遥感技术在三峡库区千将坪滑坡研究中的应用

 2003年7月13日，三峡库区湖北省秭归县沙镇溪镇千将坪村发生特大型滑坡灾害后，利用先进的数字遥感技术，结合滑坡前 后的高分辨率的遥感数据、地形图资料和野外所测的GPS控制点，制作出研究区滑坡前后的数字高程模型(DEM)，同时采用合理的图 像处理技术，获得了滑坡前后正射影像图。利用三维可视化技术，采用人机交互解译滑坡，详细的对比解译滑坡前后的影像，分别 对滑体的滑动方向、距离和堆积体面积进行了定量计算，结合勘查资料估算出其体积约为1 500万方，综合地质学、灾害学原理和 地理空间信息技术等科学分析了千将坪滑坡的形成条件，认为千将坪在“7.13”滑坡之前为一特大型顺层古滑坡，而“7.13”滑坡 是古滑坡的大规模复活，三峡库区蓄水和降雨综合作用是促使滑坡复活的主要诱发因素。     

基于灰色系统GM(1,1)千将坪滑坡变形监测分析

滑坡在世界范围内广泛分布,我国地域辽阔,有着较为复杂的地理环境,是世界上受灾害影响十分严重的国家之一。2003年7月13日在湖北省秭归县发生千将坪滑坡,由于千将坪滑坡是发生在三峡库区蓄水达到135 m后,因此,受到国内外众多研究机构及学者的关注。本文主要利用千将坪滑坡体上安置的大量GPS监测点,依据监测点在滑坡体上的展布情况及数据完整程度选取特征点进行研究,通过编程建立千将坪滑坡灰色系统GM(1,1)位移预测模型,综合分析预测滑坡变形情况并进行精度评价。     

湖北秭归千将坪发生重大山体滑坡

7月13日凌晨,湖北省秭归县千将坪发生的特大山体滑坡,正处于长江水利委员会三峡水文水资源勘测局用于水文测验设在青干河2号和3号固定断面之间的位置,巨大的滑体截断了100多米宽的青干河,将该局原测量的岸上地形破坏的面目全非,滑体形成的堆石坝上下游落差达5.5米,由此青干河的水文条件发生了重大变化。在这突发性地质灾害来临之时,长江三峡水文水资源局反应迅速,立即派出工作组赶赴滑坡现场,冒着随时会发生的险情,对滑坡区的水文、地质、地形等情况进行了仔细察勘,及时向上级报告现场数据,为做好灾害治理工作提供第一手资料。湖北秭归千将…     

基于机载LiDAR技术的滑坡识别参数提取方法

选择长江三峡秭归段千将坪滑坡及其周边区域为研究区,利用机载LiDAR数据,开展滑坡识别参数提取方法研究。首先提取滑坡识别参数,再利用相关滑坡识别参数和智能分类算法开展滑坡像元和非滑坡像元分类。试验表明,基于LiDAR技术提取的滑坡识别参数能有效区分滑坡像元和非滑坡像元,确定的特征参数子集对于提高分类精度大有帮助。     

滑坡遥感调查、监测与评估

滑坡遥感调查包括滑坡识别、基本信息获取和滑坡空间分析等，本文以天台乡滑坡遥感调查中用特征点法确定滑坡边界、影响带及滑坡运动特征及规模为例说明。滑坡遥感监测可分为直接监测和间接监测。由于突发的高速超高速崩塌、滑坡及泥石流活动时间难以预测，滑坡运动的规模相对于遥感地面分辨率较小，获取遥感数据的不连续性及价格昂贵等原因，目前较少应用遥感技术直接监测滑坡活动； 遥感监测滑坡运动引起的环境变化，称为间接滑坡监测，以遥感监测易贡大滑坡引起的易贡湖水面变化及溃坝造成的下游灾害为例说明。滑坡遥感评估指在获取滑坡及其发育环境基本信息的基础上，评估滑坡的稳定性，预测其未来活动性，评估区域滑坡的影响因子和进行区域滑坡危险性评价，文中以天台乡滑坡、千将坪滑坡稳定性评估及三峡库区中前段区域滑坡危险性评价为例说明。     

典型滑坡遥感影像特征研究

对于不同地质条件、成因类型和运动距离的滑坡,在不同分辨率遥感图像上显示的影像特征往往存在较大差别,尚难以确定统一的滑坡遥感识别标志.尤其对于规模较大、形成机理和活动规律复杂的远程滑坡和复合滑坡,一直是遥感识别的难点,可供借鉴的前人研究成果不多,目前主要还是靠地面调查.在国内外滑坡遥感调查成果调研以及国土资源大调查地质灾害遥感调查、近年来地质灾害应急遥感调查研究成果的基础上,分析和总结了笔者参与调查过的巫山大清坎滑坡、千将坪滑坡、武隆滑坡及西藏102滑坡群等典型滑坡的遥感影像特征,提出了滑坡(尤其是高速远程滑坡)的遥感识别标志,以期与同行专家共商榷.     

表面位移规律的滑坡稳定性分析

针对目前滑坡稳定性评价研究的不足,该文采用卫星实时监测的方法,利用表面位移规律对滑坡体进行稳定性分析,此种方法具有监测方法稳定直观、分析结果实时可靠的优势。以四川省都江堰市塔子坪滑坡为研究对象,依据滑坡体表面位移-时间曲线的变形规律,结合实地监测数据对塔子坪滑坡的表面位移规律进行分析,从而划分滑坡体的各变形阶段;通过与滑坡体加固前的数据相对比,论证了滑坡体重力挡墙治理方法的可行性,并得出了治理后的滑坡体目前已趋于稳定状态的结论。     

四川省北川县安子坪滑坡监测与分析

滑坡监测的主要任务是监测滑坡的实时动态变化、诱发因素等,以获取空间变形数据,用以滑坡的稳定性评价、预测预报及治理等。文章以北川县安子坪滑坡为例,建立系统化、立体化监测系统,及时测定和预报滑坡的位移等变化情况,并为长期稳定性预测研究提供资料。     

基于Google Earth影像的黄河上游干流地区滑坡特征分析

黄河上游干流地区由于特殊的地形地貌和地质构造使得滑坡灾害频发,对其开展滑坡灾害监测、分析研究,具有十分重要的意义。本文利用2015年间Google Earth遥感数据,提取并分析了该地区的滑坡灾害分布信息,取得了如下成果及认识:1)研究区的空间展布形态主要有7种,滑体性质类型有6种,岩质滑坡数量最多。2)从空间分布特征看,共发现研究区有各类滑坡162处,滑坡主要集中分布在群科-尖扎盆地;从滑坡类型看,研究区滑坡主要为大型滑坡和巨型滑坡。3)滑坡体长、宽主要集中在0~1 500 m和500~1 500 m之间,且长、宽呈两极化方向延伸,滑坡体面积分布不均,滑坡数量随着方量的增大呈现减少的趋势,发生的滑坡主要是滑坡体厚度在25~50 m的深层滑坡。4)滑坡数量在0°~90°之间有峰值出现,然后向两端逐渐减少。     

三峡库区地质灾害防治总体规划

前言 长江三峡库区自然地质条件复杂,环境容量有限,暴雨、洪水频繁,地质灾害严重。库区地质灾害对三峡工程和库区人民生命财产安全的影响日益增加,有效防治库区地质灾害已成当务之急。 2001年7月17日,朱镕基总理在三峡工程移民暨对口支援工作会议上强调指出:“三峡工程是一个整体,防治地质灾害和生态环境建设,是三峡工程密不可分的组成部分。”“加强对崩滑体等地质灾害的监测和治理,是关系到库区人民生命财产安全和子孙后代的大事,刻不容缓,必须在水库蓄水前抓紧治理。特别是对那些在蓄水后可能产生滑坡的崩滑体,要集中力量,抢先治理。”“对治理工程项目,要快调查、快规划、快立项、快审批、快实施,做到科学论证,简化程序,加快进行。”     

中国滑坡遥感及新进展

自本世纪初起，由于采用了“数字滑坡技术”和高分辨率遥感数据，滑坡遥感成为能更准确的定性、定位、定量的滑坡调查 手段，可进行区域的和大型个体滑坡的详细调查和监测研究。“数字滑坡”技术的实现基于滑坡地学原理并依赖遥感技术、数字摄 影测量及图像处理技术、GIS技术和计算机技术的支持。该项技术大致可分为4大部分：滑坡识别、滑坡基本信息获取、信息存贮和 管理及空间分析。20世纪末期以来，数字滑坡技术在应用中不断完善和获得新进展。     

利用高分影像与特征匹配算法标定滑坡位移场

滑坡灾害是世界上破坏力极大的自然灾害之一,滑坡监测是预防滑坡灾害的重要基础。针对SIFT算法在滑坡遥感监测应用中存在特征点数量少、分布不均的问题,提出了一种将ASIFT算法和CSIFT算法相结合进行滑坡位移场标定的方法,即利用ASIFT处理全色影像,利用CSIFT处理多光谱融合影像,将两种方法提取的互不相同的特征点叠加综合得到更多的特征匹配点。该方法在露天矿滑坡的应用结果表明：与SIFT算法相比,新改进的方法大幅度增加了特征点数量,提高了滑坡位移场标定精度,且成本低、效率高,非常适合于大型滑坡后期大变形场监测。     

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

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。     

三峡库区“阶跃”型滑坡变形机理与预警模型

自2003年蓄水以来,三峡库区已查明的滑坡或潜在滑坡高达5000余处,这些灾害对三峡水库的持续运营、大坝、航道及库区居民的安全造成了严重的威胁。通过研究滑坡的变形特征、诱发因素及失稳机制,有助于开展滑坡的稳定性评价,并构建预警预报模型。以三峡库区八字门滑坡为研究对象,综合分析降雨、库水位、人工和自动GNSS监测等数据,结合勘查资料及野外宏观巡查,研究了滑坡的变形特征及失稳机理,并确定合理的预警判据及阈值。研究表明:①八字门滑坡整体变形明显,处于蠕动变形阶段,滑坡变形主要集中于每年5—9月,滑坡累积曲线呈现典型的“阶跃”状变形特性。②滑坡的变形受斜坡结构、岩性等因素的控制,水库水位下降是滑坡变形的主要驱动因素,并与库水下降速率正相关。另外,特大暴雨和持续降雨在水位下降阶段、水库低水位运行期及水位上升期会促进滑坡变形,是滑坡的次要驱动因素。③通过精细化数据分析以及改进切线角法获取的八字门滑坡出现“阶跃”变形的位移速率阈值为4.6 mm/d,7 d累积降雨量阈值为60 mm,库水位阈值为159 m,库水位下降速率阈值0.4 m/d。     

Macro Landslide Hazard Zonation Mapping - Case Study from Bodi – Bodimettu Ghats Section,Theni District,Tamil Nadu - India

Landslide is a common natural hazard that usually occurs in mountainous areas. Rapid urban development and high traffic intensity movements have been hampered to a great extent by phenomenon of landslides. In Ghat section, vertical cuttings and steep slopes are induced slope failures. An assessment of landslide hazards is therefore a prerequisite for sustainable development of the hilly region. In the present study, Macro Landslide Hazard Zonation was carried out in the Bodi – Bodimettu ghats section, Western Ghats, Theni district. The slope spreads over an area of about 10.09 sq km encompassing Puliuttu Ar. sub-watershed. The study was made with help of different types of data including Survey of India topographic map, geology map, important inherent factors like lithology, structure, slope morphometry, relative relief, land use/land cover and hydrogeological conditions using Bureau of Indian Standard (BSI 14496 (Part 2):1998) and related thematic maps. Based on the thematic layers, landslide hazard evaluation factor (LHEF) and total estimated hazard (TEHD) were calculated and the macro hazard zonation map was prepared. Landslide Hazard Zonation (LHZ) of the terrain shows that out of 17 facets, facets 1 to 5 and 8 falls under Moderate Hazard zone category and facets 6, 7 and 9 to 17 under the High Hazard zone category. The field study with further analysis for hazard concluded that about 68% of the total area falls in the high hazard zone.     

滑坡变形的模式识别

探讨利用变形模式的拓扑约束识别方法来识别滑坡块全的变形模式及其应用问题，并根据GPS多期监测数据对云阳宝塔滑坡体进行了块体识别与分析，实例证明，该方法对滑坡块体及块体变形参数的识别是有效的，其结果对于滑坡体的滑带弱化的扩展过程的认识及稳定性分析与监测系统，滑坡整治系统的设计具有一定的价值。     

粒子群优化BP神经网络的滑坡敏感性评价

滑坡敏感性评价是地质灾害预测预报的关键环节。针对BP神经网络易陷入局部最小值、收敛速度慢等问题,该文以三峡库区秭归县境内为研究区,采用粒子群优化(PSO)算法对BP神经网络的初始权值和阈值进行优化,构建PSO-BP神经网络滑坡敏感性预测模型,实现研究区滑坡敏感性评价。采用受试者工作特征曲线分析模型预测精度,得到PSO-BP神经网络预测精度为0.931,预测结果与实际滑坡总体空间分布具有良好的一致性,且预测能力优于BP神经网络。实验结果表明,PSO-BP神经网络耦合模型在实现滑坡敏感性评价上具有理想的预测精度和良好的适用性。     

Landslide Susceptibility Zonation through ratings derived from Artificial Neural Network

In the present study, Artificial Neural Network (ANN) has been implemented to derive ratings of categories of causative factors, which are then integrated to produce a landslide susceptibility zonation map in an objective manner. The results have been evaluated with an ANN based black box approach for Landslide Susceptibility Zonation (LSZ) proposed earlier by the authors. Seven causative factors, namely, slope, slope aspect, relative relief, lithology, structural features (e.g., thrusts and faults), landuse landcover, and drainage density, were placed in 42 categories for which ratings were determined. The results indicate that LSZ map based on ratings derived from ANN performs exceedingly better than that produced from the earlier ANN based approach. The landslide density analysis clearly showed that susceptibility zones were in close agreement with actual landslide areas in the field.     

Remote Sensing and GIS Based Landslide Susceptibility Assessment using Binary Logistic Regression Model: A Case Study in the Ganeshganga Watershed, Himalayas

A comprehensive Landslide Susceptibility Zonation (LSZ) map is sought for adopting any landslide preventive and mitigation measures. In the present study, LSZ map of landslide prone Ganeshganga watershed (known for Patalganga Landslide) has been generated using a binary logistic regression (BLR) model. Relevant thematic layers pertaining to the causative factors for landslide occurrences, such as slope, aspect, relative relief, lithology, tectonic structures, lineaments, land use and land cover, distance to drainage, drainage density and anthropogenic factors like distance to road, have been generated using remote sensing images, field survey, ancillary data and GIS techniques. The coefficients of the causative factors retained by the BLR model along with the constant have been used to construct the landslide susceptibility map of the study area, which has further been categorized into four landslide susceptibility zones from high to very low. The resultant landslide susceptibility map was validated using receiver operator characteristic (ROC) curve analysis showing an accuracy of 95.2 % for an independent set of test samples. The result also showed a strong agreement between distribution of existing landslides and predicted landslide susceptibility zones.