ハイブリッドCNN–LSTM深層学習モデルを用いたリモートセンシングに基づく土砂災害予測とリスク評価

斜面の崩壊箇所を知ることが命を救う理由

土砂崩れはほとんど予告なく発生し、住宅を埋め、道路を塞ぎ、重要なインフラを損なうことがあります。特に降雨が激しく地盤に既に応力がかかっている山間部では、目で見ただけでは安定性を判断しにくい斜面の下で人々が暮らし移動しています。本研究は、衛星データと高度なパターン認識型コンピュータモデルを組み合わせることで、大規模地域のどの部分が滑落しやすいかを特定し、都市計画者や緊急対応担当者にリスク低減のための強力な手段を提供することを示しています。

宇宙から危険な斜面を観る

研究者たちはイラン南東部のケルマン州を対象にしており、そこは高い山脈、深い渓谷、乾燥した平野が活断層と過酷な気候によって形作られた地形です。このような険しい地形では、従来の現地調査は遅く、網羅的ではありません。そこでチームはリモートセンシング、すなわち土地被覆や植生を明らかにする衛星画像と、地形の高さや傾斜を記述するデジタル標高モデルを利用します。これらの情報から斜面角度や方位、水が集まりやすい箇所や流れを示す指標といった重要な特性を導出します。また、各地点が河川、道路、断層からどれだけ近いかを地図化し、農地から裸地岩盤までの土地利用区分も分類します。

時間を通して水の挙動を追う

しかし土砂崩れは地形だけで引き起こされるわけではありません。降雨や貯水池の水が貯まることで、斜面は徐々に弱まり、やがて崩壊します。この変化する側面を捉えるために、本研究では降雨量と貯水池水位の日次記録をまとめます。領域内の各地点について、モデルは既知の土砂崩れが発生した直前の30日間、あるいは崩壊がなかった期間の30日間をさかのぼって、どれだけの水が到来し日ごとにどのように変化したかを確認します。この1か月の移動ウィンドウにより、極端な豪雨だけでなく、地盤を徐々に飽和させる多数の湿潤日が累積的に及ぼす影響も識別できます。

空間と時間を読み取るハイブリッドモデルの学習

研究の中核は、相互補完的な二つの手法を組み合わせたハイブリッド深層学習モデルです。一方は畳み込みニューラルネットワーク（CNN）と呼ばれ、空間にわたるパターン認識を専門とします。積み重ねられた地形や土地利用のレイヤーの小さなパッチを調べ、斜面角度や岩質などのどの組み合わせが過去の土砂崩れと関連しているかを学習します。もう一方は長短期記憶ネットワーク（LSTM）で、時系列を扱うよう設計されています。30日間の降雨と貯水池水位の連続を読み取り、どの時間的パターンが危険であるかを学びます。モデルはこれら二つの流れ—斜面の状態と最近の湿潤状況—を統合して、各地点が滑落する確率を評価します。

実際の土砂崩れで検証する

システムの有効性を評価するために、著者らは報告書、現地確認、詳細な画像から記録された719件の土砂崩れインベントリを作成し、同数の安定した地点と対応させます。これらのデータを訓練用と独立したテスト用に分け、学習中にモデルがテスト例を一切見ないようにしています。未見のケースで試したところ、ハイブリッドモデルは土砂崩れ地点と非土砂崩れ地点を95％以上の確率で正しく識別し、標準的な診断曲線において最高に近いスコアを示しました。サポートベクターマシン、決定木、ランダムフォレスト、あるいは空間のみ・時間のみを使う単純な深層学習モデルと比べても優れた性能を発揮しました。

予測を実用的な地図に変える

訓練済みモデルを用いて、チームはケルマン州全域の格子セルごとに土砂崩れ発生の連続的な確率を生成し、結果を低・中・高・非常に高い感受性に分類します。地域の約4分の1が高リスク群に該当し、主に降雨や貯水池変動が顕著な急傾斜地に集中しており、約3分の1は低リスクと見なされています。作成したマップを独立した土砂崩れインベントリに重ね合わせると、記録された事象の86％超が高および非常に高のゾーン内に位置しており、モデルの警告が実際の崩壊と密接に一致していることが示されます。入力要因の解析では、斜面の急傾斜が支配的要因であり、次いで最近の総降雨量と貯水池水位の変動が重要であることが確認されました。

現地の人々にとっての意味

簡潔に言えば、本研究は衛星から得られる「どこで」の情報と、水に関する「いつ」の情報を組み合わせることで、いずれか単独よりもはるかに鮮明な土砂崩れ危険地図が得られることを示しています。ハイブリッドモデルは斜面が崩壊する正確な日を予測するわけではありませんが、典型的な湿潤条件下でどの地域が本質的に脆弱であるかを明らかにします。その知見は道路や建物の安全な配置を導き、保護や監視が必要な集落やインフラを浮き彫りにし、緊急計画担当者が限られた資源を最も必要とされる場所に集中させるのに役立ちます。また、この手法は柔軟で、適切なデータがあれば、重力と水による類似の脅威に直面する他の山岳地域にも適用可能です。

引用: Teng, F., Ekraminia, S.S., Zarei, A. et al. Remote sensing-based landslide prediction and risk assessment using a hybrid CNN–LSTM deep learning model. Sci Rep 16, 10687 (2026). https://doi.org/10.1038/s41598-026-43927-5

キーワード: 土砂災害感受性, リモートセンシング, 深層学習, リスクマッピング, ハザード予測