EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 3: 203 - 211

DOI: https://doi.org/10.6046/zrzyyg.2024015

技术应用

基于多源遥感影像的西藏白格滑坡失稳前后全过程形变监测研究

  • 杨成生 , 1 ,
  • 魏春蕊 , 1, 2 ,
  • 魏云杰 3 ,
  • 李祖锋 4 ,
  • 丁慧兰 1
展开
  • 1.长安大学地质工程与测绘学院,西安 710054
  • 2.甘肃煤田地质局一四九队,兰州 730020
  • 3.中国地质环境监测院,北京 100081
  • 4.中国电建集团西北勘测设计研究院有限公司,西安 710065
魏春蕊(1996-),女,硕士,主要从事InSAR技术地质灾害应用研究。Email: 。

杨成生(1982-),男,教授,主要从事地质灾害监测与机理反演相关研究。Email: 。

Office editor: 陈庆

收稿日期: 2024-01-09

  修回日期: 2024-04-10

  网络出版日期: 2026-06-03

基金资助

国家重点研发计划项目“广域重大地质灾害隐患综合遥感识别技术研发”(2021YFC3000404)

国家自然科学基金项目“高分时序InSAR技术解译地裂缝时空形变与反演研究”(42174032)

长安大学中央高校基本科研业务费专项资金项目“青藏高原冰冻圈灾害监测技术研究”(CHD300102262206)

收起

Whole-process deformation monitoring of the Baige landslide in Tibet before and after instability based on multisource remote sensing images

  • YANG Chengsheng , 1 ,
  • WEI Chunrui , 1, 2 ,
  • WEI Yunjie 3 ,
  • LI Zufeng 4 ,
  • DING Huilan 1
Expand
  • 1. College of Geological Engineering and Geomatics, Chang’an University, Xi’an 710054, China
  • 2. 149th Team,Gansu Coal Geology Bureau, Lanzhou 730020, China
  • 3. China Institute of Geological Environment Monitoring, Beijing 100081, China
  • 4. Northwest Engineering Corporation Limited, PowerChina, Xi’an 710065, China

Received date: 2024-01-09

  Revised date: 2024-04-10

  Online published: 2026-06-03

Fold

摘要

西藏白格滑坡于2018年10月和11月先后发生2次崩滑,造成了巨大的经济损失和广泛的社会影响。利用多源数据开展滑坡各阶段活动特征监测对理解此次滑坡事件的破坏机理具有重要意义。该文采用Sentinel-1,ALOS-2和Landsat8 3种数据源,通过短基线集合成孔径雷达干涉测量技术(small baseline subset interferometric synthetic aperture Radar,SBAS-InSAR)和SAR偏移量以及光学偏移量跟踪技术获取了白格滑坡滑前、2次滑动和滑后的形变特征。光学偏移量计算结果表明,白格滑坡在2014年11月—2018年3月29日的滑前阶段,累积位移量达到40 m,其形变区为滑坡中部。SAR偏移量结果也表明该滑坡在滑前2018年5月与7月的累积位移量达到了6.4 m,其形变区同样为滑坡中部。基于InSAR技术的监测结果揭示了白格滑坡2018年10月—11月2次失稳后,在滑坡后缘和滑坡左上侧仍存在明显的残余形变。白格滑坡在2018年11月—2021年11月滑后阶段,在滑坡的后缘高位处仍存在-140 mm/a的形变,且滑坡左上侧形变范围在持续扩大。该研究成果恢复了白格滑坡大量级位移的滑动全过程,为滑坡监测及预警研究提供了参考。

关键词： 白格滑坡; SBAS-InSAR; 偏移量跟踪技术; 全过程; 形变监测

本文引用格式

杨成生 , 魏春蕊 , 魏云杰 , 李祖锋 , 丁慧兰 . 基于多源遥感影像的西藏白格滑坡失稳前后全过程形变监测研究[J]. 自然资源遥感, 2025 , 37(3) : 203 -211 . DOI: 10.6046/zrzyyg.2024015

Abstract

The Baige landslide occurred twice in October and November 2018, causing huge economic losses and extensive social impact. Monitoring the activity characteristics of the Baige landslide in various stages based on multisource data is significant for understanding the failure mechanism of this landslide. With Sentinel-1, ALOS-2, and Landsat8 data as data sources, this study derived the deformation characteristics of the Baige landslide before, during, and after two slide events using techniques, such as small baseline subset-interferometric synthetic aperture radar (SBAS-InSAR), SAR offset tracking, and optical offset tracking. The optical offset calculation results show that from November 2014 to March 29, 2018 in the pre-sliding stage, the cumulative displacement of the Baige landslide reached 40 m, with deformation concentrated in the middle of the landslide. The SAR offset results indicate that the cumulative displacement of the landslide reached 6.4 m in May and July 2018 in the pre-sliding stage, with deformation also concentrated in the middle of the landslide. The InSAR-based monitoring results reveal that after the two failures of the Baige landslide in October and November 2018, significant residual deformation remained in the trailing edge and upper left side of the landslide. From November 2018 to November 2021 in the post-sliding stage, the Baige landslide exhibited a deformation rate of -140 mm/y at the high trailing edge of the landslide, and the deformation range on the upper left side continued to expand. All the results of this study reconstructed the whole sliding process of the Baige landslide subjected to large displacements, providing a valuable reference for the monitoring and early warning of landslides.

Key words： Baige landslide; SBAS-InSAR; offset tracking technique; whole process; deformation monitoring

0 引言

白格滑坡位于西藏自治区江达县波罗乡白格村,于2018年10月11日发生特大型山体崩滑,随后在11月3日该滑坡再次发生崩滑,导致金沙江堵塞形成堰塞湖,造成了巨大的经济损失和广泛的社会影响[1]。因此,监测白格滑坡各阶段活动特征对理解此次滑坡事件的破坏机理具有重要意义。
合成孔径雷达干涉测量技术(interferometric synthetic aperture Radar,InSAR)已被广泛应用于滑坡的监测[2-3],其中短基线集干涉测量技术(small baseline subset InSAR,SBAS-InSAR)能以较高的时间分辨率和较密的监测点密度获取地表微小形变信息,成为滑坡监测中的常用技术手段之一[4]。范景辉等[5]和朱同同等[6]验证了利用高分辨率雷达数据和InSAR技术进行三峡库区滑坡监测的有效性; 冯文凯等[7]利用SBAS-InSAR技术对金沙江流域的滑坡进行地表形变监测,表明了该技术用于滑坡早期识别与动态监测的可行性。然而,当滑坡位移较大时,InSAR技术常因失相干而失败。对滑坡大量级位移的监测,偏移量跟踪技术是常用的技术手段之一,包括SAR偏移量和光学偏移量[8-9]。Liu等[10]和王群等[11]利用Offset_tracking技术获取白格滑坡在发生前的时序结果及其运动特征; 柳林等[12]利用光学影像时序偏移量跟踪获取了白格滑坡发生前的时序偏移量。InSAR技术与偏移量跟踪技术相结合可以进行地表沉陷的监测,徐小波等[13]和孙军等[14]利用InSAR与偏移追踪技术相结合实现了高强度采区和露天煤矿的形变监测。但目前结合InSAR技术与偏移量跟踪技术进行大量级滑坡监测的研究较少。因此,本文结合SBAS-InSAR技术和偏移量技术,利用Sentinel-1,ALOS-2和Landsat8这3种数据对白格滑坡的滑前、2次滑动以及滑后各个阶段的形变特征进行了监测与分析,为掌握此次滑坡事件的破坏过程及类似滑坡监测、预警研究提供了参考。

1 研究区概况与数据源

1.1 研究区概况

白格滑坡位于西藏自治区昌都市江达县境内,是典型的高山峡谷地貌。滑坡后缘为条形山脊,前缘为金沙江。金沙江在区域内呈深切的“V”型,在白格滑坡坡脚处转弯,且河面较为狭窄,水流湍急,有险滩以及跌水形成。研究区属于高原半湿润地区,具有干湿分明的气候特征,气温随着海拔的增高而降低,并且每月的气温变化较大。降雨具有明显的季节性,夏季降水多,其他季节降水相对较少。整体上,区域内的降水量相对贫乏,并且分布范围不均匀,局部地区经常下暴雨。
白格滑坡区内地表覆盖有第四系残坡积物,地层为二叠系—早三叠统岗托岩组,大致分布方向为南北向,区内岩性为灰色绢云石英片岩,中下部含有薄层石英岩; 部分区域包括有绿泥石、炭质及钙质。坡体顶部后端分布为波罗—木协逆断层。受滑坡区多期构造运动的影响,其构造形迹复杂,随着地下水位的变化和风蚀等作用,岩体结构破碎,斜坡为倾内斜向坡。
白格滑坡位于金沙江右岸,其整体长约1 406 m,宽约820 m,平均厚度为45 m,其区域范围如图1所示,可以看出,滑前该区域的斜坡坡度整体上较陡,并且滑坡区的地势起伏较大,容易发生滑坡等地质灾害。
图1 白格滑坡地理位置与Sentinel-2光学影像图

Fig.1 Geographical location and sentinel-2 optical image of Baige landslide

1.2 数据源

本文所采用的数据有Sentinel-1,ALOS-2和Landsat8影像数据。其中Sentinel-1影像为欧洲航天局哥白尼计划(GMES)中的地球观测卫星在2018年11月—2021年11月间获取,其距离向分辨率为5 m、方位向分辨率为20 m,共计85景升轨影像,被用于2次滑动和滑后的形变特征监测,参数信息如表1所示。ALOS-2影像是日本宇宙航空研究开发机构的陆地观测技术卫星在2018年5月与7月获取的2景升轨SAR影像,用于滑坡SAR偏移量计算。光学数据采用了2014年11月—2018年3月之间的14景美国Landsat8影像,参数信息如表2所示,Landsat8的全色影像空间分辨率为15 m。由于研究区海拔高,冷热源作用使得高原总云量和云底高度呈现季节变化,空气在夏季辐合而冬季辐散,导致夏季云量明显多于冬季,因此选取研究区云量较少的Landsat8 OLI影像数据,主要分布在当年10月至次年4月。
表1 采用的SAR数据集主要参数

Tab.1 Main parameters of the SAR dataset used

SAR数据 Sentinel-1 ALOS-2
轨道方向 升轨 升轨
轨道号 99 —
入射角/(°) 33.9 36.2
方位角/(°) -10.1 90
成像模式 IW宽幅模式 PALSAR2
极化方式 VV HH
影像数量/景 85 2
影像时间间隔/d 12 56
影像时间范围 2018年11月—
2021年11月		 2018年5月28日,
2018年7月23日
表2 采用的光学数据集主要参数

Tab.2 Main parameters of the optical dataset used

序号 数据源 影像 太阳高
度角/(°)		 太阳方
位角/(°)		 序号 数据源 影像 太阳高
度角/(°)		 太阳方
位角/(°)
1 Landsat8 2014-11-29 33.838 3 158.818 0 8 Landsat8 2017-01-21 33.256 1 152.079 2
2 Landsat8 2015-02-01 35.408 1 150.056 2 9 Landsat8 2017-02-06 36.815 7 149.023 3
3 Landsat8 2015-11-16 36.762 2 158.626 6 10 Landsat8 2017-10-20 44.497 5 154.835 2
4 Landsat8 2015-12-02 33.341 8 158.725 2 11 Landsat8 2017-12-23 31.108 4 156.833 1
5 Landsat8 2016-01-03 31.180 0 155.324 6 12 Landsat8 2018-01-24 33.748 1 151.531 9
6 Landsat8 2016-02-04 36.098 4 149.556 6 13 Landsat8 2018-02-25 42.578 0 145.266 3
7 Landsat8 2016-12-04 32.900 5 158.631 4 14 Landsat8 2018-03-29 54.207 2 137.820 0

2 研究方法

文中应用的数据种类不同,其获取时间阶段及应用方法也有差异,因此对数据的监测时间、处理方法、观测类型等进行描述和总结(表3)。
表3 各类数据应用的描述与总结

Tab.3 Description and summary of various data applications

数据 监测时间 处理方法 观测类型 方法描述与适用性 白格滑坡应用阶段
Sentinel-1 2018年11月8日—2021年11月28日 SBAS-InSAR技术 雷达影像 重点区域定性/定量分析;
长时期观测序列,小量级形变监测;
结果为距离向和方位向形变量		 第一次滑动和第二次滑动引起的后缘变形区监测; 滑后的长时序监测
ALOS-2 2018年5月28日和2018年7月23日 SAR偏移量
跟踪技术		 雷达影像 大量级的形变监测;
较高分辨率雷达影像使结果精度
更高;
结果为距离向和方位向偏移量		 滑前的大量级位移
获取
Landsat8 2014年11月29日—2018年3月29日 光学偏移量跟踪技术 光学影像 大量级的形变监测;
可利用数据量较多的光学影像;
结果为东西向和南北向偏移量		 滑前的大量级长时间序列位移的获取

2.1 SBAS-InSAR技术

SBAS-InSAR被用于进行白格滑坡2次滑动和滑后的时序形变获取[15]。SBAS-InSAR是将获取的SAR影像依据时空基线阈值组成多个集合,对集合内的影像数据进行差分干涉,再对差分干涉影像进行相位解缠,利用奇异值分解(singular value decomposition,SVD)方法获取地表形变时间序列[16]。采用SBAS-InSAR技术能够充分考虑大量的干涉图信息,有效地消除或削弱解缠粗差、大气误差以及数字高程模型(digital elevation mode, DEM)误差等因素的影响,从而获取更高精度的地表形变成果。在利用该技术对白格地区数据处理的过程中,为了获取足够数量且有保证的干涉组合,根据数据具体情况设置时间基线和空间基线阈值,若阈值设置过大,则有可能导致干涉对质量下降,对反演结果的精度产生影响; 若阈值设置过小,则可能使参与干涉组合的影像过少导致误差增大[17]。本文对2018年11月8日—2021年11月28日获取的Sentinel-1影像通过设置时空基线阈值(时间基线为60 d,空间基线为150 m)组成了350个SAR影像对(图2),并挑选高质量的干涉对进行白格滑坡滑后时序形变的解算。
图2 白格滑坡滑后形变监测SAR影像对时空基线分布

Fig.2 Spatial and temporal baseline distribution of deformation monitoring SAR images after Baige landslide sliding

2.2 偏移量跟踪技术

由于白格滑坡存在大量级的形变,InSAR技术无法获取其真实位移。像素偏移量跟踪技术则可以通过对同一区域2幅图像中同一目标的相似度监测,计算得到同一目标在2幅图像间的偏移量,进而计算目标的位移[18]。本文研究中将偏移量跟踪技术分别应用于ALOS-2影像和Landsat8影像来获取滑坡多维度的形变特征。
基于SAR影像的偏移量跟踪技术是利用归一化互相关算法来得到SAR影像距离向和方位向的偏移量结果。首先,基于SAR幅度信息对主从影像对进行像元级初始粗配准,并基于SAR卫星精密轨道数据计算获得影像对的方位向与距离向初始偏移值; 其次,在计算初始偏移值基础上进行亚像元级局部精配准,得到亚像元级的偏移量。本文利用SAR影像强度跟踪算法对2景ALOS-2影像进行白格滑坡滑前的偏移量估算。SAR偏移量估算过程中配准窗口、互相关系数以及步长是SAR影像偏移量估算中的主要参数,以主影像窗口作为参考窗口,参考窗口相对于搜索窗口移动,在每一次迭代过程中会计算窗口中心像素的互相关系数,并拟合出互相关系数曲面。当归一化互相关系数达到最大值时,可精确求解出主从影像之间亚像素级偏移量。本文通过多次实验确定最终的搜索窗口为128像素×256像素(距离向×方位向),互相关系数阈值为0.2,搜索步长为12像素×9像素(距离向×方位向)。
基于光学影像的偏移量估算是利用亚像素频率域相关性匹配算法来得到东西向和南北向的偏移量结果[19]。考虑到失相关噪声的影响,对14景Landsat8影像设置太阳高度角差值和太阳方位角差值的阈值,并选择小于1 a时间间隔的影像组成21个影像对(图3)进行白格滑坡滑前的偏移量估算。本文用COSI-Corr软件进行白格滑坡偏移量估算[12],为了得到高精度的结果,初始和最终窗口大小设置为64像素×64像素,步长为1,迭代次数为4,掩模阈值为0.9。由于估算结果通常包含失相关噪声、轨道误差、条带误差以及卫星姿态角误差,因此,对光学影像偏移量估算结果还需进行误差消除处理。失相关噪声引起的误差通过设置信噪比阈值(大于0.9)去除; 轨道误差通过一次多项式曲面拟合模型去除; 对于条带误差和卫星姿态角误差可利用“均值相减法”去除[20]。通过对影像对偏移量计算结果进行SVD获取白格滑坡时间序列位移,即对形变速率在时间域上进行积分得到形变时间序列结果。
图3 白格滑坡滑前光学影像对组合

Fig.3 Combination of optical images before Baige landslide sliding

3 结果与分析

3.1 滑前形变监测结果与分析

本文对白格滑坡2018年10月份之前的形变分别利用光学偏移量和SAR偏移量进行了解算。图4是利用Landsat8影像解算的白格滑坡滑前的水平滑移时间序列结果,从2014年11月29日开始计算累积形变量。从图中可以看出,白格滑坡从2014年11月开始形变量逐渐增大,到2018年3月29日累积形变量已达到40 m,其形变区主要位于滑坡的中部,即B区域。同时本文对收集的2018年5月28日与7月23日的2景滑前ALOS-2影像进行了SAR偏移量的形变估算,为了突出整体形变区域,将距离向和方位向的结果合成水平向如图5所示,其在滑前的2个月时间内,滑坡位移可达6.4 m,与Li等[21]和Xiong等[22]利用ALOS-2数据获取白格偏移量的结果量级差别不大,并且形变区域也一致。
图4 2014年11月29日至不同日期的白格滑坡滑前光学偏移量时序累积形变结果

Fig.4 Time series cumulative deformation results of optical offset before sliding of Baige landslide from November 29,2014 to different dates

图5 2018年5月28日—7月23日白格滑坡滑前SAR偏移量综合形变结果

Fig.5 Comprehensive deformation results of SAR offset before Baige landslide sliding from May 28 to July 23, 2018

为了分析滑坡的时间序列形变特征,提取了图4(m)中P1,P2和P3这3个特征点的形变时间序列,结果如图6所示。2014年11月29日—2018年3月29日之间,白格滑坡滑前的形变特征可分为4个阶段: I阶段(2015年11月16日之前)为初级变形阶段,II阶段(2015年11月16日—2016年12月4日)为初加速变形阶段,III阶段(2016年12月4日—2017年10月20日)为快速变形阶段,IV阶段(2017年10月20日之后)为剧烈变形阶段。时间序列结果显示,白格滑坡在失稳前1 a,滑坡位移已出现明显加速,且2种数据的监测结果均显示主要形变区位于滑坡的中部。
图6 滑前特征点光学偏移量时序形变

Fig.6 Time series deformation of optical offset on feature points before sliding

图7(a)为利用2014年11月19日至2018年3月29日的Landsat8数据计算得到的形变速率结果,最大可达到26 mm/d; 图7(b)为利用2018年5月28日与2018年7月23日的ALOS-2数据计算得到的形变速率结果,最大可达到113 mm/d,可见白格滑坡在临滑前3个月已经呈现了较大的形变速率。结合光学影像滑坡特征及偏移量计算结果,将滑坡滑前形变区域分成Q1,Q2,Q3,Q4和Q5共5块。Q1,Q4与Q5皆为不稳定区域,Q2为主要形变区,即滑坡危险区,Q3为滑坡运动的刮铲区。图7(c)为剖线MN的形变速率图,可以看出由ALOS-2图像得到的形变速率从距离M点238 m处的位置(图7(c)灰色虚线所示)开始急剧增加,表明稳定区域和不稳定区域之间存在过渡区,在滑坡边缘已出现了明显的破裂边界。结合图7(a)和(b)中的形变速率大小可得到在Q2主要形变区域,2018年5月28日—7月23日这2个月的形变速率大约是2018年3月之前的4倍。2种数据形变速率的差异主要是由数据所采用的时间段不一致造成。
图7 ALOS-2与Landsat8获取的白格滑坡滑前形变速率

Fig.7 Pre-sliding deformation rate of Baige landslide obtained by ALOS-2 and Landsat8

3.2 两次滑动监测结果与分析

白格滑坡于2018年10月11日首次发生失稳崩滑,并于11月3日发生了第二次崩滑。由于大范围的崩滑造成地表反射特性遭到严重破坏,基于像素特征的偏移量跟踪技术已无法监测。本文利用InSAR技术对跨越2次失稳崩滑形变进行了监测,结果分别如图8和图9所示。图8(a)为第一次滑前和滑后的2景Sentinel-1影像的雷达视线向(line of sight,LOS)形变,最大达到了48 mm,大面积的空缺区域为第一次滑动的滑源区,K1区位于白格滑坡左上侧,为第一次滑动后仍存在的形变区,即潜在滑坡危险区。图8(b)为第一次滑动和第二次滑动期间2景Sentinel-1影像的LOS向形变,在短短12 d内,K1区最大形变量达到了41 mm,滑坡上部的失相干区域揭示了期间此处仍存在局部崩滑。图9为第二次滑动滑前和滑后影像的形变结果,图9(a)为2018年10月27日—11月8日期间12 d的形变结果,图9(b)为2018年10月27日—11月20日期间24 d的形变结果,大面积的空缺区域为第二次滑动的滑源区,滑坡在第二次失稳崩滑后,在右上侧K2和左上侧K3区域仍存在较大的形变区,形变量达到了72 mm,同时图9(b)比图9(a)的形变区域范围有所扩大,即该滑坡仍存在风险源。
图8 白格滑坡第一次滑动InSAR形变结果

Fig.8 InSAR deformation results of the first sliding of the Baige landslide

图9 白格滑坡第二次滑动InSAR形变图

Fig.9 InSAR deformation results of the second sliding of the Baige landslide

3.3 滑后形变监测结果与分析

由于白格滑坡在发生2次失稳崩滑后,在滑坡后缘仍存在形变风险源(图9),因此开展滑坡的滑后形变监测十分有必要。本文利用2018年11月8日—2021年11月28日间隔12 d的85景Sentinel-1影像,采用SBAS-InSAR技术得到了如图10所示的白格滑坡滑后形变速率图,最大形变速率达到了-140 mm/a。相较于图9,滑坡的形变量级增大,且变形区主要为滑坡左上侧,形变范围有所扩大,说明截至2021年底白格滑坡在持续发生变形。图10(a)显示其形变区域涉及到房屋和公路,对人民的生命安全造成了潜在危险。同时,本文选取了如图10(a)所示的J1,J2,J3和J4这4个特征点进行滑后形变时序的分析,从图10(b)可以看出,白格滑坡的累积形变量持续增大,变形速率呈线性,说明目前该滑坡处于匀速变形阶段,其中J1形变速率最快,J2次之,建议后续持续观测。
图10 白格滑坡滑后形变速率(2018年11月8日—2021年11月28日)

Fig.10 Deformation rate after sliding of Baige landslide (from November 8, 2018 to November 28, 2021)

4 结论

本文采用Sentinel-1,ALOS-2和Landsat8多种数据源通过SBAS-InSAR技术和SAR偏移量以及光学偏移量技术对西藏白格滑坡滑前、2次滑动和滑后全阶段形变特征进行监测。结论如下:
1)光学偏移量监测结果显示,白格滑坡2014年11月—2018年3月累积位移可达到40 m,而SAR偏移量监测结果显示,在2018年5月至7月滑坡位移达到6.4 m,滑前阶段形变区主要位于滑坡中部。
2)InSAR监测结果显示,白格滑坡2次崩滑后,在滑坡的后缘仍存在残余形变区。白格滑坡在滑后的3 a,即2018年11月—2021年11月,滑坡后缘形变速率最大达到-140 mm/a,且形变范围有扩大趋势。滑坡当前形变区仍处于匀速变形阶段,建议后续持续观测。
本研究重点探索利用多源遥感数据恢复西藏白格滑坡失稳前后全过程的大量级位移监测。如何结合滑坡各阶段形变特征深入理解滑坡破坏机理,将是后续的重点研究内容。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
许强, 郑光, 李为乐, 等. 2018年10月和11月金沙江白格两次滑坡-堰塞堵江事件分析研究[J]. 工程地质学报, 2018, 26(6):1534-1551.

Xu Q, Zheng G, Li W L, et al. Study on successive landslide damming events of Jinsha River in Baige Village on Octorber 11 and November 3,2018[J]. Journal of Engineering Geology, 2018, 26(6):1534-1551.

[2]
Colesanti C, Wasowski J. Investigating landslides with space-borne Synthetic Aperture Radar (SAR) interferometry[J]. Engineering Geology, 2006, 88(3-4):173-199.

[3]
Kang Y, Zhao C Y, Zhang Q, et al. Application of InSAR techniques to an analysis of the Guanling landslide[J]. Remote Sen-sing, 2017, 9(10):1046.

[4]
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.

[5]
范景辉, 邱阔天, 夏耶, 等. 三峡库区范家坪滑坡地表形变InSAR监测与综合分析[J]. 地质通报, 2017, 36(9):1665-1673.

Fan J H, Qiu K T, Xia Y, et al. InSAR monitoring and synthetic analysis of the surface deformation of Fanjiaping landslide in the Three Gorges Reservoir area[J]. Geological Bulletin of China, 2017, 36(9):1665-1673.

[6]
朱同同, 史绪国, 周超, 等. 利用2016—2020年Sentinel-1数据监测与分析三峡库区树坪滑坡稳定性[J]. 武汉大学报(信息科学版) 2021, 46(10):1560-1568.

Zhu T T, Shi X G, Zhou C, et al. Stability monitoring and analysis of the Shuping landslide in the Three Gorges Area with Sentinel-1 images from 2016 to 2020[J]. Geomatics and Information Science of Wuhan University, 2021, 46(10):1560-1568.

[7]
冯文凯, 顿佳伟, 易小宇, 等. 基于SBAS-InSAR技术的金沙江流域沃达村巨型老滑坡形变分析[J]. 工程地质学报, 2020, 28(2):384-393.

Feng W K, Dun J W, Yi X Y, et al. Deformation analysis of Woda Village old landslide in Jinsha River Basin using SBAS-InSAR technology[J]. Journal of Engineering Geology, 2020, 28(2):384-393.

[8]
Delacourt C, Allemand P, Casson B, et al. Velocity field of the “La Clapière” landslide measured by the correlation of aerial and QuickBird satellite images[J]. Geophysical Research Letters, 2004, 31(15):L15619.

[9]
Lucieer A, de Jong S M, Turner D. Mapping landslide displacements using Structure from Motion (SfM) and image correlation of multi-temporal UAV photography[J]. Progress in Physical Geo-graphy:Earth and Environment, 2014, 38(1):97-116.

[10]
Liu X, Zhao C, Zhang Q, et al. Deformation of the Baige landslide,Tibet,China,revealed through the integration of cross-platform ALOS/PALSAR-1 and ALOS/PALSAR-2 SAR observations[J]. Geophysical Research Letters, 2020, 47(3):e2019GL086142.

[11]
王群, 张蕴灵, 范景辉, 等. 基于PS-InSAR和offset tracking技术的金沙江白格滑坡形变监测[J]. 大地测量与地球动力学, 2020, 40(4):340-345.

Wang Q, Zhang Y L, Fan J H, et al. Deformation monitoring of the Baige landslide in the Jinsha River using PS-InSAR and offset tracking techniques[J]. Journal of Geodesy and Geodynamics, 2020, 40(4):340-345.

[12]
柳林, 宋豪峰, 杜亚男, 等. 联合哨兵2号和Landsat8估计白格滑坡时序偏移量[J]. 武汉大学学报(信息科学版), 2021, 46(10):1461-1470.

Liu L, Song H F, Du Y N, et al. Time-series offset tracking of the Baige landslide based on Sentinel-2 and Landsat8[J]. Geomatics and Information Science of Wuhan University, 2021, 46(10):1461-1470.

[13]
徐小波, 马超, 单新建, 等. 联合DInSAR与Offset-tracking技术监测高强度采区开采沉陷的方法[J]. 地球信息科学学报, 2020, 22(12):2425-2435.

DOI

Xu X B, Ma C, Shan X J, et al. Monitoring ground subsidence in high-intensity mining area by integrating DInSAR and Offset-tracking technology[J]. Journal of Geo-Information Science, 2020, 22(12):2425-2435.

[14]
孙军, 张锦. 基于SBAS-InSAR和偏移追踪技术的露天煤矿地面形变监测[J]. 煤矿安全, 2022, 53(3):162-169.

Sun J, Zhang J. Ground deformation monitoring of open-pit coal mine based on SBAS-InSAR and offset tracking techniques[J]. Safety in Coal Mines, 2022, 53(3):162-169.

[15]
黄洁慧, 谢谟文, 王立伟. 基于SBAS-InSAR技术的白格滑坡形变监测研究[J]. 人民长江, 2019, 50(12):101-105.

Huang J H, Xie M W, Wang L W. Study on deformation monitoring of Baige landslide based on SBAS-InSAR technology[J]. Yangtze River, 2019, 50(12):101-105.

[16]
莫玉娟, 吴洋, 刘学武. 基于SBAS技术的四川阿坝州小金县地表形变监测[J]. 测绘工程, 2018, 27(11):46-50.

Mo Y J, Wu Y, Liu X W. Monitoring the ground subsidence in Xiaojin County,Sichuan Province based on small baseline subset technique[J]. Engineering of Surveying and Mapping, 2018, 27(11):46-50.

[17]
高文锦. 基于SBAS-InSAR技术的深圳西部地区地表形变研究[D]. 西安: 西安科技大学, 2021.

Gao W J. Research on surface deformation in the west of Shenzhen based on SBAS-InSAR technology[D]. Xi’an: Xi’an University of Science and Technology, 2021.

[18]
Ou D, Tan K, Du Q, et al. Decision fusion of D-InSAR and pixel offset tracking for coal mining deformation monitoring[J]. Remote Sensing, 2018, 10(7):1055.

[19]
Stumpf A, Malet J P, Allemand P, et al. Surface reconstruction and landslide displacement measurements with Pléiades satellite images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014,95:1-12.

[20]
贺礼家, 冯光财, 冯志雄, 等. 哨兵-2号光学影像地表形变监测:以2016年MW7.8新西兰凯库拉地震为例[J]. 测绘学报, 2019, 48(3):339-351.

DOI

He L J, Feng G C, Feng Z X, et al. Coseismic displacements of 2016 MW7.8 Kaikoura,New Zealand earthquake,using Sentinel-2 optical images[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(3):339-351.

[21]
Li M, Zhang L, Ding C, et al. Retrieval of historical surface displacements of the Baige landslide from time-series SAR observations for retrospective analysis of the collapse event[J]. Remote Sensing of Environment, 2020,240:111695.

[22]
Xiong Z Q, Feng G C, Feng Z X, et al. Pre- and post-failure spatial-temporal deformation pattern of the Baige landslide retrieved from multiple radar and optical satellite images[J]. Engineering Geology, 2020,279:105880.

Options
文章导航

/

〈 〉