Applications of Machine Learning and Geospatial Technology to Assessing Urban Flood Susceptibility: A Case Study of Wadi Hanifa, West of Riyadh City

世界の多くの地域で、都市はそれらが存在する土地が対処できる速度を超えて成長しています。コンクリートやアスファルトに覆われた風景に激しい雨が降ると、かつてのように水が地面に染み込むことができなくなります。その代わりに、水は地表を流れ、速度と量が増していき、最終的には通りや地下室を飲み込みます。これが都市型洪水の本質であり、気候変動がより激しい嵐をもたらし、急速な建設が自然の排水機能を封じ込めていることで、より頻繁に発生している危機です。人々や財産を守るために、都市計画家はどこに水が溜まり、どの程度の深さになるのかを正確に知る必要があります。数十年にわたり、専門家は地図や過去の記録に頼ってこれらのリスクを推測してきましたが、新しいアプローチが状況を一変させようとしています。雲を透過して見ることができる衛星の目と、パターンから学習する強力なコンピュータプログラムを組み合わせることで、科学者は以前では不可能だったレベルの精度で洪水リスクを予測できるようになりました。この転換により、コミュニティは災害に「反応する」ことから、災害を「防ぐ」ことへと移行できるのです。

サウジアラビアのリヤド西部に位置するワディ・ハニファ盆地において、ある研究者がこの現代的なツールキットを特定の課題に応用しました。この谷は、街の西部と中央部を貫いており、近くの山々から流れてくる水の自然な経路となっています。歴史的には農業や定住を支えてきましたが、リヤドの急速な拡大により、この谷の多くは密集した都市部へと姿を変えました。都市の成長は、稀ではあるものの激しい雨が、瞬時に危険なフラッシュフラッド（突発的な洪水）へと変わってしまう状況を生み出しました。研究者は、どの近隣地域が浸水する可能性が最も高いかを正確に示す詳細な地図を作成することに着手しました。彼らは推測や単純な経験則には頼りませんでした。代わりに、宇宙と地上から収集された膨大な情報を入力し、盆地全体のデジタルモデルを構築したのです。

研究者は、景観の全体像を構築するために5つの異なる情報源からデータを収集しました。まず、衛星画像を使用して、緑の植生、裸地、そして建物や道路といった硬く不浸透な表面を区別し、地面を覆う表面の種類を確認しました。次に、雲の下でも水を検知できるレーダー画像を取り入れ、過去の実際の浸水の範囲を確実に把握しました。また、地形の傾斜や形状を理解するための詳細な3次元地形図と、最も激しい嵐がどこを襲ったかを確認するための数十年にわたる降雨記録も組み込みました。最後に、水の障壁にも通路にもなり得る道路ネットワークをマッピングしました。これらすべての情報を集約した後、彼らは機械学習アルゴリズム、つまり例から学習するタイプのコンピュータプログラムを用いました。コンピュータに対し、過去に浸水したエリアの数千の例と、浸水しなかったエリアの数千の例を示しました。コンピュータはこれらの例を分析し、地形と水のつながりを示す隠れたパターンを見つけ出したのです。

コンピュータは、この地域における洪水の原因がいくつかの主要な要因によって引き起こされることを学習しました。最も重要な要因は、排水ネットワークの密度であることが判明しました。小川や水路が集中しているエリアは、特に大雨の際に水がそこに集中するため、洪水が発生しやすくなります。第2の極めて重要な要因は、土地被覆のタイプです。建物や舗装された道路が多く、水が浸透できない近隣地域は、土壌や植生が多い地域よりもはるかに高いリスクに直面します。降雨強度は第3の主要な要因であり、短時間に降る水の総量が問題の主要な原因であることを裏付けました。また、コンピュータは地形の粗さも重要であることを学習しました。滑らかで平坦なエリアは水が広がりやすく溜まりやすい一方、粗い地面は水の流れを遅らせることができます。その他の要因、例えば土地の傾斜方向や正確な標高なども役割を果たしましたが、排水や土地利用のパターンほど決定的なものではありませんでした。

コンピュータがこれらのパターンを学習すると、それをワディ・ハニファ盆地全体に適用し、地図上のあらゆる地点の洪水リスクを予測しました。その結果は驚くほど正確でした。研究者がこのモデルを現実世界のデータと照らし合わせてテストしたところ、90パーセントの確率で浸水エリアを正しく特定しました。モデルは、浸水する場所としない場所をうまく区別することができ、衛星データと機械学習の組み合わせが都市型洪水の複雑な現実を捉えられることを証明しました。完成した地図は、盆地を「非常に低い」から「非常に高い」までの5つのリスクカテゴリーに分類しています。分析の結果、盆地の約6.1パーセントが「非常に高いリスク」にあり、さらに14.2パーセントが「高いリスク」に直面していることが明らかになりました。これらの危険地帯はランダムに散らばっているのではなく、特定の人口密集地域に集まっています。

地図は、即座に対処が必要ないくつかのコミュニティを特定しました。センター・ウライジャ、ウライジャ、デラブ、ウカズ、マルワ、ウライド、トゥワイック＝エタイガ、およびヘジュラト・ワディ・レバンといったエリアが、都市型洪水に対して非常に高い感受性があるとしてフラグを立てられました。これらの近隣地域は、水が自然に蓄積する低地に位置しており、周囲には水が排水されるのを妨げる広範な道路や建物のネットワークが存在します。この研究は、これらが単なる理論的なリスクではないことを強調しています。モデルの予測は、実際に洪水が発生した場所と一致しています。例えば、2026年4月に大規模な洪水が発生した際、観察された浸水地点の大部分は、モデルが高または非常に高いリスクとしてマークしていたゾーン内に正確に収まっていました。この検証結果は、市当局にとって強力な意思決定ツールとなります。彼らは、どこで排水システムを強化すべきか、どこで新しい建設を制限すべきか、そしてどこで緊急対応計画を優先すべきかを、今や正確に知ることができるのです。

この研究は、高度なテクノロジーと地域の知識を統合することに、洪水管理の未来があることを示しています。機械学習を用いて雨、地形、そして人間による開発の複雑な相互作用を分析することで、科学者は成長する都市を守るための明確で実行可能な洞察を提供できます。この研究は洪水の問題を永遠に解決したと主張しているわけではありませんが、最も脆弱な地点を特定するための信頼できる手法を提供しました。リヤドや他の急速に都市化が進む都市の住民にとって、これは「最善を願う」ことから、「自信を持って最悪の事態に備える」ことへの転換を意味します。この地図はガイドとして機能し、水がどこへ行くのかを示し、人々がより良く建設し、より賢く計画し、安全を確保できるように導くのです。