中国是世界上最大的黄土分布区，黄土作为第四纪主要以风力搬运而成的粉粒堆积物，因其独特的水敏性和脆弱的结构，使得黄土地区的黄土滑坡灾害频发且分布广泛（Lin et al. ，2021；孙萍萍等，2022）。近20年间，中国开展了系统全面的地毯式、拉网式地质灾害排查，建立了较为完善的群测群防体系。然而，灾难性的黄土滑坡灾害时有发生，如2019年3月15日山西省临汾市乡宁县枣岭乡发生了黄土滑坡，造成20人死亡、13人受伤，直接经济损失713.48万元。调查结果表明，乡宁“3·15”山体滑坡属中深层黄土滑坡，仅采用人工调查或“遥感解译+人工调查”的手段很难发现或认定此类地质灾害隐患。传统的人工调查很难提前发现具有高位的、隐蔽性的、发育特征不明显的灾害隐患，例如，灾害源区位于高山中上部、人迹罕至之类的区域，调查人员无法到达且关注度不够。因此，如何尽早发现和有效识别出重大地质灾害的潜在隐患并加以主动防治，是地质灾害防治领域研究的热点（许强等，2019）。

滑坡的孕育、发展至破坏过程中伴随着多种实时变化且可测量的物理力学信息，通过多种手段对微观、宏观变量信息进行持续监测记录，分析滑坡灾害灾变前兆、破坏过程中的变量信息规律性，就有可能实现滑坡隐患的预警和识别（张毅，2018）。在众多的变量信息中，地表变形信息是变形斜坡内部其他变量信息变化的集中表现，相较于其他变量信息更为直观，且滑坡演化的不同阶段地表变形有其特定的变化趋势，这一规律为预测滑坡隐患可能发生的位置、概率和范围搭建了以地表变形信息为纽带的新方法。

合成孔径雷达使用具有较强穿透力的微波，可以穿透遮挡的云雾，具备高分辨率、全天时和全方位观测成像的优点（廖明生等，2014），能够捕捉到地表微小的形变信息，近年来其广泛用于区域地表沉降、火山运动和冰川漂移监测等。张路等（2018）以传统时序InSAR方法在四川丹巴识别出了17处持续变形的滑坡隐患，通过实地调查与外部数据比对验证了识别结果的有效性；周超（2018）应用时序InSAR技术反演三峡库区地表形变信息，结合历史滑坡数据与野外验证，发现了合成孔径雷达在地表形变监测中的可靠性，能有效对黄土滑坡进行早期识别。陈思名（2022）基于GNSS与InSAR技术，通过优化SAR识别黄土滑坡隐患的关键参数，一定程度上解决了黄土丘陵区植被覆盖率高、地形复杂、早期识别难度大等问题。黄土滑坡隐患发生的坡体区域在SAR影像中像元的散射体并不明显，但在一定的时间内其滤波相位具有良好的相干性，StaMPS SBAS算法按照短时空基线原则组合生成多组主影像的序列干涉图，尽可能减小视角差异造成的时空不相干，更适用于自然场景的形变探测。Zhang等（2022）在复杂的土地覆盖区使用改良的StaMPS SBAS算法，结果表明该算法可以提供更多的变形细节。

上述研究成果均表明，InSAR技术在滑坡早期识别具有良好的适用性。但是，因InSAR技术对坡体进行的形变分析无法具象描述地形及坡体信息，如何有效利用InSAR技术来衡量黄土边坡的变形状态、发展阶段，有效提高黄土滑坡早期识别的精度和时效性，仍处于探索阶段。针对这一问题，笔者选取西安市白鹿塬西南区的黄土斜坡为研究对象，以黄土滑坡易发指数来表示斜坡单元的不稳定程度，结合时序InSAR反演的地表形变信息，可以快速搜寻定位不稳定的斜坡区域，并采用地表形变信息简化斜坡稳定性和活动性的评价标准，构建了基于高精度InSAR和DEM数据的黄土滑坡隐患早期识别方法。

1.   研究区概况、数据来源及其处理流程

1.1   研究区概况

研究区位于白鹿塬西南区（图1），是长安区、灞桥区、蓝田县三区县交界之地。第四纪新构造运动继承了第三纪末期以骊山为中心的掀斜式间歇隆起运动，导致白鹿塬成为一个强烈抬升的黄土台塬，从而加剧了灞河、浐河及鲸鱼沟的侵切作用（惠明强，2020）。境内海拔最低为360 m、最高为770 m。塬面东北高、西南低，塬北与灞河高差为300 m左右，塬南与浐河高差约为200 m，塬内沟谷发育，侵蚀切割作用明显，塬边斜坡主要为黄土堆积物，大孔隙、垂直节理发育，疏松易变、强度较低，区内黄土地层之下的第三纪红黏土和第四纪黄土地层中所夹的红褐色古土壤常常是滑坡的滑面（图2）。白鹿塬内沟道两侧高差较大的黄土边坡、人类工程活动较强的山前冲洪积扇裙和黄土丘陵隆起区分布着众多黄土滑坡灾害，对当地居民生命财产安全构成较大威胁。

图  1  白鹿塬西南区地理位置图

Figure  1.  Geographical location map of the southwest district of Bailuyuan

下载: 全尺寸图片 幻灯片

图  2  白鹿塬地质剖面示意图（李宝田等，2021）

Figure  2.  Geological profile of Bailuyuan

下载: 全尺寸图片 幻灯片

1.2   监测数据

实验数据采用了研究区2020年1月到2021年9月期间，共19景ALOS-2影像数据（图3），ALOS-2（大地2号）的L波段穿透性高，最小分辨率为1 m（方位向）× 3 m（距离向），具体参数见表1。

图  3  影像采集时间分布图

Figure  3.  Time distribution of image acquisition

下载: 全尺寸图片 幻灯片

表  1  ALOS-2数据参数表

Table  1.  ALOS-2 data parameters

影像采集时间	影像数量	雷达波长	轨道方向	空间分辨率	视角	垂直基线分布范围	极化方式
2020-01-18-2021-09-11	19景	23 cm	升轨	10 m	32°	91 m	HH+HV

下载: 导出CSV 

| 显示表格

PALSAR-2传感器共有3种成像模式包括条带式（Stripmap）、聚束式（Spotlight）和扫描式（ScanSAR），其中宽广的观测波段不仅对监测地表形变信息较为迅速，也满足了区域尺度的地质灾害识别、监测预警等。DInSAR采用二轨差分法，使用12.5 m分辨率的外部DEM模拟InSAR地形相位，剔除因地表高差变化引起的干涉相位。据灾害普查数据统计，研究区黄土滑坡的规模以小型为主。为了尽可能捕捉到更多的形变区域，数据处理全过程采用全分辨率，不采用多视方法。

1.3   时间序列InSAR处理流程

时间序列InSAR数据处理过程分为3个步骤：生成干涉影像图集、差分干涉处理和StaMPS SBAS处理（张毅，2018）。①结合卫星轨道参数、SRTM DEM和研究区位置在LiCSAR_GAMMA中进行配准和裁剪。②为满足StaMPS数据处理数量的限制要求，将研究区范围分割为多个Patch，以减少单次处理的运算量，为避免生成无效的干涉图，时间基线和空间基线阈值分别设置为90天和50 m，且各幅干涉图至多与其前后3幅干涉图相互差分，以此生成短基线的差分干涉图集。③应用StaMPS SBAS方法开展研究区的稳定点筛选和二维相位解缠，计算得到地表形变速率和位移时间序列。因卫星轨道与地表三位运动存在一定的夹角，StaMPS SBAS算法得到的地表形变速率实际是轨道视线方向的平面投影，不能真实有效地反映斜坡的运动特征与状态，因此需要结合斜坡朝向与视线角将视线方向的变形速率（$ {V}_{{\rm{LOS}}} $）转化成斜坡方向的变形速率（$ {V}_{{\rm{slope}}} $），即得到了白鹿塬西南区2020年1月到2021年9月期间斜坡方向的地表形变速率（图4）。斜坡滑动从形变数据来看，除部分滑体前缘反翘外，斜坡原位置整体是下降的，为避免因人工建筑、废弃物堆砌等引起的数据干扰，地表形变速率仅保留负值。

图  4  研究区最陡坡向地表形变速率图

Figure  4.  Topographic deformation rate of the steepest slope in the study area

下载: 全尺寸图片 幻灯片

2.   黄土滑坡隐患早期识别

滑坡灾害是孕育在一定的地质背景之下，既有自然演变而来，如地质构造运动伴生、地震等诱发；也有工程建设影响，如研究区普遍存在的灌溉、取土、修建工程等（彭建兵等，2020）。滑坡孕育发展过程中引发了相应地表形态的变化，如斜坡几何特征的改变，且其有一定的规律可循。反过来，区域地表形变信息所反映的地表形变状态，可用来识别滑坡孕育、发展阶段和不稳定斜坡的变形过程，结合并分析区域地貌特征来还原地貌演化的过程（Agliardi et al.，2013），为区域滑坡隐患的早期识别和甄别已有滑坡复活可能性大小提供了思路。基于以上思想，笔者结合时间序列InSAR、DEM、航拍影像和野外核查，在白鹿塬西南区探索黄土滑坡隐患早期识别的技术方法。

2.1   区域形变速率聚集分析

时序InSAR技术得到的高形变SDFP点分布较散，为了能更加直观反映形变明显的区域，为区域黄土滑坡隐患早期识别提供便捷，应用核密度估计方法，自动搜寻一定范围内高形变SDFP点的聚集区域，更加直观地反映区域地表形变状况（图4）。

研究区的地表形变核密度分析结果（图5）显示，地表形变明显区域共104处，集中在塬面人类工程活动区和部分斜坡区域，排除建筑物沉降、农田灌溉、挖方等人类工程活动引起的地表形变外，部分斜坡区域也存在较为明显的形变迹象，该区域正是黄土滑坡隐患早期识别关注的重点区域，主要包括尚未发生规模性滑动的隐患灾害，也包括已有滑坡灾害的复活。

图  5  研究区地表形变核密度热点图

Figure  5.  Hot spot map of surface deformation nucleus density in the study area

下载: 全尺寸图片 幻灯片

2.2   基于形变速率和DEM的黄土滑坡易发指数

时序InSAR技术得到的地表形变位移信息涵盖能够监测到的所有地表抬升与沉降，为了能快速锁定具有形变的斜坡区域，提高黄土滑坡隐患识别的精度与效率，采取的处理措施包括：①剔除时序InSAR反演的形变量为正值的地表形变数据，有效避免了建筑修建、堆积等引起的地表正形变。②结合黄土滑坡孕育、演化的基础地形地貌特征，以坡高和坡度的组合来框定斜坡区域，有效避免了塬面灌溉、人工开挖引起的地表负值形变量。研究区约70%的形变热点区域分布在平坦的塬面（图5），并非文中所关注的形变区。

利用白鹿塬高精度三维倾斜摄影数据，建模得到0.2 m精度的数字高程模型（DEM），从DEM中提取斜坡单元的坡度和坡高，统计斜坡单元不同坡度、坡高区间的分布比例（图6a、图6c）。研究区的斜坡多分布在塬边及沟道两侧，多以延伸较长的缓坡存在，斜坡单元的坡度大多为0～15°，坡高大多为30～170 m。在此基础之上，统计研究区在册历史黄土滑坡灾害在各坡度、坡高区间分布的比率（图6b、图6d），可以发现即使高坡和陡坡所占的比例不大，但其上发生滑坡的概率是最高的。

图  6  斜坡特征统计及历史滑坡在其特征分布比率图

a. 斜坡在坡度区间分布的比率；b. 滑坡在坡度区间分布的比率；c. 斜坡在坡高区间分布的比率；d. 滑坡在坡高区间分布的比率

Figure  6.  Statistics of slope characteristics and distribution ratio of historical landslides in their characteristics

下载: 全尺寸图片 幻灯片

从研究区统计的斜坡单元和在册历史滑坡的地形特征出发，结合时序InSAR技术反演的形变数据，构建黄土滑坡易发指数来表示斜坡单元的不稳定程度，用以快速搜寻定位不稳定的斜坡区域，其中斜坡坡度与坡高对于斜坡致滑的影响程度参考陕西中部黄土滑坡统计数据，分别赋予坡度和坡高参数的权重为0.65和0.35，易发指数I的公式如下：

式中：$ \alpha $表示坡度区间内发生滑坡的比率，$ h $表示坡高区间内发生滑坡的比率，$ v $表示地表形变速率，因各参数单位不同，参数$ \alpha $、$ h $和$ v $均归一化取无量纲数值。

以0.2 m精度的DEM为数据，利用ArcGIS水文分析工具，将研究区划分为斜坡单元，参照公式（1）计算得到了结合地表形变参数和斜坡地貌特征的区域黄土滑坡易发指数（图7），采用自然断点法将黄土滑坡易发指数分为5个等级，能够直观、快速地锁定滑坡隐患最有可能发生的区域。该易发指数不同于传统易发性在于该指数强调滑坡灾害的前兆特征，传统滑坡易发性的理论实质是一种类比的方法，即与已发生滑坡所在区域具有相似的地质环境，其滑坡发生的概率高于未发生滑坡区域（张林梵等，2022）。但滑坡灾害从孕育到破坏，其滑体的重心降低、势能减小，大幅度滑动过的斜坡稳定性普遍高于滑动之前，斜坡从近乎失稳状态转变为相对稳定状态，斜坡滑动之后，斜坡特征如坡度、高程、曲率、结构类型等都发生了改变。因此，以滑动后的斜坡特征来预测原有斜坡的滑动可能性，预测效果往往与实际差距很大。因此本文假设形变量大的斜坡在未来极有可能演化为滑坡这一前提，以形变明显的滑坡隐患来替代规模性滑动之前的斜坡特征，一定程度上提高了滑坡隐患早期识别的精度。

图  7  易发性指数等级图

Figure  7.  Vulnerability index grade chart

下载: 全尺寸图片 幻灯片

2.3   黄土滑坡隐患航拍影像确定和野外核查

易发指数等级划分排除了非斜坡地貌区和影像采集时间内稳定斜坡区域，选择易发指数大于0.231的斜坡区域，依据三维倾斜摄影得到的高精度航拍影像，人为圈定滑坡和滑坡隐患可能发生的斜坡区域。

在此基础之上，开展野外核查。野外核查定性标准为：黄土滑坡具有显著的滑动特征，包括坡脚滑体堆积、滑体下挫所致的滑坡后壁、后缘拉张裂缝等；滑坡隐患判据参考李萍等（2009）提出的极限状态斜坡的3条识别标志：①坡顶或坡体中上部见条带状拉张裂隙。②坡面局部存在滑塌，且较为破碎。③位于已滑斜坡的两侧，且具有相同的地形地貌特征。

按以上黄土滑坡及隐患的判据，经野外实地核查后，从104处地表形变明显区域中，共识别黄土滑坡及隐患23处，其中包括在册的滑坡灾害点3处，新识别的滑坡隐患20处；23处黄土滑坡及隐患的面积范围为0.00143～0.10914 km²，总面积为0.53 km²。对比研究区内共有的29处在册历史滑坡，笔者从中识别了3处滑坡分别为：马渡王村一组滑坡（HP8）对应滑坡隐患X3、水家嘴滑坡（HP25）对应滑坡隐患X9、安村镇腰道村滑坡（HP29）对应滑坡隐患X14，未在滑坡编录数据中的滑坡隐患共20处（图8）。

图  8  黄土滑坡隐患早期识别结果与历史滑坡点空间分布图

Figure  8.  Early identification results of hidden dangers of loess landslide and spatial distribution of historical landslide points

下载: 全尺寸图片 幻灯片

3.   分析与讨论

与传统的地灾调查相比，黄土滑坡早期识别的重点是对尚未发生但有可能发生的滑坡灾害进行分析和识别，为方便对比这两者的区别，将研究区历史滑坡灾害与新识别的黄土滑坡隐患的活动性依次分类，分为稳定、休眠、活动和复活4个类型，稳定和休眠状态表示斜坡在过去一年内未滑动。常用的斜坡活动性判断方法是对比斜坡当前的活动速率和该斜坡原始的活动速率，但因研究区未统计斜坡的原始活动速率，无法与目前的变形速率对比，因此以InSAR技术反演的地表形变信息简化斜坡稳定性和活动性的评价标准。结合研究区早期识别的结果，研究区的在册历史滑坡和新识别的滑坡隐患按年变形量大小划分为稳定、活动、复活/活动（针对于活动状态的历史滑坡）（表2）。

表  2  新识别滑坡隐患和历史滑坡灾害活动性分类表

Table  2.  Classification of newly identified landslide hazards and activities of historical landslide hazards

类型	划分标准	活动性	统计
历史滑坡灾害（点位信息）	年变形量＜10 mm/yr	稳定	HP1～HP7、HP8～HP24、HP26～HP28（共26个）
	年变形量＞10 mm/yr	复活/活动	HP8、HP25、HP29（共3个）
滑坡隐患（识别范围）	年变形量＞10 mm/yr	活动	X1～X2、X4～X8、X10～X13、X15～X23（共20处）
		复活/活动	X3、X9、X14（共3处）

下载: 导出CSV 

| 显示表格

从研究区黄土滑坡早期识别结果与在编历史滑坡灾害点重合度可以看出，29处在编历史滑坡中仅有3处存在形变，26处历史滑坡所在区域在雷达影像采集的近两年内形变量不明显，处于稳定状态。分析识别到的黄土滑坡隐患与在册历史滑坡重复率低的原因包括以下3点：①收集到的历史灾害点数据年份较早，部分在册灾害未能及时核销。②据前期地质灾害调查资料显示，存在潜在威胁的滑坡均已工程治理，其中HP1～HP9安装有简易监测仪器，除马渡王村一组滑坡（HP8）外，其余斜坡滑动后均处于稳定状态。③对于隐蔽性、形变不明显、滑动位置位于高陡斜坡中上部的灾害及其隐患，通过传统地灾调查很难发现。

传统的地灾调查以技术人员实地调查为主，调查结果以地质灾害形态特征明显、变形特征显著、变形特征无遮挡为主，对于形变不明显的滑坡隐患识别准确度不高。张毅（2018）利用InSAR技术的地表形变监测，对白龙江流域变形较大的区域进行空间叠置分析和野外调查验证，成功识别出活动斜坡133处，其中已知滑坡33处，占比不到25%，同样说明了传统手段调查精度低，早期识别环节薄弱，这也就导致灾难性后果的地质灾害70%以上都不在已知的地质灾害隐患点内（许强等，2019）。

通过野外实地调查与验证，结合形变数据，将斜坡活动状态分为稳定、活动和复活3类，验证结果说明了InSAR技术在早期识别大范围区域地质灾害方面结果可靠、准确，为斜坡稳定性分析和滑坡体早期识别提供了强有力的技术手段。

ALOS-2的L波段穿透性高，可以捕捉到长时序、高精度的地表形变信息，与工程类比、野外调查相结合，可以弥补传统灾害调查在早期识别环节的局限性，有效提高区域范围内黄土滑坡早期识别的时效性和可靠性，加强对尚未发生的地质灾害进行分析和识别，为地质灾害风险防控提供决策性指导。

4.   结论

（1）应用时序InSAR技术、DEM地形特征、航拍影像判识和野外核查的方法在西安市白鹿塬西南区成功识别出23处黄土滑坡及其隐患，其中包括在册滑坡灾害点3处，新识别的滑坡隐患20处。

（2）与在册灾害点对比发现，时序InSAR结合DEM地形数据识别的黄土滑坡隐患能更好捕捉黄土斜坡灾变的前兆信息，尤其在常规调查难以发现的形变不明显、隐蔽性滑坡隐患区域，具有较好的早期识别效果。

（3）在时序InSAR反演的地表形变数据基础上，结合DEM地形分析的黄土滑坡易发指数，可快速锁定具有形变的斜坡区域，通过航拍影像与野外核查，确保了滑坡隐患识别的真实性。

（4）区域形变数据涵盖地表所有的形变特征，构建包含形变信息和地形特征的黄土滑坡易发指数，将形变信息与斜坡地质概况相结合，能够避免仅依靠数据判断的失真性。

致谢：感谢西安交通大学张茂省教授提供的白鹿塬调查区基础数据和ALOS-2数据及对文章提供的建设性意见；感谢兰州大学张毅老师和西安地调中心冯旻譞在雷达影像数据处理方面提供的帮助。