基于InSAR技术的铁路沿线滑坡动态危险性评价

Dynamic Hazard Evaluation of Landslides along Railway Lines Based on InSAR Technology

摘要

为降低滑坡风险，绘制易受滑坡影响地区的地图至关重要。以兰渝铁路宕昌段为研究对象，采用SBAS-InSAR技术结合升降轨雷达数据，提取2021年11月至2022年10月的地表形变信息并分解为垂直向和东西向形变。利用支持向量机（SVM）模型对研究区域进行滑坡危险性分级，并结合垂直向形变速率进行铁路沿线滑坡动态危险性评价。结果表明：选取高程、降雨量等16个指标作为滑坡影响因子，经皮尔逊相关系数和信息增益比筛，选出13个对滑坡影响最大的指标建立SVM模型，将研究区域分为高、较高、中、较低、低危险性5类，经ROC曲线检验模型评价结果精度为0.901 9；兰渝铁路沿线1 km区域升轨地表形变速率为-33.11~32.33 mm · a^-1，降轨地表形变速率为-50.67~48.98 mm · a^-1，运用准三维形变分解式计算得出垂直向地表形变速率为-64.59~89.92 mm · a^-1，东西向为-117.29~90.88 mm · a^-1；与SVM模型评价结果相比，结合SBAS-InSAR变形速率滑坡动态危险性评价结果中低、较低、中危险区面积占比分别减少2.53%，3.68%和2.24%，较高、高危险区分别增加5.69%和2.76%，使危险性分区结果更可靠。

Abstract

To reduce landslide risk, it is crucial to map areas that are susceptible to landslides. Focusing on the Dangchang section of Lanzhou-Chongqing Railway, this study employs SBAS-InSAR technology with ascending/descending track radar data to extract surface deformation information from November 2021 to October 2022, decomposing it into vertical and east-west components. A Support Vector Machine (SVM) model classifies landslide hazard levels, integrated with vertical deformation rate to assess the dynamic landslide hazard along the railway. The results indicate that 16 indicators, including elevation and rainfall, are selected as factors affecting landslides. After screening through Pearson correlation coefficients and information gain ratios, 13 of the most significant indicators are chosen to establish the SVM model, categorizing the study area into five hazard levels: high, relatively high, medium, relatively low, and low. The model evaluation result, verified by the ROC curve, shows an accuracy of 0.9019. Ascending track deformation rate within 1 km railway corridor along the Lanzhou-Chongqing Railway ranges from -33.11 to 32.33 mm · a^-1, while the rate for the descending track varies from -50.67 to 48.98 mm · a^-1. A quasi-3D deformation decomposition yields the vertical surface deformation rate between -64.59 and 89.92 mm · a^-1, and the east-west rate -117.29 to 90.88 mm · a^-1. Compared to SVM results, dynamic evaluation shows that medium, relatively low, and low hazard zones decrease by 2.53%, 3.68%, and 2.24%, respectively; while high and relatively high hazard zones increase by 5.69% and 2.76%, respectively, enhancing hazard zoning reliability.

Graphical abstract

关键词

兰渝铁路 / 滑坡 / SBAS-InSAR / 支持向量机 / 动态危险性评价

Key words

Lanzhou-Chongqing Railway / Landslide / SBAS-InSAR / Support vector machine / Dynamic hazard assessment

由于受自身内部重力、地下水以及外部降雨、地震、人类工程活动影响，岩土体产生形变，向斜坡底部滑动，进而产生滑坡灾害。滑坡灾害具有突发性以及破坏性较强的特点，是地质灾害的重要组成部分。近年来铁路沿线滑坡灾害频发，严重威胁铁路运营安全。2022年湖南怀化溆浦段滑坡致沪昆线中断，青海西宁城北山体滑坡使得兰新高铁桥墩位移、铁路停运，造成重大经济损失。因此，亟须编制铁路周边滑坡危险性分区图，精准划定高风险区域，为防灾减灾提供科学依据。

合成孔径雷达（Interferometry Synthetic Aperture Radar，InSAR）技术具有全天候全天时作业、覆盖广、形变检测精度高、非接触式监测及综合成本低等优势^［1-2］。许多学者在InSAR技术基础上发展了诸多变形监测技术对滑坡进行形变监测，例如合成孔径雷达差分干涉测量（Differential Interferometry Synthetic Aperture Radar，D-InSAR）技术^［3］、永久散射体合成孔径雷达干涉测量（Persistent Scatterer Interferometric Synthetic Aperture Radar，PS-InSAR）技术^［4］、干涉图堆叠合成孔径雷达干涉测量（Stacking-InSAR）技术^［5］、小基线集合成孔径雷达干涉测量（Small Baseline Subset InSAR，SBAS-InSAR）技术^［6］等。

在滑坡监测研究中，吴绿川等^［7］融合InSAR技术与光学遥感技术对贵州多地形变开展监测，通过设定形变速率阈值识别高危区域，并结合归一化植被指数（Normalized Difference Vegetation Index，NDVI）及滑坡形态参数进行灾害风险综合评估。廖明生等^［8］运用D-InSAR技术精准定位三峡库区滑坡的位置，分析区域形变特征。王桂杰等^［9］系统阐述D-InSAR技术原理，提出永久散射体（Persistent Scatterer，PS）方法和短基线集（Small Baseline Subset，SBAS）方法，有效克服传统InSAR易受时空相干性干扰的技术瓶颈。雷玲等^［10］利用PS-InSAR技术监测伯克利山滑坡，测得最大形变速率达每年30 mm · a^-1。许广河等^［11］通过PS-InSAR分析西吉县滑坡，结合历史资料和实地验证，揭示了滑坡活动与降水及老滑坡复活的关联性。张雄伟^［12］成功利用D-InSAR与PS-InSAR技术监测公路地质灾害形变，并分析其形变特征。褚洪义等^［13］采用基于Sentinel-1A的PS-InSAR技术发现喀喇昆仑公路历史滑坡体仍存在持续变形。Soltanieh等^［14］通过PS-InSAR监测汤普森河谷滑坡，发现其最大位移速率为每年29~52 mm · a^-1。上述研究表明InSAR技术在滑坡识别中具有显著优势，但受限于单一轨道数据源，其监测可靠性仍需通过多源数据协同验证。

滑坡危险性评价是评估特定区域内地质灾害发生的空间与时间概率。许冲等^［15］基于汶川滑坡数据库，用层次分析法确定地层岩性、断裂等因子的权重，结合地理信息系统（Geographic Information System，GIS）平台绘制了汶川地震滑坡危险性图。孟晓捷等^［16］采用类似方法评价天水麦积区的滑坡风险。唐凤娇等^［18］联合频率比法和信息量法评估金沙江溪洛渡库区滑坡危险性。刘筱怡^［18］采用信息量法和逻辑回归模型，选取多项指标评价大渡河流域古滑坡，发现逻辑回归模型更优，并结合InSAR技术对滑坡危险性进行了动态评价。熊小辉等^［19］比较了多种模型与逻辑回归模型的耦合效果，发现证据权-逻辑回归模型在四川普格县评价滑坡危险性中精度最高。姚林强^［20］采用确定性系数和逻辑回归模型评价兰州地质灾害风险，并结合SBAS-InSAR数据提高滑坡危险性结果的精准度。唐维厘^［21］应用信息熵模型筛选因子，采用逻辑回归模型评价黄土区域滑坡危险性。杨创奇等^［22］建立了耦合熵指数-逻辑回归树模型并应用于吴起县滑坡评价。然而，这些模型的受试者工作特征曲线（Receiver Operating Characteristic，ROC）下方面积（Area Under Curve，AUC）多在0.7~0.9间，其评估滑坡危险性精度有待提升。

本文采用SBAS-InSAR技术获取研究区域高精度时序形变信息，于升降轨数据形变分解计算滑坡体垂直与水平向形变分量，揭示滑坡三维运动特征。提取潜在滑坡影响因子，并通过信息增益比（Information Gain Ratio，IGR）量化各因子与形变数据的关联强度，筛选主导驱动因子。基于筛选后的因子集，构建支持向量机（Support Vector Machine，SVM）模型，实现滑坡形变-环境因子关系的非线性建模。在此基础上，分别输出基于SVM的滑坡危险性模型评价结果与基于SBAS-InSAR的滑坡动态危险性分析结果，并通过不同危险性评价结果对比验证多方法融合在滑坡动态危险性评估中的互补性与可靠性，为滑坡时空演化预测与风险分级防控提供一体化技术支撑。

1 雷达影像数据及滑坡危险性影响因子

本文研究区域位于甘肃省陇南市宕昌县境内，其地理地貌高程情况如图1所示。宕昌县（东经104°01′—104°48′，北纬33°46′—34°23′）地处甘肃省西南部，且位于青藏高原东北缘。地形主要有山地、丘陵、河谷3大地貌单元，地势自西北向东南倾斜。其中南部多峡谷，北部多黄土梁峁。境内海拔在1 106~4 087 m之间，其年均气温为9.3 ℃，属温带大陆性气候区。

宕昌县位于半湿润区，为典型的黄土地貌。其黄土厚度在20~100 m不等。南部为暖温带温润气候，北部属温带半温润气候，年平均气温8.8 ℃，1月平均气温-2.9 ℃，7月平均气温19.3 ℃，并且年均无霜期160 d。地势南北狭长，气候南北差异显著。研究区年均降水量为583.9 mm · a^-1，2021年和2022年逐月降雨量如图2所示，降水集中于4月到10月（占全年94%），7月到9月降雨量尤为突出。

兰渝铁路是纵贯甘、渝2省市的国家级双线电气化客货共线铁路全长886 km，其中桥隧占比72%，构成了中国第3条南北铁路大通道。该线北起兰州站南至重庆北站，其中宕昌县境内段长96 km，宕昌县境内桥隧比达80%。因线路穿越复杂山地地形，所以对铁路周边山体开展形变监测成为保障运营安全的重要任务。

1.1　雷达影像数据

本文数据采用Sentinel-1A雷达影像数据，Sentinel-1是欧洲航天局于2014年和2016年先后发射的极地轨道卫星A星和B星组成的对地观测卫星系统，为C波段雷达波，被装载于传感器之上，具备穿透植被的能力，并能有效规避雨雪天气造成的观测干扰，展现出全天候、全气候条件的对地监测优势。

Sentinel-1雷达系统的单星重访周期设定为12 d。在本次研究中针对特定的研究区域，采用了IW模式下的VV极化方式，分别获取了升轨与降轨的卫星雷达影像数据。升轨与降轨的入射角分别为37.33°和37.00°，其距离分辨率均为5 m，方位分辨率为20 m。本文采用20期升轨雷达影像和27期降轨雷达影像数据集为数据源，以此针对研究区铁路沿线进行地表形变精确提取。时间跨度为2021年11月1日至2022年10月1日，覆盖范围如图3所示。选用分辨率为30 m的高程数据整合新增了立体像对，从而提升空间分辨率及高程精度，减少高程空白。在InSAR处理中轨道信息的准确性对避免基线误差导致的残差条纹至关重要，因此采用卫星精密轨道数据修正原始轨道信息消除系统性误差。本文使用POD精密定轨星历数据对研究数据进行精确轨道校正。

1.2　滑坡危险性影响因子

从中国科学院资源环境科学与数据中心2019年左右野外调查和统计的地质灾害点空间分布数据中提取98个历史滑坡灾害点空间分布数据作为滑坡样本，分析并选择了16个滑坡危险性影响因子，以下将分别进行说明。

（1）NDVI。NDVI反映植被的覆盖程度，正值越大说明植被覆盖程度越高。

（2）地表粗糙度。地表粗糙度值越大，说明地表径流集中可能导致土壤侵蚀，对斜坡稳定性造成影响。

（3）地形起伏度。地形起伏度能够描述1个区域地形特征的宏观性指标，也是反映地形起伏的1个指标。

（4）地形湿度指数。地形湿度指数是区域地形对径流流向和蓄积影响的物理指标，能够识别出潜在土壤含水量增加区域和积水区域。

（5）高程。宕昌县境内高山峻岭，沟壑纵横，地形相对高差较大，对境内黄土砂岩混合型滑坡有着重要影响。滑坡发生概率会随着坡度的增加而增加。

（6）降雨量。降雨是滑坡形成的重要影响因素。

（7）距道路距离。道路的修建必定要涉及填挖方工程，而填挖方工程会破坏自然斜坡的平衡状态，导致斜坡不稳定从而发生滑坡。

（8）距断层距离。滑坡灾害常常受断层构造活动影响，断层附近岩体破碎，裂隙发育，容易导致滑坡的形成。

（9）距水系距离。滑坡灾害的发生也受河流影响，河流侵蚀会造成斜坡坡脚土体软化从而导致滑坡。

（10）平面曲率。平面曲率是反映地形起伏变化的一个重要指标，平面曲率为正则地表突起，曲率为负则地表凹陷，曲率为0时则地表是平的。

（11）坡度。坡度是滑坡危险性的重要影响因子，因为坡度越大，坡体物质所受重力沿斜坡方向的分力越大，稳定性越差，更易在触发因素作用下发生滑动形成滑坡。

（12）坡向。坡向不同会影响地表的日照情况，进一步影响植被生长和岩土体风化程度，对滑坡发生有一定的影响。

（13）剖面曲率。剖面曲率也是反映地形起伏变化的一个重要指标，剖面曲率为正则地表凹陷，曲率为负则地表凸起，曲率为0时则地表是平的。

（14）水流强度指数。水流强度指数作为滑坡危险性的影响因子，原因是其综合反映了水流对坡面物质的冲刷与侵蚀能力，其值越大，表明水流能量越高，对坡体稳定性破坏越强，越易引发滑坡。

（15）土地利用类型。植被覆盖程度高则能防止水土流失，有利于斜坡稳定。人类活动造成土地利用类型多样化，不同程度的人类活动会对自然斜坡造成不同程度的破坏，从而导致滑坡灾害的发生。

（16）岩性。岩性主要有坚硬的岩浆岩类，软硬相间的碎屑岩类、碳酸岩类、变质岩类。

基于上述16个滑坡危险性影响因子对研究区域进行分析，制作出滑坡影响因子图，如图4所示。

2 滑坡动态危险性评价方法

针对滑坡动态危险性研究，首先通过SBAS-InSAR技术提取滑坡区域高精度时序形变信息，利用多景SAR影像构建干涉对网络并抑制时空失相关噪声，获取滑坡体长期形变时间序列与累计形变量。随后基于升降轨数据形变分解，结合升轨与降轨卫星的视线方向（Line of Sight，LOS）向形变观测值及轨道几何参数，通过加权最小二乘反演解算滑坡体垂直与水平向形变分量，揭示滑坡三维运动特征。开展滑坡影响因子相关性分析，从地形地貌（坡度和坡向）、地质构造（岩性和断层）、水文气象（降雨和地下水位）等维度筛选潜在影响因子，并采用信息增益比量化各因子与形变数据的关联强度，确定主导驱动因子。基于筛选后的因子集，构建支持向量机（SVM）模型，利用非线性核函数映射高维特征空间，通过模型参数优化确定最佳惩罚系数C与核参数Gamma，实现滑坡形变-环境因子关系的非线性建模。在此基础上，分别输出基于支持向量机的滑坡危险性模型评价结果（ROC曲线等）与基于SBAS-InSAR技术的滑坡动态危险性分析结果（根据形变速率阈值划分危险等级）。最终通过不同危险性评价结果对比，验证多方法融合在滑坡动态危险性评估中的互补性与可靠性。

2.1　采用SBAS-InSAR技术获取时序形变信息

SBAS-InSAR技术由Berardino等^［23］在传统差分干涉测量技术基础上进行改进并正式提出，该技术可用于获取研究区域毫米级的地表形变速率和时序形变量。SBAS-InSAR技术利用一系列具有相同几何配置的SAR图像构建多视复相干矩阵，从中提取稳定的散射点作为参考目标进行差分干涉处理。通过设定时空基线阈值，将大量SAR数据组合为具有多个主影像的干涉子集，每个子集内的干涉对基线长度低于临界值，时间基线尽可能短，从而克服时空失相关问题。利用外部参考数字高程模型（Digital Elevation Model，DEM）数据模拟并去除每个干涉相对的地形相位，生成时间序列差分干涉图集，随后进行相位解缠和形变参数估计，最终反演得到地表时间序列形变信息^［24-27］。

2.2　基于升降轨数据进行形变分解

由SAR影像的几何成像原理，可知雷达卫星LOS向形变D_{\mathrm{L}\mathrm{o}\mathrm{s}}可以分解为^［28］

\begin{array}{l}{D}_{\mathrm{L}\mathrm{o}\mathrm{s}}=D_{\mathrm{U}}\mathrm{c}\mathrm{o}\mathrm{s}\theta -\mathrm{s}\mathrm{i}\mathrm{n}\theta \left[D_{\mathrm{E}}\mathrm{s}\mathrm{i}\mathrm{n}\left(\alpha -\frac{\mathrm{3}\mathrm{\pi }}{\mathrm{2}}\right)+\right.\\ \left.D_{\mathrm{N}}\mathrm{c}\mathrm{o}\mathrm{s}\left(\alpha -\frac{\mathrm{3}\mathrm{\pi }}{\mathrm{2}}\right)\right]\end{array}（1）

式中：D_{\mathrm{L}\mathrm{o}\mathrm{s}}为雷达卫星LOS向的形变；D_{\mathrm{U}}为垂直向的形变；D_{\mathrm{E}}为东西向的形变；D_{\mathrm{N}}为南北向的形变；\theta为雷达卫星的入射角；\alpha为LOS向方位角。

地距向与正北方向之间夹角用\alpha -\frac{\mathrm{3}\mathrm{\pi }}{\mathrm{2}}表示，则由上式可得升降轨的准三维形变速率分解式为

\begin{array}{l}{D}_{\mathrm{L}\mathrm{o}\mathrm{s}\mathrm{升}}=D_{\mathrm{U}}\mathrm{c}\mathrm{o}\mathrm{s}{\theta }_{\mathrm{升}}-\mathrm{s}\mathrm{i}\mathrm{n}{\theta }_{\mathrm{升}}\left[D_{\mathrm{E}}\mathrm{s}\mathrm{i}\mathrm{n}\left({\alpha }_{\mathrm{升}}-\frac{\mathrm{3}\mathrm{\pi }}{\mathrm{2}}\right)\right.+\\ \left.D_{\mathrm{N}}\mathrm{c}\mathrm{o}\mathrm{s}\left({\alpha }_{\mathrm{升}}-\frac{\mathrm{3}\mathrm{\pi }}{\mathrm{2}}\right)\right]\end{array}（2）

\begin{array}{l}{D}_{\mathrm{L}\mathrm{o}\mathrm{s}\mathrm{降}}=D_{\mathrm{U}}\mathrm{c}\mathrm{o}\mathrm{s}{\theta }_{\mathrm{降}}-\mathrm{s}\mathrm{i}\mathrm{n}{\theta }_{\mathrm{降}}\left[D_{\mathrm{E}}\mathrm{s}\mathrm{i}\mathrm{n}\left({\alpha }_{\mathrm{降}}-\frac{\mathrm{3}\mathrm{\pi }}{\mathrm{2}}\right)\right.+\\ \left.D_{\mathrm{N}}\mathrm{c}\mathrm{o}\mathrm{s}\left({\alpha }_{\mathrm{降}}-\frac{\mathrm{3}\mathrm{\pi }}{\mathrm{2}}\right)\right]\end{array}（3）

式中：下角标升和降分别代表升轨数据和降轨数据。

根据上式可知有垂直向、东西向和南北向形变量3个未知量，无法进行求解。但雷达卫星对南北向的形变量不敏感，可将南北向的形变量设为0，根据上式则可求解各个形变量。

2.3　滑坡影响因子相关性分析

皮尔逊相关系数，又称矩阵相关系数。本文用皮尔逊相关系数分析滑坡影响因子相关性，其绝对值越接近0表明相关性越弱，越趋近1则相关性越强。

图5为滑坡影响因子相关性系数。从图5可以看出：地形起伏度和地形粗糙度之间强相关，相关系数达到了0.884；坡度和地形起伏度、地形粗糙度之间也是强相关，相关系数分别为0.895和0.879；地形湿度指数和水流强度指数相关系数最强，高达0.999。

信息增益比IGR可以呈现滑坡影响因子的重要程度，IGR越高说明该滑坡影响因子提供的信息对滑坡危险性评价越重要。本文对16个滑坡影响因子进行了信息增益比计算，因为这16个滑坡影响因子可以较为全面反映滑坡影响因素，提高评估准确性。并且影响因子为基于历史滑坡数据筛选，其与滑坡紧密相关。同时影响因子易于获取和量化，便于定量分析。

各滑坡影响因子信息增益比如图6所示，可以看到：高程和降雨量两者的信息增益比值较其他因素明显，因此高程和降雨量两者为研究区域滑坡危险性评价过程中重要的诱发滑坡因素，而距道路距离、距水系距离、NDVI、土地利用类型、距断层距离等重要性依次递减；水流强度指数重要性最低。

本文综合滑坡影响因子间的皮尔逊相关系数和信息增益比，剔除水流强度指数、坡度、地表粗糙度3个因子，利用剩下的13个滑坡影响因子进行研究区域的滑坡危险性评价。

2.4　基于SVM滑坡形变-环境因子关系非线性建模

支持向量机SVM是一种监督式机器学习方法，既可以用于分类，也可以用于回归。近年来，SVM以其良好的分类性能和容错能力受到了广泛的关注。由于SVM模型结构复杂，即使是非线性可分的情况也可以用该方法处理。本文采用SVM建立滑坡形变-环境因子间的非线性模型。

SVM模型通过核函数实现数据的高维映射，核函数分为线性、多项式、径向和sigmoid核函数^［29］。本文采用的是径向基函数。SVM模型有2个参数：Gamma和C。Gamma决定着数据映射到新的特征空间后的分布，Gamma与支持向量数量呈负相关，即Gamma越大支持向量越少。本文选取了11个数值（0.01，0.02，0.05，0.08，0.1，0.2，0.5，0.8，1，2和5）分别赋给Gamma和C，采用网格搜索算法搜索最佳参数组合。

图7为Gamma和C不同取值下AUC和精度差异图。图中，圆圈的大小代表AUC取值大小，即圆越大、AUC值越大，从而模型性能越好；圆圈的颜色表示训练集和测试集之间的准确率差异，如果超过0.5，则用0.5表示^［30］，准确度差异越大，模型的过拟合程度越高，泛化性能越差。通过分析图7，确定当Gamma为0.2、C为0.8时，AUC最高，并且精度差较小，模型效果较好。

2.5　滑坡动态危险性评价方法

SVM滑坡危险性评价模型考虑的滑坡影响因子是静态的，评价结果是空间维度的。引入SBAS-InSAR技术获得的地表形变信息作为动态滑坡影响因子，相当于在时间维度上对滑坡危险性评价及结果进行了考量，可以更新研究区域地表变形的发展状态，从而持续监测地质灾害。

本文采用通过SBAS-InSAR技术获得的宕昌县交通干线周边1 km区域垂直向地表形变速率与滑坡危险性评价结果相结合的方法，实现宕昌县交通干线周边1 km区域的滑坡动态性危险性评价。首先，分别基于SVM滑坡危险性评价模型计算结果和垂直向形变速率进行评价分类；然后，比较二者分类结果，取其危险程度较高的分类结果作为最终评价结果。

3 滑坡危险性评价结果

3.1　升降轨InSAR形变与分解结果

本研究采用2021年10月至2022年10月期间的Sentinel-1A卫星影像数据，并结合DEM高程数据集，借助SBAS-InSAR技术与SARscape专业软件，对宕昌县铁路沿线的地表形变信息进行精确提取。InSAR技术通过记录同一地区的多个雷达影像，利用这些影像之间的相位差异推断地表形变信息。形变解译包含采集数据、配准影像、解缠相位和计算形变等关键步骤。这些环节中的每个步骤都可能引入误差，从而影响形变结果的准确性与可靠性。在数据处理流程中使用了POD精密轨道确定方法修正卫星轨道信息，确保空间定位精度达到5 cm以内，从而有效消除可能存在的系统性误差。SBAS-InSAR处理流程如图8所示。

设定时间基线阈值为120 d，最大空间基线阈值为临界基线的2%，根据设置的时间和空间基线阈值进行配对，结果如图9所示。图9中黄色点为主影像，绿色点为不同时间获取的影像，其中升轨共生成了89对干涉对，降轨共生成了108对干涉对，以此生成差分干涉图。采用最小费用流方法进行相位解缠，利用SRTM DEM数据作为参考DEM去除平地以及地形相位。

最后，进行形变速率反演。第1次反演估算形变速率和残余地形，优化干涉图结果。第2次反演计算时间序列上的位移，从而得到精确的形变速率如图10所示。由图10可知：兰渝铁路沿线1 km区域升轨地表形变速率主要集中在-33.11~32.33 mm · a^-1之间，d区有零星区域形变速率超过了-33.11 mm · a^-1；其降轨地表形变速率主要分布在-50.67~48.98 mm · a^-1区间，b区、c区部分区域地表形变速率超过了48.98 mm · a^-1，d区部分区域地表形变速率超过了-50.67 mm · a^-1。

采用前文提到的准三维形变速率分解式进行形变速率分解，得到研究区域垂直向地表形变速率和东西向地表形变速率。结果如图11所示。

图11中，垂直形变取正表示沉降、取负表示抬升，东西形变取正表示向东、取负表示向西。由图11可知：垂直向地表形变速率主要在-64.59~89.92 mm · a^-1之间，c区和d区部分区域表现为地表沉降，b区和c区部分区域表现为地表抬升，其余部分地表形变稳定，东西向地表形变速率主要在-117.29~90.88 mm · a^-1之间，a区、b区和c区部分区域地表水平向东运动，d区零星区域表现为水平向西运动。

3.2　基于SVM模型滑坡危险性评价结果

以宕昌县98处历史滑坡点和滑坡点1 km缓冲区外随机生成的98处非滑坡点作为样本数据，抽取滑坡点和非滑坡点各自总数的70%作为训练样本数据，剩下的30%作为验证数据集。采用SVM模型对研究区域进行滑坡危险性评价，通过自然间断点分级法将研究区域划分为高危险性、较高危险性、中危险性、较低危险性和低危险性5个等级，得到研究区域危险性等级图，如图12所示。

为验证评价准确性，采用ROC曲线进行精度检验。ROC曲线通过AUC值评估模型泛化性能，AUC值越接近1，模型精度越高，其取值范围在0.5~1间则模型优于随机猜测，阈值设定合理时具预测价值；小于0.5则模型判别能力弱，预测结果不可靠。ROC曲线检验结果如图13所示，可得AUC为0.901 9，说明本文SVM模型判别结果良好，模型精度较高。

3.3　结合SBAS-InSAR变形速率滑坡动态危险性评价结果

本文采用通过SBAS-InSAR技术获得的宕昌县兰渝铁路周边1 km区域垂直向地表形变速率与基于SVM模型的滑坡危险性评价结果相结合，实现滑坡动态性危险性评价。首先，从基于SVM模型的滑坡危险性评价结果中裁剪出兰渝铁路周边1 km区域的危险性评价结果，如图14所示。

然后，将3.1节获得的地表垂向形变速率进行等级划分，共分为5个等级：低危险区（形变速率绝对值小于5 mm · a^-1）、较低危险区（形变速率绝对值在5~10 mm · a^-1范围）、中危险区（形变速率绝对值在10~15 mm · a^-1范围）、较高危险区（形变速率绝对值在15~20 mm · a^-1范围）、高危险区（形变速率绝对值大于20 mm · a^-1）。

最后，将基于地表垂向形变速率的评价结果与基于SVM模型的评价结果相结合，通过建立滑坡动态危险性评价方法。当基于SVM模型的评价结果等级低于基于地表垂直向形变速率的评价结果等级时，则动态危险性评价结果取基于地表垂直向形变速率的评价结果等级；当基于SVM模型的评价结果等级低于基于地表垂直向形变速率的评价结果等级时，则动态危险性评价结果取基于SVM模型的评价结果等级。

采用该方法得到交通干线周边1 km区域2021年至2022年的滑坡动态危险性评价结果，如图15所示。

分别统计基于SVM模型评价结果和动态危险性评价结果的兰渝铁路沿线滑坡各危险性等级面积占比，结果见表1。由表1可知：兰渝铁路沿线区域滑坡动态危险性评价结果中低危险性区、较低危险区和中危险区面积占比相较于基于SVM模型的评价结果分别减少了2.53%，3.68%和2.24%，较高危险和高危险区面积占比增加了5.69%和2.76%；滑坡动态危险性评价结果减少了低危险性区、较低危险性区和中危险性区的面积，增加了较高危险和高危险区面积。通过结合SBAS-InSAR技术的滑坡动态危险性评价实现了动态监测，且可靠度更高。

4 结论

（1）选取高程、降雨量、距道路距离、距水系距离、归一化植被指数、土地利用类型、距断层距离等16个指标作为滑坡影响因子，采用皮尔逊相关系数和信息增益比筛选出13个对宕昌县滑坡影响最大的指标，作为滑坡危险性评价指标。建立支持向量机模型进行宕昌县滑坡危险性评价，将宕昌县分为高危险性、较高危险性、中危险性、较低危险性、低危险性5类，并且通过ROC曲线对模型的评价结果精度的检验值为0.901 9。

（2）利用SBAS-InSAR技术对研究区域进行形变信息提取，兰渝铁路沿线1 km区域升轨地表形变速率主要集中在-33.11~32.33 mm · a^-1之间，降轨地表形变速率主要分布在-50.67~48.98 mm · a^-1区间。经过准三维形变分解式计算得出兰渝铁路沿线垂直向地表形变速率主要在-64.59~89.92 mm · a^-1之间，东西向地表形变速率主要在-117.29~90.88 mm · a^-1之间。

（3）采用将地表垂直向形变速率与基于SVM模型的评价结果相结合的方法，对宕昌县境内兰渝铁路沿线1 km区域滑坡进行动态危险性评估。结果表明，与基于SVM模型评价结果相比，动态危险性评价结果得到中的低危险性区、较低危险区和中危险区面积占比分别减少了2.53%，3.68%和2.24%。较高危险和高危险区增加了5.69%和2.76%，使危险性分区结果更加可靠。

参考文献

[1] 石菊松，吴树仁，石玲.遥感在滑坡灾害研究中的应用进展［J］.地质论评，2008，54（4）：505-514，579.

[2] SHI Jusong， WU Shuren， SHI Ling. Remote Sensing for Landslide Study： an Overview ［J］. Geological Review， 2008， 54 （4）： 505- 514， 579. in Chinese

[3] 朱建军，李志伟，胡俊.InSAR变形监测方法与研究进展［J］.测绘学报，2017，46（10）：1717-1733.

[4] ZHU Jianjun， LI Zhiwei， HU Jun. Research Progress and Methods of InSAR for Deformation Monitoring ［J］. Acta Geodaetica et Cartographica Sinica， 2017， 46 （10）： 1717-1733. in Chinese

[5] 董建军，梅媛，闫斌，等.高海拔排土场边坡安全稳定性D-InSAR监测［J］.安全与环境学报，2022，22（5）：2514-2523.

[6] DONG Jianjun， MEI Yuan， YAN Bin， et al. D-InSAR Monitoring of Slope Safety and Stability in High-Altitude Dump Site ［J］. Journal of Safety and Environment， 2022， 22 （5）： 2514-2523. in Chinese

[7] 朱强.基于InSAR技术的滑坡隐患识别及形变监测研究［D］.北京：中国地质大学，2021.

[8] ZHU Qiang. Research on Landslide Hazard Identification and Deformation Monitoring Based on InSAR Technology ［D］. Beijing： China University of Geosciences， 2021. in Chinese

[9] 王川，涂宽，谌华，等.Stacking InSAR和IPTA技术应用于探测宁夏隆德县滑坡隐患［J］.自然灾害学报，2022，31（5）：222-234.

[10] WANG Chuan， TU Kuan， CHEN Hua， et al. Application of Stacking InSAR and IPTA Technology to Detect Landslide Hazards in Longde County， Ningxia ［J］. Journal of Natural Disasters， 2022， 31 （5）： 222-234. in Chinese

[11] 彭艺，吴云龙，杨玉，等.基于短基线InSAR技术的滑坡监测研究——以四川茂县为例［J］.城市勘测，2022（6）：102-107.

[12] PENG Yi， WU Yunlong， YANG Yu， et al. Research on Small Baseline InSAR Technology—Taking Maoxian County in Sichuan Province as an Example ［J］. Urban Geotechnical Investigation & Surveying， 2022 （6）： 102-107. in Chinese

[13] 吴绿川，王剑辉，符彦.基于InSAR技术和光学遥感的贵州省滑坡早期识别与监测［J］.测绘通报，2021（7）：98-102.

[14] WU Lüchuan， WANG Jianhui， FU Yan. Early Identifying and Monitoring Landslides in Guizhou Province with InSAR and Optical Remote Sensing ［J］. Bulletin of Surveying and Mapping， 2021 （7）： 98-102. in Chinese

[15] 廖明生，唐婧，王腾，等.高分辨率SAR数据在三峡库区滑坡监测中的应用［J］.中国科学：地球科学，2012，42（2）：217-229.

[16] LIAO Mingsheng， TANG Jing， WANG Teng， et al. Application of High-Resolution SAR Data in Landslide Monitoring in the Three Gorges Reservoir Area ［J］. Scientia Sinica： Terrae， 2012， 42 （2）： 217-229. in Chinese

[17] 王桂杰，谢谟文，邱骋，等.D-INSAR技术在大范围滑坡监测中的应用［J］.岩土力学，2010，31（4）：1337-1344.

[18] WANG Guijie， XIE Mowen， QIU Cheng， et al. Application of D-INSAR Technology in Large-Scale Landslide Monitoring ［J］. Rock and Soil Mechanics， 2010， 31 （4）： 1337-1344. in Chinese

[19] 雷玲，周荫清，李景文，等.PS-InSAR技术在伯克利山滑坡监测中的应用［J］.北京航空航天大学学报，2012，38（9）：1224-1226.

[20] LEI Ling， ZHOU Yinqing， LI Jingwen， et al. Application of PS-InSAR to Monitoring Berkeley Landslide ［J］. Journal of Beijing University of Aeronautics and Astronautics， 2012， 38 （9）： 1224-1226. in Chinese

[21] 许广河，何小锋，王国瑞，等.黄河流域宁夏（西吉县）段滑坡灾害的InSAR识别及成因分析［J］.测绘通报，2022（6）：104-107.

[22] XU Guanghe， HE Xiaofeng， WANG Guorui， et al. InSAR Identification and Cause Analysis of Landslide Disaster in Ningxia （Xiji County） Section of the Yellow River Basin ［J］. Bulletin of Surveying and Mapping， 2022 （6）： 104-107. in Chinese

[23] 张雄伟.基于InSAR技术的高海拔多雨山区公路地质灾害监测预警研究［D］.西安：长安大学，2021.

[24] ZHANG Xiongwei. Research on Monitoring and Early Warning of Geological Disasters in High-Altitude and Rainy Mountainous Areas Based on InSAR Technology ［D］. Xi'an： Chang'an University， 2021. in Chinese

[25] 褚洪义，黄兆欢，姚林强，等.基于PS-InSAR技术的喀喇昆仑公路沿线地表形变特征研究［J］.兰州大学学报（自然科学版），2021，57（5）：608-614.

[26] CHU Hongyi， HUANG Zhaohuan， YAO Linqiang， et al. Research on the Characteristics of Surface Deformation along the Karakorum Highway Based on PS-InSAR Technology ［J］. Journal of Lanzhou University （Natural Sciences）， 2021， 57 （5）： 608-614. in Chinese

[27] SOLTANIEH A.， MACCIOTTA R. Updated Understanding of the Ripley Landslide Kinematics Using Satellite InSAR ［J］. Geosciences， 2022， 12 （8）： 298.

[28] 许冲，戴福初，姚鑫，等.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，2009，28（增2）：3978-3985.

[29] XU Chong， DAI Fuchu， YAO Xin， et al. Evaluation of Landslide Susceptibility in Wenchuan Earthquake Area Based on Analytic Hierarchy Process Supported by GIS ［J］.Chinese Journal of Rock Mechanics and Engineering， 2009， 28 （）： 3978-3985. in Chinese

[30] 孟晓捷，张新社，曾庆铭，等.基于加权信息量法的黄土滑坡易发性评价—以1∶5万天水市麦积幅为例［J］.西北地质，2022，55（2）：249-259.

[31] MENG Xiaojie， ZHANG Xinshe， ZENG Qingming， et al. The Susceptibility Evaluation of Loess Landslide Based on Weighted Information Value Method—Taking 1∶50，000 Map of Maiji District of Tianshui City as an Example ［J］. Northwestern Geology， 2022， 55 （2）： 249-259. in Chinese

[32] 唐凤娇，祁生文，郭松峰，等.金沙江溪洛渡库区水库诱发滑坡时空分布规律及易发性研究［J］.工程地质学报，2022，30（3）：609-620.

[33] TANG Fengjiao， QI Shengwen， GUO Songfeng， et al. Study on Spatiotemporal Distribution and Susceptibility of Reservoir-Induced Landslides in Xiluodu Reservoir Area of Jinsha River ［J］. Journal of Engineering Geology， 2022， 30 （3）： 609-620. in Chinese

[34] 刘筱怡.基于多元遥感技术的古滑坡识别与危险性评价研究［D］.北京：中国地质科学院，2020.

[35] LIU Xiaoyi. Identification and Hazard Assessment of Ancient Landslides Based on Multi-Source Remote Sensing Technology ［D］. Beijing： Chinese Academy of Geological Sciences， 2020. in Chinese

[36] 熊小辉，汪长林，白永健，等.基于不同耦合模型的县域滑坡易发性评价对比分析—以四川普格县为例［J］.中国地质灾害与防治学报，2022，33（4）：114-124.

[37] XIONG Xiaohui， WANG Changlin， BAI Yongjian， et al. Comparison of Landslide Susceptibility Assessment Based on Multiple Hybrid Models at County Level： a Case Study for Puge County， Sichuan Province ［J］. Chinese Journal of Geological Hazard and Control， 2022， 33 （4）： 114-124. in Chinese

[38] 姚林强.基于SBAS-InSAR技术的兰州地区地表形变特征分析与地质灾害易发性评价［D］.兰州：兰州大学，2021.

[39] YAO Linqiang. Analysis of Surface Deformation Characteristics and Susceptibility Evaluation of Geological Disasters in Lanzhou Area Based on SBAS-InSAR Technology ［D］. Lanzhou： Lanzhou University， 2021. in Chinese

[40] 唐维厘.基于SBAS-InSAR的黄土滑坡监测和易发性评价［D］.北京：中国地质大学，2021.

[41] TANG Weili. Loess Landslide Monitoring and Susceptibility Evaluation Based on SBAS-InSAR ［D］. Beijing： China University of Geosciences， 2021. in Chinese

[42] 杨创奇，陶攀，杨正.基于逻辑回归树耦合熵指数模型的滑坡易发性分区—以陕西省延安市吴起县滑坡为例［J］.人民长江，2022，53（5）：128-134.

[43] YANG Chuangqi， TAO Pan， YANG Zheng. Landslide Susceptibility Zoning Based on Logistic Regression Tree Coupled Entropy Index Model： Case Study of Landslide in Wuqi County， Yan'an City， Shaanxi Province ［J］. People's Yangtze River， 2022， 53 （5）： 128-134. in Chinese

[44] BERARDINO P， FORNARO G， LANARI R， et al. A New Algorithm for Surface Deformation Monitoring Based on Small Baseline Differential SAR Interferograms ［J］. IEEE Transactions on Geoscience and Remote Sensing， 2002， 40 （11）： 2375-2383.

[45] 施友丽.基于时序InSAR库区滑坡监测识别与易发性评价研究［D］.昆明：昆明理工大学，2022.

[46] SHI Youli. Research on Landslide Monitoring， Identification and Susceptibility Evaluation in Reservoir Area Based on Time Series InSAR ［D］. Kunming： Kunming University of Science and Technology， 2022. in Chinese

[47] LI B Q， JIANG W L， LI Y S， et al. Monitoring and Analysis of Woda Landslide （China） Using InSAR and Sentinel-1 Data ［J］. Advances in Space Research， 2023， 72 （5）： 1789-1802.

[48] 朱宽兴.岷江上游叠溪至飞虹段潜在滑坡InSAR早期判识与地表形变研究［D］.吉林：吉林大学，2022.

[49] ZHU Kuanxing. Early Identification and Surface Deformation of Potential Landslides from Diexi to Feihong in the Upper Reaches of Minjiang River ［D］. Jilin： Jilin University， 2022. in Chinese

[50] 于海华.基于时序InSAR技术的江顶崖斜坡地表形变监测方法研究［D］.成都：西南交通大学，2022.

[51] YU Haihua. Research on Surface Deformation Monitoring Method of Jiangding Cliff Slope Based on Time-Series InSAR Technology ［D］. Chengdu： Southwest Jiaotong University， 2022. in Chinese

[52] 赵蓓蓓，黄海峰，邓永煌，等.基于Sentinel-1A的三峡库区范家坪滑坡InSAR监测分析［J］.人民长江，2022，53（10）：103-107.

[53] ZHAO Beibei， HUANG Haifeng， DENG Yonghuang， et al. InSAR Monitoring and Analysis of Fanjiaping Landslide in the Three Gorges Reservoir area Based on Sentinel-1A ［J］. Renmin Yangtze River， 2022， 53 （10）： 103-107. in Chinese

[54] HUANG W B， DING M T，LI， Z H，et al. An Efficient User-Friendly Integration Tool for Landslide Susceptibility Mapping Based on Support Vector Machines： SVM-LSM Toolbox ［J］. Remote Sensing， 2022， 14 （14）： 3408.

[55] 刘杰，武震.基于GIS的白龙江流域舟曲—武都段的滑坡危险性评价［J］.地震工程学报，2020，42（6）：1723-1734.

[56] LIU Jie， WU Zhen. GIS-Based Landslide Risk Assessment of Zhouqu-Wudu Section of Bailongjiang Basin ［J］. Journal of Earthquake Engineering， 2020， 42 （6）： 1723-1734. in Chinese

基金资助

国家自然科学基金资助项目(42461020)

甘肃省联合科研基金资助项目(24JRRA857)

甘肃省联合科研基金资助项目(24JRRA847)