Análise comparativa de modelos de aprendizado de máquina com interpretação SHAP para causas de bloqueio de rodovias por enchentes

Por que rodovias alagadas importam para a vida cotidiana

Quando chuvas fortes destroem uma estrada ou desencadeiam um deslizamento, podem deixar viajantes isolados, atrasar serviços de emergência e interromper o fluxo de alimentos e mercadorias. Na província de Sichuan, na China, esses bloqueios de rodovias relacionados a enchentes tornaram-se cada vez mais comuns à medida que o clima extremo se intensifica e a malha rodoviária cresce. Este estudo faz uma pergunta prática com relevância global: a inteligência artificial moderna pode ajudar a prever quando e onde as rodovias têm maior probabilidade de ser cortadas por enchentes, e pode explicar por quê?

Mapeando uma região montanhosa vulnerável

Sichuan, uma vasta província no sudoeste da China, foi escolhida como campo de testes porque combina redes rodoviárias extensas com terreno acidentado e chuvas sazonais intensas. Os pesquisadores reuniram um conjunto rico de informações para 2021–2022, incluindo quase 9.000 registros diários de bloqueios de rodovias por enchentes, elevação e declividade a partir de dados de satélite, cobertura vegetal, uso do solo, rios e córregos, precipitação e temperatura, e densidade populacional e viária. Eles se concentraram em vias principais — rodovias, estradas nacionais e provinciais — onde fechamentos causam maiores transtornos sociais e econômicos. Para manter os dados realistas, trabalharam com um desafio comum: os dias sem eventos de bloqueio eram muito mais numerosos que os dias em que estradas foram realmente cortadas.

Ensinando máquinas a identificar problemas antecipadamente

A equipe construiu uma estrutura integrada que liga três ideias: tratamento mais inteligente de eventos raros, comparação cuidadosa de métodos de predição e explicações transparentes do que impulsiona o risco. Como os eventos de bloqueio são relativamente raros, modelos tradicionais tendem a “aprender” principalmente com os muitos dias seguros e falham em reconhecer os poucos dias perigosos. Para contrariar esse desequilíbrio, os pesquisadores compararam três estratégias. Uma simplesmente removeu alguns dias sem bloqueio (subamostragem). Uma segunda usou uma técnica chamada TimeGAN, que aprende padrões em séries temporais reais e então gera exemplos sintéticos realistas de dias raros de bloqueio para reforçar a classe minoritária. Uma terceira abordagem híbrida combinou ambas as ideias. Sobre esses conjuntos de dados pré-processados, treinaram seis modelos diferentes de aprendizado de máquina, desde abordagens familiares como regressão logística e máquinas de vetores de suporte até métodos mais flexíveis como florestas aleatórias, gradient boosting e perceptrons multicamadas (um tipo de rede neural). O desempenho foi avaliado principalmente por quão bem cada modelo equilibrava detectar verdadeiros eventos de bloqueio enquanto evitava alarmes falsos.

Encontrando o melhor preditor e testando sua confiabilidade

Entre dezenas de combinações de modelos e dados, um pareamento se destacou: um perceptron multicamadas treinado em dados aumentados por TimeGAN. Essa configuração alcançou a maior pontuação F1 (cerca de 50%) e desempenho competitivo em precisão–recall, o que significa que foi a que melhor identificou dias de bloqueio sem ser dominada por falsos positivos. Importante, as pontuações do modelo em dados de teste não vistos de antemão corresponderam de perto às obtidas durante o treinamento, e um teste bootstrap especial que reordenou blocos temporais mostrou que seu desempenho foi estável, não fruto do acaso. Em outras palavras, criar exemplos extras realistas de eventos raros de bloqueio ajudou a rede neural a aprender padrões úteis sem ajustar-se excessivamente ao ruído.

O que o modelo revela sobre condições de risco

Para ir além de previsões em “caixa-preta”, os autores usaram um método chamado SHAP para sondar a rede neural treinada e perguntar quais fatores mais importavam e como. A análise destacou um pequeno conjunto de limiares de tempo e local que aumentam fortemente o risco de bloqueio. Chuva diária acima de cerca de 2,8 milímetros e um acúmulo de chuva efetiva em sete dias acima de aproximadamente 22 milímetros marcam pontos de inflexão: abaixo desses níveis, as condições tendem a suprimir bloqueios; acima deles, as chances aumentam rapidamente conforme os solos se saturam e o escoamento desgasta encostas e bueiros. A temperatura desempenha papel semelhante. Quando as temperaturas médias diárias ficam abaixo de aproximadamente 21 graus Celsius, o risco é geralmente baixo, mas condições mais quentes frequentemente coincidem com chuvas mais intensas e solo mais úmido, alimentando mais deslizamentos e lavamentos. Um fator menos óbvio é a distância da estrada até o curso d’água mais próximo. Quando a distância média estrada–rio dentro de uma faixa de um quilômetro excede cerca de 0,15 quilômetros, o risco aumenta, provavelmente porque tais estradas tendem a ficar em encostas mais íngremes e suscetíveis a falhas, em vez de nos fundos de vale mais suaves.

Transformando informação em rodovias mais seguras

Para não especialistas, a mensagem central é direta: certas combinações de “água demais, por tempo demais, no terreno errado” aumentam substancialmente as chances de uma rodovia ser bloqueada. Ao identificar limiares de precipitação, temperatura e distância estrada–rio, e ao mostrar que uma rede neural cuidadosamente ajustada pode antecipar dias de risco com precisão razoável, o estudo oferece orientação prática para gestores de rodovias. Esses insights podem alimentar painéis de alerta precoce, orientar onde reforçar taludes ou drenagem e ajudar a priorizar trechos de longas malhas rodoviárias para monitoramento e manutenção. À medida que eventos climáticos extremos se tornam mais comuns, ferramentas explicáveis e orientadas por dados como essa podem desempenhar papel-chave para manter rotas de transporte críticas abertas e comunidades conectadas.

Citação: 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

Palavras-chave: risco de enchentes em rodovias, aprendizado de máquina, chuvas extremas, resiliência de infraestrutura, deslizamentos