基于SBAS-INSAR技术的滑坡变形监测
2021-07-22张文旭李首达魏恋欢
张文旭,李 巍,李首达,魏恋欢
(1.辽宁科技大学 土木工程学院,辽宁 鞍山 114051;2.东北大学 资源与土木工程学院,辽宁 沈阳 110819)
滑坡是众多自然灾害中相对较严重的,给人类生命安全、财产安全、区域和城市经济发展带来了巨大的损失。因此,对滑坡变形监测工作显得尤为迫切,以使滑坡造成的损失最小化[1]。近年来,有许多探测与监测技术已被应用于滑坡研究中[2]。杜超等[3]利用TLS(Terrestrial laser scaner)技术对环境地质灾害进行监测,TLS技术具有反应迅速、变化敏感、自动化的特点,但存在对高密度植被无法穿越,受潮湿环境影响较大,数据处理对软硬件要求高等不足。刘勇等[4]基于运动角差对滑坡监测相似点进行评判,将不同滑坡的变形速度值转换为角度,将变形加速度转换为角度差,通过比较角度差,更准确地对滑坡不同监测点的相似性进行评价,但由于其类比预测,所以预测结果存在一定程度的偶然性。彭凤友等[5]将GPS/BDS精密单点定位技术应用在滑坡变形监测中,在不宜架设基准站的偏远山区具有重要的应用价值,但由于BDS数据可利用率整体上不稳定,拉低了GPS/BDS整体精度。李捷等[6]利用全站仪免棱镜测量技术对滑坡进行变形监测,并提出了反射膜测量法,具有很高的内符合精度,观测距离在250 m内时,其测值误差与使用棱镜法没有差别,但该方法易受气象因素的影响,测量需在成像清晰、气象条件稳定时进行。小基线集技术(Small baseline subset-interferometric synthetic aperture radar,SBAS-INSAR)作为新型测绘方法之一,既能获得滑坡的静态信息,还能展现滑坡的动态变化规律[7],其优势在于其监测面积广且分辨率高,相比于其他技术不需要布设地面控制点[8],且其精度也经受住了国内外众多学者的验证[9-11]。本文基于SBASINSAR技术对祁连县牛心山进行滑坡监测,证明其应用于滑坡变形监测的可行性。
1 SBAS-INSAR原理及数据处理流程
1.1 SBAS-INSAR技术原理
小基线技术可以得到监测目标cm甚至mm级的形变情况[12-13]。其原理就是在所有基线的组合中进行筛选,选取时间和空间基线相对较短的像对,分别进行差分干涉处理,再进一步通过奇异值分解(Single value decomposition,SVD)方法解决数据解算过程中出现方程秩亏产生无穷解的情况,从而有效解决失相干等问题,利用相位信息观察捕捉到微小的地表形变量,最终生成形变时间序列图。
SBAS-INSAR与传统D-INSAR(Differential intereferometric synthetic aperture radar)技术相比,提高了时间采样率;与PS-INSAR(Persistent scatterer interferometric synthetic aperture radar)技术相比,解决了PS-INSAR技术限制数据量的问题,包含了线性和非线性形变,让测量结果更加准确[14]。
SBAS-INSAR技术遵循干涉对组合原则,假设存在N+1幅SAR影像,则干涉对M的取值范围[(N+1)/2,N(N+1)/2],差分干涉相位计算式
式中:x、y像元坐标;λ雷达波长;Δd地表变量;B⊥垂直基线;θ仰角;Δz地形残差;Δφatm大气延迟相位;Δφn其他噪声相位[15]。
1.2 SBAS-INSAR技术处理数据流程
利用SBAS-INSAR技术对监测区进行滑坡形变监测,主要任务如下:
(1)建立地质灾害的影像数据库。根据监测区域地形地貌特点和监测周期,选取适合监测区域情况的雷达影像和DEM影像,按照时间序列建立监测区域的影像数据库;按照合适的时间和空间基线建立影像干涉对数据库。
(2)形成滑坡监测体系。滑坡监测需要确定监测周期,规范数据处理步骤,明确数据处理注意事项,细化数据处理流程,形成监测体系;根据监测区不同时相SAR影像,以及已有的基础地理数据,在严重失相干地区,利用多时相SAR影像变化监测得到监测区绝对位移图,以及灾害体的移动速度。
(3)建立监测成果数据库。形成滑坡的累积形变量图、形变时间序列折线图,建立监测成果数据库。
SBAS-INSAR处理数据流程图如图1所示。
图1 SBAS-InSAR处理过程Fig.1 Treating procedure of SBAS-InSAR
2 工程实例
本文以牛心山作为滑坡变形监测的对象,牛心山位于青海省藏族自治区祁连县,北纬369°47',东经102°41',地处青藏高原东端祁连山南麓,藏语为“阿咪东索”,寓意“众山之神”。牛心山海拔高度为4 942 m,平均坡度在70°~80°。山体主要以碎石土及页岩为主,土层厚度30~80 cm。2015年11月18日,牛心山南坡发生山体滑坡,出现约60万立方米滑坡体,主要是牛心山南坡泉水储量较多、土质疏松和气温变暖等原因造成。
2.1 数据情况介绍
数据选用Sentinel-1升轨的IW(Interferometric wide swath)模式下VV单极化数据,其重访周期为12 d,地面分辨率可达到20 m,入射角约39.1°,该数据在欧空局哥白尼数据开放中心下载。
选用祁连县牛心山区域从2018年1月至2019年9月共46期数据进行SBAS-InSAR处理分析,符合山体滑坡变形监测的需求。数据源的时间分布见表1,数据源的空间分布如图2所示。所选数据覆盖整个祁连县,完全可用于牛心山的滑坡变形监测。
表1 Sentinel-1数据时间分布表Tab.1 Time distribution table of Sentinel-1 data
图2 Sentinel-1数据空间覆盖示意图Fig.2 Schematic diagram of space coverage of Sentinel-1 data
2.2 数据处理方法
(1)首先将Sentinel-1原始数据转换为可解算的单视复数影像格式,对SAR数据进行数据导入生成强度图,根据粗配准偏移量及牛心山监测区范围,对主、辅图像公共区域进行裁剪,裁剪后的SAR图像范围应该大于或等于牛心山监测区域范围。
(2)由于单视复数数据的图像上会存在大量的噪声信息,所以对剪裁后的图像要进行精配准,其精度应该优于1/4个像素。
(3)对输入数据的干涉像对进行配对时,46景影像可生成最大干涉对数量为1 035对。在进行干涉处理之前,将所有影像统一到相同坐标系下,按照时间基线和空间基线选取最佳主影像。
(4)对成功配对的干涉对进行差分干涉,去除模拟地形相位,得到差分干涉图。差分干涉相位包括地表形变、DEM高程误差相位、大气相位、轨道误差相位、以及噪声相位等。将差分干涉图通过处理去除平地效应并滤波、相位解缠,使干涉像对连通。
(5)数据处理结果包含线性和非线性形变相位,采用小基线线性模型计算出所有像对的形变,从而得到牛心山地区的累积形变量、形变速率。
2.3 形变区分析
2018年1月07日~2019年9月23日牛心山累积形变量如图3a所示。根据形变量值发现较为明显的形变区五处。这五处形变区累积形变量放大图如图3b~图3f所示。五处形变区最大形变值分别为78、105、104、90、104 mm;五处形变中心的经纬度分别为100.101 416°东38.169 201°北(WGS84)、100.131 641°东38.167 321°北(WGS84)、100.237 850°东38.123 62°北(WGS84)、100.135 397°东 38.094 375°北(WGS84)、100.302 422°东38.013 200°北(WGS84)。五处形变区所在位置于Google Earth影像显示为人类活动频繁区,周围有道路建筑。
图3 祁连县牛心山2018年1月7日~2019年9月23日累积形变量图Fig.3 Cumulative deformation amount diagram of Niuxin mountain in Qilian county from January 7,2018 to September 23,2019
根据监测数据,得到五处形变区域的累计形变量如图4所示。区域1的形变量在0~78 mm以内,区域2的形变量在0~105 mm以内,区域3的形变量在0~104 mm以内,区域4的形变量在0~90 mm以内,区域5的形变量在0~104 mm以内。这五处形变区的累计形变量在监测周期内均呈现越来越大的趋势,且每年的五月份到九月份形变速率较大。按照滑坡形变量分级,形变量小于1.6×103mm/年都属于缓慢形滑坡,五处区域形变量均在该范围内。
图4 形变区累积形变折线图Fig.4 Cumulative deformation amount line chart of deformation zones
五处形变区域的累计形变量在监测周期内都存在一定程度的波动,主要是受地形地貌、植被覆盖情况等多方面因素的综合影响。山体岩石受风化及侵蚀,导致地面起伏度发生变化,从而造成形变量的波动。山体植被过于密集或稀疏均会造成形变量的波动;土壤的胀缩受含水量和温度的影响,降雨天气会造成地表水下渗到土壤,增加坡体的含水量,使坡体自身的重力加大,导致坡度发生变化;冬夏两季气温过低或过高导致土壤冻融,均会造成形变量的波动。
3 形变原因分析
3.1气 候
牛心山处于青藏高原东端祁连山南麓,样地平均海拔4 942 m,属大陆性高寒山区气候,年均温1℃,历年极端最低气温-31℃,最高气温26℃。年降水量为270~600 mm。无四季之分,仅有冷暖二季之别,为典型的高寒荒漠特征。
祁连县2018和2019全年降水量如图5所示。每年的5月至9月为全年温度最高且降水量最多的月份。形变区的形变速率在这五个月增长的也相对较快。因此气温和降水量对滑坡具有一定程度的影响。
3.2 地质构造及地下水
牛心山地质构造主要以碎石土及页岩为主,并且碎石土具有松散、厚度小、透水性好等特点。暴雨季节雨水会沿着土中的孔隙下渗,对节理面上的薄层压碎岩及断层泥起了软化作用,使岩石顺节理裂隙面的抗剪强度降低,从而引发深层岩体滑坡。因牛心山南坡泉水储量较多,更易发生形变。
4 结论
本文利用SBAS-INSAR技术进行滑坡变形监测。选取祁连县牛心山作为工程实例,图像经SBAS-INSAR技术处理后发现,牛心山较为明显的形变区5处,区域1的形变量在0~78 mm以内,区域2的形变量在0~105 mm以内,区域3的形变量在0~104 mm以内,区域4的形变量在0~90 mm以内,区域5的形变量在0~104 mm以内。监测结果表明,将该技术运用到滑坡变形监测中其精度可达到mm级别。从气候、地质结构及地下水方面对形变原因进行简单分析,证实了监测结果的可靠性。