CN117057499A - 一种高山峡谷地区滑坡敏感性评价方法、系统及设备 - Google Patents

Abstract

本发明公开一种高山峡谷地区滑坡敏感性评价方法、系统及设备，涉及滑坡敏感性评价领域。本发明对高山峡谷地区的研究区域进行SAR可视性模拟分析，得到最佳InSAR监测方案来获取研究区域形变速率并识别滑坡灾害范围；依据滑坡敏感性分级标准确定研究区域内滑坡灾害范围的滑坡敏感性等级；对已经确定滑坡敏感性等级的研究区域，依据共线性诊断和灰色关联分析筛选出最佳评价因子；将最佳评价因子作为输入，将对应的滑坡敏感性等级作为输出，利用PSO‑BP构建并训练滑坡敏感性评价模型；采用训练好的滑坡敏感性评价模型得到滑坡敏感性评价结果。本发明方法是适用于高山峡谷地区准确、高效的滑坡敏感性评价方法。

Description

一种高山峡谷地区滑坡敏感性评价方法、系统及设备

技术领域

本发明涉及滑坡敏感性评价技术领域，特别是涉及一种高山峡谷地区滑坡敏感性评价方法、系统及设备。

背景技术

随着InSAR(Interferometric SyntheticAperture Radar，合成孔径雷达干涉测量)技术融入到滑坡敏感性评价研究中，对现有滑坡敏感性评价方面的研究中发现，利用InSAR技术在滑坡敏感性评价方面还存在以下两个弊端：①缺乏对InSAR监测适宜性分析；由于雷达侧视成像的特殊性，根据入射角与不同地形地貌特征，特别是在高山峡谷地区会产生透视收缩、叠掩及阴影三种几何畸变；单纯利用某单一轨道或者联合升降轨来获取高山峡谷地区形变速率，容易使得滑坡识别错误以及将其作为敏感性评价的影响因子容易导致评价结果错误；为此，探索契合高山峡谷地区InSAR监测适宜性分析，为后续滑坡敏感性评价尤为重要；②缺乏明确的滑坡敏感性分级标准框架；不论是经验模型、统计数理分析模型、机器学习模型还是融入InSAR技术衍生的滑坡敏感性评价方法，均是将发生滑坡区域定义为“1”，非滑坡区域定义为“0”，然后通过各类模型方法得到一定的敏感性数值范围，再通过ArcGIS中的自然断点法将其分类，一般敏感性数值范围位于“1”附近的就是高敏感区域，反之位于“0”附近就是低敏感区域，在没有任何实际监测信息的前提下，无法确定“1”就是滑坡高敏感区域，因为这种模糊的分类方法，不仅容易导致错分，也不能满足实际敏感性分类需求。为此，构建一套可行、可靠的滑坡敏感性分级标准成为滑坡敏感性领域亟需解决的难点之一。

发明内容

针对上述背景技术中提出的问题，本发明提供一种高山峡谷地区滑坡敏感性评价方法、系统及设备，以提高高山峡谷地区滑坡敏感性评价效率和准确性。

为实现上述目的，本发明提供了如下方案：

一方面，本发明提供一种高山峡谷地区滑坡敏感性评价方法，包括：

利用R-指数阴影叠掩计算方法对高山峡谷地区的研究区域进行SAR可视性模拟分析，得到最佳InSAR监测方案；

依据最佳InSAR监测方案获取研究区域形变速率并识别滑坡灾害范围；所述滑坡灾害范围包括潜在滑坡；

依据形变速率制定滑坡敏感性分级标准，并依据滑坡敏感性分级标准确定研究区域内滑坡灾害范围的滑坡敏感性等级；

对已经确定滑坡敏感性等级的研究区域，依据共线性诊断和灰色关联分析筛选出最佳评价因子；

将最佳评价因子作为输入，将对应的滑坡敏感性等级作为输出，利用PSO-BP构建并训练滑坡敏感性评价模型；

采用训练好的滑坡敏感性评价模型得到高山峡谷地区的滑坡敏感性评价结果。

可选地，所述利用R-指数阴影叠掩计算方法对高山峡谷地区的研究区域进行SAR可视性模拟分析，得到最佳InSAR监测方案，具体包括：

利用R-指数阴影叠掩计算公式R-index＝(sin(θ-β·sin(A)))·Sh·L确定R-index值；其中，θ为LOS视线向入射角；β为数字高程模型派生出来的地形坡度；A为相位校正因子，对降轨数据A＝α-γ，对升轨数据A＝α+γ+180°；α为数字高程模型派生出来的地形坡向；γ为卫星地面轨道角或航向角；Sh和L分别为重分类阴影模型和叠掩模型；

根据R-index值确定升轨和降轨下的主动/被动叠掩、主动/被动阴影和透视收缩区域；

通过分析升轨和降轨下的主动/被动叠掩、主动/被动阴影和透视收缩区域的占比，找出最适合于研究区域的最佳InSAR监测方案；所述最佳InSAR监测方案为单一升轨监测方案、单一降轨监测方案或联合升降轨监测方案。

可选地，所述依据最佳InSAR监测方案获取研究区域形变速率并识别滑坡灾害范围，具体包括：

依据最佳InSAR监测方案，通过利用SBAS-InSAR技术获取研究区域内的形变速率并确定形变区域；

引入高分辨率光学影像对形变区域进行辅助识别，结合形变范围、高程、坡度、植被覆盖和坡体是否具有滑坡特征进行识别，识别出滑坡灾害范围。

可选地，所述依据滑坡敏感性分级标准确定研究区域内滑坡灾害范围的滑坡敏感性等级，具体包括：

依据形变速率将坡度大且有滑坡痕迹的区域判定为中、高或非常高滑坡敏感区；

依据形变速率将潜在滑坡划分为低、中、高或非常高滑坡敏感区；

将坡度平缓区域划分为低滑坡敏感区。

可选地，所述对已经确定滑坡敏感性等级的研究区域，依据共线性诊断和灰色关联分析筛选出最佳评价因子，具体包括：

对已经确定滑坡敏感性等级的研究区域，利用多重共线性中的容差和方差膨胀因子对所选取的评价候选因子进行分析，剔除共线性高的候选因子，然后依据灰色关联分析筛选出最佳评价因子；所述候选因子包括高程、坡度、坡向、曲率、地层岩性、黏土与粉砂土含量、距断层距离、降水、归一化植被指数、土地利用类型、距河流水系距离、距道路距离、形变速率以及距矿产点距离。

另一方面，本发明提供一种高山峡谷地区滑坡敏感性评价系统，包括：

InSAR监测适宜性分析模块，用于利用R-指数阴影叠掩计算方法对高山峡谷地区的研究区域进行SAR可视性模拟分析，得到最佳InSAR监测方案；

滑坡数据源识别模块，用于依据最佳InSAR监测方案获取研究区域形变速率并识别滑坡灾害范围；所述滑坡灾害范围包括潜在滑坡；

滑坡敏感性分级模块，用于依据形变速率制定滑坡敏感性分级标准，并依据滑坡敏感性分级标准确定研究区域内滑坡灾害范围的滑坡敏感性等级；

最佳评价因子筛选模块，用于对已经确定滑坡敏感性等级的研究区域，依据共线性诊断和灰色关联分析筛选出最佳评价因子；

滑坡敏感性评价模型构建模块，用于将最佳评价因子作为输入，将对应的滑坡敏感性等级作为输出，利用PSO-BP构建并训练滑坡敏感性评价模型；

滑坡敏感性评价模块，用于采用训练好的滑坡敏感性评价模型得到高山峡谷地区的滑坡敏感性评价结果。

另一方面，本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的高山峡谷地区滑坡敏感性评价方法。

可选地，所述存储器为非暂态计算机可读存储介质。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种高山峡谷地区滑坡敏感性评价方法、系统及设备，利用R-指数阴影叠掩计算方法对高山峡谷地区的研究区域进行SAR可视性模拟分析，得到最佳InSAR监测方案；依据最佳InSAR监测方案获取研究区域形变速率并识别滑坡灾害范围；所述滑坡灾害范围包括潜在滑坡；依据形变速率制定滑坡敏感性分级标准，并依据滑坡敏感性分级标准确定研究区域内滑坡灾害范围的滑坡敏感性等级；对已经确定滑坡敏感性等级的研究区域，依据共线性诊断和灰色关联分析筛选出最佳评价因子；将最佳评价因子作为输入，将对应的滑坡敏感性等级作为输出，利用PSO-BP构建并训练滑坡敏感性评价模型；采用训练好的滑坡敏感性评价模型得到高山峡谷地区的滑坡敏感性评价结果。本发明方法是适用于高山峡谷地区准确、高效的滑坡敏感性评价方法，能够有效避免滑坡灾害对人民财产和生命安全的危害，为防灾减灾事业及政府部门决策提供参考。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种高山峡谷地区滑坡敏感性评价方法的流程图；

图2为本发明一种高山峡谷地区滑坡敏感性评价方法的原理示意图；

图3为本发明实施例研究区域的地形示意图；

图4为本发明实施例几何畸变和地形可视性示意图；其中图4(a)为降轨下得到的SAR可视性结果示意图，图4(b)为升轨下得到的SAR可视性结果示意图，图4(c)为升轨和降轨下重叠的不好可视化区域示意图示意图，图4(d)为透视收缩在升降轨道下的占比示意图；

图5为本发明实施例最佳InSAR监测方案下获取的形变速率及滑坡数据识别结果示意图；

图6为本发明实施例依据形变速率构建的分级标准对应的三维影像图；

图7为本发明实施例多重共线性分析和灰色关联分析示意图；

图8为本发明实施例构建的PS0-BP滑坡敏感性评价模型训练验证得到的实际输出值与期望值以及相关性能评价指标雷达图；其中图8(a)针对有形变速率的区域，图8(b)针对无形变速率的区域；

图9为本发明实施例滑坡敏感性评价结果及传统模型评价结果示意图；其中图9(a)为利用本发明方法得到的滑坡敏感性评价结果示意图，图9(b)为利用传统滑坡评价方法一得到的滑坡敏感性评价结果示意图，图9(c)为利用传统滑坡评价方法二得到的滑坡敏感性结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明要解决现有滑坡敏感性评价方法缺乏对InSAR监测适宜性分析和缺乏明确的滑坡敏感性分级标准框架这两个弊端，提出一种顾及InSAR监测适宜性并引入形变速率分级的高山峡谷地区滑坡敏感性评价方法、系统及设备，为高山峡谷地区滑坡敏感性评价提供一种更为可靠、准确的评价方法。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明一种高山峡谷地区滑坡敏感性评价方法的流程图，图2为本发明一种高山峡谷地区滑坡敏感性评价方法的原理示意图。参见图1，一种高山峡谷地区滑坡敏感性评价方法，包括：

步骤1：利用R-指数阴影叠掩计算方法对高山峡谷地区的研究区域进行SAR可视性模拟分析，得到最佳InSAR监测方案。

首先获取高山峡谷地区的SAR影像数据以及与之对应的数字高程模(DigitalElevation Model，DEM)数据。依据高山峡谷地区所研究区域升轨和降轨下的SAR数据，得到其对应的方位角和入射角θ。依据DEM数据得到研究区域对应的坡度β和坡向α，通过改进后的R-指数阴影叠掩法计算公式(1)得到升轨和降轨下的主动/被动叠掩、主动/被动阴影和透视收缩区域。

R-index＝(sin(θ-β·sin(A)))·Sh·L (1)

式中，θ为LOS视线向入射角，γ为卫星地面轨道角或航向角，β和α是由DEM派生出来的地形坡度和坡向。A为相位校正因子，对降轨数据A＝α-γ，对升轨数据A＝α+γ+180°，降轨为正，升轨为负。Sh和L分别为重分类阴影模型和叠掩模型(所有值为>0的区域都被重新分类为1，而值为0的区域仍然为0)。

然后依据公式(1)计算的R-index值，通过GIS(Geographic Information System或Geo－Information system，地理信息系统)得到研究区域升轨和降轨下好可视性、透视收缩、叠掩、阴影及其子类型：

1)好可视性：R-index>sin(θ)，且非主动阴影区；

2)透视收缩：0<R-index≤sin(θ)，不受被动叠掩和被动阴影失真的影响；

3)叠掩：使用山体阴影模型计算出来的叠掩掩膜，-1≤R-index≤0为主动叠掩区，其他为被动叠掩；

4)阴影：使用山体阴影模型计算出来的阴影掩膜，R-index>sin(θ)且坡度>90°-θ的区域为主动阴影区，其他为被动阴影。

通过分析升轨和降轨下好可视性、透视收缩、叠掩、阴影的占比，找出最适合于研究区域的最佳InSAR监测方案，即确定是利用单一升轨监测、单一降轨监测还是联合升降轨监测方案。

如果只使用单一轨道数据或者联合轨道数据来获取形变速率，会导致最后得到的滑坡数据源不准确，因此本发明分析适用于研究区域的最佳InSAR监测方案，最佳InSAR监测方案与识别到滑坡数据源的准确性成正比。

步骤2：依据最佳InSAR监测方案获取研究区域形变速率并识别滑坡灾害范围。

依据步骤1得到的研究区域最佳InSAR监测方案，通过利用SBAS-InSAR技术获取研究区域内的形变速率并确定形变区域；进一步引入高分辨率光学影像，即借助谷歌卫星影像对获取的形变区域进行辅助识别，结合形变范围、高程、坡度、植被覆盖和坡体是否具有滑坡等特征进行识别，避免过度依赖形变结果导致的误判等问题，识别出准确的滑坡灾害范围(包括潜在滑坡)，实现对研究区域滑坡数据源的准确识别。

其中利用SBAS-InSAR干涉相位进行分解依据以下公式(2)计算：

式中，为受到DEM误差引起的地形相位；为雷达视线方向中的形变相位；为大气延迟相位；为平地相位；为噪声相位；当去除其他相位时，可以得到相位

步骤3：依据形变速率制定滑坡敏感性分级标准，并依据滑坡敏感性分级标准确定研究区域内滑坡灾害范围的滑坡敏感性等级。

在通过步骤2获得研究区域准确、具有时效性的滑坡灾害数据源的前提下，依托步骤2得到的形变速率对研究区域进行分级确定，制定了如下分级标准：①在坡度大且有滑坡痕迹的区域，依据形变速率判定其为中、高、非常高敏感；一般通过高分辨率影像解译出其有滑坡痕迹的区域，已经存在一定滑坡敏感性，综合考虑可将其定义为中敏感区及以上；②在坡度大且无滑坡痕迹的区域，即潜在滑坡，依据其形变速率将其划分为低、中、高、非常高敏感区；③在坡度平缓区域，一般是城市、农田等区域，将其划分为低滑坡敏感区。

进一步地，可以依据以上滑坡敏感性分级标准确定研究区域内滑坡灾害范围的滑坡敏感性等级，具体包括：依据形变速率将坡度大且有滑坡痕迹的区域判定为中、高或非常高滑坡敏感区；依据形变速率将潜在滑坡划分为低、中、高或非常高滑坡敏感区；将坡度平缓区域划分为低滑坡敏感区。

步骤4：对已经确定滑坡敏感性等级的研究区域，依据共线性诊断和灰色关联分析筛选出最佳评价因子。

对已经确定滑坡敏感性等级的研究区域，利用多重共线性中的容差和方差膨胀因子对所选取的评价候选因子进行分析，剔除共线性高的候选因子，然后依据灰色关联分析筛选出最佳评价因子。

在一个具体实施例中，先利用多重共线性分析，选取高程、坡度、坡向、曲率、地层岩性、黏土与粉砂土含量、距断层距离、降水、归一化植被指数(NDVI)、土地利用类型、距河流水系距离、距道路距离12个候选因子，除此之外新增加了形变速率作为重要影响因素，考虑到研究区域过度人工采矿导致滑坡等影响，将与现阶段在开采的矿产点距离也作为该区域滑坡敏感性评价候选因子，共14个候选评价因子。为避免之间过高的相关性会降低评价模型的精度和增大模型的复杂度。利用SPSS(Statistical Product and ServiceSolutions)软件计算多重共线性中的容差和方差膨胀因子(VIF)对所选取的14个候选因子分析进行分析，最终剔除共线性高的候选因子。容差和方差膨胀因子是多重共线性衡量共线性高不高的重要指标，一般情况下如果容差小于0.1或方差膨胀因子(VIF)大于10，则表示有共线性存在，共线性高的候选因子就是容差小于0.1或方差膨胀因子(VIF)大于10的候选因子。

然后利用灰色关联分析，目标变量表示不同等级的滑坡敏感性等级，用虚拟变量1表示低敏感性、2表示中敏感性、3表示高敏感性、4表示非常高敏感性。通过多重共线性得到的候选因子(高程、坡度、坡向、曲率、地层岩性、黏土与粉砂土含量、距断层距离、降水、归一化植被指数、土地利用类型、距河流水系距离、距道路距离等)，依据灰色关联分析得出对应格网单元候选因子(高程、坡度、坡向、曲率、地层岩性、黏土与粉砂土含量、距断层距离、降水、归一化植被指数、土地利用类型、距河流水系距离、距道路距离等)和目标变量(已知区域滑坡敏感性等级)的关联关系，最终确定滑坡敏感性最佳评价因子。

步骤5：将最佳评价因子作为输入，将对应的滑坡敏感性等级作为输出，利用PSO-BP构建并训练滑坡敏感性评价模型。

对有形变速率区域，输入层为通过步骤4利用多重共线和灰色关联分析筛选出的最佳评价因子，输出层为步骤3得到的已知区域滑坡敏感性等级。对少部分无形变速率区域，输入层剔除形变速率，输出层不变，利用PSO-BP构建并训练滑坡敏感性评价模型。

PSO-BP是粒子群优化后的BP神经网络模型，该模型有输入层、隐含层和输出层，其中输入层为通过步骤4利用多重共线和灰色关联分析筛选出的最佳评价因子，输出层为步骤3得到的已知区域滑坡敏感性等级。对于无形变速率区域，在有形变速率区域构建好的PSO-BP模型中，剔除评价因子中的形变速率，让模型重新学习没有形变速率下个评价因子的权重，然后将其应用于无形变速率区域。

PSO-BP依据以下公式(3)计算：

y＝f(∑wx+b) (3)

公式(3)描述了PSO-BP滑坡敏感性评价模型的学习过程，式中，w和b分别表示来自相邻层的权重矩阵和偏差向量，f表示激活函数，x为输入的最佳评价因子，y表示输出的滑坡敏感性等级。

步骤6：采用训练好的滑坡敏感性评价模型得到高山峡谷地区的滑坡敏感性评价结果。

利用步骤5训练好的PSO-BP滑坡敏感性评价模型，将高山峡谷地区各个未知区域相应的评价因子作为输入层，就可以输出对应的滑坡敏感性等级，然后就可以进行高山峡谷区滑坡敏感性评价，得到高山峡谷地区的滑坡敏感性评价结果。

进一步地，可以利用传统滑坡敏感性评价方法，选用数理统计准确率(Accuracy)来验证本发明方法的有效性和准确性。

下面采用一个具体实施例说明本发明方法的应用过程。

S1，获取高山峡谷地区SAR影像数据以及与之对应的数字高程模型DEM数据，利用指数计算方法、叠掩和阴影计算方法对研究区域SAR可视性进行模拟分析，如图3和图4所示。

具体地，以中国西南地区最为典型的深切割高山峡谷区东川区为实施例，收集了欧空局于2014年发射的C波段Sentinel-1SAR雷达影像数据，包括2018年7月20日到2022年5月24日降轨数据和2018年7月18日到2022年5月22日升轨数据。采用改进后的地形指数R-index来对实施例获取的升轨和降轨进行SAR失真建模，计算识别主动/被动叠掩、主动/被动阴影和透视收缩区域，最后通过GIS得到实施例升轨和降轨下好可视性、透视收缩、叠掩、阴影及其子类型。

改进后的地形指数R-index照以下公式计算：

R-index＝(sin(θ-β·sin(A)))·Sh·L

其中θ为LOS视线向入射角，γ为卫星地面轨道角或航向角，由数字高程模型派生出来地形坡度β和坡向α。A为相位校正因子，对降轨数据A＝α-γ，对升轨数A＝α+γ+180°，降轨为正，升轨为负。Sh和L分别为重分类阴影模型和叠掩模型(所有值为>0的区域都被重新分类为1，而值为0的区域仍然为0)。好可视性：R-index>sin(θ)，且非主动阴影区。透视收缩：0<R-index≤sin(θ)，不受被动叠掩和被动阴影失真的影响。叠掩：使用山体阴影模型计算出来的叠掩掩膜，-1≤R-index≤0为主动叠掩区，其他为被动叠掩。阴影：使用山体阴影模型计算出来的阴影掩膜，R-index>sin(θ)且坡度>90°-θ的区域为主动阴影区，其他为被动阴影。

本实施例研究区域降轨和升轨下得到的SAR可视性结果分别如图4(a)和4(b)所示。从图4(a)中可以看到利用SAR降轨数据监测实施例的好可视性占整个实施例的92.18％(包括好可视性GV占比50.10％和透视收缩F占比42.08％)，不好可视性占整个实施例的7.82％(包括主动阴影ASh占比0.24％、被动阴影PSh占比0.09％、主动叠掩AL占比7.49％和被动叠掩PL占比0％)，其中降轨不好可视化主要为主动叠掩导致SAR可视性结果不佳。从图4(b)中可以看到利用SAR升轨数据监测实施例的好可视性占整个实施例的86.86％(包括好可视性GV占比43.76％和透视收缩F占比43.10％)，不好可视性占整个实施例的13.14％(包括主动阴影ASh占比0.18％、被动阴影PSh占比0.21％、主动叠掩AL占比6.22％和被动叠掩PL占比6.52％)，其中升轨不好可视化主要为主动和被动叠掩导致SAR可视性结果不佳。

为更进一步分析实施例研究区域内最佳监测数据的适宜性，分析了升轨和降轨下重叠的不好可视化区域，通过图4(c)可以看到，升降轨道不好可视部分其重叠度占比为48.00％，除去不好可视化重叠部分，升轨不好可视化占比45.00％，降轨不好可视化占比7.00％，可见在选取的高山峡谷实施例，利用降轨SAR数据来进行监测更可靠，相比利用升降轨道SAR数据来获取实施例监测数据，会进一步增加升轨数据几何畸变带来的监测误差等。在R指数叠掩阴影法部分，提到透视收缩主要影响SAR成像距离小于实际地面的距离(即SAR影像成像分辨率被压缩)，并不影响雷达回波反射信号的正常接收，因此，在实际处理过程中，可以把透视收缩区域视为可观测的区域。为有效分析透视收缩在升降轨道下的占比等信息，制作了图4(d)升降轨透视收缩重叠部分及各轨道去除重叠部分剩余透视收缩部分，通过图4可以看到，升降轨透视收缩重叠部分占比97.54％，升降轨去除重叠部分剩余透视收缩部分分别占比为2.44％、0.02％。

通过上述分析可知，针对本实施例的研究区域，利用SAR降轨数据来对其监测，不仅可以有限控制SAR几何畸变问题，同时可以避免引入升轨数据监测带来的更多几何畸变误差。对选取的高山峡谷地区SAR监测适宜性进行分析，证明了并不是在所有高山峡谷地区利用SAR升降轨道互补监测的方式都可以改善单一轨道监测存在的几何畸变问题。为此，在后续利用InSAR研究高山滑坡地区各类地质灾害，有必要先对SAR监测适宜性进行分析后再制定最佳的方案，可以避免引入更多的几何畸变误差。

S2，依据最佳InSAR监测方案，通过SBAS-InSAR技术获取实施例研究区域内的形变速率，结合高分辨率影像得到准确的滑坡灾害范围(包括潜在滑坡)。

具体地，以经过SAR失真建模分析后得到的最佳InSAR监测方案(即降轨SAR数据)获取的2018年07月到2022年05月地表形变结果，利用SBAS方法来获取实施例内地表形变信息，引入高分辨率光学影像，即借助谷歌卫星影像对获取的形变区域进行人工识别辅助识别，结合形变范围、高程、坡度、植被覆盖和坡体是否具有滑坡特征等进行识别，避免过度依赖形变结果导致的误判等问题，最终对实施例滑坡数据源准确识别(包括潜在滑坡)。

从图5的(a)部分可以看到，实施例研究区域内出现多处形变严重区域，最大形变区域达到-54.04mm·a^-1。通过升轨获取得到实施例2018年07月到2022年05月地表形变结果，如图5的(b)部分所示，升轨数据下获取得到的形变结果很不理想，降轨不仅获取得到了升轨获取得到的形变区域，还获取到其他升轨并未监出来的形变区域，这与在InSAR监测适宜性分析部分得出的结论相吻合，即升轨存在的SAR几何畸变区域相比降轨更多，导致最终获取的形变信息不佳。借助谷歌卫星影像光学解译圈定滑坡范围，并依据降轨形变速率来修正滑坡范围，结合高程、坡度、植被覆盖和坡体等辅助识别因素对研究区域滑坡数据源准确识别(包括潜在滑坡)，识别结果如图5的(c)部分所示。通过对部分识别出来的滑坡进行实地勘察发现，识别出来的结果与实地勘察结果相吻合。

S3，在获得研究区域内准确、具有时效性的滑坡灾害数据源的前提下，依托形变速率对实施例部分区域进行分级确定，并对影响滑坡敏感性的影响因素利用多重共线性中的容差和方差膨胀因子(VIF)剔除共线性高的候选因子；并据灰色关联分析，确定最终滑坡敏感性评价因子。

具体地，依托形变速率对实施例部分区域进行分级确定，高山峡谷地区发生滑坡的区域有一个特点就是高位滑坡，都位于坡度较大的地方，为此，制定了如下分级标准：①在坡度大且有滑坡痕迹的区域，依据形变速率判定其为中、高、非常高敏感区；一般通过高分辨率影像解译出其有滑坡痕迹的区域，已经存在一定滑坡敏感性，综合考虑可将其定义为中敏感区及以上；②在坡度大且无滑坡痕迹的区域，即潜在滑坡，依据其形变速率将其划分为低、中、高、非常高敏感区；③在坡度平缓区域，一般是城市、农田等区域，将其划分为低滑坡敏感区。本发明采用网格单元对研究区域进行划分，依据制图需求等综合考虑，将网格单元大小划分为90m×90m，共计230906个网格单元，将已经明确滑坡等级的区域(共计6635个网格单元)通过ArcGIS多值到点工具提取出来。选取高程、坡度、坡向、曲率、地层岩性、黏土与粉砂土含量、距断层距离、降水、归一化植被指数(NDVI)、土地利用类型、距河流水系距离、距道路距离12个因子，除此之外我们新增加了形变速率作为重要影响因素，考虑到实施例过度人工采矿导致滑坡等影响，将与现阶段在开采的矿产点距离作为该区域滑坡敏感性评价候选因子，共14个候选评价因子。为避免之间过高的相关性会降低评价模型的精度和增大模型的复杂度。利用SPSS软件计算多重共线性中的容差和方差膨胀因子(VIF)对所选取的14个候选因子分析进行分析，最终剔除共线性高的候选因子。用虚拟变量1表示低敏感性、2表示中敏感性、3表示高敏感性、4表示非常高敏感性。通过多重共线性得到的候选因子(高程、坡度、坡向、曲率、地层岩性、黏土与粉砂土含量、距断层距离、降水、归一化植被指数(NDVI)、土地利用类型、距河流水系距离、距道路距离等)，依据灰色关联分析得出对应格网单元候选因子(高程、坡度、坡向、曲率、地层岩性、黏土与粉砂土含量、距断层距离、降水、归一化植被指数(NDVI)、土地利用类型、距河流水系距离、距道路距离等)和目标变量(已知区域滑坡敏感性等级)的关联关系，最终确定滑坡敏感性评价因子。

表1滑坡敏感性等级表

表1所示的滑坡敏感性等级表，即在坡度大，有明显滑坡痕迹的区域，其滑坡敏感性一定是中等敏感性及以上，依据形变速率对坡度大有明显滑坡痕迹的区域统计后发现，中等滑坡敏感性区域的形变速率介于0～-3.41mm·a^-1之间、高等滑坡敏感性区域的形变速率介于-3.41～-16.31mm·a^-1之间，非常高滑坡敏感性区域的形变速率介于-16.31～-54.04mm·a^-1之间。在坡度大、无明显滑坡痕迹的区域，依据形变速率将其划分为低、中、高、非常高四个等级的滑坡敏感性，具体对应的形变速率参看表1。在坡度平缓区域，将形变速率在-54.04～27.49mm·a^-1之间的滑坡划分为低滑坡敏感性等级。图6的(a)～(f)部分展示了部分依据本实施例构建的分级标准框架判定的中等、高、非常高滑坡敏感性等级的可视化结果图，可以看到，利用本实施例方法来判定滑坡敏感性等级，既可以在已有滑坡痕迹的区域对其滑坡敏感性进行定级，也可以对潜在滑坡(即表面无明显滑坡痕迹的区域)进行敏感性定级。

图7的(a)部分和(b)部分分别示出了容差和方差膨胀因子。一般情况下如果容差小于0.1或方差膨胀因子(VIF)大于10，则表示有共线性存在。通过图7的(a)部分和(b)部分分析可以看出，选中的14个候选评价因子其容差均大于0.1，最低的容差为高程，其容差值为0.303。14个候选评价因子其方差膨胀因子最大的仅为3.302。通过多重共线分析可知，候选的14个评价因子之间并不共线问题存在。对候选的14个评价因子与相对于划定好的滑坡敏性进行灰色关联分析，得到如图7的(c)部分所示的关联值，越接近1表示其与滑坡敏感性关系越强，从图7的(c)部分可以看到，候选的14个评价因子关联度均大于0.8，平均关联值为0.97，其中曲率的关联值最低，仅为0.84。通过多重共线理论和灰色关联分析最终确定了最佳评价因子为14个，即高程、坡度、坡向、曲率、地层岩性、黏土与粉砂土含量、距断层距离、降雨、归一化植被指数(NDVI)、土地利用类型、距河流水系距离、距道路距离、距矿产点距离和降轨形变速率为该实施例滑坡敏感性评价的重要影响因素。

S4，利用PSO-BP模型构建滑坡敏感性评价模型，并考虑少数无形变速率区域的评价方法，最终得到整个研究区域的滑坡敏感性分级图。

具体地，分别构建了有形变速率区域和少部分无形变速率区域下的滑坡敏感性方法：①针对有形变速率区域，将样本按照7：3的比例分成训练集和验证集，选择均方误差(MSE)作为损失函数，PSO-BP神经网络由训练集训练，直到训练集和验证集的性能没有显着改善。如果满足这两个标准中的任何一个，则将停止PSO-BP神经网络的训练过程。一个标准是训练集的均方误差(MSE)低于1×10^-8。另一个标准是验证集的MSE在20次连续迭代中未能降低，这是为了防止训练过程的过度拟合。根据多次试验得到最佳训练参数，最终的得到已知滑坡敏感性等级区域下，有形变速率区域的滑坡敏感性指数范围，保存网络，将其运用于整个有形变速率信息的实施例域内(共计192070个格网单元)，得到有形变速率下的滑坡敏感性指数，并依据已知滑坡敏感性等级区域下，有形变速率区域的滑坡敏感性指数范围来划分滑坡敏感性等级。②针对少部分无形变速率区域(共计32201个格网单元)，将输入层剔除形变速率，输出层还是基于有形变速率区域判别出来的已知滑坡敏感性等级。然后重新将样本按照7：3的比例分成训练集和验证集，根据多次试验得到最佳训练参数，最终的得到已知滑坡敏感性等级区域下，无形变速率区域的滑坡敏感性指数范围，保存网络，将其运用于整个有形变速率信息的实施例域内，得到无形变速率下的滑坡敏感性指数，并依据已知滑坡敏感性等级区域下，无形变速率区域的滑坡敏感性指数范围来划分滑坡敏感性等级，最终得到整个实施例域的滑坡敏感性等级。

针对有形变速率的区域，根据多次试验得到隐含层为12时结果最佳，构建的PSO-BP滑坡敏感性评价模型训练参数如下：动量因子0.9、学习速率0.1、训练目标0.001、训练次数5000、进化代数80、学习因子C1＝1.49，C2＝1.49，最大速度0.2、种群规模25。对随机抽取的1990个点进行验证，其输出值与期望值如图8(a)所示。为避免单一指标评价不准确，选用四种性能评价指标，即平均绝对误差、均方根误差、平均绝对百分比误差和决定系数R2，得到相对应的数值，如图8(a)所示，分别为0.23、0.0036、14.47％和0.89。平均绝对误差和均方根误差越接近0表示构建的滑坡敏感性越好，平均绝对百分比误差为越小代表模型准确度越好，决定系数R2越接1代表效果越好。通过四种性能评价指标验证了该滑坡敏感性评价模型的准确性和有效性，验证了该模型精度可靠，效果良好，保存训练好的网络。通过对1990个点进行验证，得到了其实际滑坡敏感性指数值，虽然存在少量“异常”数据，并不影响其整体数据可靠性。我们依据实际得到的滑坡敏感性指，剔除异常数据，综合考虑判断，得到在敏感性数值在[0.32，1.41]区间为低滑坡敏感性，在区间(1.41，2.42]为中滑坡敏感性，在区间(2.42，3.40]为高滑坡敏感性，在区间(3.39，4.49]为非常高滑坡敏感性。

对于少部分无形变速率区域，在上述构建好的滑坡敏感性模型基础上，剔除对应的降轨形变速率，重新构建少部分无形变速率区域的滑坡敏感性评价模型，根据多次试验得到隐含层为10时结果最佳，构建的PSO-BP模型训练参数如下：动量因子0.9、学习速率0.1、训练目标0.001、训练次数8000、进化代数70、学习因子C1＝2.8，C2＝1.3，最大速度0.2、种群规模20。对随机抽取的1990个点进行验证，其输出值与期望值如图8(b)所示。依据实际得到的滑坡敏感性指，剔除异常数据，综合考虑判断，得到在敏感性数值在[0.32，1.49]区间为低滑坡敏感性，在区间(1.49，2.44]为中滑坡敏感性，在区间(2.44，3.39]为高滑坡敏感性，在区间(3.38，4.34]为非常高滑坡敏感性。

S5，将本实施例提出的滑坡敏感性评价方法其与传统滑坡敏感性评价方法进行对比验证，说明本发明方法的准确性及有效性。

具体地，选择两种传统滑坡敏感性评价方法，第一种是通过光学影像获得滑坡灾害范围，保持滑坡敏感性评价模型一致，发生滑坡的区域“1”，不发生滑坡的区域“0”，最终通过自然断点法分级得到实施例滑坡敏感性等级。为避免由于滑坡数据源不一致导致评价不准确，第二种是保持滑坡数据源、滑坡敏感性评价模型一致，将发生滑坡的区域“1”，不发生滑坡的区域“0”，最终通过自然断点法分级得到实施例滑坡敏感性等级。不论是第一种还是第二种方法，其所用滑坡敏感性构建模型均是PSO-BP模型，本发明方法其重点是在评价分级结果的准确性，并不是研究不同评价模型在滑坡敏感性评价方面的性能，即不需要用ROC曲线来对模型性能进行判断，综合考虑最终选用数理统计准确率(Accuracy)来验证本实施例方法的有效性和准确性。对于检验样本，以1代表分级正确，0代表分级不正确，统计正确分级所占百分比。

图9(a)所示为利用本实施例方法得到的滑坡敏感性评价结果，图9(b)所示为利用传统滑坡评价方法一得到的滑坡敏感性评价结果，图9(c)所示为利用传统滑坡评价方法二得到的滑坡敏感性结果。图9(b)和图9(c)与其他学者在该实施例获取的滑坡敏感性范围大致一致。同时由图9(b)和9(c)可以看到，随着图9(c)滑坡数据源(即潜在滑坡)的数量增多，非常高等级滑坡敏感性区域逐渐增多，这是由于利用自然断点法进行分级时，默认所有已知滑坡数据源为非常高滑坡敏感性导致的。图9(a)相比图9(c)而言，其数据源一致，但是图9(a)的滑坡敏感并不随着滑坡数量源的增多而使得非常高滑坡敏感性区域增多。

表2不同评价方法得到的滑坡敏感性分类区域

由表2可以直观看到，利用本实施例方法获取的低、中、高、非常高滑坡敏感性区域占比分别为38.93％、29.33％、21.94％和9.80％，随着滑坡敏感性等级变高，其区域面积逐渐减少，这也符合实施例实际情况。相比之下，传统方法一得到的实施例滑坡敏感性等级由低到非常高区域占比分别为12.71％、27.57％、31.61％和28.11％。传统方法二得到的实施例滑坡敏感性等级由低到非常高区域占比分别为12.44％、25.01％、30.22％和32.33％。传统方法一和方法二得到的各等级面积占比大致一致，其中低滑坡敏感性区域占比非常低，通过调研实施例发现，利用自然断点法，即传统方法一和方法二得到的滑坡敏感性分级与实际差距巨大，而且也不符合实际情况，整个实施例中等级滑坡敏感性以上，占70％以上。

表3不同滑坡敏感性评价方法的分级精度

由表3所示的分级准确率可以看出，本实施例方法滑坡敏感性分级准确率为91.71％，传统方法一和方法二滑坡敏感性分级准确率分别为30.80％和53.87％。传统方法一由于是基于光学遥感影像来解译滑坡数据源，就存在无法识别探测到潜在滑坡数据，同时基于自然断点来分级，导致最终滑坡敏感性分级正确率最低。而传统方法二依靠本实施例方法解译出来获的滑坡数据源，一定程度上保证了数据源的有效性性和时效性，但是由于是利用自然断点分级法来进行滑坡敏感性分级，其分级标准不明确导致分级正确率不足60％。

综上，本发明旨在解决传统滑坡敏感性评价方法缺乏对InSAR监测适宜性分析和缺乏明确的滑坡敏感性分级标准框架这两个弊端。与以往传统滑坡敏感评价方法侧重点不同，本发明方法更加注重滑坡敏感性分级框架制定，而不是单纯的对评价模型进行对比，试图探索一套适用于高山峡谷地区滑坡敏感性评价更为准确高效的评价新方法。本发明方法有效的避免了传统滑坡敏感性基于自然断点法分级的模糊分级框架，依托形变速率制定的分级标准框架可为高山峡谷地区滑坡提供了一套有效、准确的滑坡敏感性评价方法示范应用。

基于本发明提供的方法，本发明还提供一种高山峡谷地区滑坡敏感性评价系统，包括：

InSAR监测适宜性分析模块，用于利用R-指数阴影叠掩计算方法对高山峡谷地区的研究区域进行SAR可视性模拟分析，得到最佳InSAR监测方案；

滑坡数据源识别模块，用于依据最佳InSAR监测方案获取研究区域形变速率并识别滑坡灾害范围；所述滑坡灾害范围包括潜在滑坡；

滑坡敏感性分级模块，用于依据形变速率制定滑坡敏感性分级标准，并依据滑坡敏感性分级标准确定研究区域内滑坡灾害范围的滑坡敏感性等级；

最佳评价因子筛选模块，用于对已经确定滑坡敏感性等级的研究区域，依据共线性诊断和灰色关联分析筛选出最佳评价因子；

滑坡敏感性评价模型构建模块，用于将最佳评价因子作为输入，将对应的滑坡敏感性等级作为输出，利用PSO-BP构建并训练滑坡敏感性评价模型；

滑坡敏感性评价模块，用于采用训练好的滑坡敏感性评价模型得到高山峡谷地区的滑坡敏感性评价结果。

进一步地，本发明还提供一种电子设备，该电子设备可以包括：处理器、通信接口、存储器和通信总线。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的计算机程序，以执行所述的高山峡谷地区滑坡敏感性评价方法。

此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非暂态计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种高山峡谷地区滑坡敏感性评价方法，其特征在于，包括：

利用R-指数阴影叠掩计算方法对高山峡谷地区的研究区域进行SAR可视性模拟分析，得到最佳InSAR监测方案；

依据最佳InSAR监测方案获取研究区域形变速率并识别滑坡灾害范围；所述滑坡灾害范围包括潜在滑坡；

依据形变速率制定滑坡敏感性分级标准，并依据滑坡敏感性分级标准确定研究区域内滑坡灾害范围的滑坡敏感性等级；

对已经确定滑坡敏感性等级的研究区域，依据共线性诊断和灰色关联分析筛选出最佳评价因子；

将最佳评价因子作为输入，将对应的滑坡敏感性等级作为输出，利用PSO-BP构建并训练滑坡敏感性评价模型；

采用训练好的滑坡敏感性评价模型得到高山峡谷地区的滑坡敏感性评价结果。

2.根据权利要求1所述的高山峡谷地区滑坡敏感性评价方法，其特征在于，所述利用R-指数阴影叠掩计算方法对高山峡谷地区的研究区域进行SAR可视性模拟分析，得到最佳InSAR监测方案，具体包括：

利用R-指数阴影叠掩计算公式R-index＝(sin(θ-β·sin(A)))·Sh·L确定R-index值；其中，θ为LOS视线向入射角；β为数字高程模型派生出来的地形坡度；A为相位校正因子，对降轨数据A＝α-γ，对升轨数据A＝α+γ+180°；α为数字高程模型派生出来的地形坡向；γ为卫星地面轨道角或航向角；Sh和L分别为重分类阴影模型和叠掩模型；

根据R-index值确定升轨和降轨下的主动/被动叠掩、主动/被动阴影和透视收缩区域；

通过分析升轨和降轨下的主动/被动叠掩、主动/被动阴影和透视收缩区域的占比，找出最适合于研究区域的最佳InSAR监测方案；所述最佳InSAR监测方案为单一升轨监测方案、单一降轨监测方案或联合升降轨监测方案。

3.根据权利要求1所述的高山峡谷地区滑坡敏感性评价方法，其特征在于，所述依据最佳InSAR监测方案获取研究区域形变速率并识别滑坡灾害范围，具体包括：

依据最佳InSAR监测方案，通过利用SBAS-InSAR技术获取研究区域内的形变速率并确定形变区域；

引入高分辨率光学影像对形变区域进行辅助识别，结合形变范围、高程、坡度、植被覆盖和坡体是否具有滑坡特征进行识别，识别出滑坡灾害范围。

4.根据权利要求1所述的高山峡谷地区滑坡敏感性评价方法，其特征在于，所述依据滑坡敏感性分级标准确定研究区域内滑坡灾害范围的滑坡敏感性等级，具体包括：

依据形变速率将坡度大且有滑坡痕迹的区域判定为中、高或非常高滑坡敏感区；

依据形变速率将潜在滑坡划分为低、中、高或非常高滑坡敏感区；

将坡度平缓区域划分为低滑坡敏感区。

5.根据权利要求1所述的高山峡谷地区滑坡敏感性评价方法，其特征在于，所述对已经确定滑坡敏感性等级的研究区域，依据共线性诊断和灰色关联分析筛选出最佳评价因子，具体包括：

对已经确定滑坡敏感性等级的研究区域，利用多重共线性中的容差和方差膨胀因子对所选取的评价候选因子进行分析，剔除共线性高的候选因子，然后依据灰色关联分析筛选出最佳评价因子；所述候选因子包括高程、坡度、坡向、曲率、地层岩性、黏土与粉砂土含量、距断层距离、降水、归一化植被指数、土地利用类型、距河流水系距离、距道路距离、形变速率以及距矿产点距离。

6.一种高山峡谷地区滑坡敏感性评价系统，其特征在于，包括：

InSAR监测适宜性分析模块，用于利用R-指数阴影叠掩计算方法对高山峡谷地区的研究区域进行SAR可视性模拟分析，得到最佳InSAR监测方案；

滑坡数据源识别模块，用于依据最佳InSAR监测方案获取研究区域形变速率并识别滑坡灾害范围；所述滑坡灾害范围包括潜在滑坡；

滑坡敏感性分级模块，用于依据形变速率制定滑坡敏感性分级标准，并依据滑坡敏感性分级标准确定研究区域内滑坡灾害范围的滑坡敏感性等级；

最佳评价因子筛选模块，用于对已经确定滑坡敏感性等级的研究区域，依据共线性诊断和灰色关联分析筛选出最佳评价因子；

滑坡敏感性评价模型构建模块，用于将最佳评价因子作为输入，将对应的滑坡敏感性等级作为输出，利用PSO-BP构建并训练滑坡敏感性评价模型；

滑坡敏感性评价模块，用于采用训练好的滑坡敏感性评价模型得到高山峡谷地区的滑坡敏感性评价结果。

7.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的高山峡谷地区滑坡敏感性评价方法。

8.根据权利要求7所述的电子设备，其特征在于，所述存储器为非暂态计算机可读存储介质。