基于InSAR技术的西南流域边坡地灾监测

王海虹，姚晓光，于海龙，肖学勇

（1.重庆大唐国际彭水水电开发有限公司，重庆，409699；2.重庆大唐国际武隆水电开发有限公司，重庆，408506）

0 引言

现代社会经济不断发展，对基础设施的要求也越来越高，水库大坝能为农业、工业生产提供用水，并能防洪抗旱、调节水资源，发挥着巨大的作用[1]。大坝的修建和使用在创造社会经济效益的同时，也必须关注其对库岸边坡的影响，以避免滑坡、泥石流等地质灾害的发生。

常规的形变监测手段以地面实测为主，监测精度较高[2]，但只能进行点状监测，获得的形变信息范围较小，无法全面覆盖大坝和库区，同时对人力、物力都有相当高的要求。相比之下，合成孔径雷达干涉测量（Interferometric Synthetic Aperture Radar,In-SAR）技术作为一种新型遥感技术，可以实现广域、高时间分辨率、高精度、全天时、全天候的形变监测。InSAR技术作为一种发展中且极具潜力的主动式微波遥感技术，在滑坡等地质灾害的研究中迅速得到了广泛应用[3-5]。对于流域边坡的形变监测和地灾识别工作，InSAR技术具有巨大的应用潜力。

本研究区域为乌江流域某大型水电站所在流域，采用PS-InSAR和DS-InSAR两种时序InSAR技术结合的方式，对流域沿线特定缓冲区进行形变监测，组织地勘专家对识别出的流域边坡异常形变区域进行实地踏勘，对疑似风险点进行逐一核查。通过地勘结果分析，结合监测区域的坡度、坡向、植被、建筑物等信息将风险区分成高、中、低三级，从而实现该段流域边坡的地灾点风险评估。

1 PS-InSAR、DS-InSAR原理与数据处理流程

1.1 PS-InSAR原理与数据处理流程

PS-InSAR技术是一种时间序列InSAR技术，其克服了常规InSAR技术存在的时空失相关和大气延迟影响。该方法通过覆盖同一地区多景不同时间的SAR影像，对影像的幅度信息或相位信息进行提取分析，识别并提取散射特性稳定的永久散射体，即PS点，再通过处理分析PS点的相位信息得出时间序列上响应地理位置的地表形变信息[6-9]。

为了提取监测区域指定时间段内的历史形变信息，采用PS-InSAR方法进行地表形变监测。图1为该技术的数据处理流程，主要处理步骤包括：

图1 PS-InSAR技术流程Fig.1 Technicalprocess of PS-InSAR

（1）选取K+1幅SAR影像，从中选取一幅作为主影像，剩余则作为辅影像分别与主影像进行配准并干涉处理，获得K幅干涉图。

（2）利用地面高程数据，对K幅干涉图进行差分，获取K幅差分干涉图。

（3）从配准后的K+1幅SAR影像中提取PS点。

（4）利用K幅差分干涉图及提取的PS点，获取各个PS点的差分干涉相位。

（5）依据地面形变情况，构建合适的差分干涉相位函数模型。

（6）根据构建的差分干涉相位模型和各个PS点的差分干涉相位，获取各PS点的形变量和大气相位。

（7）利用PS点的形变量、大气相位及DEM（数字高程模型）误差再次应用于模型，对模型进行纠正。

（8）通过质量分析，获得最终的形变时间序列。

1.2 DS-InSAR原理与数据处理流程

PS-InSAR技术虽然可以提供稳定可靠的形变监测结果，但其密度很低，在探测形变场时，不能提供详细的形变场细节，尤其是在山区或有植被覆盖的区域，PS-InSAR技术可能获取不到足够的形变点以供分析。而根据可靠的分布式散射体（DS）探测和解算方法，可以获取研究区域的高密度形变场。分布式散射体（DS）和永久散射体（PS）是两个对立的概念，PS对应的像素点包含主导散射体，而DS对应的像素点不包含主导散射体，其相干性比PS低。DS-InSAR技术适用于山区、低矮植被区的形变监测，常见的分布式散射体包括荒山、沙漠、低矮灌木丛、水泥地等。DS点是在给定距离内具有相同相位统计特性的点，并将其进行聚类分析。分布式散射体的地物类型和物理特性均具有很高的一致性，因此同一个分布式散射体的表面粗糙程度、复介电系数、后向散射系数等物理特性基本一致[10-13]。

采用PS-InSAR技术进行西南流域边坡的地表形变监测，获得的形变点较稀疏，需要结合DS-In-SAR技术进行形变探测[14-16]，以对PS-InSAR结果起到互补作用。在探测DS点时，一般采用KS检验以为每个像素点确定统计一致点，如果一个像素点的统计一致点（SHP）多于给定数目，则将其定义为DS备选点（DSC）。确定了DSC之后，需要使用SHP逐点恢复相位时间序列，从而确定真正的DS点，并对DS点和PS点进行联合解算，得到高密度的形变场。图2为DS点的处理流程。

图2 DS-InSAR技术流程Fig.2 Technicalprocess of DS-InSAR

2 区域概况及数据

监测目标区域为乌江流域某大型水电站所在流域，总长约94.6 km，流域周边多为高山峡谷区，地质条件复杂，地势高差较大，切割强，自然景观垂直变化明显[17]。在水体浸泡、水位涨降、库岸再造等长期作用下，流域边坡在汛期易出现突发性地质灾害及险情，极有必要进行实时动态形变监测。

选择覆盖监测区的66景Sentinel-1A数据（研究区域涉及同一轨道两幅影像，每幅影像选择33景），数据来源为欧空局网站，数据滞后时间一般为1～2 d。影像时间为2019年4月17日至2021年7月23日，时间跨度超过两年，基本参数如图3和表1所示。数据选择过程中，充分考虑了影像时间和影像数量的影响，由于PS-InSAR数据处理时需要20景以上影像，在满足影像质检条件基础上，尽量避免选取植被较茂盛时期的影像（为满足时间间隔要求和影像质量要求，本研究未剔除夏季影像）。基于不同影像数量的数据处理，发现影像数据在30景以下时，InSAR形变解算错误区域较多，形变解算可靠度较低；影像数据在30～35景时，InSAR处理速度和处理精度都能满足形变监测要求，但从形变场分布来看，30～32景处理结果不如33～35景，在此影像数内，影像数量越大，形变精度越高；影像数据在35景以上时，存在数据量过大的情况，且真实形变监测中，监测时间可能未达到35景数据。考虑监测时间段，最终选择33景数据进行数据处理，处理结果满足进度要求。

图3 SAR影像范围与监测流域关系Fig.3 Relationship between SAR image range and monitoring basin

表1 SAR影像信息Table 1 SAR image information

3 处理结果及分析

3.1 分别基于PS-InSAR和DS-InSAR的处理结果及分析

基于Sentinel-1A卫星系统获取监测流域段2019年4月—2021年7月超过两年的长时间雷达干涉图像序列，利用PS-InSAR和DS-InSAR技术进行流域沿线缓冲区1 km范围内的地表形变监测。利用振幅离差指数阈值法和FaSHPS检验方法从时序数据中提取研究区域内共76 147个PS点和2 162 155个DS点。PS-InSAR提取形变点使用的软件为StaMPS，DS-InSAR提取形变点预处理步骤使用的软件为Doris，后续处理利用一系列m文件（MATLAB格式文件），均为开源软件与代码文件。数据处理已实现从原始数据到形变生成的全自动处理，处理系统为Linux，电脑配置为i7处理器及32 G运行内存。本研究监测流域长度约94.6 km，宽度约2 km，总面积约190 km2，由于面积较大，且考虑到后续的融合，需要保证PS-InSAR和DS-InSAR处理范围一致。由于DS-InSAR技术获取的点总量较多，运行过程中MATLAB有运行内存限制，所以需要将覆盖研究区域的数据分段处理，每段处理面积约10 km2，处理完成时间约4 h，共20段。融合技术是将PS点和DS点进行联合解算，实质上是增加了PS点的数量，所以融合计算与单个技术的运行时间相差不大（1 h之内）。

采用Delaunay方法对PS点进行相位解缠，构建有关数学模型，通过求解模型可得到所有PS点的形变速率。进一步对已解缠PS点的形变速率进行统计分析，获得形变速率分布情况，如图4（a）所示。将PS点与卫星影像叠加，获得该研究区域的年平均形变速率，如图5（a）所示。

图4 年平均形变速率统计Fig.4 Statistics of annualaverage deformation rate

图5 流域沿线1 km缓冲区范围内形变速率Fig.5 Deformation rates within 1 km buffer along the river basin

从图4（a）可以看出：绝大多数PS点的年平均形变速率在6 mm/a以内，综合判断该段流域沿线1 km缓冲区范围内，绝大部分区域处于相对稳定的状态，发生形变异常的区域较少。在监测时间段内，测区内共提取到76 147个PS形变点，形变速率变化范围为-29.06～27.18 mm/a，平均形变速率为-0.13 mm/a，接近0 mm/a，说明该段流域周边范围内大部分区域形变较平稳。

从图5（a）可以看出：PS-InSAR技术虽然可以提供稳定可靠的形变监测结果，但是其密度很低，边坡位置很多区域均缺乏可用的PS点信息。

使用相同时序SAR数据，利用DS-InSAR技术进行流域同区域的地表形变监测。采用FaSHPS检验方法获取DS点，并对DS点进行解算，得到高密度形变场。进一步对DS点的形变速率进行统计分析，获得形变速率分布情况，如图4（b）所示。将DS点与卫星影像叠加，获得该研究区域的年平均形变速率，如图5（b）所示。

从图4（b）和图5（b）可以看出：绝大多数DS点的年平均形变速率在6 mm/a以内，综合判断该段流域沿线1 km缓冲区范围内，绝大部分区域处于相对稳定状态，发生形变异常的区域较少。在监测时间段内，测区内共提取到2 162 155个DS形变点，形变速率变化范围为-23.91～20.17 mm/a，平均形变速率为-0.29 mm/a，接近0 mm/a，说明该段流域周边范围内大部分区域形变较平稳。

3.2 基于PS-InSAR和DS-InSAR技术融合的处理结果及分析

对比DS-InSAR与PS-InSAR结果，可以看出DS-InSAR能提取监测区域内较为密集的形变点，即使流域段有植被覆盖，其形变点提取密度较PSInSAR提升了约28倍。但从形变监测效果来看，DS点的值域明显偏小，这是由于DS-InSAR技术的特性会忽略像素中主导散射体的影响，故需要将两种技术进行有效结合，既可以达到高密度形变监测的效果，又不会忽略监测区域主导散射体的影响。

DS-InSAR与PS-InSAR技术的融合不是简单的结果融合，融合过程实质上是形变点的联合，需要在进行绝对形变解算之前，采用PS-InSAR技术获取得到PS点及其对应的相位时序形变，采用DSInSAR技术获取得到DS点及其对应的相位时序形变，再对PS点和DS点两者联合进行形变解算，解算过程依然遵循PS-InSAR的相位解缠基本流程，从而得到同时包含DS点和PS点形变信息的高密度形变场。

融合算法在进行计算时，保留具有高散射性地物的PS点，分布式地物则保留DS点信息，其余区域则需同时考虑PS点和DS点，基于融合模型将两种结果进行融合，提取形变融合结果见图6。

图6 基于PS-InSAR和DS-InSAR融合结果Fig.6 Fusion results based on PS-InSAR and DS-InSAR

4 边坡稳定性风险评估与地勘复核

坡度、坡向、土壤类型、植被覆盖度等都是影响边坡稳定性的重要因子。坡度是地表发育的一个重要特征，会对斜坡的松散物质堆积、应力分布、水流分布产生影响，是流域边坡稳定性的重要影响因子之一。坡度在30°～40°更易发生滑坡，而40°以上则较易发生崩塌。坡向按方位角的不同可分为9个，分别为：东、南、西、北、东北、东南、西北、西南和无坡向，其中南、东南、西南统称为阳坡，北、东北、西北统称为阴坡，阳坡是发生滑坡的主要坡向。土壤类型在一定程度上可以反映地质稳定性，如同等条件下树林区稳定性大于植被区，植被区稳定性大于裸土区。植被覆盖度与地质灾害的发生有较密切的关系，植被在一定程度上可以增加土壤的黏性，同时可以减少水土流失，因此将植被覆盖度作为评估所处区域稳定性的一个重要指标。

依据以上多源数据建立风险区识别模型。模型构建过程中，研究发现一些因子对滑坡发生风险的影响是连续性的，另一些因子对滑坡发生风险的影响则更像分段函数。基于不同因子对边坡稳定性的影响程度，经过认真对比分析，在部分学者研究的基础上，结合监测区实际情况对各个致灾因子进行经验赋权，形变值权重较大，则为风险主导因素。坡度依据一定的规则进行划分，坡向依据目标的走向与潜在灾害点的位置进行判别，土壤类型则根据土壤的稳定性和对风险区的影响程度进行数值化（0～1）。

从PS-InSAR和DS-InSAR融合结果中提取形变异常区域，以形变信息作为主要因子，其他作为次要因子，建立边坡稳定性评估模型，判定形变异常区是否存在失稳风险，以实现风险区识别，并依据模型计算风险数值，进而实现风险等级划分。提取影响边坡稳定性的重要因子，如图7所示。

图7 研究区域边坡稳定性影响因子Fig.7 Influencing factors of slope stability in the study area

基于形变数据叠加上述多种重要因子建立边坡稳定性模型，基于模型计算对形变异常区进行风险等级划分。依据风险模型对研究区进行风险值计算，风险值介于0～10，规定0～4为低风险、4～7为中风险、7～10为高风险。基于InSAR技术分析，共发现81处形变较大区域，依据风险模型对其进行风险评估，发现高风险区域共5个、中风险区域共13个、低风险区域共63个，如图8所示。

图8 流域风险区分布Fig.8 Distribution of risk zones in the river basin

基于风险评估结果，组织地勘专家进行实地复核调查，调查导致InSAR解译形变的原因。通过对81处InSAR解译的风险区进行地质环境及地质灾害调查，分析确定了导致InSAR解译形变异常区产生的主要因素，具体如下：

（1）滑坡、不稳定斜坡、崩塌、泥石流、沉降、坡面水毁等地质灾害变形。

（2）建房、修路、电站建设、采石、弃渣堆放等人类工程。

（3）水土流失、局部土体溜滑、滑塌、风化作用等不良地质现象。

对InSAR解译的风险区开展地质灾害调查工作，结果发现81处风险区大部分均存在明显的形变特征，尤其是高、中风险区的形变特征更加明显，验证了该模型的实用性。

基于地勘调查，发现81处风险区中有56处地质灾害，其中滑坡34处、不稳定斜坡12处、崩塌（危岩）9处、塌岸1处。在56处地质灾害中，2处地质灾害处于稳定状态，19处地质灾害处于较稳定状态，23处地质灾害处于基本稳定状态，12处地质灾害处于欠稳定状态。

5 结语

基于卫星遥感技术对西南某段流域边坡进行形变监测，进而实现流域边坡的地灾安全监测。考虑西南方植被影响，采用PS-InSAR和DS-InSAR技术对研究区进行联合监测，再结合坡度、坡向等多源数据建立边坡稳定性评估模型，评估并提取边坡风险区域，对风险区域组织专家进行实地踏勘，并对InSAR反演结果进行复核验证。主要结论如下：

（1）基于InSAR技术融合结果，共监测出81处形变风险区，年平均形变量为-29.06～27.18 mm，边坡大部分区域趋于稳定状态。

（2）基于边坡稳定性评估模型，对81处风险区进行风险评估，发现高风险区5个、中风险区13个、低风险区63个。

（3）基于实勘复核与验证，81处风险区中共发现56处地质灾害，且稳定性与风险等级基本对应。

本研究提出的监测方案实现了对西南流域边坡的地灾监测，构建了“天-地”联合的库岸边坡监测体系。该体系可以实现大范围、高精度的地灾监测，对流域边坡安全监测起到了至关重要的作用。■