高效的路面维护规划对交通管理部门而言仍是重大挑战,因为它直接影响道路的安全性、可用性以及交通网络的长期经济和环境绩效(France-Mensah和O'Brien,2018;Memarzadeh和Pozzi,2016;Renard等人,2021)。在此背景下,基础设施资产管理越来越需要将更广泛的可持续性考量纳入决策过程(Vargas-Farias等人,2026)。在维护和修复方面的长期投资不足会加速路面劣化,进而导致生命周期成本上升、温室气体排放增加,以及燃料消耗和车辆磨损等与用户相关的成本上升(AEC,2022;Yao等人,2022)。老化基础设施、日益增长的交通需求以及日益严重的恶劣气候条件进一步加剧了这些挑战(Llopis-Castelló等人,2020)。
在这些因素中,气候已成为导致路面劣化的关键因素。路面不仅要承受长期平均气候条件的影响,还要面对热浪、冻融循环、长期干旱和强降水等短暂而极端的天气现象,这些现象都会显著加速路面劣化(Afridi等人,2025;Piryonesi和El-Diraby,2021a)。虽然气候变化预计会增加这类极端天气的频率和强度,但大多数路面管理措施仍然依赖于基于历史平均条件的规划框架(Llopis-Castelló等人,2020;Younos等人,2020),这限制了它们应对日益变化的气候状况和不确定性的能力。
在此背景下,有必要区分平均气候变量(如年平均温度和降水量)和从日常观测数据中得出的极端气候相关变量(每日最高和最低温度以及日降水量),后者被用于诸如气候变化检测与指标专家团队所定义的标准化指标中。这些极端气候相关变量并非代表平均状况,而是反映特定气候事件的频率、持续时间和强度,有助于描述热浪、冻融循环、强降雨或长期干旱等现象,而这些现象是无法通过年平均指标来识别的。
需要指出的是,气候变化对路面性能的影响并非在所有地区都是负面的。例如,在冬季温和的地区,气温上升可以减少冻融循环的频率,而冻融循环是导致路面劣化的最严重因素之一。这种减少可能会提高当地的路面耐久性,从而延长其使用寿命。然而,这些潜在的好处因地区而异,而且可能会被其他极端天气现象的增加所抵消,比如强降水,这就更加凸显了采取针对特定气候和具体天气现象的路面管理方法的必要性。
近年来,利用数据驱动方法对路面劣化进行建模取得了显著进展。与传统确定性或统计模型相比,机器学习技术在预测路面状况指标的变化方面表现出更优异的性能(Ali等人,2025;Justo-Silva等人,2021;Lin等人,2024;Piryonesi和El-Diraby,2021b)。然而,现有的大多数预测模型主要依赖于年平均温度和降水量等平均气候变量,无法捕捉到在路面损坏过程中起关键作用的极端气候事件的短期强度、持续时间和频率(Piryonesi和El-Diraby,2021a)。这些局限性使得人们无法区分那些平均年度条件相似但极端气候相关特征存在显著差异的气候环境,而这些差异可能会导致截然不同的路面劣化趋势,进而需要不同的路面维护策略。
相比之下,气候变化检测与指标专家团队开发的标准化极端气候指数已被用于环境影响评估研究,以描述不同系统中极端气候事件的频率、强度和持续时间(Mishra等人,2026;Robles等人,2026),不过将其应用于路面劣化预测和维护规划中的情况仍然十分有限。
强化学习作为一种用于适应性路面维护规划的可行方法,正逐渐受到更多关注。强化学习允许智能体通过与动态环境的交互来学习最优策略,从而在不确定性条件下进行序列决策(Han等人,2021;Shani等人,2021;Yao等人,2020)。多项研究表明,基于强化学习的框架可以通过根据路面状况的变化调整维护措施,从而优于静态或基于规则的维护策略(Kazemeini和Swei,2023;Renard等人,2021)。当路面劣化情况偏离预期趋势时,这种适应性尤为重要,因为这种情况可能发生在那些无法通过基于年平均条件的模型来预测的极端气候事件影响之下。然而,大多数现有的基于强化学习的路面管理研究都隐含地假设路面劣化过程是稳定的,没有明确分析气候条件变化,尤其是极端天气事件,如何改变最优维护策略。
因此,目前仍存在一个重要的研究空白,即缺乏能够明确模拟极端气候事件如何影响路面劣化,进而从适应性规划框架中确定长期最优维护策略的运营维护规划模型(Kazemeini和Swei,2023;Yao等人,2022)。尽管以往的研究已将一些非平均气候指标纳入路面劣化模型,或独立探讨了适应性维护规划方法,但这些现有方法仍然较为零散。目前仍缺乏一种能够使用完整的ETCCDI指标集明确模拟路面劣化,并将其与最优的长期适应性维护规划相结合的集成框架。更重要的是,现有研究尚未探讨,在其他条件相似的情况下,考虑极端气候变量而非仅依赖平均气候指标,是否会导致不同的劣化趋势,进而产生不同的最优维护决策。这一局限性阻碍了我们全面了解不同类型的极端气候事件如何在一个统一的决策框架内影响路面劣化动态和最优维护策略。
本文旨在弥补这一空白,提出了一种集成框架,该框架将一套基于ETCCDI的全面极端气候指标同时纳入路面劣化预测和适应性维护规划之中。所提出的方法结合了基于数据的机器学习劣化模型——该模型使用了来自ETCCDI的全面极端气候指标——以及用于可持续维护规划的多目标强化学习框架。这种整合使得我们能够明确评估在平均气候条件相似的情况下,极端气候条件的差异如何导致不同的劣化模式和维护策略。通过基于区域情景的分析,该方法能够明确评估不同的极端气候状况如何影响路面劣化趋势和长期的最优维护策略。这一整合代表了将极端气候分析纳入路面维护决策的重要一步,有助于构建更加可持续且具有气候适应能力的路面管理系统。
本文的其余部分结构如下。第2节介绍研究方法,详细阐述所提出的集成框架以及将其应用于区域情景分析的步骤。第3节报告在所选的LTPP气候情景下应用该框架所获得的结果,第4节将对这些结果进行讨论。第5节总结主要结论并提出未来的研究方向。