2021, Vol. 41
2. 广西空间信息与测绘重点实验室
合成孔径雷达干涉(interferometric synthetic aperture radar, InSAR)测量技术因具有能够全天时、全天候工作、以cm量级甚至更小尺度精确获得地表形变等优势，而被用于滑坡隐患的早期识别与形变监测中[1,2]。在此基础上发展的永久散射体(permanent scatters InSAR, PS-InSAR)测量技术和小基线集(small baseline subset InSAR, SBAS-InSAR)测量技术能有效克服传统D-InSAR技术时空去相关的影响，已被广泛应用于大面积、连续性的滑坡监测[3,4,5]。
本文以西藏自治区江达县波罗乡白格滑坡点为研究区，以2015～2019年12景ALOS-2 PALSAR2影像和2018～2019年38景Sentinel-1A影像为主要数据源，结合90 m分辨率的SRTM3 DEM,经PS-InSAR和SBAS-InSAR技术处理后获取白格滑坡的形变信息，分析并验证这2种监测技术在滑坡形变监测应用中的有效性。
1 研究区及数据简介 1.1 研究区概况研究区白格滑坡位于西藏江达县白格村区域的金沙江岸，是一个地质活动频繁、山体结构相对破碎的地带，其地理位置为98°42′15.21″E、31°4′56.26″N(图1中黄色点处)。白格滑坡地处青藏高原东部，横断山脉北部，位于芒康山与沙鲁里山之间的金沙江河谷地带，坡体最高处海拔达到3 719 m。区域地质调查资料显示，白格滑坡位于金沙江构造结合带，主要由构造混杂体组成。由于地质活动较多，容易受到降雨的影响，而该地区多年年平均降雨量达660 mm, 时间集中在6～9月[6]。
1.2 数据源本文围绕白格滑坡点建立研究区，选取12景L波段ALOS-2 PALSAR2影像和38景C波段Sentinel-1A影像作为实验数据。表1为2种数据的具体参数，2种影像数据范围如图1所示。
|
表 1 SAR影像参数 |
|
图 1 SAR数据成像范围 |
本研究下载的90 m分辨率DEM是由美国太空总署(NASA)和国防部国家测绘局(NIMA)联合测量的SRTM数据，SRTM数据包括2种类型：一种是SRTM1,分辨率为30 m; 另一种则是本文所使用的SRTM3,分辨率为90 m。
2 数据处理流程及结果雷达干涉的模式包括重复轨道干涉法、交叉轨道法和沿轨道干涉法3种，其中最常用的是重复轨道干涉法，其干涉相位表达式为[7]:
式中，φfla为平地相位，φtop为地形造成的相位误差，φdef为地表形变引起的相位，φnoi为观测噪声引起的相位，φatm为大气延迟误差。由于噪声相位的随机性，采用低通相位滤波方法可以去除噪声相位。同时，大气延迟相位具有较高的地形空间相关性，在相位模型中呈现低频信息，因此，该相位的高通滤波可以减弱大气相位效应。图2为本文基于SBAS/PS-InSAR的技术方案。
|
图 2 技术方案 |
PS-InSAR技术由Ferretti等[8]首次提出，该技术利用长期保持稳定反射特性的永久散射体降低数据时空相干性，纠正大气效应。其主要用于分析点目标、结果与点目标线性形变的相关性，因此需要干涉条件和辐射条件比较稳定的区域的影像数据才能保证结果质量。数据处理过程主要为：先选取1景影像为主影像，其余为辅影像，设置500%的基线阈值，生成11个数据对(ALOS-2)和37个数据对(Sentinel-1A),得到的空间基线如图3所示。
|
图 3 PS-InSAR时空基线分布 |
然后根据数据对的连接关系对所有的影像进行干涉生成。在候选PS点的时候利用振幅离差法设置的阈值0.75进行稳定目标点的选择。利用第1次模型的反演获得残余地形和位移速率，该模型为线性模型，可简洁地表达为：
式中，Disp为t时间的形变，V为形变速率。经高低通滤波去除大气相位后，通过时序分析便得到PS点在时间序列上的形变信息。
2.2 SBAS-InSAR技术处理流程及结果SBAS-InSAR技术是由Berardino等[9]提出的一种时间序列分析方法，主要用于分析分布式目标，得到一个空间上连续的面结果。首先通过选取1景主影像(ALOS-2为2017-11-27,Sentinel-1A为2018-08-04)生成43对ALOS-2和153对Sentinel-1A干涉像对；然后通过手动选取GCP点对所有数据进行去平处理。为了估算和去除干涉处理中解缠后的相位图中依然存在的恒定相位，点对应尽量选择在地形平坦、没有形变条纹的区域，因为控制点是被认为形变为0的点；最后设置相关系数阈值和第2次解缠相干系数阈值为0.2,采用矩阵奇异值分解方法(SVD)进行第1次估算形变速率和残余地形。图4为1对像对在第2次解缠后的结果，其中红圈为滑坡形变区域。
|
图 4 Sentinel-1A像对(20180313/20180205) 第2次相位解缠 |
设置相关系数阈值为0.2、时间域高通滤波窗口为365 d、空间域低通滤波窗口为1 200 m, 进行大气相位去除，得到时间序列上的形变信息。
3 白格滑坡形变监测精度对比分析 3.1 基于PS-InSAR技术的白格滑坡形变监测分析在采用PS-InSAR技术进行数据处理时，从2种数据结果中的滑坡发生区域选取194个地理位置相同的点进行对比分析(图5),其中正值表示向卫星方向运动，运动趋势是沿雷达视线向(line of sight, LOS)上升；负值表示远离卫星方向运动，运动趋势是沿LOS向下降。
|
图 5 Sentinel-1A和ALOS-2数据194个共同点的 PS-InSAR技术监测结果对比 |
由图5可知，2种数据的PS-InSAR处理结果吻合度很高，其中，沿LOS向上升最大速率为37.9 mm/a(ALOS-2)和24.2 mm/a(Sentinel-1A),沿LOS向下降最大速率为-68.9 mm/a(ALOS-2)和-64.5 mm/a(Sentinel-1A)。2种数据结果中，差值最大为28.9 mm/a, 最小为0.1 mm/a, 差值的平均值为14.5 mm/a。计算这194组数据的标准差，得到其范围为0.06～14.4 mm/a, 均值为7.2 mm/a。对于同一种PS-InSAR技术手段，Sentinel-1A和ALOS-2数据的结果存在一定的差异，但对于如此大形变量的滑坡来说，这个监测结果已经很理想，同时也验证了这2种数据用于滑坡监测的可行性。
3.2 基于SBAS-InSAR技术的白格滑坡形变监测分析从2种数据的SBAS-InSAR结果中提取197个地理位置相同的点进行对比分析(图6)。由图6可见，ALOS-2数据的平均形变速率范围为-84.2～-40.0 mm/a, Sentinel-1A数据的平均形变速率范围为-84.0～-13.0 mm/a。2种数据结果中差值最大为29.9 mm/a, 最小为0.03 mm/a, 差值的平均值为17.1 mm/a。计算这197组数据的偏离程度，得到的标准差范围为0.02～15.0 mm/a, 绝大部分点位的标准差均在10 mm/a以下，均值为8.5 mm/a。
|
图 6 Sentinel-1A和ALOS-2数据197个共同点的 SBAS-InSAR技术监测结果对比 |
由图5、6发现，2种影像数据的形变趋势大致相吻合，对于2种技术，Sentinel-1A和ALOS-2数据结果的差异较为稳定。在所统计的共同点中，ALOS-2数据的大部分监测结果的绝对值略微大于Sentinel-1A的结果，可能是因为ALOS-2影像L波具有波长优势，使得在一些植被覆盖率高的区域监测能力稍好。
3.3 同一数据源白格滑坡PS-InSAR与SBAS-InSAR形变监测结果对比分析为了检验同一数据源在不同技术手段下结果的精度情况，在ALOS-2数据结果中选取4个特征点进行时序分析。图7、8为4个特征点的详细信息。
|
图 7 ALOS-2结果中4个特征点的空间分布 |
|
图 8 ALOS-2结果中4个特征点的累积形变量 |
观察发现，4个特征点上PS-InSAR和SBAS-InSAR结果的总体形变趋势一致。在2015-07～2018-10期间，A1特征点上形变速率呈加速趋势，累积形变量最大达到-288.1 mm(SBAS-InSAR)和-287.6 mm(PS-InSAR),随后在2018-11、12出现沿LOS向小幅上升，上升量为51.6 mm(SBAS-InSAR)和45.6 mm(PS-InSAR)。此后，A1点位整体保持沿LOS向下降的趋势。
A2点在2019-02-18和2018-10-29达到最大累积形变量-319.4 mm(SBAS-InSAR)和-315.4 mm(PS-InSAR),一直到2018-11-26,A2点位的SBAS-InSAR和PS-InSAR结果均出现沿LOS向小幅上升，形变量为11.1 mm(SBAS-InSAR)和39.4 mm(PS-InSAR)。
A3点在2015-07-27～2016-07-25期间呈现加速形变趋势，形变量约-150 mm。在2018-07-23～11-26期间存在沿LOS向小幅上升，至2019-04-15,该点位累积形变量达到最大值-328.3 mm(SBAS-InSAR)和-315.9 mm(PS-InSAR)。
A4点到2018-05-28为止累积形变量已达到-295 mm(SBAS-InSAR)和-331 mm(PS-InSAR)。2018-07-23～2019-03-18其SBAS-InSAR结果达到最大累积形变量为-357.7 mm。2018-07-23～2019-02-18其PS-InSAR结果最大累积形变量为-342.6 mm。
为了能够更加准确地分析同数据源不同数据结果的精度情况，利用图8中的差值数据，使用均方根误差(RMSE)进行分析：
利用式(3)计算A1～A4点2种技术结果的RMSE。经计算，ALOS-2数据的A1～A4点的RMSE范围分别为0～16.6 mm、0～21.8 mm、0～17.2 mm、0～15.3 mm, 均值分别为8.6 mm、8.3 mm、8.4 mm、8 mm。其中，A1点上的最大误差为16.6 mm, A2点上的最大误差为21.8 mm, A3点上的最大误差为17.2 mm, A4点上的最大误差为15.3 mm。观察得出，2种InSAR技术结果变化趋势总体较为一致。
同样从Sentinel-1A数据结果中选取4个特征点进行时序分析，图9、10为4个点的详细信息。
|
图 9 Sentinel-1A结果中4个特征点的空间分布 |
|
图 10 Sentinel-1A结果中4个特征点的累积形变量 |
对比发现，在2018-01-12～07-23期间，4个点的SBAS-InSAR和PS-InSAR监测结果较为吻合，呈现近乎线性趋势。在2018-07-23之后，两者均出现波动，但不影响总体形变趋势。到监测结束(2019-04-13)为止，B1点上的最终累积形变量为-76.1 mm(SBAS-InSAR)和-76.7 mm(PS-InSAR),二者差值为0.6 mm; B2点上的最终累积形变量为-79.8 mm(SBAS-InSAR)和-79.2 mm(PS-InSAR),二者差值为0.6 mm; B3点上的最终累积形变量为-98.2 mm(SBAS-InSAR)和-96.2 mm(PS-InSAR),二者差值为-2 mm; B4点上的最终累积形变量为-102.4 mm(SBAS-InSAR)和-93.1 mm(PS-InSAR),二者差值为-9.3 mm。
同样，为了能更精确地了解同为ALOS-2数据源情况下，基于SBAS-InSAR和PS-InSAR技术监测结果的精度差异，利用式(3)计算出B1～B4点的RMSE进行比较分析。经计算，Sentinel-1A数据的B1～B4点的RMSE范围分别为0～7.4 mm、0～8.2 mm、0～9.5 mm、0～5.2 mm。其中，B1点上的最大误差为7.4 mm, 日期为2018-08-28;B2点上的最大误差为8.2 mm, 日期为2018-11-08;B3点上的最大误差为9.5 mm, 日期为2019-04-01;B4点上的最大误差为5.2 mm, 日期为2018-10-03。4个特征点的RMSE均值分别仅为3 mm、2.9 mm、2.9 mm、2 mm。观察图10可发现，Sentinel-1A数据结果的累积形变量值在-110～-80 mm之间，稍小于ALOS-2影像结果。可能是因为C波段的波长短，植被穿透能力相对L波段要弱，收到的回波信息量要少，使其结果受到一定程度的影响。
综上，Sentinel-1A数据的4个特征点均保持线性形变趋势，且PS-InSAR和SBAS-InSAR结果趋于一致，验证了2种时序InSAR技术应用于滑坡监测中的可靠性。
4 结 语本文以西藏江达县波罗乡白格滑坡点为研究对象，以12景ALOS-2 PALSAR2影像以及38景Sentinel-1A影像为主要数据源，通过SBAS/PS-InSAR技术反演研究区域的地表形变速率及时间序列形变信息。得到结果如下：基于ALOS-2数据的PS-InSAR监测到的最大平均形变速率为-68.9 mm/a, SBAS-InSAR监测到的最大平均形变速率为-84.2 mm/a; 基于Sentinel-1A数据的PS-InSAR监测到的最大平均形变速率为-64.5 mm/a, SBAS-InSAR监测到的最大平均形变速率为-84.0 mm/a。
| [1] |
王志勇, 张金芝. 基于InSAR技术的滑坡灾害监测[J]. 大地测量与地球动力学, 2013, 33(3): 91-95 (Wang Zhiyong, Zhang Jinzhi. Landslides Monitoring Based on InSAR Technique[J]. Journal of Geodesy and Geodynamics, 2013, 33(3): 91-95)
(  0) |
| [2] |
康亚, 赵超英, 张勤, 等. InSAR滑坡探测技术研究: 以金沙江乌东德水电站段为例[J]. 大地测量与地球动力学, 2018, 38(10): 1 053-1 057 (Kang Ya, Zhao Chaoying, Zhang Qin, et al. Research on the InSAR Technique of Landslide Detection: A Case Study of Wudongde Hydropower Station Section, Jinshajiang[J]. Journal of Geodesy and Geodynamics, 2018, 38(10): 1 053-1 057)
( 0) |
| [3] |
高二涛, 范冬林, 付波霖, 等. 基于PS-InSAR和SBAS技术监测南京市地面沉降[J]. 大地测量与地球动力学, 2019, 39(2): 158-163 (Gao Ertao, Fan Donglin, Fu Bolin, et al. Land Subsidence Monitoring of Nanjing Area Based on PS-InSAR and SBAS Technology[J]. Journal of Geodesy and Geodynamics, 2019, 39(2): 158-163)
( 0) |
| [4] |
史绪国, 徐金虎, 蒋厚军, 等. 时序InSAR技术三峡库区藕塘滑坡稳定性监测与状态更新[J]. 地球科学, 2019, 44(12): 4 284-4 292 (Shi Xuguo, Xu Jinhu, Jiang Houjun, et al. Slope Stability State Monitoring and Updating of the Outang Landslide, Three Gorges Area with Time Series InSAR Analysis[J]. Earth Science, 2019, 44(12): 4 284-4 292)
( 0) |
| [5] |
张亚迪, 李煜东, 董杰, 等. 时序InSAR技术探测芒康地区滑坡灾害隐患[J]. 遥感学报, 2019, 23(5): 987-996 (Zhang Yadi, Li Yudong, Dong Jie, et al. Landslide Hazard Detection in Markam with Time-Series InSAR Analyses[J]. Journal of Remote Sensing, 2019, 23(5): 987-996)
( 0) |
| [6] |
冯文凯, 张国强, 白慧林, 等. 金沙江“10·11”白格特大型滑坡形成机制及发展趋势初步分析[J]. 工程地质学报, 2019, 27(2): 415-425 (Feng Wenkai, Zhang Guoqiang, Bai Huilin, et al. A Preliminary Analysis of the Formation Mechanism and Development Tendency of the Huge Baige Landslide in Jinsha River on October 11, 2018[J]. Journal of Engineering Geology, 2019, 27(2): 415-425)
( 0) |
| [7] |
Hanssen R F. Radar Interferometry[M]. Dordrecht: Springer Netherlands, 2001.
( 0) |
| [8] |
Ferretti A, Prati C, Rocca F. Nonlinear Subsidence Rate Estimation Using Permanent Scatterers in Differential SAR Interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(5): 2 202-2 212 DOI:10.1109/36.868878
( 0) |
| [9] |
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): 2 375-2 383 DOI:10.1109/TGRS.2002.803792
( 0) |
2. Guangxi Key Laboratory of Spatial Information and Geomatics