2023-01-14-亚开行-机器学习算法在道路质量监测卫星图像上的应用_道路质量调查的另一种方法（英）_22页_775kb

利用机器学习算法和卫星图像监测道路质量的研究

本研究探讨了利用卫星图像和人工智能技术开发高效、经济的道路质量监测方法的可行性。研究基于菲律宾道路粗度数据，构建了三种神经网络模型：卷积神经网络（CNN）、表格数据模型和组合模型，以从卫星图像中提取道路质量特征。结果表明，这些方法能够初步识别出较差至差等级别（bad to poor）的道路，准确率达到75%以上，为替代传统道路质量调查提供了新路径。

研究使用了中等分辨率的卫星图像（如Sentinel-2，10米/像素）以及温度、降水、地形和人口密度等辅助数据，结合传统国际粗度指数（IRI）数据进行对比分析。CNN模型对二分类问题（差与好）的表现优于多分类问题，而表格数据模型的准确率接近CNN模型，但引入道路类型数据后提升有限。

该方法具有成本低、劳动密集度低、可及时捕捉道路变化等优势，特别适用于基础设施不足的地区。但研究也指出，模型精度受限于数据分辨率和样本规模，需进一步改进以准确预测更多分类（如轻微缺陷道路）和适用于不同国家条件。

无线分，卫星图像技术结合机器学习算法为道路质量调查提供了替代方案，尤其适用于实现可持续发展目标（SDG9.1.1）的农村通路覆盖率评估。

主要结论与局限性

• 优势：成本低廉，劳动密集度低，适合资源受限地区。
• 关键技术：CNN模型、数据融合和迁移学习。
• 局限：多分类精度较低，需扩展数据集和进一步算法优化。

此研究验证了基于卫星图像的机器学习方法在道路监测领域的潜力与挑战。