《Current Forestry Reports》：Methods and Approaches for Assessing and Predicting Forest Road Condition and Trafficability - a Review
编辑推荐：
综述目的：森林道路对于木材采伐机械的转移、二次运输、森林管理、防火和休闲活动至关重要。监测和维护大型空间分布路网状况需要资源高效的方法和新的专业知识。本综述基于2010年至2025年的87篇出版物，审查了测量和预测未铺装森林道路状况与通行性的方法。目的是审查评
综述目的：森林道路对于木材采伐机械的转移、二次运输、森林管理、防火和休闲活动至关重要。监测和维护大型空间分布路网状况需要资源高效的方法和新的专业知识。本综述基于2010年至2025年的87篇出版物，审查了测量和预测未铺装森林道路状况与通行性的方法。目的是审查评估的道路特征及其测量方法。最新发现：森林道路状况通常通过结构强度、表面质量、几何形状和排水系统进行评估。传统技术（如承载能力测量和目视检查）最为常用。移动测绘方法和遥感方法（包括机载激光扫描、无人机调查和卫星观测）越来越多地被应用于评估道路状况。机器学习和深度学习方法最近被用于基于图像、视频和传感器数据识别坑洼、车辙和表面粗糙度。其他用于预测和评估道路状况的方法包括实验室测试、交通监测、运输数据和气象记录。总结：尽管传统现场方法仍占主导地位，但新兴技术正越来越多地被用于评估森林道路状况。可靠的通行性预测需要整合多种数据源。尽管技术进步，但缺乏实时动态道路状况地图和态势感知，确定道路的实际状况通常需要现场考察。新颖的数字解决方案和数据源可以改善状况预测，并支持更高效的森林道路网络维护。然而，这些发现的普遍性可能受到综述范围和语言限制的约束。
**引言**
森林道路主要用于林业作业，如木材采伐、森林管理、防火和休闲活动。它们是林业基础设施的关键组成部分，决定了森林经营和采伐的经济可行性。森林道路缺乏全球统一的定义，其设计、结构和功能因土壤、气候、地形、土地所有权和森林管理实践而异。与其他道路类型相比，森林道路的交通量通常较低，但运输的载荷较重。道路基层通常使用当地材料，而表层材料常从外部来源进口。森林道路状况受多种因素影响，包括交通荷载和气候条件，这些因素进而影响其通行性。气候变化可能通过增加强降雨的频率和强度、缩短冻结期来进一步削弱道路状况和通行性。不良的道路状况被认为是长途木材运输的主要问题，增加燃料消耗、机械磨损和运输周期。定期维护比忽视维护更具成本效益。尽管已有针对铺装和未铺装道路状况调查方法的综述，但缺乏针对森林道路的全面学术综述。
**文献综述**
**数据收集与分析**
研究首先审查了道路状况监测和森林道路研究的相关综述，以确定关键术语，并用于定义搜索关键词。使用Google Scholar、Scopus和Web of Science搜索英文、芬兰语和瑞典语出版物。综述聚焦于已同行评审的文章、会议论文集和研究报告。根据标题、关键词和摘要的相关性筛选研究，然后进行全文审查。排除模拟研究、雪季研究、森林道路识别中未涉及状况或通行性特征的研究，以及道路规划、建设、状况改善、沥青路面、集材道和侵蚀研究。最终数据集包含87篇出版物：75篇研究文章、8篇报告和4篇会议论文，研究覆盖欧洲、北美和亚洲。根据审查结果，分析的森林道路特征分为五类：（1）结构属性，（2）几何特征，（3）表面状况，（4）排水系统，（5）整体状况。结构属性包括承载能力、路面层和路基特性；几何特征包括宽度、纵坡、横坡、曲率和纵向线形；表面状况包括表面粗糙度、车辙和坑洼；排水系统指控制道路及周围水流的特征，如边沟、涵洞和水流系统。整体状况是综合评估等级，因研究而异。
**结果**
**森林道路状况测量方法**
根据测量模式将方法和数据源分为五类：静态现场测量、动态车载移动测绘测量、遥感方法、实验室方法和连续环境监测站或方法。静态现场测量包括在测量位置停止时进行的直接现场观察和测量，如地面激光扫描（TLS）和重型落锤式弯沉仪。动态车载移动测绘方法在车辆移动时采集数据，如移动激光扫描仪（MLS）、加速度计和车载摄像系统。遥感方法包括机载测量，如机载激光扫描（ALS）、无人机（UAV）调查和卫星数据。实验室方法对土壤或骨料样本进行受控测试，以确定材料属性。连续环境监测方法包括永久安装的自主现场测量系统和长期自动数据源。
**静态现场测量**
目视检查和手动现场测量作为参考方法至关重要，重点关注整体状况、几何、结构、排水和表面状况。结构评估中，现场承载能力测量是标准方法，使用轻型和重型落锤式弯沉仪（LFWD、FWD）、Clegg锤、贯入仪、加州承载比（CBR）测试和静态平板载荷试验（PLT）。伽马射线能谱法被探索用于估计承载能力，但未发现显著相关性。几何特征通过手动现场调查（如卷尺、激光测距仪、倾斜仪）获取，包括曲线、纵坡、横坡、超高、挖填坡和可通行宽度。全站仪结合三维（3D）模拟用于排水设计。几何参数也作为道路状况分析的解释变量，如纵坡用于预测表面病害。横截面几何通过旋转激光水平仪（RLL）和TLS获取。ALS验证中，使用全站仪和全球导航卫星系统（GNSS）接收机测量纵坡、水平线形、宽度等。表面状况评估使用多种静态现场技术，如测量尺、直尺、激光水平仪评估车辙，并计算森林道路路面状况指数（FRPCI）等。手动测量常作为先进方法的验证数据，如TLS用于量化表面变形，Kinect RGB-Depth 3D成像测量表面粗糙度。排水状况通常通过直接目视观察评估，涵洞位置、尺寸和功能状态现场记录，并作为深度学习（DL）模型的训练数据。
**动态车载移动测绘测量**
车载移动测绘系统用于表征森林道路状况，通过视频和惯性数据自动分析评估整体状况。车辆安装的探地雷达（GPR）系统评估结构层厚度。采用智能手机视频和计算机视觉评估霜冻相关病害。表面状况评估通过车载传感系统，如振动测量与表面粗糙度强相关，加速度计和陀螺仪数据结合机器学习（ML）模型预测表面状况等级，准确率达94.3%。智能手机相机与传感器融合，结合YOLO架构的DL模型实现实时表面缺陷检测，但检测性能受环境条件影响。移动激光扫描（MLS）用于评估表面损伤和车辙，生成高密度3D点云量化坑洼和裂缝，但系统性地低估总损伤面积和体积。CAN总线数据（如转向变化）间接指示道路几何和通行性。几何特征测量中，超声波扫描仪和立体相机系统获取横截面轮廓，激光路面测试系统（RST）测量横截面剖面。MLS提取横截面、宽度、纵坡和边沟几何。
**遥感方法**
遥感方法用于预测现场确定的道路状况等级。基于ALS数据，通过树冠覆盖、道路宽度和表面状况指标预测四等级状况，正确分类率62-90%以上。结构状况预测中，卫星衍生的土壤湿度变量（如SMAP和Sentinel-1 SWI）结合干燥指数可解释超过70%的承载能力变异。几何属性测量中，ALS衍生的可通行宽度精度达1.1-2.5米，纵坡误差约1%，横坡误差约2%。UAV摄影测量生成道路表面高程模型和横截面，但存在纵向扭曲。ALS衍生的地形和粗糙度指数结合冠层高度模型（CHM）和归一化植被指数（NDVI）解释约34%的表面恶化变异。表面状况预测中，高密度ALS数据对表面磨损和平整度的二类分类准确率达100%和85.7%，低密度数据准确率显著下降。卫星图像（如WorldView-3）通过深度语义分割分类表面质量，准确率63%。UAV数据量化表面变形，捕获侵蚀和车辙深度变化。排水系统中，ALS衍生的边沟深度用于三等级状况分类，涵洞定位通过DL模型（RA-UNet）实现87%准确率。LiDAR衍生的DEM用于水文分析，UAV数据用于排水路径和涵洞几何。
**实验室方法**
实验室测量主要用于检查结构属性，如CBR测试量化承载能力，材料质量分析用于整体状况判断。水分测量（表面材料和路基）用于理解含水量对承载能力的影响。土壤样本的实验室分析（如颗粒级配、土壤类型、含水量）用于验证道路结构层并连接传感器测量与材料属性。
**连续环境监测方法**
连续环境监测方法包括气象站监测降水和温度，地面传感器记录土壤温度和湿度，压力传感器监测路基应力响应，交通计数器、相机陷阱和ML分类记录交通量。运输数据记录和测试车辆通行用于表征交通和荷载条件。
**讨论**
**数据与方法**
综述聚焦于未铺装森林道路状况的测量和预测工具，排除了侵蚀相关研究、铺装道路研究、道路改善效果研究以及桥梁和滚动阻力等主题。由于技术发展，较旧的研究结果可能不完全反映当前测量能力。部分区域（如非洲和南美洲）代表性不足，限制普遍性。国家标准和道路分类系统不同，气候和土壤条件差异，数据可用性和更新频率各异。
**分析方法优缺点**
**静态现场测量**：提供最准确可靠的信息，但需要操作人员专业知识和主观性，数据驱动方法更一致。承载能力测量点特异性强，网络级应用劳动密集且昂贵。TLS提供最高精度的几何和表面信息，但成本高，不适合网络级实时监测。现场测量对遥感方法校准和验证必不可少。
**动态车载移动测绘测量**：速度更快，数据量更大，但需要后处理，对结构属性洞察有限（除GPR外）。适合测量几何和表面状况，但小坑洼检测有挑战。效果依赖于传感器配置、车速和路面特性。位置精度是挑战，且假设道路可通行。MLS成本高，不适合大规模网络覆盖。加速度计和陀螺仪方法可评估表面粗糙度。
**遥感方法**：ALS在点密度和树冠条件合适时表现良好，可提供可靠几何信息，但受树冠遮挡影响。结构属性预测性能中等，取决于点密度和分辨率。ALS成本高，但适用于全国性激光扫描。数据更新间隔长，不适合实时决策。卫星遥感可估计土壤湿度，解释承载能力变异，提供周时间分辨率监测。UAV提供高分辨率空间连续信息，但不适合大面积网络级覆盖，受天气影响，且要求现场可达。但不受道路通行性限制。
**实验室方法**：提供其他方法无法可靠获得的材料属性细节，用于校准和精确时间点估计。成本高，不适合网络级评估，但对维护规划和预测模型至关重要。
**连续环境监测方法**：提供连续高分辨率的环境驱动因素信息，但本身不直接测量道路状况。对预测建模不可或缺，但建立密集监测网络成本高，少量点测量信息有限。运输和气象数据集提供回顾性见解，但时间分辨率和路段关联性可能受限。
**未来展望**
预测方法仍相对有限，跨环境条件的验证模型稀缺。ML和DL在最新研究中用于预测森林道路状况，遥感和大规模数据为建模提供基础，现场测量用于校准和验证。气候变化导致环境条件波动，凸显及时准确数据的重要性。改进及时性可通过结合机载基线、状况信息（天气、水分、土壤）和稀疏现场验证，UAV遥感提供补充数据。车载信息若实施充分也可整合。卫星雷达提供空间连续的地表湿度估计。整合这些数据源可形成成本效益高的整体状况图，但实用性取决于数据可用性和集成能力。将数据采集集成到现有运营车辆中可减少专用调查行程，利用附加传感器（加速度计、摄像头、MLS、剖面系统）或车辆自身数据流（CAN总线），结合ML/DL和计算机视觉增强自动检测。道路状况影响车辆性能，可间接用于评估。
**结论**
传统测量技术和目视检查仍最常用，但激光扫描、传感器网络、ML和DL等先进技术越来越多地被采用。可靠评估需要整合多源数据，因为单一方法无法捕捉所有相关方面。尽管如此，仍缺乏最新的动态地图来预测森林道路网络状况，确定实际状况常需现场考察。新数据源和智能数字解决方案为生成道路质量信息、评估通行性并支持及时维护和修复规划提供了有前景的机会。
