イタリアの地震計データからマクロ震度を迅速に推定する機械学習

迅速な地震評価が重要な理由

地面が揺れ始めると、救助隊や資源の配置を決めるための時間は数分しかありません。しかし、地表でどれだけ強く揺れが感じられたかを示す通常の手法――イタリアで使われるメルカリ震度などのマクロ震度――は、アンケートや現地調査を経て数時間、数日、あるいは数か月後に到着することが多いです。本稿は、最新の機械学習が最初の地震計観測をどのように迅速で合理的な精度の「感じ方」地図に変え、当局の意思決定をより速く、確信を持って行えるようにするかを探ります。

体感報告から迅速推定へ

イタリアでの従来の震度推定は主に二つのデータ流に依存しています。ひとつは公式データベースに記録される専門家による現地調査で、被害がある地点に重点を置きますが組織に時間がかかります。もうひとつは市民が感じたことを報告するオンラインシステム「Hai Sentito Il Terremoto」で、多数の低～中程度の観測が得られます。両方とも人間や建物の反応に基づくメルカリ＝カンカニ＝シーベルグ（Mercalli–Cancani–Sieberg）階級で震度を記録します。これらの人間中心の尺度を計器観測と結び付けるために、著者らは各観測点（地震計）周辺で二つのデータセットを統合し、半径5 km以内の全報告震度を平均してその地区の代表値とし、1から8までの整数クラスに丸めました。

揺れを読む森を教える

研究者たちは震度推定を分類問題として定式化しました：初期観測から各地震計周辺がどの8段階の震度クラスに該当するかを予測するのです。彼らはランダムフォレストを用いました。ランダムフォレストは多数の決定木を束ねたもので、各木が震源の規模や深さ、震源からの距離、そして最大地震動加速度・速度・変位などの直接的な地盤運動指標といったデータに対して一連の単純な「if–then」分岐を行います。2008〜2020年にイタリアで観測された523回の地震から得た5,466件の観測で学習させることで、地震計が記録する信号と人々が報告する感じ方との間にある複雑で非線形な関係をモデルは学びました。強い揺れがデータ中でまれであるという事実に対応するため、訓練時にはすべての震度レベルが等しくカウントされるよう調整し、モデルが最も多い弱い事象のみに偏らないようにしました。

既存の規則との比較検証

機械学習の手法が本当に価値を付加するかを確認するため、チームはその予測を二つの広く使われる経験的関係式群と比較しました。ひとつは震度予測方程式（Intensity Prediction Equations）で、主に地震のマグニチュード、深さ、距離から震度を推定し、震度が距離とともに滑らかに減衰すると仮定します。もうひとつは地震動から震度への変換式（Ground Motion to Intensity Conversion Equations）で、観測されたピーク地震動を対応する震度クラスに変換します。これらの式は簡潔で適用が容易ですが、局所的な地質、建物の在り方、波の入射方向が人々の感じ方に与える影響を完全には捉えられません。それに対してランダムフォレストは震源パラメータと地震動指標の両方を自然に統合し、硬直した数式形を事前に定めずにイタリアのデータに含まれる微妙なパターンに適応できます。

ブラックボックスの可視化と限界

自動化された判断の根拠を緊急対応者が理解する必要があるため、著者らはランダムフォレストの振る舞いを模倣するより単純な「代替」決定木を作成しました。これらの小さな木は図として描け、どの地震動閾値が低い震度と高い震度を分けるか、加速度や速度といった変数がどこで支配的になるかを示します。この解析から、直接的な地盤運動指標、特に最大加速度と最大速度がマグニチュードや深さ単独より重要な重みを持つことが明らかになりました。著者らは各代替木の予測がどれほど不確実かを示す簡便な方法も導入しており、最終的な葉に含まれる訓練例の混合度合いを用いて不確かさを示しています。同時に、ごく強い震度は予測が困難であり続けることも分かりました。これは歴史記録で稀であるためにデータが限られ、最高震度の過小評価が時折発生するためです。

最近のイタリア地震での実地検証

チームはこの枠組みを、2022年にアドリア海沿岸、ペザーロ＝ウルビーノ近くで発生したM5.5の注目すべき地震で評価しました。約15分以内に必要な震源・地震動情報は得られましたが、公的な体感報告は約90件しか提出されず、非常にまばらな状況でした。計器データのみを用いて、ランダムフォレストとその代替木は標準的なコンピュータ上で数百の観測点周辺について2秒未満で詳細な震度推定を生成しました。後に数日かけて集められた1万2,000件超の市民報告から作成されたはるかに密な地図と比較すると、機械学習による地図は感じられた領域の全体像と中程度の揺れの広がりを良く捉えており、古典的な経験式と同等かそれ以上の性能を示しました。

地震と共に暮らす人々にとっての意義

総じて、本研究は注意深く訓練された機械学習システムが地震計の初期数分のデータから迅速で比較的透明な震度地図を作れることを示しています。これらの地図は詳細な現地調査や群衆ソースの報告に取って代わるものではありませんが、救急隊、消防、構造物の検査担当者を限られた情報でどこに派遣するか決めなければならない危険な初期のギャップを埋める手助けになります。高度なアルゴリズムを解釈可能な簡易モデルと基本的な不確実性フラグと組み合わせることで、この枠組みはイタリアのより速く、より情報に基づいた地震対応に向けた実用的な一歩を提供し、同様の地震リスクに直面する他地域へも適用可能です。

引用: Patelli, L., Cameletti, M., De Rubeis, V. et al. Machine learning for prompt estimation of macroseismic intensity from seismometric data in Italy. Sci Rep 16, 7265 (2026). https://doi.org/10.1038/s41598-026-35740-x

キーワード: 震度, 機械学習, ランダムフォレスト, 地震ハザード, イタリア