遥感技术对地质灾害早期识别和动态监测——以昌波乡至羊拉乡段为例

杨豹, 赵瑞志*, 王海波, 李晓光, 吕钊, 赵阳, 王梦云

(1.四川省华地建设工程有限责任公司, 成都 610081; 2.长安大学公路学院, 西安 710061;3.成都理工大学地质灾害防治与地质环境保护国家重点实验室, 成都 610059)

中国地形条件复杂,地质环境脆弱敏感,是世界上地质灾害发生最为频繁的国家之一[1]。据自然资源部地质灾害技术指导中心编制发布的全国地质灾害通报显示,2014—2020年中国共发生地质灾害45 509起,造成死亡或失踪1 749人,其中滑坡灾害31 561起,占比69.4%,直接经济损失约312亿元,由此带来的房屋、道路、桥梁等设施的损坏而造成的间接损失难以估量。在上述灾害中,高位滑坡具有隐蔽性、人工排查困难、监测传感器布置难度大等问题,造成传统的研究方法难以对其进行有效的识别,以至于灾害一旦发生其代价往往是惨痛的[2-5]。

2018年10月11日凌晨,金沙江右岸波罗乡白格村发生高位滑坡,堵塞河道形成堰塞湖,11月13日该斜坡又发生二次滑动,经人工干预泄流,险情才得以控制[6]。白格堰塞湖产生后,导致河水倒灌,上游的江达县波罗乡和白玉县金沙乡先后被淹,经人工泄流后,下游四川、云南部分沿江区域被淹,大量桥梁等设施被冲毁,造成严重的经济损失和恶劣的社会影响[7-9]。针对类似高位滑坡,若能采用科学的方法对灾害开展科学的早期识别、动态监测从而揭示其形变特征,将对区域居民生命财产安全和重大工程选址等具有重大意义。

现首先对原始滑坡监测手段和遥感技术的发展历程及优缺点进行论述。其次,选取金沙江流域巴塘县昌波乡至德钦县羊拉乡之间为试验区,结合光学影像对该区域滑坡灾害开展目视解译和编录。再次,联合升降轨Sentinel-1A雷达影像,利用小基线集技术(small baseline subset,SBAS),探究该区域危险滑坡的形变特征,验证遥感技术在高位滑坡灾害早期识别中的先进性。最终,结合现有高精技术对遥感在地质灾害中的发展方向提供个人的思考,以期为地质灾害早期识别、监测预警及重大工程建设等提供技术参考。

1 滑坡监测手段概述

目前常用的滑坡地面监测方法有人工排查[10]和仪器定点监测[11]两种,人工排查作为一种传统的地质灾害监测方法,仅适用于加速变形阶段滑坡体出现可见形变特征(如拉张裂隙、鼓胀裂隙等)的情况[12],对地表形变特征不明显的滑坡不能进行有效观测。该方法受人为因素影响较大,具有较强经验依赖性,较多应用在对已知滑坡隐患点的群测群防中。传统的仪器监测手段如全球导航卫星系统(global navigation satellite system,GNSS)[13-14]、精密水准测量[15-16]等和近些年新兴的近景摄影测量法[17-18]、时域反射法(time domain reflectometry,T-DR)[19-20]等相结合,能实现二维或三维的形变监测,但结果在空间上多以离散点的形式存在[21],且多数需在滑坡体上安装相关的监测设备,对高位、高隐蔽性、人员不易到达的斜坡区域难以实施。

近年来兴起的光学遥感、机载激光雷达(light detection and ranging,LiDAR)[22-24]、星载合成孔径雷达(interferometric synthetic aperture radar,InSAR)[25-28]等现代先进技术,从“面”上对滑坡进行监测,通过远程无接触式测量方法,解决了高位滑坡的监测困难[29]。LiDAR技术可以精确地获取观测地面的三维坐标信息和地面影像,通过多次回波技术透过植被,然后结合滤波技术获得地面真实的数字高程信息[30],为植被茂密的区域提供了解决方案。但机载LiDAR设备昂贵,在大范围地灾普查时有一定限制。

光学遥感和星载合成孔径雷达干涉测量技术可实现大区域滑坡识别[31-32]。光学遥感是基于可见光的被动式遥感成像技术,易受气象条件影响,在云雾密集的区域难以获得清晰遥感影像数据[33]。合成孔径干涉测量技术凭借主动式微波成像技术,可全天时、全天候,不受云雾天气影响的对研究区进行精确探测,获取的监测区域在时间上的形变序列,精度可达毫米级,且成本低,在地表三维重建、形变监测、冰川移动、火山、地震等方面广泛应用[34-35]。

Gabriel等[36]首先提出了利用差分干涉测量(differential interferometric synthetic aperture rader,D-InSAR)技术探测地表微小形变的概念,1993年法国学者Massonnet等[37]应用ERS-1(European resource satellite-1)卫星数据通过干涉测量成功获取landers地震引起的地表形变,证明了该技术的可行性,随后D-InSAR技术引起了国际学者的广泛关注和应用。例如,Xia等[38]利用ERS-1/2(European resource satellite-2)单视复数数据(single look complex,SLC)研究了智利安托法加斯塔(Antofagasta)地震的同震场和震后地表形变分布。Chatterjee等[39]运用D-InSAR技术对印度加尔各答市过量抽取地下水导致地面沉降现象进行了监测。但随着对D-InSAR技术理论研究的不断深入,国内外学者也发现该技术在应用上存在的缺陷,例如干涉失相关、大气延迟、噪声等,这些因素无法去除,导致监测结果存在较大误差,对于变形较小的区域,这些误差的存在可能会掩盖形变,影响测量结果的可靠性[40-42]。为了解决这些问题,学者们提出了多种方法。Ferretti等[43]建议采用永久散射干涉测量(permanent scatter InSAR,PSI)技术,利用雷达影像中具有稳定后向散射的点目标来提取地面形变信息,这些点在时间和空间上不受去相关影响,称为永久散射体,但对永久散射体缺乏的区域(山地区域等),只能得到有限的探测结果,不满足结果分析的需求,因此该方法多用于城市区域或者干涉条件和辐射比较稳定的区域[44-45]。Berardion等[46]和lanari等[47]在20世纪初提出小基线子集技术,通过设置一定的时间和空间基线阈值,将在该阈值内的影像组合形成干涉对,采用多主影像,构造较短时间基线和空间基线的干涉数据对,来提高干涉图的相干性,将短时间内能够保持相干性的数据对纳入计算,能有效降低由于时空基线过长而引起的失相关现象,适用于大区域和分布式目标[48-49],近些年在地质灾害探测方面得到大量的应用。例如,Tizzani等[50]利用SBAS-InSAR技术研究了影响加利福尼亚州长谷火山口和莫诺盆地约5 000 km2的地表变形,成功检测到3个变形区。戴可人等[51]利用SBAS-InSAR技术对甘肃南峪乡滑坡滑前形 变进行追溯,并对诱发因素进行初步探索。Yu等[52]利用SBAS-InSAR技术对上海崇明区(典型的多期围垦区)进行地表形变的时间序列分析,成功探测出该区的整体形变特征。李珊珊等[53]运用SBAS-InSAR技术对方青藏高原季节性冻土进行监测,揭示了青藏铁路周边冻土形变的时空分布规律。陆会燕等[54]利用光学解译结合SBAS-InSAR技术对白格滑坡上下游一定范围进行滑坡识别,成功识别到7处具有明显形变特征的滑坡,为川藏铁路选线提供了参考。

1996年Fruneau等[55]首次将D-InSAR技术成功应用于法国南部的滑坡监测中,处理结果与现场常规离散观测结果高度吻合,引起学术界的广泛关注。2003年Fringe会议上InSAR技术被确定为最具有发展潜力的技术之一[56],随后国际上众多学者在算法上进行了广泛的优化研究,并取得较好的实用效果[57-58]。2004年中国科技部与欧空局合作的“龙计划”,标志着遥感技术在中国开始应用,其中的一个重要的分支就是利用遥感技术对三峡库区滑坡进行监测[59],自此,经过近20年的技术试用和探索,为国内InSAR技术的应用创造了大量的成功经验。特别是在重大工程建设、应急救灾方面得到大量成功应用[54,60-61],取得良好的社会效益。但目前来看,卫星遥感技术作为一个新兴事业,中国遥感技术的大范围应用还受到数据获取难、人才数量少等众多因素的限制[34]。

2 遥感技术应用

2.1 研究区概况

金沙江流域地处四川省和西藏自治区交界,受印度板块与欧亚大陆碰撞的影响,青藏高原不断抬升,向东部挤压,在云贵高原和青藏高原与四川盆地之间形成了南北向分布的陡坡降带,导致该区域产生大量的应力集中区及活动性断裂[62],例如,金沙江断裂带,红河断裂,鲜水河断裂等。在这个过程中,金沙江、澜沧江等流域经过千百万年的河谷深切作用,使得该区域发育形成了独特的高山峡谷地貌。

图1显示了研究区的地层及构造情况,可知,金沙江断裂带横穿整个金沙江流域,仅在西东向展布宽度就达到50～60 km,该断裂带由金沙江缝合带西界(西界断裂)、中咱推覆体东界(东界断裂)及金沙江三条主断裂和巴塘断裂、西支断裂等次级断裂及数不尽的小型断裂组成[63],构造极为复杂,导致金沙江流域坡体破碎,为地质灾害的孕育创造了有利的地质环境。白格滑坡坡体后缘位于金沙江主断裂穿过所形成的槽谷,且在中部及底部均发育有一条次级断裂,这3条断裂直接切割坡体,使坡体节理发育,强度及稳定性降低[64]。此外,金沙江巨大的水头和水流量使得河谷下切剧烈,斜坡岩体承受强烈的卸荷作用,使得坡体内部在表生改造阶段应力重分布时产生大量卸荷裂隙,在长期遭受地壳隆升和构造活动的强烈内外应力作用下,坡体更加破碎,导致这一区域极易发生滑坡等地质灾害,且具有隐蔽性强、突发性强、高位远程等特点。

图1 研究区地质构造图

2.2 数据源及数据详情

近年来,航天技术的不断发展为地质灾害解译提供了大量多光谱高精度光学遥感影像,精度最高可达亚米级,例如Quickbird(0.61 m),KeyHole(2.7 m),Worldview-3/4(0.3 m)等卫星,以及近些年中国发射的高分2号(0.8 m),资源3号(2.1 m)等。上述卫星系统获取的大量历史存档高精度光学影像为地质灾害的精准解译提供了支持。光学遥感解译主要以Google Earth等开展。

选取欧空局(European Space Agency,ESA)发布的C波段Sentinel-1A单视复数(SLC)数据进行SBAS-InSAR探测,数字高程模型采用30 m精度的SRTM DEM。考虑到研究区的地形落差大易受到卫星姿态的影响,雷达数据叠掩和阴影情况比较严重,因此结合升降轨数据分别对研究区进行探测。获取了时间跨度为2018年4月—2019年4月研究区覆盖数据,并利用精确轨道数据进行轨道误差校正,数据覆盖范围如图2所示。表1列出了所用数据的相关参数。此外,还收集了研究区在研究时段内的降雨及地震数据,以探索边坡变形与这些因素之间的相关性。

表1 Sentinel-1A数据基本参数

图2 研究区及Sentinel-1A数据覆盖情况

2.3 小基线集技术原理

SBAS-InSAR技术是由D-InSAR技术发展而来,能够有效地移除大气延迟、噪声等影响并获取时间上的形变序列[65]。其基本思想是通过设置一定的时间和空间基线阈值,选取在该阈值内的干涉SAR影像进行差分处理形成差分干涉图,从而避免了由于时间和空间基线过长而引起的时空失相关现象,将在一定阈值范围内的差分干涉影像组合为短基线集合,根据最小二乘法求得形变序列,最终应用奇异值分解(singular value decomposition,SVD)方法将各个短基线集联合起来进行求解,获得整个时间段上的形变时间序列,其基本过程如下。

首先假定获取了时间序列为(t0,t1,…,tN)的N+1景SAR影像,将这些影像配准到选取的一景超级主影像上,小于特定阈值范围的SAR影像经过差分干涉处理可获得W景差分干涉对,W满足以下条件为

(1)

假设在tA和tB{A,B|A,B∈(0,1,…,N)且B>A}获取的两景影像经过复共轭相乘组成第i幅差分干涉对,对干涉图像上高于设定相干性阈值的像元进行滤波和解缠处理,则任意相元的干涉相位可表示为

(2)

式(2)中:i∈(1,2,…,N);(x,r)为计算像元坐标;φ(tA,x,r)和φ(tB,x,r)分别为tA和tB时刻像元的相位值;φdef(x,r)为tA和tB时刻相对于参考时刻t0(t0时形变相位为0)的累积形变相位差值;φd(tA,x,r)、φd(tB,x,r)分别为tA和tB时刻相元的形变相位;φatm(x,r)为对流层和电离层的影响产生的大气延迟相位;φtopo(x,r)为地形误差引起的相位值;φnoise(x,r)为噪声相位;B⊥为垂直基线长度;Δz为高程误差。所有干涉图相位可表示为式(3)所示矩阵形式,即

AP=δφ

(3)

式(3)中:A为系数矩阵;P为待求参数所组成矩阵的转置矩阵;δφ为所有的干涉相位组成的矩阵。

根据式(3)可得到高程误差以及由高频形变、噪声、大气延迟等组成的残余相位。地形相位可通过引入外部高精度数字高程模型进行去除;大气相位和噪声相位在时间和空间上展现不同的特性,可以利用这一特性建立相位模型进行分离和移除,例如大气延迟相位在空间域上具有明显的地形相关性,而在时间域上是随机的,以低频的形式存在相位模型中,因此可通过时域高通滤波进行分离,噪声在时间和空间域上均呈现随机特性,以高频的形式存在相位模型中,可通过空间域上的低通滤波进行抑制。通过以上步骤,得到去除地形相位、大气延迟及噪声后的相位信息,这些相位信息同样可组成以下矩阵形式。

Bφd=δφ*

(4)

式(4)中:B为一个为M行N列矩阵,每一行代表一幅差分干涉对,每一列代表一幅SAR影像。B矩阵中包含M个方程和N个未知量,当M≥N且B的秩等于N时,利用最小二乘法根据式(5)即可求解每幅差分干涉图中包含的形变相位为

φd=(BTB)-1BTδφ*

(5)

由于时间和空间基线的差异,组成的干涉对往往不能包含在同一个短基线集合中,因此对应法方程中的系数矩阵BTB属于秩亏矩阵,通过最小二乘法得到的结果并不唯一,为解决法方程秩亏的问题,引入SVD法将每个短基线集联合起来进行求解。使用SVD法进行求解时,得到的结果在时间上有较大的跳跃性,不符合形变的现实规律,因此将相位转换为时间间隔上的平均形变速率进行求解,表达式为

(6)

则式(4)可表示为

δφd=Bv

(7)

对式(7)中的系数矩阵B应用SVD法进行求解,得到每幅差分干涉图所包含的形变速率,求得的形变速率在时间域上进行积分就得到整个监测时段上LOS向的形变时间序列。

3 遥感解译结果

3.1 光学遥感解译标志建立

滑坡从孕育到形成一般为一个量变到质变的过程,会经历从启动、蠕变、剪切和破坏4个阶段。当斜坡上的地质体进入蠕变阶段即可视为开始失稳,在这个阶段滑坡体通常会展现一些明显的可测量的标志,例如后缘拉裂缝和滑壁、鼓张裂隙、封闭洼地、滑坡鼓丘等,这些标志被称为滑坡要素。除此之外,由于滑体运动带动坡表的植被或建筑形态变化而产生“醉汉林”“刀马树”及房屋倾斜、道路开裂错断等,可作为解译的参照要素[66],如图3所示。

图3 研究区滑坡光学解译标志

3.2 光学遥感解译结果

利用分米级或更高精度的多光谱影像可以清晰地观察到这些形变特征,大大减少了现场勘查的人力物力投入,而且通过获得时间序列上的光学遥感影像,追踪滑坡要素和参照要素在时间上的动态变化过程,能更直观和准确地获得解译结果。

老滑坡或正在发生蠕变的滑坡体一般会呈现与周围坡体不同的地貌特征,滑坡周界明显,通常表现为圈椅状、簸箕状、舌状或马蹄状等形态,这些独特的地貌特征是进行解译的重要标志。金沙江流域两岸植被稀疏,且多以低矮植被为主,有利于光学遥感解译的实施。解译结果如图4所示。结果显示,研究区共存在滑坡34个,根据滑坡位置及方量估计,其中具有堵江风险的滑坡22个,可能掩埋房屋的滑坡4个,滑后无损失的滑坡8个。

红色覆盖表示边坡失稳后具有堵塞河道风险;蓝色表示失稳后可能人员伤亡;黄色表示不会造成生命财产和基础设施的损失

依据金沙江流域高山峡谷的地形特征和河谷下切剧烈的水文地质特征,结合解译过程发现,研究区滑坡灾害地貌特征主要表现为滑坡周界明显、滑坡台阶、滑壁出露、剪切裂隙发育、滑坡坝、滑坡湖等滑坡要素和基础设施形态变化等参考要素。值得注意的是,通过光学遥感识别到的滑坡中,存在一部分古滑坡,其形态特征是由历史变形塑造的,在近些年可能未出现显著变形。

3.3 SBAS-InSAR探测结果

采用Sentinel-1A卫星升降轨SAR数据集,计算得到了研究区2018年4月—2019年4月的地表形变速率,如图5(a)和图5(b)所示,其中图5(a)为升轨数据计算得到的地表形变速率,图5(b)为降轨数据计算得到的地表形变速率。升降轨SAR数据共探测到滑坡11处,其中H18滑坡坡表面积较大,在升降轨数据中均有效探测,降轨数据探测到的滑坡都包含在目视解译所得到的结果中,降轨结果得到的最大形变速率为174.8 mm/a,升轨数据除了探测到H2和H18外,还探测到5处目视解译未识别到的滑坡,为H35、H36、H37、H38、H39,升轨数据探测到的最大形变速率为149.1 mm/a。由此可见,结合多源遥感数据对区域滑坡灾害识别会获得更加精确的结果。

黑色箭头+Azimuth表示方位向;黑色箭头+LOS表示雷达成像方向;蓝色为正值,表示滑坡向卫星LOS方向移动;红色为负值,表示滑坡远离卫星LOS方向移动

卫星升轨和降轨飞行轨道不同,雷达发射的电磁波覆盖范围也不同,升轨数据适合坡向朝东方向的滑坡,对于其他坡向的滑坡根据坡度大小不同会出现叠掩、阴影、顶底倒置等几何畸变,使探测结果残缺。降轨数据对坡向朝西的边坡有更好的探测效果,但同样存在几何畸变现象。因此对于地形复杂,起伏较大的区域结合升降轨数据能得到更准确,更全面的结果[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#2两部分组成,如图6(a)和图6(b)所示。其中#1滑坡地理坐标为(29°12′38.66″N,99°5′34.35″E),后缘高程3 217.6 m,主滑方向243°,滑坡方量较大,横向宽约1 280 m,纵向长约600 m,中心绒乡-羊拉村公路横穿滑坡。根据InSAR探测结果显示[图6(a)],#1滑坡包含两个强变形区,从光学影像上看,强变形区分界清晰,边界处有明显的陡坎,其具体位置如图7中红色曲线所围。#2滑坡相对于#1滑坡范围小,横向宽度约527 m,纵向长约552 m,形变速率也较小。

图7 H13 #1滑坡全貌

H13滑坡处于“V”形沟壑一侧,在降雨天气,周边雨水汇集后沿沟底流入金沙江,受到长年的流水冲蚀作用,沟底深切,形成很深的“排水槽”,从而使坡脚处逐渐失去支挡,在自重或外力作用下“V”形沟壑两侧易于发生滑动,在#1和#2滑坡前缘已出现不同程度的局部失稳,如图6(b)和图7所示。

在滑坡体上选取P1、P2、P3、P4共4个具有代表性的特征点,来探究坡体变形与降雨、地震之间是否存在相关性,其中P1、P2、P3位于#1,P4位于#2,如图6(a)所示。表2给出了所选特征点的详细信息。

表2 H13监测时域内特征点形变信息

图6(c)为4个特征点的累积形变曲线,可以看出,研究区降雨主要发生在4—10月,最大日降雨量达40.4 mm,10月—次年2月基本无降雨,2—4月降雨量较小,最大日降雨量仅为4.6 mm。2018年4月1日—6月12日降雨量较少时,P1、P2、P3、P4点的形变均较为稳定,起伏较小,2018年6月13日降雨量突增至25.9 mm,P2、P3点出现一定的增长,而P1、P4点并未立即出现增长,13 d后才开始加速变形,可能是由于突发强降雨在岩质滑坡中入渗较慢,长时间密集降雨过程中雨水慢慢入渗后,才对边坡产生影响。变形至2018年7月6日后,P1和P4均出现一定时间的稳定,到7月23日降雨量达到峰值,4个特征点在降雨后均加速变形,且幅度较大,以P1点为例,在这次降雨后12 d内形变增加了近10 mm,为监测时间内的最快增速,相似的现象还出现在9月11日降雨量达到24.3 mm时。在过了10月份之后,P2和P4点逐渐趋于稳定,而P1和P3点以近匀速进行缓慢变形,10月22日后全部稳定,基本未出现形变,直至12元13日芒康县发生4.9级地震(震中:29°38′12″N,98°48′36″E)。

由图6(c)可知,在4.9级地震发生后,位于#1滑坡上的P1、P2、P3点的变形速率均发生不同程度的增长,增量P3>P1>P2,位于#2滑坡上的P4点在震后保持稳定,并未出现明显变形,可能是#1滑坡的形变速率大,在长期的变形作用下坡体的完整性受到破坏,对地震作用敏感度高,相同的地震作用下产生的变形大。在2019年1月8日发生的3.6级地震,位于强变形区上的P1和P3两点形变速率轻微增大,位于变形速率较小区域的P1和P4点基本无变化,这也论证了变形速率大的点对地震更为敏感。在2019年1月30日发生的3.1级地震,4个特征点的变形速率均未发生明显的增长。进入2月份后研究区开始少量降雨,坡体在降雨作用下的变形规律和前文分析的一致。

4.2 H22滑坡

H22滑坡位于金沙江右岸,地理坐标为(29°6′19.29″N,99°8′59.56″E),经过长期雨水及山顶冰雪融水冲蚀,坡体表面存在两条冲沟,坡体下部分布有耕地,根据光学影像来看,该滑坡组成主要为第四纪残坡积堆积土,坡脚处为巴塘县热思村。根据图8可知,滑坡分为#1、#2和#3共3部分变形区,其中#1区面积最大,后缘高程3 375 m,坡度30°～35°,纵向长度约450 m,横向宽度约800 m,该滑坡一旦失稳,可能掩盖整个热思村。#2滑坡的面积及形变速率最小,但坡脚处也存在居民及耕地。#3滑坡呈长条形,纵长约1 050 m,横宽约230 m,可清楚看到其后缘存在大面积滑壁,坡体滑动迹象明显,坡体上仅有一条连接热思村和俄坝村的公路,危害性较#1和#2小。

图8 H22滑坡全貌

在坡体上选取P1、P2、P3、P4共4个特征点,表3显示了所选点的详细信息。图9(c)为特征点的累计形变曲线,在2018年4月1日—5月29日时间段内,研究区降雨量较少,最大日降雨量为8.3 mm,#1、#2、#3滑坡均保持相对稳定,5月30日降雨量增大,达到12.5 mm,4个特征点开始出现不同程度的加速,几天后逐渐稳定下来,6月18日降雨量达到25.9 mm,特征点均有开始加速变形,且在之后的持续降雨中一直维持其变形状态,7月23日降雨量达到40.4 mm,特征点的形变速率继续增加,之后保持快速变形直至梅雨季节结束,形变速率P4>P3>P2>P1,10月份后,4个特征点的形变速率略微下降,之后基本保持匀速变形状态,11月15日—12月13日芒康4.9级地震前,4个特征点均保持稳定。

表3 H22滑坡监测时域内特征点形变信息

图9 H22滑坡形变特征

12月13日地震后,4个特征点均有出现不同幅度的加速变形,其中位于强变形区的P4和P2变形幅度最大,变形幅度P4>P3>P2>P1,可见地震对坡体的影响程度与坡体的变形速率呈正相关。地震结束后特征点由趋于稳定。2019年1月8日3.6级地震发生后,特征点继续开始变形,之后各点基本保持匀速变形。2019年1月30日发生的3.1级地震对坡体无明显影响。

4.3 滑坡隐患形变特征及影响因素

通过选取研究区典型滑坡对变形特征进行研究发现,金沙江流域滑坡变形与众多因素有关,特别是对降雨及地震更加敏感。

金沙江流域地形多呈深“V”形,自然降雨及山顶常年积雪融化后沿着坡表汇集到沟底,最终汇入金沙江,因此在坡体表面及沟底多发育冲沟,冲沟产生的近乎垂直的排水深槽,使得坡体前缘失去支档,导致局部发生垮塌,严重影响整个边坡的稳定性。在发生降雨时滑坡均出现明显的加速变形,且这种趋势与降雨强度呈正相关,而在无降雨时段,坡体基本保持近匀速变形或稳定。

地震震级较小时,坡体变形基本不受影响,例如在M=3.1时,H13和H22均未出现明显加速,但在震级增大后,坡体在震后有明显的加速变形现象,例如在M=4.9时。还有一点值得注意的是,通过对比各特征点对震后的反应情况发现,变形越剧烈的区域对地震的敏感性越强,震后产生的形变越大。

5 讨论

经过长期发展,中国地质灾害监测预警手段已从最原始的人工巡查、单点监测发展到目前的高精度面域非接触式的遥感监测手段,并逐渐得到普遍应用,但是同样也存在一定的缺陷,例如,通过高精度光学影像识别出滑坡34处,但在SBAS-InSAR中额外识别出5处危险滑坡,因此多源数据融合有利于地质灾害的精确识别。

InSAR技术通过机载或星载雷达获得的SAR数据进行差分干涉,依靠相位信息的变化,获得地表沿视线方向一维缓慢形变信息,SAR数据在获取时往往受到地形、大气等的影响,因此相位信息中常掺杂其他无关相位,在计算时首先要对SAR数据进行滤波和解缠,将形变相位分离出来[68],对变形量超过一定阈值或植被比较茂密的坡体,失相干比较严重或完全失相干,不能获取有效的结果。有学者根据SAR数据的幅度信息识别滑坡隐患,或根据表面植被变化进行反演获取滑坡隐患信息,但这些方法仅适用于隐患识别。随着技术的发展,遥感技术如何从滑坡隐患识别到动态监测预警的跨越是未来技术发展的重要方向。

InSAR作为新兴技术,凭借其远距离、低成本、高精度等优点,迅速在工程领域发展起来,但其发展仍然具有如下的瓶颈。

(1)InSAR作为新的学科,对非专业领域的人员,需要花费大量的时间精力进行系统学习,因此进行多学科交叉融合是InSAR技术在各学科领域快速发展的必要途径。

(2)大部分SAR数据都未开源,获取数据的费用高,数据的获取、存储都比较困难,处理比较烦琐,对计算机性能有较高的要求。

(3)InSAR技术在工程领域应用广泛,但目前还不存在相关规范,所以建立起一套可行的规范,为行业提供参考,是需要迫切解决的重要问题。

由于卫星重返周期的原因,相邻数据之间的时间基线一般达到十几天至几十天,过长的时间基线使监测点的采样间隔过大,不能获得较为密集的形变数据。在未来航空技术的不断发展,缩短监测点的采样间隔,获得的计算结果可更精确地实现滑坡的详细变形特征。在此基础上,联合近些年热点技术机器学习、人工智能(artificial intelligence,AI)等,建立起一套完备的系统,集成原始数据库、数据处理系统以及结果的自动分析,实现滑坡的智能化监测预警,是未来发展的趋势所在,实现过程如图10所示。

图10 滑坡自动化监测预警系统流程

6 结论

对原始滑坡监测手段进行了概述,并利用先进的遥感技术对金沙江昌波乡至羊拉乡滑坡进行了成功的识别与编录,得到以下几点认识。

(1)金沙江流域及其周边受印度板块和欧亚板块的碰撞挤压,形成了独特的高山峡谷地貌,导致研究区具有地层破碎、断层发育、地应力高的地质特点。金沙江快速深切卸荷,坡体经过地应力重分布和表生改造后,节理发育,因此在外力作用下易发生失稳破坏。

(2)利用高精度光学影像对研究区进行目视解译,共解译出滑坡隐患34处,然后搜集Sentinel-1A升轨和降轨数据联合对研究区进行解算,又发现5处目视解译未发现的滑坡隐患,说明利用多源多数据联合对区域灾害隐患进行识别更具全面性。

(3)在汛期,研究区滑坡变形与降水直接相关,降雨量越大,形变速率越大,且这种变形在降雨停止后会维持一段时间,而在非汛期,边坡基本保持近匀速变形或稳定。地震活动也会引起滑坡的变形,但这种影响在地震结束后会很快消失。

(4)研究的亮点在于系统地总结了中国地质灾害监测技术手段的发展历程和优缺点,并结合实例对遥感技术在滑坡灾害识别监测方面的优势进行论证,最终综合InSAR技术的发展前景及现有的技术条件,创新性地提出采用机器学习及AI技术建立起一套智能化的数据存储、分析及预警预报的设想,为未来滑坡隐患监测技术的发展提供借鉴。