基于升降轨InSAR数据的高山峡谷区滑坡易发性评价

张伟; 陈宏; 纪成亮; 杨庆义; 席文勇; 孙旭; 张勇; 于天文; 倪冰冰; 徐智慧; 李德营

doi:10.19509/j.cnki.dzkq.tb20230560

您当前的位置：

首页 >

文章列表页 >

基于升降轨InSAR数据的高山峡谷区滑坡易发性评价

专栏·地质灾害风险定量评价 | 更新时间：2026-11-05

- 基于升降轨InSAR数据的高山峡谷区滑坡易发性评价
- 基于升降轨InSAR数据的高山峡谷区滑坡易发性评价
- 地质科技通报 2025年44卷第2期页码：94-103
- 作者机构：
  
  1. 山东电力工程咨询院有限公司
  2. 国家电力投资集团有限公司
  3. 中国地质大学(武汉)工程学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目（41772310）
- DOI：10.19509/j.cnki.dzkq.tb20230560
  中图分类号： P642.22;P237
- 网络首发：2023-12-17，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
张伟, 陈宏, 纪成亮, 等. 基于升降轨InSAR数据的高山峡谷区滑坡易发性评价[J]. 地质科技通报, 2025,44(2):94-103.

张伟, 陈宏, 纪成亮, et al. 基于升降轨InSAR数据的高山峡谷区滑坡易发性评价[J]. Bulletin of Geological Science and Technology, 2025, 44(2): 94-103.
张伟, 陈宏, 纪成亮, 等. 基于升降轨InSAR数据的高山峡谷区滑坡易发性评价[J]. 地质科技通报, 2025,44(2):94-103. DOI： 10.19509/j.cnki.dzkq.tb20230560.

张伟, 陈宏, 纪成亮, et al. 基于升降轨InSAR数据的高山峡谷区滑坡易发性评价[J]. Bulletin of Geological Science and Technology, 2025, 44(2): 94-103. DOI： 10.19509/j.cnki.dzkq.tb20230560.

摘要

近年来，反映地表变形因子的合成孔径雷达干涉测量InSAR(interferometric synthetic aperture radar)数据被逐渐引入到滑坡易发性评价中。然而这些研究未考虑SAR影像差异，特别是在高山峡谷区InSAR升、降轨成像效果差别大，对地表变形的反映存在较大误差。为了在滑坡易发性评价中更加准确地使用InSAR数据，选择象鼻岭水电站库区作为研究区，经过指标因子相关性分析后，选择了和高山峡谷区滑坡发生相关的11个孕灾因子与升、降轨InSAR变形数据组合进行滑坡易发性评价。比较是否使用变形数据和使用不同变形数据之间的结果发现，在易发性评价中补充采样点较稀疏的升轨数据反而会降低易发性评价精度，补充采样点较多的降轨数据能一定程度上提高2.7%的易发性精度（AUC=0.9248）。研究表明，InSAR变形数据作为因子引入滑坡易发性评价中会影响评价结果，在高山峡谷区选用合适的InSAR变形数据可提高易发性评价精度。

Abstract

ObjectiveIn recent years

Interferometric Synthetic Aperture Radar (InSAR) data

which reflect surface deformation

have increasingly been integrated into landslide susceptibility assessments. However

previous studies have not adequately addressed the variability in SAR images

particularly in alpine and canyon regions where the imaging characteristics of InSAR ascending and descending passes differ significantly

leading to substantial errors in surface deformation measurements. MethodsThis study selected the reservoir area of Xiangbiling Hydropower Station as the research site. After conducting a correlation analysis of influencing factors

11 influencing factors and InSAR deformation data pertinent to landslides in alpine and canyon areas were chosen for landslide susceptibility evaluation. ResultsComparisons between using different deformation datasets revealed that incorporating sparse ascending-pass data from sampling points decreases the accuracy of landslide susceptibility assessment. Conversely

utilizing descending-pass SAR data

which includes a higher density of sampling points

improved the accuracy by 2.7% (AUC = 0.9248). ConclusionThe inclusion of InSAR deformation data as a influencing factor in landslide susceptibility assessment significantly influences the evaluation outcomes. Therefore

it is crucial to select appropriate InSAR deformation data to enhance the accuracy of susceptibility assessments.

关键词

Keywords

references

Kulsoom Isma,Hua Weihua,Hussain Sadaqat,Chen Qihao,Khan Garee,Shihao Dai.SBAS-InSAR based validated landslide susceptibility mapping along the Karakoram Highway: a case study of Gilgit-Baltistan, Pakistan.[J].Scientific reports,2023.

Zhang Xingchen,Chen Lixia,Zhou Chao.Deformation Monitoring and Trend Analysis of Reservoir Bank Landslides by Combining Time-Series InSAR and Hurst Index[J].Remote Sensing,2023.

Yao Jiaming,Yao Xin,Liu Xinghong.Landslide Detection and Mapping Based on SBAS-InSAR and PS-InSAR: A Case Study in Gongjue County, Tibet, China[J].Remote Sensing,2022(19).

Zhang Lele,Dai Keren,Deng Jin,Ge Daqing,Liang Rubing,Li Weile,Xu Qiang.Identifying Potential Landslides by Stacking-InSAR in Southwestern China and Its Performance Comparison with SBAS-InSAR[J].Remote Sensing,2021.

Huiming Tang,Janusz Wasowski,C. Hsein Juang.Geohazards in the three Gorges Reservoir Area, China – Lessons learned from decades of research[J].Engineering Geology,2019.

Xiaojie Liu,Chaoying Zhao,Qin Zhang,Chengsheng Yang,Jing Zhang.Characterizing and Monitoring Ground Settlement of Marine Reclamation Land of Xiamen New Airport, China with Sentinel-1 SAR Datasets.[J].Remote Sensing,2019.

Mark Ibrahim,Melissa Louie,Ceena Modarres,John W. Paisley.Global Explanations of Neural Networks: Mapping the Landscape of Predictions.[J].CoRR,2019.

Janusz Wasowski,Fabio Bovenga.Investigating landslides and unstable slopes with satellite Multi Temporal Interferometry: Current issues and future perspectives[J].Engineering Geology,2014.

Liming Jiang,Hui Lin,Jianwei Ma,Bing Kong,Yao Wang.Potential of small-baseline SAR interferometry for monitoring land subsidence related to underground coal fires: Wuda (Northern China) case study[J].Remote Sensing of Environment,2010.

Robin Fell,Jordi Corominas,Christophe Bonnard,Leonardo Cascini,Eric Leroi,William Z. Savage.Guidelines for landslide susceptibility, hazard and risk zoning for land-use planning[J].Engineering Geology,2008.

Fausto Guzzetti,Paola Reichenbach,Francesca Ardizzone,Mauro Cardinali,Mirco Galli.Estimating the quality of landslide susceptibility models[J].Geomorphology,2006.

Fausto Guzzetti,Paola Reichenbach,Mauro Cardinali,Mirco Galli,Francesca Ardizzone.Probabilistic landslide hazard assessment at the basin scale[J].Geomorphology,2005.

Leonardo Ermini,Filippo Catani,Nicola Casagli.Artificial Neural Networks applied to landslide susceptibility assessment[J].Geomorphology,2004.

马博,朱杰勇,刘帅,杨得虎.联合时序InSAR和滑坡灾害易发性的元阳县滑坡灾害隐患识别[J].地质灾害与环境保护,2023(03).

曾韬睿,邬礼扬,金必晶,殷坤龙,陈熠婷,陈虹.基于stacking集成策略和SBAS-InSAR的滑坡动态易发性制图[J].岩石力学与工程学报,2023(09).

郭衍昊,窦杰,向子林,马豪,董傲男,罗万祺.基于优化负样本采样策略的梯度提升决策树与随机森林的汶川同震滑坡易发性评价[J].地质科技通报,2024(03).

朱宇航,黄海峰,殷坤龙,郭子正,郭飞,赖鹏.基于滑坡破坏模式分析的易发性评价——以三峡库区首段泄滩河左岸为例[J].中国地质灾害与防治学报,2023(02).

刘冀昆,杨晓琳,王成虎.S-SARⅡ技术的崩塌临灾应急监测原理及其应用[J].地质科技通报,2023(01).

张占忠,陈富强,刘亚林,李丹,杜世回,张晓宇.基于遥感技术的嘉黎江巴变形体稳定性评价与分析[J].地质科技通报,2023(03).

黄发明,陈彬,毛达雄,刘乐开,张子荷,朱莉.基于自筛选深度学习的滑坡易发性预测建模及其可解释性[J].地球科学,2023(05).

王世宝,庄建琦,郑佳,牟家琦,王野,付玉婷.基于深度学习的CZ铁路康定—理塘段滑坡易发性评价[J].工程地质学报,2022(03).

何书,鲜木斯艳·阿布迪克依木,胡萌,陈康.基于自组织特征映射网络-随机森林模型的滑坡易发性评价——以江西大余县为例[J].中国地质灾害与防治学报,2022(01).

李文彬,范宣梅,黄发明,武雪玲,殷坤龙,常志璐.不同环境因子联接和预测模型的滑坡易发性建模不确定性[J].地球科学,2021(10).

罗路广,裴向军,崔圣华,黄润秋,朱凌,何智浩.九寨沟地震滑坡易发性评价因子组合选取研究[J].岩石力学与工程学报,2021(11).

黄发明,叶舟,姚池,李远耀,殷坤龙,黄劲松,姜清辉.滑坡易发性预测不确定性：环境因子不同属性区间划分和不同数据驱动模型的影响[J].地球科学,2020(12).

李文彦,王喜乐.频率比与信息量模型在黄土沟壑区滑坡易发性评价中的应用与比较[J].自然灾害学报,2020(04).

刘月,王宁涛,周超,谢家龙,李远耀.基于ROC曲线与确定性系数法集成模型的三峡库区奉节县滑坡易发性评价[J].安全与环境工程,2020(04).

夏小裕,王哲奇.PS-InSAR与DS-InSAR监测城市地面沉降的精度检验与分析[J].海洋测绘,2020(04).

吴常润,赵冬梅,刘澄静,角媛梅,冯志娟,刘敬.基于GIS的华宁县滑坡灾害影响因子分析及易发性评价[J].水土保持研究,2019(06).

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(07).

闫举生,谭建民.基于不同因子分级法的滑坡易发性评价——以湖北远安县为例[J].中国地质灾害与防治学报,2019(01).

郭子正,殷坤龙,黄发明,付圣,张文.基于滑坡分类和加权频率比模型的滑坡易发性评价[J].岩石力学与工程学报,2019(02).

黄发明,殷坤龙,蒋水华,黄劲松,曹中山.基于聚类分析和支持向量机的滑坡易发性评价[J].岩石力学与工程学报,2018(01).

林珲,马培峰,王伟玺.监测城市基础设施健康的星载MT-InSAR方法介绍[J].测绘学报,2017(10).

杜谦,范文,李凯,杨德宏,吕佼佼.二元Logistic回归和信息量模型在地质灾害分区中的应用[J].灾害学,2017(02).

王佳佳,殷坤龙,肖莉丽.基于GIS和信息量的滑坡灾害易发性评价——以三峡库区万州区为例[J].岩石力学与工程学报,2014(04).

许强.滑坡的变形破坏行为与内在机理[J].工程地质学报,2012(02).

牛瑞卿,彭令,叶润青,武雪玲.基于粗糙集的支持向量机滑坡易发性评价[J].吉林大学学报(地球科学版),2012(02).

许冲,戴福初,姚鑫,陈剑,涂新斌,孙瑜,王志一.GIS支持下基于层次分析法的汶川地震区滑坡易发性评价[J].岩石力学与工程学报,2009(S2).

吴树仁,石菊松,张春山,王涛.地质灾害风险评估技术指南初论[J].地质通报,2009(08).

黄润秋.20世纪以来中国的大型滑坡及其发生机制[J].岩石力学与工程学报,2007(03).

浏览量

738

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

融合时序InSAR形变的石棉县滑坡易发性评价

白鹤滩库区活动滑坡识别及形变影响因素分析

考虑地表形变和土地利用变更的滑坡时空易发性差异分析

InSAR约束的青海门源Mw6.7级地震同震断层滑动反演与三维形变场模拟

基于环境因子优化TSES法选择负样本及其在滑坡易发性评价中的应用