郭峻杞 喜文飞 史正涛 杨志全 杨正荣
摘要：水库库区大型隧道开挖会对山体产生一定的扰动，引起山体形变，造成滑坡等地质灾害，其形成的库区涌浪可扩散至上下游数公里，严重影响大坝安全。针对单一轨道合成孔径雷达（synthetic aperture radar，SAR）数据在深切峡谷地区形变监测中因几何畸变导致识别不准确的问题，采用小基线集差分干涉测量技术（small baseline subsets interferometric synthetic aperture radar，SBAS-InSAR）、联合70景升轨和68景降轨Sentinel-1A SAR影像进行数据处理，获得研究区2020年2月至2022年5月的地表雷达视线向（line of sight，LOS）形变速率，选取白鹤滩库区典型隧道边坡进行形变特征分析。结果显示：1）白鹤滩水电站库区出现异常形变，蓄水前后隧道边坡的年平均形变量在20 mm以上，边坡稳定性遭到一定程度破坏；
2）隧道边坡下缘与隧道上方位置形变趋势基本一致。采用SBAS-InSAR技术及升降轨SAR影像联合互补的方法，可以有效克服单一轨道数据在深切峡谷地区形变监测中因阴影、叠掩、透视收缩等几何畸变导致的识别不准确问题，其结果可用于白鹤滩库区隧道边坡滑坡灾害的早期识别，为区域性地质灾害防治管理提供科学依据。
关键词：形变监测；
SBAS-InSAR技术；
隧道边坡；
滑坡灾害
中图分类号：P237；
P642文献标志码：A库区大型隧道由于开挖面大、挖掘线路长，岩体的抗剪性能削弱，使隧道边坡的稳定性遭到破坏，一旦在库区形成滑坡灾害，其产生的涌浪将比滑坡本身造成更大的破坏，影响范围可辐射至上下游数公里，给人类生命安全和经济发展造成重大损失［1-4］。因此，对库区隧道边坡进行形变监测研究具有重要意义。
目前的库岸滑坡灾害监测方法主要有3类。第1类是传统的监测方法，如利用精密水准仪和全站仪等仪器进行野外实地测量。此技术操作简单并且精度较高，但在实际使用中存在一些不足的地方：在地质条件复杂的高原山区，人工野外测量工作量大且工作环境危险、监测范围小且成本较高等［5-6］。第2类是基于光学遥感数据的监测方法。光学遥感可识别大范围滑坡并取得了良好的效果，通过融合多种卫星遥感数据，根据光谱、纹理等地质形态变量提取滑坡位置和边界，以评估分析滑坡特征和影响因素 ［7-9］。与传统的野外调查方法相比，光学遥感影像克服了效率低下、工作环境危险等弊端，并且可较直观地提取滑坡信息和特征，但它易受天气等客观条件的影响，在云雾较多的地区难以获取较为可靠的地面形变信息。第3类是基于合成孔径雷达干涉测量技术（interferometric synthetic aperture radar，InSAR）的滑坡监测方法。InSAR技术不受天气条件影响，可获取高精度、大范围、全天候的地表形变数据，在大区域滑坡监测与识别中可以取得良好的效果，并在其他地质灾害研究领域有着较广的发展应用前景。InSAR技术首先用于滑坡识别是在1995年，Achache等[10]利用ERS-1数据采用差分干涉测量技术（differential InSAR，D-InSAR）对法国某滑坡进行监测，最早证明了InSAR技术在滑坡领域研究的可行性。Tantianuparp等［11］采用永久散射体差分干涉测量技术（persistent scatterer InSAR，PS-InSAR），融合多种SAR数据对三峡地区进行了滑坡识别，并对永久散射体（persistent scatterer，PS）和库区水位变化时间进行了相关性分析。赵蓓蓓等［12］采用SBAS-InSAR技术（small baseline subsets InSAR，小基线集差分干涉测量），结合全球卫星导航系统（global navigation satellite system，GNSS）地表位移数据对三峡库区滑坡进行了动态监测 。但在地质条件复杂的山区，单一轨道SAR数据成像易受地形地貌等因素影响，导致在监测中出现区域缺失等问题，使结果缺乏一定的可靠性 ［13-15］。
白鹤滩水电站位于四川省凉山州宁南县和云南省昭通市巧家县交界处，属典型的深切峡谷区，2021年4月6日水电站正式开始蓄水，电站运行期间水位将在765～825 m之间上下波动［16］。在库区蓄水和降雨等多因素作用下，库区隧道边坡稳定性遭到破坏，一旦发生滑坡灾害将直接威胁上下游居民的生命财产安全。因此，论文利用SBAS-InSAR技術，联合70景升轨和68景降轨Sentinel-1A SAR数据对白鹤滩库区典型隧道边坡进行形变监测研究，为白鹤滩库区隧道边坡滑坡等地质灾害提供防灾减灾的技术支持。
1SBAS-InSAR技术
SBAS-InSAR技术可以获取厘米甚至毫米级高精度地表形变情况，与传统D-InSAR技术相比，有更高的时间采样率;与PS-InSAR技术相比，能够用更少的数据得到较为可靠的测量结果［17-19］。假设获取同一地区的N+1幅SAR影像，选取其中一幅作为主影像，将其他SAR影像配准到这幅影像上，根据组合条件，干涉像对M的取值范围为
2研究区概况
研究区位于白鹤滩水电站大坝以南约17 km处，长15.51 km，宽7.85 km，面积约121.75 km2，地处青藏高原东南部和云贵高原东北部，属于典型的深切峡谷区，地区断裂构造发育，山高谷深，降雨多集中在6—10月，约占全年总雨量的90%，导致该地区存在大量山体滑坡等地质灾害隐患［22-23］。如图1所示。3SBAS-InSAR技术下的数据处理
研究数据来自欧空局（European Space Agency，ESA）2020年2月2日至2022年5月24日极化方式为VV，成像模式为IW的C波段Sentinel-1A单视复数（single look comple，SLC）影像，其中升轨数据70景，降轨数据68景，数据参数如表1所示。引入哥白尼哨兵POD精密轨道数据和日本宇宙航空研究开发机构（Japan Aerospace Exploration Agency，JAXA）空间分辨率为30 m的数字高程模型（digital elevation model， DEM）， 以提高卫星轨道精度和去除地形相位。
采用SBAS-InSAR技术进行影像数据处理，经数据导入、裁剪，设置临界基线最大百分比和最大时间基线为5%和36 d，共生成219对升轨和206对降轨干涉像对。设置多视数为1∶4能够较好地抑制斑点噪声，采用Minimum Cost Flow解缠方法和Goldstein滤波方法进行干涉工作流处理，在调整剔除不理想的像对之后，生成较为理想的研究區干涉图，如图2所示。
继续进行轨道精炼和重去平，经过第一次反演、第二次反演以后，得到更加纯净的时间序列上的位移结果，最后对序列信息地理编码后获得研究区2020年2月2日至2022年5月24日LOS向（line of sight，地表雷达视线）的升降轨形变速率结果，如图3所示。
升轨数据中沿金沙江南北两侧多为正形变，中间部位则多为负形变，整体形变速率范围为-126.408 mm/a～107.330 mm/a；
降轨数据中北侧沿江部分多为负形变，中间和南侧沿江部分多为正形变，整体形变速率范围为-70.424 mm/a～87.330 mm/a。
对比图3（a）、（b）可发现，升轨数据形变信息更为丰富，降轨数据中存在部分区域缺失问题，故采用升降轨数据联合的办法可以有效互补，增加监测结果的准确性和可靠性。升降轨数据得到的最终形变速率结果虽然在数值上和空间上有所差异，但形变趋势基本上能够对应，为验证数据的可靠性，在分析之前采用交叉验证的方式对数据作出检验。在研究区内选取若干同名点，以升轨数据LOS向形变速率为x轴，降轨数据LOS向形变速率为y轴进行线性回归分析，结果如图4所示。两种数据同名点LOS向形变速率之间的相关系数为R2=0.82，表明升、降轨数据之间具有较高的相关性，证明了两种数据联合分析的可行性。
4实验结果分析
4.1研究区典型隧道边坡选取
选取研究区内3个长度在1 000 m以上的典型隧道边坡，分别为弯梁隧道边坡（S1）、野猪塘隧道边坡（S2）和鹰地梁子隧道边坡（S3），如图5所示。
为了能够在侧视雷达视线方向获取较好的形变信息，根据边坡坡面朝向和哨兵卫星飞行方向选择升降轨数据进行典型隧道边坡形变特征分析，选择结果如表2所示，以尽可能减小卫星扫描成像过程中产生的阴影、叠掩和透视收缩等几何畸变问题。
4.2库区典型隧道边坡形变分析
S1弯梁隧道边坡距离白鹤滩水电站大坝27 km，隧道全长1 896 m，形变速率如图6（a）所示，边坡整体形变速率范围为-48.888 mm/a～25.020 mm/a，分别选取隧道上方的A点和边坡下缘的B点，结合降雨数据进行形变分析，如图6（b）所示。
隧道上方A点的形变趋势和隧道边坡下缘B点的形变趋势基本一致，每年6—10月雨季期间形变量较大，11月—次年3月出现形变反弹，主要原因是6—10月处于雨季，边坡受降雨影响，形变量较大，11—次年3月属于旱季，边坡受白鹤滩水电站蓄水影响，总体呈挤压抬升趋势。边坡下缘B点的形变量稍大于隧道上方A点的形变，原因是该边坡位于金沙江附近，在雨水冲刷作用下山上的岩石土体直接滚入江内，难以在山脚形成堆积。2021年 4月至10月期间降雨更为集中且量级更大，但边坡的形变量较去年同时期却减小了约10 mm，说明该边坡受蓄水影响，总体呈挤压抬升趋势。
S2野猪塘隧道边坡位于弯梁隧道边坡以北5 km处，距离白鹤滩水电站大坝约22 km，隧道全长1 300 m，形变速率如图7（a）所示，边坡整体形变速率范围为-23.423 mm/a～82.079 mm/a，分别选取野猪塘隧道上方C点和边坡下缘D点，结合降雨量数据进行形变分析，如图7（b）所示。
野猪塘隧道上方C点和边坡下缘D点形变趋势基本一致，形变量与降雨量呈现一定的相关性， 2月至9月形变量持续增加，边坡呈沉降变化，原因是雨季期间金沙江水位抬升，裸露的岩体受到江水侵蚀，原本稳定的边坡结构在流水作用下遭到破坏，使得边坡形变加速，而在10至次年2月由于降雨较少，加上该地区频繁的地质活动，使边坡被挤压抬升。2021年4月之前C、D两点形变量差值约在10 mm以内，自白鹤滩水电站开始蓄水以后，隧道上方C点和边坡下缘D点形变差值开始逐渐增大，在2022年3月达40 mm左右，并在未来的形变中有继续扩大的趋势，后续极有可能发展为滑坡灾害，应当对该地进行持续形变监测。
S3鹰地梁子隧道边坡距离白鹤滩水电站大坝约16.6 km，隧道全长1 200 m，边坡下方是宁南县骑骡沟乡江边村，一旦滑坡失稳将直接威胁村民的生命财产安全，边坡整体形变速率范围为-45.080 mm/a～37.610 mm/a，如图8（a）所示。在隧道上方和边坡下缘分别选取特征点E、F，结合降雨量数据绘制时间序列曲线进行形变分析，如图8（b）所示。
鹰地梁子隧道上方E点和边坡下缘F点整体形变趋势基本一致，形变量随降雨量呈规律性变化，每年2月至9月沉降，10月至次年2月抬升，2020年11月和12月抬升过程中出现两次沉降反弹，形变量差值在10 mm以内。2021年4月以后E、F两点形变量较2020年有所减小，但隧道上方位置形变开始逐渐超过边坡下缘，在2022年4月差值达到20 mm，并在未来的形变中有进一步扩大的趋势，一旦超过阈值极有可能发育为真正意义上的滑坡，使边坡下方的居民遭受严重损失。
S1、S2、S3 3个隧道边坡的边坡下缘与隧道上方形变趋势基本一致，形变量主要受降雨影响。2021年4月以后，隧道上方和边坡下缘开始出现异常形变，在降雨和蓄水作用下，形变差值逐渐拉大，最大达40 mm，库区隧道边坡稳定性遭到破坏，存在滑坡失稳风险。
5结论
针对单一轨道SAR数据在深切峡谷地区形变监测中因成像几何畸变出现区域缺失、导致识别不准确的问题，论文采用SBAS-InSAR技术，联合70景升轨和68景降轨Sentinel-1A SAR影像，获取了研究区内2020年2月2日至2022年5月24日LOS向的形变结果，结合降雨量数据分析了3个长度在1 000 m以上的典型隧道边坡形变特征，得到以下结论：
1）白鹤滩水电站库区形变速率范围为-126.408 mm/a～107.330 mm/a，自2021年4月白鹤滩水电站蓄水以来，各典型隧道边坡开始出现异常变化，年平均形变量较去年同时期相差20 mm以上，库区隧道边坡稳定性遭到一定程度破坏。
2）选取的3个典型隧道边坡下缘与隧道上方形变趋势基本一致，形变量受降雨量影響较大，雨旱两季形变差异明显，在降雨和库区蓄水等多因素作用下，白鹤滩库区隧道边坡存在滑坡失稳风险。参考文献：
[1]宋国虎， 杨桢贤， 郭朝旭， 等. 成都五家坟滑坡变形破坏特征和复活机制分析［J］. 科学技术与工程， 2022， 22（2）：
496-503.
［2］ 覃事河， 郑正勤， 胡庆忠， 等. 高山峡谷区大型水电站库岸滑坡失稳机理与风险管理研究［J］. 广东水利水电， 2021（12）：
25-30.
［3］ 周丁恒， 曹力桥， 杨宏伟， 等. 连拱隧道边坡三维变形的现场监测与分析［J］. 岩石力学与工程学报， 2010， 29（S2）：
3785-3791.
［4］ 殷坤龙， 张宇， 汪洋. 水库滑坡涌浪风险研究现状和灾害链风险管控实践［J］. 地质科技通报， 2022， 41（2）：
1-12.
［5］ 谢全敏， 李晓辉， 杨文东. 滑坡灾害风险评估的FA-ECM法［J］. 金属矿山， 2017（1）：
25-29.
［6］ 李慧. 基于光学遥感和InSAR技术的滑坡早期识别与监测研究［D］. 广州：广东工业大学， 2020.
［7］ MCDERMID G J， FRANKLIN S E. Remote sensing and geomorphometric discrimination of slope processes［J］. Zeitschrift für Geomorphologie. Supplementband， 1995 （101）：
165-185.
［8］ 王治华. 滑坡遥感调查、监测与评估［J］. 国土资源遥感， 2007（1）：
10-15，23，103.
［9］ 曹景峰， 刘洪铖. 基于Quickbird影像的水库库岸滑坡遥感解译研究［J］. 吉林水利， 2017（12）：
4-6，10.
［10］ACHACHE J， FRUNEAU B， DELACOURT C. Applicability of SAR interferometry for operational monitoring of landslides［C］//Proceedings of the Second ERS Applications Workshop. London：
［s. n. ］， 1995：
165-168.
［11］TANTIANUPARP P， SHI X， ZHANG L， et al. Characterization of landslide deformations in three gorges area using multiple InSAR data stacks［J］. Remote Sensing， 2013， 5（6）：
2704-2719.
［12］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.
［13］喜文飞. 滇东北山区无人机遥感影像预处理方法及滑坡特征识别研究［D］. 昆明：云南师范大学， 2019.
［14］石固林， 徐浪， 张璇钰， 等. 西山村滑坡时序形变的SBAS-InSAR监测［J］. 测绘科学， 2021， 46（2）：
93-98，105.
［15］周定义， 左小清， 喜文飞， 等. 基于SBAS-InSAR技术的深切割高山峡谷区滑坡灾害早期识别［J］. 中国地质灾害与防治学报， 2022， 33（2）：
16-24.
［16］吴明堂， 崔振华， 易小宇， 等. 白鹤滩库区象鼻岭-野猪塘段地质灾害综合遥感识别［J/OL］. 长江科学院院报：
1-10［2023-04-13］. http：
//kns. cnki. net/kcms/detail/42. 1171. TV. 20220530. 1511. 006. html.
［17］王宏宇. 短时空基线PS-InSAR技术在大同地区的形变监测研究［D］. 西安：长安大学， 2011.
［18］李晓恩， 周亮， 苏奋振， 等. InSAR技术在滑坡灾害中的应用研究进展［J］. 遥感学报， 2021， 25（2）：
614-629.
［19］张文旭， 李巍， 李首达， 等. 基于SBAS-INSAR技术的滑坡变形监测［J］. 辽宁科技大学学报， 2021， 44（2）：
135-140.
［20］曾学宏， 赵义花. 利用SBAS-InSAR技术分析西宁市地面沉降监测及驱动因素［J］. 测绘通报， 2022（6）：
137-142.
［21］张家勇， 邹银先， 刘黔云， 等. 利用时序InSAR进行毕节市潜在滑坡识别与形变监测［J］. 测绘通报， 2022（6）：
121-124.
［22］张欣， 王运生. 白鹤滩水电站库区小江断裂带活动性研究［J］. 工程地质学报， 2017， 25（2）：
531-540.
［23］李大龙， 尉海江， 易小宇， 等. 白鹤滩库区王家山滑坡蓄水涌浪风险评价［J］. 科学技术与工程， 2022， 22（2）：
850-856.
（责任编辑：曾晶）
Study on Deformation Monitoring of Typical Tunnel Slope in Baihetan
Reservoir Area Under SBAS-InSAR Technology
GUO Junqi XI Wenfei SHI Zhengtao YANG Zhiquan YANG Zhengrong
（1.Faculty of Geography， Yunnan Normal University， Kunming 650500， China; 2.Key Laboratory of Early Rapid Identification， Prevention
and Control of Geological Diseases in Traffic Corridor of High Intensity Earthquake Mountainous Area of Yunnan Province， Kunming
650093， China；
3.Faculty of Public Safety and Emergency Management， Kunming University of Science and Technology，
Kunming 650093， China; 4.Key Laboratory of Geological Disaster Risk Prevention and Control and Emergency
Disaster Reduction of Ministry of Emergency Management of the Peoples Republic of China，
Kunming University of Science and Technology， Kunming 650093， China）Abstract：
Large-scale tunnel excavation in the reservoir area will cause certain disturbance to the mountain， leading to deformation of the mountain and geological disasters such as landslides. The surge wave formed in the reservoir area can spread to several kilometers downstream， seriously affecting the safety of the dam. Aiming at the problem of inaccurate identification of single-orbit synthetic aperture radar （SAR） data in deformation monitoring in deep canyon region due to geometric distortion， in this paper， small baseline subsets interferometric synthetic aperture radar （SBAS-InSAR） is used for data processing combined with Sentinel-1A SAR images of 70 ascending orbiters and 68 descending orbiters. The surface radar line of sight （LOS） deformation rate from February 2020 to May 2022 was obtained， and the typical tunnel slope in Baihetan Reservoir area was selected to analyze the deformation characteristics. The results show that：
1） Abnormal deformation occurs in the reservoir area of Baihetan Hydropower Station. The annual mean shape variable of the tunnel slope before and after impoundment is over 20mm， and the slope stability is damaged to a certain extent. 2） The deformation trend of the lower edge of the tunnel slope and the position above the tunnel is basically consistent. The combined complementary method of SBAS-InSAR technology and SAR images of lifting rail can effectively overcome the problem of inaccurate identification of single-track data in deformation monitoring of deep canyon area due to geometric distortion such as shadow， overlay and perspective contraction. The results can be used for early identification of slope landslide disaster in Baihetan Reservoir area and provide scientific basis for regional geological disaster prevention and management.
Key words：
deformation monitoring；
SBAS-InSAR technology；
tunnel slopes；
landslide disasters
