تحليل مقارن لنماذج التعلم الآلي مع تفسير SHAP لأسباب إغلاق الطرق السريعة بسبب الفيضانات

لماذا تهم الطرق السريعة المغمورة بالحياة اليومية

عندما يغسل المطر الغزير طريقاً أو يثير انهيار أرضي، يمكن أن يحاصر المسافرين، ويؤخر خدمات الطوارئ، ويعطل تدفق الغذاء والبضائع. في مقاطعة سيتشوان الصينية، أصبحت مثل هذه الانسدادات الناتجة عن الفيضانات أكثر شيوعاً مع تزايد شدة الطقس المتطرف ونمو شبكة الطرق. تطرح هذه الدراسة سؤالاً عملياً ذي صلة عالمية: هل يمكن للذكاء الاصطناعي الحديث أن يساعد في التنبؤ بمتى وأين من المرجح أن تُقطَع الطرق السريعة بسبب الفيضانات، وهل يمكنه تفسير الأسباب؟

رسم خريطة منطقة جبلية عرضة للخطر

اختيرت سيتشوان، وهي مقاطعة واسعة في جنوب غرب الصين، كميدان اختبار لأنها تجمع بين شبكات طرق ممتدة وتضاريس وعرة وأمطار موسمية غزيرة. جمع الباحثون مجموعة غنية من البيانات للفترة 2021–2022، شملت نحو 9000 سجل يومي لانسدادات الطرق بسبب الفيضانات، والارتفاع والانحدار من بيانات الأقمار الصناعية، والتغطية النباتية، واستخدامات الأراضي، والأنهار والجداول، وهطول الأمطار ودرجة الحرارة، وكثافة السكان والطرق. ركزوا على الطرق الرئيسية—الطرق السريعة والوطنية والإقليمية—حيث يسبب الإغلاق أكبر أثر اجتماعي واقتصادي. وللحفاظ على واقعية البيانات، تعاملوا مع تحدٍ شائع: الأيام التي لا تحدث فيها أي انسدادات تفوق بكثير الأيام التي تُقطَع فيها الطرق فعلاً.

تعليم الآلات على رصد المشاكل مسبقاً

بنى الفريق إطاراً متكاملاً يربط ثلاث أفكار: معالجة أذكى للحوادث النادرة، والمقارنة الدقيقة لأساليب التنبؤ، وشرح شفاف للعوامل المحركة للمخاطر. بما أن أحداث الانسداد نادرة نسبياً، تميل النماذج التقليدية إلى «التعلم» أساساً من أيام الأمان الكثيرة وتفشل في التعرف على الأيام القليلة الخطرة. لمواجهة هذا الاختلال، قارن الباحثون ثلاث استراتيجيات. الأولى أزالت ببساطة بعض أيام عدم الانسداد (العينة الناقصة). والثانية استخدمت تقنية تسمى TimeGAN، التي تتعلم أنماط السلاسل الزمنية الحقيقية ثم تولد أمثلة اصطناعية واقعية لأيام الانسداد النادرة لتعزيز الفئة الصغرى. والثالثة نهج هجين جمع بين الفكرتين. فوق هذه المجموعات المعالجة مسبقاً من البيانات، دربوا ستة نماذج تعلم آلي مختلفة، من طرق مألوفة مثل الانحدار اللوجستي وآلات الدعم الناقل إلى أساليب أكثر مرونة مثل الغابات العشوائية، والتدرج المعزز، والبرسپترون متعدد الطبقات (نوع من الشبكات العصبية). قُيِّمت الأداء أساساً بمدى توازن كل نموذج بين التقاط أحداث الانسداد الحقيقية وتجنب الإنذارات الكاذبة.

إيجاد أفضل متنبئ واختبار موثوقيته

عبر عشرات مجموعات النماذج والبيانات، برز اقتران واحد: برسپترون متعدد الطبقات درّب على بيانات معززة بواسطة TimeGAN. حقق هذا التكوين أعلى درجة F1 (حوالي 50%) وأداءً تنافسياً على مقياس الدقة–الاستدعاء، ما يعني أنه قام بأفضل مهمة في تحديد أيام الانسداد دون أن يغرق بالنتائج الإيجابية الكاذبة. والأهم من ذلك، أن درجات النموذج على بيانات الاختبار غير المرئية طابقت إلى حد كبير درجاته أثناء التدريب، واختبار bootstrap خاص أعاد ترتيب كتل زمنية أظهر أن أدائه كان ثابتاً وليس مصادفة. بعبارة أخرى، ساعد إنشاء أمثلة إضافية واقعية للأحداث النادرة الشبكة العصبية على تعلم أنماط مفيدة دون الإفراط في التكيف مع الضوضاء.

ما الذي يكشفه النموذج عن الظروف الخطرة

لتجاوز التنبؤات «ذات الصندوق الأسود»، استخدم المؤلفون طريقة تسمى SHAP لاستكشاف الشبكة العصبية المدربة وسؤال أي العوامل كانت الأكثر أهمية وكيفية تأثيرها. أبرز التحليل مجموعة صغيرة من حدود الطقس والموقع التي تزيد بشدة من خطر الانسداد. هطول يومي يزيد عن نحو 2.8 ملم وتراكم فعال للهطول خلال سبعة أيام يزيد عن نحو 22 ملم يمثلان نقاط تحول: تحت هذه المستويات تميل الظروف إلى كبح الانسدادات؛ وفوقها ترتفع الاحتمالات بسرعة مع تشبع التربة وجريان السطح الذي يجرف المنحدرات وأساسيات الطرق. تلعب درجة الحرارة دوراً مشابهاً. عندما تبقى متوسطات درجات الحرارة اليومية دون نحو 21 درجة مئوية، يكون الخطر عادةً منخفضاً، لكن الظروف الأكثر دفئاً غالباً ما تتزامن مع أمطار أشد وأكثر كثافة وتربة أكثر رطوبة، مما يزيد الانهيارات والغسلات. عامل أقل وضوحاً هو مدى بعد الطريق عن أقرب جدول. عندما يتجاوز متوسط مسافة الطريق–النهر داخل شريط طولي بعرض كيلومتر نحو 0.15 كيلومتر، يرتفع الخطر، ومن المرجح أن ذلك لأن مثل هذه الطرق تقع على منحدرات أكثر انحداراً وعرضة للفشل بدلاً من قيعان الأودية الألطف.

تحويل الرؤية إلى طرق أكثر أماناً

لغير المتخصصين، الرسالة الأساسية واضحة: مجموعات معينة من «مياه زائدة، لفترة طويلة، في تضاريس غير ملائمة» تزيد بشكل كبير من احتمال أن تُغلق الطريق السريعة. من خلال تحديد حدود هطول المطر ودرجة الحرارة ومسافة الطريق عن النهر، ومن خلال إظهار أن شبكة عصبية مضبوطة بعناية يمكن أن تتنبأ بأيام الخطورة بدقة معقولة، تقدم الدراسة إرشاداً عملياً لمديري الطرق. يمكن أن تغذي هذه الرؤى لوحات تحذير مبكرة، وتوجه أماكن تقوية المنحدرات أو تحسين الصرف، وتساعد في أولوية مراقبة وصيانة مقاطع من شبكات الطرق الطويلة. مع تزايد تكرار الطقس المتطرف، يمكن أن تلعب هذه الأدوات المستندة إلى البيانات والقابلة للتفسير دوراً رئيسياً في إبقاء طرق النقل الحيوية مفتوحة والمجتمعات متصلة.

الاستشهاد: Li, B., Wu, L., Gao, J. et al. Comparative analysis of machine learning models with SHAP interpretation for causes of highway flood-damage blocking. Sci Rep 16, 5118 (2026). https://doi.org/10.1038/s41598-026-35074-8

الكلمات المفتاحية: مخاطر فيضانات الطرق السريعة, التعلم الآلي, هطول مطر شديد, مرونة البنية التحتية, انهيارات التربة