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

联合哨兵2号和Landsat 8估计白格滑坡时序偏移量

柳林 宋豪峰 杜亚男 冯光财 刘清瑶 孙敏

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[J]. 武汉大学学报 ● 信息科学版, 2021, 46(10): 1461-1470. doi: 10.13203/j.whugis20200596
引用本文: 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[J]. 武汉大学学报 ● 信息科学版, 2021, 46(10): 1461-1470. doi: 10.13203/j.whugis20200596

联合哨兵2号和Landsat 8估计白格滑坡时序偏移量

doi: 10.13203/j.whugis20200596
基金项目: 

国家重点研发计划 2018YFB0505500

国家重点研发计划 2018YFB0505502

国家自然科学基金 41804003

详细信息
    作者简介:

    柳林,博士,教授,博士生导师,主要从事地理信息空间分析等方面的研究。liulin1@gzhu.edu.cn

    通讯作者: 杜亚男,博士,讲师。yndu@gzhu.edu.cn
  • 中图分类号: P237

Funds: 

The National Key Research and Development Program of China 2018YFB0505500

The National Key Research and Development Program of China 2018YFB0505502

the National Natural Science Foundation of China 41804003

More Information
    Author Bio:

    LIU Lin, PhD, professor, specializes in geographic information spatial analysis. E-mail: liulin1@gzhu.edu.cn

    Corresponding author: DU Yanan, PhD, lecturer. E-mail: yndu@gzhu.edu.cn
  • 摘要: 光学影像时序偏移量跟踪是滑坡监测的一种重要手段。针对单平台光学时序偏移量估计时间采样率不足的问题,利用多源时序偏移量估计获取了白格滑坡2014-11—2018-09期间的形变。首先,基于哨兵2号和陆地卫星(Landsat)8分别进行单平台和双平台下的时序偏移量计算。其次,以稳定区域统计值和交叉验证两种方式进行精度评定。然后,基于双平台下的时序形变对滑坡进行阶段划分,并探讨其成因。结果表明:(1)双平台时序偏移量精度优于单平台,哨兵2号在东西向和南北向的精度分别提升3.02%和5.37%,Landsat 8在两方向上的精度分别提升了3.61%和0.40%;期间的最大累计形变和最大平均形变速率分别为42.90 m和9.06 m/a。(2)白格滑坡可划分为初始、等速和加速(初加速和中加速)3阶段,截至2018-02-05已进入中加速阶段。(3)时序形变与降雨量相关性系数高达0.88。
  • 图  1  哨兵2号和Landsat 8影像对参数

    Figure  1.  Parameters of Sentinel-2 and Landsat 8 Image Pairs

    图  2  哨兵2号((a)~(j))和Landsat 8((k)~(y))时序偏移量

    Figure  2.  Time-Series Deformation of Sentinel-2((a)—(j))and Landsat 8((k)—(y))

    图  3  哨兵2号和Landsat 8联合时序偏移量

    Figure  3.  Combined Time-Series Deformation of Sentinel-2 and Landsat 8 Results

    图  4  哨兵2号和Landsat 8时序偏移量平均形变速率

    Figure  4.  Time-Series Deformation Velocity for Sentinel-2 and Landsat 8

    图  5  选择的3个稳定区域位置

    Figure  5.  Selected Three Stable Areas

    图  6  哨兵2号与Landsat 8误差改进比例比较

    Figure  6.  Deformation Improvement Comparison Between Sentinel-2 and Landsat 8

    图  7  哨兵2号和Landsat 8影像对形变结果

    Figure  7.  Deformation Results for Sentinel-2 and Landsat 8 Pairs

    图  8  5个特征点位置及其累计形变

    Figure  8.  Time-Series Deformation of Five Selected Points

    图  9  白格滑坡发生前3.77 a形变阶段划分

    Figure  9.  Deformation Stage Division of Baige Landslide Before the Occurrence

    图  10  白格滑坡2014-11至2018-09降雨量、形变速率与累计形变

    Figure  10.  Rainfall, Deformation Rate, and Cumulative Deformation of the Baige Landslide from November 2014 toSeptember 2018

    表  1  哨兵2号影像参数

    Table  1.   Parameters of Sentinel-2 Images

    影像编号 采集时间 太阳高度角/(°) 太阳方位角/(°)
    1 2015-11-23 37.080 3 164.537 4
    2 2015-12-23 33.256 7 162.142 4
    3 2016-11-07 40.982 2 164.074 0
    4 2017-02-05 39.192 0 154.809 4
    5 2017-10-28 44.082 6 162.877 7
    6 2017-11-07 41.041 0 163.997 7
    7 2017-12-22 33.263 4 162.182 0
    8 2018-01-16 34.819 3 158.285 7
    9 2018-02-05 39.124 2 154.850 3
    10 2018-03-22 54.883 3 146.933 9
    11 2018-04-16 63.963 0 140.390 5
    下载: 导出CSV

    表  2  Landsat 8影像参数

    Table  2.   Parameters of Landsat 8 Images

    影像编号 采集时间 太阳高度角/(°) 太阳方位角/(°)
    1 2014-11-29 33.838 3 158.818 0
    2 2015-01-16 32.383 7 153.058 2
    3 2015-02-01 35.408 1 150.056 2
    4 2015-09-29 51.309 7 147.862 4
    5 2015-11-16 36.762 2 158.626 6
    6 2015-12-02 33.341 8 158.725 2
    7 2016-01-03 31.180 0 155.324 6
    8 2016-02-04 36.098 4 149.556 6
    9 2016-11-02 40.423 3 157.391 6
    10 2016-12-04 32.900 5 158.631 4
    11 2017-01-21 33.256 1 152.079 2
    12 2017-02-06 36.815 7 149.023 3
    13 2017-10-20 44.497 5 154.835 2
    14 2017-12-23 31.108 4 156.833 1
    15 2018-01-24 33.748 1 151.531 9
    16 2018-09-05 57.969 9 136.427 2
    下载: 导出CSV

    表  3  哨兵2号和Landsat 8形变监测对比及交叉验证影像对参数

    Table  3.   Parameters of the Selected Sentinel-2 and Landsat 8 Pairs for Accuracy Comparison

    光学数据源 哨兵2号 Landsat 8
    影像对日期 2015-11-23—2016-11-07 2015-11-16—2016-11-02
    空间基线/m 350 352
    太阳高度角差值/(°) 3.902 3.661
    太阳方位角差值/(°) -0.464 -1.235
    总辐射长度 0.172h 0.167h
    东西向辐射长度 0.037h 0.037h
    南北向辐射长度 0.168h 0.163h
    下载: 导出CSV

    表  4  哨兵2号和Landsat 8影像对后处理精度对比/m

    Table  4.   Accuracy Comparison Between Sentinel-2 and Landsat 8 Pairs/m

    统计值 光学数据 东西向 南北向 总形变
    平均值 哨兵2号 -0.006 3 0.024 0 0.640 3
    Landsat 8 -0.028 2 0.057 0 0.786 3
    标准差 哨兵2号 0.580 3 0.496 3 0.399 8
    Landsat 8 0.595 2 0.756 3 0.516 6
    下载: 导出CSV
  • [1] Tian S, Chen N, Wu H, et al. New Insights into the Occurrence of the Baige Landslide Along the Jin-sha River in Tibet[J]. Landslides, 2020, 17: 1 207-1 216 doi:  10.1007/s10346-020-01351-4
    [2] 赵永红, 王航, 张琼, 等. 滑坡位移监测方法综述[J]. 地球物理学进展, 2018, 33(6): 2 606-2 612 https://www.cnki.com.cn/Article/CJFDTOTAL-DQWJ201806056.htm

    Zhao Yonghong, Wang Hang, Zhang Qiong, et al. Overview of Landslide Displacement Monitoring Methods[J]. Progress in Geophysics, 2018, 33(6): 2 606-2 612 https://www.cnki.com.cn/Article/CJFDTOTAL-DQWJ201806056.htm
    [3] Du Y, Xu Q, Zhang L, et al. Recent Landslide Movement in Tsaoling, Taiwan Tracked by TerraSAR-X/TanDEM-X DEM Time Series[J]. Remote Sensing, 2017, 9 (4): 353 doi:  10.3390/rs9040353
    [4] 李维炼, 朱军, 朱秀丽, 等. 无人机遥感数据支持下滑坡VR场景探索分析方法[J]. 武汉大学学报·信息科学版, 2019, 44 (7): 1 065-1 072 doi:  10.13203/j.whugis20190047

    Li Weilian, Zhu Jun, Zhu Xiuli, et al. A Exploratory Analysis Method of VR Scene in Landslide Based on UAV[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 1 065-1 072 doi:  10.13203/j.whugis20190047
    [5] 董秀军, 许强, 佘金星, 等. 九寨沟核心景区多源遥感数据地质灾害解译初探[J]. 武汉大学学报·信息科学版, 2020, 45 (3): 432-441 doi:  10.13203/j.whugis20190076

    Dong Xiujun, Xu Qiang, She Jinxing, et al. Preliminary Study on Interpretation of Geological Hazards in Jiuzhaigou Based on Multi-source Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2020, 45(3): 432-441 doi:  10.13203/j.whugis20190076
    [6] Yang W, Wang Y, Wang Y, et al. Retrospective Deformation of the Baige Landslide Using Optical Remote Sensing Images[J]. Landslides, 2020, 17 (3): 659-668 doi:  10.1007/s10346-019-01311-7
    [7] Bontemps N, Lacroix P, Doin M P. Inversion of Deformation Fields Time-Series from Optical Images, and Application to the Long Term Kinematics of Slow-Moving Landslides in Peru[J]. Remote Sensing of Environment, 2018, 210: 144-158 doi:  10.1016/j.rse.2018.02.023
    [8] Lacroix P, Bièvre G, Pathier E, et al. Use of Sentinel-2 Images for the Detection of Precursory Motions Before Landslide Failures[J]. Remote Sensing of Environment, 2018, 215: 507-516 doi:  10.1016/j.rse.2018.03.042
    [9] 陆会燕, 李为乐, 许强, 等. 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): 1 342-1 354 doi:  10.13203/j.whugis20190086

    Lu Huiyan, Li Weile, Xu Qiang, et al. 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): 1 342-1 354 doi:  10.13203/j.whugis20190086
    [10] Liu X, Zhao C, Zhang Q, et al. Deformation of the Baige Landslide, Tibet, China, Revealed Through the Integration of Cross - Platform ALOS/PALSAR-1 and ALOS/PALSAR - 2 SAR Observations [J]. Geophysical Research Letters, 2020, 47(3): e2019GL086142 doi:  10.1029/2019GL086142
    [11] Ding C, Zhang L, Liao M, et al. Quantifying the Spatiotemporal Patterns of Dune Migration Near Minqin Oasis in Northwestern China with Time Series of Landsat 8 and Sentinel-2 Observations[J]. Remote Sensing of Environment, 2020, 236: 111498 doi:  10.1016/j.rse.2019.111498
    [12] Ali E, Xu W, Ding X, et al. Improved Optical Image Matching Time Series Inversion Approach for Monitoring Dune Migration in North Sinai Sand Sea: Algorithm Procedure, Application, and Validation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 164: 106-124 doi:  10.1016/j.isprsjprs.2020.04.004
    [13] Ding C, Feng G, Li Z, et al. Spatiotemporal Error Sources Analysis and Accuracy Improvement in Landsat 8 Image Ground Displacement Measurements[J]. Remote Sensing, 2016, 8 (11): 937 doi:  10.3390/rs8110937
    [14] 贺礼家, 冯光财, 冯志雄, 等. 哨兵-2号光学影像地表形变监测: 以2016年Mw 7. 8新西兰凯库拉地震为例[J]. 测绘学报, 2019, 48 (3): 339-351 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201903010.htm

    He Lijia, Feng Guangcai, Feng Zhixiong, et al. Coseismic Displacements of 2016 Mw 7. 8 Kaikoura, New Zealand Earthquake, Using Sentinel-2 Optical Images[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(3): 339-351 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201903010.htm
    [15] Berardino P, Fornaro G, Lanari R, et al. A New Algorithm for Surface Deformation Monitoring Based on Small Baseline Differential SAR Interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40 (11): 2 375-2 383 doi:  10.1109/TGRS.2002.803792
    [16] 宋文平, 张斌, 牛常领, 等. 一种融合最小二乘和相位相关的粗匹配纠正算法[J]. 遥感技术与应用, 2020, 34 (6): 1 296-1 304 https://www.cnki.com.cn/Article/CJFDTOTAL-YGJS201906020.htm

    Song Wenping, Zhang Bin, Niu Changling, et al. An Integrated Matching Correction Algorithm Based on Least Squares and Phase Correlation[J]. Remote Sensing Technology and Application, 2020, 34 (6): 1 296-1 304 https://www.cnki.com.cn/Article/CJFDTOTAL-YGJS201906020.htm
    [17] Ayoub F, Leprince L, Avouac J. User's Guide to COSI-Corr: Co-registration of Optically Sensed Images and Correlation[R]. California Institute of Technology, Pasadena, CA, USA, 2009
    [18] Lin D, Zhu J, Li C, et al. Bias Reduction Method for Parameter Inversion of Ill-Posed Surveying Model [J]. Journal of Surveying Engineering, 2020, 146 (3): 04020011
    [19] Konca A O, Leprince S, Avouac J-P, et al. Rupture Process of the 1999 Mw 7. 1 Duzce Earthquake from Joint Analysis of SPOT, GPS, InSAR, Strong-Motion, and Teleseismic Data: A Supershear Rupture with Variable Rupture Velocity[J]. Bulletin of the Seismological Society of America, 2010, 100 (1): 267-288 doi:  10.1785/0120090072
    [20] 雍睿, 胡新丽, 唐辉明, 等. 推移式滑坡演化过程模型试验与数值模拟研究[J]. 岩土力学, 2013, 34 (10): 3 018-3 027 https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201310039.htm

    Yong Rui, Hu Xinli, Tang Huiming, et al. Model Testing and Numerical Simulation Study of Evolutionary Process of Thrust Load Caused Landslide [J]. Rock and Soil Mechanics, 2013, 34(10): 3 018-3 027 https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201310039.htm
    [21] Saito M. Forecasting Time of Slope Failure by Tertiary Creep[C]//The 7th International Conference on Soil Mechanics and Foundation Engineering, Mexico City, USA, 1969
    [22] Xu Q, Yuan Y, Zeng Y, et al. Some New Pre-warning Criteria for Creep Slope Failure[J]. Science China Technological Sciences, 2011, 54 (1): 210-220 http://qikan.cqvip.com/Qikan/Article/Detail?id=1003564600
    [23] 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
  • [1] 马张烽, 岳东杰, 蒋弥, 刘恋.  基于迪杰斯特拉算法的哨兵卫星TOPS模式时序影像精配准 . 武汉大学学报 ● 信息科学版, 2020, 45(6): 904-913. doi: 10.13203/j.whugis20180412
    [2] 吴晓萍, 徐涵秋, 蒋乔灵.  GF-1、GF-2与Landsat-8卫星多光谱数据的交互对比 . 武汉大学学报 ● 信息科学版, 2020, 45(1): 150-158. doi: 10.13203/j.whugis20190084
    [3] 史绪国, 张路, 许强, 赵宽耀, 董杰, 蒋厚军, 廖明生.  黄土台塬滑坡变形的时序InSAR监测分析 . 武汉大学学报 ● 信息科学版, 2019, 44(7): 1027-1034. doi: 10.13203/j.whugis20190056
    [4] 叶涛焱, 李莉, 姚炎明, 夏乐章, 管卫兵.  基于Landsat影像的杭州湾最大浑浊带年际变化研究 . 武汉大学学报 ● 信息科学版, 2019, 44(9): 1377-1384. doi: 10.13203/j.whugis20170346
    [5] 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 . 武汉大学学报 ● 信息科学版, 2019, 44(9): 1342-1354. doi: 10.13203/j.whugis20190086
    [6] 王斐, 覃志豪, 宋彩英.  利用Landsat TM影像进行地表温度像元分解 . 武汉大学学报 ● 信息科学版, 2017, 42(1): 116-122. doi: 10.13203/j.whugis20140604
    [7] 胡德勇, 乔琨, 王兴玲, 赵利民, 季国华.  利用单窗算法反演Landsat 8 TIRS数据地表温度 . 武汉大学学报 ● 信息科学版, 2017, 42(7): 869-876. doi: 10.13203/j.whugis20150164
    [8] 冯奇, 程学军, 沈欣, 肖潇, 王立辉, 张文.  利用Landsat 8 OLI进行汉江下游水体浊度反演 . 武汉大学学报 ● 信息科学版, 2017, 42(5): 643-647. doi: 10.13203/j.whugis20141002
    [9] 靳华安, 李爱农, 边金虎, 雷光斌.  HJ-1B CCD2与SPOT4 HRVIR数据在森林地上生物量反演中的比较分析 . 武汉大学学报 ● 信息科学版, 2016, 41(11): 1483-1490. doi: 10.13203/j.whugis20140594
    [10] 邓方慧, 周春霞, 王泽民, 鄂栋臣, 张辛.  利用偏移量跟踪测定Amery冰架冰流汇合区的冰流速 . 武汉大学学报 ● 信息科学版, 2015, 40(7): 901-906. doi: 10.13203/j.whugis20130653
    [11] 吴炜, 骆剑承, 沈占锋, 王卫红.  分类线性回归的Landsat影像去云方法 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 983-987.
    [12] 曹建峰, 胡松杰, 黄勇, 刘磊.  嫦娥二号卫星日地拉格朗日L_2点探测轨道定轨分析 . 武汉大学学报 ● 信息科学版, 2013, 38(9): 1029-1033.
    [13] 董晓燕, 丁晓利, 李志伟, 王永哲.  一种新的SAR像素偏移量估计流程及其在同震形变监测中的应用 . 武汉大学学报 ● 信息科学版, 2011, 36(7): 789-792.
    [14] 肖金群, 汪长城, 李志伟, 杨亚夫.  基于配准偏移量的InSAR基线估计 . 武汉大学学报 ● 信息科学版, 2010, 35(10): 1236-1239.
    [15] 李德仁, 胡庆武.  基于可量测实景影像的空间信息服务 . 武汉大学学报 ● 信息科学版, 2007, 32(5): 377-380.
    [16] 徐涵秋.  基于影像的Landsat TM/ETM~+数据正规化技术 . 武汉大学学报 ● 信息科学版, 2007, 32(1): 62-66.
    [17] 邬国锋, 刘耀林, 纪伟涛.  利用Landsat 5 TM影像估算沉水植物地上生物量的研究——以江西省鄱阳湖国家自然保护区为例 . 武汉大学学报 ● 信息科学版, 2006, 31(11): 953-957.
    [18] 李全, 李霖, 赵曦.  基于Landsat TM影像的城市变化检测研究 . 武汉大学学报 ● 信息科学版, 2005, 30(4): 351-354.
    [19] 李建松.  工业物体表面三维视觉量测的关键技术研究 . 武汉大学学报 ● 信息科学版, 2001, 26(4): 337-342.
    [20] 耿则勋.  基于小波变换的遥感影像保持量测精度的压缩技术研究 . 武汉大学学报 ● 信息科学版, 1998, 23(2): 187-187.
  • 加载中
图(10) / 表(4)
计量
  • 文章访问数:  1107
  • HTML全文浏览量:  230
  • PDF下载量:  133
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-11-02
  • 刊出日期:  2021-10-05

联合哨兵2号和Landsat 8估计白格滑坡时序偏移量

doi: 10.13203/j.whugis20200596
    基金项目:

    国家重点研发计划 2018YFB0505500

    国家重点研发计划 2018YFB0505502

    国家自然科学基金 41804003

    作者简介:

    柳林,博士,教授,博士生导师,主要从事地理信息空间分析等方面的研究。liulin1@gzhu.edu.cn

    通讯作者: 杜亚男,博士,讲师。yndu@gzhu.edu.cn
  • 中图分类号: P237

摘要: 光学影像时序偏移量跟踪是滑坡监测的一种重要手段。针对单平台光学时序偏移量估计时间采样率不足的问题,利用多源时序偏移量估计获取了白格滑坡2014-11—2018-09期间的形变。首先,基于哨兵2号和陆地卫星(Landsat)8分别进行单平台和双平台下的时序偏移量计算。其次,以稳定区域统计值和交叉验证两种方式进行精度评定。然后,基于双平台下的时序形变对滑坡进行阶段划分,并探讨其成因。结果表明:(1)双平台时序偏移量精度优于单平台,哨兵2号在东西向和南北向的精度分别提升3.02%和5.37%,Landsat 8在两方向上的精度分别提升了3.61%和0.40%;期间的最大累计形变和最大平均形变速率分别为42.90 m和9.06 m/a。(2)白格滑坡可划分为初始、等速和加速(初加速和中加速)3阶段,截至2018-02-05已进入中加速阶段。(3)时序形变与降雨量相关性系数高达0.88。

English Abstract

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[J]. 武汉大学学报 ● 信息科学版, 2021, 46(10): 1461-1470. doi: 10.13203/j.whugis20200596
引用本文: 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[J]. 武汉大学学报 ● 信息科学版, 2021, 46(10): 1461-1470. doi: 10.13203/j.whugis20200596
  • 据自然资源部统计,2018年和2019年全国分别发生1 631和4 220起滑坡,占地质灾害总数的55.0%和68.27%,滑坡呈常态化趋势。2018-10-11、2018-11-03金沙江上游右岸白格村附近(98°42′18″E,31°04′56″N)先后两次发生大量级滑坡,滑移体积分别为22×106 m3和3.7×106 m3,由此引发的堰塞湖对上下游造成极大威胁,直接经济损失约68亿元人民币[1]。因此,对滑坡进行时序形变监测尤为重要,能为滑坡早期预警和应急提供参考,具有重要应用价值。

    常用的滑坡监测手段主要包括传统监测[2]和基于遥感技术的监测[3-6]两类。后者因其大范围、高精度等优势而被广泛应用于滑坡的时序监测,其中,基于光学影像偏移量估计的高精度大量级形变监测技术也逐步受到关注。

    目前,利用光学影像偏移量估计监测滑坡已经有了很多应用,该方法经历了从单影像对[6]到时序偏移量估计[7-8]的发展阶段。文献[6]采用单影像对偏移量估计方法获取白格滑坡2015-11—2018-08的形变,但时间分辨率太低。此外,一些学者利用现场调查[1]、无人机(unmanned aerial vehicle,UAV)[4]、合成孔径雷达干涉测量(interferometric synthetic aperture radar,InSAR)[9-10]等技术对白格滑坡进行了研究。其中,将时序InSAR[9]和基于合成孔径雷达(synthetic aperture radar,SAR)影像的Offset_tracking技术[10]用于白格滑坡时序形变监测,前者获取了一维视线向的缓慢形变,后者获取了视线向和方位向形变,但由于SAR影像侧视成像的特点,其结果易受阴影、叠掩等几何畸变因素的影响。文献[7]利用SPOT 1~5和Pléiades获取秘鲁Maca滑坡28 a的长时序形变,文献[8]利用哨兵2号获取法国Harmalière滑坡时序形变。目前研究多集中于单一平台下的光学影像时序偏移量,时间分辨率受天气和重返周期等影响,不利于滑坡的演化过程分析。

    因此,针对单平台下光学影像时序偏移量估计研究的不足,本文基于哨兵2号和陆地卫星(Landsat)8双平台的时序偏移量估计来提高白格滑坡监测的时间分辨率,此过程中借鉴短基线集(small baseline subset,SBAS)思路,采用小空间基线法和小辐射基线法[11]优化影像对选择并根据时间间隔定权[12],利用双平台联合解算获取时序偏移量。本文采用的光学影像时序偏移量估计方法捕捉了更多发育特征,可为今后滑坡形变监测提供定量分析和预警参考。

    • 白格滑坡处于中国四川省甘孜州白玉县与西藏昌都市江达县交界处,行政上隶属于江达县波罗乡白格村,属于青藏高原到四川盆地的过渡地带,滑坡区地势起伏较大,坡顶海拔约3 720 m,河谷高程2 880 m,垂直高差达840 m[9],易发生滑坡等地质灾害。

      本文采用了从美国地质调查局(United States Geological Survey,USGS)官网获取的2015-11—2018-04期间的11景哨兵2号数据和2014-11—2018-09期间的16景Landsat 8陆地成像仪(operational land imager,OLI)数据,详细参数信息分别如表 1表 2所示。两平台数据的最高空间分辨率分别为15 m和10 m。值得注意的是,哨兵2号和Landsat 8影像产品都已通过外部数字高程模型(digital elevation model,DEM)进行了正射校正[11-12]

      表 1  哨兵2号影像参数

      Table 1.  Parameters of Sentinel-2 Images

      影像编号 采集时间 太阳高度角/(°) 太阳方位角/(°)
      1 2015-11-23 37.080 3 164.537 4
      2 2015-12-23 33.256 7 162.142 4
      3 2016-11-07 40.982 2 164.074 0
      4 2017-02-05 39.192 0 154.809 4
      5 2017-10-28 44.082 6 162.877 7
      6 2017-11-07 41.041 0 163.997 7
      7 2017-12-22 33.263 4 162.182 0
      8 2018-01-16 34.819 3 158.285 7
      9 2018-02-05 39.124 2 154.850 3
      10 2018-03-22 54.883 3 146.933 9
      11 2018-04-16 63.963 0 140.390 5

      表 2  Landsat 8影像参数

      Table 2.  Parameters of Landsat 8 Images

      影像编号 采集时间 太阳高度角/(°) 太阳方位角/(°)
      1 2014-11-29 33.838 3 158.818 0
      2 2015-01-16 32.383 7 153.058 2
      3 2015-02-01 35.408 1 150.056 2
      4 2015-09-29 51.309 7 147.862 4
      5 2015-11-16 36.762 2 158.626 6
      6 2015-12-02 33.341 8 158.725 2
      7 2016-01-03 31.180 0 155.324 6
      8 2016-02-04 36.098 4 149.556 6
      9 2016-11-02 40.423 3 157.391 6
      10 2016-12-04 32.900 5 158.631 4
      11 2017-01-21 33.256 1 152.079 2
      12 2017-02-06 36.815 7 149.023 3
      13 2017-10-20 44.497 5 154.835 2
      14 2017-12-23 31.108 4 156.833 1
      15 2018-01-24 33.748 1 151.531 9
      16 2018-09-05 57.969 9 136.427 2
    • 本文对收集的哨兵2号和Landsat 8两平台

      光学数据进行偏移量估计,获取其东西和南北向的形变,并对其中的一系列误差[13-14]进行修正。与此同时,为了获取该滑坡时序形变,本文借鉴时序InSAR技术中短基线[15]的思想来减少时空失相关、太阳高度角和方位角等对结果精度的影响。为了提高形变的时间分辨率,本文将两类光学数据联合解算,获取长时间序列形变,为滑坡的发育、发生和后续的预测提供丰富的监测信息。此外,通过统计稳定区域形变以及独立数据结果的交叉验证两种方式进行精度评定。本文的研究流程包含影像对选择、偏移量估计、误差后处理、时序偏移量联合解算、精度评定5个关键步骤。

    • 光学影像匹配结果易受云雾或长时间地表植被变化等引起的失相关噪声、轨道误差、条带误差、地形阴影误差以及卫星姿态角误差影响[13-14]。为了减少这些误差对偏移量估计的影响,本文选取月份数值差不大于3的影像对,以降低时间基线引起的噪声[712]。哨兵2号和Landsat 8的空间基线阈值分别设置为0 m和1 000 m。辐射长度阈值设置为0.8hh为像素地形高度)。其中,为了保证影像对的连通性,本文在上述选择基准上为Landsat 8添加了5个影像对,所有影像对的参数如图 1所示。

      图  1  哨兵2号和Landsat 8影像对参数

      Figure 1.  Parameters of Sentinel-2 and Landsat 8 Image Pairs

    • 本文采用COSI-Corr(the Coregistration of Optical Sensed Images and Correlation)软件的基于亚像素频率域相关性匹配算法来获取其东西向、南北向形变,处理步骤及相关参数设置如下。

      首先,为了计算多源数据联合的时序偏移量,本文将哨兵2号的近红外波段降采样至与Landsat 8全色波段一致的15 m空间分辨率,通过人为选取同名点结合最小二乘的方法配准[16]。然后,利用COSI-Corr对滑动窗口大小(包括初始和最终相关搜索窗口)、步长、迭代次数和掩模阈值等参数进行设置。本文结合文献[6]的建议将两个搜索窗口都设置为64×64像素,步长设置为1像素,迭代次数设置为4,掩模阈值选择0.9。最后,采用软件批处理工具计算偏移量,每个影像对结果都包括东西向形变图、南北向形变图和信噪比(signal⁃to⁃noise ratio,SNR)图。正数代表向北和向东的形变,信噪比范围为0~1,其值越高代表越好的匹配质量。除了东西向和南北向,将欧氏距离作为总位移[68]

    • 由§2.1可知,软件获取的偏移量包含失相干噪声、轨道误差、条带误差和卫星姿态角误差,为保证结果的精度,需要对各方向偏移量误差进行后处理。对于失相干噪声,本文通过设置SNR阈值(> 0.96)和手动掩模(针对由局部云量及其阴影产生的失相关)相结合的方法去除;对于轨道噪声,通过一次多项式曲面拟合模型方法去除。条带误差采用均值相减法去除。卫星姿态角误差采用改进的均值相减法[14]去除。此外,还需要进行非局部均值滤波、坐标系转换、偏移量值重采样和二维水平形变场获取,本文结合文献[17]建议的默认参数进行非局部均值滤波。

    • 短基线集时序方法最早由文献[15]提出,后被应用于光学影像时序形变监测。以东西向形变为例,假定有(N+1)幅同一区域的光学影像,获取时间按{t0t1tn}排列,其中,t0表示初始影像时间,M为互相关影像对。主从影像分别记为misi。以形变速率作为未知参数构建观测方程为:

      Bv=d ]]>

      式中,系数阵BM×N的矩阵,其元素由相邻影像的时间间隔组成,假设任意一个元素Bi,j满足:

      Bi,j=tj+1-tj, mi+1jsi0, ]]>

      式中,i=1, 2Md为形变观测值,即偏移量估计获取的形变值,是一个M×1的矩阵;v为待求参数速率矢量,v=v1 v2 vnT

      一般情况下,当系数阵B满秩时,v通常采用最小二乘就能解算出来:

      v=BTPB-1BTPd ]]>

      式中,权重矩阵P为一个M×M的矩阵,P=diag(w1,w2wM),其中,

      wi=11+ti22, i=1, 2M ]]>

      式中,t为影像时间间隔;wi为每个干涉对的权重。最终通过每个时段形变速率乘以时间间隔来获得形变量。但当系数阵B秩亏时,即两两偏移量的影像组成的网络不连通时,此时需要用到加权奇异值分解(singular value decomposition,SVD)[18]来求解未知参数v,即Landsat 8和哨兵2号两个独立的子集。

      PBv=Pd ]]>
      Z=PB=svdU,S,V=USVT ]]>
      v=VS+UTPd ]]>
      S+=diag(1/σ1,1/σ21/σN-L+1,0, 00) ]]>

      式中,svd为奇异值分解函数;UZZT的特征向量,是一个M×M的正交矩阵;S为一个M×M的对角矩阵;V是一个N×M矩阵,为ZTZ的特征向量;S+S的逆;σi为奇异值;L-1表示奇异值为0的数目。

    • 由于缺乏实测数据,通常采用先验信息辅助进行精度评定,比如利用稳定区域的形变来验证。当用到两类数据源时,交叉验证也是常用的手段。本文在研究区随机选择了3个相同大小的稳定区域并结合文献[12]提出的误差评估方法,统计各影像对相比于初始影像对偏移量和时序偏移量结果。在交叉验证方面,选择哨兵2号和Landsat 8相近时段的偏移量结果进行对比分析。

    • 本文时序形变的时间跨度约3.77 a。由已有成果可知白格滑坡滑移方向以东西向为主,南北向形变很小[6]。因此,本文展示总形变的时序偏移量结果,包括哨兵2号(10个)和Landsat 8(15个)时序形变结果、双平台时序形变结果(26个)以及哨兵2号和Landsat 8平均形变速率结果,分别如图2~4所示。

      图  2  哨兵2号((a)~(j))和Landsat 8((k)~(y))时序偏移量

      Figure 2.  Time-Series Deformation of Sentinel-2((a)—(j))and Landsat 8((k)—(y))

      图  3  哨兵2号和Landsat 8联合时序偏移量

      Figure 3.  Combined Time-Series Deformation of Sentinel-2 and Landsat 8 Results

      图  4  哨兵2号和Landsat 8时序偏移量平均形变速率

      Figure 4.  Time-Series Deformation Velocity for Sentinel-2 and Landsat 8

      图 2可知,哨兵2号计算了2015-11-23—2018-04-16白格滑坡时序形变,期间最大累计形变23.45 m;Landsat 8计算了2014-11-29—2018-09-05白格滑坡时序形变,期间最大累计形变45.43 m。

      图 3可知,双平台时序形变包括2014-11-29—2018-09-05期间的26个时序形变,截至2016-12-04、2017-11-07和2018-09-05,最大累计形变量分别为11.38 m、20.43 m和42.90 m。该时序形变结果包含了更多的形变细节,改善了滑坡监测的时间分辨率。

      图 4可知,哨兵2号和Landsat 8的东西向、南北向和总的平均形变速率的最大值分别为9.56、1.37、9.59 m/a以及9.16、1.07、9.18 m/a。两平台在3个方向上的平均形变速率差异都不大,只是滑坡边界略有不同,这与偏移量计算的影像对数量、质量和时间间隔有关。

    • 本文从研究区域随机选择3个稳定区域(见图 5),并统计3个稳定区域在滤波后、单平台和双平台时序计算下的标准差来进行精度评定,结果如图 6所示。

      图  5  选择的3个稳定区域位置

      Figure 5.  Selected Three Stable Areas

      图  6  哨兵2号与Landsat 8误差改进比例比较

      Figure 6.  Deformation Improvement Comparison Between Sentinel-2 and Landsat 8

      图 6可知,大部分影像对通过单一影像对偏移量、单平台时序偏移量和双平台时序偏移量计算的东西向和南北向标准差都有所减小。其中,哨兵2号东西向分别平均提升21.47%、24.50%和27.52%,南北向分别平均提升24.59%、24.97%和30.34%;Landsat 8东西向分别平均提升33.53%、43.33%和46.94%,南北向分别平均提升36.60%、40.64%和41.04%。总体而言,Landsat 8不确定性改进效果优于哨兵2号。双平台时序偏移量精度相对于单平台都有所提高,哨兵2号东西向和南北向分别提升3.02%和5.37%;Landsat 8东西向和南北向分别提升3.61%和0.40%。

      除了稳定区域统计值,本文还选择了哨兵2号和Landsat 8相近时间段的偏移量结果(见图 7)来进行交叉验证,影像对参数和结果统计分别如表 3表 4所示。由图 7表 4可知,哨兵2号无论平均值和标准方差都小于Landsat 8。前者标准方差在0.5 m左右,后者标准方差在0.75 m左右。根据COSI-Corr软件,互相关匹配精度最高可达1/20个像素[19],即哨兵2号和Landsat 8形变监测理论精度为0.5 m和0.75 m。两影像对参数基本一致,因此,就单影像对监测精度来说,哨兵2号优于Landsat 8,在单一数据下,应首选哨兵2号。

      图  7  哨兵2号和Landsat 8影像对形变结果

      Figure 7.  Deformation Results for Sentinel-2 and Landsat 8 Pairs

      表 3  哨兵2号和Landsat 8形变监测对比及交叉验证影像对参数

      Table 3.  Parameters of the Selected Sentinel-2 and Landsat 8 Pairs for Accuracy Comparison

      光学数据源 哨兵2号 Landsat 8
      影像对日期 2015-11-23—2016-11-07 2015-11-16—2016-11-02
      空间基线/m 350 352
      太阳高度角差值/(°) 3.902 3.661
      太阳方位角差值/(°) -0.464 -1.235
      总辐射长度 0.172h 0.167h
      东西向辐射长度 0.037h 0.037h
      南北向辐射长度 0.168h 0.163h

      表 4  哨兵2号和Landsat 8影像对后处理精度对比/m

      Table 4.  Accuracy Comparison Between Sentinel-2 and Landsat 8 Pairs/m

      统计值 光学数据 东西向 南北向 总形变
      平均值 哨兵2号 -0.006 3 0.024 0 0.640 3
      Landsat 8 -0.028 2 0.057 0 0.786 3
      标准差 哨兵2号 0.580 3 0.496 3 0.399 8
      Landsat 8 0.595 2 0.756 3 0.516 6
    • 为了分析白格滑坡的演化发育过程,本文在坡顶、坡中部和坡底分别选择1个(P1)、3个(P2P3P4)和1个(P5)特征点分析形变时间序列,5个特征点位置及其累计形变如图 8所示。由图 8可知,特征点P1P5分别处于坡顶和坡底,总的累计形变分别为36.70 m和32.14 m。特征点P2P3P4都处于滑坡中部,总的累计形变量分别为39.27、42.90、38.13 m。值得注意的是,2018-04-16—2018-09-05期间5个特征点形变速率差异较大,分别为93.63、71.8、108.6、168.1、48.94 mm/d。坡底特征点形变速率最小,坡顶次之,坡中部平均最大,该时段形变特征基本符合推移式滑坡自上而下的特点[20]

      图  8  5个特征点位置及其累计形变

      Figure 8.  Time-Series Deformation of Five Selected Points

      根据蠕变变形理论[21],滑坡发生前通常经历初始变形阶段、等速变形阶段和加速变形阶段(细分为初加速、中加速和加加速3个亚阶段)。文献[22]提出将切线角αi作为3阶段划分依据,当切线角远小于45°认为是滑坡初始变形阶段;当切线角约等于45°认为是滑坡等速变形阶段;当切线角远大于45°认为是滑坡加速变形阶段(80°和85°分别为3个亚阶段判定依据)。为了分析此滑坡的形变阶段,本文选择累计形变量最大的特征点P3结合切线角分析累计形变与时间关系(见图 9)。由图 9和滑坡3阶段特征,本文将滑坡划分为初始变形(2014-11-29—2015-09-29)、等速变形(2015-09-29—2015-12-23)和加速变形3个阶段,其中加速变形又可细分为初加速(2015-12-23—2018-02-05)、中加速(2018-02-05—2018-09-05)2个亚阶段。整个时段形变速率逐渐增加,其中,初始变形阶段的平均形变速率约7.05 mm/d,切线角约36.29°;等速变形阶段的平均形变速率约10.27 mm/d,切线角约46.91°;初加速阶段的平均形变速率约26.80 mm/d,切线角约70.28°;中加速阶段的平均形变速率约65.79 mm/d,切线角约81.69°。

      图  9  白格滑坡发生前3.77 a形变阶段划分

      Figure 9.  Deformation Stage Division of Baige Landslide Before the Occurrence

    • 为了分析形变与降水的关系,本文收集了来自全球气象站距离白格滑坡最近的德格县站点(98.567°E,31.733°N)的逐年、逐月和逐日的降雨数据。特征点P3形变速率、累计形变与降雨数据如图 10所示。

      图  10  白格滑坡2014-11至2018-09降雨量、形变速率与累计形变

      Figure 10.  Rainfall, Deformation Rate, and Cumulative Deformation of the Baige Landslide from November 2014 toSeptember 2018

      图 10可知,2015—2017年累计形变量较小,2018年累计形变量较大,形变速率逐渐增大。此外,本文对雨量和累计形变(图 10中的形变点)进行了相关性分析,其相关系数R2为0.88,表明形变与降雨高度相关,但该滑坡可能还受其他内外部因素[23]作用。

    • 本文联合哨兵2号和Landsat 8的光学数据计算了白格滑坡2014-11—2018-09二维水平时序形变,比较了不同平台的偏移量形变精度差异,根据蠕动变形理论、切线角对时序偏移量进行阶段划分,分析了形变与降雨的相关性。

      结果表明:(1)多源光学影像时序偏移量跟踪技术可改善滑坡监测的时间分辨率,获取更多形变细节。(2)双平台时序偏移量精度高于单平台,哨兵2号东西向和南北向分别提升3.02%和5.37%;Landsat 8东西向和南北向分别提升3.61%和0.40%。此外,相同观测条件下,哨兵2号监测精度高于Landsat 8。(3)白格滑坡在2014-11—2018-09期间的时序形变可划分为初始变形、等速变形和初加速变形和中加速变形阶段,平均形变速率分别为7.05、10.27、26.80、65.79 mm/d。(4)白格滑坡形变与降雨因素高度相关,可能受内外因素共同作用。总体来说,本文证实了双平台时序偏移量在滑坡监测中具有提高时间分辨率和精度的优势,未来多平台时序偏移量估计可能是该方法的趋势。此外,多平台时序偏移量有助于滑坡阶段划分,把握其演化过程。

      此外,由于不同平台光学数据传感器对地表形变的敏感度存在差异,多源光学数据联合解算时序偏移量方法存在交叉时段形变波动等噪声,后续研究可以考虑影像监测能力并引入方差分量估计加权来减小此误差。

参考文献 (23)

目录

    /

    返回文章
    返回