Regional and local scale analysis of very slow rock slope deformations integrating InSAR and morpho-structural data

open
Slow rock slope deformations (DSGSDs and large landslides) are widespread, affect entire hillslopes and displace volumes up to billions of cubic meters. They evolve over long time by progressive failure processes, under variable climatic and hydro-mechanical coupling conditions mirrored by a complex creep behaviour. Although characterized by low displacement rates (up to few cm/yr), these slope instabilities damage sensitive structures and host nested sectors potentially undergoing rockslide differentiation and collapse. A robust characterization of the style of activity of slow rock slope deformations is required to predict their interaction with elements at risk and anticipate possible failure, yet a comprehensive methodology to this aim is still lacking. In this perspective, we developed a multi-scale methodology integrating geomorphological mapping, field data and different DInSAR techniques, using an inventory of 208 slow rock slope deformations in Lombardia (Italian Central Alps), for which we performed a geomorphological and morpho-structural mapping on aerial images and DEMs. On the regional scale, we developed an objective workflow for the inventory-scale screening of slow-moving landslides. The approach is based on a refined definition of activity that integrates the displacement rate, kinematics and degree of internal damage for each landslide. Using PS-InSAR and SqueeSAR datasets, we developed an original peak analysis of InSAR displacement rates to characterize the degree of segmentation and heterogeneity of mapped phenomena, highlight the occurrence of sectors with differential activity and derive their characteristic displacement rates. Using 2DInSAR velocity decomposition and machine learning classification, we set up an original automatic approach to characterize the kinematics of each landslides. Then, we sequentially combine PCA and K-medoid cluster analysis to identify groups of landslides characterized by consistent styles of activity, accountin
Le deformazioni lente di versante in roccia (DGPV e grandi frane) sono fenomeni diffusi che interessano interi versanti e mobilizzano volumi di roccia anche di miliardi di metri cubi. La loro evoluzione è legata a processi di rottura progressiva sotto forzanti esterne e di accoppiamento idromeccanico, rispecchiate da un complesso processo di creep. Sebbene caratterizzate da bassi tassi di spostamento (fino a pochi cm / anno), queste instabilità di versante danneggiano infrastrutture e ospitano settori potenzialmente soggetti a differenziazione e collasso catastrofico. È quindi necessaria una robusta caratterizzazione del loro stile di attività per determinare il potenziale impatto sugli elementi a rischio e anticipare un eventuale collasso. Tuttavia una metodologia di analisi finalizzata a questo scopo è ancora mancante. In questa prospettiva, abbiamo sviluppato un approccio multiscala che integra dati morfostrutturali, di terreno e tecniche DInSAR, applicandoli allo studio di un inventario di 208 deformazioni lente di versanti mappate in Lombardia. Su questo dataset abbiamo eseguito una mappatura geomorfologica e morfostrutturale di semi dettaglio tramite immagini aeree e DEM. Abbiamo quindi sviluppato un pacchetto di procedure oggettive per lo screening su scala di inventario delle deformazioni lente di versante integrando dati di velocità di spostamento, cinematica e di danneggiamento dell’ammasso roccioso per ogni frana. Utilizzando dataset PS-InSAR e SqueeSAR, abbiamo sviluppato una procedura mirata a identificare in maniera semiautomatica la velocità InSAR rappresentativa, il grado di segmentazione e l'eterogeneità interna di ogni frana mappata identificando la presenza di possibili fenomeni secondari. Utilizzando la tecnica 2DInSAR e tecniche di machine learning, abbiamo inoltre sviluppato un approccio automatico caratterizzare la cinematica di ciascuna frana. I dati così ottenuti sono stati integrati tramite analisi di PCA e K-medoid per identificare gruppi
No
open
Crippa, C