崔麗 張?zhí)N靈 侯蕓

摘要 公路沿線地質災害識別和評價一直是工程實踐和學術研究的熱點問題。文章基于多源多時相高分光學遙感影像、雷達衛(wèi)星時序InSAR分析技術和地質、氣象、水文等數據資料，建立公路沿線次生地質災害遙感識別指標，提取地質災害危險性預測評價靜態(tài)和動態(tài)因子，構建公路次生地質災害危險性動態(tài)預測評價模型，實現對公路沿線次生地質災害的隱患早期識別和危險性預測評價，可為公路重大工程規(guī)劃建設和防災減災提供思路和參考。

關鍵詞 地質災害；遙感識別；動態(tài)評價

中圖分類號 P237文獻標識碼 A文章編號 2096-8949（2024）06-0006-04

0 引言

我國是一個地質災害頻發(fā)且災害損失極為嚴重的國家，尤其是地質環(huán)境復雜的西南山區(qū)，隨著西部山區(qū)公路建設迅猛發(fā)展，高山峽谷區(qū)公路勘察設計面臨著巨大挑戰(zhàn)。山區(qū)公路沿線設計難度大，施工環(huán)境惡劣，調度運行異常困難，安全生產任務艱巨，一直是科學理論研究和工程技術研究的熱點和難點。

山區(qū)公路沿線滑坡具有隱蔽性、突發(fā)性等特點，且危害大、不可控性強。目前，借助新興技術基本實現了地質災害識別、特征分析、災害監(jiān)測、危險評價等環(huán)節(jié)[1-3]。然而，單一影像數據存在視線盲區(qū)，可信度不夠高，雖然能較好揭示已發(fā)生和正在發(fā)生的有明顯特征的地質災害，但無法識別將要發(fā)生的地質災害[4]。現有的地質災害危險性評價研究多基于靜態(tài)評價，缺乏對時間因素影響的考慮[5]。

綜上，該項目面對山區(qū)公路重大工程規(guī)劃建設和防災減災迫切需求，以國道213汶川—松潘段為例作為研究區(qū)域，基于多源多時相高分遙感數據和地質、氣象、水文等資料，將降雨、形變因子作為動態(tài)因子，結合大尺度易發(fā)性分析，構建公路次生地質災害預測模型，實現對公路沿線次生地質災害的易發(fā)性評價、危險性評價和風險預測評估，可為公路重大工程規(guī)劃建設和防災減災提供理論指導和參考依據。

1 滑坡隱患綜合遙感識別

該文采用分辨率優(yōu)于1 m的高分二號衛(wèi)星遙感影像和Google Earth在線三維影像平臺進行遙感解譯；然后，提取相應雷達影像數據（如高程、坡度、坡向數據、距道路距離、距河流距離數據等），通過小基線集干涉測量技術（SBAS-InSAR）和差分干涉圖疊加技術（Stacking-InSAR）技術識別地表形變情況以及活動滑坡的探測；最后，采用現場調查和無人機航拍技術對滑坡隱患綜合遙感識別結果進行野外調查驗證，得到研究區(qū)域滑坡隱患最終識別結果。引入遙感數據，可較好地解決傳統(tǒng)方法僅依靠歷史靜態(tài)數據進行評估時無法獲取當前真實狀態(tài)數據進行精確評估的問題。

1.1 公路沿線滑坡隱患光學遙感識別

光學衛(wèi)星遙感解譯是一個初步解譯—野外驗證—詳細解譯的綜合、反復過程。利用Google Earth衛(wèi)星影像和高分二號衛(wèi)星遙感影像相結合的遙感解譯技術方法，基于地質災害發(fā)育原理及特征，在ArcGIS等二、三維軟件平臺上，以人工目視解譯法進行地物識別及定性和空間分析，獲取滑坡災害信息。滑坡隱患光學衛(wèi)星遙感解譯流程如圖1所示。

1.2 公路沿線滑坡隱患時序InSAR探測

時序差分干涉雷達測量（InSAR）技術指通過多期雷達干涉來測算地表形變量和形變速率，精度可達毫米級，常用方法包括SBAS-InSAR和Stacking-InSAR[6]。

Stcking-InSAR處理首先需選擇主影像，然后對主從影像進行配準，配準成功后生成干涉對，然后對這些干涉對的對應像元共軛相乘得到相位差，并生成差分干涉圖。再對差分干涉圖進行自適應濾波處理。在移除地形和平地相位后，選擇穩(wěn)定的像元利用最小費用流法（mcf）進行相位解纏。最后選取質量較好的干涉對進行Stacking-InSAR技術處理（如圖2所示）。

研究區(qū)域SBAS-InSAR技術處理是在Stacking-InSAR技術處理結果的基礎上完成。利用Stacking-InSAR將差分干涉圖由柵格格式轉成點文件，然后把多主影像轉為單主影像（SDV分解法），使用均值法掩蓋形變區(qū)和錯誤形變點，對剩下的區(qū)域采用二次加權平均值法對大氣進行提取，剔除時防止去除有效形變點。最后通過時間相干性去除掉質量較差點，得到研究區(qū)年均形變速率結果（如圖3所示）。

2 滑坡危險性動態(tài)評價

山區(qū)公路沿線滑坡危險性評價是在易發(fā)性基礎上，考慮特定某一條件下的災害發(fā)生的程度，如：降雨量達到>100 mm等，結合路域形變因子變化趨勢，測算未來發(fā)生滑坡的概率，主要指滑坡發(fā)生的空間概率、時間概率等。滑坡易發(fā)性評價提供了空間概率，InSAR技術能夠對變形狀態(tài)進行實時監(jiān)測，為計算時間概率提供數據支撐。

2.1 滑坡易發(fā)性評價

滑坡易發(fā)性評價可以定義為由于一組特定的環(huán)境條件而發(fā)生滑坡的空間可能性[7]?；乱装l(fā)性評價圖提供了關于潛在的未來斜坡不穩(wěn)定性的位置和預計會發(fā)生滑坡區(qū)域的空間概率。滑坡易發(fā)性評價結果為滑坡動態(tài)危險性評價提供滑坡發(fā)生空間概率。

2.1.1 易發(fā)性評價因子提取

基于公路滑坡的特點、分布規(guī)律、影響因素等研究，該文擬選取斜坡選取高程、坡度、坡向、地表曲率、工程地質巖組、歸一化植被指數（NDVI）、距道路距離、距河流距離和距斷層距離，共計9個影響因素作為公路次生災害易發(fā)性預測評價因子。

2.1.2 易發(fā)性評價預測方法

邏輯回歸模型是應用較廣泛且效果較好的地質災害易發(fā)性預測評價模型[8-13]。因此，該文也采用該模型對示范區(qū)滑坡易發(fā)性預測評價[6]。

2.2 基于InSAR技術的滑坡危險性動態(tài)評價

滑坡易發(fā)性評價提供了關于潛在的未來斜坡不穩(wěn)定性的位置和預計會發(fā)生滑坡區(qū)域的空間概率，但未能提供滑坡發(fā)生的概率以及時間概率。通常，在不同的時間段內，滑坡的演化過程不同。因此，需要考慮特定誘發(fā)因素條件下、不同時期內滑坡的演化過程，以表明滑坡危險性評價具有動態(tài)變化的特性。

如圖4所示，該研究考慮將降雨誘發(fā)滑坡發(fā)生作為特定誘發(fā)事件，首先，計算特定降雨事件下的概率（統(tǒng)計分析法），其次，利用易發(fā)性分析結果進行滑坡危險性評價，然后借助InSAR技術探測地表形變速率，基于上述成果，形成動態(tài)評價矩陣，完成動態(tài)評價。

2.2.1 危險性概率計算

該研究以降雨誘發(fā)滑坡災害發(fā)生作為特定誘發(fā)事件，運用統(tǒng)計分析方法確定研究區(qū)降雨誘發(fā)滑坡發(fā)生的概率。由于降雨誘發(fā)滑坡發(fā)生不僅與滑坡發(fā)生當日的降雨量有關，還受前期累積降雨量的影響，因此，找出研究區(qū)前期降雨時間的最佳累計日數，是計算滑坡危險性概率的關鍵。根據國土局地質災害統(tǒng)計信息以及美國國家海洋和大氣管理局全球環(huán)境信息（NOAA-National Centers for Environmental Information）的氣象數據，收集整理2010年至2020年研究區(qū)內因降雨誘發(fā)滑坡發(fā)生事件和每個滑坡事件對應的降雨信息，共搜集歷史降雨滑坡災害79處。以滑坡發(fā)生某日的累積降雨量為降雨量因子，滑坡發(fā)生事件次數作為時間因子，利用SPSS軟件進行相關性分析，結果如表1所示。

由表1可知，累積降雨量與滑坡事件顯著相關，變化趨勢呈現先升后降。在降雨持續(xù)天數4 d時達到相關性峰值0.835，因此，以前4 d累積降雨量為指標，統(tǒng)計研究區(qū)2010—2020年的降雨事件和滑坡發(fā)生的關系，按降雨量大小分了四個層次，結果如表2所示。

如圖5～7所示，展示了研究區(qū)各特定降雨事件（0 mm，0～10 mm，25～50 mm，>100 mm）下的滑坡危險性概率（借助Arcgis分析工具，將特定降雨誘發(fā)事件下滑坡發(fā)生概率和滑坡易發(fā)性評價結果疊加）。

可以看出，滑坡危險性概率值和易發(fā)性評價結果在空間分布趨勢上具有一致性，均呈帶狀分布于研究區(qū)國道213線兩側，并且主要集中分布于汶川映秀至茂縣石大關鄉(xiāng)沿線區(qū)域。

2.2.2 不同時間段平均地表形變速率

基于不同時間段內的SAR影像數據：2017年1月20日至2019年1月4日（時間段1）期間57景SAR影像和2017年1月20日至2021年12月19日（時間段2）期間144景SAR影像，根據SBAS-InSAR技術提取地表形變信息的流程，分別獲取兩個時間段的平均地表形變速率（如圖8～9所示），為危險性動態(tài)評價提供基礎數據。

2.2.3 構建動態(tài)評價矩陣

由表2可知，研究區(qū)域在累積降雨量25～50 mm工況下，發(fā)生滑坡概率最大。以此為誘發(fā)事件對研究區(qū)時間段1和時間段2的滑坡危險性進行動態(tài)評價。綜合分析研究區(qū)滑坡分布與平均形變速率的關系，將研究區(qū)的平均形變速率分為5個等級：極慢速（V1：>2 mm/a），慢速（V2：?4～2 mm/a），中速（V3：?8 ～?4 mm/a），快速（V4：?12～?8 mm/a）和極快速（V5：

3 結語

該文針對公路路域范圍內滑坡危險性動態(tài)評估問題，基于高分遙感技術，綜合識別滑坡隱患，提取地質災害危險性評價因子，構建公路次生地質災害危險性動態(tài)預測評價模型，可為工程實踐提供參考。

參考文獻

[1]吳悅， 任濤， 楊卓靜， 等. 應用于地質災害的泥石流監(jiān)測分析儀[J]. 電子測量技術， 2013（3）： 67-70.

[2]劉筱怡. 基于多元遙感技術的古滑坡識別與危險性評價研究[D]. 北京：中國地質科學院， 2021.

[3]劉紀堯， 豆猛， 吳少菁. 遙感技術在地貌與巖土體特征識別和地質災害分布規(guī)律分析中的應用[J]. 地質災害與環(huán)境保護， 2017（3）： 83-90.

[4]王天河. 基于多源遙感的康定—爐霍擬建高速公路地質災害危險性評價及線路優(yōu)化分析[D]. 成都：成都理工大學， 2020.

[5]劉靜. 基于RS與GIS的川藏聯(lián)網工程沿線地質災害危險性評價[D]. 北京：中國地質大學（北京）， 2018.

[6]周超. 集成時間序列InSAR技術的滑坡早期識別與預測研究[D]. 武漢：中國地質大學， 2019.

[7]梁京濤， 趙聰， 馬志剛. 多源遙感技術在地質災害早期識別應用中的問題探討——以西南山區(qū)為例[J]. 中國地質調查， 2022（4）： 92-101.

[8]周建國， 龔建宗， 劉文杰. 無人機貼近攝影測量在滑坡體監(jiān)測中的應用[J]. 測繪與空間地理信息， 2023（11）： 183-185+189.

[9]江寶得， 李秀春， 羅海燕， 等. 異質集成學習在滑坡易發(fā)性評價中的對比研究[J]. 土木工程學報， 2023（10）： 170-179.

[10]陶偉， 孫岳. 基于GIS滑坡地質災害易發(fā)性評價方法綜述[J]. 世界有色金屬， 2020（21）： 157-159.

[11]陳凱， 陳礪鋒， 張紫昭， 等. 基于實證調查的新疆地區(qū)地質災害易發(fā)性和危險性評價研究[J]. 工程地質學報， 2023（4）： 1156-1166.

[12]孟凡奇， 高峰， 林波， 等. 基于AHP和信息量模型的地質災害易發(fā)性評價——以魯東片區(qū)為例[J]. 災害學， 2023（3）： 111-117.

[13]李光輝， 鐵永波. 基于信息量模型的綜合地質災害易發(fā)性建模方法對比研究[J]. 災害學， 2023（3）： 212-221.