贵州思南县滑坡地质灾害的广域SBAS-InSAR识别

何贵银; 梁风; 史文兵; 王勇; 姚忠劭

doi:10.12404/j.issn.1671-1815.2502160

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (7) :2737-2749 DOI: 10.12404/j.issn.1671-1815.2502160

天文学、地球科学

贵州思南县滑坡地质灾害的广域SBAS-InSAR识别

何贵银 ¹ ,
梁风 ²^,³^,^* ,
史文兵 ¹^,²^,³ ,
王勇 ¹^,³ ,
姚忠劭 ²

作者信息 +

Wide-area SBAS-InSAR Identification of Landslide Geological Hazards in Sinan County, Guizhou

HE Gui-yin ¹ ,
LIANG Feng ²^,³^,^* ,
SHI Wen-bing ¹^,²^,³ ,
WANG Yong ¹^,³ ,
YAO Zhong-shao ²

Author information +

文章历史 +

摘要

思南县属喀斯特地貌区,受脆弱生态环境和复杂工程地质背景多重因素制约,其滑坡灾害呈现高频次、群发性特征,更为InSAR(interferometric synthetic aperture radar)技术识别滑坡灾害工作带来严峻挑战。为高效、精准识别思南地区潜在滑坡灾害,构建了多源遥感协同地面调查分析框架:通过SBAS-InSAR技术,选取思南县2023年1月26日—12月28日22景Sentinel-1升轨影像,并对其进行优化参数的干涉处理,提取研究区毫米级地表形变图,继而融合光学影像解译、圈画疑似滑坡隐患点,统计灾害点地质环境分布特征并进行时序分析。结果表明,思南县潜在滑坡主要分布在高程358~800 m、坡度10°~40°、坡向为北、东南和东北、年降雨量715~800 mm,志留系秀山组地层中,且InSAR识别效果在坡向上具有显著差异;强降雨与滑坡形变曲线存在显著相关性,形变变化滞后于强降雨,同时GNSS(global navigation satellite system)监测数据与InSAR结果基本一致,表明SBAS-InSAR技术适用于该复杂地质环境区。研究结果可对喀斯特发育区的滑坡隐患识别和地表形变监测提供重要参考。

Abstract

Sinan County is situated in a karst landform area. Landslide disasters in this region exhibit characteristics of high frequency and clustering, constrained by multiple factors including a fragile ecological environment and complex engineering geological conditions. These features pose significant challenges for landslide identification using interferometric synthetic aperture radar (InSAR) technology. To efficiently and accurately identify potential landslides in the Sinan area, a multi-source remote sensing framework integrated with ground survey analysis was constructed. Twenty-two Sentinel-1 ascending orbit images from January 26 to December 28, 2023, covering Sinan County were selected. Optimized interferometric processing was applied using the SBAS-InSAR technique to extract a millimeter-level surface deformation map of the study area. Subsequently, optical image interpretation was integrated to delineate potential landslide hazards. The distribution characteristics of these hazards within the geological environment were statistically analyzed, along with a time-series analysis. Results indicate that potential landslides in Sinan County are primarily distributed at elevations of 358~800 m, on slopes of 10°~40°, with slope aspects facing north, southeast, and northeast, within an annual rainfall range of 715~800 mm, and in the Silurian Xiushan Formation strata. The effectiveness of InSAR identification shows significant variation with slope aspect. A strong correlation is observed between heavy rainfall and landslide deformation curves, with deformation changes lagging behind rainfall events. Furthermore, monitoring data from the global navigation satellite system (GNSS) is largely consistent with the InSAR results, demonstrating the applicability of the SBAS-InSAR technique in this complex geological setting. The findings provide an important reference for landslide hazard identification and surface deformation monitoring in karst development areas.

Graphical abstract

关键词

滑坡 / SBAS-InSAR / 早期识别 / 时间序列 / 形变监测

Key words

landslide / SBAS-InSAR / early identification / time-series / deformation monitoring

引用本文

引用格式 ▾

何贵银, 梁风, 史文兵, 王勇, 姚忠劭. 贵州思南县滑坡地质灾害的广域SBAS-InSAR识别[J]. 科学技术与工程, 2026, 26(7): 2737-2749 DOI:10.12404/j.issn.1671-1815.2502160

HE Gui-yin, LIANG Feng, SHI Wen-bing, WANG Yong, YAO Zhong-shao. Wide-area SBAS-InSAR Identification of Landslide Geological Hazards in Sinan County, Guizhou[J]. Science Technology and Engineering, 2026, 26(7): 2737-2749 DOI:10.12404/j.issn.1671-1815.2502160

登录浏览全文

4963

注册一个新账户忘记密码

思南县属于中国贵州省乌江流域深切喀斯特地貌区, 境内地质构造复杂、断裂褶皱发育,峰峦起伏,沟壑纵横,相对高差大,陡崖广布,峡谷与河谷地貌发育,植被茂密。出露岩层多为上硬下软的组合岩性,在河流下切和侧蚀加持作用下,复杂脆弱的地质环境导致思南县滑坡地质灾害频发。截至2023年12月滑坡地质灾害共有211处,威胁该县18 058人及36 559万元财产的安全。思南县滑坡具有规模小、数量多、分布广且零散、隐蔽等特征^{[1- 2]}。目前,思南县的滑坡灾害调查、监测工作主要以依靠人力进行实地调查,工作效率低;对于人员难以企及的险峻山体,多采用无人机辅助调查,但对于植被茂盛的区域,无人机也难以发现滑坡迹象;此外还在已知滑坡灾害点安装GNSS(global navigation satellite system)基站进行长期监测,但其对选址要求高的同时需要一定的经济支撑,无法全方位广泛地布置。往往造成严重破坏的滑坡地质灾害通常属于未入库的新发滑坡,因此对于思南县的滑坡地质灾害调查,传统方法除耗费大量的时间和人力物力之外,还易受地形地质条件制约,难以有效开展工作,相当一部分隐蔽性强的滑坡灾害不易察觉,急需运用新技术、新方法对该县潜在滑坡地质灾害开展早期、高效识别和广域地表形变监测工作。

合成孔径雷达干涉测量技术(interferometric synthetic aperture radar,InSAR)具有全天时、全天候、高精度、高时空分辨率等优点^[3],能够实现对地质灾害在时间序列上的形变特征进行精准高效的分析,能更全面、更便利、更快捷地实现广域地表形变监测和地质灾害早期识别。随着经济发展和InSAR技术的应用范围扩展,利用新型遥感技术监测地表形变和识别地质灾害也渐渐进入实际调查工作中。早期,Qu等 ^[4]将DInSAR(differential InSAR)监测技术应用在滑坡监测中,证实了InSAR技术在滑坡大尺度变形监测中的有效。传统DInSAR受限于时空失相干和大气延迟扰动,其工程适用性受到严重制约。为此,时序InSAR技术体系逐步完善,SBAS-InSAR(small baseline subset InSAR)技术、PS-InSAR(persistent scatterer InSAR)技术等时序监测技术应运而生。Yao等^[5]利用Sentinel-1A卫星SAR数据集和SBAS-InSAR技术研究了白鹤滩库区王家山滑坡蓄水前的时间序列形变特征。文献[6]采用PS-InSAR和DS-InSAR(distributed scatterer InSAR)两种InSAR技术融合监测西部山区的异常形变区域,验证时序干涉技术在滑坡识别和监测上的有效性。在地形起伏大、植被茂盛、滑坡规模小,且分布广的情况下,文献[7 -11]通过对PS-InSAR技术、SBAS-InSAR技术和Sacking技术等运用于植被密集的西南山区地质灾害的识别效果进行对比,得出SBAS-InSAR技术在该区域地质灾害隐患识别中更为适用的结论。

对思南县的滑坡灾害研究均聚焦于单体滑坡或小区域的滑坡特征研究,鲜见对全区域的滑坡灾害广域识别和特征分析。为弥补该研究方向的空缺,依托2024年开展的思南县1∶10 000地质灾害精细化调查示范项目,以思南县为研究区,采用Sentinel-1A 升轨SAR影像为数据源,通过SBAS-InSAR技术获取研究区2023年的地表形变信息,完成研究区滑坡隐患的广域识别和监测,在以往的滑坡台账点之外,还识别到多处新增滑坡隐患点,为2024年开展的野外调查提供了靶区。现总结思南县滑坡的地质环境分布特征,对典型滑坡隐患点进行形变量-日降雨量-时间序列分析,并对InSAR合理性进行验证,研究结果可为喀斯特山区开展广域InSAR技术识别滑坡隐患提供借鉴,对研究区防灾、减灾工作具有指导意义。

1 研究区概况

研究区位于中国西南部,属贵州省铜仁市。地处武陵山脉与大娄山山脉中间,东邻印江县、南接石阡县、西连凤冈县、北靠德江县,属于乌江流域深切形成的喀斯特发育区。乌江期的地壳抬升和河流下切形成了广泛分布的峡谷和陡崖。乌江期深切峡谷的形成使得区内地形起伏较大,相对高差显著,体现为东、西北部海拔较高,中部河谷地带海拔较低,境内地势最高处为南东边缘部分,高程为1 404 m,最低处北部乌江出县境处,高程为336 m,最大相对高差1 068 m,如图1所示。

研究区为中亚热带湿润季风气候区,具有春长,秋冬短、夏热冬暖的气候特征。年平均温度为17.3 ℃,1月气温最低,7月气温最高,乌江河谷一带气温较高,西北、东南及边缘地区气温较低。雨量较充沛,主要集中在每年6—9月的雨季,降雨分布呈东南向西北递减的趋势,年平均降水量为1 124.5 mm。研究区内河流属乌江水系,支流有石阡河、六池河、黑滩河和清渡河等七条,流域面积均在200 km²以上。研究区属中亚热常绿阔叶林区,植被主要为次生植被,自然植被主要有常绿针叶林、常绿针、阔叶混交林、灌丛和草地等4种,研究区内植被茂盛,植被覆盖率达到60%并逐年攀升。

研究区地质构造上处于扬子板块,发育断裂、褶皱,构造为NNE向和NE向。区内地层主要有寒武系、奥陶系、志留系中下统、二叠系、三叠系中下统和第四系,出露面积由多到少依次是三叠系、二叠系地层、志留系和奥陶系,第四系分布最少。出露基岩为沉积岩,主要岩类为灰岩、白云岩、泥岩、砂岩、页岩等。二叠系地层以灰岩为主,与下伏志留系地层不整合接触,志留系地层主要为泥岩、砂岩、页岩等软质岩,岩性组合构成了“上硬下软”的特性。三叠系和二叠系地层以碳酸盐岩为主,喀斯特地貌发育,叠加构造作用,岩体透水性强,地下水向下入渗到志留系软岩隔水层后溢出地表,加之,河流侵蚀作用切割坡脚,在软质岩中易发育滑坡灾害。

滑坡灾害是思南县最主要的地质灾害类型,由思南县2023年思南县地质灾害隐患点台账,全县共有276处地质灾害点,其中滑坡灾害数量占比最大,有211处,占总数的76.45%。按滑坡规模分类,小型滑坡143处、中型滑坡66处,大型滑坡2处;按滑坡组成成分分类,土质滑坡208处,岩质滑坡3处,均为顺层滑坡;按滑坡厚度分类,浅层滑坡占比最重,有201处,中层滑坡8处,深层滑坡2处;按滑坡成因分类,自然滑坡208处,工程滑坡3处;按滑坡所属或下伏岩性分类,滑坡灾害主要分布在泥页岩、粉砂岩这类软质岩中,以及软硬岩质交界处;按滑坡空间分布分类,滑坡灾害几乎在每个乡镇均有分布,其中思林乡、凉水井镇、关中坝办事处、三道水乡、瓮溪镇及大河坝镇最多,占思南滑坡总数的55.45%。

2 SBAS-InSAR技术及数据处理

2.1 SBAS-InSAR技术

SBAS-InSAR技术又称小基线集时序技术,最早于2002年由Berardino等^[12]首次提出和应用于意大利卡普里岛的形变监测,并证明该技术更适用于大范围的地表形变监测。其基本思路是通过设置适合的时间和空间基线(基线指卫星两次成像时天线的距离)阈值,将已有的N+1景SAR影像划分为N个较小基线的集合,使得各子集内基线较小,各子集间基线较大,对所得的每个干涉相对进行差分干涉处理并获取解缠相位^[13]。解缠相位

${\varphi }_{x,y}^{k}$

表达式为

(1)${\varphi }_{x,y}^{k}$=${\varphi }_{top,x,y}^{k}$+${\varphi }_{def,x,y}^{k}$+${\varphi }_{ord,x,y}^{k}$+${\varphi }_{atm,x,y}^{k}$+${\varphi }_{noi,x,y}^{k}$

式(1)中:

${\varphi }_{top,x,y}^{k}$

为第k个干涉像对中点的残留相位误差;

${\varphi }_{def,x,y}^{k}$

为第k个干涉像对中点(x,y)地表产生的形变相位;

${\varphi }_{ord,x,y}^{k}$

为卫星轨道产生的误差;

${\varphi }_{atm,x,y}^{k}$

为大气延迟的相位误差;

${\varphi }_{noi,x,y}^{k}$

为系统自身产生的噪声相位误差以及干涉处理过程中引入的噪声相位误差。为去除原始干涉相位中的

${\varphi }_{top,x,y}^{k}$

、

${\varphi }_{atm,x,y}^{k}$

、

${\varphi }_{ord,x,y}^{k}$

、

${\varphi }_{noi,x,y}^{k}$

干涉相位分量得到形变相位,建立公式为

(2)Aφ=δφ

(3)φ=$\left[\varphi \right({t}_{1}\left)\varphi \right({t}_{2}\left)\varphi \right({t}_{3})\dots \varphi ({t}_{N}{\left)\right]}^{T}$

式中:A为M×N的系数矩阵;φ为对应高相干点的未知形变相位向量;δ为差分干涉相位;δφ为差分干涉后的N×1解缠相位向量;t_N为第N个成像时刻(对应第N景SAR影像)的地表累积形变量。为求得形变速率,将式(2)、式(3)改写为

(4)Βv=δφ

(5)v=${\left[{v}_{1}=\frac{{\varphi }_{2}}{{t}_{2}-{t}_{1}},{v}_{2}=\frac{{\varphi }_{3}}{{t}_{3}-{t}_{2}},\dots,{v}_{N-1}=\frac{{\varphi }_{N}}{{t}_{N}-{t}_{N-1}}\right]}^{T}$

式中:B为M×N的系数矩阵;v为平均相位速率。最后利用最小二乘法或者奇异分解方法求解得到每个子集中的时间序列形变。SBAS-InSAR技术区别于传统InSAR技术的优势是将时间、视角方面的差异最小化,克服时间、空间上的失相干问题并减小大气的影响,从而提高监测精度。如图2所示,SBAS-InSAR技术的处理流程包含选取主影像配准、裁剪、生成连接图、差分干涉、去平地、干涉滤波、解缠等步骤。

2.2 数据来源

选取重访周期为12 d的C波段 Sentinel-1A升轨卫星SAR影像,采用成像模式为宽幅干涉(interferometic wide swath mode,IW),幅宽为250 km,成像中心入射角为39.7°,方位角为12.62°,影像覆盖面积为2 230.50 km²。由于2023年研究区降雨量丰沛,而强降雨天气易诱发滑坡灾害,同时考虑到要为2024年野外调查提供最新潜在滑坡识别靶区,故选取2023年全年进行研究。时间范围为2023 年1月26日—2023年12月28日共22景数据累积时间基线336 d,SAR数据具体参数如表1所示;采用分辨率为12.5 m DEM(digital elevation model)数据,用于图像配准和去除地形相位。

2.3 数据处理

利用瑞士GAMMA(GAMMA Remote Sensing AG)公司开发的专用于干涉雷达数据处理的全功能平台GAMMA软件对覆盖研究区域的22景升轨Sentinal-1A影像数据进行SBAS-InSAR技术处理。为降低研究区高陡地形给InSAR技术带来的难度,针对Sentinel-1A数据开展系统性参数优化:以2023年1月26日获取的SAR数据为主影像进行配准,通过交叉相关矩阵计算亚像素偏移量,结合二次多项式模型修正几何畸变;以时间基线约束原则设置空间基线阈值500 m,时间基线阈值60 d,生成有效干涉对,如图3所示为影像精配准后的时空基线分布图;为达到增强相干性与降低相位噪声的效果,采用自适应多视策略,在干涉处理过程中对影像进行2 (方位向)×10 m(距离向)多视处理,最终实现相位噪声降低至≤1.2 mm;对相干性阈值反复筛选验证,最终确定筛选>0.4的高质量像素,提升覆盖率,实现降低相位误差,远超预期效果。

3 SBAS-InSAR技术广域滑坡灾害识别结果与分析

3.1 SBAS-InSAR地表形变监测结果

经上述参数优化处理后,获取如图4所示的时序形变场,其展现出显著的空间特征。结果显示2023年1月—2023年12月思南全县域LOS(line of sight)向年均变形速率范围为-74.73~76.86 mm/年,表明研究区存在强烈的地表活动性。62%的显著形变区主要分布在乌江两侧山脉附近的部分区域(地形起伏较大)、乌江和乌江支流两侧缓冲地区以及交通干线附近。

3.2 广域滑坡地质灾害隐患识别结果

基于SBAS-InSAR形变场(图4)与0.5 m分辨率吉林一号多光谱影像的协同解译,构建了“形变-地貌-地物”三位一体的滑坡隐患识别体系,如图5所示。通过设定形变速率阈值(>20 mm/年)、形变持续时长、显著形变密集程度三重判据,初步圈定95处地质灾害隐患靶区。经高分辨率光学影像解译剔除无威胁对象(建筑、交通设施等)的区域,筛选出49处持续形变靶区。对49处靶区进行实地调查后确认了其中30处为滑坡隐患点,经过与思南县211处滑坡台账点对比,其中25处为台账既有隐患点, 5处为本次发现的新增滑坡隐患点。圈定的滑坡面积在0.007 km²到0.251 km²不等,大部分为小型滑坡,有22处,占比77%,中型滑坡6处,占比20%,大型滑坡2处,占比3%。本次滑坡隐患点识别正确率为61.2%,滑坡台账点识别率为11.85%,略高于同为西南山区的丹巴县、汶川路段等低于60%的InSAR识别正确率^[14-15],虽然存在38.8%的误判率,但通过将InSAR技术与光学影像相结合的方式解译滑坡灾害,识别到5处以往调查工作未曾发现的隐蔽滑坡灾害,证实了InSAR技术运用在研究区识别隐蔽的滑坡灾害中具有超越传统调查方法的优势和突出的识别滑坡灾害效果,体现为地方政府节约应急治理成本,潜在保护受威胁人员的应用价值。

SBAS-InSAR技术未能识别到所有的地质灾害台账点主要有如下四方面原因。

(1)InSAR失相干:InSAR通过计算两幅雷达图像保持一致的相位差来识别出地面形变,但如果相位信息因地物变化、几何畸变、大气效应和雷达噪声等问题造成失相干使得相位差不一致,便无法得到有效形变结果。

(2)监测时段的局限性:由于监测时段并未覆盖2023年以前的日期,如果滑坡发生在2023年以前,且在2023年内滑坡体地表形变达到稳定,那么InSAR技术也无法识别出来。

(3)SBAS-InSAR技术适用于缓慢形变的滑坡体,在两个及以上干涉相对时间跨度中,滑坡体持续发生形变的才能够被发现,在时间相邻SAR影像时间跨度内突然发生的滑坡,如降雨性突发性滑坡不能被监测到。

(4)研究区的环境影响:研究区植被丰富,森林覆盖率高,地表形变小,雷达波信号无法有效穿越茂密植被的区域,也不能有效监测地表形变。

3.3 SBAS-InSAR识别滑坡隐患点的地质环境的特征分析

影响研究区域内SBAS-InSAR技术所得形变结果精度的因素多种多样,数据源和数据本身质量、卫星成像时出现几何畸变、干涉处理中干涉对的选择等因素外,如坡度、坡向等地表环境^[16-20]也会对形变结果产生一些影响。为了验证SBAS-InSAR对思南县滑坡隐患点识别的结果与地质环境特征的关系,分析SBAS-InSAR技术在思南县的不同地形条件下对地表形变的敏感性。基于确认的30处滑坡隐患点对其高程、坡向、坡度、地层年代、年降雨量和滑坡灾害易发性与滑坡发育特征关系进行分析。高程、坡度、坡向数据来源于地理空间数据云平台Lanside-8数据,地层岩性数据来自全国地质资料馆提供的1∶200 000全国数字地质图,年降雨量数据来源于思南多个气象观测站数据,易发性数据来源于前人对思南县滑坡灾害易发性分区图^[21] 。

高程、坡度和坡向分析需要用到数字高程模型(digital elevation model,DEM)数据,其中关于DEM数据的栅格选取采用文献[22 -24]提出的栅格尺寸划分公式,即

(6)G_s=7.49+0.000 6S-2.0×10-9S²+2.9×10^-15S³

式(6)中:G_s为适宜格网大小;S为数据比例尺。

研究区调查精度比例尺为1∶10 000,得出最佳栅格大小为13.49,为方便计算,选择栅格大小为10 m×10 m。

30处滑坡隐患点与高程、坡向、坡度、地层年代、年降雨量、滑坡灾害易发性的统计分析结果如图6、图7所示。

3.3.1 滑坡发育高程特征

思南县海拔范围在336~1 433 m,将研究区高程按自然断点法分为358~538 m、538~668 m、668~800 m、800~954 m、>954 m五个区间。如图6(a)所示,大部分滑坡分布在高程为358~800 m的区域,高程>800 m 后滑坡隐患点分布数量开始下降甚至无分布。这与思南县滑坡灾害主要发生在河流两岸及河谷中下部斜坡地带相符,一般位于海拔高程900 m以下,超过900 m后多为硬质形成的陡崖区,山顶为夷平面相对平缓。可知,SBAS-InSAR对不同高程的滑坡识别没有显著差异性。

3.3.2 滑坡发育坡度特征

坡度的陡缓程度在一定层面上影响了滑坡的发育规模、广度、深度,这样的规律在土质滑坡,尤为突出。选取10°为一个间隔,将坡度划分为10°~20°、20°~30°、30°~40°、40°~50°、>50°六个区间。统计结果如图6(b)所示,潜在滑坡主要分布在坡度10°~20°、20°~30°和30°~40°范围,>40°和<10°范围内不存在隐患点。当坡度过陡,灾害更容易以崩塌的形式表现;当坡度过缓时,滑坡体重力势能过低,难以发生滑动破坏。可知,SBAS-InSAR对滑坡易发的坡度范围内识别没有差异性。

3.3.3 滑坡发育坡向特征

将坡向分为北、东、东北、南、东南、西南、西、西北八个方向绘制滑坡灾害点分布与坡向关系图,如图6(c)所示。研究区内识别到的滑坡灾害在除西北坡向外的另外七个坡向均有分布,相对来说在北向、东南向、东北向分布数量较多。由于本文研究所用数据的飞行方向为从南向北飞行,以39.7°的入射角向右侧向拍摄。西北坡向朝向与LOS向相背,易引发几何畸变(阴影)效应;东南、东北坡向面向LOS向,不易发生几何畸变;加之研究区山脉走向多为西南至东北或正北向,与卫星飞行方向夹角较小,西北坡向处于雷达远距侧,东南、东北坡向处于雷达近距侧,当地表形变沿坡向发生时, LOS向与西北坡向之间的夹角为钝角,西北坡向的形变在LOS的投影显著减小,而东南、东北坡向的投影增强^[25],因此思南地区西北坡向的滑坡不易被识别。可知,SBAS-InSAR对滑坡易发的坡向范围内识别具有差异性。

3.3.4 滑坡发育地层特征

依据思南县地层类型分布和滑坡灾害点关系作滑坡灾害点分布与地层年代关系图,如图7(a)所示,志留系秀山组区域内滑坡最为发育,占滑坡总量的86.7%,除第四系无滑坡分布外,另外四个地层均有少量滑坡分布。由于志留系秀山组的主要岩性为泥页岩、粉砂岩、灰岩等软质岩,其岩质软、抗风化能力差, 水分吸附能力强,遇到强降雨天气更易发生滑坡等地质灾害。

3.3.5 滑坡发育降雨量特征

将年降雨量分为715~800 mm、800~950 mm、950~1 100 mm,>1 100 mm四个区间绘制滑坡灾害点分布与年降雨量关系图,如图7(b)所示,统计分析表明,86.67%的滑坡集中分布于>800 mm降雨区,其中高敏感带(950~1 100 mm)分布密度显著高于低降雨区(715~800 mm)。地质灾害的发育与降雨量以及降雨特征关系密切,由于思南县降雨量充沛且多暴雨或持续降雨,尤其每年的6—8月的雨季,降雨量大且持续时间长,土体组织结构松散,无论是突发性的高强度短期降水还是长期性的中低强度降水,降水都易入渗侵蚀坡体导致坡体抗剪强度降低、水压力增加、土体力学强度降低,最终引发滑坡灾害。因此,降雨是研究区发生滑坡灾害的主要诱发因素之一。

3.3.6 滑坡发育与易发区关系

将思南县滑坡易发性分区结果分为极高易发区、高易发区、中易发区、极低易发区和低易发区5个区间并与滑坡灾害点分布与进行对比,如图7(c)所示,极高易发区内有13处,高易发区10处,中易发区有4处,低易发区有2处,极低易发区有1处,显而易见的, SBAS-InSAR对滑坡区位的识别与思南县滑坡易发区是相匹配的。

3.4 SBAS-InSAR技术与地面调查协作分析典型滑坡特征

通过实地调查,根据第一次全国自然灾害综合风险普查技术规范(FXPC/ZRZY B-01)《地质灾害风险调查评价技术要求(1∶50 000)》(试行)(自然资源部,2021年4月)中附表M2、M3及M5对SBAS-InSAR技术解译所得30处滑坡隐患点,进行风险定性评价,其中有1处属于高风险等级灾害隐患点,9处属于中风险等级灾害隐患点。选出2处典型滑坡隐患点(高风险一处、中风险一处)表明SBAS-InSAR技术对于反演滑坡演化过程有一定优势。

(1)黏岩滑坡(高风险),该滑坡位于思南县大坝场镇杨家寨村陈家湾组,经度108°17'07″E,纬度27°44'57″N,滑坡发育高程695~747 m,经核查,滑坡变形始于2021年7月20日。滑坡总体滑向约146°,滑坡长约为108 m,宽约为106 m,属于小型土质滑坡。滑坡坡体主要物质为黏质粉土,最厚达27 m,下伏基岩为志留系中下统秀山组(S₁xsh)泥岩。滑坡后缘房屋地面出现开裂变形,形成拉张裂缝,前缘出现小部分垮塌、有碎石滚落。如图8所示 A、B、C、D展示了该滑坡前、后部的现场情况,InSAR结果显示滑坡形变主要集中在前缘和后缘,中部未见形变,现场变形情况与其符合。通过对滑坡后缘、中部和前缘的P₁、P₂和P₃三点进行形变量-日降雨量-时序分析,得到结果如图9所示,可知P₁累积形变量为-161.36 mm,P₂累积形变量为31.47 mm,P₃累积形变量为-164.30 mm,发现该滑坡前缘形变大于中部、后形变,结合该滑坡前缘陡、后缘缓的地形特征,推测该滑坡为牵引式滑坡;结合降雨数据可发现,滑坡的P₁、P₃两点在雨季前处于缓慢变形阶段,雨季开始便进入加速变形阶段,雨季结束后形变速率明显增大,形变量与强降雨呈现一定的滞后关系;滑坡的P₂点为正值,并一直增大,是由于滑坡中部地形相对平缓,土体被后部滑体推挤导致其地表局部隆起。该滑坡2023年持续形变且形变量明显,对附近居民、道路造成威胁,除持续监测外应安排人员关注其变形情况。

(2)芭蕉园滑坡(中风险),该滑坡位于思南县凉水井镇方家坪村,经度108°24'45″E,纬度27°55'3″N,经现场核查,滑坡变形始于2014年7月,滑坡整体滑向约90°,滑坡发育高程850~730 m,滑坡长约700 m,宽度约170 m,属于大型土质滑坡。滑床为志留系秀山组(S₁xsh)泥岩;滑坡后缘的裂缝长度约为10 m,宽度约为0.5 m,走向为175°。滑坡中前部的居民区内,出现多处地表开裂变形,沉降约20 cm,一般长度约为10 m,走向大约为357°。在滑坡中部的公路上,形成了长约20 m、宽度在5~40 cm的拉张裂缝,走向约为35°。滑坡前缘右侧则发育有两条平行的剪切裂缝,长度为4~5 m,宽度约为5 cm,走向为325°。如图10所示展示了滑坡后、前、中部的现场情况。通过对滑坡前缘、中部和后缘的P₃、P₂和P₁三点进行形变量-日降雨量-时序分析得到如图11所示结果,可知P₁累积形变量为-71.79 mm,P₂累积形变量为-44.34 mm,P₃累积形变量为-85.18 mm,发现该滑坡前缘变形明显大于中部和后缘,结合该滑坡前缘陡、后缘缓的地形特征,推测该滑坡为牵引式滑坡;结合降雨数据可发现,滑坡在雨季前处于缓慢变形阶段,雨季时有显著的变形波动,雨季后开始进入加速变形阶段,形变速率明显增大,该滑坡形变量与强降雨呈现一定的滞后关系。芭蕉园滑坡2023年形变较小,相对稳定,需要对其进行长期监测。

为验证SBAS-InSAR结果合理性,收集该滑坡面上的GNSS测量点在监测时段内的形变数据与InSAR结果分别进行拟合,结果如图12所示,发现两者形变量最大差值为30.42 mm,最小为0.75 mm,InSAR结果与GNSS结果形变趋势具有良好的一致性,且随监测时间增长而增强,综上分析结果表明SBAS-InSAR技术应用于思南这种类峡谷、河谷地貌发育,植被茂密、地表深切、地形起伏的喀斯特地区是可行的。

4 结论

基于多源遥感协同地面调查分析框架,研究了思南县滑坡灾害的分布、识别及发育特征,并选取两处典型滑坡进行分析,得出以下结论。

(1)研究区内2023年1—12月思南全县域LOS向年均变形速率范围为-74.73~76.86 mm/年,通过构建了“形变-地貌-地物”三位一体的滑坡隐患识别体系:经InSAR形变场、光学影像和实地调查确认30处滑坡隐患点,均为土质滑坡,有25处为台账点,5处为新发滑坡隐患点。

(2)将确认的30处的滑坡隐患点与高程、坡度、坡向、年降水量、地层岩性和滑坡易发分区进行统计,结果表明,识别到的滑坡隐患点主要分布于在海拔为535~795 m、坡度在10°~30°、东南坡向、年降雨量为950~1 100 mm、地层为志留系秀山组的区域,滑坡隐患点识别效果最佳,在坡向上识别效差异性明显。

(3)黏岩滑坡为小型土质滑坡,芭蕉园滑坡为大型土质滑坡,对两处滑坡进行形变量-日降雨量-时间序列分析发现发现芭蕉园滑坡、黏岩滑坡前缘形变均大于后缘形变,推测两处为牵引式移动;芭蕉园滑坡整体经过雨季的强降雨天气后进入加速变形阶段;而黏岩滑坡的中部反而在雨季开始向上抬升,雨季结束后形变逐渐稳定,前、后缘从雨季便进入加速变形阶段,在雨季结束后形变速率明显加大,两者的形变与降雨呈现一定的滞后关系,应对粘岩滑坡持续关注。

(4)提高对比InSAR与GNSS 结果可知,将InSAR技术运用于研究区结果是可行的、准确的。未来研究区的InSAR识别滑坡灾害工作可以通过延长SAR影像时间跨度、减少影像时间间隔、优化软件参数、同时选用升、降轨SAR影像等方式提高识别效果。研究结果及将进一步指导思南县开展的1∶10 000地质灾害精细化调查示范项目的地面调查工作,“形变-地貌-地物”三位一体的滑坡隐患识别体系对喀斯特地貌区的滑坡识别工作提供了一定参考和科学依据。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Yue X, Wu S, Huang M, et al. Spatial association between landslides and environmental factors over Guizhou Karst Plateau, China[J]. Journal of Mountain Science, 2018, 15(9): 1987-2000.

[2]	Moreira A, Prats-Iraola P, Younis M, et al. A tutorial on synthetic aperture radar[J]. IEEE Geoscience and Remote Sensing Magazine, 2013, 1(1): 6-43.

[3]	Huang M, Qi S, Shang G. Karst landslides hazard during 1940—2002 in the mountainous region of Guizhou Province, Southwest China[J]. Natural Hazards, 2012, 60: 781-784.

[4]	Qu T, Lu P, Liu C, et al. Application of time series InSAR technique for deformation monitoring of large-scale landslides in mountainous areas of western China[J]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2016, 41: 89-91.

[5]	Yao J, Wang T, Yao X. Spatial-temporal evolution of landslides spanning the impoundment of Baihetan mega hydropower project revealed by satellite radar interferometry[J]. Remote Sensing of Environment, 2025, 321: 114668.

[6]	Jiang Y, Xu Q, Lu Z. Landslide displacement monitoring by time series InSAR combining PS and DS targets[C]// IGARSS 2020—2020 IEEE International Geoscience and Remote Sensing Symposium. New York: IEEE, 2020: 1011-1014.

[7]	Zheng Z, Yu S, Xie C, et al. Monitoring based on InSAR for the Xinmo Village Landslide in Western Sichuan, China[J]. Photogrammetric Engineering & Remote Sensing, 2024, 90(4): 243-249.

[8]	Liang J, Dong J, Zhang S, et al. Discussion on InSAR identification effectivity of potential landslides and factors that influence the effectivity[J]. Remote Sensing, 2022, 14(8): 1952.

[9]	Zhang L, Dai K, Deng J, et al. Identifying potential landslides by stacking-InSAR in southwestern China and its performance comparison with SBAS-InSAR[J]. Remote Sensing, 2021, 13(18): 3662.

[10]	Qu T, Lu P, Liu C, et al. Application of time series InSAR technique for deformation monitoring of large-scale landslides in mountainous areas of western China[J]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2016, 41: 89-91.

[11]	Li Y, Feng X, Li Y, et al. Detection and analysis of potential landslides based on SBAS-InSAR technology in alpine canyon region[J]. Environmental Science and Pollution Research, 2024, 31(4): 6492-6510.

[12]	Berardino P, Fornaro G, Lanari R, et al. A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(11): 2375-2383.

[13]	朱建军, 李志伟, 胡俊. InSAR变形监测方法与研究进展[J]. 测绘学报, 2017, 46(10): 1717-1733.

[14]	Zhu Jianjun, Li Zhiwei, Hu Jun. Research progress and methods of InSAR for deformation monitoring[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1717-1733.

[15]	黄艳琴, 李为乐, 许洲, 等. 国道 213 汶川—松潘段滑坡隐患遥感识别与易发性评价[J]. 中国地质调查, 2022, 9(4): 121-133.

[16]	Huang Yanqin, Li Weile, Xu Zhou, et al. Remote sensing identification and susceptibility evaluation of landslide hazards in Wenchuan-Songpan section of National Highway 213[J]. Geological Survey of China, 2022, 9(4): 121-133.

[17]	付豪, 李为乐, 陆会燕, 等. 基于“三查”体系的丹巴县滑坡隐患早期识别与监测[J]. 武汉大学学报(信息科学版), 2024, 49(5): 734-746.

[18]	Fu Hao, Li Weile, Lu Huiyan, et al. Early detection and monitoring of potential landslides in danba county based on the space-air-ground investigation system[J]. Geomatics and Information Science of Wuhan University, 2024, 49(5): 734-746.

[19]	郭芳芳, 杨农, 孟晖, 等. 地形起伏度和坡度分析在区域滑坡灾害评价中的应用[J]. 中国地质, 2008, 35(1): 131-143.

[20]	Guo Fangfang, Yang Nong, Meng Hui, et al. Application of the relief amplitude and slope analysis to regional landslide hazard assessments[J]. Geology in China, 2008, 35(1): 131-143.

[21]	郭果, 陈筠, 李明惠, 等. 土质滑坡发育概率与坡度间关系研究[J]. 工程地质学报, 2013, 21(4): 607-612.

[22]	Guo Guo, Chen Jun, Li Minghui, et al. Statistic relationship between slope gradient and landslide probability in soil slopes around reservoir[J]. Journal of Engineering Geology, 2013, 21(4): 607-612.

[23]	Liu C, Li W, Wu H, et al. Susceptibility evaluation and mapping of China’s landslides based on multi-source data[J]. Natural Hazards, 2013, 69: 1477-1495.

[24]	樊晓一, 乔建平. “坡” “场” 因素对大型滑坡运动特征的影响[J]. 岩石力学与工程学报, 2010, 29(11): 2337-2347.

[25]	Fan Xiaoyi, Qiao Jianping. Influence of landslide and ground factors on large-scale landslide movement[J]. Chinese Journal of Rock Mechanics and Engineering, 2010, 29(11): 2337-2347.

[26]	王朝阳, 陈吉普. 坡向与斜坡稳定性的关系研究[J]. 企业技术开发, 2007, 26(12): 12-14.

[27]	Wang Zhaoyang, Chen Jipu. Study on the relationship between aspect and slope stability[J]. Technological Development of Enterprise, 2007, 26(12): 12-14.

[28]	刘山东, 李军, 江兴元, 等. 基于数学统计与机器学习模型耦合的滑坡易发性评价方法优化[J]. 科学技术与工程, 2025, 25(5): 1827-1839.

[29]	Liu Shandong, Li Jun, Jiang Xingyuan, et al. Optimization of landslide susceptibility assessment method coupling mathematical statistics and machine learning mmodels[J]. Science Technology and Engineering, 2025, 25(5): 1827-1839.

[30]	李军, 周成虎. 基于栅格GIS滑坡风险评价方法中格网大小选取分析[J]. 遥感学报, 2003, 7(2): 86-92, 161.

[31]	Li Jun, Zhou Chenghu. Appropriate grid size for terrain based landslide risk assessment in Lantau island, Hong Kong[J]. Journal of Remote Sensing, 2003, 7(2): 86-92, 161.

[32]	郭飞, 赖鹏, 黄发明, 等. 基于知识图谱的滑坡易发性评价文献综述及研究进展[J]. 地球科学, 2024, 49(5): 1584-1606.

[33]	Guo Fei, Lai Peng, Huang Faming, et al. Literature review and research progress of landslide susceptibility mapping based on knowledge graph[J]. Earth Science, 2024, 49(5): 1584-1606.

[34]	Li G, Hu B, Li H, et al. Early identifying and monitoring landslides in guizhou province with insar and optical remote sensing[J]. Journal of Sensors, 2021(1): 6616745.

[35]	Dai K, Deng J, Xu Q, et al. Interpretation and sensitivity analysis of the InSAR line of sight displacements in landslide measurements[J]. GIScience & Remote Sensing, 2022, 59(1): 1226-1242.

基金资助

贵州省科技计划基础研究项目(黔科合基础-ZD[2025]007)

贵州省科技成果转化联合基金(黔科合成果-LH[2024]重大025)

PDF (32568KB)

访问

被引

详细

导航

Received	Published	Revised
2025-03-30	2026-03-08	2025-12-10
Online Date
2026-05-28

摘要