基于SBAS-InSAR技术的川藏铁路澜沧江段滑坡隐患早期识别

doi:10.19657/j.geoscience.1000-8527.2021.005

现代地质 ›› 2021, Vol. 35 ›› Issue (01): 64-73.DOI: 10.19657/j.geoscience.1000-8527.2021.005

基于SBAS-InSAR技术的川藏铁路澜沧江段滑坡隐患早期识别

张佳佳¹^,²^,³(), 高波¹^,², 刘建康⁴, 陈龙¹^,², 黄海¹^,², 李杰⁵

1. 中国地质科学院探矿工艺研究所,四川成都 611734
2. 中国地质调查局地质灾害防治技术中心,四川成都 611734
3. 成都理工大学地球科学学院,四川成都 610059
4. 西华大学应急学院,四川成都 610039
5. 环球星云遥感科技有限公司,浙江湖州 313200

收稿日期:2020-10-20 修回日期:2020-12-10 出版日期:2021-02-12 发布日期:2021-03-12
作者简介:张佳佳,男,工程师,博士研究生,1988年出生,构造地质学专业,主要从事活动构造与地质灾害相关性研究。Email: jimjia2008@163.com。
基金资助:
中国地质调查局地质调查项目(DD20190644);自然资源部深地动力学重点实验室自主(开放研究课题J1901);“第二次青藏高原综合科学考察研究”项目(2019QZKK0902)

Early Landslide Detection in the Lancangjiang Region Along the Sichuan-Tibet Railway Based on SBAS-InSAR Technology

ZHANG Jiajia¹^,²^,³(), GAO Bo¹^,², LIU Jiankang⁴, CHEN Long¹^,², HUANG Hai¹^,², LI Jie⁵

1. Institute of Exploration Technology, Chinese Academy of Geological Sciences, Chengdu, Sichuan 611734, China
2. Technical Center for Geological Hazard Prevention and Control, CGS, Chengdu, Sichuan 611734, China
3. School of Earth Science, Chengdu University of Technology, Chengdu, Sichuan 610059, China
4. School of Emergency Science, Xihua University, Chengdu, Sichuan 610039, China
5. Earthstar Remote Sensing Technology Co.,LTD.,Huzhou, Zhejiang 313200, China

Received:2020-10-20 Revised:2020-12-10 Online:2021-02-12 Published:2021-03-12

摘要/Abstract

摘要：

早期识别是实现地质灾害防灾减灾的有效途径之一,然而复杂地形区滑坡的早期识别一直是个难题,尤其是位于高山峡谷区的滑坡隐患点。为了全面准确地获取川藏铁路澜沧江段的滑坡隐患,采用SBAS-InSAR技术,通过Sentinel-1(升轨)和RADARSAT-2(降轨)数据结合互补的方式,对川藏铁路澜沧江段进行滑坡隐患早期识别。解译结果显示2018年8月至2020年2月研究区LOS向的形变速率分别为-58~21 mm/a(升轨)和-42~16 mm/a(降轨),转换后的斜坡向最大平均速率达到-128 mm/a。基于升降轨数据的斜坡向形变结果,识别出川藏铁路澜沧江段的113处滑坡隐患点,其中存在4处滑坡隐患密集区以及13处典型滑坡隐患点,进一步分析了两处重点滑坡隐患的形变特征和滑移机制。本次研究结果对于川藏铁路线路选定以及澜沧江大桥上、下游的防灾减灾具有一定指导作用,不同轨道数据结合互补的方式为川藏铁路沿线的高山峡谷地区的滑坡隐患早期识别提供参考。

关键词: 滑坡, 早期识别, SBAS-InSAR, 川藏铁路, 澜沧江

Abstract:

Early detection is a key to prevent and reduce geo-hazards. However, it is always problematic in complex topographic region, especially in alpine-valley region.Based on the Sentinel-1(ascending) and RADARSAT-2(descending) radar satellite data obtained from August 2018 to February 2020, quantitative detection and analysis of the potential surface deformation of landslides in the 80 km upstream and downstream of the Lancangjiang region along the Sichuan-Tibet railway was carried out by using the small baseline subsets in terferometric synthetic aperture radar(SBAS-InSAR). The results show that deformation rate in the LOS direction for the study period are from -58 to 21 mm/a (ascending) and from -42 to 16 mm/a (descending), respectively, and the maximum average deformation rate in the slope direction is -128 mm/a.Based on the deformation result in the slope direction, 113 potential landslides are detected,which are clustered in four regions. Besides, 13 landslides have significant deformation in the 113 potential landslides, deformation characteristics and slipping mechanism of the two critical landslide hazards were further analyzed. The results provide a reference for the route selection of Sichuan-Tibet railway,and for the geohazard prevention in the upstream/downstream of the Lancangjiang bridge. The technique of combining descending and ascending radar data can provide reference for early landslide detection in other alpine-valley regions along the Sichuan-Tibet railway.

Key words: landslide, early detection, SBAS-InSAR, Sichuan-Tibet railway, Lancangjiang region

中图分类号:

P642

张佳佳, 高波, 刘建康, 陈龙, 黄海, 李杰. 基于SBAS-InSAR技术的川藏铁路澜沧江段滑坡隐患早期识别[J]. 现代地质, 2021, 35(01): 64-73.

ZHANG Jiajia, GAO Bo, LIU Jiankang, CHEN Long, HUANG Hai, LI Jie. Early Landslide Detection in the Lancangjiang Region Along the Sichuan-Tibet Railway Based on SBAS-InSAR Technology[J]. Geoscience, 2021, 35(01): 64-73.

图/表 10

图1 研究区地理位置及SAR数据覆盖情况

Fig.1 Location of the study area and SAR data coverage

表1 卫星SAR影像数据基本参数信息

Table 1 Basic parameters of the satellite SAR image datasets

参数	SAR传感器
参数	RADARSAT-2	Sentinel-1
轨道方向	降轨	升轨
所处波段	C	C
雷达波长/cm	5.6	5.6
空间分辨率/m	5	5×20
重访周期/天	24	12
入射角/ (°)	35.6	33.9
影像时间	201808—202002	201808—202002
影像数量/景	10	45

图2 雷达影像干涉对时间空间基线图

Fig.2 Temporal and perpendicular baselines for interferograms of RADARSAT-2 and Sentinel-1

图3 雷达卫星、斜坡几何关系示意图(修改自文献[21])

Fig.3 Geometric sketches of radar satellite and slope (modified after reference[21])

图4 川藏铁路澜沧江段LOS向形变速率

Fig.4 Deformation rate results in LOS direction along the Lancangjiang region

图5 川藏铁路澜沧江段斜坡向形变速率

Fig.5 Deformation rate results in slope direction along the Langcangjiang region

图6 澜沧江解译滑坡隐患点分布特征

Fig.6 Distribution of interpreted landslides along the Lancangjiang region

表2 澜沧江典型滑坡隐患点早期识别结果

Table 2 Early detection result of typical landslides along the Lancangjiang region

编号	隐患点名称	经纬度	变形范围/m²	平均形变速率/(mm/a)	最大形变速率/(mm/a)	威胁对象
1	帮扎卡	97°10'1.6″E,31°30'55″N	300×400	19	35	村庄
2	桑多村	97°08'13″E,31°18'48″N	500×280	24	42	村庄
3	达若村	97°09'25″E,31°15'59″N	600×500	31	54	村庄和澜沧江
4	达东村	96°53'30″E,31°21'03″N	3 000×1 200	17	66	村庄和澜沧江
5	学土村	96°55'52″E,31°17'51″N	900×400	32	85	村庄
6	巴仲	97°33'24″E,30°33'06″N	1 000×900	42	74	澜沧江
7	如给村	97°21'25″E,30°46'04″N	900×900	18	27	村庄和澜沧江
8	巴仲	97°32'57″E,30°32'48″N	500×500	24	49	澜沧江
9	约达村	96°57'34″E,31°16'19″N	1 600×500	53	128	村庄和澜沧江
10	隅细	97°21'13″E,30°48'10″N	600×500	17	30	村庄和澜沧江
11	瓦巴村	97°32'49″E,30°36'30″N	1 100×900	18	29	澜沧江
12	肯达	97°34'50″E,30°36'49″N	1 800×800	26	46	澜沧江
13	居雪村	97°35'29″E,30°32'60″N	700×700	35	94	村庄和澜沧江

图7 约达村滑坡隐患点早期识别结果

Fig.7 Early detection results of the Yueda landslide

图8 居雪村滑坡隐患点早期识别结果

Fig.8 Early detection results of the Juxue landslide

参考文献 22

[1]	BÜRGMANN R, ROSENP A, FIELDINGE J. Synthetic aperture radar interferometry to measure Earth’s surface topography and its deformation[J]. Annual Review of Earth and Planetary Sciences, 2000,28(1):169-209.
[2]	ROTTH, NAGLER T. The contribution of radar interferometry to the assessment of landslide hazards[J]. Advances in Space Research, 2006,37:710-719.
[3]	BERARDINO P, FORNARO G, LANARI R, et al. A new algorithm for surface deformation monitoring based on small baseline dierential SAR interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002,40:2375-2383.
[4]	LANARI R, MORA O, MANUNTA M, et al. A small-baseline approach for investigating deformations on full-resolution diferential SAR interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004,42:1377-1386.
[5]	廖明生, 王腾. 时间序列InSAR技术与应用[M]. 北京: 科学出版社, 2014.
[6]	史绪国. 基于星载雷达遥感的滑坡表面形变监测方法与应用[M]. 武汉: 武汉大学, 2016.
[7]	ALTAMIRA Tre. Data in focus: precursor of Maoxian landslide measured from space[EB/OL]. http://tre-altamira.com/news/datafocus-precursor-maoxian-landslide-measured-space/.[2017-06-29].
[8]	张路, 廖明生, 董杰, 等. 基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别:以四川丹巴为例[J]. 武汉大学学报(信息科学版), 2018,43(12):2039-2049. doi: 10.13203/j.whugis20180181.
[9]	陆会燕, 李为乐, 许强, 等. 光学遥感与InSAR结合的金沙江白格滑坡上下游滑坡隐患早期识别[J]. 武汉大学学报(信息科学版), 2019,44(9):1342-1354.
[10]	刘筱怡, 杨志华, 郭长宝, 等. 基于SBAS-InSAR的鲜水河断裂带蠕滑型滑坡特征研究[J]. 现代地质, 2017,31(5):965-977.
[11]	聂兵其. 基于InSAR的滑坡形变探测及隐患识别研究——以丹巴县城区为例[D]. 成都:成都理工大学, 2018.
[12]	赵富萌, 张毅, 孟兴民, 等. 基于小基线集雷达干涉测量的中巴公路盖孜河谷地质灾害早期识别[J]. 水文地质工程地质, 2020,47(1):142-152. doi: 10.16030/j.cnki.Issn.1000-3665.
[13]	张永双, 刘筱怡, 姚鑫. 基于InSAR技术的古滑坡复活早期识别方法研究——以大渡河流域为例[J]. 水利学报, 2020,51(5):545-555. doi: 10.13243/j.cnki.slxb.20200034.
[14]	李振洪, 宋闯, 余琛, 等. 卫星雷达遥感在滑坡灾害探测和监测中的应用: 挑战与对策[J]. 武汉大学学报(信息科学版), 2019,44(7):967-979. doi: 10.13203/j.whugis20190098.
[15]	戴可人, 铁永波, 许强, 等. 高山峡谷区滑坡灾害隐患InSAR早期识别——以雅砻江中段为例[J]. 雷达学报, 2020,9(3):554-568. doi: 10.12000/JR20012.
[16]	彭勇民. 昌都地区三叠纪层序地层与沉积盆地演化[D]. 成都: 成都理工学院, 1999.
[17]	HOOPER A, BEKAERT D, SPAANS K, et al. Recent advances in SAR interferometry time series analysis for measuring crustal deformation[J]. Tectonophysics, 2012,514/517:1-13. doi: 10.1016/j.tecto.2011.10.013.
[18]	LANARI R, CASU F, MANZO M, et al. Application of the SBAS-DInSAR technique to fault creep: A case study of the Hayward fault,California[J]. Remote Sensing of Environment, 2007,109(1):20-28.
[19]	许军强, 马涛, 卢意恺, 等. 基于SBAS-InSAR技术的豫北平原地面沉降监测[J]. 吉林大学学报(地球科学版), 2019,49(4):1182-1191.
[20]	SCHLÖGELR, DOUBREC, MALETJ P, et al. Landslide deformation monitoring with Alos/Palsarimagery:A D-Insargeomorphological interpretation method[J]. Geomorphology , 2015,231:314-330.
[21]	CASCINI L, FORNARO G, PEDUTO D. Advanced low-and full-resolution D-InSAR map generation for slow-moving landslide analysis at different scales[J]. Engineering Geology, 2010,112(1/2/3/4):29-42.
[22]	ZHANG Y, MENG X M, JORDAN C, et al. Investigating slow-moving landslides in the Zhouqu region of China using InSAR time series[J]. Landslides, 2018,15(7) : 1299-1315.

基于SBAS-InSAR技术的川藏铁路澜沧江段滑坡隐患早期识别

Early Landslide Detection in the Lancangjiang Region Along the Sichuan-Tibet Railway Based on SBAS-InSAR Technology

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 22

相关文章 15

编辑推荐

Metrics

本文评价

[1]	杨校辉, 朱鹏, 袁中夏, 张卫雄, 丁保艳. 甘肃舟曲牙豁口多级滑坡变形特征及复活机理[J]. 现代地质, 2023, 37(04): 1004-1012.
[2]	周洪福, 方甜, 夏晨皓, 冉涛, 徐如阁, 张景华. 工程扰动诱发川西杜米滑坡复活变形特征及机理分析[J]. 现代地质, 2023, 37(04): 1044-1053.
[3]	田社权. 遥感综合地质解译方法在中尼铁路勘察中的应用研究[J]. 现代地质, 2023, 37(04): 1054-1064.
[4]	曾帅, 马志刚, 赵聪, 杨磊, 张肃, 董继红, 梁京涛, 鄢圣武. 青藏高原东部大渡河流域太平桥乡古滑坡群复活特征多源遥感识别[J]. 现代地质, 2023, 37(04): 994-1003.
[5]	马俊学, 陈剑, 崔之久, 刘蓓蓓. 基于HEC-RAS及GIS的川西叠溪古滑坡堰塞湖溃决洪水重建[J]. 现代地质, 2022, 36(02): 610-623.
[6]	韩帅, 孙萍, 李荣建, 张瑾, 李晓斌, 祝恩珍. 甘肃天水地区强降雨诱发黄土-泥岩滑坡机理实验研究[J]. 现代地质, 2021, 35(03): 720-731.
[7]	王浩杰, 孙萍, 韩帅, 张帅, 李晓斌, 王涛, 辛鹏, 郭强. 甘肃通渭“9·14”常河滑坡成因机理[J]. 现代地质, 2021, 35(03): 732-743.
[8]	郭长宝, 吴瑞安, 蒋良文, 钟宁, 王炀, 王栋, 张永双, 杨志华, 孟文, 李雪, 刘贵. 川藏铁路雅安—林芝段典型地质灾害与工程地质问题[J]. 现代地质, 2021, 35(01): 1-17.
[9]	王家柱, 高延超, 冉涛, 铁永波, 张凡. 川藏铁路交通廊道某大型古滑坡成因及失稳模式分析[J]. 现代地质, 2021, 35(01): 18-25.
[10]	闫怡秋, 杨志华, 张绪教, 孟少伟, 郭长宝, 吴瑞安, 张怡颖. 基于加权证据权模型的青藏高原东部巴塘断裂带滑坡易发性评价[J]. 现代地质, 2021, 35(01): 26-37.
[11]	权雪瑞, 黄靥欢, 刘春, 郭长宝. 川藏铁路线V形深切河谷地形地震放大效应数值模拟[J]. 现代地质, 2021, 35(01): 38-46.
[12]	李雪, 郭长宝, 杨志华, 廖维, 吴瑞安, 金继军, 何元宵. 金沙江断裂带雄巴巨型古滑坡发育特征与形成机理[J]. 现代地质, 2021, 35(01): 47-55.
[13]	朱德明, 李鹏岳, 胡孝洪, 吴新明. 金沙江白格滑坡残留体稳定性分析与防治对策[J]. 现代地质, 2021, 35(01): 56-63.
[14]	周杰, 丁明涛, 黄涛, 陈宁生. 基于虚拟现实技术的川藏铁路地质灾害易发区减灾选线优化:以洛隆车站为例[J]. 现代地质, 2021, 35(01): 92-102.
[15]	金继军, 郭长宝, 沈亚麒, 杨志华, 任三绍, 李雪. 四川茂县周场坪滑坡发育特征与变形监测分析[J]. 现代地质, 2021, 35(01): 103-113.