高星月，王世杰,4，高鵬程

（1.蘭州交通大學(xué)測(cè)繪與地理信息學(xué)院，甘肅 蘭州,730070；2.地理國(guó)情監(jiān)測(cè)技術(shù)應(yīng)用國(guó)家地方聯(lián)合工程研究中心，甘肅 蘭州,730070；3.甘肅省地理國(guó)情監(jiān)測(cè)工程實(shí)驗(yàn)室，甘肅 蘭州 730070；4.甘肅大禹九洲空間信息科技有限公司院士專家工作站，甘肅 蘭州 730050）

0 引言

滑坡是巖石碎屑或大型邊坡移動(dòng)的自然現(xiàn)象，在山地演變進(jìn)程中發(fā)揮了重要的作用，其誘發(fā)因素通常包括強(qiáng)降雨、徑流、地震或者火山爆發(fā)等[1]。近年來(lái)，甘肅省舟曲縣滑坡地質(zhì)災(zāi)害頻發(fā)[2]，給經(jīng)濟(jì)發(fā)展和社會(huì)穩(wěn)定造成了嚴(yán)重影響。由于滑坡孕災(zāi)環(huán)境及各類誘發(fā)因素的復(fù)雜性，早期識(shí)別與預(yù)測(cè)難度較大，對(duì)滑坡災(zāi)害的預(yù)防缺乏依據(jù)[3]。

實(shí)地調(diào)查發(fā)現(xiàn)潛在滑坡區(qū)域并更新滑坡庫(kù)存是常見和可靠的方法，傳統(tǒng)方法使用全站儀、全球定位系統(tǒng)(Global Positioning System，GPS)等進(jìn)行實(shí)地調(diào)查，可以得到滑坡數(shù)據(jù)集，包括精確的邊界、空間位置和分布，但由于地形的復(fù)雜和不穩(wěn)定性，這些技術(shù)費(fèi)時(shí)費(fèi)力且成本高昂，一般只能針對(duì)已知的滑坡體進(jìn)行監(jiān)測(cè)，無(wú)法實(shí)現(xiàn)大范圍探測(cè)[4-7]。遙感影像具有獲取周期短，覆蓋面積大及獲取快速方便等特點(diǎn)，因此SAR 影像和光學(xué)遙感影像在滑坡識(shí)別中得到廣泛應(yīng)用。除此之外，隨著人工智能和大數(shù)據(jù)的蓬勃發(fā)展，機(jī)器學(xué)習(xí)算法在區(qū)域滑坡隱患識(shí)別中也得到了越來(lái)越多的應(yīng)用。代聰?shù)萚2]利用2017年10月—2018年12月Sentinel-1A 雷達(dá)衛(wèi)星升降軌數(shù)據(jù)，基于短基線干涉測(cè)量方法（Small Baseline Subset，SBAS）得到了舟曲縣城上下游區(qū)域活動(dòng)滑坡的地表形變；Shirvani 等[8]采用Sentinel-1A 和Sentinel-2 數(shù)據(jù)協(xié)同分析的方法和面向?qū)ο蟮碾S機(jī)森林模型繪制歷史滑坡數(shù)據(jù)，利用光學(xué)和SAR 振幅圖像進(jìn)行滑坡隱患識(shí)別，利用Sentinel-1A SAR 數(shù)據(jù)和Sentinel-2 光學(xué)圖像在印度東北部植被和丘陵地區(qū)識(shí)別新的滑坡；Piralilou 等[9]使用多尺度的圖像分割和不同的機(jī)器學(xué)習(xí)模型進(jìn)行了喜馬拉雅山脈滑坡監(jiān)測(cè)；涂寬等[10]結(jié)合D-InSAR 技術(shù)和高分辨率光學(xué)遙感影像，基于專家判識(shí)經(jīng)驗(yàn)對(duì)滑坡隱患進(jìn)行識(shí)別探測(cè)。目前已有的研究主要集中在采用單一方法如InSAR 技術(shù)或機(jī)器學(xué)習(xí)模型方法進(jìn)行活動(dòng)性滑坡識(shí)別。

文中選定甘肅舟曲縣為研究區(qū)域，結(jié)合Sentinel-1A 衛(wèi)星SAR 影像數(shù)據(jù)，利用D-InSAR 技術(shù)和已知的滑坡數(shù)據(jù)集，運(yùn)用隨機(jī)森林算法（Random Forests，RF）進(jìn)行模型訓(xùn)練，對(duì)研究區(qū)滑坡隱患進(jìn)行識(shí)別，并利用疊置分析方法對(duì)地表形變與滑坡隱患識(shí)別結(jié)果進(jìn)行耦合分析。

1 研究區(qū)概況

舟曲縣地處甘肅甘南藏族自治州，東鄰隴南市，北接宕昌縣，西南與四川省九寨溝縣接壤。地處秦嶺山脈，岷山山系貫穿全境，是典型的高山峽谷地貌。該區(qū)域位于白龍江流域，自然災(zāi)害頻發(fā)[11-12]，是“5·12”特大地震和“8·8”泥石流災(zāi)害中受災(zāi)嚴(yán)重的區(qū)域[13]。

近年來(lái)人類活動(dòng)愈發(fā)頻繁，舟曲縣生態(tài)環(huán)境不斷惡化，斜坡的巖土結(jié)構(gòu)失穩(wěn)，滑坡災(zāi)害頻發(fā)。2017年災(zāi)害統(tǒng)計(jì)發(fā)現(xiàn)，研究區(qū)內(nèi)自西向東產(chǎn)生了鎖兒頭、門頭坪及江頂崖等[14]34 處滑坡及隱患點(diǎn)，其中多數(shù)屬于大型深層滑坡。2018年7月12日南峪鄉(xiāng)江頂崖滑坡發(fā)生大規(guī)模失穩(wěn)，堵塞白龍江形成堰塞湖，嚴(yán)重威脅人民生命財(cái)產(chǎn)安全，滑坡穩(wěn)定性問題再次引起社會(huì)廣泛關(guān)注[15]。研究區(qū)地理位置及地形地貌見圖1。

圖1 研究區(qū)行政區(qū)劃及地形圖Fig.1 Topographic map and administrative division of the study area

2 數(shù)據(jù)與方法

2.1 研究數(shù)據(jù)及預(yù)處理

（1）Sentine-lA 數(shù)據(jù)

分別從阿拉斯加衛(wèi)星通訊社（https://search.asf.ala ska.edu/）和歐空局哥白尼數(shù)據(jù)中心網(wǎng)站（https://scihub.copernicus.eu/）收集了研究區(qū)Sentinel-1A 降軌數(shù)據(jù)和Sentinel-2 光學(xué)遙感影像數(shù)據(jù)，進(jìn)行了基線估算、輻射定標(biāo)和大氣校正等預(yù)處理（表1）。

表1 衛(wèi)星數(shù)據(jù)參數(shù)Table 1 Satellite data parameters

（2）滑坡數(shù)據(jù)集

選用武漢大學(xué)滑坡檢測(cè)數(shù)據(jù)集，該滑坡數(shù)據(jù)集來(lái)自于全色波段0.8 m，多光譜波段為3.2 m的TripleSat 衛(wèi)星數(shù)據(jù)，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)基于注意力機(jī)制從Triple-Sat 衛(wèi)星圖像和數(shù)字高程模型數(shù)據(jù)集來(lái)檢測(cè)滑坡[16]，主要使用衛(wèi)星數(shù)據(jù)中劃分開的滑坡數(shù)據(jù)和非滑坡數(shù)據(jù)2 個(gè)部分（表2）。

表2 滑坡數(shù)據(jù)集[16]Table 2 Landslide data set[16]

使用滑坡發(fā)生前兩景Sentinel-1A 降軌數(shù)據(jù)，結(jié)合SRTM（Shuttle Radar Topography Mission）數(shù)字高程模型（Digital Elevation Model，DEM）數(shù)據(jù)（空間分辨率為90 m），輔助去除地形相位，提取研究區(qū)地表形變信息。選取一幅滑坡發(fā)生后的Sentinel-2 光學(xué)遙感影像數(shù)據(jù)，運(yùn)用Sen2cor 軟件，結(jié)合隨機(jī)森林模型識(shí)別潛在的滑坡體。

2.2 研究方法

通過(guò)對(duì)Sentinel-1A 滑坡發(fā)生前的2 景影像進(jìn)行基線估算，確定其小于臨界基線，根據(jù)同極化方式的文件生成干涉圖，進(jìn)行濾波和相干性計(jì)算，采用最小費(fèi)用法相位解纏，輸入控制點(diǎn)文件，進(jìn)行軌道精煉和相位偏移計(jì)算，消除可能出現(xiàn)的斜坡相位和糾正相位偏移，最后結(jié)合合成相位轉(zhuǎn)換為形變數(shù)據(jù)。Sentinel-1A IW 寬幅干涉SAR 數(shù)據(jù)具有超高的地面覆蓋范圍，可利用差分干涉測(cè)量技術(shù)獲取大范圍的地表形變信息，為后期基于遙感影像的活動(dòng)性滑坡信息準(zhǔn)確識(shí)別縮小搜尋范圍，提升滑坡隱患識(shí)別效率。

采用隨機(jī)森林模型，基于決策樹方法，訓(xùn)練過(guò)程中通過(guò)重采樣得到樣本數(shù)據(jù)，構(gòu)造大量決策樹，綜合預(yù)測(cè)結(jié)果，利用均值或者投票方式得到最終預(yù)測(cè)結(jié)果[17]。決策樹的訓(xùn)練樣本以及節(jié)點(diǎn)選取采用隨機(jī)機(jī)制，以降低對(duì)過(guò)擬合問題[18]的敏感性?；诿總€(gè)決策樹產(chǎn)生輸出，然后根據(jù)輸出確定權(quán)重。建樹過(guò)程中，每個(gè)屬性都要遍歷所有可能的分割方法，選擇具有最小Gini系數(shù)的屬性為分裂屬性。Gini系數(shù)越小，代表所產(chǎn)生的樣本子集中，樣本類別內(nèi)容越單純。技術(shù)路線如圖2所示。

圖2 滑坡識(shí)別技術(shù)路線圖Fig.2 Technology road map of landslide identification

3 試驗(yàn)結(jié)果與分析

運(yùn)用D-InSAR 方法提取甘肅舟曲的地表形變信息，利用隨機(jī)森林模型對(duì)該區(qū)域的滑坡隱患點(diǎn)進(jìn)行識(shí)別，通過(guò)重采樣對(duì)比分析地表形變與滑坡隱患識(shí)別之間的關(guān)系。

3.1 地表形變分析

Sentinel-1A 衛(wèi)星降軌影像，經(jīng)過(guò)D-InSAR 差分干涉處理得到舟曲縣1年間的地表形變信息（圖3）。紅色區(qū)域（正值）表示目標(biāo)沿著LOS 方向向衛(wèi)星方向上移動(dòng)，藍(lán)色區(qū)域（負(fù)值）表示目標(biāo)沿著LOS 方向向衛(wèi)星反方向移動(dòng)，綠色區(qū)域表示相對(duì)穩(wěn)定。由圖3可知，舟曲縣的地表形變存在明顯的區(qū)域分異特征，舟曲縣北部形變具有分散分布特征，形變信息大的區(qū)域位于立節(jié)鄉(xiāng)，最大沉降量為0.12 m，形變量集中在0.03～0.04 m。舟曲縣南部形變量分布在0.02～0.10 m，最大形變量為0.20 m，集中分布在舟曲縣西南方向的博峪鄉(xiāng)和插崗鄉(xiāng)，具有密集分布特征。舟曲縣域內(nèi)滑坡運(yùn)動(dòng)方向總體以東西向滑動(dòng)為主，與貫穿舟曲縣境內(nèi)的秦嶺山脈走向一致。

圖3 舟曲地表形變信息圖Fig.3 Surface deformation information map of Zhouqu

3.2 滑坡識(shí)別

利用隨機(jī)森林模型，基于已知滑坡數(shù)據(jù)集對(duì)Sentinel-2 預(yù)處理后的數(shù)據(jù)進(jìn)行滑坡隱患識(shí)別。構(gòu)建網(wǎng)格參數(shù)，采用網(wǎng)格搜索得到合適的參數(shù)進(jìn)行模型訓(xùn)練。隨機(jī)數(shù)種子確定為10 以確保每次運(yùn)行可以得到相同的結(jié)果，決策樹分裂節(jié)點(diǎn)的標(biāo)準(zhǔn)采用基尼系數(shù)法，數(shù)量取100，保證訓(xùn)練精度與運(yùn)算速度相協(xié)調(diào)。融合地表形變信息，選擇精度吻合最佳結(jié)果進(jìn)行分析預(yù)測(cè)，結(jié)果如圖4（a）所示。訓(xùn)練測(cè)試過(guò)程中，運(yùn)用75%的樣本圖像作為訓(xùn)練數(shù)據(jù)，25%的樣本圖像進(jìn)行測(cè)試，滑坡識(shí)別測(cè)試精度、召回率、準(zhǔn)確率分別為0.85，0.75，0.70，綜合得到ROC 曲線和曲線下面積值，如圖4（b）所示。識(shí)別結(jié)果分析可知，舟曲潛在滑坡體主要分布在東北方向與西南方向上，與圖3提取出的地表形變量較大區(qū)域具有高度重合性，地表形變信息可以較好地輔助判斷滑坡隱患識(shí)別點(diǎn)。實(shí)驗(yàn)過(guò)程中，研究區(qū)邊界會(huì)誤判定為滑坡，為了提高識(shí)別精度，將邊界部分去除后預(yù)測(cè)?；码[患識(shí)別中，識(shí)別精度很大程度上會(huì)受到切片影響，圖像不同分割方法會(huì)產(chǎn)生不同的實(shí)驗(yàn)結(jié)果。通過(guò)調(diào)參確定，切片精度為255 時(shí)，識(shí)別準(zhǔn)確性最高。

圖4 舟曲縣隨機(jī)森林模型滑坡識(shí)別區(qū)域和ROC 曲線Fig.4 Landslide identification area of Random Forest model and ROC curve in Zhouqu

3.3 地表形變與滑坡識(shí)別疊置分析

由于地表形變信息與滑坡隱患高度相關(guān)，將滑坡識(shí)別結(jié)果轉(zhuǎn)化為區(qū)域點(diǎn)，與地表形變信息疊加，結(jié)果如圖5所示。針對(duì)地表形變信息與滑坡隱患識(shí)別的關(guān)聯(lián)性，選取滑坡隱患識(shí)別點(diǎn)分布集中且形變量大的舟曲縣東北和西南方向進(jìn)行融合。

圖5分析可以看出，形變量較大的東北方向上，滑坡隱患識(shí)別點(diǎn)主要分布在立節(jié)鄉(xiāng)和城關(guān)鎮(zhèn)區(qū)域，其中地表沉降量大于0.06 m 的區(qū)域大都被識(shí)別為潛在滑坡體；西南方向上，滑坡識(shí)別點(diǎn)集中在博峪鄉(xiāng)范圍內(nèi)，分布區(qū)域的地表形變量多數(shù)大于0.14 m。對(duì)于形變信息較大的區(qū)域，果耶鄉(xiāng)等都被識(shí)別為滑坡區(qū)域，證實(shí)了地表形變與滑坡識(shí)別結(jié)果的一致性。在將識(shí)別的滑坡隱患區(qū)域轉(zhuǎn)化為滑坡點(diǎn)的過(guò)程中存在一定的誤差，所以對(duì)于滑坡點(diǎn)的篩選應(yīng)結(jié)合地表沉降信息進(jìn)行分析。

為了驗(yàn)證地表形變與潛在滑坡體之間的強(qiáng)相關(guān)性，以舟曲縣沉降量明顯的立節(jié)鄉(xiāng)為例進(jìn)行疊置分析，結(jié)果見圖6。立節(jié)鄉(xiāng)北坡存在較大地表形變，最大沉降量為0.12 m，該區(qū)域也相應(yīng)的識(shí)別出了滑坡隱患點(diǎn)，證實(shí)了地表形變信息與滑坡隱患的識(shí)別結(jié)果具有高度一致性。通過(guò)對(duì)立節(jié)鄉(xiāng)遙感影像的局部區(qū)域進(jìn)行目視解譯，見圖7(a)，可見滑坡沿東西向產(chǎn)生滑動(dòng)，與該區(qū)域的地表形變信息進(jìn)行疊加分析，見圖7(b)，滑坡與地表形變區(qū)域具有高度重合性且滑坡方向一致。據(jù)中國(guó)自然資源報(bào)報(bào)道，2021年1月，立節(jié)鄉(xiāng)北山滑坡發(fā)生了滑動(dòng)，證明了地表形變信息輔助滑坡識(shí)別的科學(xué)性。從圖5可以看出，立節(jié)鄉(xiāng)南部存在地表沉降區(qū)域，相應(yīng)地識(shí)別出了滑坡隱患點(diǎn)，應(yīng)作為重點(diǎn)監(jiān)測(cè)區(qū)域。識(shí)別與形變出現(xiàn)重合時(shí)應(yīng)提前預(yù)防，對(duì)該區(qū)域?qū)嵤┎婚g斷地監(jiān)測(cè)評(píng)估，根據(jù)評(píng)估結(jié)果針對(duì)不同災(zāi)害等級(jí)采取應(yīng)對(duì)措施，及時(shí)撤離相關(guān)區(qū)域人員，保證人民生命與財(cái)產(chǎn)安全。

圖5 舟曲地表形變與滑坡識(shí)別點(diǎn)疊合圖Fig.5 Overlap diagram of Zhouqu surface deformation and landslide identification points

圖6 立節(jié)鄉(xiāng)地表形變信息圖Fig.6 Information map of surface deformation in Lijie Township

圖7 立節(jié)鄉(xiāng)局部滑坡區(qū)域遙感影像圖和地表形變信息對(duì)比圖Fig.7 Comparison map of remote sensing image and surface deformation information of local landslide in Lijie Township

4 結(jié)論

利用Sentinel-1A 降軌影像和Sentinel-2 光學(xué)遙感影像，通過(guò)D-InSAR 技術(shù)對(duì)舟曲縣地表形變信息進(jìn)行探測(cè)，結(jié)合隨機(jī)森林模型對(duì)研究區(qū)滑坡隱患進(jìn)行識(shí)別，并針對(duì)典型滑坡區(qū)域（立節(jié)鄉(xiāng)）進(jìn)行實(shí)證研究，主要結(jié)論如下：

（1）舟曲縣的整體形變絕對(duì)量在0.08 m 以內(nèi)，存在明顯的形變區(qū)域分異，整體滑坡運(yùn)動(dòng)方向?yàn)闁|西向，與貫穿舟曲縣境內(nèi)的秦嶺山脈走向一致。

（2）滑坡隱患識(shí)別結(jié)果與地表形變數(shù)據(jù)基本吻合，說(shuō)明地表形變信息對(duì)于潛在滑坡體的識(shí)別具有強(qiáng)參考性，進(jìn)而證實(shí)了結(jié)合地表形變信息運(yùn)用已有滑坡數(shù)據(jù)集進(jìn)行區(qū)域滑坡識(shí)別學(xué)習(xí)的可行性。

（3）立節(jié)鄉(xiāng)研究時(shí)段內(nèi)形變量達(dá)到0.18 m，是舟曲縣域地表沉降最大的區(qū)域，也識(shí)別出了潛在滑坡體，同時(shí)該區(qū)域于2021年1月18日發(fā)生北山滑坡，證實(shí)了DInSAR 與隨機(jī)森林模型耦合的活動(dòng)性滑坡識(shí)別方法具有一定的可靠性。

（4）通過(guò)地表形變信息和隨機(jī)森林識(shí)別結(jié)果相結(jié)合的方法進(jìn)行潛在滑坡體的識(shí)別，兩者可以在相輔相成的情況下提高識(shí)別精度，最大限度地識(shí)別出滑坡災(zāi)害隱患，對(duì)提高滑坡隱患識(shí)別的精度具有可靠性和一定的廣泛適用性。

（5）由于文中主要目的是探測(cè)研究區(qū)域活動(dòng)滑坡，因此僅選取了時(shí)間間隔為1年的2 期Sentinel-1A 雷達(dá)影像數(shù)據(jù)，不能充分揭示研究區(qū)滑坡隱患點(diǎn)的形變規(guī)律，該問題可作為后續(xù)研究的重點(diǎn)。