Jämförande analys av maskininlärningsmodeller med SHAP-tolkning för orsaker till vägblockeringar vid översvämningar

Varför översvämmade vägar spelar roll i vardagen

När kraftigt regn spolar bort en väg eller utlöser ett jordskred kan det lämna resenärer strandsatta, fördröja räddningstjänst och störa flödet av mat och varor. I Kinas Sichuanprovins har sådana översvämningsrelaterade vägblockeringar blivit allt vanligare i takt med att extremväder intensifieras och vägnätet växer. Denna studie ställer en praktisk fråga med global relevans: kan modern artificiell intelligens hjälpa till att förutsäga när och var vägar sannolikt kommer att blockeras av översvämningar, och kan den förklara varför?

Kartläggning av en sårbar bergsregion

Sichuan, en vidsträckt provins i sydvästra Kina, valdes som testområde eftersom den kombinerar omfattande vägnät med kuperad terräng och intensiva säsongsregn. Forskarna samlade en rik uppsättning data för 2021–2022, inklusive nästan 9 000 dagliga registreringar av översvämningsrelaterade vägblockeringar, höjd och lutning från satellitdata, växttäcke, markanvändning, floder och bäckar, nederbörd och temperatur samt befolkningstäthet och vägintensitet. De fokuserade på större vägar—motorvägar, nationella och provinsiella stråk—där avstängningar orsakar störst sociala och ekonomiska konsekvenser. För att hålla data realistiska ställdes de inför en vanlig utmaning: dagar utan blockeringar var långt fler än de dagar då vägar faktiskt var avstängda.

Att lära maskiner att upptäcka problem i förväg

Teamet byggde en integrerad ram som kopplar samman tre idéer: smartare hantering av sällsynta händelser, noggrann jämförelse av prediktionsmetoder och transparenta förklaringar av vad som driver risken. Eftersom blockeringar är relativt sällsynta tenderar traditionella modeller att ”lära” sig mest från de många säkra dagarna och misslyckas med att känna igen de få farliga tillfällena. För att motverka denna obalans jämförde forskarna tre strategier. En tog helt enkelt bort en del dagar utan blockeringar (undersampling). En annan använde en teknik kallad TimeGAN, som lär sig mönstren i verkliga tidsserier och sedan genererar realistiska syntetiska exempel på sällsynta blockeringsdagar för att förstärka minoritetsklassen. En tredje hybridmetod kombinerade båda idéerna. Ovanpå dessa förbehandlade dataset tränade de sex olika maskininlärningsmodeller, från bekanta angreppssätt som logistisk regression och supportvektormaskiner till mer flexibla metoder som random forests, gradient boosting och multilagrade perceptroner (en typ av neuralt nätverk). Prestanda bedömdes främst utifrån hur väl varje modell balanserade fånga verkliga blockeringar samtidigt som falska larm undveks.

Hitta den bästa prediktorn och testa dess tillförlitlighet

Över dussintals modell- och datakombinationer utmärkte sig en ihopkoppling: en multilagrad perceptron tränad på TimeGAN-augmenterade data. Denna konfiguration nådde det högsta F1-värdet (omkring 50 %) och hade konkurrenskraftig precision–recall-prestanda, vilket betyder att den var bäst på att identifiera blockeringsdagar utan att dränkas i falska positiva. Viktigt är att modellens poäng på osedda testdata låg nära poängen under träning, och ett särskilt bootstrap-test som omblandade tidsordnade block visade att dess prestanda var stabil snarare än en tillfällighet. Med andra ord hjälpte skapandet av realistiska extra exempel på sällsynta blockeringar det neurala nätverket att lära sig användbara mönster utan att överanpassa till brus.

Vad modellen avslöjar om riskfyllda förhållanden

För att gå bortom ”svart låda”-prediktioner använde författarna en metod kallad SHAP för att granska det tränade neurala nätverket och fråga vilka faktorer som var viktigast och på vilket sätt. Analysen framhävde en liten uppsättning väder- och platströsklar som kraftigt ökar risken för blockeringar. Daglig nederbörd över ungefär 2,8 millimeter och en sju dagars uppbyggnad av effektiv nederbörd över cirka 22 millimeter markerar båda vändpunkter: under dessa nivåer tenderar förhållandena att dämpa blockeringar; över dem ökar sannolikheten snabbt när marken mättas och avrinningen sköljer bort sluttningar och vägfundament. Temperaturen spelar en liknande roll. När genomsnittliga dagstemperaturer ligger under cirka 21 grader Celsius är risken generellt låg, men varmare förhållanden sammanfaller ofta med tyngre, intensivare regn och våtare mark, vilket tillsammans ger fler jordskred och utspolningar. En mindre uppenbar faktor är hur långt en väg ligger från närmaste bäck eller flod. När det genomsnittliga väg–älv-avståndet inom ett band på en kilometer överstiger ungefär 0,15 kilometer ökar risken, sannolikt eftersom sådana vägar ofta ligger på brantare, mer failurexponerade sluttningar i stället för på flackare dalbottnar.

Att omvandla insikt till säkrare vägar

För icke-specialister är kärnbudskapet enkelt: vissa kombinationer av ”för mycket vatten, för länge, i fel terräng” ökar avsevärt sannolikheten för att en vägblockering inträffar. Genom att peka ut trösklar för nederbörd, temperatur och väg–vatten-avstånd, och genom att visa att ett noggrant inställt neuralt nätverk kan förutse riskfyllda dagar med rimlig noggrannhet, ger studien praktisk vägledning för väghanterare. Dessa insikter kan matas in i tidiga varningsinstrument, vägleda var sluttningar eller dränering bör förstärkas och hjälpa till att prioritera segment av långa vägnät för övervakning och underhåll. Allteftersom extremväder blir vanligare kan sådana datadrivna, förklarliga verktyg spela en nyckelroll för att hålla viktiga transportleder öppna och samhällen sammanlänkade.

Citering: 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

Nyckelord: översvämningsrisk på motorväg, maskininlärning, extremt regn, infrastrukturtålighet, jordskred