论文标题：Global Landslide Finder: Detecting the Time and Place of Landslides with Dense Earth Observation Time Series

原文链接：https://www.mdpi.com/2624-795X/5/3/39

期刊名：GeoHazards

期刊主页：https://www.mdpi.com/journal/geohazards

研究背景

滑坡作为一种突发性强、破坏性大的自然灾害，严重威胁山区居民生命财产安全和基础设施建设。传统滑坡调查方法受限于地形可达性、时间成本及人员安全等因素，难以实现大范围快速响应。随着遥感技术的发展，光学卫星数据为滑坡识别提供了新的解决方案。然而，现有研究多集中于单一时相或双时相的变化检测，缺乏对滑坡活动长期时序动态的分析能力，且数据处理效率低、迁移性差，限制了全球尺度滑坡监测的应用。本文旨在通过整合多时相遥感数据与自动化算法，突破传统方法的局限，实现滑坡事件时间和空间位置的快速精准识别。

研究内容

本研究提出了一种基于Google Earth Engine（GEE）平台的全球滑坡检测方法，通过连续变化检测与分类（CCDC）算法，系统分析2000年至2020年间Landsat 5/7/8卫星的表面反射率数据。以NDVI作为关键变化指标，CCDC能够自动识别时间序列中的“断点”，即地表发生显著扰动的时刻。研究在日本伊吹、巴基斯坦克什米尔、印度卡纳塔克、巴布亚新几内亚波尔盖拉和尼泊尔帕桑拉姆五个滑坡高发区进行验证，通过坡度单元（Slope Units）聚合分析，将30米分辨率的检测结果与高精度人工解译清单进行对比。结果显示，滑坡面积覆盖率的决定系数（R²）最高达0.85（克什米尔地区），表明该方法在空间定位方面具有较高可靠性。

图1.2000年1月1日至2020年1月1日期间伊布里地区土地破坏情况的累积地图，颜色渐变代表破坏发生的时间。

在时间维度上，该方法成功捕捉到滑坡触发事件（如地震、极端降雨）后的集中扰动信号。例如，2018年北海道地震后伊吹地区检测到明显的像素变化峰值，与实地滑坡记录高度吻合。通过调整卡方概率阈值（0.99为最优），算法在漏检率（25%）和误检率（27%）之间取得平衡，整体F1分数达75%。此外，该方法在云端计算支持下，可在5–10分钟内完成数万平方公里区域的分析，显著优于传统人工解译（需数周至数月）。

图2.图（a）展示了伊布里地区从2000年到2020年1月1日的土地破坏累积图，颜色渐变代表破坏发生的时间。图中叠加了描绘2018年发生的滑坡的参考清单所围成的多边形，为所展示的破坏情况提供了空间背景。图（b）展示了变化像素数量的时间序列；图表中的显著峰值反映了变化检测的增加，虚线对应于特定的破坏事件。变化像素的数量是根据图（a）左面板中整个区域的总面积计算得出的。

研究总结

本研究开发的“全球滑坡定位器”通过融合GEE平台的计算效率与CCDC算法的时序分析能力，实现了滑坡事件时空信息的自动化、快速提取。其在多地理环境下的高精度验证（用户精度73%、生产者精度75%）证明了方法的鲁棒性和迁移性。尽管云覆盖、冰川活动等因素仍可能引入误检，但通过优化数据预处理流程（如改进云掩膜技术），未来可进一步提升检测可靠性。该方法为全球滑坡灾害的近实时监测与历史回溯提供了可行路径，有望支撑灾害应急响应与风险管控决策。后续工作将聚焦于开发公开的滑坡监测网络应用，推动研究成果在防灾减灾中的实际应用。

GeoHazards期刊介绍

主编：Prof. Dr. Zhong Lu, Roy M. Huffington Department of Earth Sciences, Southern Methodist University, Dallas, TX 75275, USADr. Tiago Miguel Ferreira, Instituto Superior Técnico (IST), University of Lisbon, Av. Rovisco Pais, 1049-001 Lisbon, Portugal

期刊发表范围涵地球物理/地质灾害、气候及气候变化相关灾害、气象灾害、水文灾害、块体运动灾害以及人为和技术灾害等研究领域。自2020年创刊以来，被ESCI、Scopus、GeoRef等多个权威数据库收录。