Uneven Global Distribution and Machine Learning–Based Characterization of Landslide Events

土砂崩れは自然界で最も破壊的な力のひとつであり、富裕層の国々や発展途上地域の双方において、道路を飲み込み、家屋を埋没させ、命を奪う力を持っています。これらは偶然に起こるものではありません。特定の条件が重なり合った結果なのです。急峻な地形、不安定な岩層、そして建設や森林伐採といった人間活動が、脆弱な基盤を作り出します。そして、豪雨や地震といった引き金が訪れると、地面が崩落します。数十年にわたり科学者たちはこれらの事象を研究してきましたが、その研究の多くは特定の局所的な領域に焦点を当てたものでした。真にグローバルな全体像を把握するためには、数千もの事象をまとめて見たときに浮かび上がるパターンを見出す方法が必要でした。これには、膨大な記録の収集、すなわち、単にいつどこで滑落が起きたかだけでなく、それがどの程度の規模であり、どれほどの人々に影響を与えたのかを追跡するグローバルなインベントリ（目録）が必要となります。このようなデータセットがあれば、科学者たちは推測を超え、リスクの真の姿を見通すことができるようになります。

米国の大学にまたがる研究チームは、これらの大きな問いに答えるために「グローバル・ランドスライド・カタログ（世界的な土砂崩れ目録）」に着目しました。このカタログは、1996年から2016年までに報告された土砂崩れ事象の包括的な記録であり、2,217件の文書化された事例を含んでいます。研究チームの目的は次の土砂崩れを予測することではなく、むしろ、これらの数字がどのような物語を語っているのかを理解することでした。彼らは、これらの事象の頻度が時間の経過とともにどのように変化したか、地図上のどこに集まっているか、そして土砂崩れの規模がその場所や時期に基づいて予測できるかどうかを調査しました。これを行うために、彼らは機械学習、つまりコンピュータが明示的なルールをプログラムされなくてもデータの中にあるパターンを認識することを学ぶ手法を適用しました。彼らは、事象の発生年、地理的座標、およびその地域の人口密度といったカタログに含まれる情報に基づき、土砂崩れを「小・中・大」のサイズカテゴリーに分類できるかどうかを検証するために、いくつかの異なるコンピュータモデルをテストしました。

結果は、不均衡な分布という明確な姿を描き出しました。土砂崩れは世界中にランダムに散らばっているわけではありません。特定の地域に密接に集まっています。これらのホットスポットは、急峻な山岳地帯、多量の降雨、そして活発な地殻変動で知られる地域と完璧に一致しています。データはまた、調査期間中に報告された事象の数の増加も示しました。研究者たちは、この増加は複数の要因によるものだと示唆しています。それは、危険な場所に住む人々が増えたこと、より極端な天候をもたらす気候変動、そしてこれらの事象の報告や記録方法の改善です。チームが滑落の規模に目を向けると、中規模の事象が報告の大部分を占めており、真に巨大で壊滅的な滑落は比較的まれであることがわかりました。この不均衡はリスクを理解する上で極めて重要です。なぜなら、たとえ発生頻度が低い大規模な事象であっても、不釣り合いなほどの被害や人命損失を引き起こす可能性があるからです。

研究者たちは次に、難しい問いを投げかけました。「コンピュータモデルは、時期と場所を見るだけで、小さな土砂崩れと大きな土砂崩れを区別することを学習できるだろうか？」彼らは、ランダムフォレストやサポートベクターマシンを含む4つの異なる機械学習システムにデータを投入しました。また、複雑なデータを多くの変数から少数の主要なパターンへと組み合わせることでデータを簡素化する「主成分分析」という手法も試みました。これは、モデルをより賢くすることを期待しての試みでした。結果は控えめなものでした。最良のモデルでも、土砂崩れの規模を正しく分類できたのは、わずか58〜60パーセント程度でした。これは複雑な問題に対するランダムな推測とほとんど変わらないレベルです。コンピュータモデルにとって、発生した年は最も有用な手がかりとなりましたが、死亡者数の報告は規模の予測にはほとんど役立ちませんでした。これは、死亡者数は事象の結果であり、規模の原因ではないため、理にかなっています。

おそらく最も示唆に富む発見は、データの簡素化が助けにならなかったことでした。研究者たちは、変数の数を減らすことでパターンが明確になると期待していましたが、実際にはその逆が起こりました。モデルは、簡略化されたバージョンよりも、元の詳細なデータを使用したときの方がわずかに性能が向上しました。このことは、個々の事象の具体的な詳細が重要であること、そして土砂崩れの規模を理解するために必要な情報は、データを圧縮すると失われてしまう多くの異なる要因に分散していることを示唆しています。モデルが苦戦したもう一つの理由は、異なるサイズカテゴリーがデータ内で大きく重複していることです。ある場所での中規模の土砂崩れは、基本となる場所と時間のみを見た場合、別の場所での大規模なものと非常によく似て見えるのです。

本研究は、グローバル・ランドスライド・カタログは強力なツールではあるものの、限界があることを結論づけています。このカタログは、世界的な土砂崩れ活動の概略を把握するための貴重なリソースですが、特定の事象について精密な予測を行うために必要な詳細な環境データが欠けています。データは不完全であり、報告も偏っているため、コンピュータがゲームの正確なルールを学習することを困難にしています。研究者たちは、将来の研究はこれらのギャップを埋めることに焦点を当てなければならないと強調しています。リスクを真に評価し、より優れたモデルを構築するためには、土壌、天候、および現地の地形に関する詳細な情報を含む、より完全な記録が必要です。それまでは、私たちの理解は、見えるパターンに導かれつつも、まだ捉えきれていない詳細によって制限されたままの、進行中の作業であり続けるでしょう。