不同于现状分布图，本数据构建了融合“实测灾害扰动信息”与“环境潜在风险因子”的机器学习综合评价模型，实现了对未调查路段及潜在高风险区域的定量化风险区划。数据以不稳定性指数（0.0–1.0）表征风险程度，揭示了多年冻土热稳定性、地形水文条件与人类工程扰动（公路热岛效应、管道主动热源）之间的空间耦合关系。该成果为寒区线性工程的风险识别、预防性养护及选线规划提供了关键的数据支撑。
数据集核心字段为不稳定性指数（0-1.0），按照风险程度划分为五个等级：
0–0.20（极高稳定性/低风险）：主要分布于南界（SLLP）以南的季节冻土区。
0.20–0.40（高稳定性/较低风险）：属于弱敏感区，多见于地温较低（<-1.5℃）、排水良好的山脊地带。
0.40–0.60（中等稳定性/中风险）：关键预警区，主要分布于1970s与1990s多年冻土南界之间的退化过渡带。
0.60–0.80（低稳定性/较高风险）：工程不稳定带，紧邻国道与省道主干线，热融灾害多发。
0.80–1.00（极低稳定性/极高风险）：重点干预区，高度聚焦于道路（铁路，公路）沿线及中俄原油管道（CRCOP）及北部大片不连续冻土区的交通枢纽。
自主产生，融合了多期野外科学考察记录，以及机器学习模型得到预测结果。
综合利用机器学习算法对地温（LST）、地温（MAGT）、植被覆盖（NDVI）、地形（坡度坡向）及工程热扰动因子进行权重反演。通过融合实测冻害点位进行监督学习，构建连续不稳定性指数模型，实现从点状现状向面状风险潜势的转化。
输入参数：整合了东北多年冻土区1970s与1990s南界变迁数据。
扰动模拟：针对公路“被动集热”产生的热岛效应与原油管道“主动排热”引发的局部融化筒结构进行物理机制建模。
精度评估：通过对漠河枢纽、根河-牙克石退化前缘等典型脆弱区进行实地验证，确保风险等级划分的准确性。
（1）精度与尺度：数据采用1:10万比例尺，空间分辨率为30米，确保了在线性工程缓冲区（公路、铁路、管道）内的精细化表达。
（2）模型方法：采用融合“实测冻融灾害扰动信息”与“环境风险潜在因子”的综合评价模型。通过计算不稳定性指数，实现从定性描述向定量评估的转变。
（3）标准规范：评价等级严格划分为五个梯度（0–0.2至0.8–1.0），各等级定义明确。例如，极高风险区（0.8–1.0）通过对冲效应机理进行验证，高稳定性区（0.2–0.4）则参考了多年平均地温及土壤排水条件等物理指标。
（4）验证与可靠性：风险分布结果与大兴安岭北部大片不连续冻土区、中南部岛状冻土区表现出高度一致性。特别针对G111、G331及中俄原油管道等典型廊道进行了实地扰动模拟验证，确保了预测结果对预防性养护的指导价值。
| # | 编号 | 名称 | 类型 |
| 1 | 2022FY100700 | 东北高纬度多年冻土本底及冻融灾害调查 | 基础资源调查项目 |
本作品采用
CC 0(CC 0)进行许可。
CSTR:11738.11.NCDC.NIEER.DB7264.2026
10.12072/ncdc.nieer.db7264.2026
