不適応ホットスポット検出のためのスマート地理空間分析：軌跡分類、ランダムフォレスト、SHAPの統合

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a novel method combining trajectory classification and interpretable ML for disaster research.

🏢実務担当者:Offers actionable thresholds for early warning and zoning restrictions in flood-prone areas.

🏛政策担当者:Highlights the need for targeted relocation and reconstruction-period interventions.

洪水は世界で最も頻発し、被害の大きい自然災害の一つであるが、繰り返し洪水が発生する地域の人口動態は、特に洪水への繰り返しの曝露にもかかわらず災害危険地帯で人口増加が起こる不適応現象については、十分に理解されていない。本研究は、タイの洪水多発地域における1159の空間単位を対象に、年間人口推計（LandScan、2018〜2024年）、複数年にわたる洪水記録（2018年、2021年、2022年）、および地形変数（TWI、傾斜、DEM、河川からの距離）を統合した。我々は、軌跡分類を用いてlate_growthピクセル（2022年の洪水後にのみ人口増加が5%を超えるピクセル）を特定し、Mann–Whitney U検定で成長率を比較し、Random ForestとSHAP分析を用いて不適応ホットスポットの予測因子を特定した。繰り返し洪水が発生した地域（観測3年間のうち2回以上の洪水イベント）は、繰り返し洪水が発生していない地域よりも中央値成長率が有意に低かった（−0.386 対 −0.200；p = 0.0092）。しかし、繰り返し洪水が発生した190ピクセルのうち52ピクセル（27.37%）がlate_growthに分類され、不適応ホットスポットとして指定された。Random Forestはflood_freqを主要な予測因子として特定し（重要度 = 0.690）、次いでDEM（0.117）、河川からの距離（0.077）が続いた。SHAP分析により非線形の閾値が明らかになり、flood_freq ≥ 3かつDEM < 145 mの場合にホットスポット確率が急激に上昇した。pulse_2022では有意差は観察されず（p = 0.4545）、遅延した人口応答を示し、復興期間が重要な介入の窓であることが特定された。これらの知見は、繰り返しの洪水が定住を一律に阻害するという前提に疑問を投げかけ、地域限定の早期警戒、ゾーニング制限、および対象を絞った移転支援のための実行可能な閾値を提供する。本方法論的パイプライン—軌跡分類と解釈可能な機械学習の組み合わせ—は、災害研究におけるスマートな地理空間分析のための再現可能なアプローチを提供する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Flooding is among the most frequent and damaging natural hazards globally, yet the population dynamics of repeatedly flooded areas remain poorly understood, particularly the phenomenon of maladaptation population growth in hazard-prone zones despite repeated flood exposure. This study integrated annual population estimates (LandScan, 2018–2024), multi-year flood records (2018, 2021, 2022), and topographic variables (TWI, slope, DEM, distance to streams) across 1159 spatial units in a flood-prone region of Thailand. We employed trajectory classification to identify late_growth pixels (population increase >5% only after 2022 floods), Mann–Whitney U tests to compare growth rates, and Random Forest with SHAP analysis to identify predictors of maladaptation hotspots. Repeatedly flooded areas (≥2 flood events out of 3 observation years) exhibited significantly lower median growth than non-repeatedly flooded areas (−0.386 vs. −0.200; p = 0.0092). However, 52 out of 190 repeatedly flooded pixels (27.37%) were classified as late_growth and were designated as maladaptation hotspots. Random Forest identified flood_freq as the dominant predictor (importance = 0.690), followed by DEM (0.117) and distance to streams (0.077). SHAP analysis revealed non-linear thresholds: hotspot probability increases sharply when flood_freq ≥ 3 and DEM < 145 m. No significant difference in pulse_2022 was observed (p = 0.4545), indicating lagged population responses and identifying the reconstruction period as a critical intervention window. These findings challenge the assumption that repeated flooding uniformly deters settlement and provide actionable thresholds for localized early warning, zoning restrictions, and targeted relocation assistance. The methodological pipeline—trajectory classification combined with interpretable machine learning—offers a replicable approach for smart geospatial analytics in disaster research.

• semanticscholar https://doi.org/10.3390/s26154853first seen 2026-08-09 05:53:47 · last seen 2026-09-29 05:35:10