Home Journals Progress in Geophysics
Progress in Geophysics

Abbreviation (ISO4): Prog Geophy      Editor in chief:

About  /  Aim & scope  /  Editorial board  /  Indexed  /  Contact  / 

Multi-dimensional deformation inversion of landslides using combined sentinel-1A ascending and descending orbit data

  • Quan ZHOU , 1 ,
  • YaNan JIANG , 1, 2, * ,
  • Peng LÜ 1 ,
  • Dong WANG 1 ,
  • Rui ZENG 1
Expand
  • 1 School of Earth Sciences, Chengdu University of Technology, Chengdu 610059, China
  • 2 State Key Laboratory of Geohazard Prevention and Geoenvironment Protection, Chengdu University of Technology, Chengdu 610059, China

Received date: 2023-08-03

  Online published: 2024-09-29

Copyright

Copyright ©2024 Progress in Geophysics. All rights reserved.

Abstract

The Jinsha River,located in the upper reaches of the Yangtze River,is prone to frequent geological hazards on both sides due to its unique terrain and geological conditions. Firstly,the article employed the SBAS-InSAR technique to capture the surface deformation characteristics of landslides in the Gongjue County of the Jinsha River Basin in the Tibet Autonomous Region,spanning the period from October 2014 to October 2018, spanning from Shadong Township to Xiongsong Township. Subsequently,by integrating ascending and descending orbit DInSAR datasets,the two-dimensional deformation information was obtained in this region. Building upon this foundation,the Shadong landslide was selected as the research subject,the surface parallel flow constraint model was introduced to conduct three-dimensional deformation monitoring studies on the landslide.The results show that: (1) The study area is characterized by fragmented terrain and the development of geological hazards. Utilizing ascending and descending orbit Sentinel-1A data,nine and thirteen deformation regions were detected,respectively. Among them,the maximum deformation rate in certain areas reached 150 mm/year.(2) The two-dimensional deformation results reveal that the maximum deformation rates in the east-west and vertical directions are 147 mm/year and-70 mm/year,respectively. The spatial distribution characteristics of landslide deformation vary significantly at different locations. (3) The presentation of the three-dimensional deformation results shows the movement direction of the Shadong landslide in various locations,with the slope mainly moving in the northeast direction and accompanied by a sinking state. (4) Based on the rainfall factors in the region,the correlation between typical landslide deformation and rainfall was analyzed. The results show that Intense rainfall is critical driving factor for accelerating landslide deformation.

Cite this article

Quan ZHOU , YaNan JIANG , Peng LÜ , Dong WANG , Rui ZENG . Multi-dimensional deformation inversion of landslides using combined sentinel-1A ascending and descending orbit data[J]. Progress in Geophysics, 2024 , 39(4) : 1427 -1439 . DOI: 10.6038/pg2024HH0288

0 引言

滑坡是发生频繁、破坏严重的全球自然灾害之一,其隐蔽性强、破坏性大,对人民生命财产和重要的基础设施安全造成了巨大的威胁(廖明生等, 2021).金沙江流域地质灾害频发,2018年10月11日和11月3日在西藏江达县波罗乡白格村附近的金沙江流域发生了两次大规模高位滑坡,对周围居的生命财产安全造成重大损失以及对河道造成严重损害(张成龙等, 2021).因此,不稳定斜坡的识别和监测在地质灾害管理和预警中发挥着至关重要的作用.
星载合成孔径雷达差分干涉测量(Differential Interferometric Synthetic Aperture Radar, DInSAR)技术具有监测范围广、精度高,可实现全天时、全天候对地表监测的优势.为克服时空去相干对DInSAR监测精度的影响,实现长时序监测,国内外学者将时序分析理论引入到DInSAR,形成了时序差分雷达干涉(MultipleTemporal InSAR, MT-InSAR)技术体系(Osmanoǧlu et al., 2016),代表性方法如永久散射体时序分析法(Persistent Scatterer InSAR, PS-InSAR)(Ferretti et al., 2001)和小基线集时序分析法(Small Baseline Subset InSAR, SBAS-InSAR)(Berardino et al., 2002).然而, 由于SAR成像几何的特点, InSAR监测到的地表形变仅限于视线方向(Line-of-Sight, LOS), 无法直接获取地表真实三维形变场.而InSAR与像素偏移量跟踪(Pixel Offsets Tracking,POT)融合方法获取的南北向形变精度相对于垂直向和东西向较低(朱建军等, 2022).多孔径InSAR(Multiple Aperture InSAR,MAI)技术的适用性差于POT技术,在滑坡监测应用成功的案例较少(朱建军等, 2022).
近年来,有学者基于InSAR数据解算二维形变(张晓博,2018Shi and Xu, 2023; 闫怡秋等, 2022),虽能够在二维层面上表征滑坡形变,却遗漏了形变三维可视化所带来的潜在信息,相比之下,三维形变可以深入了解滑坡机制,这有利于滑坡预测和风险管理.多源数据的结合能够获得更加精确的地表三维形变(Hu et al., 2014, 2020a),但对数据源存在较高的要求.以往的研究少有直接以升、降轨两个轨道来估算关于缓慢移动型滑坡的三维形变场,因此,对于利用升、降轨估算滑坡的三维形变场方面,仍需进一步深入研究和探讨.多维小基线集(Multidimensional Small Baseline Subset, MSBAS)技术由Samsonov和d'Oreye(2012, 2017)提出,该技术能够利用多个轨道DInSAR数据估算地表三维形变的时间序列.针对处于缓慢移动状态的大型滑坡,MSBAS可捕捉滑坡的三维形变模式.
位于金沙江流域沙东乡至雄松乡一带,发育多处缓慢移动大型滑坡,多位学者对此区域开展丰富的研究工作,陆会燕等(2019)结合InSAR技术与光学遥感探测出此区域7处显著变形滑坡,其中3处堵江风险较大,为白格滑坡上下游地质灾害防治提供参考.闫怡秋等(2021)采用SBAS-InSAR技术,结合遥感解译,分析了沙东滑坡的变形特征.盛磊等(2022)基于DS-InSAR技术探测这一带滑坡分布规模及其运动形态,利用滑坡最大坡度向形变分析降雨的影响.然而,该区域采用InSAR技术开展二维和三维时序形变的研究较少.本文首先通过SBAS-InSAR技术处理沙东乡至雄松乡的Sentinel-1A升、降轨SAR数据,获取了该区2014年10月至2018年10月升、降轨LOS向地表形变信息.进一步通过多维小基线集方法,获得了此区域的二维(东西和垂直)时序形变信息.最后通过引入地表平行流模型,反演了沙东滑坡的时序三维形变.在此基础上,分析了滑坡的形变特征以及降雨因素对滑坡形变的影响.研究成果以期为金沙江沿岸滑坡灾害防治提供技术支持.

1 研究区概况与实验数据

1.1 研究区概况

研究区地处青藏高原东南缘,位于西藏自治区贡觉县内,从沙东乡向南,经过敏都乡,延伸至雄松乡(图 1).金沙江从北向南流经这一区域,由于河流下切和青藏高原抬升等原因,使山谷具有“V”或“U”形的地形.区域内大部分地区海拔高度大于3000 m,高差从500 m到2000 m不等,大部分山坡的坡度大于25°.研究区气候属于大陆性高原季风气候,降雨集中在每年的5月—9月,年均气温6.5 ℃,年均降雨量约480 mm.此区域地质构造环境受一系列西北向断层的影响(李雪等, 2021),主要断层是金沙江断层(F1、F2和F3)和巴塘断层(F4).研究区地震活动频发,自2012年以来,研究区及其周边地区发生了约36次地震.复杂的地质环境、构造运动、集中强烈的降雨、河流侵蚀和人类活动共同作用,造成此区域为地质灾害高发地段.
图1 研究区概况图

(a)东西向形变速率;(b)垂直向形变速率.

Fig 1 Overview of the study area

1.2 实验数据

C波段Sentinel-1雷达影像以其免费开放、可连续获取的特性,广泛应用于地学分析领域.为探测沙东乡滑坡的地表形变信息,本次实验收集了2014年10月至2018年10月期间的升轨数据82景、降轨数据76景,影像数据基本参数信息,如表 1所示,同时收集了对应的精密轨道数据.为辅助处理SAR数据,以及地表平行流模型的生成,引入了30 m分辨率的SRTM-DEM数据.收集了覆盖该滑坡的高分辨率影像数据,空间分辨率为2 m左右.为了分析降雨因素对滑坡形变的影响,收集了距研究区较近的巴塘县气象站点2014年10至2018年10月的降雨数据.
表1 Sentinel-1A数据参数

Table 1 Sentinel-1A data parameters

参数 相应值 相应值
轨道方向 升轨 降轨
雷达入射角/(°) 36.7765 42.3285
卫星飞行方位角/(°) -12.753181 192.744183
数据量/(景) 82 76
时间段 2014-10-12—2018-10-27 2014-10-07—2018-09-28

2 研究方法与算法流程

2.1 SBAS-InSAR技术

Berardino等人于2002年提出小基线集技术(Small Baseline Subset,SBAS)来获取时间序列形变值.该技术针对获取覆盖同一区域的N景单视复数影像(Single Look Complex),在影像配准、裁剪和多视等预处理的基础上,通过数据组合形成短基线数据集,保证干涉对具有较高的相干性,克服因时空基线引起的失相干问题(杨红磊等, 2021).对每个干涉连接对进行差分干涉处理、滤波、解缠等处理获得正确的解缠相位后,再通过时空域滤波去除大气误差的影响,从而更精准地获取相对于第一幅SAR影像的累积形变时间序列(董继红, 2021).
为提升形变监测结果的精确度和可靠性,有必要进一步消除地形相位误差、大气延迟误差以及噪声误差.具体地,地形误差相位可通过建立与基线之间的线性关系模型,并运用最小二乘法进行估算.而大气延迟误差,则可借助于大气时频特性在时间和空间域中的表现,从形变相位和噪声相位中剔除,并通过滤波处理消除噪声相位.在这些异常值得到纠正之后,可以使用最小乘法或奇异值分解法来估算形变速率.再将平均形变速率在时间域上进行积分,即可得到时间序列形变信息(刘陈伟等, 2022).

2.2 多维形变技术

Samsonov等提出的多维小基线集技术,以SBAS技术为基础,利用多个升、降轨DInSAR数据在时间和空间有重叠的特性,解算二维和三维形变速率及时序形变序列,实现了多个升、降轨影像时间分辨率融合.其技术原理如下:
假设在研究区内有m景升轨SAR影像和n景降轨SAR影像(图 2),按升、降轨影像获取的时间顺序可获得时间向量:
图2 升、降轨SAR影像获取时间线示意图

Fig 2 Schematic diagram of ascending and descending SAR acquisitions timeline

因此,可以获得影像时间间隔向量T为:
在相同区域和相同时间段内存在升、降轨SAR数据时,可以通过公式计算获得二维形变速率,考虑到研究区地形陡峭,植被覆盖茂密等因素,为了避免时间和空间失相干的影响,数据集采用SBAS的干涉对组合方式,在完成差分干涉滤波、解缠和大气延迟相位去除后,进行地理编码,并重采样到公共经纬网格中进行二维和三维的形变反演.由于SAR卫星在近地轨道上运行,导致其对监测南北向形变不敏感,基于SAR卫星的成像几何结构,公式忽略了南北向形变分量.公式为:
其中系数矩阵Â ={SET, SUT},T矩阵为SAR影像时间间隔(公式),S矩阵分别为LOS向的东西向和垂直向的两个分量,S ={SE, SU}={-cosαsinθ, cosθ},其中,θα分别为卫星入射角和飞行方位角.在求解过程中会面临观测方程秩亏和病态的问题,因此公式通过引入Tikhonov正则化(Tihonov, 1963)约束来稳定反演参数,正则化阶矩阵L乘以正则化参数λ用于正则化时间序列,最佳的正则化参数可以用L曲线获得,此次实验选取正则化参数为0.1.d为观测的DInSAR数据集,东西向形变速率VE和垂直向形变速率VU通过奇异值分解(SVD)获得.最后通过对相邻SAR影像之间的时间间隔进行数值积分可得到东西向和垂直向形变时间序列.
在一些情况中,由于南北向形变较大,不能忽略.而对于只有升、降轨两个SAR数据时,当有先验知识表明滑坡运动方向与地表平行,可结合地表平行流模型将自由度从三个降至两个,就可以利用升、降轨数据来估算滑坡的东西向、南北向和垂直向的形变.地表平行流模型表示为:
其中H为地形高程,分别为南北方向和东西方向一阶导,的值由DEM计算获取(图 3).
图3 DEM在东西向(a)和南北向(b)一阶导

Fig 3 DEM first-order derivatives in east direction (a) and in north direction (b)

平移滑块的滑动面认为是一个近似规则的平面,通常比DEM更平滑,因此要对DEM进行滤波,以降低坡体表面特征对滑坡三维形变估计的影响(Liu et al., 2021).通过公式可以计算三维表面形变:
其中系数矩阵 T矩阵为SAR矩阵时间间隔(公式),S矩阵分别为LOS向的南北向、东西向和垂直向的三个分量,S ={SN, SE, SU}={sinαsinθ, -cosαsinθ, cosθ},为地表平行流约束.VNVEVU分别为待求的南北向、东西向和垂直向形变速率,通过奇异值分解(SVD)可以求得.

2.3 算法流程

本次实验是基于GAMMA软件采用SBAS-InSAR技术对覆盖金沙江流域的Sentinel-1升、降轨数据进行时序干涉处理,SBAS-InSAR与二维、三维形变反演的处理流程如图 4所示,主要分为三个步骤:
图4 数据处理流程

Fig 4 Data processing flow

(1) 对升、降轨SAR数据集进行配准、裁剪、去斜与多视预处理.多视可以有效抑制SAR影像的斑点噪声,本次实验多视比为5:1.
(2) 将时空基线设为100d和200 m生成干涉对,对生成差分干涉图采用Goldstein自适应滤波方法,选取32×32像素大小的窗口进行滤波,滤波后的差分干涉图仍有噪声区域以及低相干区域,为了避免这些区域造成解缠误差,设置相干系数阈值0.3生成掩膜文件将这些区域去除,再利用最小费用流的方法对差分干涉图进行解缠.去除解缠干涉图中与高程相关的大气效应,挑选出质量较好的解缠干涉图.最后利用奇异值分解法估算出地表形变速率,对活动滑坡进行识别与监测.
(3) 将挑选出的解缠干涉图地理编至地理坐标系下,对整个研究区内的滑坡进行二维形变估算.在二维形变估算的基础上,施加地表平行流模型约束条件可进行反演滑坡的三维形变.结合DEM、坡向、光学影像、二维和三维形变结果,确定滑坡的主要运动方向.

3 实验结果与分析

3.1 SBAS-InSAR结果

图 5为西藏自治区贡觉县沙东乡至雄松乡升、降轨LOS向的年平均形变速率分布,底图叠加了该区域的山体阴影图,形变负值表示地物目标形变沿LOS方向远离卫星运动,形变正值表示地物目标形变沿LOS方向靠近卫星运动.从探测出的形变空间分布来看,升轨数据探测出的9处形变区域集中在金沙江右岸,LOS向最大形变速率达到150 mm/a,位于6号滑坡(标记在图 5a);降轨道数据探测出的13处形变区域分布在金沙江两岸,其中左岸的2处形变区域在升数据未探测出.升、降轨SAR卫星成像过程中,由于卫星方位角不同,导致获取的形变特征有所不同.对比同一区域不同轨道观测获取的形变场,可以看出不同轨道数据在同一山区存在明显的数据可视性差异.降轨数据在该区域的可视性比升轨数据好,因此探测出的形变区域更多,证实了联合升、降轨道数据进行监测的必要性.
图5 LOS向形变速率

(a)升轨形变速率;(b)降轨形变速率.

Fig 5 Deformation rate in LOS direction

(a) Ascending deformation rate; (b) Descending deformation rate.

3.2 二维形变实验结果

SBAS-InSAR的结果可用于确定滑坡的位置和空间范围,然而,仅通过视线向的形变结果来确定其运动方向是具有困难的.根据2.2节二维形变计算的原理方法,选取2014年10月至2018年10月的升、降轨解缠干涉图联合处理,计算出该区域重叠时间段内的二维形变速率,图 6为沙东乡至雄松乡内滑坡的东西方向和垂直向形变速率,共捕获了12处二维形变区域.图 6a中形变正值表示坡体运动方向向东,形变负值表示坡体运动方向向西.图 6b中形变负值表示坡体向下运动.东西向形变速率最大达到147 mm/a,垂直向形变速率最大达到-70 mm/a,且都位于7号滑坡处(标记在图 6a).根据图 6探测的结果可知,不同滑坡有着不同运动状态,多数滑坡都是向东运动,而3号、8号和9号滑坡则有明显的向西运动.1号和12号滑坡东西向没有探测到形变,由DEM和其生成的坡向数据,两处滑坡坡向分别为345°和355°,且高程呈现南高北低的状态,可据地形推测,这两处滑坡向北方向运动.大多数滑坡主要以水平运动和垂直运动为主,如2号、5号、6号、7号的西侧等滑坡,而4号和7号的东侧滑坡则以水平运动为主.
图6 二维形变速率

Fig 6 Two-dimensional displacement rate

(a) East-west displacement rate; (b) Vertical displacement rate.

3.3 三维形变实验结果

如果南北向形变不可忽略,如东西向形变速率和南北向形变速率接近、南北向形变速率大于垂直向形变速率,在这些情况下,则有必要反演滑坡的三维形变速率.根据李雪等(2021)可知,沙东滑坡存在两个平行于地表的滑动面,因此考虑应用地表平行流假设模型,从升、降轨的DInSAR数据集中反演出三个分量(详见2.2节).
采用公式计算出的三维形变速率如图 7所示.东西向形变速率(图 7c)最大为60 mm/a,垂直向形变速率(图 7d)最大达到-60 mm/a.滑坡整体呈现向东向移动,且伴有下沉状态,与二维结果的形变趋势基本一致.图 7b展示了沙东滑坡不同区域的北向和南向运动,正值表示向北移动,负值表示向南移动,位于沙东滑坡东南侧区域形变最大,形变速率最大达到97 mm/a.提取了两个条剖面线AA′和BB′(标记在图 7a)的形变速率和高程,以揭示详细的空间位移特征,如图 8a所示,在0~1000 m阶段,南北向形变速率最大,在1000~2000 m的中间阶段,南北形变速率处于最小,2000 m之后,三个分量的形变速率增加,同时,图 8b显示下段的形变速率大于中上段的形变速率,且南北向形变速率大于东西和垂直向.两条剖面线显示沙东滑坡南侧主要向北移动,北侧主要向东移动为主.采用东西向和南北向形变速率估算了滑坡的水平运动矢量,如图(图 7e)所示.图 7图 8揭示了沙东滑坡不同区域的运动方向,根据两图可知,滑坡南侧区域整体向东北方向运动,东北侧区域没有明显的南北运动趋势,其整体为东北方向运动.
图7 三维形变速率

(a)光学影像;(b)南北向形变速率;(c)东西向形变速率;(d)垂直向形变速率;(e)沙东滑坡水平运动矢量.

Fig 7 Three-dimensional displacement rate

(a) Optical image; (b) North-south displacement rate; (c) East-west displacement rate; (d) Vertical displacement rate; (e) The horizontal movement vector of the Shadong landslide.

图8 沿剖线AA′(a)和BB′(b)的三个分量的形变速率和高程

Fig 8 Deformation rate and elevation of the three components along the section lines AA′(a) and BB′ (b)

表2 形变点分阶段形变速率统计(单位:mm/month)

Table 2 Statistics of deformation rate at different stages of deformation points (unit: mm/month)

时间段 2014-11—2015-03 2015-05—2015-09 2015-11—2016-03 2016-05—2016-09 2016-11—2017-03 2017-05—2017-09 2017-11—2018-03 2018-05—2018-09
P1 EW 3 3.2 2.7 2.3 2.5 2.6 2.5 2.9
UD -1.5 -1.3 -1 -0.9 -0.5 -1.6 -0.9 -1.5
P3 EW 1.7 2 2 3 1.8 2.6 1.4 2.6
UD -0.3 0.1 -1 -0.3 -0.9 -0.3 -0.3 -0.8
P4 EW 2.6 4 4.9 3.3 2.7 8.9 10.2 10.4
UD 0.1 -0.5 -0.3 1.2 -0.5 0.5 -5.9 -5.1
P5 EW 7.2 6.4 6.3 4.4 4.4 3.9 2.2 5.8
UD -2.4 0.6 -2.8 0.1 -1.7 -2.3 -0.5 -2.5
P6 EW 1.7 1.6 1.6 1.7 2.1 3.6 2.6 2.7
UD -1.2 -0.6 -0.8 -0.2 -1.4 -0.4 -1.7 -0.3
P8 EW 1.5 2.2 1.7 2.1 2.3 2.8 1.4 2.6
UD 0.1 0.3 -0.5 -0.3 -0.4 -0.4 0.3 -0.7
为了研究滑坡形变的时间演变过程,选择位于沙东滑坡不同区域的四个特征点(P1~P4标记在图 7b中),其中P1~P4每个特征点为3×3像素大小(约45×45 m).如图 9所示,三个分量的时序累积形变量的平均位移用误差棒绘制,误差棒为标准差大小,在3×3像素窗口中计算获得.2014年10月至2018年9月,点P4累计形变量较大,累积向东、向北和垂直的形变量分别为160 mm、269 mm和-73 mm.点P2和P3次之,分别为151 mm、34 mm和-24 mm,89 mm、154 mm和-70 mm.点P1在东向、北向和垂直向的累积形变量级最小,分别为127 mm、-26 mm和51 mm.从三个分量的时序结果来看,P1~P4在东西向和垂直向整体呈现出线性运动的趋势,P1~P3在南北向位移呈现出波动的状态,而P4则同样为线性的状态.四点形变的随时间的发展趋势是不一致的,点P1和P2在南北向的累积形变量小于在东西向和垂直向的累积形变量.相反,点P3和P4在南北向的累积形变量大于在东西向和垂直向的累积形变量.
图9 P1~P4点三个分量累积形变量

Fig 9 The cumulative shape variables of the three components at points P1~P4

3.4 降雨影响分析

滑坡形变除了重力因素驱动外,降雨往往也会导致滑坡形变加速.为了研究降雨因素对滑坡形变的影响,文中选取4个典型滑坡不同区域的8处形变特征点(P1~P8为3×3像素)来分析滑坡形变与降雨的相关性,选点位置如图 10所示.除了点P6和P7,其余点位都处于比较靠近金沙江河流的位置,其中,P2、P4、P5和P7,形变量级较大,对应于形变较快的区域.
图10 选取点的位置

Fig 10 Select the position of the point

由于沙东滑坡所处位置无气象站,而降雨具有空间相关性,因此本文降雨对滑坡形变影响因素分析是采用距离滑坡最近的巴塘县气象观测站资料.根据巴塘气象站降水量数据统计(图 11)表明,降雨多集中在每年的5月—9月,占全年降雨量的75%.集中降雨期可从以下两个方面导致滑坡形变速率的增加,一方面,降雨沿坡面和地表裂缝渗入造成,降雨渗入使滑体含水量增加、自重加大,增加滑坡的下滑力.另一方面地表水渗入后会导致基底的孔隙水压力升高,从而导致土壤降低抗剪强度,稳定性降低(Hu et al., 2020b).如图 11所示,点P2和P7为明显的线性形变趋势,未表现出显著降雨影响,其余点的滑坡形变呈现出波动的状态.为了对比非线性形变趋势的特征点在集中降雨时期与非集中降雨时期形变速率的差异,表 2统计了这些点不同时间段的形变速率.从表中可知,特征点在垂直向累积形变量与形变速率较小,与降雨的相关性表现不明显.P1、P3、P4、P6和P8点东西向形变与降雨量有较强的相关性,集中降雨时期相对于前一个非集中降雨时期的形变速率有所增加,且整体形变速率均表现为交替式变化.其中,点P4在2017年5月—9月第一次形变量急剧增加,在2017年12月后出现第二次形变速率加速.
图11 点P1~P8地面形变的二维时间序列与降雨的关系

Fig 11 The relationship between two-dimensional time series of ground deformation at points P1~P8 and rainfall

4 结论

本次研究探测到了西藏自治区贡觉县沙东乡至雄松乡约100 km2区域内的InSAR形变场,阐述了多维小基线集技术反演滑坡二维和三维形变场的原理,并获取了此区域的二维形变和沙东滑坡的三维形变场,得到以下几点结论和认识:
(1) 金沙江流域沙东乡至雄松乡段,地表破碎,地质灾害隐患发育.升、降轨数据在该区域探测出的形变区域分别为9处和13处.在2014年10月至2018年10月期间,升轨LOS向最大年平均形变速率达150 mm/a,降轨LOS向最大形变速率为68 mm/a.
(2) 二维形变结果显示,不同滑波运动方向差异性较大,该区滑坡东西向和南北向最大形变速率分别为147 mm/a和-70 mm/a.三维形变结果揭示了沙东滑坡水平运动整体呈东北向,并伴随有垂直向下的运动状态.
(3) 区域降雨集中在5—9月,结合滑坡二维累积形变量曲线与降雨量数据分析发现,多处滑坡非线性运动可能与每年的周期性降雨有关.因此,推断出降雨是导致该区滑坡加速形变的重要影响因素.

感谢审稿专家提出的修改意见和编辑部的大力支持!

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

DOI

Dong J H . Research on application of InSAR technology in high-level and long-distance landslide recognition and monitoring in Jinsha river basin[Master's thesis](in Chinese). Xi'an: Chang'an University, 2021

DOI

Ferretti A , Prati C , Rocca F . Permanent scatterers in SAR interferometry. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(1): 8-20

DOI

Hu J , Li Z W , Ding X L . Resolving three-dimensional surface displacements from InSAR measurements: A review. Earth-Science Reviews, 2014, 133 1-17

DOI

Hu X , Bürgmann R , Fielding E J . Internal kinematics of the Slumgullion landslide (USA) from high-resolution UAVSAR InSAR data. Remote Sensing of Environment, 2020a, 251 112057

DOI

Hu X , Bürgmann R , Schulz W H . Four-dimensional surface motions of the Slumgullion landslide and quantification of hydrometeorological forcing. Nature Communications, 2020b, 11(1): 2792

DOI

Li X , Guo C B , Yang Z H . Development characteristics and formation mechanism of the Xiongba giant ancient landslide in the Jinshajiang tectonic zone. Geoscience, 2021, 35(1): 47-55

DOI

Liao M S , Dong J , Li M H . Radar remote sensing for potential landslides detection and deformation monitoring. National Remote Sensing Bulletin, 2021, 25(1): 332-341

DOI

Liu C W , Jiang Y N , Liao L . Identification and analysis of the main deformation area of Heifangtai platform with SBAS-InSAR. Science of Surveying and Mapping, 2022, 47(5): 56-65

DOI

Liu X J , Zhao C Y , Zhang Q . Three-dimensional and long-term landslide displacement estimation by fusing C- and L-band SAR observations: a case study in Gongjue County, Tibet, China. Remote Sensing of Environment, 2021, 267 112745

DOI

Lu H Y , Li W L , Xu Q . Early detection of landslides in the upstream and downstream areas of the Baige landslide, the Jinsha river based on optical remote sensing and InSAR technologies. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1342-1354

DOI

Osmanoǧlu B , Sunar F , Wdowinski S . Time series analysis of InSAR data: methods and trends. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 115 90-102

DOI

Samsonov S V , d'Oreye N . Multidimensional time-series analysis of ground deformation from multiple InSAR data sets applied to Virunga Volcanic Province. Geophysical Journal International, 2012, 191(3): 1095-1108

Samsonov S V , d'Oreye N . Multidimensional Small Baseline Subset (MSBAS) for two-dimensional deformation analysis: case study Mexico city. Canadian Journal of Remote Sensing, 2017, 43(4): 318-329

DOI

Sheng L , Zhang L , Du Y L . Characteristics of deformation of landslide and ground fissure in Gongjue area of Jinsha river Basin, China based on DS-InSAR technology. Journal of Earth Sciences and Environment, 2022, 44(5): 814-825

DOI

Shi X G , Hu X . Characterization of landslide displacements in an active fault zone in Northwest China. Earth Surface Processes and Landforms, 2023, 48(10): 1926-1939

DOI

Tihonov A N . Solution of incorrectly formulated problems and the regularization method. Soviet Math, 1963, 4 1035-1038

Yan Y Q , Guo C B , Zhang Y S . Study of the deformation characteristics of the Xiongba ancient landslide based on SBAS-InSAR method, Tibet, China. Acta Geologica Sinica, 2021, 95(11): 3556-3570

DOI

Yan Y Q , Guo C B , Zhong N . Deformation characteristics of Jiaju ancient landslide based on InSAR monitoring method, Sichuan, China. Earth Science, 2022, 47(12): 4681-4697

Zhang C L , Li Z H , Yu C . Landslide detection of the Jinsha river region using GACOS assisted InSAR stacking. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1649-1657

DOI

Zhang X B . Modeling and application of the 2D time series deformation monitoring in urban area using high resolution SAR images [Ph. D. thesis](in Chinese). Beijing: China University of Mining & Technology, Beijing, 2018

Zhu J J , Hu J , Li Z W . Recent progress in landslide monitoring with InSAR. Acta Geodaetica et Cartographica Sinica, 2022, 51(10): 2001-2019

DOI

继红 . InSAR技术在金沙江流域高位远程滑坡识别与监测中的应用研究[硕士论文]. 西安: 长安大学, 2021

DOI

, 长宝 , 志华 . 金沙江断裂带雄巴巨型古滑坡发育特征与形成机理. 现代地质, 2021, 35(1): 47-55

DOI

明生 , , 梦华 . 雷达遥感滑坡隐患识别与形变监测. 遥感学报, 2021, 25(1): 332-341

DOI

陈伟 , 亚楠 , . 黑方台主要形变区的SBAS-InSAR识别与分析. 测绘科学, 2022, 47(5): 56-65

DOI

会燕 , 为乐 , . 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. 武汉大学学报(信息科学版), 2019, 44(9): 1342-1354

DOI

, , 玉玲 . 基于DS-InSAR技术的金沙江流域贡觉地区滑坡与地裂缝形变特征. 地球科学与环境学报, 2022, 44(5): 814-825

DOI

怡秋 , 长宝 , 永双 . 基于SBAS-InSAR技术的西藏雄巴古滑坡变形特征. 地质学报, 2021, 95(11): 3556-3570

DOI

怡秋 , 长宝 , . 基于InSAR形变监测的四川甲居古滑坡变形特征. 地球科学, 2022, 47(12): 4681-4697

红磊 , 军还 , 志忠 . InSAR技术原理及实践. 北京: 科学出版社, 2021

成龙 , 振洪 , . 利用GACOS辅助下InSAR Stacking对金沙江流域进行滑坡监测. 武汉大学学报(信息科学版), 2021, 46(11): 1649-1657

DOI

晓博 . 基于高分辨率SAR影像的城市二维时序形变建模与应用[博士论文]. 北京: 中国矿业大学(北京), 2018

建军 , , 志伟 . InSAR滑坡监测研究进展. 测绘学报, 2022, 51(10): 2001-2019

DOI

Outlines

/