文献：3D Wave‐Equation Dispersion Inversion of Distributed Acoustic Sensing Data

3D Wave‐Equation Dispersion Inversion of Distributed Acoustic Sensing Data to Reveal the Shallow Near‐Surface Geology - Liu - 2025 - Journal of Geophysical Research: Solid Earth - Wiley Online Library

AI要約

3D波動方程式分散インバージョン（3D-DAS-WD）法の解析手順

3D-DAS-WD法は、DASひずみデータに直接基づく3D波動方程式分散インバージョン手法であり、ひずみ成分を速度に変換する際の数値誤差を回避し、低SNR（信号対雑音比）のDASデータにおけるFull Waveform Inversion（FWI）の収束問題に対処することを目的としています。この手法は、浅い地表付近の地質構造を高分解能で3Dイメージングする能力を示しており、地下の空洞などの特徴を効果的に特定できます。

1. DASの基本原理とデータ取得

• DASの測定原理: 従来の地震計が粒子速度を測定するのに対し、DASは光ファイバーのゲージ長に沿ったひずみ速度を測定します。

2. 初期S波速度モデルの作成

• 解析の出発点として、初期S波速度モデルを準備します。このモデルは、反復的なインバージョンプロセスを通じて改善されていきます。

3. 予測ひずみ速度DASデータの順モデリング

• 作成した初期S波速度モデルを用いて、forward modeling を実行し、予測されるひずみ速度DASデータを生成します。この研究では、スペクトル要素法に基づく弾性モデリングコードSPECFEM3Dが使用されています。

• 計算される速度成分は、式(14)および(15)を使ってDASひずみ速度成分に変換されます。

4. 観測データと予測データの分散曲線の導出

• MASW として分散曲線を作成します。

• 分散曲線は、linear Radon transform を用いて計算された分散スペクトルの最大値に基づいて抽出されます。

• この研究では、各ショットから10度間隔で分散曲線が抽出されます。

5. 目的関数の定義と勾配の計算

• 目的関数（Objective Function）: 3D-DAS-WD法は、観測された波数κobs (θ,ω)と予測されたDASデータ表面波分散曲線κ(θ,ω)の二乗差の合計を最小化します。目的関数Jは以下のように定義されます: 

J = (1/2) ∑θ ∑ω (κ(θ,ω) − κobs (θ,ω))^2

ここで、θは方位角、ωは周波数です。

• S波速度に対する勾配: S波速度s(x)に対する目的関数の勾配δ(x)は、以下の式で計算されます: 

δ(x) = ∂J / ∂s(x) = ∑θ ∑ω Δκ(θ,ω) (∂κ(θ,ω) / ∂s(x))

• Fréchet 微分の導出: Fréchet 微分 (∂κ(θ,ω) / ∂s(x)) は、予測データと観測データのk-ω領域における相関を示す接続関数（connection function）Φを用いて導出されます。これは、随伴状態法（adjoint state method）を使用して計算されます。最終的にS波速度 s を λ (ラメの第一定数) と μ (剛性率) に関連付けることで、Fréchet 微分が導出されます

∂κ(θ,ω) / ∂s(x)

 = − (1/A) R{∫ ∂D(g,ω)/∂s(x) D̂*obs(g,θ,ω) dg} 

 = − (1/A) R{∫⟨GR ∂u(g,ω)/∂s(x), D̂obs(g,θ,ω)⟩ dg}

= − 4ρs (∂κ(m) / ∂λ) + 2ρs (∂κ(m) / ∂μ) 

・∂κ(m) / ∂λ、∂κ(m) / ∂μは、 波場u(m)（合成地震計データ）とバックプロパゲーションされた残差u'（D̂∗obs(g,θ,ω)をソースとする）の内積の積分として表される。

6. 速度モデルの更新

• ステップ長の決定: safeguarded backtracking line search method を用いて、モデル更新のためのステップ長αが決定されます。

• モデルの反復更新: S波速度モデルは、計算された勾配とステップ長αを用いて、steepest-descent formula により反復的に更新されます。 ここで、

7. 収束判定と最終S波速度モデルの出力

• ステップ3から6のプロセスは、目的関数が指定された誤差閾値以下になるか、または最大反復回数に達するまで繰り返されます。

• 収束条件が満たされた後、最終的なS波速度インバージョンモデルが出力されます。

さすがにAI要約のみでは理解できず、数式を追うのに時間がかかりました。

DAS（1軸センサー）を利用して、どのようにレイリー波を取り出すか、取り出した後、どのようにインバージョンをかけると精度が落ちにくいか、という内容でした。地震分野の知識の蓄積を感じる文献です。

3次元解析を目的としてファイバーをクロスで張るなら、通常のピックを使った方が楽なように感じましたが。ま、一つの方法として覚えておきましょう。

文献：Classification of Stream Hyperconcentrated and Debris Flow

Classification of Stream, Hyperconcentrated, and Debris Flow Using Dimensional Analysis and Machine Learning - Du - 2023 - Water Resources Research - Wiley Online Library

AI要約

1. 背景
山岳地帯における極端な降雨は、土石流、高濃度流、常流といった激しい土砂流動を引き起こし、人命やインフラに深刻な脅威を与えます。しかし、これらの流動メカニズムの理解は、包括的な現場データの不足により不完全な状態にありました。従来の分類基準は主に体積堆積物濃度（Cs ）に基づいていましたが、研究者によってその閾値が異なり、物理的な流動特性を必ずしも正確に反映していないという課題がありました。そのため、測定可能な水理・地形学的パラメータを用いた、より普遍的で客観的な分類手法の確立が求められていました。

2. 手法
本研究では、現場観測データと機械学習を組み合わせた物理的根拠に基づく分類フレームワークが採用されています。

前処理（無次元解析）: 異なる地質や地形条件を持つサイト間のデータを比較可能にするため、観測データを無次元化しました。粒子衝突、流体粘性、乱流応力などの相対的重要性を評価するため、アインシュタイン数（無次元土砂流量）、サベージ数、バグノルド数など、計11個の無次元パラメータが算出されました。

機械学習手法: 分類アルゴリズムとしてサポートベクターマシン（SVM）が使用されました。特に、対数空間での境界を定義するために、べき乗則（パワーロー）カーネル関数に相当する対数変換を用いた非線形検索アルゴリズムが採用されています。

説明変数: 流動動態を最も効果的に反映する変数として、無次元流量（q∗  ）とアインシュタイン数（無次元土砂流量、qs,∗  ）の2つが選択されました。

1) データの収集源
現場観測データ: 中国の蒋家溝（Jiangjia Ravine）で1960年から2014年にかけて記録された5,085件の土石流データ、および小江（Xiaojiang River）で2009年から2010年に観測された34件の常流データが使用されました。

文献データ: アジア、アメリカ、ヨーロッパ、オセアニアの41の流域から、高濃度流および常流に関する1,035件のデータが収集されました。

2) 正解ラベル（流動タイプの分類）の付与
機械学習（SVM）の学習に不可欠な「どの流動タイプか」というラベル付けは、元の観測記録や文献における専門家の知見および現場観察の結果に基づいています。本研究では、それらの既存の分類が正確であると仮定して教師データとして採用しています。

3) 特徴量の作成（無次元化処理）
収集された生の観測データ（流速、水深、川幅、勾配、粒径など）をそのまま使うのではなく、異なる地形や地質条件でも普遍的に扱えるよう、11種類の無次元パラメータへと変換されました。

4) データの活用と検証
作成されたデータセットを用いてSVMによる境界の画定が行われました。なお、ラハール（火山泥流）のデータに関しては、SVMの境界作成（学習）には使用せず、得られたモデルの妥当性を確認するための検証用データとして独立して扱われています。

目的変数: 土石流（Debris flow）、高濃度流（Hyperconcentrated flow）、常流（Stream flow）の3つです。

3. 結果
境界の定義: q∗ とqs,∗ のフェーズダイアグラムにおいて、SVMにより各流動タイプを分ける2つのべき乗則境界（上部境界UBと下部境界LB）が導き出されました。

上部境界（Upper Boundary, UB）
分類: 土石流（Debris flow）と高濃度流（Hyperconcentrated flow）を区分します。この境界より上の領域では、粒子同士の衝突応力が流動動態を支配する土石流となります。
qs,∗ =0.12q∗^1.05
精度: 真陽性率（TPrate）0.999、F1スコア0.999と、極めて高い精度で土石流を識別可能です。

下部境界（Lower Boundary, LB）分類: 高濃度流（Hyperconcentrated flow）と常流（Stream flow）を区分します。この境界より下の領域は、土砂が主に水相の剪断力や乱流によって支持・輸送される「流体支配型」の流動（常流）となります。
qs,∗ =0.07q∗^0.96
精度: 真陽性率（TPrate）0.915、F1スコア0.891であり、上部境界に比べるとわずかに分類の曖昧さが残ります。

ラハールへの適用: 火山性の土砂流動であるラハールにこのフレームワークを適用したところ、ラハールは常流から土石流まで極めて広い範囲の流動動態を示すことが確認されました。

4. 考察
輸送メカニズムの違い: 土石流は主に粒子同士の衝突応力によって制御されるのに対し、高濃度流と常流は流体の粘性剪断や乱流応力によって土砂が支えられていることが物理的に裏付けられました。
堆積物濃度基準の限界: 、従来の堆積物濃度（Cs）のみに基づく基準では動的な流動特性を無視しており、誤解を招く可能性があります。判別が困難だった領域（0.1<Cs<0.4 など）においても、流動特性を反映した明確な分類が可能となりました。
提案された無次元流量-土砂流量スキームは、水理情報をより多く取り込み、輸送メカニズムをより効果的に反映できると結論付けられています。
実用性: このフレームワークは、現場での流量や流速の測定値から即座に流動タイプを判定できるため、砂防ダムの形式選定（土石流用のスリットダムか、洪水用の不透過ダムか）など、適切な防災戦略を立てるための定量的な参考指標となります。

観測値に基づき、無次元の特徴量を作成し、機械学習にかける。Traditional な SVM ですが、解釈性を優先することで上部境界、下部境界を見出すことが可能です。検知だと最適化に陥りがちですが、ドメイン知識を有する研究者らしい機械学習の使い方で、データサイエンスと呼べるのではないでしょうか。

文献：Radar‐Based Deep Learning for Debris Flow Identification

Radar‐Based Deep Learning for Debris Flow Identification Amid the Environmental Disturbances - Liu - 2025 - Geophysical Research Letters - Wiley Online Library

AI要約

1. 背景
土石流は、山岳地帯において甚大な経済的損失や人的被害をもたらす地質災害です。
従来の監視技術には、降雨量しきい値による警戒や、地中音センサー、ビデオ監視などがありますが、これらには課題があります。例えば、小流域における降雨情報の不確実性や、機器の埋没リスク、視界の悪い夜間の監視の難しさが挙げられます。マイクロ波レーダーは、昼夜を問わず全天候型で遠隔監視が可能という利点がありますが、土石流の信号を環境ノイズの中からインテリジェントに識別する手法は十分に研究されていませんでした。本研究は、深層学習モデルとレーダー技術を組み合わせることで、複雑な環境下での土石流識別精度を向上させることを目的としています。

2. 手法
人工実験によるデータ収集: 自然な土石流の観測データが不足しているため、研究チームは中国の甘洛県にある黒西洛溝（Heixiluo Gully）などで計30セットの人工土石流実験を実施しました。
再現方法: 斜面に長さ約9メートル、勾配約15度のチャネルを掘削し、大量の緩い土砂を含む急流を作ることで、土石流の動きを徹底的にシミュレートしました。
制限事項: 実験的な土石流は「スケール効果」などの要因により、現実世界のシナリオと完全に一致させることは難しい。しかし、モニタリングと早期警戒の観点からは、人工的な土石流であってもレーダーのエコー信号を生成できるため、有効なサンプルとして使用しました。

前処理: ビデオ記録とレーダーソフトウェア（Radarexplore）のキャプチャデータに基づき、土石流や落石の移動時間範囲を特定し、異常値を手動でフィルタリングしました。その後、PythonとOpenCVライブラリを用いてビデオフレームを抽出し、各ターゲットにつき3,000個のサンプルを作成しました。深層学習モデルへの入力として、画像は短辺256ピクセルにリサイズされた後、中心部が224×224ピクセルにクロップされ、テンソルの正規化が行われました。

機械学習手法: 12種類の広く利用されている深層学習モデル（VGG16、ResNet18、GoogLeNet、Wide_ResNet50_2など）が採用されました。転移学習の考えに基づき、各モデルの事前学習済みモデルに対して30エポックの訓練が実施されました。さらに、個々のモデルの不確実性を最小限に抑えるため、多数決に基づく投票戦略（Voting Strategy）が導入されました。

説明変数: レーダー信号から変換された2次元のエネルギースペクトラム（画像データ）が説明変数として使用されました。これはドップラー周波数とエコー強度を waterfall graph 形式で可視化したものです。

本研究の waterfall graph:
横軸: 1,024の速度クラス（移動ターゲットのドップラー周波数に対応）。
縦軸: 距離ゲート（range gates）。距離情報を表すために各ゲートが積み重ねられています。
色（スケール）: エコー信号の強度（信号の強さ）。
約3 Hzの頻度で出力されます。
グラフの各水平ラインは特定の時間ステップにおけるドップラー演算結果（ドップラースペクトル）に対応しています。距離ゲート（距離ごとの区切り）を垂直方向に積み重ねることで、「どの距離で、どの程度の速度の物体が、どれくらいの強さで存在するか」を一枚の画像に可視化しているため、これを waterfall graph やエネルギースペクトラムと呼んでいます。

目的変数: 以下の8つのターゲットカテゴリです：(A)水流、(B)土石流、(C)タルチョ（祈祷旗）、(D)自然の谷、(E)車両、(F)落石、(G)植生、(H)動物（ヤク）。

3. 結果
実験の結果、すべてのモデルにおいてマルチオブジェクト分類に対する高い能力が示されました。
分類精度: 個別のモデルでは Wide_ResNet50_2が最高の精度95.46%を達成しました。GoogLeNetやResNet18も95%を超える高い精度を示しました。
土石流の識別: 土石流の識別においては、VGG16が非常に優れた性能を発揮し、高い適合率と低い誤報率（false alarm rate）を記録しました。
投票戦略の効果: 投票戦略を用いることで、個々のモデルよりも信頼性が向上し、特に土石流や落石の誤検知率をさらに低減させることができました。

4. 考察
本研究は、レーダー技術と深層学習、特に豊富な実地データを組み合わせることが、土石流などの自然災害の監視と早期警戒において重要な進歩であることを示唆しています。従来の統計的な手法から、データ駆動型のモデルへの移行が有効であることが証明されました。 一方で、本研究にはいくつかの制限事項も指摘されています。まず、土石流と落石のデータは主に現地での人工的な実験によって収集されたものであり、実世界の規模（スケール効果）とは異なる可能性がある点です。また、レーダー信号を用いた土石流の移動メカニズムの解明には、さらなる詳細な実験と分析が必要であるとしています。総じて、本手法は複雑な山岳地帯における災害監視能力を大幅に強化する可能性を秘めています。

地上レーダーは高価なので、なかなか検知には利用できません。安価なレーダーは距離が不足。これも時間が解決すると思いますが。
LiDARよりも雨に左右され難いので、いずれテストを通過して検知に使われるようになるでしょう。

文献：Deep-Learning-Based Object Detection and Tracking of Debris Flows in 3-D Through LiDAR-Camera Fusion

Deep-Learning-Based Object Detection and Tracking of Debris Flows in 3-D Through LiDAR-Camera Fusion | IEEE Journals & Magazine | IEEE Xplore

 AI要約

背景
土石流は水と堆積物の混合物であり、山岳地帯で年間平均1,275人の死者を出す深刻な自然災害です。土石流の内部構造やエネルギー消散などの挙動を理解するには、流体中の個々の物体（巨石、流木、段波など）の動態を詳細に分析することが不可欠です。しかし、最新のセンサー（LiDARやビデオカメラ）は1イベントあたり約1TBもの膨大なデータを生成するため、手動での識別や追跡は極めて困難であり、リアルタイム監視や大規模データ解析のための自動化手法が強く求められていました。

手法
スイスのイルグラーベン（Illgraben）観測所にてデータを収集。画像データに対し、Label Studio（オープンソースのラベリングプラットフォーム）を使用し、専門家の監修のもとでバウンディングボックスを付与しました。

機械学習手法:
物体検出アルゴリズムとしてYOLOv5およびYOLOv8（特に複雑度の高いxバージョン）を採用しました。フレーム間の個体追跡（トラッキング）にはSORTアルゴリズムを使用しました。

説明変数:ビデオカメラ（AXIS P1448-LE）からの2次元光学画像、およびLiDAR（Ouster OS0/OS1）からの3次元点群データです。
目的変数（区分とラベル付けの判断根拠）: ドメイン知識を持つ専門家が動画を確認し、物理的特性や進化状態に基づいて以下のクラスに分類・ラベル付けを行いました。

小型特徴物 (Small Features: SF): 速度プロファイルの推定を目的として区分。
巨石 (Boulders): 土石流フロント付近に集まる大きな岩。
転石 (Rolling Boulders): 流体中を転がりながら移動する岩。
流木 (Wood): 水面に浮遊し、表面速度を代表する物体。
段波 (Surge Waves: SW): 波の進化過程を分析するため、動画上の視覚的特徴から以下のように区分。
拡散型 (Diffuse): 前面が滑らかで、砕波（波の崩れ）が見られない波。
砕波型 (Breaking): 波の前面が崩れ、泡立っているような状態の波 。
ハイブリッド型 (Hybrid): 波の中央部は拡散しているが、流路の端（岸付近）で砕波している混合状態の波 。
※誤検出を防ぐため、波が含まれない画像（ネガティブ画像）も学習に含め、土石流の「フロント」を「段波」と誤認しないよう調整されています。

LiDARとビデオカメラを融合させた、土石流の3次元解析パイプライン
1. キャリブレーション（事前準備）
カメラ画像（2D）とLiDAR点群（3D）を数学的に統合するため、ターゲットベースの手法を用います。
剛体変換の算出: チェッカーボードを両方のセンサーで同時に計測し、カメラとLiDARの相対的な位置関係（回転行列と並進行列）を特定します。
歪み補正: 正確な投影を行うため、あらかじめカメラレンズの歪みを補正しておきます。

2. 2次元画像での物体検出とSORTによる追跡
まず、識別能力の高いビデオ画像（2D）側で処理を開始します。
YOLOによる検出: 深層学習モデル（YOLOv5またはv8）を用いて、画像内の巨石、流木、段波をバウンディングボックスで囲みます。
SORTアルゴリズムの役割: 検出された個々の物体に固有IDを付与し、フレーム間での同一性を維持します。これにより、単なる「点」の検出を「連続した軌跡（トラック）」として捉えることが可能になります。また、背景の誤検出は連続して追跡されにくいため、SORTが偽陽性を排除するフィルタとしても機能します。

3. 3次元投影（視錐台の形成）と位置特定
画像上の2D枠を3次元空間へ投影し、LiDAR点群と紐付けます。
視錐台（Frustum）: カメラの焦点を頂点とし、2D枠の四隅を通って伸びるピラミッド状の3次元空間を定義し、その内部にある点群のみを抽出します。
高さへの対応: 位置特定にはLiDARが直接計測した3次元座標（x, y, z）を使用します。カメラ単独では「高さがある物体ほど手前に見える」という視差（パララックス）による平面位置の誤認が生じますが、本手法では点群のz座標を直接参照するため、物体の高さや形状が変化しても正確な平面位置を取得できます。

4. 物理量の自動算出
抽出された3次元データから、以下の物理量を10Hzの頻度で算出します。
位置・速度: 物体の代表点（小型特徴物はボックス中心、段波は下辺中点）の移動を時系列で計算し、3次元の速度ベクトルを導き出します。
波の幾何形状: 点群の流路横断方向における2次導関数（曲率）を計算し、値が最大となる場所を波の頂点（Crest）として特定します。この頂点と、事前に計測した河床データとの差分から、正確な波高（Hb）を算出します。

このパイプラインにより、手動計測の300倍以上のデータ量（1イベントあたり約1,000件の軌跡）を自動で取得することが可能となりました。

結果
検出精度: 段波（SW）検出器はmAP 0.9以上、小型特徴物（SF）についてもmAP 0.7以上という優れた性能を達成しました。
データ量の飛躍的向上: 自動追跡により約1,000件の物体軌跡を取得し、これは従来の手動解析の300倍以上に相当します。
労力削減: 異なる地点のデータを活用する「マルチドメイン学習」により、新しい観測地点への適応に必要なラベル付けの労力を75%以上削減できることが示されました。
科学的発見: 段波が物体を加速させる現象を定量化し、また海岸工学を応用して土石流の段波が砕ける閾値（砕波指数）が0.4であることを特定しました。

考察
モデル選定: YOLOv5は精度で僅かに勝りましたが、YOLOv8は検出速度が5倍以上速いため、リアルタイムの早期警戒システムにはYOLOv8が適している可能性があります。
追跡の役割: SORTアルゴリズムによる追跡は、背景の誤検出を排除する強力なフィルタとして機能し、解析の信頼性を高めています。
物理的挙動の解明: 流木が転石よりも速く移動する傾向の観測は、土石流内部に「剪断（深さ方向の速度低下）」が存在することを示唆する重要な知見です。
実用性: このパイプラインにより、1イベントあたり約250時間の作業時間が節約されると推定され、今後の土石流ハザード評価のスケールアップに大きく貢献します。

画像で物体を判別し、LiDARで位置を把握するという、それぞれの長所を組み合わせた手法です。1回の土石流イベントの挙動を1000の物体追跡で明らかにできるようになれば、観測に基づいた新たな理論が生まれるかもしれません。検知とは異なりますが、メカニズムの解明といった方向の研究も大事でしょう。今後が楽しみです。

文献：Deep learning-based debris flow hazard detection and recognition system

Deep learning-based debris flow hazard detection and recognition system: a case study | Scientific Reports

AI要約

背景
土石流は、突発的かつ急速に発生し、甚大な破壊力を持つため、山間部の住民やインフラにとって大きな脅威です。現在、多くの監視技術は雨量、地鳴り、土壌水分量などの自然指標に基づいていますが、センサーの設置や維持管理に多大なコストがかかるという課題があります。一方で、監視カメラは広く普及しているものの、これまでは主に事後確認用の受動的なツールとして利用されており、リアルタイムの早期警戒には活用されてきませんでした。
本研究は、ディープラーニングを用いてビデオ映像から土石流を自動的に検知・認識する能動的なシステムを構築することを目的としています。

手法
本システムは、特徴抽出、検知、認識の3段階で構成されています。

機械学習モデル:
特徴抽出ネットワーク（H-C3D）: ビデオ映像から時空間的な特徴を抽出する3D CNNモデルです。土石流災害検知ネットワーク: 5層の全結合層（MLP）で構成され、ビデオの「異常性」を判定します。
土石流災害認識ネットワーク（2D CNN）: 検知結果を検証するための画像レベルのCNNです。

説明変数: 監視カメラから得られる16フレーム単位の連続ビデオクリップ、およびH-C3Dによって抽出された4,096次元の特徴ベクトルです。
目的変数: 0から1の範囲の異常スコア、および最終的な判定ラベル（土石流、正常、または誤報）です。

異常スコアの算出（シグモイド関数）: 検知ネットワークの最終層にシグモイド活性化関数が用いられており、入力された特徴ベクトルを0から1の範囲の「異常スコア（δ）」に変換します。スコアが1に近いほど、土石流の発生傾向が高いことを示します。
算出された異常スコアに対し、経験的に設定された閾値（θ = 0.6）が適用されます。スコアが0.6を超えた場合（δ > 0.6）、システムは「異常（Abnormal）」と判断し、初期検知を行います。
2D CNNによる検証プロセス: 「異常」と検知されたセグメントは、次に土石流災害認識ネットワーク（2D CNN）0.5を超えれば最終的に「土石流（Debris flow）」、そうでなければ「誤報（False alarm）」と識別します。この流れにより、ノイズによる高い異常スコアを誤報として排除することが可能になります。

結果
独自データセット「Debrisflow23」を用いた評価の結果、以下の高い性能が示されました。
検知・認識精度: 検知精度は86.3% AUC、認識精度は83.7% AUCを達成し、システム全体の最終的な識別精度は88.1% AUCに達しました。
リアルタイム性能: 処理速度は68 FPSを記録しており、実用的な早期警戒システムとして十分な速度を備えていることが証明されました。

考察
ビデオレベルの動的な検知と、画像レベルの認識を組み合わせることで、単一のモデルよりも精度と堅牢性が向上することが確認されました。特に、第1段階の検知ネットワークで見落とし（偽陰性）を抑えつつ、第2段階の認識ネットワークで誤報（偽陽性）を削減する構造が有効に機能しています。

今後の課題
データ多様性の不足: 本システムの学習に使用されたデータセット（Debrisflow23）は、現時点では規模が比較的小さく、「あらゆる天候条件や環境、流れの挙動を網羅できているわけではない」。
精度の低下: 複雑で変動の激しい現場環境においては、システムの汎用性（汎化能力）が低下する可能性がある。実際に、特定の条件下では検知ネットワークが誤報を出したり、逆に発生を見逃したりする「失敗事例」も確認されています。

動画による検知は簡単で、このようなDNNなどの機械学習までは必要なく、画像処理でも対応可能です。実際、動画にラベリングをする際にリアルタイム処理の動態検知を使うこともあります。
画像処理技術だと昔から普及しているので、社会実装しようと思えば誰でも容易にできたのですが、欠点があります。夜間、霧など。閾値を昼間と変得ないといけなかったり、そもそも視認できなかったり。この欠点があるので実装されてこなかったのだろうと思われます。

近年、国内でもCCTVでなく簡易カメラを設置して対応する研究が見受けられますが、欠点は同じです。ま、簡易カメラなら流されても痛くはないので 多数つけられるという長所はありますが。

解決策は熱赤外カメラ。ただし現状は高価。安いものは距離、解像度が不足しています。もう少し待てば安価なカメラが出てくるでしょう。

文献：Characterizing and clustering debris flow and environmental noise seismic signals using unsupervised deep learning

Characterizing and clustering debris flow and environmental noise seismic signals using unsupervised deep learning | Geophysical Journal International | Oxford Academic

AI要約

1. 背景
土石流は山岳地帯において極めて破壊的な自然災害であり、その対策として微震モニタリングが有効なリアルタイム検知手法となっています。しかし、従来の技術では土石流、落石、地震、環境ノイズといった異なる発生源からの混合信号を識別することが困難であり、土石流イベントの完全な動的進化を理解する上での制約となっていました。また、既存の教師あり学習は大量のラベル付きデータを必要としますが、地震データの多くはラベルがなく、人的なラベル付けには誤りも伴うため、ラベルなしデータから信号の固有構造を自動的に識別できる教師なし学習手法の確立が求められていました。

2. 手法

スペクトログラムの作成:
信号選択: 信号対雑音比（SNR）が高い垂直成分を選択。
窓関数適用: 信号の連続性と完全性を確保するため、60秒の固定窓長を採用。
基本的処理: instrument response（計器特性）の除去、デトレンド、デミーンを実施。
フィルタリング: 5Hz以上の高周波エネルギーを強調するため、4次バターワースハイパスフィルタを適用。
時間・周波数変換: 短時間フーリエ変換（STFT）を実施し、ハニング窓と50%のオーバーラップを設定。
正規化: 最大エネルギーで全特徴量を正規化。

データの分割方法とデータ数:
総データ数: 42,057個のスペクトログラムを使用。
分割方法: ACEの学習において、70%を訓練データ、30%を検証データとして非復元ランダムサンプリングにより分割しました（ホールドアウト検証）。過学習対策として、検証損失が30エポック連続で減少しない場合に停止する「早期停止（Early Stopping）」を採用しています。
ラベル付きデータの割合: 本研究は基本的に教師なし学習ですが、最適なクラスター数（K）の決定などの評価のために、合計データのうち2,000個（約4.7%）のランダムに選択され手動でラベル付けされたサンプルが使用されました。

機械学習手法:
モデルの流れ: 生の地震動信号 → 前処理 → 2Dスペクトログラム生成 → ACEエンコーダによる16次元潜在特徴量への圧縮 → GMM/DECによるクラスタリング（K=24）→ クラスター内頻出ラベルによるクラス分類。

特徴量抽出（深層オートエンコーダ: ACE）: 2次元スペクトログラムを入力とし、4層の畳み込み層を持つエンコーダを用いて、高次元データ（38,400次元）を16次元の「潜在空間（Latent Space）」に圧縮し、コンパクトな特徴表現を獲得します。

クラスタリングとクラス分類の詳細: 抽出された潜在特徴量に対し、Deep Embedded Clustering (DEC) 、 ガウス混合モデル (GMM) を適用して自動分類を行います。最適なクラスター数は、外部評価指標（ARI、NMI、Purity）に基づき、複雑な信号構造を捉えるのに最適な K=24 と決定されました。最終的なクラス分類（ラベル付け）は、名前のない各クラスター内を確認し、「そのクラスター内で最も頻繁に出現する既知のラベル」をそのクラスターの代表ラベルとして定義することで行われます。

目的変数（分類対象）: 土石流、落石、地震、環境ノイズの4カテゴリです。

3. 結果
分類精度とF1スコア:GMMの全体精度は92.32%に対し、DECは複雑な土石流信号の識別に優れ、全体精度93.21%を達成しました。各手法のカテゴリ別F1スコアは以下の通りです。

土石流: GMM 0.891 / DEC 0.9392
環境ノイズ: GMM 0.9134 / DEC 0.9233
地震: GMM 0.9758 / DEC 0.9759
落石: GMM 0.9184 / DEC 0.8661

精度向上：
同じガウス混合モデル（GMM）を用いて以下の2パターンで実験を行いました。

全データ一括処理: 42,057個のデータを一度にクラスタリングした場合、精度は92.32%でした。
サブセット分割処理: データを5つのサブセットに分割してそれぞれクラスタリングを行った結果、平均精度は96.81%にまで向上しました。

複雑なパターンの認識: データセットが巨大すぎると、AIはその中に隠れている非常に複雑なパターンを見落としてしまうことがあります。データを小さく分割することで、AIは各サブセット特有の細かい特徴に集中できるようになります。
データ間の密接な関係性の把握: 分割された後のデータ群では、個々のデータポイント同士の結びつきがより強まり、AIがデータの「潜在的な構造（ underlying structure）」をより効果的に特定できるようになります。
計算の効率化と負荷軽減: 大規模なデータを一度に計算するよりも、分割して処理するほうが計算上の複雑さが抑えられ、結果としてより洗練されたクラスタリング結果を得ることが可能になります。

潜在特徴量の物理的な意味: 抽出された16個の潜在特徴量は、従来の地震学的属性との相関分析により、以下の物理的意味を持つことが確認されました。
時間領域の反復性: 自己相関関数のピーク数（信号の周期性や規則性）と最も強い相関があります。
周波数領域の特性: 中心周波数の第1四分位数、正規化DFTの分散および中央値（エネルギーの分布特性）と強い正の相関を示します。
これらは、土石流の各段階で変化する物理特性を効果的に捉えています。

4. 考察
土石流の「発生・輸送・堆積」の違い: クラスタリングにより、単一の土石流イベントを物理的な段階に対応する3〜4つのクラスターに自動分割することに成功しました。
発生（初期・メインサージ）: 振幅が劇的に増大し、パワースペクトル密度（PSD）が最大になりますが、大量の物質の摺動により中心周波数は比較的低くなります。また、強い攪乱により楕円率と入射角が大きくなります。
輸送（通過）: サージ（段波）の影響により、10〜50Hzの範囲で周波数とエネルギーが進化します。
堆積（終息）: 流速と粒子サイズの減少により、エネルギーは低く、中心周波数は高くなる傾向があります。波の運動はより規則的で垂直志向になります。

教師なし学習の有効性: 大規模なラベルなしリアルタイムデータの処理に適しており、高密度観測ネットワークでのパターン発見において教師あり学習よりも汎用性が高いことが示されました。

早期警戒への応用: 潜在特徴量を教師あり学習（ランダムフォレスト）の入力に用いることで、93.15%の精度でリアルタイム早期警戒が可能になる展望が示されました。

1分データでも、ラベリングの手間はかなり大きくなります。それを回避すべく教師なし手法を利用する、という方針です。ただし、評価が必要なのでいくらかはラベリングされています。ある程度のドメインシフトにも対応できそうな手法に思えます。

24クラスタ → 4クラスなので、土石流の「発生・輸送・堆積」などへ自動的に対応できるところも当手法の特徴です。これは教師あり学習でラベルの境界を決定するのが難しいところですので、人為的ミスを回避する点でも魅力的です。

サブクラスタに分けておき、それぞれの結果を Voting するようにしてもリアルタイム運用は可能でしょう。

文献：Adaptive Machine Learning Framework for Debris Flow Monitoring

Adaptive Machine Learning Framework for Debris Flow Monitoring in Nonstationary Environments in Illgraben, Switzerland by Jui-Ming Chang, Qi Zhou, Hui Tang, Jens M. Turowski, Ko Ko :: SSRN

AI要約

1. 背景
土石流は山岳地帯における主要な災害であり、地震動データを用いた機械学習モデルによる検知が有効です。しかし、地球物理データの性質が時間とともに変化する「コンセプトドリフト」という現象が、モデルの長期的かつ汎用的な運用において大きな課題となります。
本研究は、このデータ分布の変化（非定常性）に直接対応し、高い検知精度を維持できる適応型機械学習フレームワークを開発することを目的としています。

2. 手法
機械学習手法
複数のモデルを組み合わせた Stacked Heterogeneous Ensemble を採用しています。

ベース学習器
LSTM+MLP: 10分間のシーケンスを処理するLSTMと、最新の値を処理するMLPを統合したハイブリッド構造で、時間依存性と瞬時の特徴を捉えます。
XGBoost (XGB): 静的な勾配ブースティングモデル。
ランダムフォレスト (RF): 静的な決定木アンサンブルモデル。

メタ学習器
ロジスティック回帰: 各ベースモデルの出力を統合し、単一の堅牢な確率スコアを算出します。

ハイパーパラメータ最適化
Optunaフレームワークを使用し、40回の試行を経て各ベースモデルを最適化しました。

変数
目的変数: 1分間の観測ウィンドウにおける「土石流（debris flow）」または「土石流なし（no debris flow）」のバイナリラベル。
説明変数: 当初は5つのドメイン（ベンフォードの法則、波形、スペクトル、スペクトログラム、ネットワーク特性）からなる80個の特徴量を使用していました。これに時間力学やエネルギー分布を捉える22個の新しい変数を加え、合計92個の特徴量を候補としています。

インバランスデータ
土石流イベントは極めて稀であり、データセットには深刻なクラス不均衡（クラスインバランス）が存在します。
不均衡比: 2017-2018年で0.0023、2019年で0.0078、2020年で0.0094と非常に低くなっています。

データ分割（図1bフローチャートに基づく）
各年6月から8月までの厳密な時系列データを使用しています。
学習（Training）: 2017年から2018年のデータを使用。モデルの初期構築に用いられます。
検証（Validation）: 2019年のデータを使用。これをさらに80/20に分割し、80%をメタ学習器の訓練に、残り20%を微調整（Tuning）用に保持します。
テスト（Testing）: 2020年のデータ（Hold-out test year）を使用。最終的な汎用性を評価します。
データ数: 2020年のテストデータでは、ステーションごとに約13万サンプル（1分単位）が含まれています（例: ILL18でTN=131,371）。

適応機構とドリフト検知
ドリフト検知: 2019年の検証期間と2020年のテスト期間の間の分布変化を、2標本コルモゴロフ–スミルノフ検定（KS検定）を用いて判定します。
有意水準: p < 0.05 で有意なドリフトを検知します。
対応動作: 有意なドリフトが検知された場合、事前に保持していた2019年のデータ（20%分）を用いて、事前に訓練されたLSTM+MLPモデルを**微調整（fine-tuning）**し、新しいデータ分布に適応させます。

3. 結果
全体性能: 3つのモニタリングステーションにおいて、F1スコア0.873から0.927という高い精度を達成しました。

ステーション別の特性: 最上流のILL18で最高のF1スコア（0.927）を記録した一方、下流のステーションでは環境ノイズの影響により、7月に精度が低下する傾向が見られました。

特徴量の寄与: 全92個の特徴量から、ドリフトに強い上位25個を選択して学習に用いる「ドリフト対応特徴量選択」が、モデルの汎用性向上に最も寄与することが明らかになりました。

4. 考察
適応戦略の重要性: 単一のグローバルモデルでは時間的・場所的な変化に対応できず、ステーション固有かつ適応型のシステムが必要不可欠です。
時間的モデルの役割: LSTM+MLPのような時間的依存性を学習するモデルは、見逃し（False Negative）を減らす上で不可欠な要素であることが確認されました。

今後の課題: モデルの長期的な安定性を確保するためには、最新データを用いた定期的またはスライディングウィンドウ方式による再学習プロトコルの確立が重要です。

特徴量のリンクは張られていませんが、以下がベースになっています。
agupubs.onlinelibrary.wiley.com/action/downloadSupplement?doi=10.1029%2F2024JF008094&file=2024JF008094-sup-0001-Supporting+Information+SI-S01.pdf

ドリフト（ドメインシフト）への対処療法が書かれた文献です。

• シグナルの「時間的進化」を捉えることが精度維持の鍵。
• 統計的な変化（ドリフト）を検知した場合のみ、直近のデータを用いて時系列モデルを再訓練する。
• ドリフトを考慮した特徴量選択が必要。

同じ渓流でも上流と下流、経過時間によって振動は変化し、最適な特徴量は異なる。変化を考慮したモデルが必要、という考えに沿ってモデルが作成されています。ドリフトの有無の判断にKS検定を用いており、その結果を特徴量重要度にも反映しています。
既存の手法を組み合わせて対応するといった、実務向きな内容だと思います。