SBAS-InSAR技术在特大型滑坡形变监测中的应用——以西藏自治区庞村滑坡为例

针对西藏庞村滑坡2019年4月发现裂缝并持续增大,对附近村民及基础设施产生严重安全威胁,搜集2018 年 1 月 3 日至 2020年7 月 3 日的 75 景 Sentinel-1A 降轨数据,利用小基线集(small baseline subset-interferometric SAR, SBAS-InSAR)技术获取滑坡在该时间段内的地表形变信息;并在形变量较大区域内选取特征点,对形变量进行分析,最终将InSAR解译结果与地面调查以及GNSS(global navigation satellite system, GNSS)监测站结果进行对比,对解译结果的精度进行验证。结果表明：在所选时间段内,庞村滑坡最大形变速率为-38mm/y;滑坡体的形变存在明显的分界线,可将其分为三个不同的滑动区;2018年12月和2019年10月两个时间点,滑坡形变有明显的加速现象;与地面监测数据的精度验证表明：SBAS-InSAR解译结果与地面监测结果显示的滑坡形变时间和空间特征一致性,验证了利用Sentinel-1A数据采用SBAS-InSAR技术在特大型滑坡监测和治理中的有效性,为滑坡的治理提供了可靠的技术依据。     

联合升降轨时序InSAR的金沙江滑坡群隐患识别

针对单一轨道合成孔径雷达干涉(InSAR)观测结果难以完整识别滑坡隐患的问题，在小基线子集(SBAS)算法基础上引入时间约束因子，结合时空基线组合优化与升降轨联合解算策略，提出了长时序InSAR二维形变提取模型与方法.针对白玉县和贡觉县交界处的金沙江沿线滑坡易发区，采用2018年-2022年的Sentinel-1A升降轨影像数据集开展时序InSAR形变解算，识别得到了金沙江深切峡谷区域的10处滑坡隐患及其空间分布，探明5处特大滑坡隐患(单体超过5 000万m³，最大形变速率超过-70 mm/a)，进一步解算得到了各滑坡点的滑移方向及量值，并结合降水数据总结归纳了滑坡的季节性演化特征与长期发展趋势.相关研究结果可为该区域的地质灾害防治与重大基础设施建设提供重要的参考数据和信息支撑.     

基于时间序列InSAR技术的川东红层滑坡识别及变形规律

针对川东红层滑坡典型易发区域,采用小基线集(SBAS)时间序列的InSAR(interferometry synthetic aperture radar)方法进行了解译,并采用Google Earth可视化展示,有效圈定并复核了潜在隐患区域。提取了采矿引起斜坡失稳及牛马场滑坡的变形位移曲线,揭示了其变形规律。研究结果表明:解译区滑坡基本都发育在形变速率较大的黄色欠稳定和红色不稳定区域,区域形变位移值大小与滑坡发育比例成正比关系,35%的解译面积滑坡发育比率可以达到70%以上。同时通过野外调查发现4个潜在不稳定隐患斜坡,极大地提高了红层滑坡的早期识别能力。InSAR解译显示研究区西北区由采矿引起的斜坡失稳,与干涉图上的条纹位置对应较为一致,形变位移最大能达到视线向20 mm/a;牛马场滑坡范围均为垂直形变速率较大的黄色和红色解译点,变形位移曲线显示滑坡发生前已经处于蠕变变形阶段,累计变形量可以达到500 mm左右。     

利用Sentinel-1A 的时序干涉测量探测蒲县滑坡形变

利用覆盖山西蒲县地区的24景Sentinel-1A升轨影像,分别采用永久散射体雷达差分干涉测量(PS-InSAR)与短基线集雷达干涉(SBAS)技术对研究区域2019-01-2019-12的地表进行时序形变监测,获取蒲县地区疑似滑坡体位置、范围及滑坡速率,并对两种监测结果进行对比,深入分析滑坡隐患的可能性成因.结果 表明,两种时序InSAR技术采集的形变信息大致相同,蒲县大部分地区趋于稳定状态,年平均形变速率在-10 ～10mm/a;其中存在4处位置一致、形变明显的疑似滑坡点,分别是半沟村罗克线两侧、水泉窊015乡道附近、郭家山周边及井子洼村赵克路沿线.     

基于SBAS-InSAR技术钢桁梁结构桥梁形变信息提取与分析

针对传统桥梁监测技术监测时间不连续、只能依靠现有监测数据分析桥梁形变的问题,以南京大胜关长江大桥为研究对象,利用SBAS-InSAR技术获取2018—2019年的桥梁形变结果,以桥梁形变结果中的平均形变速率和LOS向时间序列形变量为输入集,分别构建BP神经网络时间序列模型来预测桥梁的形变量。结果表明：平均形变速率预测模型和LOS向时间序列形变预测模型的预测值与InSAR观测值之间的平均绝对误差分别为1.54、1.28 mm,均方误差分别为1.81、1.34 mm,均方根误差分别为1.81、1.53 mm,表明时间序列形变预测模型的可行性,为未来的桥梁形变预测提供了有力支撑。     

基于时序InSAR的青海同仁市滑坡隐患早期识别与特征解析

选取青海省同仁市作为研究区,以Sentinel-1A卫星升降轨合成孔径雷达(synthetic aperture radar, SAR)数据为主要信息源,利用差分干涉测量短基线集时序分析(small baselines subset InSAR, SBAS-InSAR)技术反演提取区域地表形变信息,结合区内地形地貌、地质构造、气象水文、植被覆盖、历史地灾等背景资料,辅以GF-2光学影像筛选确认,实现了区内滑坡隐患的早期识别,共识别出滑坡隐患19处,其中8处为已知滑坡灾害点,11处为新识别隐患点。对形变反演与隐患识别结果进行了形变速率精度分析与结合几何畸变的差异性分析,评价了形变反演结果的精度与有效性,证明了隐患识别结果的全面与准确性。选取了3处典型滑坡隐患从形变时空分布特征、光学影像特征、实地变形特征等方面进行特征解析,掌握了区内滑坡隐患的孕灾条件及变形趋势。区内隐患坡体不稳定,均呈缓慢变形趋势,尤其是6—8月集中降雨期间,形变呈加速趋势,降雨是该区诱发滑坡灾害的主要因素。     

基于SBAS-InSAR技术的大型滑坡时序微小形变分析及其灾变时间预报

发育于高山峡谷区的大型滑坡往往具有隐蔽性强、突发性高和危害性大的特点,基于传统监测方法的时序形变数据通常非常匮乏,从而给此类滑坡的早期识别和灾变时间预报带来了极大困难。鉴于此,以西藏自治区江达县波罗乡白格滑坡为例,基于23幅C波段Sentinel-1A升轨雷达影像,利用短基线雷达干涉测量技术(SBAS-InSAR)获取了2017年3月18日至2018年10月3日的垂直方向地表时序形变数据,分析了该滑坡的年平均形变速率、累积形变演化以及典型观测点的累积位移变化,然后利用速度倒数模型对其灾变时间进行了预报。结果表明：白格滑坡灾变前具有明显的形变分区,即强烈变形区、次强烈形变区、一般形变区和基本稳定区,其中强烈形变区的垂直方向年平均形变速率为-39～-67 mm/a;白格滑坡的形变模式概括为后缘滑移牵引—前缘阻滑段渐进滑移—中后部整体变形,与此对应形成了牵引区、阻滑区和主滑区,且阻滑区的形变对降雨较敏感;速度倒数模型预报白格滑坡灾变时间滞后于实际灾变时间8 d,预报效果良好。研究结果表明SBAS-InSAR技术在类似大型滑坡灾变前的形变演化特征分析及灾变时间预报中具有广阔的应用前景。     

基于PS InSAR技术的黄土高原地质灾害隐患识别

采用永久散射体(PS)合成孔径雷达干涉测量(InSAR)技术对陕西绥德县城区及周边地区2015年12月-2018年4月共54景Sentinel-1A数据进行处理,获取研究区地表PS时间序列形变信息.根据形变特征将PS点分为随机型、线性蠕动型、突变型,并对每种类型PS点形变规律及其对地质灾害隐患识别的意义进行分析.将研究区地质灾害隐患分为城区沉降、滑坡隐患两类,依据PS点形变特征对两类地质灾害隐患进行识别,共识别出城区沉降区8处,滑坡隐患区39处.利用实地调查的滑坡体及不稳定坡体数据与识别的滑坡隐患区结果进行对比验证,结果显示识别的滑坡隐患区与调查数据具有较好的一致性.证明了InSAR技术在黄土高原地区地质灾害早期识别方面的适用性和准确性,可以应用于黄土高原地区地质灾害隐患识别预警.     

基于时序InSAR技术监测北京平原区地面沉降

选取地面沉降比较严重的北京平原区作为研究区域,利用时序InSAR技术对该区域2003-2010年的52景ENVISAT ASAR数据进行处理,通过小基线对组合、差分干涉处理、高相干点提取、形变相位分离等步骤,最终反演出北京地区2003-2010年的时间序列累积沉降量和平均形变速率.研究结果表明,沉降地区主要分布在朝阳、通州、昌平和顺义地区,其中朝阳-通州区域沉降最为严重,年最大沉降量超过了110mm/y,与该区域过度开采地下水有关.将监测结果与现有研究成果和实测水准数据进行对比,发现三者具有较高的一致性,表明时序InSAR技术监测地区沉降具有可靠性和准确性.     

多源遥感揭示白鹤滩库区五里坡滑坡蓄水期形变演化与复活机制

为揭示水电站蓄水期库岸滑坡形变演变趋势及复活机制，基于白鹤滩库区五里坡滑坡2021年1月—2022年8月共73景Sentinel-1影像，采用SBAS-InSAR技术提取蓄水期二维形变，并使用无人机航测技术对滑坡及次生灾害痕迹进行调查，此外利用GNSS位移实测数据对InSAR形变结果进行对比与补充，综合3种技术结果与库区水位实测数据、地质资料对五里坡滑坡进行精细化分析.结果表明：（1）五里坡滑坡形变与库区蓄水存在强相关性.在蓄水前无明显形变而在蓄水后一个月便发生可见形变，随着水位上涨，坡度方向InSAR形变速率最高达到-153 mm/a，雷达视线方向InSAR最大累积形变量达到121 mm，并表现为由下部形变逐渐带动上部形变的牵引式滑坡特征.结合水位实测数据与GNSS位移监测数据发现滑坡形变与蓄水期水位变化吻合度较高.（2）现场地质调查表明五里坡滑坡为上硬下软的反倾岩质边坡，且坡面岩体风化强烈，下部岩体容易受到库水作用软化发生压缩变形进而导致坡体沿风化层发生牵引式滑动.研究结果可为库岸滑坡蓄水期监测和防治提供科学依据.     

基于ARIMA模型的滑坡位移预测

利用斜坡累积变形—时间曲线的建模分析,可以获知当前滑坡的变形发育阶段、预测滑坡未来发展趋势,是滑坡灾害预警预报的基础.滑坡累积位移是关于时间的变量,往往具有非平稳性,通过差分得到平稳的时间序列过程,建立差分自回归移动平均模型(ARIMA模型).以三峡库区某滑坡为研究对象,对累积位移采取等时距差值处理后,建立了适用于该滑坡的ARIMA时间序列模型对滑坡累积位移进行分析预测.通过比较2014年1月至5月该斜坡位移的实测值与预测值,得平均预测误差为3.2%,结果表明,所建立模型能满足预测要求,计算过程容易实现,在滑坡累积位移短期预测中具有一定的适用性.     

基于SBAS-INSAR技术的滑坡变形监测

针对传统滑坡监测方法效率低的问题,以祁连县牛心山2018年1月07日-2019年9月23日Sentinel-1数据为数据源,利用SBAS-INSAR技术进行数据处理,形成滑坡的累积形变量图、形变时间序列折线图,建立监测成果数据库.研究结果表明,SBAS-INSAR技术可以应用于滑坡的变形监测,且非常高效.     

基于多时相InSAR技术的大渡河瀑布沟水电站形变监测与预测

形变监测与预测是对水电站异常情况进行预警和及时采取补救措施的关键。提出了一种长短期记忆(LSTM, long short-term memory)神经网络方法来预测大渡河流域瀑布沟水电站干涉合成孔径雷达(InSAR, interferometric synthetic aperture radar)的时间序列形变。该方法首先利用多时相干涉合成孔径雷达(MT-InSAR, multi-temporal interferometric synthetic aperture radar)技术对2018—2020年瀑布沟水电站的哨兵一号(Sentinel-1)图像进行时间序列形变监测,然后基于时间序列InSAR形变数据采用LSTM神经网络建立了形变预测模型,最终获取瀑布沟水电站的形变速率结果和时序形变的预测结果。结果表明,瀑布沟水电站最大沉降速率达到-34 mm/a, LSTM预测模型训练和测试过程中点尺度的均方根误差(root mean squared error, RMSE)和绝对误差平均值(mean absolute error, MAE)最小值分别为2.343 mm和2.010 mm,...     

基于升降轨InSAR矿区地表二维形变的获取

结合矿区地形实际,在构建地表坡面空间坐标系的基础上,研究了雷达视线方向(LOS)形变与垂直方向形变及沿坡向形变的关系,利用升、降轨道合成孔径雷达干涉测量技术,获取了地表在坡面空间坐标下垂向与坡向的二维形变结果.以窑街矿区为例,采用Sentinel-1 A升、降轨数据基于小基线集方法分别提取升、降轨道LOS方向形变的结果...     

基于小基线集干涉测量的天津地区地表沉降时空分析

基于覆盖天津地区2017—2019年的30景Sentinel-1A影像数据,采用小基线集合成孔径雷达干涉测量(small baseline subset interferometric synthetic aperture radar,SBAS-InSAR)方法对研究区域进行地表沉降监测,获取了天津地区的年平均沉降速率和累积沉降,并与水准数据进行比对,最后分析了该地区的沉降时空特征。结果表明:2017—2019年大部分区域地表形变速率为-15.8～4.1 mm/a,最大沉降速率超过-130 mm/a,最大沉降中心位于天津市西青区王庆坨镇;基于SBAS-InSAR获取的沉降结果与水准测量结果比对,其精度达到2.96 mm;地表沉降受地下水开采、城市基础建设的发展以及工业用地量、人为活动等方面因素影响明显。     

基于SBAS-InSAR和BP算法的大理市地面沉降监测及预测

针对传统差分合成孔径雷达干涉测量(differential interferometric synthetic aperture radar, D-InSAR)存在时空失相干、大气延迟的问题，选择小基线集合成孔径雷达干涉(small baseline subset interferometric synthetic aperture radar, SBAS-InSAR)技术获取高精度地表沉降信息。为了更快了解未来城市地表沉降趋势，提出一种基于SBAS-InSAR和BP神经网络算法的城市地表沉降监测及预测模型。利用SBAS-InSAR技术获取大理市2020年5月1日至2021年12月22日时间序列累计最大沉降速率，其沉降速率范围为-52.627～47.543 mm/a;选取研究区5个沉降较为严重的区域分析沉降原因；最后随机选取B沉降区内1 000个沉降点，其中300个作为学习训练样本，700个进行测试和预测分析，预测结果与监测结果相吻合，其平均绝对误差为0.255 mm,均方误差为0.129 mm。实验结果表明，提出的结合SBAS-InSAR和BP算法模型，能够有效对城市地表沉降进行监测...     

基于SBAS-InSAR技术的木场古滑坡变形特征分析

滑坡灾害严重威胁着人们的生命财产安全,对滑坡开展监测工作对防灾减灾具有重要意义。获取覆盖木场古滑坡的58景Sentinel-1降轨数据,基于短基线子集干涉测量（small baseline subset interferometric synthetic aperture radar,SBAS-InSAR）技术对木场古滑坡进行形变监测,结合木场古滑坡的地质特征分析了滑坡时序变形趋势。结果表明：木场古滑坡体形变速率结果整体为负值,且中下部变形速率较大;监测期间次级滑坡H1、H2和H3区域变形最为严重,监测点在时间维度上的变形趋势基本一致,总体呈下滑趋势,表明木场古滑坡体处于持续发展阶段,尤其是次级滑坡H1、H2和H3发育尤为强烈;结合现场变形迹象验证了SBAS形变监测的准确性。促进InSAR技术在滑坡中的应用,以期为滑坡防灾减灾工作提供科学依据。     

采空区无人机影像地表裂缝活动特征研究

地表裂缝是一种典型地质灾害。以龙首矿西二采区为研究区,利用2020年8月和2021年6月两期沉降区的无人机正射影像,通过图像增强和多尺度分割处理得到用于分类的多边形对象,结合地表裂缝的光谱特征和形状特征构建模糊规则集,实现对地表裂缝的提取;选取覆盖该区域2020年8月19日-2021年6月27日52景Sentinel-1A升降轨影像,采用小基线集(SBAS)技术,获取地表二维形变信息,并采用经验贝叶斯克里金法(EBK)和径向基函数法(RBF)对形变数据进行空间加密;将获取的裂缝分布信息和加密后的地表形变信息叠加,结合采空区、塌陷坑等从垂直向和水平向上揭示研究期间矿区地表裂缝的形变特征和分布变化规律。研究表明：(1)不同裂缝群距离采空区越近,垂直向和水平向形变速率越大,裂缝群整体向采空区侧偏移;(2)采空区周围的地表裂缝群主要受垂直向不均匀形变的影响,采空区上方的地表裂缝群主要受水平不均匀形变影响;(3)受周围塌陷坑的影响,地表裂缝群两侧会产生形变速率差异,且靠近塌陷坑的一侧形变较大,导致新裂缝的产生和裂缝群的规模扩大。     

利用时序InSAR技术监测兰州市主城区地表形变

城市地表形变是城市发展进程中的阻碍因素,为监测城市地表形变,利用46景Sentinel-1A影像,通过短基线集干涉测量技术(SBAS-InSAR)对兰州市主城区进行监测,SBAS-InSAR技术是在传统的D-InSAR技术上发展起来的时序InSAR技术,可以监测长时间序列上高精度的地表形变结果。实验获得了2017年1月到2018年8月间的地表形变信息,结果表明兰州市区存在大范围的地表沉降,最大年平均沉降速率达到104.2mm/a,累积沉降量达到174.4mm,并对兰州市区内沉降区域分布范围和发展趋势做了总结。城区北部的沉降区域主要分布在新开发的居民区周围,形成了四大沉降中心区域,城区南部沉降最为严重的是七里河区,有多个区域的年平均沉降速率达20mm/a以上。     

基于LSO-RF模型的阶跃型滑坡位移速率预测方法

针对阶跃型滑坡在预测其位移速率时存在精度不高的问题，以泉州市安溪县尧山村阶跃型滑坡为例开展相应研究.首先，基于斯皮尔曼相关系数和灰色关联度综合分析，选取预测模型的输入特征；其次搭建结合扩展窗口法的狮群优化(LSO)-随机森林(RF)模型，提出一种适用于阶跃型滑坡位移速率预测的新方法.结果表明：综合斯皮尔曼相关系数和灰色关联度结果的特征选择方法，能弥补各自的局限性，选出最适合预测模型的输入特征组合；经过对比分析，LSO-RF模型预测阶跃型滑坡位移速率精度较高，能解决常见模型在预测阶跃型滑坡位移速率上的不足，可为阶跃型滑坡位移速率的预测提供参考.