EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 6: 156 - 168

DOI: https://doi.org/10.6046/zrzyyg.2024370

SBAS-InSAR-based long time-series deformation monitoring and landslide hazard identification in the Baihetan reservoir area

  • YU Bing , 1, 2, 3 ,
  • ZHANG Chunyu 1 ,
  • WANG Jinri 1 ,
  • LIU Guoxiang 4 ,
  • DAI Keren 5 ,
  • MA Deying 1
Expand
  • 1. School of Civil Engineering and Geomatics, Southwest Petroleum University, Chengdu 610500, China
  • 2. Key Laboratory of Remote Sensing and Mapping Information Technology for Oil and Gas Fields in the Petroleum and Chemical Industry, Chengdu 610500, China
  • 3. Institute of Petroleum and Natural Gas Spatial Information Engineering, Southwest Petroleum University, Chengdu 610500, China
  • 4. Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 611756, China
  • 5. School of Earth Science, Chengdu University of Technology, Chengdu 610059, China

Received date: 2024-11-12

  Revised date: 2025-06-05

  Online published: 2026-06-03

Fold

Abstract

The reservoir area of the Baihetan hydropower station (also referred to as the Baihetan reservoir area) suffers from frequent geologic hazards. However, there is a lack of monitoring studies on the central area and lower reaches of the hydropower station. Based on the ascending and descending synthetic aperture Radar (SAR) images from the Sentinel-1A satellite, this study performed deformation monitoring and landslide hazard identification in the Baishitan-Yezhutang section of the Baihetan reservoir area using the small baseline subset-interferometric synthetic aperture Radar (SBAS-InSAR) method supported by the generic atmospheric correction online service for InSAR (GACOS). Moreover, this study conducted cross-validation of deformation data from ascending and descending SAR images for low-slope zones. It investigated the spatial distribution of landslide hazards and the movement patterns of typical hazard sites in the study area. Finally, it examined the impacts of factors influencing geologic hazards on the distribution of these hazard sites. The results indicate that the deformation data from ascending and descending SAR images for low-slope zones can be used for cross-validation. Based on the deformation detection results from time-series InSAR and the optical images from Google Earth, 16 landslide hazards were identified, including 14 slow-moving landslides and two significant deformation hazards induced by human engineering activities. Integrating the data of ascending and descending SAR images validated the reliability of deformation results and also enhanced the effectiveness of landslide hazard identification. The analysis of the movement patterns at typical hazard sites indicates a correlation between deformation acceleration and seasonal rainfall. The statistical analysis of factors influencing geologic hazards in the study area reveals that the formation of hazard sites is driven by multiple factors, with varying dominant factors and degrees of influence across different hazards.

Key words： Baihetan hydropower station; SBAS-InSAR; deformation monitoring; hazard identification; factors influencing geologic hazards

Cite this article

YU Bing , ZHANG Chunyu , WANG Jinri , LIU Guoxiang , DAI Keren , MA Deying . SBAS-InSAR-based long time-series deformation monitoring and landslide hazard identification in the Baihetan reservoir area[J]. Remote Sensing for Natural Resources, 2025 , 37(6) : 156 -168 . DOI: 10.6046/zrzyyg.2024370

0 引言

我国西南山区地灾频发且有强隐蔽性特征[1]。库岸边坡在强降雨、人类工程建设活动以及库区水位波动作用下位移演变特征更加复杂[2],一旦失稳将引发一系列次生灾害,对大坝、水电站等设施以及上下游人民生命财产造成极大威胁[3]。识别与监测不稳定边坡和潜在滑坡,并对这些隐患发生的原因进行分析,可为地灾防治提供科学依据。
白鹤滩库区地势陡峭、地形复杂,传统的地质调查方法在隐患识别过程中存在很大的局限,高位隐蔽且发生微小形变的滑坡隐患难以被发现[4]。合成孔径雷达干涉测量(interferometric synthetic aperture Radar,InSAR)技术因其全天时、全天候、覆盖范围广、成本低而广泛应用于变形监测[5],但时空失相干会严重影响形变监测效果,进而发展出了时序InSAR(multitemporal InSAR,MT-InSAR)方法,如永久散射体干涉合成孔径雷达(persistent scatterer InSAR,PSI)[6]、小基线子集InSAR(small baseline subset InSAR,SBAS-InSAR)[7]和SqueeSAR[8]。
目前,时序InSAR方法已被成功应用于白鹤滩库区地灾隐患调查。戴可人等[9]基于Sentinel-1卫星升降轨数据,采用时序InSAR对白鹤滩库区蓄水前活动性滑坡进行探测,确定了32处隐患点; 吴明堂等[10]以白鹤滩水库象鼻岭—葫芦口段为研究对象,采用InSAR与无人机光学遥感相结合的方法识别了114个地质灾害点; 顿佳伟等[11]结合Sentinel-1A和ALOS-1数据,基于SBAS-InSAR技术对白鹤滩库区葫芦口镇至象鼻岭段活动性滑坡进行识别,最终确定23处隐患点; Dai等[12]提出了一种将地质评价模型与InSAR观测相结合的方法对白鹤滩大坝蓄水期间的滑坡易发性进行了评价; Liu等[13]提出了一种基于InSAR形变值映射的无监督滑坡自动识别方法,并基于升降轨数据在白鹤滩库区分别识别出滑坡336处和590处; Zhu等[14]采用MT-InSAR方法和小波分析方法对白鹤滩库区不稳定边坡的形变模式进行识别和定量分析,探讨了降雨和库水位波动对不同类型滑坡形变的影响。
相比于其他区域,对于白鹤滩库区的地质灾害调查研究相对较少,且大多数研究针对沿白鹤滩水电站往金沙江上游方向,对靠近大坝的区域研究偏少。本文以2018年3月—2022年10月Sentinel-1A升降轨影像为数据源,基于通用大气校正在线服务(Generic Atmospheric Correction Online Service for InSAR, GACOS)辅助的SBAS-InSAR技术对靠近白鹤滩库区的白石滩—野猪塘地段进行形变监测与地质灾害隐患识别,分析典型隐患点的运动特征,并结合坡度、坡向、气象、水位和归一化植被指数(normalized difference vegetation index,NDVI)等隐患影响因子,统计研究区隐患点的分布规律。

1 研究区概况及数据源

白鹤滩水电站库区位于构造运动强烈活动的青藏高原东南缘,横断山脉东北部,地势陡峭,高差变化1 000~2 000 m,河谷深切,河流侵蚀、风化剥蚀严重[15]。库区距上游乌东德坝址约182 km; 距下游溪洛渡水电站约195 km,于2021年4月6日开始蓄水。本文以白鹤滩水电站库区为中心的上下游作为研究区域,长约41.64 km,宽约20.42 km,总面积850.29 km2,具体如图1所示。研究区地处西南腹地,属亚热带气候区,全年最高气温42.7 ℃,最低气温-0.4 ℃,年均气温7.1~21.1 ℃,常年温热的气候和多雨条件使该地区地质灾害频发。研究区地处我国第一阶梯向第二阶梯的过渡带,地质条件复杂,断裂构造发育,构造运动强烈,多条断裂带贯穿其中,研究区地质图如图2所示。研究区地层发育较全,包括奥陶系、志留系、二叠系、三叠系、寒武系、第四系、泥盆系、震旦系、侏罗系、白垩系,其中以二叠系、奥陶系、寒武系、震旦系为主。该地区因降雨、库水位涨落、河流侵蚀、人类工程活动等影响,极易诱发滑坡、泥石流、崩塌等地质灾害,对坝体稳定性和周围居民生命财产安全构成严重威胁。
图1 研究区地理位置及SAR数据覆盖范围

Fig.1 Location and SAR data coverage of the study area

图2 研究区地质图

1-前震旦系; 2-泥盆系中统幺棚子组; 3-白垩系下统小坝组下段; 4-奥陶系下统红石崖组; 5-奥陶系中统大箐组; 6-奥陶系中统巧家组; 7-奥陶系上统; 8-二叠系下统梁山组; 9-二叠系下统栖霞-茅口组; 10-二叠系上统峨眉山玄武岩; 11-古元古界会理群通安组; 12-第四系残坡积层; 13-第四系冲洪积层; 14-志留系下统龙马溪组; 15志留系中统石门坎组; 16-志留系上统; 17-三叠系上统—侏罗系下统; 18-三叠系; 19-震旦系上统灯影组下段; 20-震旦系上统灯影组中段; 21-震旦系上统灯影组上段; 22-震旦系上统观音崖组; 23-震旦系上统列古六组; 24-寒武系下统; 25-寒武系中统西王庙组; 26-寒武系上统二道水组

Fig.2 Geological map of the study area

本文以2018—2022年覆盖研究区的137景升轨和132景降轨Sentinel-1A干涉宽幅条带(interferometric wide swath,IW)模式影像为数据源,影像覆盖范围如图1所示。由于研究区降轨影像处于同个frame轨道相邻帧之间,因此需要将降轨影像进行上下拼接。具体参数如表1所示。轨道参数采用POD精密轨道数据。地形数据采用ALOS World 3D(AW3D30)数字表面模型(digital surface model,DSM),用于消除地形相位和地理编码,并提供地形特征与地形因子。同时采用GACOS校正InSAR大气延迟[16]。日降水数据来源于美国国家海洋和大气管理局(National Oceanic And Atmospheric Administration,NOAA),库区水位数据主要来源于长江水文网发布的汛情简报。
表1 Sentinel-1A数据主要参数

Tab.1 Main parameters of Sentinel-1A data

卫星 轨道 波长/cm 入射角/(°) 影像获取时间 重访周期/d 空间分辨率/m 极化方式
Sentinel-1A 升轨 5.6 44.0 2018-03-10—2022-10-25 12 5×20 VV
Sentinel-1A 降轨 5.6 39.4 2018-03-22—2022-10-27 12 5×20 VV

2 融合GACOS校正的SBAS-InSAR

融合GACOS的SBAS-InSAR基本原理是将GACOS大气产品[17]转化为与干涉图同期的大气延迟相位,从干涉图集中扣除大气延迟相位可实现大气延迟校正。设t0为参考的基准时刻,对于ti和tj时刻所获取的影像形成的第n幅差分干涉图,任意像元(x,r)的干涉相位ϕn(x,r)的计算公式为[7,18]:
ϕn(x,r)=ϕ(tj,x,r)-ϕ(ti,x,r)= $\frac{4\mathrm{\pi }}{\lambda }$[d(tj,x,r)-d(ti,x,r)]+ ${\varphi }_{n}^{\mathrm{t}\mathrm{o}\mathrm{p}\mathrm{o}}$(x,r)+ ${\varphi }_{n}^{\mathrm{a}\mathrm{t}\mathrm{m}}$(x,r)+ ${\varphi }_{n}^{\mathrm{o}\mathrm{r}\mathrm{b}\mathrm{i}\mathrm{t}}$(x,r)+ ${\varphi }_{n}^{\mathrm{n}\mathrm{o}\mathrm{i}\mathrm{s}\mathrm{e}}$(x,r),
式中: ϕ(ti,x,r)和ϕ(tj,x,r)为ti和tj时刻相对于t0时刻的相位值; λ为雷达波长; d(tj,x,r)和d(ti,x,r)分别为tj和ti时刻相对于t0时刻的视线向(line of sight,LOS)累积形变量; ${\varphi }_{n}^{\mathrm{t}\mathrm{o}\mathrm{p}\mathrm{o}}$(x,r),${\varphi }_{n}^{\mathrm{a}\mathrm{t}\mathrm{m}}$(x,r),${\varphi }_{n}^{\mathrm{o}\mathrm{r}\mathrm{b}\mathrm{i}\mathrm{t}}$(x,r),${\varphi }_{n}^{\mathrm{n}\mathrm{o}\mathrm{i}\mathrm{s}\mathrm{e}}$(x,r)分别为地形相位、大气延迟相位、轨道误差相位、噪声相位。其中,利用轨道数据和外部数字高程模型(digital elevation model,DEM)去除平地和地形效应,通过二次多项式模型和迭代最小二乘法拟合轨道误差[19],并使用多视处理和滤波来减少干涉图中的噪声相位,大气延迟相位由以下基于GACOS数值计算的方法进剔除。
首先,需要将GACOS产品转换成LOS方向的相位延迟ϕG,换算公式为[20]:
ϕG= $\frac{4\mathrm{\pi }}{\lambda }$·GACOScut/cosθ,
式中: GACOScut为裁剪后的GACOS大气产品数据; θ为雷达波入射角。
同时,需对GACOS产品进行地理编码,转换到SAR坐标系(斜距-多普勒坐标系)中。对于ti和tj时刻的SAR图像构成的干涉对,假设tj>ti,像元(x,r)处的大气延迟校正相位可以表示为[20]:

ϕGACOS,i,j(x,r)=ϕGACOS,j(x,r)-ϕGACOS,i(x,r)。

在差分干涉图中减去上述相应大气延迟相位,得到校正后的差分干涉图[21]。图3为大气校正前后的差分干涉图对比,可以看出干涉图大片虚假条纹被有效去除。
图3 GACOS大气延迟改正前后差分干涉图对比

Fig.3 Comparison of differential interferograms before and after GACOS atmospheric delay correction

对大气改正后的差分干涉图进行相位解缠得到解缠相位,可以对时间维低频形变以及地形残差进行建模[7],计算公式为:
ϕ(tn)= $\overline{v}$(tn-t0)+ $\frac{1}{2}\overline{a}$(tn-t0)2+ $\frac{1}{6}$Δ $\overline{a}$(tn-t0)3,
式中: $\overline{v}$为线性形变速率; $\overline{a}$为加速度; Δ$\overline{a}$为加速度变化率[7]。
接下来,从各原始差分干涉图中扣除低频形变与地形残差分量,并对残余的缠绕相位进行解缠,然后将低频形变加回,得到扣除地形残差的解缠相位。以此为基础观测值,可对各相邻时刻的相位变化速率进行求解[7]。本文中采用连续干涉图集(干涉时空基线如图4所示,时间基线阈值为36 d,空间基线阈值为150 m)进行数据处理,未出现不同的干涉子集,因此在解算时可采用最小二乘平差直接进行处理。
图4 干涉对连接情况

Fig.4 Interfering pairs connectivity

在得到相邻时刻间的相位变化速率后,可通过时间维积分获得相位时间序列。从相位时间序列中扣除之前解算的低频形变并进行时空滤波可分离出大气延迟、轨道误差和噪声相位[7]。从相位时间序列中扣除大气延迟、轨道误差和噪声相位分量可得到形变相位时间序列,并转化为形变时间序列。

3 InSAR形变与隐患识别结果及分析

3.1 InSAR形变结果

图5所示为研究区域的LOS向年均形变结果。其中,正值表示靠近卫星移动,负值反之。升轨共探测到2 834 348个形变点,降轨共探测到2 124 510个形变点。升轨LOS向年平均形变速率范围为-121.4~96.7 mm/a,降轨为-92.7~92.7 mm/a。由于研究区地势陡峭,地形起伏大,Sentinel-1A升降轨卫星拍摄角度和数据获取时刻不同,其形变结果存在差异[11],但通过不同的观测角度,可以识别出不同的滑坡隐患。
图5 研究区视线向形变速率结果

Fig.5 Line-of-sight deformation rate results of the study area

3.2 升降轨交叉验证

由于升降轨观测几何不同,在地形起伏明显的区域很难进行升降轨形变结果的交叉验证。为此,本研究选取坡度及坡向较小区域的稳定点进行升降轨交叉验证。在坡度和坡向较小的区域(如近似平地区域),通常形变较小,且水平向形变不明显,这意味着升降轨观测到的形变差异相对较小。同时,在InSAR监测中可能出现的地形变化引起的误差也会较少。因此在这些区域进行验证可以更好地避免可能导致误差的其他因素,使验证结果更可靠。本研究随机选取升降轨坡度小于3°的300个同名点进行交叉验证,验证结果如图6(a)所示,相关系数R=0.81。除此之外,本研究还选取了升轨结果中X1和X2两处(对应于降轨结果中的X3和X4)非滑坡(工程建设区域,坡度较小但形变十分显著)形变区进行升降轨交叉验证,结果如图6(b)和(c)所示,其中X1处相关系数R=0.84,X2处相关系数R=0.93。因此,本研究中升降轨形变结果具有较高的一致性,验证了结果的可靠性。
图6 升降轨形变速率交叉验证

Fig.6 Cross-validation of ascending and descending deformation rates

3.3 隐患识别结果

如图5所示,在研究区探测到16处潜在地灾隐患点,升轨识别出8处,降轨识别出14处,升降轨均识别出的有6处。对隐患点按照由北至南、先升轨后降轨的顺序进行编号,即XB01—XB18(见图5)。其中,2处非滑坡形变区分别用X1,X2(升轨)和X3,X4(降轨)表示。从总体分布来看,金沙江东岸的隐患点有10处,占总数的62.5%; 西岸有6处,占总数的37.5%。涉水情况来看,有5处涉水隐患点(XB01,XB02(降轨编号XB07),XB03(降轨编号XB08),XB15,XB17),占比31.25%。11处为非涉水隐患点(XB04(降轨编号XB16),XB05,XB06(降轨编号XB14),XB09—XB13,XB18,X1(降轨编号X3),X2(降轨编号X4)),占比68.75%。研究区内形变区上游和中游多,下游少。
为便于后续分析,根据隐患点的空间分布将其分为6个区域。区域I包括XB01,XB02(降轨编号XB07),XB03(降轨编号XB08); 区域Ⅱ包括XB09—XB11; 区域Ⅲ包括XB12—XB14(升轨编号XB06); 区域Ⅳ包括XB04(降轨编号XB16),XB05; 区域Ⅴ包括XB15,XB17,XB18; 区域Ⅵ包括X1(降轨编号X3),X2(降轨编号X4)。由升降轨形变速率结果、光学影像和地形特征,本文对隐患点进行了目视解译,结果如图7所示。
图7 隐患点识别结果

Fig.7 Result of hidden hazard points

图7显示了所探测到的16个不稳定斜坡。本文用不同颜色虚线圈定了各隐患点主要形变范围。隐患点高程在580~1 984 m之间,其中,XB02形变面积最大,达3.2×106 m2。表2列出了所有隐患点的详细信息。隐患点中有5个形变量较大(绝对值超过90 mm/a),包括XB02(XB07),XB04(XB16),XB05,X1(X3),X2(X4),其中,XB04(XB16)标记的干田坝隐患点形变速率达-121.4 mm/a。
表2 隐患点详细信息

Tab.2 Detailed information of potential hazards

区域 InSAR识别形变区编号 形变区名称 LOS向最大形
变速率/(mm·a-1)		 地理位置 升/降轨 坡向 类型
区域Ⅰ XB01 麻地坪 -62.0 27°22'12″N,102°54'54″E 升 东南 潜在滑坡
XB02/XB07 废窝 -112.1 27°21'11″N,102°53'55″E 升、降 东 潜在滑坡
XB03/XB08 冯家坪村 -83.9 27°19'47″N,102°53'51″E 升、降 东 潜在滑坡
区域Ⅱ XB09 菜园子 -41.3 27°10'26″N,102°55'33″E 降 西南 潜在滑坡
XB10 大寨村 -44.9 27°13'23″N,102°55'23″E 降 西南 潜在滑坡
XB11 帽子田 -51.7 27°12'23″N,102°55'50″E 降 西南 潜在滑坡
区域Ⅲ XB12 大花地 -53.0 27°11'34″N,102°55'23″E 降 西北 潜在滑坡
XB13 塘拉者 -49.0 27°11'05″N,102°56'05″E 降 西北 潜在滑坡
XB06/XB14 付家岩脚 -86.7 27°10'26″N,102°56'45″E 升、降 东北 潜在滑坡
区域Ⅳ XB04/XB16 干田坝 -121.4 27°08'49″N,102°51'40″E 升、降 东 潜在滑坡
XB05 立家粱子 -90.6 27°07'47″N,102°52'17″E 升 东 潜在滑坡
区域Ⅴ XB15 子油树 -33.4 27°09'36″N,102°54'53″E 降 西 潜在滑坡
XB17 棉纱村 -84.2 27°08'23″N,102°55'26″E 降 西北 潜在滑坡
XB18 建设村 -46.5 27°07'14″N,102°55'33″E 降 西北 潜在滑坡
区域Ⅵ X1/X3 六城村 -92.5 27°10'59″N,102°53'59″E 升、降 — 地表沉降
X2/X4 半坡 -93.0 27°11'41″N,102°54'39″E 升、降 — 地表沉降

4 隐患点形变及影响因素分析与讨论

4.1 典型隐患点形变特征分析与讨论

4.1.1 废窝潜在滑坡隐患点

XB02为废窝潜在滑坡隐患点(降轨编号XB07),位于金沙江西岸,白鹤滩水电站下游,距离白鹤滩坝址约23.32 km,圈定坡体范围的海拔在585~1 325 m之间,高差约740 m。图8(a)为该隐患点升轨形变速率。由光学影像可知,坡体中上部呈现滑坡台阶,下方形成的次级滑面坡度较大,在35°~65°之间。较强形变区位于坡体上部,即滑坡台阶处(如图8(a)蓝色虚线所示),最大LOS形变速率约-112.1 mm/a,显著形变面积约2.8×106 m2。
图8 废窝潜在滑坡形变特征

Fig.8 Potential landslide deformation characteristics of Feiwo

图8(b)所示为强形变区特征点P1,P2,P3的形变时间序列。三者形变趋势一致,在雨季形变波动明显,非雨季形变缓和。由于该滑坡为高位滑坡,库区蓄水之后对上端强形变区影响相对较小,形变主要与季节性降雨相关。对坡体上部强形变区做横纵剖面线(图8(a)中a—b为横剖面,c—d为纵剖面),由剖面的形变时间序列(图8(c)和(d))可知,坡体形变沿剖面线逐年增大,形变量较大区域主要在强形变区中部,由于次级滑面易受降雨影响,下方滑坡体滑动可能造成上方坡体失稳,在坡体下部分布着居民地和公路,需要对该滑坡进行持续监测。

4.1.2 棉纱村潜在滑坡隐患点

XB17为棉纱村滑坡隐患点,位于白鹤滩水电站上游,金沙江东岸,距坝址约22.11 km,呈西南朝向。该隐患点形变区域海拔在733~1 134 m之间,高差约401 m。坡体地表裸露,在平面上呈倒三角形,两边高中间低,向内凹陷形成冲沟,土壤碎屑沿两边坡面向中间滑动并向下持续堆积。坡体年平均形变速率如图9(a)所示,强形变区集中在右上部,其最大变形速率为-84.2 mm/a,坡体显著形变面积约3.6×105 m2。
图9 棉沙村潜在滑坡形变特征

Fig.9 Potential landslide deformation characteristics of Miansha Village

选取坡体上缘强形变区内特征点P1,P2,P3,结合降雨数据和水位数据,建立如图9(b)的时序形变曲线,可以看出,三者在时间序列上变化基本相同,坡体在2018年9月—2019年3月形变加速,其余时间基本呈线性匀速状态。选择隐患点上强变形区域做横纵剖面线(图9(a),e—f为横剖面,g—h为纵剖面),由剖面的累积形变量时间序列图(图9(c)和(d))可知,最大形变在强形变区的中部,沿剖面线累积形变量逐年增大,包括3个加速阶段,分别为2018年12月—2019年7月、2020年8月—2021年2月以及2022年4月—2022年10月(该时段形变量最大达63 mm)。该隐患点为高位隐患点,且坡度大,形变量级较大,在强降雨及库水位的共同影响下,若发生显著滑动,会对下方道路及河流产生巨大威胁。

4.1.3 六城村半坡非滑坡隐患点

X1为六城村非滑坡隐患点(图5,降轨编号为X3),该点位于金沙江西岸斜坡,距坝址6.24 km。该隐患点选取升轨结果进行形变分析,形变主要位于中部,最大LOS向形变速率达-92.5 mm/a(图10(a))。如图10(b)的时序形变可知,特征点P1、P2、P3累积形变趋势一致,自2019年2月开始加速位移,2020年8月开始放缓,2021年1月继续加速。由时序剖面图(图10(c)和(d))可知,形变主要集中在隐患中心区域。形变在2021年3月之后还是有较大幅度增量,但呈阶段式降低。由光学影像可知,X1隐患点为厂房区,在监测期间存在工厂和道路的修建活动,因此推断该处形变与工程建设、土方开挖有关。上村梁子隧道从隐患区左上方穿过,该处地表形变可能会对隧道造成潜在影响。
图10 六城村隐患点形变特征

Fig.10 Potential landslide deformation characteristics of Liucheng village

X2为半坡非滑坡隐患点(图5,降轨编号为X4),位于金沙江东岸斜坡,距坝址约5.38 km。该隐患点采用降轨结果进行形变分析,与X1隐患点相同,该点同样为工程建设区,年平均形变速率如图11(a)所示,最大LOS形变速率达-93.0 mm/a。由图11(b)的时序形变曲线可以看出,特征点P1,P2,P3形变量在整体上大致呈现出线性匀速变化,在2022年9月形变出现加速。由时序剖面图11(c)和(d)可知,形变主要集中在隐患中部和右部,且在2021年2月—2021年9月形变量变化增大。与X1相同,该处形变同样由工程建设所致。同时,该隐患点临近库区,边坡易受水位涨落的影响,因此,对该区域边坡进行加固十分重要。
图11 半坡隐患点形变特征

Fig.11 Potential landslide deformation characteristics of Banpo

4.2 隐患分布的影响因子分析与讨论

滑坡的形成受地形、岩性、构造、侵蚀、气候等多种因素的影响[22]。本研究综合了SBAS-InSAR升轨和降轨形变结果,选取高程、坡度、坡向、NDVI、降水等8个因素对研究区影响因子(图12)进行分类统计,总结地灾隐患在各类影响因子下的分布规律。图12为地质灾害隐患点在各种影响因子下的空间分布。为进一步分析,基于降雨、地形和地质数据,统计了该研究区内影响因子及其对应分布的隐患比例(图13)。由于X1和X2为2处非滑坡形变区,因此在以下地灾因子比例分析中不作统计。
图12 隐患影响因子

Fig.12 Influencing factors of hidden hazards

图13 地质隐患与影响因子之间的关系

Fig.13 Relationship between geological hazards and influencing factors

根据图13(a)的统计分析表明,随着高程的增加,滑坡的频率有所增加,然后减少。它们主要集中在高程600~1 800 m的山脉中,占总数的92.86%,主要受降水、地质构造运动和库水位等因素的影响。在高程高于1 800 m的山脉中,由于剥蚀、侵蚀和冰缘作用而产生较大的波动,亦有明显的滑坡隐患,占总数的7.14%。此外,在高程较大区域会受到强烈的物理风化作用,加剧了滑坡隐患的形成。
坡度是影响坡体稳定性的另一个主要因素。坡度控制着边坡的剪应力,边坡坡度越快超过边坡稳定极限,发生滑坡的可能性越大[23]。由图13(b)可知,随着坡度的增大,该区域滑坡数量先增大后减小,其中20°~40°滑坡分布最多,占总数的50%。
坡向影响日照时间,当位于阳坡(坡向为南、东南、西南)时,边坡长时间暴露在阳光下,岩土体收缩扩张的程度更大,导致岩体破坏程度较高,边坡稳定性降低[24]; 另一方面,阴坡(坡向为北、东北、西北)接收的太阳辐射较少,温度较低,蒸发量小,土壤湿润,这种条件有利于滑坡的发生。同时,坡向影响土壤水分和植被分布进而影响滑坡的演化过程[25]。研究区内约28.57%的滑坡集中在阳坡,约35.71%的滑坡集中在阴坡(表2)。同时,由于SAR卫星对南北向形变不敏感,因此很难识别到南北向的隐患点[26]。
通过对该研究区NDVI在时间序列上的一元线性回归拟合,可求得回归方程的斜率slope,其反映了监测期间研究区NDVI的变化趋势。slope>0表示该像元NDVI为增加趋势; slope=0表示该像元NDVI基本不变; slope<0表示该像元NDVI为减少趋势。结合图12(d)和图13(d)可知,分布在NDVI增加区域的滑坡隐患有6个,分布在NDVI减少区域的滑坡隐患有8个。植被通过其根系和地表覆盖层能有效地保护土壤,防止土壤侵蚀和坡面失稳。而NDVI持续下降,表明植被逐渐退化,可能导致滑坡发生的频率或规模增加。
降水是导致高海拔地区滑坡发生的最重要因素之一,年降水量对滑坡发育的影响一般可分为2个方面。一方面,降水入渗使边坡含水率增加,边坡抗剪强度逐渐降低[27],为滑坡的发生提供了必要条件; 另一方面,降水直接导致边坡结构劣化,进而导致滑坡[28]。因此,在区域尺度上,降水通常被认为是滑坡发展不可或缺的外部因素[28]。图13(e)中的统计结果表明,在本研究区域和监测时段内,年均降雨量在880~900 mm的时候,滑坡数量分布最多(占比42.86%)。降水对滑坡的影响更重要地体现在季节性降雨对形变速率的影响,这在4.1节中对于特征点的时序分析中已做说明。
断层影响边坡岩体的结构完整性、区域构造应力场的变异性以及滑坡的分布[29]。统计分析表明,滑坡数量与距断层距离大致呈负相关(图13(f)),这与距断层的距离越大,断层驱动力对岩体的破坏逐渐减小有关[30]。统计结果表明,距离断层500 m范围内的滑坡数量最多(占比35.71%),超过500 m的滑坡数量明显减少。但是,滑坡数量在距断层大于3 500 m时出现增加现象。研究发现,增加的滑坡大多都是沿江滑坡,虽然距断层较远,但流水冲刷作用较强,因此可能出现滑坡增多的现象。同样,离河较近的坡体易受河流侵蚀造成坡体不稳,从而形成隐患点,但距离河流越远时,河流影响降低,主导隐患点分布的更有可能是断层。对于到路距离也是如此,当距离道路500 m以内时,隐患点数量较多(占比21.43%),主要是受人类活动影响,距离道路越远,影响滑坡的因素越复杂。因此后3类影响因子(图13(f)—(h))在距离越近单要素对滑坡的形成与分布的主导力更大,而当距离越远时,则为其他因素主导或由多因素共同控制滑坡的形成与分布。

5 结论

本研究采用融合GACOS的SBAS-InSAR技术和Sentinel-1A升降轨数据对白鹤滩水电站库区白石滩—野猪塘地段进行地质灾害隐患识别和形变特征研究,结果表明:
1)基于升降轨形变结果共在研究区识别出16处隐患点(升轨识别8处,降轨识别14处,升降轨共同识别到的有6处),其中,潜在滑坡隐患点14处,由人类工程活动引起的显著形变隐患点2处。
2)本文首次尝试基于小坡度区域进行升降轨形变结果的交叉验证,结果表明二者具有较高一致性,且联合升降轨数据可提高滑坡隐患识别效果。
3)根据隐患识别结果,结合降雨数据和库水位数据进行分析发现隐患点的形变加速与季节性降雨具有明显相关性。
4)通过分析隐患点与影响因子的空间分布统计关系发现,强降雨、活跃的地质构造和广泛的断层分布等是地灾隐患的主要影响因素。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
刘晓杰. 星载雷达遥感广域滑坡早期识别与监测预测关键技术研究[D]. 西安: 长安大学, 2022.

Liu X J. Research on key technologies for early identification,monitoring and forecasting of wide-area landslides with spaceborne Radar remote sensing[D]. Xi’an: Chang’an University, 2022.

[2]
戴可人, 吴明堂, 卓冠晨, 等. 西南山区大型水电工程库岸滑坡InSAR早期识别与监测研究进展[J]. 地球科学与环境学报, 2023, 45(3):559-577.

Dai K R, Wu M T, Zhuo G C, et al. Review on InSAR early identification and monitoring of reservoir landslides for large hydropower engineering projects in southwest mountainous area of China[J]. Journal of Earth Sciences and Environment, 2023, 45(3):559-577.

[3]
康亚, 赵超英, 张勤, 等. InSAR滑坡探测技术研究——以金沙江乌东德水电站段为例[J]. 大地测量与地球动力学, 2018, 38(10):1053-1057.

Kang Y, Zhao C Y, Zhang Q, et al. Research on the InSAR technique of landslide detection:A case study of Wudongde hydropower station section,Jinshajiang[J]. Journal of Geodesy and Geodynamics, 2018, 38(10):1053-1057.

[4]
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.

[5]
许强, 蒲川豪, 赵宽耀, 等. 延安新区地面沉降时空演化特征时序InSAR监测与分析[J]. 武汉大学学报(信息科学版), 2021, 46(7):957-969.

Xu Q, Pu C H, Zhao K Y, et al. Time series InSAR monitoring and analysis of spatiotemporal evolution characteristics of land subsidence in Yan’an New District[J]. Geomatics and Information Science of Wuhan University, 2021, 46(7):957-969.

[6]
Ferretti A, Prati C, Rocca F. Nonlinear subsidence rate estimation using permanent scatterers in differential SAR interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(5):2202-2212.

DOI

[7]
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

[8]
Ferretti A, Fumagalli A, Novali F, et al. A new algorithm for processing interferometric data-stacks:SqueeSAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(9):3460-3470.

DOI

[9]
戴可人, 沈月, 吴明堂, 等. 联合InSAR与无人机航测的白鹤滩库区蓄水前地灾隐患广域识别[J]. 测绘学报, 2022, 51(10):2069-2082.

DOI

Dai K R, Shen Y, Wu M T, et al. Identification of potential landslides in Baihetan Dam area before the impoundment by combining InSAR and UAV survey[J]. Acta Geodaetica et Cartographica Si-nica, 2022, 51(10):2069-2082.

[10]
吴明堂, 崔振华, 易小宇, 等. 白鹤滩库区象鼻岭—野猪塘段地质灾害综合遥感识别[J]. 长江科学院院报, 2023, 40(4):155-163.

DOI

Wu M T, Cui Z H, Yi X Y, et al. Identification of geohazards in Xiangbiling-Yezhutang section of Baihetan Reservoir area using multi-source remote sensing data[J]. Journal of Changjiang River Scientific Research Institute, 2023, 40(4):155-163.

[11]
顿佳伟, 冯文凯, 易小宇, 等. 白鹤滩库区蓄水前活动性滑坡InSAR早期识别研究——以葫芦口镇至象鼻岭段为例[J]. 工程地质学报, 2023, 31(2):479-492.

Dun J W, Feng W K, Yi X Y, et al. Early insar identification of active landslide before impoundment in Baihetan Reservoir area:A case study of Hulukou Town Xiangbiling section[J]. Journal of Engineering Geology, 2023, 31(2):479-492.

[12]
Dai K R, Chen C, Shi X L, et al. Dynamic landslides susceptibility evaluation in Baihetan Dam area during extensive impoundment by integrating geological model and InSAR observations[J]. International Journal of Applied Earth Observation and Geoinformation, 2023,116:103157.

[13]
Liu Y, Yao X, Gu Z K, et al. Research on automatic recognition of active landslides using InSAR deformation under digital morphology:A case study of the Baihetan reservoir,China[J]. Remote Sensing of Environment, 2024,304:114029.

[14]
Zhu Y R, Qiu H J, Liu Z J, et al. Rainfall and water level fluctuations dominated the landslide deformation at Baihetan Reservoir,China[J]. Journal of Hydrology, 2024,642:131871.

[15]
朱赛楠, 殷跃平, 王猛, 等. 金沙江结合带高位远程滑坡失稳机理及减灾对策研究——以金沙江色拉滑坡为例[J]. 岩土工程学报, 2021, 43(4):688-697.

Zhu S N, Yin Y P, Wang M, et al. Instability mechanism and disaster mitigation measures of long-distance landslide at high location in Jinsha River junction zone:Case study of Sela landslide in Jinsha River,Tibet[J]. Chinese Journal of Geotechnical Engineering, 2021, 43(4):688-697.

[16]
Yu C, Penna N T, Li Z H. Generation of real-time mode high-resolution water vapor fields from GPS observations[J]. Journal of Geophysical Research:Atmospheres, 2017, 122(3):2008-2025.

DOI

[17]
李丹. 基于时序InSAR技术的恩施沙子坝滑坡形变监测与区域易发性评价[D]. 武汉: 华中师范大学, 2021.

Li D. Deformation monitoring and regional susceptibility assessment of Shaziba landslide in Enshi based on time series InSAR Technology[D]. Wuhan: Central China Normal University, 2021.

[18]
Hooper A, Bekaert D, Spaans K, et al. Recent advances in SAR interferometry time series analysis for measuring crustal deformation[J]. Tectonophysics, 2012,514:1-13.

[19]
Xu B, Li Z W, Wang Q J, et al. A refined strategy for removing composite errors of SAR interferogram[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(1):143-147.

DOI

[20]
Wang Q J, Yu W Y, Xu B, et al. Assessing the use of GACOS pro-ducts for SBAS-InSAR deformation monitoring:A case in southern California[J]. Sensors, 2019, 19(18):3894.

DOI

[21]
刘友奉. 基于DS-InSAR的充填开采区地表沉降监测方法研究[D]. 徐州: 中国矿业大学, 2021.

Liu Y F. Study on monitoring method of surface subsidence in filling mining area based on DS-InSAR[D]. Xuzhou: China University of Mining and Technology, 2021.

[22]
李松林, 许强, 汤明高, 等. 三峡库区滑坡空间发育规律及其关键影响因子[J]. 地球科学, 2020, 45(1):341-354.

Li S L, Xu Q, Tang M G, et al. Study on spatial distribution and key influencing factors of landslides in Three Gorges Reservoir area[J]. Earth Science, 2020, 45(1):341-354.

[23]
方苗, 张金龙, 徐瑱. 基于GIS和Logistic回归模型的兰州市滑坡灾害敏感性区划研究[J]. 遥感技术与应用, 2011, 26(6):845-854.

Fang M, Zhang J L, Xu Z. Landslide susceptibility zoning study in Lanzhou City based on GIS and logistic regression model[J]. Remote Sensing Technology and Application, 2011, 26(6):845-854.

[24]
Collins B D, Stock G M. Rockfall triggering by cyclic thermal stressing of exfoliation fractures[J]. Nature Geoscience, 2016, 9(5):395-400.

DOI

[25]
李媛茜, 张毅, 苏晓军, 等. 白龙江流域潜在滑坡InSAR识别与发育特征研究[J]. 遥感学报, 2021, 25(2):677-690.

Li Y X, Zhang Y, Su X J, et al. Early identification and characteristics of potential landslides in the Bailong River Basin using InSAR technique[J]. National Remote Sensing Bulletin, 2021, 25(2):677-690.

DOI

[26]
胡俊. 基于现代测量平差的InSAR三维形变估计理论与方法[D]. 长沙: 中南大学, 2013.

Hu J. Theory and method of estimating three-dimensional displacement with InSAR based on the modern surveying adjustment[D]. Changsha: Central South University, 2013.

[27]
曹中山. 基于易发性和临界降雨阈值的滑坡危险性预警建模研究[D]. 南昌: 南昌大学, 2020.

Cao Z S. Study on landslide risk warning modeling based on sensitivity and critical rainfall threshold[D]. Nanchang: Nanchang University, 2020.

[28]
Huang F M, Chen J W, Liu W P, et al. Regional rainfall-induced landslide hazard warning based on landslide susceptibility mapping and a critical rainfall threshold[J]. Geomorphology, 2022,408:108236.

[29]
姚鑫, 邓建辉, 刘星洪, 等. 青藏高原泛三江并流区活动性滑坡InSAR初步识别与发育规律分析[J]. 工程科学与技术, 2020, 52(5):16-37.

Yao X, Deng J H, Liu X H, et al. Primary recognition of active landslides and development rule analysis for pan three-river-parallel territory of Tibet Plateau[J]. Advanced Engineering Sciences, 2020, 52(5):16-37.

[30]
程海琴, 陈强, 刘国祥, 等. 短基线InSAR探测龙门山主断裂带两侧震后雨期的滑坡空间分布特征[J]. 测绘学报, 2014, 43(9):931-938.

DOI

Cheng H Q, Chen Q, Liu G X, et al. Post-earthquake landslides distribution along Longmenshan major fault during rainy season with short-baseline InSAR[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(9):931-938.

Options
Outlines

/

〈 〉