通过传统和创新方法预测道路质量和可达性指标（英）

背景

道路质量监测对于确保安全、可靠和高效的交通运输系统至关重要，这些系统反过来又推动经济发展，促进社会包容性，并改善获得基本服务的机会。通过定期评估道路状况，政府和机构可以做出明智的、数据驱动的决策，以优先考虑维护工作、有效地分配资源，并防止昂贵的恶化。这种监测还有助于提高抵御灾害的能力，并确保农村和未充分服务的社区保持联系。这些都是公平和可持续发展的重要组成部分。

收集准确的农村可及性指数 (RAI) 数据仍然是一个持续的挑战，特别是在偏远地区。这是由于财政限制、可访问性问题以及人力资源限制，所有这些因素都导致数据差距很大。机器学习和人工智能的进步提供了有希望的、成本效益高的替代方案，用于数据收集，帮助弥合这些差距，实现更具包容性和战略性的基础设施规划。

农村可及性指数 (RAI)

RAI 是 SDG 9.1.1 的关键指标，它衡量了在全天候道路上 2 公里范围内的农村人口的份额。研究表明，农村连通性的改善，反映在较高的 RAI 分数中，与减少不平等和贫困相关。然而，由于缺乏资源、可访问性问题以及人力资源限制，许多国家难以收集准确的 RAI 数据。

传统和创新的路面状况评估方法

路面状况评估方法可以分为两类：手动/视觉技术和自动化数据收集技术。

• 手动/视觉技术：需要现场人员参与，例如使用激光轮廓仪、惯性剖面仪、响应式路面粗糙度测量系统 (RTRRMS) 和视觉检查等设备来测量路面粗糙度和其他状况。
• 自动化数据收集技术：利用传感器、视频、图像、扫描仪、雷达和激光等技术来收集路面数据，例如激光轮廓仪、激光雷达、视频图像处理、地面穿透雷达 (GPR) 和热映射等。

卫星图像和机器学习在道路质量监测中的应用

卫星图像提供了一种经济高效的替代方案，用于初步道路质量评估，特别是在无法进行现场调查的地区。机器学习算法，特别是神经网络，可以用于根据卫星图像预测路面质量指标，例如国际粗糙度指数 (IRI)。

智能手机评估方法

智能手机配备了敏感的加速度计，可以检测车辆的振动，从而评估路面状况。智能手机方法提供了几个好处，例如易于安装、初始和运营成本低、兼容多种车辆以及潜在的规模化数据收集。然而，也存在一些局限性，例如与既定的路面粗糙度指标之间的相关性相对较低，以及如果系统公开发布而没有足够的培训或保障，则存在数据质量问题。

结论

将前沿技术（如卫星图像和机器学习）与传统的路面状况评估方法相结合，可以为道路质量监测提供更全面、更准确的评估。这些方法可以帮助各国政府以更低的成本、更高的效率监测道路状况，并制定更有效的维护和改善计划。然而，在采用这些创新方法时，需要解决数据隐私、技术能力和机构能力建设等挑战。