Monte Carlo Positive-Unlabeled Two-Step Learning for Landslide Susceptibility Mapping under Inventory Uncertainty: Comparison with Hard-Threshold PU Two-Step and EIV in Northern Morocco

モロッコ北部の険しく、雨に洗われる山岳地帯では、地面は生きている、変化し続ける実体である。急峻な斜面、複雑な地質、そして季節的な豪雨が組み合わさり、地滑りは頻繁かつ危険な現実となっている。計画立案者や安全管理当局の目標は、どこで再び地盤が崩れやすいかを示す地図を描くことである。これは単なる推測の問題ではない。統計的な挑戦である。地滑りが起こりうる場所を予測するモデルを構築するために、科学者には2つのものが必要である。すなわち、すでに地滑りが発生した場所のリストと、地面が安定している場所のリストである。最初のリストを見つけるのは容易である。しかし、2つ目のリストは罠である。特定の場所で地滑りが記録されていないからといって、その地面が安全であるとは限らない。単に地滑りが見逃されたのか、植生に隠されているのか、あるいは古すぎて判別できないだけかもしれない。「記録されていない場所」を確定した「安全」地帯として扱うことは、部屋の中に誰もいないのが見えないからといって、誰かがクローゼットの中に隠れている可能性を無視して、部屋が空であると仮定するようなものである。この不確実性が、コンピュータに安定した地面と、単に滑るのを待っているだけの地面を区別させることを極めて困難にしている。

モロッコの研究チームは、これら「欠落した」地滑りを扱う新しい方法を開発することで、この問題に取り組んだ。未記録の地点をすべて安全だと強制的に決定させるのではなく、彼らは不確実性を受け入れる手法を作り出した。彼らは、急峻な地形と頻繁な斜面崩壊で知られるリフ山脈において、この新しいアプローチ（MC-PU-2Sと呼ばれる）を2つの既存の手法と比較検証した。研究では、2,300件以上の既知の地滑り地点を含む、約6,000件の観測データを用いた。残りの数千の地点については、地面の状態が不明であった。テストデータに過学習（暗記）することを防ぐ厳格なテストプロセスを通じてモデルを実行した結果、研究者たちは、彼らの新手法がより明確で信頼性の高いリスクの全体像を生み出すことを発見した。古い手法は、ほとんどの景観を危険であるとラベル付けしてしまい、高リスクと低リスクの境界を曖昧にする傾向があったが、新手法は両者をうまく分離し、単なる危険の地図ではなく、「確信度」の地図を提供した。

問題の核心は、従来のモデルが「負のクラス」、すなわち安全であると想定される地点をどのように扱うかに存在する。多くの研究では、研究者は単に既知の地滑りから離れた地点をランダムに選び、「ここは安全である」とコンピュータに教える。今回の研究は、これが欠陥のある仮定であると主張している。もしある地点が実際には不安定であるにもかかわらず、まだマッピングされていないだけだとしたら、コンピュータは間違った教訓を学んでしまう。研究者たちは、この「欠落」を扱う3つの異なる戦略を比較した。第一に「拡張情報価値法（Enhanced Information Value method）」として知られる手法は、予備的なモデルに基づいて最も安全な地点をフィルタリングし、リスクが極めて低いエリアを選び出そうとする。第二の「PU Two-Step」は、厳格なカットオフポイントを用いる。ある地点が特定のスコアに従って十分に安全に見える場合は安全とラベル付けし、少しでも安全性に欠ける場合は除外するというものである。これら両方の手法は、現実世界には存在しないかもしれない明確な二値の選択を強いるものである。

研究者たちの新しい手法であるMC-PU-2Sは、異なる道を歩む。硬い線を引く代わりに、すべての未知の地点に対して確率を割り当てるのである。それは、「この地点が本当に安全である確率はどの程度か？」と問い、答えを白か黒かではなく、グレーの濃淡として許容する。これを行うために、コンピュータは何百回ものシミュレーションを実行する。各シミュレーションにおいて、コンピュータはその確率に基づいて、特定の未知の地点を「安全」として扱うか「安全ではない」として扱うかをランダムに決定する。その後、これらのシナリオごとに予測モデルを構築する。最後に、これら数百のモデルを平均化する。このプロセスによってエラーが平滑化され、どの予測が堅実で、どの予測が不安定であるかが明らかになる。結果として得られるのは、単一の感受性マップではなく、一連の成果物である。すなわち、平均的なリスクを示すマップ、予測がシミュレーション間でどのように変動するかを示すマップ、そしてモデルが判断を下せなかった領域を強調するマップである。

研究者たちが結果を比較したとき、その差は顕著であった。古い手法は、調査エリア内のほぼすべての地点を地滑りの高リスクとして分類するマップを作成した。コンピュータはいたるところで「危険」と叫んでいるような状態で、これは計画立案には役に立たない。しかし、新手法はよりバランスの取れた視点を提供した。多くのエリアが確かにリスクを孕んでいる一方で、かなりの部分の景観が安定していることを正しく特定したのである。新モデルは、この両者を区別することにおいてはるかに優れており、その予測は実際のデータとより密接に一致していた。また、古いモデルの大きな欠陥も修正した。それらの確率推定は圧縮され偏っていたため、AUC 0.9とAUC 0.6を正確に区別することができなかった。新手法はこれらの確率を分散させ、より微細な理解を可能にした。

おそらくこの新しいアプローチの最も価値のある出力は、不確実性を特定できる能力である。研究によれば、領域の約23パーセントにおいて、モデルは地面が安全か安全でないかを自信を持って判断できなかった。これらは、分類が決定線のすぐそばで揺れ動いている地点である。従来のマップでは、これらの領域は他の領域と同様に見え、重要な知識の欠如を隠してしまう。しかし、新しいマップでは、これらの領域は明示的にフラグ立てされる。これは意思決定者にとってゲームチェンジャーとなる。高い信頼度を伴う高リスクエリアは、直ちに安全対策の対象となる。一方で、低い信頼度を伴う高リスクエリアは、建設や緩和策に資金を投じる前に、さらなるフィールドワークが必要であることを示唆する。それは、当局に対し、次にどこを見るべきかを具体的に伝えるものである。

この研究は、これらの要因とリスクとの関係が単純なスイッチではなく、複雑なグラデーションであることを示した。 「欠落した」地滑りのノイズを平均化することで、モデルはこれらのパターンをより鮮明に捉えることができた。研究者たちは、この手法が従来の技術よりも多くの計算能力を必要とするものの、そのトレードオフには価値があると指摘した。不確実性を定量化し、自らが知らないことを認めることができるマップを生み出す能力は、自然災害の管理における大きな進歩である。

この研究は、地滑り予測の問題を完全に解決したと主張するものではない。研究者たちは、彼らの手法が初期データの質に敏感であること、および今回の研究で使用されたシミュレーションの数はパイロットテストであることを慎重に述べている。彼らは、結果をより安定させるために、将来の研究ではさらに多くのシミュレーションを実行すべきであると示唆している。また、彼らの手法は一つの種類の不確実性、すなわち「どの地点が真に安全であるか」に関する不確実性のみを測定していることも指摘している。それは、マップ自体のエラーや、時間の経過による天候の変化を考慮したものではない。それにもかかわらず、本研究は、硬直した白黒思考から確率論的なアプローチへと移行することが、より良い結果をもたらすことを実証している。地面が絶えず変化している世界において、自らの疑念を認めることができるモデルは、自信満々に間違えるモデルよりもはるかに有用である。北モロッコの新しいマップは、斜面の端に住むコミュニティを守るための、より明確で誠実なガイドを提供している。