武汉大学团队提出了一种基于致灾环境信息与InSAR监测的活动滑坡检测方法

点击蓝字 关注我们

研究区域

研究区位于中国云南省西北部，涵盖澜沧江沿线的DHQ和HD水库区域，如图1所示。该水库区地处亚热带季风气候区，春夏多暴雨，冬季干燥。年均降水量约为728至1210毫米，大部分降雨集中在每年5月至10月。研究河段长约116公里，重点关注两岸约4.5公里缓冲带内的区域。DHQ和HD水电站是澜沧江GS至MW段水电开发规划中的第六和第五级梯级电站。HD水库于2017年11月开始蓄水，2018年8月水位达到正常蓄水位1619米。作为季调节水库，HD水库在汛期与枯水期之间水位变幅显著，最大变幅约为33米。相比之下，DHQ水电站于2018年2月开始蓄水，至2018年6月水库达到正常蓄水位1477米。由于DHQ水库为日调节水库，其水位通常在1至5米范围内波动。DHQ和HD水电站总装机容量为282万千瓦，两者均于2019年1月同时投入商业运行。

图1. 研究区概况：（a）Sentinel-1升轨影像覆盖范围及InSAR处理区域；（b）HD水电站照片；（c）研究区位置及断层分布；（d–e）Google EarthTM光学遥感影像显示代表性土地；（f）DHQ水电站照片。

研究方法

为了最大限度地减少大气、地形残余以及处理相关误差对活动滑坡检测的影响，并排除非滑坡因素引起的形变，本研究提出了一种基于形变速率梯度与环境条件约束的检测方法。如图2所示，所提出的工作流程包括五个主要阶段：输入数据准备、InSAR处理、活动形变区域（ADAs）的检测、基于滑坡致灾环境因子（LEFs）的滑坡易发性学习与空间预测，以及活动滑坡的综合检测。

图2. 基于形变速率梯度与环境条件约束的活动滑坡检测流程图。

研究结果

1. DHQ和HD水库区域InSAR处理结果

库区地表形变速率结果如图3所示。基于形变速率图、Google Earth™高分辨率光学影像和三维地形数据，在研究区内人工识别出45个ADA。其中，40个ADA要么直接毗邻澜沧江主干河道，要么位于其流域1公里缓冲区内，表明地表形变与距河流距离之间存在强烈的空间相关性。值得注意的是，在DHQ水电站上游约5.1公里处的DH古滑坡遗址处检测到一个ADA，该点最大年视线向（LOS）形变速率为−97毫米/年，表明对下游电站的运行安全存在潜在风险。此外，HD水电站上游的CYP古滑坡（P8）复活区显示出整个研究区最强烈的形变，最大年LOS形变速率达+232毫米/年。该点位移迅速，需要密切关注。

图3. 库区形变速率图与时序位移：(a) 基于SBAS-InSAR获取的Sentinel-1升轨LOS形变速率图；(b) 形变速率分布直方图；(c-d) 澜沧江岸边典型ADA的时序形变。

为评估InSAR形变结果的可靠性，利用代表性CYP滑坡的GNSS观测数据进行独立验证。GNSS监测时段为2019年4月至11月，与SAR数据获取时段部分重叠。如图4所示，所有监测点上的InSAR LOS累积形变与GNSS总体一致性良好。两种测量方法均一致捕捉到滑坡的时间演化过程，包括初期缓慢形变和加速阶段。在S1/N1点，两种方法的形变趋势高度一致，但GNSS位移量值更大。考虑到该区域局部形变梯度强烈、GNSS为点状测量而InSAR为像素平均测量，以及GNSS基准点与InSAR像素中心之间存在轻微空间偏移，这种差异是合理的。在S2/N2点，形变趋势和量值都非常接近。在相对稳定的S3/N3和S4/N4点，InSAR和GNSS均仅显示毫米级位移，表明InSAR在非活动区域不会产生虚假形变信号。此外，InSAR时间序列更清晰地揭示了水库快速消落期间的加速阶段。总体而言，GNSS验证证实了InSAR监测结果的稳健性，可靠地捕捉了形变趋势和量值。

图4. CYP滑坡2019年4月至11月InSAR与GNSS实测形变对比：(a) LOS形变速率图，数字表示监测点编号；(b) 实线为InSAR获取的LOS累积形变，虚线为投影到LOS方向的GNSS累积形变，蓝色阴影表示水库水位。

2. ADA检测结果

本研究计算了形变速率梯度矩阵并合并方向梯度，得到形变速率梯度聚合图，如图5(a)所示。结果显示，梯度聚合值范围为0至2340，最大值出现在复活的CYP古滑坡处，表明该区域具有很强的空间异质性和典型的滑坡特征。计算得到第95百分位数为118，并将其选为阈值对梯度聚合图进行二值化，初步检测出100个候选目标。随后计算每个候选目标的孔隙率，其值范围为0.01至0.52，发现绝大多数目标的孔隙率低于0.1，如图6所示。孔隙率阈值敏感性分析结果汇总于表1。当阈值设为0.25时，历史滑坡的保留率最高，同时排除了11个候选伪形变信号，达到了最佳平衡。图7展示了四个被排除的伪形变区域，其特征为高孔隙率、空间格局破碎、边界不连续且模糊，表明这些形变与真实地表运动无关。最终确认了89个ADA，如图5(d)所示。与人工解译结果相比，43个ADA相吻合，空间重叠率约为96%。另有46个ADA为新识别。两个真实形变区域因其空间范围小且失相干严重而未被检测到。

图5. (a-c) 形变速率梯度聚合图；(d-f) 检测到的ADA。

图6. 候选目标孔隙率分布。

表1. 孔隙率阈值敏感性分析。

图7. 排除的四个伪形变区域；红色多边形表示被排除的伪形变区域，蓝色多边形表示保留的ADA；数字表示每个闭合对象的孔隙率。

3. 滑坡易发性预测

本研究对初始16个LEFs的线性相关性和多重共线性进行了评估，结果如图8(a-b)所示。综合考虑统计诊断和因子的物理相关性，选取了9个代表性LEFs用于滑坡易发性建模：坡度、坡向、平面曲率、剖面曲率、河流动力指数（SPI）、归一化植被指数（NDVI）、岩性、DtR和DtF。其中，坡度和曲率参数反映地表形态，SPI代表地表水动力能量，NDVI指示植被覆盖及其对土壤的稳定作用，岩性描述地质力学性质，距河流和断层距离分别代表外部侵蚀和构造破碎的影响。虽然年降雨量是触发滑坡的重要气候因子，但其空间分辨率较低，时间平均效应显著，且与研究区内高程呈0.86的强负相关，其空间分布可由SPI间接表征。因此，为避免尺度不匹配和变量冗余，年降雨量未纳入建模过程。

图8. LEFs的线性相关性和多重共线性诊断：(a) 基于栅格单元的初始16个LEFs的PCC；(b) 基于栅格单元的初始16个LEFs的VIF和TOL；(c) 基于斜坡单元的所选LEFs的PCC；(d) 基于斜坡单元的所选LEFs的VIF和TOL。

由于所选LEFs在斜坡单元尺度上通过均值、STD、CV和众数进行了重构，本研究重新评估了线性相关性和多重共线性，并剔除了过度相关的LEFs。结果证实，所有保留的12个LEFs均满足筛选标准：|PCC|<0.6，VIF<10，TOL>0.1，如图8(c-d)所示。这为后续建模提供了可靠基础。

模型训练完成后，将整个库区的LEFs输入训练好的模型，预测每个斜坡单元的滑坡易发性，得到空间滑坡易发性图，如图9所示。从整体空间格局看，所有模型均一致预测沿澜沧江两岸的区域为主要高易发区。该分布与之前InSAR分析检测到的ADA高度一致，突显了周期性水位波动和河流下切在驱动边坡失稳中的关键作用。此外，所有模型均表明，CYP和DH村上游区域的滑坡概率显著高于周边地区。尽管各模型的总体趋势高度一致，但在高易发区的精确边界和空间范围上仍存在一些差异，这些差异反映了不同模型对关键稳定边坡响应能力的区别。

图9. DHQ和HD库区滑坡易发性预测结果。

为定量评估模型性能，本研究分析了测试集上的预测结果，评估指标如图10所示。如图10(a)所示，所有模型的AUC值均至少达到0.91，表明总体分类性能相当。图10(b-c)显示，在定量指标中，各模型的准确率和F1分数相近，但精确率和召回率存在显著差异。具体而言，MLP模型在召回率和真正例（TP）比率方面表现最佳，分别为0.87和29%，但其精确率最低，仅为0.7。相比之下，RF模型的精确率最高，为0.83，但其召回率和TP比率分别为0.65和22%，远低于其他模型。这些结果表明，MLP和RF模型具有不同的优势和权衡：MLP在检测正样本方面更有效，而RF则产生更保守、更精确的预测。结合所有模型的优势可能有助于进一步提高滑坡易发性预测的准确性。

图10. 测试集评估结果：(a) ROC曲线；(b) 定量性能指标；(c–g) 混淆矩阵。

4. 活动滑坡结果与环境条件

基于初步筛选的ADA和库区内预测的滑坡易发性，采用加权投票策略整合多个模型的贡献。随后对决策阈值范围进行敏感性分析，如图11所示。在阈值为0.35时，共检测到55个与历史滑坡样本重叠的斜坡单元，而在最低阈值0.1时为56个。尽管差异很小，但检测到的活动滑坡总数显著降低，从而大幅降低了误检率。通过将筛选后的斜坡单元映射到对应的形变对象上，最终在DHQ和HD库区内识别出47个活动滑坡，如图12所示。

图11. ADA分类的阈值敏感性分析。

图12. DHQ和HD库区活动滑坡检测结果。

该集成策略应用了0.35的决策阈值。因此，最初从形变速率梯度中提取的42个ADA被排除。人工验证表明，在这42个ADA中，34个是由相位解缠误差引起的伪形变信号，2个是与滑坡无关的地表形变，6个远离澜沧江的ADA被归类为非库区滑坡。两个非滑坡形变信号分别为89号和57号，如图13所示。89号位于HD水电站上游约2公里处，对应大坝建设期间使用的临时施工场地。2023年的光学影像显示，该区域此后已恢复自然状态。57号位于DHQ和HD水库之间。光学影像显示，该地点原本为自然边坡，在2014年至2019年间似乎发生过一次小型滑坡或崩塌，随后进行了工程整治。这些整治工作很可能导致了InSAR监测期间观测到的显著形变。

图13. 两个被排除的非滑坡形变信号区域的形变速率图和历史光学影像。

库区内活动滑坡的空间分布不均匀。例如，DH村上游14公里河段内集中了11个活动滑坡，HD村至CYP村之间27公里河段内分布了14个，其余22个散落在剩余的75公里库区河段。图14展示了该区域检测到的18个代表性活动滑坡。它们具有清晰的形变边界，其形变模式与相应的滑坡地貌特征吻合良好。A17和A40分别对应复活的CYP和DH古滑坡。其中，A17是库区所有检测到的活动边坡中规模和形变速率最大的，面积约1.06平方公里，最大年平均速率达+232毫米/年。

图14. (a) 放大的形变速率图；(b) Google Earth™光学遥感影像；白色实线表示本研究检测的活动滑坡边界；右上角数字对应图12中的滑坡ID。

基于斜坡单元对已识别的47个活动滑坡进行统计分析，以表征其典型环境条件。对于连续型LEFs（包括DtR和DtF），采用等宽分箱法将每个变量划分为十个区间，并报告比例最高的前三个区间。坡向和岩性作为离散因子，汇总比例最高的前三个类别。此外，计算了47个活动滑坡所有LEFs的均值。结果见表2。结果表明，库区活动滑坡主要分布于以下特征区域：NDVI值在(0.63, 0.80]范围内、坡度在(22.11°, 31.87°]范围内、SPI值在(4.03, 5.19]范围内、平面曲率在(−0.08, 0.11]之间、剖面曲率在(−0.07, 0.11]之间。这些范围对应植被茂密、中等陡峭、地表径流汇聚相对较强、局部地势平缓的区域。从水文和几何角度看，61.45%的活动滑坡位于枯水期岸线0–613米范围内，突显了水库水位波动对边坡活动的强烈空间控制。该距离对应于水库影响区，在此区域内反复的水位变化导致坡脚侵蚀、坡体下部软化以及水力梯度的周期性变化。这些过程共同降低了边坡材料的有效应力和抗剪强度，使得该区域对水库运营最为敏感。从构造上看，活动滑坡最高比例出现在距主要断层405–1500米的距离范围内，表明滑坡优先发育于断层破碎带内，而非紧邻断层核部。坡向统计进一步表明，朝北至朝东的斜坡单元更容易发生活动滑坡，这可能是太阳辐射、微气候差异和季风降雨主导方向共同作用的结果。在岩性方面，活动滑坡集中在砂岩、紫红色泥岩和石灰岩分布区。这些岩性具有层状或互层结构，层间强度差异显著，促进了顺层或软弱面滑动的发展。因此，在库区滑坡监测与管理中应特别关注这些条件。

表2. DHQ和HD库区活动滑坡的典型环境条件。

研究结论

为了解决基于差分梯度的活动滑坡检测中未考虑致灾环境条件的问题，本研究提出了一种新的、基于致灾环境信息的库区InSAR监测活动滑坡检测方法。该方法基于地表形变和致灾环境条件共同识别候选区域，并采用加权投票策略的集成学习融合这两类信息，从而提高了库区活动滑坡检测的准确性与可靠性。以澜沧江沿线的DHQ和HD库区为案例，实验结果验证了该方法的有效性。主要结论如下：

（1）基于形变速率梯度的ADA检测能够有效抑制InSAR噪声。真实滑坡形变在梯度场中始终形成空间连续、闭合且低孔隙率的斑块，而与噪声相关的伪影则呈现破碎、分散的高孔隙率模式。通过将四方向速率梯度与孔隙率筛选及形态约束相结合，有效剔除了伪形变信号，为后续分析提供了可靠的形变候选区域。

（2）易发性建模结合SHAP解释揭示了库区滑坡的主控因素。尽管五种易发性模型的预测性能相当，但基于SHAP的解释一致地识别出距河流距离（DtR）为最具影响力的因子。结合水文分析，该结果证实了周期性水库水位波动是控制库岸边坡失稳的主要驱动因素。

（3）所提出的AUC加权投票策略有效融合了InSAR形变信号与基于易发性的环境约束，剔除了非滑坡形变及缺乏物理成因的ADA。由此得到的澜沧江沿岸活动滑坡清单及其相关环境条件，为库区边坡监测、灾害缓解及运行风险管理提供了实用参考。