本文内容来源于《测绘通报》2022年第10期，审图号：GS京（2022）0980号
SBAS-InSAR技术与无人机影像融合的滑坡变形监测喜文飞1,2, 赵子龙3, 李国柱3, 周定义4, 杨正荣11. 云南师范大学地理学部，云南 昆明 650500;
2. 云南省高校高烈度地震山区交通走廊工程地质病害早期快速判识与防控重点实验室，云南 昆明 650093;
3. 云南海钜地理信息技术有限公司，云南 昆明 650000;
4. 昆明理工大学国土资源工程学院，云南 昆明 650093基金项目：云南省科技厅面上项目(202001AT070059)；云南省自然科学基金(202101AS070019)关键词：山体滑坡 SBAS-InSAR技术 变形监测 无人机引文格式：喜文飞, 赵子龙, 李国柱, 等. SBAS-InSAR技术与无人机影像融合的滑坡变形监测[J]. 测绘通报，2022(10)：1-6. DOI: 10.13474/j.cnki.11-2246.2022.0286.摘要 ：山体滑坡对人类安全造成严重影响，准确识别滑坡变形对预防滑坡灾害具有重要意义。利用SBAS-InSAR技术可以进行空间连续地表变形监测，但无法精确获取滑坡边界的变化。为了综合监测滑坡，本文首先采用SBAS-InSAR技术与无人机影像结合的滑坡变形监测方法，利用2018年1月1日—2020年12月24日，共计80幅升轨Sentinel-1A SAR影像，进行了VV极化和VH极化数据处理；然后通过SBAS-InSAR技术获取滑坡区地表雷达视线(LOS)方向变形速率，选取了若干变形点进行滑坡体变形时序分析；最后采用无人机获取滑坡影像并提取滑坡边界，分析了滑坡边界的变形。试验结果表明，利用SBAS-InSAR技术获取的滑坡变形和无人机获取的滑坡变形趋势基本吻合，通过该方法可以获取滑坡的综合变形情况，对滑坡活动性的判断具有重要意义。滑坡具有突发性、破坏大、分布范围广的特点。准确识别滑坡对确定滑坡体的活动性和风险，对地质灾害区域的防灾规划建设具有重要意义[1-3]。野外测量是传统的滑坡变形监测方法，但在地质环境复杂的山区，特别是在剧滑阶段，对地面勘察人员造成威胁[4-5]，该方法工作量大、成本高，监测滑坡的范围较小。光学遥感技术对大范围滑坡监测具有较好的效果。文献[6]利用资源三号卫星实现了汶川地震区滑坡空间分布的快速识别。文献[7]利用无人机遥感图像、面向对象分类技术实现了疑似滑坡区域的信息提取，获得了良好的效果。文献[8]利用无人机对黄土高原区滑坡的表面侵蚀、地貌演变、地表形变和位移监测进行了调查和分析。文献[9]利用无人机影像构建精细化的地形模型并进行滑坡识别，应用于云南蒋家沟流域，取得了较好的效果。光学影像可以直观地获取滑坡特征，但容易受植被覆盖度的影响，植被覆盖度较高的地区难以获取地面的变形。近年来，InSAR技术被广泛应用于滑坡监测，该技术精度高、分辨率高、覆盖范围广, 对植被具有一定的穿透性，可以获取地表变形数据。利用SBAS-InSAR技术可很好地进行大面积、长时间序列的滑坡监测[10-15]。文献[16]采用合成孔径雷达干涉测量技术对甘肃黑方台地区潜在的黄土滑坡开展了多时相编目、长时序监测及失稳模式识别研究，获得了较好的效果。文献[17]详细归纳了滑坡InSAR监测。文献[18]利用高分辨率SAR数据，以三峡库区滑坡为研究对象，成功地监测到滑坡所发生的时间段、地点及变形，验证了高分辨率雷达数据InSAR技术滑坡监测的有效性。文献[19]利用SAR系统采集的数据建立三维地形模型，可用于协助区域尺度调查，通过对阿尔卑斯山滑坡的研究表明，InSAR技术可以基于不同运动速率对特征区域进行识别，且可对大型缓慢滑坡进行危险区分。文献[20]采用时序InSAR技术对位于四川省的甲居滑坡进行监测，验证了InSAR技术在地形复杂的山区具有较高的变形监测精度。因此，基于SBAS-InSAR技术的大面积滑坡监测可以取得良好的效果。但是利用SBAS-InSAR技术进行滑坡监测只能得到滑坡区域的变形，而不能准确地得到滑坡边界的变形。滑坡边界是滑坡体的基本要素，对滑坡位移量和滑坡体积的定量计算具有重要的作用。滑坡的变形是一个复杂的过程，它不仅反映在滑坡边界的变形上，而且也反映在滑坡内部的变形上。综合滑坡边界及内部的变形监测可以更好地判断滑坡的稳定性，对未来滑坡危险性的判断也具有重要意义。本文基于SBAS-InSAR技术与无人机影像相融合的技术对滑坡变形进行监测。小基线集(SBAS-InSAR)是在差分InSAR基础上发展的一种新的时间序列分析方法，能够降低相位噪声和误差[21]。假定在时间t1~ts内获取同一地区的S幅SAR影像，然后根据干涉组合条件，在短基线距的条件下形成N幅干涉条纹图，且满足的条件如下对tA和tB(tA < tB)时刻两幅影像生成的第i(i=1, 2, …, N)幅干涉图，在去除平地及地形相位的影响后，第x个像素的干涉相位可表示为[22]式中，φdefi(x, r)为tA~tB对应的斜距向变形；φtopoi(x, r)为地形相位误差；φapsi(x, r)为大气相位误差；φorbi(x, r)为基线轨道引起的相位误差；φnoisei(x, r)为噪声误差。假定不同干涉图间的变形速率为vk, k+1，则tA~tB间的累积形变可表示为对N幅干涉条纹图进行三维时空相位解缠，即可求出不同SAR获取时间的形变速率。巧家县地形以山地为主，山地面积占全县总面积的98.9%，属高原山地构造，山高谷深，地势高差很大[23]，雨量丰富，年平均降雨量为822.7 mm。该地区极易发生滑坡灾害，选取该地区一处滑坡作为研究区，如图 1—图 2所示。
2.1 基于SBAS-InSAR技术的滑坡数据处理及结果
本文使用欧空局(European Space Agency, ESA)2018年1月1日—2020年12月24日, 共计80景升轨Sentinel-1A单视复数(SLC)影像进行后续处理分析，最大空间基线阈值和时间基线阈值分别为15%和90 d，生成464个干涉对，时空基线分布如图 3所示。采用Minimum Cost Flow解缠方法和Goldstein滤波方法做干涉工作流，最终生成干涉图，调整删除不理想的数据，在研究区生成较为理想的部分干涉图，如图 4所示。经过轨道精炼和重去平，进行第一次反演和第二次反演，然后对序列信息进行地理编码，获得研究区域LOS方向的变形速率(如图 5所示)。由图 5可以看出，整个滑坡区处于变形不均匀状态，滑坡整体变形速率在-2.33~22.85 mm/a，左上方平均变形速率在-2.3~12.5 mm/a；右下方平均变形速率在-8.6~12.5 mm/a；滑坡中下方区域平均变形速率在12.5~22.85 mm/a。滑坡变形严重的区域，选取4个点位进行变形分析(A、B、C、D)，如图 6所示。对4个点位进行时间序列分析，如图 7所示。由图 7可以看出，A点区域的变形处于振荡状态，在每年的6月变形最大，主要原因是该点处于滑坡的边缘地区，6月该地区处于雨季；B点区域的变形处于抬升状态，主要原因是该区域处于滑坡的顶端，在滑坡顶端还有部分的农作物区域，受雨水冲刷，冲刷的泥土在该区域不断沉积；C、D点区域的变形处于不断抬升状态，主要原因是该滑坡区域受植被生长影响。
利用无人机获取研究区的正射影像，航线规划如图 8所示，无人机飞行高度为300 m，航向重叠80%，旁向重叠60%，2019年8月1日第一次获取滑坡影像(如图 9所示)，2020年7月29日第二次获取滑坡影像(如图 10所示)，2020年12月19日第三次获取滑坡影像(如图 11所示)。采用易康软件对正射影像进行影像分割，如图 12所示。2019年8月1日无人机滑坡影像，分割尺度为80、形状指数0.5、紧密度指数0.5，结果如图 12(a)所示；2020年7月29日无人机滑坡影像，分割尺度为80、形状指数0.5、紧密度指数0.5，结果如图 12(b)所示；2020年12月19日无人机滑坡影像，分割尺度为75、形状指数0.4、紧密度指数0.5，结果如图 12(c)所示，利用提取的滑坡边界进行对比分析，如图 13所示。蓝色边界为2019年8月1日获取的滑坡影像所提取边界线，绿色边界为2020年7月29日获取的滑坡影像所提取边界线，红色边界为2020年12月19日获取的滑坡影像所提取的边界线。从3期边界套合情况来看，可以明显看出红色边界有扩张的趋势，特别是在滑坡的右部分，主要原因为前两次获取影像是在7—8月，植被生长茂盛，第三次获取时间为12月，天气较冷，部分植被的叶子已经凋落，可以获取植被下的滑坡区域。此外，滑坡顶部的边界线有收缩的趋势，经实地调查发现，该区域种植了农作物，滑坡底部的边界线相对较稳定。结合图 6和图 13进行综合分析，图 6中变形点A处在滑坡的边界区域，变形点B位于滑坡顶端区域，有明显的变形趋势，利用图 13的边界变形也可以获取相似的结果。因此，基于SBAS-InSAR技术与无人机影像融合的方法可以准确地分析出滑坡的综合变形，对滑坡的监测具有重要意义。滑坡是一种危害非常大的地质灾害，对滑坡进行变形监测非常重要，滑坡的变形多种多样，内部结构极其复杂，滑坡每部分的变形速率均不一样，变形的部位也不一样，因此，单一的监测手段很难获取滑坡的变形情况。本文采用SBAS-InSAR技术结合无人机影像进行滑坡变形研究，对80幅SAR影像进行极化数据处理，获取LOS方向的变形速率，选取了若干变形点进行时序分析，利用无人机影像获取滑坡边界，通过对滑坡变形进行综合监测，可以很好地获取滑坡的边界及内部变形，对滑坡的活动性判断具有重要意义。采用该方法进行滑坡综合监测可以弥补单一监测手段的不足，具有一定的应用价值。作者简介：喜文飞(1984—)男，博士，副教授，主要研究方向为无人机图像处理、三维模型构建、变形监测。E-mail：xiwenfei911@163.com