Evaluating disaster triggers and spatial susceptibility of retrogressive thawing slumps in permafrost regions Hoh Xil, Qinghai-Tibet Plateau

青海・チベット高原の、風が吹きすさぶ高地において、地面は単なる土や岩ではありません。それは凍結したアーカイブ（記録保管庫）なのです。何千年もの間、この景観の多くは永久凍土と呼ばれる、永続的な寒冷状態の中に閉じ込められてきました。この凍った大地は、この地域の広大な生態系、そして世界最高地点を走る鉄道や高速道路を含む重要なインフラストラクチャの強固な基礎として機能しています。しかし、地球温暖化が進むにつれ、この凍った基礎は軟化し始めています。土壌内の氷が溶け出すと、地面はその強度を失い、突如として崩落する可能性があるのです。この崩壊の中で最も劇的かつ破壊的な形態の一つが、「後退性融解スランプ（retrogressive thaw slump）」です。これらは単なる陥没穴ではありません。急峻な氷に富んだ土壌の壁が崩れ落ち、後方へと崩落し、混沌とした泥や瓦礫の山を残していく、景観上の活動的な「後退する傷跡」なのです。これらのスランプが拡大すると、道路や鉄道、そして繊細な高山環境を飲み込む恐れがあるため、次にどこで発生するかを理解することが極めて重要になります。

最近、高原の遠隔で険しい地域であるホーシルの地域に焦点を当てた研究において、研究者たちはこれら融解による地滑りの将来的な危険地帯をマッピングすることを目的としました。その挑戦は極めて困難なものでした。景観は広大であり、データは複雑で、スランプを引き起こす要因は深く絡み合っています。スランプは単一の原因によって起こるのではなく、熱、水、土壌のタイプ、そして地形の形状という特定の組み合わせの結果として発生します。この複雑な網を解き明かすために、チームは単純な観察を超え、人間の脳がパターンを認識する方法を模倣した高度なデジタル解析を用いるという、問題への新しいアプローチを開発しました。

研究者たちはまず、ホーシル地域に関する膨大な情報を収集することから始めました。彼らは気温、降水量、斜面の傾斜度、そして地表下の土壌の種類を調査しました。また、地中に隠された氷の量や、それを覆う植生の密度も調べました。衛星画像とフィールド調査を用いて、彼らはこの地域に存在する1,825件の既存のスランプの目録を作成しました。この目録は「グラウンドトゥルース（真の値）」、つまり、すでに被害が発生した場所を示す地図としての役割を果たしました。目標は、スランプを発生させる特定の環境的なレシピをコンピュータに学習させ、次にどこでスランプが形成されるかを予測させることでした。

この膨大なデータを整理するために、チームはまず「ノイズ」をフィルタリングしなければなりませんでした。彼らは統計的手法を用いて、どの要因が真にスランプを駆動しているのか、そしてどの要因が単なる背景の雑音に過ぎないのかを特定しました。その結果、最も強力な引き金は水と熱に関連していることが分かりました。具体的には、極端な降雨イベントと、夏季における激しい凍結・融解のサイクルが主要な要因でした。これらの条件が土壌を飽和させ、地面を繋ぎ止めている凍結した結合を弱めるのです。地形の形状や土壌のタイプも重要ではありましたが、熱水条件の圧倒的な影響力の前では、それらは補完的な役割に留まりました。この研究は、氷の含有量が多く、スポンジのように水を保持する細粒土を持つエリアが、温暖で湿った天候になった際に特に脆弱であることを裏付けました。

研究の中核となったのは、パターンを学習するためのコンピュータシステムへの訓練でした。研究者たちは、この種の調査における共通の課題に直面しました。それは、スランプが発生した事例を見つけることは容易ですが、スランプが「発生しなかった」信頼できる事例を見つけることは困難であるということです。もしコンピュータに危険な場所ばかりを見せれば、コンピュータは世界全体が危険であると推測してしまうかもしれません。これを解決するために、チームはスマートなサンプリング戦略を構築しました。彼らはクラスタリング技術を用いて、環境的な特徴においてはスランプ地帯と全く同じに見えるものの、安定したままの状態を維持しているエリアを探し出しました。これらの「安全な」地点を慎重に選択することで、コンピュータが単にランダムな場所を暗記するのではなく、潜在的な災害ゾーンと安定した斜面との違いを学習できるようにしたのです。

データが準備されると、チームはいくつかの異なるコンピュータ学習モデルをテストしました。標準的なアルゴリズムも試みましたが、彼らは「畳み込みニューラルネットワーク（CNN）」として知られる特定の種類のディープラーニング・システムが、景観を理解する上で遥かに優れていることを見出しました。このシステムは、人間が写真を見る時のようにデータを捉え、特徴間の空間的な関係を認識するように設計されています。それは、急峻な斜面、湿った土壌のパッチ、そして暑い夏の日が、どのように組み合わさってリスクを生み出すのかを理解することができました。研究者たちは、この強力なパターン認識ツールを「アンサンブル学習」のアプローチと組み合わせました。この手法は「専門家パネル」のように機能します。単一のモデルに頼るのではなく、多くの異なるモデルの予測を組み合わせ、それらに最終的な答えについて投票させるのです。この手法によってエラーが軽減され、予測の信頼性が大幅に向上しました。

結果として、ホーシル地域に関する非常に精度の高い感受性マップが得られました。マップは、リスクの高いエリアがランダムに散らばっているのではなく、地形が急斜面から谷へと変化する特定の遷移帯や、激しいサーモカルスト活動が見られるエリアに集中していることを明らかにしました。ディープラーニングによる特徴抽出とスマートなサンプリング戦略を組み合わせた最も成功したモデルは、従来の手法を大きく上回る精度を達成しました。それは既知のスランプの大部分を正確に特定しつつ、安定したエリアでの誤報を回避しました。マップによれば、この地域の約15,000平方キロメートルが高リスクまたは非常に高いリスクに分類されており、最も危険なゾーンは主要な輸送ルートの回廊沿いに位置していました。

この研究は、単に地図を描くだけではありません。それは災害のメカニズムを明確にしています。この研究は、これらの地域において地面が本質的に不安定である一方で、最終的な引き金はしばしば、氷に富んだ斜面に激しい夏の豪雨が襲いかかるような、特定の気象イベントであることを裏付けています。研究は、気候、土壌、地形の間の複雑な相互作用を分析するために高度なコンピュータ学習を用いることで、科学者がかつてないほどの精度でこれらのハザードを予測できることを実証しています。この能力は、計画立案者やエンジニアにとって強力なツールとなります。地面が崩れる可能性が最も高い場所を正確に把握することで、インフラを強化したり、道路を迂回させたり、あるいは崩落が起こる前に特定のエリアを監視したりすることができるのです。地球上のほぼどこよりも急速に気候が変化しているこの地域において、このような先見性は単なる学術的な演習ではなく、凍結した高原の安定性に依存する人々の命と生活を守るための不可欠なステップなのです。