《Journal of Environmental Management》：Automated detection of pipe water leaks under paved surfaces with machine learning analysis of satellite radar data
编辑推荐：
雷达卫星数据结合无监督机器学习异常检测方法可有效识别干旱地区柏油路面下的主要管道泄漏，实验模型准确率达81%，减少93%人工检查量，为城市供水管网监测提供新途径。
作者：Shiva Arabi 和 David Grau
美国亚利桑那州坦佩市亚利桑那州立大学可持续工程与建筑环境学院Del E. Webb建筑学院，邮编85287-3005
摘要
由于干旱和气候变化导致的水资源短缺问题日益严重，因此在配水网络中检测泄漏变得愈发重要。如果未能及时发现管道泄漏，将会浪费大量水资源，并对周边基础设施造成逐步破坏。然而，传统的检测方法通常是局部性和周期性的，只能提供系统状况的短暂快照。对于大型网络而言，这种有限的检测方式效率低下，而地面遥感技术则能够提供更快、更广泛且更连续的监测。以往的研究利用光学图像通过分析植被变化、土壤湿度和地表温度来推断泄漏位置。然而，雷达数据作为一种尚未得到充分探索的数据来源，能够提供关于泄漏引起的地下土壤湿度变化的关键信息，这是光学传感器无法检测到的。本研究采用了无监督机器学习技术来分析雷达数据，以识别干旱地区植被稀疏情况下铺装表面下的主要管道泄漏点。最优模型识别出了81%的实际泄漏点，尽管存在较多的误报情况，但检测工作量减少了93%。这些结果表明，雷达遥感技术是城市管道泄漏检测的一种有前景的工具。
引言
城市配水网络中的水资源损失是水务公司、市政机构和公共部门面临的主要问题，这归因于水资源短缺、干旱和气候变化（Agapiou等人，2016年；Bedjaoui和Weyer，2011年；Yussof和Ho，2022年）。根据ASCE 2021年的报告（ASCE，2021年），美国每2分钟就有一根主管道发生破裂，导致每天大约60亿加仑的处理过的水资源流失，每年约有237,600次破裂事件，造成的经济损失达28亿美元（Chowdhury和Al-Zahrani，2015年；Epa，2010年）。未被发现的泄漏会不断恶化，增加维修成本，并允许污染物进入供水系统，从而对公共健康构成威胁（El-Zahab和Zayed，2019年）。严重的泄漏还可能导致地面塌陷，损坏基础设施并造成重大经济损失（Ali和Choi，2019年；Mazzarotto等人，2023年）。例如，2014年洛杉矶发生的一次主管道破裂事件形成了一个宽4.57米的塌陷坑，造成了1300万美元的损失（Mazumder等人，2018年）。2008年丹佛发生的类似事件则形成了一个宽12.2米的塌陷坑，导致交通中断11天，并需要大规模的修复工作（Piratla等人，2015年）。
由于未检测到的泄漏造成的损失迅速增加，因此需要快速有效的检测方法。传统的地面检测技术（如声学传感、探地雷达、气体注入等）依赖于人工检查（Al Qahtani等人，2020年），但这些方法容易出错、耗时且成本高昂（Arshad等人，2014年；Krapez等人，2022年）。检测通常只覆盖小范围区域，只能提供网络状况的短暂快照，往往无法检测到大型或难以到达区域的泄漏（Yerri等人，2017年）。因此，减少对传统检测的依赖对于提高泄漏检测的效率和可靠性至关重要。
地面检测方法的局限性凸显了需要创新的水泄漏检测方法（ASCE，2021年；Martins等人，2019年；Moubayed等人，2021年）。地面遥感技术，如结合计算技术的卫星图像，已成为快速检测泄漏的有希望的解决方案（Chen等人，2017年；Krapez等人，2022年）。这项技术可以实现自动化的大规模数据收集和分析，无需人工干预即可进行频繁监测，并支持对高风险区域的针对性检测（Arshad等人，2014年；Chen等人，2017年）。光学传感技术也曾被用于通过分析植被生长和地表温度变化来检测泄漏（Agapiou等人，2016年；Ariabi和Grau，2025年；Chen等人，2017年；Krapez等人，2022年；Traore等人，2022年）。然而，光学传感的有限穿透深度限制了其在几乎没有地表迹象的情况下检测泄漏的能力（Das和Paul，2015年）。此外，天气条件（如云层覆盖、光照不足和降雨）也会影响数据采集和图像质量（Ranjbar等人，2021年）。
本研究利用雷达数据和机器学习模型，在干旱且植被稀疏的城市铺装表面下自动检测主要管道泄漏。与光学方法不同，雷达信号可以穿透地面，捕捉到地下湿度变化，从而揭示隐藏的泄漏点，即使地表没有明显的指示迹象。尽管存在解释雷达信号复杂性和获取高分辨率雷达图像的成本等挑战，但雷达技术在泄漏检测中的应用仍然有限。与Ariabi和Grau（2025年）使用融合的C波段SAR和多光谱数据通过监督模型检测运河泄漏的方法类似，本研究仅利用L波段极化SAR数据来估计土壤湿度，并采用无监督异常检测方法来确定需要优先检查的疑似泄漏事件。本文的其余部分回顾了相关文献，详细介绍了研究方法，并讨论了研究结果、结论及其意义。
背景
以往的研究探讨了利用地面技术（飞机和卫星）中的光学传感器检测裸露土壤表面泄漏的潜力（Agapiou等人，2016年；Fajardo和Moctezuma，2025年；Krapez等人，2022年）。Fajardo和Moctezuma（2025年）结合了地表温度和机器学习方法，实现了81%的分类准确率。Krapez等人（2022年）采用了一种数据分析方法（三角形/梯形技术），利用植被健康状况和土壤湿度信息进行检测。
方法论
研究方法的具体内容如下：（1）研究区域和管道泄漏记录；（2）ALOS-2 PALSAR-2卫星图像；（3）预处理和特征提取；（4）异常检测实施；（5）特征重要性分析；（6）模型性能评估和验证。详见图1。
结果
结果如下：（1）不同阈值下异常检测模型的性能；（2）生成的异常地图和OSM层；（3）特征重要性分析；（4）现场检测工作量的减少；（5）管道尺寸、报告间隔和检测到的像素数量之间的相关性分析。
讨论
结果讨论包括以下内容：（1）异常检测模型和阈值选择；（2）真实检测和误检的分析；（3）特征重要性分析；（4）本研究的有效性以及与以往研究的比较。
结论
管道泄漏在多个领域都带来了重大挑战，包括水资源损失、经济负担、环境危害和公共卫生问题。本研究利用雷达卫星图像和无监督机器学习异常检测模型，开发了一种自动化方法来检测埋藏在铺装表面下的主要管道泄漏。结果表明，最优模型识别出了81%的实际泄漏点，平均误报率为7%。
作者贡献声明
Shiva Arabi：负责撰写、审稿与编辑、初稿撰写、软件开发、方法论设计、资金筹集和数据管理。David Grau：负责撰写、审稿与编辑、项目管理和资金筹集、概念构思。
资金来源
本研究未获得公共部门、商业机构或非营利组织的任何特定资助。
利益冲突声明
作者声明他们没有已知的可能影响本文研究的财务利益或个人关系。
致谢
本研究是在亚利桑那州立大学与日本宇宙航空研究开发机构（JAXA）之间的合作协议框架下进行的，David Grau博士担任项目负责人。作者衷心感谢JAXA提供的ALOS-2 PALSAR-2卫星数据，这些数据对研究至关重要。同时，作者也感谢菲尼克斯市提供的管道泄漏记录，这些记录为研究提供了支持。
