ハイブリッド・アンサンブル機械学習に基づく効率的な地震斜面脆弱性評価とGISマッピングの統合的アプローチ

揺れる斜面が日常生活に及ぼす重要性

地震が丘陵地や山間部を襲うと、地盤そのものが崩れることがあります。住宅や道路、発電所の上方にある斜面が滑動し、堅固だった地面が高速で移動する土砂になり得ます。しかし、国全体のどの斜面が最も危険かを把握するマッピングは通常、計算負荷が非常に大きいため、頻繁に更新するのが難しいのが現状です。本稿は、地震で誘発される斜面崩壊が起こりやすい場所を迅速に予測する、データ駆動型のより速い手法を示します。これにより、従来の高負荷なシミュレーションとほぼ同等の精度を保ちながら、国規模のリスク地図を短時間で作成できます。

実際の地すべりから実用的な破壊基準へ

著者らは単純な問いから出発します：斜面が「危険」とみなされるほどに動き始める揺れの大きさはどれくらいか。過去の地震による現地観測を用い、さまざまな変位のカットオフ値を検証し、得られた破壊確率曲線を実際の被害と比較します。その結果、斜面に沿った永久変位が約14センチに達すると、有害な崩壊の発生確率が急増することがわかりました。この14センチのずれを基準的な「破壊」レベルとして採用し、異なる斜面条件を共通尺度で評価できるようにするとともに、観測された揺れと被害発生確率を明確に結びつけます。

複雑な地盤挙動を一つの安全値に凝縮する

斜面の地震被害は不確実な要因が絡み合って決まります：土質強度、斜面角度、土層の深さ、含水比、揺れの強さと継続時間などです。この不確実性を捉えるために、本研究では古典的なスライディングブロックモデルを用いて、これらの要因がランダムに組み合わさった多数のケース下で斜面がどれだけ動くかをシミュレーションします。各合成斜面について、破壊確率と揺れレベルの全曲線を描くために数千回のシミュレーションを行い、各曲線からHCLPFと呼ばれる単一の要約値を抽出します。HCLPFは、斜面が極めて低い破壊確率を維持できる揺れの強さと考えられます。これにより複雑な確率的記述が直感的な一つの数値に凝縮され、保存・比較・地図化が可能になります。

重いシミュレーションを模倣する機械を教える

このような高精度シミュレーションを国中の全斜面で実行するのは現実的ではありません。そこで研究者らは、土壌および幾何学的特性の実際的な範囲を網羅する10,000件の人工斜面からなる大規模な学習データセットを生成します。各事例について完全な確率解析を行いHCLPF値を算出し、基本的な斜面・土壌入力から直接HCLPFを予測する複数の機械学習モデルを訓練します。最良の性能を示したのはハイブリッド・アンサンブルアプローチで、ブースティング（決定木モデル群を順次学習させ誤差を修正する）とバギング（若干異なる多数のモデルを平均化して予測を安定化する）を組み合わせています。巧妙なハイパーパラメータ戦略は、初期の調整ラウンドで得られた情報を再利用し、尤もらしい設定を効率的にサンプリングすることで、従来の試行錯誤的なモデル調整の負担を軽減します。

国土規模の脆弱斜面マップを描く

この訓練済みハイブリッドモデルを用いて、著者らはテストケースとして大韓民国を取り上げます。国土規模のデジタル標高データと土壌情報を使い、斜面角、土壌深さ、強度、含水量範囲などを持つ10万点以上の地点を準備します。各地点で数千回のシミュレーションを繰り返す代わりに、機械学習モデルに直接HCLPFを予測させます。これらの点予測を補間して滑らかな高解像度マップを作成し、強い揺れの下でどの斜面がより崩壊しやすいかを示します。完全なシミュレーションに基づく参照マップと比較すると、機械学習マップはおおむね95％程度の一致を示しながら、必要な計算時間は約4％にとどまります。

地震誘発地すべりリスクを速く見る手法

平たく言えば、本研究は、地域規模で地震誘発斜面崩壊を評価する際に、入念に設計された機械学習システムが極めてコストのかかるシミュレーションの代替になり得ることを示しています。各斜面の複雑な挙動を単一の安全値に要約し、その値を予測するハイブリッド・アンサンブルモデルを訓練することで、著者らは数日ではなく数時間で詳細な国別脆弱性マップを生成する道具を作り上げました。現場ごとの工学的判断は依然として詳細な検討を要しますが、この手法は緊急対策担当者やインフラ管理者に対して、脆弱な斜面を迅速に特定し、監視や補強の優先順位を付け、新たな地形や土壌データが得られた際にリスク評価を見直すための実用的で比較的高精度な手段を提供します。

引用: Mostafizur, R.M., Go, C., Kwag, S. et al. An integrated approach of hybrid ensemble machinelearning-based efficient seismic slope fragilityassessment and GIS mapping. Sci Rep 16, 9190 (2026). https://doi.org/10.1038/s41598-026-38171-w

キーワード: 地震による地すべり, 斜面安定性, 地震リスクマッピング, 機械学習アンサンブル, 地理空間ハザード解析