集成InSAR与高分影像的地质灾害隐患早期识别与应用研究

张文龙，张童康

(1.自然资源陕西卫星技术应用中心，陕西 西安 710100； 2.中国煤炭地质总局航测遥感局，陕西 西安 710100)

我国山地丘陵区约占国土面积的65%，地质条件复杂，是世界上地质灾害最严重、受威胁人口最多的国家之一[1-2]。近年来，我国地质灾害处于多发态势，主要的地质灾害有崩塌[3]、滑坡[4]、泥石流和地面塌陷[5]。地质灾害多发地区主要有陕北黄土高原地区[6]、山西采煤沉陷区[7]、三峡库区、滇西北和藏东南等地区。地质灾害防治形势严峻，给人民生命安全和经济带来严重威胁[8]。目前，利用InSAR技术对地质灾害早期识别的研究取得了一些成功范例。张路等[9]采用相干散射体时序InSAR方法，识别出了17处持续变形中的不稳定坡体；戴可人等[10]利用InSAR成功对潜在的滑坡进行了早期识别；Grabriel等[11]利用D-InSAR技术探测厘米级的地表形变，测量了美国加利福尼亚州东南部的英佩瑞尔河谷灌溉区的地表形变；黄洁慧等[12]采用二轨D-InSAR技术对米林滑坡进行形变监测，得到米林滑坡灾前形变趋势；张晓伦等[13]将D-InSAR技术和光学遥感技术结合对东川城区周边滑坡灾害进行了有效识别。传统的D-InSAR技术能够有效探测地表微小变形，但是容易受空间和时间失相干的影响，大多数干涉图中都会存在大区域信号不相关或没有变形信息的现象，而且在最终的变形相位中往往包含明显的大气延迟相位，严重影响地表变形测量的精度和效率[14]。为了剔除这些误差，提高监测精度，国外学者Ferreti等[15-16]提出了PS-InSAR和SBAS-InSAR技术为代表的时间序列InSAR技术。

代志宏等[14]采用PS-InSAR技术对南宁地表沉降进行了监测与分析，该研究可为地质灾害预测和防治工作提供新思路。牛全福等[17]将PS-InSAR技术成功应用于兰州市地面形变的监测。冯文凯等[18]利用SBAS-InSAR技术对金沙江流域沃达村滑坡进行地表形变监测，为类似老滑坡监测预警提供了新的思路与借鉴。Liu Peng等[19]利用SBAS-InSAR技术处理了三峡库区2003—2010年间EnvisatSAR图像，识别出巴东县2个山体滑坡，认为季节滑坡运动与水位变化之间存在明显的相关性。张诗茄等[20]尝试采用小基线方法对一定区域范围内的历史滑坡进行监测分析，为区域监测提供了有益借鉴。可见，SBAS-InSAR方法不仅可以在区域尺度上获取长时序的缓慢地表形变信息，而且在潜在滑坡识别、已知滑坡监测等方面具有较大的应用潜力[21]，但是其在地质灾害隐患大范围早期识别中应用较少。本文采用SBAS-InSAR技术结合高分影像对大范围地质灾害易发区进行早期识别，通过SBAS-InSAR技术提取形变区，然后利用高分影像进行遥感解译，剔除不可靠的形变区，有效提高了地质灾害早期隐患识别的精度。

1 SBAS-InSAR技术

SBAS-InSAR技术主要去除或减弱了时空失相干等误差的影响，假设在时间段内，获取S景SAR影像，选取主影像并与从影像进行配准。然后进行差分干涉处理，一共得到N幅差分干涉图，且满足：

(1)

对于tA和(tA

(2)

假定不同干涉图间的形变速率为υk，k+1，则tA～tB间的累积形变可表示为：

(3)

对N幅干涉条纹图进行三维时空相位解缠，即可求出不同SAR获取时间的形变速率。

时间序列InSAR技术流程[23]如图1所示。

图1 SBAS-InSAR数据处理流程Fig.1 Data processing flow of SBAS-InSAR

2 研究区概况与实验数据

2.1 研究区概况

子长市位于黄土高原中部，总面积为2 405 km2[24]，具体位置如图2所示。子长市属典型的黄土高原丘陵沟壑区，基岩产状近于水平，无明显褶皱和断裂，而节理裂隙构造较为发育。境内峁梁起伏，沟壑纵横，地面支离破碎，崩塌、滑坡等地质灾害频繁发生[25]。

图2 研究区位置Fig.2 Location of study area

2.2 实验数据

研究采用Sentinel-1数据作为InSAR监测主要数据源，研究区范围为Path/frame：11/116，共获取39景Sentinel-1数据，部分数据参数如下。

数据获取日期共有10日，激化方式VV，入射角39.02°，分辨率20 m，拍摄模式为升轨。

在形变监测中，为了去除干涉相位中的地形相位，在处理过程中还需要高精度的DEM数据作为辅助数据进行配准、去除地形相位等操作。本次选用最新的AW3D DEM作为辅助数据。

InSAR数据处理中，在影像数据的图像配准、干涉图生成、相位解缠、形变图生成等步骤中均涉及到轨道信息。此次工作利用ENVI中的SARscape拓展模块自动读取精密轨道数据，并添加到干涉处理过程中。

此次遥感监测工作主要采用国产高分系列(GF-1、GF-2)卫星数据，研究区涉及GF-2数据和少量GF1数据共19景，覆盖解译区全区。

3 结果分析

3.1 时空基线分析

将轨道Path/Frame为11/116的Sentinel-1数据源进行格式转化，采用时序处理方法中的小基线集技术进行时间序列InSAR技术处理。时间基线阈值设置为90 d，空间基线阈值设置为5%，构建干涉像对组合，用于后续的差分干涉处理。

为提高解缠的精确性，选取可用于3D解缠的连接图。选取39景Sentinel-1数据共计134个干涉像对组合，干涉图组合图如图3—图5所示。

图3 时空基线连接Fig.3 Space-time baseline connection

图4 时间和位置的连接Fig.4 Connection of time and position

图5 3D解缠连接Fig.5 3D untangled connection

3.2 差分干涉图

对差分干涉图进行空间滤波和相位解缠，获取差分干涉图(图6)。研究中，为避免基线误差的影响，采用GCP点结合地面高程值和对应的解缠干涉相位进行基线优化，优化后再次进行差分干涉、滤波和相位解缠，获取解缠后的差分干涉相位。本次选取其中一景延安市子长市瓦窑堡镇(Path/frame：11/116)差分干涉图和相干系数图，如图6所示(雷达坐标系下)。

图6 SAR干涉对查分结果Fig.6 SAR interference matching results

从差分干涉图上能够直接发现由形变引起的干涉条纹，见图6中的虚线框位置，同时在相干系数图(图6 (c))可以看出这些形变区域明显。为进一步分析潜在的形变区域，将所有建立连接的影像对进行差分干涉处理，选取干涉质量较优的差分干涉像对，高相干点识别方法选择时序相干均值大于0.35相干目标点进行SBAS-InSAR反演，对去除差分干涉相位进行时间序列分析，对残差相位采用空间域滤波方法进行大气延迟相位提取，获取大气延迟相位后，再次进行差分干涉得到差分干涉图。此时仍然存在恒定相位和越变相位，进行轨道精炼和重去平，消除上述相位引起的误差，保证干涉图质量，提高SBAS-InSAR反演结果的精度。对比时序SAR像对获取的相干系数和解缠结果，找到多数干涉图中相干性高的区域并在此选择GCP点，进行重去平处理。选择线性模型，通过Goldstein滤波消除大气效应引起的相位误差，得到最终的时序形变量，并将得到的平均形变速率图及时序形变量进行地理编码，转换到地理坐标系下。

3.3 SBAS-InSAR监测结果分析

基于SARscape软件，进行了基线估算、配准，Sentinel-1数据配准精度均优于0.001个像元，满足干涉的要求；通过差分干涉、滤波、解缠等，利用39景Sentinel-1数据获取了2018年1月—2020年2月陕北子长地区的地表形变信息(沿雷达视线向，即LOS向)。监测结果包括平均形变速率、形变区分布、累计形变量等信息(图7、图8、图9)。利用视坡夹角将沿雷达视线方向的形变速率转化成沿斜坡坡度方向的形变速率，以表达沿斜坡面的地表形变信息，形变速率图和累计形变量图中红色代表远离卫星视线方向，即代表沉降；蓝色代表靠近卫星视线方向，即代表抬升。

图7 地表形变速率Fig.7 Surface deformation rate

图8 地表累计形变Fig.8 Cumulative deformation diagramof surface deformation

图9 形变区分布Fig.9 Distribution of deformation areas

由形变速率图和累计形变图可知，本次监测子长地表最大形变速率为-76 mm/a，累计最大形变量为-152 mm。形变区域主要分布在子长市瓦窑堡镇和余家坪镇，其中子长市南部的形变区域相较于北部较多，主要集中于南部的瓦窑堡镇、余家坪镇和杨家园子镇；北部的涧峪岔镇和南沟岔镇的形变区域分布较少。

子长市地表形变主要为煤矿开采导致地表塌陷变形，其变形区形态在InSAR结果上较为规则，形态多呈长条状或类似矩形，与煤矿开采区形态相关。

3.4 典型点分析

子长市新磘上滑坡(ZC1),累积形变如图10所示。

图10 滑坡点ZC1的累积形变(沿LOS向形变)Fig.10 Cumulative deformation of ZC1 at landslidepoint (deformation along LOS direction)

从图10中可以看出，滑坡点ZC1有明显的形变信号，结合光学影像和地形分析，此处滑坡在雷达视线的背坡向，其从高向低滑动，在InSAR监测结果中表现出负的形变(远离卫星)。滑坡区域中某特征点的形变曲线显示(图11)，此处滑坡在2018年1月—2019年11月间不同时刻有明显的形变趋势。

图11 ZC1滑坡区中某特征点的时序形变曲线Fig.1 Time-series deformation curve of a characteristic point in ZC1 landslide area

4 结论

基于SBAS-InSAR技术开展陕北子长地区地表形变InSAR监测，获取了2018年1月—2020年2月子长地区的地表沉降信息(沿雷达视线向，即LOS向)。子长地表最大形变速率为-76 mm/a，累计最大形变量为-152 mm。形变区域主要分布在子长市瓦窑堡镇和余家坪镇。

通过基于InSAR地表形变监测、综合遥感技术监测、野外调查等工作，排除伪隐患点，形成了对区域地质灾害发育及严重程度的正确认识。初步总结了一套InSAR形变分类方法，由于地表形变的形成因素较多以及InSAR数据获取、处理过程中的误差影响，InSAR监测获取的形变到地质灾害隐患确定过程尤为重要，对形变点(区)进行分类，有益于地质灾害隐患点的获取，为随后数据的处理优化也提供了借鉴。初步总结了一套适用于子长地区地质灾害InSAR监测技术体系，本次基于InSAR技术开展区域性地质灾害监测预警，综合应用高分辨率多光谱光学影像遥感、合成孔径雷达干涉测量、三维倾斜摄影测量等对地观测技术，获取区域性地质灾害的分布特征、变形状况，结合实地调查核实工作，圈定并监测重点地表形变区，确定地质灾害隐患点，编制地质灾害隐患分布图。