An Interpretable Machine Learning Framework for Rainfall-Related Slope Instability Susceptibility Assessment in Aba Prefecture, China: Sampling Strategy, Spatial Validation, and Susceptibility Score Mapping

中国南西部の険しく険峻な山岳地帯では、地面が動きに満ちています。夏の豪雨が土壌に染み込み、大地の重みが移動することで、時には斜面が滑り、崩れ、あるいは液体のように流動します。これらの事象は「地滑り」として知られており、単なる地質学的な好奇心の対象ではありません。それらは、これらの谷を住処とする人々や村にとって、差し迫った脅威なのです。数十年にわたり、科学者たちは次にどこでこれらの滑落が発生するかを予測しようと試みてきました。彼らは、山の傾斜、岩石の種類、そしてどれほどの降雨があったかといった要因をコンピュータモデルを用いて重み付けし、どの斜面が崩落しやすいかを示す地図を作成しています。しかし、これらの予測には、ある執拗な問題がつきまとってきました。それは、データがしばしば不完全であるということです。どこで地滑りが起きたかは正確に分かっていますが、どこで起きなかったのかを確実に知ることは極めて稀です。コンピュータに危険を認識させるために、研究者たちは、危険な事例と比較するための「安全な」事例を考案しなければなりません。もしこれらの安全な事例が簡単に見分けられるものすぎると、コンピュータは真実ではなく「コツ」を学習してしまいます。つまり、滑る山の物理学を理解するのではなく、二つのリストの違いを記憶してしまうのです。さらに、もしコンピュータがその地域にどれだけの人が住んでいるかを見ることが許されると、地形が不安定だからではなく、単に混雑しているから「リスクが高い」と学習してしまう可能性があります。この、斜面の物理的な危険性と人間の存在との間の混乱は、一見正確に見えても、災害の真のメカニズムを説明できない地図を生み出すことにつながります。

四川省と甘粛省の大学の研究チームは、物理的な土地の不安定性と人間への曝露（エクスポージャー）を切り離すように設計された新しいアプローチによって、これらの特定の問題に取り組みました。劇的な地形と激しいモンスーンの雨で知られるチベット高原の東端、アバチベット（阿坝州）に焦点を当て、彼らはなぜ雨が降ると斜面が崩れるのかを真に理解するモデルを構築することを目指しました。最近発表された彼らの研究は、コンピュータを訓練するために使用する「安全な」事例を慎重に構成し、モデルが実際の不安定性の兆候を学習するのに十分なほど困難なものにするフレームワークを導入しています。また、彼らはプロセスを二つの明確な段階に分けました。第一に、地質と天候のみに基づいて斜面が滑る可能性を計算し、第二に、人口や資産に関するデータを重ね合わせることで、緊急対応の実際の優先順位を決定します。この分離により、モデルが人口密度を危険を推測するための近道として利用することを防いでいます。

研究者たちは、まずこの地域の過去の不安定事象を記録した、計5,322件という膨大な記録から開始しました。これらの記録には、土石流、地滑り、および地質調査中に特定された不安定な斜面が含まれていました。彼らのデータの重要な詳細は、これらの事象のほぼすべてが、唯一の引き金として、あるいは過去の地震と組み合わさって、降雨に関連していたことです。コンピュータモデルを教えるために、彼らは「対照」となるサンプル、すなわち記録された地滑りが発生しなかった場所を同数作成する必要がありました。単に既知の地滑りから遠く離れたランダムな地点を選ぶだけでは課題が簡単になりすぎるため、彼らは二重の戦略を用いました。対照サンプルの30パーセントは、同じ地域で記録された他のタイプの地盤崩壊（例えば落石など）から抽出されました。これらは彼らが予測しようとしている滑落斜面とは異なりますが、同様の環境条件を共有しているため、コンピュータにとって難しいテストとなります。残りの70パーセントの対照サンプルはランダムな場所から選ばれましたが、そこには厳格なルールがありました。それは、真に区別できるように、既知の地滑りから少なくとも800メートル離れていなければならないというものです。この手法により、バランスが取れ、かつ挑戦的な1万件以上のサンプルからなるデータセットが作成され、コンピュータは明白な違いではなく、微妙なパターンを探さざるを得なくなりました。

彼らは、単純な統計的手法から、複数のアルゴリズムを組み合わせた複雑な階層型システムに至るまで、17種類の異なる機械学習モデルをテストしました。結果は、決定をフローチャートのように枝分かれさせてデータを分割する、最も洗練された決定木ベースのモデルが最も優れた性能を示すことを示しました。特に、ある一種の勾配ブースティングマシンは、安定した斜面と不安定な斜面を区別する上で0.973というスコアを達成し、非常に高い精度を示しました。しかし、研究者たちは単にこれらの数字を信頼しないよう注意を払いました。モデルが訓練された場所に近すぎるデータでテストされると、単にその周辺を暗記しただけで良好な結果が出る可能性があることを彼らは知っていたからです。これを検証するために、彼らはモデルを地図の一部分で訓練し、全く異なる、重複しない地図の別の部分で危険を予測させるという特別な検証を行いました。このより厳しいテストにおいても、モデルは驚くほど良好な性能を維持し、性能の低下はごくわずかでした。これにより、モデルが単に地滑りの場所を記憶しているのではなく、斜面の安定性の実際の規則を学習していることが確認されました。

コンピュータが実際に何を「考えている」のかを理解するために、研究者たちは意思決定プロセスを分解してどの要因が最も重要かを明らかにする手法を用いました。その結果、地形の物理的な形状が支配的な要因であり、モデルの決定の約6割を占めていることが分かりました。具体的には、斜面の急峻さと地面の曲率（凹型の谷なのか、丸みを帯びた丘の上なのか）が最も強力なシグナルでした。降雨は次に重要な要因であり、約19パーセントを占め、植生被覆がそれに続きました。興味深いことに、緯度や経度といった位置座標自体は、物理的特徴が考慮されるとほとんど寄与しませんでした。これは、モデルが地図上の座標によって単に「危険な場所」を暗記しているのではなく、地形と天候を真に分析していることを示唆しています。また、研究者たちは活断層からの距離も特徴量として含め、それが小さくも意味のある役割を果たしていることを発見しました。これは、これらの線が地面がすでに割れており、より動きやすい状態であることを示す指標となるためと考えられます。

彼らのフレームワークの最終ステップは、これらの確率スコアを災害管理のための実用的なツールへと変換することでした。彼らは調査エリアを、極めて低いレベルから極めて高いレベルまでの5つの感受性レベルに分け、それらをマッピングしました。結果は、アバチベットの南東部が最も脆弱な地域であることを浮き彫りにしました。しかし、研究者たちはこれを最終的なリスクマップであると宣言するまでには至りませんでした。彼らは、人が住んでいない場所では、感受性のスコアが高いことは必ずしも人間へのリスクが高いことを意味しないことを強調しました。したがって、彼らは斜面の安定性スコアと、各エリアにいる人数、世帯数、および資産のデータを組み合わせた第二の分析レイヤーを作成しました。これにより、当局がどこにリソースを集中すべきかを示す「優先度スコア」が生成されました。極めて重要な点は、この優先度スコアは、人や資産に関する具体的なデータが存在する場所に対してのみ算出可能であったことです。つまり、これは既知の地滑り現場とメカニズム対照サンプルには適用されますが、地図上のすべての点には適用されません。この制限は意図的なものでした。これにより、最終的なリスク評価が、推測ではなく、記録された曝露に基づいていることが保証されたのです。

本研究は、モデルの訓練に使用するデータを慎重に設計し、物理的な危険と人間への曝露を分離することで、より信頼性が高く解釈可能な地滑りリスクマップを作成できると結論付けています。モデルは新しい地理的領域に対してテストされても堅牢であることが証明され、分析によって、地形の物理的特性がこの地域における不安定性の主要な要因であることが確認されました。研究者たちは、データが歴史的な記録に依存しており、岩石の種類のような一部の環境要因が完全には詳細に記述されていないことを指摘しましたが、彼らのフレームワークは明確な道筋を提示しています。それは、単なる予測を超え、なぜ斜面が崩れるのかについての透明性のある理解を提供し、次の豪雨に備えるためのツールとなり得るものです。この研究は、自然災害に直面した際、最も強力な道具は単なる予測ではなく、作用している力の明確な理解であることを思い出させてくれます。