遙感技術對地質災害早期識別和動態監測
——以昌波鄉至羊拉鄉段為例

楊豹, 趙瑞志*, 王海波, 李曉光, 呂釗, 趙陽, 王夢云

(1.四川省華地建設工程有限責任公司, 成都 610081; 2.長安大學公路學院, 西安 710061;3.成都理工大學地質災害防治與地質環境保護國家重點實驗室, 成都 610059)

中國地形條件復雜,地質環境脆弱敏感,是世界上地質災害發生最為頻繁的國家之一[1]。據自然資源部地質災害技術指導中心編制發布的全國地質災害通報顯示,2014—2020年中國共發生地質災害45 509起,造成死亡或失蹤1 749人,其中滑坡災害31 561起,占比69.4%,直接經濟損失約312億元,由此帶來的房屋、道路、橋梁等設施的損壞而造成的間接損失難以估量。在上述災害中,高位滑坡具有隱蔽性、人工排查困難、監測傳感器布置難度大等問題,造成傳統的研究方法難以對其進行有效的識別,以至于災害一旦發生其代價往往是慘痛的[2-5]。

2018年10月11日凌晨,金沙江右岸波羅鄉白格村發生高位滑坡,堵塞河道形成堰塞湖,11月13日該斜坡又發生二次滑動,經人工干預泄流,險情才得以控制[6]。白格堰塞湖產生后,導致河水倒灌,上游的江達縣波羅鄉和白玉縣金沙鄉先后被淹,經人工泄流后,下游四川、云南部分沿江區域被淹,大量橋梁等設施被沖毀,造成嚴重的經濟損失和惡劣的社會影響[7-9]。針對類似高位滑坡,若能采用科學的方法對災害開展科學的早期識別、動態監測從而揭示其形變特征,將對區域居民生命財產安全和重大工程選址等具有重大意義。

現首先對原始滑坡監測手段和遙感技術的發展歷程及優缺點進行論述。其次,選取金沙江流域巴塘縣昌波鄉至德欽縣羊拉鄉之間為試驗區,結合光學影像對該區域滑坡災害開展目視解譯和編錄。再次,聯合升降軌Sentinel-1A雷達影像,利用小基線集技術(small baseline subset,SBAS),探究該區域危險滑坡的形變特征,驗證遙感技術在高位滑坡災害早期識別中的先進性。最終,結合現有高精技術對遙感在地質災害中的發展方向提供個人的思考,以期為地質災害早期識別、監測預警及重大工程建設等提供技術參考。

1 滑坡監測手段概述

目前常用的滑坡地面監測方法有人工排查[10]和儀器定點監測[11]兩種,人工排查作為一種傳統的地質災害監測方法,僅適用于加速變形階段滑坡體出現可見形變特征(如拉張裂隙、鼓脹裂隙等)的情況[12],對地表形變特征不明顯的滑坡不能進行有效觀測。該方法受人為因素影響較大,具有較強經驗依賴性,較多應用在對已知滑坡隱患點的群測群防中。傳統的儀器監測手段如全球導航衛星系統(global navigation satellite system,GNSS)[13-14]、精密水準測量[15-16]等和近些年新興的近景攝影測量法[17-18]、時域反射法(time domain reflectometry,T-DR)[19-20]等相結合,能實現二維或三維的形變監測,但結果在空間上多以離散點的形式存在[21],且多數需在滑坡體上安裝相關的監測設備,對高位、高隱蔽性、人員不易到達的斜坡區域難以實施。

近年來興起的光學遙感、機載激光雷達(light detection and ranging,LiDAR)[22-24]、星載合成孔徑雷達(interferometric synthetic aperture radar,InSAR)[25-28]等現代先進技術,從“面”上對滑坡進行監測,通過遠程無接觸式測量方法,解決了高位滑坡的監測困難[29]。LiDAR技術可以精確地獲取觀測地面的三維坐標信息和地面影像,通過多次回波技術透過植被,然后結合濾波技術獲得地面真實的數字高程信息[30],為植被茂密的區域提供了解決方案。但機載LiDAR設備昂貴,在大范圍地災普查時有一定限制。

光學遙感和星載合成孔徑雷達干涉測量技術可實現大區域滑坡識別[31-32]。光學遙感是基于可見光的被動式遙感成像技術,易受氣象條件影響,在云霧密集的區域難以獲得清晰遙感影像數據[33]。合成孔徑干涉測量技術憑借主動式微波成像技術,可全天時、全天候,不受云霧天氣影響的對研究區進行精確探測,獲取的監測區域在時間上的形變序列,精度可達毫米級,且成本低,在地表三維重建、形變監測、冰川移動、火山、地震等方面廣泛應用[34-35]。

Gabriel等[36]首先提出了利用差分干涉測量(differential interferometric synthetic aperture rader,D-InSAR)技術探測地表微小形變的概念,1993年法國學者Massonnet等[37]應用ERS-1(European resource satellite-1)衛星數據通過干涉測量成功獲取landers地震引起的地表形變,證明了該技術的可行性,隨后D-InSAR技術引起了國際學者的廣泛關注和應用。例如,Xia等[38]利用ERS-1/2(European resource satellite-2)單視復數數據(single look complex,SLC)研究了智利安托法加斯塔(Antofagasta)地震的同震場和震后地表形變分布。Chatterjee等[39]運用D-InSAR技術對印度加爾各答市過量抽取地下水導致地面沉降現象進行了監測。但隨著對D-InSAR技術理論研究的不斷深入,國內外學者也發現該技術在應用上存在的缺陷,例如干涉失相關、大氣延遲、噪聲等,這些因素無法去除,導致監測結果存在較大誤差,對于變形較小的區域,這些誤差的存在可能會掩蓋形變,影響測量結果的可靠性[40-42]。為了解決這些問題,學者們提出了多種方法。Ferretti等[43]建議采用永久散射干涉測量(permanent scatter InSAR,PSI)技術,利用雷達影像中具有穩定后向散射的點目標來提取地面形變信息,這些點在時間和空間上不受去相關影響,稱為永久散射體,但對永久散射體缺乏的區域(山地區域等),只能得到有限的探測結果,不滿足結果分析的需求,因此該方法多用于城市區域或者干涉條件和輻射比較穩定的區域[44-45]。Berardion等[46]和lanari等[47]在20世紀初提出小基線子集技術,通過設置一定的時間和空間基線閾值,將在該閾值內的影像組合形成干涉對,采用多主影像,構造較短時間基線和空間基線的干涉數據對,來提高干涉圖的相干性,將短時間內能夠保持相干性的數據對納入計算,能有效降低由于時空基線過長而引起的失相關現象,適用于大區域和分布式目標[48-49],近些年在地質災害探測方面得到大量的應用。例如,Tizzani等[50]利用SBAS-InSAR技術研究了影響加利福尼亞州長谷火山口和莫諾盆地約5 000 km2的地表變形,成功檢測到3個變形區。戴可人等[51]利用SBAS-InSAR技術對甘肅南峪鄉滑坡滑前形 變進行追溯,并對誘發因素進行初步探索。Yu等[52]利用SBAS-InSAR技術對上海崇明區(典型的多期圍墾區)進行地表形變的時間序列分析,成功探測出該區的整體形變特征。李珊珊等[53]運用SBAS-InSAR技術對方青藏高原季節性凍土進行監測,揭示了青藏鐵路周邊凍土形變的時空分布規律。陸會燕等[54]利用光學解譯結合SBAS-InSAR技術對白格滑坡上下游一定范圍進行滑坡識別,成功識別到7處具有明顯形變特征的滑坡,為川藏鐵路選線提供了參考。

1996年Fruneau等[55]首次將D-InSAR技術成功應用于法國南部的滑坡監測中,處理結果與現場常規離散觀測結果高度吻合,引起學術界的廣泛關注。2003年Fringe會議上InSAR技術被確定為最具有發展潛力的技術之一[56],隨后國際上眾多學者在算法上進行了廣泛的優化研究,并取得較好的實用效果[57-58]。2004年中國科技部與歐空局合作的“龍計劃”,標志著遙感技術在中國開始應用,其中的一個重要的分支就是利用遙感技術對三峽庫區滑坡進行監測[59],自此,經過近20年的技術試用和探索,為國內InSAR技術的應用創造了大量的成功經驗。特別是在重大工程建設、應急救災方面得到大量成功應用[54,60-61],取得良好的社會效益。但目前來看,衛星遙感技術作為一個新興事業,中國遙感技術的大范圍應用還受到數據獲取難、人才數量少等眾多因素的限制[34]。

2 遙感技術應用

2.1 研究區概況

金沙江流域地處四川省和西藏自治區交界,受印度板塊與歐亞大陸碰撞的影響,青藏高原不斷抬升,向東部擠壓,在云貴高原和青藏高原與四川盆地之間形成了南北向分布的陡坡降帶,導致該區域產生大量的應力集中區及活動性斷裂[62],例如,金沙江斷裂帶,紅河斷裂,鮮水河斷裂等。在這個過程中,金沙江、瀾滄江等流域經過千百萬年的河谷深切作用,使得該區域發育形成了獨特的高山峽谷地貌。

圖1顯示了研究區的地層及構造情況,可知,金沙江斷裂帶橫穿整個金沙江流域,僅在西東向展布寬度就達到50～60 km,該斷裂帶由金沙江縫合帶西界(西界斷裂)、中咱推覆體東界(東界斷裂)及金沙江三條主斷裂和巴塘斷裂、西支斷裂等次級斷裂及數不盡的小型斷裂組成[63],構造極為復雜,導致金沙江流域坡體破碎,為地質災害的孕育創造了有利的地質環境。白格滑坡坡體后緣位于金沙江主斷裂穿過所形成的槽谷,且在中部及底部均發育有一條次級斷裂,這3條斷裂直接切割坡體,使坡體節理發育,強度及穩定性降低[64]。此外,金沙江巨大的水頭和水流量使得河谷下切劇烈,斜坡巖體承受強烈的卸荷作用,使得坡體內部在表生改造階段應力重分布時產生大量卸荷裂隙,在長期遭受地殼隆升和構造活動的強烈內外應力作用下,坡體更加破碎,導致這一區域極易發生滑坡等地質災害,且具有隱蔽性強、突發性強、高位遠程等特點。

圖1 研究區地質構造圖

2.2 數據源及數據詳情

近年來,航天技術的不斷發展為地質災害解譯提供了大量多光譜高精度光學遙感影像,精度最高可達亞米級,例如Quickbird(0.61 m),KeyHole(2.7 m),Worldview-3/4(0.3 m)等衛星,以及近些年中國發射的高分2號(0.8 m),資源3號(2.1 m)等。上述衛星系統獲取的大量歷史存檔高精度光學影像為地質災害的精準解譯提供了支持。光學遙感解譯主要以Google Earth等開展。

選取歐空局(European Space Agency,ESA)發布的C波段Sentinel-1A單視復數(SLC)數據進行SBAS-InSAR探測,數字高程模型采用30 m精度的SRTM DEM。考慮到研究區的地形落差大易受到衛星姿態的影響,雷達數據疊掩和陰影情況比較嚴重,因此結合升降軌數據分別對研究區進行探測。獲取了時間跨度為2018年4月—2019年4月研究區覆蓋數據,并利用精確軌道數據進行軌道誤差校正,數據覆蓋范圍如圖2所示。表1列出了所用數據的相關參數。此外,還收集了研究區在研究時段內的降雨及地震數據,以探索邊坡變形與這些因素之間的相關性。

表1 Sentinel-1A數據基本參數

圖2 研究區及Sentinel-1A數據覆蓋情況

2.3 小基線集技術原理

SBAS-InSAR技術是由D-InSAR技術發展而來,能夠有效地移除大氣延遲、噪聲等影響并獲取時間上的形變序列[65]。其基本思想是通過設置一定的時間和空間基線閾值,選取在該閾值內的干涉SAR影像進行差分處理形成差分干涉圖,從而避免了由于時間和空間基線過長而引起的時空失相關現象,將在一定閾值范圍內的差分干涉影像組合為短基線集合,根據最小二乘法求得形變序列,最終應用奇異值分解(singular value decomposition,SVD)方法將各個短基線集聯合起來進行求解,獲得整個時間段上的形變時間序列,其基本過程如下。

首先假定獲取了時間序列為(t0,t1,…,tN)的N+1景SAR影像,將這些影像配準到選取的一景超級主影像上,小于特定閾值范圍的SAR影像經過差分干涉處理可獲得W景差分干涉對,W滿足以下條件為

(1)

假設在tA和tB{A,B|A,B∈(0,1,…,N)且B>A}獲取的兩景影像經過復共軛相乘組成第i幅差分干涉對,對干涉圖像上高于設定相干性閾值的像元進行濾波和解纏處理,則任意相元的干涉相位可表示為

(2)

式(2)中:i∈(1,2,…,N);(x,r)為計算像元坐標;φ(tA,x,r)和φ(tB,x,r)分別為tA和tB時刻像元的相位值;φdef(x,r)為tA和tB時刻相對于參考時刻t0(t0時形變相位為0)的累積形變相位差值;φd(tA,x,r)、φd(tB,x,r)分別為tA和tB時刻相元的形變相位;φatm(x,r)為對流層和電離層的影響產生的大氣延遲相位;φtopo(x,r)為地形誤差引起的相位值;φnoise(x,r)為噪聲相位;B⊥為垂直基線長度;Δz為高程誤差。所有干涉圖相位可表示為式(3)所示矩陣形式,即

AP=δφ

(3)

式(3)中:A為系數矩陣;P為待求參數所組成矩陣的轉置矩陣;δφ為所有的干涉相位組成的矩陣。

根據式(3)可得到高程誤差以及由高頻形變、噪聲、大氣延遲等組成的殘余相位。地形相位可通過引入外部高精度數字高程模型進行去除;大氣相位和噪聲相位在時間和空間上展現不同的特性,可以利用這一特性建立相位模型進行分離和移除,例如大氣延遲相位在空間域上具有明顯的地形相關性,而在時間域上是隨機的,以低頻的形式存在相位模型中,因此可通過時域高通濾波進行分離,噪聲在時間和空間域上均呈現隨機特性,以高頻的形式存在相位模型中,可通過空間域上的低通濾波進行抑制。通過以上步驟,得到去除地形相位、大氣延遲及噪聲后的相位信息,這些相位信息同樣可組成以下矩陣形式。

Bφd=δφ*

(4)

式(4)中:B為一個為M行N列矩陣,每一行代表一幅差分干涉對,每一列代表一幅SAR影像。B矩陣中包含M個方程和N個未知量,當M≥N且B的秩等于N時,利用最小二乘法根據式(5)即可求解每幅差分干涉圖中包含的形變相位為

φd=(BTB)-1BTδφ*

(5)

由于時間和空間基線的差異,組成的干涉對往往不能包含在同一個短基線集合中,因此對應法方程中的系數矩陣BTB屬于秩虧矩陣,通過最小二乘法得到的結果并不唯一,為解決法方程秩虧的問題,引入SVD法將每個短基線集聯合起來進行求解。使用SVD法進行求解時,得到的結果在時間上有較大的跳躍性,不符合形變的現實規律,因此將相位轉換為時間間隔上的平均形變速率進行求解,表達式為

(6)

則式(4)可表示為

δφd=Bv

(7)

對式(7)中的系數矩陣B應用SVD法進行求解,得到每幅差分干涉圖所包含的形變速率,求得的形變速率在時間域上進行積分就得到整個監測時段上LOS向的形變時間序列。

3 遙感解譯結果

3.1 光學遙感解譯標志建立

滑坡從孕育到形成一般為一個量變到質變的過程,會經歷從啟動、蠕變、剪切和破壞4個階段。當斜坡上的地質體進入蠕變階段即可視為開始失穩,在這個階段滑坡體通常會展現一些明顯的可測量的標志,例如后緣拉裂縫和滑壁、鼓張裂隙、封閉洼地、滑坡鼓丘等,這些標志被稱為滑坡要素。除此之外,由于滑體運動帶動坡表的植被或建筑形態變化而產生“醉漢林”“刀馬樹”及房屋傾斜、道路開裂錯斷等,可作為解譯的參照要素[66],如圖3所示。

圖3 研究區滑坡光學解譯標志

3.2 光學遙感解譯結果

利用分米級或更高精度的多光譜影像可以清晰地觀察到這些形變特征,大大減少了現場勘查的人力物力投入,而且通過獲得時間序列上的光學遙感影像,追蹤滑坡要素和參照要素在時間上的動態變化過程,能更直觀和準確地獲得解譯結果。

老滑坡或正在發生蠕變的滑坡體一般會呈現與周圍坡體不同的地貌特征,滑坡周界明顯,通常表現為圈椅狀、簸箕狀、舌狀或馬蹄狀等形態,這些獨特的地貌特征是進行解譯的重要標志。金沙江流域兩岸植被稀疏,且多以低矮植被為主,有利于光學遙感解譯的實施。解譯結果如圖4所示。結果顯示,研究區共存在滑坡34個,根據滑坡位置及方量估計,其中具有堵江風險的滑坡22個,可能掩埋房屋的滑坡4個,滑后無損失的滑坡8個。

紅色覆蓋表示邊坡失穩后具有堵塞河道風險;藍色表示失穩后可能人員傷亡;黃色表示不會造成生命財產和基礎設施的損失

依據金沙江流域高山峽谷的地形特征和河谷下切劇烈的水文地質特征,結合解譯過程發現,研究區滑坡災害地貌特征主要表現為滑坡周界明顯、滑坡臺階、滑壁出露、剪切裂隙發育、滑坡壩、滑坡湖等滑坡要素和基礎設施形態變化等參考要素。值得注意的是,通過光學遙感識別到的滑坡中,存在一部分古滑坡,其形態特征是由歷史變形塑造的,在近些年可能未出現顯著變形。

3.3 SBAS-InSAR探測結果

采用Sentinel-1A衛星升降軌SAR數據集,計算得到了研究區2018年4月—2019年4月的地表形變速率,如圖5(a)和圖5(b)所示,其中圖5(a)為升軌數據計算得到的地表形變速率,圖5(b)為降軌數據計算得到的地表形變速率。升降軌SAR數據共探測到滑坡11處,其中H18滑坡坡表面積較大,在升降軌數據中均有效探測,降軌數據探測到的滑坡都包含在目視解譯所得到的結果中,降軌結果得到的最大形變速率為174.8 mm/a,升軌數據除了探測到H2和H18外,還探測到5處目視解譯未識別到的滑坡,為H35、H36、H37、H38、H39,升軌數據探測到的最大形變速率為149.1 mm/a。由此可見,結合多源遙感數據對區域滑坡災害識別會獲得更加精確的結果。

黑色箭頭+Azimuth表示方位向;黑色箭頭+LOS表示雷達成像方向;藍色為正值,表示滑坡向衛星LOS方向移動;紅色為負值,表示滑坡遠離衛星LOS方向移動

衛星升軌和降軌飛行軌道不同,雷達發射的電磁波覆蓋范圍也不同,升軌數據適合坡向朝東方向的滑坡,對于其他坡向的滑坡根據坡度大小不同會出現疊掩、陰影、頂底倒置等幾何畸變,使探測結果殘缺。降軌數據對坡向朝西的邊坡有更好的探測效果,但同樣存在幾何畸變現象。因此對于地形復雜,起伏較大的區域結合升降軌數據能得到更準確,更全面的結果[54]。

4 典型滑坡剖析

4.1 H13滑坡

H13滑坡位于金沙江左岸,由#1和#2兩部分組成,如圖6(a)和圖6(b)所示。其中#1滑坡地理坐標為(29°12′38.66″N,99°5′34.35″E),后緣高程3 217.6 m,主滑方向243°,滑坡方量較大,橫向寬約1 280 m,縱向長約600 m,中心絨鄉-羊拉村公路橫穿滑坡。根據InSAR探測結果顯示[圖6(a)],#1滑坡包含兩個強變形區,從光學影像上看,強變形區分界清晰,邊界處有明顯的陡坎,其具體位置如圖7中紅色曲線所圍。#2滑坡相對于#1滑坡范圍小,橫向寬度約527 m,縱向長約552 m,形變速率也較小。

圖7 H13 #1滑坡全貌

H13滑坡處于“V”形溝壑一側,在降雨天氣,周邊雨水匯集后沿溝底流入金沙江,受到長年的流水沖蝕作用,溝底深切,形成很深的“排水槽”,從而使坡腳處逐漸失去支擋,在自重或外力作用下“V”形溝壑兩側易于發生滑動,在#1和#2滑坡前緣已出現不同程度的局部失穩,如圖6(b)和圖7所示。

在滑坡體上選取P1、P2、P3、P4共4個具有代表性的特征點,來探究坡體變形與降雨、地震之間是否存在相關性,其中P1、P2、P3位于#1,P4位于#2,如圖6(a)所示。表2給出了所選特征點的詳細信息。

表2 H13監測時域內特征點形變信息

圖6(c)為4個特征點的累積形變曲線,可以看出,研究區降雨主要發生在4—10月,最大日降雨量達40.4 mm,10月—次年2月基本無降雨,2—4月降雨量較小,最大日降雨量僅為4.6 mm。2018年4月1日—6月12日降雨量較少時,P1、P2、P3、P4點的形變均較為穩定,起伏較小,2018年6月13日降雨量突增至25.9 mm,P2、P3點出現一定的增長,而P1、P4點并未立即出現增長,13 d后才開始加速變形,可能是由于突發強降雨在巖質滑坡中入滲較慢,長時間密集降雨過程中雨水慢慢入滲后,才對邊坡產生影響。變形至2018年7月6日后,P1和P4均出現一定時間的穩定,到7月23日降雨量達到峰值,4個特征點在降雨后均加速變形,且幅度較大,以P1點為例,在這次降雨后12 d內形變增加了近10 mm,為監測時間內的最快增速,相似的現象還出現在9月11日降雨量達到24.3 mm時。在過了10月份之后,P2和P4點逐漸趨于穩定,而P1和P3點以近勻速進行緩慢變形,10月22日后全部穩定,基本未出現形變,直至12元13日芒康縣發生4.9級地震(震中:29°38′12″N,98°48′36″E)。

由圖6(c)可知,在4.9級地震發生后,位于#1滑坡上的P1、P2、P3點的變形速率均發生不同程度的增長,增量P3>P1>P2,位于#2滑坡上的P4點在震后保持穩定,并未出現明顯變形,可能是#1滑坡的形變速率大,在長期的變形作用下坡體的完整性受到破壞,對地震作用敏感度高,相同的地震作用下產生的變形大。在2019年1月8日發生的3.6級地震,位于強變形區上的P1和P3兩點形變速率輕微增大,位于變形速率較小區域的P1和P4點基本無變化,這也論證了變形速率大的點對地震更為敏感。在2019年1月30日發生的3.1級地震,4個特征點的變形速率均未發生明顯的增長。進入2月份后研究區開始少量降雨,坡體在降雨作用下的變形規律和前文分析的一致。

4.2 H22滑坡

H22滑坡位于金沙江右岸,地理坐標為(29°6′19.29″N,99°8′59.56″E),經過長期雨水及山頂冰雪融水沖蝕,坡體表面存在兩條沖溝,坡體下部分布有耕地,根據光學影像來看,該滑坡組成主要為第四紀殘坡積堆積土,坡腳處為巴塘縣熱思村。根據圖8可知,滑坡分為#1、#2和#3共3部分變形區,其中#1區面積最大,后緣高程3 375 m,坡度30°～35°,縱向長度約450 m,橫向寬度約800 m,該滑坡一旦失穩,可能掩蓋整個熱思村。#2滑坡的面積及形變速率最小,但坡腳處也存在居民及耕地。#3滑坡呈長條形,縱長約1 050 m,橫寬約230 m,可清楚看到其后緣存在大面積滑壁,坡體滑動跡象明顯,坡體上僅有一條連接熱思村和俄壩村的公路,危害性較#1和#2小。

圖8 H22滑坡全貌

在坡體上選取P1、P2、P3、P4共4個特征點,表3顯示了所選點的詳細信息。圖9(c)為特征點的累計形變曲線,在2018年4月1日—5月29日時間段內,研究區降雨量較少,最大日降雨量為8.3 mm,#1、#2、#3滑坡均保持相對穩定,5月30日降雨量增大,達到12.5 mm,4個特征點開始出現不同程度的加速,幾天后逐漸穩定下來,6月18日降雨量達到25.9 mm,特征點均有開始加速變形,且在之后的持續降雨中一直維持其變形狀態,7月23日降雨量達到40.4 mm,特征點的形變速率繼續增加,之后保持快速變形直至梅雨季節結束,形變速率P4>P3>P2>P1,10月份后,4個特征點的形變速率略微下降,之后基本保持勻速變形狀態,11月15日—12月13日芒康4.9級地震前,4個特征點均保持穩定。

表3 H22滑坡監測時域內特征點形變信息

圖9 H22滑坡形變特征

12月13日地震后,4個特征點均有出現不同幅度的加速變形,其中位于強變形區的P4和P2變形幅度最大,變形幅度P4>P3>P2>P1,可見地震對坡體的影響程度與坡體的變形速率呈正相關。地震結束后特征點由趨于穩定。2019年1月8日3.6級地震發生后,特征點繼續開始變形,之后各點基本保持勻速變形。2019年1月30日發生的3.1級地震對坡體無明顯影響。

4.3 滑坡隱患形變特征及影響因素

通過選取研究區典型滑坡對變形特征進行研究發現,金沙江流域滑坡變形與眾多因素有關,特別是對降雨及地震更加敏感。

金沙江流域地形多呈深“V”形,自然降雨及山頂常年積雪融化后沿著坡表匯集到溝底,最終匯入金沙江,因此在坡體表面及溝底多發育沖溝,沖溝產生的近乎垂直的排水深槽,使得坡體前緣失去支檔,導致局部發生垮塌,嚴重影響整個邊坡的穩定性。在發生降雨時滑坡均出現明顯的加速變形,且這種趨勢與降雨強度呈正相關,而在無降雨時段,坡體基本保持近勻速變形或穩定。

地震震級較小時,坡體變形基本不受影響,例如在M=3.1時,H13和H22均未出現明顯加速,但在震級增大后,坡體在震后有明顯的加速變形現象,例如在M=4.9時。還有一點值得注意的是,通過對比各特征點對震后的反應情況發現,變形越劇烈的區域對地震的敏感性越強,震后產生的形變越大。

5 討論

經過長期發展,中國地質災害監測預警手段已從最原始的人工巡查、單點監測發展到目前的高精度面域非接觸式的遙感監測手段,并逐漸得到普遍應用,但是同樣也存在一定的缺陷,例如,通過高精度光學影像識別出滑坡34處,但在SBAS-InSAR中額外識別出5處危險滑坡,因此多源數據融合有利于地質災害的精確識別。

InSAR技術通過機載或星載雷達獲得的SAR數據進行差分干涉,依靠相位信息的變化,獲得地表沿視線方向一維緩慢形變信息,SAR數據在獲取時往往受到地形、大氣等的影響,因此相位信息中常摻雜其他無關相位,在計算時首先要對SAR數據進行濾波和解纏,將形變相位分離出來[68],對變形量超過一定閾值或植被比較茂密的坡體,失相干比較嚴重或完全失相干,不能獲取有效的結果。有學者根據SAR數據的幅度信息識別滑坡隱患,或根據表面植被變化進行反演獲取滑坡隱患信息,但這些方法僅適用于隱患識別。隨著技術的發展,遙感技術如何從滑坡隱患識別到動態監測預警的跨越是未來技術發展的重要方向。

InSAR作為新興技術,憑借其遠距離、低成本、高精度等優點,迅速在工程領域發展起來,但其發展仍然具有如下的瓶頸。

(1)InSAR作為新的學科,對非專業領域的人員,需要花費大量的時間精力進行系統學習,因此進行多學科交叉融合是InSAR技術在各學科領域快速發展的必要途徑。

(2)大部分SAR數據都未開源,獲取數據的費用高,數據的獲取、存儲都比較困難,處理比較煩瑣,對計算機性能有較高的要求。

(3)InSAR技術在工程領域應用廣泛,但目前還不存在相關規范,所以建立起一套可行的規范,為行業提供參考,是需要迫切解決的重要問題。

由于衛星重返周期的原因,相鄰數據之間的時間基線一般達到十幾天至幾十天,過長的時間基線使監測點的采樣間隔過大,不能獲得較為密集的形變數據。在未來航空技術的不斷發展,縮短監測點的采樣間隔,獲得的計算結果可更精確地實現滑坡的詳細變形特征。在此基礎上,聯合近些年熱點技術機器學習、人工智能(artificial intelligence,AI)等,建立起一套完備的系統,集成原始數據庫、數據處理系統以及結果的自動分析,實現滑坡的智能化監測預警,是未來發展的趨勢所在,實現過程如圖10所示。

圖10 滑坡自動化監測預警系統流程

6 結論

對原始滑坡監測手段進行了概述,并利用先進的遙感技術對金沙江昌波鄉至羊拉鄉滑坡進行了成功的識別與編錄,得到以下幾點認識。

(1)金沙江流域及其周邊受印度板塊和歐亞板塊的碰撞擠壓,形成了獨特的高山峽谷地貌,導致研究區具有地層破碎、斷層發育、地應力高的地質特點。金沙江快速深切卸荷,坡體經過地應力重分布和表生改造后,節理發育,因此在外力作用下易發生失穩破壞。

(2)利用高精度光學影像對研究區進行目視解譯,共解譯出滑坡隱患34處,然后搜集Sentinel-1A升軌和降軌數據聯合對研究區進行解算,又發現5處目視解譯未發現的滑坡隱患,說明利用多源多數據聯合對區域災害隱患進行識別更具全面性。

(3)在汛期,研究區滑坡變形與降水直接相關,降雨量越大,形變速率越大,且這種變形在降雨停止后會維持一段時間,而在非汛期,邊坡基本保持近勻速變形或穩定。地震活動也會引起滑坡的變形,但這種影響在地震結束后會很快消失。

(4)研究的亮點在于系統地總結了中國地質災害監測技術手段的發展歷程和優缺點,并結合實例對遙感技術在滑坡災害識別監測方面的優勢進行論證,最終綜合InSAR技術的發展前景及現有的技術條件,創新性地提出采用機器學習及AI技術建立起一套智能化的數據存儲、分析及預警預報的設想,為未來滑坡隱患監測技術的發展提供借鑒。