Analyse comparative de modèles d’apprentissage automatique avec interprétation SHAP des causes des blocages d’autoroutes dus aux inondations

Pourquoi les autoroutes inondées importent pour la vie quotidienne

Quand de fortes pluies emportent une route ou provoquent un glissement de terrain, des voyageurs peuvent se retrouver bloqués, les services d’urgence retardés et l’acheminement de nourriture et de marchandises perturbé. Dans la province du Sichuan, en Chine, ces blocages d’autoroutes liés aux inondations sont devenus de plus en plus fréquents à mesure que les événements météorologiques extrêmes s’intensifient et que le réseau routier s’étend. Cette étude pose une question pratique d’intérêt mondial : l’intelligence artificielle moderne peut‑elle aider à prédire quand et où les autoroutes sont les plus susceptibles d’être coupées par des inondations, et peut‑elle expliquer pourquoi ?

Cartographier une région de montagne vulnérable

Le Sichuan, vaste province du sud‑ouest de la Chine, a été choisi comme terrain d’essai car il combine un réseau routier étendu, un relief accidenté et des pluies saisonnières intenses. Les chercheurs ont rassemblé un jeu d’informations riche pour 2021–2022, incluant près de 9 000 enregistrements quotidiens d’obstruction d’autoroutes liées aux inondations, l’altitude et la pente issues de données satellites, la couverture végétale, l’utilisation des sols, les rivières et cours d’eau, les précipitations et la température, ainsi que la densité de population et de routes. Ils se sont concentrés sur les axes majeurs — autoroutes, routes nationales et provinciales — où les fermetures entraînent le plus de perturbations sociales et économiques. Pour que les données restent réalistes, ils ont affronté un défi courant : les jours sans événements de blocage étaient largement plus nombreux que ceux où les routes étaient effectivement coupées.

Apprendre aux machines à repérer les problèmes avant qu’ils n’arrivent

L’équipe a construit un cadre intégré qui relie trois idées : une meilleure gestion des événements rares, une comparaison rigoureuse des méthodes de prédiction et des explications transparentes des facteurs de risque. Parce que les événements de blocage sont relativement rares, les modèles traditionnels « apprennent » surtout à partir des nombreux jours sans incident et échouent à reconnaître les quelques jours dangereux. Pour contrer ce déséquilibre, les chercheurs ont comparé trois stratégies. La première supprimait simplement certains jours sans blocage (sous‑échantillonnage). La seconde utilisait une technique nommée TimeGAN, qui apprend les motifs des séries temporelles réelles puis génère des exemples synthétiques réalistes de jours de blocage rares pour renforcer la classe minoritaire. Une troisième approche hybride combinait les deux idées. Sur ces jeux de données prétraités, ils ont entraîné six modèles d’apprentissage automatique différents, allant d’approches classiques comme la régression logistique et les machines à vecteurs de support à des méthodes plus flexibles telles que les forêts aléatoires, le gradient boosting et les perceptrons multicouches (un type de réseau de neurones). La performance a été jugée principalement sur la capacité de chaque modèle à trouver un équilibre entre détecter les vrais événements de blocage et éviter les fausses alertes.

Identifier le meilleur prédicteur et tester sa fiabilité

Parmi des dizaines de combinaisons de modèles et de données, une association s’est démarquée : un perceptron multicouche entraîné sur des données augmentées par TimeGAN. Cette configuration a obtenu le score F1 le plus élevé (environ 50 %) et des performances précision‑rappel compétitives, ce qui signifie qu’elle a le mieux identifié les jours de blocage sans être submergée par les faux positifs. Fait important, les scores du modèle sur des données de test inédites correspondaient étroitement à ceux obtenus lors de l’entraînement, et un test bootstrap spécial qui a remélangé des blocs ordonnés dans le temps a montré que sa performance était stable et non due au hasard. Autrement dit, la création d’exemples supplémentaires réalistes d’événements rares a aidé le réseau neuronal à apprendre des motifs utiles sans surajuster le bruit.

Ce que le modèle révèle sur les conditions à risque

Pour dépasser les prédictions en « boîte noire », les auteurs ont utilisé une méthode appelée SHAP pour sonder le réseau neuronal entraîné et déterminer quels facteurs importaient le plus et de quelle manière. L’analyse a mis en évidence un petit ensemble de seuils météorologiques et spatiaux qui augmentent fortement le risque de blocage. Des précipitations quotidiennes supérieures à environ 2,8 millimètres et une accumulation sur sept jours d’un « pluviométrage effectif » dépassant environ 22 millimètres constituent tous deux des points de basculement : en dessous de ces niveaux, les conditions tendent à limiter les blocages ; au‑dessus, la probabilité augmente rapidement à mesure que les sols se saturent et que l’écoulement érode les pentes et les couches de la chaussée. La température joue un rôle similaire. Lorsque la température moyenne quotidienne reste en dessous d’environ 21 degrés Celsius, le risque est généralement faible, mais des conditions plus chaudes coïncident souvent avec des pluies plus abondantes et plus intenses et un sol plus humide, favorisant glissements et lessivages. Un facteur moins évident est la distance d’une route au cours d’eau le plus proche. Quand la distance moyenne route‑rivière dans une bande d’un kilomètre dépasse environ 0,15 kilomètre, le risque augmente, vraisemblablement parce que ces routes se situent souvent sur des versants plus abrupts, plus sujets aux ruptures, plutôt que sur des fonds de vallée plus doux.

Transformer l’analyse en routes plus sûres

Pour le grand public, le message central est simple : certaines combinaisons de « trop d’eau, trop longtemps, sur le mauvais terrain » augmentent sensiblement les chances qu’une autoroute soit bloquée. En identifiant des seuils de précipitations, de température et de distance route‑rivière, et en montrant qu’un réseau neuronal finement ajusté peut anticiper les jours à risque avec une précision raisonnable, l’étude offre des indications pratiques aux gestionnaires routiers. Ces connaissances peuvent alimenter des tableaux de bord d’alerte précoce, guider les endroits où renforcer les pentes ou le drainage, et aider à prioriser des segments de longs réseaux autoroutiers pour la surveillance et l’entretien. À mesure que les phénomènes météorologiques extrêmes deviennent plus fréquents, de tels outils explicables et fondés sur les données pourraient jouer un rôle crucial pour maintenir ouverts les axes de transport essentiels et garder les communautés reliées.

Citation: 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

Mots-clés: risque d’inondation des routes, apprentissage automatique, pluies extrêmes, résilience des infrastructures, glissements de terrain