2009, 11(3):181-191 doi:  10.1016/j.jag.2009.01.003
    [39] Gao J, Maro J. Topographic Controls on Evolution of Shallow Landslides in Pastoral Wairarapa, New Zealand, 1979-2003[J]. Geomorphology, 2010, 114:373-381 doi:  10.1016/j.geomorph.2009.08.002
    [40] 朱建军, 李志伟, 胡俊. InSAR变形监测方法与研究进展[J].测绘学报, 2017, 46(10):1717-1733 doi:  10.11947/j.AGCS.2017.20170350

    Zhu Jianjun, Li Zhiwei, Hu Jun. Research Progress and Methods of InSAR for Deformation Monitoring[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10):1717-1733 doi:  10.11947/j.AGCS.2017.20170350
    [41] Costantini M, Rosen P A. Generalized Phase Unwrapping Approach for Sparse Data[C]. IEEE International Geoscience & Remote Sensing Symposium, Hamburg, Germany, 1999
    [42] Fattahi H, Amelung F. DEM Error Correction in InSAR Time Series[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(7):4249-4259 doi:  10.1109/TGRS.2012.2227761
    [43] Zebker H A, Rosen P A, Hensley S. Atmospheric Effects in Interferometric Synthetic Aperture Radar Surface Deformation and Topographic Maps[J]. Journal of Geophysical Research:Solid Earth, 1997, 102(B4):7547-7564 doi:  10.1029/96JB03804
    [44] 王志勇, 张继贤, 黄国满. InSAR干涉条纹图去噪方法的研究[J].测绘科学, 2004, 29(6):31-33 doi:  10.3771/j.issn.1009-2307.2004.06.006

    Wang Zhiyong, Zhang Jixian, Huang Guoman. The Research of Speckle Reduction for SAR Images[J]. Science of Surveying and Mapping, 2004, 29(6):31-33 doi:  10.3771/j.issn.1009-2307.2004.06.006
  • [1] 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, 47(3): 377-387. doi: 10.13203/j.whugis20210618
    [2] 张成龙, 李振洪, 余琛, 宋闯, 肖儒雅, 彭建兵.  利用GACOS辅助下InSAR Stacking对金沙江流域进行滑坡监测 . 武汉大学学报 ● 信息科学版, 2021, 46(11): 1649-1657. doi: 10.13203/j.whugis20200675
    [3] 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, 46(7): 994-1002. doi: 10.13203/j.whugis20190457
    [4] 柳林, 宋豪峰, 杜亚男, 冯光财, 刘清瑶, 孙敏.  联合哨兵2号和Landsat 8估计白格滑坡时序偏移量 . 武汉大学学报 ● 信息科学版, 2021, 46(10): 1461-1470. doi: 10.13203/j.whugis20200596
    [5] 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, 46(10): 1569-1578. doi: 10.13203/j.whugis20210168
    [6] 董秀军, 许强, 佘金星, 李为乐, 刘飞, 周兴霞.  九寨沟核心景区多源遥感数据地质灾害解译初探 . 武汉大学学报 ● 信息科学版, 2020, 45(3): 432-441. doi: 10.13203/j.whugis20190076
    [7] 李鹏, 普思寻, 李振洪, 王厚杰.  2000年以来胶州湾海岸线光学与SAR多源遥感变化监测研究 . 武汉大学学报 ● 信息科学版, 2020, 45(9): 1485-1492. doi: 10.13203/j.whugis20180483
    [8] 解明礼, 赵建军, 巨能攀, 何朝阳, 王俊.  多源数据滑坡时空演化规律研究——以黄泥坝子滑坡为例 . 武汉大学学报 ● 信息科学版, 2020, 45(6): 923-932. doi: 10.13203/j.whugis20190060
    [9] 许强.  对地质灾害隐患早期识别相关问题的认识与思考 . 武汉大学学报 ● 信息科学版, 2020, 45(11): 1651-1659. doi: 10.13203/j.whugis20200043
    [10] 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, 45(11): 1707-1716. doi: 10.13203/j.whugis20200263
    [11] 唐尧, 王立娟, 马国超, 贾虎军, 李洪梁, 尹恒.  基于“高分+”的金沙江滑坡灾情监测与应用前景分析 . 武汉大学学报 ● 信息科学版, 2019, 44(7): 1082-1092. doi: 10.13203/j.whugis20190048
    [12] 许强, 董秀军, 李为乐.  基于天-空-地一体化的重大地质灾害隐患早期识别与监测预警 . 武汉大学学报 ● 信息科学版, 2019, 44(7): 957-966. doi: 10.13203/j.whugis20190088
    [13] 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 . 武汉大学学报 ● 信息科学版, 2019, 44(7): 949-956. doi: 10.13203/j.whugis20190094
    [14] 李为乐, 许强, 陆会燕, 董秀军, 朱要强.  大型岩质滑坡形变历史回溯及其启示 . 武汉大学学报 ● 信息科学版, 2019, 44(7): 1043-1053. doi: 10.13203/j.whugis20190090
    [15] 安如, 陆彩红, 王慧麟, 姜丹萍, 孙梦秋, JonathanArthur Quaye Ballard.  三江源典型区草地退化Hyperion高光谱遥感识别研究 . 武汉大学学报 ● 信息科学版, 2018, 43(3): 399-405. doi: 10.13203/j.whugis20150168
    [16] 张路, 廖明生, 董杰, 许强, 龚健雅.  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 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 2039-2049. doi: 10.13203/j.whugis20180181
    [17] 李建, 陈晓玲, 刘子潇, 田礼乔.  HJ-1光学遥感影像船只检测——以鄱阳湖为例 . 武汉大学学报 ● 信息科学版, 2015, 40(6): 727-731. doi: 10.13203/j.whugis20130095
    [18] 王密, 常学立, 朱映, 应荷香, 成世文.  光学影像自动几何精校正中控制点粗差检测方法比较 . 武汉大学学报 ● 信息科学版, 2014, 39(12): 1395-1400.
    [19] 秦慧平, 易维宁, 黄红莲, 潘邦龙.  山区地表太阳辐照度随时空变化的模拟分析 . 武汉大学学报 ● 信息科学版, 2011, 36(7): 793-796.
    [20] 徐恩恩, 郭颖, 陈尔学, 李增元, 赵磊, 刘清旺.  一种基于无人机LiDAR和高空间分辨率卫星遥感数据的区域森林郁闭度估测方法:UnetR . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20210001
  • 加载中
图(14) / 表(2)
计量
  • 文章访问数:  1691
  • HTML全文浏览量:  258
  • PDF下载量:  479
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-03-13
  • 刊出日期:  2019-09-05

光学遥感与InSAR结合的金沙江白格滑坡上下游滑坡隐患早期识别

doi: 10.13203/j.whugis20190086
    基金项目:

    国家创新研究群体科学基金 41521002

    四川省自然资源厅重大科技支撑研究课题 KJ-2018-21

    四川省科技支撑计划项目 2018SZ0339

    四川省科技支撑计划项目 2017JQ0031

    贵州省科学技术厅科技平台及人才团队计划 [2017]5402

    作者简介:

    陆会燕, 硕士生, 主要从事InSAR地质灾害早期识别研究。907493338@qq.com

    通讯作者: 李为乐, 博士, 副研究员。liweile08@mail.cdut.edu.cn
  • 中图分类号: P237

摘要: 2018-10-11和2018-11-03,金沙江上游西藏自治区江达县波罗乡白格村附近先后发生两次大规模高位滑坡堵江。虽经人工干预处置后进行泄流,但还是对下游居民和交通设施造成了严重损失,其上下游是否还存在类似的大规模滑坡隐患,成为白格滑坡灾害发生后社会各界关注的焦点问题。首先利用高精度光学卫星影像对白格滑坡上游30 km和下游100 km范围内的滑坡隐患进行人工目视解译和定性评价,共识别出滑坡隐患51处,其中下游70~100 km范围内有10处具有堵江风险的滑坡隐患。在此基础上,对具有堵江风险的重点区域(白格滑坡下游70~100 km范围内)收集存档ALOS PALSAR-1和Sentinel-1A雷达卫星数据,利用短基线差分干涉测量技术开展滑坡隐患地表形变定量探测和分析评价,共探测出7处具有较显著形变的滑坡隐患,其中3处堵江风险较大,为白格滑坡上下游地质灾害防治和川藏铁路选线提供了参考。

English Abstract

陆会燕, 李为乐, 许强, 董秀军, 代聪, 王栋. 光学遥感与InSAR结合的金沙江白格滑坡上下游滑坡隐患早期识别[J]. 武汉大学学报 ● 信息科学版, 2019, 44(9): 1342-1354. doi: 10.13203/j.whugis20190086
引用本文: 陆会燕, 李为乐, 许强, 董秀军, 代聪, 王栋. 光学遥感与InSAR结合的金沙江白格滑坡上下游滑坡隐患早期识别[J]. 武汉大学学报 ● 信息科学版, 2019, 44(9): 1342-1354. doi: 10.13203/j.whugis20190086
LU Huiyan, LI Weile, XU Qiang, DONG Xiujun, DAI Cong, WANG Dong. Early Detection of Landslides in the Upstream and Downstream Areas of the Baige Landslide, the Jinsha River Based on Optical Remote Sensing and InSAR Technologies[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1342-1354. doi: 10.13203/j.whugis20190086
Citation: LU Huiyan, LI Weile, XU Qiang, DONG Xiujun, DAI Cong, WANG Dong. Early Detection of Landslides in the Upstream and Downstream Areas of the Baige Landslide, the Jinsha River Based on Optical Remote Sensing and InSAR Technologies[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1342-1354. doi: 10.13203/j.whugis20190086
  • 2018-10-11和2018-11-03,西藏自治区江达县波罗乡白格村附近金沙江右岸先后发生了两次大规模高位滑坡堵江事件,堰塞湖库容最大超过5×108 m3[1]。堵江事件发生后,国家各部门紧密合作开展了应急处置工作,通过人工开挖导流槽提前泄流,避免了群死群伤事件的发生,但巨量的泄流洪水还是导致了下游318国道金沙江大桥等多座桥梁和大量公路路基被冲毁,云南省丽江市巨甸镇、石鼓镇等居民区被大面积淹没,灾害损失严重。金沙江上游由于地震活动频繁,河谷强烈下切,岸坡高陡狭窄,岩体破碎,历史上发生了大量大规模的滑坡堵江事件[2]。白格滑坡上下游是否还存在类似的大规模滑坡隐患,成为白格滑坡灾害发生后社会各界关注的焦点问题,尤其是正在进行选址勘察阶段的川藏铁路正好从白格滑坡下游跨金沙江通过。因此,开展白格滑坡上下游滑坡隐患早期识别,对该区域金沙江沿岸居民地质灾害防范、川藏铁路跨金沙江大桥选址和水电站规划建设等具有重要的指导意义。

    大型滑坡隐患源区往往地处高位、交通困难、人迹罕至,具有高度的隐蔽性,仅靠传统的调查排查和群测群防手段很难对滑坡隐患进行早期识别,必须借助现代高精度对地观测技术,如高精度光学遥感技术、合成孔径雷达干涉测量技术(interferometric synthetic aperture radar,InSAR)、激光雷达测量技术(light laser detection and ranging,LiDAR)等[3]。但上述技术手段也有各自的优缺点,具体表现在:

    1)高精度光学卫星遥感影像具有覆盖范围广、多时相、多光谱、多数据源、低成本等特点,对地质灾害特征要素完整、变形迹象明显的地质灾害隐患具有较好的识别能力,但对于地质灾害形态不完整、地表变形迹象不明显的地质灾害隐患则识别较困难。

    2)卫星InSAR技术具有全天候、全天时工作、覆盖范围广、形变探测精度高、非接触、综合成本低等优点,很适合于开展大范围地灾普查与监测。但由于技术本身的原理所限,InSAR技术生成的有效干涉点是有限的,往往不能覆盖完整的地质灾害范围,如果地质灾害形变速率过快,则将导致失相干,不能对地质灾害隐患进行有效探测。

    3)机载LiDAR能够直接获取观测区域的三维表面坐标,通过后续处理可生成具有真彩色(或地面反射强度)的三维激光点云。相对于传统的摄影测量技术,机载LiDAR不仅能够提供高分辨率、高精度的地形地貌三维影像,同时由于机载雷达具有多次回波技术,可穿透地面植被,通过滤波算法有效去除地表植被的影响,获取真地面高程数据信息,为植被覆盖的山区地质灾害隐患识别提供了新的解决方案。但机载LiDAR测图作业条件苛刻,成本高昂,不适合大范围地质灾害隐患识别。

    为此,许强等[4]提出了由高精度光学卫星遥感+InSAR的普查、机载LiDAR+无人机航拍的详查和地面调查核实的核查构成的滑坡隐患“三查”体系。目前,中国贵州、四川、重庆等省市已经先后开展了基于“三查”体系的高位滑坡隐患排查示范研究,取得了较好的研究成果,综合利用现代高精度对地观测技术开展滑坡隐患早期识别已成为共识[4]

    2016-09-28浙江省丽水市遂昌县苏村滑坡[5]、2017-06-24四川省茂县新磨村滑坡[3, 6-7]、2017-08-28贵州省纳雍县普洒村滑坡[8]以及白格滑坡[1]等灾难性滑坡事件均表明,大型岩质滑坡的孕育时间需要数年乃至数十年,在整体失稳前均会产生明显的地表形变,这些地表形变不仅可以利用高精度光学遥感(地面分辨率一般需要优于1.0 m)直接目视识别[3-5, 7],也可以利用InSAR等技术进行定量探测[7, 9-10]

    卫星光学遥感技术因其时效性好、宏观性强、信息丰富等特点,已成为滑坡灾害调查和灾情评估的重要技术手段。早在20世纪70年代,Landsat(分辨率30~80 m)、SPOT(分辨率10~20 m)等中等分辨率的光学卫星影像便被用于滑坡调查[11-14]。但由于影像分辨率不高,其主要是进行地层岩性、植被差异、土壤湿度等滑坡灾害孕灾背景信息的提取,很少用于单体滑坡隐患的识别。20世纪90年代以后,Ikonos(分辨率1.0 m)、Quickbird(分辨率0.61 m)、GeoEye-1(分辨率0.41 m)、Worldview-3/4(分辨率0.3 m)等高分辨率卫星影像被广泛用于滑坡隐患探测与监测[15]。得益于影像分辨率的提高和立体像对观测技术的应用,单体滑坡灾害的运动类型、活动性、滑动厚度等信息可以利用光学卫星遥感影像进行提取。但利用光学遥感进行滑坡隐患识别的缺点是需要解译人员具备丰富的地质知识与专业背景,同时亦不能提供较为精确的定量形变信息[16]

    InSAR技术是近20年来兴起的一种新型对地观测技术,主要利用雷达影像的相位信息获取目标点在雷达视线向的形变信息,因其具有全天时、全天候、穿透云雾、以厘米量级甚至更小尺度精确获取地表形变等优点[17-18],已被广泛用于滑坡隐患早期识别与形变监测中[19-23]。1996年,法国学者Fruneau等[24]首先证明了合成孔径雷达差分干涉测量技术(differential InSAR,DInSAR)可有效用于小范围滑坡形变监测,随后各国学者陆续开展了DInSAR技术在滑坡隐患探测与监测中的应用研究[25-29]。DInSAR技术只能探测两个时相间的相对形变,而无法获取滑坡形变在时间维上的演化情况[23]。针对上述问题,国际学者在DInSAR技术的基础上提出了时间序列InSAR技术,包括永久散射体干涉测量(permanent/persistent scatterer InSAR,PS-InSAR)、小基线集干涉测量(small baseline subsets InSAR, SBAS-InSAR)、分布散射干涉测量(SqueeSAR)等[9-10, 30-34]。时间序列InSAR技术通过对重复轨道观测获取的多时相雷达数据,集中提取具有稳定散射特性的高相干点目标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,可获得厘米级甚至毫米级的形变测量精度。然而,InSAR技术在实际应用中,特别是在地形起伏较大的山区,几何畸变、大气效应、植被覆盖茂密等均会给滑坡隐患识别与监测带来困难[9]。若仅使用InSAR一种技术手段进行大区域滑坡隐患早期识别,可能会导致部分滑坡隐患被遗漏。同时,基于光学遥感影像特征识别出来的滑坡也可能是已经稳定的老(古)滑坡,不具备再次失稳风险。因此,需将光学遥感影像的图谱信息与InSAR测量的形变信息相结合[35],实现对具有失稳风险的滑坡隐患早期识别。

    本文首先利用GeoEye-1、高分2号等高精度光学卫星影像对金沙江流域白格滑坡上游30 km和下游100 km范围内的滑坡隐患进行人工目视解译和定性堵江评价(图 1);随后对具有滑坡堵江风险的重点区域(图 1,白格滑坡下游70~100 km范围)收集存档ALOS PALSAR-1和Sentinel-1A雷达卫星数据,利用SBAS-InSAR技术开展滑坡隐患地表形变定量探测和分析评价。研究结果已提交国家应急管理部、四川省自然资源厅、中铁二院工程集团有限责任公司等部门和单位,为白格滑坡上下游地质灾害防治和川藏铁路选线提供参考。

    图  1  研究区位置图和雷达卫星影像覆盖范围

    Figure 1.  Location of Study Area and Coverage of Radar Satellite Image

    • 本研究采用多时相光学影像目视解译与SBAS-InSAR时序形变探测相结合的方法对研究区滑坡隐患进行早期识别。首先利用GeoEye-1、高分2号等多时相高精度光学卫星影像对金沙江流域白格滑坡上游30 km和下游100 km范围内的滑坡隐患进行人工目视解译和定性堵江评价。在此基础上,对具有滑坡堵江风险的重点区域,利用ALOS PALSAR-1和Sentinel-1A雷达卫星数据,开展SBAS-InSAR滑坡隐患地表形变定量探测与分析评价。

    • 人工目视解译(包括立体像对观测)仍然是目前最主要的滑坡隐患光学遥感识别方法[36]。光学影像目视解译滑坡隐患主要包括已经发生过整体失稳的老(古)滑坡(图 2)和正在孕育的潜在滑坡(图 3)两类。其中,已经发生过整体失稳的老(古)滑坡的识别相对容易,其识别标志主要为整体呈现圈椅状地貌特征,后缘可见滑坡壁,中部可见滑坡台坎、封闭洼地、湿地等,前缘可见滑坡舌挤压河道导致河流改道,坡体上植被与周边显著差异等[36-39]。而对于正在孕育的潜在滑坡,其识别标志主要为斜坡后缘裂缝和前缘小规模崩塌滑坡(图 3)。对于该类型滑坡隐患的识别应充分收集多时相光学遥感信息进行对比解译,以提高遥感识别的准确率。滑坡堵江风险评价主要从解译的滑坡规模、距离干流的距离、滑坡活动性、是否能够整体失稳等参数进行定性评价。

      图  2  典型老(古)滑坡卫星影像

      Figure 2.  Satellite Images of Typical Old Landslide

      图  3  孕育中的滑坡卫星影像(红色箭头标识后缘裂缝)

      Figure 3.  Satellite Images of Potential Landslides (Red Arrows Indicate the Back Scar)

      本研究目视解译利用的光学遥感影像主要包括2011-03-04、2011-11-20和2018-12-02 GeoEye-1影像(分辨率0.41 m)以及2017-01-15、2017-12-16和2018-02-28高分2号影像(分辨率0.8 m)。所有卫星影像在研究区均无云覆盖,影像质量较好,满足滑坡隐患目视解译需求。

    • SBAS-InSAR技术是由意大利学者Berardino等[33]提出的,该方法按照短时空基线原则组合生成多主影像的序列干涉图后,首先对差分干涉相位进行空间滤波,然后基于平均空间相干性识别慢失相关滤波相位像素点,再进行三维相位解缠和奇异值分解,求解单主影像相位序列,最后采用时空滤波估计和去除大气延迟相位,得到地形高程误差和形变序列信息[10]。该方法不仅能够克服DInSAR技术无法去除时空失相关、大气延迟相位等因素干扰的缺点,同时因其基于多景主影像产生干涉对,之后再提取在一定时间内保持相干性的分布式点目标,从而能够解决PS-InSAR技术因选取一幅影像作为公共主影像而造成的部分干涉对相干性较差的问题[40]。较之PS-InSAR时序技术,SBAS-InSAR则更适用于自然场景的地表形变监测[10]。下文简要介绍该方法的技术流程。

      1)针对覆盖同一区域的按照时间顺序排列的N+1幅单视复数影像,任选一景影像为主影像进行配准,之后设置合适的时间和空间基线阈值,将小于时空阈值的影像进行组合,并将组合后的影像对进行差分干涉,生成M幅干涉图,且M幅干涉图满足以下条件:

      $$ \frac{N+1}{2}\le M\le \frac{N\left( N+1 \right)}{2} $$ (1)

      式中,N为雷达影像数量;M为干涉图数量。

      2)利用Costantini等[41]提出的针对稀疏目标进行解缠的算法对差分干涉图进行解缠,对于tAtB时刻获取的主从影像进行差分干涉后生成的第j幅差分干涉图,其干涉相位组成如下:

      $$ \begin{matrix} \text{ }\!\!\delta\!\!\text{ }{{\varphi }_{j}}=\varphi \left( {{t}_{B}} \right)-\varphi \left( {{t}_{A}} \right)=\frac{4\text{ }\!\!\pi\!\!\text{ }}{\lambda }\left( d\left( {{t}_{B}} \right)-d\left( {{t}_{A}} \right) \right)+ \\ \frac{4\text{ }\!\!\pi\!\!\text{ }}{\lambda }\frac{{{B}_{\bot }}\text{ }\!\!\Delta\!\!\text{ }h}{r\text{sin}\theta }+\left[ {{\varphi }_{\text{atm}}}\left( {{t}_{B}} \right)-{{\varphi }_{\text{atm}}}\left( {{t}_{A}} \right) \right]+\text{ }\!\!\Delta\!\!\text{ }{{n}_{j}} \\ \left( \forall j=1,2\ldots M \right) \\ \end{matrix} $$ (2)

      式中,δφj为任意一点的干涉相位;φ(tA)和φ(tB)分分别为tA时刻和tB时刻对应于t0时刻的相位;$\frac{4\text{ }\!\!\pi\!\!\text{ }}{\lambda }\left( d\left( {{t}_{B}} \right)-d\left( {{t}_{A}} \right) \right)$为与形变有关的相位信息,其中d(tA)和d(tB)分别为tA时刻和tB时刻对应于t0时刻的累积形变量,假设初始时刻的形变量d(t_0)为0;$\frac{4\text{ }\!\!\pi\!\!\text{ }}{\lambda }\frac{{{B}_{\bot }}\text{ }\!\!\Delta\!\!\text{ }h}{r\text{sin}\theta }$为与地形有关的相位信息,可以看出,其与垂直基线大小B成正比,与雷达至地面目标的斜距r以及入射角大小θ成反比;${{\varphi }_{\text{atm}}}\left( {{t}_{B}} \right)-{{\varphi }_{\text{atm}}}\left( {{t}_{A}} \right)$为与大气有关的相位信息,即φatm (tA)、φatm(tB)分别为tA时刻、tB时刻成像时的大气延迟相位;Δnj为失相关以及噪声所引起的相位信息。

      为了得到形变相位,提高形变测量的精度与可靠性,需将高程误差、大气延迟误差以及噪声所对应的相位信息去除,可利用外部参考数字高程模型(digital elevation model,DEM)按照雷达构像方程来模拟生成地形相位,之后再从雷达干涉图中去除[42];利用大气延迟与形变、噪声在时间域和空间域中表现出的不同特性,将大气延迟相位从残余相位中区分出来[43];通过多视和滤波有效地去除噪声以及失相关引起的相位误差[44]。从而差分干涉相位简化为:

      $$ \text{ }\!\!\delta\!\!\text{ }{{\varphi }_{j}}=\varphi \left( {{t}_{B}} \right)-\varphi \left( {{t}_{A}} \right)\approx \frac{4\text{ }\!\!\pi\!\!\text{ }}{\lambda }\left( d\left( {{t}_{B}} \right)-d\left( {{t}_{A}} \right) \right) $$ (3)

      3)利用最小二乘或奇异值分解法估算出形变速率后,将平均形变速率在时间域上积分,即可得到历史形变量[33]

      本研究SBAS-InSAR时序形变探测仅针对光学遥感识别出来的具有滑坡堵江风险的重点区域(白格滑坡下游70~100 km范围),采用的雷达影像数据包括ALOS PALSAR-1和Sentinel-1A两种星载合成孔径雷达(synthetic aperture radar,SAR)影像数据,同时考虑到金沙江左右岸地形陡峭,地形起伏导致的阴影、叠掩和透视收缩等几何畸变现象严重,选用Sentinel-1A卫星升轨和降轨数据分别进行分析,SAR影像覆盖情况如图 1所示。其中,ALOS PALSAR-1升轨数据9景,用于探测研究区的历史形变信息(2007—2009年);Sentinel-1A升轨和降轨数据分别为29景和25景,用于提取研究区近期的地表形变信息(2017—2018年)。表 1列出了采用的星载SAR数据的基本参数信息。此外,下载覆盖研究区域的12.5 m分辨率ALOS-1 DEM数据作为参考DEM,用于在后续差分干涉测量过程中去除地形误差的影响,同时在干涉处理前对数据进行多视以提高像元多视比。

      表 1  卫星SAR影像数据基本参数信息

      Table 1.  Basic Parameters of the Satellite SAR Image Datasets

      参数 SAR传感器
      ALOS PALSAR-1 Sentinel-1A
      轨道方向 升轨 升轨/降轨
      所处波段 L C
      雷达波长/cm 23.6 5.6
      空间分辨率/m 10 15
      重访周期/d 46 12
      侧视角/(°) 34 39.5
      影像时间 2007-12—2009-02 2017-12—2018-12/2018-01—2018-12
      影像数量/景 9 29/25

      针对ALOS PALSAR-1数据进行SBAS时序处理时,由于其载有L波段SAR,波长较长,在较长时间内均保持相干性,选择时间基线阈值为400 d,空间基线阈值设置为临界基线阈值的50%,后续依据干涉图的质量好坏进行挑选,共生成22组干涉对;针对Sentinel-1A升降轨数据处理时,由于其精确的轨道控制,只要空间基线保持在一定范围内,即可保持相干性,同时因其搭载C波段SAR,波长较短,为5.6 cm,故将时间基线阈值设置为70 d,空间基线阈值为2%,分别组成87组和64组干涉对。

    • 利用多时相高精度光学卫星影像在金沙江流域白格滑坡上游30 km和下游100 km范围内共识别出滑坡隐患51处,其中10处滑坡隐患具有堵江风险,7处具有较显著形变,3处堵江风险较大(表 2),主要集中分布于白格滑坡下游70~100 km范围(图 4),后续SBAS-InSAR时序形变探测仅针对该区域进行。

      表 2  光学遥感解译出的具有堵江风险的滑坡隐患

      Table 2.  Landslides with the Risk of Blocking River Identified by Optical Remote Sensing Interpretation

      编号 经度 纬度 长度/m 宽度/m 面积/m2 遥感解译信息
      H28 98°55' 28.483" 30°36' 16.511" 830 380 360 641 古滑坡堆积体,目前前缘局部可见较明显变形,具有整体失稳可能,堵江风险较大
      H29 98°55' 58.402" 30°36' 0.844" 1 000 420 413 967 古滑坡堆积体,目前前缘局部可见较明显变形,具有局部失稳可能,有堵江风险
      H31 98°55' 31.763" 30°34' 41.361" 660 1 200 656 833 岩质滑坡,滑坡后缘拉裂缝非常明显,具有整体失稳可能,堵江风险大
      H34 98°55' 50.899" 30°33' 53.606" 630 360 214 908 岩质滑坡,滑坡后缘发育多级拉裂缝,变形显著,具有局部失稳可能,堵江风险大
      H36 98°56' 1.333" 30°32' 34.017" 260 260 65 097 岩质滑坡,滑坡后缘拉裂缝非常明显,具有局部失稳可能,有堵江风险
      H37 98°55' 52.126" 30°32' 20.109" 260 290 79 742 岩质滑坡,滑坡后缘拉裂缝非常明显,具有局部失稳可能,有堵江风险
      H44 98°56' 53.375" 30°28' 8.206" 270 330 105 973 岩质滑坡,滑坡后缘拉裂缝明显,具有局部失稳可能,有堵江风险
      H46 98°57' 25.383" 30°27' 38.027" 380 210 76 569 岩质滑坡,滑坡后缘拉裂缝非常明显,具有局部失稳可能,有堵江风险
      H47 98°57' 34.651" 30°26' 35.196" 860 290 239 179 岩质滑坡,滑坡后缘拉裂缝明显,具有局部失稳可能,有堵江风险
      H48 98°57' 48.631" 30°25' 37.207" 190 210 42 587 岩质滑坡,滑坡后缘拉裂缝非常明显,具有局部失稳可能,有堵江风险
      注:H28H31H34表示堵江风险高的滑坡隐患点,其他点表示有堵江风险的滑坡隐患点

      图  4  金沙江白格滑坡下游70~100 km范围内滑坡隐患分布图

      Figure 4.  Distribution Map of Landslides in 70-100 km Downstream of the Baige Landslide in the Jinsha River

    • 考虑到存档ALOS PALSAR-1升轨影像和Sentinel-1A升降轨影像覆盖的范围不尽相同,故在数据预处理时裁剪出共同覆盖的区域进行SBAS-InSAR时序分析,分别提取研究区域2007—2009年和2017—2018年的地表形变信息,如图 5所示。图 5中形变量为红色(负值),代表地物沿着雷达视线向(line of sight,LOS)方向远离卫星运动;形变量为蓝色(正值),代表地物沿着LOS方向靠近卫星运动。

      图  5  金沙江白格滑坡下游70~100 km范围InSAR年均形变速率图

      Figure 5.  Annual Deformation Rate Maps of InSAR in 70-100 km Range of Lower Reaches of the Baige Landslide in the Jinsha River

      从ALOS PALSAR-1年均形变速率图 5(a)中可以识别出6处显著形变区域,分别对应光学遥感解译的H28H31H35H37H39H42滑坡隐患。从Sentinel-1A升轨年均形变速率图 5(b)中可以识别5处显著形变区域,分别对应光学遥感解译的H28H31H35H37H39滑坡隐患。将二者时序处理结果对比分析可知,从ALOS PALSAR-1影像中探测到的滑坡体H28H31H35H37H39至今依然处于活跃状态,而H42滑坡体现阶段并无明显形变特征,可能是该滑坡体近段时间趋于稳定,有待后续现场勘查验证。从Sentinel-1A降轨年均形变速率图 5(c)中可以识别2处显著形变区域,分别对应光学遥感解译的H34H39滑坡隐患。在Sentinel-1A升轨影像中并未识别出H34滑坡,主要是由于雷达作为一种侧视成像系统,在地形起伏较大的地方易造成透视收缩、叠掩、阴影等几何畸变现象[18]。综合3种数据的SBAS-InSAR结果,重点区共有7处滑坡隐患存在显著地表形变,其中H28H31H34具有整体失稳可能,堵江风险较大,下文将对其进行详细分析。

    • 利用光学卫星影像判断H28为一堆积层滑坡,长约830 m,宽约380 m,面积约0.4 km2(见图 6(a))。可见,该滑坡前缘和后缘均存在局部变形,两侧发育冲沟,冲沟两侧局部滑塌较显著。白格滑坡二次失稳堵江人工泄流后,由于受到泄流洪水的冲刷,其前缘坡脚被强烈掏蚀,局部发生了垮塌失稳(图 6(b))。图 7(a)图 7(b)分别为利用ALOS PALSAR-1升轨数据和Sentinel-1A升轨数据获取的LOS方向形变速率结果。2007—2009年间,最大形变速率为-172 mm/a,2017—2018年间的Sentinel-1A数据显示,该滑坡依然处于缓慢变形状态,最大形变速率为-140 mm/a。图 7显示H28滑坡周围山体在ALOS PALSAR-1升轨和Sentinel-1A升轨形变速率结果图上均表现出了形变信息。进一步结合光学影像认为,H28滑坡周围山体整个为一大型古滑坡堆积体,H28滑坡是该古滑坡堆积体的一部分。根据形变速率结果可将古滑坡堆积体分为Ⅰ、Ⅱ、Ⅲ 3个子区。其中Ⅰ区对应H28滑坡。在2007—2009年ALOS PALSAR-1升轨数据结果图上,Ⅱ区形变信息最显著,Ⅲ区次之,而Ⅰ区可能由于失相关,有效形变点较少。在2017—2018年的Sentinel-1A升轨数据结果图上,Ⅰ区形变信息最显著。在这3个区分别选取ABC 3个特征点,分析其时间序列形变量(图 8)。可见,H28滑坡对应的Ⅰ区形变速率和累积形变量要显著大于Ⅱ区和Ⅲ区,是该古滑坡堆积体形变最强烈的区域。

      图  6  H28滑坡隐患光学卫星影像

      Figure 6.  Optical Satellite Images of H28 Landslide

      图  7  H28滑坡隐患形变速率图

      Figure 7.  Deformation Rate Maps of H28 Landslide

      图  8  H28滑坡隐患典型特征点形变曲线

      Figure 8.  Deformation Curves of Typical Characteristic Points of H28 Landslide

    • 利用光学卫星影像判断H31为岩质滑坡,长约600 m,宽约1 200 m,面积约0.7 km2,如图 9(a)所示。可见,该滑坡后缘拉裂缝非常明显,前缘可见多级滑动错台,尤其是前缘中部局部变形非常明显。白格滑坡二次失稳堵江人工泄流后,由于受到泄流洪水的冲刷,其坡脚被强烈掏蚀,前缘形成了连续的次级滑动后壁(图 9(b),蓝色虚线代表滑坡前缘出现的拉裂缝)。2007—2009年ALOS PALSAR-1形变结果表明,滑坡后缘变形明显,前缘和中部可能由于变形过大而失相干,最大形变速率达-166 mm/a(图 10(a))。2017—2018年Sentinel-1A形变结果表明,滑坡右侧变形开始加剧,前缘中部变形依旧剧烈,最大形变速率达-125 mm/a(图 10(b))。图 11(a)图 11(b)分别为2007—2009年ALOS PALSAR-1升轨数据以及2017—2018年Sentinel-1A升轨数据对应的滑坡特征点AB的形变曲线,可见该滑坡目前仍处于匀速变形阶段。

      图  9  H31滑坡隐患光学卫星影像

      Figure 9.  Optical Satellite Images of H31 Landslide

      图  10  H31滑坡隐患形变速率图

      Figure 10.  Deformation Rate Maps of H31 Landslide

      图  11  H31滑坡隐患典型特征点形变曲线

      Figure 11.  Deformation Curves of Typical Characteristic Points of H31 Landslide

    • 利用光学卫星影像判断H34滑坡为岩质滑坡,其长约630 m,宽约360 m,面积约0.2 km2,如图 12(a)所示。该滑坡前缘变形显著,可见多级滑动错台,后缘拉裂缝非常明显,已呈贯通趋势。白格滑坡二次失稳堵江人工泄流后,由于受到泄流洪水的冲刷,其前缘坡脚被强烈掏蚀,局部发生了垮塌失稳(图 12(b))。该滑坡位于金沙江左岸,在ALOS PALSAR-1升轨和Sentinel-1A升轨数据形变结果中,由于几何畸变,未能探测到形变信息,仅在Sentinel-1A降轨数据形变结果中探测到有效形变信息(图 13)。2017—2018年间,该滑坡的最大形变速率为100 mm/a(图 13)。图 14为滑坡体前缘选取的A点形变曲线图,该点最大形变量为60 mm,2018-10-22至2018-11-03,该滑坡点形变异常,发生了明显突变,可能是由于洪水泄流冲蚀导致滑坡局部变形加剧。

      图  12  H34滑坡隐患光学卫星影像

      Figure 12.  Optical Satellite Image of H34 Landslide

      图  13  H34滑坡隐患形变速率图

      Figure 13.  Deformation Rate Map of H34 Landslide

      图  14  H34滑坡隐患典型特征点形变曲线

      Figure 14.  Deformation Curve of Typical Characteristic Points of H34 Landslide

      H28H31H34这3处滑坡隐患在干流不断侵蚀作用下以及强降雨或地震等诱发下,具有整体失稳可能,堵江风险较大,后续应采用时序InSAR技术或现场监测设备对这3处滑坡隐患进行持续监测。

    • 本文综合运用高分辨率光学遥感影像目视解译与SBAS-InSAR技术,实现了对金沙江流域白格滑坡上游30 km和下游100 km范围内滑坡隐患早期识别。利用光学遥感目视解译在整个研究区共识别滑坡隐患51处,其中10处滑坡隐患具有堵江风险。通过SBAS-InSAR分析,在白格滑坡下游70~100 km范围共探测出7处滑坡隐患具有较显著形变,其中3处堵江风险较大。本研究结果第一时间提交给国家应急管理部、四川省自然资源厅、中铁二院工程集团有限责任公司等部门和单位。依据本研究成果,四川省自然资源厅已安排专业地质队伍对识别出来的高风险滑坡隐患进行逐点排查;中铁二院工程集团有限责任公司对川藏铁路跨金沙江大桥进行了重新选址勘察。通过本次研究,主要取得了以下几点认识:

      1)大型滑坡(尤其是大型岩质滑坡)的孕育需要数年乃至数十年,在整体失稳前均会产生明显的地表形变,这些地表形变可以利用高精度光学遥感影像(地面分辨率优于1.0 m)进行目视识别,也可以利用时序InSAR技术进行定量探测。

      2)基于多时相高精度光学遥感影像的目视解译对滑坡特征要素完整、变形迹象明显的滑坡隐患具有较好的识别能力,但对于地表变形迹象不明显的滑坡隐患识别较困难,例如InSAR结果反映H28所在的古滑坡堆积体大部分区域均存在缓慢形变,而光学遥感解译未能进行有效识别;同样,InSAR技术可以对正在缓慢变形的滑坡隐患进行有效识别,但由于技术本身的限制,InSAR技术生成的有效干涉点是有限的,往往不能覆盖完整的滑坡范围,而且如果滑坡形变速率过快,则超出InSAR监测范围,不能对滑坡隐患进行有效探测。例如白格滑坡就是因为形变速率过快,无法利用InSAR技术对其形变区进行有效探测,而在多时相高精度光学影像上其变形特征非常明显,许强等[1]利用滑前10余期光学影像定量提取了该滑坡滑前累积位移。因此,综合利用光学遥感解译和InSAR技术对滑坡隐患进行早期识别是非常必要的。

      3)利用InSAR技术进行地表形变监测时,在地形起伏显著的区域会出现阴影、叠掩、透视收缩等几何畸变现象。地形起伏大、山高谷深的区域,几何失相关表现更为显著,需要结合多源、多入射角、升降轨数据进行联合分析。

      4)大气所引起的相位误差是构成高山峡谷区形变相位误差的重要来源之一,如何去除大气误差是InSAR时序处理中非常重要的一步。通常根据大气延迟和形变以及噪声的不同特性,利用空域低通滤波将大气延迟相位从残余相位中分离。本文在进行大气相位去除时,采用的即是时域高通、空域低通的滤波方法,效果并不显著,后续有待采用其他方法去除大气误差的影响,以提高InSAR探测精度。

参考文献 (44)

目录

    /

    返回文章
    返回