ネパール中部の山村キムタンでは、地面が非常にゆっくりと、しかし継続的に動いている。家の階段に亀裂が生じ、木々が曲がって成長し、肉眼では認識できないほどの変位が蓄積され、潜在的な災害が生じている。メルボルン大学の数学者、アントワネット・トルデシリャス氏は、ビデオリンクを通じてカラー衛星画像を見せた。青い丘陵地帯全体のうち、村のふもとの広いエリアが人工知能システムによってまばゆいばかりの赤でマークされていた。これは、住民が何世代にもわたって農業を営み暮らしてきたこの斜面が深刻な不安定状態にあり、いつ壊滅的な地滑りに発展する可能性があることを意味している。皮肉なことに、2019年に近くの地滑りのため、金塘の村民全員が移転したが、新しい移転地は地域全体で最も不安定な土地であるとAIによって評価された。

従来の印象では、地滑りは警告のない瞬間的な災害であることが多いが、レーダー衛星画像は別の状況を明らかにしている。大規模な崩壊が起こる数日、数週間、さらには数年前に、表面の粒子がミリメートルレベルでゆっくりと「緩く分離」し始めているかのように、あたかもダンサーがある種の「目に見えない振り付け」に従って動いているかのようだ。これらの小さな変形を長期にわたって監視することで、人工知能は肉眼では見えない災害の兆候を、災害が発生するずっと前に感知することができます。研究によると、気候変動、インフラ建設、鉱山などの複数の要因の影響により、世界的な地滑りの頻度が増加している。米国だけでも、地滑りにより毎年 25 ～ 50 人が死亡し、数十億ドルの経済損失が生じています。世界的に見て、毎年の死亡者数は「数万人」単位です。 2025年10月、ネパールの山地で複数の地滑りが発生し、約60人が死亡し、高山国の脆弱性が改めて浮き彫りになった。

この「災害前の状態」を人力だけで大規模に特定することはほぼ不可能です。トデシラスのチームは、ヨーロッパの「センチネル 1」レーダー衛星を利用しています。この衛星は、細かい地形と変位情報を取得するために、毎秒約 2,000 回の周波数で地表にレーダー パルスを放射します。偶然にも、この衛星は適切な入射角で金塘地域の上空を複数回飛行し、大量の画像から非常に活発な斜面を「読み取る」のに十分な高品質のデータをAIに提供しました。分析に使用された最新の画像は2025年1月のものです。現時点でこの地域では大規模な地滑りは発生していませんが、AIによる危険度の高い早期警告により、研究チームは事前に介入し、村民や地方自治体と協力して地上監視計画を策定し、可能な避難経路や緊急集合場所について話し合うことができました。

人工知能によって生成されたリスクマップは、危険を指摘するだけでなく、比較的安全な「アンカー」を見つけるのにも役立ちます。たとえば、アルゴリズムは、金塘の地元の中学校がたまたま斜面の最も安定した地域の 1 つに位置していることを示しました。この情報は、将来の緊急事態の回避と資源配分の重要な基礎として、研究者によって村長および政府関係者に明確に伝えられました。トデシラス氏は、物理的制約を伴う機械学習を使用したことを強調した。研究チームは、誤判断のリスクを減らすためにタスクを完全に「ブラックボックス」に任せるのではなく、「斜面の不安定性の物理的メカニズム」についての長年の理解をモデルに統合した。それでも、AI は依然として間違いを犯す可能性があるため、重要なのは継続的なキャリブレーションとグラウンドトゥルース測定による裏付けです。

同様の技術は、大規模な地質学的危険調査でも使用されています。英国地質調査所 (BGS) のアレッサンドロ ノヴェリーノ氏は、AI を使用してグレート ブリテン島全体をカバーする Sentinel-1 レーダー データを処理し、約 300,000 の斜面の変形を分析しています。その結果、ゲレンデのうち約 3,000 個で「ゆっくりとした動きが連続」していることがわかりました。年間の変位はわずかミリメートルであり、人間の目にはほとんど感知できませんが、将来的には大規模な土砂崩れの危険性を示している可能性があります。これらの斜面が完全に崩壊しないとしても、継続的な変形は長年にわたり交通インフラに深刻な影響を与えるのに十分である。調査によると、このような活発な斜面は約 14,000 キロメートルの高速道路と 360 キロメートルの鉄道区間に関連しており、事前に保守および補強計画に含める必要があると推定されている。

ノヴェリーノ氏は、アナリストがこれらの衛星画像を 1 つずつ比較して解釈すると、作業負荷は「数年」かかると測定されるが、機械学習システムは同じタスクを数分から数時間で完了できるため、「過去には不可能だった新しい科学」を生み出すことができると指摘した。リアルタイムアクセスにはコストがかかるため、この現在の研究ではリアルタイムデータは使用していませんが、1 年または 2 年前の履歴データは依然として貴重です。長期的な傾向が明らかである限り、中長期的なリスク評価の基礎を提供できます。他のシナリオでは、BGS は災害発生後に最新のリモート センシング データを迅速に活用して緊急対応を支援します。たとえば、インドネシアのスマトラ島で致命的な地滑りが発生した後、彼らは短期間で約 4,000 件の地滑りの自動マッピングを完成させ、どの道路がまだ通行可能で、どの地域が最も被害が大きかったかに関する重要な参考資料を地元の科学研究や政府機関に提供しました。

インフラ事業者も、AI を地質学的安全性のための「虫眼鏡」と見なし始めています。英国の鉄道網の大部分を担うネットワーク・レール社は、「AIを活用した分析」を利用して、線路沿いのセンサー、ドローン検査、専用の検査列車、手動検査からのデータを統合し、沿線の地滑りや地盤不安定のリスクを特定して管理することで、保守チームが問題を事前に検出して迅速に介入できるようになり、路線中断や脱線事故の可能性さえも低減できると述べた。

高山地域では、同様の技術が雪崩警報の分野にも移植されています。昨年の冬には、ヨーロッパアルプスだけで雪崩が発生し、100人以上が死亡した。米国カリフォルニア州のタホ湖地域では2月に雪崩が発生し、スキーヤー9人の命が失われた。ローザンヌ連邦工科大学エコール・ポリテクニックの修士課程の学生であるジェームズ・フォックスは、アルプスのいたるところにウェブカメラがあることに気づきました。彼と共同研究者は、これらの公衆監視画像から雪崩の瞬間を自動的に「捕捉」するディープラーニングに基づく画像認識システムを開発した。システムをトレーニングするために、約 4,000 枚の雪崩の写真に手動で注釈を付け、ニューラル ネットワークが複雑な山岳地形における雪崩の輪郭と動的特徴を識別できるようにしました。

フォックス氏は、ディープラーニングには「肉眼でルールに抽象化するのが難しい」視覚的なタスクにおいて明らかな利点があるが、システムが完全に「無人」であってはいけないと述べた。同氏は、AIの認識結果は「コンピューターが自動的に警報を発する」のではなく、早期警報信号として使用されるべきで、救助を開始するかどうかを決定する前に手動で判断されるべきだと強調した。このテクノロジーは、オーストリアのチロル雪崩警報サービスで実地テストされています。地元当局は「有望な見通し」があると信じているが、現在の誤警報率は依然として高い。特に雪が溶けて露出した岩石を雪崩と誤認しやすい。したがって、短期的には継続的な最適化と人間と機械のコラボレーションが依然として必要です。

気候温暖化により高山の永久凍土が弱まり続けるにつれて、雪崩、落石、地滑りの危険性が高まっており、AIツールはこの「隠れた加速器」を監視する中核的な手段の1つになることが期待されている。山、氷河、岩壁などの画像変化を長期間比較することで、研究者は氷の緩みや岩層の亀裂の兆候を早期に発見し、登山ルートの調整や危険箇所の閉鎖、主要施設の補強を行うことができます。

興味深いのは、人工知能は単に「より多くの赤い線を引く」だけではないということです。一部の地域では、都市の「制限を緩和」するのに役立っている。コロンビアのパスクアル ブラボ大学のエンジニア、イングリー ナタリア ゴメス ミランダのチームは、1981 年から 2019 年までメデジンで 180 以上の地滑り記録と正確な地理座標を収集、分析し、機械学習を使用して都市部の地滑り危険地域を再描画し、リスク レベルごとに分類しました。その結果、長い間「建設禁止区域」として指定されてきた一部の斜面は、最新のモデルではリスクが低いことが示されており、厳格な規制の下で建設のために再開される可能性があり、住宅不足が深刻な都市により合法的で安全な土地スペースが解放される可能性があることが示された。

しかし、地滑りデータを長年扱ってきた科学者にとって、最も深刻な変化は「心理的」なものかもしれません。彼らは、人々が「永遠」であると見慣れている山々が、実際には常にゆっくりと上昇したり下降したりしていることを発見しました。地殻は衝突して上昇し、浸食は弱まり、重力は再分配されます。これらのプロセスは決して停止しませんが、速度は非常に遅いです。 「今、ネパールに旅行するたびに、完全にリラックスするのは難しいです」とトデシラスさんは言いました。今、彼女は山を見るとき、それを単なる静的な風景として考えることはできず、ゆっくりとページをめくる地質学的スクリプトのように考えることができます。人間がその底流を理解するには、AIという「虫眼鏡」が必要なだけだ。