地质力学学报  2022, Vol. 28 Issue (2): 268-280
引用本文
朱怡飞, 姚鑫, 姚磊华, 周振凯, 姚闯闯, 肖诗豪. 基于InSAR和光学遥感的贵州鬃岭采煤滑坡识别与危险性评价[J]. 地质力学学报, 2022, 28(2): 268-280.
ZHU Yifei, YAO Xin, YAO Leihua, ZHOU Zhenkai, YAO Chuangchuang, XIAO Shihao. Identification and risk assessment of coal mining-induced landslides in Guizhou Province by InSAR and optical remote sensing[J]. Journal of Geomechanics, 2022, 28(2): 268-280.
基于InSAR和光学遥感的贵州鬃岭采煤滑坡识别与危险性评价
朱怡飞1,2,3,4, 姚鑫1,2,3, 姚磊华4, 周振凯1,2,3,4, 姚闯闯1,2,3, 肖诗豪5    
1. 中国地质科学院地质力学研究所,北京 100081;
2. 自然资源部活动构造与地质安全重点实验室, 北京 100081;
3. 中国地质调查局新构造运动方向与地壳稳定性研究中心, 北京 100081;
4. 中国地质大学(北京)工程技术学院, 北京 100083;
5. 贵州大学 土木工程学院,贵州 贵阳 550000
摘要:贵州鬃岭滑坡群具有孕灾规律性强、发育集中密集、威胁严重等特点。文章利用InSAR和光学遥感进行精细识别,获取了区域滑坡灾害信息,总结了鬃岭区域滑坡变形破坏模式,基于此建立了该地区的滑坡风险评价的体积-距离统计公式,并对典型灾害体进行了计算,获得了一些重要认识。地下采煤活动是引起鬃岭桌山边缘山体变形的主要原因;InSAR观测结果显示鬃岭地区变形具有明显的带状特征,年平均变形速度为-20.4~10.2 cm/a,与下部采空区具有较好的对应关系,大位移区域集中在采煤沉降和斜坡重力叠加的桌山边缘地带;鬃岭地区现存变形现象64处,其中滑坡37处,裂缝27条,危险变形体2处;滑坡主要发生在飞仙关组深灰色灰岩岩层和暗紫红色泥质粉砂岩岩层中,根据滑源岩性及变形特征将滑坡划分为拉裂-倾倒和拉裂-剪断两种类型,其中拉裂-倾倒型滑坡堆积体粒径大,运动距离远,威胁较大;文中建立的岩质滑坡碎屑流滑移距离计算公式,对鬃岭地区上硬下软地层中发育的采煤滑坡滑移距离具有良好的适用性,验证误差在5%以内,利用该公式对鬃岭滑坡群左家营和箐脚危险变形体进行计算,预测危险避让距离在220~386 m。文章提出的基于差分干涉测量技术和光学影像的采煤滑坡危险性评价方法对黔西、滇东地区的采矿滑坡防治工作具有重要的示范意义。
关键词鬃岭滑坡群    光学遥感    InSAR    滑坡运移距离    危险性评价    
DOI10.12090/j.issn.1006-6616.2021054     文章编号:1006-6616(2022)02-0268-13
Identification and risk assessment of coal mining-induced landslides in Guizhou Province by InSAR and optical remote sensing
ZHU Yifei1,2,3,4, YAO Xin1,2,3, YAO Leihua4, ZHOU Zhenkai1,2,3,4, YAO Chuangchuang1,2,3, XIAO Shihao5    
1. Institute of Geomechanics, Chinese Academy of Geological Sciences, Beijing 100081, China;
2. Key Laboratory of Active Tectonics and Geological Safety, Ministry of Natural Resources, Beijing 100081, China;
3. Research Center of Neotectonism and Crustal Stability, China Geological Survey, Beijing 100081, China;
4. School of Engineering and Technology, China University of Geosciences (Beijing), Beijing 100083, China;
5. School of Civil Engineering, Guizhou University, Guiyang 550000, Guizhou, China
Abstract: The Zongling landslide group in Guizhou Province is characterized by strong regularity of disaster formation, concentrated development and severe threat. It is represented in the coal mining-induced geological hazards in western Guizhou and eastern Yunnan. In this paper, InSAR and optical remote sensing were used for nuanced identification to obtain the regional landslide information, and the landslide deformation-failure mode in the Zongling region was summarized. Based on this, the volume-distance statistical formula suitable for landslide risk assessment in this region was established, and the typical disaster bodies ware calculated. Some important insights are gained: Underground coal mining is the major contributor to the deformation of the edge of Table Mountain in Zongling. InSAR observation results show that the deformation in the Zongling area has prominent zonal characteristics, and the annual average deformation velocity is between -20.4~10.2 cm/a, which corresponds well with the lower goaf. The areas with great displacement are concentrated in the edge zone of cuesta, with coal mining subsidence and slope gravity superimposed; There are 64 deformations in the Zongling area, including 37 landslides, 27 cracks, and 2 dangerous deformed bodies. Landslides mainly occur in the dark grey limestone strata and dark purplish-red argillaceous siltstone strata of the Feixianguan Formation. According to the lithology and deformation characteristics of the slip source, the landslides can be classified into two types: pull-toppling and pull-clipping, and the former is distinguished by large particle size, long movement distance, and severe threat. The formula for calculating the slip distance of rock landslide debris flow has good applicability to the slip distance of coal mining-induced landslide developed in the "upper hard and lower soft" strata in the Zongling area, and the verification error is less than 5%. The formula is used to calculate the dangerous deformed bodies of Zuojiaying and Jingjiao in the study area, and the danger avoidance distance is predicted to be 220~386 m. The proposed method of coal mining-induced landslide risk assessment based on differential interferometry and optical image play an exemplary role for the prevention and control of coal mining-induced landslides in western Guizhou and eastern Yunnan.
Key words: Zongling landslide group    optical remote sensing    InSAR    landslide slip distance    risk assessment    
0 引言

人类活动正在逐渐替代自然营力成为影响斜坡稳定性的主要原因(黄润秋,2007)。矿山开采,水电开发,修路切坡等人类工程活动引发的崩滑地质灾害事件发生频率逐渐增加,造成的人员死亡及财产损失情况日益严重。近年来,我国西部多次发生采矿引发的重大地质灾害事件,2009年重庆武隆鸡尾山崩滑造成77人死亡;2013年贵州渔洞村滑坡造成5人失踪,2017年贵州纳雍普洒崩滑造成26人死亡。通过对以往大型崩滑灾害研究发现,从变形开始到最终失稳破坏,地质体经历了长期复杂演变过程,而对地质体的地表变形演化和破坏痕迹发展进行定量分析则对崩滑灾害的稳定性分析具有指导作用(Zhang et al., 2019Fan et al., 2019李为乐等,2019)。

光学遥感识别和合成孔径雷达差分干涉测量技术是进行地质灾害调查的可靠手段(刘星洪等, 2018; 韩冬建等,2020; Wang et al., 2020)。利用光学遥感提取的裂缝、陡坎、前缘隆起和塌陷等变形标志可对已经发生过整体失稳或存在显著变形特征的滑坡进行快速识别(刘桂卫等, 2019陆会燕等, 2019)。遥感图像低分辨率和西南地区云雾遮蔽等缺陷,都对光学遥感识别滑坡带来挑战。合成孔径雷达差分干涉测量(InSAR)技术通过计算同一地区不同时刻的SAR影像相位差,获取时间间隔内的精确变形信息,可以对不稳定地质体的活动边界及变形速率进行有效探测。InSAR在滑坡调查和位移监测领域突出优势得到了研究人员的广泛认同(李凌婧等,2014; 朱建军等, 2017; 李振洪等, 2019)。2017年四川省新磨滑坡发生以来,国内外研究人员利用时间序列InSAR方法获取了新磨滑坡失稳破坏前有效的加速变形信息,为滑坡稳定性监测提供了新的思路与方案(Dong et al., 2018)。

鬃岭变形带变形时间长,变形范围大,茂盛的植被条件和高陡的山势给地质灾害调查工作带来了极大的挑战。目前鬃岭滑坡群仅进行了简要的地质调查和单体崩滑的描述工作,而针对鬃岭滑坡群滑坡变形模式、危岩体分布和稳定性情况尚未进行深入研究。文章以鬃岭滑坡群为研究区,提出了一套基于差分干涉测量技术和光学影像的采煤滑坡危险性评价方法。以8期PALSAR-2数据的D-InSAR计算结果为基础,综合12期多源多时相光学影像和无人机航摄照片对鬃岭滑坡群潜在变形体进行定量识别;然后利用地质地形资料对滑坡机制进行了分析;最后采用体积-距离模型对变形体滑移距离进行计算,实现了对变形体危险性评价。该研究为黔西地区采矿滑坡危险性评价探索了新的方法,并对黔西、滇东地区的采矿滑坡防治工作具有重要的示范意义。

1 鬃岭滑坡群概况

鬃岭滑坡群地处贵州省毕节市,距离纳雍县城13 km,海拔1600~2400 m(图 1a)。鬃岭滑坡群地势上处于青藏高原第一阶梯与东部丘陵平原第三阶梯过渡的斜坡地带,大地构造单元属扬子准地台黔北台隆遵义断拱毕节北东向构造变形区(杨秀忠和薛立根,1994)。区内主要出露地层为二叠系上统龙潭组(P2l)、长兴组(P2c)和大隆组(P2d),三叠系下统飞仙关组(T1f)、永宁镇组(T1yn)及第四系(图 1b)。龙潭组为区内主要的含煤地层,由泥质粉砂岩、泥灰岩、玄武岩(P2β)及煤层组成。其含可采煤层11层,主要分布在上段。下段主要岩性为火山角砾岩与深灰色玄武岩,不含可采煤层。长兴组和大隆组主要岩性为燧石灰岩与泥质粉砂岩。上部为三叠系下统飞仙关组(T1f),其中飞仙关组第一段及第三段,岩性以泥质粉砂岩夹薄层泥灰岩为主,岩体物理力学性质较差。飞仙关组第二段,岩性以灰岩为主,工程力学性质较好。整体上看,鬃岭滑坡群地层力学性质由上至下表现为上硬下软的特征。地层总体走向为南西—北东向,倾角10°~55°。鬃岭滑坡群地质图和典型剖面见图 1c,鬃岭滑坡群内发育有与地层走向基本一致的高陡变形带,落差100~300 m,坡度约为60°~80°。当地煤炭资源丰富,自2000年以来,先后有近十家煤矿在鬃岭山脚进行煤矿开采活动,其采区位于桌山边缘下部地层。缓倾层状岩体的坡脚开挖及山体长时间重复采动导致崩滑带后缘有较多深大裂缝存在。

a—鬃岭滑坡群位置及PALSAR-2数据覆盖范围;b—鬃岭滑坡群地质图;c—A-A’横截剖面图 (a)Location of the Zongling landslide group and the coverage of PALSAR-2 images; (b)Geological map; (c)Geological profile of A-A′ 图 1 鬃岭滑坡群概况 Fig. 1 General situation of the Zongling landslide group
2 研究方法及数据

此次研究首先利用无人机航摄照片对变形体裂缝、滑坡边界和变形特征进行提取,并根据多时相存档光学数据(Planet光学影像和Google Earth光学影像)获取变形体动态变化情况;其次利用D-InSAR和Stacking-InSAR结果定量获取鬃岭滑坡群变形区域及年平均变形量信息;最后综合上述信息,结合地貌、地质数据,采用滑坡-距离模型对不稳定斜坡进行危险性评价,研究流程见图 2

图 2 研究流程图 Fig. 2 Research flow chart
2.1 使用数据

选用2017年5月至2018年8月拍摄的8期升轨PALSAR-2图像计算鬃岭地区变形。其方位向(Azimuth)和距离向(Range)像元大小分别为1.43 m和2.21 m,入射角为39.2893°,方位角为347.78°, 其覆盖范围如图 1a所示。选用12 m分辨率WorldDEM数据计算地形相位和阴影面积。

以2019年10月30日获取的1期面积为14 km2的无人机航摄照片、2016年10月至2019年11月时间间隔6个月的8期Planet光学影像、2017年5月至2018年4月的3期Google earth光学影像和2011年获取的12 m分辨率的WorldDEM数据作为光学解译的基础文件。其中无人机航空摄影获取的鬃岭地区0.1 m高精度光学照片和地形数据用于崩滑边界,裂缝等地质灾害精确解译;3 m分辨率Planet光学影像数据和0.61 m分辨率Google earth光学影像用于追溯现有灾害体动态变化;数字地表模型用于生成地形阴影图,辅助光学解译。所使用的光学遥感数据图像清晰,几何畸变小,没有明显的云雾遮盖,能够满足灾害解译要求。此次研究使用的光学和雷达数据参数见表 1

表 1 研究采用的光学和雷达数据表 Table 1 Optical and radar data sets used in the study
2.2 光学影像解译方法

鬃岭滑坡群内已发生多起失稳破坏现象,主要表现为岩质滑坡-碎屑流,根据鬃岭滑坡群特点和灾害特征建立解译标志(卓宝熙,2011)。鬃岭滑坡群由北向南可分为桌山边缘、高陡变形带和山前平台(图 1c)。

桌山边缘植被茂盛,主要发育与滑坡后缘边界展布方向一致的拉张裂缝。拉张裂缝识别标志是明显的线状展布特征,部分区域有明显错落陡坎发育;滑源主要分布在高陡变形带区域,其主要特征是顶部存在明显的滑坡后壁,大部分为裸露的基岩,部分区域两侧存在小规模崩塌;滑坡堆积区主要分布在山前平台区域,堆积体岩性为灰岩,形态呈扇形或漏斗形。根据以上解译标志,对鬃岭滑坡群内灾害进行精细化解译。在利用多时相数据进行解译时,通过不同时相的遥感图像的波谱及空间差异特征获取变形体动态变形过程。

由于不同平台获取的光学遥感图片在位置上存在偏移,为了获得准确的动态解译结果,以0.1 m分辨率的无人机航摄照片为基准,通过典型的地物标志(山顶凸起,建筑物,道路拐角)生成配准表,对Google Earth和Planet光学影像进行几何矫正,获得精确配准的多源遥感数据集。

2.3 InSAR数据处理方法

Stacking-InSAR方法是将多幅解缠后的差分干涉相位进行加权平均、通过最大程度地减少大气误差、噪声相位和DEM误差提高形变精度的一种方法。区别于传统D-InSAR,在获取多幅解缠后的差分干涉图之后,Stacking-InSAR通过相位叠加得到叠加时间基线内的平均形变量。其基本假设是每一幅干涉图的大气扰动是随机的,区域上的形变是线性的(Strozzi et al., 2000范景辉等,2008张洋等,2016)。

为对鬃岭地区潜在活动性滑坡范围进行识别并获取年平均变形值,利用Stacking-InSAR方法对鬃岭滑坡群变形进行计算。此次提出了一种基于短基线策略的Stacking-InSAR处理方法,其处理流程如下。

(1) 首先,将覆盖鬃岭滑坡群的多幅图像配准到选取的主影像成像空间上,结合InSAR数据波段特征设置时间和空间阈值调整干涉组合,生成差分干涉图。

(2) 其次,利用自适应滤波算法降低相位噪声并利用地形信息和SAR数据入射角生成阴影叠掩图用于干涉图对干涉数据进行掩膜,剔除可能出现的解缠误差项。

(3) 最后,对多幅差分干涉相位进行叠加,获取叠加时间基线内的相位信息,并将相位信息转换为变形量数值。

上述Stacking-InSAR流程通过对所获取影像时间和空间基线进行优化组合,利用时间基线和空间基线较短的差分干涉,保证了每幅干涉图的高相干性,克服了传统D-InSAR技术中的时空基线过长引起的去相关问题,优化后数据处理方法获取的形变量数据更加准确。

3 滑坡识别与变形模式分析 3.1 光学遥感解译结果

利用2017年至2019年12期多源多时相光学影像对鬃岭滑坡群进行解译,共识别出变形现象64处。其中滑坡37处,裂缝27条,主要沿鬃岭桌山边缘展布(图 3)。区内滑坡以岩质滑坡碎屑流为主,裂缝主要分布在箐脚(L18)滑坡和新房子2#(L27)滑坡处,展布方向与滑坡后缘展布方向基本一致,为后缘拉裂缝。在东侧变形区崩滑体内部有少量裂缝发育,这一结果与野外调查结果一致。

图 3 鬃岭滑坡群光学解译滑坡灾害分布图 Fig. 3 Optical interpretation of the landslide distribution in the study area
3.2 InSAR观测结果

以2017年11月24日数据为主影像对数据进行配准。设置时间阈值和垂直基线阈值分别为200 d和500 m,共产生15个干涉组合。利用空间滤波对随机大气进行减弱;通过高程与层流大气之间的相关性建立了模型,对分层大气误差进行了修正;并利用解缠后的差分干涉相位对轨道误差进行纠正。解缠参考点选择鬃岭滑坡群东南侧的稳定居民区(图 3)。设置最小连续变形叠加期数为12期,获取干涉时段平均变形量。

基于8期PALSAR-2数据获得了2017年5月至2018年8月鬃岭地区多时段地表变形信息(图 4)。鬃岭地区变形具有明显的带状特征,沿山体走向展布。2017年5月14日至2017年6月11日干涉图(图 4a)显示鬃岭滑坡群东西侧和中部存在明显变形迹象。变形区域在2017年6月11日至2017年11月12日期间明显扩大(图 4b4c),在2017年11月11日至2017年12月24日短暂收缩(图 4d),并在2017年12月24日至2018年4月15日继续扩大(图 4e),随后不断减小(图 4f)。条带状变形区走向与地下煤系地层走向一致。

a—2017年5月14日至2017年6月11日干涉图;b—2017年6月11日至2017年8月6日干涉图;c—2017年8月6日至2017年11月12日干涉图; d—2017年11月12日至2017年12月24日干涉图;e—2017年12月24日至2017年4月15日干涉图;f—2017年4月15日至2018年7月8日干涉图 (a)Interferogram from 14 May 2017 to 11 June 2017; (b)Interferogram from 11 June 2017 to 6 August 2017; (c)Interferogram from 6 August 2017 to 12 November 2017; (d)Interferogram from 12 November 2017 to 24 December 2017; (e)Interferogram from 24 December 2017 to 15 April 2017; (f)Interferogram from 15 April 2017 to 8 July 2018 图 4 鬃岭滑坡群多时段D-InSAR地表变形图 Fig. 4 Multi-period surface deformation of the Zongling landslide group derived from D-InSAR

多期干涉图像中均观察到以同心圆环向外拓展的红黄色交替干涉图斑,表明图斑中心发生变形大于一个周期的位移量(图 4)。其变形特点为中部变形大,四周变形小,是采煤地区塌陷漏斗的图斑特征。野外调查走访得知,中部变形区对应左家营煤矿及光华煤矿采空区,西部变形区为中岭煤矿及月亮湾采空区,东侧为富源煤矿采空区,变形区域在空间上与采空区具有很好的对应性,因此鬃岭滑坡群变形的主要原因是下部采煤活动。

3.3 综合解译结果

通过Stacking-InSAR计算获得了鬃岭滑坡群年平均变形速率(图 5)。其变形量为星载雷达视线向(LOS)变形,其中正值变形表示靠近雷达视线向方向的变形,负值变形表示雷达视线向的变形。鬃岭区域山体年平均变形速度为-20.4~10.2 cm/a,位移量最大的区域集中在桌山边缘和高陡变形带山脚部分。桌山边缘和山前平台部分呈现出不同的变形规律,上部山体主要为远离视线方向变形,投影到水平向后表现为竖直向下的运动。

滑坡边界为光学解译结果;变形速率色带显示为InSAR计算结果 The landslide boundary is the result of optical interpretation. The deformation rate ribbon shows the results calculated by InSAR 图 5 鬃岭滑坡群年均变形速率图 Fig. 5 Average annual deformation rate of the Zongling landslide group

利用Stacking-InSAR计算结果对桌山边缘的快速变形区进行提取,快速变形区与已发滑坡重叠度较高(图 5)。鬃岭滑坡群滑坡类型为岩质滑坡碎屑流,滑源岩体陡峭,受裂缝切割严重,堆积区为第四纪土体及碎石。结合光学影像及野外踏勘对危险范围进行划分(图 5)。

光学解译结果与InSAR结果对比发现,区内滑坡存在不同程度的变形(图 5)。其中鬃岭滑坡群中部滑坡变形程度最大,多处滑坡滑源位置存在持续性变形;西侧区域滑坡体存在少量变形,东侧变形区基本稳定,没有发生进一步的变形。受采煤和高陡临空面的影响,鬃岭滑坡群内飞仙关组灰岩和砂岩岩组最易发育活动性滑坡,将满足条件:①发育在飞仙关组灰岩和砂岩中;②坡度大于40°;③InSAR变形速率大于6 cm/a的斜坡划定为危险变形体。

3.4 滑坡变形模式

鬃岭滑坡群靠近加戛背斜核部,加之东北向断层的作用,应力集中明显(程宇等,2019)。其地层易于发生拉张作用,并在岩体内部产生大量尺寸较小的竖向和近水平向裂缝(Zheng et al., 2015)。高陡变形带下部有长时间大范围采矿活动,巷道顶板上部岩体压缩变形,边坡发生应力调整,采煤巷道顶板及桌山边缘产生拉裂缝(赵建军等,2016)。随着裂缝的不断发展,山体顶部裂缝向内拓展与岩体内部缓倾裂缝贯通,在外力作用下山体逐渐发生失稳破坏(杨忠平等,2020)。根据光学解译和现场调查结果统计分析,按照滑源物质及斜坡变形特征将鬃岭滑坡群内滑坡变形模式划分为拉裂-倾倒型和拉裂-剪断两种类型。

拉裂-倾倒型滑坡主要发生在飞仙关组灰岩岩层中,其失稳变形主要由靠近高陡凌空的一组陡倾裂缝和一组缓倾裂缝控制(图 6a)。采空区重复开采对上部岩层扰动增加,山顶裂缝向岩体内部拓展,切割灰岩岩体。随着裂缝不断延伸,裂缝宽度增加,形成良好的进水通道,最终导致危岩体向凌空面倾倒破坏(图 6b6c)。其主要特征是①控制性裂缝发育在灰岩岩层中;②裂缝陡倾,靠近高陡凌空面且贯穿岩体较深,该类型滑坡堆积体最大粒径一般超过8 m;③等效摩擦系数(H/L)为0.3~0.4,灾害的影响范围较大,典型实例为大土寨滑坡(L7)和中岭滑坡(L36)。

a—裂缝发育;b—危岩体形成;c—失稳破坏 (a)Fracture development; (b)Formation of dangerous rock mass; (c)Slope failure 图 6 拉裂-倾倒型变形模式图 Fig. 6 Deformation pattern of pull-toppling landslide

拉裂-剪断型滑坡主要发生在飞仙关组泥质粉砂岩岩层中。不同于拉裂-倾倒型,地下开采导致山顶泥质粉砂岩层产生拉张裂缝,裂缝在岩体内部沿缓倾结构面拓展(图 7a),坡体在自身重力作用下沿缓倾结构面发生蠕动变形,前端灰岩岩层构成维持坡体稳定的锁固段(图 7b),随着裂缝不断向前拓展,坡体剪断锁固段发生失稳破坏(图 7c)。其主要特征是①控制性裂缝发育在砂岩岩层中;②裂缝缓倾,深度较浅,类型滑坡堆积体粒径一般不超过4 m;③等效摩擦系数(H/L)大于0.6,滑坡体运动距离相对较近,典型实例为箐脚滑坡(L18)。

a—裂缝发育;b—危岩体形成;c—失稳破坏 (a)Fracture development; (b)Formation of dangerous rock mass; (c)Slope failure 图 7 拉裂-剪断型滑坡变形模式图 Fig. 7 Deformation pattern of pull-clipping landslide
4 危险性评价 4.1 适应于鬃岭滑坡群的滑坡危险性评价公式

运动距离是崩滑灾害危害性评价和防治重要的依据。滑坡岩性类别,运动机理,形成机制的复杂性,给滑坡的运动距离计算带来了难度。虽然影响滑坡运动距离的原因众多,但是将滑坡体积和滑坡地形作为影响滑距最主要的因素成为研究滑坡运动距离的共识。目前已有众多研究者提出了许多模型和方法,建立了滑坡规模与运动距离之间的联系(詹威威等, 2017樊晓一等, 2018; 唐然等, 2018)。针对西南地区典型的岩质滑坡-碎屑流这一灾害类型,郑光等(2019)通过运动距离与势能关系研究、量纲分析、模拟试验和数据回归等方法,建立了滑坡体积、地形与堆积体粒径结合的预测体系,总结出适应于岩质碎屑流的运动距离计算公式:

$ l1 = 31.623 \times {\left({\frac{d}{B}} \right)^{0.321}} \times {\left({VH} \right)^{0.25}} \times {\left({\tan \alpha } \right)^{0.663}} $ (1)

公式中V为滑坡碎屑体体积;d为停积区最大粒径,其值为滑坡堆积体中最大粒径直径;H为最大垂直运动距离,其值为滑坡前缘最低点与后源最高点之间的高程差;αB为滑移区宽度和坡度,其值为滑坡体在运移阶段平均宽度和坡度;l1为最大水平运动距离,定义为滑坡前缘最低点与后源最高点之间的水平距离。公式在针对体积大于107 m3以上的崩滑灾害具有较强的实用性,在计算体积较小的崩滑灾害时结果偏高(郑光等,2019)。文中研究目的在于提取适用于上硬下软层中发育的滑坡-碎屑流的改进公式,由于该类型滑坡是滑坡碎屑流的一种特殊类型,因此其相关计算因子满足公式1中的方程,仅需对其系数进行修改。利用西南地区典型的上硬下软岩层中的滑坡-碎屑流灾害信息,对公式进行修正,提出一种适用于上硬下软岩层中发育的滑坡-碎屑流的改进公式;其计算流程如下:第一步提取已经失稳破坏的滑坡变形数据,包括滑坡最大水平/垂直运动距离、停积区最大粒径、滑移段宽度、滑移段坡度及滑坡体积(滑源面积);第二步利用公式1计算最大水平运动距离(修正前l1值),确定修正前最大水平运动距离与实际水平运动距离(l1实际值)计算误差,对该偏差进行平均,获取改进后的计算系数;第三步将修正后的计算系数代入公式,并利用鬃岭区域典型滑坡参数验证公式的可靠性。参数修正计算结果见表 2

表 2 模型修正采用的滑坡参数 Table 2 Landslide parameters used to modify the calculation model

此次获取了10个具有典型上硬下软岩性特征的滑坡-碎屑流数据用于模型检验(表 2)。滑坡数据来源于野外实测及文献统计(高杨等,2020)。0.1 m高精度数字高程模型和Google earth光学影像用于辅助提取距离。结果显示参照公式1计算结果与实际结果存在较大差异,理论计算值相较于实际运动位移值偏大,其结果具有趋势性,通过对系数的修正可以抵消计算结果的偏差(表 2)。计算出实际与计算结果的偏差,对该偏差进行平均,获得适用于上硬下软层中发育的滑坡-碎屑流的改进公式:

$ l1 = 20.803 \times {\left({\frac{d}{B}} \right)^{0.321}} \times {\left({VH} \right)^{0.25}} \times {\left({\tan \alpha } \right)^{0.663}} $ (2)

通过调查鬃岭变形带区域5处已经溃滑的典型岩质滑坡,根据滑坡碎屑体体积、停积区最大粒径、最大垂直运动距离、最大水平运动距离、滑移区宽度和坡度数据等参数信息,对公式2进行验证(图 3表 3)。其中体积由面积-体积计算公式V=1.315A1.208 (Xu et al., 2016)计算,其余数据来自光学遥感解译与野外地质调查。结果显示滑坡最大水平运动距离计算误差在5%以内,证明该改进公式对于上硬下软层中的滑坡-碎屑流距离评估具有良好的适用性。

表 3 改进后计算模型验证表 Table 3 Verification table of the improved calculation model
4.2 高危变形体危险性评价

结合航摄数字地表模型和InSAR变形年均变形速率信息,识别出左家营(L17)和箐脚(L18)两处威胁较大的危险变形体。

4.2.1 左家营危险变形体

左家营危险变形体位于L17号滑坡滑源东侧,其岩性为飞仙关组暗紫红色泥质粉砂岩和灰岩,上覆大量松散第四纪土体及碎石。Stacking-InSAR结果显示最大变形速率为-10 cm/a(图 8a),部分变形区域出现失相干现象未能获得有效变形信息。综合光学影像(图 8b)、InSAR图像及野外地质调查图(图 8c8d)对不稳定区域进行圈定,其面积约为4242 m2,滑移段坡度27°,堆积体最大粒径12 m。在降雨和工程扰动作用下与可能发生失稳破坏,其变形模式为拉裂-倾倒型。

a—左家营变形体变形速率;b—左家营变形体无人机航摄照片;c、d—左家营变形体野外调查图(c镜向25°,d镜向280°) (a)Deformation rate of the Zuojiaying deformed slope; (b)UAV aerial photo of the Zuojiaying deformed slope; (c, d)Field photos of the Zuojiaying deformed slope (c: towards 25°, d: towards 280°) 图 8 左家营危险变形体InSAR变形速率和野外调查图 Fig. 8 InSAR deformation rate map and field survey photo of the Zuojiaying deformed slope
4.2.2 箐脚危险变形体

箐脚危险变形体位于L18号滑坡滑源北侧,岩性为飞仙关组灰色层状灰岩和泥质粉砂岩,上覆松散第四纪土体。Stacking-InSAR显示变形体最大变形速率-15 cm/a(图 9a)。综合光学影像(图 9b)、InSAR图像及野外地质照片(图 9c9d)对不稳定区域进行圈定,其面积为4385 m2,滑移段坡度36°,堆积区最大粒径7 m。该变形发育多条长10~80 m不等的裂缝,走向与滑源展布方向一致,裂缝最大错落高度达0.5 m(图 9c9d)。在降雨和工程扰动作用下与可能发生失稳破坏,其变形模式为拉裂-剪断型。

a—箐脚变形体运动速率;b—箐脚变形体无人机航摄照片;c、d—箐脚变形体野外调查图(c镜向9°,d镜向11°) (a)Deformation rate of the Jingjiao deformed slope; (b)UAV aerial photo of the Jingjiao deformed slope; (c, d)Field photos of the Jingjiao deformed slope (c: towards 9°, d: towards 11°) 图 9 箐脚危险变形体InSAR变形速率和野外调查图 Fig. 9 InSAR deformation rate map and field photo of the Jingjiao deformed slope

利用公式2计算鬃岭滑坡群左家营和箐脚两处危险变形体最大水平运动距离分别为386.25 m和219.76 m,运动范围均达到下方农田及牲畜放牧范围,需要对变形体加强监测并划定活动红线区,避免人员伤亡。

5 问题与分析

文章利用综合宏观变形和小微变形对滑坡现状进行描述,并对危险变形体进行识别。但在识别与计算过程中存在漏译和误差,主要包括以下几个方面。

(1) 由于鬃岭滑坡群植被茂盛且高精度无人机航摄照片在鬃岭滑坡群东侧部分缺失,野外地质调查能够对结果进行补充,但鬃岭滑坡群山势陡峭,通达性较差,因此解译结果可能少于实际变形数量。

(2) InSAR计算误差。首先,利用InSAR处理获取的变形量是基于参考点的相对变形速率,其绝对变形量值有待校正。其次,研究中仅使用升轨数据进行计算,局部阴影叠掩区域变形信息未能有效获取。此外,由于获取的8期ALOS-2数据最大时间间隔为112天,也会造成变形失相干现象,丢失部分区域变形信息。Stacking-InSAR计算结果可以较好的反映变形区的范围和强度,但由于对大气和地形误差的去除能力较弱,变形速率必将存在一定的系统偏差,但总体反映变形的差异,不影响对变形区的划分。

(3) 危险性计算误差。利用为经验公式对重点滑坡进行距离分析时,由于危险滑坡体尚未发生失稳变形,其滑坡体积(V)、地形(αH)与堆积体粒径(d)等参数是未知的,借助经验公式及已有滑坡特征进行取值,计算结果尚待实际检验。

6 结论

研究通过综合野外地质调查、无人机航空摄影、多源光学遥感、InSAR观测技术和解析公式计算对鬃岭变形带滑坡灾害进行了精细识别和危险性评价,得到以下结论。

(1) 地下采煤活动是引起鬃岭桌山边缘山体变形的主要原因,InSAR观测结果显示鬃岭地区变形具有明显的带状特征,年平均变形速率为-20.4~10.2 cm/a,与下部采空区具有较好的对应关系,大位移区域集中在采煤沉降和斜坡重力叠加的桌山边缘地带。

(2) 鬃岭地区现存变形现象64处其中滑坡37处,裂缝27条,危险变形体2处。滑坡主要发生在飞仙关组深灰色灰岩岩层和暗紫红色泥质粉砂岩岩层中,根据滑源岩性及变形特征将滑坡划分为拉裂-倾倒和拉裂-剪断两种类型。其中拉裂-倾倒型滑坡堆积体粒径大,运动距离远,威胁较大。

(3) 获得岩质滑坡碎屑流滑移距离计算公式,对鬃岭地区上硬下软地层中发育的采煤滑坡滑移距离具有良好的适用性,验证误差在5%以内,利用该公式对鬃岭滑坡群左家营和箐脚危险变形体进行计算,预测危险避让距离在220~386 m。

致谢: 本文ALOS-2雷达数据由贵州省第一测绘院提供,纳雍县左家营煤矿提供部分地质及野外调查资料,对以上单位一并表示感谢。

参考文献/References
CHENG Y, ZHANG J, CHEN J, 2019. Analysis on stability and hazard zone of dangerous rock mass in Zongling Town, Nayong of Guizhou Province[J]. The Chinese Journal of Geological Hazard and Control, 30(4): 9-15. (in Chinese with English abstract)
DONG J, ZHANG L, LI M H, et al., 2018. Measuring precursory movements of the recent Xinmo landslide in Mao County, China with sentinel-1 and ALOS-2 PALSAR-2 datasets[J]. Landslides, 15(1): 135-144. DOI:10.1007/s10346-017-0914-8
FAN J H, GUO H D, GUO X F, et al., 2008. Monitoring subsidence in tianjin area using interferogram stacking based on coherent targets[J]. Journal of Remote Sensing, 12(1): 111-118. (in Chinese with English abstract)
FAN X M, XU Q, SCARINGI G, et al., 2019. The "long" runout rock avalanche in Pusa, China, on August 28, 2017: a preliminary report[J]. Landslides, 16(1): 139-154. DOI:10.1007/s10346-018-1084-z
FAN X Y, HU X B, ZHANG R X, et al., 2018. Study on the open topography influence on the moving distances of landslides[J]. Journal of Natural Disasters, 27(5): 188-196. (in Chinese with English abstract)
GAO Y, HE K, LI Z, et al., 2020. An analysis of disaster types and dynamics of landslides in the southwest karst mountain areas[J]. Hydrogeology & Engineering Geology, 47(4): 14-23. (in Chinese with English abstract)
HAN D J, YANG C S, DONG J H, 2020. InSAR monitoring and analysis of landslide deformation after the earthquake in the Zhangmu port, Tibet[J]. Journal of Geomechanics, 26(4): 565-574. (in Chinese with English abstract)
HUANG R Q, 2007. Large-scale landslides and their sliding mechanisms in China since the 20th century[J]. Chinese Journal of Rock Mechanics and Engineering, 26(3): 433-454. (in Chinese with English abstract)
LI L J, YAO X, ZHANG Y S, et al., 2014. SBAS-InSAR technology based identification of slow deformation of geologic mass along section of China-Pakistan highway[J]. Journal of Engineering Geology, 22(5): 921-927. (in Chinese with English abstract)
LI W L, XU Q, LU H Y, et al., 2019. Tracking the deformation history of large-scale rocky landslides and its enlightenment[J]. Geomatics and Information Science of Wuhan University, 44(7): 1043-1053. (in Chinese with English abstract)
LI Z H, SONG C, YU C, et al., 2019. Application of satellite radar remote sensing to landslide detection and monitoring: challenges and solutions[J]. Geomatics and Information Science of Wuhan University, 44(7): 967-979. (in Chinese with English abstract)
LIU G W, WANG C J, LI G H, et al., 2019. Application research on the remote sensing technology in geological disaster prevention and control of existing railway[J]. Journal of Railway Engineering Society, 36(6): 23-27. (in Chinese with English abstract)
LIU X H, YAO X, ZHOU Z K, et al., 2018. Study of the technique for landslide rapid recognition by InSAR[J]. Journal of Geomechanics, 24(2): 229-237. (in Chinese with English abstract)
LU H Y, LI W L, XU Q, et al., 2019. Early detection of landslides in the upstream and downstream areas of the baige landslide, the Jinsha River based on optical remote sensing and InSAR technologies[J]. Geomatics and Information Science of Wuhan University, 44(9): 1342-1354. (in Chinese with English abstract)
STROZZI T, WEGMULLER U, WERNER C, et al., 2000. Measurement of slow uniform surface displacement with mm/year accuracy[C]//IGARSS 2000. IEEE 2000 international geoscience and remote sensing symposium. Taking the pulse of the planet: the role of remote sensing in managing the environment. Proceedings (Cat. No. 00CH37120). Honolulu: IEEE: 2239-2241.
TANG R, XU Q, WU B, et al., 2018. Method of sliding distance calculation for translational landslides[J]. Rock and Soil Mechanics, 39(3): 1009-1019, 1070. (in Chinese with English abstract)
WANG J, WANG C, XIE C, et al., 2020. Monitoring of large-scale landslides in Zongling, Guizhou, China, with improved distributed scatterer interferometric SAR time series methods[J]. Landslides, 17(8): 1777-1795. DOI:10.1007/s10346-020-01407-5
XU C, XU X W, SHEN L L, et al., 2016. Optimized volume models of earthquake-triggered landslides[J]. Scientific Reports, 6: 29797. DOI:10.1038/srep29797
YANG X Z, XUE L G, 1994. Natural resources for Tourism in Maoshi, Northen Suburb of Zunyi city and their classification[J]. Guizhou Geology, 11(2): 161-166. (in Chinese with English abstract)
YANG Z P, JIANG Y W, LI B, et al., 2020. Study on the mechanism of deep and large fracture propagation and transfixion in karst slope under the action of mining[J]. Journal of Geomechanics, 26(4): 459-470. (in Chinese with English abstract)
ZHAN W W, HUANG R Q, PEI X J, et al., 2017. Empirical prediction model for movement distance of gully-type rock avalanches[J]. Journal of Engineering Geology, 25(1): 154-163. (in Chinese with English abstract)
ZHANG M, WU L Z, ZANG J C, et al., 2019. The 2009 Jiweishan rock avalanche, Wulong, China: deposit characteristics and implications for its fragmentation[J]. Landslides, 16(5): 893-906. DOI:10.1007/s10346-019-01142-6
ZHANG Y, WANG Y J, YAN S Y, 2016. Ground subsidence detection of peibei mining area based on stacking InSAR technology[J]. Coal Technology, 35(7): 102-105. (in Chinese with English abstract)
ZHAO J J, MA Y T, LIN B, et al., 2016. Geomechanical mode of Mining landslides with gently counter-inclined bedding: a case study of madaling landslide in Guizhou Province[J]. Chinese Journal of Rock Mechanics and Engineering, 35(11): 2217-2224. (in Chinese with English abstract)
ZHENG D, FROST J D, HUANG R Q, et al., 2015. Failure process and modes of rockfall induced by underground mining: a case study of kaiyang phosphorite mine rockfalls[J]. Engineering Geology, 197: 145-157. DOI:10.1016/j.enggeo.2015.08.011
ZHENG G, XU Q, PENG S Q, 2019. Calculation model of the long-runout distance of rock avalanche[J]. Rock and Soil Mechanics, 40(12): 4897-4906. (in Chinese with English abstract)
ZHU J J, LI Z W, HU J, 2017. Research progress and methods of InSAR for deformation monitoring[J]. Acta Geodaetica et Cartographica Sinica, 46(10): 1717-1733. (in Chinese with English abstract)
ZHUO B X, 2011. Remote sensing interpretation & application of geology engineering[M]. 2nd ed. Beijing: China Railway Press. (in Chinese)
程宇, 张健, 陈进, 等, 2019. 贵州纳雍骔岭镇危岩带稳定性及危害范围分析[J]. 中国地质灾害与防治学报, 30(4): 9-15.
范景辉, 郭华东, 郭小方, 等, 2008. 基于相干目标的干涉图叠加方法监测天津地区地面沉降[J]. 遥感学报, 12(1): 111-118.
樊晓一, 胡晓波, 张睿骁, 等, 2018. 开阔型地形条件对滑坡运动距离的影响研究[J]. 自然灾害学报, 27(5): 188-196.
高杨, 贺凯, 李壮, 等, 2020. 西南岩溶山区特大滑坡成灾类型及动力学分析[J]. 水文地质工程地质, 47(4): 14-23.
韩冬建, 杨成生, 董继红, 2020. 西藏樟木口岸震后滑坡灾害变形InSAR监测分析[J]. 地质力学学报, 26(4): 565-574.
黄润秋, 2007. 20世纪以来中国的大型滑坡及其发生机制[J]. 岩石力学与工程学报, 26(3): 433-454. DOI:10.3321/j.issn:1000-6915.2007.03.001
李凌婧, 姚鑫, 张永双, 等, 2014. 基于SBAS-InSAR技术的中巴公路(公格尔-墓士塔格段)地质体缓慢变形识别研究[J]. 工程地质学报, 22(5): 921-927.
李为乐, 许强, 陆会燕, 等, 2019. 大型岩质滑坡形变历史回溯及其启示[J]. 武汉大学学报·信息科学版, 44(7): 1043-1053.
李振洪, 宋闯, 余琛, 等, 2019. 卫星雷达遥感在滑坡灾害探测和监测中的应用: 挑战与对策[J]. 武汉大学学报·信息科学版, 44(7): 967-979.
刘桂卫, 王长进, 李国和, 等, 2019. 遥感技术在既有铁路地灾防治中应用方法研究[J]. 铁道工程学报, 36(6): 23-27. DOI:10.3969/j.issn.1006-2106.2019.06.006
刘星洪, 姚鑫, 周振凯, 等, 2018. 滑坡灾害InSAR应急排查技术方法研究[J]. 地质力学学报, 24(2): 229-237.
陆会燕, 李为乐, 许强, 等, 2019. 光学遥感与InSAR结合的金沙江白格滑坡上下游滑坡隐患早期识别[J]. 武汉大学学报·信息科学版, 44(9): 1342-1354.
唐然, 许强, 吴斌, 等, 2018. 平推式滑坡运动距离计算模型[J]. 岩土力学, 39(3): 1009-1019, 1070.
杨秀忠, 薛立根, 1994. 遵义毛石旅游自然资源特征及景点类型划分[J]. 贵州地质, 11(2): 161-166.
杨忠平, 蒋源文, 李滨, 等, 2020. 采动作用下岩溶山体深大裂隙扩展贯通机理研究[J]. 地质力学学报, 26(4): 459-470.
詹威威, 黄润秋, 裴向军, 等, 2017. 沟道型滑坡-碎屑流运动距离经验预测模型研究[J]. 工程地质学报, 25(1): 154-163.
张洋, 汪云甲, 闫世勇, 2016. 基于Stacking InSAR技术的沛北矿区沉降监测[J]. 煤炭技术, 35(7): 102-105.
赵建军, 马运韬, 蔺冰, 等, 2016. 平缓反倾采动滑坡形成的地质力学模式研究: 以贵州省马达岭滑坡为例[J]. 岩石力学与工程学报, 35(11): 2217-2224.
郑光, 许强, 彭双麒, 2019. 岩质滑坡-碎屑流的运动距离计算公式研究[J]. 岩土力学, 40(12): 4897-4906.
朱建军, 李志伟, 胡俊, 2017. InSAR变形监测方法与研究进展[J]. 测绘学报, 46(10): 1717-1733. DOI:10.11947/j.AGCS.2017.20170350
卓宝熙, 2011. 工程地质遥感判释与应用[M]. 2版. 北京: 中国铁道出版社.