《Frontiers in Earth Science》：Landslide identification and susceptibility assessment in high-consequence areas of the oilfield based on multi-band InSAR and machine learning
编辑推荐：
黄土滑坡对中国黄土高原上的能源基础设施构成严重威胁；然而，针对油气设施高后果区（High Consequence Areas，HCAs）的滑坡识别与监测研究仍然有限。本研究利用陆探一号（Lutan-1，LT-1）和哨兵一号（Sentinel-1）合成孔径雷达（
黄土滑坡对中国黄土高原上的能源基础设施构成严重威胁；然而，针对油气设施高后果区（High Consequence Areas，HCAs）的滑坡识别与监测研究仍然有限。本研究利用陆探一号（Lutan-1，LT-1）和哨兵一号（Sentinel-1）合成孔径雷达（Synthetic Aperture Radar，SAR）数据，结合机器学习方法，对中国甘肃省庆阳市长庆油田高后果区开展了滑坡识别与易发性评估。研究人员将光学遥感影像与基于最小协方差行列式（Minimum Covariance Determinant，MCD）方法及基于密度的空间聚类算法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）的InSAR形变结果相结合，共识别出65处潜在滑坡。研究构建了包含13个条件因子的随机森林（Random Forest，RF）模型以生成易发性图，并采用沙普利加性解释（Shapley Additive Explanations，SHAP）分析来解析因子贡献。结果表明，高易发区主要受地表粗糙度、距河流距离和地表温度控制，且包含了大多数已识别的滑坡点。21.7%的油田设施位于这些高风险区内，凸显了持续监测的紧迫性。该集成框架为具有关键能源基础设施的黄土地区地质灾害防治提供了一种实用方法。
一、研究背景与问题
黄土滑坡是黄土高原地区最常见的地质灾害之一，对能源基础设施构成严重威胁。滑坡不仅直接威胁人类生命安全，还造成巨大的经济和财产损失，已成为制约区域社会经济高质量发展和保障居民安全居住条件的关键瓶颈。2024年全国平均降水量达697.7毫米，较气候平均值偏高9%，多地降雨极端性、持续性和空间重叠性突出，局地降水量突破历史极值，诱发滑坡等灾害并造成严重人员伤亡和经济损失。
长庆油田主要产区位于河西走廊东部与黄土高原西部的交汇地带，不仅是我国西部核心能源生产基地，也是丝绸之路经济带能源安全体系的关键区段，具有重要战略地位。油气管道高后果区是指管道设施失效极有可能造成严重人员伤亡、重大财产损失和严重生态环境破坏的高风险区域。近年来，在集中强降雨、强烈冻融循环、地下水位波动、广泛分布的自重湿陷性黄土、工程扰动和植被退化等多重因素综合影响下，油气管道高后果区地质灾害风险持续增大，滑坡、崩塌、黄土湿陷和地面沉降等灾害频发，对油田集输管道、井场、站场等关键设施的安全运行和区域生态稳定构成严重威胁。
然而，传统监测方法存在诸多应用局限：野外地质调查高度依赖人力、调查周期长、空间覆盖有限；全球导航卫星系统（GNSS）、测斜仪、裂缝计等地面单点测量技术只能监测离散点，无法表征灾害体整体变形行为，且设备布设与维护成本高；光学遥感和无人机识别技术监测精度通常仅达分米级，难以捕捉滑坡和地面沉降孕育阶段的微小蠕变信号，且受云雾、光照、植被覆盖等环境条件制约；机载激光雷达（LiDAR）和多时相数字高程模型（DEM）对比技术数据获取成本高、卫星重访间隔长、高频时序监测能力不足，变形监测精度仍停留在分米级。此外，滑坡易发性研究很少聚焦油田高后果区，滑坡对石油设施的威胁——即有多少设施暴露于高易发区——仍不清楚。
二、研究内容与结论
针对上述问题，本研究以甘肃省庆阳市长庆油田高后果区为研究对象，联合使用Sentinel-1和陆探一号（LT-1）SAR数据识别潜在滑坡灾害，并基于滑坡易发性评估，为高后果区地质灾害早期识别、动态监测和预警提供可靠技术支撑，助力区域能源设施安全运行和精细化地质灾害防治。研究得出以下主要结论：研究区整体地表变形相对较弱，区域稳定性较好，未发现大规模、连续、显著变形；共识别出65处变形异常区，相对集中于研究区中东部和东南部，西部和北部稀疏分布；高易发区主要受地表粗糙度、距河流距离和地表温度控制，且包含了大多数已识别的滑坡点；21.7%的油田设施位于高风险区内，凸显了持续监测的紧迫性。该集成框架为具有关键能源基础设施的黄土地区地质灾害防治提供了一种实用方法。
三、主要技术方法
研究人员采用的主要技术方法包括：其一，利用LT-1（L波段，升降轨，2景，2024年1月4日和2024年7月18日）和Sentinel-1（C波段，升轨，48景，2022年12月28日至2025年6月15日）SAR数据，分别采用二轨差分干涉测量（D-InSAR）和小基线集干涉测量（SBAS-InSAR）技术获取地表形变信息，使用SRTM 30米DEM去除地形相位，采用GACOS产品进行大气相位校正；其二，采用最小协方差行列式（MCD）方法自适应识别运动像元，结合基于密度的空间聚类算法（DBSCAN）对运动像元进行聚类，并利用凸包算法绘制聚类边界，最终以5°平均坡度阈值分类活动地面；其三，构建包含13个条件因子的随机森林（RF）模型生成易发性图，采用皮尔逊相关系数（PCC）和信息增益率（IGR）筛选最优条件因子，利用空间分块五折交叉验证评估模型性能，并采用沙普利加性解释（SHAP）分析解析因子贡献。样本构建采用30米×30米栅格单元，滑坡样本从65处已识别滑坡中提取，非滑坡样本在全研究区随机生成并与滑坡保持1:1比例，数据集共130个样本，按70%/30%划分训练集和测试集。
四、研究结果
4.1 形变结果
LT-1和Sentinel-1 SAR数据的形变结果表明，研究区整体地表形变相对较弱，区域稳定性较好，未发现大规模、连续、显著变形。明显形变点呈散点或小簇状分布，无大面积连续形变区。稳定区域形变量级为?10至10毫米/年，正视线向（LOS）位移主要集中在10–20毫米/年，负LOS位移主要在?10至?20毫米/年。共识别出65处变形异常区，相对集中于研究区中东部和东南部，西部和北部稀疏分布，整体呈随机分散格局，未沿构造线或河流形成线性形变带。其中，LT-1结果识别出46处变形异常区，最大形变值达23.7毫米，多数区域面积在0.04至0.6平方公里之间；Sentinel-1结果识别出19处变形异常区，最大形变速率达18毫米/年，面积在0.02至0.21平方公里之间。
4.2 变形异常区分析
通过地表形变和形变速率图分析，累计受影响面积达12.4平方公里，最大形变区面积0.6平方公里。庆阳市玄马镇地表形变案例数量和密度最高。LT-1 D-InSAR结果显示，研究区大部分形变异常分布于东南部，仅少部分位于西北部，以正LOS位移为主。Sentinel-1 SBAS-InSAR结果识别的形变在数量和位置上差异显著，大部分为负LOS位移，集中于东南角。选取四个典型变形异常案例进行分析，其中一处位于甘肃省庆阳市庆城县玄马镇柳沟西南约160米处，中心坐标为107.935°E、36.191°N，形变面积约0.16平方公里，南北长约580米，东西宽约310米，高差约143米，坡度2.2°至42.8°，LT-1最大形变达16.6毫米，该区域西部有油井分布，形变相关风险较高，应作为重点监测目标加强动态跟踪。
五、讨论与结论
讨论部分：高易发区主要受地表粗糙度、距河流距离和地表温度控制，这三个因子成为主导预测因子。随机森林模型在空间分块交叉验证下表现出良好的泛化能力。研究区未受区域构造活动、大规模沉降或重大地质灾害影响，地表形变处于自然波动范围，局部形变异常可能对应小型滑坡、崩塌或人类工程活动引起的地表变形。
结论部分：本研究通过集成InSAR、随机森林模型和SHAP解释，在油田高后果区取得了进展。研究结果识别出地表粗糙度、降水和地表温度为主导预测因子，明确了此前不清楚的设施级威胁，21.7%的油田设施位于高风险区，为有针对性的监测和减灾提供了依据。该集成框架为具有关键能源基础设施的黄土地区地质灾害防治提供了一种实用方法，为高后果区地质灾害早期识别、动态监测和预警提供了可靠技术支撑，有助于区域能源设施安全运行和精细化地质灾害防治。
