融合GIS与可解释人工智能(Explainable AI/XAI)的气候韧性市政路面管理框架:量化养护(M&R)、水文与环境因子对路面状况指数(Pavement Condition Index, PCI)的影响

《Sustainability》:An Integrated GIS and Explainable AI Framework for Climate-Resilient Municipal Pavement Management: Quantifying the Influence of Maintenance, Hydrological, and Environmental Factors on Pavement Condition Index (PCI)

【字体: 大 中 小 】 时间:2026年06月27日 来源:Sustainability 4.1

编辑推荐:

  准确预测路面性能对可持续路面管理至关重要,尤其在易受洪水侵袭、环境应力加速路面劣化的地区。研究人员开发了一种基于机器学习的比较框架,以评估德克萨斯州东南部11,214个匹配路面路段在2019年至2023年间初始路面状况、养护与修复(Maintenance an

  
准确预测路面性能对可持续路面管理至关重要,尤其在易受洪水侵袭、环境应力加速路面劣化的地区。研究人员开发了一种基于机器学习的比较框架,以评估德克萨斯州东南部11,214个匹配路面路段在2019年至2023年间初始路面状况、养护与修复(Maintenance and Rehabilitation, M&R)活动及环境暴露对路面状况指数变化量(ΔPCI = PCI2023? PCI2019)预测的贡献。研究采用线性回归(Linear Regression)、随机森林(Random Forest)和极端梯度提升(eXtreme Gradient Boosting, XGBoost)评估了三种嵌套建模情景,并使用决定系数(R2)、平均绝对误差(Mean Absolute Error, MAE)和均方根误差(Root Mean Square Error, RMSE)评价模型性能。仅使用基线变量时模型预测能力有限,加入M&R历史记录后预测能力改善最为显著,环境与洪水相关变量进一步提升了非线性集成模型的预测效果。XGBoost在全要素集成情景下取得最高预测性能(R2= 0.65, MAE = 10.63, RMSE = 14.02)。SHapley Additive exPlanations(SHAP)分析表明2019年路面表面破损指数(Surface Distress Index, SDI2019)和2019年路面状况指数(PCI2019)是最强预测因子,部分M&R及环境变量亦有显著贡献。研究结果表明,整合处治历史与环境暴露能显著提升路面性能预测精度,支持更可持续、气候韧性的路面管理决策,协助管理机构优化养护优先级及资源分配。
论文解读:融合GIS与可解释人工智能的气候韧性市政路面管理框架研究
研究背景与意义
传统路面管理系统(Pavement Management System, PMS)多依赖确定性劣化曲线或基于历史状况指标(如路面状况指数 Pavement Condition Index, PCI 和国际平整度指数 International Roughness Index, IRI)的单变量回归模型,难以充分捕捉基线路况、养护与修复(Maintenance and Rehabilitation, M&R)历史及环境胁迫因子间的非线性交互作用。既往机器学习研究常预测静态PCI而非时间段内的性能变化量(ΔPCI),且M&R记录常以简化形式处理,环境胁迫因子多与处治效应分开评估,导致难以厘清既有路况、M&R活动与气候相关暴露对路网级路面性能变化的联合影响。德克萨斯州东南部属洪灾频发湿润亚热带气候,反复淹没会削弱路面基层支撑并加速劣化。为此,研究人员以德克萨斯州博蒙特市(Jefferson County)为研究区域,开展基于ΔPCI预测的对比机器学习框架研究,并引入SHAP(SHapley Additive exPlanations)进行模型可解释性分析,成果发表于《Sustainability》。
主要关键技术方法
研究人员基于博蒙特市PMS系统2019年与2023年两次路面检测数据,通过唯一GIS标识符(GISID)匹配得到11,214个共同路段构成配对样本队列,计算ΔPCI = PCI2023? PCI2019作为响应变量。自变量分三组:基线特征(PCI2019、IRI2019、结构指数 Structural Index SI2019、表面破损指数 Surface Distress Index SDI2019、路面宽度/长度、路面类型、功能等级)、19项2019—2023年间M&R活动的多头二值编码(Boolean multi-hot encoding)、以及源自PRISM/NOAA气候数据及Sentinel-1雷达洪水的环境变量(平均气温、降水量、淹没深度、洪水频次、流速、水位、洪水敏感性指数、地形控制指数 Topographic Control Index TCI、地面形变)。构建三个嵌套场景——模型1(基线)、模型2(基线+M&R)、模型3(全要素),分别训练线性回归、随机森林(Random Forest)和极端梯度提升(XGBoost),80/20划分训练测试集并五折交叉验证调参,以R2、MAE、RMSE评价性能,选取最优XGBoost模型进行SHAP全局及依赖图分析。
研究结果
4.1. Baseline Model Results (Model 1)
仅使用基线路面与道路分类特征时预测能力有限,XGBoost测试集R2=0.34,Random Forest为0.35,Linear Regression为0.24,表明基线变量单独无法充分解释ΔPCI变异且存在非线性关系。
4.2. Impact of Maintenance and Rehabilitation Features (Model 2)
加入M&R二值变量后各模型性能大幅提升,XGBoost R2升至0.56(+0.22),Random Forest升至0.55(+0.20),Linear Regression升至0.45(+0.21),MAE与RMSE显著降低,证实M&R历史是解释路面性能变化最重要的附加贡献因子。
4.3. Contribution of Environmental Features (Model 3)
进一步纳入环境与洪水变量后集成模型继续改善,XGBoost达最高性能(R2= 0.65, MAE = 10.63, RMSE = 14.02),Random Forest R2=0.62;Linear Regression仅微增至0.46,说明环境变量贡献主要表现为非线性和交互效应。
4.4. Comparative Performance Across Modeling Scenarios
三场景R2逐层递增,Model 1→Model 2增益最大印证M&R历史的核心价值,Model 2→Model 3增益确认环境暴露具额外预测信息;XGBoost全程优于Random Forest与Linear Regression。
4.5. Learning Curve Analysis
XGBoost Model 3验证集R2随训练样本增大趋近0.65,训练R2约0.95,存在合理泛化差距,提示若补充交通量、路面龄期、结构层厚、养护时序等信息可进一步提升。
4.6. Model Interpretability Using SHAP Analysis
SHAP汇总图显示最强预测因子为SDI2019与PCI2019(初始状况决定变化空间),其次为路段长度(管理单元尺度效应)、路面类型、IRI2019;部分M&R(全面表面重建+基层修复+结构性修补+加铺等)及环境因子(降水、水位、均温、淹没深度)亦具可观贡献。正值SHAP推高预测ΔPCI(改善/少劣化),负值推低(多劣化)。
4.7. Influence of Environmental Variables
按平均|SHAP|排序:降水(1.516)>水位(1.136)>均温(0.831)>淹没深度(0.774)>洪水敏感性(0.608)>地面形变(0.545)>流速(0.544)>TCI(0.340)>洪水频次(0.080)。淹没深度、流速、TCI、地面形变升高一般关联负SHAP(加速劣化);降水与洪水敏感性呈混合分布,反映与路况/M&R/空间背景的交互而非直接改善效应。
4.8. Impact of M&R Activities Based on SHAP Analysis
整体|SHAP|最高的M&R为"Surf Recon + Base Rehab/FWM + Strctrl Ptch + Olay"(1.454),其次"FWM + Thick Overlay (>2.0–3.0)"(1.011)及带结构性修补变体(0.900)。仅在施作路段计算的平均有符号SHAP显示:结构性加铺/重建类处治普遍推高ΔPCI;局部或水泥混凝土(PCC)相关修补呈近零或负SHAP,系选择偏倚(施于已严重劣化路段)而非负面处治效果。频率与效应无简单对应关系。
4.9. Key Findings
基线变量单独解释力低(R2max=0.35);M&R历史贡献最大(ΔR2≈0.21);环境因子再贡献约ΔR2≈0.09;XGBoost综合表现最佳;SHAP揭示SDI2019/PCI2019主导,特定结构性M&R及降水/淹没等环境因子次之;环境效应非线性且洪淹相关变量多具负向关联;施加态M&R SHAP可区分处治关联方向。
讨论与结论翻译(Conclusions)
研究表明仅靠状况指标预测路面性能变化不足,整合M&R历史与环境暴露可显著改进ΔPCI预测。M&R历史提供最大增量解释力,环境与洪水因子具附加非线性贡献。XGBoost在全集成情景下达R2= 0.65, MAE = 10.63, RMSE = 14.02。SHAP分析确认SDI2019与PCI2019为核心预测因子;结构性加铺及全面重建类M&R变量重要性最高且在施作时倾向推高ΔPCI;降水、洪水位、均温及淹没深度为最重要环境贡献因子,其中淹没深度、流速、TCI及地面形变通常与更低预测ΔPCI相关联。该集成框架可辅助交通机构由被动维修转向主动、数据驱动及气候知情的养护资源分配,对洪涝脆弱区尤其具实践价值。剩余约35%未解释方差提示未来应纳入交通荷载、路面龄期、层厚、排水状况及养护时序并开展空间交叉验证以提升泛化能力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号