受青藏高原隆升的影响，我国地质环境复杂、地震频繁发生、气候多变，是世界上滑坡、崩塌、泥石流等地质灾害最为严重、受威胁人口最多的国家之一[1]。根据国家统计局数据，仅2019年我国共发生地质灾害6181起，造成大量经济损失和人员伤亡。其中，滑坡灾害4220起，占比68.27%[2]。我国政府历来高度重视自然灾害防治工作。2018年10月10日，习近平总书记主持召开中央财经委员会第三次会议，明确提出“要建立高效科学的自然灾害防治体系，提高我国自然灾害防治能力”，强调要“实施自然灾害监测预警信息化工程，提高多灾种和灾害链综合监测、风险早期识别和预报预警能力”。2018年以来，自然资源部和应急管理部也多次召开地质灾害防治的专题研讨会，提出地质灾害防治“四步”工作方案：研究原理、发现隐患、监测隐患、发布预警。因此，监测预警已成为降低滑坡灾害风险、主动防范滑坡灾害的一项核心需求和重要工作。
滑坡是斜坡岩土体在重力及外界因素(如降雨、水位、地震、人类工程活动等)作用下表现出的一种变形破坏过程和现象[3]。在重力与外力的共同驱动下，斜坡岩土体产生破裂，伴随内部潜在滑动面的孕育与贯通，产生外部宏观变形最终失稳破坏形成滑坡。滑坡监测预警是通过现代监测技术对滑坡变形破坏过程中的一些指标(如位移、应力、内部破裂产生的微震、声发射，以及地下水位等)进行持续监测，根据监测指标的动态变化特征、规律，以及前兆特征，在滑坡发生前发出警示信息，是主动防灾减灾的重要途径之一[3-4]。近年来，随着现代卫星遥感、无人机遥感、无线传感网络等先进技术的涌现，滑坡监测技术得到了长足发展。如图 1所示，通过对Web of Science数据库中2015—2020年发表的滑坡监测技术相关文献的关键词进行关系图谱分析，发现滑坡监测主要以变形和降雨为主，监测技术方法涵盖了基于卫星的合成孔径雷达差分干涉测量技术(InSAR)[5]、卫星光学影像[6]、无人机(UAV)摄影测量[7]和激光雷达测量技术(LiDAR)[8]、全球导航卫星系统(GNSS)等。星载InSAR技术能准确提取地球表面微小形变信息，测量精度可达厘米级甚至毫米级[9-10]，但由于受相干性和相位解缠等因素限制，基于相位信息的InSAR技术仅适用于缓慢变形滑坡。基于幅度的像素偏移追踪(pixel offset tracking, POT)则可实现大梯度滑坡形变测量，但也受限于卫星重访周期，无法对快速变形的滑坡进行监测[11]。通过多期次高精度卫星光学影像的对比分析，解译滑坡变形迹象、规模范围，可实现滑坡中长期变形阶段的动态观测[6]。无人机摄影测量和机载LiDAR技术作为一种新型的高精度遥测技术，弥补了星载遥测技术的精度问题，在滑坡灾害调查和监测中也得到了长足发展[7-8]。随着全球导航卫星定位系统(尤其是我国北斗系统的全面建成)的迅速发展，基于北斗/GNSS的高精度三维地表位移监测已成为滑坡地面专业监测的一种重要技术手段[4]。文献调研表明这些方法均在滑坡的监测和调查应用方面取得快速的发展，但大多文献主要介绍单一手段和技术方法在滑坡监测中的应用。本文围绕滑坡监测技术这一主题，构建了基于卫星平台、航空平台和物联网传感等先进技术的“天-空-地”一体化多元立体协同监测体系，梳理了滑坡实时监测预警的最新研究成果和进展，并通过典型案例检验其科学性、有效性和可行性，为滑坡灾害的预警预测与危险性评价提供科学依据。
|
| 图 1 滑坡监测技术知识关系图谱 Fig. 1 Knowledge relationship map of landslide monitoring techniques |
1 滑坡“天-空-地”协同监测体系
我国滑坡点多面广，分布散乱，很多滑坡源区地处大山的中上部，且多植被覆盖，具有高位隐蔽性特点，传统的地面调查、观(监)测已远不能满足防灾减灾实际需求。为此，笔者提出了一套滑坡“天-空-地”协同监测体系，其主要内涵是通过构建基于卫星平台的InSAR和高分辨率光学影像、基于航空平台的无人机摄影测量和机载LiDAR技术、基于地面平台的斜坡地表和内部监测感知的多元立体监测体系，实现对重大滑坡灾害隐患的多层次、多角度、多手段的全天候监测(图 2)。首先，可通过星载InSAR和高分辨率光学影像对历史上曾经的变形破坏区或当前正在变形的区域进行历史回溯、变形迹象识别和长期持续观测，实现对广域范围滑坡隐患的识别和中长期变形监测；其次，针对滑坡多发区域或正在变形的大型滑坡，可通过无人机摄影测量和机载LiDAR进行多期次的飞行观测，实现对重点区域和重大滑坡隐患地表变形破坏过程的短周期高精度动态监测和调查；最后，结合卫星和航空平台的多时相动态监测结果，通过地质调查对是否存在滑坡隐患进行复核确认，分析评估滑坡变形阶段和危险性，并对风险等级高尤其是已进入加速变形阶段的滑坡隐患，有针对性地部署地表和坡体内部传感器，开展高频实时自动化监测，同时结合预警模型和判据，以及滑坡实时监测预警系统平台，实现滑坡的早期预警和主动防范。
|
| 图 2 滑坡“天-空-地”协同监测技术体系 Fig. 2 Space-air-ground cooperated monitoring system for landslide |
1.1 基于星载InSAR和光学遥感的滑坡形变监测 1.1.1 基于InSAR技术的滑坡形变监测
InSAR技术利用两幅或多幅合成孔径雷达(synthetic aperture radar, SAR)影像，根据接收到的电磁波回波相位信号获取数字高程信息或地表形变信息，在地震前后形变测量[12]、城市沉降监测[13]等领域已得到广泛应用，并凭借其覆盖范围广、时空分辨率高、不受云雾干扰、非接触式测量等优势成为斜坡变形监测的有效手段之一。
就滑坡应用而言，早期InSAR监测主要针对大型单体滑坡，并且集中于意大利[14-15]、美国[16-17]、西班牙[18]等地形高陡、滑坡多发的国家及地区。InSAR技术在国内的应用始于2000年，三峡库区的新滩、链子崖滑坡是最早进行InSAR形变监测的滑坡[19-20]，随后在西南高山峡谷区[21-22]、西北黄土地区[23]、贵州丘陵山区[24]等单体滑坡监测中被广泛应用(图 3(a)、(b))。随着卫星硬件及SAR影像质量的快速发展与提升，基于InSAR的滑坡监测逐渐向广域、高精度发展，同时InSAR逐渐成为滑坡隐患早期识别的主要手段。英国[25]、意大利[26]等部分欧洲国家已实现了基于InSAR技术的全域地质灾害隐患识别，我国的广域InSAR滑坡识别与监测也正在迅速发展和推进[27-30](图 3(c)、(d))。未来基于整景200 km×200 km以上SAR影像覆盖的广域InSAR滑坡识别与基于米级空间分辨率的InSAR单体滑坡精准监测将成为该领域重点发展方向。
|
| 图 3 基于InSAR的滑坡形变监测与广域早期识别 Fig. 3 Identification and monitoring of landslide in large-area based on InSAR |
部分SAR卫星(如欧空局哨兵1号卫星)具备获取历史存档影像的能力，为滑坡体长达数年的历史变形追溯提供了可能[29]，对分析滑坡演化过程与触发因素具有重要作用(图 4)。2017年6月24日四川省茂县新磨村滑坡是我国滑坡InSAR形变追溯研究的一个里程碑事件。该滑坡源区地形陡峭，后缘高程达到3000 m以上，坡体瞬间下滑导致整个村舍被埋，多人死亡或失踪，引起全球广泛关注。利用欧空局哨兵数据对其进行形变历史回溯(图 4(a))，不仅发现滑源区在滑坡发生前3年就有持续变形，还捕捉到了滑前5~17 d出现的明显加速变形现象(图 4(b))[32-33]，这为基于InSAR的滑坡变形阶段评判、危险性评价与监测预警提供了重要依据。2018年发生的金沙江白格滑坡堵江事件，一些学者基于日本宇航局ALOS2 SAR影像(图 4(c))，采用像素偏移量追踪POT技术对白格滑坡发生前的形变情况进行追溯，发现滑坡发生前3年的累计位移达数十米[34-35](图 4(d))。另外，InSAR所监测到的滑坡形变信息还可与水文驱动因素相结合分析，探讨水文因素与形变的耦合响应与季节性变化，如水库水位循环会显著引起斜坡变形与失稳[36]，持续强降雨会以相对较高的概率诱发滑坡[37]。
|
| 图 4 基于星载InSAR的滑坡时空变形监测结果 Fig. 4 Spatial-temporal deformation monitoring results of landslide based on InSAR platform |
综上所述，InSAR技术在滑坡监测的主要作用为：①利用InSAR在广域范围识别正在发生变形的坡体，排查和发现滑坡隐患点，了解滑坡的可能发生地点；②通过InSAR监测可以揭示变形坡体长时间序列的形变位置、范围、量级，掌握滑坡隐患的变形状态和动态发展趋势(是否加速等)，从而提前判断滑坡的危险性，为进一步精细化监测预警提供依据；③通过追溯滑坡发生前长时间历史形变情况，可查明灾害发生的前兆信息、发生前的形变位移与速率特征，并与其他气象水文因素一起综合分析，确定滑坡的关键致灾因子。
1.1.2 基于卫星光学遥感的滑坡变形动态监测基于卫星光学遥感技术的地质灾害调查最早可以追溯到20世纪70年代，早期由于影像分辨率和数据源有限，主要利用Landsat 1—5等低分辨率卫星影像(分辨率低于30 m)进行地质灾害孕灾环境调查[38-39]。20世纪80年代之后，法国SPOT系列卫星中等分辨率光学卫星影像(分辨率优于5 m)陆续出现，并逐渐用于大型地质灾害的调查和动态监测[40]。进入21世纪，随着在轨高分辨率光学卫星数量的快速增多、影像空间分辨率的不断提高(如美国DigitalGlobe公司的WorldView-3卫星影像空间分辨率达0.31 m)和重复观测周期的不断缩短(如美国Planet公司的卫星星座可实现全球范围的每天重访)，多时相光学卫星影像被广泛应用于区域和单体地质灾害的精细调查与中长期监测[41-43]。
利用多时相高分辨率光学卫星影像进行滑坡监测一般可分为地表特征要素变化定性监测和地表形变定量监测。地表特征要素变化定性监测主要通过多时相光学卫星遥感影像的人工目视解译或计算机自动变化检测，对滑坡所在区域的土地类型、植被覆盖等的变化进行检测，从而实现对滑坡演化过程的动态监测与评价。图 5为2008年汶川地震区绵竹市绵远河干流左岸小岗剑震裂山体-滑坡-泥石流灾害链地震前后的多时相光学遥感影像，通过目视解译可较好了解该地质灾害链震后10年的动态演化过程[44]。
地表形变定量监测主要通过多时相高分辨率光学卫星遥感影像，利用人工目视解译方法对滑坡体上人工建构筑物(道路、水渠、房屋等)或宏观裂缝等变形迹象进行定量解译(图 6)，或利用像素偏移追踪技术对整个坡体水平方向上显著位移(一般指米级以上的位移)进行定量监测(图 7)，或利用高分辨率卫星立体像对获得滑坡区的多期次数字地表模型(digital surface model，DSM)再进行差分计算，对滑坡区垂直方向的位移量进行动态监测。图 6为通过对2018年6月22日—7月17日4期次Planet卫星影像(分辨率3.0 m)上道路拐点(P1和P2)的目视解译，实现甘肃省舟曲县江顶崖古滑坡复活后形变的定量监测。解译结果表明：该滑坡7月12日P1号点滑动25 m，P2号点滑动30 m；7月12—14日P1号点滑动60 m，P2号点滑动64 m，7月14日之后滑坡变形逐渐趋于稳定[45]。同时也基于像素偏移追踪POT技术利用2020年6月14日和6月19日两期高分2号卫星影像(分辨率0.8 m)，获取四川省丹巴县阿娘寨古滑坡复活后的形变监测结果，如图 7所示。该结果表明此滑坡2020年6月14日—6月19日最大形变量约为10 m，滑坡最大形变区主要位于滑坡后缘。
|
| 图 7 四川省丹巴县阿娘寨古滑坡复活后2020-06-14至2020-06-19形变监测 Fig. 7 Deformation monitoring from June 14 to June 19, 2020 after the resurrection of the ancient landslide in Aniangzhai, Danba County, Sichuan Province, China |
近年来，光学遥感技术在滑坡研究中的应用逐渐从单一数据向多时相、多源数据融合分析方向发展，从静态的滑坡灾害识别、形态分析向变形过程动态观测方向发展[7]。利用多时序高分辨率卫星光学遥感影像可实现对滑坡变形动态演化过程和特征的历史追踪，有助于判断滑坡隐患的规模、变形阶段和危险性程度。然而，实现高精度多时相光学卫星影像地表形变监测也是有前提条件的，即各期影像空间位置要达到像素级甚至亚像素级精确匹配，而因地形起伏导致的卫星影像几何畸变和影像空间分辨率等制约影像的匹配精度，影响地表形变监测精度。目前绝大部分高分辨率光学卫星影像的重访周期都在数天至十余天，虽然Planet卫星星座可以实现单天重访或者单天多次重访，但受气象条件的限制，尚达不到临滑阶段的监测频次要求，仅适用于滑坡中长期趋势监测和危险性评估。
1.2 基于无人机摄影测量的滑坡动态监测无人机航空摄影测量机动灵活性强、测量精度高，可作为对卫星遥感手段的有益补充，实现小区域内的定期持续观测，满足重点关注区内滑坡的快速动态监测需求。国内外不少学者对这一领域开展了相关研究，取得较快的进展[46-50]。随着近年来无人机技术的发展，利用无人机可实现厘米级高精度的垂直和倾斜摄影测量，并快速生成数字地形图(digital topographic map, DTM)、数字正射影像图(digital orthophoto map，DOM)、数字高程模型(digital elevation map, DEM)、数字地面模型DSM。通过三维DSM不仅可以清晰观测分析滑坡变形破坏迹象(如地表裂缝、错台、滑坡后缘拉陷槽和陡壁等)，还可通过多期次DSM差分实现对滑坡地表垂直位移、体积变化以及剖面地形变化的定量计算，并通过关键点的变形时间序列分析实现滑坡变形动态监测。另外，通过无人机搭载LiDAR探测器可实现对植被的有效滤除，获取高精度的数字地表模型，从而清晰地看到植被覆盖下的滑坡边界、裂缝分布等变形破坏迹象，消除植被覆盖对滑坡识别和监测的影响[1]。文献[51—52]自2015年起利用无人机对甘肃省黑方台黄土滑坡群进行长期监测，通过合理增加地面控制点数量将正射影像和DSM精度从分米级提高至厘米级，并通过与现场地表安装的裂缝计、GNSS监测数据进行对比分析，验证了小型无人机在黄土滑坡中长期监测中的实用性和可靠性。
目前，无人机摄影测量的滑坡监测技术主要以单体、小区域滑坡灾害为目标对象，获得高分辨率、高精度的地表数字高程模型，通过多期差分实现对滑坡裂缝分布、边界范围、地表变形的识别和监测。图 8为黑方台陈家段黄土滑坡群竖直位移多期次监测结果，差分变形量显示范围为0.10~1.00 m(沉降变形)。图 8(a)为2016-05与2017-01影像的差分结果，除滑坡内部的侵蚀变化外，变形主要集中在CJ#6滑坡后缘；图 8(b)为2017-01与2017-03影像的差分结果，显示变形主要集中在CJ#8滑坡后缘；图 8(c)为2017-03与2017-05影像的差分结果，表明CJ#6、CJ#7和CJ#8滑坡后缘均出现了变形。图 8(d)—(g)为各时段主要变形区的现场调查图片，它们与影像差分监测结果比较吻合，均出现了不同程度的沉降形变，通过现场测得的沉降变形与差分监测结果相比较，其误差在0.1 m以内。
由此可见，使用无人机遥感技术不仅可对滑坡隐患进行直观、便捷地识别和发现，还可通过多期次差分分析实现高达厘米级的形变定量监测，可作为滑坡早期识别和中长期变形监测的重要手段。同时，数字地表模型差分结果可清晰发现滑坡正在变形区域和关键部位(如滑坡后缘裂缝)，为地面专业监测精准布设监测设备提供了依据。但是，无人机摄影测量的测量精度也会受到地形环境、植被覆盖等因素的影响；同时，因受限于监测频次与精度，无人机遥感尚不能用于滑坡临滑阶段的实时动态监测预警，主要适宜于滑坡中长期和应急处置阶段的观测和危险性评价。
1.3 基于地面传感装备的滑坡灾害监测通过前述的“天-空”遥测技术基本可掌握滑坡隐患的位置和变形范围，同时通过对历史变形的追踪，判断其所处的变形阶段及空间分布特征，但由于卫星/无人机重访周期、监测指标单一等原因，无法对滑坡快速变形过程和诱发滑坡变形的相关物理量进行高频时间序列的实时自动监测，仅利用“天-空”监测技术难以实现滑坡短临和应急处置阶段的监测预警。通过“天-空”监测技术若发现滑坡变形速率较大或已进入加速变形阶段，就应实施地面监测，并根据监测数据驱动合适的预警模型实现滑坡预警，以保障受威胁人员生命财产安全[1]。
图 9为滑坡地面专业监测技术体系架构图。滑坡地面监测包括3个方面：滑坡变形监测、与变形相关的物理量监测，以及影响滑坡变形的因素监测。滑坡变形监测主要包括地表变形监测和深部位移监测；与变形相关的物理量监测主要包括监测滑坡岩土体在孕育和内部损伤破裂过程中因能量释放而产生的微震、地声以及应力变化；影响滑坡变形的因素主要指降雨量、地下水位、土壤含水率、孔隙或裂隙水压的动态变化等。随着无线通信技术的发展，滑坡地面监测均已实现了基于物联网的分布式、低功耗、自动化监测，多种现场部署的传感器通过无线组网(节点-网关模式)或者远程无线通信方式将实时采集数据发送至云平台服务器，运行在云服务器上的实时监测预警系统对采集的多源数据进行自动处理分析，结合预警模型实现滑坡实时自动监测预警，并通过网络或者短信等方式发布给相关用户。
|
| 图 9 滑坡地面专业监测体系架构 Fig. 9 Architecture diagram of ground-based professional monitoring technique |
1.3.1 滑坡变形专业监测
2019年中国地质调查局地质环境监测院根据相关要求，部署了普适型地质灾害监测预警设备的研发和推广应用工作，编制了《地质灾害专群结合监测预警技术指南(试行)》。其中，全球卫星导航系统(GNSS)、裂缝监测仪、雨量监测站是滑坡普适性监测的标准配置。
(1) 全球导航卫星系统(global navigation satellite system, GNSS)。GPS由美国军方于20世纪50—60年代开发并投入使用，随后迅速发展和不断改进完善，应用领域由军用拓展到民用。GPS技术的诞生对变形监测产生了深远的影响。早在20世纪80年代，国外就已开始使用GPS进行地面变形观测。近年来，GNSS(GPS、Gallieo、GLONASS、COMPASS的有机融合)监测技术以高精度、测站之间无须通视、全自动、全天候监测等优点，被广泛应用于滑坡变形监测领域[53-54]。
GNSS是利用太空中的导航卫星对地面、海洋和空间用户进行导航定位的一种空间导航定位技术。随着全球卫星导航系统建设的飞速发展，已形成了GPS、GLONASS、Galileo、COMPASS(北斗)四系统并存的局面，多模多频信号的融合极大提升了卫星定位系统的精度，使GNSS逐步取代了传统大地测量技术，推动了全新导航定位领域研究的发展[55]。随着我国北斗卫星导航系统(COMPASS)的建成以及基础地理信息库的建立，GNSS变形监测技术在我国滑坡变形监测领域得到了广泛的应用。近年来，全国范围根据已查明地质灾害隐患底数，全面建设基于北斗/GPS技术的GNSS滑坡变形监测系统，结合现代物联网通信技术(如4G/5G/LoRa等)构建滑坡变形实时监测传感网络，以获取更加精确、可靠和连续的滑坡变形信息，提高滑坡灾害监测预警能力，逐步实现滑坡的提前主动防范。图 10所示为基于GNSS的滑坡位移监测技术。GNSS的变形监测是基于载波相位差分原理，通过在稳定基岩上设立基准站，滑坡体上设立多个监测站，每个监测站观测的原始卫星数据结合基准站的卫星观测数据，以载波相位差分法进行精密数据处理，进而获得监测站的绝对位置坐标，以及与基准站之间的静态基线距离。GNSS静态观测一般需要30 min及以上时间才能获得毫米级别精度[56-57]，因受限于卫星观测数据质量和有效解算的限制，GNSS主要适用于处于蠕变或慢速变形滑坡的自动化高精度监测，对突发性滑坡、崩塌，以及由强降雨、地震等因素诱发滑坡的监测，尤其是临灾阶段的监测预警还存在一定的局限性，此时就需要其他监测设备(如裂缝计)的弥补。
|
| 图 10 基于GNSS的滑坡变形监测 Fig. 10 GNSS-based landslide deformation monitoring |
(2) 地表裂缝监测仪。滑坡体在潜在滑动面变形过程中往往会在后缘地表形成张拉裂缝，对滑坡后缘地面裂缝宽度变化的监测是滑坡变形观测最直观、简单且有效的方式。裂缝监测可分为人工测量和自动化监测。人工测量因测量精度低、测量频次低、危险性高等问题一般仅用于地质灾害的群测群防监测中，不适用于重大(危险)滑坡的专业监测。滑坡裂缝的自动化监测已得到成熟应用，其工作原理是通过在滑坡裂缝两侧跨接一根钢丝绳，裂缝计传感器将钢丝绳的长度转换为等比例的电信号，结合嵌入式采集与物联网技术实现对地表裂缝宽度的自动化采集、处理与传输。文献[58—59]研发了一种基于自适应变频采集的智能裂缝监测仪(图 11)，集传感元件、回旋装置、采集传输电路、内置锂电池和保护装置于一体，监测数据通过内置4G/NB-IoT/北斗等无线传输方式发送至远程的监测预警平台，其线性精度≤0.2%F.S.，分辨率达0.1 mm，量程范围为0~2000 mm。区别于传统裂缝计，该智能裂缝计内置能实时跟踪并随滑坡变形特征自动调整采集频率的算法模型，也即滑坡变形越快，数据采集频率就越高，滑坡变形越慢，采集频率就越低，采集频率可在数小时到1秒之间多级自适应调整。这样做不仅能极大降低设备功耗，保证设备在云雾天气也能长时间持续工作，更重要的是能完整获取突发型滑坡和一般滑坡加速和临滑变形阶段的数据，使滑坡的动态跟踪和过程预警(区别于传统的阈值预警)成为可能。利用该裂缝计和成都理工大学研发的地质灾害实时监测预警系统，已实现对甘肃黑方台十余次黄土滑坡、贵州兴义龙井村顺层岩质滑坡等的成功预警[60-61]。同时，滑坡裂缝监测仪作为GNSS的一种有力补充，较适用于滑坡临滑、应急抢险阶段，以及小型浅表层滑坡、崩塌变形的实时高频自动化监测和预警。裂缝计曾在2018年金沙江白格滑坡应急处置阶段的滑坡后缘局部垮塌的监测预警中发挥了重要作用[3]。
|
| 图 11 自适应变频智能滑坡裂缝监测仪及部署 Fig. 11 Adaptive frequency conversion intelligent landslide fracture monitor and deployment schematic |
1.3.2 滑坡变形相关物理量及外界因素监测
滑坡岩土体在重力及其他力(如水压力、地震动力等)作用下产生破裂，弹性能一部分会以微震、声发射、次声波等形式释放出来，可通过监测震动和声波信号的强度和位置分析研究滑坡内滑动面发展演化过程以及滑坡的前兆物理特征[3, 64]。滑坡在失稳后的运动过程中也会因撞击、摩擦产生明显的震动和声波信号，并可通过这些物理信号反演滑坡的运动过程和特征，为滑坡灾害的运动过程、监测速报与前兆预警研究提供新途径。文献[65]通过地震信号分析了2014年Askja ldera滑坡的动力学过程以及前兆信息，研究发现滑坡在发生前的30 min存在卓越频率为2.3 Hz的微地动信号，可作为滑坡的前兆信号。文献[66]通过滑坡地震动记录数据分析发现岩质滑坡会产生3~4 Hz主频的地震信号，落石对地面的撞击会产生3~10 Hz的地震信号。针对滑坡的受力监测，文献[2]提出基于牛顿力的滑坡监测预警新方法，研发了滑坡灾害牛顿力远程监测预警系统，构建了基于牛顿力变化测量的滑坡双体灾变力学模型和数据表达，提出了滑坡牛顿力灾变预警模式及预警等级，实现了多次滑坡灾害的成功预警。
绝大多数滑坡的发生受降雨、地震、人类工程活动等外部因素的诱发。对于深层降雨型滑坡，则应该注重监测和分析研究降雨、地下水位与变形的相关性；对于浅层降雨型滑坡，往往是覆盖层饱水导致流动性失稳，所以应重点监测覆盖层较厚或稳定性相对较差的关键部位的雨量、土体含水率、孔隙水压力及地表变形[3, 67]。
1.4 滑坡“天-空-地”综合协同监测上述各种技术手段都有其自身优势，但也存在明显的缺陷，不能仅依靠某一种技术实现对滑坡隐患的调查评价和监测，必须通过不同层次、不同类型技术手段的综合协同监测，才能实现不同空间和时间尺度、不同环境条件下各种观测内容的全面监测；另一方面，受各种因素的影响，仅靠单一技术手段所得结论可能并不充分甚至为错误的结果，必须通过两种及以上的技术手段得到同样的结论或结果，才能确认观测结果的正确性。尤其是遥感解译结果一般需通过现场调查复核才能确认，或至少通过两种不同的遥感技术得到一致的认识才能确认相关结果。
从不同时间和空间尺度上需要多种观测层次、多种监测技术的综合应用和协同观测。从空间尺度而言，基于卫星平台的光学遥感和InSAR技术可实现大范围、区域或流域尺度的滑坡隐患粗略调查和探测；而基于航空平台的摄影测量和LiDAR则只能进行相对小范围、重要区段或单体滑坡的高精度调查和监测；而地面调查和监测则仅适宜于重大单体滑坡隐患。从时间尺度而言，因卫星平台存在重访周期和恶劣天气等因素的限制，主要适宜于滑坡长期、中长期的调查观测；航空平台因受经费和其他因素影响，也不可能做到及时、实时调查观测，主要用于重点地段的详细调查观测和应急调查监测；而地面和坡体内部的监测则很容易实现实时自动高频监测，主要用于重大滑坡隐患，或通过遥感监测发现已进入加速变形阶段的滑坡隐患，以及应急处置阶段的滑坡调查监测。通过“天-空-地”综合协同监测，不仅可实现从单体滑坡到流域尺度再到区域甚至全国、全球多尺度的全面监测，还可实现从秒级到数十上百年大时间跨度的滑坡监测。
从不同的观测内容上也需要多种技术手段的综合应用和协同观测。光学遥感可通过滑坡区纹理或光谱特征与周围的差别实现对古老滑坡的识别调查和已有明显变形破坏迹象的新滑坡隐患的调查识别和监测，但云雾天气和植被覆盖对光学遥感具有很大的限制和影响，同时在滑坡变形初期可能并不会出现明显的变形迹象，平面范围太小的滑坡隐患也难以被卫星遥感影像识别和发现。当滑坡进入即将成灾阶段或应急处置时，卫星遥感的重访周期已远不能满足实际需求，需要航空遥感高频次的飞行来弥补。InSAR主要适宜于监测大范围正在缓慢变形的区域，是滑坡隐患识别的重要技术手段，虽然其受天气影响较小，可全天候观测，但其同样也会受到植被覆盖、重访周期、地形、天气等因素的困扰和限制，同时其对量级较大的变形破坏尤其是突发性变形破坏往往会失去观测能力。因此，将InSAR和光学遥感有机结合才能有效、全面调查识别出正在变形的滑坡隐患和对滑坡变形发展趋势的动态观测。对于植被茂密区，光学遥感和InSAR的观测能力都会受到极大的限制，而LiDAR却具有独特的植被去除功能，因此，LiDAR很适宜对植被覆盖区滑坡隐患的调查，尤其对具有历史“损伤”的古老滑坡体或断层、裂缝等线状构造具有独特的调查识别能力，可很好地弥补光学和InSAR的缺陷。但因LiDAR是基于航空和地面平台，其实施成本相对较高，主要适宜于重点区段或重大滑坡隐患的调查评价。地面和坡体内部监测可实现对滑坡区多种指标(如变形、地下水位、含水率、微震等)的全天候实时自动高频、高精度监测，往往作为滑坡预警的主要手段和依据，但因其监测仪器设备和维护成本都较高，主要适宜于重大滑坡隐患，尤其是滑坡进入加速变形阶段和应急处置阶段的监测，其可很好地弥补天-空遥感技术采样间隔和监测精度的缺陷。
同时，前已述及，仅靠单一技术手段获得的监测结果很容易出现偏差甚至错误的结果，通过多种技术手段监测结果的相互检验、验证和校核，更容易获得对滑坡真实情况的认知，这一点在西部高山峡谷区尤其是青藏高原地质调查人员难以到达的区域和部位，多种遥感技术的综合应用和观测结果的相互校验显得非常重要和必要。
2 金沙江流域滑坡隐患“天-空-地”协同监测与风险评价2018年10月10日和11月3日，西藏自治区江达县波罗乡白格村的金沙江右岸先后发生两次大规模高位滑坡，堵塞金沙江形成堰塞湖，堰塞体溃决后致使下游四川、云南境内多座桥梁被冲毁，丽江等地被淹，造成巨大的经济损失和广泛的社会影响。白格滑坡发生后金沙江流域是否还存在类似的大型高位滑坡隐患，成为地方政府、相关部门和社会关注的焦点。笔者曾利用“天-空-地”协同监测技术对白格滑坡变形破坏过程进行了全面系统的研究，并在白格滑坡堰塞体应急处置过程中对滑源区不稳定岩土体局部垮塌实施了多次成功预警，保障了应急处置工程的安全实施；同时为回应社会关切，对金沙江流域白格滑坡上下游120 km范围开展滑坡隐患排查、形变监测与风险评价。
2.1 白格滑坡“天-空-地”协同监测 2.1.1 基于卫星平台的滑前形变回溯监测收集白格滑坡失稳前多期次高分辨率卫星影像(图 12(a)—(e))，利用人工目视解译分别对滑坡区的局部垮塌和村道随时间的变化进行了解译分析(图 12(f))。解译结果显示：2011年3月卫星影像上局部垮塌面积为214 648 m2，2015年11月垮塌面积增加至228 257 m2，2017年1月垮塌面积变为237 908 m2，2011—2017年垮塌面积呈缓慢增加趋势；2018年2月垮塌面积为301 030 m2，2018年8月增加至347 820 m2，可见2017年1月之后滑坡区垮塌面积呈显著增加的趋势(图 13(a))。
|
| 图 13 西藏白格滑坡局部垮塌面积和村道累积形变量 Fig. 13 Local collapse area and cumulative displacement of village road in Baige landslide of Tibet |
根据滑坡区村道分布位置分别提取Ⅰ1、Ⅰ2、Ⅰ3、Ⅰ4、Ⅱ1、Ⅱ2、Ⅱ3、Ⅱ4共8处特征点随时间的累积形变量，Ⅰ1为34.0 m，Ⅰ2为45.3 m，Ⅰ3为44.8 m，Ⅰ4为24.9 m，Ⅱ1为37.0 m，Ⅱ2为33.1 m，Ⅱ3为30.2 m，Ⅱ4为28.4 m(图 13(b))。可见，8处特征点形变趋势基本一致，但累计形变量差别较大，从大到小依次为Ⅰ2>Ⅰ3>Ⅱ1>Ⅰ1>Ⅱ2>Ⅱ3>Ⅱ4>Ⅰ4。说明该滑坡地表形变整体为中后部>前部，滑坡应该属于推移式滑坡。此外，滑坡右侧(Ⅰ区)形变明显大于左侧(Ⅱ区)。该滑坡2011年3月4日—2018年2月28日最大位移达45.3 m，其中2017年1月15日—2018年2月28日的最大水平位移达26.2 m(Ⅰ2处)。从位移-时间曲线可以看出，2011年以来滑坡一直处于变形状态，其中，2014年12月28日—2015年2月22日间有一次加速变形过程，之后趋于相对稳定。2016年5月23日—2017年1月15日，滑坡便一直处于较快的匀速变形阶段。2017年1月15日之后表现出持续加速变形趋势。村道的动态变形趋势与局部垮塌面积的增加趋势具有较好的一致性，同时与利用时序雷达卫星的像素偏移量追踪技术(POT)探测出的滑坡在2017年3月以后进入加速变形阶段有较好的吻合(图 13(b)、图 14)。
|
| 图 14 基于星载InSAR的白格滑坡灾前POT变形监测结果 Fig. 14 Deformation monitoring results before Baige landslide with POT technique based on InSAR |
2.1.2 基于无人机遥感的滑后特征分析
两次滑坡发生后第一时间获取了滑坡-堵江-溃坝等关键时间节点的多期次无人机航拍数据，生成了滑坡区DSM、DOM等系列高精度数据，结合滑前1∶10 000 DEM影像，不仅快速查明了滑坡的基本特征，还对滑坡及堰塞坝动态变化特征进行了精细定量分析。如图 15所示，“10·11”第1次滑坡失稳岩土体体积约为2200×104 m3，滑体高位下滑后，冲入金沙江形成顺河向长约1100 m、宽约500 m的堰塞坝，其高度超出原始江面最大高度约85 m，平均厚度40 m。“11·03”第2次滑坡发生在第1次滑坡后缘陡壁的不稳定区，主滑区总体积约为850×104 m3，失稳岩土体沿途铲刮破碎岩体形成碎屑流，再次堵塞金沙江形成的堰塞坝最大高度比第1次滑坡形成的堰塞坝还高出50 m，堆积体总体积达930×104 m3。
|
| 图 15 白格两次滑坡正射影像及前后地形变化 Fig. 15 Orthophotos of two landslides in Baige and the topographic changes |
同时，利用无人机高分辨率DOM以及多期DSM差分数据发现了滑坡后缘裂缝空间分布位置和形态并定量分析了变形区的形变量(图 16)，为地面专业监测仪器的布设提供了靶点。结合裂缝分布位置和斜坡后缘变形特征，现场专家组对滑坡后缘划定了3个强变形区K1、K2、K3，先后安装了33套现场监测仪器设备(图 16(d))，包括16套GNSS、16套裂缝计和1套雨量计。
|
| 图 16 白格滑坡后缘裂缝发育分布、地形变化及监测仪器布置 Fig. 16 Distribution of fracture development on the back edge of the Baige landslide, topographic changes and arrangement of monitoring instruments |
2.1.3 基于地面专业监测的应急处置期间实时监测预警
因第2次滑坡形成的堰塞坝过高，库容较大，经评估分析一旦溃决将对下游产生巨大的损毁。为此，相关部门决定滑坡坝上通过人工开挖泄流槽主动降低库水位来减缓溃坝威胁。但如图 16(c)所示，滑坡后缘裂缝发育，变形剧烈，并断续出现局部垮塌，对堰塞体应急处置施工人员安全构成极大威胁。在堰塞体应急处置过程中，相关部门专门组建了现场监测预警专家组，通过将现场GNSS、地表裂缝计的监测数据接入地质灾害实时监测预警系统，建立了系统自动预警-专家研判-发布预警-及时撤离的应急监测预警机制。现场专家组曾3次提前30 min左右精准预警后缘局部垮塌，及时撤离了现场施工人员，保证了现场施工人员的安全。
以位于滑坡K1区的4号裂缝计监测为例，对白格滑坡应急处置阶段的实时监测预警进行说明。图 17为根据4号裂缝计的监测结果自动划分其所在区域变形块体的变形破坏阶段以及预警级别，变形曲线的切线角随着滑坡变形速率的增加而不断增大。2018年11月10日16:00时切线角超过80°，系统发出橙色预警信息；11月11日12:00—17:54:29，速率增量一直为正，变形速率由178.00 mm/d迅速增至333.90 mm/d。根据系统自动预警结果，结合现场专家研判于11日15:50向前线指挥部发布了红色预警信息，迅即组织施工人员避让撤离，30 min后，该区变形块体失稳破坏，由于撤离及时，施工人员成功避险。
|
| 图 17 白格滑坡4号裂缝计监测数据及预警过程 Fig. 17 Monitoring time-series and warning process according to crack-meter No.4 in Baige landslide |
2.2 金沙江流域典型区段滑坡隐患协同监测与风险评价
通过收集2018年1月—2022年5月哨兵-1号升轨卫星影像(2021年6月—2021年7月无SAR影像数据)，采用光学遥感判识、干涉堆叠Stacking-InSAR技术以及时序SBAS-InSAR技术，对金沙江流域白格滑坡上下游120 km范围进行滑坡隐患探测与形变监测，典型区段形变结果如图 18所示。基于光学影像目视解译以及Stacking-InSAR技术在白格滑坡上下游120 km共排查出34处正在变形的滑坡隐患(图 18(a))，发现距白格滑坡下游70 km处有一典型大型滑坡聚集地段，其Stacking-InSAR与SBAS-InSAR结果均显示该区段斜坡变形较为显著(图 18(b))。其中危险性最大的沙东滑坡宽约2.6 km，长约2.1 km，面积可达5.3 km2，有失稳堵江的风险(图 18(c))[28]。光学影像显示，在2018年10月和11月白格滑坡发生两次滑坡-堵江-溃坝洪水后，因洪水冲刷坡脚，该滑坡前缘右侧出现显著变形(图 18(d)和图 18(e))。
|
| 图 18 金沙江流域白格滑坡上下游120 km范围InSAR形变探测与监测 Fig. 18 Deformation detection and monitoring using InSAR technology in 120 km scope of the Baige landslide in the Jinsha River |
利用时序SBAS-InSAR技术获取典型点P1、P2的位移-时间曲线，发现白格事件前即2018年11月之前形变速率较小，白格滑坡后变形明显加剧，其中P1点年均形变速率由-43.10 mm/a变为-109.37 mm/a，P2点年均形变速率由-30.92 mm/a变为-178.25 mm/a(图 18(f))，但从该滑坡的位移—时间曲线可以看出其目前其仍处于等速变形阶段[68]，滑坡堵江风险处于中等水平。2021年12月笔者所在团队实地安装了GNSS位移监测仪器对该滑坡实施地面监测(位置与P1点保持一致)，将GNSS监测结果与SBAS-InSAR时序监测曲线进行对比(GNSS三维形变监测结果投影至雷达视线向(line of sight，LOS)方向，图 18(g))，二者均有形变，且变形趋势基本一致。后续将利用InSAR时序与地面监测有机结合实现对该滑坡的持续跟踪监测，一旦发现其进入加速变形阶段，则将风险等级调整为高风险，并加密地面监测，启动滑坡预警与临灾预案。
3 结论与展望本文对近年来利用“天-空-地”监测技术开展滑坡实施监测预警的研究进展进行了系统归纳总结，重点介绍了高分辨率光学遥感与InSAR技术的卫星遥测滑坡监测技术，无人机摄影测量的滑坡监测技术，以及基于地面传感器的滑坡监测技术，对比分析了各种监测技术的优势能力和应用局限，同时强调了应针对监测技术的适用条件、优势和特点，实现多层次、多技术的协同监测与综合利用，以实现充分发挥各自长处，规避短板，优势互补，最大限度地实现滑坡灾害的实时监测和科学预警。得出以下结论：
(1) 卫星InSAR监测可揭示不稳定斜坡长时间序列的形变位置、范围、量级，掌握滑坡隐患的运动状态和变形动态发展趋势(是否加速等)，实现提前判断滑坡的危险性，为进一步精细化监测预警提供依据。卫星影像光学遥感技术在滑坡研究中的应用逐渐从单一数据向多时相、多源数据融合分析方向发展，从静态的滑坡灾害识别、形态分析向变形过程动态观测方向发展。利用多时相高分辨率卫星光学遥感影像可实现对滑坡变形动态演化过程和特征的历史追踪，有助于判断滑坡隐患的规模、变形阶段和危险性程度。基于星载平台的滑坡遥测技术均受限于卫星重访周期长，目前仅适用于滑坡的中长期监测，较难满足滑坡临滑加速变形阶段的监测预警。星载滑坡遥测技术可为地面调查、监测靶区和仪器部署提供重要参考。目前星载遥感数据处理分析以人工解译方式为主，未来可发展基于深度学习的多源星载滑坡遥感数据自动融合分析与智能辅助决策方面的研究。
(2) 使用无人机遥感技术不仅可对滑坡隐患进行直观、便捷地识别和发现，还可通过多期次差分分析实现高达厘米级的形变定量监测，可作为滑坡早期识别和中长期变形监测的重要手段。同时，数字地表模型差分结果可清晰发现滑坡正在变形区域和关键部位(如滑坡后缘裂缝)，为地面专业监测精准布设传感设备提供了重要指导。但是，无人机摄影测量的测量精度也会受到地形环境、植被覆盖等因素的影响；同时，因受限于监测频次与精度，尚不能用于滑坡临滑阶段的实时动态监测预警，主要适宜于滑坡中长期和应急处置阶段的观测和危险性评价。
(3) 星载遥感技术与无人机摄影测量均实现了滑坡的中长期动态监测，对进入加速变形的滑坡应及时部署地面专业监测设备。北斗/GNSS导航系统、智能裂缝计等作为普适性变形监测技术已大范围推广至我国的地质灾害监测领域，结合滑坡灾变机理与变形规律，辅助滑坡诱发因素(如降雨、水位、孔隙水压等)和与变形相关的物理量(如牛顿力、声发射、微震等)的监测，采用多元监测技术对不同类型的滑坡实施针对性、科学性和组合式的综合监测，为滑坡预警预报模型的研究及推广应用提供重要的技术支撑。然而，目前地面专业监测数据均发送至云端进行解析、处理和预警驱动，受限于传输信号覆盖及数据延迟问题，易出现预警不及时，未来可发展基于边缘智能的滑坡监测预警设备研究，研发实时智能感知技术，前置预警模型至WSN边缘网关(或服务器)，实现“云-边”协同预警预报，为解决突发性地质灾害及时监测预警问题提供方案。
(4) 各种监测技术都有其自身的优势和缺点，在滑坡实际监测工作中需综合利用多种技术手段，通过多层次、多技术的综合应用，优势互补，相互验证和校核，才能实现对滑坡的各种空间尺度和发展演化全过程的监测，并提高滑坡全过程监测的准确性和可靠性。
| [1] |
许强, 董秀军, 李为乐. 基于天-空-地一体化的重大地质灾害隐患早期识别与监测预警[J]. 武汉大学学报(信息科学版), 2019, 44(7): 957-966. XU Qiang, DONG Xiujun, LI Weile. Integrated space-air-ground early detection, monitoring and warning system for potential catastrophic geohazards[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 957-966. |
| [2] |
何满潮, 任树林, 陶志刚. 滑坡地质灾害牛顿力远程监测预警系统及工程应用[J]. 岩石力学与工程学报, 2021, 40(11): 2161-2172. HE Manchao, REN Shulin, TAO Zhigang. Remote monitoring and forecasting system of Newton force for landslide geological hazards and its engineering application[J]. Chinese Journal of Rock Mechanics and Engineering, 2021, 40(11): 2161-2172. |
| [3] |
许强. 对滑坡监测预警相关问题的认识与思考[J]. 工程地质学报, 2020, 28(2): 360-374. XU Qiang. Understanding the landslide monitoring and early warning: consideration to practical issues[J]. Journal of Engineering Geology, 2020, 28(2): 360-374. |
| [4] |
白正伟, 张勤, 黄观文, 等. "轻终端+行业云"的实时北斗滑坡监测技术[J]. 测绘学报, 2019, 48(11): 1424-1429. BAI Zhengwei, ZHANG Qin, HUANG Guanwen, et al. Real-time BeiDou landslide monitoring technology of "light terminal plus industry cloud"[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(11): 1424-1429. DOI:10.11947/j.AGCS.2019.20190167 |
| [5] |
廖明生, 董杰, 李梦华, 等. 雷达遥感滑坡隐患识别与形变监测[J]. 遥感学报, 2021, 25(1): 332-341. LIAO Mingsheng, DONG Jie, LI Menghua, et al. Radar remote sensing for potential landslides detection and deformation monitoring[J]. National Remote Sensing Bulletin, 2021, 25(1): 332-341. |
| [6] |
李为乐, 许强, 陆会燕, 等. 大型岩质滑坡形变历史回溯及其启示[J]. 武汉大学学报(信息科学版), 2019, 44(7): 1043-1053. LI Weile, XU Qiang, LU Huiyan, et al. Tracking the deformation history of large-scale rocky landslides and its enlightenment[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 1043-1053. |
| [7] |
郭晨, 许强, 董秀军, 等. 无人机在重大地质灾害应急调查中的应用[J]. 测绘通报, 2020(10): 6-11, 73. GUO Chen, XU Qiang, DONG Xiujun, et al. Application of UAV photogrammetry technology in the emergency rescue of catastrophic geohazards[J]. Bulletin of Surveying and Mapping, 2020(10): 6-11, 73. DOI:10.13474/j.cnki.11-2246.2020.0309 |
| [8] |
郭晨, 许强, 董秀军, 等. 复杂山区地质灾害机载激光雷达识别研究[J]. 武汉大学学报(信息科学版), 2021, 46(10): 1538-1547. GUO Chen, XU Qiang, DONG Xiujun, et al. Geohazard recognition by airborne LiDAR technology in complex mountain areas[J]. Geomatics and Information Science of Wuhan University, 2021, 46(10): 1538-1547. |
| [9] |
COLESANTI C, WASOWSKI J. Investigating landslides with space-borne synthetic aperture radar (SAR) interferometry[J]. Engineering Geology, 2006, 88(3-4): 173-199. DOI:10.1016/j.enggeo.2006.09.013 |
| [10] |
CARLÀ T, INTRIERI E, RASPINI F, et al. Perspectives on the prediction of catastrophic slope failures from satellite InSAR[J]. Scientific Reports, 2019, 9(1): 14137. DOI:10.1038/s41598-019-50792-y |
| [11] |
李振洪, 宋闯, 余琛, 等. 卫星雷达遥感在滑坡灾害探测和监测中的应用: 挑战与对策[J]. 武汉大学学报(信息科学版), 2019, 44(7): 967-979. LI Zhenhong, SONG Chuang, YU Chen, et al. Application of satellite radar remote sensing to landslide detection and monitoring: challenges and solutions[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 967-979. |
| [12] |
WANG Xiaowen, LIU Guoxiang, YU Bing, et al. 3D coseismic deformations and source parameters of the 2010 Yushu earthquake (China) inferred from DInSAR and multiple-aperture InSAR measurements[J]. Remote Sensing of Environment, 2014, 152: 174-189. DOI:10.1016/j.rse.2014.06.014 |
| [13] |
HU Leyin, DAI Keren, XING Chengqi, et al. Land subsidence in Beijing and its relationship with geological faults revealed by Sentinel-1 InSAR observations[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 82: 101886. DOI:10.1016/j.jag.2019.05.019 |
| [14] |
BOVENGA F, WASOWSKI J, NITTI D O, et al. Using COSMO/SKYMED X-band and ENVISAT C-band SAR interferometry for landslides analysis[J]. Remote Sensing of Environment, 2012, 119: 272-285. DOI:10.1016/j.rse.2011.12.013 |
| [15] |
TOFANI V, RASPINI F, CATANI F, et al. Persistent scatterer interferometry (PSI) technique for landslide characterization and monitoring[J]. Remote Sensing, 2013, 5(3): 1045-1065. DOI:10.3390/rs5031045 |
| [16] |
SUN Qian, ZHANG Lei, DING Xiaoli, et al. Investigation of slow-moving landslides from ALOS/PALSAR images with TCPInSAR: a case study of Oso, USA[J]. Remote Sensing, 2014, 7(1): 72-88. DOI:10.3390/rs70100072 |
| [17] |
AMITRANO D, GUIDA R, DELL'AGLIO D, et al. Long-term satellite monitoring of the slumgullion landslide using space-borne synthetic aperture radar sub-pixel offset tracking[J]. Remote Sensing, 2019, 11(3): 369. DOI:10.3390/rs11030369 |
| [18] |
BRU G, GONZÁLEZ P J, MATEOS R M, et al. A-DInSAR monitoring of landslide and subsidence activity: a case of urban damage in Arcos de la Frontera, Spain[J]. Remote Sensing, 2017, 9(8): 787. DOI:10.3390/rs9080787 |
| [19] |
YE Xia, KAUFMANN H, GUO X F. Landslide monitoring in the Three Gorges area using D-INSAR and corner reflectors[J]. Photogrammetric Engineering&Remote Sensing, 2004, 70(10): 1167-1172. |
| [20] |
SHI Xuguo, LIAO Mingsheng, LI Menghua, et al. Wide-area landslide deformation mapping with multi-path ALOS PALSAR data stacks: a case study of Three Gorges Area, China[J]. Remote Sensing, 2016, 8(2): 136. DOI:10.3390/rs8020136 |
| [21] |
张路, 廖明生, 董杰, 等. 基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别——以四川丹巴为例[J]. 武汉大学学报(信息科学版), 2018, 43(12): 2039-2049. ZHANG Lu, LIAO Mingsheng, DONG Jie, et al. Early detection of landslide hazards in mountainous areas of West China using time series SAR interferometry-a case study of Danba, Sichuan[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 2039-2049. |
| [22] |
DAI Keren, LI Zhenhong, TOMÁS R, et al. Monitoring activity at the Daguangbao mega-landslide (China) using Sentinel-1 TOPS time series interferometry[J]. Remote Sensing of Environment, 2016, 186: 501-513. DOI:10.1016/j.rse.2016.09.009 |
| [23] |
LIU Xiaojie, ZHAO Chaoying, ZHANG Qin, et al. Heifangtai loess landslide type and failure mode analysis with ascending and descending Spot-mode TerraSAR-X datasets[J]. Landslides, 2020, 17(1): 205-215. DOI:10.1007/s10346-019-01265-w |
| [24] |
KANG Ya, ZHAO Chaoying, ZHANG Qin, et al. Application of InSAR techniques to an analysis of the Guanling landslide[J]. Remote Sensing, 2017, 9(10): 1046. DOI:10.3390/rs9101046 |
| [25] |
CIGNA F, BATESON L B, JORDAN C J, et al. Simulating SAR geometric distortions and predicting Persistent Scatterer densities for ERS-1/2 and ENVISAT C-band SAR and InSAR applications: nationwide feasibility assessment to monitor the landmass of Great Britain with SAR imagery[J]. Remote Sensing of Environment, 2014, 152: 441-466. DOI:10.1016/j.rse.2014.06.025 |
| [26] |
COSTANTINI M, FERRETTI A, MINATI F, et al. Analysis of surface deformations over the whole Italian territory by interferometric processing of ERS, Envisat and COSMO-SkyMed radar data[J]. Remote Sensing of Environment, 2017, 202: 250-275. DOI:10.1016/j.rse.2017.07.017 |
| [27] |
DONG Jie, LIAO Mingsheng, XU Qiang, et al. Detection and displacement characterization of landslides using multi-temporal satellite SAR interferometry: a case study of Danba County in the Dadu River Basin[J]. Engineering Geology, 2018, 240: 95-109. DOI:10.1016/j.enggeo.2018.04.015 |
| [28] |
陆会燕, 李为乐, 许强, 等. 光学遥感与InSAR结合的金沙江白格滑坡上下游滑坡隐患早期识别[J]. 武汉大学学报(信息科学版), 2019, 44(9): 1342-1354. LU Huiyan, LI Weile, XU Qiang, et al. Early detection of landslides in the upstream and downstream areas of the Baige landslide, the Jinsha River based on optical remote sensing and InSAR technologies[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1342-1354. |
| [29] |
DAI Keren, LI Zhenhong, XU Qiang, et al. Entering the era of earth observation-based landslide warning systems: a novel and exciting framework[J]. IEEE Geoscience and Remote Sensing Magazine, 2020, 8(1): 136-153. DOI:10.1109/MGRS.2019.2954395 |
| [30] |
ZHANG Lele, DAI Keren, DENG Jin, et al. Identifying potential landslides by Stacking-InSAR in southwestern China and its performance comparison with SBAS-InSAR[J]. Remote Sensing, 2021, 13(18): 3662. DOI:10.3390/rs13183662 |
| [31] |
冯文凯, 顿佳伟, 易小宇, 等. 基于SBAS-InSAR技术的金沙江流域沃达村巨型老滑坡形变分析[J]. 工程地质学报, 2020, 28(2): 384-393. FENG Wenkai, DUN Jiawei, YI Xiaoyu, et al. Deformation analysis of Woda village old landslide in Jinsha river basin using SBAS-InSAR technology[J]. Journal of Engineering Geology, 2020, 28(2): 384-393. |
| [32] |
DONG Jie, ZHANG Lu, LI Menghua, et al. Measuring precursory movements of the recent Xinmo landslide in Mao County, China with Sentinel-1 and ALOS-2 PALSAR-2 datasets[J]. Landslides, 2018, 15(1): 135-144. DOI:10.1007/s10346-017-0914-8 |
| [33] |
KANG Ya, LU Zhong, ZHAO Chaoying, et al. Diagnosis of Xinmo (China) landslide based on interferometric synthetic aperture radar observation and modeling[J]. Remote Sensing, 2019, 11(16): 1846. DOI:10.3390/rs11161846 |
| [34] |
LIU Xiaojie, ZHAO Chaoying, ZHANG Qin, et al. Deformation of the Baige landslide, Tibet, China, revealed through the integration of cross-platform ALOS/PALSAR-1 and ALOS/PALSAR-2 SAR observations[J]. Geophysical Research Letters, 2020, 47(3): e2019GL086142. |
| [35] |
LI Menghua, ZHANG Lu, DING Chao, et al. Retrieval of historical surface displacements of the Baige landslide from time-series SAR observations for retrospective analysis of the collapse event[J]. Remote Sensing of Environment, 2020, 240: 111695. DOI:10.1016/j.rse.2020.111695 |
| [36] |
SHI Xuguo, ZHANG Lu, TANG Minggao, et al. Investigating a reservoir bank slope displacement history with multi-frequency satellite SAR data[J]. Landslides, 2017, 14(6): 1961-1973. DOI:10.1007/s10346-017-0846-3 |
| [37] |
JIANG Yanan, LIAO Mingsheng, ZHOU Zhiwei, et al. Landslide deformation analysis by coupling deformation time series from SAR data with hydrological factors through data assimilation[J]. Remote Sensing, 2016, 8(3): 179. DOI:10.3390/rs8030179 |
| [38] |
GAGNON H. Remote sensing of landslide hazards on quick clays of eastern Canada[C]//Proceedings of the 10th International Symposium Remote Sensing of Environment. Michigan, USA: AnnArbor, 1975: 803-810.
|
| [39] |
HUANG S L, CHEN B K. Integration of Landsat and terrain information for landslide study[C]//Proceedings of the 8th Thematic Conference on Geological Remote Sensing. Denver, Colorado: ERIM International, 1991: 743-754.
|
| [40] |
ZHOU C H, LEE C F, LI J, et al. On the spatial relationship between landslides and causative factors on Lantau Island, Hong Kong[J]. Geomorphology, 2002, 43(3-4): 197-207. DOI:10.1016/S0169-555X(01)00130-1 |
| [41] |
YAMAGUCHI Y, TANAKA S, ODAJIMA T, et al. Detection of a landslide movement as geometric misregistration in image matching of SPOT HRV data of two different dates[J]. International Journal of Remote Sensing, 2003, 24(18): 3523-3534. DOI:10.1080/01431160110111063 |
| [42] |
GUZZETTI F, MONDINI A C, CARDINALI M, et al. Landslide inventory maps: new tools for an old problem[J]. Earth-Science Reviews, 2012, 112(1-2): 42-66. DOI:10.1016/j.earscirev.2012.02.001 |
| [43] |
SCAIONI M, LONGONI L, MELILLO V, et al. Remote sensing for landslide investigations: an overview of recent achievements and perspectives[J]. Remote Sensing, 2014, 6(10): 9600-9652. DOI:10.3390/rs6109600 |
| [44] |
李为乐. 典型强震同震地质灾害分布规律及后效应研究[D]. 成都: 成都理工大学, 2019. LI Weile. Distribution pattern and post-earthquake effect of coseismic landslides of strong earthquakes[D]. Chengdu: Chengdu University of Technology, 2019. |
| [45] |
于明山. 古滑坡堆积体复活形变与堵江机理研究-以甘肃省南峪乡江顶崖滑坡为例[D]. 成都: 成都理工大学, 2020. YU Mingshan. Study on reactivation deformation of ancient landslide accumulation body and mechanism of blocking river-a case study of Jiangdingya Landslide in Nanyu Town, Zhouqu County Gansu Province, China[D]. Chengdu: Chengdu University of Technology, 2020. |
| [46] |
TURNER D, LUCIEER A, DE JONG S M. Time series analysis of landslide dynamics using an unmanned aerial vehicle (UAV)[J]. Remote Sensing, 2015, 7(2): 1736-1757. DOI:10.3390/rs70201736 |
| [47] |
BRIDEAU M A, STURZENEGGER M, STEAD D, et al. Stability analysis of the 2007 Chehalis lake landslide based on long-range terrestrial photogrammetry and airborne LiDAR data[J]. Landslides, 2012, 9(1): 75-91. DOI:10.1007/s10346-011-0286-4 |
| [48] |
喜文飞. 滇东北山区无人机遥感影像预处理方法及滑坡特征识别研究[J]. 测绘学报, 2020, 49(8): 1071. XI Wenfei. Study on remote sensing image preprocessing method and landslide feature identification of UAV in northeast Yunnan mountain area[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(8): 1071. DOI:10.11947/j.AGCS.2020.20200081 |
| [49] |
FERNÁNDEZ T, PÉREZ J L, CARDENAL J, et al. Analysis of landslide evolution affecting olive groves using UAV and photogrammetric techniques[J]. Remote Sensing, 2016, 8(10): 837. DOI:10.3390/rs8100837 |
| [50] |
许强, 郑光, 李为乐, 等. 2018年10月和11月金沙江白格两次滑坡-堰塞堵江事件分析研究[J]. 工程地质学报, 2018, 26(6): 1534-1551. XU Qiang, ZHENG Guang, LI Weile, et al. Study on successive landslide damming events of Jinsha river in Baige village on Octorber 11 and November 3, 2018[J]. Journal of Engineering Geology, 2018, 26(6): 1534-1551. |
| [51] |
XU Qiang, LI Weile, JU Yuanzhen, et al. Multitemporal UAV-based photogrammetry for landslide detection and monitoring in a large area: a case study in the Heifangtai terrace in the Loess Plateau of China[J]. Journal of Mountain Science, 2020, 17(8): 1826-1839. DOI:10.1007/s11629-020-6064-9 |
| [52] |
巨袁臻. 基于无人机摄影测量技术的黄土滑坡早期识别研究——以黑方台为例[D]. 成都: 成都理工大学, 2017. JU Yuanzhen. Early recognition of loess landslide based on UAV photogrammetry-a case study of Heifang terrace[D]. Chengdu: Chengdu University of Technology, 2017. |
| [53] |
MALET J P, MAQUAIRE O, CALAIS E. The use of global positioning system techniques for the continuous monitoring of landslides: application to the Super-Sauze earthflow (Alpes-de-Haute-Provence, France)[J]. Geomorphology, 2002, 43(1-2): 33-54. DOI:10.1016/S0169-555X(01)00098-8 |
| [54] |
韩军强. 高精度GNSS实时滑坡变形监测技术及环境建模分析研究[J]. 测绘学报, 2020, 49(3): 397. HAN Junqiang. Research on high precision GNSS real time landslide deformation monitoring technology and environmental modeling[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(3): 397. DOI:10.11947/j.AGCS.2020.20190177 |
| [55] |
王进, 杨元喜, 张勤, 等. 多模GNSS融合PPP系统间偏差特性分析[J]. 武汉大学学报(信息科学版), 2019, 44(4): 475-481. WANG Jin, YANG Yuanxi, ZHANG Qin, et al. Analysis of inter-system bias in Multi-GNSS precise point positioning[J]. Geomatics and Information Science of Wuhan University, 2019, 44(4): 475-481. |
| [56] |
ZHU Xing, XU Qiang, ZHOU Jianbin, et al. Remote landslide observation system with differential GPS[J]. Procedia Earth and Planetary Science, 2012, 5: 70-75. DOI:10.1016/j.proeps.2012.01.012 |
| [57] |
BENOIT L, BRIOLE P, MARTIN O, et al. Monitoring landslide displacements with the Geocube wireless network of low-cost GPS[J]. Engineering Geology, 2015, 195: 111-121. DOI:10.1016/j.enggeo.2015.05.020 |
| [58] |
ZHU Xing, XU Qiang, QI Xing, et al. A self-adaptive data acquisition technique and its application in landslide monitoring[M]//MIKOŠ M, ARBANAS Ž, YIN Yueping, et al. Advancing Culture of Living with Landslides. Cham: Springer, 2017.
|
| [59] |
ZHU Xing, XI Hewei, HE Zhaoqing, et al. An intelligent wireless displacement sensor for landslide monitoring and early warning[J]. IOP Conference Series: Earth and Environmental Science, 2021, 861(7): 072038. DOI:10.1088/1755-1315/861/7/072038 |
| [60] |
XU Qiang, PENG Dalei, ZHANG Shuai, et al. Successful implementations of a real-time and intelligent early warning system for loess landslides on the Heifangtai Terrace, China[J]. Engineering Geology, 2020, 278: 105817. DOI:10.1016/j.enggeo.2020.105817 |
| [61] |
FAN Xuanmei, XU Qiang, LIU Jie, et al. Successful early warning and emergency response of a disastrous rockslide in Guizhou province, China[J]. Landslides, 2019, 16(12): 2445-2457. DOI:10.1007/s10346-019-01269-6 |
| [62] |
ZHU Xing, XU Qiang, ZHAO Zhiye, et al. Low frequency acoustic signals associated with rock falls, thunderstorms, and wind turbulences in field environment[J]. Applied Acoustics, 2016, 112: 131-139. DOI:10.1016/j.apacoust.2016.05.021 |
| [63] |
ZHU Xing, XU Qiang ZHOU Jianbin, et al. Experimental study of infrasonic signal generation during rock fracture under uniaxial compression[J]. International Journal of Rock Mechanics and Mining Sciences, 2013, 60: 37-46. DOI:10.1016/j.ijrmms.2012.12.023 |
| [64] |
盛敏汉, 储日升, 曾求, 等. 地震学方法在滑坡体结构及破裂过程的应用研究进展[J]. 地球物理学进展, 2019, 34(6): 2188-2195. SHENG Minhan, CHU Risheng, ZENG Qiu, et al. Application of seismological methods in landslide structure and rupture process[J]. Progress in Geophysics, 2019, 34(6): 2188-2195. |
| [65] |
SCHÖPA A, CHAO Weian, LIPOVSKY B P, et al. Dynamics of the Askja caldera July 2014 landslide, Iceland, from seismic signal analysis: precursor, motion and aftermath[J]. Earth Surface Dynamics, 2018, 6(2): 467-485. DOI:10.5194/esurf-6-467-2018 |
| [66] |
DAMMEIER F, MOORE J R, HAMMER C, et al. Automatic detection of alpine rockslides in continuous seismic data using hidden Markov models[J]. Journal of Geophysical Research: Earth Surface, 2016, 121(2): 351-371. DOI:10.1002/2015JF003647 |
| [67] |
YANG Zongji, SHAO Wei, QIAO Jianping, et al. A multi-source early warning system of MEMS based wireless monitoring for rainfall-induced landslides[J]. Applied Sciences, 2017, 7(12): 1234. DOI:10.3390/app7121234 |
| [68] |
许强, 汤明高, 徐开祥, 等. 滑坡时空演化规律及预警预报研究[J]. 岩石力学与工程学报, 2008, 27(6): 1104-1112. XU Qiang, TANG Minggao, XU Kaixiang, et al. Research on space-time evolution laws and early warning-prediction of landslides[J]. Chinese Journal of Rock Mechanics and Engineering, 2008, 27(6): 1104-1112. DOI:10.3321/j.issn:1000-6915.2008.06.003 |