Análisis comparativo de modelos de aprendizaje automático con interpretación SHAP para las causas de bloqueo de carreteras por inundaciones

Por qué las carreteras inundadas importan en la vida cotidiana

Cuando la lluvia intensa arrastra una carretera o provoca un deslizamiento de tierra, puede dejar varados a los viajeros, retrasar a los servicios de emergencia y interrumpir el flujo de alimentos y mercancías. En la provincia de Sichuan, en China, esos bloqueos de carreteras relacionados con inundaciones se han vuelto cada vez más frecuentes a medida que el clima extremo se intensifica y crece la red vial. Este estudio plantea una pregunta práctica con relevancia global: ¿puede la inteligencia artificial moderna ayudar a predecir cuándo y dónde es más probable que las carreteras queden cortadas por inundaciones, y puede explicar por qué?

Cartografiar una región montañosa vulnerable

Sichuan, una vasta provincia en el suroeste de China, fue elegida como banco de pruebas porque combina redes viales extensas con un terreno escarpado y lluvias estacionales intensas. Los investigadores reunieron un conjunto rico de información para 2021–2022, que incluye casi 9.000 registros diarios de bloqueos de carreteras por inundaciones, elevación y pendiente a partir de datos satelitales, cobertura vegetal, uso del suelo, ríos y arroyos, lluvia y temperatura, y densidad de población y de carreteras. Se centraron en vías principales—autopistas y carreteras nacionales y provinciales—donde los cierres causan la mayor alteración social y económica. Para mantener los datos realistas, trabajaron con un desafío común: los días sin eventos de bloqueo superaban con creces a los días en que las carreteras se cortaron realmente.

Enseñar a las máquinas a detectar problemas con antelación

El equipo construyó un marco integrado que vincula tres ideas: un manejo más inteligente de eventos raros, una comparación cuidadosa de métodos de predicción y explicaciones transparentes de lo que impulsa el riesgo. Debido a que los eventos de bloqueo son relativamente raros, los modelos tradicionales tienden a «aprender» principalmente de los muchos días seguros y no logran reconocer los pocos peligrosos. Para contrarrestar este desequilibrio, los investigadores compararon tres estrategias. Una simplemente eliminó algunos días sin bloqueo (submuestreo). Una segunda utilizó una técnica llamada TimeGAN, que aprende los patrones en series temporales reales y luego genera ejemplos sintéticos realistas de días de bloqueo raros para reforzar la clase minoritaria. Un tercer enfoque híbrido combinó ambas ideas. Sobre estos conjuntos de datos preprocesados, entrenaron seis modelos de aprendizaje automático diferentes, desde enfoques familiares como la regresión logística y las máquinas de vectores de soporte hasta métodos más flexibles como bosques aleatorios, boosting por gradiente y perceptrones multicapa (un tipo de red neuronal). El rendimiento se juzgó principalmente por lo bien que cada modelo equilibraba la detección de eventos verdaderos de bloqueo evitando alarmas falsas.

Encontrar el mejor predictor y evaluar su fiabilidad

Entre docenas de combinaciones de modelos y datos, destacó una pareja: un perceptrón multicapa entrenado con datos aumentados por TimeGAN. Esta configuración alcanzó la mayor puntuación F1 (alrededor del 50%) y un rendimiento competitivo en precisión–recuperación, lo que significa que hizo el mejor trabajo identificando días de bloqueo sin verse abrumada por falsos positivos. Es importante que las puntuaciones del modelo en datos de prueba no vistos coincidieran estrechamente con las obtenidas durante el entrenamiento, y una prueba bootstrap especial que reordenó bloques temporales mostró que su rendimiento era estable y no un golpe de suerte. En otras palabras, crear ejemplos extra realistas de eventos raros de bloqueo ayudó a la red neuronal a aprender patrones útiles sin sobreajustarse al ruido.

Qué revela el modelo sobre condiciones de riesgo

Para ir más allá de las predicciones de «caja negra», los autores utilizaron un método llamado SHAP para sondear la red neuronal entrenada y preguntar qué factores importaban más y de qué manera. El análisis destacó un pequeño conjunto de umbrales climáticos y de localización que aumentan bruscamente el riesgo de bloqueo. Una precipitación diaria por encima de aproximadamente 2,8 milímetros y una acumulación de lluvia efectiva en siete días por encima de unos 22 milímetros marcan puntos de inflexión: por debajo de esos niveles, las condiciones tienden a suprimir los bloqueos; por encima, las probabilidades aumentan rápidamente a medida que los suelos se saturan y la escorrentía arrastra laderas y plataformas de carretera. La temperatura desempeña un papel similar. Cuando las temperaturas medias diarias se mantienen por debajo de aproximadamente 21 grados Celsius, el riesgo es generalmente bajo, pero condiciones más cálidas a menudo coinciden con lluvias más intensas y suelos más húmedos, alimentando deslizamientos y socavaciones. Un factor menos obvio es la distancia de la carretera al arroyo más cercano. Cuando la distancia media carretera‑río dentro de una franja de un kilómetro supera aproximadamente 0,15 kilómetros, el riesgo aumenta, probablemente porque tales carreteras tienden a situarse en laderas más empinadas y propensas a fallos en lugar de en fondos de valle más suaves.

Transformar la perspectiva en carreteras más seguras

Para el público general, el mensaje central es simple: ciertas combinaciones de «demasiada agua, durante demasiado tiempo, en el terreno inadecuado» aumentan sustancialmente las probabilidades de que una carretera quede bloqueada. Al identificar umbrales de lluvia, temperatura y distancia carretera‑río, y al demostrar que una red neuronal cuidadosamente ajustada puede anticipar días de riesgo con precisión razonable, el estudio ofrece orientación práctica para los gestores de carreteras. Estas ideas pueden integrarse en paneles de aviso temprano, orientar dónde reforzar laderas o drenajes y ayudar a priorizar tramos de largas redes viales para su monitorización y mantenimiento. A medida que el clima extremo se haga más frecuente, herramientas explicables y basadas en datos como estas podrían jugar un papel clave para mantener abiertas las vías de transporte críticas y las comunidades conectadas.

Cita: 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

Palabras clave: riesgo de inundación en carreteras, aprendizaje automático, lluvias extremas, resiliencia de infraestructuras, deslizamientos