基于高分遥感的公路沿线滑坡危险性动态评价

崔丽 张蕴灵 侯芸

摘要 公路沿线地质灾害识别和评价一直是工程实践和学术研究的热点问题。文章基于多源多时相高分光学遥感影像、雷达卫星时序InSAR分析技术和地质、气象、水文等数据资料，建立公路沿线次生地质灾害遥感识别指标，提取地质灾害危险性预测评价静态和动态因子，构建公路次生地质灾害危险性动态预测评价模型，实现对公路沿线次生地质灾害的隐患早期识别和危险性预测评价，可为公路重大工程规划建设和防灾减灾提供思路和参考。

关键词 地质灾害；遥感识别；动态评价

中图分类号 P237文献标识码 A文章编号 2096-8949（2024）06-0006-04

0 引言

我国是一个地质灾害频发且灾害损失极为严重的国家，尤其是地质环境复杂的西南山区，随着西部山区公路建设迅猛发展，高山峡谷区公路勘察设计面临着巨大挑战。山区公路沿线设计难度大，施工环境恶劣，调度运行异常困难，安全生产任务艰巨，一直是科学理论研究和工程技术研究的热点和难点。

山区公路沿线滑坡具有隐蔽性、突发性等特点，且危害大、不可控性强。目前，借助新兴技术基本实现了地质灾害识别、特征分析、灾害监测、危险评价等环节[1-3]。然而，单一影像数据存在视线盲区，可信度不够高，虽然能较好揭示已发生和正在发生的有明显特征的地质灾害，但无法识别将要发生的地质灾害[4]。现有的地质灾害危险性评价研究多基于静态评价，缺乏对时间因素影响的考虑[5]。

综上，该项目面对山区公路重大工程规划建设和防灾减灾迫切需求，以国道213汶川—松潘段为例作为研究区域，基于多源多时相高分遥感数据和地质、气象、水文等资料，将降雨、形变因子作为动态因子，结合大尺度易发性分析，构建公路次生地质灾害预测模型，实现对公路沿线次生地质灾害的易发性评价、危险性评价和风险预测评估，可为公路重大工程规划建设和防灾减灾提供理论指导和参考依据。

1 滑坡隐患综合遥感识别

该文采用分辨率优于1 m的高分二号卫星遥感影像和Google Earth在线三维影像平台进行遥感解译；然后，提取相应雷达影像数据（如高程、坡度、坡向数据、距道路距离、距河流距离数据等），通过小基线集干涉测量技术（SBAS-InSAR）和差分干涉图叠加技术（Stacking-InSAR）技术识别地表形变情况以及活动滑坡的探测；最后，采用现场调查和无人机航拍技术对滑坡隐患综合遥感识别结果进行野外调查验证，得到研究区域滑坡隐患最终识别结果。引入遥感数据，可较好地解决传统方法仅依靠历史静态数据进行评估时无法获取当前真实状态数据进行精确评估的问题。

1.1 公路沿線滑坡隐患光学遥感识别

光学卫星遥感解译是一个初步解译—野外验证—详细解译的综合、反复过程。利用Google Earth卫星影像和高分二号卫星遥感影像相结合的遥感解译技术方法，基于地质灾害发育原理及特征，在ArcGIS等二、三维软件平台上，以人工目视解译法进行地物识别及定性和空间分析，获取滑坡灾害信息。滑坡隐患光学卫星遥感解译流程如图1所示。

1.2 公路沿线滑坡隐患时序InSAR探测

时序差分干涉雷达测量（InSAR）技术指通过多期雷达干涉来测算地表形变量和形变速率，精度可达毫米级，常用方法包括SBAS-InSAR和Stacking-InSAR[6]。

Stcking-InSAR处理首先需选择主影像，然后对主从影像进行配准，配准成功后生成干涉对，然后对这些干涉对的对应像元共轭相乘得到相位差，并生成差分干涉图。再对差分干涉图进行自适应滤波处理。在移除地形和平地相位后，选择稳定的像元利用最小费用流法（mcf）进行相位解缠。最后选取质量较好的干涉对进行Stacking-InSAR技术处理（如图2所示）。

研究区域SBAS-InSAR技术处理是在Stacking-InSAR技术处理结果的基础上完成。利用Stacking-InSAR将差分干涉图由栅格格式转成点文件，然后把多主影像转为单主影像（SDV分解法），使用均值法掩盖形变区和错误形变点，对剩下的区域采用二次加权平均值法对大气进行提取，剔除时防止去除有效形变点。最后通过时间相干性去除掉质量较差点，得到研究区年均形变速率结果（如图3所示）。

2 滑坡危险性动态评价

山区公路沿线滑坡危险性评价是在易发性基础上，考虑特定某一条件下的灾害发生的程度，如：降雨量达到>100 mm等，结合路域形变因子变化趋势，测算未来发生滑坡的概率，主要指滑坡发生的空间概率、时间概率等。滑坡易发性评价提供了空间概率，InSAR技术能够对变形状态进行实时监测，为计算时间概率提供数据支撑。

2.1 滑坡易发性评价

滑坡易发性评价可以定义为由于一组特定的环境条件而发生滑坡的空间可能性[7]。滑坡易发性评价图提供了关于潜在的未来斜坡不稳定性的位置和预计会发生滑坡区域的空间概率。滑坡易发性评价结果为滑坡动态危险性评价提供滑坡发生空间概率。

2.1.1 易发性评价因子提取

基于公路滑坡的特点、分布规律、影响因素等研究，该文拟选取斜坡选取高程、坡度、坡向、地表曲率、工程地质岩组、归一化植被指数（NDVI）、距道路距离、距河流距离和距断层距离，共计9个影响因素作为公路次生灾害易发性预测评价因子。

2.1.2 易发性评价预测方法

逻辑回归模型是应用较广泛且效果较好的地质灾害易发性预测评价模型[8-13]。因此，该文也采用该模型对示范区滑坡易发性预测评价[6]。

2.2 基于InSAR技术的滑坡危险性动态评价

滑坡易发性评价提供了关于潜在的未来斜坡不稳定性的位置和预计会发生滑坡区域的空间概率，但未能提供滑坡发生的概率以及时间概率。通常，在不同的时间段内，滑坡的演化过程不同。因此，需要考虑特定诱发因素条件下、不同时期内滑坡的演化过程，以表明滑坡危险性评价具有动态变化的特性。

如图4所示，该研究考虑将降雨诱发滑坡发生作为特定诱发事件，首先，计算特定降雨事件下的概率（统计分析法），其次，利用易发性分析结果进行滑坡危险性评价，然后借助InSAR技术探测地表形变速率，基于上述成果，形成动态评价矩阵，完成动态评价。

2.2.1 危险性概率计算

该研究以降雨诱发滑坡灾害发生作为特定诱发事件，运用统计分析方法确定研究区降雨诱发滑坡发生的概率。由于降雨诱发滑坡发生不仅与滑坡发生当日的降雨量有关，还受前期累积降雨量的影响，因此，找出研究区前期降雨时间的最佳累计日数，是计算滑坡危险性概率的关键。根据国土局地质灾害统计信息以及美国国家海洋和大气管理局全球环境信息（NOAA-National Centers for Environmental Information）的气象数据，收集整理2010年至2020年研究区内因降雨诱发滑坡发生事件和每个滑坡事件对应的降雨信息，共搜集历史降雨滑坡灾害79处。以滑坡发生某日的累积降雨量为降雨量因子，滑坡发生事件次数作为时间因子，利用SPSS软件进行相关性分析，结果如表1所示。

由表1可知，累积降雨量与滑坡事件显著相关，变化趋势呈现先升后降。在降雨持续天数4 d时达到相关性峰值0.835，因此，以前4 d累积降雨量为指标，统计研究区2010—2020年的降雨事件和滑坡发生的关系，按降雨量大小分了四个层次，结果如表2所示。

如图5～7所示，展示了研究区各特定降雨事件（0 mm，0～10 mm，25～50 mm，>100 mm）下的滑坡危险性概率（借助Arcgis分析工具，将特定降雨诱发事件下滑坡发生概率和滑坡易发性评价结果叠加）。

可以看出，滑坡危险性概率值和易发性评价结果在空间分布趋势上具有一致性，均呈带状分布于研究区国道213线两侧，并且主要集中分布于汶川映秀至茂县石大关乡沿线区域。

2.2.2 不同时间段平均地表形变速率

基于不同时间段内的SAR影像数据：2017年1月20日至2019年1月4日（时间段1）期间57景SAR影像和2017年1月20日至2021年12月19日（时间段2）期间144景SAR影像，根据SBAS-InSAR技术提取地表形变信息的流程，分别获取两个时间段的平均地表形变速率（如图8～9所示），为危险性动态评价提供基础数据。

2.2.3 构建动态评价矩阵

由表2可知，研究区域在累积降雨量25～50 mm工况下，发生滑坡概率最大。以此为诱发事件对研究区时间段1和时间段2的滑坡危险性进行动态评价。综合分析研究区滑坡分布与平均形变速率的关系，将研究区的平均形变速率分为5个等级：极慢速（V1：>2 mm/a），慢速（V2：?4～2 mm/a），中速（V3：?8 ～?4 mm/a），快速（V4：?12～?8 mm/a）和极快速（V5：

3 结语

该文针对公路路域范围内滑坡危险性动态评估问题，基于高分遥感技术，综合识别滑坡隐患，提取地质灾害危险性评价因子，构建公路次生地质灾害危险性动态预测评价模型，可为工程实践提供参考。

参考文献

[1]吴悦， 任涛， 杨卓静， 等. 应用于地质灾害的泥石流监测分析仪[J]. 电子测量技术， 2013（3）： 67-70.

[2]刘筱怡. 基于多元遥感技术的古滑坡识别与危险性评价研究[D]. 北京：中國地质科学院， 2021.

[3]刘纪尧， 豆猛， 吴少菁. 遥感技术在地貌与岩土体特征识别和地质灾害分布规律分析中的应用[J]. 地质灾害与环境保护， 2017（3）： 83-90.

[4]王天河. 基于多源遥感的康定—炉霍拟建高速公路地质灾害危险性评价及线路优化分析[D]. 成都：成都理工大学， 2020.

[5]刘静. 基于RS与GIS的川藏联网工程沿线地质灾害危险性评价[D]. 北京：中国地质大学（北京）， 2018.

[6]周超. 集成时间序列InSAR技术的滑坡早期识别与预测研究[D]. 武汉：中国地质大学， 2019.

[7]梁京涛， 赵聪， 马志刚. 多源遥感技术在地质灾害早期识别应用中的问题探讨——以西南山区为例[J]. 中国地质调查， 2022（4）： 92-101.

[8]周建国， 龚建宗， 刘文杰. 无人机贴近摄影测量在滑坡体监测中的应用[J]. 测绘与空间地理信息， 2023（11）： 183-185+189.

[9]江宝得， 李秀春， 罗海燕， 等. 异质集成学习在滑坡易发性评价中的对比研究[J]. 土木工程学报， 2023（10）： 170-179.

[10]陶伟， 孙岳. 基于GIS滑坡地质灾害易发性评价方法综述[J]. 世界有色金属， 2020（21）： 157-159.

[11]陈凯， 陈砺锋， 张紫昭， 等. 基于实证调查的新疆地区地质灾害易发性和危险性评价研究[J]. 工程地质学报， 2023（4）： 1156-1166.

[12]孟凡奇， 高峰， 林波， 等. 基于AHP和信息量模型的地质灾害易发性评价——以鲁东片区为例[J]. 灾害学， 2023（3）： 111-117.

[13]李光辉， 铁永波. 基于信息量模型的综合地质灾害易发性建模方法对比研究[J]. 灾害学， 2023（3）： 212-221.