基于光學遙感和SBAS-InSAR的川渝輸電網滑坡隱患早期識別

趙華偉, 周林, 譚明倫, 湯明高, 童慶剛, 秦佳俊, 彭宇輝

(1.成都理工大學地質災害防治與地質環境保護國家重點實驗室,成都 610059; 2.國家電網西南分公司,成都 641000)

0 引言

輸電桿塔是高壓輸電網中非常重要的基礎設施之一,輸電桿塔能否安全可靠運營關系著地方經濟發展[1]。川渝輸電網桿塔多位于我國西南山區的山坡后緣或者山脊處,而西南山區地質條件復雜,地質構造發育,尤其是以滑坡為代表的地質災害頻繁發生,對川渝輸電網長期正常運營構成很大威脅。因此,開展輸電網沿線滑坡隱患調查和早期識別具有重要的意義。

調查滑坡隱患點的傳統方式包括實地踏勘和傳統測量手段(水準儀、GPS、裂縫計、觀測站等),但是傳統測量方式只能對小范圍區域的滑坡進行調查,存在一定的局限性; 且效率低、成本高、易受外界環境條件的制約,尤其對于高位遠程、高隱蔽性的滑坡識別起來更為困難[2]。隨著科學技術的不斷發展,光學遙感技術和合成孔徑雷達干涉測量技術(interferometric synthetic aperture radar,InSAR)等被更廣泛地應用于滑坡隱患的識別中,具有識別效率較高、識別范圍很廣、識別成本較低等優勢[3-4]。但兩者也存在一定的局限[5-6]。光學遙感技術具有分辨率高、覆蓋范圍廣、影像信息量豐富等特點,通過地形地貌特征分析可以快速識別出發生過整體變形的古(老)滑坡以及具有明顯變形特征的滑坡; 但是,對于正在發生緩慢變形而又無明顯變形跡象的滑坡隱患則很難識別出來,且西南地區的光學遙感影像質量受云霧遮蔽的影響較大,這對識別準確率也存在一定影響[7]?，F如今InSAR技術已經較為成熟,可以利用雷達影像的相位信息來探測mm級的地表形變量,具有測量精度高、不受云層影響、可以全天運作、測量范圍廣等特點[8-10],能夠很好地彌補光學遙感技術的不足,獲得的地表形變量對分析滑坡體形變的演化過程、發生機理及機制、早期識別及預警有重大意義[11]。但InSAR技術也存在一定的缺點: ①容易受植被、大氣信號或地形效應的影響,導致探測結果不準確; ②監測范圍有限,如果隱患點變形過快,則會造成失相干現象; ③由于技術本身的限制,生成的有效干涉點很難覆蓋整個研究區域[12]。由于光學遙感技術與InSAR技術都存在一定的優勢與局限性,為避免在滑坡隱患的早期識別過程中出現遺漏的現象,許強等[13-14]和葛大慶等[15-17]提出,綜合利用具有高分辨率的光學遙感影像與InSAR技術所獲得的形變信息,充分發揮2種技術手段的優勢,實現對地質災害隱患的識別。

其中,小基線集(small baseline subset,SBAS)時序InSAR方法能夠有效利用冗余干涉對進行干涉相位建模,可有效抑制形變恢復模型中的誤差項,已在滑坡運動監測等領域中得到廣泛應用[18]。劉沛源等[19]利用87景降軌的Sentinel-1A影像,采用SBAS-InSAR技術實現了對成汶高速公路成汶段滑坡隱患點的早期識別,共識別滑坡隱患點10處,經野外驗證均為處于緩慢變形中的滑坡,為高速公路選線提供了依據。張家勇等[20]利用2017—2020年間獲取的97景Sentinel-1A影像,基于SBAS-InSAR技術,對納雍、黔西2縣進行了滑坡隱患點的早期識別,經探測發現了60處隱患點,并通過現場調查驗證了InSAR探測結果的有效性,為該地區的防災減災提供了依據。

川渝輸電網位于西南地區,植被覆蓋茂密,云霧遮擋嚴重,僅采用單一技術手段很難對該地區滑坡隱患進行準確、全面的識別。因此,本文參考前人研究的經驗,利用多源遙感數據,包括Google Earth影像、高分2號光學遙感影像和Sentinel-1A數據SBAS-InSAR綜合分析,開展川渝輸電網黃萬線路沿線的滑坡隱患識別,旨在為川渝輸電網地質災害的監測與預防提供參考依據。

1 研究區概況

川渝輸電網“黃萬線”線路位于E106°50′～108°16′,N30°32′～30°50′區域,穿過的行政區包括四川省廣安市、達州市以及重慶市,路線總體為SW—NE走向,西起廣安市前鋒區,經達州市大竹縣、重慶市梁平區,止于重慶市萬州區,全長141 km(圖1)。研究區輸電網黃萬線位于四川盆地向川東平行嶺谷過度地帶,輸電網穿越了5大山脈,其中包括華鎣山山脈、銅鑼山山脈、明月山山脈、鐵峰山山脈以及挖斷山山脈,地勢北高南低,西高東低。研究區處于亞熱帶濕潤氣候與亞熱帶季風濕潤氣候之間,每年降雨量為1 000～1 200 mm。地表植被覆蓋面積較大,包括闊葉林、針葉林、竹林、灌叢、草叢和草甸,植被分布受海拔的影響明顯。在區域構造上分屬川東褶帶、川中褶帶、川東南陷褶帶和大巴山弧形斷褶帶單元,出露地層主要為中生界侏羅系到三疊系的砂泥巖、灰巖、板巖,少部分上古生界二疊系地層,以及第四系崩坡積和殘積層等。研究區屬于我國地質災害易發區,但是對于川渝輸電網以前并未開展遙感調查與監測,在電網運行過程中調查發現存在滑坡變形跡象,因此開展本項研究對于保障輸電線路的正常運營具有非常重要的意義。

圖1 研究區位置圖及雷達影像覆蓋圖

2 多源遙感識別方法

首先利用Google Earth、高分二號2種光學遙感影像,通過目視解譯對研究區滑坡隱患點進行早期識別。但光學遙感影像對于一些正在發生緩慢變形但又無明顯變形跡象的滑坡無法準確識別,且識別出來的滑坡也可能是處于穩定狀態的古(老)滑坡; 因此在光學遙感影像識別的基礎上,利用多景Sentinel-1A雷達影像數據,基于SBAS-InSAR技術對研究區的正在變形的滑坡隱患進行早期的識別。

2.1 光學遙感影像目視解譯

目前,人工目視解譯法為光學遙感影像解譯滑坡隱患的主要方法之一[21]。人工目視解譯能夠直接識別的滑坡主要分為已經發生整體變形的老(古)滑坡和正在發生變形的滑坡2類。老(古)滑坡識別起來比較容易,識別標志主要為地形地貌特征,比如整體地貌呈現圈椅狀、簸箕形、長舌形等平面形態,兩側“雙溝同源”的地貌特征,滑坡前緣部分隆起、滑舌擠壓河流導致河流改道等,中部分為多級平臺、封閉洼地等,后緣有拉裂縫、滑坡壁等,以及滑坡上的植被與周圍植被顏色差異顯著等(圖2)。

圖2 典型的老滑坡的影像

正在發生緩慢變形的滑坡人工目視解譯識別相對困難,對于有明顯變形跡象的滑坡,可以通過對比多期次高分辨率光學遙感影像的色調和紋理的微變化差異,其解譯標志為后緣拉裂縫,前緣小規?；?、崩塌等跡象(圖3); 而對于沒有明顯變形跡象的滑坡,則可以采用InSAR技術進行識別。

(a) 2014年10月谷歌影像 (b) 2018年8月谷歌影像

2.2 SBAS-InSAR時序變形探測

在采用InSAR對研究區地表形變進行監測時,考慮到由于川渝地區植被覆蓋率過高,會導致SAR影像出現一定的失相干現象,為了降低影像失相干對形變結果產生的影響,去除大氣效應干擾,采用小基線集(SBAS)技術解決上述問題[22]。SBAS-InSAR技術為來自意大利的Berardino等[23]多名學者為了降低相位噪聲,對InSAR技術進行進一步的完善所提出的,該技術應用多視化差分干涉圖處理,通過提取優質相干像元、配合奇異值分解方法,進而得到影像時間序列變形速率。

2.2.1 采用的數據

通過歐空局網站獲得整個研究區2020年2月—2022年3月Sentinel-1A衛星影像數據33景,其覆蓋范圍如圖1所示,基本參數見表1。由于SAR數據本身存在一定的系統誤差,為了消除系統誤差影響,下載覆蓋研究區范圍SRTM 30 m分辨率的DEM數據和精密軌道文件對SAR數據進行預處理,以消除地形誤差和軌道誤差的影響,提高整個研究區域內形變探測結果的精確性。

表1 Sentinel-1A影像基本參數

2.2.2 數據處理流程

SBAS技術處理流程: 首先獲取在tA和tB這2個時間段內N+1幅SAR影像,選取其中一幅影像作為主影像,然后將剩余的N幅影像與其配準。根據實際情況設定合理的時間閾值和空間閾值,最終生成M幅差分干涉圖,且滿足:

。

(1)

對所生成的M幅干涉圖中的第j(j=1,2,…,M)幅干涉圖,其任意位置的干涉相位可表示為:

,

(2)

式中:φtA與φtB為tA與tB時刻相對于t0時刻的累積形變相位;λ為波長;dtA與dtB為tA與tB時刻相對于t0時刻的影像累積形變量;ΔΦjtopo為地形相位;ΔΦjatm為大氣相位;Δnj為噪聲相位。

在消除了大氣延遲相位、殘余地形相位和噪聲相位后,最終差分干涉相位可簡化為:

,

(3)

最后利用奇異值分解法估算形變速率,在時域積分得形變時間序列。

3 基于光學遙感的滑坡識別結果

通過對高分辨率的光學遙感影像進行人工目視解譯,在桿塔附近共識別滑坡隱患點28處,因電網路線較長,將其分為4段進行展示(圖4)。

4 基于SBAS-InSAR的滑坡隱患探測結果

通過SBAS-InSAR技術對Sentinel-1A升軌道數據處理后,獲得研究區在2020年2月—2022年3月期間地表年平均形變速率,最大形變速率為102.5 mm/a。由于研究區范圍過大,將其分為4塊區域展示(圖5)。

(a) 廣安-大竹縣路段哨兵1號A升軌年均形變速率圖及識別滑坡隱患分布圖 (b) 大竹縣路段哨兵1號A升軌年均形變速率圖及識別滑坡隱患分布圖

圖5中,形變量正負值在雷達視線上有不同意義,負值代表遠離衛星、正值代表靠近衛星。形變集中區域可能存在滑坡隱患,也可能是由于地表自然沉降、風化作用以及人為建造改造活動導致的形變; 同時,可能受技術水平、氣候變化、密集植被覆蓋等因素影響,也會形成一些無關形變集中區。因此,結合人工目視解譯以及野外調查,排除其他地表運動、各類因素造成的干擾形變項,再從中識別滑坡隱患,最終共識別滑坡隱患點27處,其中15處滑坡隱患點與光學遙感影像解譯相符。

5 重點滑坡隱患分析

通過光學遙感影像人工目視解譯和SBAS-InSAS技術對研究區滑坡隱患點的探測,共識別滑坡隱患點40處,對電網正常運營有影響的隱患點共7處(表2),其中2處對電網正常運營的風險較大。H08,H10,H18和H36為2種技術手段共同識別出; H16,H23和H24為光學遙感影像單獨識別出。

表2 對電網正常運營有影響的滑坡隱患

5.1 H08滑坡

H08滑坡位于四川省達州市大竹縣烏木鎮芭蕉灣村,E107°16′53.58″,N30°40′58.33″?；抡w形態呈長舌形,前緣高程419 m,后緣高程493 m,相對高差74 m,縱長240 m,橫寬80 m,面積約1.75×104m2,為中型滑坡,左右兩側都以沖溝為界(圖6)。結合野外調查,推測其為土質滑坡,滑體厚度約為8 m,主滑方向為342°,平均坡度約為18°,下伏出露基巖為三疊系中統雷口坡組(T2l)淡黃色泥巖,產狀為300°∠47°,推測其滑面為基覆界面。前緣有局部滑塌(圖7),公路有明顯裂縫跡象(圖8)。電塔處于滑坡后緣,一旦后緣發生較大變形,將直接威脅桿塔的穩定性。

圖8 前緣公路裂縫

通過Sentinel-1A升軌方向形變速率結果發現(圖9),該滑坡在2020—2022年間LOS方向最大的形變速率為36.5 mm/a,形變主要集中區域為滑坡的前緣與中部。在該滑坡上選取3個特征點P1、P2和P3,獲得其時間序列的形變曲線(圖10),發現該滑坡堆積體整體處于一個緩慢變形的狀態,其中處于滑坡前緣的P1處累積變形形變量為82.2 mm,處于滑坡中部的P2處累積變形形變量為65.4 mm,處于滑坡后緣的P3處累積形變量為28.6 mm。結合該滑坡的形變速率與3個特征點的累積形變量分析發現,該滑坡前緣變形要明顯大于中部和后緣,且結合該滑坡前緣較陡、后緣較緩的地形,推測該滑坡堆積體為牽引式滑坡。

圖9 H08滑坡隱患點形變速率圖

圖10 H08滑坡隱患特征點時序形變曲線

5.2 H10滑坡

該滑坡位于達州市大竹縣烏木鎮大廣子村,E107°17′36.79″,N30°40′54.89″。后緣呈圈椅狀,前緣高程527 m,后緣高程829 m,相對高差302 m,橫寬約950 m,縱長約937 m,面積約6.7×105m2,主滑方向為254°,兩側以陡坎為界(圖11)。綜合InSAR結果與光學遙感影像,推測該滑坡為一古滑坡堆積體,由Ⅰ及Ⅱ2個子區組成,后緣較陡,坡度25°～30°,中部前緣較緩10°～15°。該滑坡在2020—2022年間LOS方向最大的形變速率為66.1 mm/a(圖12)。在滑坡堆積體Ⅰ區上選取P1,P2,P3這3個特征點,獲得其時間序列的形變曲線(圖13),其中P1處累積形變量為58.6 mm,P2處累積形變量為32.8 mm,P3處累積形變量為19.8 mm,在2021年4月后形變速度加快,推測是受到降雨影響,使得該滑坡變形加劇。結合形速率結果以及3個特征點的累積形變量發現,滑坡堆區后緣變形明顯大于前緣,且結合其前緣有鼓包,后緣陡峭的地形,推測Ⅰ區為推移式滑坡。在滑坡堆積體Ⅱ區上選取P4,P5,P6這3個特征點,獲得其時間序列的形變曲線(圖14),P4處累積形變量為60.2 mm,P5處累積形變量為36.8 mm,P6處累積形變量為21.8 mm,目前整體處于勻速變形階段,發現Ⅱ區同Ⅰ區一樣后緣的變形明顯大于前緣,但是Ⅰ區后緣變形更加劇烈,位于Ⅰ區后緣的桿塔則可能由于后緣不斷變形而發生失穩,所以應對該滑坡堆積體變形情況進行重點監測,以保證電網的正常運營。

圖11 H10滑坡隱患點光學遙感影像

圖12 H10滑坡隱患點形變速率圖

圖13 H10滑坡隱患Ⅰ區特征點時序形變曲線

圖14 H10滑坡隱患Ⅱ區特征點時序形變曲線

6 結論

1)本文采用光學遙感影像人工目視解譯與SBAS-InSAR技術相結合的方法,輔以現場調查,實現了對川渝電網“黃萬線”桿塔附近地區滑坡隱患的早期識別。利用光學遙感影像在桿塔附近共識別滑坡隱患點28處; 再基于SBAS-InSAR技術,利用Sentinel-1A影像數據在桿塔附近探測出滑坡隱患點27處,2種技術手段共識別滑坡隱患40處,其中15處滑坡隱患為2種技術手段共同識別,有7處隱患點威脅電網桿塔安全、2處風險較大。

2)通過光學遙感影像對研究區進行人工目視解譯所識別的滑坡隱患點多為已經發生過滑動的老(古)滑坡,或者有明顯形變跡象的滑坡,但對于沒有明顯形變跡象的滑坡隱患點很難識別出來; SBAS-InSAR對形變探測精度高,可以對緩慢變形的滑坡隱患進行有效探測,但是對于突發型滑坡,由于變形速度太快,則無法進行有效探測。因此,綜合利用光學遙感影像目視解譯法與SBAS-InSAR技術,可以更加準確、全面地對研究區進行滑坡隱患點進行識別,這對于滑坡隱患早期識別具有借鑒和指導意義。

3)針對植被覆蓋率較高的西南地區,采用C波段的Sentinel-1A數據成像時間間隔過長會出現較為嚴重的失相干現象,所以為了保持較好相干性,應控制好影像的時間間隔。