基于混合机器学习与高分辨率遥感技术的城市绿色雨水基础设施性能评估与规模化监测

《Scientific Reports》：Satellite-based condition assessment of urban green stormwater infrastructure using a hybrid machine learning framework

　　城市雨水基础设施的有效管理对于减少径流影响、改善水质和增强洪涝韧性至关重要。然而，对分布广泛的绿色雨水基础设施（GSI）进行传统现场巡检资源消耗大，且难以在大城市范围内推广。尽管遥感技术为基础设施的可扩展监测提供了机会，但现有研究主要聚焦于植被特征，而非对绿色雨水基础设施功能的全面评估。本研究采用一种混合机器学习框架，整合高分辨率多光谱卫星影像、无监督异常检测和监督分类，对多项绿色雨水基础设施状况指标进行评估，包括整体性能、植被健康状况、植被稳定性、侵蚀和垃圾堆积。该框架纳入了光谱波段、遥感指数和环境变量，以分类判定合规与不合规状况。结果显示，植被稳定性的识别表现最强（准确率 = 0.93；F1分数 = 0.93），其次是垃圾堆积（准确率 = 0.78；F1分数 = 0.77）、植被健康状况（准确率 = 0.72；F1分数 = 0.77）和侵蚀（准确率 = 0.70；F1分数 = 0.73）。整体绿色雨水基础设施性能是最具挑战性的目标（准确率 = 0.61；F1分数 = 0.59），且对不合规状况的识别表现较低。所提出的方法提供了一种可扩展的绿色雨水基础设施筛查和养护优先级排序工具，同时也凸显了需要进一步改进退化状况检测能力的必要性。