Projektet ”Från rymden till rälsen: prediktiv säkerhet med satellitdata och AI” utvecklar en ny generation av beslutsstöd för klimatanpassning och riskhantering inom järnvägsinfrastruktur. Genom att kombinera satellitdata, väderprognoser, infrastrukturinformation och AI ska projektet förutsäga risker för spårförskjutning – ett växande problem i takt med stigande temperaturer och förekomsten av allt fler, längre och mer intensiva värmeböljor i Sverige. Målet är att skapa ett prediktivt system som kan leverera rälstemperatur- och riskprognoser 24–48 timmar framåt, med Roslagsbanan i Stockholm som pilotområde.

Varmare somrar ökar risken för spårförskjutning i helsvetsad räls: när stålet expanderar vid höga temperaturer kan det deformeras i sidled och orsaka så kallade solkurvor. Det leder till allvarliga säkerhetsrisker och trafikstopp, med betydande kostnader för akuta åtgärder och trafikstörningar. Dagens övervakning bygger i stor utsträckning på manuella inspektioner, vilket innebär att åtgärder ofta sätts in för sent eller på ett alltför generellt sätt. 

Projektet vill förändra detta genom att införa prediktiva metoder som gör det möjligt att identifiera risksträckor i förväg och agera proaktivt. Projektet utnyttjar öppna termiska satellitdata från bland annat Sentinel-2 och MODISprogrammen. Dessa används för att beräkna markytetemperatur med hög rumslig upplösning. Genom avancerade maskininlärningsmetoder och termiska nedskalningstekniker omvandlas satellitdata till uppskattade rälstemperaturer vilka kombineras med väderprognoser och anläggningsdata för att modellera sannolikheten för spårförskjutning i pilotområdet. Resultaten visualiseras som interaktiva riskkartor och tillgängliggörs via ett API för test i operativa system. 

Projektet genomförs i nära samverkan mellan Trafikförvaltningen, Total Digital och Kungliga Tekniska högskolan (KTH). Genom att förena Trafikförvaltningens verksamhetsnära erfarenheter, Total Digitals expertis inom digitaliserat underhåll för järnväg, fjärranalys och AI, samt KTH:s forskningskompetens skapas ett starkt tvärvetenskapligt team med både praktisk erfarenhet och akademisk spets.

Utmaningarna omfattar lokala mikroklimat, markytans egenskaper och skuggförhållanden som påverkar temperaturuppskattningar och kräver avancerade modeller för robusta prognoser. Dessutom måste systemet hantera stora datamängder i nära realtid för att ge användbara beslutsunderlag.

Projektets långsiktiga mål är att skapa en skalbar metodik för prediktiv riskhantering inom järnvägsinfrastruktur. Genom att ersätta reaktiva insatser med proaktivt beslutsstöd kan underhållsresurser optimeras, driftsäkerheten förbättras och miljöpåverkan minskas. På sikt kan metoden även tillämpas på andra typer av värmekänsliga anläggningar, som vägar eller broar, vilket stärker Sveriges förmåga att möta framtidens klimatutmaningar med hjälp av satellitdata och AI.