論文要約：米国太平洋北西部における地すべり（液状化）ハザードおよび影響予測のための地理空間 AI

本論文は、Morgan D. Sanger と Brett W. Maurer によって執筆され、米国ワシントン州とオレゴン州の太平洋北西部地域を対象に、機械学習（ML）を活用した新しい地理空間液状化モデル（GLMs）を開発・検証し、85 種類の地震シナリオに基づいた高解像度の液状化ハザード予測とインフラへの影響評価を行った研究です。

以下に、問題提起、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 問題提起 (Problem)

近年の大地震（トルコ、ニュージーランドなど）は、土壌の液状化が甚大な人的・物的被害、インフラ損傷、サービス停止を引き起こすことを示しました。米国太平洋北西部（ワシントン州、オレゴン州）は、地殻内、スラブ内、沈み込み帯（カスケード沈み込み帯）の地震のすべてが発生する可能性があり、液状化ハザードに対して特に脆弱です。

しかし、従来の液状化ハザード予測には以下の課題がありました：

• 大規模適用の困難さ: 従来の工学的モデル（CPT：コーン貫入試験データに基づくモデル）は、現場の地盤データに依存するため、広域にわたって連続的に適用することが不可能です。
• 既存の地理空間モデルの限界: 既存の地理空間モデル（例：Zhu et al., 2017; Rashidian & Baise, 2020）は、以下の点で限界がありました。
  • 液状化のメカニズム（力学）を十分に反映していない。
  • 既存の地盤データを活用していない。
  • 利用可能な地理空間データの活用が不十分。
  • 線形統計手法（ロジスティック回帰など）を用いており、複雑な非線形関係を捉えきれていない。
  • ユーザーが容易に適用できるパッケージ化されたモデルとして提供されていない。

2. 手法 (Methodology)

本研究では、Sanger et al. (2025) が開発した新しい「地理空間液状化モデル（GLMs）」を採用し、以下のプロセスで予測を行いました。

• モデルの基盤（代理モデル）:
  • 37,000 件以上の CPT データ（全球および地域データ）を用いて、3 つの標準的な工学的モデル（LPI, LPIISH, LSN）を機械学習で「代理（Surrogate）」するモデルを構築しました。
  • これにより、物理的なメカニズムに基づいた予測が可能になります。
• 入力変数（特徴量）:
  • 全球規模で利用可能な 37 種類の地理空間変数（標高、地質、地下水深、河川からの距離、土壌の砂分・粘土分など）を特徴量として使用しました。
• 機械学習アルゴリズム:
  • バギング決定木アンサンブル（Bagged Decision Tree Ensemble）を採用し、過学習を防ぎながら複雑な非線形関係を学習させました。
• 地統計学的更新（Regression Kriging）:
  • 機械学習による予測値を、既知の CPT データ地点での残差を用いて回帰クリギング法で補正しました。これにより、データがある地点では実測値に基づいた高精度な予測となり、データがない地点では ML モデルの予測が適用されます。
• シナリオ地震の適用:
  • USGS のカタログから、ワシントン州とオレゴン州の 85 種類の地震シナリオ（地殻断層、沈み込み帯 M9.0 など）を選択。
  • 各シナリオの地震動（PGA）を入力し、液状化による地表変形（PGF: Probability of Ground Failure）の確率を算出しました。
  • 3 つの工学的モデル（LPI, LPIISH, LSN）の予測を平均化した「アンサンブルモデル」を主要な指標として使用しました。

3. 主要な貢献 (Key Contributions)

• メカニズムに基づく高精度な地理空間予測: 従来の統計的アプローチではなく、工学的メカニズムを学習させた ML 代理モデルを採用し、地盤データがない地域でも物理的に整合性のある予測を可能にしました。
• ハイブリッドな予測アプローチ: 機械学習の汎用性と、実測地盤データによる地統計学的更新を組み合わせ、地域スケールでの予測精度を向上させました。
• 実用的なハザード・影響予測ツールの公開: 85 種類の地震シナリオに対する高解像度の液状化ハザードマップと、それに基づくインフラ脆弱性評価の結果を、GIS 対応の公開リポジトリ（DesignSafe）として提供しました。
• 多様な応用可能性の提示: 避難経路計画、ネットワーク脆弱性分析、土地利用計画、保険損失モデルなど、多様な意思決定プロセスへの適用可能性を実証しました。

4. 結果 (Results)

• モデル性能の検証:
  • 2001 年のニスクアリー地震（M6.8）の事例データを用いた検証において、GLM は既存の州レベルのモデル（RB20）よりも優れた性能を示しました（ブライアースコアの低下）。
  • 全球的な「未見（Unseen）」データセット（プエルトリコ、リッジクレスト、トルコの地震）を用いた検証でも、GLM は RB20 を有意に上回る精度（Cohen's d で約 1.5 標準偏差の改善）を示しました。
• 地域別ハザード特性:
  • ポートランド（ポートランド・ヒルズ断層 M7.1）: コロンビア川とウィラメット川の合流部、特にパール地区などの沿岸部で液状化リスクが極めて高く、重要なインフラが集中しています。
  • シアトル（シアトル断層帯 M7.5）: エリオット湾やデュワミッシュ川沿いの低地、工業地域で高いリスクが予測されました。
  • カスケード沈み込み帯（CSZ M9.0）: 広域にわたる液状化リスクがありますが、都市部（ポートランド、シアトル）の局所的なハザードは、地殻断層地震に比べてやや低い傾向（最大 25% 低下）が見られました。ただし、影響範囲は広大です。
• インフラ・人口への影響:
  • インフラ: 多くの橋梁（特に河口域や低地）や土堰堤が CSZ 地震で液状化リスクにさらされることが示されました。
  • 人口: 人口密度が高い地域ほど液状化リスクが高い相関があり、M9.0 シナリオでは 400 万人以上が 50% 以上の地表変形確率にさらされる可能性があります。
  • 避難計画: バンドン市（オレゴン州）の事例では、津波避難経路が液状化リスクの高い地域と交差する可能性が示され、代替ルートの必要性が浮き彫りになりました。

5. 意義と結論 (Significance and Conclusions)

本研究で開発された GLM は、従来の地域規模の液状化モデリングの課題を克服し、以下の点で重要な意義を持っています：

1. 意思決定の支援: 災害シミュレーション、避難計画、インフラの優先順位付け、土地利用規制など、政策立案者や緊急対応担当者が即座に活用できる定量的なツールを提供します。
2. データ不足地域への対応: 地盤データが乏しい地域でも、物理モデルと地理空間データを組み合わせることで、実用的なハザード予測を可能にしました。
3. 将来のレジリエンス向上: 広域かつ詳細なハザードマップは、地震に対する社会のレジリエンス（回復力）を高めるための基盤データとなります。

将来的には、リアルタイムの地下水データやより詳細な構造物データの統合による精度向上が期待されますが、現状のモデルでも、地域規模の液状化ハザード評価と影響予測において、既存手法を大きく凌駕する有用なツールであることが実証されました。