王 慶 芳，鄭 志 軍，董 繼 紅，余 天 彬，劉 文，黃 細 超

(1.成都市地質(zhì)環(huán)境監(jiān)測站，四川 成都 610041； 2.自然資源部成都地質(zhì)災(zāi)害野外科學(xué)觀測研究站，四川 成都 610041； 3.四川省地質(zhì)調(diào)查院 稀有稀土戰(zhàn)略資源評價與利用四川省重點實驗室，四川 成都 610081；4.四川省智慧地質(zhì)大數(shù)據(jù)有限公司，四川 成都 610081)

0 引 言

滑坡作為一種頻繁發(fā)生，破壞最為嚴重的自然災(zāi)害之一，具有隱蔽性強、破壞性大、突發(fā)性高等特點，嚴重危害著人民群眾的生命財產(chǎn)安全，同時也制約著區(qū)域經(jīng)濟的發(fā)展[1-3]。紅層是一種外觀以紅色為主色調(diào)的陸相碎屑巖沉積地層，龍泉山是典型的低山丘陵紅層區(qū)。地層主要是侏羅系、白堊系，巖性以紅色、紫紅色、磚紅色砂巖、粉砂巖、泥巖、礫巖為主[4-5]，該區(qū)域的植被覆蓋率較高，人類工程活動強烈。地層具有強度低、親水性強、易崩解、軟化、膨脹等特性，易發(fā)生規(guī)模較大的順層巖性滑坡[6-8]。據(jù)調(diào)查顯示，自2008年以來，該區(qū)域發(fā)生多起大規(guī)模的滑坡災(zāi)害，如雷打石滑坡、五家墳滑坡、油榨房滑坡等。區(qū)內(nèi)滑坡具有分布廣、隱蔽性強、突發(fā)性高、識別難度大等特點。因此很有必要利用遙感技術(shù)對該區(qū)域的滑坡隱患開展大范圍的早期識別研究，對典型的滑坡開展時序監(jiān)測，分析變形規(guī)律及特征。

光學(xué)遙感技術(shù)因結(jié)果準確率高、解譯精度高、獲取信息豐富、可以回溯歷史形變等特點廣泛用于滑坡識別、解譯分析等工作[9-10]，但是該技術(shù)自動化程度低、工作量大。而合成孔徑雷達干涉測量(Interferometric Synthetic Aperture Radar，InSAR)技術(shù)因其非接觸、不受云霧天氣影響、空間覆蓋范圍廣、監(jiān)測精度高等優(yōu)勢，廣泛用于地表形變監(jiān)測[11-13]。張路等[14]以四川省丹巴縣為例，利用InSAR技術(shù)獲取的形變速率圖及差分干涉圖成功識別出17處滑坡隱患，同時總結(jié)了影響時序InSAR技術(shù)監(jiān)測效果的主要因素。戴可人等[15]通過SBAS技術(shù)獲取的形變速率圖進行隱患的識別圈定，并討論了研究區(qū)域內(nèi)Sentinel-1數(shù)據(jù)可視性分布情況。朱賽楠等[16]利用光學(xué)遙感技術(shù)、InSAR技術(shù)結(jié)合物探及地表位移監(jiān)測等多個手段對金沙江流域色拉滑坡的特征、變形過程、形變機理進行研究，并對其變形趨勢進行了預(yù)判。李媛茜等[17]基于InSAR技術(shù)結(jié)合野外資料成功圈定了白龍江流域114處滑坡隱患，分析了滑坡發(fā)育特征，并通過對牙豁口滑坡結(jié)合無人機數(shù)據(jù)進行分區(qū)研究，證實了InSAR技術(shù)在滑坡變形監(jiān)測的有效性和可靠性。同時一些學(xué)者也利用Stacking InSAR技術(shù)及SBAS InSAR技術(shù)進行滑坡隱患的大范圍識別及監(jiān)測，取得了不錯的結(jié)果[18-19]。

基于此，本文以四川省成都市龍泉山區(qū)域為實驗區(qū)域，收集了覆蓋該區(qū)域的ALOS PALSAR-2數(shù)據(jù)、Sentinel-1數(shù)據(jù)及高分光學(xué)數(shù)據(jù)，開展多源遙感技術(shù)在低山丘陵區(qū)紅層滑坡隱患的早期識別，并對比不同波段SAR數(shù)據(jù)的隱患識別情況；基于SBAS技術(shù)結(jié)合無人機數(shù)據(jù)及現(xiàn)場調(diào)查結(jié)果分析了典型滑坡的變形規(guī)律及特征，并給出了相應(yīng)建議。

1 研究區(qū)概況及數(shù)據(jù)來源

1.1 研究區(qū)概況

龍泉山位于四川省成都市東側(cè)，西接成都平原區(qū)，東部接川東丘陵區(qū)，地勢中部較高沿龍泉山山脊展布，東西兩側(cè)低，本次研究區(qū)主要分布在龍泉山中段(見圖1)，研究區(qū)地貌類型主要為構(gòu)造侵蝕低山地貌，屬于川東低山丘陵區(qū)。區(qū)內(nèi)屬中亞熱帶濕潤氣候區(qū)，四季分明、濕潤溫暖，降雨豐沛，雨季多集中于6～9月，降雨量約占全年的75%。調(diào)查分析發(fā)現(xiàn)降雨條件對區(qū)域的滑坡災(zāi)害具有較強的控制作用，滑坡發(fā)生的時間主要集中在強降雨期。

圖1 研究區(qū)位置Fig.1 Geographical location of the study area

1.2 數(shù)據(jù)收集與處理

本次研究采用多源遙感技術(shù)綜合識別，利用多源SAR數(shù)據(jù)和高分光學(xué)衛(wèi)星影像開展區(qū)域滑坡隱患早期識別。收集了覆蓋該區(qū)域2017～2020年的ALOS PALSAR-2降軌數(shù)據(jù)。同時也收集了可以免費獲取的Sentinel-1數(shù)據(jù)進行研究區(qū)內(nèi)典型滑坡隱患的形變規(guī)律監(jiān)測分析(見表1)。利用AW3D30 DSM數(shù)據(jù)來消除InSAR干涉處理中的地形相位及輔助SAR影像進行地理編碼。Sentinel-1衛(wèi)星的POD精密軌道星歷(POD Precise Orbit Ephemerides)數(shù)據(jù)被用來輔助Sentinel-1數(shù)據(jù)的預(yù)處理和基線誤差改正。

表1 選用的遙感數(shù)據(jù)信息

同時在數(shù)據(jù)處理中對與高程不相干的隨機大氣擾動誤差，利用李振洪教授團隊研制的通用型衛(wèi)星雷達在線大氣改正系統(tǒng)(Generic Atmospheric Correction Online Service for InSAR，GACOS)來去除[20]。

光學(xué)衛(wèi)星數(shù)據(jù)主要包括國產(chǎn)高分二號和北京二號數(shù)據(jù)，用來進行滑坡隱患的光學(xué)遙感解譯和識別驗證。

2 低山丘陵區(qū)滑坡識別監(jiān)測方法

結(jié)合工作區(qū)滑坡發(fā)生的特殊性質(zhì)，如分布廣泛、隱蔽性強、空間尺度較小、受降雨影響大以及突發(fā)性強等特點，在基于InSAR技術(shù)用于滑坡隱患識別的相關(guān)研究和前期數(shù)據(jù)處理結(jié)果分析基礎(chǔ)上，本文結(jié)合收集到的SAR數(shù)據(jù)及其他相關(guān)資料，針對低山紅層區(qū)突發(fā)性滑坡隱患識別、監(jiān)測研究，給出了本文的滑坡隱患識別與監(jiān)測處理流程(見圖2)。該流程的關(guān)鍵是對基于地表形變速率解譯的滑坡隱患從光學(xué)影像中尋找依據(jù)，通過SBAS技術(shù)判定其變形量及變形規(guī)律，通過野外調(diào)查、核查識別結(jié)果的準確性，并對災(zāi)害庫進行更新，同時積累該區(qū)域的解譯標(biāo)識庫。

圖2 滑坡隱患識別與監(jiān)測流程Fig.2 Flow chart of landslide hidden danger identification and monitoring

2.1 Stacking InSAR技術(shù)用于滑坡隱患編目

目前開展大范圍滑坡隱患早期識別工作，普遍采用Stacking InSAR技術(shù)，該技術(shù)具有使用影像數(shù)量少、結(jié)果獲取效率高等優(yōu)勢。因此本文在對比不同波段數(shù)據(jù)獲取結(jié)果解譯情況與已有滑坡隱患庫基礎(chǔ)上，建議在進行Stacking計算中采用ALOS-2數(shù)據(jù)與Sentinel-1數(shù)據(jù)相結(jié)合的形式進行。

其中Stacking技術(shù)[21]是由Sandwell等在1998年提出，該技術(shù)原理是對解纏相位進行加權(quán)平均解算，以達到削弱空間上不相關(guān)的噪聲的影響，從而獲取研究區(qū)域的平均形變速率[22-23]。主要處理步驟如圖3所示。

圖3 STACKING-INSAR技術(shù)流程Fig.3 Stacking-InSAR technology process

2.2 基于光學(xué)遙感技術(shù)的滑坡隱患識別

結(jié)合工作區(qū)地質(zhì)災(zāi)害特征，對滑坡隱患點的識別，可采用對比分析方法和直接識別方法進行判定。對比分析方法首先利用遙感影像對斜坡失穩(wěn)前地質(zhì)環(huán)境條件和變形跡象進行解譯，然后對工作區(qū)內(nèi)地質(zhì)環(huán)境條件相似或者變形跡象明顯的地質(zhì)災(zāi)害進行遙感解譯。直接識別方法的關(guān)鍵是建立遙感影像識別標(biāo)志，遙感解譯標(biāo)志包括了地質(zhì)災(zāi)害發(fā)育的地質(zhì)環(huán)境條件和斜坡變形特征解譯兩個方面，如表2所列。

表2 滑坡光學(xué)遙感解譯識別標(biāo)志

2.3 SBAS InSAR技術(shù)用于滑坡監(jiān)測分析

對于典型滑坡隱患采用SBAS InSAR技術(shù)進行長時間序列監(jiān)測，獲取其變形趨勢及變形量等信息，因為Sentinel-1數(shù)據(jù)時間分辨率高(時間間隔為6/12 d)、免費獲取，所以本文利用Sentinel-1數(shù)據(jù)基于SBAS技術(shù)開展典型滑坡隱患的時間序列監(jiān)測分析。

SBAS技術(shù)是由Berardino等于2002年提出的，基本原理是假設(shè)在監(jiān)測時間t0～ts內(nèi)獲取了S+1幅SAR影像，根據(jù)干涉組合條件可形成M幅干涉組合，符合式(1)：

(1)

一般根據(jù)實際情況設(shè)置一定的垂直基線閾值和時間基線閾值對M的值域進行限制，通過這種形式可以降低因垂直基線和時間基線過大引起的失相干現(xiàn)象[23-24]。利用差分干涉計算獲得差分干涉相位，用于第j幅干涉相位是根據(jù)tA和tB(tA

3 結(jié)果分析

3.1 基于Stacking InSAR技術(shù)的滑坡隱患早期識別與效果分析

分別利用ALOS-2數(shù)據(jù)和Sentinel-1數(shù)據(jù)進行Stacking InSAR處理。對ALOS-2數(shù)據(jù)進行距離向和方位向采用2×4的多視處理來提高信噪比，由于ALOS-2數(shù)據(jù)量較少，因此采用全組合的形式進行差分干涉處理，并進行Stacking InSAR解算獲得沿雷達衛(wèi)星視線向(Line of Sight，LOS)年平均形變速率結(jié)果(見圖4)。對于Sentinel-1數(shù)據(jù)，在處理中采用8×2進行距離向和方位向多視處理，設(shè)置空間基線不大于200 m，時間基線不大于48 d進行干涉對組合，進而提高相干性和運算效率，并通過Stacking InSAR技術(shù)獲取了形變速率結(jié)果。

圖4 利用ALOS-2數(shù)據(jù)獲取沿LOS向地表形變速率Fig.4 Surface deformation rate along the LOS direction obtained by ALOS-2 data

根據(jù)形變速率圖中的條紋形態(tài)判識疑似的地災(zāi)隱患[29]，結(jié)合地形條件及光學(xué)影像，對基于不同數(shù)據(jù)源獲取的地表形變監(jiān)測結(jié)果進行滑坡隱患的識別解譯，其中ALOS-2數(shù)據(jù)共識別出9處隱患點(見圖4)，野外核查發(fā)現(xiàn)8處有明顯變形，1處無明顯變形。Sentinel-1升軌數(shù)據(jù)識別出8處，經(jīng)野外驗證5處為滑坡隱患，Sentinel-1降軌數(shù)據(jù)識別出6處，經(jīng)野外驗證2處為滑坡隱患，Sentinel-1數(shù)據(jù)經(jīng)驗證正確的隱患點與ALOS-2數(shù)據(jù)識別的隱患點位置一致，具體滑坡隱患信息如表3所列。

表3 滑坡隱患信息

選擇了3處經(jīng)野外驗證為滑坡隱患進行多源遙感數(shù)據(jù)識別對比分析(見圖5)。其中獅子山滑坡和宋家灣滑坡為新增隱患點。通過基于ALOS-2數(shù)據(jù)獲取了這3處滑坡隱患的解譯信息，可以看到明顯的變形信息。相應(yīng)地，在Sentinel-1升軌數(shù)據(jù)中可以看到較為明顯的形變信息。其中獅子山滑坡和鄢家溝滑坡的變形信息與ALOS-2數(shù)據(jù)獲取的變形信息具有較好的一致性，只是Sentinel-1是升軌數(shù)據(jù)，ALOS-2是降軌數(shù)據(jù)，所以在速率圖中圖斑顏色正好相反。這3處滑坡隱患在Sentinel-1降軌數(shù)據(jù)中沒有變形信息，故沒有展示。

宋家灣滑坡隱患是基于ALOS-2數(shù)據(jù)獲取的新增隱患點，該滑坡在Sentinel-1升軌數(shù)據(jù)中變形信息并不明顯，為此依據(jù)圖2流程進行驗證分析。圖6為該滑坡隱患對應(yīng)的光學(xué)影像，從圖6中可以看到該滑坡隱患具備地質(zhì)災(zāi)害發(fā)育的地質(zhì)環(huán)境條件，但是斜坡變形特征并不明顯。為此，提取基于InSAR監(jiān)測變形強烈的部分，再基于SBAS InSAR技術(shù)提取其時間序列變形信息(見圖7)。從圖7可以看到：該滑坡一直處于變形狀態(tài)，變形具有明顯的周期性，每年7月前后處于加速變形狀態(tài)，變形時間為工作區(qū)雨季，同時2018年1月至2020年12月累積變形量達到了132 mm，佐證了該點為滑坡隱患點，后期通過野外調(diào)查驗證，確定該點為一新增滑坡隱患點。

圖6 宋家灣滑坡光學(xué)衛(wèi)星影像解譯信息(北京2號)Fig.6 Optical satellite image interpretation information of Songjiawan landslide(satellite of Beijing 2)

圖7 宋家灣滑坡時序點變形信息Fig.7 Deformation information of Songjiawan landslide sequence point

3.2 典型滑坡隱患監(jiān)測

選擇利用時序InSAR技術(shù)識別的一處新增隱患點——鄭家房子滑坡為例進行隱患監(jiān)測分析。該滑坡地理位置為104°13′21.93301″E，30°23′0.09891″N；滑坡形態(tài)整體呈簸箕形，滑坡前緣高程685 m，后緣高程770 m，高差85 m，縱長約260 m，橫寬約150 m，坡向約245°，坡度15°～20°，滑坡平面面積為6.25萬 m2，按10 m厚度估算，估算方量為6.25×105m3，為一大型緩傾滑坡。地層巖性為侏羅系中統(tǒng)沙溪廟組(J2s)淺紫紅、黃灰色厚-塊狀中細粒巖屑砂巖、巖屑長石砂巖與紫紅色、灰紫色粉砂質(zhì)泥巖、粉砂巖互層，滑坡結(jié)構(gòu)為一順向坡，屬于典型的低山紅層區(qū)順層滑坡。

同時獲取了該區(qū)域的無人機正射影像圖(見圖8)，從光學(xué)影像圖中可以看到滑坡后緣呈圈椅狀，可見早期滑動形成的洼地緩坡平臺；滑坡兩側(cè)以負地形凹地為界，可見溝道微地貌；滑坡前緣以緩坡平臺為界，堆積體外凸擠向臨空面，陡緩交界線明顯。

圖8 鄭家房子滑坡光學(xué)遙感解譯(據(jù)2021年無人航測數(shù)據(jù))Fig.8 Interpretation of Zhengjiafangzi landslide by optical remote sensing(according to unmanned aerial survey data in 2021)

通過對此滑坡進行現(xiàn)場核查，發(fā)現(xiàn)滑坡變形區(qū)域與監(jiān)測識別吻合性較好?；伦冃螀^(qū)主要集中在左側(cè)中部居民區(qū)處，房屋局部發(fā)生拉裂變形，坡體局部發(fā)生溜滑。

據(jù)訪問坡體上部右側(cè)邊界處的一戶居民，可知該區(qū)域斜坡在2018年至2021年底，每年降雨期坡表均有不同程度的溜滑，該居民房屋無變形，屋后堡坎局部發(fā)生溜滑?，F(xiàn)場調(diào)查坡體中部發(fā)育裂縫，裂縫走向NE35°，裂縫延伸長度10～25 m，寬10～20 cm，錯落高度5～15 cm。該滑坡為一土質(zhì)滑坡，斜坡坡向與滑動方向基本一致，屬于龍泉山典型的易滑斜坡區(qū)。

為了對鄭家房子滑坡的變形特征進行分析，采用SBAS InSAR技術(shù)對Sentinel-1升軌數(shù)據(jù)進行處理，獲得了該滑坡沿LOS向地表形變速率結(jié)果(見圖9)，正值表示滑坡位移靠近衛(wèi)星運動方向變形，負值表示遠離衛(wèi)星飛行方向。

圖9 鄭家房子滑坡形變速率Fig.9 Deformation rate of Zhengjiafangzi landslide

將圖9與ALOS-2數(shù)據(jù)結(jié)果對比后發(fā)現(xiàn)，兩者在強變形區(qū)域具有較好的一致性，圖9中形變速率最大達到了-40 mm/a。在滑坡體上選擇特征點提取其在時間域的累積形變量結(jié)果(見圖10)。可以看到特征點的變形信息具有明顯的規(guī)律性，每年的5～7月之間發(fā)生變形，變形速率最大，其他時間段基本趨于穩(wěn)定，其變形時間與當(dāng)?shù)氐挠昙疚呛?。其中B、C點形變速率最大，累積變形量也最大，其在2018年1月至2020年12月累積變形量達到134 mm。結(jié)合現(xiàn)場調(diào)查情況可知該滑坡變形主要集中在每年的汛期，在強降雨作用下，容易發(fā)生大規(guī)?；?，威脅坡體居民區(qū)、村道，因此需要在雨季加強持續(xù)性監(jiān)測。

圖10 鄭家房子滑坡體監(jiān)測點累計形變曲線Fig.10 Cumulative deformation curve of monitoring points of Zhengjiafangzi landslide mass

4 討 論

4.1 低山丘陵區(qū)雷達數(shù)據(jù)適用性及SAR數(shù)據(jù)選取分析

3.1節(jié)中提到Sentinel-1數(shù)據(jù)和ALOS-2數(shù)據(jù)識別滑坡隱患的數(shù)目及準確率不一致，經(jīng)分析主要是受差分干涉相干性的影響。ALOS-2數(shù)據(jù)搭載L波段的傳感器，波長較長，對地表植被具有較好的穿透性。Sentinel-1數(shù)據(jù)搭載C波段，使得在植被茂密區(qū)域相干性差，尤其是夏季更甚。分別在5月與8月，每個月選取2景覆蓋研究區(qū)域時間間隔12 d的Sentinel-1數(shù)據(jù)進行差分干涉處理，獲取了相干系數(shù)對比圖(見圖11)。從圖11中可以看到時間間隔12 d之內(nèi)，相關(guān)系數(shù)圖在山區(qū)相干性較差，大部分區(qū)域相關(guān)系數(shù)低于0.2，因此在進行相位解纏的時候，絕大部分會被掩膜掉，同時滑坡易發(fā)區(qū)域位于山區(qū)，因此會造成監(jiān)測區(qū)域缺少有效信息。結(jié)合圖7可知該區(qū)域的滑坡隱患變形主要發(fā)生在5～7月，但是這段時間因為植被茂密使得基于Sentinel-1數(shù)據(jù)進行差分干涉處理，獲取到的監(jiān)測信息效果較差。

圖11 不同時間段相關(guān)系數(shù)(間隔12 d)Fig.11 Correlation coefficient diagram for different time periods(interval of 12 days)

為了提高該區(qū)域的隱患識別能力和監(jiān)測效果，經(jīng)過上面的對比和結(jié)合文獻[30]，認為在該區(qū)域進行滑坡隱患的早期識別，應(yīng)選擇分辨率更高或者波長更長的SAR數(shù)據(jù)，比如日本的ALOS-2衛(wèi)星數(shù)據(jù)，阿根廷的SAOCOM-1A衛(wèi)星數(shù)據(jù)，以及即將發(fā)射的國產(chǎn)SAR衛(wèi)星。而Sentinel-1數(shù)據(jù)因高時間分辨率、免費獲取可以用來對典型滑坡隱患開展時序監(jiān)測分析。

4.2 Stacking InSAR技術(shù)適用性分析

在本文中用Stacking 技術(shù)進行隱患識別的前提是假設(shè)識別對象變形為線性形變，進而獲取了地表形變結(jié)果。但是對該區(qū)域的滑坡通過SBAS InSAR技術(shù)進行時序監(jiān)測，發(fā)現(xiàn)其變形具有一定的周期性，這與假設(shè)相矛盾，仍然可以識別出滑坡隱患的原因有：① 收集到的ALOS-2數(shù)據(jù)集，在夏季有影像數(shù)據(jù)，使得可以很好獲取降雨期間的變形信息。② Sentinel-1數(shù)據(jù)在5～8月雖然相干性較差，但是時間分辨率高，差分干涉組合多，因此在加權(quán)平均過程中可以獲取到有效變形信息。

需要指出來的是Stacking技術(shù)在該區(qū)域進行滑坡隱患識別時，可能因為平均計算使得獲取的地表形變形變速率結(jié)果值偏小，部分變形速率較小的滑坡隱患存在漏判現(xiàn)象，如文中的宋家灣滑坡，在基于Sentinel-1數(shù)據(jù)的Stacking結(jié)果中該滑坡隱患變形效果并不明顯，但是在累積形變量中均有較強烈的表現(xiàn)。

5 結(jié) 論

本文以龍泉山區(qū)域為例，采用時序InSAR技術(shù)利用多源SAR數(shù)據(jù)，結(jié)合光學(xué)遙感技術(shù)利用高分光學(xué)數(shù)據(jù)對該區(qū)域滑坡隱患開展識別研究，基于SBAS技術(shù)對典型滑坡隱患開展時序監(jiān)測分析，并對識別的隱患進行野外驗證。主要有以下結(jié)論：

(1) 利用Stacking技術(shù)、結(jié)合光學(xué)遙感技術(shù)成功識別出8處滑坡隱患，并通過野外驗證驗證了其可靠性，發(fā)現(xiàn)ALOS-2數(shù)據(jù)的識別效果優(yōu)于Sentinel-1數(shù)據(jù)，也證明了時序InSAR技術(shù)用于該區(qū)域的滑坡隱患識別具有可行性。

(2) 對基于ALOS-2數(shù)據(jù)識別的鄭家房子滑坡，通過時序監(jiān)測發(fā)現(xiàn)其最大形變速率為-40 mm/a，最大累積形變量為134 mm，并且其變形規(guī)律與汛期相吻合。通過野外調(diào)查發(fā)現(xiàn)，該滑坡在強降雨作用下，容易發(fā)生大規(guī)模失移，威脅坡體居民區(qū)、村道，因此需要在雨季加強持續(xù)性監(jiān)測，同時結(jié)果表明多種時序InSAR技術(shù)相結(jié)合用于滑坡隱患識別監(jiān)測具有較強可行性和可靠性。

(3) 通過對比不同波段SAR數(shù)據(jù)的識別結(jié)果及影響因素分析，發(fā)現(xiàn)影響該區(qū)域識別效果主要是干涉相干性，因此建議該區(qū)域采用分辨率更高或者波長較長的SAR數(shù)據(jù)開展滑坡隱患識別工作。

(4) 通過討論Stacking InSAR技術(shù)的適用性，分析了部分滑坡隱患漏判的原因，建議采用多種時序InSAR技術(shù)相結(jié)合形式開展滑坡隱患識別與監(jiān)測工作。