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
泥石流是山区一种常见且极其严重的地质灾害，它是由水和大量松散物质（如沉积物、碎屑、泥沙等）组成的混合物，具有极强的破坏能力，在世界各地的山区造成巨大的人员伤亡和经济损失[1]。汶川大地震触发了大量崩塌和滑坡，为泥石流发育提供了丰富的物源，地震灾区泥石流活动进入了活跃期[2 − 5]，研究泥石流易发性及影响因子的贡献率，旨在为未来该区域泥石流灾害的防灾减灾提供参考依据。
以往对于区域泥石流易发性评价通常依据主观经验和统计方法，并结合遥感和地理信息系统展开，主要的方法包括：层次分析法，模糊综合评价法，信息量模型，贡献权重叠加模型等[6 − 9]。随着人工智能的迅速发展，机器学习凭借其强大的非线性建模能力被广泛地运用于灾害领域，如滑坡、山洪、森林火灾以及少量的泥石流易发性研究等[10 − 13]。与前述传统易发性评价方法相比，机器学习方法在数据处理阶段无需归一化批量处理数据、无需对评价因子权重进行主观赋值、能够客观计算评价因子贡献率及泥石流易发性概率。同时，由于机器学习模型众多且不同模型具有不同适用条件，对比分析不同机器学习模型的评价结果，并在此基础上开展泥石流易发性评价和因子贡献率及其原因分析，对于优选评价模型和提高评价结果准确性和可靠性具有重要意义。
本文以岷江上游为研究区，以小流域为评价单元，分别采用5种机器学习模型对汶川大地震前、后岷江上游泥石流易发性进行评价，优选出最佳模型，并在此基础上结合各因子的贡献率及其变化对地震前、后研究区泥石流发育规律进行分析与研究。
1. 研究区概况
岷江上游位于四川盆地向青藏高原东缘的过渡地带，在40～50 km水平范围内海拔从700 m陡变至5000 m，河流深切，地表起伏差异大，属于典型的高山峡谷区[14]，见图1（a）。岷江上游干流全长约340 km，流域面积21580 km2，根据干流河道纵剖面特征可将干流由上游向下游分为北段、中段和南段，支流按汇入干流由南向北依次为：寿溪流域、渔子溪流域、杂谷脑河流域、黑水河流域、小姓沟流域，见图1（b）。基于Alos12.5 m DEM数据，根据ArcGIS 软件中的水文分析模块通过设定合理阈值提取小流域，结果表明5000为最佳的提取阈值。DEM自动提取的小流域在丘陵洼地等与实际不符合的区域需结合遥感数据进行手动修正，经手动校正后共提取出1848条小流域，作为泥石流易发性评价单元，见图1（c）。
岷江上游地质条件复杂，新构造运动强烈，区内断层发育、地震活动频繁，地质灾害多发。“5•12”汶川大地震前岷江上游共有127条泥石流沟，受汶川大地震的影响，大量滑坡和崩塌堆积于坡脚，为泥石流发育提供了丰富的物源，震后累计新增320条泥石流沟，主要沿岷江干流及黑水河、杂谷脑河两岸分布。
2. 研究方法
2.1 易发性评价流程
如图2所示，易发性评价流程是根据不同易发性评价因子和泥石流在1848条流域的分布情况生成数据集，按7∶3的比例将其分为训练集和测试集[13 − 14]，分别采用5种机器学习模型对其进行易发性评价，根据预测精度（predictive accuracy，ACC）和受试者工作特征曲线（receiver operating characteristic curve，ROC）下的面积（area under curve，AUC）选出最佳模型，并根据最佳模型确定震前震后各评价单元泥石流的易发性及不同评价因子的贡献率。
2.2 机器学习模型概述
本文选取具有代表性的5种机器学习模型，根据其内置数学原理和迭代方法的不同，分为浅层和集成两类，其架构如图3所示。通过ACC和ROC来对比各个模型的性能，选择出最优模型运用于泥石流易发性评价。
（1）朴素贝叶斯（naive Bayes，NB）
朴素贝叶斯算法是一种经典的概率统计机器学习模型，它因应用简单和高学习效率的优点被广泛应用[15 − 16]，模型的基础架构为贝叶斯定理。在本研究中，贝叶斯定理和全概率公式的结合被用于构建泥石流易发性评估模型。在模型的训练过程中，先验概率
$P(y = j)$ 预先被计算，其次求出小流域x相对于小流域泥石流发生与否的状况类别$j$ 的类条件概率$ P(x\left| {y = j} \right.) $ ，具体过程如式（1）所示：$$ P(\left. x \right|y = j) = \prod\limits_{f = 1}^F P ({x_f}\left| {y = j} \right.) $$ (1) 式中：f——小流域的特征序列，每个小流域x共包括 F维特征。
随后，将类条件概率和先验概率相乘即可得到小流域x为泥石流发生与否的状况类别j的后验概率
$ P(y = j\left| x \right.) $ 。上述即是模型在测试过程中的原理，小流域最大的后验概率所评估的泥石流是否发生即为模型的最终输出。（2）逻辑回归（logistic regression，LR）
逻辑回归是一种广泛运用于敏感性评估的多元回归算法[17 − 18]，与属于生成性模型的朴素贝叶斯不同，它属于判别式模型；其中，模型中的因变量以数据编码的形式呈现，通常是“0”和“1”两个编码。因此，该模型适用于本研究以判定泥石流是否发生，将“0”定义为泥石流不发生，“1”则为泥石流发生。模型的构造过程可大致分为以下三步：（1）建立预测函数；（2）计算代价函数；（3）多次迭代用于模型调参，最终可在y=0和y=1之间拟合一条最佳回归线。
（3）决策树（decision tree，DT）
决策树算法通常被用于统计模型中[19 − 20]；其基础架构由一个根节点、多个内部结点和叶节点组成，其中叶子节点代表分类的最终结果，标志着分支的结束；内部节点作为根节点和叶节点之间的连接纽带，代表了数据属性；根结点作为决策树模型的开端，应用“if-then”的逻辑并不断向下分支，其中分支所用到的样本特征即为影响泥石流发生的参数。在决策树的分支过程中，Gini系数作为一个标准进行特征优化，通过基尼系数，决策树模型不断深化，最终得到精确度最高的分类模型。如下式所示：
$$ Gini(P) = \sum\limits_{j = 1}^J {{P_j}(1 - {P_j})} = 1 - \sum\limits_{j = 1}^J {{P_j}^2} $$ (2) 式中：
$ {P_j} $ ——选中的小流域属于j类别的概率 。（4）随机森林（random forest，RF）
随机森林是基于同构集成策略的集成学习模型[21 − 22]，由多个决策树通过bagging算法组合而成。在本研究中，该模型的核心思想为小流域数据集的来回抽样，预先生成多个决策树模型，每个决策树模型从整体数据集中随机选取k个小流域进行训练，通过多数投票机制确立最后的分类结果（泥石流发生与否）。此外，n_estimator，即决策树的个数对于随机森林模型的准确率影响较大，应在模型应用前进行参数调优。
（5）极端梯度提升（extreme gradient boosting，XGBoost）
与上述的随机森林模型不同，XGBoost模型以gradient boosting算法[23]作为核心思想进行基础决策树模型的集成，它最早由Chen等[24]在2016年提出。该算法的构造过程是多棵决策树的先后拟合，每棵新决策树取以上一棵决策树的最优预测结果为构造基准，由此不断分裂出新的决策树，并将其与先前树的预测结果拟合，将多棵决策树的预测结果累加以得到最终的预测结果。为了防止过拟合现象的产生，该算法通过损失函数中的正则项控制分裂过程中的树的复杂程度，算法的目标函数如下式所示：
$$ {O_w} = \sum\limits_{i = 1}^I {L({y_i},F({x_i})) + \sum\limits_{t = 1}^T {\theta ({t_w}} )} $$ (3) 式中：
${O_w}$ ——目标函数；L——损失函数；
$ \theta $ ——正则化项；${t_w}$ ——XGBoost构造过程中的单一决策树模型；T——决策树的总数量；每一棵树都利用了数量为I的样本进行训练，
${y_i}$ 、$F({x_i})$ ——代表小流域${x_i}$ 的真实映射值和预测值。2.3 评价因子选取与数据获取
根据小流域形成泥石流的孕灾条件从地形地貌、降雨、地质、植被覆盖和人类活动5个方面选取了震前11个因子，震后12个评价因子。
（1）地形地貌：面积坡度积分、侵蚀传递系数[25]、面积高程积分、纵沟比降、形状系数和流域面积6个指标因子（根据12.5 m 的DEM栅格数据提取）；
（2）降雨：汶川地震前、后年均降雨量（国家气象科学数据中心获取岷江上游汶川地震前及2017年年均降雨量，为矢量数据）；
（3）地质：距断层距离、岩性、汶川地震地震烈度（由1∶ 200 000地质图提取岷江上游地区流域距断层距离和地层岩性信息；从岩性的抗侵蚀能力角度出发，根据《岩土工程勘察规范》（GB 50221—2001）[26]，按照工程岩性分组要求将岷江上游地层岩性分为5个类别进行赋值；由国家地震科学数据中心网（http://data.earthquake.cn/index.html）获取汶川地震地震烈度的相关数据，为矢量数据）。
（4）植被覆盖：植被覆盖率（通过地理遥感生态网（http://www.gisrs.cn/）下载的遥感数据，根据公式计算出植被覆盖率，用研究区的矢量边界裁剪生成的栅格数据，得到研究区的植被覆盖率，为栅格数据）。
（5）人类活动：土地利用率（本文基于刘纪远[27]等学者提出的土地利用类型分级原则，将研究区震前、震后各类土地利用类型进行1～4级的等级划分，为矢量数据）。
2.4 评价模型的验证
受试者工作特征曲线（receiver operating characteristic curve，ROC）是度量二分类模型评价效果的一种有效工具[28]，其与预测精度（predictive accuracy，ACC）一起被广泛应用于验证机器学习模型的性能评价。ACC值和ROC曲线是依赖于混淆矩阵的统计度量[29]，如表1所示，混淆矩阵揭示了模型结果与实际结果之间的差异，其中1表示泥石流发生，0表示未发生泥石流。
表 1 混淆矩阵Table 1. Confusion matrix预测结果 1 0 真实结果 1 真阳性 （TP） 假阴性 （FN） 0 假阳例 （FP） 真阴例 （TN） ACC可通过式（4）估算：
$$ ACC = \frac{{TP + TN}}{{TP + TN + FP + FN}} $$ (4) ROC曲线说明了当阈值变化时真阳性率（true positive rate，TPR）和假阳性率（false positive rate，FPR）的变化[30]，如式（5）（6）。通过设置不同的阈值，并将（
$ FPR $ ，$ TPR $ ）绘制于二维坐标系中（其中，$ TPR $ 为纵轴，$ FPR $ 为横轴），便可得到ROC曲线，AUC值则为ROC与横轴的包络面积。理想的ROC曲线应接近左上角，通常AUC值越高，表明模型预测效果越好。根据先前的研究[29, 31]，基于AUC值的模型性能可分为几个级别：0.5～0.6较差，0.6～0.7中等，0.7～0.8可接受，0.8～0.9优秀，0.9～1接近完美。$$ TPR = TP/(TP + FN) $$ (5) $$ FPR = FP/(FP + TN) $$ (6) 3. 泥石流易发性分析
3.1 模型优选
以小流域为单元，统计其对应的评价因子（震前11种，震后12种）和泥石流数据，分别生成震前和震后数据集（各1848条），运用5种机器学习模型分别对震前和震后泥石流易发性进行评价，并计算其对应的ACC和AUC值如表2和图4所示。
表 2 测试集中各模型ACC及AUC值Table 2. ACC and AUC values of the model on the test data setNB RF XGB DT LR 震前 ACC 0.92 0.93 0.93 0.91 0.93 AUC 0.77 0.84 0.84 0.76 0.78 震后 ACC 0.83 0.86 0.85 0.81 0.85 AUC 0.84 0.91 0.90 0.83 0.90 ![]()
图 4 基于测试集的各模型ROC 曲线及AUC值Figure 4. ROC curves and AUC values of each model based on the test set地震前后无论是浅层还是集成机器学习模型的ACC和AUC值均高于0.75，所选用的模型均表现较好。震前和震后集成机器学习模型中随机森林模型（ACC=0.93，AUC=0.84；ACC=0.86，AUC=0.91）略优于XGB模型，均高于浅层机器学习模型。集成机器学习模型相比于浅层机器学习模型，因其架构由多个分类器组合而成使得其训练过程更加聚合，方差更小，泛化能力更为优秀。综合上述5种机器学习模型在泥石流易发性评价中的表现，随机森林模型最佳。因此，后文均采用随机森林模型的评价结果对泥石流易发性和评价因子贡献率进行分析。
3.2 地震前后易发性评价结果
根据随机森林模型所计算的震前和震后泥石流易发性指数，采用自然断点法将其由低到高划分为极低、低、中、高和极高五个易发性等级，如图5所示，并对不同等级泥石流数量和发生率（发生率是指在某一易发性等级发生泥石流的小流域数量和该等级小流域总数量的比值）进行统计，如图6所示。
![]()
图 5 岷江上游地区泥石流易发性等级图Figure 5. The susceptibility grade of debris flow in the upper reaches of the Minjiang River![]()
图 6 不同易发性等级内的泥石流数量与发生率Figure 6. The number and occurrence rate of debris flows within different susceptibility levels震前灾害点主要分布在岷江上游干流和支流的中、下游，震后灾害点空间分布与震前大致相同，但灾害点数量明显增多，且干流下游增幅最为明显，同时，极高和高易发等级的空间分布与灾害点的空间分布特征一致（图5）。除极低易发等级以外，震后各易发性等级泥石流数量均增加，且增量随易发性等级的提高而增多；震前和震后泥石流发生率均随易发性等级的提高而增大，且等级越高增量越大，同时，震后泥石流发生率在各等级内均高于震前（图6）。
3.3 评价因子贡献率分析
基于随机森林模型，根据Python软件中feature_importances函数生成不同泥石流易发性影响因子的贡献率，计算式如式（7）：
$$ I{P_i} = \frac{{I{P_i}}}{{\displaystyle\sum\limits_{i = 1}^N {I{P_i}} }} $$ (7) 式中：IPi——第i个因子的贡献率；
i——泥石流易发性影响因子的序列号；
N——影响因子的总数。
结果如图7所示。可以看出：泥石流的发生是各个因子共同作用的结果，所选的12个因子对泥石流的发生都有着积极的贡献。其中地形因子6个（震前0.536，震后0.559），气象因子1个（震前0.102，震后0.108），地质因子5个（震前0.161，震后0.188），土地覆盖因子1个（震前0.062，震后0.087），人类活动因子1个（震前0.113，震后0.082）。即地形、地质和气象是影响泥石流发生的重要因子群，且除人类活动因子外，震后其他因子群的贡献率都有不同幅度的增加。对震前震后的单因子分析，除侵蚀传递系数和植被覆盖率因子以外，汶川地震后各因子贡献率均较震前有所减少，这主要是由于震前和震后所有因素的贡献率之和为1，震后地震烈度因子（贡献率为0.096）的加入导致其它因子的贡献率降低，但侵蚀传递系数贡献率增加显著。
为进一步探究泥石流的易发性与侵蚀传递系数的关系，分别对研究区各流域的泥石流数量、发生率和平均侵蚀传递系数进行统计，结果如图8所示。不同流域震后泥石流数量及发生率均高于震前，且按照干流上游向下游及支流流域汇入干流的顺序（由上游向下游），泥石流发生率和侵蚀传递系数均值均逐渐增大，表明泥石流与侵蚀传递系数的空间分布关系密切。
![]()
图 8 不同流域的泥石流数量、发生率和侵蚀传递系数均值Figure 8. Mean debris flow count, occurrence rate, and erosion transfer coefficient of debris flows in different watersheds侵蚀传递系数代表了因构造运动导致侵蚀基准面下降后河道的溯源侵蚀过程，溯源侵蚀会从干流下游向上游、干流向支流、支流向小流域传递，从而影响河道和沟道的纵比降及高差，为泥石流发生提供动力条件。汶川地震导致大量崩塌和滑坡发生，形成了大量的松散堆积物，为泥石流的发生提供了丰富的物源，而汶川地震的震中位于研究区的河口附近，表征地震对小流域物源影响的地震烈度因子总体上从干流下游向上游逐渐降低。侵蚀传递系数和地震烈度的这种空间上的叠加作用加剧了震后干流和支流泥石流由下游向上游发育程度逐渐降低的空间分布规律。
4. 结 论
（1）地震前、后无论是浅层还是集成机器学习模型均表现较好（ACC均高于0.80，AUC均高于0.75）。集成机器学习模型均高于浅层机器学习模型，其中随机森林模型在地震前、后的表现最优，更适用于泥石流易发性评价。
（2）基于随机森林模型评价结果，震前和震后泥石流灾害点与极高和高易发等级的空间分布一致，主要分布在岷江上游干流和支流的中、下游，且在干流下游增幅最为明显。随着易发性等级的提高，震前、震后各等级内泥石流发生率均呈逐渐增大的趋势，且等级越高增量越大，震后泥石流发生率在各等级均高于震前。
（3）地震前、后侵蚀传递系数的贡献率均显著高于其它因子，与汶川大地震地震烈度空间分布特征叠加，为震后泥石流发生提供了良好的动力条件和丰富物源，加剧了震后干流和支流泥石流由下游向上游发育程度逐渐降低的空间分布规律。
-
![]()
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(3)
1. 陆诗铭，吴中海，黄婷. 甘肃积石山M_S 6.2地震地质灾害发育特征及孕灾环境分析. 地质力学学报. 2025(01): 139-155 . 
百度学术
2. 高路，赵松江，杨涛，胡卸文，余斌. 四川龙门山强震区特大泥石流综合防控技术体系研究. 中国地质灾害与防治学报. 2024(04): 13-24 . 本站查看
3. 王梦晨，邓亚虹，慕焕东，杨楠，钱法桥. 边坡地震系数剪切梁计算方法研究. 中国地质灾害与防治学报. 2024(06): 98-105 . 本站查看
其他类型引用(1)
计量
- 文章访问数: 1851
- HTML全文浏览量: 260
- PDF下载量: 288
- 被引次数: 4
邮件订阅
RSS