基于人工智能的多时相地面激光扫描观测柔性路面状况退化预测

《Scientific Reports》：Artificial-intelligence based prediction of flexible pavement condition deterioration using multi-temporal terrestrial laser scanning observations

　　

近年来，埃及在“埃及2030愿景”框架下见证了基础设施项目的显著发展，该愿景旨在实现可持续发展。其中最突出的项目之一是建设和发展高效公路网络，这是支撑交通运输、连接各省份和城市的重要基石。鉴于这些道路在经济和社会发展中发挥的关键作用，定期监测其状况评估并评价其效率对于改善交通流、提升道路安全性以及降低运营和维护成本至关重要。本文研究了使用地面激光扫描（TLS）作为高分辨率、可重复的替代技术来管理柔性路面表面缺陷，并开发了一种数据驱动的框架，基于多个观测时期预测路面退化。目标是量化路面表面病害、追踪其时间演化、识别与路面状况损失最密切相关的病害特征，并预测未来路面性能以支持主动式养护规划。研究人员使用TLS仪器在埃及Kafr El-Sheikh市至Tanta市方向的20.1公里路段上以八个位置进行了扫描，并在四个观测时期（2022年11月、2023年7月、2024年4月和2025年3月）进行了测量。对点云进行处理以提取多种病害类型，并为每个路段和所有观测时期计算路面状况指数（PCI）。研究人员将多元线性回归、决策树、随机森林和XGBoost模型与相关性和回归分析结合使用，以评估病害与PCI之间的关系并预测路面状况。在所研究的道路上，每个路段的PCI均有所下降，28个月内损失范围从5.4%到45%不等；坑洞面积是增长最快的病害（每年高达+45%）。相关性和回归分析确定车辙、车道与路肩高差和线性裂缝是与服务性能下降关联最强的病害，随机森林模型将松散、线性裂缝和车辙列为主要的PCI预测因子。各路段退化趋势模型（平均R²=0.91）预测第2和第5路段将在2030年前达到结构性破坏（PCI<25）。本文的新颖之处在于将重复的多时相TLS观测、客观的三维病害量化、基于PCI的评估、统计分析、可解释的机器学习预测和长期退化预测整合到一个统一的路面管理框架中。结果表明，将多时相TLS观测与先进的统计和机器学习技术相结合，可以通过实现准确的病害量化、可靠的退化预测和主动式养护规划来显著改善路面资产管理，最终提升道路性能、安全性和生命周期可持续性。

**基于多时相地面激光扫描与机器学习技术的柔性路面状况退化预测研究解读**

**一、 研究背景与问题提出**

近年来，埃及在“埃及2030愿景”框架下大力推进基础设施建设，其中高效公路网络的构建是支撑经济发展与社会联通的关键。这些道路在促进区域经济一体化、方便人员和物资流动方面发挥着不可替代的作用。然而，随着交通荷载的持续增加和环境因素的反复作用，路面结构不可避免地出现各种形式的病害与性能退化。为确保道路长期保持良好服役状态并控制全生命周期成本，对其进行定期、客观且高效的状态监测与性能评估显得尤为重要。传统的路面状况评估主要依赖人工目视巡检，该方法虽成本低廉，但存在主观性强、作业人员安全风险高、病害检测覆盖率有限等固有缺陷。更重要的是，目视检查难以对部分病害进行精确量化，导致养护决策缺乏可靠的数据支撑。地面激光扫描（TLS）技术作为一种新兴的对地观测手段，能够以毫米级精度、非接触式地获取路面表面的高密度三维点云，为客观、可重复的路面病害量化提供了可能。然而，现有研究多局限于单期扫描或依赖历史病害数据库，未能充分利用多时相TLS数据的时序信息来捕捉路面性能在真实运营条件下的动态退化规律。因此，亟需构建一个集病害精确量化、性能演变追踪、关键影响因素识别与未来状况预测于一体的统一分析框架，以支撑数据驱动的主动式路面养护管理决策。

**二、 研究目标与结论概述**

针对上述问题，本研究提出并验证了一个集成多时相地面激光扫描（TLS）观测、客观三维病害量化、基于路面状况指数（PCI）的评估体系、统计分析、可解释机器学习预测及长期退化预测的统一决策支持框架。研究团队选取埃及尼罗河三角洲地区Kafr El-Sheikh市至Tanta市方向一条长约20.1公里的代表性柔性路面道路作为研究对象。通过布设八个扫描站点，在2022年11月至2025年3月期间完成四个观测时期的数据采集。研究结果证实，TLS技术能够提供相对于传统目视检查更全面且更精确的路面病害量化数据，尤其是对那些难以人工测量的病害（如松散、层间剥落等）。在为期28个月的监测周期内，所有路段的路面状况指数（PCI）均呈现下降趋势，损失范围在5.4%至45%之间，其中坑洞面积以每年约45%的速率增长，成为发展最快的病害类型。通过相关性分析、回归分析和机器学习特征重要性分析，研究识别出车辙、车道-路肩高差、线性裂缝及松散是主导PCI退化的关键病害变量。基于时序PCI建立的各路段退化趋势预测模型（平均R²=0.91）表明，部分路段（Section 2与Section 5）若维持当前退化速率，将在2030年前达到结构性失效状态（PCI<25）。该研究为运用高分辨率时空数据改进路面资产管理实践提供了有力证据，展示了从被动修复向主动预养护模式转变的技术可行性。该研究成果发表于《Scientific Reports》。

**三、 主要关键技术方法**

本研究采用的技术路线主要包括以下关键环节。首先，在数据采集层面，利用Topcon GLS-2000地面激光扫描仪对研究路段进行多时相、高分辨率的三维点云数据获取，并在四个观测时期间保持仪器参数与扫描位置的一致性以确保数据的时空可比性。其次，在数据处理与分析层面，使用MAGNET Collage软件对点云进行配准、滤波和分割，实现对裂缝、车辙、坑洞等多种路面表面病害的定量化提取；随后，依据ASTM D6433标准，将提取的病害类型、严重程度和范围输入PAVER路面管理系统，计算各路段各时期的PCI值。最后，在预测建模层面，综合运用复合年增长率（CAGR）、皮尔逊相关分析、普通最小二乘（OLS）回归以及决策树（DT）、随机森林（RF）、极端梯度提升（XGBoost）等多种机器学习算法，对病害-PCI关系进行统计建模与预测性能比较，并采用留一交叉验证（LOO-CV）和留一路段验证（LOSO）评估模型泛化能力。此外，基于各路段PCI随时间的变化趋势，建立线性回归模型以预测至2030年的路面状况。

**四、 主要研究结果**

**TLS与视觉检查的路面病害比较**
通过对比2023年7月同一时期TLS测量与传统人工目视检查的结果，研究发现对于可直接量测的病害（如纵向裂缝、横向裂缝、块裂、龟裂、车辙等），两种方法具有良好的一致性。然而，对于目视检查中记录为“无法测量”的病害（包括松散、滑动裂缝、泛油、车道-路肩高差等），TLS凭借其三维点云几何特征提取能力，成功实现了对这些病害的量化。这表明TLS不仅能复现传统检查的测量结果，还能有效扩展可量化病害的种类，提升路面病害数据的客观性与完整性。

**多时相路面病害发展分析**
基于四个观测时期的TLS重复观测数据，研究使用复合年增长率（CAGR）量化各类病害的退化速率。结果显示，坑洞是发展最快的病害类型，其面积年增长率高达约45%，而车辙、横向裂缝等病害的年增长率在5%至12%之间。不同路段的病害发展速率存在显著差异，反映出局部交通荷载、路面结构和环境因素对病害演化的综合影响，其中部分路段表现出多种病害同时快速发展的趋势。

**路面状况指数（PCI）退化分析**
所有路段的PCI值在研究期间均呈现持续下降趋势，但退化幅度不同。其中，Section 2的PCI从20降至11，损失达45%，退化最为严重；Section 5的PCI损失也达到23.1%；其余六个路段的PCI损失相对较小，介于5.4%至9.0%之间。PCI时序曲线显示，研究路段呈现出两种明显的退化模式：一部分路段保持良好的服役状态，PCI缓慢下降；而另一部分路段则持续处于较低服务水平并加速退化，凸显了针对不同退化模式制定差异化养护策略的必要性。

**病害与PCI的皮尔逊相关分析**
基于32个路段-时期观测样本的皮尔逊相关分析表明，车辙（r=-0.71，p<0.001）、车道-路肩高差（r=-0.64，p<0.001）和线性裂缝（r=-0.43，p=0.015）与PCI呈显著负相关，是影响路面服务能力的最关键病害。相比之下，坑洞、泛油和松散等病害与PCI的相关性较弱，说明病害对路面整体性能的影响不仅取决于其数量，还受其严重程度、空间分布及结构意义的影响。

**多元回归模型及其充分性**
为量化所有病害变量对PCI的联合影响，研究构建了普通最小二乘（OLS）多元线性回归模型。模型整体显著（F=17.15，p≈6×10^-8），解释力较强（R²=0.833，调整R²=0.785）。回归系数显示，车辙和线性裂缝对PCI有显著的负面影响，而部分变量（如车道-路肩高差）的系数符号与预期不符，这主要归因于病害变量之间存在的多重共线性。尽管如此，该模型仍为理解病害与路面性能间的总体统计关系提供了可解释的框架。

**机器学习模型比较与特征重要性分析**
研究比较了多元线性回归（MLR）、决策树（DT）、随机森林（RF）和XGBoost四种模型在预测PCI方面的表现。在留一交叉验证（LOO-CV）框架下，基于树的集成模型（DT、RF、XGBoost）展现出远优于线性回归的性能，R²值介于0.972至0.984之间，均方根误差（RMSE）低于4个PCI点，而线性回归的R²仅为0.575。随机森林特征重要性分析表明，松散（22.9%）、线性裂缝（18.1%）、车辙（16.6%）和车道-路肩高差（14.6%）是预测PCI变异的最主要因子。然而，在更严格的留一路段验证（LOSO）框架下，所有模型的表现均显著下降，表明模型对新路段的泛化能力受限于当前数据集规模。

**2030年路面状况预测与风险分类**
基于各路段四个时期PCI值的线性时序模型（平均R²=0.91），研究预测了至2030年的路面状况。预测结果表明，Section 2和Section 5到2030年将分别降至PCI接近0和PCI约4，进入“失效”状态，亟需开展重建或大修；而其余大部分路段预计仍处于“良好”至“一般”状态，可采取预防性养护措施以延缓退化。基于此预测结果绘制的风险分类图，为区分不同路段的养护优先级、实现有限资源的优化配置提供了直观依据。

**五、 讨论与结论总结**

**讨论部分总结**
讨论部分着重分析了本研究的工程应用价值。研究人员指出，基于PCI的养护决策矩阵结合了当前状况、病害发展趋势和未来预测，能够有效支持从被动修复向主动预防性养护的转变。对于已处于临界状态的路段，如Section 2和Section 5，建议采取全深度重建或结构性加铺等重大修复措施；对于状况尚可但呈退化趋势的路段，建议采取铣刨加铺等校正性措施；而对于状况良好的路段，则推荐采用裂缝密封、雾封层等预防性养护手段以延长其使用寿命。该框架通过优先处理快速发展的坑洞和与结构性退化密切相关的车辙、车道-路肩高差等病害，为养护资源的合理分配提供了逻辑依据。

**结论翻译**
本研究探讨了利用多时相地面激光扫描（TLS）技术对柔性路面进行病害评估、退化分析和状况预测的应用。研究在埃及尼罗河三角洲一条20.1公里的道路上进行，使用了2022年11月至2025年3月间采集的四个TLS观测时期的数据。结果证实，TLS能够提供路面表面病害的精确且可重复的测量，包括那些使用传统目视检查方法难以量化的病害类型。被监测的路段在研究期间表现出持续退化，PCI降幅从5.4%到45%不等。坑洞表现出最高的退化速率，达到每年约45%，表明其作为局部路面退化早期指标的重要性。回归分析显示路面病害特征与PCI之间存在显著关系，OLS模型达到R²=0.833，调整后R²=0.785。车辙、车道-路肩高差、松散和线性裂缝被确定为影响路面状况的最主要病害变量。预测模型的比较表明，基于树的机器学习模型在所研究路段内实现了高精度，在留一交叉验证下R²值介于0.972至0.984之间，均方根误差低于4个PCI点。然而，由于独立路面路段数量有限，其性能在留一路段验证下有所下降。时间序列PCI退化模型为预测未来路面状况提供了更可靠的方法，平均R²达0.91。预测表明，如果当前退化趋势持续，Section 2和Section 5预计将在2030年前达到临界状况水平。本研究发现，将基于TLS的病害测量、PCI评估、统计分析和退化预测相结合，可以改善路面状况评估并支持养护优先级划分。所提出的方法为交通管理部门提供了量化信息，用于识别关键路段并选择合适的养护行动。