Development of Climate Change-Responsive Surface Failure Risk Map by Integration of Vegetation and Geotechnical Information

R4年度は，気候変動対応型表層崩壊リスクマップの構築を目的に，機械学習を用いた土砂災害警戒基準線 (CL線) の推定を行った．現在運用されている土砂災害警戒情報は，過去の斜面災害とその時の降雨情報のみをもとに発令基準が定められており，地形や地質，植生等に関する情報が考慮されていないという問題点があるため，標高・傾斜・地質などの地理的情報と，過去に降った降雨の情報，植生の有無といった計85種類の情報を説明変数として，機械学習により「60分間積算雨量」および「土壌雨量指数」の推定を行った．機械学習のアルゴリズムには，ランダムフォレスト (以下， RF) ， XGBoostおよび LightGBMを用いて，各アルゴリズムの精度を比較した．その結果，60分間積算雨量の推定について，次のことが明らかとなった．1) 上記の3つの手法の中では，XGBoostを用いると検証データに対する決定係数が最も大きくなり，その際の説明変数は20個であった．2) XGBoostで抽出された説明変数の中には，「植生群」も含まれ，植生の有無や種類が現行の60分間積算雨量の選定に影響を与えていることが明らかとなった．また，土壌雨量指数について，次のことが明らかとなった．1) 上記3つの手法の中では，LightGBM を用いると検証データに対する決定係数が最も大きくなり，その際の説明変数は50個であった．2) XGBoostで抽出された説明変数の中には，「植生群」も含まれ，植生の有無や種類が現行の土壌雨量指数の選定に影響を与えていることが明らかとなった．これらの成果を2022年度には査読付き論文2編，その他論文2編にまとめた．また，2件の学会 (うち国際会議1件) で発表した．また，2023年度はすでに3件の国内学会・シンポジウム発表，1件の国際学会発表が決定している．

R4年度は，気候変動対応型表層崩壊リスクマップの構築を目的に，機械学習を用いた土砂災害警戒基準線 (CL線) の推定を行った．現在運用されている土砂災害警戒情報は，過去の斜面災害とその時の降雨情報のみをもとに発令基準が定められており，地形や地質，植生等に関する情報が考慮されていないという問題点があるため，標高・傾斜・地質などの地理的情報と，過去に降った降雨の情報，植生の有無といった計85種類の情報を説明変数として，機械学習により「60分間積算雨量」および「土壌雨量指数」の推定を行った．機械学習のアルゴリズムには，ランダムフォレスト (以下， RF) ， XGBoostおよび LightGBMを用いて，各アルゴリズムの精度を比較した．その結果，60分間積算雨量の推定について，次のことが明らかとなった．1) 上記の3つの手法の中では，XGBoostを用いると検証データに対する決定係数が最も大きくなり，その際の説明変数は20個であった．2) XGBoostで抽出された説明変数の中には，「植生群」も含まれ，植生の有無や種類が現行の60分間積算雨量の選定に影響を与えていることが明らかとなった．また，土壌雨量指数について，次のことが明らかとなった．1) 上記3つの手法の中では，LightGBM を用いると検証データに対する決定係数が最も大きくなり，その際の説明変数は50個であった．2) XGBoostで抽出された説明変数の中には，「植生群」も含まれ，植生の有無や種類が現行の土壌雨量指数の選定に影響を与えていることが明らかとなった．これらの成果を2022年度には査読付き論文2編，その他論文2編にまとめた．また，2件の学会 (うち国際会議1件) で発表した．また，2023年度はすでに3件の国内学会・シンポジウム発表，1件の国際学会発表が決定している．