喀斯特山区地质灾害隐患排查与易发性评价新技术

好书

我国西南山区滑坡地质灾害频发，影响范围广。开展滑坡隐患排查和风险预警研究，对保护人民生命财产和保护生态安全都有着重要意义。《喀斯特山区地质灾害隐患排查与易发性评价新技术》将遥感技术、地理信息技术和机器学习技术相结合，从“区域隐患排查→区域隐患监测→区域风险评估”入手，解决了大区域滑坡风险排查的相关技术难点，建立了一套区域滑坡隐患排查、风险评估方法。主要内容包括：基于卷积神经网络和注意力模型开展滑坡隐患自动识别，有效提升区域滑坡隐患排查的效率和精度；提出多时相、多波段、多视角InSAR 协同监测方法，对西南山区开展大范围滑坡地表形变有效监测；利用识别的滑坡隐患数据开展区域滑坡易发性评价，引入InSAR 地表形变监测成果进行过程修正，进一步提高评价准确性。

目录
前言
第1章 喀斯特山区地质灾害研究现状 1
1.1 研究背景与意义 1
1.2 国内外研究现状 2
1.2.1 光学遥感滑坡隐患识别研究现状 2
1.2.2 InSAR滑坡地表形变监测研究现状 3
1.2.3 滑坡隐患易发性研究现状 6
1.3 研究目的 7
1.4 研究内容 9
1.5 研究方法 9
1.6 技术路线 10
1.7 本章小结 10
参考文献 11
第2章 研究区选择及概况 18
2.1 研究区域选定 18
2.2 研究区域概况 20
2.2.1 自然地理 20
2.2.2 气象水文 24
2.2.3 地质构造 24
2.2.4 矿产资源 29
2.3 本章小结 29
参考文献 29
第3章 基于卷积神经网络和注意力机制的滑坡隐患识别 30
3.1 卷积神经网络 30
3.1.1 卷积神经网络结构 30
3.1.2 卷积神经网络模型 35
3.2 针对滑坡隐患识别的注意力模型 40
3.2.1 注意力机制 40
3.2.2 三种*新的注意力模块 40
3.2.3 3D空间-通道注意力模块 42
3.3 实验和分析 45
3.3.1 实验方法 45
3.3.2 实验结果及比较分析 49
3.3.3 测试分析结果 55
3.4 成效验证 55
3.5 本章小结 59
参考文献 59
第4章 基于InSAR的区域滑坡地表形变监测 61
4.1 InSAR监测原理及技术流程 61
4.1.1 D-InSAR地表形变监测原理与技术流程 62
4.1.2 MT-InSAR滑坡监测原理与技术流程 65
4.1.3 D-InSAR技术与MT-InSAR技术比较 68
4.2 InSAR 在西南山区应用技术难点及改进方法 69
4.2.1 技术难点 69
4.2.2 多时相、多波段、多视角协同InSAR监测方法 70
4.3 L 波段和C波段监测关键技术 71
4.3.1 L波段数据雨季D-InSAR监测 71
4.3.2 C波段升降轨融合周期性MT-InSAR监测 74
4.4 实验和分析 78
4.4.1 不同波段SAR相干性分析 78
4.4.2 多波段协同监测结果分析 80
4.4.3 多视角协同监测结果分析 83
4.4.4 大气延迟改正分析 84
4.4.5 PS/DS监测结果分析 88
4.5 成效验证 99
4.6 本章小结 104
参考文献 105
第5章 利用隐患数据和InSAR监测数据开展滑坡易发性评价 107
5.1 分析隐患分布规律开展易发性评价 107
5.1.1 空间数据库的建立 108
5.1.2 致灾因子的选取 108
5.1.3 致灾因子的量化 111
5.1.4 滑坡易发性评价模型 112
5.1.5 初始滑坡易发性评价 114
5.1.6 初始滑坡易发性评价精度分析 114
5.2 引入MT-InSAR监测结果更新易发性评价 117
5.2.1 滑坡易发性更新流程 117
5.2.2 形变速率计算方法 118
5.2.3 滑坡易发性更新方法 121
5.2.4 更新后的易发性结果 121
5.3 结果对比分析 122
5.3.1 与已知隐患叠加分析 123
5.3.2 实例分析 124
5.4 成效验证 127
5.5 本章小结 129
参考文献 129
第6章 结论与展望 131
6.1 结论 131
6.2 展望 132

第1章 喀斯特山区地质灾害研究现状
　　1.1 研究背景与意义
　　全球喀斯特分布面积约2200 万km2，占地球陆地表面积的15%（袁道先，1995）。中国是世界上喀斯特分布面积*大、发育*典型、地貌类型*齐全的国家，喀斯特主要集中分布在南方地区（陈治平，1986；刘再华和袁道先，2000）。贵州省位于世界三大岩溶集中分布区之一的东亚片区的核心地带（万军，2003），喀斯特地貌发育强烈（姚长宏等，2001），喀斯特地貌出露面积约占总面积的61.92%，部分地区石漠化严重，是中国南方喀斯特地貌发育*典型的地区之一（张扬等，2020）。贵州喀斯特地区新构造运动强烈差异、升降运动明显，地形切割剧烈，是喀斯特地质灾害形成的有利条件（张殿发和邹永廖，2002）。脆弱的生态地质环境及不合理的人类活动导致喀斯特山区地质灾害频繁，给经济开发、工程建设和人民生命财产造成巨大损失（苏维词，1995；张殿发和邹永廖，2002），已成为区域可持续发展的严重阻碍（张殿发和邹永廖，2002）。据2018 年全国地质灾害通报，2018 年，包括贵州在内的西南地区共发生地质灾害1044 起，占全国总量的35.2%，死亡、失踪36 人，占全国人员死亡、失踪总人数的32.1%，直接经济损失达6.6 亿元，占全国直接经济损失的44.7%；在众多地质灾害中，滑坡灾害发生*频繁，影响范围*广，2018 年全国共发生滑坡1631 起，占全年地质灾害总数的55%（自然资源部地质灾害技术指导中心，2019）。滑坡是指在特定地形地貌条件下，由于受外界条件的影响，原有的力学平衡被打破，进而导致边坡上的不稳定斜体沿着一个软弱面或软弱带向前向下滑动的一种不良地质现象（姜树辉，2013）。滑坡灾害往往发生在生态脆弱区（殷跃平，2007），不仅破坏了地貌单元的完整性，还导致地表景观生态格局破碎，引发一系列生态环境问题，制约着区域经济社会的可持续发展。
　　对潜在滑坡的调查和长期监测，尤其是大区域尺度滑坡早期隐患识别和危险性评价（Zhang et al.，2020），对滑坡灾害防治意义重大。遥感（remote sensing，RS）技术凭借大范围、高精度获取地面信息的优势，结合地理信息系统（geographic information system，GIS）数据分析和空间制图功能，在大区域地质灾害防治工作中发挥着重要作用。《国家中长期科学与技术发展规划纲要（2006—2020 年）》对RS、GIS 技术在滑坡地质灾害监测与预测中的作用进行了重点论述（国务院，2006）；而机器学习（machine learning，ML）技术的发展大大提升了遥感图像识别、地理信息系统分析等的效率和准确度（张茂省等，2019）。做好灾害隐患的早期识别、地质分析判断与持续监测，综合利用地理信息技术、高分辨率光学遥感技术和机器学习技术，结合工程地质、水文地质等资料，从“定性”（哪里可能存在，发育位置）、“定量”（变形幅度，变形强度，影响范围）和综合评判（风险程度如何，威胁对象）的方向推进研究，是地质灾害风险防范的关键（葛大庆等，2019）。本研究将遥感技术、地理信息技术和机器学习技术相结合，研究大区域滑坡灾害调查监测、早期风险预警，对实现地质灾害防治从“人防”向“技防”的转变有着重要理论和实践意义。
　　1.2 国内外研究现状
　　1.2.1 光学遥感滑坡隐患识别研究现状
　　早期的滑坡识别即滑坡隐患识别主要依靠高分辨率遥感影像结合人工目视解译方法来进行判读，但由于目视解译效率低下，且从海量遥感影像中寻找滑坡的盲目性大，随着图像信息自动提取方法研究的进展，滑坡隐患的计算机识别成为研究的热点（Singhroy，2009）。
　　从影像分类角度出发，逐步发展了基于自动阈值和形状描述的影像变化监测方法（Rosin et al.，2000），如：通过图像分割结合数字高程模型的方法（Barlow et al.，2003），基于广义正布尔函数的多源图像监督分类方法（Chang et al.，2007），基于二值变化图像的数学形态逼近的方法（Khairunniza-Bejo et al.，2010），以及基于面向对象变化检测的方法（H.lbling et al.，2015）等。这些方法都基于影像监督分类技术，需要针对单一影像先通过目视解译来选择训练区训练模型，然后利用训练好的模型识别，整个过程是半自动的，往往需要专业人员来进行交互操作，效率较低、技术易用性不强。而且通过影像分类来进行滑坡识别，分类器的参数采用多次尝试确定，特征规则阈值需要通过专家知识来确定，使用人工特征构建规则易将其他非滑坡区域误识别为滑坡区域，因此虚警率较高。
　　近几年来随着机器学习技术的发展，不依赖于人工设计特征的各种机器学习算法在滑坡识别领域得到了应用，包括支持向量机（Marjanovi.et al.，2011 ）、随机森林（Catani et al.，2013）、人工神经元网络（Liu and Wu，2016）等。这些机器学习算法能够从给定的训练数据集中自动地学习到滑坡的特征，从而使模型获得识别和探测滑坡目标的能力，大大提高了识别的效率和精度。相比于早期的机器学习算法（如支持向量机、随机森林、人工神经元网络等），卷积神经网络凭借其强大的表示学习能力，在各种图像处理任务中的表现都远优于以往根据经验设计特征的方法，包括图像分类的任务（He et al.，2016；Krizhevsky et al.，2012）、目标检测的任务（Girshick，2015；Ren et al.，2015）、语义分割的任务（Ronneberger et al.，2015；Chen et al.，2017）等。因此，近年来也有少量学者将卷积神经网络应用到滑坡识别领域。如Yu 等（2017）先利用人工标记的滑坡影像数据训练了一个简单的卷积网络，用于从测试图像集中检索出可能包含滑坡的图像，然后采用区域增长算法来提取影像中滑坡的具体区域、边界和中心。Ding 等（2016）使用卷积神经网络来提取滑坡发生前图像和滑坡发生后图像的特征向量，然后通过计算两期影像特征向量之间的欧氏距离，来确定是否有滑坡发生。而Ghorbanzadeh 等（2019）则分析了在滑坡识别任务中使用不同的输入设置，包括输入数据的尺寸大小和输入数据所包含的信息[ 他们对比了使用RGB（红、绿、蓝）波段、红外波段、NDVI（归一化植被指数），另外再加上坡度、坡向或平面曲率作为输入的两种情况]，以及使用的卷积神经网络的深度对于*终结果的影响。在这些研究当中，都只设计和使用了非常简单的网络结构，即简单地堆叠少量的卷积层、池化层及*后的全连接层。同时这些研究中所使用的网络深度也都较浅，Yu 等（2017）使用的是一个七层的网络，Ding 等（2016）使用的是一个5 层的网络，而Ghorbanzadeh 等（2019）则对比了5 层网络和8 层网络表现的差异。
　　目前，利用卷积神经网络来检测识别滑坡的研究还处于起步阶段，国内鲜有尝试。对于滑坡识别任务来说，使用更加复杂的网络结构和采用更有针对性的设计是提高滑坡识别精度的有效方法，如何让卷积神经网络更好地关注和学习到滑坡的本质特征是设计和选择滑坡识别模型的出发点。
　　1.2.2 InSAR 滑坡地表形变监测研究现状
　　InSAR 技术，即合成孔径雷达干涉测量是集合成孔径雷达、干涉测量于一体的监测技术，也是利用雷达对同一区域两次或多次获取的电磁波信号的相位信息，通过相位差计算地表形变信息的一项测量技术（Zebker and Goldstein，1986）。D-InSAR 即合成孔径雷达差分干涉技术，是基于InSAR 技术进一步发展而来的新技术方法，该技术引入了外部的数字高程模型，因此可以去除地形相位，来获取形变差分干涉图（Gabriel et al.，1989）。美国喷气发动实验室于1988 年对两景间隔三天的SEASAT 卫星数据进行干涉处理，得到了Conttonball 地区的DEM，首次实现了星载SAR 的重轨道多期数据干涉处理，并取得了理想成果（Goldstein et al.，1988）。1989 年美国加州理工学院用10m 分辨率的SAR 数据获取了精度优于厘米级的形变监测结果，首次论证了InSAR 技术探测地表形变的可行性，同时在研究中发现植被茂密区存在失相干现象（Gabriel et al.，1989）。
　　在此之后，欧空局（欧洲航天局）、加拿大、美国、日本、意大利、德国等一系列SAR 卫星也相继成功发射（表1.1），特别是欧空局ENVISAT ASAR 数据和Sentine-l 雷达数据的开放下载，为国内外学者提供了大量不同波段、不同分辨率的SAR 数据源，有力地推动了InSAR 技术的发展，为地表形变监测工作提供了一种全新的、高精度的技术手段，有效弥补了传统地灾监测方法周期长、覆盖空间有限、监测频率低、点位分布稀疏等缺陷，已被成功应用于地震活动（Massonnet et al.，1993；Wang et al.，2007；Liu et al.，2015）、火山活动（Massonnet et al.，1995；Lu et al.，2000，2003）、冰川漂移（Goldstein et al.，1993；Michel and Rignot，1999）、地面沉降（Massonnet and Holzer，1997；Lu et al.，2000；Herrera et al.，2010）、山体滑坡（Colesanti et al.，2003；Ye et al.，2004；Schl.gel et al.，2015）等因素诱发的地表形变监测。
　　表1.1 SAR卫星系统参数（朱建军等，2017）Table 1.1 System parameters of SAR satellites
　　西南山区气候多变、植被茂密、地形复杂、山体陡峭等因素会影响相关性，从而制约D-InSAR 在滑坡位移识别中的广泛应用（Zebker and Villasenor，1992；Di Martire et al.，2017；Strozzi et al.，2017）。为降低时间、空间以及大气的影响，研究人员开始着眼于有限数量的固定相干目标。Ferretti 等提出了以区域内稳定的观测目标为跟踪对象的Permanent Scatterers TechniqueTM 技术，并与InSAR 技术相结合形成了一系列多时相InSAR（multitemporal InSAR，MT-InSAR ）技术，成功应用在滑坡地表形变监测上并实现了毫米级精度（Ferretti et al.，2001）。但是永久散射体（permanent scatter，PS）分布的随机性会导致PS 点密度分布不均，比如植被发育充分的山区分布稀少，而有些地区则过于集中，限制了PS 技术在某些地区的推广使用。为了解决森林植被或陡峭地形中PS 密度低的问题，Ferretti 等研究了分布式散射体（distributed scatterers，DS）的提取，这些散射体对应于干涉对中相邻像素具有相似反射率值的像素（Ferretti et al.，2011 ）。为了提高测量点的空间密度，一些研究将PS 和DS 结合起来进行联合分析，在滑坡监测中取得了良好的效果（Dong et al.，2018）。近年来MT-InSAR 技术在滑坡地表形变监测领域展现了巨大潜力，特别是在监测植被繁茂的山区地表形变方面取得了显著成果（Tang et al.，2015；Du et al.，2019）。
　　受限于SAR 数据来源，我国的InSAR 技术对滑坡地表形变监测研究起步相对较晚，但是近些年仍取得了较大的进展。2000 年，武汉大学重点实验室采用D-InSAR 技术监测天津市地面沉降，得到的结果与1995 ～1997 年水准测量结果一致（