高山峡谷区滑坡灾害隐患InSAR早期识别——以雅砻江中段为例

戴可人 铁永波 许强 冯也 卓冠晨 史先琳

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. doi:  10.12000/JR20012
引用本文: 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. doi:  10.12000/JR20012
DAI Keren, TIE Yongbo, XU Qiang, 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. doi:  10.12000/JR20012
Citation: DAI Keren, TIE Yongbo, XU Qiang, 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. doi:  10.12000/JR20012

高山峡谷区滑坡灾害隐患InSAR早期识别——以雅砻江中段为例

doi: 10.12000/JR20012
基金项目: 中国地质调查局公益性地质调查项目(DD20190640),国家自然科学基金(41801391),四川省科技计划重大研发项目(2019YFS0074),四川省科技计划项目(2019YJ0404),地质灾害防治与地质环境保护国家重点实验室自主研究课题(SKLGP2018Z019)
详细信息
    作者简介:

    戴可人(1989–),男,四川成都人,教授,博士研究生导师。成都理工大学珠峰计划引进人才,地质灾害防治与地质环境保护国家重点实验室固定研究人员。主要研究方向包括合成孔径雷达干涉测量高山峡谷区滑坡灾害早期识别与监测预警,遥感滑坡灾害评估与编目等。近五年在IEEE GRSM,RSE,INT J APPL EARTH OBS等国际遥感期刊发表论文10余篇。E-mail: daikeren17@cdut.edu.cn

    铁永波(1979–),男,云南人,中国地质调查局成都地质调查中心教授级高级工程师,博士研究生导师,第十二批四川省学术带头人后备人选,研究方向为地质灾害形成机理与风险评价。E-mail: tyb038@qq.com

    许 强(1968–),男,四川南江人,博士,二级教授,博士研究生导师,现任成都理工大学副校长,地质灾害防治与地质环境保护国家重点实验室常务副主任,国家杰出青年基金获得者,教育部长江学者特聘教授,国家杰出专业技术人才,全国五一劳动奖章获得者,国务院特殊津贴专家。专长于地质灾害成因机理、早期识别、监测预警与应急处置,作为核心成员完成的科研成果获国家科技进步一等奖2项,省部级科技进步奖一等奖6项。E-mail: xq@cdut.edu.cn

    冯 也(1992–),男,四川遂宁人,成都理工大学地球科学学院硕士研究生。主要研究方向为InSAR数据处理及应用。E-mail: 2018050049@stu.cdut.edu.cn

    卓冠晨(1995–),男,福建邵武人,成都理工大学地球科学学院硕士研究生。主要从事基于合成孔径雷达干涉测量的地表形变监测研究。E-mail: zhuoguanchen_RS@foxmail.com

    史先琳(1980–),女,四川成都人,博士,副教授,硕士研究生导师。四川省测绘地理信息学会教育专委会委员,获四川省高等教育教学成果二等奖,四川省测绘科技进步奖三等奖。主要研究方向包括遥感地质与空间信息智能服务。E-mail: shixianlin06@cdut.edu.cn

    通讯作者:

    铁永波 tyb2009@qq.com

    许强 xq@cdut.edu.cn

  • 责任主编:张路 Corresponding Editor: ZHANG Lu
  • 中图分类号: TN95

Early Identification of Potential Landslide Geohazards in Alpine-canyon Terrain Based on SAR Interferometry—a Case Study of the Middle Section of Yalong River

Funds: The Public Geological Survey Project of China Geological Survey (DD20190640), The National Natural Science Foundation of China (41801391), The Provincial Key R&D Program of the Sichuan Ministry of Science and Technology (2019YFS0074), Sichuan Science and Technology Plan Project (2019YJ0404), State Key Laboratory of Geohazard Prevention and Geoenvironment Protection Independent Research Project (SKLGP2018Z019)
More Information
  • 摘要: 我国西部山区滑坡灾害频发,具有强隐蔽性、高突发性、强破坏性等特点,对灾害隐患点进行早期识别是最为有效的防灾减灾措施。西部山区多为高山峡谷区域且范围辽阔,人不易至甚至人不能至,传统的人工排查早期识别方法较难实施。合成孔径雷达干涉测量技术(InSAR)作为新兴雷达遥感测量手段,可以高效准确地对高山峡谷区域进行滑坡灾害隐患早期识别。该文基于欧洲空间局(ESA)的哨兵一号(Sentinel-1)SAR遥感数据,利用时间序列InSAR技术对雅砻江流域雅江县-木里县段的高山峡谷区域进行了滑坡灾害隐患广域早期识别,成功探测到8处隐患区域。并结合滑坡隐患历史资料与光学影像遥感解译对识别结果进行了验证与分析,对灾害点风险等级进行了评定。并探讨了几何畸变因素对高山峡谷区域InSAR技术滑坡灾害隐患广域早期识别的影响。该案例可为当地的防灾减灾提供有力的数据与技术支持,并为高山峡谷区的滑坡灾害隐患早期识别提供思路与参考。
  • 图  1  研究区域

    Figure  1.  Study area

    图  2  SAR数据集时空基线图

    Figure  2.  Spatial and temporal baselines of SAR datasets

    图  3  SBAS-InSAR时序分析流程图

    Figure  3.  Flowchart of SBAS-InSAR time series analysis

    图  4  InSAR年均平均速率监测结果

    Figure  4.  Mean velocity map derived from InSAR

    图  8  卫星入射角(LOS)观测方向与沿坡向形变关系(修改自文献[22])

    Figure  8.  Relationships between the Line Of Sight (LOS) and the downslope displacements for different slope orientations (adapted from Ref. [22])

    图  9  雅砻江流域Sentinel-1数据几何畸变分布图

    Figure  9.  Geometric distortion of Sentinel-1 datasets along Yalong River

    图  5  鲁日村滑坡灾害隐患识别结果

    Figure  5.  Early identification results of potential landslide geohazards in Luri village

    图  6  中铺子村滑坡灾害隐患识别结果

    Figure  6.  Early identification results of potential landslide geohazards in Zhongpuzi village

    图  7  潜在地质灾害点验证与对比

    Figure  7.  Verification and comparison on potential landslide geohazards

    图  10  雅砻江日衣村-木灰村段

    Figure  10.  Yalong River Riyi village-Muhui village section

    表  1  Sentinel-1卫星SAR影像数据主要参数

    Table  1.   Main parameters of Sentinel-1 SAR datasets

    主要参数Sentinel-1卫星数据
    轨道方向升轨
    波段C
    雷达波长(cm)5.6
    空间分辨率(m)5×20
    重访周期(d)12
    入射角(°)36.8
    下载: 导出CSV

    表  2  雅砻江潜在灾害点早期识别结果列表

    Table  2.   Early identification results on potential disaster sites along Yalong River

    编号滑坡名经纬度变形范围(m)最大形变速率
    (mm/year)
    平均坡
    度(%)
    高程范围(m)植被覆
    盖情况
    威胁对象风险
    等级
    1鲁日村101°7′ 35″ E 29°34′ 43″ N1800*100076302463~3085村落与雅砻江
    2日阿101°7′ 2″ E 29°32′ 28″ N2200*90095572462~3140村落与雅砻江
    3日衣101°7′ 41″ E 29°30′ 29″ N2100*50066572452~2896村落与雅砻江
    4木恩101°0′ 37″ E 29°20′ 33″ N500*80057582295~2853雅砻江
    5中铺子村101°12′ 30″ E 28°35′ 04″ N1320*70073601900~3000村落与雅砻江
    6麻撒村101°14′ 21″ E 28°29′ 07″ N360*40046551900~2500村落与雅砻江
    7阳山村101°27′ 32″ E 28°04′ 18″ N710*100053621762~2350雅砻江支流
    8独家村101°30′ 07″ E 28°03′ 31″ N630*70060551600~2200雅砻江
    下载: 导出CSV

    表  3  雅砻江流域InSAR早期识别验证与对比

    Table  3.   Verification and comparison on early identification results from InSAR along Yalong River

    编号滑坡名历史记录地貌地形特征威胁对象危险等级
    1鲁日古滑坡可见古滑坡体村落与雅砻江
    2日阿古滑坡可见小型古滑坡村落与雅砻江
    3日衣古滑坡可见古滑坡体村落与雅砻江
    4木恩古滑坡可见古滑坡体雅砻江
    5中铺子村新发现可见古滑坡体村落与雅砻江
    6麻撒村新发现可见古滑坡体村落与雅砻江
    7阳山村新发现无明显特征雅砻江支流
    8独家村新发现可见历史崩塌雅砻江
    下载: 导出CSV
  • [1] 刘哲. 基于GIS的雅砻江流域麦地龙—卡拉段地质灾害危险性评价[D]. [硕士论文], 成都理工大学, 2015.

    LIU Zhe. Hazard assessment of geological disasters in the Yalong River basin from the Maidilong to Kala based on GIS[D]. [Master dissertation], Chengdu University of Technology, 2015.
    [2] 常晓军, 魏伦武, 王德伟. 雅砻江流域地质灾害分布特征及其影响因素分析[J]. 灾害学, 2009, 24(3): 83–88. doi:  10.3969/j.issn.1000-811X.2009.03.017

    CHANG Xiaojun, WEI Lunwu, and WANG Dewei. Distribution characteristics and influencing factors of geological hazards in Yalong River basin[J]. Journal of Catastrophology, 2009, 24(3): 83–88. doi:  10.3969/j.issn.1000-811X.2009.03.017
    [3] 王孔伟, 邓成进, 张帆. 中国西南雅砻江流域唐古栋滑坡及雨日堆积体形成机理分析[J]. 工程地质学报, 2012, 20(6): 955–970. doi:  10.3969/j.issn.1004-9665.2012.06.007

    WANG Kongwei, DENG Chengjin, and ZHANG Fan. Formation process of Tanggudong landslide and Yuri accumulation body in Yalong River valley in southwest China[J]. Journal of Engineering Geology, 2012, 20(6): 955–970. doi:  10.3969/j.issn.1004-9665.2012.06.007
    [4] 梁瑞锋, 杨敏, 杨栓成, 等. 雅砻江流域卡拉段地质灾害分布特征与影响因素分析[J]. 人民珠江, 2016, 37(11): 13–17. doi:  10.3969/j.issn.1001-9235.2016.11.003

    LIANG Ruifeng, YANG Min, YANG Shuancheng, et al. Distribution characteristics and influencing factors analysis of geological disasters in Kala section along Yalong River[J]. Pearl River, 2016, 37(11): 13–17. doi:  10.3969/j.issn.1001-9235.2016.11.003
    [5] 陆会燕, 李为乐, 许强, 等. 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[J]. 武汉大学学报: 信息科学版, 2019, 44(9): 1342–1354.

    LU Huiyan, LI Weile, XU Qiang, et al. Early detection of landslides in the upstream and downstream areas of the Baige Landslide, the Jinsha River based on optical remote sensing and InSAR technologies[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1342–1354.
    [6] 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.

    GE Daqing, DAI Keren, GUO Zhaocheng, 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.
    [7] XIA Y. CR-based SAR-interferometry for landslide monitoring[C]. 2008 IEEE International Geoscience and Remote Sensing Symposium, Boston, USA, 2008. doi: 10.1109/IGARSS.2008.4779226.
    [8] 王腾. 时间序列InSAR数据分析技术及其在三峡地区的应用[D]. [博士论文], 武汉大学, 2010.

    WANG Teng. Time series InSAR analysis over the Three Gorges Region: Techniques and applications[D]. [Ph. D. dissertation], Wuhan University, 2010.
    [9] XU Qiang, YUAN Yong, ZENG Yuping, et al. Some new pre-warning criteria for creep slope failure[J]. Science China Technological Sciences, 2011, 54(1): 210–220. doi:  10.1007/s11431-011-4640-5
    [10] 戴可人, 卓冠晨, 许强, 等. 雷达干涉测量对甘肃南峪乡滑坡灾前二维形变追溯[J]. 武汉大学学报: 信息科学版, 2019, 44(12): 1778–1786, 1796.

    DAI Keren, ZHUO Guanchen, XU Qiang, et al. Tracing the pre-failure two-dimensional surface displacements of Nanyu landslide, Gansu province with radar interferometry[J]. Geomatics and Information Science of Wuhan University, 2019, 44(12): 1778–1786, 1796.
    [11] DONG Jie, ZHANG Lu, TANG Minggao, 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
    [12] 张毅. 基于InSAR技术的地表变形监测与滑坡早期识别研究—以白龙江流域中游为例[D]. [博士论文], 兰州大学, 2018.

    ZHANG Yi. Detecting ground deformation and investigating landslides using InSAR technique—taking middle reach of Bailong River basin as an example[D]. [Ph. D. dissertation], Lanzhou University, 2018.
    [13] 张路, 廖明生, 董杰, 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. doi:  10.13203/j.whugis20180181

    ZHANG Lu, LIAO Mingsheng, DONG Jie, 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. doi:  10.13203/j.whugis20180181
    [14] 张亚迪, 李煜东, 董杰, 等. 时序InSAR技术探测芒康地区滑坡灾害隐患[J]. 遥感学报, 2019, 23(5): 987–996.

    ZHANG Yadi, LI Yudong, DONG Jie, et al. Landslide hazard detection in Markam with time-series InSAR analyses[J]. Journal of Remote Sensing, 2019, 23(5): 987–996.
    [15] DAI Keren, CHEN Gang, XU Qiang, et al. Potential landslide early detection near Wenchuan by a qualitatively multi-baseline DInSAR method[C]. ISPRS Technical Commission III Midterm Symposium on "Developments, Technologies and Applications in Remote Sensing", Beijing, China, 2018: 253–256.
    [16] 李振洪, 宋闯, 余琛, 等. 卫星雷达遥感在滑坡灾害探测和监测中的应用: 挑战与对策[J]. 武汉大学学报: 信息科学版, 2019, 44(7): 967–979. doi:  10.13203/j.whugis20190098

    LI Zhenhong, SONG Chuang, YU Chen, et al. Application of satellite radar remote sensing to landslide detection and monitoring: challenges and solutions[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 967–979. doi:  10.13203/j.whugis20190098
    [17] 冷伦, 冷荣梅. 雅砻江垮山洪水和历史的教训[J]. 四川水利, 2002, 23(2): 42–44.

    LENG Lun and LENG Rongmei. Mountain slide flood in Yalong river and historical lesson[J]. Sichuan Water Conservancy, 2002, 23(2): 42–44.
    [18] 伍超, 冉洪兴, 郑永红, 等. 雅砻江唐古栋垮山堵江溃决洪水过程研究[J]. 水动力学研究与进展, 1999, 11A: 646–652.

    WU Chao, RAN Hongxing, ZHENG Yonghong, et al. Hydrograph of the dam-break flood of the reservoir formed by mountain collapse in Ya Longjiang[J]. Journal of Hydrodynamics, 1999, 11A: 646–652.
    [19] 武运泊. 雅砻江卡拉地区滑坡发育规律与成因机制分析[D]. [硕士论文], 成都理工大学, 2015.

    WU Yunbo. Analysis of development law and genetic mechanism of the landsides in Kala area, Yalong River[D]. [Master dissertation], Chengdu University of Technology, 2015.
    [20] 黄润秋. 20世纪以来中国的大型滑坡及其发生机制[J]. 岩石力学与工程学报, 2007, 26(3): 433–454. doi:  10.3321/j.issn:1000-6915.2007.03.001

    HUANG Runqiu. Large-scale landslides and their sliding mechanisms in China since the 20th century[J]. Chinese Journal of Rock Mechanics and Engineering, 2007, 26(3): 433–454. doi:  10.3321/j.issn:1000-6915.2007.03.001
    [21] 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
    [22] DAI Keren, LI Zhenhong, TOMÁS R, et al. Monitoring activity at the Daguangbao mega-landslide (China) using Sentinel-1 TOPS time series interferometry[J]. Remote Sensing of Environment, 2016, 186: 501–513. doi:  10.1016/j.rse.2016.09.009
    [23] COLESANTI C and WASOWSKI J. Investigating landslides with space-borne Synthetic Aperture Radar (SAR) interferometry[J]. Engineering Geology, 2006, 88(3/4): 173–199.
    [24] DAI Keren, LI Zhenhong, XU Qiang, et al. Entering the era of earth observation-based landslide warning systems: A novel and exciting framework[J]. IEEE Geoscience and Remote Sensing Magazine, 2020, 8(1): 136–153. doi:  10.1109/MGRS.2019.2954395
  • [1] 云烨, 吕孝雷, 付希凯, 薛飞扬.  星载InSAR技术在地质灾害监测领域的应用 . 雷达学报, 2020, 9(1): 73-85. doi: 10.12000/JR20007
    [2] 李晓峰, 张彪, 杨晓峰.  星载合成孔径雷达遥感海洋风场波浪场 . 雷达学报, 2020, 9(3): 425-443. doi: 10.12000/JR20079
    [3] 张王菲, 陈尔学, 李增元, 杨浩, 赵磊.  雷达遥感农业应用综述 . 雷达学报, 2020, 9(3): 444-461. doi: 10.12000/JR20051
    [4] 刘家麒, 陈渤, 介茜.  基于注意力机制和双向GRU模型的雷达HRRP目标识别 . 雷达学报, 2019, 8(5): 589-597. doi: 10.12000/JR19014
    [5] 李军, 王冠勇, 韦立登, 鲁耀兵, 胡庆荣.  基于毫米波多基线InSAR的雷达测绘技术 . 雷达学报, 2019, 8(6): 820-830. doi: 10.12000/JR19098
    [6] 金亚秋.  多模式遥感智能信息与目标识别:微波视觉的物理智能 . 雷达学报, 2019, 8(6): 710-716. doi: 10.12000/JR19083
    [7] 惠叶, 白雪茹.  基于RID序列的微动目标高分辨三维成像方法 . 雷达学报, 2018, 7(5): 548-556. doi: 10.12000/JR18056
    [8] 孙铭才, 张秦, 陈光陆.  动态时间窗下的相控阵雷达自适应调度算法 . 雷达学报, 2018, 7(3): 303-312. doi: 10.12000/JR17104
    [9] 付月, 崔国龙, 余显祥.  信号相关杂波背景下稳健的恒模序列与接收滤波器设计方法 . 雷达学报, 2017, 6(3): 292-299. doi: 10.12000/JR16158
    [10] 钱李昌, 许稼, 胡国旭.  非合作无源双基地雷达弱目标长时间积累技术 . 雷达学报, 2017, 6(3): 259-266. doi: 10.12000/JR16137
    [11] 王祥丽, 易伟, 孔令讲.  基于多目标跟踪的相控阵雷达波束和驻留时间联合分配方法 . 雷达学报, 2017, 6(6): 602-610. doi: 10.12000/JR17045
    [12] 戴幻尧, 刘勇, 黄振宇, 张杨.  极化雷达导引头对多路径干扰的检测识别新方法 . 雷达学报, 2016, 5(2): 156-163. doi: 10.12000/JR16046
    [13] 杜康宁, 邓云凯, 王宇, 李宁.  基于多层神经网络的中分辨SAR图像时间序列建筑区域提取 . 雷达学报, 2016, 5(4): 410-418. doi: 10.12000/JR16060
    [14] 冯存前, 李靖卿, 贺思三, 张豪.  组网雷达中弹道目标微动特征提取与识别综述 . 雷达学报, 2015, 4(6): 609-620. doi: 10.12000/JR15084
    [15] 梁福来, 李钊, 安强, 刘淼, 王健琪.  脉冲式超宽带生命探测雷达时间抖动抑制 . 雷达学报, 2015, 4(4): 439-444. doi: 10.12000/JR14115
    [16] 张建国, 武欣, 齐有政, 黄玲, 方广有.  时间域编码电磁勘探方法研究 . 雷达学报, 2014, 3(2): 158-165. doi: 10.3724/SP.J.1300.2014.13092
    [17] 万玮, 李黄, 洪阳.  作为外辐射源雷达的GNSS-R 遥感多极化问题 . 雷达学报, 2014, 3(6): 641-651. doi: 10.12000/JR14095
    [18] 王小青, 孙海清, 种劲松.  从SAR 子孔径序列图像中提取海洋动态特征的改进相位相关法(英文) . 雷达学报, 2013, 2(1): 30-38. doi: 10.3724/SP.J.1300.2013.13016
    [19] 曾涛, 殷丕磊, 杨小鹏, 范华剑.  分布式全相参雷达系统时间与相位同步方案研究 . 雷达学报, 2013, 2(1): 105-110. doi: 10.3724/SP.J.1300.2012.20104
    [20] 崔姗姗, 周建江, 朱劼昊.  基于半参数化SLC 的雷达目标识别 . 雷达学报, 2012, 1(4): 414-419. doi: 10.3724/SP.J.1300.2012.20097
  • 加载中
图(10) / 表ll (3)
计量
  • 文章访问数:  464
  • HTML全文浏览量:  243
  • PDF下载量:  114
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-03-01
  • 修回日期:  2020-06-01
  • 网络出版日期:  2020-06-15
  • 刊出日期:  2020-06-28

高山峡谷区滑坡灾害隐患InSAR早期识别——以雅砻江中段为例

doi: 10.12000/JR20012
    基金项目:  中国地质调查局公益性地质调查项目(DD20190640),国家自然科学基金(41801391),四川省科技计划重大研发项目(2019YFS0074),四川省科技计划项目(2019YJ0404),地质灾害防治与地质环境保护国家重点实验室自主研究课题(SKLGP2018Z019)
    作者简介:

    戴可人(1989–),男,四川成都人,教授,博士研究生导师。成都理工大学珠峰计划引进人才,地质灾害防治与地质环境保护国家重点实验室固定研究人员。主要研究方向包括合成孔径雷达干涉测量高山峡谷区滑坡灾害早期识别与监测预警,遥感滑坡灾害评估与编目等。近五年在IEEE GRSM,RSE,INT J APPL EARTH OBS等国际遥感期刊发表论文10余篇。E-mail: daikeren17@cdut.edu.cn

    铁永波(1979–),男,云南人,中国地质调查局成都地质调查中心教授级高级工程师,博士研究生导师,第十二批四川省学术带头人后备人选,研究方向为地质灾害形成机理与风险评价。E-mail: tyb038@qq.com

    许 强(1968–),男,四川南江人,博士,二级教授,博士研究生导师,现任成都理工大学副校长,地质灾害防治与地质环境保护国家重点实验室常务副主任,国家杰出青年基金获得者,教育部长江学者特聘教授,国家杰出专业技术人才,全国五一劳动奖章获得者,国务院特殊津贴专家。专长于地质灾害成因机理、早期识别、监测预警与应急处置,作为核心成员完成的科研成果获国家科技进步一等奖2项,省部级科技进步奖一等奖6项。E-mail: xq@cdut.edu.cn

    冯 也(1992–),男,四川遂宁人,成都理工大学地球科学学院硕士研究生。主要研究方向为InSAR数据处理及应用。E-mail: 2018050049@stu.cdut.edu.cn

    卓冠晨(1995–),男,福建邵武人,成都理工大学地球科学学院硕士研究生。主要从事基于合成孔径雷达干涉测量的地表形变监测研究。E-mail: zhuoguanchen_RS@foxmail.com

    史先琳(1980–),女,四川成都人,博士,副教授,硕士研究生导师。四川省测绘地理信息学会教育专委会委员,获四川省高等教育教学成果二等奖,四川省测绘科技进步奖三等奖。主要研究方向包括遥感地质与空间信息智能服务。E-mail: shixianlin06@cdut.edu.cn

    通讯作者: 铁永波 tyb2009@qq.com许强 xq@cdut.edu.cn
  • 责任主编:张路 Corresponding Editor: ZHANG Lu
  • 中图分类号: TN95

摘要: 我国西部山区滑坡灾害频发,具有强隐蔽性、高突发性、强破坏性等特点,对灾害隐患点进行早期识别是最为有效的防灾减灾措施。西部山区多为高山峡谷区域且范围辽阔,人不易至甚至人不能至,传统的人工排查早期识别方法较难实施。合成孔径雷达干涉测量技术(InSAR)作为新兴雷达遥感测量手段,可以高效准确地对高山峡谷区域进行滑坡灾害隐患早期识别。该文基于欧洲空间局(ESA)的哨兵一号(Sentinel-1)SAR遥感数据,利用时间序列InSAR技术对雅砻江流域雅江县-木里县段的高山峡谷区域进行了滑坡灾害隐患广域早期识别,成功探测到8处隐患区域。并结合滑坡隐患历史资料与光学影像遥感解译对识别结果进行了验证与分析,对灾害点风险等级进行了评定。并探讨了几何畸变因素对高山峡谷区域InSAR技术滑坡灾害隐患广域早期识别的影响。该案例可为当地的防灾减灾提供有力的数据与技术支持,并为高山峡谷区的滑坡灾害隐患早期识别提供思路与参考。

注释:

English Abstract

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. doi:  10.12000/JR20012
引用本文: 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. doi:  10.12000/JR20012
DAI Keren, TIE Yongbo, XU Qiang, 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. doi:  10.12000/JR20012
Citation: DAI Keren, TIE Yongbo, XU Qiang, 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. doi:  10.12000/JR20012
    • 雅砻江地处青藏高原向四川盆地过渡地带,属青藏高原东部边缘侵蚀山原区强烈-极强烈山原亚区,属嵌入式河流,沟谷深切,沟壑纵横,相对高差达2000~3000 m,河谷为“V”形谷,属典型的高山峡谷地貌[1]。雅砻江沿岸岩层风化强烈,切割破碎,岸坡稳定性差,加之沿岸水电的频繁开发以及大中型工程的兴建,该流域所遭受的滑坡、崩塌及泥石流等地质灾害也越来越严重[1-4],对当地人民生命财产及水利水电等基础设施安全带来严重威胁。在雅砻江流域沿岸高山峡谷区域开展滑坡灾害隐患早期识别,对该区域的地质灾害防范以及确保人民生命财产与水利水电等基础设施安全具有重要的意义。

      由于需要监测面积较大,传统地质调查手段在滑坡灾害隐患排查工作中很难达到大范围覆盖。随着对地观测技术的不断进步,光学遥感解译是目前滑坡灾害隐患大范围早期识别主要手段之一,但其受云雾影响较大,且往往只能对较大地貌特征进行定性解译[5]。作为近三十年的新兴雷达遥感技术,合成孔径雷达干涉测量技术(Interferometric Synthetic Aperture Radar, InSAR)[6]具有覆盖范围广、监测精度高、全天时、全天候、空间分辨率高等特点,已被成功用于滑坡灾害监测(如文献[7-11]),近年来被逐步应用于灾害隐患早期识别并取得一些成功案例。张毅[12]基于Envisat ASAR数据,应用时间序列InSAR技术成功识别出白龙江流域133处活动斜坡;张路等人[13]利用InSAR技术成功识别出大渡河区域17处持续变形中的不稳定坡体;张亚迪等人[14]利用时序InSAR对芒康地区滑坡灾害隐患进行了探测;Dai等人[15]利用短基线DInSAR技术对汶川附近国道G317沿线不稳定滑坡体进行了有效识别;陆会燕等人[5]结合InSAR与光学遥感技术,成功探测出金沙江下游区域共计7处具有较显著形变的滑坡隐患。高山峡谷区域海拔落差大、地形复杂、植被茂密,给InSAR处理带来干涉失相干、大气延迟、几何畸变等挑战[16]。对于InSAR高山峡谷区域的滑坡识别效果与适用性还值得进一步分析与研究。

      本文利用小基线集时间序列方法(Small BAseline Subset InSAR, SBAS-InSAR),对雅砻江流域雅江县至木里县段高山峡谷区域进行了滑坡灾害隐患广域早期识别的研究,探究其潜在的滑坡隐患区域,并对识别结果进行进一步的分析讨论,分析雷达遥感在高山峡谷区滑坡探测中的效果与适用性,可为当地的防灾减灾提供有力的支持,并为高山峡谷区的滑坡灾害隐患早期识别提供思路与参考。

    • 雅砻江是金沙江最大支流,为横断山区北南向的主要河系之一[1]。本文选取雅砻江流域雅江县-木里藏族自治县段作为研究区域(如图1所示)。该区域位于雅砻江中游段,四川省甘孜藏族自治州、凉山彝族自治州境内,处于中国最高一级阶梯向第2级阶梯云贵高原和四川盆地过渡地带,属横断山系北段川西高山高原区,亦属于青藏高原的一部分。该段位于甘孜阿坝褶皱带,出露地层以三叠系浅变质砂板岩为主,有少量花岗岩及石灰岩分布。分布巨厚的中上三叠系浅变质岩系,砂岩,板岩构成北西-南东向紧密褶皱,褶皱轴部及断层带中有少量二叠系灰岩分布,并有零星燕山期花岗岩出露,且出露下古生界至上古生界碳酸盐岩类、浅变质岩及玄武岩等[1-4]。研究区域海拔3000~5000 m,峰峦重叠、沟壑纵横、河谷深切,为典型高山峡谷地貌,为崩塌、滑坡等斜坡地质灾害的发生孕育了条件。大部分山区沟道巨大的地形高差,使处于高处的松散碎屑物质拥有巨大的势能,陡急的山坡和沟床为坡面和沟床松散堆积物能量的释放和势能转化为动能提供有利条件,有利于滑坡、泥石流等灾害的形成,导致该区域内滑坡、崩塌、泥石流等地质灾害频发[17-20]

      图  1  研究区域

      Figure 1.  Study area

      本研究共计使用了50景Sentinel-1卫星数据(每一个时间点需要两景数据上下拼接),时间范围覆盖2017年9月9日—2018年10月10日共计396天。Sentinel-1是欧洲航天局(European Space Agency, ESA)发射的由两颗卫星组成地球观测卫星星座,载有C波段合成孔径雷达,可提供白天、夜晚及各种天气下的连续影像。表1列出了Sentinel-1卫星主要参数。

      表 1  Sentinel-1卫星SAR影像数据主要参数

      Table 1.  Main parameters of Sentinel-1 SAR datasets

      主要参数Sentinel-1卫星数据
      轨道方向升轨
      波段C
      雷达波长(cm)5.6
      空间分辨率(m)5×20
      重访周期(d)12
      入射角(°)36.8

      Sentinel-1影像数据集的时空基线图如图2所示,时间基线阈值为48 d,空间基线阈值小于150 m。为了消除与减弱由轨道误差引起的相位误差,在数据处理过程中还使用了欧洲空间局精密轨道数据对轨道信息进行纠正。同时采用日本宇航局ALOS WORLD 3D 30 m空间分辨率的数字高程模型(Digital Elevation Model, DEM),以消除或减弱地形相位的影响。

      图  2  SAR数据集时空基线图

      Figure 2.  Spatial and temporal baselines of SAR datasets

    • 传统的差分干涉测量技术(Differential InSAR, DInSAR)易受到时间失相干和空间失相干的影响,不能准确获取形变信号。为降低时空失相干的影响,Berardino等人[21]提出了短基线集,即SBAS-InSAR技术,其核心思路是将同一个地区多幅SAR影像配准得到短基线对,采用奇异值分解法(Singular Value Decomposition, SVD)将多个短基线集联合求解,得到目标区域的整个时间位移序列以及地表形变平均速率。具体原理及流程如下:

      假设获取了覆盖同一区域N+1幅SAR影像,按时间序列排序如式(1)

      $$ { T} = {[{T_0},{T_1},···,{T_N}]^{\rm{T}}} $$ (1)

      按照一定规则,选取某一影像作为主影像进行配准,得到M个干涉对,M满足式(2)

      $$ \frac{{N + 1}}{2} \le M \le \frac{{N(N + 1)}}{2} $$ (2)

      通过设定时空阈值,得到相干性较好的M 对干涉对,再通过精密轨道文件及高精度数字高程模型去除轨道误差、平地效应及地形相位的影响后得到M 幅差分干涉图以及解缠后的形变相位。

      假设t0时刻作为起始时间,将该时刻研究区域的位移视为0,则第i幅干涉图中(1≤im)的某个像素相对于起始点的相位可以表示为式(3)

      $$ \varDelta {\varphi _i} = {\varphi }_{t_{1}} - {\varphi} _{t_{2}} \approx \varDelta {\varphi }_{i_{{{\rm{def}}}}} + \varDelta {\varphi }_{i_{{{\rm{topo}}}}} + {\varDelta }_{i_{{{\rm{atm}}}}} + {\varDelta }_{i_{{{\rm{noise}}}}} $$ (3)

      其中,${\varphi }_{i_{{{\rm{topo}}}}}$表示地形相位,${\varphi }_{i_{{{\rm{atm}}}}} $大气延迟造成的相位,${\varphi }_{i_{{{\rm{noise}}}}} $相干噪声引起的相位。分别可表示为

      $$ \left. \begin{aligned} & \Delta {\varphi _{{i_{{\rm{ def}}}}}}\left( {x,r} \right) = \frac{{4{\rm{\pi }}}}{\lambda }\left[ {d({t_2}) - d({t_1})} \right],i = 1,2,···, m\\ & \Delta {\varphi _i}_{_{{\rm{topo}}}}(x,r) = \frac{{4{\rm{\pi }}}}{\lambda } \cdot \frac{{{B_ \bot }\Delta h}}{{r\sin \theta }}\\ & \Delta {\varphi _i}_{_{{\rm{atm}}}}(x,r) = {\varphi _{{\rm{atm}}}}({t_2}) - {\varphi _{{\rm{atm}}}}({t_1}) \end{aligned} \right\} $$ (4)

      $\lambda $为波长;θ为雷达入射角;$\Delta h$为外部DEM误差;r为雷达到目标物体的斜距;d(t2)与d(t1)分别表示t2t1时刻像元相对于起始时间t0在雷达视线方向的形变累积量。假设干涉对影像时间间隔内地表形变满足线性变化,将对相位时间序列的求解转变为相位变化速率的求解,可得式(5)

      $$ \begin{split} {{{V}}^{\rm{T}}} =\,& \left[ {v_1} = \frac{{{\varphi _1} - {\varphi _0}}}{{{t_1} - {t_0}}},{v_2} = \frac{{{\varphi _2} - {\varphi _1}}}{{{t_2} - {t_1}}}, ··· , \right. \\ & \left.{v_n} = \frac{{{\varphi _n} - {\varphi _{n - 1}}}}{{{t_n} - {t_{n - 1}}}}, ··· ,{v_N} = \frac{{{\varphi _N} - \varphi _{N - 1}^{}}}{{{t_N} - t_{N - 1}^{}}} \right] \end{split} $$ (5)

      $\Delta \varphi _{\rm def}$可表示为:$\Delta \varphi_{\rm def}$=B,其中,矩阵B为系数矩阵,每行一一对应干涉像对。矩阵的元素中主影像系数为1,辅影像系数为–1,其他系数为0。

      因此,在不考虑大气相位与噪声的情况下,联合式(1)—式(5)可得式(6)

      $$ {{BV}} + {{C}}{\Delta _h} = \Delta \varphi $$ (6)

      其中,${{{C}}^{\rm T}}{\rm{ = }}\left[ {\dfrac{{{\rm{4\pi }}}}{\lambda } \cdot \dfrac{{{{ B}^{\rm T}_1}}}{{r\sin \theta }},\dfrac{{{\rm{4\pi }}}}{\lambda } \cdot \dfrac{{{{ B}^{\rm T}_2}}}{{{{r}}\sin \theta }}, ··· ,\dfrac{{{\rm{4\pi }}}}{\lambda } \cdot \dfrac{{{{ B}^{\rm T}_L}}}{{r\sin \theta }}} \right]$,式(6)可采用最小二乘法进行求解,并使用SVD解决子集间联合求解存在的秩亏问题。进而得到形变的时间系列结果。该方法的具体处理流程如图3所示。

      图  3  SBAS-InSAR时序分析流程图

      Figure 3.  Flowchart of SBAS-InSAR time series analysis

    • 通过短基线集SBAS-InSAR时间序列方法对雅砻江中段雅江县-木里县流域进行了形变监测。考虑到数据处理过程误差的累积与处理的效率,将雅江县-木里县流域分为5段,分别提取了各段的雅砻江沿岸坡体形变特征信息,获得的雷达视线方向上的年均形变速率如图4所示,其中红色负值代表的是目标地物远离卫星方向位移,蓝色正值代表的是目标地物靠近卫星方向位移。5段的详细划分如图4(a)所示,具体划分为雅江县-恶古乡(A段),恶古乡-牙衣河乡(B段),牙衣河乡-三岩龙乡(C段),麦地龙乡-田镇村(D段),卡拉乡-三桷垭乡(E段)。本文主要针对雅砻江沿岸对河流有危险的坡体进行InSAR结果解译,早期识别地质灾害隐患,并进行相干性、几何畸变等复核检验,共识别出8处正在发生蠕变的不稳定坡体,其中B段4处,即鲁日、日阿、日衣、木恩;D段共中铺子村、麻撒村2处;E段共阳山村、独家村2处。基于SAR成像参数与坡度坡向数据,我们对8处坡体进行了几何畸变分析与验证(依据5.2节、图8图9),这8处坡体均处于非几何畸变区,形变监测结果可靠。

      图  4  InSAR年均平均速率监测结果

      Figure 4.  Mean velocity map derived from InSAR

      图  8  卫星入射角(LOS)观测方向与沿坡向形变关系(修改自文献[22])

      Figure 8.  Relationships between the Line Of Sight (LOS) and the downslope displacements for different slope orientations (adapted from Ref. [22])

      图  9  雅砻江流域Sentinel-1数据几何畸变分布图

      Figure 9.  Geometric distortion of Sentinel-1 datasets along Yalong River

      本文从变形范围、最大形变速率、坡体平均坡度、高程范围、植被覆盖情况、威胁对象这几个方面,对这8处正在变形区域进行了详细分析。根据隐患点的形变量级,坡体是否具备滑坡地质地貌特征、形变速率是否有加速、突变现象、是否直接对雅砻江或附近村落直接造成威胁作为判断依据,对风险等级进行了定性评估。其中5处隐患点处于高风险等级,倘若发生地质灾害,极大可能会对当地群众人身安全造成威胁,属于重点观测点值得特别关注。这5处主要分布于B段恶古乡-牙衣河乡与D段麦地龙乡-田镇村区域。恶古乡-牙衣河乡有3处风险等级高的区域,其中鲁日坡体,对鲁日村及村中的雅江县八衣绒乡中心小学、下次呷、次呷和上次呷的安全造成严重的威胁,并且具有堵塞雅砻江的风险;日阿坡体对附近的日阿村、科鲁村、道路与雅砻江构成直接的威胁;日衣坡体对日衣村与雅砻江构成直接的威胁。麦地龙乡-田镇村有2处风险等级高的区域,其中中铺子村坡体对麦地龙乡、中铺子村与雅砻江构成直接的威胁;麻撒村坡体对附近的村落与雅砻江构成直接的威胁。详细结果列表如表2所示。从整体识别结果来看,InSAR技术在植被覆盖较低的区域,可以精确有效地识别出高山峡谷区滑坡灾害隐患区域,所发现的几处隐患点均为中低植被覆盖区。就此研究区域而言,滑坡灾害隐患区域最大形变速率普遍超过50 mm/year,且呈现出高位特征,平均高程大于2000 m,平均坡度大于55%,均可对当地村落与雅砻江构成直接的威胁。

      表 2  雅砻江潜在灾害点早期识别结果列表

      Table 2.  Early identification results on potential disaster sites along Yalong River

      编号滑坡名经纬度变形范围(m)最大形变速率
      (mm/year)
      平均坡
      度(%)
      高程范围(m)植被覆
      盖情况
      威胁对象风险
      等级
      1鲁日村101°7′ 35″ E 29°34′ 43″ N1800*100076302463~3085村落与雅砻江
      2日阿101°7′ 2″ E 29°32′ 28″ N2200*90095572462~3140村落与雅砻江
      3日衣101°7′ 41″ E 29°30′ 29″ N2100*50066572452~2896村落与雅砻江
      4木恩101°0′ 37″ E 29°20′ 33″ N500*80057582295~2853雅砻江
      5中铺子村101°12′ 30″ E 28°35′ 04″ N1320*70073601900~3000村落与雅砻江
      6麻撒村101°14′ 21″ E 28°29′ 07″ N360*40046551900~2500村落与雅砻江
      7阳山村101°27′ 32″ E 28°04′ 18″ N710*100053621762~2350雅砻江支流
      8独家村101°30′ 07″ E 28°03′ 31″ N630*70060551600~2200雅砻江
    • 鲁日村与中铺子村是此次识别中具有直接威胁对象的两处重点区域,其所在的坡体年均形变速率如图5图6所示,图中圆点代表监测InSAR有效相干点,点颜色代表年平均形变速率,其中绿色代表较弱的年平均形变速率,亮色彩(黄色、红色)代表显著的远离卫星视线运动,具体量级如图中颜色条所示。

      图  5  鲁日村滑坡灾害隐患识别结果

      Figure 5.  Early identification results of potential landslide geohazards in Luri village

      图  6  中铺子村滑坡灾害隐患识别结果

      Figure 6.  Early identification results of potential landslide geohazards in Zhongpuzi village

      鲁日村所在坡体位于雅砻江东岸(如图5(a)所示),坡体植被较少,整体相干性较好。其在地形地貌上呈现阶梯状特征(如图5(b)所示),其中鲁日村位于海拔2986~3085 m,上方存在高位的坡体;下次呷、次呷和上次呷位于鲁日村坡体的下方。根据形变监测的结果表明,鲁日村的形变主要位于鲁日村以及鲁日村至下次呷之间的坡体(图5(a)图5(c)中的蓝色虚线所示)。若发生滑坡灾害,潜在的滑坡方向如图5(b)中红色箭头所示,可能对鲁日村及村中的雅江县八衣绒乡中心小学、下次呷、次呷和上次呷的安全造成严重的威胁,并且滑坡松散堆积物质可以直接经下次呷冲入雅砻江,具有堵江的风险。

      图5(c)展示了3处特征点的时间序列形变曲线图,其中点P1位于鲁日村,点P2位于下次呷上方坡体,点P3位于西侧坡体。时序结果表明,3处累积形变量有所差异,但其趋势相似。下次呷(P2点)的累积形变最大,达到58 mm;鲁日村(P1点)累积形变次之,达到51 mm;西侧坡体(P3点)累积形变最小,达到44 mm,可见坡体整体都存在明显的形变。3个特征点的形变速率自2017年9月—2018年2月与2018年8月—2018年10月较缓,2018年2月—2018年8月较快。通过中国气象数据中心查询甘孜州地面观测站发现,当地气温在3月—10月月气温温度大于0 ℃且为当地雨季,气候变化可能是造成形变加速的主要自然原因。

      中铺子村所在坡体位于雅砻江西岸,坡顶高程3000 m,坡底高程1900 m,平均坡度约60.4%,属于高位陡峭坡体。如图6(a)所示,由于坡体中上部植被较少,相干性较好,因此坡体整体中上部区域相干点的数量相对较多,但在河底部位,由于坡度更大,达65%,相干性点的数量较稀疏。坡体中部出现一处核心形变区,其范围约1700×1000 m。最大视线向形变量达60 mm/year。该区域的遥感解译结果如图6(b)所示,在两处红色虚线范围内存在古滑坡体,坡度较大,达到约65%,是坡顶存在不稳定的直接表现之一。在坡体的北侧,更是存在巴多沟崩塌、滑坡体,间接证明该坡体长期存在不稳定性。

      图6(c)展示了3个特征点的时间序列形变曲线图,其中点P1位于坡体上部,点P2位于坡体下部左侧,点P3位于坡体中部。时间序列结果表明,3处形变其趋势相似,3个特征点的形变速率自2017年9月—2018年10月,形变量持续增加,形变速率稳定,呈现线性形变。P1, P2点的累积形变最大,达到120 mm;P3点累积形变次之,达到55 mm,整体都存在明显的形变。人类活动主要集中在江对岸,所以植被的稀疏与雨季降雨量的增大影响是造成坡体有滑坡趋势的主要原因。

    • 根据蠕变滑坡位移曲线特征[9],InSAR形变结果是潜在滑坡灾害点早期识别的重要特征之一。这些潜在滑坡灾害点部分是发育于古滑坡上的不稳定坡体,部分滑坡表面不具备滑坡继续发展的地貌特征,还需要对这些坡体进行进一步验证与分析。在得到这些灾害隐患点后,接下来需要对InSAR早期识别结果与滑坡隐患历史资料(含地质调查资料、文献、滑坡发生报道等)、光学影像遥感解译结果进行对比(图7)。

      图  7  潜在地质灾害点验证与对比

      Figure 7.  Verification and comparison on potential landslide geohazards

      雅砻江流域各个监测段共探测到形变坡体8处依次由北向南编号为1~8号(表3)。其中共有4处相对历史记录为新发现(占识别结果50%),标记为新的潜在地质灾害点,其中有7处具有明显滑坡地貌特征(占识别结果87.5%)。我们以前述变形范围、最大形变速率、坡体平均坡度、高程范围、植被覆盖情况、威胁对象等作为指标,对这8处正在变形区域进行了危险等级快速定性评估,其中3处中危险等级潜在灾害点,5处高危险等级潜在灾害点。高危险等级潜在灾害点具备滑坡地貌地形特征,形变速率较大,直接威胁雅砻江或相近村落,需要对这些识别出的灾害点进行进一步调查及监测。

      表 3  雅砻江流域InSAR早期识别验证与对比

      Table 3.  Verification and comparison on early identification results from InSAR along Yalong River

      编号滑坡名历史记录地貌地形特征威胁对象危险等级
      1鲁日古滑坡可见古滑坡体村落与雅砻江
      2日阿古滑坡可见小型古滑坡村落与雅砻江
      3日衣古滑坡可见古滑坡体村落与雅砻江
      4木恩古滑坡可见古滑坡体雅砻江
      5中铺子村新发现可见古滑坡体村落与雅砻江
      6麻撒村新发现可见古滑坡体村落与雅砻江
      7阳山村新发现无明显特征雅砻江支流
      8独家村新发现可见历史崩塌雅砻江
    • 由于星载SAR采用侧视成像的方式,雷达波束斜向照射地表时会导致雷达图像出现距离向透视收缩、阴影或倒置等几何畸变[16],在高山峡谷区域几何畸变尤为严重,将会造成无效的监测盲区[12,13]。雷达卫星在面对不同朝向、坡向时所会形成的各种几何畸变情况如图8所示。可以看出当坡面朝向卫星时,若坡角小于入射角时,沿坡面向下的变形在LOS方向上会表现为靠近卫星(图8情况①),且坡体会发生透视收缩。当坡角与入射角相等时,会发生完全透视收缩,坡体无法被测量(图8情况②)。如果坡角过大(超过卫星入射角),则会发生顶底倒置的成像,沿坡面向下的变形在LOS方向上会表现为远离卫星(图8情况③)。当坡面背向卫星时,若坡角较大(大于入射角的余角),此时坡面会位于阴影区域,无法被卫星照射产生回波信号,整个坡面无法被测量(图8情况④)。当坡角与入射角互余时,此时所获得地距分辨率等于卫星斜距分辨率(图8情况⑤)。若坡角较小(小于入射角的余角),此时将获得最接近于斜距分辨率(slant range resolution)的地距分辨率(ground range resolution)[23],此时的地距分辨率将高于卫星照射平地情况,因此该朝向及坡度的坡体是最适合SAR卫星进行观测的情况。在实际应用中,联合升降轨的SAR影像,可以获取不同成像几何下的监测目标的形变特征,从而在一定程度上补偿单一成像几何带来的观测盲区,有利于提升滑坡灾害隐患早期识别的有效探测率[13,16,24]

      从定量关系上来看,根据Sentinel-1卫星轨道参数信息与坡体坡度信息进行测算,Sentinel-1升轨数据的卫星飞行方向是自南向北,沿着方位向–12.6º飞行,雷达入射角为36.8º。由于SAR采用侧视成像,当坡体朝向卫星的时候,若坡度角处于0~36.8º时,会出现透视收缩(距离压缩)的几何畸变;当坡体背向卫星的时候,若坡度角的绝对值大于53.2º时,会出现阴影的几何畸变。Sentinel-1降轨数据的卫星飞行方向是自北向南,沿着方位向–167.4º飞行,雷达入射角为39.7º。由于SAR采用侧视成像,当坡体朝向卫星的时候,若坡度角处于0~39.7º时,会出现距离压缩的几何畸变;当坡体被向卫星的时候,若坡度角的绝对值大于50.3º时,会出现阴影的几何畸变。

      图9为基于升降轨Sentinel-1影像获取的雅砻江升降轨几何畸变图,红色代表的是距离压缩的区域,蓝色代表的是阴影区域。在雅砻江流域中,升轨数据中的距离压缩区域主要位于东南朝向的坡体,且主要分布在雅砻江的东岸;降轨数据中的距离压缩区域主要位于东北朝向的坡体,且主要分布在雅砻江的西岸。阴影区域主要分布在较为陡峭的背向雷达信号侧的坡体。

      图10(a)图10(b)分别为雅砻江日衣村-木灰村段Sentinel-1升轨数据、降轨数据几何畸变图,图10(c)图10(d)分别为该区域坡度、坡向图。在升轨数据图10(a)中,红色区域相对卫星的入射角处于0º~36.8º,主要分布在坡面②与坡面④,代表的是距离压缩区域,对应图10(d)中雅砻江东岸褐色的区域;蓝色区域的入射角大于53.2º,代表的是阴影区域,主要分布在坡面①与坡面③,对应图10(c)中红色的大坡度的区域。

      图  10  雅砻江日衣村-木灰村段

      Figure 10.  Yalong River Riyi village-Muhui village section

      在降轨数据对应的图10(b)中,红色区域相对卫星的入射角处于0º~38.7º,主要分布在坡面①与坡面③,代表的是距离压缩区域,对应图10(d)中雅砻江西岸绿色的区域;蓝色区域的入射角大于50.3º,代表的是阴影区域,主要分布在主要分布在坡面②与坡面④,对应图10(c)中红色大坡度的区域。

      可以明显地看出,在坡向较复杂的区域,易出现严重的距离压缩几何畸变。在坡度较大的区域,易出现阴影区域,无法获取有效的监测信号。就雅砻江日衣村-木灰村区域而言,升轨数据在雅砻江东岸存在严重的距离压缩几何畸变,主要分布在坡面②与坡面④;在雅砻江高坡度的陡坡主要分布在坡面①与坡面③),可能出现严重的阴影区域;降轨数据在雅砻江西岸存在严重的距离压缩几何畸变,主要分布在坡面①与坡面③;在雅砻江高坡度的陡坡(主要分布在坡面②与坡面④),可能出现严重的阴影区域。因此,在现有SAR卫星系统飞行轨道差异性有限的情况下,高山峡谷区域单轨道监测可能会由于SAR成像几何畸变造成部分不稳定坡体被“漏检”,只有通过升降轨数据结合的方式,才能较为全面覆盖监测区域,在一定程度上补偿单一成像几何带来的几何畸变问题,才能实现全面准确的滑坡灾害隐患早期识别。

    • 本文使用Sentinel-1雷达影像,通过时间序列InSAR技术对高山峡谷区域雅砻江流域雅江县-木里县段进行了滑坡灾害隐患广域早期识别,成功探测到8处隐患区域,最大雷达视线向年平均形变速率可达95 mm/year,这些区域若发生滑坡,对当地居民的生命财产安全存在严重的威胁,同时存在堵塞雅砻江的风险。同时,利用滑坡隐患历史资料与遥感解译对InSAR早期识别结果进行了进一步的验证与对比分析,综合变形范围、最大形变速率、坡体平均坡度、高程范围、植被覆盖情况、威胁对象等情况对这八处滑坡进行了危险等级评价。

      由于星载SAR采用侧视成像的方式,不可避免的会产生几何畸变,在高山峡谷区尤为严重。本文对不同坡度坡体几何畸变情况进行了详细分析,展示了Sentinel-1升降轨数据在雅砻江高山峡谷区的具体几何畸变区域与适用性。在地形复杂的高山峡谷区域,只有通过采用不同轨道数据结合的方式补偿单一成像几何带来的几何畸变问题,才能有效避免“漏检”,实现全面准确的滑坡灾害隐患早期识别。本文以雅砻江为例,揭示了时序InSAR技术运用于滑坡灾害隐患早期识别的有效性与优势,可为当地的防灾减灾提供有力的支持,结合几何畸变的详细分析讨论,为高山峡谷区的滑坡灾害隐患广域早期识别提供范例与参考。

参考文献 (24)

目录

    /

    返回文章
    返回