土層区分 + RF

A machine learning-based approach for constructing a 3D apparent geological model using multi-resistivity data | Geoscience Letters | Full Text

AI要約

背景
台湾の濁水渓沖積扇（CRAF）は主要な地下水盆であり、高速鉄道が地盤沈下帯を通過するため、地下の地質構造を詳細に理解することが重要とされている。しかし、従来の地下モデルはボーリングデータに大きく依存しており、その高コストと疎な配置により、広範囲の領域で詳細な空間的リソロジー分布を把握することは困難であった。また、先行研究では抵抗率データとボーリング情報を十分に統合した包括的な3D地下モデルの構築には至っておらず、この不足が課題となっていた。

手法
本研究では、濁水渓沖積扇において、垂直電気探査（VES）、過渡期電磁（TEM）、ボーリング孔比抵抗（NBR）を含む複数の比抵抗データを統合し、3D見かけ地質モデル（Apparent Geological Model (AGM) ）を構築する包括的なアプローチを提示。まず、異なる手法で取得された比抵抗データの厳密な調和（ハーモナイゼーション）を行い、整合性のある比抵抗値を確保した。この調和の必要性は、同じ研究エリア内での測定にもかかわらず、各データセットの比抵抗値の範囲（上限・下限）に顕著な不一致が見られたためである。本研究では、以下の手順で厳密な調和を行った。

1. データ範囲の制限とサンプリングレートの調整: まず、各1次元データセット（VES、TEM、NBR）の深度を200mに制限し、Piecewise Cubic Hermite Interpolating Polynomial (PCHIP) メソッドを用いて、1m間隔でサンプリングレートを調整した。 
2. 次に、Min–Max Re-scalingとして知られる正規化手法を用いて特徴スケーリングを実行した。これは、元のデータ範囲を線形変換し、所定の境界内で比抵抗値の関係を維持するためである。
3. VESデータ範囲を基準とした変換: 全ての比抵抗データセットは、研究エリア内のVES比抵抗範囲（1.02 Ωmから2512 Ωm）を基準として変換されました。この「データ取得（data retrieval）」と呼ばれるプロセスにより、比抵抗データはまず0-1の範囲に正規化され、その後sci-analysisパッケージを用いてVES比抵抗値に一致するように再スケーリングされました。VESデータが基準として選ばれた理由は、そのデータがNBRおよびTEMデータと比較して比抵抗値の最低および最高の境界（1.02 Ωmおよび2512 Ωm）を両方とも示し、かつ3つの手法の中で最も密に分布している測定値であった点にある。 

次に、従来のソフトウェアの限界を克服するため、Pythonベースのモデリングと動径基底関数補間（RBFI）を用いて3D抵抗率モデルを構築した。これは、複数のソースから得られた点の情報（抵抗率データ）を3次元空間に補間するために用いられた。抵抗率データは、VES、TEM、NBR。スムージング係数（この研究では500に設定）は、「データ点への正確な適合」と「滑らかな補間表面」の間のトレードオフを制御し、ノイズの多いデータセットやスパースなデータセットへの過学習を防ぐ役割を果たす。

その後、ボーリング情報から得られた堆積物タイプ（粘土、砂、砂利）をグラウンドトゥルースデータとして利用し、教師あり機械学習（SML）技術によって3D AGMに変換した。SMLアルゴリズムとしては、ランダムフォレスト（RF）、決定木（DT）、サポートベクターマシン（SVM）、勾配ブースティング（XGBoost）の4種を実装し、混同行列分析、評価指標、ROC曲線を用いて性能評価を行った。

結果と考察
本手法により、データカバレッジは従来の62地点から386地点へと大幅に増加し、空間カバレッジ密度が約84.02%向上した。SMLアルゴリズムの評価では、ランダムフォレスト（RF）が全ての評価指標において0.952という最高の性能を示した。構築された3D AGMは、堆積物タイプと抵抗率の明確な相関を明らかにした。具体的には、粘土層は低比抵抗（59.98 Ωm以下）、砂層は中比抵抗（59.98 Ωm超136.14 Ωm未満）、砂利層は高比抵抗（136.14 Ωm以上）を示した。また、近位扇状地では砂利層が優勢である一方、中間扇状地では主に砂質粘土層が、遠位扇状地（西部の沿岸地域）では粘土質砂が主体であることも判明した。
マルチ比抵抗データを統合し、データカバレッジを大幅に増加させたことにより、地下の詳細な特性をよりきめ細やかに把握することが可能となった。特に、データハーモナイゼーション技術によって、異なる比抵抗データの範囲を整合させたことは、3Dモデリングの精度向上に寄与した。この研究成果は、濁水渓沖積扇だけでなく、他の地域における3D AGM構築にも応用可能であり、地盤沈下メカニズムの理解や地下水管理、資源探査など、多様な地質学的応用において貴重な洞察を提供する。

複数の物理探査の結果をソースとして、機械学習により土層分布を推定しています。地下水の有無に留意でしょう。RBFNで一度訛ったデータを用いているので、過学習にはなり難いのかもしれません。
 近年、他国で多数報告されている3D地質モデル作成時の機械学習の利用ですが、ジョイントインバージョンに頼らなくて済みますし、扱いが容易なので普及するのでは？と注目しています。国内では3次元地質が多用されているとは未だに言えませんし、物理探査も縮小傾向のまま低空飛行を維持、機械学習も未だに普及していない、ということで、また日本が取り残されていくのを残念に思いながら眺めています。