时序InSAR技术在公路沿线边坡监测中的应用
2020-03-15
（中铁第一勘察设计院集团有限公司，陕西西安 710043）
1.研究区域概况
彭水至酉阳高速公路，初测阶段贯通线全长约107.589km。公路区域跨越彭水县和酉阳县，位于大娄山脉北东侧与武陵山脉北西缘间的山地，区内山岭连绵，呈北北东向延伸，走向与构造线方向垂直，属中低山区，平均海拔763m，最低海拔208m，最高海拔约为1317m。区域内具较强烈的浸蚀、剥蚀构造地形特征，岩溶地形也有一定程度的发育，其貌主要有山间河谷冲蚀型地貌、构造溶蚀中低山地貌以及构造剥蚀、溶蚀中低山地貌三种类型。
本文研究区域位于线路中段的洪渡镇及乌江村附近，靠近乌江，为古滑坡区域。该区域为公路边坡（如图1），其形变与滑动会严重影响公路的安全性。研究区域植被较为茂密，最高约650m，最低约285m，存在高差约365m。
图 1 项目区域谷歌影像图
2.研究区域数据选取
2.1 SAR影像数据
研究区域植被较为茂密，短基线X波段的雷达影像易发生时间失相干现象。为保证影像的相干性，该地区宜采用基线较长的L波段或C波段雷达数据。
本次研究查询了2017年3月至2020年3月的存档哨兵Sentinel-1A影像，共约90景SLC影像，数据连续丰富，重访周期最短为12d，本次研究选用了其中47景升轨影像。
为保证数据处理过程中能够去除轨道误差，实验下载了47景哨兵影像相应的精密定轨星历数据，将所有哨兵影像进行轨道偏移量修正。轨道信息是InSAR数据处理中非常重要的信息,从最初的图像配准到最后的形变图像生成都有着重要的作用。含有误差的轨道信息造成基线误差以残差条纹的形式存在于干涉图中。因此，使用卫星精密轨道数据对轨道信息进行修正，可有效去除因轨道误差引起的系统性误差[1-2]。
2.2 DEM
研究所采用的DEM为SRTM-1，通过镶嵌和裁切覆盖影像范围，用于去除由地形起伏引起的干涉相位，分辨率为30m，比SRTM-3（90m）更为精细和准确，能够很好地去除地形相位。
3.数据处理
2002年Berardio等提出一种小基线集（SBASInSAR）的方法，该方法将SAR影像数据组成若干个子集，子集内的SAR图像基线距小，并通过奇异值分解（SVD）方法解决子集之间基线距大的问题，以降低时间和空间的失相干对干涉效果的影响[3-4]。
本次数据处理利用小基线集（SBAS）方法进行时间序列InSAR监测，得到监测区域累计形变量、平均形变速率和监测点的时间序列形变等成果，处理流程如图2。
图 2 SBAS工作流程图
为避免发生时空失相干现象，将47期影像进行小基线集合计算，保证集合内影像相干性最优。计算时设定最大时间基线为120m，最大空间基线最大百分比为30%，以保证干涉图的相干性和运算时间。经计算后得到小基线集共46组，干涉对组合共221对，平均每个集合有约9.4个干涉对（图3）。
图3 干涉基线图
4.成果分析
研究区域高程起伏变化较大，植被茂密，导致部分地区相干性较差，存在一些噪点，相干性较差的区域产生极少量极值点，为孤立像素点，会影响最终成果的极值，但没有连成区域，不代表存在大且连续的形变区，不影响整体形变趋势和形变量级的估算。从累计形变图（图4）可以看出，区域内三年累计形变量在±30mm内，累计形变量量级小，不存在大的累计形变量区域。目标区域外存在最大累计形变为101mm（为极个别孤立噪点，未形成连续区域）。
研究区域内像元所覆盖的地区形变速率基本在±10mm/a（图4），年平均形变速率与累计形变量图趋势一致，目标区域内未发现明显沉降区域。
图4 累计形变量图及平均形变速率图
本次监测所采用的影像数据重访周期连续，影像重访间隔为24d，采样密度大且连续，保证了研究区域监测形变趋势的连贯性。从选取的部分点位来看，时间序列形变曲线基本为0附近摆动，不存在大的形变阶跃及连续大的形变累计。图5为目标区域内选取的部分点位在研究时间段内的累计形变量趋势图（从第一个时间点累计），从形变曲线图中可以看出，目标区域形变量级非常小。
图5 研究区域形变曲线图（单位：mm）
综合分析以上成果，参考平均形变速率图和累计形变量图中未发现研究区域中存在异于其他地区的明显形变，可以认为研究区域在2017年3月至2020年3月期间保持着相对稳定的状态。
5.结语
随着新型高分辨率和短重访周期的SAR传感器的发射，时序InSAR技术能够获取更高时空分辨率的地表形变信息，在滑坡灾害监测与防治工作中具有广阔的前景。开展InSAR技术在山区铁路公路滑坡地质灾害调查中的应用，在地质灾害识别、调查、稳定性分析、监测预警等领域发挥重要作用。通过进行滑坡早期识别和活动性监测调查，为地质选线提供依据，并对线路周边潜在和已有滑坡灾害进行评估和稳定性监测，为工程建设提供安全性保障。这是工程勘察设计中一项迫在眉睫而又意义深远的工作。
