期刊：Remote Sensing of Environment 一区
题目：Forecasting the magnitude of potential landslides based on InSAR techniques
摘要：将经验建模与时间序列干涉合成孔径雷达（InSAR）数据相结合，提出了一种新的方法来评估潜在的滑坡体积和面积。采用该方法对甘肃省中部黄河黑台河阶地潜在滑坡进行了评价。高架阶地覆盖着大量黄土，自1968年以来，随着持续灌溉，地下水位逐渐上升，引发了许多滑坡。这些山体滑坡可能对社区产生重大影响，影响生活和生计。开展有效的滑坡风险管理需要更好地了解潜在的滑坡规模。使用50个绘制的滑坡来构建将滑坡面积（AL）与体积（VL）联系起来的经验幂律关系（VL=0.33×AL1.399）。InSAR得出的地面位移沿视线（LOS）的范围为−64 mm/y至24 mm/y。基于遥感（InSAR和光学图像）和实地调查对模式的进一步解释，能够识别另外54个潜在滑坡（1.9×102 m2≤AL≤8.1×104 m2）。反过来，这使得能够绘制出显示潜在滑坡活动规模的地图。这项研究提供了重要的进一步科学见解，为正在进行的景观演变背景下的滑坡灾害和风险管理提供了信息。它还提供了进一步的证据，表明该方法可用于量化潜在滑坡的规模，从而为滑坡风险管理提供重要信息。
研究结论
将滑坡面积与体积联系起来的经验模型与时间序列InSAR的评估相结合，构建了一种预测甘肃省中部黑台阶地地区潜在滑坡位置、面积和体积的方法。
使用50个历史滑坡的清单来生成经验关系（VL=0.33×AL1.399），这与其他地方建立的类似关系非常一致（Guzzetti等人，2009）。历史滑坡总面积和体积分别为1.26×106 m2和3.86×107 m3。这些历史滑坡的震级以滑坡体积的10为底对数表示，从3到6不等。
通过SBAS技术对2014年10月14日至2017年5月7日采集的42张Sentinel 1图像进行处理，生成地面位移率，以支持潜在滑坡的识别和测绘。在黑台阶地周围共检测到157434个CT（2399个CT km−2），位移率在24 mm/y至−64 mm/y之间。使用±10 mm/y的稳定性阈值确定了54个潜在滑坡，并使用地貌解释进一步细化。
最后，通过时间序列InSAR绘制了这54个潜在滑坡的面积图，并使用经验关系计算了它们的体积（VP）。在2017年5月7日之前，确定了16个潜在滑坡，其体积范围为1.29×104 m3≤VP≤10×104 m3，32个潜在滑坡体积范围为1×105 m3＜VP≤10？05 m3，6个潜在滑坡容量范围为1？06 m3＜VP＜4.27×106 m3。
本研究的方法能够识别黑台阶地潜在滑坡的位置、面积和体积。这些潜在滑坡的规模（基于滑坡体积以10为底的对数的表达式）有助于传达这些事件发生时的严重程度。一旦基于InSAR的位移时间序列变长，预计对失效前应变模式的分析将为预测失效时间提供进一步的见解。该地区有效滑坡风险管理的进一步发展将受益于这种方法，因为它将提供最佳的可用知识来描述潜在事件的位置和规模。通过对失效前应变模式的仔细分析，这些综合知识将有助于设计适当的管理和缓解策略。这些信息还可以评估破坏后移动的潜力，并对滑坡偏移进行建模。反过来，这可以指定黑台地区这些潜在滑坡的风险区域，这将在另一篇论文中报道。
将该方法推广到黄土高原这一地区的更大区域，将提高滑坡清单的质量，并微调经验关系。黑台地区的滑坡通常完全发生在黄土沉积物中，最深的滑动面位于黄土-基岩界面。这一经验法则在该地区适用得很好，可以合理地假设，这也可以应用于44万平方公里的黄土高原的许多其他地区或其他地方，在这些地区，地表地层和下伏基岩存在如此明显的差异。这种方法有可能在更大的区域生成非常有用的信息，这将有利于滑坡风险评估、灾害管理和景观演变研究。
引言
滑坡涉及由岩石、土壤、人工填土或这些材料的组合组成的斜坡材料的向下和向外的质量运动（Cruden和Varnes，1996）。持续的人口增长、快速扩张的社会，加上环境（气候）变化的逐步发展，增加了对自然环境的压力，并导致更多的人暴露在潜在的不稳定地形中。滑坡是一种地质灾害，在全球范围内造成严重影响，每年造成价值数百亿美元的损失，造成4300多人死亡（Froude和Petley，2018；Intrieri等人，2019）。
继续需要开发更好的工具，以提高滑坡风险管理的有效性。这些工具包括识别滑坡（历史事件和潜在滑坡）的机制，以更好地了解这些滑坡最有可能发生的地点和适用的触发阈值，评估这些事件造成的风险，并确定适当的缓解干预措施。反过来，对这些地质灾害的有效管理可以带来与特定地区的长期地貌演变相协调的可持续发展（Dai等人，2002年；Guzzetti等人，2009年；Martha等人，2013年）。
遥感技术的最新发展可大大有助于开发更有效的滑坡灾害和风险管理。这包括在三维虚拟环境中使用高分辨率卫星图像更有效地绘制滑坡地图，并操纵这些数字信息，以便对滑坡参数（位置、大小、体积、活动状态）进行进一步的定量分析；Guzzetti等人，2005年；Crosta等人，2013年；Broeckx等人，2018年）。此外，使用时间序列InSAR（干涉合成孔径雷达）获得的毫米级地面变形可用于更新滑坡清单地图，并识别景观中的光标前特征，这些特征可用于识别潜在的滑坡(Wasowski and Bovenga, 2014; Novellino et al., 2017; Zhang
et al., 2018; Ambrosi et al., 2018; Li et al., 2020)
因此，遥感技术已成功地用于调查滑坡和不稳定斜坡的位置和运动。然而，对于灾害风险管理来说，更重要的是获得潜在滑坡规模的衡量标准，例如通过估计所涉及的材料量（Corominas等人，2014）。本研究以甘肃省中部黑台河阶地为例，强调了实现这一目标的可行途径。
通过测量滑坡的形状并从一系列观测数据中推断滑坡的滑面几何形状，或使用几何特性之间的经验关系，可以识别和量化滑坡的体积（Malamud et al.，2004；Guzzetti et al.，2009；Cui et al.，2018）。然而，这通常是一项费力且数据密集的评估，仅适用于个别事件。当遇到大量滑坡时，这很快就成为一项不可行/不经济的任务，预测潜在滑坡的体积更具挑战性，因为潜在滑面的滑坡几何形状和形态增加了不确定性。
在本文中，说明了一种组合方法，该方法使用经验模型、InSAR技术和实地调查来评估潜在滑坡的大小（图1）。首先，建立滑坡清单，记录历史滑坡的面积（AL）和体积（VL）（以及其他参数）。随后，AL和VL之间建立了经验关系（参见Guzzetti等人，2009）。时间序列InSAR数据与地貌观测相结合，用于推导显示潜在滑坡位置和范围的多边形。经验关系用于将这些区域转换为这些潜在滑坡的体积估计。反过来，这些估计能够表征潜在事件的大小。
图1。中国甘肃黑台阶地潜在滑坡规模评估工作流程。采用了初步的实地调查来核实滑坡的边界。进一步的实地调查使实证模型得以验证。
数据与方法Data and method
Study area
黑台阶地位于中国甘肃省中部兰州市以西42公里处（图2），地形平坦，冲沟深切，标志着河流阶地地貌（黄河第四阶地）的边缘。阶地面积约12平方公里，最大长度为5公里（W-E方向），宽度为3公里（N-S方向），海拔约1730米（Peng et al.，2017）。气候具有低温和干旱气候的特点（Guo et al.，2015），年平均气温8.4°C，年平均降水量310毫米。夏季风的影响是可变的；但近70%的年降水发生在7-9月。
图2。黑台研究区（上图）和滑坡清单图（下图）。红线（AA'）表示图3中地质剖面的位置。背景是谷歌地球图像。（有关此图例中颜色参考的解释，读者可参考本文的网络版本。）
表层岩性包括一系列（从上到下）风成黄土（约55米厚），上覆富含粘土的黄土（约8米厚）、河流砾石（粒径2–10厘米）和沙子（主要包括石英；约5米厚）。下伏基岩表面由向东南倾斜11°的泥岩和砂岩序列表示（Zeng et al.，2016）（图3）
图3。黑台阶地地质剖面图。位置如图2所示（AA′线）。（修改自彭等，2016）。
从1968年起，建立了灌溉系统，以支持在黑台阶地上发展的农业活动。每年约有5次对阶地进行灌溉，导致地下水补给过程，使地下水位以0.18米的年均速率上升了20米（Xu et al.，2014）。自1969年以来，地下水位升高引发了107多起与黄土有关的山体滑坡，摧毁了建筑物和设施，并造成多人死亡（Dijkstra等人，1994；曾等人，2016年）。目前，大约50个滑坡特征仍然可见，因为较老的事件被较新的事件所取代（图2）。
Landslide mapping
彭等人整理了黑台阶地滑坡几何特征数据库。（2017）。它记录了不同滑坡类型的基本几何形状（如长度、宽度、受影响面积、体积）。该数据库使用文献中关于单个滑坡的详细信息进行了扩展（Xu et al.，2008；Xu等人，2012；董等人，2013；张和王，2017）。此外，上述文献中所有可用地图和表格的信息都已数字化，并纳入黑台滑坡清单。对谷歌地球卫星图像的进一步3D解释，加上广泛的实地调查，提高了50次滑坡的体积近似值。
Relationship between area and volume
最近的研究提出了经验模型，将不同滑坡类型和一系列地貌和气候环境下的滑坡面积（AL）与滑坡体积（VL）联系起来（例如，Guzzetti等人，2009；邱等人，2017；Zhuang等人，2018）。这些模型适用于广泛的滑坡区域（2×100 m2×1010 m2），并以不同的幂律描述了AL和VL之间的关系：
这些经验关系的构建是基于对详细滑坡清单的分析，这些清单包含相关信息，包括位置、长度、宽度、面积、体积和滑坡类型。建立一个全面的清单需要一种综合方法，包括实地测量、遥感（如航空照片解释）、地貌调查、岩土工程调查和地球物理调查等基本组成部分（Tsutsui等人，2007年；Guzzetti等人，2009年；Klar等人，2011年；Tseng等人，2013年；Chen等人，2014年；Cui等人，2018年）。可以通过解释高分辨率航空照片、卫星图像和DEMS（数字高程模型）以及在地理信息系统环境中进行进一步分析来检索大部分陆缘几何特性，这有助于建立陆缘敏感性分类。
Potential landslides mapping using time series InSAR利用时间序列InSAR绘制潜在滑坡
合成孔径雷达（SAR）是一种相干雷达系统，通常从星载平台收集从地球表面反向散射的电磁波。传统的DInSAR（差分干涉合成孔径雷达）方法使用覆盖相同区域并在不同时间采集的两个或多个SAR图像，根据连续SAR采集过程中检测到的相位差来确定地面位移（Hanssen，2001；Ferretti等人，2007年）。DInSAR可能受到时间去相关效应和大气噪声的影响（Wasowski和Bovenga，2014），已经开发了各种SAR数据的时间序列分析方法来缓解这些问题（Osmanoğlu等人，2016及其参考文献）。通过识别可以提取地面变形时间序列的雷达目标，可以缓解去相关和大气干扰（Ferretti等人，2001）。
时间序列InSAR算法可以高精度（mm）检测大面积地表地面变形，并生成地面位移率图，用于调查滑坡和潜在滑坡（Wasowski和Bovenga，2014）。特别是，小基线子集（SBAS）技术已被用于这项工作。SBAS算法使用通过对用于干涉图的SAR数据的空间和时间基线施加约束来识别的分布式散射体，以减少轨道误差和去相关噪声（Berardino等人，2002）。利用SBAS技术对42幅Sentinel 1A上升图像进行处理，得到地面位移图。图像采集于2014年10月14日至2017年5月7日，中心入射角与垂直方向成44.4°。来自美国地质调查局（USGS）的1角秒（~30米）航天飞机雷达地形任务（SRTM）数据用于去除地形相位并对InSAR产品进行地理编码。在160米的垂直基线阈值和80天的时间基线的情况下，生成了114张干涉图（图4）。
图4。干涉图形成的时空分布。绿点和黑线分别表示图像和干涉测量对。红圈中的黄点是用于共同配准的主图像。（有关此图例中颜色参考的解释，读者可参考本文的网络版本。）
一旦确定了地表位移的空间分布，对观测模式的进一步解释可以根据岩性特征、破坏机制、传感器测量精度和调查目标，确定位移率阈值，以识别潜在的滑坡（Wasowski和Bovenga，2014）。这些阈值通常由统计参数决定，如位移率的标准差（Herrera等人，2013；张等人，2018）。
结果
体积对面积的依赖性Dependency of volume on area
Peng等人（20162017）使用10cm分辨率的数字高程模型（DEM）和三维激光扫描对滑坡尺寸进行了估计，并通过现场调查进行了改进。黑台地区滑坡面积为9.6×102 m2至2.1×105 m2，滑坡体积为9.1×102 m3至6.1×106 m3。滑坡震级可表示为滑坡体积的以10为底的对数（参见Malamud et al.，2004），导致滑坡震级在2到6之间。
50次历史滑坡的面积（AL）和体积（VL）绘制在对数对数图中（图5），这显示了AL和VL之间在多个数量级上的明显线性关系。拟合与Guzzetti等人（2009）中提出的回归相似的回归，可以推导出以下公式：
图5中滑坡数据点的二元核密度估计，最佳拟合通过最高密度，这表明与经验模型有很好的关系。此外，上下95%的预测区间（图5中的红色虚线）表明经验数据在回归线周围的分散性是有限的。只有一条记录落在区间之外，表明稳健经验关系。
图5。通过文献回顾和实地调查获得的滑坡经验模型。点表示50个滑坡的面积AL（x轴，m2）和体积VL（y轴，m3）。红色实线表示采用最小二乘线性拟合技术获得的最佳拟合。红色虚线表示95%的置信区间。颜色表示通过二元核密度估计获得的点的密度。（有关此图例中颜色参考的解释，读者可参考本文的网络版本。）
在这种关系中需要考虑两个观测结果：区域边界和绘制的滑坡类型。滑坡清单中包括五种类型的滑坡：黄土基岩平面（平移）滑坡、黄土基岩（复杂）滑坡、黄泥流滑坡、黄土滑坡和黄土流（Peng et al.，2017）。根据滑坡体的物质特征，将滑坡分为黄土滑坡和黄土基岩滑坡。滑移面的形态和破坏后的变形行为都有所不同。然而，这些滑坡具有类似的破坏起始机制，滑动起始于河流阶地陡崖上部的源区（图6）。
图6。（左）典型的黑台滑坡概念图，其中红线是滑坡的轮廓，包括源区和沉积区。（右）滑坡示意图，显示了原始边坡剖面、事故后边坡和滑动面的假定位置。（有关此图例中颜色参考的解释，读者可参考本文的网络版本。）
在滑动面主要沿黄土-基岩接触面定位的地方，它往往形成一个主要的平面滑动面。在大多数滑动面位于黄土中的地方，旋转滑动面是常见的。对于这两种类型的滑坡，破坏后变形的特点是滑坡体迅速解体，并过渡到具有长跳动距离的流状运动。滑坡体覆盖的潜在区域受到以下因素的影响：前期水分（地下水位位置）、最小和最大高程之间的局部差异、主要岩性（黄土、基岩）和滑坡行进地面的粗糙度；详细的地质力学分析不在本研究范围内。在黑台遇到的不同类型（黄土滑坡和黄土基岩滑坡）的滑坡面积和体积的组合没有影响图5所示的经验关系。
SBAS InSAR滑坡测绘
从上升的Sentinel数据集获得的平均位移率图如图所示。7。用于提取CT（相干目标）的不同时间相干的较高阈值提供了CT的位移率的较小标准偏差，但是较低的密度为沿边缘的许多斜坡引入了地面变形的间隙。阈值对密度的优化导致0.35的相干阈值，该相干阈值对应于速度的标准偏差（5mm/y），指示InSAR结果的统计上可接受的准确性。同时，该相干阈值提供了适当的CT密度，覆盖了沿阶地边缘的大多数斜坡（图7）。因此，对于时间相干阈值≥0.35的点，提取表面位移率，以提供足够的像素密度用于映射。共有157434个CT覆盖了剪切后的SAR图像（剪切到阶地地貌；面积约65平方公里），提供了2399个CT km−2的平均密度。CT的密度被认为足以检测沿阶地边缘的所有斜坡的运动，并更准确地绘制潜在滑坡的边界图。位移是沿着视线提取的，负值表示远离卫星的地面运动，正值表示朝向卫星的运动。CT完全覆盖了冲沟和斜坡，因为对于一些SAR平台，如Envisat ASAR（至少35天）、ALOS PALSAR（至少46天）、RADARSAT-2（至少24天）和COSMO SkyMED（至少16天），LOS的入射角较大，Sentinel 1A数据的时间分辨率较高（至少12天）（图4和图7）。
图7。SBAS估计的平均位移率，并通过裂缝和陡坎调查的现场调查证明。上面和下面的照片是沿着露台边缘的裂缝和陡崖。
在平台露台和边缘斜坡上检测到+24 mm/y和-64 mm/y之间的位移率（图7）。北部、西南部和东南部地区最大的变形率中，大多数显示出超过−60 mm/y的位移率，这与之前的发现一致（Xu等人，2012年；Xu等人2014年；Peng等人2017年；Shi等人2019年）。
位移通过一系列现场调查进行了验证。黑台是一个长期的野外观测站，每年都要进行大量的调查（如郭等，2015；曾等，2016）。阶地西部地区高达−30 mm/y的平均服务水平速度代表了与大量天坑发育相关的沉降，与前几十年观测到的沉降率一致（Guo et al.，2015）。在阶地的中央部分，位移率从−10 mm/y到−20 mm/y不等，表明地面沉降在过去3到4年中导致建筑物出现许多裂缝（平均宽度约2厘米）。从10 mm/y到20 mm/y的大多数位移率表明滑坡沉积物仍然活跃。值得注意的是，阶地北部和南部边缘超过20 mm/y的变形率与许多新裂缝的位置一致，这些裂缝的宽度为几十厘米（图7）。详细的现场调查强调，小的天坑、裂缝和沉降迹象对应的位移率约为±5 mm/y。大于±10 mm/y的位移率显示出更大的特征，包括大的（>150 mm宽）和长的（几十米）裂缝，特别是沿着阶地边缘。因此，选择了±10 mm/y的稳定性阈值来识别潜在的滑坡区域。如果LOS位移是在最陡的斜坡方向上投影的（例如，遵循Cigna等人（2013）和Herrera et al.（2013）的方法），大多数CTs将具有更大的位移率，并且为映射定义的稳定性阈值将相应地增加。这种预测可能导致CTs返回正值，并且这些CTs通常会被丢弃，从而导致CTs的密度较低（例如Herrera等人（2013）和Zhang等人（2018））。因此，在这项研究中，决定使用LOS位移，因为这确保了CT的更高密度，并能够对不稳定斜坡进行更详细的测绘。
黑台地区地面变形的分布和对边坡失稳的了解使人们能够识别和绘制潜在的不稳定区域。潜在滑坡清单是使用InSAR的位移率、可用的卫星图像（谷歌地球）、航空照片和高空间分辨率的地形数据编制的。具体而言，谷歌地球提供了一个三维虚拟环境，可用于查看斜坡几何图形。
应考虑最小数量的CTs，以确保检测到的位移表明即将发生滑坡。考虑到绘制的历史滑坡面积（9.6×102 m2×105 m2）、Sentinel 1A的原始像素间距（方位约14 m，范围约4 m）和研究区域的CTs密度，在这种情况下，确定位移率的最小阈值设置为不稳定斜坡多边形内的4个CTs。
地貌解释加上对黑台阶地边缘地面变形和裂缝发育的详细实地调查，为该研究区域潜在滑坡的识别和测绘建立了一套标准：
潜在滑坡多边形的下边缘出现在黄土和基岩的界面上或正上方；
根据现场证据确定后停车位，并根据平行于阶地边缘的裂缝或一系列天坑的位置进行判断；
根据裂缝、山谷和山谷形状的发展趋势绘制侧崖；
忽略地形平缓的现有滑坡径流沉积物（通常变形大于稳定性阈值）的CTs。
基于上述标准，建立了54个多边形，表示潜在滑坡的位置和面积（图8）。这些潜在滑坡（AP）的面积范围为1.9×102 m3至8.1×104 m2，与绘制的历史滑坡的面积范围相似。潜在滑坡的总面积为9.8×105 m2。
图8。根据位移率图绘制的潜在滑坡。背景是谷歌地球图像。
位于每个多边形内的CTS位移率（VS）的绝对值用于表示这些潜在陆地滑道的活动。潜在陆架的平均速度图（图9）显示，Vs>30 mm/y的大部分坡度位于露台的北侧边缘，迄今为止，相对较少的陆架被触发。这些显著的失效前菌株似乎表明，沿着平台梯田的北缘，密集陆缘活动的新阶段即将到来（图9）。
图9。黑台阶地潜在滑坡的位移率。轮廓多边形的颜色表示多边形内CT的平均LOS速度。背景是谷歌地球图像
潜在滑坡量Potential landslide volume
（Berardino et al.，2002）中所示的经验关系，使用SBAS导出的面积作为输入生成，用于计算单个潜在滑坡（VP）的体积（表1，图10，图11）。在2017年5月7日之前，54个绘制的潜在滑坡的体积范围从1.3×104 m3到2.49×106 m3，其中最大的故障范围为1.0×105 m3≤1.0×106 m3。然而，6个体积>1.0×106m3的潜在滑坡在所有潜在滑坡的总体积中所占的体积百分比最大。研究结果证实了大型滑坡对一个地区滑坡物质总量的重要贡献。绘制的AP和计算的VP之间的比率用于计算潜在滑坡的厚度。对于绘制的潜在滑坡，滑坡体积总计为VLT=2.0×107 m3，总面积为ALT=9.8×105 m2，对应于黑台阶地潜在滑坡物质的平均厚度为20m。单个滑坡的厚度范围为7m至30m，平均15m。
Pre-failure strains of potential landslides潜在滑坡的破坏前应变
滑坡的运动可分为四个阶段：1）破坏前阶段，2）破坏开始阶段，3）破坏后阶段和4）复活阶段（Leroueil，2001）。破坏前阶段对预测边坡破坏时间至关重要，主要由应力、蠕变和渐进破坏的局部变化引起的变形控制（Saito，1969；Voight等人，1989年；Leroueil，2001年；Federico等人，2012年；Carlà等人，2019；Intrieri等人，2019）。
对于具有非常小或没有可辨别的失效前应变的脆性材料，很难检测出失效前的游标。然而，黑台阶地黄土沉积物的破坏前应变已经有了很好的记录，实验室试验和现场调查的观察结果表明，黄土沉积物可以通过在黄土组构中逐渐积累微裂纹来积累大量的破坏前应力（张和王，2017；施等人，2019）。根据Saito（1965）和Voight等人（1989）关于失效前应变的早期工作，有人提出，位移率（速度）倒数的外推可以指示材料何时失效。然而，失效前应变的动员对这些材料中不同的应力和湿度条件做出了反应，在加速直至失效之前提供了潜在的复杂应变模式。失效前应变可概括为三个子阶段（Saito，1969；Voight等人，1989；Petley等人，2005；Federico等人，2012）（图12）
图12。理想化的失效前应变模型。
减速位移，其中位移以快速的速率开始，并随着时间的推移而变慢；
稳定位移，其中位移具有相对均匀的速率
加速位移，其中位移具有加速速率并终止。
时间序列InSAR技术用于监测毫米级随时间变化的非线性地面位移，提供了非常有价值的不仅表征地形产生滑坡的易感性的信息，还表征斜坡所受破坏前应变的类型的信息；减速（图13a）；稳定（图13b）；或加速可能导致失效的应变（图13c）。使用QGIS软件中的PS时间序列查看器插件检查每个多边形的位移趋势，并使用地貌特征手动分类以确保准确性。根据位移率最大的截面中像素的位移趋势对破坏前应变行为进行分类。图14显示了根据这些前兆特征分类的黑台阶地边缘的潜在滑坡。大多数潜在滑坡（即37，1.6×107 m3，占总体积的83%）在观测期内表现出稳定的应变行为，位移率不变。14个潜在滑坡（2.9×106 m3，占总体积的14%）的位移率显示出加速应变的迹象。其余三个潜在滑坡（0.7×106 m3，占总体积的3%）似乎正在减速。
图13。三种类型的失效前应变的典型时间序列。a） 减速，b）稳定和c）加速应变。
图14。黑台潜在滑坡的破坏前应变图。轮廓多边形的颜色表示潜在滑坡的应变类型
Discussion
所提出的方法提供了关于平台河阶地潜在陆地滑坡面积和数量的可靠预测能力，这是评估和管理相关风险的关键参数。关于AL和VL之间经验关系的研究主要基于陆缘石的体积和受影响区域（Malamud等人，2004年；Guzzetti等人，2009年；Qiu等人，2017年）。已建立关系中的不确定性可由当地条件引入，如滑动表面的几何形状和起伏，这也限制了天基SAR传感器的可视性（Notti等人，2014年），或者由于土地覆盖或位移大于最大可检测位移（Sentinel-1连续两次收购之间约28 mm；Massonnet和Feigl，1998年），INSAR测量缺失或不完整。
滑坡清单的质量是影响AL和VL之间经验关系可靠性的一个重要因素，因映射的准确性或不完整的清单可能会扭曲结果。本研究中的滑坡清单来自文献综述；它是通过高空间分辨率遥感数据的解释进行更新的；并通过一系列详细的实地调查进行了验证。植被的缺乏为滑坡形态的视觉识别提供了良好的环境。
尽管本研究中的历史滑坡数量很少（Tsutsui et al.，2007），但这种关系表明存在明显的线性趋势和自相似行为，即使库存不完整，也可以推断al和VL之间的相关性。这种关系也不受主要滑坡类型（黄土和黄土基岩）的影响，并与Guzzetti等人的报告一致。（2009；表2和图15）。
表2 Guzzetti等人报告的9个经验关系的比较。（2009）将滑坡面积al与滑坡体积VL联系起来。ID 10表示为本研究获得的关系。N表示每个关系所基于的事件的数量。这些关系如图15所示。
表2 Guzzetti等人报告的9个经验关系的比较。（2009）将滑坡面积al与滑坡体积VL联系起来。ID 10表示为本研究获得的关系。N表示每个关系所基于的事件的数量。这些关系如图15所示。
图15。Guzzetti等人（2009）和本研究（红线）中提出的滑坡面积（AL）和体积（VL）之间的经验关系。（有关此图例中颜色参考的解释，读者可参考本文的网络版本。）
这项研究得出的关系显示出与Guzzetti等人报告的趋势相似的趋势。（2009），但它似乎代表了相对于地表面积体积略大的滑坡。这可能是由于沿高阶地边缘发生的潜在滑坡占主导地位，以及影响临界滑动面的深度的大量黄土厚度（>50 m），导致滑坡数量略大于地形变化较大的滑坡数量。
潜在滑坡的测绘是基于InSAR导出的位移率图和从实地测绘和文献综述中获得的对研究区域质量运动动力学的理解。不同的时间序列InSAR技术适用于不同的研究环境和目标（Hooper et al.，2012；Wasowski和Bovenga，2014）。CT的足够密度取决于图像的数量和质量、数据的时间分布和范围、物理过程的特征、CT检测方法和处理技术（Wasowski和Bovenga，2014），可以作为区分潜在滑坡边界的支持。此外，了解研究区域的地形和地貌过程机制至关重要，例如，有助于改进活动斜坡的识别和特征。
在对2014年10月14日至2017年5月7日InSAR监测后不久发生的事件进行了三个案例研究后，进一步加强了对潜在滑坡预测规模的验证。使用激光测距仪在野外确定了这三个滑坡的几何和地貌特征（图16）。图16中所示的滑坡分别是现有滑坡的再活化（图b）、现有滑坡的冠部区域的再激活（图d）和新滑坡（图e）。滑坡的体积计算为长度、宽度和平均深度乘以取决于事件几何形状的校正系数的乘积。对于发生在以前没有发生过边坡破坏的自然斜坡上的滑坡，系数为0.5（图16b和e）。当滑坡发生在后坡上并与以前的滑坡沉积物重叠时，修正系数取0.3（图16d）。图16b、d和e中三个滑坡的体积分别为55.7×104 m3、22.6×104 m3和17.3×104 m3，而相应的预测体积分别为66.7×104立方米、14.5×104立方米和72.5×104立方米。这表明预测的滑坡体积与实际滑坡体积之间有很好的一致性，对滑坡体积的高估很小，如图16b所示。图16d表明，我们的经验方法只是略微低估了实际滑坡体积。图16e中的实际滑坡位于预测区域内，但尚未显示出与预测大小一样大的事件。因此，可以得出结论，预测潜在滑坡的位置和规模的应用方法可以充分了解最大风险的位置，为协助管理这些地质灾害提供有用的指导。
图16。三次山体滑坡，以3D ArcGlobe中的谷歌地球图像（a和c）和照片（b、d和e）为背景。黄色轮廓表示预测的山体滑坡源区，红色轮廓表示2019年2月5日之后发生的山体滑坡的源区，黑色轮廓表示山体滑坡的影响区域。利用激光测距仪对滑坡的几何特性进行了现场测量。谷歌地球
于2019年2月5日获得。这些照片是2019年6月17日由无人机拍摄的。b、d和e的位置如图14所示。黑色轮廓的恒星表示图17中InSAR时间序列位移的位置，用于b、d和e中的滑坡。（有关此图例中颜色参考的解释，读者可参考本文的网络版本。）
图16所示的三个滑坡具有相似的滑动面的几何形状；滑坡主要发育在黄土堆积体内，仅含少量基岩。这与本研究中用于识别潜在滑坡的假设非常一致。在这些滑坡发生前进行的实地调查中，沿图16e中潜在滑坡的上边缘观察到了大裂缝。然而，没有观察到明显的裂缝，这表明图16b和d中滑坡的后停车位的位置。这支持了使用CT识别潜在滑坡的价值，地貌特征（裂缝、天坑、山谷和山脊的趋势）的进一步证据可以为确定这些潜在事件的程度提供附加值。
图17显示了图16中滑坡的时间序列位移。有趣的是，图16d和e中的滑坡在2014年10月至2017年5月期间显示出稳定应变，图16b中的滑坡显示出2016年2月之后的加速应变。在图17（16b）中，加速度发生在2016年2月至2016年9月和2017年2月到2017年5月，这与早春的密集灌溉活动一致，并与黑台阶地沿线大多数滑坡的发生时间相对应。因此，这三个例子清楚地表明，必须非常谨慎地使用外推应变速率来获得失效时间。
图17。2014年10月14日至2017年5月7日滑坡的时间序列位移，如图16b、d和e所示。
InSAR和经验模型的结合不仅扩展了它们的应用，而且为滑坡风险评估的量化做出了重要贡献。使用这种方法确定的滑坡体积可以估计潜在滑坡的大小。再加上对该地区滑坡典型滑动速度和偏移距离的观测，在不久的将来，这可以提供对这些危险暴露的估计，并改进该地区的风险降低策略。随着InSAR时间序列分析的积累，估计滑坡发生概率的机会将增加。这项研究表明，这是确定该地区潜在滑坡规模的合理途径。它还强调，需要进一步的工作来建立（半）经验或物理模型，以评估使用InSAR生成的时间序列位移来预测滑坡发生（时间、地点、规模）的全部潜力（Saito，1969；Petley等人，2005年；Serena等人，2017）。对个别（潜在）事件的这些时间序列流离失所情况的进一步分析有助于将监测和观测资源引导到处于加速紧张阶段的地点，并有助于突出可能需要预防性疏散的风险地区。随着时间的推移，这可以产生一种区域性方法，解决黄土高原这一地区和其他类似地区的滑坡灾害管理问题。
来源：阿布的号
转自：“测绘学术资讯”微信公众号
如有侵权，请联系本站删除！
