土方量计算有一个不为人知的问题：大多数承包商使用的标准方法——方格网法和断面分析法——计算出的估算值与实际开挖量通常存在10%到15%的偏差。在一个200万美元的场地工程包中，这意味着20万到30万美元的潜在风险敞口。机器学习方法正在大幅缩小这一差距。
传统方法为何不准确
方格网法将场地划分为方格，计算每个方格的平均挖填深度，然后汇总体积。问题在于它会平滑掉网格点之间的地形不规则性。一条6英尺深、斜穿方格的沟壑会被平均化为一个平缓的坡面。断面法在捕捉线性特征方面更好，但仍然需要在断面之间进行插值，断面间距通常为25到50英尺。
这两种方法在处理不规则场地边界、限制平整作业的现有地下管线，以及挖填交界区域（平衡线发生偏移的地方）时也存在困难。经验丰富的现场主管知道这些区域正是土方估算容易出问题的地方，但传统算量方法背后的数学模型却将它们与场地上的其他区域同等对待。
机器学习的不同之处
基于机器学习的土方工具会导入无人机测量或LiDAR扫描获得的完整点云数据，有时每英亩包含数百万个数据点。它们不会将数据简化为方格网或断面集，而是构建连续的地表模型，并以更高的分辨率对照设计面计算体积。
更重要的是，基于已完工项目训练的机器学习模型能够学习影响实际量与估算量差异的规律。土壤类型影响膨胀和收缩系数。坡度陡峭程度影响平整过程中的超挖量。与现有建筑物的距离限制了设备进场通道，改变了材料的实际运输方式。一旦在足够多的项目数据上完成训练，模型会自动纳入这些因素。
科罗拉多州交通部的一个试点项目在8个已知实际方量的公路项目上，对比测试了机器学习方法与传统方法的体积计算结果。传统断面法与实际值的平均偏差为11.3%。机器学习方法的平均偏差为3.7%。在最大的项目——一段4英里的道路拓宽工程中，机器学习的估算值与最终实测方量的偏差仅为2.1%。
使其发挥作用的数据流程
精度的提升在很大程度上取决于输入数据的质量。在200英尺高度、75%重叠率下进行的无人机测量可生成精度为2到3厘米的点云，这对大多数商业土方工程来说已经足够。地面控制点至关重要。每10英亩使用4个或更多地面控制点的项目，机器学习精度可达3%以内。跳过地面控制点或使用数量不足的项目，精度会下降到7%到8%，仅略优于传统方法。
从测量到估算的流程通常如下：无人机飞行采集现有地形条件，摄影测量软件生成点云，机器学习软件将点云与土木工程图纸中的设计面一起导入，体积计算在几分钟内完成，而非数小时。
达拉斯的一家土方分包商记录了他们的转型过程。在使用机器学习工具之前，他们的估算员在一个典型的20英亩商业场地上需要花费12到16个小时进行方量计算。使用机器学习流程后，无人机飞行需要45分钟，数据处理需要2小时且大部分时间无需人工干预，估算员花2小时审核和调整输出结果。估算员的总工作时间从14小时降至约3小时，精度也从历史平均9%的偏差提高到4%的偏差。
处理棘手情况
现有地下管线仍然是一个挑战。如果管线位置已知并作为约束条件提供，机器学习模型可以考虑管线走廊，但未知管线仍然是任何技术都无法完全解决的风险。不过，机器学习工具在某些情况下确实比传统方法处理得更好。对于含有大量需要不同开挖方式的岩石的场地，可以结合岩土钻探的地下数据进行建模，机器学习能够根据从类似地质条件中学到的插值模式，分别估算岩石和土壤的体积。
分阶段土方作业——即分阶段进行平整并在各阶段之间进行堆料——是机器学习提高精度的另一个领域。模型可以跟踪各阶段之间的中间地表面，并考虑重复搬运、压实以及堆放土壤的材料退化。传统方法通常只计算总方量并应用单一调整系数，这往往会低估总设备工时。
与投标准备的整合
方量数据直接用于投标准备，而这正是精度提升产生复合价值的地方。更精确的方量估算意味着更精确的运距计算、更准确的设备工时预测和更好的燃油成本估算。一家使用AI驱动的建筑分析工具的总承包商报告称，他们的土方投标平均竞争力提高了6%，同时保持了目标利润率，原因仅仅是他们以更高的信心报出了更精确的数字。
设备调配方面的价值尤为突出。传统估算由于不确定性高，导致设备规划偏于保守。借助按区域、土壤类型和运距细分的机器学习方量数据，承包商可以在设备部署中减少缓冲余量，从而直接降低调遣成本。
实际局限性
机器学习土方工具并非适用于所有情况的完整解决方案。它们需要高质量的测量数据，这意味着需要投资无人机能力或测量分包商。它们在无人机可以方便进入的相对开阔场地上效果最佳。对于航拍受限且现有基础设施密集的城市填充项目，传统测量和估算方法仍然更具优势。
模型还需要根据当地条件进行校准。一个主要基于德克萨斯州粘土数据训练的模型，在未经重新训练的情况下，用于亚利桑那州的风化花岗岩时不会产生同样的精度。采用这些工具的承包商应计划5到10个项目的校准期，之后精度数据才会稳定在最佳水平。
然而，数据一致表明，即使在校准期内，基于机器学习的估算也优于传统的方格网法和断面法。机器学习精度的下限大致相当于传统方法的上限——对于一个土方成本超支是任何场地开发项目前五大预算风险之一的行业来说，这是一个有意义的转变。