本文内容来源于《测绘通报》2022年第11期，审图号：GS京（2022）1346号

结合SBAS-InSAR技术及信息熵的苍山地质滑坡隐患识别

朱智富1, 甘淑1,2, 张荐铭1, 袁希平1,3, 王睿博1, 张晓伦1

1. 昆明理工大学国土资源工程学院, 云南 昆明 650093;

2. 云南省高校高原山地空间信息测绘技术应用工程研究中心, 云南 昆明 650093;

3. 滇西应用技术大学云南省高校山地实景点云数据处理及应用重点实验室, 云南 大理 671006

基金项目：国家自然科学基金(41861054)

关键词：苍山, SBAS-InSAR技术, 结合, 信息熵, 滑坡隐患识别

引文格式：朱智富, 甘淑, 张荐铭, 等. 结合SBAS-InSAR技术及信息熵的苍山地质滑坡隐患识别[J]. 测绘通报, 2022(11): 13-19. DOI: 10.13474/j.cnki.11-2246.2022.0318.摘要

摘要 ：针对西南地区滑坡隐患高位隐蔽,传统技术难以全面识别的问题,本文以大理苍山为研究对象,首先利用SBAS-InSAR技术对苍山2019年1月-2021年4月间的滑坡隐患进行识别;然后结合随机概率信息熵模型,对不同坡度等级与边坡稳定性之间的关联性进行定量分析;最后根据典型隐患区的遥感影像以及采样点的形变时序图,探讨了边坡形变时空演化特征及沉降诱因。试验结果表明:①2019年1月-2021年4月,研究区的形变速率为-155.6～92.4mm/a,13个超过-30mm/a的不稳定滑坡隐患被识别;②坡度等级为Ⅳ、Ⅴ级时,信息熵大于0.8,边坡稳定性较弱,不均匀形变严重,与已有研究保持高度一致,证实了该模型的可靠性;③典型隐患区形变趋势呈明显的季节性变化,降雨和冰雪消融是导致边坡失稳的主要因素。

正文

我国是一个地质灾害频发的国家，每年由地质灾害造成的经济损失高达百亿[1]。特别是在西南地区，由于地质构造、地层和岩性复杂，各种地质灾害频繁发生，成为我国的重点受灾区之一[2]。其中，以边坡失稳引发的山体滑坡最为严重，且滑坡点主要集中在地势陡峭的区域，具有隐蔽性强、分布广和危害大等特点[3]。为了减少滑坡灾害造成的经济损失和人员伤亡，开展以边坡形变探测为主的滑坡隐患识别监测，具有十分重要的现实意义[4]。

传统的形变监测技术主要包括全站仪测量、水准测量和GPS测量等[5]。虽然能实现高精度监测，但却很难获取到大面积、高密度的形变信息，并且受地形影响因素较大，在山势高、地形陡峭的地方开展测量工作十分困难[6]，难以全面完整地识别滑坡隐患。然而，随着对地观测技术的不断发展，文献[7—8]分别提出了永久性散射体雷达干涉技术(permanent scatterers InSAR，PS-InSAR)和短基线集InSAR(small baseline subset InSAR，SBAS-InSAR)等技术，将InSAR技术带入了时间序列研究阶段，大大增加了InSAR技术在滑坡监测识别中的应用潜力[9]。文献[10]基于SBAS-InSAR技术对Unbria地区的滑坡进行监测，结果表明在全局和局部两个尺度下的监测结果具有良好的有效性。文献[11]利用45幅Sentinel-1的SAR影像基于时序InSAR技术，分析得出茂县滑坡边坡破坏的前兆。文献[12]采用自主研发的相干散射体时序InSAR(coherent scatterer lnSAR，CSI)方法，从历史存档的ALOS PALSAR和ENVISATASAR数据集中，成功识别出了17处持续变形中的不稳定坡体，通过与外部观测数据比对和实地调查核实，验证了探测结果的有效性和优势。

上述研究均证明了SBAS-InSAR技术在滑坡识别中的可行性和可靠性。为了弥补传统技术在复杂山区进行滑坡识别的不足，本文采用SBAS-InSAR技术对研究区进行长时间动态监测，获取研究区在2019年1月—2021年4月期间的边坡稳定性空间分布特征；并在前人研究的基础上，引入随机概率模型信息熵，将其与InSAR技术相结合，定量化分析不同坡度对边坡稳定性的影响。最后，根据InSAR探测结果，对典型形变区进行圈定，联合遥感影像和形变时序图对典型形变区的边坡稳定性进行探讨和分析，以期为该区域的防灾减灾和应急管理提供一定的参考。

1 研究区概况及数据源

1.1 研究区概况

苍山位于云南省大理白族自治州境内，其地理位置为100°8′E—100°33′E，25°53′N—26°19′N，是云岭山脉南端的主峰，由19座山峰由北而南组成，北起洱源邓川，南至下关天生桥，山峰的平均海拔超过3500 m，有7座山峰海拔超过4000 m，最高海拔高达4122 m。是欧亚板块和印度板块碰撞隆起的杰作，具有独特的高原山岳地貌特征[13]。

1.2 试验数据

为获得覆盖研究区高频率形变结果，试验采用51景来自欧空局的Sentinel-1A降轨数据。均为VV极化，选用干涉宽幅(interferometric wide swath，IW)模式，在该模式下采用中等分辨率(5 m×20 m)获取幅宽为250 km的影像，时间跨度为2019年1月—2021年4月。此外，为提高轨道精度和去除地形相位，采用欧空局提供的精密AUX＿POEORB轨道数据文件和美国航空航天局(NASA)主导测量的STRM 30 m分辨率的数字高程模型(DEM)进行轨道精化和重去平。

2 研究技术与方法

2.1 SBAS-InSAR技术原理

SBAS技术由Berardino等在2002年提出，其基本原理是将单次D-InSAR得到的形变结果作为观测值，再基于最小二乘法则获取高精度的形变时间序列[14]。该技术在很大程度上解决了D-InSAR技术由于空间基线过长造成的失相干和大气效应等问题，并且增加了时间采样频率[15]。其原理如下。

假设在时间tA至tB内获取同一地区的N+1幅SAR影像，对于N+1幅SAR影像，生成M幅差分干涉图，且满足

(1)对于tA和tB(tA <tB)时刻两幅影像生成的第j(j=1，2，…，N+1)幅差分干涉图，其任意一点的干涉相位可表示为

(2)

式中，δφ为相位；d为累计形变量。

在消除大气延迟相位、残余地形相位和噪声相位的情况，可将式(2)简化为

(3)

式中，t表示时间；λ表示波长。

假设两个相邻时间间隔内的形变速率是线性的，那么第j幅干涉图的形变相位可写为

(4)式中，v表示形变速率。

2.2 信息熵模型

信息熵是一种离散的随机概率模型，能够用来描述物质运动的无序度和混乱度[16]，可以作为地表形变差异性的指标，描述信息的不确定性。信息熵越大，表明地表沉降的不均匀性越强，发生地质灾害的可能性越大[17]，反之亦然。信息熵的计算原理[18]为

(5)

式中，xij为第i个方案下第j个指标的数值。首先计算第i个方案下第j个指标占该指标的比重，公式为

(6)

式中，Pij为第i个方案下第j个指标出现的概率。

然后计算第i项指标的信息熵

(7)式中，Ei为第i个方案的熵值；k为常数1/ln10。

2.3 数据处理

试验利用ENVI SARscape 5.2.1软件对51景降轨Sentinel-1A影像数据进行处理，获得苍山2019年1月—2021年4月期间沿卫星视线(LOS)方向的累计形变量和年平均形变速率。如图 1所示，其中负值表示远离卫星视线方向，地表表现为沉降(下沉)，正值表示靠近卫星视线方向，地表表现为抬升(隆起)。研究区在LOS方向的最大累计沉降(下沉)形变量达-347.1 mm，最大累计抬升(隆起)形变量达204.4 mm；年平均形变速率介于-155.6~92.4 mm/a之间；山体的局部区域表现为不均匀沉降。

图 1 SBAS-InSAR数据处理结果

3 信息熵模型分析

影响边坡稳定性的因子包括降雨量、岩土类型、坡度、坡向、人类活动和水文地质等，其中，坡度是影响边坡稳定的重要因素之一[19]，且极易获取。因此，本节对利用研究区STRM30 m分辨率的DEM进行坡度提取，并结合提出的信息熵模型定量分析坡度和边坡稳定性之间的联系。以不同的坡度等级作为分结点，根据“云南省森林资源规划设计调查操作细则”规定，将坡度划分为6个等级：Ⅰ级为平坡(0°，5°]；Ⅱ级为缓坡(5°，15°]；Ⅲ级为斜坡(15°，25°]；Ⅳ级为陡坡(25°，35°]；Ⅴ级为急坡(35°，45°]；Ⅵ级为险坡(>45°)。参考文献[20]的地表形变分级标准，将研究区年平均形变速率划分为6个等级，分别为沉降较严重区(< -50 mm/a)、沉降严重区((-50，-30]mm/a)、沉降一般区((-30，-10]mm/a)、沉降轻微区((-10，0]mm/a)、抬升轻微区((0，10]mm/a)及抬升较大区(>10 mm/a)。为保证随机性和减少人为因素的影响，试验将在每个坡度等级之间随机取样100个数据点的平均形变速率，统计其在各个形变速率区间内的分布数量，利用式(6)计算出熵值矩阵结果，见表 1。

表 1 平均形变速率熵值矩阵结果由表 1可知，坡度等级为Ⅰ级时，所包含的平均形变速率只有3类，超过90%的形变点处于轻微形变区域，相应的信息熵也相对较小；坡度等级为Ⅴ级时，信息熵达到峰值，随着坡度增加，信息熵不再增大，表明并不是坡度越陡的区域，稳定性越差，稳定性变化显著的区域主要集中在一定坡度范围内，高于或低于这一范围，稳定性将不再出现大幅下降现象。如图 2所示。

图 2 平均形变速率熵值

由图 2可知，熵值随着坡度的不断增加而增大，呈线性上升趋势。当坡度等级处于Ⅴ级时，熵值达到峰值0.88，包含5种不同类型的形变速率。根据信息熵在地表形变中的定义，可知该区域的地表形变极其不均匀，有较大可能发生地质灾害；其次，坡度等级超过Ⅲ级时，熵值在0.8附近，说明这些区域的地表形变存在极大的不均匀性。当坡度等级为Ⅰ级时，信息熵最小为0.47，区域内61%的形变点的平均速率介于(-10，0] mm/a。相对于其他等级的坡度，地表形变较为均匀稳定，发生地质灾害的可能性也相对较低。结合平均形变速率和熵值的大小，推测出坡度等级为Ⅳ和Ⅴ级的边坡区域，发生沉降甚至滑坡的可能性最大。与文献[21—23]研究发现的滑坡易发区主要集中在坡度等级为Ⅳ和Ⅴ级区域具有较高的一致性，验证了信息熵用于定量分析坡度对边坡稳定性影响的可行性。

4 典型隐患区的时空演变特征分析

为更加深入地揭示研究区边坡稳定性的空间分异特性，在图 1(b)的基础上提取沉降严重区和较严重区并圈定出13个沉降较为集中的区域，分别命名为H1、H2、…、H13，这些区域的年平均形变速率均超过-30 mm/a，与遥感影像进行叠加如图 3所示。在此基础上选取2个沉降较为显著的典型隐患区(H4和H10)，并在每个隐患区内选定2个采样点。通过结合采样点的形变时序图、遥感影像，对滑坡隐患区的时空演变特征及形变诱因进行分析。

图 3 典型形变区域的圈定

4.1 H4滑坡隐患分析

H4典型沉降区主要位于苍山的茂石江河区域，长约1.14 km，宽约0.66 km，面积约为0.59 km2，最大形变速率为-55.52 mm/a，坡度等级以Ⅳ级坡为主，熵值为0.84。结合光学影像可以看出该区域主要分布为裸岩，生态脆弱，是容易产生滑坡的地形[24]。图 4中圈定部分(A、B)出现明显的拉张裂缝，表面光滑且植被稀疏，崩塌、滑坡特征明显，稳定性较差[25]。随着时间的延续，裂缝发生扩张，从而引发崩塌、滑坡等地质灾害。因此，对该区域的稳定性进行长时间的动态监测是非常有必要的。

图 4 H4区域采样点分布及形变时序

试验在该区域选取了2个采样点P1、P2，并结合采样点的形变时序图对该区域的稳定性进行分析。从图 4(b)可以看出，2019年1月—2021年4月该区域共发生过2次大的形变，第1次加速沉降发生在2019年7月到2020年1月之间，P1、P2点的形变量分别从25.5、33 mm下降至-14、-3 mm，在此期间2个采样点保持良好的一致性，表明该边坡的顶部和中部都在发生不均匀沉降。2020年7月，再次发生了第2次加速沉降，较之前第1次加速更为剧烈，初步推测降雨是引发此次加速下滑的主要原因。7—10月属于研究区的降雨高发期，过度的降雨导致岩土体重度增加、岩土软化，潜在滑动面上的有效应力降低，致使边坡稳定性下降，产生大量的滑移，在相应的形变时序图上则表现为加剧下沉或抬升。在两次加速之间，可以看到有小幅抬升现象出现，这很可能是由第一次加速形变后所产生的碎屑物堆积所导致的。

4.2 H10滑坡隐患分析

H10典型沉降区主要位于苍山的白石溪区域，最大形变速率为-60.8 mm/a，斜坡主要为Ⅳ级坡，熵值为0.84。从图 5、图 6可以看出，该区域的顶部有大量的冰雪覆盖，一旦气温上升冰雪融化，加之地形陡峭、植被覆盖稀疏，就会造成大量的水土流失，致使地表出现下沉的趋势[26-27]，严重时可引发滑坡灾害。结合P3、P4采样点的形变量时序如图 7所示可以看出，2个采样点的形变趋势较为一致，同升同降。2019年1月—2021年4月，整个边坡基本处于沉降状态，这与该区域上方的冰雪存在一定的联系。特别是2019年3月—2020年2月，区域发生严重的加速下沉现象。为判断该现象是否是由冰雪融化造成，试验分别获取了2019年1月和2020年11月的2景遥感影像数据，对该现象的产生进行分析。

图 5 H10遥感影像

图 6 H10采样点空间位置分布

图 7 P3、P4采样点形变时序

从2019年1月的影像可以看出，3月前，边坡上方有大量的冰雪覆盖；3月后，逐渐步入春季，气候回暖，冰雪开始逐渐消融[28]。2020年11月，冰雪已经完全消融，这与2019年1月—2021年4月边坡的加速下沉具有较高的吻合度，初步认为冰雪的消融是造成此次严重下沉的主要原因。此外，冰雪的冻融导致边坡体内地下水的富集和疏散，富集造成边坡土体的软化，疏散带来静水压力和动水压力突变，这都会直接影响边坡的稳定性，从而导致较高的年间沉降量，使得形变趋势呈现出明显的季节性变化[29]。

5 结论

本文利用2019年1月—2021年4月的Sentinel-1A影像，基于SBAS-InSAR技术对苍山滑坡隐患进行识别，并结合随机概率信息熵模型，对不同坡度等级与边坡稳定性之间的关联性进行了定量分析，同时探讨了边坡形变时空演化特征及沉降诱因。得到以下结论：(1) 2019年1月—2021年4月，研究区最大形变速率为-155.6 mm/a，最大累计形变量为-347.1 mm，13个沉降中心明显的滑坡隐患区被识别。(2) 由于边坡坡度等级的不同，所对应的信息熵大小也有所差异，当坡度等级为Ⅳ、Ⅴ级时，信息熵大于0.8，不均匀形变严重，边坡稳定性较差，揭示了坡度和边坡稳定性之间的关联性，也表明稳定性较差的区域主要集中在坡度等级为Ⅳ、Ⅴ级的坡体部分，与已有文献结论相一致[21—23]，验证了信息熵模型用于边坡稳定性分析的可行性和可靠性。(3) 结合遥感影像和采样点的形变时序图，发现形变速率和累计形变量变化趋势显著的区域主要以裸岩分布为主，且植被覆盖稀疏；在降雨集中的季节，形变量变化趋势加剧；其次在冰雪覆盖区域，随着气候变暖，冰雪消融，沉降量不断上升，采样点的形变趋势呈季节性变化，表明植被覆盖度、降雨和冰雪消融是影响边坡稳定性的主要因素。综上，边坡的形变是由多种因素耦合作用的结果，无论是内在的坡度，还是外在的植被和冰雪，都会对边坡的稳定性产生一定的影响。精确地防治山体的地质灾害困难性较大，还需进一步结合各种致灾因子，如岩性、水文地质、土地利用等因素，才能不断提高预防工作的准确性。

作者简介作者简介：朱智富(1995-),男,硕士生,主要研究方向为InSAR原理及其应用研究。E-mail:1042122083@qq.com通信作者：甘淑,E-mail:gs@kust.edu.cn

初审：纪银晓复审：宋启凡

终审：金 君

资讯