Scenario-driven flood resilience assessment and critical node identification for urban road networks

技術要約：シナリオ駆動型洪水レジリエンス評価および都市道路ネットワークにおけるクリティカルノードの特定

問題提起
都市道路ネットワークは、洪水発生時における避難、救助、および復旧のための極めて重要なライフラインである。しかし、既存のレジリエンス評価は単一の洪水シナリオに依存することが多く、クリティカルノードの特定も主にトポロジー上の重要性（例：媒介中心性）に基づいているが、実際の洪水曝露（exposure）を軽視しがちである。これにより、異なる降雨パターンがネットワークのレジリエンスにどのように影響を与えるかを理解する上でギャップが生じ、限られた予算の下で洪水対策の強化を優先するための定量的な根拠を提供できていない。具体的には、以下の3つの重要な問いが未解決のままである：異なる観測された降雨型（hyetograph）によってレジリエンスがどのように乖離するか、局所的な浸水がいかにしてネットワーク全体の接続性の喪失へと増幅されるか、そして、構造的重要性と実際の洪水曝露を効果的に組み合わせることで、真に強化すべきノードをいかに特定するか。

手法
著者らは、成都の環状高速道路内の道路ネットワーク（面積約600 km²、ノード数64,479）に適用される4層のフレームワークであるSDRI（Scenario-driven Dynamic Resilience assessment and two-criterion critical node Identification：シナリオ駆動型動的レジリエンス評価および2基準によるクリティカルノード特定）を提案している。

1. 洪水進化シナリオ： 本研究では、同一の固定ネットワークに対して、3つの異なる観測された極端な降雨型（hyetograph）を利用している：

   • S1 (成都 8・16): マルチピーク型の集中豪雨。
   • S2 (鄭州 7・20の転用): 短時間かつ集中した降雨。
   • S3 (北京 23・7の転用): 長時間持続する降雨。
     2次元流体モデルを用いて、時間ごとの水深をシミュレートする。ノードの故障ルールとして、水深が0.3 mを超えた場合にノードが故障（乗用車にとって危険な状態）すると定義し、高架道路は故障から除外する。復旧は、自然な減水および降雨停止後の標準的な緊急排水率（10 mm/h）を介してモデル化される。

2. 動的レジリエンス指標システム： ネットワークの性能は、最大連結成分（LCC）に含まれるノードの割合によって測定される。得られた動的レジリエンス曲線から、以下の5つの指標を抽出する：

   • 閾値超過時間（Threshold-crossing times）： パフォーマンスレベル（0.8, 0.5）を下回るまでの時間。
   • レジリエンスの谷（Resilience trough）： 最小パフォーマンス値。
   • 回復時間（Recovery time）： 特定のパフォーマンスレベルに戻るまでの時間。
   • レジリエンス損失（Resilience loss, RL）： 評価期間中における、パフォーマンス曲線と理想的なレベル（1.0）との間の面積。
   • 断片化増幅比（Fragmentation amplification ratio, A）： 接続性の損失が、故障したノードの直接的な割合をどの程度上回るかを定量化する。

3. 2基準によるクリティカルノード特定： ノードは、以下の2つの独立した基準に基づいてスクリーニングされる：

   • 構造的基準（Structural Criterion）： 長さで重み付けされた媒介中心性。
   • 曝露基準（Exposure Criterion）： 持続的な曝露。これは、3つのシナリオすべてにおいて、あるノードが浸水体験した最小の浸水時間として定義される（これにより、様々なパターンに対して脆弱であることを保証する）。
     この手法では、「持続的曝露プール」の中から構造的重要度によってランク付けされた上位 $k$ 個のノードを選択する。

4. 強化のリプレイ（Reinforcement Replay）： 選択されたノードを仮想的に「洪水対策済み（浸水しても機能する状態）」に設定し、強化をシミュレートする。その有効性は、ベースラインと比較したレジリエンス損失（$\rho$）の減少量によって評価され、構造のみ、曝露のみ、およびランダム選択を含む戦略に対してテストされる。

主な結果

• 乖離するレジリエンスプロセス： 3つの降雨パターンは、それぞれ異なるレジリエンスの軌跡を示した：

  • S2 (集中型): 瞬間的な崩壊と反発。最も深い谷（0.290）を記録したが、回復は早かった。
  • S1 (マルチピーク型): 振動的な崩壊。S2よりも浅い谷であったものの、早期に崩壊し、低いパフォーマンスレベルが長く続いたため、最大のレジリエンス損失（40.4）を記録した。
  • S3 (持続型): 持続的な抑制。パフォーマンスは0.5を下回ることはなかったが、期間中ずっと抑制された状態が続いた。
  • 知見： 単一の指標（例：谷の深さ）ではプロセス全体を特徴付けることはできない。総降雨量だけでレジリエンス損失を予測することは不可能である。

• 断片化の増幅： 局所的な浸水は、ネットワーク全体の接続性の損失へと増幅される。レジリエンスの谷において、断片化増幅比はすべてのシナリオで約3.1〜3.5であった。これは、故障したノードが1%増加するごとに、生存しているノードがLCCから切り離されるため、ネットワークの性能が約3%低下することを意味する。

• 構造と曝露のミスマッチ： 構造的重要度（媒介中心性）と洪水曝露は、ほとんど相関していない（順位相関係数 ~0.03）。トポロジー的に重要なノードはしばしば高地に位置して乾燥している一方で、持続的に浸水するノードは構造的に周辺部にあることが多い。

• 強化の有効性：

  • 2基準による選択： 2基準法によって特定された1,000個のノード（ネットワークの1.6%）を強化した場合、シナリオ全体でレジリエンス損失を**22.3%〜28.4%**減少させた。
  • 比較： この性能は、構造のみによる選択（2.7%〜4.0%）よりも5倍以上優れており、ネットワーク全体からのランダム選択（23倍以上）よりもはるかに効果的であった。
  • 予算への感度： 非常に小さな予算（$k < 500$）の場合、曝露の深刻さのみに基づく選択が2基準法を上回った。しかし、中規模から大規模な予算（$k \ge 500$）においては、2基準法が優位となり、予算規模とともにその効果も向上した。

意義と主張
本論文は、限られた予算の下で洪水対策の強化を優先するための、検証可能で定量的な根拠を提供すると主張している。その主な貢献は以下の通りである：

1. 手法の統合： 道路ネットワークの洪水レジリエンスは、降雨の時間的構造、地形、およびネットワークのトポロジーによって共同で形成されることを示している。純粋なトポロジー的視点だけでは、レジリエンスの評価や強化の指針としては不十分である。
2. 特定戦略： 最も効果的な強化対象は、最もトポロジー的に中心的なノードでも、単に最も浸水しやすいノードでもなく、構造的重要性と洪水曝露が交差する特定のサブセットであることを確立した。
3. 定量的エビデンス： 局所的な故障がトポロジー的な断片化によって増幅されること（係数約3）を実証しており、たとえそれらが最も浸水していなくとも、ネットワークを維持するために重要なノードを保護することの正当性を裏付けている。
4. 実用的なガイダンス： 提案された2基準のリストは、洪水対策の優先順位付けのための直接的かつ堅牢な根拠を提供しており、水文学的シミュレーションとネットワーク・トポロジーを組み合わせることが、従来の中心性ベースのアプローチよりも大幅に高い投資収益率をもたらすことを示している。

著者らは、性能指標として交通流ではなく接続性を用いていること、排水モデルが一般化されていること、および単一の都市ネットワークと3つの特定の嵐に依存していることなどの限界についても言及している。今後の課題として、交通流割り当て、詳細な下水道・ポンプ場のデータ、および他の都市での検証を取り入れることを提案している。