基于時(shí)序InSAR的滑坡早期識別
——以貴州省水城縣為例

廖 軍，吳彩燕，王立娟，譚秋焰，朱新婷

（1.西南科技大學(xué)環(huán)境與資源學(xué)院，四川綿陽 621010；2.四川省安全科學(xué)技術(shù)研究院，四川成都 610045）

引言

滑坡是指巖體、碎屑、土壤沿斜坡自上而下滑動的現(xiàn)象，也指斜坡在重力作用下沿著坡體內(nèi)部一個(gè)或者多個(gè)面做剪切運(yùn)動的現(xiàn)象［1～3］，在我國的山區(qū)和峽谷地帶廣泛分布，尤其是西南高山區(qū)和三峽庫區(qū)，發(fā)生頻率最高，造成的損失最嚴(yán)重［4～5］。常規(guī)的滑坡識別手段主要有野外實(shí)地勘查和遙感影像識別，野外實(shí)地勘查能準(zhǔn)確圈定滑坡要素，但其工作既費(fèi)時(shí)又低效，并且勘測區(qū)域受到地形的極大限制［6］；遙感影像識別滑坡大多是利用專家經(jīng)驗(yàn)知識通過光學(xué)遙感影像的光譜、空間、紋理等信息進(jìn)行的［7～8］，盡管已經(jīng)取得了相當(dāng)不錯(cuò)的成就，但光學(xué)影像容易受到天氣因素的限制如大霧、降雨等，并且在監(jiān)測和識別滑動不明顯的潛在滑坡能力不足［9～10］。而新出現(xiàn)的合成孔徑雷達(dá)干涉測量（InSAR）技術(shù)不僅能精確獲取地表微小形變信息，且具有全天候、全天時(shí)、時(shí)效性高等優(yōu)點(diǎn)，成為了國內(nèi)外學(xué)者研究的熱點(diǎn)［11～14］。

近年來，InSAR技術(shù)逐漸應(yīng)用于滑坡災(zāi)害識別，并取得了一些成功的案例。廖明生等以三峽庫區(qū)滑坡為對象，使用高分辨SAR數(shù)據(jù)對其進(jìn)行監(jiān)測，成功獲得了滑坡發(fā)生的時(shí)間、位置及形變情況，證明了高分辨率雷達(dá)數(shù)據(jù)有效應(yīng)用在滑坡監(jiān)測中［15］；Tofani V等［16］采用永久散射體干涉測量（Persistent Scatterer，PS-InSAR）技術(shù)對意大利北部的Santo Stefano d′Aveto滑坡進(jìn)行分類與監(jiān)測，結(jié)果表明PS技術(shù)結(jié)合地面數(shù)據(jù)能夠準(zhǔn)確判別滑坡的邊界和運(yùn)動狀態(tài)；Bianchini等［17］以意大利的Calabria地區(qū)為研究區(qū)，利用PS-InSAR技術(shù)對該地區(qū)的滑坡進(jìn)行了識別及滑坡編目的更新；趙超英等［18］利用多源SAR數(shù)據(jù)來識別黑方臺地區(qū)的潛在滑坡，結(jié)合實(shí)地調(diào)查和光學(xué)影像驗(yàn)證了識別結(jié)果的可靠性，并分析典型滑坡的失穩(wěn)模式；Dong等［19］使用相干散射體（Coherent Scatterer，CS-InSAR）技術(shù)更新了丹巴縣甲居滑坡的活動邊界，繪制了更詳細(xì)的滑坡位移圖?，F(xiàn)有的研究雖然在一定程度上可以對潛在滑坡進(jìn)行識別，但是這些方法大多是從雷達(dá)視線方向（LOS）角度出發(fā)進(jìn)行識別研究，雖然可以識別滑坡發(fā)生的時(shí)間和地理位置，但LOS方向與地表和山坡之間存在一定的夾角，不能直接反映滑坡的變形程度，也不能得到滑坡變形的真實(shí)時(shí)間序列，難以識別滑坡前后的具體變形趨勢。

本研究以滑坡災(zāi)害多發(fā)的水城縣為研究區(qū)，通過改進(jìn)的SBAS-InSAR技術(shù)，獲得水城縣坡度方向形變信息，結(jié)合水城縣雷達(dá)可視分區(qū)及谷歌影像剔除無效觀測值，利用Anselin Local Moran′s I對獲取的監(jiān)測值進(jìn)行異常值分析和聚類處理，獲取低值聚集區(qū)域，最后結(jié)合谷歌影像的地表特征，實(shí)現(xiàn)水城縣潛在滑坡的識別，用于指導(dǎo)該區(qū)域滑坡災(zāi)害的預(yù)測預(yù)警。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

水城縣位于貴州省六盤水市，鄰接云南省，在水系和構(gòu)造運(yùn)動作用下，西北地勢較東南高。該區(qū)屬于亞熱帶濕潤季風(fēng)氣候地區(qū)，降雨集中在5～10月份，其中6～8月降雨量占全年53.03%［20］，縣內(nèi)河網(wǎng)密閉，水量集中，是造成境內(nèi)地質(zhì)災(zāi)害的主要誘因之一。水城縣地質(zhì)構(gòu)造復(fù)雜，存在多個(gè)構(gòu)造變形區(qū)，地層巖性以二疊系、三疊系以及第四系為主。

水城縣境內(nèi)滑坡廣泛分布在飛仙關(guān)組、峨眉山組及龍?zhí)督M等地層中，該地層中節(jié)理發(fā)育，巖層破碎，極易在人類活動或降水等因素下發(fā)生滑坡等地質(zhì)災(zāi)害［20～21］。

圖1 研究區(qū)地理位置Fig.1 Geographical location of the study area

1.2 數(shù)據(jù)源介紹

文中采用的數(shù)據(jù)源包括歐空局新一代C波段的中高分辨率衛(wèi)星Sentinel－1A SAR數(shù)據(jù)，選取了2018年1月～2018年12月共20景降軌數(shù)據(jù)，入射角為39.5°，訪問周期為12 d，拍攝模式為IW，空間分辨率為5×20m（Rg×Az），極化方式為VV，并使用POD精密定軌星歷數(shù)據(jù)（Precise Orbit Ephemerides，POD）進(jìn)行軌道矯正，定位精度優(yōu)于5 cm；數(shù)字高程模型（DEM）為30 m分辨率的SRTM DEM（Shuttle Radar Topography Mission，SRTM）；從Google Earth中獲取的研究區(qū)光學(xué)遙感影像數(shù)據(jù)；野外調(diào)查資料。

2 研究方法

本研究選取2018/1～2018/12共20景Sentinel－1A SAR降軌數(shù)據(jù)，利用永久散射體干涉測量（PS-InSAR）技術(shù)提取獲得相干性高且相對穩(wěn)定的散射體用做地面控制點(diǎn)（Ground Control Point，GCP），引入到小基線集干涉測量（SBAS-In-SAR）技術(shù)處理流程中，獲取長時(shí)間序列的地表形變信息（LOS向），并轉(zhuǎn)換為坡度方向形變信息；結(jié)合水城縣地形可視性分區(qū)及谷歌影像，剔除不可視區(qū)（陰影、透視收縮、疊掩）、高密度林地及灌木林、河流等不可靠的形變信息，保留其他區(qū)域可靠形變信息；對獲取的可靠形變信息采用Anselin Local Moran′s I指數(shù)進(jìn)行空間異常值分析和聚類處理，獲取低值聚集區(qū)域，并結(jié)合谷歌影像的地表特征，從而對潛在滑坡進(jìn)行識別?；伦R別路線如圖2。

圖2 潛在滑坡識別流程Fig.2 Landslide identification process

2.1 結(jié)合PS-InSAR技術(shù)的GCP點(diǎn)選擇

在SBAS-InSAR處理流程中，選取穩(wěn)定的地面控制點(diǎn)（GCP）進(jìn)行軌道精煉和相位偏移的計(jì)算，可以有效地估算和去除殘余相位及可能存在的斜坡相位，進(jìn)而消除平地效應(yīng)，對相位轉(zhuǎn)形變的可靠性起著重要作用［16－18］。

由于人工選點(diǎn)會對形變速率引入誤差，文中利用PS-InSAR技術(shù)的優(yōu)勢［22］，依次設(shè)置振幅離差閾值（≤0.25）、相干性閾值（≥0.8）以及空間域的低通濾波和時(shí)域的高通濾波，減小干涉相位中的大氣延遲相位誤差，得到可靠的穩(wěn)定散射點(diǎn)的形變信息，并對該結(jié)果設(shè)置速率閾值選取在－0.1～0.1 mm的穩(wěn)定點(diǎn)作為GCP點(diǎn)，通過地理坐標(biāo)到SAR斜距坐標(biāo)系的轉(zhuǎn)換，即可應(yīng)用于在SBAS處理流程中。

振幅離差指數(shù)（D）是依據(jù)SAR圖像上同一位置像元的強(qiáng)度值在時(shí)間序列上的離散特性進(jìn)行目標(biāo)的識別，其計(jì)算公式如下［23］：

式中：μ是時(shí)序上的某個(gè)點(diǎn)的振幅平均值；σ是時(shí)序上的振幅的標(biāo)準(zhǔn)差。

2.2 SBAS-InSAR技術(shù)原理及方法

小基線集干涉測量（SBAS-InSAR）是在差分干涉測量（Differential Interferometry Synthetic Aperture Radar，D-InSAR）和永久散射體干涉測量（PS-InSAR）發(fā)展起來的一種時(shí)序監(jiān)測方法，該方法能有效消弱常規(guī)D-InSAR中大氣效應(yīng)，時(shí)空失相干等因素對監(jiān)測結(jié)果的影響，同時(shí)彌補(bǔ)了PS-InSAR技術(shù)不適用于相干點(diǎn)稀疏地區(qū)的不足［10，16～17］。在2002年，Berardino等［24］首次提出了小基線集時(shí)序監(jiān)測方法，SBAS-InSAR能夠獲取非線性的形變結(jié)果，在滑坡形變監(jiān)測中具有良好的適應(yīng)性。

小基線集的原理是通過設(shè)置時(shí)間、空間基線的閾值，將多期SAR影像進(jìn)行自由配對組合生成多個(gè)子集，每個(gè)子集由超主圖像連接，從而形成一個(gè)大集合，保證在每個(gè)小集合中SAR影像間的基線小，集合間的SAR影像基線大，從而提高數(shù)據(jù)的采樣率，克服空間基線過長導(dǎo)致的空間失相干影響。配合外部高精度的DEM消除地形相位，生成一系列差分干涉圖，對差分干涉圖進(jìn)行篩選得到高相干性像元，然后利用地面控制點(diǎn)進(jìn)行軌道精煉，剔除低相干性和解纏錯(cuò)誤的干涉像對，采用奇異值分解法和最小二乘法對多個(gè)小基線集聯(lián)合求解，從而得到研究區(qū)的時(shí)間形變序列及地表平均形變速率［25－26］。

大多數(shù)滑坡都是沿坡面滑動的，而小基線集干涉測量法只能監(jiān)測雷達(dá)視線的形變，不足以反映滑坡的真實(shí)變形。因此，為了準(zhǔn)確地描述滑坡真實(shí)的形變情況，將LOS向形變速率轉(zhuǎn)換為沿坡度方向形變速率［27－28］：

式中：V s l o p e為沿坡度方向的形變速率；V los為LOS向的形變速率；β為雷達(dá)視線方向與斜坡坡面的夾角，即視坡夾角；φ為斜坡的坡度/（°）；α為斜坡的坡向/（°）；θ為雷達(dá)入射角/（°）；αs為衛(wèi)星軌道方向與正北方向的夾角，即衛(wèi)星飛行的方向，升軌數(shù)據(jù)為負(fù)，降軌數(shù)據(jù)為正。

2.3 聚類和異常值分析原理

采用Anselin Local Moran′s I指數(shù)對SBAS-InSAR技術(shù)獲取的形變干涉點(diǎn)進(jìn)行空間域的異常值分析和聚類分析［29～30］，通過計(jì)算要素與其他所有要素作為相鄰要素的數(shù)值關(guān)系，從而獲得數(shù)據(jù)集中有統(tǒng)計(jì)顯著性的高值（熱點(diǎn)）和低值（冷點(diǎn)），自動對形變點(diǎn)中的異常數(shù)據(jù)進(jìn)行聚合，確定適當(dāng)?shù)目臻g分析范圍，并校正數(shù)據(jù)的空間相關(guān)性，得到形變聚類點(diǎn)置信水平p值和得分，其相關(guān)的計(jì)算公式如下：

統(tǒng)計(jì)量z I i得分的計(jì)算方法如下：

式中：I i為形變點(diǎn)i的Anselin Local Moran′s I指數(shù)值；x i、x j分別為點(diǎn)i，j的屬性；n為選定的窗口內(nèi)要素的總數(shù)；是對應(yīng)屬性的平均值；w i,j是要素i和j之間的空間權(quán)重；S2和S分別為為選定的窗口內(nèi)像元的方差、標(biāo)準(zhǔn)差；μ0為總體均值；Z I i為形變聚類點(diǎn)i的得分；p i為形變聚類點(diǎn)i的顯著性置信水平。

3 數(shù)據(jù)處理

3.1 雷達(dá)可視性分析

雷達(dá)遙感通過向地面發(fā)送脈沖信號，接收地面反射的回波信號，實(shí)現(xiàn)對地物的觀測。盡管具有全天時(shí)、全天候、大面積等無法比擬的優(yōu)勢，由于SAR采用側(cè)視成像方式，其入射角（θ）與實(shí)際地形存在夾角，使得SAR影像會出現(xiàn)陰影、透視收縮、疊掩3類常見的幾何畸變［27］。根據(jù)Sentinel－1A衛(wèi)星降軌條件下的幾何參數(shù)及水城縣DEM提取的地形參數(shù)（坡度、坡向）可獲得水城縣可視性分區(qū)方式，并獲得水城縣可視性區(qū)域（見表2）。

表2 SAR影像可見性分區(qū)Table 2 SAR image visibility zoning

Sentinel－1A降軌影像在水城縣的可視性區(qū)域分布如圖3所示，可見區(qū)域約占35.76%，低敏感區(qū)域約占24.08%，不可見區(qū)域約占40.16%。其中，可見區(qū)域以主要分布于東南、西南區(qū)域；不可見區(qū)域主要分布在中心區(qū)域。

圖3 研究區(qū)雷達(dá)可視性分區(qū)Fig.3 Radar visibility zoning of in study area

3.2 基于改進(jìn)SBAS技術(shù)的數(shù)據(jù)處理

文中使用精密軌道數(shù)據(jù)（POD）和30m分辨率的SRTM DEM進(jìn)行影像軌道誤差和地形相位校正。為了提高時(shí)間、空間相干性，保證干涉圖質(zhì)量，將時(shí)間基線設(shè)置為120 d，空間基線閾值為極限基線的5%（5 162.12×0.05=258.106 m），使用3D解纏。超級主影像為2018年7月3日，共生成了138個(gè)干涉像對，如圖4所示。通過查看生成的相干系數(shù)圖、去平地干涉圖、相位解纏圖，剔除相干性較差的干涉對，最終使用了115個(gè)干涉相對進(jìn)行后續(xù)處理。

圖4 數(shù)據(jù)集時(shí)空基線分布Fig.4 Spatiotemporal baseline distribution of the dataset

圖5（a）是去平地后的相位干涉圖，水城縣由于植被覆蓋密集，地形起伏較大，導(dǎo)致地形相位去除效果一般，為了減小植被等因素的影響，選取了Delaunay MCF方法進(jìn)行相位解纏；為了獲得較高的地面分辨率，將方位向與距離向的視數(shù)比設(shè)置為1：4；為了獲得更為清晰干涉條紋，選取了Goldstein濾波進(jìn)行噪聲去除，濾波后的干涉圖結(jié)果如圖5（b），可看出濾波后噪聲誤差減小，干涉條紋的清晰度提高。

圖5 研究區(qū)部分干涉處理結(jié)果圖Fig.5 Results of partial interference processing in the study area

3.3 坡度方向可靠形變信息獲取

基于改進(jìn)的SBAS-InSAR技術(shù)，獲取了2018年水城縣LOS方向的地表變形速率，對于西南山區(qū)，LOS向的形變速率不足以真實(shí)反映斜坡的真正形變情況，因此將LOS向形變速率轉(zhuǎn)換到坡度方向形變速率。當(dāng)β接近90°時(shí)，cosβ近乎為0，導(dǎo)致V slop e趨于無窮大。為了對產(chǎn)生的異常值進(jìn)行剔除，Herrera等以cosβ=±0.3為閾值，即V sl ope≤3.33V los。設(shè)定0＜C＜0.3時(shí)，C=0.3；-0.3＜C＜0時(shí)，C=-0.3［27－28，31－32］。V slope表示沿坡度方向的位移速率，塊體移動方向只能沿斜坡向下，故剔除V slope為非負(fù)的形變點(diǎn)。

基于水城縣可視性分區(qū)結(jié)果，先剔除了由透視收縮、疊掩和陰影不可信區(qū)域的形變信息，保留了好可視區(qū)域和低敏感區(qū)域中的形變信息。由于水城縣南部地區(qū)常年覆蓋著茂密的植被，盡管處于可見區(qū)域內(nèi)，但C波段地表穿透能力有限，即便SAR數(shù)據(jù)時(shí)間間隔短，也會導(dǎo)致失相干，得到有效監(jiān)測值較少且監(jiān)測精度有限。此外，滑坡在河流及平坦的地區(qū)發(fā)生的可能性較低。因此，在可視性分區(qū)結(jié)果的基礎(chǔ)上，結(jié)合谷歌影像，將密度較高的林地、灌木林、河流以及坡度小于5°不可靠區(qū)域的形變信息進(jìn)行剔除，保留其它區(qū)域可靠形變信息，得到水城縣坡度方向年均形變速率（圖6）。

圖6 研究區(qū)2018年坡度方向年均形變速率Fig.6 Average annual deformation rate of the slope direction in study area in 2018

4 結(jié)果與分析

4.1 水城縣變形監(jiān)測結(jié)果分析

從圖6中可以看出整個(gè)水城縣北部的形變速率較為突出，各地形變速率不均，存在多個(gè)形變中心，集中分布在陡坡上。區(qū)域1形變較為嚴(yán)重，年平均速率在－75～0 mm/a，礦區(qū)開采處的變速率最明顯，形變速率達(dá)到了－142.3 mm/a；區(qū)域2整體地形起伏較大，形變程度也較為突出，其年平均形變速率在－35～0 mm/a之間；區(qū)域3受到雷達(dá)監(jiān)測制約以及植被覆蓋影響，獲取的監(jiān)測結(jié)果有限，形變速率大多在－10～0mm/a，少部分區(qū)域形變速率達(dá)到了－20 mm/a左右，整體較為穩(wěn)定。

由上述分析可知，研究區(qū)內(nèi)的變形區(qū)具有分布不均勻的特點(diǎn)，主要是人類活動因素（礦區(qū)開采、修筑道路）及差異化的地理環(huán)境因素（坡度、坡向、植被覆蓋率等）造成的。根據(jù)已有資料分析，區(qū)域1分布著較多的礦山，受礦區(qū)開采的影響，導(dǎo)致該區(qū)域整體形變量較大，易導(dǎo)致滑坡的發(fā)生。區(qū)域2地形起伏大、山體陡峭、植被覆蓋率低，受地形地貌等地理環(huán)境因素的影響，其山體邊坡的穩(wěn)定性會明顯低于區(qū)域3，發(fā)生滑坡的可能性相對較高。

對獲取的形變信息進(jìn)行統(tǒng)計(jì)分析，形變速率在－15～0 mm/a的形變點(diǎn)占據(jù)總數(shù)的40.5%，形變速率在－35～－15 mm/a的形變點(diǎn)占據(jù)總數(shù)的31.5%，形變速率在－55～－35 mm/a的形變點(diǎn)占據(jù)總數(shù)的13.5%，形變速率大于－55 mm/a的形變點(diǎn)占總數(shù)14.5%。從統(tǒng)計(jì)分析結(jié)果來看，形變速率大部分集中在－35～0 mm/a，其中形變速率小于－30 mm/a所占比例最大，在一定程度上能夠表明水城縣地表整體較為穩(wěn)定，形變主要集中在水城縣的北部區(qū)域。。

根據(jù)上述對水城縣坡度方向形變速率分析，結(jié)合國內(nèi)外眾多學(xué)者針對滑坡事故做出的研究成果［13－18，22－23］，文中選取V slop e=15 mm/a為速率閾值，即V slope＞15 mm/a的區(qū)域易發(fā)生滑坡事故。

4.2 水城縣滑坡識別及驗(yàn)證

4.2.1 滑坡識別

通過Anselin Local Moran′s I對坡度方向形變點(diǎn)進(jìn)行空間域異常值分析和聚類處理，會得到HH、HL、LH、LL四種聚類類型，其中HH表示高值聚集，HL表示低值包含高值異常，LH表示高值包含低值異常，LL表示低值聚集。通過獲得低值聚集區(qū)域，結(jié)合滑坡在谷歌影像上的形狀、分布、微地貌特征，確定滑坡位置及邊界。通過本文的方法最終共識別出了14處潛在滑坡，滑坡詳細(xì)信息見表3，滑坡識別結(jié)果分布見圖7，局部滑坡識別結(jié)果見圖8。

圖8 部分滑坡識別結(jié)果圖Fig.8 Some landslide recognition results

表3 研究區(qū)滑坡識別結(jié)果Table 3 Landslide identification in the study area

根據(jù)表3、圖7分析，識別出的滑坡有一半以上是由于劇烈的人類工程活動誘發(fā)導(dǎo)致，85%的滑坡類型為土質(zhì)滑坡，在強(qiáng)降雨的情況下更容易出現(xiàn)失穩(wěn)，結(jié)合H1、H5、H9的時(shí)序形變分析，在6～9月份形變趨勢處于急劇增加的態(tài)勢，是因?yàn)樵撈陂g迎來降雨高峰期，雨水富集在松散土層和相對防水的基巖接觸面之間，增加了土壤的自重，同時(shí)軟化了滑帶土，使其內(nèi)聚力和內(nèi)摩擦角減小，使得坡體的穩(wěn)定性降低，為土層滑坡的形成奠定了基礎(chǔ)。

圖7 研究區(qū)滑坡識別分布圖Fig.7 Distribution map of landslide identification in study area

4.2.2 驗(yàn)證分析

根據(jù)表3中潛在滑坡的高程值和坡度值進(jìn)行分析，95%以上的滑坡分布在高程大于1 000 m，坡度大于20°的區(qū)域，借助前人對水城縣滑坡分布規(guī)律特征的研究成果進(jìn)行對比驗(yàn)證［20］，表明識別的潛在滑坡與水城縣滑坡分布規(guī)律特征相吻合，在一定程度上說明了識別結(jié)果的可靠性。

此外，通過貴州省地質(zhì)災(zāi)害排查項(xiàng)目及野外實(shí)地調(diào)查獲得了水城縣的22處滑坡，用于對本文識別的潛在滑坡進(jìn)行驗(yàn)證。驗(yàn)證結(jié)果：識別獲得的14處潛在滑坡，有11處潛在滑坡位置和范圍與野外調(diào)查的滑坡較為吻合（占識別結(jié)果的78.6%），有3處潛在滑坡范圍與野外調(diào)查的結(jié)果存在一定偏差（占識別結(jié)果的21.4%），部分識別結(jié)果見圖8，另有8處滑坡未能識別。

根據(jù)圖7，圖8可知，對于成功識別的滑坡點(diǎn)位置，大多是位于坡度和形變程度較大的區(qū)域。未能成功識別的8處滑坡點(diǎn)，但也均監(jiān)測到了部分形變區(qū)域，其未能識別的主要原因是：這些區(qū)域大多處于雷達(dá)不可見和不敏感區(qū)域，獲得有效形變點(diǎn)較少；部分地區(qū)植被覆蓋嚴(yán)重，為避免監(jiān)測結(jié)果受大面積植被因素的影響，剔除了該區(qū)域的形變點(diǎn)，減少了該區(qū)域的有效時(shí)序形變點(diǎn)位提取量，導(dǎo)致無法準(zhǔn)確識別。

5 結(jié)論與討論

5.1 結(jié)論

本文以滑坡多發(fā)的水城縣為研究區(qū)，探討了一種基于InSAR技術(shù)對潛在滑坡識別中的應(yīng)用。使用歐空局提供的Sentinel－1 A SAR數(shù)據(jù)，利用改進(jìn)的SBAS-InSAR方法獲取地表坡度方向形變信息，通過Anselin Local Moran′s I進(jìn)行聚類分析，獲得高異常值區(qū)域，并結(jié)合滑坡的形狀、分布、微地貌特征成功識別出了14處潛在滑坡。將識別的潛在滑坡與野外勘探資料相核實(shí)，驗(yàn)證了該時(shí)序InSAR用于滑坡隱患識別的有效性及優(yōu)勢。

本研究受限于單一的降軌數(shù)據(jù)，對地形可視性差的區(qū)域無法進(jìn)行有效識別，因此無法完全提取研究區(qū)內(nèi)潛在滑坡體。文中是對整個(gè)縣城的進(jìn)行時(shí)序監(jiān)測，在處理數(shù)據(jù)上所花費(fèi)時(shí)長較大，為了更快速的獲取識別結(jié)果，可利用升降軌數(shù)據(jù)直接對滑坡高易發(fā)區(qū)進(jìn)行監(jiān)測識別，從而有針對性地調(diào)查和監(jiān)測高概率潛在的滑坡范圍，達(dá)到防止滑坡災(zāi)害發(fā)生的目的。

5.2 討論

由于受到SAR系統(tǒng)監(jiān)測方式的制約，在對西南高山區(qū)域的滑坡識別應(yīng)用中，導(dǎo)致可探測的形變區(qū)域面積較少，難以全方位對潛在的地質(zhì)災(zāi)害隱患進(jìn)行監(jiān)測識別，限制了通過InSAR技術(shù)對潛在地質(zhì)災(zāi)害識別的應(yīng)用。本研究獲取數(shù)據(jù)類型單一、有效觀測區(qū)覆蓋范圍較小，導(dǎo)致部分滑坡點(diǎn)未能進(jìn)行監(jiān)測，因此可以選用聯(lián)合升軌和降軌觀測減少觀測盲區(qū)，提升滑坡的有效探測率。

現(xiàn)有的民用雷達(dá)衛(wèi)星通常工作于X波段（波長3.1cm）、C波段（波長5.6cm）或L波段（波長2.3.6cm），但是能大量獲取的免費(fèi)SAR數(shù)據(jù)為C波段的Sentinel－1 A數(shù)據(jù)。對于InSAR形變測量來說，雷達(dá)波長決定測量靈敏度，即波長越短，監(jiān)測精度越高。但是在高山峽谷區(qū)域，X波段和C波段的波長較短，難以穿透植被冠層，容易導(dǎo)致時(shí)間失相干；使用波段更長、穿透力更強(qiáng)的L波段進(jìn)行觀測時(shí)，數(shù)據(jù)往往具有更好的相干性，在西南山區(qū)滑坡識別應(yīng)用中更具有優(yōu)勢。