洪水感受性マッピングのための地理空間インテリジェンスと機械学習の統合

人や地域にとってなぜ重要か

洪水は最も被害の大きい自然災害の一つであり、都市が河川流域に拡大し気候が温暖化するにつれて、その頻度と被害は増加しています。しかし、多くの地域では、どの場所が洪水に最もさらされやすいかを正確に示す詳細で信頼できる地図がまだ不足しています。本研究は、衛星観測、地理データ、先進的な機械学習手法を組み合わせて、イランの広大かつ複雑な流域に対して高精度の洪水「感受性」マップを作成した方法を説明します。彼らの開発した手法は、将来どこで洪水が発生しやすいかを、計画担当者や地域社会がよりよく理解するのに役立つ可能性があります。

リスクにさらされた流域の理解

研究はイラン南西部のグレート・カルン川流域に焦点を当てています。ここには国内最大の河川と数百万の人々、農地、産業が存在します。この流域は高い山々、深い谷、低地の平野を含み、40を超えるダムや2019年の破壊的な洪水などの激しい洪水の歴史があります。流域内で景観や気候が大きく変化するため、大雨時にどこに水がたまりやすいかを予測するのは困難です。著者らは、気候（降雨、気温、蒸発、積雪）、水文学（河川、ダム、排水パターン）、ランドカバー（植生、土壌、地質、都市部）、および地形（標高、勾配、関連指標）を記述する豊富な地理情報を集めました。衛星に基づく2000～2019年の洪水記録を用いて、実際に洪水が発生した場所を特定し、モデルの学習と検証に使いました。

コンピュータに洪水被災地を識別させる

これらのデータを洪水感受性マップに変換するために、研究チームは機械学習の一群の手法を用いました。機械学習は固定された方程式に従うのではなく、事例からパターンを学習するアルゴリズムです。彼らは5種類のモデルを訓練しました：伝統的な統計モデル（一般化線形モデル）と、複雑で非線形な関係を扱うのに優れた4つの木ベースモデル（決定木、ランダムフォレスト、XGBoost、LightGBM）です。各モデルは同じ入力を受け取りました：環境要因を表す地図と、どの場所が洪水に遭ったか否かの記録です。アルゴリズムは、たとえば河川に近い低地で植生がまばらな場所といった要因の組み合わせを洪水発生の可能性と結びつけることを学習しました。

多くのモデルを統合して強力な指針に

研究者らは単一の「最良」モデルを選ぶ代わりに、アンサンブル（投票）モデルを構築し、流域内の各地点について5つの基礎モデルからの確率推定を組み合わせました。単純な賛否の投票ではなく、各モデルがあるピクセルが洪水に弱い確率を示し、アンサンブルはそれらの平均を算出します。このソフトボーティング戦略により、個々のモデルの誤差の影響が軽減され、複数の手法が一致する場所が強調されます。最終的な出力は連続的な洪水感受性マップであり、意思決定者が解釈しやすいように非常に低いから非常に高いまでの五つの直感的なクラスに分類されます。

どれほどうまく機能し、何が最も重要か?

アンサンブルモデルは驚くほど高精度であることが示されました。独立データで検証したところ、浸水地域と非浸水地域を区別する性能はAUC（曲線下面積）スコアで0.994に達し、個々のモデルよりも優れ、偶然を大きく上回りました。高および非常に高い感受性のゾーンは、特にフーゼスターン州下流の平野で観測された洪水地点とよく一致しました。重要度解析では、河川までの距離、地表の勾配、そして衛星画像で測定された植生密度が洪水感受性の最も強い予測因子であり、標高、流出蓄積、ダムまでの距離、降雨は重要な二次的情報であることが示されました。簡単に言えば、河川に近い、急なまたは収束する地形にある、そして密な植生が欠けている場所は洪水になる確率が大幅に高くなります。

地図を行動へつなげる

一般向けに言えば、本研究は、コンピュータに景観を「読み」取らせ、たとえ大規模でデータが乏しい地域であっても洪水が発生しやすい場所を特定する強力な方法を示しています。過去の洪水の衛星記録を気候、地形、河川、土地利用の詳細な地図と融合し、複数の機械学習モデルを単一のより強力なアンサンブルにまとめることで、著者らはグレート・カルン流域の高い信頼性を持つ洪水感受性マップを作成しました。こうした地図は住宅やインフラの安全な配置、土地利用やダム管理の方針立案、早期警報や緊急計画の支援に役立ちます。この手法は主に世界的に入手可能なデータと広く使われているツールに依存しているため、他の流域にも移転可能であり、地域社会が水害の発生前に被害を予測し軽減するのに貢献できます。

引用: Rahimi, M., Malekmohammadi, B., Firozjaei, M.K. et al. Integrating geospatial intelligence and machine learning for flood susceptibility mapping. Sci Rep 16, 10228 (2026). https://doi.org/10.1038/s41598-026-41014-3

キーワード: 洪水感受性マッピング, 機械学習, 地理空間データ, 流域管理, 災害リスク削減