EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 11: 2552 - 2566

DOI: https://doi.org/10.12082/dqxxkx.2024.240395

地理空间分析综合应用

顾及形变信息的青藏铁路工程走廊融沉风险评估

  • 张正加 , 1 ,
  • 林洪 1, 2, 3 ,
  • 陈富龙 , 4, 5, * ,
  • 冯晓帆 1 ,
  • 王猛猛 1 ,
  • 刘修国 1
展开
  • 1.中国地质大学（武汉） 地理与信息工程学院，武汉 430078
  • 2.福建省科学技术信息研究所，福州 350003
  • 3.福建省信息网络重点实验室，福州 350003
  • 4.可持续发展大数据国际研究中心，北京 100094
  • 5.中国科学院空天信息创新研究院，北京 100094
* 陈富龙（1980— ），男，浙江定海人，博士，研究员，研究方向为雷达遥感考古与文化遗产保护。 E-mail:

张正加（1989— ），男，湖北黄冈人，博士，副教授，研究方向为InSAR及其地质灾害、冻土监测应用。E-mail:

Copy editor: 蒋树芳

收稿日期: 2024-07-09

  修回日期: 2024-09-11

  网络出版日期: 2024-11-07

基金资助

国家自然科学基金项目(41801348)

收起

Risk Assessment of Permafrost Thawing along Qinghai-Tibet Engineering Corridor Integration Ground Deformation

  • ZHANG Zhengjia , 1 ,
  • LIN Hong 1, 2, 3 ,
  • CHEN Fulong , 4, 5, * ,
  • FENG Xiaofan 1 ,
  • WANG Mengmeng 1 ,
  • LIU Xiuguo 1
Expand
  • 1. School of Geography and Information Engineering, China University of Geosciences (Wuhan), Wuhan 430078, China
  • 2. Fujian Institute of Scientific and Technological Information, Fuzhou 350003 China
  • 3. Fujian Key Laboratory of Information and Network, Fuzhou 350003, China
  • 4. International Research Center of Big Data for Sustainable Development Goals, Beijing 100094, China
  • 5. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
* CHEN Fulong, E-mail:

Received date: 2024-07-09

  Revised date: 2024-09-11

  Online published: 2024-11-07

Supported by

National Natural Science Foundation of China(41801348)

Fold

摘要

在全球气候变暖和人类活动的共同作用下，青藏铁路工程走廊内的多年冻土发生了严重退化，对人类安全、生态环境和多年冻土工程设施的安全构成了威胁。因此，对青藏铁路工程走廊沿线多年冻土融沉风险进行评估是当务之急。由于现有的冻土融沉风险评估指数大多是静态的，未考虑地表冻融循环过程中的动态性变化，为了准确评估青藏铁路工程走廊的多年冻土融沉风险，本文提出了一种基于层次分析法（Analytic Hierarchy Process, AHP）的多因子指数对青藏铁工程走廊沿线多年冻土融沉危险性进行评估。该指数融合了地面动态形变信息和静态地质灾害评估指数（容许承载力指数、危险区指数和融沉指数），地表形变速率通过小基线干涉测量技术（Small Baseline Subset Interferometric SAR, SBAS-InSAR）获取。实验结果表明，研究区的形变速率范围在-60~43 mm/y，均值为~7 mm/y；所提出的多因子指数评估结果显示青藏铁路工程走廊的多年冻土区以低危险地区为主，占比约60%，高危险地区的比例约为22%，且高危险最集中的地区是楚玛尔河至风火山，其中北麓河区域发生融沉灾害的可能性最大。与传统的地质灾害评估方法相比，所提出的多因子指数方法在形变较大的区域效果较好，如在唐古拉和楚玛尔河地区。研究结果可为其他多年冻土地区的多年冻土工程设计和施工提供有价值的指导。

关键词： 融沉风险; 风险评估; 层次分析法; 多因子指数; 多年冻土; 青藏铁路工程走廊; 地表形变; 小基线干涉测量

本文引用格式

张正加 , 林洪 , 陈富龙 , 冯晓帆 , 王猛猛 , 刘修国 . 顾及形变信息的青藏铁路工程走廊融沉风险评估[J]. 地球信息科学学报, 2024 , 26(11) : 2552 -2566 . DOI: 10.12082/dqxxkx.2024.240395

Abstract

Under the combined influence of global climate warming and human activities, permafrost within the Qinghai-Tibet Engineering Corridor (QTEC) has significantly degraded, posing threats to human safety, the ecological environment, and the secure operation of permafrost engineering facilities. Consequently, it is urgent to assess the risks of permafrost thaw settlement along QTEC. Traditional permafrost settlement assessment indices are mostly static, neglecting dynamic factors. To address this, an Analytic Hierarchy Process (AHP)-based multi-factor assessment index (Im) was proposed in this paper, which integrates ground dynamic deformation data and three geo-hazard indices: the allowable bearing capacity index, the risk zone index, and the settlement index. The SBAS-InSAR technique can overcome atmospheric delay and spatiotemporal decorrelation issues. The allowable bearing capacity index considers MAGT (Mean Annual Ground Temperature) and soil type. The risk zone index incorporates factors such as bare rock, soil properties, ALT (Active Layer Thickness), and VIC (Volumetric Ice Content). The thaw settlement index is based on VIC and ∆ALT, with ∆ALT derived using the Stefan formula. The allowable bearing capacity index is calculated using a formula based on MAGT and soil type. The risk zone index is determined through hazard zone assessment. The VIC in the thaw settlement index is calculated using MAGT, soil type, NDVI, and slope, while the ∆ALT is obtained through the Stefan formula. The evaluation results of the three different geological hazard indices were calculated and analyzed individually, and then compared to the multi-factor analysis results to verify the reliability of the proposed method. The correlation between the geological hazard index and ground deformation was also explored. The ground deformation rate was derived using time-series interferometric SAR (InSAR), ranging from -60 mm/year to 43 mm/year, with an average surface deformation rate of -7 mm/year across the entire study area. The Im results show that the permafrost regions along QTEC are predominantly low-risk, accounting for nearly 60% of the area. High-risk areas make up roughly 22%, with the most concentrated high-risk regions located between Chumaerhe and Fenghuoshan. By combining static geological hazard indices with dynamic deformation information, this method provides a more accurate assessment of permafrost thaw settlement risk for the Qinghai-Tibet Railway project. A comparison with existing research validates the effectiveness of the proposed method, particularly in the Tanggula and Chumaerhe regions. These findings offer valuable guidelines for permafrost engineering design and construction in other permafrost regions.

Key words： risk of thawing and subsidence; risk assessment; analytic hierarchy process; multifactorial index; permafrost; Qinghai-Tibet Railway Engineering Corridor; ground deformation; SBAS-InSAR

1 引言

青藏高原是世界上海拔最高的高原，也是世界上最大的低纬度多年冻土区。由于其独特的地理位置和海拔高度，青藏高原中的多年冻土具有较高的年平均地温（Mean Annual Ground Temperature, MAGT），并且正在经历严重退化[1⇓-3]。随着多年冻土地区经济的迅速发展，青藏铁路工程走廊内建设了青藏铁路、青藏公路等多个大型工程[4]。在气候变暖和人类活动的共同影响下，青藏铁路工程走廊沿线多年冻土的MAGT升高也将加速多年冻土退化[5⇓-7]，并造成融沉、融滑、湖泊扩张等地质灾害，这将对多年冻土工程的稳定性造成严重损害。因此，全面评估青藏铁路工程走廊潜在的冻土融沉降危险至关重要。
传统的大地测量技术，如水准测量和全球导航卫星系统，可用于高精度地监测青藏铁路工程走廊的地表变形情况。然而，在进行大范围测量时，会受到人力、物力等限制[8]。危险性制图可以表示特定危害的空间分布，以识别区域当前或未来可能发生的危险[9-10]，该方法已成功应用于阿拉斯加和加拿大等高纬度多年冻土地区的当地基础设施[11-12]。2001年，Nelson等[13]提出的融沉指数，该指数通过将土壤含冰量和活动层厚度的相对变化量（The Change of Active Layer Thickness, ∆ALT）相乘获得。在此基础上，Daanen等[14]提出了危险区划指数，该指数考虑了更多的融沉相关因素，包括基岩、土壤类型、冻土含冰量（Volumetric Ice Content，VIC）和ALT。Xu和Wu[15]根据不同的土壤类型，探究了冻土工程容许承载力与MAGT的线性关系，提出了容许承载力指数，并将该指数应用于青藏高原，以探讨未来几十年青藏高原的容许承载力变化情况。Ni等[16]利用Hjort等[17]提出了综合指数，该指数融合了上述3个地质灾害指数，并对青藏高原多年冻土区的融沉风险进行评价。
在青藏铁路工程走廊上的冻土融沉风险评估也在不断发展，张中琼等[18]预测了青藏高原的冻土区沉降风险，结果表明沉降风险更可能发生在人类活动更频繁的地区，如青藏铁路工程走廊和祁连山、昆仑山、喜马拉雅山南麓等地区。阮国锋等[19]计算了未来50年内不同气候情景下的青藏铁路工程走廊沿线冻土融沉风险，结果显示高风险区主要集中在楚玛尔河、五道梁、开心岭以及高温高含冰量地区。Niu等[20]采用层次分析法对7个控制因素进行排序并在地理信息系统中建立了青藏工程走廊沿线的热岩溶湖发育的易感性图。Yin等[21]基于气候、土壤、地形数据研究了青藏铁路工程走廊的冻土融沉引起的热岩溶湖的影响，同时绘制了敏感性图，结果表明，青藏铁路工程走廊大约20%的区域处于高至极高敏感区。Liu等[22]利用融沉系数和融沉深度建立了融沉预测模型，采用神经网络模型根据MAGT、ALT、VIC确定融雪沉降系数，同时绘制并分析了青藏铁路工程走廊的冻土融沉风险。
然而，关于青藏铁路工程走廊的多年冻土融沉危险评估指标大多考虑地表的静态信息，没有考虑地表形变等冻融过程的动态变化。合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar, InSAR)技术可以大范围监测地表形变，已广泛应用于多年冻土地区地表变形监测[23-24]。因此，由InSAR技术得到的地表形变信息可以作为评价多年冻土地表沉降的指标，提高冻土融沉风险性的评估精度。考虑到地表沉降是由多种因素引起的，尝试将多个冻土评估指数和形变相结合，建立一个新的指数。
本研究提出了一个综合地面形变和地质灾害指数的多因子指数来评估青藏铁路工程走廊多年冻土的稳定性。首先对研究区的3种静态地质灾害指数进行计算以及详细分析。然后，通过InSAR技术得到研究区的地表形变数据，同时基于层次分析法将3种静态地质灾害指数和动态形变数据相结合。最后，对多因子指数结果进行分析，并通过与综合指数结果对比来验证其可靠性。

2 研究区与数据集

2.1 研究区介绍

青藏铁路工程走廊位于青藏高原中部，北起格尔木，南至拉萨，全长约1 100 km，宽度为10 km。走廊内已经建设了许多重要的线性项目，如青藏铁路、青藏公路、格拉萨输油管道、兰西拉光纤电缆和青藏输电线路，图1(c)—图1(f)所示，这些线性工程项目和相关基础设施的设计和施工很大程度上会受到多年冻土环境的影响。同时，冻土往往也会直接或间接地受到工程施工的影响导致退化程度加剧，冻土的退化又对冻土工程设施的正常运作造成威胁。本文研究区位于青藏铁路工程走廊的多年冻土区，即从安多至西大滩，图1(a)所示。研究区内GAMT均值为-0.74 ℃，研究区的安多和西大滩路段以及中部（开心岭至北麓河）的MAGT较高。研究区域大部分位于高含冰量多年冻土区，如图1(b)所示，20%以上的研究区是高温富冰区，存在较大的冻土融化沉降危险。研究区内景观生态复杂多样，主要是由各种盆地、山地、河谷和水系组成的高原地貌群，植被类型主要是高山草甸和沙漠[25]。研究区的气温和降雨在夏季7月—8月达到最高，冬季最低。
图1 研究区域地图和现场照片

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1822号的标准地图制作，底图无修改。图(a)中蓝色数字表示哨兵数据的覆盖范围代号。

Fig. 1 Study area map and field photos

2.2 数据集介绍

本研究所使用的数据源及介绍如表1所示。
表1 数据及来源介绍

Tab. 1 Introduction to data and sources

数据 类型 时间/年 来源
Sentinel_1A SAR数据 2017.03—2018.06 https://search.asf.alaska.edu
DEM 栅格数据 2017 https://www.earthdata.nasa.gov
NDVI 栅格数据 2017 中国科学院资源与环境科学与数据中心
(http://www.resdc.cn/)
植被类型 栅格数据 2017 中国科学院资源与环境科学与数据中心
(http://www.resdc.cn/)
MAGT 栅格数据 2000—2015 http://data.tpdc.ac.cn/zh-hans/
MOD11A2 栅格数据 2009、 2018 https://modis.gsfc.nasa.gov
土壤类型 栅格数据 2017 世界土壤数据库1.1版

2.2.1 SAR数据

本研究收集了2017年3月至2018年6月的150多景VV极化的Sentinel-1A图像，以反演青藏铁路工程走廊地表形变。SAR图像的时间间隔为12 d或24 d，方位向和距离向的空间分辨率分别为20 m和5 m。为了完全覆盖青藏铁路工程走廊，使用了四轨SAR图像，数据集的覆盖范围如图1(a)所示。

2.2.2 冻土环境数据介绍

根据3种地质灾害指数的计算公式及步骤，本文使用6种地表融沉驱动因子(VIC、 MAGT、△ALT、土壤类型、ALT和土壤厚度)，分布如图2所示。
图2 研究区冻土融沉因子分布

Fig. 2 The thaw settlement driving factors in the study area

2.2.3 地形和植被数据

地形数据来自航天飞机雷达地形测绘任务（Shuttle Radar Topography Mission, SRTM）的90m分辨率数字高程模型(Digital Elevation Model，DEM)。1 km分辨率的NDVI（Normalized Difference Vegetation Index）数据来自中国科学院资源与环境科学与数据中心（http://www.resdc.cn/）。植被类型数据分为林地、草地和灌木丛、草地、草甸、混合草地、草甸和非植被区（http://www.resdc.cn/）。

2.2.4 冻土地温数据

MAGT是代表多年冻土热状态的关键参数，也可用于区分多年冻土和季节性冻土[16]。MAGT数据本研究使用的MAGT数据来自Ran等[2]发布的数据集（http://data.tpdc.ac.cn/zh-hans/)。

2.2.5 气象数据

为了获得ALT，使用来自中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer，MODIS）产品（MOD11A2）的地表温度（Land Surface Temperature, LST）数据来计算Stefan公式中的解冻度天数(Thawing Degree Days, TDD)。MOD11A2产品是由MOD11A1产品在8 d内的所有LST观测的平均值而形成的，空间分辨率为1 km。在本研究中，选择2009年和2018年的MOD11A2产品，通过一系列的预处理操作后（包括地理参考和消除异常值），即可计算TDD。TDD是某一时间平均日LST的累积值，通过MOD11A2产品对一年中低于0 ℃的温度求和计算得到。

2.2.6 土壤数据

土壤厚度数据则是通过全球土壤厚度产品获得，详见3.2.2节中危险区指数的描述[14]。

3 研究方法

本文方法的主要步骤为：① 利用InSAR技术获取高精度的研究区地面形变，主要包括SAR图像配准、差分干涉图生成、相位滤波、相位解缠、形变速率和DEM误差反演和大气相位估计； ② 计算并分析研究区的静态地质灾害指数，对容许承载力指数、危险区指数和融沉指数这3个指数分别进行计算以便后续使用； ③ 利用层次分析法将静态地质灾害指数与动态形变数据相结合来构建融沉风险评估体系，并使用地理信息系统平台得到多因子指数评估结果。具体的流程图如图3所示。
图3 多因子指数方法流程

Fig. 3 The flowchart of the multi-factor index

3.1 多年冻土地表形变

在青藏高原区域，由于其地表植被覆盖会随着气温的变化而产生明显的季节性变化，在干涉处理中极容易引起干涉失相干的现象，因此为了减小失相干的影响，本文采用SBAS-InSAR（Small Baseline Subset Interferometric SAR, SBAS-InSAR）技术[24⇓⇓-27]方法来获取冻土区地表形变。目前，SBAS技术已成功地应用于多年冻土区的地面形变获取[4,8]。SBAS-InSAR技术的流程如下：
（1）在所有SAR图像中选择一幅影像作为主影像，将其余影像配准到主影像上。
（2）生成时间基线小于100 d且空间基线小于150 m的干涉对，再基于干涉对生成干涉图，通过从原始干涉图中去除地形相位来获得差分干涉相位。
（3）使用Goldstein滤波方法来抑制干涉相位的噪声[28]，针对平均相干值大于0.7的高相干点，使用最小费用流解缠方法进行相位解缠。
（4）利用最小二乘法反演形变速率和DEM误差，通过从原始干涉相位中去除形变速率和DEM误差的模型相位来生成残余相位。
（5）使用空间低通三角滤波和时间高通线性滤波来估计大气相位，再从每个时间测量的形变量中减去这部分大气相位延迟分量，最后获得每幅图像的形变量。有关SBAS的更多信息，请参见Berardino等[27]、Chen等[4]和Lanari等[29]。

3.2 地质灾害指数

3.2.1 容许承载力指数

容许承载力（Allowable Bearing Capacity Index，Ia）的定义是在工程建设的容许范围内具有足够安全性和形变控制的基础承载力[9]。当多年冻土温度升高时，多年冻土的容许承载力将降低，多年冻土不断变化的状态将对工程基础设施构成威胁。表2源自马巍等[30]总结的冻土承载力与土壤类型的关系。
表2 容许承载力模型计算

Tab. 2 The method of allowable capacity index

土壤类型 容许承载力
Ⅰ: 卵石、碎砾石土 - 0.3959 M A G T + 0.6092
Ⅱ: 砾砂和粗砂 - 0.3021 M A G T + 0.4954
Ⅲ: 中砂、细砂、粉土 - 0.3021 M A G T + 0.3454
Ⅳ: 黏土、亚黏土和砂壤土 - 0.1979 M A G T + 0.3046
Ⅴ: 含土冰层 - 0.1 M A G T + 0.05

注： MAGT为年平均地温。

计算过程中所需的数据主要包括土壤工程分类数据和MAGT数据，青藏铁路工程走廊的土壤类型在世界土壤数据库1.1版（Harmonized World Soil Database version 1.1, HWSD）的帮助下根据土壤工程类型进行分类。随后，使用嵌套均值法将青藏铁路工程走廊的容许承载力分为4个危险等级，较低的2个等级合并为低危险区域，另外2个则按等级分为中危险区和高危险区[31]。其中，嵌套均值法是确认地图分类区间的一种客观且通用的方法，它是由算术平均数将地图分成2n类，其结果是一系列从嵌套的方法层次派生的映射类。

3.2.2 危险区指数

Daanen等[14]提出了危险区指数 (The Risk Zonation Index, Ir)，并引入了一个新概念——多年冻土融化潜力，用来描述当前和未来情景下ALT的增加。危险区指数使用裸岩、地表土壤类型、土壤含冰量、ALT数据计算得到。在工程背景下，冻土融化对裸露基岩的影响较小。根据图4中的计算流程，该模型通过全球土壤厚度产品识别出暴露的基岩区域，并将裸露的基岩区域归类为低危险区域[32]。对于不同的土壤类型，砾石/沙属于低敏感性，淤泥/黏土属于高敏感性。土壤类型是根据中国土壤质地空间分布数据（http://www.resdc.cn/）确定的。土壤含冰量大于10%的为高含冰量，10%以下为低含冰量。含冰量越高，冻土融化的危险性就越高。土壤含冰量的高与低类型是根据国家冰雪数据中心（National Snow and Ice Data Center, NSIDC）提供的北极圈多年冻土和地面冰条件图（第2版）（https://nsidc.org/data/ggd318）来判断。使用ALT来代表多年冻土融化潜力，大于2.5 m的区域为高危险区，小于2.5 m的为低风险区。有关Ir的更多信息，请参见参考文献Daanen等[14]和Hjort等[17]。
图4 危险区判定流程

Fig. 4 The flowchart of risk zone determination

3.2.3 融沉指数

融沉指数（The Settlement Index, Is）由Nelson等[13]首次提出，并作为无量纲指数应用于北半球多年冻土区冻土融沉风险评价。融沉指数通过VIC和∆ALT这2个极具代表性的冻土参数的乘积来反映冻土融沉风险情况。存在融沉风险的地区将被划分为低危险、中危险和高危险地区。融沉指数在北半球的评估结果表明，北半球高危险区域在北冰洋周围不连续地延伸，这说明在此处有很高的海岸侵蚀潜力。具体融沉指数公式如下所示：
I s = V I C × ∆ A L T
式中： Is为融沉指数；VIC为冻土含冰量； ∆ A L T为活动层厚度变量量，在本文中指2017—2018年活动层厚度的相对变化量。
VIC具体计算主要有3个步骤。首先，采用AHP确定评价因子的权重。各因子按权重大小排序为土壤类型、NDVI、坡度和MAGT，权重分别为0.34、0.29、0.24和0.13。其次，在计算过程中，将不同的评价因子分为5类，然后通过加权百分比得到各评价因子对应的模型值。最后，将各因子的模型值求和得到VIC。由于冻土含冰类型被描述为少冰冻土、多冰冻土、富冰冻土、饱冰冻土和含土冰层5个类型。为了适应计算需求，应对每种类型的含冰量进行量化，因此将式（1）进行修改，修改后的公式如下[19]：
I s = A × ∆ A L T
式中：Is表示融沉指数； A为融沉系数，A与VIC关系见表3， ∆ A L T是ALT的相对变化量（由2009年和2018的ALT计算得到）。
表3 A与VIC关系

Tab. 3 The relationship between A and VIC (%)

含冰类型 少冰冻土 多冰冻土 富冰冻土 饱冰冻土 含土冰层
A <1 1~5 5~10 10~25 >25
活动层厚度由Stefan公式计算得到，具体公式如下：
A L T = 2 λ n T D D L × γ ( W - W u )
式中： ALT为活动层厚度/m； λ为土的导热系数/（W/m ℃）； TDD (Thawing Degree Days)为融化季节的温度和天数的乘积；L为冰融化潜热/(3.3×105 J/kg)； γ为土的干容重/(kg/m3)； W为融化时土的总含水量/%；Wu为冻土中的未冻水含量/%。不同土壤类型的具体参数如表4。
表4 土壤类型参数对应表

Tab. 4 The table of soil type parameters

类型 γ/(kg/m3) W/% Wu/% λ/(W/m ℃)
亚黏土 1 500 17 5 1.57
粉质亚黏土 1 300 15 5 1.58
黏土 900 15 5 0.53
砂土 1 800 6 5 1.42

3.3 层次分析法

层次分析是多准则决策中使用最多的方法之一，该方法通过将决策问题分解成一系列层次结构，从而将复杂的决策问题转化为一系列简单的子问题[33]。在构建多因子指数的过程中，采用AHP来确定不同指数的权重，该方法包括以下3个主要步骤：
（1）构造比较矩阵。根据各指标的重要性程度，建立比较矩阵。若矩阵中的数值用aij表示，则其含义为指数i优于指数j的程度，其具体的重要性程度及对应的数值见表5。此外，若aij表明指数i优于指数j的程度，则aji则表明指数j优于指数i的程度，aji与aij互为倒数。
表5 aij的标称尺度

Tab. 5 The nominal scale of aij

定义描述 aij的数值
同等重要 1
稍微重要 3
明显重要 5
强烈重要 7
极端重要 9
两相邻判断值的中值 2、 4、 6、 8
（2）计算比较矩阵的特征向量。矩阵的特征向量即为指标的权重。
（3）检查矩阵的一致性。为确保所构建矩阵的一致性，需计算一致性指数(Consistency Index, CI)和一致性比率(Consistency Ratio, CR)，具体的计算公式如式（4）和式（5）。当一致性比率的值≤0.1时，表明矩阵通过一致性检验，符合要求；否则，需要重新设计比较矩阵。
C I = λ m a x - n n - 1
式中：CI为一致性指数； λmax为矩阵的最大特征值； n为指数的个数。
C R = C I R I
式中：CR为一致性比率； RI (Random Consistency Index)为随机一致性指数。

3.4 多因子指数的构建

在本研究中基于AHP将传统地质灾害指数与地表形变进行结合，得到的新指数考虑了多年冻土融沉过程的动态变化，可提高评估结果的准确度。为了构建比较矩阵，需对不同地质灾害指数的重要性进行判断。上述提到的3种地质灾害指数共涉及到6种驱动因子，分别是容许承载力（土壤类型、MAGT），危险区指数（裸岩、土壤类型、土壤含冰量、ALT）和融沉指数（土壤含冰量、∆ALT）。随后采用随机森林方法对解冻沉降驱动因子进行排序。随机森林可以对不同输入特征的相对重要性进行评估，通过基于其袋外误差的错误率可以得到输入变量的相对重要性排序，可以充分了解每个特征如何影响预测模型。随机森林在评估每个因子的重要性时，切换其中一个输入证据特征，同时保持其余的不变，并通过袋外误差来测量准确度的下降，最后得到6个因子的重要性排序。从图5可知，6种地表融沉驱动因子对形变速率影响的重要性从高到低，分别是土壤含冰量、土壤类型、裸岩、ALT、和MAGT，除了MAGT的重要性外，其他因素的重要性与多年冻土稳定性的理解一致。
图5 形变速率对不同因素的重要性排序

Fig. 5 The importance ranking of deformation rate to different factors

在此基础上，根据影响因素的优先顺序来评判3个地质灾害指数的重要程度。危险区指数对形变的重要性最高，其次是融沉指数，最后是容许承载力指数。这是因为危险区指数考虑到4种驱动因子，因此重要性最高，而融沉指数和容许承载力指数只考虑到2种驱动因子，但是融沉指数涉及的2种因子（VIC和∆ALT）的重要性均比容许承载力指数所涉及的2种因子（土壤类型和MAGT）高。因此，假设形变与危险区指数之间是相当重要，与融沉指数之间是明显重要，与容许承载力指数之间是强烈重要。依照这个排序，3种地质灾害指数与形变之间构建的比较矩阵如表6所示，随后，根据AHP计算出最终的各个指数的权重（表7）。为便于计算，形变数据将通过k均值聚类算法进行聚类，随后得到2个聚类中心（-2.9和-15.3）。因此，将形变指数划分为3个危险等级，即形变量小于-3 mm/y为低危险区，形变量在-3~-15 mm/y之间为中危险区，形变量大于 -15 mm/y为高危险区。另外，将所有指数的低、中、高3个危险区的值分别设为1、2、3，以便后续的计算。最后，将各个指数的栅格数据权重进行叠加计算并分类，得到的结果为数值1~3（1为融沉风险最低，3为融沉风险最高）。
表6 4种指数的比较矩阵

Tab. 6 The comparison matrix of four indices

形变 危险区指数 融沉指数 容许承载力指数
形变 1 3 5 7
危险区指数 1/3 1 3 5
融沉指数 1/5 1/3 1 3
容许承载力指数 1/7 1/5 1/3 1
表7 各个指数的权重

Tab. 7 The weight of different indices (%)

形变 危险区指数 融沉指数 容许承载力指数
权重 56 26 13 5

4 结果与分析

4.1 地表形变速率

使用SBAS-InSAR方法处理得到研究区的地表形变结果如图6。研究区的形变速率分布跨度较大，抬升最高值达到43 mm/y，最大沉降量为 -60 mm/y，研究区地表平均形变速率为 -7 mm/y。青藏铁路工程走廊大部分表现出相对稳定的状态，形变速率小于-10 mm/y。其中沱沱河、开心岭、风火山、北麓河、五道梁等地区沉降形变速率较大，沉降形变速率较大的区域的分布结果与之前的学者研究结果一致[34]。图6中放大了五道梁、风火山和开心岭3个大区域的形变速率结果，从放大结果中可以明显看到存在较大的沉降形变速率(<-25 mm/y)。
图6 研究区2017—2018年形变速率图及3个沉降形变速率较大的区域(五道梁、风火山和开心岭)的放大图

Fig. 6 The deformation rate map of the study area during 2017 to 2018 and the enlarged view of three regions with large subsidence deformation rate (Wudaoliang, Fenghuoshan and Kaixinling)

4.2 3种地质灾害指数评估结果

根据上述3.2节中的3种地质灾害指数的计算方法得到的工程走廊危险评估结果如图7所示。为更好地了解各个指数评估结果中不同危险区分布及占比情况，对各个指数的危险区域分布进行统计，结果如表8所示。在3种地质灾害指数的低、中和高危险区中，低危险区域所占比例都是最高。在低危险区域中，融沉指数所占比例最高，为66%；容许承载力所占比例最低，为5%；反之，在高危险区域中，容许承载力占比最高，融沉占比最低，危险区划指数的分布较为均衡。由 图7和表8可知，3个地质灾害指数的结果差异较为显著，主要是因为每个评估指数所考虑的计算因素不同。例如，虽然容许承载力指数和融沉指数在评价多年冻土融解沉降危险时都只考虑了2种因子，但是其危险分布结果却完全不同。从整体来看，3个指标的低危险区域比例都较高，其次是中危险区域和高危险区域。容许承载力指数的高危险区所占比例要明显高于其他2个指数，且高危险区几乎集中在开心岭至风火山路段，主要是因为这里的MAGT较高。危险区指数的高危险区主要集中在西大滩、北麓河和唐古拉至开心岭路段，中危险区则主要集中在高危险区附近以及安多区域。对于融沉指数来说，其分布特征与另外2种指数不同，表现在其评估结果中的高危险区域非常分散，且高危险区域的比例远小于低危险和中危险区域，这可能归因于2009—2018年的ALT的变化量较小。
图7 3种地质灾害指数的融沉危险评估结果

Fig. 7 The risk assessment result of three geo-hazard indices

表8 3个指数在不同危险分区中的比例

Tab. 8 The proportion of the three indices in different risk levels （%）

指数 低危险区 中危险区 高危险区
容许承载力指数 41 31 28
危险区指数 55 25 20
融沉指数 66 29 5

4.3 多因子指数评估结果

融沉风险评估体系由3个地质灾害指标和形变数据基于AHP计算得到，其结果分布如图8(b)所示。在多因子指数的评估结果中，低危险区所占比例最高，其次是高危险区和中危险区。高危险区主要分布在唐古拉、沱沱河、北麓河和五道梁，中危险区主要分布在高危险区附近。在上述几个高危险区中，北麓河地区相对更容易发生解冻沉降，该结果与危险区指数的评估结果较为一致。
图8 冻土融沉降区域与形变对比

注:图(b)中黑色椭圆框为较大沉降变速率区域。

Fig. 8 Comparison of permafrost thawing settlement area and deformation

为进一步验证结果，收集了青藏铁路工程走廊沿线的热融滑塌数据，结果发现北麓河地区也是热融滑塌分布最密集的区域，有少部分集中在楚玛尔河，如图8(a) 所示[35]。图8(b)中黑色虚线椭圆框为与图8(a)对应的部分，在此区域同样观测到较大沉降形变速率，这与在危险区指数和容许承载力指数中的结果一致。此外，楚玛尔河至风火山段为高危集中区域，如图9所示的蓝色矩形区域。考虑到多年冻土解冻沉降对青藏铁路工程走廊的负面影响，需要在高危区域进行相关维护工程。
图9 多因子指数沿青藏铁路工程走廊融沉情况剖面

Fig. 9 Multi-factor index profiles of melt subsidence along the Qinghai-Tibet Railway project corridor

5 讨论

5.1 地质灾害指数与形变的相关性

地质灾害指数和地表形变速率都是冻土融沉风险评估的工具，二者从不同的角度开展评估工作。3个地质灾害指数常被用来描述多年冻土的静态信息，而地面形变速率则可以反映多年冻土的动态变化。在以往的研究中，地面形变速率已被用于验证指数评估工作的可靠性，但针对二者之间的相关性研究较少[16,36]。为了弄清2种不同方法之间的关系，计算了3种地质灾害指数与形变速率之间的相关系数R值（Correlation Coefficient）和显著性概率P值（Probability of Significance），结果如表9所示。
表9 3个地质灾害指数与形变之间的相关性

Tab. 9 Correlations between three geo-hazard indices and deformation

容许承载力指数 危险区划指数 融沉指数
R -0.069 0.114 0.072
P 0.00 (<0.01) 0.00 (<0.01) 0.00 (<0.01)
综上，危险区指数与形变的相关性是最高的，地质灾害指数与形变之间的相关系数（R值）较低，这表明地质灾害指数和地面形变是从不同的角度评估冻土融化，且二者之间存在一定的独立性。3个地质灾害指数与形变之间的相关性非常显著（P值<0.01，P值越小，结果越显著；通常，P值小于0.05表示相关性显著，小于0.01表示相关性非常显著），这说明指数与形变之间仍存在一定的相关性，且具有统计学意义。因此，将形变数据和传统的地质灾害指数进行融合可以更全面的评估冻土融沉风险，提高评估结果的准确性。

5.2 多因子指数有效性的验证

目前，专家学者们已提出多种地质灾害指数来评估多年冻土的融沉风险。为了进一步验证所提出的多因子指数评估的可靠性，将多因子指数与最新的地质灾害指数结果进行对比。2021年，Ni等[16]采用综合指数对青藏高原多年冻土进行了评价。综合指数包含了上述提到的3种地质灾害指数，即容许承载力指数、危险区指数和融沉指数。前面提到每种地质灾害指数的危险区从低到高用1~3进行赋值，在计算综合指数时，将3种地质灾害指数进行叠加，随后对每个栅格单元逐一判断，若该栅格单元存在2个及以上的相同的危险值，则选择该危险值来表示这个栅格单元；若在一组栅格单元中，存在3个不同的危险值，则用中危险区来表示该栅格单位。这样计算后得到的综合指数与多因子指数的对比如图10所示。
图10 2种不同危险评估指数方法及冻土地表形变结果对比

注:红圈区域为发生较大沉降形变，但综合指数并未将其评估为中或高危险区域。

Fig. 10 Comparison of risk assessment results of thawing settlement of permafrost and surface deformation of permafrost
along Qinghai-Tibet Engineering Corridor (QTEC)

多因子指数和综合指数在研究区的低危险区域占比较为一致，都占有60%左右。但是在高危险地区，多因子指数的高危险区占比为22%，要高于综合指数的18%。虽然综合指数的高危险区主要集中在北麓河和沱沱河区域，这与图10(c)的形变结果中呈现出较大沉降量相吻合，但是在同样发生较大沉降形变的楚玛尔河和五道梁地区，综合指数并未很好地将其评估为中或高危险区域，如图10红色椭圆框所示。而在多因子指数的评估结果中，楚玛尔河和五道梁地区的评估结果为高危险，这与形变结果较吻合。除此之外，在先前的多年冻土形变研究中，也都发现这2处存在较大的形变和融沉风险[37-38]。
对比多因子指数和形变结果，在几个沉降量较大的区域都吻合的较好，如楚玛尔河至北麓河路段以及沱沱河地区。为进一步对比验证，选取了4个形变较大的区域（五道梁、北麓河、沱沱河和唐古拉）对其进行放大比对，如图11所示。从放大图可看出，所选取的4个大形变区域所对应的多因子指数评估结果也均为高危险区，一致性较好。
图11 四处高危险区域放大图(五道梁、北麓河、沱沱河和唐古拉)及形变数据和光学影像

Fig. 11 Enlarged images of four high-risk areas (Wudaoliang, Beiluhe, Tuotuohe and Tanggula) with deformation data and optical images

5.3 多因子指数的局限性

多因子指数综合了多种地质灾害指数和地表形变速率，为多年冻土地表的融沉评估提供了一种更准确的方法。然而，所提出的方法也存在一些局限性。首先，多因子指数强调了形变数据对多年冻土危险评估的影响，而在一些地表沉降不是由多年冻土融化引起的地区，这可能会导致危险等级的错误分类。其次，受到MAGT和ALT数据的分辨率限制，多因子指数的空间分辨率不高（1 km），使用更高空间分辨率的数据可以提高危险评估结果的准确性。最后，本研究所使用的形变速率数据的观测期为2017—2018年，而∆ALT的观测期为2009—2018年，二者在时间尺度上的不一致会导致结果的不确定性。

6 总结

为了更全面、更准确地评估青藏铁路工程走廊的冻土融沉风险，提出了一个综合地表动态形变和3种静态地质灾害指数的多因子指数模型，运用提出的方法对青藏高原冻土工程走廊冻土融沉分析进行评估，对该模型的可靠性进行了深入分析。本研究主要结论如下：
（1） 使用SBAS-InSAR处理得到研究区的形变速率结果，形变速率分布跨度较大，抬升最高值达到43 mm/y，最大沉降量为-60 mm/y，整个研究区地表平均形变速率为-7 mm/y。青藏铁路工程走廊大部分表现出相对稳定的状态，形变速率小于-10 mm/y。
（2） 与基于多种地质灾害指数的综合指数的评估结果对比，综合形变的多因子指数在唐古拉和楚玛尔河两地的评估效果较好，更符合实际情况。
（3） 结果显示研究区约22%的区域被划分为高危险地区，且大部分集中在楚玛尔河至风火山，与收集的青藏铁路工程走廊沿线的热融滑塌数据结果一致。
后续可将多因子指数方法应用至整个青藏高原的多年冻土区。此外，结合现有的危险评估指数和其它多种防灾工具也是未来值得深入研究的方向之一。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Chang Y, Lyu S, Luo S, et al. Estimation of permafrost on the Tibetan Plateau under current and future climate conditions using the CMIP5 data[J]. International Journal of Climatology, 2018, 38(15):5659-5676. DOI:10.1002/joc.5770

[2]
Ran Y, Li X, Cheng G, et al. Mapping the permafrost stability on the Tibetan Plateau for 2005-2015[J]. Science China Earth Sciences, 2021, 64(1):62-79. DOI:10.1007/s1 1430-020-9685-3

[3]
Guo D, Wang H. CMIP5 permafrost degradation projection: A comparison among different regions[J]. Journal of Geophysical Research: Atmospheres, 2016, 121(9):4499-4517. DOI:10.1002/2015JD024108

[4]
Chen F, Lin H, Zhou W, et al. Surface deformation detected by ALOS PALSAR small baseline SAR interferometry over permafrost environment of Beiluhe section, Tibet Plateau, China[J]. Remote sensing of environment, 2013, 138:10-18. DOI:10.1016/j.rse.2013.07.006

[5]
Cheng G, Wu T. Responses of permafrost to climate change and their environmental significance, Qinghai‐Tibet Plateau[J]. Journal of Geophysical Research: Earth Surface, 2007, 112(F2). DOI:10.1029/2006JF000631

[6]
Ma W, Mu Y, Wu Q, et al. Characteristics and mechanisms of embankment deformation along the Qinghai-Tibet Railway in permafrost regions[J]. Cold Regions Science and Technology, 2011, 67(3):178-186. DOI:10.1016/j.coldregions.2011.02.010

[7]
Jin H, Yu Q, Wang S, et al. Changes in permafrost environments along the Qinghai-Tibet engineering corridor induced by anthropogenic activities and climate warming[J]. Cold Regions Science and Technology, 2008, 53(3):317-333. DOI:10.1016/j.coldregions.2007.07.005

[8]
Liu L, Zhang T, Wahr J. InSAR measurements of surface deformation over permafrost on the North Slope of Alaska[J]. Journal of Geophysical Research: Earth Surface, 2010, 115:F03023. DOI:10.1029/2009JF001547

[9]
Lindley S J, Handley J F, McEvoy D, et al. The role of spatial risk assessment in the context of planning for adaptation in UK urban areas[J]. Built environment, 2007, 33(1):46-69. DOI:10.2148/benv.33.1.46

[10]
Flynn M, Ford J D, Labbé J, et al. Evaluating the effectiveness of hazard mapping as climate change adaptation for community planning in degrading permafrost terrain[J]. Sustainability science, 2019, 14:1041-1056. DOI:10.1007/s11625-018-0614-x

PMID

[11]
Preston B L, Yuen E J, Westaway R M. Putting vulnerability to climate change on the map: a review of approaches, benefits, and risks[J]. Sustainability science, 2011, 6:177-202. DOI:10.1007/s11625-011-0129-1

[12]
Melvin A M, Larsen P, Boehlert B, et al. Climate change damages to Alaska public infrastructure and the economics of proactive adaptation[J]. Proceedings of the National Academy of Sciences, 2017, 114(2):E122-E131. DOI:10.1073/pnas.1611056113

[13]
Nelson F E, Anisimov O A, Shiklomanov N I. Subsidence risk from thawing permafrost[J]. Nature, 2001, 410(6831):889-890. DOI:10.1038/35073746

[14]
Daanen R P, Ingeman-Nielsen T, Marchenko S S, et al. Permafrost degradation risk zone assessment using simulation models[J]. The Cryosphere Discussions, 2011, 5(4):1043-1056. DOI:10.5194/tc-5-1043-2011

[15]
Xu X M, Wu Q B. Impact of climate change on allowable bearing capacity on the Qinghai-Tibetan Plateau[J]. Advances in Climate Change Research, 2019, 10(2):99-108. DOI:10.1016/j.accre.2019.06.003

[16]
Ni J, Wu T, Zhu X, et al. Risk assessment of potential thaw settlement hazard in the permafrost regions of Qinghai-Tibet Plateau[J]. Science of the Total Environment, 2021, 776:145855. DOI:10.1016/j.scitotenv.2021.145855

[17]
Hjort J, Karjalainen O, Aalto J, et al. Degrading permafrost puts Arctic infrastructure at risk by mid-century[J]. Nature communications, 2018, 9:5147. DOI:10.1038/s414 67-018-07557-4

DOI PMID

[18]
张中琼, 吴青柏, 周兆叶. 多年冻土区冻融灾害风险性评价[J]. 自然灾害学报, 2012, 21(2):142-149.

[Zhang Z, Wu Q, Zhou Z. Evaluation of the risk of freeze-thaw hazards in permafrost regions[J]. Journal of Natural Disasters, 2012, 21(2):142-149..] DOI:10.13577/j.jnd.2012.0221

[19]
阮国锋, 张建明, 柴明堂. 气候变化情景下青藏工程走廊融沉灾害危险性区划研究[J]. 冰川冻土, 2014, 36(4):811-817.

DOI

[Zhang J, Chai M, M. Risk division of thaw settlement hazard along Qinghai-Tibet Engineering Corridor under climate change[J]. Journal of Glaciology and Geocryology, 2014, 36(4),811-817.

DOI

[20]
Niu F, Lin Z, Lu J, et al. Assessment of terrain susceptibility to thermokarst lake development along the Qinghai-Tibet engineering corridor, China[J]. Environmental Earth Sciences, 2015, 73(9):5631-5642. DOI:10.1007/s12665-0 14-3818-0

[21]
Yin G, Luo J, Niu F, et al. Spatial analyses and susceptibility modeling of thermokarst lakes in permafrost landscapes along the Qinghai-Tibet engineering corridor[J]. Remote Sensing, 2021, 13(10):1974. DOI:10.3390/rs13101974

[22]
Liu Z, Zhu Y. Risk Zoning of Permafrost Thaw Settlement in the Qinghai-Tibet Engineering Corridor[J]. Remote Sensing, 2015, 15(15):3913. DOI:10.3390/rs15153913

[23]
Rykhus R P, Lu Z. InSAR detects possible thaw settlement in the Alaskan Arctic Coastal Plain[J]. Canadian Journal of Remote Sensing, 2008, 34(2):100-112. DOI:10.5589/m08-018

[24]
Zhang Z, Lin H, Wang M, et al. A review of satellite synthetic aperture radar interferometry applications in permafrost regions: current status, challenges, and trends[J]. IEEE Geoscience and Remote Sensing Magazine, 2022, 10(3):93-114. DOI:10.1109/MGRS.2022.3170350

[25]
Niu F, Yin G, Luo J, et al. Permafrost distribution along the Qinghai-Tibet Engineering Corridor, China using high-resolution statistical mapping and modeling integrated with remote sensing and GIS[J]. Remote Sensing, 2018, 10(2):215. DOI:10.3390/rs10020215

[26]
Ma P, Lin H, Wang W, et al. Toward fine surveillance: A review of multitemporal interferometric synthetic aperture radar for infrastructure health monitoring[J]. IEEE Geoscience and Remote Sensing Magazine, 2021, 10(1):207-230. DOI:10.1109/MGRS.2021.3098182

[27]
Berardino P, Fornaro G, Lanari R, 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. DOI:10.1109/TGRS.2002.803792

[28]
Goldstein R M, Werner C L. Radar interferogram filtering for geophysical applications[J]. Geophysical research letters, 1998, 25(21):4035-4038. DOI:10.1029/1998GL900033

[29]
Lanari R, Mora O, Manunta M, et al. A small-baseline approach for investigating deformations on full-resolution differential SAR interferograms[J]. IEEE transactions on geoscience and remote sensing, 2004, 42(7):1377-1386. DOI:10.1109/TGRS.2004.828196

[30]
马巍, 吴紫汪, 盛煜. 冻土的蠕变及蠕变强度[J]. 冰川冻土, 1994(2):113-8.

[Wu Z, Sheng Y. Creep and creep strength of frozen soil[J]. Journal of glaciology and geocryology, 1994(2):113-8.]

[31]
Scripter M W. Nested-means map classes for statistical maps[J]. Annals of the Association of American Geographers, 1970, 60(2):385-392. DOI:10.1111/j.1467-8306.1970.tb00727.x

[32]
Pelletier J D, Broxton P D, Hazenberg P, et al. A gridded global data set of soil, intact regolith, and sedimentary deposit thicknesses for regional and global land surface modeling[J]. Journal of Advances in Modeling Earth Systems, 2016, 8(1):41-65. DOI:10.1002/2015MS000526

[33]
Aminbakhsh S, Gunduz M, Sonmez R. Safety risk assessment using analytic hierarchy process (AHP) during planning and budgeting of construction projects[J]. Journal of Safety Research, 2013, 46:4699-105. DOI:10.1016/j.jsr.2013.05.003

[34]
Wang J, Wang C, Zhang H, et al. Freeze-thaw deformation cycles and temporal-spatial distribution of permafrost along the Qinghai-Tibet Railway using multitrack InSAR processing[J]. Remote Sensing, 2021, 13(23):4744. DOI:10.3390/rs13234744

[35]
夏卓璇, 黄灵操, 刘琳. 青藏工程走廊沿线热融滑塌综合调查(2019). 时空三极环境大数据平台.

[Xia Z, Huang L, Liu L. An inventory of retrogressive thaw slumps along the vulnerable Qinghai-Tibet engineering corridor (2019). A Big Earth Data Platform for Three Poles] DOI:10.11888/Cryos.tpdc.272672

[36]
Li R, Zhang M, Pei W, et al. Risk evaluation of thaw settlement using machine learning models for the Wudaoliang-Tuotuohe region, Qinghai-Tibet Plateau[J]. Catena, 2023, 220:106700. DOI:10.1016/j.catena.2022.106700

[37]
Lu P, Han J, Hao T, et al. Seasonal deformation of permafrost in Wudaoliang basin in Qinghai-Tibet plateau revealed by StaMPS-InSAR[J]. Marine Geodesy, 2020, 43(3):248-268. DOI:10.1080/01490419.2019.1698480

[38]
Li R, Li Z, Han J, et al. Monitoring surface deformation of permafrost in Wudaoliang Region, Qinghai-Tibet Plateau with ENVISAT ASAR data[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 104:102527. DOI:10.1016/j.jag.2021.102527

Options
文章导航

/

〈 〉