崩壊土砂量の推定

NHESS - Prediction of the volume of shallow landslides due to rainfall using data-driven models

AI要約

背景

降雨による浅層地すべりの体積（VLDR Volume of Landslides due to Rainfall）の定量化は、リスク管理、緊急対応、土木設計、経済評価、環境保護において重要である。地すべり体積の推定は、地形変化の把握やハザードマップの更新に寄与し、土壌の移動規模を示すことでリスクゾーンの分類（低・中・高）を可能にする。従来の地すべり感受性モデルは発生確率のゾーニングに重点を置くが、体積の推定には十分でない。過去の研究では、リモートセンシングや航空写真、降雨データを用いて体積推定が試みられてきたが、地形・植生・気候要因の複合的影響や非線形性を十分に考慮していない場合が多い。特に、韓国のような地形が複雑で気候変動の影響を受けやすい地域では、より精度の高い体積予測モデルの構築が求められている。

手法

本研究では、韓国を対象に、降雨（誘発因子）と地形・土壌・環境（素因因子）を説明変数とし、浅層地すべり体積を予測するために9種類の機械学習モデルを比較検討した。使用したモデルは、OLS（最小二乗法）、RF（ランダムフォレスト）、SVM（サポートベクターマシン）、EGB（極端勾配ブースティング）、GLM（一般化線形モデル）、DT（決定木）、DNN（深層ニューラルネットワーク）、KNN（k近傍法）、RR（リッジ回帰）である。これらのモデルは、物理ベースモデルと経験的モデルのパラメータを組み合わせ、非線形性を含む複雑な特徴を捉えることを目指す。モデル評価指標には決定係数（R²）、平均絶対誤差（MAE）、二乗平均平方根誤差（RMSE）、平均絶対パーセント誤差（MAPE）、対称平均絶対パーセント誤差（SMAPE）を用いた。データセットは2011～2012年に韓国各地で収集された455件の地すべり記録で、走行長、幅、深さ、体積、地形構成、植生、降雨履歴などの特徴量を含む。特徴量の多重共線性を排除し、モデルの過学習を防ぐために適切な前処理を行った。

結果

モデルの予測性能はモデル間で大きく異なり、OLSやRRは低い決定係数（R²=約0.27～0.30）で最も性能が劣った。一方、EGB、DNN、RFは高い性能を示し、特にEGBはトレーニングセットでR²=0.96、テストセットでR²=0.88を達成した。RFもトレーニング・テストセットでのR²差が小さく安定した予測を示した。DNNはSMAPEが低く、誤差が小さい予測を行った。特徴量の重要度分析では、斜面長（slope length）が最も重要な予測因子であり、次いで降雨量（特に最大1時間降雨量）、斜面角度、斜面方位、標高が重要であった。土壌深さや森林密度の寄与は小さかった。火災履歴は散布図では大きな地すべり体積と関連が示唆されたが、モデルの重要度では有意ではなかった。これらの結果は、地形的特徴と降雨強度が浅層地すべり体積の主要な決定因子であることを示す。

考察

本研究は、物理的・経験的モデルのパラメータを統合し、非線形性を考慮した機械学習モデルによって浅層地すべり体積の予測精度を向上させた。特にEGBやRFは過学習を抑えつつ高精度な予測を実現し、地域特性に基づく体積推定に有効である。斜面長や降雨強度の重要性は、地すべりの発生メカニズムと整合的であり、これらの因子を重視した防災対策が有効と考えられる。火災履歴や土壌深さの影響が小さいことは、地域特性やデータのばらつきによる可能性があるため、さらなるデータ収集とモデル改良が望ましい。気候変動による降雨パターンの変化を踏まえ、継続的なモニタリングとモデルの適応が必要である。今後は他地域への適用可能性や、より多様な環境因子の統合が課題である。

機械学習で崩壊土砂量を推定する内容。相関係数が高すぎるような気がしますが、ま、一例ということで。
斜面長が効くと言われると、そうなのかなとも思います。では、斜面長を作る際にどの程度の面積、凹凸まで許容するか？工夫の必要がありそうです。