物理制約付きU-Netモデルを用いた行データの空間的異質性と地すべり感受性評価の一般化能力に関する研究

なぜ重要か

地すべりは道路や集落、インフラを山岳地帯で脅かしており、気候変動に伴う豪雨の増加でその危険性は高まっています。本研究は、実際の物理法則に導かれた人工知能モデルを用いて、チベット東南部の広大な領域で地すべりが発生しやすい場所をマッピングする新しい方法を探ります。このアプローチは、険しい地形と変化する気象条件の両方を反映した、より鋭く信頼できる地図を計画担当者や緊急管理者に提供することを目指しています。

山地での危険を見通す

研究者らはラサ、ニンチ、カムドおよび周辺地域を含む広大な高地を対象としています。この地域では急傾斜、急流、活断層、苛酷な気候が組み合わさり、地すべりが頻発・多様化しています。従来の手法は過去記録や単純な統計に強く依存しており、データが不十分な場所では重要なパターンを見落としがちです。一方で、より柔軟な機械学習モデルは局所的な詳細がぼやけやすく、地形が場所ごとに変わると性能が落ちることもあります。東南チベットのように複雑な地域では、こうした限界によりリスクマップが実地の判断には粗すぎることがあります。

新モデルの差別化点

これらの問題に対処するために、著者らは物理制約付きU-Netモデルを構築しました。これは地図上の各ピクセルを分類できる深層学習システムの一種です。モデルには傾斜角、曲率、斜面向き、地形型、岩質、河川や断層までの距離、降雨、気温、地震強度など地すべりに影響する10の主要因を入力します。多くのニューラルネットワークと異なり、本モデルは細かな空間的詳細を維持するよう設計されており、最終的な感受性マップは30メートルという元の高解像度を保ちます。高い解像度により、モデルは広域の平均化ではなく危険な斜面や渓谷を明確に浮き彫りにできます。

物理をAIに組み込む

本研究の重要な革新は、豪雨時の斜面の基本的な物理挙動をモデル学習に組み込んだ点です。山地では数日にわたる強い降雨が土壌を飽和させて破壊を誘発し、多くの早期警報システムは7日間の降雨ウィンドウを用いています。著者らは7日間降雨と地域ごとの降雨閾値に基づく簡易的な安全係数をモデルの損失関数に埋め込み、学習中に最小化すべき指標として扱います。モデルが降雨条件から高危険と判断される領域で低い地すべり確率を予測した場合、追加のペナルティが科されます。同時に、学習過程では希少な地すべりピクセルにより大きな重みを与え、数の多い安定ピクセルとの差を埋めつつネットワークが両方の事例から学べるようにしています。

異なる場所での性能

研究チームは次に、物理制約付きU-Netをバックプロパゲーションニューラルネットワークと残差ニューラルネットワークという2つの広く使われる深層学習モデルと比較評価しました。比較は総合的な精度だけでなく、地質や河川形状、気候が異なる5つの地すべりホットスポットごとの性能も含みます。競合モデルはある地域で良好で別の地域で不良というばらつきが見られたのに対し、物理制約付きU-Netは5地域すべてで一貫して高いスコアを示しました。また、過去の地すべり分布とよく一致する感受性マップを生成し、非常に高リスクとラベル付けされた区域に災害点が多く、非常に低リスク区域には少ないという傾向が確認されました。重要なのは、これらを行う際に30メートルの空間解像度を維持し、河曲部や断層帯、急峻な渓谷壁に沿った詳細なパターンを明らかにしている点です。

リスク計画にとっての意義

平たく言えば、本研究は基本的な物理知識を備え、稀で重要な地すべり事象に特に注意を払うAIモデルが、大規模で複雑な地域に対してより鋭く信頼性の高いリスクマップを提供できることを示しています。物理制約付きU-Netは標準的な精度指標をわずかに向上させるだけでなく、断片的なデータ、変化する地形条件、細かな空間的詳細の扱いにおいて他の検証モデルより優れています。著者らは現地調査や入力データの改善がさらに成果を高めると述べていますが、本研究は異なる山岳地帯間で転用可能な高解像度地すべり感受性マップへの実用的な道筋を示しており、安全な開発や効果的な防災対策を支えることが期待されます。

引用: Zhang, H., Deng, H. Research on the problem of spatial heterogeneity in row data and generalization capability for landslide susceptibility assessment using the physics-constrained U-net model. Sci Rep 16, 15901 (2026). https://doi.org/10.1038/s41598-026-46873-4

キーワード: 地すべり感受性, 深層学習, U-Netモデル, 空間的異質性, チベット高原