利益:
- 地滑りの感受性マッピング、地震の危険性、液状化の評価における AI の使用について理解します。
- 多変量ハザード データからリスク分類と早期警告ワークフローを作成する機能
- 人命安全責任、誤報バランス、および現場証拠を使用して危険出力を検証する機能
この単元の主題は、地質工学の最も責任のある分野である自然災害と地質学的危険評価です。ここでの間違いの代償はお金ではなく、人命です。地滑りの危険性マップが近隣地域を誤って「安全」と示した場合、何もアクションは取られません。液状化評価で病院の地下の地盤を誤って読み取ると、地震時に建物が沈下する可能性があります。この分野では、人工知能は多変量データの処理、パターンの捕捉、早期警告信号のフィルタリングにおいて真の価値を生み出します。しかし、正確にこの分野では、不正確な出力のコストが最も高くなるため、検証が最も厳格であり、エンジニアの承認が最も絶対的であり、不確実性の管理が最も正確でなければなりません。
この単元では、人工知能のレンズを通して 3 種類の危険を検討します。地滑り感受性マッピング (多変量データからどの斜面が滑り落ちる危険があるかを予測します)、地震危険 (考えられる地震動の強さ)、および液状化 (飽和した緩い砂が地震中に液体のように作用し、支持力を失うとき) です。私たちの共通のテーマは、危険出力の偽陰性 (実際に危険な領域を安全であると分類すること) がなぜ致命的なのか、そして人命の安全を優先してしきい値を設定する方法です。
偽陰性と偽陽性のバランス
危険分類には 2 種類のエラーがあります。誤検知とは、安全なエリアを危険なエリアとして分類することです。その結果、不必要なコストがかかり、余分な監視がかかり、おそらくプロジェクトが遅れます。命の観点からは安全なほうです。偽陰性とは、危険なエリアを安全であると分類することです。その結果、予防措置が講じられず、生命や財産が失われる可能性があります。これら 2 つの誤差は等しくありません。生命の安全の分野では、偽陰性を最小限に抑えるために、しきい値は慎重に選択されます。つまり、疑わしい場合は危険側に転がり、現場確認によって確認されます。
AI モデルは通常、全体的な精度を最大化するしきい値を選択します。しかし、危険科学の目標は完全な精度ではなく、偽陰性を低く抑えることです。したがって、モデルの出力は「クラス」ではなく、校正された確率である必要があり、しきい値は結果を知った危険の専門家によって設定される必要があります。地滑りモデルの 92% の精度は、実際の地滑りの半分を逃してしまうと意味がありません。
注意: ハザード モデルの全体的な精度の高さに騙されないでください。まれではあるが致命的なイベント（地滑り、液状化）のミス率（偽陰性）を見てください。生命の安全の基準は、平均的に正しいことではなく、危険を見逃さないことです。
地滑りの起こりやすさのマッピング
地滑りの危険性、「すべての条件が揃ったときにこの場所は滑りますか?」地質学的および地形学的変数を使用して質問に答えます。通常、入力値は、傾斜角、傾斜方向、岩質、不連続性の方向、土地利用、降水量、過去の地滑り目録、および地下水です。人工知能はこれらの層を融合し、過去の地滑りの周囲のパターンを学習することで感受性マップを作成します。
重要な点が 2 つあります。まず、モデルは過去の地滑り調査から学習します。インベントリが不完全な場合 (多くの地滑りが記録されていない場合)、モデルはそれらのパターンをまったく認識できず、偽陰性が生成されます。第二に、感受性はトリガー（いつシフトするか）を与えるのではなく、感受性（状況が生じた場合にどこにシフトするか）を与える。この 2 つを混同するのは危険です。この地図は、現場の地質学者による露頭観察、不連続性の測定、および過去の移動痕跡によって検証されない限り、判断の基礎として使用することはできません。
地震災害と液状化現象
地震ハザード評価は、サイトで一定期間内に超過すると予想される地震動 (加速度) の確率的推定を提供します。人工知能は、記録データベースの処理、地動予測の関係の比較、シナリオの生成に役立ちます。ただし、断層源、再発間隔、地盤の増幅の定義には、地質地震学の専門知識が必要です。モデルはそれらに適合できません。
液状化評価では、飽和した緩い砂が地震の振動によって支持力を失うリスクを測定します。古典的な方法は、SPT-N (または CPT) 値を地震によって生成された電圧サイクル率と比較し、安全率を導き出すことです。 AI はデータを整理し、複数の井戸の現場で液状化の可能性を迅速にスキャンします。ただし、結果は標準的な方法 (地域の地震法など) を使用した手計算によって検証されます。ここでの偽陰性とは、地震時に構造物が地面に沈むことを意味します。
3 つのミニケース: 数字で見る
ケース 1 — 不足している在庫を回収する。郡の地滑り地図では、モデルは 89% の精度で「良好」に見えました。しかし、現場の地質学者は、地図では安全であると示されていた谷の斜面に古い地滑り跡（記録されていない）を 3 つ発見しました。インベントリが不完全だったため、モデルはこのパターンを学習できませんでした。インベントリが更新され、マップが更新されると、その傾斜は高感度に切り替わりました。 89% の精度により、最も重要な領域の欠落が隠蔽されました。
ケース 2 — 液状化の閾値。海岸埋め立て現場では、モデルは 42 掘削のうち 6 掘削に「液状化リスク」のフラグを立て、平均精度しきい値が最も高かった。専門家が偽陰性を減らすために閾値を保守側に移動したところ、11 件のサウンディングにフラグが付けられました。標準的な手計算により、さらに 5 件が本当に危険であることが確認されました。控えめなしきい値により、5 つの潜在的な偽陰性が節約されました。潜在的な生命の危険に比べれば、コストの増加はごくわずかでした。
ケース 3 — 早期警告信号。露天掘りの斜面でレーダーと斜面センサーのデータを処理する人工知能は、変形速度の緩やかな加速を警告し、警報を発しました。チームはその地域から避難した。 ４０時間後、斜面で大規模な土砂崩れが発生したが、けが人はなかった。モデルには正確な日時が記載されていませんでした。加速する動きを可視化し、人間の意思決定に時間を与えた。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
この地域には地滑りの危険はありますか?データを見て、安全か危険かを判断します。[レイヤーデータ]
強力なプロンプト:
あなたの役割: 自然災害地質学者補佐。次の変数を使用して、正確な「安全/危険」ラベルを付けます。代わりに:1) センチメントに寄与する要因とそれぞれの方向性を説明します。2) クラスではなく調整された確率ロジックを確立します。偽陰性を減らすために生命の安全の閾値を慎重に選択する必要がある理由を述べてください。3) 過去の地滑り目録が不完全な場合、出力がどのように誤解を招く可能性があるかを記述してください。4) 現場で確認する必要がある 4 つの点をリストしてください。最終的な評価は、認定された技術者に属します。データは匿名です。
4 つのコピー可能なテンプレート
1) 危険クラスの代わりに確率をリクエストします:
ハザード モデルの出力をシャープ クラスではなく、校正された確率として解釈します。この分野における偽陰性と偽陽性の結果を比較し、生命の安全のために閾値をどちらにシフトすべきかを正当化します。
2) 在庫不足監査:
地滑り感受性モデルのトレーニングに使用されるインベントリが不完全である可能性がある兆候 (記録年、対象地域、データのギャップ) を列挙します。この欠乏により偽陰性のリスクが増加する領域をマークします。
3) 液状化スクリーニングのスケッチ:
複数の掘削現場での液状化の可能性については、どのボーリング孔に飽和した遊離砂が含まれており、一次手作業による計算が必要かをスクリーニングすることを推奨します。標準的な方法で検証する必要があることを指定します。正確な安全係数は与えられません。
4) 早期警告信号の解釈:
変形監視シリーズ (傾斜/レーダー) における速度と加速度の変化を要約します。警戒すべき加速パターンはありますか?正確な時間を見積もる。人間の判断にいつデータが必要になるかを指定します。
ハザードの種類、偽陰性、および検証
危険
AIの貢献
偽陰性の結果
必須の検証
地滑りの危険性
レイヤーフュージョン、パターン
浮遊領域は安全だと考える
フィールド + 現在の在庫
地震の危険性
データベース/シナリオ
地震動を過小評価する
地震学の専門家+標準者
液状化
マルチウェルスキャン
地面に沈み込む建物
SPT/CPT手計算＋規制
坂道早期警報
トレース信号のフィルタリング
遅漏
人の判断+現場確認
ヒント: 「誤報または失敗と考えられますか?」という質問とともに遭難出力を常にチェックしてください。質問と一緒にお読みください。生命の安全においては、一度の危険を見逃すよりも、数回の誤報に耐えるほうがはるかに許容されます。
よくある間違い
- 一般的な真実に騙される。精度が高いと、まれに致命的なイベントを見逃す可能性があります。実際の指標は偽陰性率です。
- しきい値はモデルに任せます。生命の安全の基準は、結果を知っている専門家によって慎重に設定されます。自動的に「最適な」しきい値ではありません。
- 欠品在庫は無視します。モデルは学習していないパターンを認識できません。在庫が不足している場合、マップは安全側を欺きます。
- 素因とトリガーを混同する。感受性は「どこで」が問題であり、トリガーは「いつ」が問題です。どちらも個別の検証が必要です。
- 早期の警告を決定的な予言と誤解する。システムは時間を節約します。避難の判断と責任は本人にあります。
要約すると
- 自然災害は地質工学の責任の最も重い分野です。間違ったアウトプットの代償は命に関わる可能性があります。
- 偽陰性（危険を安全と間違える）は、偽陽性よりもはるかに深刻です。閾値は生命を優先して慎重に選択されます。
- 一般的な正確さは誤解を招きます。基準は、まれな致命的なイベントが見逃される割合です。出力はクラスではなく、校正された確率である必要があります。
- 地滑りモデルは不完全な目録から学習することはできません。各ハザードマップは現場および専門家の検証によって検証されます。
- 早期警告は時間を節約しますが、予言ではありません。避難し、予防措置を講じる決定は、認定された技術者および職員に属します。
アプリケーションタスク
匿名化された危険シナリオ (地すべり層または液状化ボーリング孔、代表的なデータ) を取得します。モデルに厳しいラベルを付けないようにし、「危険クラスではなく確率を求める」テンプレートを使用して偽陰性/陽性のバランスを議論するようにします。次に、「在庫不足監査」テンプレートを使用して、印刷結果が誤解を招く可能性のある箇所を特定し、現場検証が必要な 3 つのポイントのリストを書き留めます。
チェックリスト
- [ ] 偽陰性と偽陽性の違いと生命の安全におけるその重要性を理解しました。
- [ ] 私は全体的な精度ではなく、ミス率によってハザード出力を評価します。
- [ ] 閾値は専門家によって慎重に、そして命を守るために設定されるべきだと私は信じています。
- [ ] 地滑りモデルは不完全な目録からは学習できず、現場での確認が必要であることを理解しています。
- [ ] 私は早期警告システムを予言としてではなく、人間の決断にかかる時間を節約するツールとして使用しています。