EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 3: 221 - 232

DOI: https://doi.org/10.6046/zrzyyg.2024020

技术应用

“三查”体系在高植被山区地质灾害隐患识别与监测中的应用——以四川省乐山市为例

  • 周胜森 , 1 ,
  • 李为乐 , 1 ,
  • 陆会燕 1 ,
  • 任娟 2 ,
  • 付豪 2 ,
  • 李雪清 1 ,
  • 王新程 1 ,
  • 李雨森 1 ,
  • 韦春豪 1
展开
  • 1.成都理工大学地质灾害防治与地质环境保护国家重点实验室,成都 610059
  • 2.四川省国土空间生态修复与地质灾害防治研究院,成都 610081
李为乐(1982-),男,博士,教授,主要从事地质灾害早期识别与监测预警研究。Email: 。

周胜森(1997-),男,博士研究生,主要从事地质灾害早期识别与监测研究。Email: 。

Office editor: 李瑜

收稿日期: 2024-01-10

  修回日期: 2024-06-11

  网络出版日期: 2026-06-03

基金资助

国家重点研发计划“重大崩滑灾害危险源识别指标体系研究”(2021YFC3000401)

四川省重点研发项目“山区重大地质灾害智能识别与动态风险评价关键技术研究”(2023YFS0435)

四川省自然资源厅 “四川省地质灾害隐患遥感识别监测(2022年)和高分遥感应用服务项目”(N5100012022001470)

收起

Application of the space-air-ground investigation system in the identification and monitoring of geohazards in highly vegetation-covered mountain areas: A case study of Leshan City, Sichuan Province

  • ZHOU Shengsen , 1 ,
  • LI Weile , 1 ,
  • LU Huiyan 1 ,
  • REN Juan 2 ,
  • FU Hao 2 ,
  • LI Xueqing 1 ,
  • WANG Xincheng 1 ,
  • LI Yusen 1 ,
  • WEI Chunhao 1
Expand
  • 1. State Key Laboratory Geohazard Prevention and Geoenvironment Protection, Chengdu University of Technology, Chengdu 610059, China
  • 2. Sichuan Institute of Land and Space Ecological Restoration and Geological Hazard Prevention, Chengdu 610081, China

Received date: 2024-01-10

  Revised date: 2024-06-11

  Online published: 2026-06-03

Fold

摘要

自天-空-地一体化的“三查”体系提出以来,地质灾害隐患识别与监测示范性工作取得显著成效。四川省乐山市是示范区中的地质灾害重点防治区,高植被覆盖率和集中降雨导致地质灾害具有高位隐蔽和突发性。该文以乐山市为研究区,采用天-空-地一体化的“三查”技术体系,开展高植被山区地质灾害隐患识别与监测应用研究。主要得出以下结论: ①研究区共识别地质灾害隐患75处,通过现场核查确认地质灾害隐患解译数为51处,识别准确率为68%,新识别隐患点36处; ②地质灾害隐患主要集中分布在2个区域,集中区内识别地质灾害隐患37处,占研究区地质灾害隐患的72.5%; ③Stacking-InSAR可以作为斜坡初始变形阶段的地质灾害识别手段; 斜坡处于显著变形阶段且在InSAR探测能力范围内时,Stacking-InSAR、高分辨率光学卫星影像、LiDAR均能作为地质灾害识别的技术手段; ④在高植被覆盖的山区,可利用LiDAR技术去除地表植被的影响,结合一定的专家经验开展地质灾害隐患识别工作; ⑤目前利用遥感手段很难对“非显性地质灾害隐患”进行有效识别。

关键词： 地质灾害隐患; 高植被山区; “三查”体系; 识别与监测; 乐山市

本文引用格式

周胜森 , 李为乐 , 陆会燕 , 任娟 , 付豪 , 李雪清 , 王新程 , 李雨森 , 韦春豪 . “三查”体系在高植被山区地质灾害隐患识别与监测中的应用——以四川省乐山市为例[J]. 自然资源遥感, 2025 , 37(3) : 221 -232 . DOI: 10.6046/zrzyyg.2024020

Abstract

The space-air-ground investigation system has achieved remarkable results in the identification and monitoring demonstration work of geohazards. Leshan City in Sichuan Province, China, is a key zone for preventing and controlling geohazards within the demonstration area. The high vegetation cover and concentrated rainfall lead to the high concealment and sudden occurrence of geohazards in Leshan City, necessitating the identification and monitoring of geohazards in this city. Hence, under the guidance of the space-air-ground investigation system, this study explored the identification and monitoring of geohazards in the highly vegetation-covered mountain areas within Leshan City. The results indicate that 75 geohazards were identified in the study areas, with 51 confirmed through field verification, suggesting an identification accuracy rate of 68 %. Among them, 36 geohazards were newly identified. The geohazards were primarily concentrated in two areas, where 37 were identified, representing 72.5 % of the total geohazards in the study areas. Concerning techniques for identifying geohazards at different deformation stages of slopes, stacking-interferometric synthetic aperture radar (InSAR) can be employed to detect geohazards at the initial deformation stage of slopes. For slopes experiencing significant deformation within the detection range of InSAR, techniques like stacking-InSAR, high-resolution optical satellite imagery, and light detection and ranging (LiDAR) can all be used for geohazard identification. For highly vegetation-covered mountain areas, the LiDAR technique, which can be utilized to remove the effects of surface vegetation, combined with expert knowledge, can be used for geohazard identification. Additionally, remote sensing techniques face challenges in effectively identifying concealed geohazards.

Key words： geohazard; highly vegetation-covered mountain area; space-air-ground investigation system; identification and monitoring; Leshan City

0 引言

我国山区面积占国土面积的65%以上,崩塌、滑坡、泥石流等地质灾害易发、多发、频发[1-2]。自1998年以来,全国陆续开展了不同比例尺的地质灾害区域调查。同时,为减轻地质灾害造成的人员和财产损失,形成了“群测群防”的工作模式[3]。截至2022年,共发现地灾隐患点28万余处,每年因地质灾害死亡的人数明显减少,总体成效显著[4-5]。目前的研究已基本掌握地质灾害的区域分布规律,但仍面临严峻考验,即传统的调查和监测手段难以发现高位隐蔽性、突发性强的灾害,这类地质灾害往往会造成大量人员伤亡[2,6]。例如,2009年重庆鸡尾山滑坡造成74人死亡[7],2013年四川五里坡滑坡造成166人死亡[8-9],2014年贵州英坪村滑坡导致23人死亡[10],2016年浙江苏村滑坡造成28人死亡[11-12],2017年四川新磨村滑坡造成83人死亡[13],2019 年贵州水城滑坡导致43人遇难、9人失踪[14]。
2019年,许强等提出通过构建天-空-地一体化的“三查”体系进行重大地质灾害隐患的识别和监测[15]。国家逐步加强了综合遥感技术在地质灾害隐患识别中的应用,先后在地质灾害高易发的省、市、自治区,以及黄土高原、强震区、三峡库区、滇西北和藏东南地区开展了地质灾害隐患遥感识别示范性工作[16]。笔者所在团队参与了四川省强震区10万km2地质灾害隐患遥感识别与调查、川北片区12.13万km2地质灾害隐患识别监测、川南片区8.7万km2地质灾害隐患遥感识别监测等应用项目,积累和形成了一些地质灾害隐患识别与监测的实践经验和初步认识。
四川省乐山市是川南片区中的崩滑流灾害重点防治区[17]。区内西南山区河谷深切,中部丘陵和中、低山地区广泛分布红层,给地质灾害发育提供了良好孕育条件,且高植被覆盖导致地质灾害具有高位隐蔽和突发性[18-19]。近几年,区域内的地质灾害给当地居民带来了较大的生命和财产损失[20-21]。尤其是2023年6月4日,金口河区永胜乡鹿儿坪石板沟发生高位滑坡(简称石板沟滑坡),滑坡下方一处矿业公司的宿舍工棚被掩埋,导致19人遇难,5人受伤。研究人员对区域内崩塌、滑坡、泥石流等灾害发育特征进行了调查研究,仍缺乏基于综合遥感技术的区域地质灾害的识别研究[22-24]。本文在前人研究的基础上,以乐山市为研究区,采用地质灾害隐患综合遥感 “三查”技术体系,开展综合遥感技术在高植被山区地质灾害隐患识别中的应用研究。

1 研究区概况

乐山市位于四川省中部,四川盆地的西南部,下辖6县4区和1个县级市,面积约1.27×104 km2。区域内地势西南高,东北低,是四川盆地和凉山高原的过渡地带。区域内河流包括岷江及其支流大渡河、青衣江和马边河等。乐山市属于典型的亚热带季风气候,大部分区域年降雨量在1 000 mm以上。研究区属于扬子板块的美姑压陷盆地和马边褶断逆冲带,主要断层有龙泉山断裂、峨边断裂、天全—荥经断裂、马边—盐津断裂、三河口—烟峰断裂、西河—美姑断裂等。受构造控制和河流切割影响,研究区山体岩石破碎,再加上夏季降雨量集中,极易发生地质灾害。收集到库内已知地质灾害隐患共有688处,广泛分布于研究区的丘陵和山区地带。区域内植被覆盖率高,尤其是西南部山区的归一化植被覆盖指数(normalized differnce vegetation index,NDVI)大于0.8,给地质灾害识别和监测带来了巨大挑战(图1)。
图1 研究区位置与数据覆盖范围图

Fig.1 Location of study area and the coverage of datasets

2 数据与技术方法

本文以天-空-地一体化的“三查”技术体系为指导,开展乐山市地质灾害隐患综合遥感识别研究,技术路线引用自文献[25],有修改,具体如图2所示。首先,采用堆叠合成孔径雷达干涉测量(stacking interferometric synthetic aperture Radar,Stacking-InSAR)技术和高分辨光学卫星影像开展大范围普查; 然后,利用机载激光探测和测距(light detection and ranging,LiDAR)技术获取三维点云和航空正射影像进行重点区详查; 最后,在地面核查的基础上,采用小基线集合成孔径雷达干涉测量(small baseline subsets InSAR, SBAS-InSAR)技术监测典型点发展趋势。
图2 技术路线图

Fig.2 Technical flowchart

2.1 地质灾害隐患大范围普查

2.1.1 基于Stacking-InSAR 技术的地表形变区探测

为了尽可能探测到研究区准确的形变信息,选择升降轨Stacking-InSAR技术联合探测方法。Stacking-InSAR技术是对差分InSAR(differential InSAR,D-InSAR)技术所获取的解缠相位进行加权平均,获得年均形变速率。Stacking-InSAR技术的优点在于,能够既精确又快捷地探测大范围地表形变,适用于广域地质灾害隐患的识别[26]。
本次研究分别收集到哨兵一号(Sentinel-1A)卫星升轨影像184景,降轨影像252景。升轨影像的监测周期为2019年11月5日—2022年11月25日,降轨影像的监测周期为2019年11月12日—2022年11月20日。数据处理过程中,引入分辨率为30 m的ALOS-DEM去除地形相位。同时,借助精密轨道星历数据来消除轨道误差。

2.1.2 基于光学卫星影像的地质灾害隐患识别

崩塌、滑坡和泥石流等地质灾害会引起光谱特征变化,利用光学卫星影像的色调、纹理、阴影及植被等可以识别地质灾害的形态特征和变形迹象[27-28]。滑坡主要分为古滑坡和正在孕育的滑坡2类,其中古滑坡的识别相对容易,主要识别标志为整体呈现圈椅状地貌特征; 对于正在孕育的滑坡,一般利用多期光学卫星影像对比裂缝和错台的变化等,但在高植被覆盖区往往不明显,多依靠其他遥感手段识别,如InSAR及LiDAR等。崩塌常发生在节理裂隙发育的坚硬岩石组成的陡峻山体上,堆积区呈倒石堆状的影像特征。泥石流的堆积区常呈扇形、锥形形状,沟道内发育大量松散堆积物。地面沉降的变化速率往往较缓慢,光学卫星影像难以有效识别,故也需依靠InSAR技术发现地面沉降区域。为了观察地质灾害发展趋势,同时考虑到存档影像的有效性(例如,云量<5%),本次收集到的光学卫星影像包括高分1号、高分2号、高分6号和资源1号卫星影像,空间分辨率分别为2 m,0.8 m,2 m和2.36 m。

2.2 重点区域地质灾害隐患详查

LiDAR技术集成了位置测量系统、姿态测量系统、三维激光扫描仪和数码相机等设备。相对于传统的摄影测量技术,LiDAR技术具有多次回波技术可 “穿透”地面植被,通过滤波算法有效去除地表植被的影响,获取真实地面高程数据,目前广泛应用于地质灾害隐患精细化解译[29]。本文使用飞马D20无人机搭载VUX-1LR激光雷达系统(由奥地利RIEGL公司生产)采集了面积约28.3 km2的点云数据,通过点云滤波、点云分类、剔除植被点等处理后得到去除植被的3D模型,即数字高程模型(digital elevation model,DEM)和数字正射影像(digital orthophoto map,DOM),空间分辨率分别为0.5 m和0.2 m。

2.3 典型地质灾害隐患监测

为了分析典型地质灾害的时空形变特征,进一步了解地质灾害发展趋势,采用SBAS-InSAR技术获取滑坡累积形变量和时间位移曲线。SBAS-InSAR算法最早由Berardino等[30]提出,已被普遍证明适用于山区形变探测。该算法首先通过设置一定的时间、空间阈值,划分已有的SAR影像数据集为多个子集,子集内时间、空间阈值较小,以保证每个干涉像对具有较高的相干性; 然后直接采用最小二乘法或行奇异值分解(singular value decomposition, SVD)方法计算模型形变相位和残差相位; 最终通过空间和时间滤波获得大气延迟相位和非线性形变值,即地表形变[26]。SBAS-InSAR所采用的雷达影像与2.1.1节中相同。

3 地质灾害隐患识别结果

3.1 识别与核查结果

本次研究通过综合遥感手段共识别地质灾害隐患75处,核查工作由市、县地质灾害管理部门组织驻守技术支撑队伍完成,核查率为100%。各县域地质灾害隐患识别准确率如表1所示,最终确认地质灾害隐患数为51处。研究区地质灾害隐患识别准确率为68%。
表1 地质灾害隐患县域识别准确率统计表

Tab.1 Accuracy rate of identification of potential geohazards

县域 识别
总数/处		 确认为隐患
数/处		 准确率/%
峨边彝族自治县 40 34 85.0
峨眉山市 2 2 100.0
金口河区 8 3 37.5
马边彝族自治县 15 9 60.0
沐川县 2 0 0.0
沙湾区 8 3 37.5
合计 75 51 68.0
其中新识别隐患县城分布见图3,共36处,占识别总数的70.6%。其中,峨边彝族自治县26处,峨眉山市1处,马边彝族自治县7处,沙湾区2处。
图3 新识别地质灾害隐患点统计图

Fig.3 Newly identified geohazards

3.2 地质灾害隐患类型与空间分布

表2为研究区地质灾害隐患统计结果,51处隐患中,滑坡40处,崩塌7处,泥石流2处,地面沉降2处。从县域分布来看,峨边彝族自治县地质灾害隐患34处,峨眉山市2处,金口河区3处,马边彝族自治县9处,沙湾区3处。
表2 地质灾害隐患统计表

Tab.2 Number of potential geohazards(处)

县域 地质灾害隐患类型 合计
滑坡 崩塌 泥石流 地面沉降
峨边彝族自治县 29 3 2 — 34
峨眉山市 — 1 — 1 2
金口河区 3 — — — 3
马边彝族自治县 6 3 — — 9
沙湾区 2 — — 1 3
合计 39 7 2 3 51
图4为乐山市地质灾害隐患空间分布图,利用高斯核密度分析,发现其主要集中在2个区域。Ⅰ区位于峨边彝族自治县和金口河区交界位置,区内发育峨边断裂、天全—荥经断裂、两河—美姑断裂等活动断裂。I区共识别地质灾害隐患22处,占研究区地质灾害隐患的43.1%。Ⅱ区位于峨边彝族自治县南部,共识别地质灾害隐患15处,占研究区地质灾害隐患的29.4%。2个集中区共识别地质灾害隐患37处,占研究区地质灾害隐患的72.5%。
图4 地质灾害隐患空间分布与集中区

Fig.4 Spatial distribution and concentration of geohazards

3.3 典型地质灾害隐患

勒乌村滑坡位于峨边彝族自治县勒乌乡勒乌村,长约800 m,平均宽度约200 m,面积约2.38×105 m2,主滑方向为270°。滑坡边界在光学卫星影像上清晰可见,中部至前缘分布2条大的纵向冲沟,坡脚有1处局部滑塌。LiDAR山体阴影显示,滑坡后部和前缘发育多条横向陡坎,左侧边界处剪切裂缝十分明显(图5)。沿图5(b)中A和B点作剖面,如图6所示。
图5 勒乌村滑坡综合遥感识别结果

Fig.5 Results of integrated remote sensing identification of the Lewu landslide

图6 A-B地质剖面图

Fig.6 Geological map of the profile A to B

现场调查发现勒乌村滑坡发育在一处松散堆积层之上(图7(a)和7(b))。堆积层下伏基岩分为2部分,后部为侏罗系自流井组(J2z),前部为下沙溪庙组(J2s1),岩性为长石石英砂岩、粉砂岩、钙质泥岩,产状为270°∠40°(图6和图7(c))。
图7 勒乌村滑坡现场调查照片

Fig.7 Photographs of the Lewu landslide

由图7中勒乌村滑坡现场调查照片可知,该滑坡后缘处发育一处下错台坎,高度约15 m,延伸长度约200 m。滑坡地表水流经冲沟汇集到下方河流。县道X149从滑坡前部通过,公路受滑坡影响出现多条剪切裂缝,张开宽度约1~10 cm不等,延伸方向与滑坡滑向基本一致。其中,左侧边界处的路基受力不均发生倾斜,南侧错断距离约25 cm,张开宽度约15 cm,北侧错断距离约10 cm,张开宽度最大约30 cm。
利用SBAS-InSAR对勒乌村滑坡进行持续监测,结果如图8(a)所示。2019年11月5日—2022年11月25日监测周期内,滑坡中部的形变较大,最大年平均形变速率约57 mm/a。选取形变量较大的特征点P1,P2点作时序形变曲线,如图8(b)所示。P1点平均形变速率为50.8 mm/a,累积形变量175.2 mm。P2点平均形变速率为45.3 mm/a,累积形变量168.8 mm。曲线显示,勒乌村滑坡变形趋势较为平稳,未出现明显加速状态。
图8 勒乌村滑坡SBAS-InSAR监测结果

Fig.8 Results of monitoring of the Lewu landslides by SBAS-InSAR

4 认识与讨论

4.1 地质灾害隐患错识原因

研究区地质灾害隐患识别准确率为68%,共有24处地灾隐患识别错误。对比遥感识别和核查反馈结果,发现错识原因主要有以下几点: ①非地质灾害引起的地表形变导致InSAR形变信号明显,且利用光学卫星影像难以排除,如雨水冲刷带动地表土、石块发生溜滑,大面积土地改造等; ②一些人类工程活动导致地表破碎,其形态色调与崩塌、滑坡相似,例如采石场边坡; ③历史上发生过的崩滑,光学卫星影像上仍有一定迹象,但现场调查发现近几年形变没有加剧的趋势,或已修建治理工程; ④隐患点附近的散居农户已经搬离,但通过光学影像仍能观察到房屋等建筑,无法准确判断。

4.2 斜坡不同变形阶段的对应识别技术

4.2.1 初始变形阶段

斜坡变形的初始阶段,地表以微观变形为主,且一般在房屋、公路、电塔基础等刚性构筑物上显现,如房屋开裂、错动等。而下错台坎、局部垮塌等宏观变形迹象可能并不明显。此时,利用InSAR技术能够探测到坡体大范围的形变信号,而光学影像和地面调查不一定能找到变形迹象。
干溪拉达滑坡和柑子口滑坡分别位于马边彝族自治县高卓营乡干溪拉达村和峨边彝族自治县勒乌乡柑子口村。从卫星遥感来看,在Stacking-InSAR的监测周期内,滑坡整体存在明显形变信息(图9(a)和10(a)),但光学卫星图像上没有观察到破坏迹象(图9(b)和10(b))。通过LiDAR山体阴影图可以发现,二者均属于古滑坡堆积体复活的初期变形阶段(图9(c)和10(c))。二者的不同之处是,现场调查没有发现干溪拉达滑坡的破坏迹象(图9(d)—9(f)); 柑子口滑坡前部公路处修建了挡土墙等防护工程,挡墙没有明显变形,挡墙后部的居民房屋、院坝出现多处裂缝,部分裂缝已被重新封填(图10(d)—10(f))。
图9 干溪拉达滑坡综合遥感识别与现场调查照片

Fig.9 Integrated remote sensing identification and investigation photographs of the Ganxilada landslide

图10 柑子口滑坡综合遥感识别与现场调查照片

Fig.10 Integrated remote sensing identification and investigation photographs of the Ganzikou landslide

可以看出,滑坡处于初始变形阶段时,Stacking-InSAR可以作为滑坡识别的技术手段,而光学卫星影像和LiDAR还不能做到有效识别,且遥感形变信号范围与地面破坏痕迹吻合度不高。

4.2.2 显著变形阶段

斜坡发生显著变形时,利用高分辨率光学卫星图像和地面调查很容易发现台坎、局部垮塌等大规模破坏现象。此时,斜坡变形量若未超过InSAR技术所能探测的能力极限时,将表现出显著的形变信号。但当形变速率过快时,容易造成失相干从而降低InSAR探测结果的可信度。
大板村滑坡位于金口河区共安彝族乡大板村(103.001 282° E,29.169 053° N)。该滑坡处于沟道顶部,整体由沟道两侧滑向沟内,呈倒三角形,面积约为2.9×105 m2。在Stacking-InSAR的监测周期内,大坂村滑坡整体均存在明显形变信息(图11(a))。通过收集到的光学卫星影像可以观察到,滑坡前缘和后部发育2处局部滑塌(图11(b))。结合 LiDAR点云数据生成的山体阴影图可解译出3条规模较大的下错台坎,判断由前缘拉裂所致(图11(c))。现场调查发现,滑坡前缘滑塌严重,农田中发育数十米陡坎。滑坡后缘边界处的公路、水泥地面出现小规模错断和裂缝(图11(d)—11(f))。
图11 大板村滑坡综合遥感识别与现场调查照片

Fig.11 Integrated remote sensing identification and investigation photographs of the Daban landslide

由此可见,滑坡处于显著变形阶段且处于InSAR探测能力范围内时,Stacking-InSAR、高分辨率光学卫星影像、LiDAR均能作为滑坡识别的技术手段,且遥感形变信号与地面破坏痕迹吻合度较高。

4.3 LiDAR在高植被山区地质灾害隐患识别的应用

在高植被覆盖的山区中,光学卫星影像和无人机航空摄影图像的识别能力有限,即使InSAR技术探测到地表形变,仍不能准确识别出地质灾害范围。LiDAR技术作为一种新兴的对地观测技术,可通过滤波算法有效去除地表植被的影响,获取真实地面高程数据,结合一定的专家经验即可开展地质灾害隐患识别工作。
图12为余坪村滑坡,位于峨边彝族自治县勒乌乡余坪村。Stacking-InSAR探测到滑坡有明显形变信号,航空影像上能观察到局部滑塌,但难以识别滑坡边界。利用LiDAR点云生成山体阴影后,能够清楚识别古滑坡堆积、后缘陡坎及前缘局部垮塌等地貌特征。
图12 余坪村滑坡综合遥感识别结果

Fig.12 Integrated remote sensing identification of the Yuping landslide

4.4 非显性地质灾害隐患的识别

2023年6月4日,金口河区石板沟滑坡掩埋了下方一处宿舍工棚,导致19人遇难,5人受伤(图13)。灾害发生后,通过调取存档的光学卫星历史影像(图14(a)和14(b))和覆盖该区域的升降轨Stacking-InSAR探测结果(图14(c)和14(d)),并未发现该滑坡发生前有任何前兆形变。石板沟滑坡属于由强降雨引起的浅表层堆积层滑移。这类地质灾害往往规模小、突发性强,破坏前宏观和微观形变并不显著,将这类地质灾害定义为“非显性地质灾害”。目前,利用遥感手段很难对非显性地质灾害隐患进行有效地识别。因此,建议结合精细化风险调查评价和区域强降雨地质灾害预警,进行“点面双控”,防患于未然。
图13 金口河石板沟滑坡无人机照片

Fig.13 UAV image of Shibangou landslide in Jinkouhe

图14 金口河石板沟滑坡综合遥感识别结果

Fig.14 Integrated remote sensing identification of the Shibangou landslide in Jinkouhe

5 结论

本文以四川省乐山市为研究区,采用“三查”技术体系为指导,开展高植被山区地质灾害隐患综合遥感识别应用研究。主要得出以下结论:
1)乐山市共识别地质灾害隐患75处,通过现场核查确认地质灾害隐患解译数51处,其中滑坡39处,崩塌7处,泥石流2处,地面沉降3处,识别准确率68%。通过与库内已知地质灾害隐患点对比发现,本次新识别隐患点36处。
2)从县域分布来看,峨边彝族自治县地质灾害隐患34处,峨眉山市2处,金口河区3处,马边彝族自治县9处,沙湾区3处。且主要集中分布在2个区域,集中区内共识别地质灾害隐患37处,占研究区地质灾害隐患的72.5%。
3)斜坡不同变形阶段的对应识别技术: 斜坡处于初始变形阶段时,Stacking-InSAR可以作为地质灾害隐患识别的技术手段; 斜坡处于显著变形阶段且处于InSAR探测能力范围内时,Stacking-InSAR、高分辨率光学卫星影像、LiDAR均能作为地质灾害隐患识别的技术手段。
4)在高植被覆盖的山区中,当光学卫星影像和无人机航空摄影图像的识别能力有限时,可利用LiDAR技术去除地表植被的影响,获取真实地面高程数据,结合一定的专家经验开展地质灾害隐患识别工作。
5)“非显性地质灾害”往往规模小、突发性强,破坏前宏观、微观形变并不显著。目前,利用遥感手段很难进行有效的早期识别。

感谢成都理工大学郁文龙、单云锋、余淙蔚、许善淼、张攀、李维敏等同学在数据处理、地质灾害隐患识别和野外调查中对本文的帮助。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Xu Q, Zhao B, Dai K R, et al. Remote sensing for landslide investigations:A progress report from China[J]. Engineering Geology, 2023,321:107156.

[2]
葛大庆. 地质灾害早期识别与监测预警中的综合遥感应用[J]. 城市与减灾, 2018(6):53-60.

Ge D Q. Comprehensive application of remote sensing in early identification,monitoring and early warning in geological disasters[J]. City and Disaster Reduction, 2018(6):53-60.

[3]
徐红. 地质灾害:由群防到技防——访自然资源部地质灾害防治技术指导中心首席科学家殷跃平[J]. 中国测绘, 2020(7):8-11.

Xu H. Geological disasters:From group prevention to technical prevention——Interview with Yin Yueping,chief scientist of Geological Disaster Prevention and Control Technical Guidance Center of Ministry of Natural Resources[J]. China Surveying and Mapping, 2020(7):8-11.

[4]
梁京涛, 赵聪, 马志刚. 多源遥感技术在地质灾害早期识别应用中的问题探讨——以西南山区为例[J]. 中国地质调查, 2022, 9(4):92-101.

Liang J T, Zhao C, Ma Z G. Application discussion on early identification of geohazards based on multi-source remote sensing technology:A case study on mountainous areas of southwestern China[J]. Geological Survey of China, 2022, 9(4):92-101.

[5]
陈舒. 点面双控探寻护佑生命之路[N]. 中国自然资源报,2023-05-08(003).

Chen S. The path to protecting life is explored through point-face dual control[N]. China Natural Resources News,2023-05-08(003).

[6]
许强. 对地质灾害隐患早期识别相关问题的认识与思考[J]. 武汉大学学报(信息科学版), 2020, 45(11):1651-1659.

Xu Q. Understanding and consideration of related issues in early identification of potential geohazards[J]. Geomatics and Information Science of Wuhan University, 2020, 45(11):1651-1659.

[7]
Yin Y P, Sun P, Zhang M, et al. Mechanism on apparent dip sli-ding of oblique inclined bedding rockslide at Jiweishan,Chongqing,China[J]. Landslides, 2011, 8(1):49-65.

[8]
Wu L Z, Shi J S, Xu Q. The rainfall-induced Wulipo rockslide,China:A modified model for rockslide initiation[J]. Environmental Earth Sciences, 2017, 76(14):497.

[9]
梁京涛, 成余粮, 王军, 等. 2013年7月10日四川省都江堰三溪村五里坡特大滑坡灾害遥感调查及成因机制浅析[J]. 工程地质学报, 2014, 22(6):1194-1203.

Liang J T, Cheng Y L, Wang J, et al. Remote sensing investigation and formation mechanism on Wulipo landslide of July 10,2013 in Sanxi Village,Dujiangyan,Sichuan Province[J]. Journal of Engineering Geology, 2014, 22(6):1194-1203.

[10]
Xing A G, Xu Q, Zhu Y Q, et al. 2014, The August 27,rock avalanche and related impulse water waves in Fuquan,Guizhou,China[J]. Landslides, 2016, 13(2):411-422.

[11]
Ouyang C J, Zhao W, Xu Q, et al. Failure mechanisms and characteristics of the 2016 catastrophic rockslide at Su Village,Lishui,China[J]. Landslides, 2018, 15(7):1391-1400.

[12]
刘传正. 浙江遂昌县苏村崩塌滑坡灾害[J]. 中国地质灾害与防治学报, 2016, 27(4):12.

Liu C Z. Collapse and landslide disaster in Sucun,Suichang County,Zhejiang Province[J]. The Chinese Journal of Geological Ha-zard and Control, 2016, 27(4):12.

[13]
Scaringi G, Fan X M, Xu Q, et al. Some considerations on the use of numerical methods to simulate past landslides and possible new failures:The case of the recent Xinmo landslide (Sichuan,China)[J]. Landslides, 2018, 15(7):1359-1375.

[14]
李华, 史文兵, 朱要强, 等. 贵州省水城县“7·23”灾难性滑坡形成机制研究[J]. 自然灾害学报, 2020, 29(6):188-198.

Li H, Shi W B, Zhu Y Q, et al. Study on the formation mechanism of “7·23” catastrophic landslide in Shuicheng County,Guizhou Province,China[J]. Journal of Natural Disasters, 2020, 29(6):188-198.

[15]
许强, 董秀军, 李为乐. 基于天-空-地一体化的重大地质灾害隐患早期识别与监测预警[J]. 武汉大学学报(信息科学版), 2019, 44(7):957-966.

Xu Q, Dong X J, Li W L. Integrated space-air-ground early detection,monitoring and warning system for potential catastrophic geohazards[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7):957-966.

[16]
陈舒. 地灾隐患识别:寻找大地上的“潜伏者”[N]. 中国自然资源报,2021-05-10(003).

Chen S. Geohazards identification:Searching for the “lurkers” on the earth[N]. China Natural Resources News,2021-05-10(003).

[17]
李永建, 唐得胜, 马志刚. 四川省地质灾害防治形势及对策研究[J]. 四川地质学报, 2020, 40(4):676-679.

Li Y J, Tang D S, Ma Z G. A study of the situation and countermeasures of geohazard control in Sichuan Province[J]. Acta Geologica Sichuan, 2020, 40(4):676-679.

[18]
虎啸天, 娜子布林, 彭旭东, 等. 乐山市地质灾害发育特征及其防治形势分析[J]. 四川建材, 2017, 43(5):200-201.

Hu X T, Na Z, Peng X D, et al. Analysis on the characteristics of geological hazards developing and prevention situation in Leshan City[J]. Sichuan Building Materials, 2017, 43(5):200-201.

[19]
乔建平. 四川乐山地区红层滑坡特点研究[C]// 自然边坡稳定性分析暨华蓥山边坡变形趋势研讨会论文集. 重庆,1991:176-183.

Qiao J P. Characterization of red-layer landslides in the Leshan area,Sichuan[C]// Natural slope stability analysis and seminar on deformation trends of Huaying Mountain slopes.Chongqing, China,1991:176-183.

[20]
严映峰, 何朝阳, 解明礼, 等. 乐山市张村沟泥石流工程地质特征及成因机制分析[J]. 人民长江, 2021, 52(10):152-158.

Yan Y F, He C Y, Xie M L, et al. Analysis of engineering geological characteristics and formation mechanism of debris flow in Zhangcungou,Leshan City[J]. Yangtze River, 2021, 52(10):152-158.

[21]
王昌强. 乐山五通桥区滑坡破坏特征与演化机制研究[J]. 西部探矿工程, 2020, 32(12):20-23.

Wang C Q. Study on failure characteristics and evolution mechanism of Wutongqiao District landslide in Leshan[J]. West-China Exploration Engineering, 2020, 32(12):20-23.

[22]
赵娜, 钟家彬. 乐山市金口河区大渡河沿岸崩塌地质灾害发育特征[J]. 地质灾害与环境保护, 2017, 28(4):26-30.

Zhao N, Zhong J B. Development characteristics of the collapse along the banks of Dadu river at Jinkouhe area in Leshan[J]. Journal of Geological Hazards and Environment Preservation, 2017, 28(4):26-30.

[23]
张德, 钟家彬. 乐山市金口河区大渡河沿岸泥石流地质灾害发育特征[J]. 地质灾害与环境保护, 2017, 28(4):17-21.

Zhang D, Zhong J B. Development characteristics of the debris flow along the banks of Dadu river at Jinkouhe area in Leshan[J]. Journal of Geological Hazards and Environment Preservation, 2017, 28(4):17-21.

[24]
赵娜, 钟家彬, 杨东明. 乐山市金口河区大渡河沿岸滑坡地质灾害发育特征[J]. 地质灾害与环境保护, 2016, 27(2):10-14.

Zhao N, Zhong J B, Yang D M. Development characteristics of the landslide along the banks of Dadu River at Jinkouhe area in Leshan[J]. Journal of Geological Hazards and Environment Preservation, 2016, 27(2):10-14.

[25]
付豪, 李为乐, 陆会燕, 等. 基于“三查”体系的丹巴县滑坡隐患早期识别与监测[J]. 武汉大学学报(信息科学版), 2024, 49(5):734-746.

Fu H, Li W L, Lu H Y, et al. Early detection and monitoring of potential landslides in Danba County based on the space-air-ground investigation system[J]. Geomatics and Information Science of Wuhan University, 2024, 49(5):734-746.

[26]
刘国祥, 陈强, 罗小军, 等. InSAR原理与应用[M]. 北京: 科学出版社, 2019.

Liu G X, Chen Q, Luo X J, et al. Principle and application of InSAR[M]. Beijing: Science Press, 2019.

[27]
王治华. 滑坡遥感[M]. 北京: 科学出版社, 2012.

Wang Z H. Remote sensing for landslide[M]. Beijing: Science Press, 2012.

[28]
卓宝熙. 工程地质遥感判释与应用(第2版)[M]. 北京: 中国铁道出版社, 2011.

Zhuo B X. Remote sensing interpretation and application of geology engineering[M]. (2nd edition) Beijing: China Railway Publishing House, 2011.

[29]
Guo C, Xu Q, Dong X J, et al. Geohazard recognition and inventory mapping using airborne LiDAR data in complex mountainous areas[J]. Journal of Earth Science, 2021, 32(5):1079-1091.

[30]
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.

Options
文章导航

/

〈 〉