《Water Research X》：Predicting Debris Criticality in Urban Sewers: Survival and Artificial Intelligence Approaches
编辑推荐：
杂物堆积是城市下水道网络水力通量下降与城市内涝的主要驱动因素之一，但在预测建模中仍研究不足。研究人员基于香港城市排水网络2007至2021年共14年的市政CCTV检测数据库（含5470个排水文件夹与30241份检测文件）构建综合框架，预测杂物临界度（横截面阻塞
杂物堆积是城市下水道网络水力通量下降与城市内涝的主要驱动因素之一，但在预测建模中仍研究不足。研究人员基于香港城市排水网络2007至2021年共14年的市政CCTV检测数据库（含5470个排水文件夹与30241份检测文件）构建综合框架，预测杂物临界度（横截面阻塞≥25%）。从中提取8165段受杂物影响的管段用于分析，包括用于Weibull加速失效时间（WAFT）建模的孤立杂物子集，以及用于机器学习预测的全部杂物队列。WAFT模型识别管径、管龄与陶土管（时间比=0.889，对比混凝土管）为主导物理风险决定因素，交通与工业用地进一步放大风险。经SHAP解释，机器学习确认管径与管龄为核心预测变量。LightGBM取得最强判别力（ROC-AUC=0.871），阈值优化后召回76%高临界度管段，支持在水力失效前主动干预。生存分析与机器学习的结论收敛提供跨方法验证，推动向风险分层维护转型以提升城市集水区水文韧性。
研究背景方面，城市下水道作为现代水基础设施核心组成，面临资产老化、水力负荷上升与极端暴雨频发叠加压力。杂物堆积通过降低有效过水横截面、提升水力阻力，可演进至壅水与溢流，但既有资产管理系统多侧重结构缺陷，将杂物归为运营类次要现象，且检测实践偏反应式，孤立杂物常在多个检测周期内未被触发维护。现有预测模型多聚焦结构劣化进展，将杂物视为协变量或忽略，针对杂物临界度作为主结局的预测框架明显不足。为此，研究人员以香港城市排水网络CCTV资料（2007–2021年，4700 km管线中提取8165段杂物管段）为对象，开展融合参数生存模型与机器学习分类器的集成研究，定义临界度为横截面阻塞≥25%（等级≥3），旨在填补方法学空白并支撑主动维护。
关键技术方法上，研究人员构建三个队列：全杂物集（n=8165）、孤立杂物集（n=4447）与共存缺陷集（n=3718）。生存分析流以孤立杂物集拟合Kaplan-Meier估计器建立基线，因Schoenfeld残差检验违背比例风险假设，改用Weibull加速失效时间（WAFT）模型估计时间比（Time Ratio，TR）；机器学习流以全杂物集二分类（1–2级为低临界度，3–5级为高临界度），比较LightGBM、随机森林（RF）、XGBoost、CatBoost、GBM、TabNet与AdaBoost，采用80/20分层划分、5折分层交叉验证、SMOTE平衡、RandomizedSearchCV调参，并以SHAP做全局与局部解释，最后以召回率≥75%为约束做决策阈值寻优。
研究结果部分，首先于分布特征中，全网络高临界度占比15.4%，孤立杂物集达24%而共存集仅5.1%，三统计检验一致显示分布差异极显著（p<0.001），孤立杂物集中于九龙城区。生存建模中，Kaplan-Meier曲线显示前20–25年存活概率近1，50–65年陡降，中位存活约60年；WAFT模型给出管径（TR≈1.000但显著）、log_AADT（TR=0.941）、陶土管（TR=0.889）、工业用地（TR=0.622）、居住用地（TR=0.912）等显著加速失效，而“未指定”材料（TR=1.468）与北区（TR=1.481）延迟失效；部分效应曲线证实小管径、高交通量、工业用地、油麻地（Yau Tsim Mong）存活概率更低。人工智能预测中，LightGBM基线ROC-AUC=0.8651、召回0.7470，调参后ROC-AUC=0.8709、平均精度0.6394；SHAP蜜蜂图显示管径（负向）与管龄（正向）为最主要驱动，人口与AADT次之，材料/行政区/用地提供局部微调；瀑布图展示单管因675 mm大管径降险、26年管龄增险的竞争性贡献；阈值由0.50降至0.19后，测试集召回由56.92%升至75.89%，精确率由0.59降至0.43，真阳性由144增至192，漏检由109降至61，实现约76%高临界度管段召回。
讨论部分指出，杂物临界度呈长尾偏低但重尾严重的分布，孤立杂物高临界度反高于共存段，反映以结构缺陷优先的检查制度对孤立杂物存在盲视；管径与管龄获生存分析与机器学习双重确认，符合湍流动能（TKE）局部跌落与粗颗粒沉降机制；陶土管TR=0.889相对混凝土管更快达临界，支持材料差异化排程；交通量与工业/居住用地作为宏观进入量催化剂放大微尺度沉积；LightGBM+WAFT混合框架在可解释前提下取得与深度学习相当判别力，阈值优化后召回约76%对接预维护。作者亦阐明局限：单一城市网络、缺历史清淤日志致“管龄”含未观测重置、缺管坡与流速致无法显式算自净流速。
结论部分翻译如下：本研究通过融合生存分析与人工智能分类的集成框架考察城市下水道杂物临界度的决定因素。研究发现物理资产特征——具体而言管径与管龄，以及陶土管（Vitrified Clay）材料——为高临界度阻塞的主要驱动因素；此外，高交通量与工业用地等操作协变量作为显著放大因子加速杂物堆积。经基于SHAP的可解释人工智能（Explainable AI，XAI）透明验证，WAFT与LightGBM模型均确认管径与管龄为杂物临界度主导驱动。结合孤立杂物段检查盲点的发现，这些结果将杂物堆积确立为可预测的、依赖时间的状态过程。阈值调整后的LightGBM分类器在0.19优化边界下对高临界度段取得约76%召回，证明预测性风险分层在操作上可行，并较反应式维护管理构成实质改进。综上，研究为生命周期差异化、风险知情的下水道管理作为维持城市水基础设施的可持续路径提供证据支撑。
