Otoyol sel hasarı tıkanmalarının nedenleri için SHAP yorumlu makine öğrenimi modellerinin karşılaştırmalı analizi

Sel örtülen otoyolların günlük yaşam için önemi

Şiddetli yağış bir yolu yıkadığında veya heyelan tetiklediğinde yolcuları mahsur bırakabilir, acil servisleri geciktirebilir ve yiyecek ile malların akışını kesintiye uğratabilir. Çin’in Sichuan Eyaleti’nde, aşırı hava koşulları şiddetlenip yol ağı büyüdükçe sel kaynaklı otoyol tıkanmaları giderek daha yaygın hale geldi. Bu çalışma küresel öneme sahip pratik bir soru soruyor: modern yapay zeka, otoyolların ne zaman ve nerede sel nedeniyle kesilme olasılığının yüksek olduğunu tahmin edebilir mi ve nedenini açıklayabilir mi?

Kırılgan bir dağlık bölgenin haritalanması

Güneybatı Çin’de geniş bir eyalet olan Sichuan, yaygın yol ağlarını engebeli arazi ve yoğun mevsimsel yağışlarla birleştirdiği için test alanı olarak seçildi. Araştırmacılar 2021–2022 için yaklaşık 9.000 günlük sel kaynaklı otoyol tıkanma kaydı, uydu verilerinden alınan yükseklik ve eğim, bitki örtüsü, arazi kullanımı, nehir ve dere ağları, yağış ve sıcaklık ile nüfus ve yol yoğunluğu gibi zengin bir veri seti topladı. En büyük sosyal ve ekonomik aksamalara yol açan kapatmalar olduğu için otoyollar—ulusal ve eyalet yolları—üzerine odaklandılar. Verileri gerçekçi tutmak için ortak bir zorlukla çalıştılar: tıkanma olaylarının olmadığı günler, yolların gerçekten kesildiği günlerden çok daha fazlaydı.

Makinelere tehlikeyi önceden görmeyi öğretmek

Ekip, üç fikri birbirine bağlayan entegre bir çerçeve oluşturdu: nadir olayların daha akıllı şekilde ele alınması, tahmin yöntemlerinin dikkatli karşılaştırılması ve riski yönlendiren unsurların şeffaf açıklamaları. Tıkanma olayları nispeten nadir olduğundan geleneksel modeller çoğunlukla güvenli günlerden “öğrenme” eğiliminde olup tehlikeli azınlığı tanımada başarısız olur. Bu dengesizliği gidermek için araştırmacılar üç stratejiyi karşılaştırdı. Birincisi bazı tıkanmasız günleri basitçe çıkardı (alt örnekleme). İkincisi, gerçek zaman serilerindeki kalıpları öğrenip nadir tıkanma günlerinin gerçekçi sentetik örneklerini üreten TimeGAN adlı tekniği kullandı ve azınlık sınıfını güçlendirdi. Üçüncü melez yaklaşım her iki fikri birleştirdi. Bu ön işlenmiş veri kümeleri üzerinde lojistik regresyon ve destek vektör makineleri gibi tanıdık yaklaşımlardan rastgele ormanlar, gradyan artışı ve çok katmanlı algılayıcılar (bir tür sinir ağı) gibi daha esnek yöntemlere kadar altı farklı makine öğrenimi modeli eğitildi. Performans esas olarak her modelin gerçek tıkanma olaylarını yakalarken yanlış alarmlardan kaçınmayı nasıl dengelediğiyle değerlendirildi.

En iyi tahmincinin bulunması ve güvenilirliğinin test edilmesi

Onlarca model ve veri kombinasyonu arasında öne çıkan eşleştirme, TimeGAN ile artırılmış veriler üzerinde eğitilmiş bir çok katmanlı algılayıcıydı. Bu yapı en yüksek F1 puanını (yaklaşık %50) ve rekabetçi hassasiyet–duyarlılık performansını elde ederek tıkanma günlerini yanlış pozitiflerle boğulmadan en iyi şekilde belirledi. Önemli olarak, modelin görülmemiş test verilerindeki skorları eğitim sırasında elde ettiği skorlarla yakından eşleşti ve zaman sıralı blokları karıştıran özel bir bootstrap testi performansının tesadüfi değil, sağlam olduğunu gösterdi. Başka bir deyişle, nadir tıkanma olaylarının gerçekçi ekstra örneklerini oluşturmak sinir ağının gürültüye fazla uymadan faydalı kalıpları öğrenmesine yardımcı oldu.

Modelin riskli koşullar hakkında ortaya koydukları

“Kara kutu” tahminlerinin ötesine geçmek için yazarlar eğitilmiş sinir ağını incelemek ve hangi faktörlerin ne kadar önemli olduğunu ve nasıl etkilediğini sormak üzere SHAP adlı bir yöntem kullandılar. Analiz, tıkanma riskini keskin şekilde artıran sınırlı bir hava ve konum eşiği setini öne çıkardı. Günlük yağışın yaklaşık 2,8 milimetrenin üzerinde olması ve yedi günlük etkili yağış birikiminin yaklaşık 22 milimetrenin üzerine çıkması dönüm noktaları oluşturuyor: bu seviyelerin altında koşullar genellikle tıkanmaları baskılarken, üzerinde toprak doygunlaştıkça ve yüzey akışı eğimleri ile yol zemini kazıdıkça olasılıklar hızla artıyor. Sıcaklık benzer bir rol oynuyor. Ortalama günlük sıcaklıklar yaklaşık 21 °C’nin altında kaldığında risk genel olarak düşükken, daha sıcak koşullar sıklıkla daha yoğun yağış ve daha ıslak zeminle çakışarak daha fazla heyelan ve yıkılma besliyor. Daha az belirgin bir faktör, bir yolun en yakın akarsuya ne kadar uzak olduğudur. Bir kilometrelik bant içindeki ortalama yol–nehir mesafesi yaklaşık 0,15 kilometrenin üzerine çıktığında risk artıyor; muhtemelen çünkü bu tür yollar daha yumuşak vadi tabanları yerine daha dik, arıza eğilimli yamaçlarda yer alma eğiliminde.

İçgörüyü daha güvenli yollara dönüştürmek

Uzman olmayanlar için temel mesaj açık: “çok fazla su, çok uzun süre, yanlış arazide” kombinasyonları bir otoyolun tıkanma olasılığını önemli ölçüde artırıyor. Yağış, sıcaklık ve yol–nehir mesafesi eşiklerinin belirlenmesi ve dikkatle ayarlanmış bir sinir ağının riskli günleri makul bir doğrulukla öngörebileceğinin gösterilmesi, yol yöneticileri için pratik kılavuzluk sunuyor. Bu içgörüler erken uyarı panolarına besleme sağlayabilir, yamaç veya drenaj takviyesi yapılacak yerleri yönlendirebilir ve uzun otoyol ağlarındaki bölümlerin izlenmesi ile bakım önceliklendirmesine yardımcı olabilir. Aşırı hava olayları daha yaygın hale geldikçe, bu tür veri odaklı, açıklanabilir araçlar kritik ulaşım yollarını açık tutmak ve toplulukları bağlı tutmakta kilit rol oynayabilir.

Atıf: 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

Anahtar kelimeler: otoyol sel riski, makine öğrenimi, aşırı yağış, altyapı dayanıklılığı, heyelanlar