複合的機械学習と3次元物理ベース手法による建物被害評価：2009年ラクイラ地震の事例

地震と暮らす人々にとっての意義

強い地震の直後に最も緊急を要する問いは、どの建物が再び立ち入って安全か、あるいは立ち入り禁止にすべきか、という点です。従来は現地での詳細な検査が必要で、地盤や市街地の局所的な特徴を取りこぼすおそれのある粗い揺れマップに頼ることが多い。本研究はイタリアのラクイラで起きた2009年の壊滅的地震に注目し、揺れの高度な計算モデルと人工知能を組み合わせることで、最も被害を受けた建物を迅速に抽出し、将来の地震に備える助けになることを示しています。

あるイタリアの都市を詳しく見る

著者らは、主震が強くよく記録され詳細に研究されていること、そして市域の地質が例外的に詳細にマッピングされていることから、ラクイラを実地の検証ケースとして選びました。対象はマグニチュード6.1の地震後に綿密に調査された約3,000棟の建物データです。各建物について、被害の程度だけでなく、構造形式、規模、竣工年、断層や局所地形に対する位置関係といった情報が分かっています。この豊富な情報により、どの要因が建物を軽微な被害で済ませるのか、あるいは崩壊の瀬戸際まで追い込むのかを詳しく検討できます。

地下をシミュレーションして揺れ推定を改良する

標準的な地震被害評価ツールは、限られた数の地上観測器と簡略式を組み合わせて領域の揺れを推定するShakeMapに基づくことが多い。研究チームは代わりに、ラクイラ周辺の地殻と堆積盆地を三次元で詳細にモデル化し、深さ約20キロメートルまで、水平方向に約60キロメートル範囲をカバーするデジタル地盤モデルを構築しました。高性能計算と専用コードを用いて、断層から発生した地震波がこの複雑な地下構造をどのように伝播したかをシミュレーションします。さらに低周波から高周波までの運動を含めてシミュレーションを拡張し、建物が実際に立つ数千点での地表速度や加速度といった現実的な揺れの指標を得ています。

デジタルの森に被害を識別させる

建物ごとの揺れの詳細像を得た上で、研究者らは機械学習モデル、具体的にはランダムフォレストとして知られる決定木のアンサンブルを訓練し、被害レベルを予測します。扱いやすくするため、元の6段階の被害等級を「軽微対中〜重」や「軽微〜中対重」といった2〜3クラスに再分類します。各モデルは、建物に関する特徴（高さ、占有面積、築年数など）と現場に関する特徴（断層からの距離や局所地盤特性など）を混合して入力として受け取り、揺れ指標には物理ベースのシミュレーション由来の値かShakeMap由来の値を用います。築年が不明などの欠損情報には慎重な補完を行い、希少だが重要な重被害事例が無視されないよう合成事例でクラス不均衡に対処しています。

モデルが示すリスクの鍵

解析の結果、被害を最もよく説明する予測因子は、建物や街区の平均床面積、最も大きく滑った断層部分からの距離、局所地盤の剛性、そして重要なことに物理ベースのシミュレーションで算出された揺れの指標であることが分かりました。対照的に、ShakeMapから得られる同種の値は上位変数にはほとんど現れません。シミュレーションに基づく揺れを用いると、単純な2クラス問題で約80％前後の精度に達し、別の未使用の建物セットに対しても堅牢に性能を示しました。これは、広域的な簡略式で平滑化するのではなく、地震波の実際の三次元伝播経路を捉えることが、軽微な被害の建物と深刻に損なわれた建物を識別する能力を大きく高めることを示唆しています。

将来の地震に向けての意味

専門外の読者にとっての主な結論は、地盤が実際にどのように動いたかを現実的に再現するコンピュータシミュレーションと現代的なパターン認識アルゴリズムを組み合わせれば、断片的な観測と建物記録を実用的な危機対応ツールに変えられる、という点です。将来の地震では、このような方式で構築されたシステムが短時間で大きな被害が起きやすい地域を浮き彫りにし、点検や避難計画、長期的な再建の指針を提供する可能性があります。著者らは現在のモデルが特定の地域と建物群に調整されているため、他地域で使う前に検証と適応が必要だと注意を促しています。それでも詳細な地下のデジタルツインと賢いデータ駆動モデルを組み合わせることで、コミュニティが地震リスクをより良く理解し管理する未来を指し示しています。

引用: Di Michele, F., Pera, D., Mazzieri, I. et al. Combined machine learning - 3D physics based approach for building damage evaluation: the case of L’Aquila 2009. Sci Rep 16, 10919 (2026). https://doi.org/10.1038/s41598-026-45377-5

キーワード: 地震被害, 機械学習, 物理ベースのシミュレーション, 建物リスク, ラクイラ2009