文献：Physical and Data-Driven Landslide Susceptibility Assessment Frameworks

Physically Based and Data-Driven Models for Landslide Susceptibility Assessment: Principles, Applications, and Challenges

AI要約

背景
地滑りは、インフラ破壊や甚大な人的・経済的損失、二次災害を引き起こす深刻な地質学的現象です。地滑り感受性評価（LSA）は、特定の地域での地滑り発生確率を予測することを目的としており、土地利用計画や防災管理、資源配分において重要な役割を果たします。近年のリモートセンシングやGIS技術の発展に伴い、物理的原理に基づくモデルと統計・機械学習を用いたデータ駆動型モデルの双方が進化していますが、それぞれの利点や限界、相互補完の可能性を整理することが、将来の防災戦略において不可欠となっています。

手法
本論文では、2005年から2024年までの国際的な査読済み論文1,078件を抽出・分析し、以下の2つの主要なアプローチを詳述しています。

1. 物理学的モデル（Physically Based Models） 力学、水理学、材料科学の基本原理に基づき、重力、土壌の粘着力、摩擦、間隙水圧の変化を数式で表現します。

原理: モール・クーロンの破壊基準（せん断強度の算出）やダルシーの法則（地下水浸透の制御）等の数式を用いて、安全率（FS）を算出します。

分類: 静的安定性モデル（無限斜面モデル等）、時間依存の変位を扱う動的変位予測モデル、降雨浸透を考慮する水・土砂結合モデル、気候変動の影響を評価する気候駆動型モデルに分けられます。

ワークフロー: 地形データ（DEM等）や土壌パラメータ（粘着力、内部摩擦角等）を入力し、TRIGRSやSINMAP等のモデルを用いて解析、最終的に感受性マップを作成・検証します。

2. データ駆動型モデル（Data-Driven Models） 過去の地滑り履歴データから機械学習や統計アルゴリズムを用いてパターンを学習します。

アルゴリズム: ロジスティック回帰（LR）等の伝統的統計手法から、サポートベクターマシン（SVM）、ランダムフォレスト（RF）、人工ニューラルネットワーク（ANN）等の機械学習、さらにCNNやTransformerを用いた深層学習まで多岐にわたります。

ワークフロー: 地形、地質、気象、土地利用等の要因を「特徴量」として抽出、データ正規化や主成分分析（PCA）を経てモデルを構築し、ROC曲線やAUC（曲線下面積）等の指標で予測精度を評価します。

結果
地滑り感受性研究は、2010年頃から徐々に増加し、2016年以降はデータ駆動型モデルを中心に爆発的な成長を遂げています。地理的には中国、インド、ベトナム等のアジア諸国の貢献が顕著です。物理学的モデルではTRIGRSやSINMAPが主要な枠組みとして定着している一方、データ駆動型モデルではSVMが最も頻繁に使用され、近年は深層学習（CNN等）による空間特徴抽出が予測精度を大幅に向上させています。

考察
物理学的モデルは、発生メカニズムの解釈性が高いものの、詳細な地質パラメータの取得が困難であり、計算コストも高いという課題があります。一方でデータ駆動型モデルは、非線形で複雑なデータの処理に優れ高い予測精度を誇りますが、「ブラックボックス」化しやすく物理的解釈に欠ける点が弱点です。 今後の展望として、本論文は以下の5点を提唱しています。

1. ハイブリッドモデル: 物理の解釈性と機械学習の予測力を統合したフレームワークの構築。
2. 多源・多尺度データ融合: InSARやLiDAR等、最新のリモートセンシングデータの統合。
3. パラメータ最適化: ベイズ校正等を用いた不確実性の定量的評価。
4. 地域転移性の向上: 特定の地域で学習したモデルを他地域でも適用可能にする技術の確立。
5. 解釈性の向上: SHAP値などの説明可能AI（XAI）の導入による意思決定の透明化。

機械学習による LSM 作成 は、既に出尽くしたように感じます。機械学習の適用だけなら学生でもできるため、ツールを使った報告以上の成果が求められています。
https://phreeqc.blogspot.com/2024/12/das.html

物理モデルベースのレビューは他にもあり、課題や展望として、気象変動への対応やIOT利用なども挙げられていました。