Deformation analysis in the bank slopes in the reservoir area of Baihetan Hydropower Station based on SBAS-InSAR technology
-
摘要: 库岸潜在滑坡变形分析是保障国家水利水电设施安全运行的重要环节，针对仅利用单一轨道SAR数据对库岸潜在滑坡变形监测不准确的问题，采用SBAS-InSAR技术，联合升降轨Sentinel-1 SAR数据构建研究区2019年7月至2021年7月的雷达视线方向形变时间序列，并结合无人机野外调查，分析白鹤滩水电站库岸典型潜在滑坡的变形特征。结果表明：（1）受蓄水因素影响，白鹤滩水电站库岸潜在滑坡形变平均增速达10 mm/a以上，库岸稳定性受到破坏；（2）蓄水量变化是当前库岸滑坡发育的关键性诱因，在蓄水和降雨等因素共同作用下，白鹤滩水电站库岸潜在滑坡存在失稳风险；（3）升降轨SAR数据结合的方式能有效克服单一轨道导致的几何畸变等问题，使水电站库岸潜在滑坡变形监测更加准确、全面。研究结果有助于了解库区蓄水对库岸潜在滑坡变形趋势的影响，可为区域尺度防灾应急管理提供科学支持。
-
关键词:
- SBAS-InSAR技术 /
- 滑坡灾害 /
- 地表形变 /
- 变形分析 /
- 白鹤滩水电站
Abstract: The analysis of potential landslide deformation on the reservoir bank is an important link to ensure the safe operation of national water conservancy and hydropower facilities. In response to the problem of inaccurate monitoring of potential landslide deformation on the reservoir bank using single-track SAR data only, this paper uses SBAS-InSAR technology to construct the radar line-of-sight directional deformation of the study area from July 2019 to July 2021 by combining elevated-track Sentinel-1 SAR data time series, and unmanned aircraft field surveys were combined to analyse the deformation characteristics of typical potential landslides on the reservoir bank of Baihetan hydropower station. The results show that: (1) under the influence of water storage factors, the average growth rate of potential landslide deformation on the reservoir bank of Baihetan hydropower station reaches more than 10 mm/a. Reservoir bank stability is undermined; (2) water storage changes are the key causal factor in the development of reservoir bank potential landslides at present. The potential landslides on the reservoir bank of Baihetan Hydropower Station are at risk of instability with the joint effect factors such as water storage and rainfall; (3) the method which combined lift-track SAR data can effectively overcome the problems such as geometric distortion caused by a single track, and make the monitoring of potential landslide deformation on the reservoir bank of hydropower station more accurate and comprehensive. The research result can help to understand the impact of reservoir storage on the deformation trend of reservoir bank potential landslides, and can provide scientific support for regional-scale disaster prevention and emergency management. -
0. 引言
滑坡灾害作为突发地质灾害，是世界上最严重的自然灾害之一。据统计，在滑坡、崩塌、泥石流、地面塌陷、地裂缝和地面沉陷六大类地质灾害中，滑坡灾害占据的比例最高，达到了50%以上[1]。所以对滑坡位移的监测和有效分析，是预防滑坡灾害的重要前提。
滑坡作为一个动态演化系统，其变形过程不仅受到自身地质构造的影响，还受到其他自然因素和人为因素的影响[2]。针对滑坡自身演化特性，研究学者通过建立相关模型将滑坡累计位移分解为趋势项位移与周期项位移[3]。针对趋势项位移预测分析时考虑趋势位移变化具有明显的单调性[4]，目前研究学者多采用二次函数[5]、对数函数[6]、指数函数等[7]数学函数对其预测分析，而周期项位移具有随机性、波动性等特点，目前是滑坡位移预测研究的重点。邓冬梅等[8]通过基于时间序列集合经验模态提取周期项位移，采用粒子群优化算法（Particle Swarm Optimization, PSO）优化支持向量机回归（Support Vactor Regression, SVR）模型对周期项位移进行预测，提高了SVR模型预测准确率。李仕波等[9]将SVR与最小二乘法相结合，在台阶状位移特征的滑坡中预测效果表现较好。随着研究不断深入，陈绍桔[10]借助时间序列分析手段较好地反映了滑坡位移变形的动态变化规律,准确预报出滑坡位移的发展趋势。杨背背等[11]针对SVR在周期项位移预测中的不足，提出将长短时记忆神经网络（Long and Short Term Memory Neural, LSTM）模型用于周期项位移预测，与SVR模型相比，动态LSTM模型在周期项位移预测中取得了较高的预测精度。但由于数据量较少，训练参数较多，导致其训练时间较长，模型输出不稳定。陈伟等[12]将门控循环单元（Gated Recurrent Unit, GRU）神经网络算法应用到滑坡位移监测，相较于传统的滑坡位移预测方法，该方法不仅可以保持较好的精确性，而且能减少模型训练时间。
目前，SVR模型参数优化问题[13]以及将深度学习算法应用到时序问题分析中仍是研究热点，但由于SVR模型忽略了时间序列的长期相关性，导致未来周期项位移预测精度降低。LSTM与GRU等深度学习算法预测精度较高，但是模型结构复杂，训练时间较长。而组合模型突破了单一模型的局限性，又能够减少偶然因素对预测结果的影响，使预测结果有更好的精度和稳定性，并扩大模型适用范围。
综合考虑SVR模型和GRU模型在周期项位移预测中的效果，以及GRU模型相较于LSTM结构上的优势。文中提出将自适应粒子群优化的SVR模型与GRU模型相结合的加权集成模型应用于滑坡周期项位移预测中。选取三峡区域白水河滑坡ZG118与XD01监测点进行分析，根据时间序列加法模型的原理，应用移动平均法进行周期项位移的提取。为了降低单个预测模型带来的不稳定性，采用组合模型对滑坡周期项位移进行预测。其核心思想是将不同的模型赋予不同的权重系数，将各模型有效信息集中起来，综合利用各模型的预测结果，提高预测的准确性和有效性，提高模型的泛化能力。
1. 滑坡实例
1.1 白水河滑坡地质概况
白水河滑坡位于长江南岸，南北向长600 m，东西向宽700 m，滑体平均厚30 m，体积1.26×107 m3，滑坡后缘高程为410 m，以岩土分界处为界，前缘抵长江135 m水位以下，东西两侧以基岩山脊为界，总体坡度约30°。滑带以含碎石或者含角砾粉质黏土为主，自2003年三峡工程蓄水以来，受汛期降雨和三峡工程水位下调的影响，滑坡体开始出现变形。2004年根据白水河滑坡变形特征划定该滑坡预警区（图1），预警区东侧以黄土包凹槽为界，西侧以滑体西部山羊沟为界，后缘以高程297 m为界，前缘剪出口在长江库水位145 m水位以下。南北长500 m，东西宽430 m，面积21.5×104 m3，滑体平均厚30 m，体积6.45×106 m3，主滑方向20°，属深层大型土质滑坡。
1.2 监测数据分析
自2003年开始对滑坡进行监测，如图1所示滑坡共布置有4条监测线11个GPS监测点，其中部分监测点监测数据见图2[14]，从图2中可以看出该滑坡有明显的阶跃式位移特性，这正与汛期降雨吻合。为了更准确的分析滑坡位移变形趋势，同时考虑到数据的完整性，以及避免模型的偶然性，文中选取了预警区内XD01、ZG118两个监测点位移变化进行分析。图3为XD01、ZG118监测点累计位移量与库水位和雨量的关系图[15]。
![]()
图 2 滑坡监测设备累计位移-时间曲线Figure 2. Cumulative displacement-time curve of landslide monitoring equipment![]()
图 3 XD01、ZG118累计位移与库水位,降雨量关系图Figure 3. XD01, ZG118 relationship of accumulated displacement against reservoir water level and rainfall1.3 周期项位移提取
根据时间序列加法模型原理[16]，文中采用移动平均法[17]，选择12个月为周期间隔，获得周期项位移，图4为周期项位移的提取结果。
![]()
图 4 白水河滑坡XD01和ZG118监测点周期项位移提取Figure 4. Extracted displacement of period term at monitoring points XD01 and ZG118 of Baishuihe landslide2. APSO-SVR-GRU位移预测模型
2.1 APSO算法
传统粒子群优化算法（PSO）存在着早熟收敛、搜索精度不高、后期迭代效率低等不足。因此文中在原有算法的基础上引入自适应权重调整方法与学习因子异步优化方法，组成自适应粒子群优化算法（APSO）进行参数寻优，使算法可以兼顾全局寻优和局部寻优，有效地避免算法早熟收敛。
粒子群优化算法中的权重因子（
$\omega $ ）是平衡算法全局搜索能力和局部搜索能力的重要参数，因此文中引入自适应惯性权重调整方法[18]，其公式为：$$ \omega =\left\{\begin{split}&{\omega }_{\mathrm{min}}+\frac{({\omega }_{\mathrm{max}}-{\omega }_{\mathrm{min}})(f-{f}_{\mathrm{min}})}{{f}_{{\rm{avg}}}-{f}_{\mathrm{min}}},f\leqslant {f}_{{\rm{avg}}}\\ &{\omega }_{\mathrm{max}},f > {f}_{{\rm{avg}}}\end{split}\right. $$ (1) 式中：
${\omega _{\min }}$ ——权重最小值；${\omega _{\max }}$ ——权重最大值；$f$ ——粒子任意时刻适应度值；${f_{\min }}$ ——粒子群中最小适应度值；${f_{{\rm{avg}}}}$ ——粒子群的平均适应度值。学习因子
${c_1}$ 、${c_2}$ 主要影响算法的寻优精度，${c_1}$ 较大会增长迭代时间；${c_2}$ 较大的则会导致粒子过早收敛到局部最优值，导致算法早熟[19]。因此，调整两个学习因子在优化过程中随迭代次数进行自适应变化，有利于收敛到全局最优[20]。引入自适应异步学习因子[21]公式如下：$$ {c_1} = {c_{1,{\text{ini}}}} + \frac{{{c_{1,\text{fin}}} - {c_{1,\text{ini}}}}}{{{k_{\max }}}} \cdot k $$ (2) $$ {c_2} = {c_{2,\text{ini}}} + \frac{{{c_{2,\text{fin}}} - {c_{2,\text{ini}}}}}{{{k_{\max }}}} \cdot k $$ (3) 式中：
${c_{1,\text{ini}}}$ 、${c_{2,\text{ini}}}$ ——${c_1}$ 、${c_2}$ 的初始值；${c_{1,\text{fin}}}$ 、$ {c_{2,\text{fin}}} $ ——${c_1}$ 、${c_2}$ 的终止值；$k$ ——迭代次数。2.2 APSO-SVR模型
支持向量机回归机模型（Support Vector Regression, SVR）采用回归函数
${{{y}}_i} = f({x_i}) = {\omega ^*}\phi ({x_i}) + b$ 拟合训练集中的样本点$\{ {x_i},{y_i}\} $ ,$i = 1,2, \cdots ,n,$ ${x_i} \in {R_m}$ ，$\phi ({x_i})$ 是周期项位移影响因子${x_i}$ 映射后的特征向量，${y_i} \in {R_m}$ 为周期项位移值；${\omega ^*}$ 为$m$ 维权值向量，$b$ 为偏移项，根据SVR的基本原理，拟合过程最终转化为凸优化问题[22]，其形式为：$$ \min \frac{1}{2}({\omega ^*},{\omega ^*}) + C\sum\limits_{i = 1}^n {({\xi _i} + \xi _i^*)} $$ (4) $$ \left\{ {\begin{split} &{f({x_i}) - {y_i} \leqslant \varepsilon + {\xi _i}} \\ &{{y_i} - f({x_i}) \leqslant \varepsilon + \xi _i^*} \\ &{{\xi _i},\xi _i^* \geqslant 0,i = 1,2,\cdots,m} \end{split}} \right. $$ (5) 式中：
$C$ ——惩罚系数用来平衡模型准确率与模型的复 杂度；${\xi _i}$ 、$\xi _i^*$ ——松弛变量用来避免模型出现过拟合；$\varepsilon $ ——不敏感损失函数，表示位移预测值$f({x_i})$ 与真实位移值${y_i}$ 的偏差。引入拉格朗日乘子将原问题转成对偶问题，最终计算得到SVR的回归模型为：
$$ f(x) = \sum\limits_{i = 1}^m {({\alpha _i} - \alpha _i^*)} k(x,{x_i}) + b $$ (6) $$ k(x,{x_i}) = \exp\left( - \frac{{{{\left\| {x - {x_i}} \right\|}^2}}}{{2{\sigma ^2}}}\right) $$ (7) 式中：
${\alpha _i}$ 、$\alpha _i^*$ ——拉格朗日乘子；核函数
$k(x,{x_i})$ ——$x$ 与${x_i}$ 映射到特征空间的内积，可 以代替特征空间内的复杂运算。文中采用径向基函数作为支持向量机回归模型的核函数。
公式中惩罚系数
$C$ 与核函数参数$\gamma $ ($\gamma = 1/2{\sigma ^2}$ )的选择严重影响SVR模型的性能，因此基于APSO构建的APSO-SVR预测模型在预测过程不仅可以寻求最佳参数，避免盲目试算，还能提高SVR模型预测精度。首先将滑坡位移影响因子作为输入，初始化粒子群相关参数，将$C$ 和$\gamma $ 的初始搜索范围设定为[2-8]，以SVR模型的预测均方差作为目标函数，计算寻找全局最优值。如图5为APSO-SVR模型建立流程图。2.3 GRU模型建立
GRU算法[23]和LSTM算法[24]都属于卷积神经网络（RNN）的变种，与LSTM算法相比，GRU算法在保证预测精度和大幅降低训练时间的同时精简了门控单元数量。
在模型设计时，选用三层GRU单元，一层全连接单元网络结构，采用tanh作为激活函数，并将损失函数参数设置为均方误差（Mean Square Error, MSE），训练轮次Epoch设置为10，每个Epoch迭代50次。模型结构如图6所示。
2.4 基于最小二乘法建立组合模型
最小二乘法通过最小化误差的平方和寻找数据的最佳函数匹配，利用最小二乘法可以不考虑主观因素的影响，构建基于客观赋权的组合模型。在时间步长
$t$ 时刻，GRU模型预测位移为$G({{t}})$ ，支持向量机回归模型预测位移为$S(t)$ ，GRU和APSO-SVR所构成的组合模型APSO-SVR-GRU在$t$ 时刻预测位移设$E(t)$ 。$$ E(t) = \omega _1'G(t) + \omega _2'S(t),t = 1,2,3,\cdots,N $$ (8) 式中：
$\omega _1'$ 、$\omega _2'$ —GRU模型与APSO-SVR模型的权重 系数。在组合模型建立的过程中，常采用拟合误差平方和达到最小来计算权重系数，设
${e_t}$ 为组合模型在$t$ 时刻的预测误差，${E_t}$ 为组合模型在$t$ 时刻的预测值，验证数据集中在时间步长$t$ 的原始位移为$O(t)$ 。$$ {e_t} = {O_{{t}}} - {E_t} = \omega _1'{e_{1t}} + \omega _2'{e_{2t}} $$ (9) 式中：
${e_{1t}}$ ——GRU模型在$t$ 时刻的周期项位移预测误差；${e_{2t}}$ ——APSO-SVR模型在$t$ 时刻的周期项位移预测误差，其中GRU模型加权系数$\omega _1'$ 与APSO-SVR模型加权系数$\omega _2'$ 满足$ \omega _1' + \omega _2' = 1 $ ，且$\omega _1'$ 和$\omega _2'$ 都大于零。设Q为组合模型的误差平方和，N为模型训练总时长，则建立公式如下：
$$ Q = \sum\limits_{i = 1}^2 {\left| {e_t^2} \right|} = \sum\limits_{t = 1}^N {\left| {\sum\limits_{i = 1}^2 {\omega _i'e_{it}^2} } \right|} $$ (10) 通过将问题转化为以误差平方和为准则的最优化问题，记为：
$$ \min Q = \sum\limits_{t = 1}^N {\left| {\sum\limits_{i = 1}^2 {\omega _i'e_{it}^2} } \right|} $$ (11) $${\text{st}}:\omega _1' + \omega _2' = 1,{\text{ }}\omega _1' > 0,\omega _2' > 0 $$ 对于公式11在求解时引入拉格朗日乘数λ构建目标函数，然后对目标函数中的
$\omega $ 求偏导构建线性方程组。求解方程组得模型最优权重并对最优权重比的组合模型进行训练拟合。图7为APSO-SVR-GRU组合模型预测流程图。3. 试验分析与讨论
3.1 数据选择
文中选取白水河滑坡XD01监测点与ZG118监测点2006年12月—2012年12月的库水位值、降雨量、位移值等144组监测数据作为数据集，其中降雨量与位移值为当月累计值，水位值为当月均值，将80%的数据作为拟合数据集，20%的数据作为验证数据集，用来检测模型的预测效果。同时为了验证模型的预测精度，选用均方根误差（Root Mean Square Error, RMSE），以及平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）作为模型预测效果的评判标准[25]。
3.2 数据预处理
为了提高模型的预测精度选取文献[26]提到的周期项位移影响因子作为模型输入，其中包括当月累计降雨量、前一个月累计降雨量、前两个月累计降雨量、当月库水位、当月库水位变化量、过去两个月库水位变化量、当月累计位移量、与近两个月累计位移量和与近三个月累计位移量。由于数据类型不同，为了消除数据间量纲的影响，对所有监测数据归一化处理到[0,1]，公式如下：
$$ y = \frac{{({x_i} - {x_{i\min }})}}{{({x_{i\max }} - {x_{i\min }})}} $$ (12) 式中：
${x_{i\max }}$ ——变量$i$ 最大值；${x_{i\min }}$ ——变量$i$ 最小值；${x_i}$ ——原始值；$y$ ——归一化值。3.3 模型参数选择与试验结果
将数据归一化处理之后作为APSO-SVR-GRU模型的输入参数，为了验证其有效性，选取APSO-SVR模型与GRU模型进行对比试验。首先通过APSO算法对SVR模型中的惩罚系数（C）以及RBF核函数参数进行寻优，经过多次试验最终得到最优参数组合结果见表1，通过最小二乘法的计算得到组合模型的权重见表2，应用测试数据集对各模型进行验证得到各预测模型的预测结果见图8—9，三种模型的预测效果评价见表3。
表 1 SVR组合参数Table 1. SVR combination parameter监测点 ${C_{{\rm{best}}} }$ ${\gamma _{{\rm{best}}} }$ XD01 6.431 0.212 ZG118 4.758 0.234 表 2 组合模型权重分配Table 2. Weight distribution of combined models监测点 GRU APSO-SVR $\omega _1'$ $\omega _2'$ XD01 0.482 0.518 ZG118 0.437 0.563 ![]()
图 8 监测点ZG118周期项位移预测曲线图Figure 8. Displacement prediction curve of periodic term at monitoring point ZG118![]()
图 9 监测点XD01周期项位移预测Figure 9. Displacement prediction of period term of monitoring point XD01表 3 监测点XD01和ZG118三种模型预测精度对比Table 3. Prediction accuracy analysis of three models of monitoring point XD01 andZG118模型 MAPE/% RMSE/mm XD01 ZG118 XD01 ZG118 GRU 19.89 21.18 11.79 14.51 APSO-SVR 16.27 19.81 10.36 13.75 APSO-SVR-GRU 12.69 14.08 7.02 8.98 由表3可知，组合模型周期项位移预测的平均绝对百分比误差（MAPE）对比GRU模型与APSO-SVR模型在监测点ZG118分别降低了7%、5%，均方根误差分（RMSE）别降低了5.6 mm、4.8 mm。在监测点XD01平均绝对百分比误差（MAPE）分别降低了7%、4%，均方根误差分别降低了4.8 mm、3.4 mm。结果表明基于相同训练集时组合模型稳定性较好，相较于两个单一模型预测精度较高。
由表2以及图8和图9可以看出，GRU和APSO-SVR模型的预测精度影响其在组合模型中的权重比例，APSO-SVR模型在监测点XD01与监测点ZG118预测效果整体较好，其在组合模型的权重占比较大，提高了组合模型的预测精度。
为了进一步验证组合模型的优势，将这三种模型用于白水河滑坡其它两个监测点XD02、ZG93，预测该两个监测点2009年周期项位移的变化趋势，其结果分别见图10—11。从图中可以看出将组合模型应用于阶跃型边坡周期项位移预测效果要优于两个单一模型，说明了该组合模型具有一定的鲁棒性。表4为三种模型的预测精度对比。
![]()
图 10 监测点XD02周期项位移预测Figure 10. Displacement prediction of period term of monitoring point XD02![]()
图 11 监测点ZG93周期项位移预测Figure 11. Displacement prediction of period term of monitoring point ZG93表 4 监测点XD02和ZG93三种模型预测精度对比Table 4. Prediction accuracy analysis of three models of monitoring point XD02 and ZG93模型 MAPE/% RMSE/mm XD02 ZG93 XD02 ZG93 GRU 20.48 22.18 15.22 17.79 APSO-SVR 17.21 18.88 12.35 11.36 APSO-SVR-GRU 13.78 14.97 7.68 6.01 3.4 分析与讨论
试验基于相同训练集进行周期项位移预测时，静态SVR模型的预测精度较高于GRU模型，其主要原因为SVR模型在小样本训练数据下有较为理想的预测性能。但SVR模型只能学习当前时刻的信息，忽略了滑坡位移变化是一个随时间变化的动态过程，由于位移影响因素存在滞后效应，随着预测时间的增加，结果的准确性将受到长期历史信息的干扰（即数据存在时效性），必然会导致预测精度的降低。虽然有部分学者已经考虑到训练数据的时效性问题，改进了SVR预测模型[27-30]，但该类方法依旧缺乏有效的定量判别依据。
由于循环神经网络可以解决数据之间的联系与数据有效性问题，文中将动态模型GRU与静态模型SVR相结合，提供了一种新的研究模型。该模型充分发挥了动态模型GRU处理时间序列挖掘前后相关信息的能力，可以表达影响因素的长期作用，而且在有限的训练样本情况下也可保持较好的预测精度，从试验结果可知组合模型在四个监测点的RMSE值小于9 mm，MAPE的值相较于其他两个模型平均降低约6%，因此该模型在滑坡周期项位移预测中具有较高的应用价值。
试验对象主要基于阶跃型滑坡，主要考虑降水和水位对位移的影响，但不同滑坡地质构造存在差异，在实际应用中应先确定不同滑坡周期位移变化的影响因素，从而提高模型的适用性。
4. 结论
文中基于白水河滑坡监测点降水、水位和GPS位移等监测数据，建立基于线性组合理论的APSO-SVR-GRU的组合周期项位移预测模型，试验结果分析表明：
（1）通过采用自适应惯性权重调整方法与学习因子异步化策略相结合的自适应粒子群算法，可以提高算法的全局搜索与局部寻优的平衡性促使粒子快速收敛到全局最优。
（2）与传统的单一模型相比，文中根据最小方差准则得到权重最优的线性组合模型（APSO-SVR-GRV）提高了模型的预测精度，使最终预测效果较为理想，具有较高的工程应用价值。
（3）滑坡作为一个整体，其内部结构较为复杂，随着信息技术的不断发展，深部位移的监测数据可以更好的体现出滑坡内部变化，所以将地表位移与深部位移相结合构建预测模型是未来发展趋势。
-
![]()
图 4 研究区部分较理想的干涉图
注：（a）、（b）、（c）为升轨数据干涉图，（d）、（e）、（f）为降轨数据干涉图
Figure 4. Ideal interference patterns in the study area
![]()
图 6 升轨潜在滑坡解译及实地考察结果
Figure 6. Interpretation and field investigation results of potential landslide in ascending orbit
![]()
图 7 降轨潜在滑坡解译及实地考察结果
Figure 7. Interpretation and field investigation results of potential landslide in descending orbit
表 1 Sentinel-1A数据参数
Table 1 Sentinel-1A data parameters
轨道方向 成像模式 极化方式 波长 波段 入射角/(°) 升轨 IW VV 5.63 C 39.44 降轨 IW VV 5.63 C 39.28 
下载: 导出CSV
表 2 升轨数据库岸形变区域解译结果列表
Table 2 List of interpretation results of shore deformation region in orbit lifting database
编号 形变区域名称 最大形变速率/（mm·a−1） 形变区域类别 H1 观音岩 19.846 潜在滑坡 H2 鱼坝 18.537 潜在滑坡 X1 六城村 76.259 非滑坡形变 X2 半坡 55.947 非滑坡形变
下载: 导出CSV
表 3 降轨数据库岸形变区域解译结果列表
Table 3 List of interpretation results of shore deformation region in orbit descent database
编号 形变区域名称 最大形变速率/（mm·a−1） 形变区域类别 H3 观音岩 10.726 潜在滑坡 H4 清水沟 17.605 潜在滑坡 H5 鱼坝 19.326 潜在滑坡 H6 大湾子 15.888 潜在滑坡 X3 六城村 48.871 非滑坡形变 X4 半坡 61.425 非滑坡形变
下载: 导出CSV
-
[1] 代贞伟,殷跃平,魏云杰,等. 三峡库区藕塘滑坡特征、成因及形成机制研究[J]. 水文地质工程地质,2015,42(6):145 − 153. [DAI Zhenwei,YIN Yueping,WEI Yunjie,et al. Characteristics,origin and formation mechanism of the Outang landslide in the Three Gorges Reservoir area[J]. Hydrogeology & Engineering Geology,2015,42(6):145 − 153. (in Chinese with English abstract) [2] 张鹏,张森林,黄波林,等. 岸坡消落带岩体劣化的新生型滑坡(崩塌)隐患演化模式研究[J]. 工程地质学报,2021,29(5):1416 − 1426. [ZHANG Peng,ZHANG Senlin,HUANG Bolin,et al. Study on the evolution model of neogenic landslide (collapse) hazards in rock mass of hydro-fluctuation belt[J]. Journal of Engineering Geology,2021,29(5):1416 − 1426. (in Chinese with English abstract) [3] 裴小龙,杨瀚文,宋东阳,等. 雅砻江中游楞古水电站夏日滑坡发育特征及稳定性分析[J]. 中国地质灾害与防治学报,2022,33(1):75 − 82. [PEI Xiaolong,YANG Hanwen,SONG Dongyang,et al. Characteristics and stability analysis of Xiari landslide at Lenggu hydropower station in the middle reach of the Yalong river[J]. The Chinese Journal of Geological Hazard and Control,2022,33(1):75 − 82. (in Chinese with English abstract) [4] 李松林,许强,汤明高,等. 三峡库区滑坡空间发育规律及其关键影响因子[J]. 地球科学,2020,45(1):341 − 354. [LI Songlin,XU Qiang,TANG Minggao,et al. Study on spatial distribution and key influencing factors of landslides in Three Gorges Reservoir area[J]. Earth Science,2020,45(1):341 − 354. (in Chinese with English abstract) [5] 何少其,刘元雪,杨骏堂,等. 库岸堆积层滑坡位移的分量响应模式及多因子模型[J]. 岩土力学,2020,41(8):2773 − 2784. [HE Shaoqi,LIU Yuanxue,YANG Juntang,et al. A component response mode and multi-factor model for accumulation landslide displacement induced by reservoir[J]. Rock and Soil Mechanics,2020,41(8):2773 − 2784. (in Chinese with English abstract) [6] 廖明生,董杰,李梦华,等. 雷达遥感滑坡隐患识别与形变监测[J]. 遥感学报,2021,25(1):332 − 341. [LIAO Mingsheng,DONG Jie,LI Menghua,et al. Radar remote sensing for potential landslides detection and deformation monitoring[J]. National Remote Sensing Bulletin,2021,25(1):332 − 341. (in Chinese with English abstract) [7] 解明礼,巨能攀,刘蕴琨,等. 崩塌滑坡地质灾害风险排序方法研究[J]. 水文地质工程地质,2021,48(5):184 − 192. [XIE Mingli,JU Nengpan,LIU Yunkun,et al. A study of the risk ranking method of landslides and collapses full text replacement[J]. Hydrogeology & Engineering Geology,2021,48(5):184 − 192. (in Chinese with English abstract) [8] 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):1053 − 1057. [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):1053 − 1057. (in Chinese with English abstract) [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. [LU Huiyan,LI Weile,XU Qiang,et al. 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[J]. Geomatics and Information Science of Wuhan University,2019,44(9):1342 − 1354. (in Chinese with English abstract) DOI: 10.13203/j.whugis20190086 [10] 闫怡秋,郭长宝,张永双,等. 基于SBAS-InSAR技术的西藏雄巴古滑坡变形特征[J]. 地质学报,2021,95(11):3556 − 3570. [YAN Yiqiu,GUO Changbao,ZHANG Yongshuang,et al. Study of the deformation characteristics of the Xiongba ancient landslide based on SBAS-InSAR method,Tibet,China[J]. Acta Geologica Sinica,2021,95(11):3556 − 3570. (in Chinese with English abstract) DOI: 10.3969/j.issn.0001-5717.2021.11.027 [11] 苏晓军,张毅,贾俊,等. 基于InSAR技术的秦岭南部略阳县潜在滑坡灾害识别研究[J]. 山地学报,2021,39(1):59 − 70. [SU Xiaojun,ZHANG Yi,JIA Jun,et al. InSAR-based monitoring and identification of potential landslides in Lueyang County,the southern Qinling Mountains,China[J]. Mountain Research,2021,39(1):59 − 70. (in Chinese with English abstract) [12] 徐帅,王尚晓,牛瑞卿. 基于InSAR技术的三峡库区巫山—奉节段潜在滑坡识别[J]. 安全与环境工程,2020,27(1):32 − 38. [XU Shuai,WANG Shangxiao,NIU Ruiqing. Identification of the potential landslide in Wushan:Fengjie in the Three Gorges Reservoir area based on InSAR technology[J]. Safety and Environmental Engineering,2020,27(1):32 − 38. (in Chinese with English abstract) DOI: 10.13578/j.cnki.issn.1671-1556.2020.01.006 [13] 王振林,廖明生,张路,等. 基于时序Sentinel-1数据的锦屏水电站左岸边坡形变探测与特征分析[J]. 国土资源遥感,2019,31(2):204 − 209. [WANG Zhenlin,LIAO Mingsheng,ZHANG Lu,et al. Detecting and characterizing deformations of the left bank slope near the Jinping hydropower station with time series Sentinel-1 data[J]. Remote Sensing for Land & Resources,2019,31(2):204 − 209. (in Chinese with English abstract) [14] 朱同同,史绪国,周超,等. 利用2016—2020年Sentinel-1数据监测与分析三峡库区树坪滑坡稳定性[J]. 武汉大学学报·信息科学版,2021,46(10):1560 − 1568. [ZHU Tongtong,SHI Xuguo,ZHOU Chao,et al. Stability monitoring and analysis of the shuping landslide in the Three Gorges area with Sentinel-1 images from 2016 to 2020[J]. Geomatics and Information Science of Wuhan University,2021,46(10):1560 − 1568. (in Chinese with English abstract) [15] 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):4284 − 4292. [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):4284 − 4292. (in Chinese with English abstract) [16] LIAO M S,BALZ T,ZHANG L,et al. Characterization of landslide deformations in Three Gorges area using multiple InSAR data stacks[J]. Remote Sensing,2013,5(6):2704 − 2719. DOI: 10.3390/rs5062704
[17] ZHOU C,CAO Y,YIN K L,et al. Landslide characterization applying sentinel-1 images and InSAR technique:The muyubao landslide in the Three Gorges Reservoir area,China[J]. Remote Sensing,2020,12:3385. DOI: 10.3390/rs12203385
[18] LIU P,LI Z H,HOEY T,et al. Using advanced InSAR time series techniques to monitor landslide movements in Badong of the Three Gorges Region,China[J]. International Journal of Applied Earth Observation and Geoinformation,2013,21:253 − 264. DOI: 10.1016/j.jag.2011.10.010
[19] 佘雅文,付广裕,赵倩,等. 白鹤滩水电站蓄水引起重力与库仑应力变化的模拟研究[J]. 地球物理学报,2021,64(6):1925 − 1936. [SHE Yawen,FU Guangyu,ZHAO Qian,et al. Simulating changes of gravity and Coulomb stress caused by the impoundment of the Baihetan hydropower station[J]. Chinese Journal of Geophysics,2021,64(6):1925 − 1936. (in Chinese with English abstract) DOI: 10.6038/cjg2021O0163 [20] 冯文凯,易小宇,白慧林,等. 白鹤滩水库初次蓄水对双河段岸坡稳定性的影响预测分析[J]. 科学技术与工程,2021,21(1):346 − 352. [FENG Wenkai,YI Xiaoyu,BAI Huilin,et al. Prediction and analysis of influence of the first impoundment of Baihetan Reservoir on the bank slope stability of Shuanghe river section[J]. Science Technology and Engineering,2021,21(1):346 − 352. (in Chinese with English abstract) [21] 王哲,赵超英,刘晓杰,等. 西藏易贡滑坡演化光学遥感分析与InSAR形变监测[J]. 武汉大学学报·信息科学版,2021,46(10):1569 − 1578. [WANG Zhe,ZHAO Chaoying,LIU Xiaojie,et al. Evolution analysis and deformation monitoring of yigong landslide in Tibet with optical remote sensing and InSAR[J]. Geomatics and Information Science of Wuhan University,2021,46(10):1569 − 1578. (in Chinese with English abstract) DOI: 10.13203/j.whugis20210168 [22] 黄观文,王家兴,杜源,等. 顾及降雨及库水位因素的滑坡时滞分析与预测—以三峡库区新铺滑坡为例[J]. 地球科学与环境学报,2021,43(3):621 − 631. [HUANG Guanwen,WANG Jiaxing,DU Yuan,et al. Time-delay analysis and prediction of landslide considering precipitation and reservoir water level:A case study of Xinpu landslide in Three Gorges Reservoir area,China[J]. Journal of Earth Sciences and Environment,2021,43(3):621 − 631. (in Chinese with English abstract) [23] HUANG H N, ZHANG X B, LI Z R, et al. Stability evaluation at Xishan Loess landslide using InSAR technique applying ascending and descending SAR data[C]//2021: 034519.
[24] 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):2375 − 2383. DOI: 10.1109/TGRS.2002.803792
[25] DAI F,JIANG P,XU N W,et al. Focal mechanism determination for microseismic events and its application to the left bank slope of the Baihetan hydropower station in China[J]. Environmental Earth Sciences,2018,77(7):268. DOI: 10.1007/s12665-018-7443-1
[26] 喜文飞. 滇东北山区无人机遥感影像预处理方法及滑坡特征识别研究[D]. 昆明: 云南师范大学, 2019 XI Wenfei. Study on remote sensing image preprocessing method and landslide feature identification of UAV in northeast Yunnan Mountain area[D]. Kunming: Yunnan Normal University, 2019. （in Chinese with English abstract）
[27] 张欣,王运生. 白鹤滩水电站库区小江断裂带活动性研究[J]. 工程地质学报,2017,25(2):531 − 540. [ZHANG Xin,WANG Yunsheng. Activities of Xiaojiang fault zone in Baihetan hydropower station reservoir[J]. Journal of Engineering Geology,2017,25(2):531 − 540. (in Chinese with English abstract) -
期刊类型引用(12)
1. 王深禾，王世杰. 白鹤滩库区水位波动对滑坡形变的影响. 地球物理学进展. 2025(01): 94-105 . 
百度学术
2. 李志国，徐涛，刘永杰，赵立春，徐勇超，杨天鸿，郑小斌. 露天矿边坡稳定性的层次分析-模糊综合评价耦合分析. 中国地质灾害与防治学报. 2024(01): 116-123 . 本站查看
3. 岳磊，刘昌义，丛晓明，唐彬元，付江涛，邢光延，雷浩川，赵吉美，吕伟涛，胡夏嵩. 基于InSAR技术的夏藏滩滑坡区地表变形监测与分析. 水文地质工程地质. 2024(03): 158-170 . 百度学术
4. 陈跨越，王保云. 联合时序InSAR技术和CS-Elman神经网络的板子沟地表形变监测与预测模型性能的评估. 地球物理学进展. 2024(03): 1003-1016 . 百度学术
5. 李昊，李叶繁，魏长婧，王磊杰，康利军，姜川. 基于SBAS-InSAR技术的登封市潜在地质灾害识别研究. 河南科学. 2024(08): 1170-1178 . 百度学术
6. 张攀，李为乐，陆会燕，周胜森，李维敏，许善淼. 基于SBAS-InSAR的库区活动滑坡变形特征与库水位变化响应关系：以四川省黑水县毛尔盖水电站为例. 科学技术与工程. 2024(28): 11991-12002 . 百度学术
7. 洪文玉，喜文飞，钱堂慧，郭峻杞，靳婷婷. SBAS-In SAR下小湾水库-澜沧江段库岸滑坡空间分布统计. 测绘科学. 2024(10): 59-68 . 百度学术
8. 武彬彬，罗超鹏，余波，刘沛源. 基于FLOW-3D的滑坡运动过程模拟研究. 甘肃水利水电技术. 2023(03): 17-20 . 百度学术
9. 戴可人，吴明堂，卓冠晨，居安华，温柠玲，冯文凯，许强. 西南山区大型水电工程库岸滑坡InSAR早期识别与监测研究进展. 地球科学与环境学报. 2023(03): 559-577 . 百度学术
10. 崔华丽，谯鹏志，王佃明. 库水位变动情况下库岸边坡稳定性研究——以白鹤滩水电站石圪垴滑坡为例. 钻探工程. 2023(05): 36-42 . 百度学术
11. 何清，魏路，肖永红. 基于SBAS-InSAR技术的安徽亳州市地面沉降时空分布特征与影响因素分析. 中国地质灾害与防治学报. 2023(05): 81-90 . 本站查看
12. 孙鹏. 基于Stacking-InSAR和SBAS-InSAR地面沉降监测方法研究——以新疆阿勒泰地区为例. 经纬天地. 2023(06): 58-64 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 1851
- HTML全文浏览量: 259
- PDF下载量: 288
- 被引次数: 15
邮件订阅
RSS