大地测量与地球动力学

Sentinel-1卫星影像数据	参数
起始时间	2021-01-03
结束时间	2023-12-19
卫星重访周期/d	12
影像数量/景	82
扫描模式	IW
极化方式	VV

Sentinel-1卫星影像数据	参数
起始时间	2021-01-03
结束时间	2023-12-19
卫星重访周期/d	12
影像数量/景	82
扫描模式	IW
极化方式	VV

澜沧江流域营盘滑坡InSAR形变监测与时空演化特征

肖劲松 ¹ , 李勇发 ¹^,²^,* , 左小清 ¹^,² , 陈永志 ²^,³ , 黄成 ⁴ , 顾晓娜 ¹ , 阮卓佩 ¹ , 李若凡 ¹

大地测量与地球动力学 | 特色栏目: 地震大地测量学 2026,46(5): 637-644

收起

大地测量与地球动力学 |特色栏目: 地震大地测量学 2026 , 46 (5) : 637 -644

澜沧江流域营盘滑坡InSAR形变监测与时空演化特征

全屏

肖劲松¹, 李勇发¹^,²^,*, 左小清¹^,², 陈永志²^,³, 黄成⁴, 顾晓娜¹, 阮卓佩¹, 李若凡¹

作者信息

1 昆明理工大学国土资源工程学院, 昆明, 650093

2 云南省自然资源智能监测与时空大数据治理重点实验室, 昆明, 650051

3 云南省地矿测绘院有限公司, 昆明, 650051

4 云南省地质环境监测院, 昆明, 650216

通讯作者:

李勇发, 博士, 讲师, 主要研究方向为InSAR及地质灾害监测与智能识别, E-mail: yfli@kust.edu.cn

作者简介:

肖劲松, 硕士生, 主要研究方向为InSAR地表形变监测, E-mail: 20242201113@stu.kust.edu.cn

Spatiotemporal Evolution Characteristics and InSAR Deformation Monitoring of the Yingpan Landslide in the Lancang River Basin

Jingsong XIAO¹, Yongfa LI¹^,²^,*, Xiaoqing ZUO¹^,², Yongzhi CHEN²^,³, Cheng HUANG⁴, Xiaona GU¹, Zhuopei RUAN¹, Ruofan LI¹

Affiliations

1 Faculty of Land and Resources Engineering, Kunming University of Science and Technology, Kunming 650093, China

2 Yunnan Province Key Laboratory of Intelligent Monitoring of Natural Resources and Spatiotemporal Big Data Governance, Kunming 650051, China

3 Yunnan Institute of Surveying and Mapping of Geology and Mineral Co Ltd, Kunming 650051, China

4 Yunnan Geological Environment Monitoring Institute, Kunming 650216, China

出版时间: 2026-05-15 doi: 10.14075/j.jgg.2025.07.244

文章导航

摘要

收起

以澜沧江流域营盘滑坡为研究对象, 采用SBAS-InSAR技术对2021-01-2023-12共82景Sentinel-1降轨影像数据进行形变解算, 并分析其整体形变时空演化特征。然后对道路、高程剖面的局部形变特征进行深入剖析, 并探究时序形变与降雨的响应关系。最后采用快速独立成分分析(FastICA)方法对形变位移进行分解, 揭示营盘滑坡不同形变成分的空间分布差异和时间变化特征。结果表明, 监测期间营盘滑坡沿雷达视线(LOS)向最大形变速率为－65 mm/a, 最大累积形变量达到－175 mm, 形变东西长度和南北宽度均超过1 000 m, 且不同土地覆盖类型的形变特征存在差异。形变程度与降雨之间具有显著的相关性, 雨季形变程度明显大于旱季。FastICA分析揭示了该滑坡整体形变具有周期性。

关键词

SBAS-InSAR / 营盘滑坡 / 地表形变 / FastICA / 形变监测

Abstract

收起

Taking the Yingpan landslide in the Lancang river basin as the study object, this study employed the SBAS-InSAR technique to process 82 scenes of Sentinel-1 descending orbit images acquired from January 2021 to December 2023 for deformation calculation. The spatiotemporal evolution characteristics of its overall deformation were analyzed. Subsequently, the local deformation features along the road and elevation profiles were thoroughly examined, and the response relationship between time-series deformation and rainfall was investigated. Finally, the fast independent component analysis (FastICA) method was applied to decompose the deformation displacement, revealing the spatial distribution differences and temporal variation characteristics of different deformation components of the Yingpan landslide. The results indicate that during the monitoring period, the maximum deformation rate along the line of sight (LOS) direction reached -65 mm/a, with a maximum cumulative deformation of -175 mm. The deformation area extended over 1 000 m in both east-west and north-south directions, and the deformation characteristics varied across different land cover types. A significant correlation was observed between the magnitude of deformation and rainfall, with deformation being markedly greater during the rainy season than the dry season. FastICA analysis revealed that the overall deformation of the landslide exhibits periodicity.

Key words

SBAS-InSAR / Yingpan landslide / surface deformation / FastICA / deformation monitoring

引用本文

肖劲松, 李勇发, 左小清, 陈永志, 黄成, 顾晓娜, 阮卓佩, 李若凡. 澜沧江流域营盘滑坡InSAR形变监测与时空演化特征. 大地测量与地球动力学, 2026 , 46 (5) : 637 -644 . DOI: 10.14075/j.jgg.2025.07.244

Jingsong XIAO, Yongfa LI, Xiaoqing ZUO, Yongzhi CHEN, Cheng HUANG, Xiaona GU, Zhuopei RUAN, Ruofan LI. Spatiotemporal Evolution Characteristics and InSAR Deformation Monitoring of the Yingpan Landslide in the Lancang River Basin[J]. Journal of Geodesy and Geodynamics, 2026 , 46 (5) : 637 -644 . DOI: 10.14075/j.jgg.2025.07.244

正文

收起

云南省地处中国西南边陲，属于印度洋板块和亚欧板块的碰撞地带，由于两大板块挤压作用，地质、地形条件极为复杂，呈现崎岖不平、沟壑纵横的地表特征。再加上降雨、地质活动等因素的影响，使得云南省成为中国滑坡灾害频发的地区之一。

滑坡监测方法主要包括地面调查、水准测量、GNSS地表监测和InSAR技术等^[1]。与传统的监测技术相比，InSAR技术在地表形变观测中具有全天时、全天候、大范围、高分辨率等优点，在滑坡灾害监测中具有巨大潜力，已经获得相关行业的充分肯定^[2-3]。D-InSAR最早用于地表形变监测^[4]，但该技术易受时空失相干及大气延迟的影响，很难获取监测区的可靠时间序列结果。因此，时序InSAR技术被广泛应用于多种地形条件下的滑坡隐患识别与形变监测，主要包括PS-InSAR^[5-6]和SBAS-InSAR。但PS-InSAR技术难以提取到足够数量和分布密度的稳定点目标，特别是在人工建筑物稀少、植被密集的区域，该技术无法实现对滑坡隐患的有效识别。SBAS-InSAR方法采用短基线原则和多主影像时序分析，能够有效克服时空失相干的问题，实现高精度和高灵敏度的大规模地表形变监测。Akbarimehr等^[7]结合SBAS-InSAR技术和GPS的观测数据来评估伊朗东北部北呼罗珊省古代滑坡的边坡稳定性，并得出滑坡发育与降水之间的关系。张攀等^[8]利用SBAS-InSAR技术对某大型水库边坡进行滑坡监测，并通过高清影像目视解译得出坡体变形速率与水库水位快速下降呈正相关。以上研究表明，SBAS-InSAR技术在滑坡形变监测中具有巨大潜力。

澜沧江流域深处横断山脉，由于其山高谷深、河谷深切，加之频繁的人类工程活动，使其成为云南省滑坡灾害高发地区之一^[9]，该地区的地质灾害防控一直以来受到各级政府和科研单位的高度重视。因此，本研究以澜沧江流域营盘滑坡为研究对象，通过SBAS-InSAR技术对其进行形变解算，并分析其整体形变时空演化特征；然后对道路、高程剖面的局部形变特征进行深入剖析，并探究时序形变与降雨的响应关系；最后采用FastICA方法探究该滑坡各形变分量的空间分布及形变模式，研究成果可为滑坡灾害的预防和预测提供重要支撑。

1 研究区概况及数据源

收起

1.1 研究区概况

营盘滑坡位于中国云南省兰坪县西部的营盘镇，地处横断山脉纵谷区、澜沧江峡谷两岸，属亚热带山地气候，年均气温15~18 ℃，年降雨量达800~1 200 mm，且降水集中在夏季。滑坡位于澜沧江断裂带中部，为印度洋板块和亚欧板块挤压形成的横断山脉和三江构造带核心区域。该区域地质活动强烈、地形落差较大、水系发达且沟壑发育密集，易引发崩塌、泥石流等地质灾害，是典型的山高谷深、坡度大的滑坡易发区域^[10]。营盘滑坡地形走向西低东高，西临澜沧江，东靠高山，为大型马蹄形滑坡，东西长度和南北宽度超过1 000 m，前缘和后缘为连片农田，植被覆盖率较低。此外，滑坡区域建筑密集、人口众多、道路网密度大，省道和乡村道路交织错落。大部分营盘镇街道处于该滑坡范围内，还分布有学校、医院、企业等人口密集场所，一旦发生滑坡灾害，将会对该地区人民生命财产安全带来极大的威胁。研究区地理位置见图 1。

1.2 数据源

本研究采用2021-01-03—2023-12-19的82景降轨Sentinel-1卫星数据，条带扫描模式为IW，极化方式为VV，影像数据参数见表 1。此外，分别使用美国航空航天局30 m分辨率的SRTM DEM数据、欧空局的卫星精密轨道数据和由GACOS提供的水汽数据去除地形相位、卫星轨道误差和大气延迟误差^[11]。为研究滑坡形变与降雨之间的关系，从国家青藏高原数据中心下载1 000 m分辨率的逐月降水数据进行对比分析。

2 技术方法

收起

SBAS-InSAR是由Berardiono等^[12]提出的时间序列InSAR分析技术，可有效削弱时空失相干现象、地形残差及大气噪声的影响。将获取的众多SAR影像进行配对，组合成若干短基线差分干涉图子集，使用最小二乘法解算出子集的平均形变速率和时间序列累积形变值，具体的技术原理如下。

首先获取覆盖同一研究区的N+1景时间序列为(t₀, t₁, …, t_N)的SAR影像，选择其中1幅影像作为主影像进行配准，在所有干涉对中选取满足所设时间基线阈值的干涉对，生成M幅干涉相对，M满足：

(1)

$\frac{(N+1)}{2} \leqslant M \leqslant \frac{N(N+1)}{2}$

第j幅干涉图中某x像元干涉相位φ_{int, x, j}为：

(2)

$\begin{gathered}\varphi_{\mathrm{int}, x, j}=\varphi_{\mathrm{topo}, x, j}+\varphi_{\mathrm{def}, x, j}+\varphi_{\mathrm{flat}, x, j}+ \\\varphi_{\mathrm{atm}, x, j}+\varphi_{\mathrm{noise}, x, j}+\varphi_{\mathrm{orb}, x, j}\end{gathered}$

其中，

(3)

$\varphi_{\mathrm{topo}, x, j}=-\frac{4 \mathsf{π} B_{\perp} h}{\lambda R \sin \theta}$

(4)

$\varphi_{\mathrm{flat}, x, j}=-\frac{4 \mathsf{π} B_{||}}{\lambda R}$

式中，φ_{topo, x, j}为地形相位；φ_{def, x, j}为形变相位；φ_{flat, x, j}为平地相位；φ_{atm, x, j}为大气延迟相位；φ_{noise, x, j}为噪声相位；φ_{orb, x, j}为轨道误差相位；B_⊥为垂直基线长；h为高程差；λ为雷达波长；R为视线向斜距；θ为入射角；B_‖为平行基线长。

借助DEM对干涉相位进行差分处理，去除平地效应及地形相位，得到x像元的差分干涉相位模型：

(5)

$\varphi_{\mathrm{dif}, x, j}=\varphi_{\mathrm{def}, x, j}+\varphi_{\mathrm{atm}, x, j}+\varphi_{\mathrm{noise}, x, j}+\varphi_{\varepsilon, x, j}$

其中，

(6)

$\varphi_{\varepsilon, x, j}=\frac{4 \mathsf{π} B_{\perp} \varepsilon}{\lambda R \sin \theta}$

式中，φ_{dif, x, j}为差分干涉相位；φ_{ε, x, j}为残余地形相位；ε为DEM误差。

非线性形变相位φ_{nonlinear, x, j}和线性形变相位φ_{linear, x, j}共同构成形变相位φ_{def, x, j}。

(7)

$\varphi_{\text {linear}, x, j}=-\frac{4 \mathsf{π}}{\lambda} v T$

(8)

$\varphi_{\text {def}, x, j}=-\frac{4 \mathsf{π}}{\lambda} v T+\varphi_{\text {nonlinear}, x, j}$

式中，v为平均形变速率；T为时间跨度。

φ_{dif, x, j}可改写为：

(9)

$\varphi_{\mathrm{dif}, x, j}=-\frac{4 \mathsf{π}}{\lambda} v T-\frac{4 \mathsf{π} B_{\perp} \varepsilon}{\lambda R \sin \theta}+\varphi_{\mathrm{res}, x, j}$

式中，φ_{res, x, j}为残余差分相位，由系统热噪声、大气延迟相位和非线性形变相位构成。

(10)

$\varphi_{\text {res}, x, j}=\varphi_{\text {nonlinear}, x, j}+\varphi_{\text {noise}, x, j}+\varphi_{\text {atm}, x, j}$

φ_{dif, x, j}根据人工选择高相干控制点相位信息获取；φ_{res, x, j}使用奇异值分解法解出单点形变相位获得；v采用最小二乘平差法求出。最终得到观测时段内的形变时间序列。

本研究使用ENVI+SARScape雷达数据处理软件对82景降轨Sentinel-1影像数据进行处理，对其精确配准并生成干涉对，设置最大时间基线为90 d，时空基线分布见图 2。随后引入DEM数据消除平地相位，获得差分干涉图。采用Goldstein滤波算法对干涉图进行噪声抑制处理，有效提升信噪比和相干性。在此基础上，采用Delaunnay MCF法进行相位解缠，通过迭代精炼、重去平处理及反演计算，准确估算出残余高程相位和地表形变分量。通过GACOS提供的大气数据消除干涉相位中的大气延迟误差，同时采用奇异值分解(SVD)方法求解残余地形相位。最终经过形变反演，获取研究区形变速率，并将相位信息转换为高程变化量，经地理编码处理后，获取雷达视线(LOS)向的地表形变信息。

3 营盘滑坡SBAS-InSAR形变结果

收起

3.1 InSAR形变速率

基于SBAS-InSAR方法得到研究区2021-01—2023-12 LOS向的年均形变速率(图 3，正值表示朝向传感器方向形变，负值表示远离传感器方向形变)。可以看出，研究区LOS向的年均形变速率范围为[－65, 30] mm/a，最大年均形变速率为－65 mm/a。形变呈现明显的空间分异特征，区域外围形变速率较小，向中心增大，形成明显的心形形变漏斗，覆盖范围广阔，东西长度和南北宽度均超过1 km。值得注意的是，形变区域分布有密集的建设用地、居民区和数条重要交通线路。其中，贯穿整个集镇的311省道沿线形变最为剧烈，沿线年均形变速率都在[－65, －35] mm/a的高风险区间内。滑坡前缘距离澜沧江较近，一旦发生滑坡，将直接威胁营盘镇人民生命财产安全，造成交通瘫痪，并可能引发澜沧江河道阻塞等次生灾害。为进一步了解潜在滑坡形变发育过程，本研究将结合SBAS-InSAR时序累积形变进行分析，揭示该滑坡的形变时空演化特征。

3.2 InSAR累积形变

选取营盘滑坡2021-01-03—2023-12-19的12个时段累积形变进行分析。如图 4所示，营盘滑坡LOS向累积形变呈现显著的阶段性形变特征，形变中心呈现持续加速形变趋势，累积形变值区间为[－175, 60] mm。2021-01-03—2022-05-10形变从滑坡西南角开始发育，向其他区域扩散，这一阶段形变发育缓慢，最大累积形变量达到－82 mm。2022-07-21—2023-03-30出现明显形变，大面积区域形变量达到－75 mm，并朝北部和东部扩散，累积形变值在[－175, －100] mm的区域率先发育于滑坡西南和东北部。2023-05-17—12-19，滑坡形变剧烈，最大累积形变量达到－175 mm，累积形变量超过－100 mm的区域已经形成闭环。经过3 a的持续观测，营盘滑坡前缘和后缘LOS向累积形变量均在[－100, －75] mm区间内。

4 营盘滑坡形变特征分析

收起

在营盘滑坡区域内选取3个特征点P₁、P₂、P₃，并沿3个特征点从西向东以及沿该滑坡3条主要道路自南向北作高程剖面，将过特征点P₁、P₂、P₃的3条剖面线分别命名为L₁、L₂、L₃, 将237省道、311省道、乡村公路的剖面线分别命名为T₁、T₂、T₃(图 5)。通过高程剖面沿线形变深入研究营盘滑坡的形变特征，并分析降雨与形变之间的关系。

4.1 道路和高程剖面形变分析

图 6展示了6条剖面线形变特征，它们分别穿过不同利用类型的土地，形变值超过－25 mm被标注为红色。其中，L₁剖面线形变曲线起伏较大，高程抬升达到500 m，对应地表水平距离超过1 000 m，土地利用类型为耕地和林地，耕地所在区域坡度相对林地平缓，形变最大值点位于耕地，累积形变值达到－141 mm。L₂剖面线穿过的土地利用类型为耕地、居民区和林地，距离占比最大的是耕地，水平距离超过500 m，其中，形变最大值点位于居民区，累积形变值达到－122 mm。形变量超过－25 mm占比最长的剖面线为L₃，水平距离达到1 000 m，对应剖面坡度较陡，土地覆盖类型主要为耕地和居民区，且居民区覆盖较宽，达到500 m，形变最大点位于耕地，最大累积形变值达到－135 mm。

T₁、T₂、T₃分别为237省道、311省道和乡村道路沿线剖面线。其中，T₁位于滑坡前缘，靠近澜沧江，在研究区内该道路高程在1 479 ~1 532 m之间，高差小但局部地形起伏较大，形变超过－25 mm的公路沿线分布有林地、耕地2种土地覆盖类型。该沿线形变量相对较小，但范围较大，形变量超过－25 mm的路段长度达到1 070 m，主要集中在林地。T₂剖面沿线北高南低，高差为100 m，其海拔上升平缓，地形起伏较小，形变量级较大，穿过了居民区和林地，居民区为营盘镇政府所在街道，最大累积形变量为－145 mm。T₃剖面沿线形变区位于居民区和农田，最大累积形变位于耕地，达到－125 mm，耕地整体形变大于居民区。

总体上，6条剖面线都呈现不同程度的形变，但不同土地覆盖类型对应不同的形变特征。耕地的季节性作业以及农作物根系较浅等原因，导致其岩土体稳固作用不及林地；居民区和建设用地由于地表硬化、基桩建设，导致部分区域疏水性加强，流水下渗能力减弱，致使形变特征区别于其他土地覆盖类型^[13]。

4.2 营盘滑坡形变与降雨的关系

据统计，我国由降雨诱发或与强降雨相关的滑坡约占滑坡总数的90%^[14]。研究区降雨充沛，且季节性明显，雨季容易出现大雨乃至暴雨。因此本文统计2021-01—2023-12研究区的月均降雨量，探究降雨与特征点形变的响应关系。

特征点的时序累积形变与降雨的关系见图 7。该地区降雨较多，干湿季分明，降雨集中在夏季，月均降水超过100 mm。3个特征点形变趋势一致，2021-02降雨开始增多，形变曲线斜率逐渐增大，2021-06—09出现强降雨，形变进一步加剧，P₃形变最严重，该点2021-10的累积形变量为－52 mm。2021-10—2022-01降水减少，形变趋于稳定。2022-02降雨开始增多，2022-06为观测周期降雨量最多的月份，达到229 mm，2022-05—08形变曲线斜率为整个周期最大，形变发育最剧烈，2022-09后降雨减少，形变曲线相对平缓。直至2023-04形变加剧，特征点P₂和P₃在2023-09之后出现反弹，最终累积形变达到－101 mm和－135 mm。P₁点的最终累积形变量达到－134 mm。综合分析特征点形变趋势与逐月降水量可以看出，雨季滑坡形变较为剧烈，旱季则较为平缓。研究表明，降雨量的多少和形变速率呈正比，因此，降雨是导致该区域地表形变的主要因素之一，尤其是高强度、长时间的降雨会加剧滑坡的发育。降雨下渗使岩土体空隙充满水分，导致单位重量增加，从而增大下滑力，下渗水还会在滑坡前缘形成高压水区，抵消有效应力，使岩土体抗滑性急剧下降，集中水流还会冲刷坡脚，移除支撑体，形成空区，增加滑坡的风险。持续降水还会抬升潜水层，一方面增大静水压力推动坡体，另一方面使更多岩土体处于饱和状态，降低岩土体的稳定性。

4.3 营盘滑坡FastICA分析

ICA是一种利用信号的非高斯性和独立性对混合数据进行分离的无监督学习工具，被广泛应用于信号处理、机器学习等领域，近年来已经被众多学者运用于遥感信号分离^[15]。FastICA是ICA的一种高效算法，通过负熵最大化实现快速迭代分离。其具有收敛速率快、鲁棒性强、支持高维数据、抗噪能力强等特点^[16]。该方法的核心思想是利用熵来度量非高斯性，根据信息论，在所有等方差的随机变量中，高斯变量的熵最大。因此，可以通过对分离结果的非高斯性度量来表示分离结果间的相互独立性，当非高斯性度量达到最大时，表明已完成对各独立分量的分离。

本研究通过Python代码实现FastICA来揭示营盘滑坡各形变分量的空间分布及形变模式，图 8展示了前3个独立成分的空间分布及时间特征向量。单个序列的像元值为8 740，78个时间序列共计681 720个像元。由于时间序列形变结果维度较大，在进行FastICA之前，先利用主成分分析(principal component analysis, PCA)^[17]对其进行降维处理。经过PCA分解，得到营盘滑坡时间序列矩阵的特征值，并将其由大到小进行排序，前3个特征值方差占比分别为97.69%、1.09%、0.27%，这3个独立分量的累积方差已经反映了99.05%的形变特征。

空间分布展示了具有相同形变演化趋势的点集合，时间特征向量则反映了各独立成分在不同时间序列对形变的贡献，数值越高则贡献越大。IC₁覆盖滑坡的大部分区域，表现出明显的季节性变化，具有周期性特征。在每年的1—3月，该独立成分对滑坡形变的贡献最大，每年6—8月最小；IC₂分布在滑坡边缘，与滑坡小量级区域高度重合，对滑坡形变的贡献在2021-01—2023-01呈线性减小，之后缓慢上升；IC₃所占方差比较小，仅0.27%，其形变类型对整体形变的贡献可以忽略。结合该滑坡的形变模式以及FastICA结果可得出，营盘滑坡整体形变具有周期性；滑坡边缘与滑坡其他区域形变发育模式存在异同，既有周期性形变，也包含贡献较小的线性形变。结果表明，FastICA有助于揭示滑坡的时空特征分布。

5 结语

收起

本研究基于Sentinel-1降轨数据，采用SBAS-InSAR技术获取了营盘滑坡2021-01-03—2023-12-19沿LOS向的地表形变信息，并对该滑坡形变时空演化特征进行了详细分析，得出以下结论：

1) 营盘滑坡形变范围较大，东西、南北跨径均超过1 000 m，呈马蹄形分布，滑坡前缘直抵澜沧江边，形变区多民居，人口密度较大。LOS向年均形变速率最大达到－65 mm/a。形变从滑坡西南角开始发育，并逐步向其他区域扩散，高量级形变发展迅猛，最大累积形变量达到－175 mm。

2) 结合高程剖面和形变曲线可以发现，营盘滑坡所在坡面坡度较陡，与形变有明显相关性的是地表土地覆盖类型，不同的土地覆盖类型其形变特征也各有差异。高程剖面沿线经过大量居民区和建设用地，存在较高的滑坡隐患，有关部门应该对该滑坡进行持续有效的观测，以免发生滑坡灾害，对人民生命财产安全造成损失。

3) 降雨与形变发育有明显的相关性，强降雨会引发剧烈形变，雨季形变发育快速，旱季发育缓慢。特征点P₁、P₂、P₃的累积形变量分别达到－134 mm、－101 mm、－135 mm。降雨会改变土体孔隙水压力，削弱抗剪强度；不同规模的降雨会使土体软化，导致结构失稳，加之地表径流冲刷坡脚，破坏支撑结构，使土体形变，这一现象特别是在长时间、高强度降水之后更为明显。

4) 通过对潜在滑坡进行FastICA分析，发现该滑坡整体形变具有明显的周期性，结合特征点形变在雨季大于旱季的特征，再次印证了该滑坡的发育与降雨存在关联性。

基金

收起

国家自然科学基金(42471483)
国家自然科学基金(42161067)
国家自然科学基金(42361054)
云南省科技计划(202449CE340023)
部省合作试点项目(2023ZRBSHZ048)
云南省基础研究计划(202501AT070310)
云南省基础研究计划(202401AU070173)
云南省教育厅科学基金(2024J0067)
昆明理工大学人才培养(KKZ3202421128)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

闫怡秋, 郭长宝, 张永双, 等. 基于SBAS-InSAR技术的西藏雄巴古滑坡变形特征[J]. 地质学报, 2021, 95 (11): 3556- 3570

Yan

Yiqiu

, Guo

Changbao

, Zhang

Yongshuang

, et al. Study of the Deformation Characteristics of the Xiongba Ancient Landslide Based on SBAS-InSAR Method, Tibet, China[J]. Acta Geologica Sinica, 2021, 95 (11): 3556- 3570

Rosen

P A

, Hensley

, Joughin

I R

, et al. Synthetic Aperture Radar Interferometry[J]. Proceedings of the IEEE, 2000, 88 (3): 333- 382

Hooper

, Bekaert

, Spaans

, et al. Recent Advances in SAR Interferometry Time Series Analysis for Measuring Crustal Deformation[J]. Tectonophysics, 2012, 514, 1- 13

刘云华, 龚文瑜, 张国宏, 等. Sentinel-1A及ALOS2数据约束下的阿克陶地震震源参数反演及发震构造研究[J]. 地球物理学报, 2018, 61 (10): 4037- 4054

Liu

Yunhua

, Gong

Wenyu

, Zhang

Guohong

, et al. Study of the D-InSAR Deformation Field and Seismotectonics of the Aketao M_W6.6 Earthquake on November 25, 2016 Constrained by Sentinel-1A and ALOS2[J]. Chinese Journal of Geophysics, 2018, 61 (10): 4037- 4054

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

Lei

Ling

, Zhou

Yinqing

, Li

Jingwen

, et al. Application of PS-InSAR to Monitoring Berkeley Landslides[J]. Journal of Beijing University of Aeronautics and Astronautics, 2012, 38 (9): 1224- 1226

王群, 张蕴灵, 范景辉, 等. 基于PS-InSAR和offset tracking技术的金沙江白格滑坡形变监测[J]. 大地测量与地球动力学, 2020, 40 (4): 340- 345

Wang

Qun

, Zhang

Yunling

, Fan

Jinghui

, et al. Deformation Monitoring of the Baige Landslide in the Jinsha River Using PS-InSAR and Offset Tracking Techniques[J]. Journal of Geodesy and Geodynamics, 2020, 40 (4): 340- 345

Akbarimehr

, Motagh

, Haghshenas-Haghighi

. Slope Stability Assessment of the Sarcheshmeh Landslide, Northeast Iran, Investigated Using InSAR and GPS Observations[J]. Remote Sensing, 2013, 5 (8): 3681- 3700

张攀, 李为乐, 陆会燕, 等. 基于SBAS-InSAR的库区活动滑坡变形特征与库水位变化响应关系: 以四川省黑水县毛尔盖水电站为例[J]. 科学技术与工程, 2024, 24 (28): 11991- 12002

Zhang

Pan

, Li

Weile

, Lu

Huiyan

, et al. Relationship between Deformation Characteristics of Active Landslides in Reservoir Areas and Response to Reservoir Water Level Changes Based on SBAS-InSAR: A Case of Maoergai Hydropower Station in Heishui County, Sichuan Province[J]. Science Technology and Engineering, 2024, 24 (28): 11991- 12002

兰明易, 田乃满, 刘世杰, 等. 改进频率比法的怒江中游滑坡易发性评价[J]. 地理空间信息, 2025, 23 (4): 79- 82

Lan

Mingyi

, Tian

Naiman

, Liu

Shijie

, et al. Landslide Susceptibility Evaluation in the Middle Reaches of the Nu River Based on Improved Frequency Ratio Method[J]. Geospatial Information, 2025, 23 (4): 79- 82

蒋文学, 李益敏, 杨雪, 等. 基于斜坡单元的怒江州滑坡易发性研究[J]. 水土保持学报, 2023, 37 (5): 160- 167

Jiang

Wenxue

, Li

Yimin

, Yang

Xue

, et al. Study on Landslide Susceptibility in Nujiang Prefecture Based on Slope Unit[J]. Journal of Soil and Water Conservation, 2023, 37 (5): 160- 167

, Li

Z H

, Penna

N T

. Interferometric Synthetic Aperture Radar Atmospheric Correction Using a GPS-Based Iterative Tropospheric Decomposition Model[J]. Remote Sensing of Environment, 2018, 204, 109- 121

Berardino

, Fornaro

, Lanari

, 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

肖洪敏, 张文江, 田云锋, 等. 基于SBAS-InSAR方法的岷江上游峡谷区地表沉降的坡向分异规律研究[J]. 遥感技术与应用, 2023, 38 (4): 967- 977

Xiao

Hongmin

, Zhang

Wenjiang

, Tian

Yunfeng

, et al. Controls Underlying the Aspect Pattern of SBAS-InSAR Retrieved Surface Subsidence in the Upper Minjiang Basin[J]. Remote Sensing Technology and Application, 2023, 38 (4): 967- 977

李媛, 孟晖, 董颖, 等. 中国地质灾害类型及其特征: 基于全国县市地质灾害调查成果分析[J]. 中国地质灾害与防治学报, 2004, 15 (2): 29- 34

Yuan

, Meng

Hui

, Dong

Ying

, et al. Main Types and Characteristics of Geo-Hazard in China: Based on the Results of Geo-Hazard Survey in 290 Counties[J]. The Chinese Journal of Geological Hazard and Control, 2004, 15 (2): 29- 34

Ebmeier

S K

. Application of Independent Component Analysis to Multitemporal InSAR Data with Volcanic Case Studies[J]. Journal of Geophysical Research: Solid Earth, 2016, 121 (12): 8970- 8986

Gaddes

M E

, Hooper

, Bagnardi

. Using Machine Learning to Automatically Detect Volcanic Unrest in a Time Series of Interferograms[J]. Journal of Geophysical Research: Solid Earth, 2019, 124 (11): 12304- 12322

王磊, 吕广涵, 杜建涛, 等. 黄河上游玛沁段活动滑坡InSAR探测与时空特征分析[J]. 武汉大学学报: 信息科学版, 2025, 50 (11): 2226- 2235

Wang

Lei

, Lü

Guanghan

, Du

Jiantao

, et al. InSAR Detection and Spatiotemporal Characteristics of Active Landslides in the Maqin Section of the Upper Yellow River[J]. Geomatics and Information Science of Wuhan University, 2025, 50 (11): 2226- 2235

2026年第46卷第5期

引用本文

BibTeX

文章信息

doi: 10.14075/j.jgg.2025.07.244

接收时间：2025-07-10
首发时间：2026-10-29
出版时间：2026-05-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-07-10

基金

国家自然科学基金(42471483)

国家自然科学基金(42161067)

国家自然科学基金(42361054)

云南省科技计划(202449CE340023)

部省合作试点项目(2023ZRBSHZ048)

云南省基础研究计划(202501AT070310)

云南省基础研究计划(202401AU070173)

云南省教育厅科学基金(2024J0067)

昆明理工大学人才培养(KKZ3202421128)

作者信息

1 昆明理工大学国土资源工程学院, 昆明, 650093

2 云南省自然资源智能监测与时空大数据治理重点实验室, 昆明, 650051

3 云南省地矿测绘院有限公司, 昆明, 650051

4 云南省地质环境监测院, 昆明, 650216

通讯作者:

李勇发, 博士, 讲师, 主要研究方向为InSAR及地质灾害监测与智能识别, E-mail: yfli@kust.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/ddcl/CN/10.14075/j.jgg.2025.07.244

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT