3つの機械学習手法を用いた洪水感受性評価とその性能比較

なぜエチオピアの一つの流域の洪水が重要なのか

洪水は毎年世界中で何千人もの命を奪い、作物を壊滅させ、住宅や道路を損傷します。エチオピアのブルーナイルに注ぐ高地域であるチョーク流域では、豪雨による突発的な洪水が迅速に、しばしば予告なく発生します。本研究は、衛星画像や地図、降雨記録といったデータを現代の計算手法で解析することで、詳細な洪水リスク地図を作成し、次の嵐が来る前にどこに建設し、どこで農業を行い、どこで人々を守るべきかを地域社会や計画担当者が判断できるようにする方法を示します。

圧力にさらされる山岳景観

チョーク流域はエチオピア北西部の高地に位置し、急峻な山々から60を超える河川と数百の湧き水が湧き出します。この多様な地形は農地、流域の水力発電、飲料水、観光を支えますが、同時に季節性の激しい降雨を狭い谷や氾濫原に集中させます。過去10年で繰り返し発生した洪水は、特に6月から9月の主雨季に農地、道路、橋、学校、住宅を破壊してきました。人口増加、森林破壊、都市の拡大は地表を変化させ、しばしば水を吸収しにくくし、急激な流水の下流流出を助長しています。

地図と観測から洪水の履歴を作る

研究者たちはまず、流域の洪水「インベントリ」を構築して、どこで洪水が発生したかを把握しました。政府の災害報告、現地調査情報、雲越しでも冠水域を捉えられるSentinel-1衛星のレーダー画像を組み合わせました。2005年から2020年の間の主要な洪水年のうち5年について、事象前後の画像を比較して浸水域を特定しました。さらに標高データを用いて恒久的な湖沼や立ち入りが不可能な急斜面を除外しました。こうして、洪水が発生した地点と発生しなかった地点をバランスよく集め、機械学習モデルの学習素材を整えました。

土地の特徴を読み取り将来の洪水を予測する

次に、研究チームは水がどこにたまりやすいかに影響する11種類の情報を収集しました。これには地形の高さ、傾斜の急さ、尾根や谷の曲率、土壌の湿潤傾向、河川網、河道からの距離、降雨、土壌分類、土地利用などが含まれます。これらすべてを地理情報システムで整合する地図レイヤーに処理しました。モデルはこれらのレイヤーと過去の洪水のパターンを結びつけることを学習しました。さまざまな試験で特に重要だったのは標高、傾斜、そして特定箇所で水がたまりやすさを示す湿潤指数の三つでした。低地で緩やかな傾斜、高い湿潤指数を示す場所が明確な洪水ホットスポットとして浮かび上がり、斜面方向（方位）や降雨のばらつきはこの山間地ではそれほど重要ではありませんでした。

機械に高リスク地域を見分けさせる

本研究では、多数の決定木を組み合わせる手法である3つの先進的な機械学習法、ランダムフォレスト、勾配ブースティング、極端勾配ブースティングを比較しました。これらの手法は、多数の要因間の複雑な関係を扱うのに適しており、完璧なデータや単純な数式を必要としません。データを学習用と検証用に分け、それぞれのモデルを調整し、いくつかの統計的指標で性能を確認しました。特に勾配ブースティングと極端勾配ブースティングの2手法は高精度で、洪水発生点と非発生点を約97%の確率で正しく識別しました。ランダムフォレストもこれに次ぐ成績でした。3手法とも流域を非常に低リスクから非常に高リスクまでの5段階に分類した洪水感受性マップを作成し、北部および南西部が最も危険であることを示しました。

計算機上の地図から安全な地域づくりへ

専門外の読者にとっての要点は、これら機械駆動の地図が散在する記録や衛星画像を統合して、洪水が広がりやすい場所を明確に示すということです。チョーク流域の大部分は最高リスク地帯には入らないものの、これらの高リスクの小さなポケットは人口の集中する低地や重要な農地と重なります。地方当局はこの結果を用いて新しい住宅地の配置、橋梁や排水設備の補強、流出を遅らせるための植生回復などの方針を決めることができます。これらのモデルは詳細な水理シミュレーションの代わりにはなりませんが、限られた資源を最も脆弱な地域に集中させるための迅速かつ費用対効果の高い手段を提供し、土砂災害や地震など他のハザードにも応用可能です。データや予算が不足しがちな国において、衛星と賢いアルゴリズムの組み合わせは、より回復力のある土地とコミュニティを築くための実践的な道を示します。

引用: Asrade, T., Abebe, S., Tadesse, K. et al. Flood susceptibility assessment using three machine learning techniques and comparison of their performance. Sci Rep 16, 8099 (2026). https://doi.org/10.1038/s41598-026-38391-0

キーワード: 洪水感受性, 機械学習, チョーク流域, リモートセンシング, 災害リスク削減