Identification of geological hazards based on the combination of InSAR technology and disaster background indicators
-
摘要: 合成孔径雷达干涉测量(interferometric synthetic aperture radar, 简称InSAR)是获取地表形变的重要手段, 由于InSAR数据获取的限制和数据处理中产生的精度误差等问题, 在地灾隐患识别方面的工作还需要联合地质灾害本身进行分析。为此提出了一种基于InSAR技术与研究区孕灾背景指标相结合的方法, 并将其应用于三峡库区巴东段的地灾隐患识别研究中。研究结果表明, 使用ALOS-2 PALSAR雷达影像, 应用时序InSAR技术得到了研究区的变形空间分布和变化速率, 并结合研究区的孕灾背景, 将易发性等级、坡度、工程岩组和是否与灾害目录重叠4个指标作为地灾隐患判别的指标, 综合识别出19处疑似地灾隐患区, 然后对疑似地灾隐患区进行了逐一野外核查, 经验证地灾隐患识别成功率为78.9%。研究成果证明了将InSAR技术和孕灾背景相结合进行地灾隐患识别方法的可行性, 可在区域灾害识别中发挥重要作用。Abstract: Synthetic aperture radar interferometry (InSAR) is an important method to obtain surface deformation information. Due to the limitations of InSAR data acquisition and the accuracy errors produced in the data processing, the identification of hidden dangers also needs to be combined with the analysis of geological hazards themselves, so a method based on InSAR technology combined with the disaster-pregnancy background in the study area is proposed. This study took the Badong section of the Three Gorges Reservoir area as the study area, and ALOS-2 PALSAR radar images were used to obtain the spatial distribution and change rate of deformation in the study area by using time-series InSAR technology. Combining the disaster-prone background of the study area, four indicators of the susceptibility level, slope, engineering rock group and distance from the disaster catalogue point are used as indicators for the identification of hidden dangers of geological disasters. As a result, 19 suspected hidden disaster areas were identified comprehensively, and then the suspected hidden geological disaster areas were verified in the field one by one. The success rate of verification and identification was 78.9%, proving that the method combining the disaster pregnancy background and InSAR results is feasible and can play an important role in regional disaster identification.
-
Key words:
- recognition of hidden geological hazards /
- InSAR /
- ALOS-2 /
- disaster background indicators /
- Badong
-
中国地质灾害分布广泛，地处高位且多被植被覆盖，传统的人工调查很难发现这些隐患点，因此引入现代遥感技术进行地灾隐患识别研究十分紧迫[1]。目前，地灾隐患识别的现代遥感技术方法主要有利用光学影像目视解译、算法检测分类和雷达监测。目视解译效率低下，且从海量遥感影像中寻找地灾隐患盲目性大，不能识别出处在微小形变阶段没有形成破坏性滑动的潜在隐患，识别精度不高。近年来，在计算机隐患识别技术检测分类算法中，逐步发展了以下方法：①基于自动阈值和形状描述的影像变化检测方法; ②通过图像分割结合数字高程模型的方法; ③基于广义正布尔函数的多源图像监督分类方法; ④基于二值变化图像的数学形态逼近的方法; ⑤基于面向对象变化检测的方法; ⑥以支持向量机、随机森林、神经网络为代表的机器学习方法等[2-10]。这些方法通过图像分类进行隐患识别，在灾害特征发育明显的区域应用较好，而在灾害发育的复杂山区尤其是植被茂密区应用效果较差。在雷达监测中，InSAR技术应用较为广泛。InSAR作为一种新型的空间地表测量技术，不受自然天气条件的影响，能够全天候、全天时地对地表进行观测[11]。InSAR技术可以获取地面大范围的高分辨率和高精度的微小地表形变信息，可以对重点区域进行长时间序列的形变追踪和潜在隐患识别，可以实现从时间和空间角度的重点区域调查，可为区域地质灾害的防灾减灾工作提供充分的参考依据。已经有不少学者将InSAR技术应用于区域滑坡的早期识别以及潜在滑坡范围的确定[12-13]。张路等[14]利用ALOS PALSAR和ENVISAT ASAR数据集成功识别出了四川丹巴的17处持续变形的不稳定斜坡。Rosi等[15]利用永久散射体差分干涉测量(persistent scatter interferometry, 简称PS-InSAR)技术更新了意大利托斯卡纳的滑坡清单。蔡杰华等[16]利用InSAR技术对九寨沟震后的滑坡隐患进行了早期识别与形变监测。Liu等[17]利用Sentinel-1数据和ALOS/PALSAR-2数据获取形变数据，绘制了金沙江沿线主动型滑坡图。
这些研究促进了InSAR技术在地灾方面的研究，但现阶段InSAR技术被直接用于地灾隐患识别还存在一些问题。从SAR影像本身和InSAR技术的适用范围可知，仅仅依靠InSAR得到的结果直接判定为地灾隐患是不足够的，还需要从灾害本身出发，结合孕灾背景和灾害发育结构等进行分析，以此来提高识别精度[18-19]。针对不同区域，在实践中可根据研究区的孕灾背景与灾害类型特点，通过多源数据与多维度监测构建综合隐患识别体系，探索具有普适性的隐患识别新思路。笔者将利用ALOS-2 PALSAR数据的InSAR形变结果与孕灾背景指标相结合进行地灾隐患识别的方法，在三峡库区巴东段进行了地灾隐患识别工作的应用探索；按照InSAR实验、孕灾背景因子指标判别、地灾隐患识别和野外核查的流程开展研究，为基于InSAR技术的区域地灾隐患识别提供借鉴。
1. 研究区概况
研究区位于湖北省恩施州巴东县城的长江沿岸，介于东经110°17′50″~110°28′10″、北纬31°0′31″~31°5′27″之间，其地理位置如图 1所示。研究区的地层岩性由震旦纪到侏罗纪的沉积覆盖晶体和震旦系岩石组成，以灰质页岩、灰岩、角砾岩、白云质灰岩为主。研究区内水系发达，降水丰沛，河流众多，地下水丰富，该区的水系基本沿着褶皱和断层发育，并受岩层走向控制，长江支流和长江交汇处容易形成倒钩状水系。独特的地形地貌、地质条件，加上三峡库区周期性蓄水放洪的影响，使得研究区地质灾害频发。研究区是古滑坡密集发育的区域，较大规模的古滑坡有赵树岭滑坡、黄土坡滑坡和五星堆滑坡等[20]。
2. InSAR实验数据与方法
2.1 数据
本研究采用L波段的ALOS-2卫星数据，数据模式为超精细模式(ultra-fine)，分辨率为3 m，幅宽为55 km×70 km。ALOS-2搭载PALSAR-2传感器，工作波段为L波段，数据具有高分辨率和强穿透力的优点，有利于发现地灾体细微形变且在植被覆盖度较高的监测区有较好的应用优势[21-22]。本研究所使用的数据为2020年4月11日到2020年11月7日的8景升轨数据，中心入射角为42.9°，时间覆盖范围如表 1所示。
表 1 ALOS-2数据成像时间表Table 1. Timeline of ALOS-2 digital imaging序号 成像时间 1 2020/04/11 2 2020/05/23 3 2020/06/20 4 2020/07/04 5 2020/08/01 6 2020/09/12 7 2020/10/10 8 2020/11/07 2.2 SBAS-InSAR技术
本研究采用SBAS-InSAR技术进行地表形变的提取，该技术由Berardino等[23]在2002年正式提出，旨在解决在D-InSAR技术中由于空间基线过长而导致的失相干问题。目前小基线集是InSAR技术的主要算法之一，应用较为广泛[24-25]。SBAS-InSAR技术利用具有较短时空基线的影像对产生干涉图，从而使干涉图具有高相干性，通过对差分干涉图的多视处理降低相位噪声，提取高相干像元，应用奇异值分解求得影像序列间地表形变速率的最小范数最小二乘解，进而得到整个时间段的形变时间序列[26]。SBAS-InSAR技术缩短了地表形变监测的观测周期，能够获取长时间缓慢地表形变的演变规律。小基线集技术可以降低图像对基线的依赖性，因此更能充分利用所获取的数据，并提高了采样的时间分辨率，保证了时间序列分析具有较高的空间密度，可以有效提取非城市区域地表形变的时间演化信息，因此在山区环境中也更加适用[27-29]。
本研究数据采用瑞士GAMMA商业软件进行处理，大气校正采用GAMMA自带地形相关模型进行改正，并采用线性模型拟合最终形变结果。SAR数据的时空基线图如图 2所示，由于数据量较少，对于所有可能的基线都进行了保留。其中，空间基线最短2.6 m，最长254.6 m；时间基线最短14 d，最长210 d。数据配准保证在0.1个像素内，然后对所有像对(8×7/2=28对)进行差分干涉，自适应滤波窗口128，选择稳定的点作为解缠起点，解缠阈值0.3，再进行相位转形变处理，得到最终结果。
3. 结果与分析
3.1 地表变形监测结果
通过短基线集SBAS-InSAR时间序列方法对巴东段进行了形变监测，雷达视线方向上的年均形变速率如图 3所示，其中负值代表目标地物远离卫星方向的位移，图中显示为红色；正值代表目标地物靠近卫星方向的位移，图中显示为蓝色[30]。形变图中标注了变形较大区域，可以看出巴东段部分区域出现了沉降现象，沉降量在几毫米至几百毫米不等，最大沉降速率为-343 mm/a。变形结果在研究区均有分布，图像整体相干性较好，证明L波段SAR影像在植被茂盛的巴东段适用性较强。变形较大的位置主要分布在沿江位置和研究区东北部。
图 3 雷达视线方向的年均形变速率Figure 3. Average variable speed of deformation along the radar line of sight3.2 地灾隐患识别
本研究选取易发性等级、坡度、工程岩组和是否与灾害目录重叠作为进一步筛选地灾隐患的判别指标。选取这4个指标的依据为：首先考虑到地质灾害发育较为复杂，选取易发性等级和是否与灾害目录重叠2个指标作为综合判别的背景指标，锁定识别地质灾害的具体区域；然后着重考虑坡度、工程岩组在地灾识别中所起的指示作用，因此也将坡度和工程岩组作为单独指标参与判别计算。此次隐患识别结合地学基础、灾害发育规律，对InSAR变形较大的区域进行进一步的筛选。
(1) 易发性等级
地质灾害易发性评价主要是分析“什么条件下最容易发生地质灾害”。地质灾害形成的模式和机理涉及到多种因素和条件，是一个内部和外界因素互相影响、互相作用下产生结果的复杂响应过程。因此，在地质灾害易发性空间预测的研究中，首要的就是选取并分析控制和诱发地质灾害发生的各种相关因素[31-32]。本研究选取的控制因素包括地层岩性、地质构造、坡度、坡向、斜坡形态; 诱发因素包括植被指数、水系、流域长度、流域宽度、流域面积、道路、地形湿度指数、土地利用类型、土地利用变化、降雨量和库水位波动影响范围。控制因素和诱发因素共16个评价因子，以研究区的地质灾害(包括滑坡、崩塌和泥石流)为灾害本底数据。然后根据频率比法[33-34]，将各个因子按等级的不同分别进行赋值(分级图见图 4)。然后将因子和地质灾害特征集代入卷积神经网络-长短期记忆神经网络(convolutional neural networks-long short-term memory neural network，简称CNN-LSTM)[35-36]中进行训练计算，训练结果的ROC曲线所覆盖的面积值为0.82。在ArcGIS软件中进行易发性等级的划分，得到研究区的易发性分布情况。易发性分区分为极高易发区、高易发区、中易发区、低易发区和极低易发区5个等级(图 5)。根据易发性原理，将极高易发区、高易发区、中易发区作为此次地灾隐患判别的指标。在易发性分区图(图 5)中可以看出，变形较大区域多集中在高易发区，也有少部分分布在低易发区，因此需要进一步对InSAR的变形结果进行排查。
(2) 坡度
坡度是一个地形地貌因素，不同的地形坡度，斜坡的应力分布不同，地表上地物的重力分布不同，从而使地表水的径流、地下水的渗流作用也不同，进而导致斜坡的稳定性不同，特别是针对滑坡灾害，坡度是一个重要的影响因素。根据数字高程模型SRTM全球30 m高程DEM数据，在ArcGIS中利用三维空间分析功能生成了研究区的坡度数据。据各个灾害点坡度柱状图(图 6)可以看出，研究区内地质灾害发育的坡度大多在10°以上，故以坡度大于10°作为地灾隐患判别的指标。
(3) 工程岩组
对研究区范围内的岩类坚硬程度进行了分级，共分为5类，分别为极软岩、较软岩、软岩、较硬岩和坚硬岩[37]。研究区地质灾害在极软岩中最易发育，在软岩和较软岩中较易发育，在坚硬岩中不易发育[38]，所以将极软岩、较软岩和软岩作为地灾隐患判别的指标。
(4) 是否与灾害目录重叠
地质灾害的发生都是有迹可循的，往往同一个地质结构、地表覆盖情况下，会存在再次发生地质灾害的几率。据此，以湖北省地质环境总站提供的灾害分布位置为依据，将是否与灾害目录重叠作为地灾隐患判别的指标之一。
在InSAR结果图中的变形较大区域(最大沉降速率大于85 mm/a)，利用ArcGIS分区统计工具，统计了变形较大区域的易发性等级、坡度、工程岩组和是否与灾害目录重叠4个孕灾背景指标，筛选出满足2个及以上指标的变形区。随后在符合条件的变形区中，结合谷歌地球三维地形进行斜坡形态的勾画; 最终得到19个识别隐患区，并统一编号为P1~P19，如表 2所示。
表 2 地灾隐患区判别指标情况Table 2. Conditions of evaluation indicators of potential dazard areas编号 判别指标 判别指标个数 易发性等级 坡度/(°) 工程岩组 是否与灾害目录重叠 P1 极高易发 10~20 较软 是 4 P2 极高易发 20~30 较软 是 4 P3 高易发 10~20 极软 否 3 P4 极高易发 20~30 极软 否 3 P5 极高易发 20~30 坚硬 是 3 P6 高易发 10~20 极软 是 4 P7 极高易发 20~30 较软 是 4 P8 极高易发 20~30 极软 否 3 P9 中易发 20~30 软岩 是 4 P10 中易发 30~40 软岩 是 4 P11 中易发 10~20 软岩 否 3 P12 中易发 30~40 软岩 是 4 P13 极高易发 20~30 较软 是 4 P14 极高易发 20~30 坚硬 是 3 P15 极高易发 10~20 坚硬 是 3 P16 高易发 20~30 较软 是 4 P17 极高易发 10~20 较软 是 4 P18 极高易发 10~20 坚硬 是 3 P19 极高易发 10~20 坚硬 否 2 识别的19个地灾隐患区的分布图如图 7所示，识别的隐患区大部分位于长江沿岸。
3.3 验证分析
为了验证InSAR结果的准确性，以及InSAR技术与孕灾背景结合识别隐患的可靠性，2020年12月联合湖北省地质环境总站对研究区进行了野外核查。结果显示，除P8、P9、P17、P18为非地灾隐患区外，其余区域经验证均为地灾隐患区，由此可得此次结合InSAR技术与孕灾背景因子识别地灾隐患的正确率为78.9%，证实了此次InSAR结果的准确性与综合识别地灾隐患的可靠性。
在验证成功的地灾中，P10、P12、P13、P14、P16为已知滑坡点，在其周边均建有监测桩或者边坡治理装置，推测其目前正处于缓慢变形阶段，还需要进行持续监测与关注。经验证P1、P2、P3、P4、P5、P7、P11、P15和P19为滑坡，P6为地面塌陷，这些点均出现了不同程度的裂缝、下沉或者垮塌等明显地质灾害隐患标志。
在4个验证失败的形变区中，P8处地物主要为农田，农田会对地灾隐患的识别造成很大干扰。P9位于沿江处，4-11月跨越雨季、汛期和蓄水期，水位变化较大，对沿江的结果会造成一定的干扰。P17处水土流失严重，在InSAR结果图中形成了与地灾类似的沉降结果。P18为垃圾填埋场，局部挖填，人类工程活动活跃。从野外验证得到的P8、P9、P17、P18变形分析可以了解到，人类工程活动、水体和水土流失等会影响到地灾隐患的判断。在前期进行隐患识别时，结合对应时间的高分系列影像等高分辨率卫星影像可以排除部分人类工程活动和水土流失等现象的影响，提高判别准确率。表 3为各个形变区的野外核查说明。
表 3 潜在地灾点位及变形特征统计Table 3. Statistics table of potential hazard sites and deformation characteristics编号 最大沉降速率/ (mm·a-1) 经度 纬度 变形特征 证实灾种 P1 -156.746 110° 23' 10.470" E 31° 2' 30.743" N 公路发育多条沉降变形裂缝，已废弃建筑物墙开裂，公路变形长度约10 m 滑坡 P2 -186.597 110° 27' 11.149" E 31° 1' 57.373" N 道路存在裂缝，走向220°，深度约40 cm 滑坡 P3 -166.277 110° 26' 1.313" E 31° 3' 40.856" N 可见公路发育弧形裂缝，走向195°，缝宽约1 cm，长约8 m 滑坡 P4 -203.549 110° 26' 31.105" E 31° 4' 29.182" N 公路存在多处弧形裂缝(2020年)，走向266°，宽约3 cm，长约5 m，最深处约10 cm 滑坡 P5 -164.861 110° 24' 5.021" E 31° 5' 2.746" N 公路前缘，橘树发育下挫裂缝，走向188°，长约8 m，最大下挫深度约0.5 m，呈直线型，缝宽1~2 cm，多级干砌石挡墙存在局部垮塌 滑坡 P6 -106.729 110° 24' 43.590" E 31° 3' 20.615" N 道路存在裂缝，走向308°，宽约2 cm，地表下座0.5 m，东瀼口村9组38号，经调查为煤矿开采引起地面下沉 地面沉降 P7 -176.093 110° 25' 32.555" E 31° 2' 8.815" N 变形区西侧为冲沟，坡度约50°，坡面存在大量松散堆积体；变形区东侧为道路切坡，坡高2~4 m 滑坡 P8 -262.390 110° 27' 19.755" E 31° 3' 14.473" N 该处主要为农田及林地，表层土体结构松散 非地灾 P9 -164.571 110° 26' 7.869" E 31° 1' 25.261" N 未见公路及斜坡变形裂缝，位于沿江处，考虑为水体对InSAR的影响 非地灾 P10 -238.687 110° 24' 28.435" E 31° 1' 36.568" N 位于茶麻沟泥石流附近，为沿公路的林地 滑坡 P11 -130.077 110° 27' 12.314" E 31° 1' 17.071" N 顺公路方向出现裂缝，宽1~2 mm，长约15 m，外沿开裂，斜坡较陡 滑坡 P12 -123.997 110° 25' 5.682" E 31° 1' 30.042" N 位于红龙坪滑坡附近 滑坡 P13 -130.387 110° 21' 18.590" E 31° 3' 4.134" N 位于已知隐患点附近，在长江南岸公路边坡，有锚杆治理护坡，可见变形监测墩 滑坡 P14 -110.139 110° 18' 54.160" E 31° 3' 23.752" N 位于杜公祠滑坡附近 滑坡 P15 -89.087 110° 21' 19.359" E 31° 3' 51.381" N 居民房前见裂缝，走向198°，长约12 m，宽1~5 m，房前地坪开裂，地坪前挡墙存在明显鼓胀变形和多条平行裂缝，公路内侧干砌石挡墙变形 滑坡 P16 -150.895 110° 21' 50.151" E 31° 2' 11.801" N 公路内测有治理的高陡边坡，为已知隐患点 滑坡 P17 -127.195 110° 23' 22.820" E 31° 3' 53.268" N 坡面种植橘树，坡度大，降雨时坡面汇水易使水土流失，坡面覆盖层为粉质黏土夹碎石 非地灾 P18 -124.919 110° 20' 26.353" E 31° 3' 34.400" N 该点为太矶头集镇垃圾处理填埋场，由于填埋生活垃圾，局部挖填取土 非地灾 P19 -106.789 110° 21' 11.969" E 31° 4' 18.647" N 现场为一施工工地，大量抗滑桩正在建设，地表土体有明显的施工开挖迹象，土层厚6~8 m。坐标点北侧房屋前于2020年4-5月发生滑移 滑坡 3.4 典型地灾隐患案例分析
P2变形区位于宋家屋场，InSAR监测结果显示最大沉降速率为186.6 mm/a(图 8-a)。调研现场道路存在裂缝(图 8-b)，走向220°，深度约40 cm。据住户介绍，变形区路面于2018年、2019年进行修补后又出现了新的裂缝(图 8-c)。除此之外，雨季会存在土体滑落的现象。
图 8 P2变形区InSAR监测形变速率(a)及现场照片(b, c)a.雷达视线向形变速率; b.地面裂缝现场照片; c.路基裂缝Figure 8. InSAR monitoring deformation rate (a) and on-site photos (b, c) of the deformation zone P2选取两个形变较大的点point1和point2，位置如图 8-a所示，制作了InSAR监测累积形变量曲线图(图 9)。由形变曲线可知该滑坡正处于蠕滑变形阶段，在6-9月份雨季累积形变量增大，9月份之后累积形变量趋于稳定，不再发生大的变化。这与当地住户反映的情况一致，从侧面验证了InSAR监测结果的可靠性。据此预测，若遇强降雨或者三峡水库水位大幅变化，该滑坡可能产生滑移变形。
4. 结论
(1) 利用InSAR的形变结果，从灾害发育本身出发，结合易发性等级、坡度、工程岩组和是否与已知灾害目录重叠4个孕灾背景因子，圈定了19处地灾隐患区，其中最大雷达视线向年平均沉降速率可达-238.687 mm/a。对识别结果进行了野外验证，验证成功率为78.9%，证明了InSAR技术结合孕灾背景分析进行隐患识别的有效性和准确性。
(2) 本次识别的灾种主要是滑坡和地面塌陷，其中滑坡14处，地面塌陷识别出1处。这与研究区的孕灾情况相关，同时证明了在此处利用本文方法进行滑坡隐患识别的适用性。
(3) 识别失误的4处主要是受人类工程活动影响，在后续研究中，可加入高分辨率影像解译，对现场情况进行初步筛选，从而提高识别成功率。
-
图 3 雷达视线方向的年均形变速率
Figure 3. Average variable speed of deformation along the radar line of sight
图 8 P2变形区InSAR监测形变速率(a)及现场照片(b, c)
a.雷达视线向形变速率; b.地面裂缝现场照片; c.路基裂缝
Figure 8. InSAR monitoring deformation rate (a) and on-site photos (b, c) of the deformation zone P2
表 1 ALOS-2数据成像时间表
Table 1. Timeline of ALOS-2 digital imaging
序号 成像时间 1 2020/04/11 2 2020/05/23 3 2020/06/20 4 2020/07/04 5 2020/08/01 6 2020/09/12 7 2020/10/10 8 2020/11/07 
下载: 导出CSV
表 2 地灾隐患区判别指标情况
Table 2. Conditions of evaluation indicators of potential dazard areas
编号 判别指标 判别指标个数 易发性等级 坡度/(°) 工程岩组 是否与灾害目录重叠 P1 极高易发 10~20 较软 是 4 P2 极高易发 20~30 较软 是 4 P3 高易发 10~20 极软 否 3 P4 极高易发 20~30 极软 否 3 P5 极高易发 20~30 坚硬 是 3 P6 高易发 10~20 极软 是 4 P7 极高易发 20~30 较软 是 4 P8 极高易发 20~30 极软 否 3 P9 中易发 20~30 软岩 是 4 P10 中易发 30~40 软岩 是 4 P11 中易发 10~20 软岩 否 3 P12 中易发 30~40 软岩 是 4 P13 极高易发 20~30 较软 是 4 P14 极高易发 20~30 坚硬 是 3 P15 极高易发 10~20 坚硬 是 3 P16 高易发 20~30 较软 是 4 P17 极高易发 10~20 较软 是 4 P18 极高易发 10~20 坚硬 是 3 P19 极高易发 10~20 坚硬 否 2
下载: 导出CSV
表 3 潜在地灾点位及变形特征统计
Table 3. Statistics table of potential hazard sites and deformation characteristics
编号 最大沉降速率/ (mm·a-1) 经度 纬度 变形特征 证实灾种 P1 -156.746 110° 23' 10.470" E 31° 2' 30.743" N 公路发育多条沉降变形裂缝，已废弃建筑物墙开裂，公路变形长度约10 m 滑坡 P2 -186.597 110° 27' 11.149" E 31° 1' 57.373" N 道路存在裂缝，走向220°，深度约40 cm 滑坡 P3 -166.277 110° 26' 1.313" E 31° 3' 40.856" N 可见公路发育弧形裂缝，走向195°，缝宽约1 cm，长约8 m 滑坡 P4 -203.549 110° 26' 31.105" E 31° 4' 29.182" N 公路存在多处弧形裂缝(2020年)，走向266°，宽约3 cm，长约5 m，最深处约10 cm 滑坡 P5 -164.861 110° 24' 5.021" E 31° 5' 2.746" N 公路前缘，橘树发育下挫裂缝，走向188°，长约8 m，最大下挫深度约0.5 m，呈直线型，缝宽1~2 cm，多级干砌石挡墙存在局部垮塌 滑坡 P6 -106.729 110° 24' 43.590" E 31° 3' 20.615" N 道路存在裂缝，走向308°，宽约2 cm，地表下座0.5 m，东瀼口村9组38号，经调查为煤矿开采引起地面下沉 地面沉降 P7 -176.093 110° 25' 32.555" E 31° 2' 8.815" N 变形区西侧为冲沟，坡度约50°，坡面存在大量松散堆积体；变形区东侧为道路切坡，坡高2~4 m 滑坡 P8 -262.390 110° 27' 19.755" E 31° 3' 14.473" N 该处主要为农田及林地，表层土体结构松散 非地灾 P9 -164.571 110° 26' 7.869" E 31° 1' 25.261" N 未见公路及斜坡变形裂缝，位于沿江处，考虑为水体对InSAR的影响 非地灾 P10 -238.687 110° 24' 28.435" E 31° 1' 36.568" N 位于茶麻沟泥石流附近，为沿公路的林地 滑坡 P11 -130.077 110° 27' 12.314" E 31° 1' 17.071" N 顺公路方向出现裂缝，宽1~2 mm，长约15 m，外沿开裂，斜坡较陡 滑坡 P12 -123.997 110° 25' 5.682" E 31° 1' 30.042" N 位于红龙坪滑坡附近 滑坡 P13 -130.387 110° 21' 18.590" E 31° 3' 4.134" N 位于已知隐患点附近，在长江南岸公路边坡，有锚杆治理护坡，可见变形监测墩 滑坡 P14 -110.139 110° 18' 54.160" E 31° 3' 23.752" N 位于杜公祠滑坡附近 滑坡 P15 -89.087 110° 21' 19.359" E 31° 3' 51.381" N 居民房前见裂缝，走向198°，长约12 m，宽1~5 m，房前地坪开裂，地坪前挡墙存在明显鼓胀变形和多条平行裂缝，公路内侧干砌石挡墙变形 滑坡 P16 -150.895 110° 21' 50.151" E 31° 2' 11.801" N 公路内测有治理的高陡边坡，为已知隐患点 滑坡 P17 -127.195 110° 23' 22.820" E 31° 3' 53.268" N 坡面种植橘树，坡度大，降雨时坡面汇水易使水土流失，坡面覆盖层为粉质黏土夹碎石 非地灾 P18 -124.919 110° 20' 26.353" E 31° 3' 34.400" N 该点为太矶头集镇垃圾处理填埋场，由于填埋生活垃圾，局部挖填取土 非地灾 P19 -106.789 110° 21' 11.969" E 31° 4' 18.647" N 现场为一施工工地，大量抗滑桩正在建设，地表土体有明显的施工开挖迹象，土层厚6~8 m。坐标点北侧房屋前于2020年4-5月发生滑移 滑坡
下载: 导出CSV
-
[1] 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.Xu Q, Dong X J, Li W L. 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(in Chinese with English abstract). [2] Rosin P L, Hervás J, Barredo J I. Remote sensing image thresholding for landslide motion detection[C]//Anon. 1st Int. Workshop on Pattern Recognition Techniques in Remote Sensing. [S. l. ]: [s. n. ], 2000: 10-17. [3] Barlow J, Martin Y, Franklin S E. Detecting translational landslide scars using segmentation of Landsat ETM+ and DEM data in the northern Cascade Mountains, British Columbia[J]. Canadian Journal of Remote Sensing, 2003, 29(4): 510-517. doi: 10.5589/m03-018 [4] Chang Y L, Liang L S, Han C C, et al. Multisource data fusion for landslide classification using generalized positive boolean functions[J/OL]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(6): 1697-1708. [5] Khairunniza-Bejo S, Petrou M, Ganas A. Local similarity measure for landslide detection and identification in comparison with the image differencing method[J]. International Journal of Remote Sensing, 2010, 31(23): 6033-6045. doi: 10.1080/01431160903376365 [6] Hölbling D, Friedl B, Eisank C. An object-based approach for semi-automated landslide change detection and attribution of changes to landslide classes in northern Taiwan[J/OL]. Earth Science Informatics, 2015, 8(2): 327-335. [7] Marjanovi M, Kovaevi M, Bajat B, et al. Landslide susceptibility assessment using SVM machine learning algorithm[J]. Engineering Geology, 2011, 123(3): 225-234. doi: 10.1016/j.enggeo.2011.09.006 [8] Catani F, Lagomarsino D, Segoni S, et al. Landslide susceptibility estimation by random forests technique: Sensitivity and scaling issues[J]. Natural Hazards and Earth System Sciences, 2013, 13(11): 2815-2831. doi: 10.5194/nhess-13-2815-2013 [9] Liu Y, Wu L. Geological disaster recognition on optical remote sensing images using deep learning[J]. Procedia Computer Science, 2016, 91: 566-575. doi: 10.1016/j.procs.2016.07.144 [10] Yu H, Ma Y, Wang L, et al. A landslide intelligent detection method based on CNN and RSG-R[C]//Anon. 2017 IEEE International Conference on Mechatronics and Automation. [S. l. ]: [s. n. ]: IEEE, 2017: 40-44. [11] 王超, 张红, 刘智. 星载合成孔径雷达干涉测量[M]. 北京: 科学出版社, 2002.Wang C, Zhang H, Liu Z. Spaceborne synthetic aperture radar interferometry[M]. Beijing: China Science Publishing & Media Ltd., 2002(in Chinese). [12] Dong J, Zhang L, Tang M, et al. Mapping landslide surface displacements with time series SAR interferometry by combining persistent and distributed scatterers: A case study of Jiaju landslide in Danba, China[J]. Remote Sensing of Environment, 2018, 205: 180-198. doi: 10.1016/j.rse.2017.11.022 [13] Shi X, Liao M, Li M, et al. Wide-area landslide deformation mapping with multi-path ALOS PALSAR data stacks: A case study of three gorges area, China[J]. Remote Sensing, 2016, 8(2): 136. doi: 10.3390/rs8020136 [14] 张路, 龚健雅, 廖明生, 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. https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201812031.htmZhang L, Gong J Y, Liao M S, 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): 2039-2049(in Chinese with English abstract). https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201812031.htm [15] Rosi A, Tfoani V, Tanteri L, et al. The new landslide inventory of Tuscany (Italy) updated with PS-InSAR: Geomorphological features and landslide distribution[J]. Landslides, 2018, 15(1): 5-19. doi: 10.1007/s10346-017-0861-4 [16] 蔡杰华, 张路, 董杰, 等. 九寨沟震后滑坡隐患雷达遥感早期识别与形变监测[J]. 武汉大学学报: 信息科学版, 2020, 45(11): 17107-1716. https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH202011007.htmCao J H, Zhang L, Dong J, et al. Detection and monitoring of post-earthquake landslides in Jiuzhaigou using radar remote sensing[J]. Geomatics and Information Science of Wuhan University, 2020, 45(11): 1707-1716(in Chinese with English abstract) https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH202011007.htm [17] Liu X, Zhao C, Zhang Q, et al. Integration of sentinel-1 and ALOS/PALSAR-2 SAR datasets for mapping active landslides along the Jinsha River corridor, China[J]. Engineering Geology, 2021, 284: 106033. doi: 10.1016/j.enggeo.2021.106033 [18] 葛大庆, 戴可人, 郭兆成, 等. 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. https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201907001.htmGe D Q, Dai K R, Guo Z C, et al. 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(in Chinese with English abstract). https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201907001.htm [19] 贺凯, 李滨, 赵超英, 等. 基于易滑地质结构与多源数据差异的岩溶山区大型崩滑灾害识别研究[J]. 中国岩溶, 2020, 39(4): 467-477. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR202004002.htmHe K, Li B, Zhao C Y, et al. Identification of large-scale landslide hazards based on differences of geological structure prone to sliding and multiple-source data in karst mountainous areas[J]. Carsologica Sinica, 2020, 39(4): 467-477(in Chinese with English abstract). https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR202004002.htm [20] 胡燕, 李德营, 孟颂颂, 等. 基于证据权法的巴东县城滑坡灾害易发性评价[J]. 地质科技通报, 2020, 39(3): 187-194. doi: 10.19509/j.cnki.dzkq.2020.0320Hu Y, Li D Y, Meng S S, et al. andslide susceptibility evaluation in Badong County based on weights of evidence method[J]. Bulletin of Geological Science and Technology, 2020, 39(3): 187-194(in Chinese with English abstract). doi: 10.19509/j.cnki.dzkq.2020.0320 [21] Liu X, Zhao C, Zhang Q, 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): 1756. doi: 10.3390/rs10111756 [22] Zhang T, Xie S, Fan J, et al. Detection of active landslides in southwest China using Sentinel-1 and ALOS-2 data[J]. Procedia Computer Science, 2021, 181: 1138-1145. doi: 10.1016/j.procs.2021.01.311 [23] 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 [24] Dong J, Zhang L, Liao M, et al. Improved correction of seasonal tropospheric delay in InSAR observations for landslide deformation monitoring[J]. Remote Sensing of Environment, 2019, 233: 111370. doi: 10.1016/j.rse.2019.111370 [25] Tong X, Schmidt D. Active movement of the Cascade landslide complex in Washington from a coherence-based InSAR time series method[J]. Remote Sensing of Environment, 2016, 186: 405-415. doi: 10.1016/j.rse.2016.09.008 [26] 刘广全. 基于SBAS-InSAR的丹巴县滑坡探测与监测[D]. 西安: 长安大学, 2015.Liu Guangquan. Landslide detection and monitoring of Danba County based on SBAS-InSAR[D]. Xi'an: Chang'an University, 2015(in Chinese with English abstract). [27] 石固林, 徐浪, 张璇钰, 等. 西山村滑坡时序形变的SBAS-InSAR监测[J]. 测绘科学, 2021, 46(2): 93-98, 105. https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD202102014.htmShi G L, Xu L, Zhang X Y, et al. Monitoring time series deformation of Xishancun landslide with SBAS-InSAR[J]. Science of Survering and Mapping, 2021, 46(2): 93-98, 105(in Chinese with English abstract). https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD202102014.htm [28] 孟禹弛. 基于雷达影像的矿区地面沉降监测系统的研究与实现[D]. 江苏徐州: 中国矿业大学, 2017.Meng Y C. Study and implementation of mining area land subsidence monitoring system basede on SAR data[D]. Xuzhou Jiangsu: China University of Mining and Technology, 2017(in Chinese with English abstract). [29] Lauknes T T, Piyush Shanker A, Dehls J F, et al. Detailed rockslide mapping in northern Norway with small baseline and persistent scatterer interferometric SAR time series methods[J]. Remote Sensing of Environment, 2010, 114(9): 2097-2109. doi: 10.1016/j.rse.2010.04.015 [30] 戴可人, 铁永波, 许强, 等. 高山峡谷区滑坡灾害隐患InSAR早期识别: 以雅砻江中段为例[J]. 雷达学报, 2020, 9(3): 554-568. https://www.cnki.com.cn/Article/CJFDTOTAL-LDAX202003012.htmDao K R, Tie Y B, Xu Q, et al. Early identification of potential landslide geohazards in alpine-canyon terrain based on SAR interferometry: A case study of the middle section of yalong river[J]. Journal of Radars, 2020, 9(3): 554-568(in Chinese with English abstract). https://www.cnki.com.cn/Article/CJFDTOTAL-LDAX202003012.htm [31] 牛瑞卿, 彭令, 叶润青, 等. 基于粗糙集的支持向量机滑坡易发性评价[J]. 吉林大学学报: 地球科学版, 2012, 42(2): 430-439. https://www.cnki.com.cn/Article/CJFDTOTAL-CCDZ201202019.htmNiu R Q, Peng L, Ye R Q, et al. Landslide susceptibility assessment based on rough sets and support vector machine[J]. Journal of Jilin University: Earth Science Edition, 2012, 42(2): 430-439(in Chinese with English abstract). https://www.cnki.com.cn/Article/CJFDTOTAL-CCDZ201202019.htm [32] 连志鹏, 徐勇, 付圣, 等. 采用多模型融合方法评价滑坡灾害易发性: 以湖北省五峰县为例[J]. 地质科技通报, 2020, 39(3): 178-186. doi: 10.19509/j.cnki.dzkq.2020.0319Lian Z P, Xu Y, Fu S, et al. Landslide susceptibility assessment based on multi-model fusion method: A case study in Wufeng County, Hubei Province[J]. Bulletin of Geological Science and Technology, 2020, 39(3): 178-186(in Chinese with English abstract). doi: 10.19509/j.cnki.dzkq.2020.0319 [33] Arabameri A, Pradhan B, Rezaei K, et al. Assessment of landslide susceptibility using statistical- and artificial intelligence-based FR-RF integrated model and multiresolution DEMs[J/OL]. Remote Sensing, 2019, 11(9). doi: 10.3390/rs11090999. [34] Abedini M, Tulabi S. Assessing LNRF, FR, and AHP models in landslide susceptibility mapping index: A comparative study of Nojian watershed in Lorestan province, Iran[J/OL]. Environmental Earth Sciences, 2018, 77(11). doi: 10.1007/s12665-018-7524-1. [35] Chen T, Zhu L, Niu R, et al. Mapping landslide susceptibility at the Three Gorges Reservoir, China, using gradient boosting decision tree, random forest and information value models[J]. Journal of Mountain Science, 2020, 17(3): 670-685. doi: 10.1007/s11629-019-5839-3 [36] Song Y, Niu R, Xu S, et al. Landslide susceptibility mapping based on weighted gradient boosting decision tree in Wanzhou section of the three gorges reservoir area (China)[J/OL]. ISPRS International Journal of Geo-Information, 2019, 8(1). doi: 10.3390/ijgi8010004. [37] Berhane G, Tadesse K. Landslide susceptibility zonation mapping using statistical index and landslide susceptibility analysis methods: A case study from Gindeberet district, Oromia Regional State, Central Ethiopia[J]. Journal of African Earth Sciences, 2021, 180: 104240. doi: 10.1016/j.jafrearsci.2021.104240 [38] 朱冬雪, 许强, 李松林. 三峡库区大型-特大型层状岩质滑坡成因模式及地质特征分析[J]. 地质科技通报, 2020, 39(2): 158-167. doi: 10.19509/j.cnki.dzkq.2020.0217Zhu D X, Xu Q, Li S L. Genetic types and geological features of large scale and extra-large scale layered landslides in the Three Gorges Reservoir area[J]. Bulletin of Geological Science and Technology, 2020, 39(2): 158-167(in Chinese with English abstract). doi: 10.19509/j.cnki.dzkq.2020.0217 期刊类型引用(13)
1. 宋舜跃，李水平，王欣，陶庭叶，朱勇超，屈小川. 澳大利亚大陆地壳垂向形变的GNSS影像学分析. 地质科技通报. 2025(01): 298-307 . 
本站查看2. 王志民，秦越强，柴晨晖，孙宇飞，李朋伟，岳喜能. 基于FLAC~(3D)与无人机航测的全部垮落法采煤塌陷分析. 地质科技通报. 2024(01): 204-215 . 本站查看3. 彭一桂，艾东，曾斌，刘诗雅. 基于联合时序InSAR技术的矿区沉降隐患区识别. 自然灾害学报. 2024(03): 191-201 . 
百度学术4. 曾锐，蒋亚楠，燕翱翔，程燕，罗袆沅. InSAR约束的青海门源M_w6.7级地震同震断层滑动反演与三维形变场模拟. 地质科技通报. 2024(06): 212-225 . 本站查看5. 罗军尧，朱国金，冯业林，向天兵，陈光明，黄青富，杨旸，杨太强. 基于SBAS-In SAR技术的澜沧江哑贡倾倒体变形演化特征. 岩石力学与工程学报. 2024(12): 3018-3031 . 百度学术6. 杜亚男，师延泽，俞文熙，钟景文，倪明璇. 基于时序InSAR的宋家屋场滑坡形变监测和孕灾因子分析. 广州大学学报(自然科学版). 2024(06): 17-25 . 百度学术7. 杨妍妨，居和建，程洋，王永，阎书豪，王珊珊，李芹. 地质灾害隐患早期识别中的地质环境条件遥感解译及应用-以华坪县为例. 中国岩溶. 2024(06): 1362-1375 . 百度学术8. 张占忠，陈富强，刘亚林，李丹，杜世回，张晓宇. 基于遥感技术的嘉黎江巴变形体稳定性评价与分析. 地质科技通报. 2023(03): 28-37 . 本站查看9. 马博，朱杰勇，刘帅，杨得虎. 联合时序InSAR和滑坡灾害易发性的元阳县滑坡灾害隐患识别. 地质灾害与环境保护. 2023(03): 8-14 . 百度学术10. 王朋伟，安玉科. 基于倾斜摄影与InSAR技术的高位崩塌风险识别. 水文地质工程地质. 2023(05): 169-180 . 百度学术11. 柴晨晖，秦越强，王志民，孙宇飞，李朋伟，辛凯，张鑫. 基于AHP-TOPSIS方法的薛家湾—龙口镇露天煤矿大型排土场生态修复效果评价. 中国地质调查. 2023(05): 118-127 . 百度学术12. 杨沛璋，崔圣华，裴向军，何双，王慧，梁玉飞. 基于SBAS-InSAR和光学遥感影像的大型倾倒变形体变形演化. 地质科技通报. 2023(06): 63-75 . 本站查看13. 段斌，何加平，覃事河，严思源，陈志超. 基于GB-InSAR技术的水电工程高边坡变形监测. 中国安全科学学报. 2022(S2): 64-69 . 百度学术其他类型引用(4)
-
下载:
下载:
百度学术
点击查看大图
计量
- 文章访问数: 1460
- PDF下载量: 170
- 被引次数: 17
