FL-MHSM：洪水・山地災害（斜面崩壊）を対象とした地域スケールの氾濫・崩壊の多重ハザード脆弱性（素因）地図のための、空間適応的フュージョンとアンサンブル学習

要旨：既存の多災害脆弱性（MHSM）マッピング研究は、多くの場合、空間的に一様なモデルに依存し、ハザードを独立として扱い、災害間の依存関係や不確実性を十分に表現できていない。本研究はこれらの制約に対処するため、共同の洪水・地すべり多災害脆弱性マッピング（FL-MHSM）のための深層学習（DL）ワークフローを提案する。このワークフローは、2段階の空間分割、確率的アーリー・フュージョン（EF）、木ベースのレイト・フュージョン（LF）ベースライン、そしてソフト・ゲーティングのMixture of Experts（MoE）モデルを組み合わせ、MoEを最終の予測モデルとして用いる。提案設計は、ゾーン分割によって空間的不均一性を保持し、重なり合う格子（ラティス）グリッドを用いることでデータ並列による大面積予測を可能にする。ケララ州ではEFはLFと同程度に競争力があり、洪水のリコールが0.816から0.840へ向上し、Brierスコアが0.092から0.086へ低下した。一方でMoEは洪水の脆弱性に対して最も強い性能を示し、AUC-ROCが0.905、リコールが0.930、F1スコアが0.722であった。ネパールではEFは同様に、LFと比べて洪水のリコールが0.820から0.858へ改善し、Brierスコアが0.057から0.049へ低下した。またMoEは地すべりの脆弱性においてEFとLFの両方を上回り、AUC-ROCが0.914、リコールが0.901、F1スコアが0.559であった。さらに、MoE出力に対するGeoDetector分析では、支配的要因はケララ州の各ゾーン間でより大きく変動することが示された。そこでは脆弱性は地形・土地被覆・排水関連の制御が異なる組み合わせによって形作られていた。一方でネパールでは、地形および氷河関連の要因がゾーン間でより一貫して影響していることが示された。これらの結果は、EFとLFが補完的な予測挙動を提供し、MoEによる空間適応的な統合がFL-MHSMにおいて堅牢な全体的予測性能をもたらすと同時に、空間的に不均一な景観における多災害脆弱性の解釈可能な特性化を支援することを示している。