SFEL：レーダー散乱波に基づく地表変形を予測する機械学習フレームワーク

動く前に丘を見守る

山道や集落は頑丈に見えても、インドのヒマラヤの麓のような場所では地面がゆっくりと動いています。突然の土砂崩れは道路を断ち、家屋に被害を与え、人命を脅かします。本研究は、人工衛星レーダー、土壌試験、地域の知見を“聴く”新しい方法を探り、それらを機械学習システムに投入して数か月先の微妙な地表変化を予測する手法を提示します。

土の中に潜む危険

研究者らは、ヒマチャル・プラデーシュ州マンディ地区の土砂災害多発の道路回廊に着目しました。ここは中部ヒマラヤの地域で、急峻な斜面、激しいモンスーン降雨、複雑な地質を特徴とします。わずかな土壌強度や含水量の変化が安定と崩壊の均衡を崩すことがあります。従来の現地調査はボーリングや実験室試験、専門家の判断に頼りますが、これらは費用がかかり遅く、場所も限られます。一方で衛星レーダーは過去の地盤変動の検出に優れていますが、将来を予測する用途ではあまり活用されていません。課題は、これら散在する手がかりを実用的な早期警戒ツールにまとめることです。

衛星、実験室試験、地域の知恵を融合する

研究チームは道路沿い110地点でデータを収集しました。既知の土砂崩れ箇所55カ所と比較的安定な地点55カ所を含みます。実験室では、土の粘性や可塑性、保水力、密度や間隙率、砂・シルト・粘土の含有比など、標準的な地盤工学特性を測定しました。現地では、地域住民や専門家が世代を超えて使ってきたような手がかりも捉えました：土の色、指先での感触、土臭、湿り具合や締まり具合、植生の健全さなどです。これらの“伝統的”指標は、12人の訓練を受けた観察者によって5段階で慎重に評価され、人間の知覚を数値化しました。

レーダー反射を変形信号に変える

斜面の時間変化を監視するために、研究者らはGoogle Earth Engine上で処理したSentinel‑1衛星レーダーのデータを利用しました。完全な3次元地盤変動を計算する代わりに、表面から返ってくるレーダーエコーの強さ、すなわち後方散乱の変化を2年間にわたって追跡しました。各月の信号を以前の基準と比較することで、表面の変化を示すΔVVという単純な指標を得ました。持続的な減少は沈下や地盤の締まりを示すことが多く、増加は含水や植生の増加を示すことがあります。ΔVVは土地が何ミリ動いたかを直接示すわけではありませんが、変形の敏感な代理指標として機能し、110地点すべてで月次間隔で一貫して測定できます。

1か月先と6か月先を見通すスタック型学習器

多数の土壌・レーダー関連変数をモデルに投入すると、ノイズや過学習が生じやすくなります。その回避のために、著者らは統計的フィルタを用いて最も有益な16特徴量に絞り、線形相関とより複雑な関係のバランスを取りました。次に彼らは、複数の回帰アルゴリズム――決定木、ランダムフォレスト、勾配ブースティング、サポートベクターマシン、最近傍法――を二層構造で組み合わせるStaked Forecasting Ensemble Learner（SFEL）を導入しました。第一層は土壌や伝統的指標からΔVVの予測を学び、第二層の“メタ学習器”がこれらの予測を最適に融合する方法を学びます。慎重な交差検証で学習・検証したところ、SFELはレーダーに基づく変形代理指標を1か月先および6か月先まで非常に小さな誤差で予測でき、観測値の狭い範囲内で約97～99%の変動を説明しました。

特徴量の重要度でブラックボックスを開く

土砂災害に関する判断は道路や住居、予算に影響するため、モデルは単に精度が高いだけでなく理解可能である必要があります。チームはSHAPという広く使われる説明ツールを用いて、各特徴量が予測を上げるか下げるかを示しました。短期の1か月予測では、比重、可塑性指数、植生被覆など機械的強度に関連する特性が最大の安定化または不安定化要因として働きました。6か月では、天然含水比、シルト含有量、土壌の保水量といった含水に関連する特性の影響が大きくなり、長期にわたる湿潤なモンスーンの影響が増していることを示しました。重要なのは、植生の活力、土の色、土臭といった伝統的指標が一貫して有用な予測子として現れ、地域の経験的知見が実験室データと定量的に結び付けられることを示した点です。

斜面の下で暮らす人々にとっての意味

専門外の読者にとっての結論は、目に見える亀裂や崩壊が現れる前に危険な斜面の挙動を予見することが現実味を帯びてきた、ということです。衛星レーダー、詳細な土壌試験、農家や技術者が地上で既に気づいている微妙な兆候を融合することで、SFELフレームワークは道路や斜面の一部で静かに状況が悪化している箇所を迅速かつスケール可能に示す手段を提供します。センチメートル単位の正確な地盤移動量を測るわけではありませんが、1か月および6か月の期間でリスクに関連する表面挙動の変化を確実に追跡します。他の山岳地域での追加検証や降雨・地震データの導入により、このような手法はより標的を絞った点検、より良い斜面管理、早期警報の支援につながり、移りゆく山々と共に暮らすコミュニティの安全向上に寄与する可能性があります。

引用: Sankhyan, S., Sharma, S., pohal, S. et al. SFEL a machine learning framework for forecasting radar backscatter based ground deformation. Sci Rep 16, 7626 (2026). https://doi.org/10.1038/s41598-026-37619-3

キーワード: 土砂災害予測, 衛星レーダー, 土壌変形, 機械学習, ヒマラヤ斜面