張 勤，趙超英，陳雪蓉

1.長(zhǎng)安大學(xué)地質(zhì)工程與測(cè)繪學(xué)院，陜西 西安 710054；2.西部礦產(chǎn)資源與地質(zhì)工程教育部重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710054

地質(zhì)災(zāi)害指在地球發(fā)展演化過(guò)程中，由自然地質(zhì)作用和人類活動(dòng)等因素形成的災(zāi)害性地質(zhì)事件，具有突發(fā)性、多發(fā)性、群發(fā)性和鏈生性等特點(diǎn)，造成嚴(yán)重的人員傷亡和巨大的財(cái)產(chǎn)損失[1]。按照災(zāi)害的動(dòng)力條件和災(zāi)害事件的后果，地質(zhì)災(zāi)害一般可分為崩塌、滑坡、泥石流、地面沉降、地裂縫和地面塌陷等。隨著全球氣候變化和人類活動(dòng)的延伸，在高山地區(qū)發(fā)生的冰崩、冰川活動(dòng)、冰湖潰決、碎屑流等鏈?zhǔn)綖?zāi)害[2]，也可歸入地質(zhì)災(zāi)害中。隨著極端氣候和大型人類工程活動(dòng)等影響，人類的生存環(huán)境面臨頻繁的地質(zhì)災(zāi)害威脅。其中很多地質(zhì)災(zāi)害發(fā)生在西部大開(kāi)發(fā)、“一帶一路”倡議及黃河流域生態(tài)保護(hù)和高質(zhì)量發(fā)展等重要戰(zhàn)略實(shí)施區(qū)。為保障人類活動(dòng)與自然和諧共處，實(shí)施地質(zhì)災(zāi)害普查、監(jiān)測(cè)和防治十分迫切，也是一項(xiàng)長(zhǎng)久艱巨的任務(wù)。

地質(zhì)災(zāi)害的早期識(shí)別是實(shí)現(xiàn)監(jiān)測(cè)、評(píng)估、防治等工作的重要前提。但由于各類地質(zhì)災(zāi)害特點(diǎn)不同，分布范圍各異，早期識(shí)別的程度和難度也不同?；率侨蚍植甲顝V、破壞最為嚴(yán)重的地質(zhì)災(zāi)害之一。據(jù)統(tǒng)計(jì)，滑坡地質(zhì)災(zāi)害80%發(fā)生在已有編目之外，全世界僅有不到1%的區(qū)域有滑坡編目[3]。因此，開(kāi)展滑坡災(zāi)害廣域早期識(shí)別對(duì)于防災(zāi)減災(zāi)工作勢(shì)在必行。地面沉降一般是由于大量的人類活動(dòng)引起的，包括地下物質(zhì)的超常采動(dòng)、挖山造城及填海造地等。地裂縫往往與地面沉降相伴而生，主要發(fā)生在我國(guó)華北平原、汾渭盆地及長(zhǎng)三角區(qū)域。地面沉降一般具有長(zhǎng)期性和緩變性等特點(diǎn)，會(huì)對(duì)建筑物、道路、堤壩和地下工程造成結(jié)構(gòu)性破壞，對(duì)其的識(shí)別一般通過(guò)地表裂縫等調(diào)查來(lái)進(jìn)行。地下礦產(chǎn)開(kāi)采或大型地下工程施工會(huì)引起地表塌陷災(zāi)害，該類災(zāi)害一般與地下工程相對(duì)應(yīng)，具有突發(fā)性的特點(diǎn)，嚴(yán)重會(huì)導(dǎo)致基礎(chǔ)設(shè)施破壞和生命財(cái)產(chǎn)的損失。冰川是全球氣候變化的指示器，近幾十年來(lái)，在全球變暖的背景下，冰川流速加快，冰崩[4]、冰川躍動(dòng)[5]、冰湖潰決洪水[4]、冰川泥石流[6]等災(zāi)害頻發(fā)。

長(zhǎng)期以來(lái)，地質(zhì)人員主要依賴專家經(jīng)驗(yàn)，通過(guò)識(shí)別災(zāi)害體滿足的基本地質(zhì)環(huán)境條件，并采取地質(zhì)測(cè)繪、物探等手段對(duì)災(zāi)害體進(jìn)行識(shí)別與編目，繪制區(qū)域、省級(jí)和全國(guó)地質(zhì)災(zāi)害分布圖，為地質(zhì)災(zāi)害監(jiān)測(cè)預(yù)警與防治奠定了重要基礎(chǔ)。然而受到傳統(tǒng)技術(shù)的限制，已有的地質(zhì)災(zāi)害編目圖的完整性、準(zhǔn)確性和現(xiàn)勢(shì)性均難以滿足經(jīng)濟(jì)發(fā)展和防災(zāi)減災(zāi)的需要。

20世紀(jì)60年代以來(lái)，遙感技術(shù)得以迅猛發(fā)展，平臺(tái)由衛(wèi)星到低空無(wú)人機(jī)，波段覆蓋了紫外-可見(jiàn)光-紅外-微波范圍，空間分辨率由近百米提高到0.5 m，重訪周期由數(shù)十天縮短至1天，衛(wèi)星影像和地形產(chǎn)品極為豐富，為地質(zhì)災(zāi)害的識(shí)別和監(jiān)測(cè)提供了重要的技術(shù)支撐。特別是以無(wú)人機(jī)為平臺(tái)搭載多類型傳感器包括光學(xué)、合成孔徑雷達(dá)(synthetic aperture radar,SAR)、紅外、激光等[7]，提供了更加迅捷、經(jīng)濟(jì)、可控的遙感數(shù)據(jù)獲取手段，且其產(chǎn)品的分辨率和精度均可提高到厘米級(jí)，為小范圍、重點(diǎn)災(zāi)害區(qū)的應(yīng)急調(diào)查與快速識(shí)別提供了有效的補(bǔ)充。近年來(lái)基于“天-空-地”多源遙感數(shù)據(jù)的滑坡隱患識(shí)別取得較好成效[8]，針對(duì)多源遙感數(shù)據(jù)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法已成為地質(zhì)災(zāi)害研究的熱點(diǎn)。

本文主要介紹了光學(xué)遙感、微波遙感、機(jī)載三維激光掃描及多源遙感數(shù)據(jù)融合方法對(duì)不同類型地質(zhì)災(zāi)害早期識(shí)別技術(shù)方法進(jìn)展，總結(jié)了目前面臨的難題和解決思路。

1 光學(xué)遙感用于地質(zhì)災(zāi)害識(shí)別

光學(xué)遙感主要基于遙感圖像特征來(lái)定性或定量判斷災(zāi)害的位置、范圍或其活動(dòng)性[9]，主要可分為3類方法：①基于單一影像特征的目視解譯法；②基于多時(shí)相影像特征的變化檢測(cè)法；③基于多期影像地表形變提取法。

1.1 光學(xué)遙感用于滑坡識(shí)別

1.1.1 光學(xué)遙感目視解譯法

在滑坡遙感解譯中，主要是基于兼有空間信息的遙感圖像特征(灰度、色調(diào)、亮度、紋理、陰影)，通過(guò)人機(jī)交互，以目視方法為主識(shí)別滑坡的地質(zhì)環(huán)境信息，獲取其位置、形態(tài)、邊界范圍等特征信息[9]。一個(gè)完整的滑坡包括17個(gè)滑坡要素[10]，而其中滑坡后壁、滑坡體和滑坡邊界是遙感識(shí)別中3個(gè)滑坡基本地形(形態(tài))要素[9]。如滑坡在遙感影像上的表現(xiàn)有“圈椅狀”洼地、“雙溝同源”及“凹岸突出”等特征(圖1(a))。據(jù)此，便可在光學(xué)影像中判讀滑坡的3個(gè)部位：滑坡后壁、滑坡體和滑坡舌(圖1(b))。文獻(xiàn)[11]評(píng)估了不同類型和特征的光學(xué)影像對(duì)滑坡識(shí)別的影響，并總結(jié)出具有不同光譜和空間特征的光學(xué)影像可有效應(yīng)用于滑坡識(shí)別，此外，提出影像特征、滑坡特征、研究區(qū)域的大小及其他相關(guān)外部數(shù)據(jù)定義了用于滑坡編目的遙感影像數(shù)據(jù)選擇標(biāo)準(zhǔn)。

圖1 滑坡目視解譯要素

我國(guó)利用光學(xué)遙感進(jìn)行滑坡識(shí)別起源于20世紀(jì)80年代，21世紀(jì)初開(kāi)始用于大規(guī)模單體滑坡調(diào)查與區(qū)域滑坡調(diào)查。文獻(xiàn)[12]利用Landsat TM、IKONOS、Quickbird 3種光學(xué)影像和1∶10 000地形圖繪制了2004年發(fā)生的四川省天臺(tái)鄉(xiāng)滑坡。文獻(xiàn)[13]綜合利用SPOT5、Quickbird、CBERS-02B等遙感影像精細(xì)解譯了2008年汶川地震誘發(fā)的次生地質(zhì)災(zāi)害，共解譯出約4萬(wàn)余處崩塌、滑坡、泥石流等地震次生地質(zhì)災(zāi)害，災(zāi)害總面積約687.1 km2。

針對(duì)特殊地形條件下崩塌危巖災(zāi)害體的識(shí)別，張祖勛院士提出無(wú)人機(jī)貼近攝影測(cè)量，利用無(wú)人機(jī)自動(dòng)高效采集非常規(guī)地面或人工物體表面高分辨、高質(zhì)影像，實(shí)現(xiàn)對(duì)被攝目標(biāo)的精細(xì)化三維重建。該技術(shù)已成功應(yīng)用于長(zhǎng)江三峽巫山段8.7 km范圍攝影測(cè)量，實(shí)現(xiàn)了對(duì)箭穿洞危巖體、巖壁和消落帶的識(shí)別與精細(xì)建模[14-15]。

基于光學(xué)影像目視解譯法，主要應(yīng)用于新發(fā)生的滑坡災(zāi)害體或地表形態(tài)特征明顯的古滑坡。工作強(qiáng)度較大，自動(dòng)化程度較低，且受專家的地學(xué)知識(shí)和遙感專業(yè)知識(shí)的影響。

1.1.2 多時(shí)相光學(xué)遙感變化檢測(cè)法

選取滑坡前后的多時(shí)相影像通過(guò)光學(xué)遙感變化檢測(cè)來(lái)識(shí)別滑坡主要是依據(jù)歸一化植被指數(shù)(normalized difference vegetation index,NDVI)的變化信息來(lái)進(jìn)行的。該方法主要基于像素的多閾值和面向?qū)ο蠓治鱿嘟Y(jié)合的方法來(lái)進(jìn)行。文獻(xiàn)[16]提出了基于馬爾科夫隨機(jī)場(chǎng)的變化檢測(cè)方法用于滑坡識(shí)別。此外還有主成分分析(principal component analysis,PCA)、獨(dú)立成分分析(independent component analysis,ICA)法用于自動(dòng)化檢測(cè)地表變化，從而達(dá)到識(shí)別滑坡的目的[17]。文獻(xiàn)[18]利用時(shí)序Sentinel-2影像捕捉到四川理縣黃泥壩子滑坡啟動(dòng)與加速階段、前側(cè)和橫向邊緣擴(kuò)展階段及穩(wěn)定階段，并利用NDVI識(shí)別滑坡破壞區(qū)域，利用無(wú)人機(jī)正射影像驗(yàn)證了識(shí)別結(jié)果的準(zhǔn)確性。文獻(xiàn)[19]提出了一種基于多時(shí)態(tài)數(shù)據(jù)和時(shí)空模型的實(shí)用方法。首先，利用差異NDVI和建筑存在指數(shù)(PanTex)特征序列，分別反映植被區(qū)和建筑區(qū)的變化。然后，采用時(shí)空上下文視覺(jué)跟蹤(spatio-temporal context,STC)算法從特征序列中檢測(cè)滑坡。通過(guò)對(duì)深圳光明村滑坡和貴州張家灣滑坡進(jìn)行試驗(yàn)，識(shí)別效果最好。

采用多時(shí)相光學(xué)遙感變化檢測(cè)主要用來(lái)識(shí)別已發(fā)生的單體滑坡，對(duì)遙感影像的選擇和預(yù)處理有很高的要求，需要影像具有相似的獲取視角、光照條件和季節(jié)特征。預(yù)處理中需要盡可能減弱多時(shí)相影像中與地形相關(guān)及季節(jié)變化相關(guān)的誤差影響。

1.1.3 光學(xué)影像互相關(guān)技術(shù)

光學(xué)影像互相關(guān)技術(shù)是利用互相關(guān)函數(shù)，快速識(shí)別兩幅影像的同名點(diǎn)，從而計(jì)算其水平方向二維位移信息。當(dāng)互相關(guān)達(dá)到峰值時(shí)確定兩個(gè)同名點(diǎn)的二維位移[20]，其精度可達(dá)1/40至1/10像元[21]。通過(guò)多期光學(xué)影像具有空間相似特征的位移信息，結(jié)合相關(guān)地形地質(zhì)資料可用于活躍滑坡的識(shí)別與監(jiān)測(cè)。文獻(xiàn)[22]利用高分辨率光學(xué)遙感影像基于互相關(guān)匹配技術(shù)獲取了位于基武裂谷中的Ikoma滑坡地表形變以實(shí)現(xiàn)該滑坡的有效識(shí)別，并基于無(wú)人機(jī)數(shù)字地表模型(digital surface model，DSM)變化監(jiān)測(cè)結(jié)果反演了該滑坡厚度。

利用影像互相關(guān)方法識(shí)別滑坡，取決于滑坡的空間范圍以及滑坡的形變速率，主要適用于形變明顯且滑坡范圍較大的未發(fā)生的滑坡，其識(shí)別精度受到影像的空間分辨率、地表植被和影像重復(fù)周期等影響。

1.2 光學(xué)影像用于冰川識(shí)別研究

光學(xué)遙感技術(shù)是識(shí)別冰川并監(jiān)測(cè)表面流速的重要手段，通過(guò)冰川在遙感影像的幾何形態(tài)可識(shí)別冰川的空間分布。而通過(guò)光學(xué)影像互相關(guān)技術(shù)可以監(jiān)測(cè)冰川的二維運(yùn)動(dòng)速率，從而實(shí)現(xiàn)對(duì)冰川的動(dòng)態(tài)監(jiān)測(cè)的目的。

COSI-Corr(co-registration of optically sensed images and correlation)軟件基于亞像素的互相關(guān)技術(shù)可實(shí)現(xiàn)光學(xué)影像的自動(dòng)配準(zhǔn)和精確校正，準(zhǔn)確測(cè)量地表位移[19]。文獻(xiàn)[23]利用ASTER數(shù)據(jù)對(duì)互相關(guān)技術(shù)進(jìn)行了改進(jìn)，主要體現(xiàn)在互相關(guān)匹配結(jié)果的后處理上，包括：去除殘余的衛(wèi)星姿態(tài)影響，即消除正射影像上出現(xiàn)的交叉軌道方向的偽陰影現(xiàn)象；去除與DEM相關(guān)的誤差，主要體現(xiàn)在東西方向的位移上，采用方向上濾波以提高形變結(jié)果的精度。圖2為采用Planet Scope光學(xué)影像對(duì)2009—2015年西藏地區(qū)念青唐古拉山脈林芝市區(qū)波密縣附近的冰川進(jìn)行流速監(jiān)測(cè)結(jié)果。

圖2 林芝市波密縣2009—2015年冰川流速

利用光學(xué)影像互相關(guān)技術(shù)獲取冰川流速的精度在很大程度上取決于光學(xué)遙感的地面分辨率以及冰川的運(yùn)動(dòng)速率，該技術(shù)相對(duì)成熟。但是，在云層覆蓋區(qū)域存在明顯的誤匹配現(xiàn)象，目前改進(jìn)之處多聚焦于對(duì)互相關(guān)匹配結(jié)果的精化。

2 SAR數(shù)據(jù)用于地質(zhì)災(zāi)害識(shí)別

SAR影像由于采用的微波成像具有穿透云霧的能力，能夠?qū)崿F(xiàn)全天時(shí)、全天候觀測(cè)，特別在地質(zhì)災(zāi)害多發(fā)的高山區(qū)，SAR數(shù)據(jù)能夠克服光學(xué)影像僅限白天工作且易受云霧雨雪天氣影響而導(dǎo)致數(shù)據(jù)缺失的困難，成為光學(xué)遙感重要的補(bǔ)充。而且隨著SAR衛(wèi)星的不斷發(fā)射，多源海量SAR數(shù)據(jù)為大尺度、多類型地質(zhì)災(zāi)害精準(zhǔn)識(shí)別和高精度長(zhǎng)時(shí)序監(jiān)測(cè)等提供了可能。SAR數(shù)據(jù)用于地質(zhì)災(zāi)害識(shí)別可分為定性與定量?jī)煞N方法。定性方法類似于光學(xué)遙感目視解譯，與光學(xué)影像相似，SAR強(qiáng)度圖包含了地表后向散射的統(tǒng)計(jì)特性，受到地表坡度、粗糙度和含水量等影響，表現(xiàn)為不同的強(qiáng)度值或灰度信息。因此利用SAR影像信息(灰度、亮度、紋理、陰影)通過(guò)目視解譯方式來(lái)確定災(zāi)害體的位置和范圍。該方法一定程度上彌補(bǔ)了光學(xué)影像受到云層影響導(dǎo)致數(shù)據(jù)缺失問(wèn)題，但由于SAR強(qiáng)度圖缺少光譜信息，且為側(cè)視成像，采用單期SAR數(shù)據(jù)識(shí)別地質(zhì)災(zāi)害體具有較大困難。而定量的方法是通過(guò)多期SAR數(shù)據(jù)，解算地表形變信息或強(qiáng)度變化信息，通過(guò)設(shè)定閾值，并結(jié)合地質(zhì)環(huán)境條件進(jìn)行災(zāi)害體的識(shí)別與監(jiān)測(cè)。與光學(xué)影像不同，單視復(fù)數(shù)(single look complex,SLC)SAR影像具有相干性，因此利用合成孔徑雷達(dá)干涉測(cè)量(interferometric SAR,InSAR)技術(shù)，可以以毫米/年的精度量級(jí)獲得地表形變信息[24]，是目前大范圍識(shí)別潛在地質(zhì)災(zāi)害最有效的技術(shù)手段。圖3為陜西省InSAR形變速率圖，采用存檔Sentinel-1 SAR影像，總覆蓋面積達(dá)20.58萬(wàn)km2，其中圖3(b)為陜北神木煤礦采礦沉陷分布圖，圖3(c)為渭河盆地地面沉降地裂縫形變圖，圖3(d)為漢中市滑坡分布圖。此外利用多期SAR影像互相關(guān)技術(shù)，也可以獲得亞像元精度的二維位移信息；同時(shí)利用多期SAR幅度圖的比率及相干性變化信息，即地表變化檢測(cè)方法，可以對(duì)已發(fā)生災(zāi)害體進(jìn)行識(shí)別[25-26]。

2.1 SAR數(shù)據(jù)用于滑坡識(shí)別

2.1.1 InSAR形變監(jiān)測(cè)技術(shù)

與光學(xué)遙感識(shí)別已發(fā)生滑坡不同，InSAR技術(shù)通過(guò)大范圍連續(xù)跟蹤“微小”地表形變，逐漸成為潛在滑坡早期識(shí)別的重要技術(shù)方法。文獻(xiàn)[27]在2012年針對(duì)美國(guó)加利福尼亞北部和俄勒岡州南部開(kāi)展了InSAR大范圍潛在滑坡識(shí)別工作，共識(shí)別50余處潛在滑坡。文獻(xiàn)[28]采用永久散射體合成孔徑雷達(dá)干涉測(cè)量(persistent scatterers InSAR,PS-InSAR)技術(shù)監(jiān)測(cè)了意大利Arno流域的滑坡，驗(yàn)證了PS-InSAR技術(shù)在探測(cè)大范圍緩變形滑坡上的優(yōu)勢(shì)。為了進(jìn)一步提高InSAR技術(shù)在滑坡形變觀測(cè)中的精度和適用性，近年來(lái)多時(shí)域InSAR技術(shù)(multi-temporal InSAR,MT-InSAR)開(kāi)始廣泛應(yīng)用于滑坡形變研究中，該方法將短基線和PS-InSAR技術(shù)聯(lián)合起來(lái)，用于克服PS-InSAR技術(shù)中對(duì)影像數(shù)量較高的要求以及滑坡體PS點(diǎn)偏少的問(wèn)題，MT-InSAR技術(shù)是目前用于緩變型滑坡早期識(shí)別的主要方法(圖3(d))。

圖3 陜西省InSAR形變速率

隨著SAR衛(wèi)星技術(shù)的發(fā)展和多源SAR數(shù)據(jù)的便捷獲取InSAR滑坡識(shí)別進(jìn)入流域尺度階段，如文獻(xiàn)[29]基于InSAR技術(shù)開(kāi)展了金沙江全流域約2200 km的滑坡識(shí)別，共識(shí)別各類滑坡900余處。特別是Sentinel-1數(shù)據(jù)的免費(fèi)開(kāi)放以及云平臺(tái)快速處理技術(shù)的發(fā)展，推動(dòng)InSAR滑坡識(shí)別邁入國(guó)家尺度及洲級(jí)尺度[30-32]。

InSAR技術(shù)滑坡識(shí)別的前提是滑坡的特征譜[33]與InSAR可監(jiān)測(cè)的形變特征相吻合，主要包括滑坡的空間尺度與InSAR的相干點(diǎn)密度，滑坡的形變梯度與InSAR視向形變可監(jiān)測(cè)能力。前者受到InSAR幾何畸變以及各種去相干因素的影響；后者受到InSAR形變監(jiān)測(cè)精度和最大與最小形變監(jiān)測(cè)梯度的影響[34]，以及滑坡幾何與SAR成像幾何的轉(zhuǎn)換關(guān)系及波長(zhǎng)的聯(lián)合影響[28]，即形變靈敏度。任一特征不匹配將導(dǎo)致InSAR滑坡識(shí)別漏判或錯(cuò)判。

2.1.2 SAR偏移量跟蹤技術(shù)

當(dāng)滑坡形變超過(guò)InSAR技術(shù)可監(jiān)測(cè)的最大形變梯度時(shí)，一般而言，當(dāng)年形變速率達(dá)到米級(jí)時(shí)，基于相位信息的InSAR技術(shù)均失效。與光學(xué)遙感互相關(guān)技術(shù)類似，采用基于SAR強(qiáng)度信息的像元偏移量跟蹤法(offset tracking)也可以獲取地表二維形變信息。據(jù)此給定形變閾值，可以實(shí)現(xiàn)識(shí)別潛在且快速形變的滑坡災(zāi)害。目前，SAR偏移量技術(shù)主要用于單個(gè)或多個(gè)滑坡體的二維形變監(jiān)測(cè)。文獻(xiàn)[34]在2014年利用SAR偏移量跟蹤技術(shù)獲取滑坡二維時(shí)序變形。文獻(xiàn)[35]聯(lián)合ALOS/PALSAR-1及PALSAR-2數(shù)據(jù)利用改進(jìn)的交叉平臺(tái)SAR偏移量跟蹤技術(shù)恢復(fù)了金沙江白格滑坡2007—2018年11年累計(jì)達(dá)60 m的歷史形變。

2.1.3 SAR強(qiáng)度比值法

文獻(xiàn)[36]提出了一種基于SAR強(qiáng)度變化檢測(cè)的滑坡識(shí)別編目方法，具體是計(jì)算兩期SAR強(qiáng)度比值來(lái)探測(cè)地表變化，并結(jié)合地質(zhì)環(huán)境條件來(lái)識(shí)別滑坡災(zāi)害體。使用多時(shí)相Sentinel-1 SAR數(shù)據(jù)并基于Google Earth Engine(GEE)實(shí)現(xiàn)大范圍滑坡識(shí)別。文獻(xiàn)[37]基于36景SAR強(qiáng)度圖展示了2018年巴布亞新幾內(nèi)亞地震引起的3000 km2范圍內(nèi)的滑坡識(shí)別結(jié)果。

該方法主要針對(duì)已發(fā)生的災(zāi)害進(jìn)行大范圍自動(dòng)化識(shí)別，可以準(zhǔn)確識(shí)別滑坡體的滑源區(qū)和堆積區(qū)，但對(duì)小尺度滑坡以及滑坡邊界的識(shí)別精度不高。

2.1.4 極化SAR分類滑坡識(shí)別

滑坡識(shí)別往往受到地表植被的影響，而極化SAR散射特性可用來(lái)表征地物的不同特性。地表散射譜及體散射是影響極化SAR數(shù)據(jù)用于滑坡探測(cè)的重要因素。文獻(xiàn)[38]為了突破極化SAR用于植被覆蓋區(qū)滑坡識(shí)別的限制，提出了一種新的結(jié)合變化檢測(cè)和基于Yamaguchi分解模型的層次分析處理方法，以減少滑坡識(shí)別誤判現(xiàn)象。文獻(xiàn)[39]基于多期SAR數(shù)據(jù)，以臺(tái)灣南部高雄縣的普坦普那斯河部分流域?yàn)檠芯繀^(qū)域，利用SAR強(qiáng)度圖計(jì)算地表局部空間自相關(guān)指數(shù)和紋理指數(shù)，同時(shí)利用極化SAR分解獲得構(gòu)成熵、各向異性等參數(shù)，并最終利用面向?qū)ο蠓诸愡M(jìn)行滑坡識(shí)別。文獻(xiàn)[40]探索利用升降軌、多極化Sentinel-1 SAR強(qiáng)度圖進(jìn)行滑坡編目的方法，提出了SAR強(qiáng)度圖用于滑坡探測(cè)的標(biāo)準(zhǔn)，同時(shí)，探究了對(duì)強(qiáng)度圖采取不同濾波方式對(duì)滑坡編目結(jié)果的影響，結(jié)果表明采用自適應(yīng)濾波能夠獲得較好探測(cè)結(jié)果。文獻(xiàn)[41]利用SAR層析成像通過(guò)確定不同散射機(jī)制相位中心反演了森林高度和下墊地形，此研究為解決高植被覆蓋區(qū)地形變化反演提供了參考。

2.2 SAR影像用于冰川識(shí)別

2.2.1 InSAR形變監(jiān)測(cè)技術(shù)

目前，InSAR技術(shù)在冰川應(yīng)用主要體現(xiàn)在3方面：①利用InSAR相干圖提取冰川邊界。由于冰川融化凍結(jié)作用以及年均米級(jí)以上形變速率，冰川表面相干性普遍低于非冰川表面，快速活動(dòng)冰川的相干值相對(duì)比較低，利用相干圖可以識(shí)別冰川的邊界[42]。②利用InSAR技術(shù)監(jiān)測(cè)并識(shí)別年形變?yōu)榉置准?jí)的冰川。差分干涉測(cè)量(differential InSAR,D-InSAR)技術(shù)被廣泛應(yīng)用于南極[43]、格陵蘭島[44]等區(qū)域的冰川流速監(jiān)測(cè)中。③由于InSAR技術(shù)獲取的是沿著雷達(dá)視線方向的一維形變，無(wú)法反映冰川真實(shí)的流速信息，為此提出融合升降軌InSAR技術(shù)和附加冰川表面平行于河床流動(dòng)假設(shè)約束的冰川三維流速監(jiān)測(cè)方法。該方法應(yīng)用于格陵蘭島Storstrommen冰川三維流速獲取[45]。

2.2.2 SAR偏移量跟蹤技術(shù)

當(dāng)冰川流速較大且存在躍動(dòng)時(shí)，InSAR形變監(jiān)測(cè)技術(shù)便失效了，而SAR偏移量跟蹤技術(shù)是最有效的手段。文獻(xiàn)[46]分別對(duì)升降軌TerraSAR-X影像進(jìn)行像元偏移量小基線集(pixel offset-small base line subset,PO-SBAS)處理，基于形變分量時(shí)間序列求解冰川三維形變，其精度比非時(shí)序監(jiān)測(cè)提高了15%。文獻(xiàn)[47]提出了一種基于互相關(guān)技術(shù)的極化SAR監(jiān)測(cè)冰川表面速度的新方法，使用不同波段和偏振方式的SAR影像試驗(yàn)表明，冰川表面積雪的存在會(huì)影響不同偏振和頻率通道中相位中心的位置。

基于SAR偏移量跟蹤方法監(jiān)測(cè)冰川形變，其精度取決于互相關(guān)算法或特征匹配算法的質(zhì)量，且受到冰川表面紋理和SAR數(shù)據(jù)分辨率的影響。傳統(tǒng)的歸一化的互相關(guān)(normalization cross-correlation,NCC)算法不是最大似然解，NCC算法的準(zhǔn)確性會(huì)受到“像素鎖定”效應(yīng)的顯著影響[48]。此外，在匹配過(guò)程中使用的平方相關(guān)窗口會(huì)引起窗口效應(yīng)[49]，降低了匹配結(jié)果的精度和分辨率。因此，該方法的選擇取決于SAR數(shù)據(jù)的可獲得性、冰川的大小、表面覆蓋條件和流速，以及期望獲得的精度和空間分辨率等。

2.3 SAR數(shù)據(jù)用于塌陷災(zāi)害識(shí)別

SAR數(shù)據(jù)用于礦區(qū)塌陷識(shí)別與監(jiān)測(cè)可分為多時(shí)相InSAR技術(shù)和大梯度形變監(jiān)測(cè)技術(shù)兩大類。由于采空區(qū)形變梯度很大，InSAR干涉圖的相干性往往低于周圍穩(wěn)定區(qū)域，因此通過(guò)InSAR形變圖(圖3(a))和相干圖可以對(duì)礦區(qū)開(kāi)采塌陷范圍進(jìn)行識(shí)別。

地下采動(dòng)引起的塌陷形變普遍表現(xiàn)為時(shí)間短、梯度大兩個(gè)特點(diǎn)。采用InSAR技術(shù)僅能恢復(fù)塌陷邊緣的小量級(jí)形變，而塌陷中心大量級(jí)形變需要采用基于SAR偏移量技術(shù)。為保證塌陷形變場(chǎng)的完整性和監(jiān)測(cè)精度，文獻(xiàn)[50]提出InSAR相位與偏移量相結(jié)合的方法，并用于大同煤礦塌陷監(jiān)測(cè)；文獻(xiàn)[51]采用偏移量與概率積分模型相結(jié)合用于陜北大柳塔煤礦的三維形變監(jiān)測(cè)。

2.4 InSAR技術(shù)用于地面沉降與地裂縫識(shí)別

基于PS-InSAR或小基線集(small baseline subset,SBAS)InSAR技術(shù)可以獲得毫米/年的地表形變時(shí)間序列結(jié)果，基于該方法獲取的形變場(chǎng)可用于識(shí)別大范圍緩變地面沉降災(zāi)害，該研究是InSAR目前最為成熟的應(yīng)用領(lǐng)域之一。

而地裂縫表現(xiàn)為在空間上具有一定走向且垂直走向方向存在不連續(xù)形變的特征，其空間影響范圍呈帶狀分布[50]，該現(xiàn)象既可以采用InSAR形變圖來(lái)揭示，也可以通過(guò)InSAR相干圖來(lái)反映。文獻(xiàn)[52]采用偽相干圖調(diào)查了西安市數(shù)十年地裂縫的活躍分布特點(diǎn)，文獻(xiàn)[53]采用PS-InSAR技術(shù)監(jiān)測(cè)了河北隆堯地區(qū)地裂縫形變特征。圖3(c)為渭河盆地地面沉降與地裂縫分布圖。

3 機(jī)載LiDAR用于地質(zhì)災(zāi)害識(shí)別

3.1 LiDAR用于崩塌、滑坡泥石流識(shí)別

機(jī)載雷達(dá)(light detection and ranging,LiDAR)以每秒40萬(wàn)個(gè)點(diǎn)，側(cè)向60°的掃描范圍，在短時(shí)間內(nèi)實(shí)現(xiàn)大范圍三維地貌、地物和植被掃描，其水平和垂直方向上精度可達(dá)到厘米級(jí)?；跈C(jī)載LiDAR的廣義滑坡識(shí)別通常聯(lián)合多種航測(cè)產(chǎn)品，其中常用的產(chǎn)品類型有：高分辨率、高精度的數(shù)字高程模型(digital elevation model,DEM)產(chǎn)品，以及點(diǎn)云分類產(chǎn)品。前者通過(guò)測(cè)量地表高程的變化來(lái)識(shí)別并監(jiān)測(cè)災(zāi)害體；后者通過(guò)對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行分類，識(shí)別地表及其上層目標(biāo)點(diǎn)的類別屬性(如植被等)，特別適用于植被覆蓋區(qū)的災(zāi)害體識(shí)別。

利用LiDAR生成的DEM和正射影像(digital orthophoto map,DOM)可以精細(xì)化地提取災(zāi)害體的地質(zhì)環(huán)境信息，如高程、坡度、坡向、地表曲率、徑流強(qiáng)度指數(shù)(stream power index,SPI)、地形濕度指數(shù)(the wetness index,TWI)、地形粗糙度指數(shù)(terrain roughness index,TRI)及沉積物遷移指數(shù)(sediment transport index,STI)，文獻(xiàn)[54]聯(lián)合其他外部數(shù)據(jù)實(shí)現(xiàn)了馬來(lái)西亞林格萊特地區(qū)滑坡識(shí)別及易發(fā)性評(píng)價(jià)。文獻(xiàn)[55]利用LiDAR生成的高分辨率DEM及差分DEM，采用GIS技術(shù)實(shí)現(xiàn)滑坡快速編目。同時(shí)基于點(diǎn)云數(shù)據(jù)，利用多尺度M3C2算法(the multiscale model-to-model cloud comparison)獲取地表坡體的變形信息，進(jìn)而實(shí)現(xiàn)滑坡編目[56]?；?D點(diǎn)云的差分濾波、獲取的高精度DEM，采用隨機(jī)森林(random forest,RF)、支持向量機(jī)(support vector machine,SVM)等機(jī)器學(xué)習(xí)方法，可以實(shí)現(xiàn)半自動(dòng)化的滑坡探測(cè)。文獻(xiàn)[57]提出了一種基于融合概率變化檢測(cè)和滑坡表面特征的滑坡提取方法，基于支持向量機(jī)利用多時(shí)相LiDAR衍生DEM來(lái)獲取地表變化并最終實(shí)現(xiàn)滑坡探測(cè)。

與InSAR技術(shù)進(jìn)行地表形變監(jiān)測(cè)原理不同，LiDAR技術(shù)獲取的地表形變精度為厘米級(jí)甚至更低，因此對(duì)大范圍緩變滑坡識(shí)別有技術(shù)難度，且作業(yè)效率相對(duì)較低。

3.2 LiDAR用于采礦塌陷識(shí)別

LiDAR技術(shù)厘米級(jí)地表形變監(jiān)測(cè)能力可成功應(yīng)用于采礦引起的米級(jí)地表塌陷的識(shí)別與立體監(jiān)測(cè)[58]。另外機(jī)載LiDAR具有作業(yè)方式靈活、可穿透植被及不受地域限制等優(yōu)勢(shì)，在植被覆蓋、交通不便的區(qū)域可推廣應(yīng)用。

LiDAR技術(shù)受地面坡度、粗糙度等因素的影響，其推廣應(yīng)用需要解決固有的點(diǎn)云數(shù)據(jù)降噪、抽稀、內(nèi)插和多期配準(zhǔn)等問(wèn)題。因此，一方面基于LiDAR獲取的DEM可與機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù)相結(jié)合，用于礦區(qū)地表裂縫[59]、地形特征等識(shí)別、分類研究[60]；另一方面融合無(wú)人機(jī)LiDAR與光學(xué)遙感、InSAR等多源、多平臺(tái)監(jiān)測(cè)數(shù)據(jù)也是當(dāng)前的研究熱點(diǎn)[61]。

4 多源遙感數(shù)據(jù)融合地質(zhì)災(zāi)害識(shí)別

4.1 面向?qū)ο蟮臋C(jī)器學(xué)習(xí)方法

利用多源遙感影像進(jìn)行地質(zhì)災(zāi)害識(shí)別經(jīng)歷了面向像素、面向?qū)ο蟮交谏疃葘W(xué)習(xí)的識(shí)別3個(gè)發(fā)展階段。面向像素的災(zāi)害識(shí)別，主要利用單個(gè)像素在不同波段的光譜特征差異進(jìn)行災(zāi)害區(qū)域識(shí)別。根據(jù)識(shí)別過(guò)程中是否需要訓(xùn)練樣本，可分為監(jiān)督、非監(jiān)督兩種方式。其中，非監(jiān)督方式是指在識(shí)別過(guò)程中不需要對(duì)樣本訓(xùn)練，直接對(duì)遙感影像進(jìn)行分類，并利用歸一化植被指數(shù)(NDVI)、DEM等數(shù)據(jù)來(lái)輔助，實(shí)現(xiàn)對(duì)災(zāi)害場(chǎng)景的識(shí)別。常采用的方法有變化向量分析、K均值分類器等。

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展和海量遙感數(shù)據(jù)的涌現(xiàn)，基于機(jī)器學(xué)習(xí)的地質(zhì)災(zāi)害識(shí)別成為研究熱點(diǎn)，利用圖像目標(biāo)分割和機(jī)器學(xué)習(xí)對(duì)已有滑坡樣本的特征因子進(jìn)行相關(guān)性分析，同樣利用多尺度影像分割技術(shù)和機(jī)器學(xué)習(xí)相結(jié)合的方法實(shí)現(xiàn)對(duì)滑坡的編目。面向?qū)ο蟮姆椒ㄍㄟ^(guò)一定的分割參數(shù)，將地面的像素聚合為對(duì)象。這種方法更多地考慮到像素的空間屬性。從而大大降低了椒鹽噪聲，提取出更多的光譜、形態(tài)和環(huán)境特征(如形狀指數(shù)、結(jié)構(gòu)、局部紋理等)用于滑坡制圖，因此可以提取更詳細(xì)的滑坡特征。

文獻(xiàn)[62]提出了基于面向?qū)ο蠓治龊碗S機(jī)森林算法的監(jiān)督分類識(shí)別滑坡的方法。采用波段比、坡度和地形紋理等方法可以提高精度。文獻(xiàn)[63]采用基于區(qū)域的主動(dòng)學(xué)習(xí)啟發(fā)式方法，并且通過(guò)分層抽樣解決了分類不平衡的問(wèn)題。文獻(xiàn)[64]利用國(guó)產(chǎn)ZY-3衛(wèi)星影像和隨機(jī)森林，并采用數(shù)學(xué)形態(tài)學(xué)提高模型精度，實(shí)現(xiàn)了三峽庫(kù)區(qū)滑坡識(shí)別。文獻(xiàn)[65]提出了一套基于Landsat-8、Sentinel-2光學(xué)影像及極化SAR數(shù)據(jù)相融合，利用面向?qū)ο蟮膱D像分析(object-based image analysis,OBIA)方法以及隨機(jī)森林等方法，結(jié)合NDVI及DEM產(chǎn)品實(shí)現(xiàn)對(duì)滑坡、泥石流等大范圍探測(cè)以及滑后滑坡編目。文獻(xiàn)[66]聯(lián)合面向?qū)ο笥跋穹治龇?OBIA)及InSAR技術(shù)實(shí)現(xiàn)了包括意大利南蒂羅爾、臺(tái)灣等多個(gè)地區(qū)內(nèi)的潛在滑坡識(shí)別。文獻(xiàn)[67]采用不同的機(jī)器學(xué)習(xí)方法，基于InSAR變形監(jiān)測(cè)和高分辨率光學(xué)遙感數(shù)據(jù)，提取出相關(guān)滑坡影響因素，對(duì)滑坡的形態(tài)和紋理特征進(jìn)行表征，驗(yàn)證了機(jī)器學(xué)習(xí)方法結(jié)合變形信息和多源滑坡影響因素進(jìn)行滑坡災(zāi)害早期識(shí)別的可行性。

4.2 深度學(xué)習(xí)方法

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)深度學(xué)習(xí)架構(gòu)改變了從圖像中提取信息的方式。深度學(xué)習(xí)算法在遙感分類和識(shí)別領(lǐng)域應(yīng)用已取得了較好的結(jié)果，近年來(lái)，該方法也被嘗試用于滑坡編目。文獻(xiàn)[68]最早對(duì)比了不同的機(jī)器學(xué)習(xí)方法和CNN在滑坡檢測(cè)中的應(yīng)用，并證明CNN優(yōu)于SVM、RF等傳統(tǒng)的機(jī)器學(xué)習(xí)方法。文獻(xiàn)[69]利用CNN結(jié)合光學(xué)影像和DEM進(jìn)行滑坡識(shí)別。文獻(xiàn)[70]利用變化檢測(cè)和CNN的方法進(jìn)行滑坡編目，并進(jìn)一步提取了滑坡要素。文獻(xiàn)[71]提出通過(guò)建立一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型來(lái)監(jiān)測(cè)形變，并以英國(guó)為研究區(qū)，探測(cè)出英國(guó)境內(nèi)幾個(gè)區(qū)域內(nèi)的采礦塌陷和由降水、隧道工程等活動(dòng)誘發(fā)的地面抬升，證明了深度學(xué)習(xí)具有探測(cè)地表形變的能力。但深度學(xué)習(xí)方法進(jìn)行地質(zhì)災(zāi)害識(shí)別仍然面臨數(shù)據(jù)庫(kù)不足[69]、樣本不均衡[68]、特征可解釋性差等難題亟待解決。

5 結(jié) 論

地質(zhì)災(zāi)害的早期識(shí)別與動(dòng)態(tài)編目是防災(zāi)減災(zāi)的重要前提和基礎(chǔ)。本文針對(duì)滑坡、冰川、采礦塌陷、地面沉降地裂縫等地質(zhì)災(zāi)害的時(shí)空分布特點(diǎn)，綜述了基于光學(xué)遙感、微波遙感(SAR)、機(jī)載LiDAR和多源遙感技術(shù)進(jìn)行不同類地質(zhì)災(zāi)害早期識(shí)別的技術(shù)進(jìn)展，并總結(jié)了各自存在的問(wèn)題，對(duì)當(dāng)前地質(zhì)災(zāi)害的監(jiān)測(cè)預(yù)警與防治提供技術(shù)參考。

(1)利用光學(xué)影像進(jìn)行災(zāi)害體的識(shí)別可分為已發(fā)生災(zāi)害體的快速調(diào)查和潛在災(zāi)害體的早期識(shí)別兩類，前者因?yàn)榫哂忻黠@的地表變化特征，綜合采用目視解譯、自動(dòng)化變化檢測(cè)和智能化學(xué)習(xí)等方法，均可取得滿意的效果；后者主要依據(jù)滑坡滿足的地質(zhì)環(huán)境條件來(lái)進(jìn)行，由于受到植被覆蓋、災(zāi)害體空間尺度和時(shí)間活動(dòng)性等影響，進(jìn)行大范圍識(shí)別還存在技術(shù)瓶頸。隨著遙感影像分辨率的提高、時(shí)相數(shù)據(jù)的增多，特別是無(wú)人機(jī)多視角多傳感器遙感數(shù)據(jù)的便捷獲取，基于地表位移信息的災(zāi)害識(shí)別將會(huì)得到進(jìn)一步發(fā)展與應(yīng)用。

(2)SAR數(shù)據(jù)由于不受云雨天氣的影響，是光學(xué)遙感的重要補(bǔ)充。不僅SAR數(shù)據(jù)的強(qiáng)度信息、相干信息和極化信息可直接用來(lái)識(shí)別與定位已發(fā)生的災(zāi)害體以及潛在不穩(wěn)定災(zāi)害體，更重要的是基于地表形變信息的InSAR技術(shù)和SAR偏移量技術(shù)，已廣泛應(yīng)用于緩變型和快速變形階段的潛在災(zāi)害體的大范圍識(shí)別。地表長(zhǎng)時(shí)序形變信息大大提高了地質(zhì)災(zāi)害早期識(shí)別的成功率。目前該技術(shù)主要受到SAR成像幾何畸變、地表植被引起的失相干、對(duì)流層大氣誤差、電離層大氣誤差和解纏誤差等影響，導(dǎo)致存在一定比例的漏判和錯(cuò)判現(xiàn)象。

2022年1月26日和2月27日我國(guó)分別成功發(fā)射了L波段陸地探測(cè)一號(hào)A/B衛(wèi)星，開(kāi)始編隊(duì)差分形變測(cè)量。此外歐空局即將發(fā)射世界上第一顆P波段SAR衛(wèi)星，美國(guó)與印度合作即將發(fā)射全球第一顆L波段與S波段雙頻SAR衛(wèi)星。新型SAR衛(wèi)星分辨率更優(yōu)，波段更加豐富，全極化模式，將大大提高地質(zhì)災(zāi)害早期識(shí)別的精準(zhǔn)性和動(dòng)態(tài)性。

(3)LiDAR技術(shù)是高精度、高分辨率獲取DEM的重要技術(shù)手段，通過(guò)DEM的變化識(shí)別已發(fā)生災(zāi)害和潛在災(zāi)害體均取得重要進(jìn)展，特別在植被覆蓋區(qū)域發(fā)揮了獨(dú)特的價(jià)值。如何進(jìn)一步提高DEM精度，增加數(shù)據(jù)獲取頻率，降低成本是LiDAR技術(shù)需要解決的問(wèn)題。

(4)基于多源遙感的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，充分顧及各類遙感數(shù)據(jù)的特點(diǎn)，構(gòu)建了針對(duì)性的學(xué)習(xí)網(wǎng)絡(luò)，在已發(fā)生災(zāi)害的識(shí)別方面取得重要進(jìn)展。該技術(shù)的主要瓶頸是大量災(zāi)害體正負(fù)樣本的積累和基于知識(shí)或機(jī)理驅(qū)動(dòng)的網(wǎng)絡(luò)模型的構(gòu)建。

目前仍有大量地質(zhì)災(zāi)害發(fā)生在編目圖以外，如何對(duì)編目圖進(jìn)行動(dòng)態(tài)更新，并開(kāi)展地質(zhì)災(zāi)害的機(jī)理和易發(fā)性評(píng)價(jià)，對(duì)于易發(fā)性高的災(zāi)害體進(jìn)行實(shí)時(shí)監(jiān)測(cè)與預(yù)警是一項(xiàng)長(zhǎng)期而極富挑戰(zhàn)的任務(wù)。