《Results in Engineering》：Semi-supervised deterioration assessment framework for stormwater drainage pipes in data-scarce mountainous towns using Label Propagation and LightGBM
编辑推荐：
针对中国西南山区城镇雨水排水管道在数据稀缺条件下的劣化评估难题，本研究提出了一种融合标签传播算法（Label Propagation Algorithm, LPA）与LightGBM梯度提升模型的半监督评估框架LPA–LightGBM。该框架首先利用道路环境、
针对中国西南山区城镇雨水排水管道在数据稀缺条件下的劣化评估难题，本研究提出了一种融合标签传播算法（Label Propagation Algorithm, LPA）与LightGBM梯度提升模型的半监督评估框架LPA–LightGBM。该框架首先利用道路环境、土地利用、人口及土壤条件等多源管道结构与环境信息构建样本相似度图，通过标签传播从大量未标注管道段中提取劣化相关信息，以扩充稀缺的标注训练数据；随后基于增强数据集训练统一的四类劣化等级分类模型，并将其概率输出组织为两阶段决策框架：第一阶段判断管道段是否发生劣化，第二阶段在已劣化管道段中区分2至4级劣化程度，并综合3、4级概率支持预算约束下的检测优先级排序。研究以云南省富民县核心建成区为案例，共获取4321个具备完整影响因子信息的雨水管道段，其中仅215个具有CCTV检测综合劣化等级标签，其余4106个构成未标注集。通过与传统监督学习及标准自训练基线方法的对比，该框架在少量标注样本、类别高度不平衡及复杂山地环境下显著提升了严重劣化管道段的识别性能，并利用类别特定阈值缓解了多数类伪标签主导问题。研究结果表明，LPA–LightGBM框架为数据稀缺山区中小城镇的管道劣化评估与风险管理提供了一种实用、可复现且可解释的方法论支撑。
一、研究背景与问题
城市排水管网是城市基础设施的关键组成部分，其结构与功能劣化不仅降低输水与排放能力，还可能引发城市内涝、路面与路基沉陷、地下水与土壤污染等次生灾害，威胁公共安全与财产。随着气候变暖，极端降雨事件的频率和强度持续增加，使既有管网在峰值径流和高变异性入流条件下面临更高的失效风险。这一问题在中国西南山区城镇尤为突出：受复杂地形、脆弱生态系统及长期基础设施投入不足的制约，这些城镇的排水设施建设与运维存在明显短板。在西南季风气候下，山区城镇汛期强降雨频发，引发严重洪涝事件，暴露出当地排水系统的脆弱性。近年来，“特色小镇”等国家政策推动了山区城镇市政排水基础设施发展，但受经济活力有限和财政预算紧张的影响，中小城镇投资仍主要集中在污水收集与处理方面，雨水排水系统与洪涝风险管理获得的支持相对有限。因此，发展能够利用稀疏检测与监测数据系统评估排水管道劣化状况、支撑精细化维护与更新决策的方法，仍是一项重要且尚未解决的挑战。
二、研究内容与结论
针对上述问题，本研究以中国西南典型山区城镇云南省富民县为研究区域，提出融合标签传播算法与LightGBM梯度提升模型的半监督学习框架LPA–LightGBM，用于管道劣化评估。具体目标包括：利用道路环境、土地利用、人口及土壤条件等多源管道结构与环境信息构建样本相似度图，通过标签传播从大量未标注管道段中提取劣化相关信息，在标注样本极少的情况下扩充训练数据；基于增强数据集训练统一的四类分类模型，并将其概率输出组织为两阶段决策框架——第一阶段判断管道段是否劣化，第二阶段在已劣化管道段中区分2至4级劣化程度，并综合3、4级概率支持预算约束下的检测优先级排序；通过与监督学习及标准自训练基线对比，评估该框架在少量样本、类别不平衡及复杂山地环境下的识别性能。研究最终构建了实用、可复现且可解释的山区中小城镇管道劣化评估与风险管理方法论框架。
三、关键技术方法
研究人员构建了包含11个影响因子的管道段级数据库，涵盖管道物理属性（管龄、管长、等效直径、埋深、坡度、管材、断面类型）与外部环境变量（土地利用、道路类型、人口密度、土壤性质指标）。样本来源于富民县核心建成区雨水排水管网，共4321个管道段，其中215个具有CCTV检测综合劣化等级标签构成标注集，其余4106个构成未标注集。核心方法为LPA–LightGBM框架：首先在特征空间构建k近邻约束下的高斯核相似度图，采用软种子注入的标签传播方案迭代扩散标签信息；随后利用增强后的数据集训练LightGBM四类分类模型；最后将概率输出组织为两阶段决策框架，并采用类别特定阈值缓解多数类伪标签主导问题。
四、研究结果
4.1 半监督框架性能评估
通过与监督学习及标准自训练基线的系统对比，LPA–LightGBM框架在少量标注样本条件下显著提升了严重劣化等级（3、4级）的识别性能，尤其在类别高度不平衡的情况下，有效缓解了多数类样本对损失函数的支配效应。类别特定阈值的引入进一步抑制了多数类伪标签的主导作用，提高了严重劣化管道段的筛选精度。
4.2 特征重要性与敏感性分析
通过特征重要性评估与敏感性分析，研究验证了所构建特征集的有效性，识别出影响管道劣化的关键因素。管道物理属性与外部环境变量的组合显著提升了模型性能，其中管龄、埋深、道路类型及土壤性质等指标对劣化状态具有较强解释力，证实了“场地–结构耦合”变量在山区城镇管道劣化评估中的价值。
4.3 空间分布与检测优先级排序
将模型预测结果集成至地理信息系统进行可视化分析，研究揭示了研究区域内管道劣化风险的空间分布格局，识别出高风险聚集区域。基于3、4级综合概率的排序机制支持在固定预算约束下优先安排检测任务，为精细化维护与更新决策提供了量化依据。
五、讨论与结论
讨论部分指出，相对于数据丰富的大城市，山区中小城镇排水管道劣化评估面临样本量小、类别分布高度不平衡、局部尺度效应显著及结构特征复杂等独特挑战。本研究通过半监督学习有效利用大量未标注管道段的结构与环境信息，在少量标注样本条件下实现了对严重劣化管道段的可靠识别，验证了图基半监督方法在数据稀缺场景下的适用性。研究结论表明，LPA–LightGBM框架能够为数据稀缺山区城镇提供实用、可复现且可解释的管道劣化评估工具，支撑分级检测、维护与更新决策，并为类似地理环境下的排水基础设施风险管理提供了方法论参考。
