基于青藏高原30 m / 8 d NDVI时间序列数据集（2000–2020），结合“青藏工程走廊热融滑塌遥感识别数据”和高分辨率 PlanetScope 影像，应用 LandTrendr 与分段线性函数拟合（PWLF）方法对 NDVI 突变过程进行识别与解析，揭示青藏高原楚玛尔河附近区域2010–2020年间热融滑塌灾变发生的关键时间节点、扰动幅度与持续效应，并利用多源遥感图像变化验证其地貌扰动机制。本数据集适用于多年冻土区地表过程监测、滑塌灾害时序分析及区域生态变化研究。
NDVI 数据来自《青藏高原时空分辨率（30 m、8 d）NDVI 时间序列数据集（2000–2020）》，DOI：https://doi.org/10.11888/Terre.tpdc.272681
热融滑塌滑坡清单数据来自青藏高原国家数据中心《青藏高原多年冻土区热融滑塌分布数据（2018–2020）》，DOI：https://doi.org/10.11888/Cryos.tpdc.300333
独立验证数据来自《青藏工程走廊沿线热融滑塌综合调查（2019）》，DOI：https://doi.org/10.11888/Cryos.tpdc.272672
（1）LandTrendr（Landsat-based Detection of Trends in Disturbance and Recovery） 算法原理：将 NDVI 时间序列划分为多段线性段，通过迭代优化识别扰动与恢复阶段拐点。 应用目的：识别 NDVI 突变年份、下降幅度与后期恢复趋势。
（2）PWLF 分段线性函数拟合（Piecewise Linear Function Fitting） 用途：对 NDVI 拐点前后的变化趋势进行精细线性分段拟合，量化扰动强度、恢复速率和稳定阶段。
算法原理：基于最小二乘优化求解断点位置及各分段斜率。
为评估 LandTrendr 与 PWLF 的识别性能，本研究选取 20 个现场及影像判读确认的滑塌点与 20 个非滑塌对照点，共 40 个样本，构建混淆矩阵（Confusion Matrix）进行精度验证。
总体精度 Accuracy = 0.925
精确率 Precision = 1.000
召回率 Recall = 0.850
F1-score = 0.918
结果表明模型对热融滑塌扰动的识别具有高可靠性和较强泛化能力。Precision = 1.0 说明无误报；Recall = 0.85 表明多数滑塌事件能被有效识别，少量漏检与弱扰动或积雪/阴影干扰相关。
| # | 编号 | 名称 | 类型 |
| 1 | 2022YFF0711700 | 冰冻圈大数据挖掘分析关键技术及应用 | 国家重点研发计划 |
| 2 | 2022YFF0711703 | 冰冻圈变量速变智能发现及演变感知数据工程 | 国家重点研发计划 |
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
CSTR:11738.11.NCDC.NIEER.DB7028.2025
10.12072/ncdc.nieer.db7028.2025
