Sensitivity Analysis of Pavement Conditions Under Road Distress Severity and Extent Scenarios

Öz

This study investigated the effects of category shifts in the severity and extent factors assigned to different pavement distress types on the Ohio Department of Transportation (ODOT) Pavement Condition Rating (PCR) and maintenance prioritization. The study was conducted on the road network of Yıldız Technical University Davutpaşa Campus using field data obtained from six routes, each comprising ten approximately 50 m long sections. In the analyses, distress coefficients were shifted to adjacent lower or higher categories to represent optimistic and pessimistic conditions, and extent, severity, and combined extent-severity scenarios were evaluated. Based on the field data, the mean PCR of the selected road network was 77.39. The corresponding optimistic and pessimistic mean values were 81.61 and 74.64 for the extent scenario, 82.59 and 73.42 for the severity scenario, and 85.52 and 69.34 for the combined scenario, respectively. The proportions of sections exhibiting a condition-class change under at least one of the optimistic or pessimistic scenario values were 56.7%, 60.0%, and 86.7%, respectively. The Spearman correlation coefficients between the field-based PCR values and the optimistic and pessimistic values were 0.981 and 0.980 for the extent scenario, 0.977 and 0.973 for the severity scenario, and 0.941 and 0.917 for the combined scenario, respectively (P<0.001). In contrast, the linearly weighted Cohen’s κ coefficients between the original and scenario-based condition classes remained substantial for the extent and severity scenarios (0.63-0.73), but declined to fair-to-moderate levels in the combined scenario (0.38-0.52). Route 2 maintained the highest maintenance priority in the field-based assessment and under all optimistic scenarios, but declined to second place under the pessimistic severity and combined extent-severity scenarios. The results showed that although category-based field assessments largely preserved the overall ranking, they could still produce substantial effects on condition classes and maintenance decisions. By quantifying the effects of potential classification differences on PCR values and maintenance decisions, this study highlights the importance of control, verification, and measures aimed at reducing possible classification errors in critical pavement sections. Since the findings are based on a single campus road network, their generalizability to road networks with different traffic loads and road classes is limited.

Anahtar Kelimeler

• Pavement condition rating
• Maintenance prioritization
• Distress severity and extent
• Sensitivity analysis
• Scenario analysis

Yol Bozulma Şiddeti ve Yaygınlığı Senaryolarında Üstyapı Durumlarının Duyarlılık Analizi

Öz

Bu çalışmada, yol üstyapılarındaki farklı bozulma tiplerine ait şiddet ve yaygınlık faktörlerine ilişkin kategori değişimlerinin Ohio Ulaştırma Dairesi (ODOT) üstyapı durum puanı (PCR) ve bakım önceliklendirmesi üzerindeki etkisi incelenmiştir. Yıldız Teknik Üniversitesi Davutpaşa Kampüsü yol ağında gerçekleştirilen bu çalışmada, altı farklı rota ve her bir rotaya ait 10’ar adet 50’şer metrelik kesimden oluşan saha verileri kullanılmıştır. Analizlerde bozulma katsayıları alt/üst kategoriye öteleme yaklaşımıyla iyimser ve kötümser yönlerde değiştirilmiş; yaygınlık, şiddet ve birleşik yaygınlık-şiddet senaryoları değerlendirilmiştir. Çalışmada kullanılan saha verilerine göre seçilen yol ağının ortalama PCR değeri 77,39 iken, iyimser ve kötümser ortalamalar yaygınlık senaryosunda sırasıyla 81,61 ve 74,64, şiddet senaryosunda 82,59 ve 73,42, birleşik senaryoda ise 85,52 ve 69,34 olarak hesaplanmıştır. İyimser veya kötümser senaryo değerlerinden en az birinde durum sınıfı değişimi gösteren kesimlerin oranı ise sırasıyla %56,7, %60,0 ve %86,7’dir. Saha verilerinden elde edilen PCR değeri ile iyimser ve kötümser değerler arasındaki Spearman katsayıları yaygınlık senaryosunda 0,981 ve 0,980, şiddet senaryosunda 0,977 ve 0,973, birleşik senaryoda ise 0,941 ve 0,917 bulunmuştur (P<0,001). Buna karşılık, orijinal durum sınıfları ile senaryo sınıfları arasındaki doğrusal ağırlıklı Cohen κ katsayıları, yaygınlık ve şiddet senaryolarında kayda değer düzeyde (0,63-0,73) kalırken, birleşik senaryoda orta-zayıf ile orta düzey arasına (0,38-0,52) gerilemiştir. Rota 2, saha verilerinde ve iyimser senaryoların tamamında en yüksek bakım önceliğini korurken, kötümser şiddet ve birleşik yaygınlık-şiddet senaryolarında ikinci sıraya gerilemiştir. Sonuçlar, kategori tabanlı saha değerlendirmelerinin genel sıralamayı büyük ölçüde koruyabilmesine rağmen durum sınıfları ve bakım kararları üzerinde belirgin etkiler oluşturabildiğini göstermiştir. Bu yönüyle çalışma, bozulma değerlendirme sürecinde ortaya çıkabilecek sınıflandırma farklılıklarının PCR ve bakım kararlarına etkisini ortaya koyarak kritik kesimlerde kontrol, doğrulama ve olası sınıflandırma hatalarını azaltmaya yönelik önlemler alınmasının önemini göstermektedir. Bulgular tek bir kampüs yol ağına dayandığından, sonuçların farklı trafik yükü ve yol sınıflarına sahip ağlara genellenebilirliği sınırlıdır.

Anahtar Kelimeler

• Üstyapı durum puanı
• Bakım önceliklendirmesi
• Bozulma şiddeti ve yaygınlığı
• Duyarlılık analizi
• Senaryo analizi

Etik Beyan

Bu araştırmada hayvanlar ve insanlar üzerinde herhangi bir çalışma yapılmadığı için etik kurul onayı alınmamıştır.

Kaynakça

1. Ali, A., Heneash, U., Hussein, A., & Eskebi, M. (2022). Predicting pavement condition index using fuzzy logic technique. Infrastructures, 7(7), Article 91. https://doi.org/10.3390/infrastructures7070091
2. Ali, A. A., Milad, A., Hussein, A., Yusoff, N. I. M., & Heneash, U. (2023). Predicting pavement condition index based on the utilization of machine learning techniques: A case study. Journal of Road Engineering, 3(3), 266–278. https://doi.org/10.1016/j.jreng.2023.04.002
3. Bianchini, A., Bandini, P., & Smith, D. W. (2010). Interrater reliability of manual pavement distress evaluations. Journal of Transportation Engineering, 136(2), 165–172. https://doi.org/10.1061/(ASCE)0733-947X(2010)136:2(165)
4. Chang, C. M., Cheng, D., Smith, R. E., Tan, S. G., & Hossain, A. (2025). SMART quality control analysis of pavement condition data for pavement management applications. International Journal of Transportation Science and Technology, 18, 227–244. https://doi.org/10.1016/j.ijtst.2024.06.007
5. Değer Şitilbay, B., & Yılmaz, M. O. (2026). Bridging image-based detection and field evaluation: A semi-automated pavement distress assessment framework. Sustainability, 18(10), Article 4935. https://doi.org/10.3390/su18104935
6. Federal Highway Administration. (2017). Pavement performance measures and forecasting and the effects of maintenance and rehabilitation strategy on treatment effectiveness (Report No. FHWA-HRT-17-095). Federal Highway Administration.
7. Ghavami, S., Naseri, H., & Safi Jahanshahi, F. (2025). Enhanced prediction and uncertainty modeling of pavement roughness using machine learning and conformal prediction. Infrastructures, 10(7), Article 166. https://doi.org/10.3390/infrastructures10070166
8. Haas, R., Hudson, W. R., & Zaniewski, J. P. (1994). Modern pavement management. Krieger Publishing Company.

9. Hasan, A. E., & Jaber, F. K. (2024). Prioritizing road maintenance: A framework integrating fuzzy best-worst method and VIKOR for multi-criteria decision making. Engineering, Technology & Applied Science Research, 14(3), 13990–13997. https://doi.org/10.48084/etasr.7056
10. Huang, L. L., Lin, J. D., Huang, W. H., Kuo, C. H., Chiou, Y. S., & Huang, M. Y. (2024). Developing pavement maintenance strategies and implementing management systems. Infrastructures, 9(7), Article 101. https://doi.org/10.3390/infrastructures9070101
11. Ibragimov, E., Kim, Y., Lee, J. H., Cho, J., & Lee, J. J. (2024). Automated pavement condition index assessment with deep learning and image analysis: An end-to-end approach. Sensors, 24(7), Article 2333. https://doi.org/10.3390/s24072333
12. Jing, J., Yang, X., Cheng, H., Feng, X., Zheng, H., Brilakis, I., & Liu, J. (2025). A critical review on pavement distress detection using images and point clouds from visual features to geometric modeling. Journal of Road Engineering. https://doi.org/10.1016/j.jreng.2025.10.001
13. Karayolları Genel Müdürlüğü. (2024). Üstyapı Yönetim Sistemi (ÜYS) rehberi [Pavement management system guide]. General Directorate of Highways. https://www.kgm.gov.tr/SiteCollectionDocuments/KGMdocuments/Baskanliklar/BaskanliklarTeknikArastirma/Yay%C4%B1mlar/UstyapiYonetim.pdf
14. Kendall, M. G. (1938). A new measure of rank correlation. Biometrika, 30(1–2), 81–93. https://doi.org/10.1093/biomet/30.1-2.81
15. Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159–174. https://doi.org/10.2307/2529310
16. Loprencipe, G., & Pantuso, A. (2017). A specified procedure for distress identification and assessment for urban road surfaces based on PCI. Coatings, 7(5), Article 65. https://doi.org/10.3390/coatings7050065
17. Miller, J. S., & Bellinger, W. Y. (2003). Distress identification manual for the long-term pavement performance program (Report No. FHWA-RD-03-031). Federal Highway Administration.
18. Naseri, H., Aliakbari, A., Javadian, M. A., Aliakbari, A., & Waygood, E. O. D. (2024). A novel technique for multi-objective sustainable decisions for pavement maintenance and rehabilitation. Case Studies in Construction Materials, 20, Article e03037. https://doi.org/10.1016/j.cscm.2024.e03037
19. Ohio Department of Transportation (ODOT). (2006). Pavement condition rating manual. Ohio Department of Transportation. https://dam.assets.ohio.gov/image/upload/transportation.ohio.gov/pavement/pcr/PCR-Manual.pdf
20. Pérez, A., Sánchez, C. N., & Velasco, J. (2024). Damage importance analysis for pavement condition index using machine-learning sensitivity analysis. Infrastructures, 9(9), Article 157. https://doi.org/10.3390/infrastructures9090157
21. Pierce, L. M., McGovern, G., & Zimmerman, K. A. (2013). Practical guide for quality management of pavement condition data collection (Report No. FHWA-HIF-14-006). Federal Highway Administration.
22. Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D., Saisana, M., & Tarantola, S. (2008). Global sensitivity analysis: The primer. John Wiley & Sons. https://doi.org/10.1002/9780470725184
23. Shahin, M. Y. (2005). Pavement management for airports, roads, and parking lots (2nd ed.). Springer, New York. ISBN: 978-0-387-23464-9.
24. Shikur, H. D., Yang, M. D., & Kebede, Y. B. (2025). Explainable pavement surface condition classification using a TabNet-CatBoost hybrid machine learning framework. Case Studies in Construction Materials, Article e05333. https://doi.org/10.1016/j.cscm.2025.e05333
25. Singh, A. P., Sharma, A., Mishra, R., Wagle, M., & Sarkar, A. K. (2018). Pavement condition assessment using soft computing techniques. International Journal of Pavement Research and Technology, 11(6), 564–581. https://doi.org/10.1016/j.ijprt.2017.12.006
26. Spearman, C. (1961). The proof and measurement of association between two things. In J. J. Jenkins & D. G. Paterson (Eds.), Studies in individual differences: The search for intelligence (pp. 45–58). Appleton-Century-Crofts. https://doi.org/10.1037/11491-005
27. Zheng, L., Xiao, J., Wang, Y., Wu, W., Chen, Z., Yuan, D., & Jiang, W. (2024). Deep learning-based intelligent detection of pavement distress. Automation in Construction, 168, Article 105772. https://doi.org/10.1016/j.autcon.2024.105772