Physically interpretable flood susceptibility mapping using spatial cross-validation and SHAP-derived environmental thresholds: A statistically validated framework

ヒマラヤの麓、険しく岩だらけの山々と平坦で肥沃な平野が交わる場所では、水は生命を育む力と、すべてを破壊する力の両面を持ち合わせる挙動を見せます。シワリク・テライとして知られるこの移行帯は、激しいモンスーンの雨によって増水した河川が、侵食された丘陵地から大量の堆積物を運んでくる場所です。これらの河川が平地に到達すると、流れは緩やかになり、砂やシルトの負荷を落とし、しばしば堤防を越えて、その経路に沿って並ぶ村々や農地を冠水させます。数十年にわたり、科学者たちは次にどこで洪水が発生するかを予測しようと試みてきました。彼らは、地面の傾斜、場所の河川からの距離、その地域への降水量といった要因を分析し、過去の出来事から学習するコンピュータプログラムを使用しています。しかし、これらのコンピュータモデルはしばしば「ブラックボックス」のように振る舞います。つまり、結果は提示するものの、なぜその結論に至ったのかという理由を説明せず、地図上でたまたま近くに存在するパターンを、洪水を引き起こす真の原因と混同してしまうことで間違いを犯すことがあるのです。

新しい研究は、ネパール南東部のトリユガ川流域に焦点を当てています。この地域は、こうした課題を完璧に体現しています。研究者たちは、精度が高いだけでなく、透明性があり、地形の物理的な実態に基づいた洪水予測システムを構築することを目指しました。単一のコンピュータアルゴリズムに頼るのではなく、彼らは、その地域の洪水の歴史から最も効果的に学習できるのはどの手法であるかを確認するために、4つの異なる手法をテストしました。極めて重要なのは、コンピュータが単に地図を暗記するのではなく、地形のルールを実際に学習するように、彼らがテストプロセスを設計したことです。これらの厳格なテストと、どの環境要因が予測を左右しているのかを正確に明らかにする技術を組み合わせることで、彼らは危険な領域を特定する新しい方法を作り出しました。その結果、単に洪水の確率を示すだけでなく、洪水が発生するために存在しなければならない特定の、測定可能な条件（例えば、河川から一定の距離以内にあることや、特定の標高以下にあることなど）を強調するマップが完成しました。

研究は、2014年から2025年の間に実際に洪水が発生した場所に関するデータの入念な収集から始まりました。チームは、衛星画像と歴史的記録を通じて検証された、過去の洪水地点240箇所を収集しました。コンピュータに「安全なエリア」とは何かを教えるためには、「非洪水」地点のセットを作成する必要がありました。これは洪水科学において非常に難しいステップです。なぜなら、真の安全地帯を定義することは困難だからです。昨年洪水が起きなかった場所が、来年には起きるかもしれません。研究者たちは、安全な地点の探索範囲を、「洪水が起こり得る物理的条件を備えているが、今回は発生しなかったエリア」に限定することで、この問題を解決しました。彼らは、河川に近く、かつ低地である地形を探しましたが、河川の流路自体は除外しました。その後、ロジスティック回帰と呼ばれる統計的手法と、ランダムフォレスト、XGBoost、サポートベクターマシンとして知られる3つのより複雑な機械学習モデルを用いて、4つの異なるコンピュータ学習手法をテストしました。

結果の信頼性を確保するため、研究者たちはデータを単にランダムに分割したわけではありませんでした。彼らは「空間的交差検証」と呼ばれる手法を用い、地図を5つの明確な地理的ブロックに分割しました。コンピュータは4つのブロックから学習し、5番目のブロックでテストを行い、これらをすべての組み合わせで回転させて実施しました。これにより、モデルが洪水の根本的な原因ではなく、特定の場所を単に学習してしまうことを防いでいます。テストを実行したところ、ツリーベースのモデルであるランダムフォレストとXGBoostが最も優れた性能を示し、AUC 0.905を達成しました。驚くべきことに、より単純なロジスティック回帰モデルもほぼ同等の性能を示しました。これは、この地域における洪水の法則が、それほど複雑なものではないことを示唆しています。4番目のモデルであるサポートベクターマシンは、著しく低い性能であったため、この特定の地形には適さないツールであることが判明しました。

この研究における最も重要な突破口は、研究者がコンピュータに対して「その決定を説明せよ」と求めた時に訪れました。モデルの論理を分解するSHAPと呼ばれる手法を用いることで、彼らは5つの特定の環境要因が洪水の主要な要因であることを発見しました。コンピュータは、河川から226メートル以内にいること、標高が119メートル未満であること、傾斜が4.57度より緩やかであること、地形湿潤指数が8.33より高いこと、そして年間降水量が1,359ミリメートルを超えていることが、決定的な閾値（しきい値）であることを特定しました。これらは曖昧な推測ではありません。これらは、リスクが劇的に変化する精密な境界線です。例えば、226メートルという距離は、河川の活動的な氾濫原の典型的な幅と密接に一致しており、119メートルという標高は、急峻な丘陵から水が溜まりやすい平野へと移行する境界を示しています。

研究者たちは、これら5つのルールを一つの理解しやすい指標へと統合しました。彼らは、すべての場所に対して、これら5つの決定的な条件のうちいくつを満たしているかに基づいてスコアを付けるマップを作成しました。条件を一つも満たさない場所はリスクが非常に低いと見なされ、5つすべてを満たす場所は極めて危険なハザードとして分類されます。結果は驚くべきものでした。この新しいマップを過去の洪水の記録と照らし合わせたところ、過去の洪水地点の85パーセントが、少なくとも3つの閾値を満たすエリアに該当することが分かりました。さらに重要なことに、5つの条件すべてを満たす場所は、条件を一つも満たさないエリアと比較して、洪水の発生経験が141倍も高かったのです。これは、この地域における洪水が、降雨や河川からの距離といった単一の要因ではなく、複数の特定の条件が同時に存在することによって引き起こされることを証明しています。

また、本研究は、コンピュータが確信を持てなかった場所を示すマップも作成しました。これらの高い不確実性を持つエリアは、主に平坦な氾濫原と、わずかに高い段丘が接する境界部分に見られました。これらの移行帯では、環境条件が曖昧であるため、どのようなモデルであっても確信を持つことが困難になります。研究者たちは、これらの場所こそが、将来のモニタリング活動に注力すべき場所であると示唆しています。なぜなら、そこはリスクが最も動的な境界を表しているからです。これらのゾーンを特定することで、本研究は、より良いデータ収集や早期警戒システムのために、どこに資源を投入すべきかという明確なガイドを提供します。

この研究は、データが乏しい山岳地帯における洪水リスク管理の新しいテンプレートを提示しています。論理を説明することなく複雑なアルゴリズムに依存してきた従来の研究とは異なり、このアプローチは、現地の計画立案者が理解し活用できる透明性の高いルールを提供します。今回の知見は、トリユガ川流域において、洪水の危険性が謎めいた、あるいは予測不可能な力によるものではなく、土地の物理的な形状と降水量によって支配されていることを裏付けています。本研究は、厳格なテストと説明可能な人工知能（XAI）を組み合わせることで、科学的に堅牢であり、かつ実用的な洪水マップを作成できることを証明しました。ここで開発されたフレームワークは、他の河川流域にも適用可能であり、広範な歴史的データや複雑な水理モデルを必要とせずに、危険なエリアを特定し、土地利用の決定を導くための信頼できる手段となります。