摘要
干涉合成孔径雷达（InSAR）被广泛用于地质灾害监测，但由于地形陡峭、植被茂密以及滑坡事件发生迅速，其在山区应用仍然面临困难。中国的陆地观测卫星-1（LT-1）是一种新型L波段雷达，具有高空间分辨率和频繁的重访周期，为在复杂地形中检测滑坡提供了新的机会。本研究利用LT-1数据进行了长期的SBAS-InSAR滑坡监测和验证，并结合了Sentinel-1、ALOS-2和GNSS观测结果进行对比分析。结果显示，LT-1检测到了117处潜在滑坡，远超过同一区域内Sentinel-1的检测数量。即使在陡峭且植被覆盖的地形中，LT-1也保持了良好的相干性和时间稳定性，能够可靠地检测到缓慢移动的斜坡变形。案例研究证明了其能够检测到每年超过80毫米的沉降速率。GNSS和InSAR的结果在变形趋势和降雨响应方面表现出高度一致性（r > 0.82，p < 0.01），进一步支持了这种监测方法的可靠性。总体而言，研究结果表明，LT-1与SBAS-InSAR结合使用可以准确捕捉地表和斜坡的累积变形。
关键词：山区；滑坡识别；SBAS-InSAR；LT-1；GNSS
1. 引言
滑坡是山区最常见的破坏性地质灾害之一，直接威胁基础设施和当地社区的安全（Sun等人，2015年；Zhou等人，2022年）。传统的地面调查和GPS方法对局部监测有一定作用，但受到视线限制、部署难度以及缺乏连续覆盖的制约。这些因素使得它们无法满足大规模、长期和复杂地形下的滑坡监测和早期预警需求（Gili等人，2000年；Auflič等人，2023年；Casagli等人，2023年）。相比之下，干涉合成孔径雷达（InSAR）已成为一种广泛使用的滑坡监测工具，具有全天候能力、广泛的空间覆盖范围和高测量精度（Zhang等人，2023年；Meng等人，2024年；Yang等人，2024年）。研究表明，差分InSAR（D-InSAR）（Schlögel等人，2015年；Zhong等人，2024年；Xu等人，2025年）和多时相InSAR（MT-InSAR）（Devara等人，2021年；Zhou等人，2022年；Zhou等人，2024年）等方法在跟踪滑坡变形方面非常有效。然而，在陡峭或植被覆盖的地形中，D-InSAR容易受到时空去相关性和大气延迟的影响，从而限制了其可靠性（Siles等人，2020年；Wu等人，2025年；Yu等人，2025年）。时间序列方法的发展，特别是小基线子集（SBAS）InSAR方法，有助于克服这些限制，在复杂的山区环境中显示出强大的滑坡检测和监测潜力（Zhao等人，2019年；Shan等人，2025年）。
尽管InSAR应用广泛，但在地形陡峭和植被茂密的山区仍面临重大技术挑战，包括几何失真（重叠、阴影效应和观测角度损失）、由于植被导致的相干性丧失、大气和电离层相位延迟，以及难以检测到常被噪声掩盖的缓慢长期变形信号（Liang等人，2018年）。这些问题共同限制了短波长系统（C波段和X波段）和单次观测方法在这些环境中的有效性。因此，波长选择和时间处理策略对于有效监测至关重要。L波段雷达相比短波长雷达具有优势，如更强的植被穿透能力和更好的相干性保持能力，但也更容易受到电离层干扰的影响。在复杂地形区域，最小化几何和大气误差需要最佳的成像几何配置（例如结合上升和下降轨道）以及时间反演技术（Zhang等人，2021年）。SBAS-InSAR通过限制基线长度并应用最小二乘反演的多基线矩阵分解来减少时空去相关性，从而提取稳定的长期变形信号，特别适用于检测山区的缓慢移动滑坡。目前，用于地表变形监测的主要L波段SAR卫星包括日本的ALOS-2（JAXA）和阿根廷的SAOCOM-1A（Yang等人，2024年；Chen等人，2025年）。然而，高昂的数据采集成本和商业卫星不均匀的空间-时间覆盖范围限制了它们在易发生滑坡区域的连续监测中的应用（Teng等人，2021年；Chen等人，2025年）。中国的首颗L波段SAR卫星星座LT-1专为地形测绘和地质灾害监测而设计（Hu等人，2024年），因其潜在应用而受到越来越多的关注。因此，系统评估LT-1卫星在山区滑坡检测能力具有重要的科学价值和实际意义，对灾害早期预警和风险评估具有重要意义。
早期关于中国自主研发的L波段InSAR卫星LT-1的研究显示了其在滑坡监测方面的良好效果，但仍存在一些局限性。一项研究（Liu等人，2025年）利用LT-1测量斜坡变形并研究环境影响，初步证明了其在地质灾害早期预警中的价值。另一项研究（Xiong等人，2025年）评估了轨道姿态、植被覆盖和监测间隔对检测结果的影响，表明几何形状和时间分辨率对结果有显著影响。还有一项研究（Chen等人，2025年）在丘陵地形中同时使用了LT-1的上升和下降轨道数据，并与Sentinel-1进行了初步比较。这些研究共同为LT-1的可行性提供了重要证据，但仍存在明显局限性。大多数研究仍局限于双场景或短期的D-InSAR分析，对LT-1在高海拔地区的长期SBAS-InSAR性能评估不足。此外，对其相干性保持、误差抑制以及与其他卫星（如Sentinel-1和ALOS-2）的比较验证也不够充分。这些不足限制了人们对LT-1在滑坡灾害识别中适用性的全面理解。
为了解决这些局限性，本研究开发了一个针对LT-1数据的长期SBAS-InSAR评估框架，以贵州省纳雍县作为代表性的山区研究区域。该框架追求三个主要目标：(a) 将SBAS方法应用于多周期LT-1数据，生成稳定的长期变形序列，克服在陡峭和植被覆盖地形下双图像D-InSAR中常见的相位损失问题；(b) 使用一致的处理流程将LT-1与Sentinel-1和ALOS-2进行比较；(c) 评估LT-1在滑坡监测中的可靠性和适用性。文章最后总结了主要研究结果。
2. 研究区域
纳雍县隶属于毕节市，位于中国贵州省西北部，地处乌蒙山脉中部，经度介于104°07′–105°04′之间，纬度介于26°29′–27°15′之间。该县面积约为2,444平方公里，地形呈梯形分布，西部海拔较高，向东逐渐降低。海拔范围从约1,300米到超过2,700米。地形崎岖，以陡峭的山脉、深邃的峡谷和典型的喀斯特地貌为特征，反映了复杂的地质结构。该地区属于热带湿润季风气候，年降水量为1,100–1,300毫米，主要集中在5月至9月，期间降雨量大。人类工程活动的增加加剧了地质灾害的风险，对当地居民的生命和财产构成严重威胁。值得注意的是，纳雍县是贵州省的主要煤炭开采区。大规模的采矿活动加上频繁的降雨常常引发地质扰动和滑坡，对当地社区和生产造成严重影响。研究区域的地形和SAR数据的空间分布如图1a-c所示。
图1. 研究区域概览及SAR图像覆盖情况。(a) 中国边界；(b) 贵州省边界；(c) 纳雍县及SAR数据覆盖分布图。
3. 材料与方法
3.1 数据来源
目前主流的SAR卫星使用X波段、C波段和L波段传感器（Liang等人，2022年；Xiong等人，2025年）。在研究区域内，由于深谷和茂密植被的存在，传统X波段和C波段数据的穿透能力受到限制。此外，贵州频繁的云层和雾气条件会导致信号严重不连贯。单轨采集还受到几何限制、地形遮挡和严重阴影效应的影响（Dini等人，2019年；Zhang等人，2021年）。这些因素大大降低了传统SAR数据在崎岖山区进行精确变形监测的有效性。相比之下，LT-1卫星星座是中国首个专为干涉测量设计的SAR系统，由两颗卫星（A和B）组成，每颗卫星都配备了L波段SAR传感器，具备全天候、昼夜和多极化成像能力（Wang等人，2024年）。LT-1支持五种条带模式和一种扫描模式成像选项，空间分辨率范围从3米到500米，扫描宽度介于50公里到400公里之间（Lu等人，2025年）。条带模式1数据具有高空间分辨率和短重访间隔，非常适合解决中国西南部山区的时间和空间不连贯性问题，实现可靠的变形监测。LT-1卫星的关键参数总结在表1中。
表1. LT-1卫星的主要参数。
本研究还使用了ALOS-2和Sentinel-1卫星作为辅助数据来验证LT-1数据的应用。共获取了86幅上升轨道和107幅下降轨道的LT-1图像，覆盖研究区域。上升轨道数据的时间跨度为2023年7月7日至2025年2月18日，下降轨道数据的时间跨度为2023年7月12日至2025年1月10日。此外，还包括2024年8月11日至11月3日期间收集的4幅L波段ALOS-2上升轨道图像，以及2023年8月23日至2024年11月9日的Sentinel-1上升轨道数据。卫星数据的详细信息见表2。
表2. 研究区域内SAR数据源的统计信息。
本研究采用了来自日本的ALOS World 3D（AW3D30）数字表面模型（DSM）作为外部数字高程模型（DEM）数据，以模拟和消除干涉测量中的地形相位效应。同时，应用了LT-1和Sentinel-1的精确轨道数据（POD）来校正轨道误差，有效减少系统误差并提高测量精度。此外，根据辐射校准和大气校正，从Landsat 8数据计算了归一化植被指数（NDVI），用于比较不同波段雷达数据在植被影响下的性能。其计算公式为：(近红外 − 红)/(近红外 + 红)。
3.2 SBAS-InSAR算法
小基线子集（SBAS）InSAR技术由Berardino等人于2002年首次提出（Tizzani等人，2007年）。该方法根据空间和时间阈值将SAR图像分割成多个小基线子集（Guo等人，2021年）。然后对每个子集应用最小二乘法来推导地表变形时间序列。通过处理具有短空间和时间基线的SAR图像，该方法减少了时空去相关性，并最小化了山区的大气延迟。因此，它解决了使用长基线时D-InSAR通常遇到的严重去相关问题（Zhu等人，2022年）。SBAS-InSAR技术的基本原理如下：
假设在t₁至tn时间段内获取了N+1幅同一区域的SAR图像，生成了M个差分干涉图。满足以下条件：
(1) N+1 ≤ M ≤ N(N+1)
对于第ti幅（i = 1, 2, ..., N+1）差分干涉图，任何点的干涉相位可以表示为：
φ = φt2 − φt1 ≈ φflat + φtop + φdef + φatmo + φnoise
在公式中，ψflat表示平坦地形的相位；ψtop表示地形引起的相位；ψdef对应地表变形；ψatmo表示大气延迟；ψnoise表示观测噪声。地表变形相位是通过减去平坦、地形、大气和噪声成分得到的。
雷达数据使用SARscape 5.7进行处理。SBAS-InSAR应用于LT-1和Sentinel-1数据，而D-InSAR应用于ALOS-2数据。为了平衡准确性和网络稳定性，设置了干涉配对的基线阈值。先前的研究表明，LT-1在植被覆盖下具有良好的相干性，时间基线最长可达84天（Xiong等人，2025年）。空间基线阈值被限制在45%，以确保有足够的干涉对来维持时间序列的连续性。由于研究区域地形陡峭且植被茂密，这降低了C波段的相干性，因此对Sentinel-1应用了更严格的阈值。在测试了多种配置后，发现时间基线为48天、空间基线为45%（与LT-1设置相匹配）时，Sentinel-1的结果最佳。大气延迟使用GACOS进行了校正。图2a-c展示了LT-1和Sentinel-1的时空基线连接图。图2. 由InSAR数据集形成的时空连接图。(a) LT-1升轨时间位置图；(b) LT-1降轨时间位置图；(c) Sentinel-1升轨时间位置图。阅读该图的详细描述。这三个面板的时间位置图显示了三个不同InSAR数据集的相对位置（以米为单位）与采集日期的关系。面板a标记为LT-1升轨，显示了大约0到1500米范围内的相对位置，在2024年6月左右达到峰值。面板b标记为LT-1降轨，显示了大约0到负3000米范围内的相对位置，在2024年12月左右急剧下降到负3000米。面板c标记为Sentinel-1升轨，显示了大约100到负250米范围内的相对位置，并在这些日期之间有所波动。阅读完整大小。所有图像对在差分干涉测量前都进行了0.1像素的配准。LT-1数据的多视因子（范围：方位角）为4:7，Sentinel-1数据的多视因子为3:1，两者均产生了大约15米的地面分辨率。相位解包使用了最小成本流（MCF）算法，阈值设为0.2，并结合了Goldstein自适应滤波器（窗口大小为128）。然后应用相位变换来生成变形结果。通过过滤、解包和变形场重建来提取时间序列变形。AW3D30 DEM数据用于去除地形相位成分，地理编码确保了准确的空间定位。完整的工作流程如图3所示。图3. 时间序列InSAR处理工作流程图。阅读该图的详细描述。流程图显示了一个三阶段的时间序列InSAR处理流程。第一阶段，预处理时间序列，从N加1个SAR图像开始，得到N加1个SLC图像。精确轨道数据也输入到N加1个SLC图像中。N加1个SLC图像和AW3D30 DSM共同生成干涉图。第二阶段，差分干涉测量，从干涉图开始，经过去除平坦和地形效应，然后是自适应滤波，接着是相位解包。相位解包后得到D-InSAR，最后得到累积变形。第三阶段，时间序列处理，从累积变形开始，选择高相干点。选择高相干点后得到M个干涉图。M个干涉图通过SBAS方法处理，得到相位累积变形和平均速度图。阅读完整大小。3.3 滑坡识别与验证SBAS-InSAR和D-InSAR的表面变形产品是本研究中识别滑坡危险的核心数据集。由于InSAR通常只能检测到复杂山区中的局部变形，因此无法一步划定完整的滑坡边界。在这里，InSAR变形模式作为初步识别指南。然后通过结合地形数据和高分辨率光学图像来细化边界并评估成因因素。工作流程如下：(1) 从时间序列数据中提取年平均变形率大于10毫米/年的区域作为初步候选者，以平衡InSAR噪声和对早期缓慢运动的敏感性。(2) 从AW3D30 DEM中获取坡度角，排除坡度<10°的区域，因为这些平缓的地形很少支持大规模滑坡。(3) 将候选区域叠加在高分辨率光学图像（Google Earth）上。通过识别典型的滑坡特征（包括地表裂缝、局部塌陷、碎屑堆积和植被扰动）来细化边界。识别并排除与工程相关的变形（如道路、采矿）。(4) 最终验证参考贵州省地质灾害防治指挥平台的危险点数据，并在可行的情况下与现场观察结果进行交叉核对。只有同时满足三个条件的区域——显著变形、合适的地形和无人干扰——被分类为潜在的滑坡危险点（图4）。图4. 综合InSAR结果和光学图像的滑坡判别图。阅读该图的详细描述。流程图展示了一个滑坡判别过程。它从顶部的两个梯形输入节点开始：InSAR变形产品和光学图像。这两个节点都通向一个标记为“坡度大于10度”的圆形矩形节点。从这个节点出发，有两个水平箭头分支出来。左箭头指向一个标记为“滑坡特征”的圆形矩形节点，其中列出了裂缝、植被、悬崖和扰动。右箭头指向一个标记为“人类活动”的圆形矩形节点，其中列出了工程、铁路和采矿。一个双向水平箭头连接滑坡特征和人类活动节点。从滑坡特征节点向下有一个箭头指向一个标记为“潜在滑坡”的圆形矩形节点。从人类活动节点向下有一个箭头指向一个标记为“非滑坡”的圆形矩形节点。阅读完整大小。基于对疑似滑坡的光学图像解释和成因分析，本研究通过将InSAR结果与外部GNSS监测数据进行交叉参考，进一步验证了InSAR结果，以便进行全面比较和评估。由于时间序列InSAR沿卫星视线（LOS）测量变形，而GNSS提供垂直变形数据，因此使用公式（方程3(3) Δdv=ΔⅆLOScosθ(3) （Zhang等人，引用2024）将LOS测量转换为垂直位移，以便直接比较两个数据集。（3）Δdv=ΔⅆLOScosθ(3) 在公式中，ΔdLOS代表视线变形，θ是卫星的入射角，Δdv表示垂直变形。通过比较三个SAR数据集获得的变形率的空间分布和大小来进行交叉验证。然后使用匹配的经纬度点来比较变形时间序列中的时间变化。最后，结合GNSS长期监测数据，将GNSS站点与每个SAR数据集中的持久散射体（PS）点对齐，以定量评估准确性和稳定性。详细结果将在后续章节中呈现。4 结果与分析4.1 基于时间序列InSAR技术的表面变形结果SBAS-InSAR结果显示研究区域内存在多个连续的表面变形区，局部滑坡区域显示出明显的变形趋势（图5）。跨数据集比较表明，升轨（图5a）和降轨（图5b）L波段LT-1数据保持了强烈的空间相干性。相比之下，C波段Sentinel-1（图5c）在相同的地形和植被条件下显示出明显的间隙。典型滑坡区域的放大视图（图5d,f,h）及其对应的光学图像（图5e,g,i）清楚地显示了滑坡边界、暴露的塌陷表面和受扰动的植被等特征。这些观察结果表明，InSAR变形结果可以与光学图像有效交叉验证，为滑坡危险识别提供可靠的支持。图5. 从SBAS-InSAR得出的研究区域平均表面变形率和典型滑坡识别结果。(a) LT-1升轨速度场；(b) LT-1降轨速度场；(c) Sentinel-1升轨速度场；(d, f, h) 代表性滑坡区域的变形结果；(e, g, i) 相同区域对应的光学图像。阅读该图的详细描述。这9个面板的图像分为三行。顶部行包含三个面板a、b和c，显示速度场。面板a显示的速度场范围是从每年-266.05毫米到146.09毫米。面板b显示的速度场范围是从每年-348.53毫米到266.49毫米。面板c显示的速度场范围是从每年-224.47毫米到217.63毫米。每个面板都包含一个用红色勾勒出的研究区域和一个表示30公里的刻度条。底部行由面板d、e、f和g组成。面板d显示了一个带有红色轮廓的放大变形结果。面板e显示了同一区域的对应光学图像及其红色轮廓。面板f显示了另一个带有红色轮廓的变形结果。面板g显示了同一区域的对应光学图像及其红色轮廓。图像的右侧包含面板h和i。面板h显示了一个带有红色轮廓的变形结果，面板i显示了同一区域的对应光学图像及其红色轮廓。坐标系显示为北纬27度14分、东经104度58分、北纬26度22分和东经105度36分。阅读完整大小。为了评估在复杂地形和茂密植被下的干涉测量性能差异，研究了LT-1和Sentinel-1的差分干涉图（图6，图7）。LT-1干涉图显示出连续的干涉条纹和良好的相位信息（图6），而Sentinel-1干涉图在同一区域内显示出碎片化的干涉条纹和显著的相干性损失（图7）。这表明LT-1在L波段条件下提供了更好的空间相干性，为SBAS-InSAR时间序列分析提供了更高质量的干涉输入。这也解释了为什么在图5中LT-1的变形结果比Sentinel-1具有更高的空间完整性。图6. LT-1差分干涉图。阅读该图的详细描述。这个由50个面板组成的网格分为五行，每行十个面板，显示了山区不同阶段的相位模式。每个面板都显示了一个带有唯一日期范围的矩形图像。图像中混合了品红色、黄色、绿色和蓝色的色调，表示不同的干涉模式。一些面板显示了小的、局部化的亮黄色或品红色区域，表明这些区域有较大的位移或变化。一条淡淡的红线可能表示断层或地质特征，水平穿过许多面板的下部。整个网格的视觉趋势是一致的干涉模式显示，从左到右或从上到下没有明显的进展或变化。每个面板上打印的日期范围不同，涵盖了2023年7月到2024年7月的时期，具体示例包括20230712到20230716和20240628到20240726。阅读完整大小。图7. Sentinel-1差分干涉图。阅读该图的详细描述。这个由40个面板组成的网格分为四行，每行十个面板，显示了每个面板都有不同的干涉条纹模式。每个面板都标有日期范围，例如20230823到20230904、20230916到20230904和20230916到20231115。这些模式由交替的亮条纹和暗条纹组成，颜色从紫色、蓝色、绿色、黄色到红色不等，表示相位变化。一些面板显示密集、紧密排列的条纹，而其他面板显示更宽泛、更分散的模式。例如，标记为20240102到20240115的面板显示了左下角的大面积密集、旋转的条纹，而标记为20240314到20240207的面板显示了更均匀、不那么密集的模式。整个面板的趋势表明这些条纹模式随时间间隔的变化而变化。阅读完整大小。为了评估不同卫星平台和轨迹之间的变形测量一致性，图8展示了LT-1升轨和降轨以及Sentinel-1升轨的变形率分布直方图。常见像素的平均变形率和标准差分别为：LT-1升轨，-0.46和9.38毫米/年（图8a）；LT-1降轨，1.80和18.83毫米/年（图8b）；Sentinel-1升轨，-0.05和26.13毫米/年（图8c）。变形率的差异可能源于轨道方向和入射角的几何变化，这些变化在InSAR处理过程中没有完全校正，这使得在地形多变的区域难以将变形数据投影到一致的参考上（Liu等人，引用2021）。此外，不同波长的SAR传感器对变形信号的响应不同；Sentinel-1（C波段）对表面变形更敏感，但也更容易受到植被、大气效应和其他噪声源的影响，导致其标准差较大，为26.13毫米/年。图8. 不同SAR数据集下的变形率分布直方图。(a) LT-1升轨变形率直方图；(b) LT-1降轨变形率直方图；(c) Sentinel-1升轨变形率直方图。阅读该图的详细描述。这个由3个面板组成的条形图分为两行，第一行有两个面板，第二行有一个面板，显示了每年毫米数的变形率分布。图a标记为LT-1 ASC，显示了每年从-20到20毫米的变形率分布。点数在0附近达到峰值，平均值为每年-0.46毫米，标准差为9.38毫米。图b标记为LT-1 DES，显示了每年从-40到40毫米的变形率分布。点数在0附近达到峰值，平均值为每年1.80毫米，标准差为18.83毫米。图c标记为Sentinel-1 ASC，显示了每年从-40到40毫米的变形率分布。点数在0附近达到峰值，平均值为每年-0.05毫米，标准差为26.13毫米。每个图都包含一个图例，指示数据、平均值和标准差。
为了比较L波段SAR数据在山区识别滑坡危险方面的性能，本研究使用D-InSAR方法处理了ALOS-2数据以提取累积变形信息，如图9a所示。从ALOS-2提取的变形相对平滑，振幅变化较小。研究区域南部有几个明显的变形区（图9b）。值得注意的是，这些变形区（R1–R4）与图9c–f中识别的区域以及LT-1数据的SBAS时间序列分析所划定的区域相对应。ALOS-2的有限检测能力主要是由于仅使用了两张图像，且D-InSAR对时间基线的敏感度较高，这使得检测小的、连续的变形变得困难，从而导致滑坡危险的遗漏。相比之下，SBAS-InSAR通过整合多个时间数据集，能够更可靠地捕捉到山区低幅度、缓慢移动的变形，从而证明了其在滑坡监测中的有效性。
图9. 基于ALOS-2 D-InSAR的Nayong县累积变形图。(a) Nayong县累积变形的概览图；(b) Nayong县南部明显变形区域的局部图；(c–f) 相应变形区域（R1-R4）的光学图像。
六幅图展示了累积变形情况。图a是一幅概览图，显示了一个大的灰色和绿色区域，红色轮廓标出了研究区域。一个虚线红色矩形突出显示了一个区域，该区域在图b中有所扩展。水平刻度尺显示0到30公里。垂直刻度尺显示变形范围从-81毫米到97毫米。图b是一幅局部图，显示了一个绿色和灰色区域，其中四个红色轮廓区域分别标记为R1、R2、R3和R4，从上到下排列。图c、d、e和f是对应变形区域的光学图像。图c显示了一个绿色和棕色的景观，带有红色轮廓。图d显示了一个绿色景观，带有红色轮廓。图e显示了一个绿色和棕色的景观，带有红色轮廓。图f显示了一个绿色和棕色的景观，带有红色轮廓。
4.2 潜在滑坡识别的结果
本研究使用来自InSAR的年平均地表变形率作为主要数据。通过解释Google Earth影像和贵州省地质灾害的实地调查数据，验证了变形区域，从而在研究区域内识别出117处滑坡（图10a）。使用Sentinel-1数据，识别出18处滑坡危险点，其中8处与LT-1检测到的滑坡重叠。LT-1数据在上升轨道上检测到56处滑坡，在下降轨道上检测到68处滑坡，包括在两个轨道方向上都识别出的17处滑坡。
图10. (a) 使用不同SAR数据识别的滑坡危险点分布图；(b) 高植被覆盖区域的Sentinel-1变形结果；(c) 高植被覆盖区域的LT-1变形结果；(d) 地形起伏显著区域的滑坡危险点示意图；(e) 高植被条件下的滑坡危险点示意图。
五幅图展示了研究区域的滑坡危险点、变形速度、NDVI和海拔高度。图a显示了一幅灰度地形图，红色轮廓标出了研究区域。不同颜色的圆圈代表潜在的滑坡：Sentinel-1用绿色表示，ALOS-2用粉色表示，下降轨道用浅蓝色表示，上升轨道用深蓝色表示。一个红色矩形突出显示了一个子区域。图b显示了该子区域的卫星图像，带有红色轮廓。图c展示了该子区域的变形速度（以毫米/年为单位），范围从小于-30到25到30毫米，图例显示了从深红色到深蓝色的渐变。图d展示了该子区域的归一化植被指数（NDVI），图例显示了从0到0.1到0.9到1的值。图e展示了该子区域的海拔高度（以米为单位），图例显示了从1055.29到2474.46的值。
在研究区域的东南部成功识别了一个典型的滑坡危险点（图10b和c），该区域地形陡峭且植被密度高（NDVI > 0.7）（图10d和e）。地形变化和密集植被的结合挑战要求强大的SAR信号处理能力。Sentinel-1数据未能在该区域捕捉到有效的变形信号或检测到滑坡迹象。相比之下，LT-1和ALOS-2数据提供了连续且可靠的变形测量，准确识别了滑坡危险。这一结果表明，L波段SAR数据在复杂地形和密集植被条件下具有更好的穿透力和连贯性，显著提高了使用InSAR技术进行滑坡检测的效果。
4.3 典型滑坡 - YCZ滑坡分析
本研究重点关注位于Nayong县Yangchang Township（104.92°E, 27.09°N）的滑坡，该滑坡是通过LT-1、ALOS-2和Sentinel-1数据识别的。根据贵州省的地质灾害记录，这是一个具有重大风险的大规模滑坡。图11a显示了SBAS-InSAR结果中的变形率异常。高分辨率遥感（图11a和b）和Google Earth影像（图11c）显示该区域植被茂密。左侧斜坡上清晰可见横向拉伸裂缝，表明滑坡处于变形的晚期阶段。此外，右侧斜坡上的新鲜白色沙子和砾石表明植被丧失，土壤和岩石暴露，直接证明了滑坡活动的发生。
图11. (a) SBAS-InSAR滑坡示意图；(b) 滑坡的局部裂缝；(c) 滑坡区域的Google Earth 3D遥感图像。
三幅图展示了滑坡分析。图a是一幅2D卫星地图，上面叠加了许多不同颜色的小圆圈，表示数据点。一个大的不规则红色轮廓包围了一个中心区域，其中包含红色和黄色圆圈，而蓝色和绿色圆圈位于该边界之外。红色箭头从图a指向图b。图b是该森林区域的放大2D卫星视图，显示了两个明显的浅色延长特征，标记为Crack1和Crack2。红色箭头指向这些特征。图c是该山区森林区域的3D遥感图像。图a中的相同颜色圆圈在地形上仍然可见。两个黄色矩形标签Crack1和Crack2位于山坡上的浅色延长区域上方。虚线红色和黄色线条勾勒出斜坡上的特定区域。
在滑坡区域内选择了五个特征点（p1–p5）：分别位于拉伸裂缝上方、新鲜滑坡痕迹上方、滑坡下方和滑坡边缘（图12a）。如图12b所示，这些点的时间序列曲线显示了整个区域的一致变形趋势。点p1位于左侧裂缝上方，显示出强烈的变形信号；p2位于斜坡中部，显示出中等程度的变形趋势；p3位于斜坡边缘下方，显示出轻微的抬升，可能是由于上方沙子和砾石的重力滑动导致下方边缘的压缩和向上移动。点p4和p5位于滑坡边缘，显示出相对稳定的变形。这些观察结果与SBAS-InSAR的结果一致，证明了LT-1数据在植被密集和地形复杂的区域识别滑坡活动的有效性。
图12. (a) 滑坡特征点分布；(b) 特征点的累积变形曲线。
两幅图展示了滑坡特征点。图a显示了一幅带有绿色和浅蓝色区域的地图，以及一个大的红色区域。可以看到几个标记点：P1是红色区域内的一个红色点，P5是P1右侧的洋红色点，P2是P1下方的蓝色点，P3是P2下方的黄色点，P4是P3右侧的青色点。图b是一条折线图，显示了垂直轴上的累积变形（以毫米为单位）与水平轴上的时间（从9月12日到1月24日）的关系。六条线代表不同的点。P3线（黄色圆圈）显示先略有增加，然后稳定在25毫米左右。P5线（洋红色圆圈）先略有减少，然后稳定在-25毫米左右。P1线（红色圆圈）从0减少到-50毫米，然后在-50到-75毫米之间波动，最终稳定在-100毫米左右。P4线（青色圆圈）从0减少到-50毫米，然后在-50到-75毫米之间波动，最终稳定在-125毫米左右。P2线（蓝色圆圈）从0急剧减少到-100毫米，然后在-100到-150毫米之间波动，最终稳定在-150毫米左右。
5. 讨论
5.1 LT-1卫星在山区条件下的性能
InSAR可以检测毫米级的地表变形并识别缓慢移动的滑坡。然而，其准确性受到环境因素的影响，如大气条件、地形、植被以及所使用的SAR数据的特性。在这项研究中，选择了四个由LT-1和Sentinel-1数据共同识别的代表性滑坡地点进行详细分析（图13）。
图13. Nayong县四个代表性区域（a-d）中LT-1（左列）和Sentinel-1（右列）SBAS-InSAR数据得出的滑坡变形检测结果比较。红色实线勾勒出了滑坡或塌陷区域的范围。
四幅图展示了山区地形的变形速度图。每个图都显示了一个卫星视图，上面叠加了表示变形速度（以毫米/年为单位）的彩色点。红色线条勾勒出了滑坡或塌陷区域。图a左侧显示了大量红色/橙色点（负速度），勾勒出了两个大面积区域。图a右侧显示了较少的分散的黄色/绿色点（较小的负/正速度）。图b左侧显示了一个大的红色/橙色区域（显著的负变形），由红色线条勾勒。图b右侧显示了较少的黄色/绿色点。图c左侧显示了几个较小的红色/橙色区域（负变形），由红色线条勾勒。图c右侧显示了稀疏的黄色/绿色点。图d左侧显示了一个明显的红色/橙色区域（负变形），由红色线条勾勒，其中可见建筑物。图d右侧显示了较少的黄色/绿色点。水平图例表示变形速度（以毫米/年为单位），范围从小于-100（深红色）到大于100（深蓝色），中间有橙色、黄色、绿色和浅蓝色。
在Sentinel-1和LT-1数据之间的变形点空间分布上观察到了显著差异，揭示了许多局部变形、发育良好的裂缝和广泛分布的危险斜坡。图13a显示了Nayong县Bijie市Maniling Township的一个区域（105°14′36″E, 26°42′57″N），被识别为具有高风险的复杂滑坡。在斜坡前缘可以看到大量灰白色的新鲜砾石堆积，而后缘则显示出暴露的裂缝；底部由较细的土壤或砾石组成。变形率表明该集群顶部受到严重影响，最大变形率为-170毫米/年。图13b显示了Liupanshui市Shucheng District Huale Town的一个区域（105°10′22″E, 26°31′44″N），最大变形率为-188毫米/年。该区域位于危险斜坡下方，一条水平道路穿过，使下方的村庄面临相当大的风险。图13c位于Nayong县Yangchang Township（105°09′32″E, 26°35′36″N），最大变形率为-90毫米/年。图13d显示的是位于毕节市紫金县桑塘乡（105°28′29″E，26°37′45″N）的区域，该地区的最大变形速率为每年175毫米。对两个数据集的干涉测量结果进行定量比较后发现，在图13a中标记的约7平方公里的滑坡区域内，LT-1数据集产生了28,218个时间序列点，对应密度为每平方公里3,892个点；而Sentinel-1在同一区域仅产生了1,966个点。这种显著差异表明Sentinel-1的结果在变形采样上较为稀疏，而LT-1数据则表现出更高的连贯性和更密集的变形测量分布。造成这种差异的原因是Sentinel-1的C波段雷达（波长约5.5厘米）具有有限的穿透能力，在地形复杂和植被茂密的地区会导致更大的不连贯性。此外，较大的变形突变会阻碍信号的稳定反射，从而产生信号失真和多路径效应，进一步加剧了不连贯性。相比之下，LT-1的L波段雷达（波长约23.5厘米）具有更强的穿透能力，并减少了多路径干扰，使其能够更好地应对崎岖地形和植被带来的挑战。因此，在中国西南部的山区，Sentinel-1的监测能力受到限制，而LT-1则提供了更可靠和更优质的数据用于地质灾害检测。
5.2 LT-1卫星轨道对滑坡识别的影响
SAR卫星捕获的是侧视图像，由于地形遮挡和几何限制，在山区会出现阴影和重叠效应（Wasowski和Bovenga 2014年；Dong等人2018年）。LT-1卫星的升轨方向是从东南向西北，提供了右侧视图，有利于观测东坡；而降轨方向是从东北向西南，提供了更适合观测西坡的左侧视图。鉴于研究区域的地形崎岖，坡度陡峭且山谷深邃，陡峭的坡度和变化的侵蚀深度通常意味着单轨数据只能覆盖山谷或山脊的一侧，导致另一侧出现明显的阴影（图14）。因此，仅依赖单轨数据在这种复杂地形中可能会遗漏潜在的滑坡。
图14. 升轨和降轨轨迹数据中潜在滑坡识别的示意图。红色区域E表示滑坡的位置。在升轨轨迹数据中，CD是识别效果良好的区域；AB是阴影区域。在降轨轨迹数据中，AB是识别效果良好的区域，CD是阴影区域。
该图显示了两个卫星轨迹：降轨方向和升轨方向，它们观察的是水平地面上的梯形地貌，标记为Range。垂直轴标记为High。降轨卫星位于左上方，实线黑色线条表示其路径，棕色圆圈标记其当前位置；虚线黑色线条从该卫星延伸到地貌上的A点和B点。红色椭圆标记为Shadow，位于A点和地貌之间。升轨卫星位于右上方，实线蓝色线条表示其路径，棕色圆圈标记其当前位置；虚线蓝色线条从该卫星延伸到地貌上的C点和D点。梯形地貌有四个顶点，从左到右分别标记为A、B、C和D。标记为E的区域位于地貌内部。降轨覆盖了左侧，形成了阴影；升轨覆盖了右侧。
在图15的红色矩形区域内，升轨数据在识别东坡滑坡隐患方面表现出更高的敏感性（图15a2,b2），而降轨数据在识别西坡滑坡隐患方面更有效（图15a3,b3）。通过整合升轨和降轨数据进行变形提取和联合分析（图15a4,b4），可以显著提高空间覆盖范围，特别是在高山峡谷和坡度方向复杂的地形中。这种方法减少了因几何失真（如视线遮挡、阴影或重叠掩模）导致的滑坡隐患遗漏或误识的风险，从而提高了滑坡识别的准确性和可靠性。
5.3 GNSS验证滑坡变形结果的讨论
在研究区域内，有一个GNSS观测站位于滑坡体下方（图16a），相应的Google Earth图像显示在图16b中。该站作为唯一GNSS参考点，用于验证InSAR结果。将这个站点的垂直位移与2023年7月至2025年初期间的SBAS-InSAR结果进行了比较。使用GNSS站附近的高相干性永久散射体（PS）来校准InSAR结果。通过使用稳定区域作为参考点进行了相对位移调整，以消除整体平移趋势。这一程序确保了GNSS和InSAR数据集之间的一致性和可比性。
图16. GNSS和SBAS-InSAR位移曲线。(a) 滑坡区域和监测站的示意图；(b) 滑坡区域的Google Earth图像；(c) 监测站7天的降雨量及相应的GNSS和SBAS垂直位移曲线。
三幅图显示了一个滑坡区域。图a是卫星地图，显示了一个绿色山区，其中红色阴影区域表示滑坡。图b展示了同一山区的三维视图，滑坡区域用红色虚线标出。图c是组合的条形图和折线图，左侧垂直轴表示7天的降雨量（单位：毫米），范围从-20到140毫米；右侧垂直轴表示累积位移（单位：毫米），范围从-5到40毫米；水平轴表示时间从2023年7月到2025年1月。蓝色条形表示降雨量，2023年10月和2024年7月的降雨量达到峰值约120毫米。带方块标记的粉色线条表示GNSS数据，显示从0毫米增加到20毫米，然后减少到5毫米，再增加到18毫米，最后减少到10毫米。带圆圈标记的绿色线条表示SBAS数据，显示从0毫米增加到35毫米，然后减少到10毫米，再增加到18毫米。
图16c显示了整个研究期间滑坡变形与降雨量变化之间的强相关性。皮尔逊相关分析表明SBAS-InSAR和GNSS位移序列之间存在显著关系（r=0.824，p<0.01），在数值趋势和时间响应上均表现出高度一致。斯皮尔曼等级相关分析（非参数方法）进一步揭示了显著的正相关（r=0.861，p<0.01）。这些结果表明SBAS-InSAR和GNSS在捕捉滑坡变形演变方面都非常可靠且可以相互验证。数据显示，该地区的降雨高峰主要发生在每年的4月至7月之间，第7天的累积降雨量有显著增加（图16c）。同一时期的GNSS和InSAR结果显示垂直位移加速，表明滑坡变形对极端或持续降雨非常敏感。此外，在降雨量减少期间，滑坡的变形速率趋于稳定或略有下降，进一步证实了降雨作为触发因素的主导作用。
总体而言，GNSS测量结果和InSAR反演结果在时间趋势和时机上表现出高度一致。这种一致性进一步验证了使用SBAS-InSAR处理的LT-1数据在监测山区地表变形和检测滑坡隐患方面的可靠性。这也为频繁降雨和地形复杂的地区的工程应用提供了可靠的数据支持和技术保障。
5.4 本研究的局限性
尽管LT-1数据在复杂植被地形中具有很强的滑坡隐患检测潜力，但仍存在一些实际限制。首先，卫星的轨道重复周期会产生明显的“阶梯效应”，限制了干涉分析的有效覆盖范围，尤其是在构建时间序列干涉图时，高相干性区域显著减少，从而影响了空间连续性和变形监测的准确性。此外，LT-1相对较短的操作历史限制了可用于InSAR处理的数据量，降低了时间分辨率，阻碍了滑坡变形的及时监测。数据积累不足也限制了对长期变形趋势的分析和缓慢移动滑坡的检测。其次，虽然LT-1的L波段数据相比C波段数据具有更好的穿透能力，提高了复杂植被地形中的干涉图质量，但其较长的波长降低了对微小变形的敏感性，这可能阻碍了缓慢滑坡或微小位移的检测，降低了识别精度。此外，当前的处理方法仍受噪声和地形不均匀性的影响，增加了变形估计的不确定性。
为了克服这些限制，未来的研究可以采用以下策略：首先，整合多源遥感数据（包括C波段SAR、光学图像和地面观测）可以提高时空分辨率，并通过利用互补信息来提高微小变形的检测能力。其次，可以应用机器学习和深度学习技术对多时相数据进行特征提取和异常检测，优化变形序列构建和滑坡隐患识别。此外，延长LT-1的观测周期和优化轨道覆盖范围可以缓解时间分辨率不足和阶梯效应，提高监测的连续性和可靠性。
6 结论
本研究系统评估了LT-1多时相L波段SAR数据在中国西南部山区利用SBAS-InSAR技术识别滑坡隐患的潜力。结果表明，在复杂地形和密集植被覆盖条件下，LT-1保持了高相干性和时间稳定性，能够有效检测缓慢移动的坡面变形。其性能明显优于C波段Sentinel-1数据，并与ALOS-2的结果高度一致。这些发现证明了LT-1在监测地质灾害易发区域的有效性，并为其在卫星星座和长期监测中的未来应用提供了实证基础。与以往的研究相比，本研究突出了LT-1在应对地形遮挡、观测角度限制和时间稳定性挑战方面的优势。同时，也揭示了其在时间覆盖范围和轨道拼接精度方面的局限性。这表明，尽管LT-1具有很强的应用潜力，但通过延长观测时间序列、改进轨道设计以及与其他传感器的集成，可以进一步提升其实际价值。未来的研究还可以结合无人机图像、GNSS测量和基于AI的异常检测，构建多源协同框架，以进行地质灾害监测。
总之，本研究展示了LT-1在山区滑坡识别方面的独特贡献，并为开发多源SAR监测和智能灾害预测系统提供了科学基础。这些进展对于改善复杂山区滑坡的早期检测和风险预防具有重要意义。
数据可用性声明：
- Sentinel-1影像可通过https://search.asf.alaska.edu获取。
- 日本宇宙航空研究开发机构（JAXA）提供的30米分辨率数字高程模型（DEM）可通过https://www.eorc.jaxa.jp/ALOS/en/aw3d30/data/index.htm获取。
- LT-1数据未公开，因为它们涉及后续的其他研究应用。
