Causal Effect Exploration of Landslide Susceptibility in Chongqing Using a T-Learner

中国南西部の険しく山がちな風景の中では、時に大地が突如として破壊的な力とともに動くことがあります。地滑りは、これらの急峻な谷間に住む人々の命、住居、そしてインフラにとって、絶え間ない脅威となっています。何十年もの間、科学者や技術者は、次にどこで災害が発生するかを予測するためにコンピュータモデルに頼ってきました。これらのモデルはパターンを見つけ出すことには非常に長けています。例えば、斜面の傾斜、降水量、あるいは土壌の下にある岩石の種類といった要因を分析することで、地図上のある地点を見て「この場所は危険そうだ」と言うことができます。しかし、パターンの発見と原因の理解の間には、決定的な違いがあります。地滑りが傾斜の急な場所で頻繁に起こるということを知っているだけでは、もし傾斜を変えることができたら、あるいは土壌中の水分量を変化させることができたら、何が起こるのかを自動的に教えてくれるわけではありません。リスクを真に管理するためには、単に地滑りと何が関連しているかを知るだけでなく、介入によってリスクがどのように増減するかを知る必要があるのです。

これは、重慶理工大学、重慶教育大学、および北京大学の研究チームが取り組んだ課題です。彼らは、劇的な地形と急速な都市成長で有名な重慶の調査に焦力を注ぎました。そこは、自然と人間の活動が交差して、新しい現象理解の方法をテストするための完璧な実験室となっています。彼らは単にどの要因が地滑りを予測するかを問うのではなく、「もし特定の環境要因を変化させることができたら、地滑りのリスクはどう変わるか？」という、より困難で異なる問いを投げかけました。これに応えるため、彼らは標準的な予測ツールを超え、「T-learner」として知られる手法を適用しました。このアプローチにより、研究者は「もし〜だったら」というシナリオをシミュレートし、例えば激しい降雨のようなある要因が高いレベルにある場合と低いレベルにある場合のリスクの差を、景観に存在する他のすべての条件を慎重に考慮した上で推定することができます。

研究者たちは、半分が地滑りが発生した場所、もう半分が発生しなかった場所を含む、3万件以上の記録を含む膨大なデータセットから研究を開始しました。彼らは、地形の高さや斜面の角度から、土壌や植物からの蒸発量、河川への距離、そして下層にある岩石の種類に至るまで、各地点について17種類の異なる情報を収集しました。強力なコンピュータ学習アルゴコール（アルゴリズム）を用いて、彼らはまず、地滑り地点と安全な地点を区別するパターンを認識するためのモデルを訓練しました。このモデルは非常に精度が高く、テストデータにおいて地滑りが発生する場所を高い成功率で正しく特定しました。しかし、チームは、高い精度だけでは原因を明らかにしないことを知っていました。モデルは、道路自体が滑りを引き起こすのではなく、単に急斜面に道路が建設されているために、地滑りが道路の近くで起こると学習してしまう可能性があるからです。これを解きほぐすために、彼らはT-learnerを使用して、各要因を変化させた際の影響の平均値を推定しました。

結果は、この地域における地滑りリスクを駆動する要因について、微細な視点を提供しました。分析によれば、推定された反事実的リスク差（counterfactual risk differences）が最も大きかった3つの要因は、蒸発散量、降水量、および標高でした。蒸発散量は、土壌や植物から空気中へどれだけの水分が移動しているかの尺度であり、本研究では、このプロセスが高いレベルにある領域は、地滑りの予測リスクが低いことに関連していました。同様に、高い標高と高い総降水量も、彼らの特定のモデルにおいては低リスクに関連付けられていました。研究者たちは、降水量に関するこの知見を、降水量を増やすという介入の推奨事項として直接翻訳すべきではないと警告しました。彼らは、この結果はおそらく即時的なトリガーではなく、長期的な条件を反映しているものであると説明しました。おそらく、年間降水量が多い地域には、土壌を保持するのに適応した植生があるか、あるいは、データが即時の崩壊を引き起こす突然の嵐とは異なる水循環の側面を捉えている可能性があります。対照的に、降水の強度（雨が降る速さ）は正の効果を示しました。これは、より速く激しい雨が、より高いリスクに関連していることを意味しており、地滑りがどのように引き起こされるかという一般的な理解と一致しています。

また、本研究は、コンピュータモデルが何を重要と判断するかと、実際に何がリスクの変化を引き起こすかとの間の決定的な違いを浮き彫りにしました。研究者たちは、新しい「もし〜だったら」という推定値と、単にモデルの予測にどの程度寄与するかによって要因をランク付けするSHAPと呼ばれる標準的な手法を比較しました。標準的なランキングでは、蒸発散量が最も重要な要因であり、次いで降水量、標高の順でした。順序は似ていましたが、その意味は異なっていました。標準的な手法は、これらの要因が地滑りの発生を推測する上で最適であることを示していました。一方、新しい手法は、もしこれらの要因を変化させることができれば、リスクは大きく変動することを示唆していました。例えば、本研究では、蒸発散量の推定リスク差は、地滑り科学において伝統的に最も重要と考えられている要因である「斜面」よりも大きいことが分かりました。しかし、研究者たちは、このパターンはこれらの変数が斜面よりも強い直接的な因果関係を持つことを証明したものではないと明示的に述べています。処置の定義、空間的な共変性、および未測定の交絡因子が相対的なランキングに影響を与える可能性があるため、これらの結果は決定的な因果力の証明ではなく、さらなる検証のための仮説として捉えられるべきものです。

これらの興味深い知見にもかかわらず、研究者たちは自らの研究の限界を定義することに慎重でした。彼らは、本研究が、経年変化を追跡するのではなく、一度に収集されたデータを用いた「ある時点でのスナップショット」であることを強調しました。そのため、ある要因が別の要因を確実に引き起こすと証明することはできず、また、土壌の種類や過去の人間のエンジニアリングといった隠れた要因が、環境条件と地滑りリスクの両方に影響を与えた可能性を排除することもできませんでした。また、彼らの結果は重慶の山岳・湿潤環境に特有のものであり、乾燥した砂漠や平原には適用できない可能性があることも指摘しました。本研究は強力な探索的枠組みとして機能しており、単純な予測を超えて、原因と結果に関するより深い問いを投げかけることができることを示しています。それは、将来の地滑り防止の取り組みが水循環や植生を注視すべきであることを示唆していますが、エンジニアが具体的に何を建設すべきか、あるいはどこを掘削すべきかを指示するまでには至っていません。むしろ、本研究は、将来の調査が時間の経過に伴う変化を追跡し、これらの推定された効果が現実の世界で真実であるかどうかを確認できるようにするための、新たな仮説のセットを提供しているのです。

この研究の究極の価値は、予測のシグナルと原因のシグナルを分離する能力にあります。高度な統計的手法を現実世界の課題に適用することで、チームは、災害を予測するために使用する要因が、必ずしもそれを防ぐために標的とすべき要因とは限らないことを証明しました。彼らは、コンピュータが極めて高い精度で危険な斜面を見つけることができる一方で、その斜面がなぜ危険なのかを理解するには、異なる種類の思考が必要であることを示しました。研究は、重慶における地滑りの因果関係の謎を解明したと断言することはまだできないものの、雨、土壌、そして斜面の間の複雑な関係を理解するための大きな一歩を踏み出したと結論付けています。この新しい視点は、より良いデータとより厳格なテストによってこれらの因果関係を検証することを優先する、将来の研究へのロードマップを提供しており、最終的にはこれらの困難な景観におけるコミュニティをより安全なものへと導くものです。