Optimizing Post-Earthquake Decision-Making with GEOAI: Identification and Classification of Damaged Buildings in the El Haouz Earthquake, Morocco

本資料はSatAI.challengeのサーベイメンバーと共に作成したものです。
SatAI.challengeは、リモートセンシング技術にAIを適用した論文の調査や、
より俯瞰した技術トレンドの調査や国際学会のメタサーベイを行う研究グループです。
speakerdeckではSatAI.challenge内での勉強会で使用した資料をWeb上で共有しています。
https://x.com/sataichallenge
紹介する論文は、「Optimizing Post-Earthquake Decision-Making with GEOAI: Identification and Classification of Damaged Buildings in the El Haouz Earthquake, Morocco」です。
本研究は、2023年に発生したモロッコの地震を対象にして、被災建物検出と再建候補地の分類を自動で行い、復旧計画の意思決定支援を行うものです。YOLOv9でドローン画像から被災建物を検出し、その被災建物の位置に対して、地形や道路などの条件から再建候補地の分類を機械学習で行うワークフローを構築しています。
Ouchlif et al. (2026), “Optimizing Post-Earthquake Decision-Making with GEOAI: Identification and Classification of Damaged Buildings in the El Haouz Earthquake, Morocco”, Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLVIII-4/W17-2025, 241–246, https://doi.org/10.5194/isprs-archives-XLVIII-4-W17-2025-241-2026,より引用

Transcript

1. 第31回 SatAI.challenge勉強会 Optimizing Post-Earthquake Decision-Making with GEOAI: Identification and Classification of Damaged Buildings in the El Haouz Earthquake, Morocco 篠原崇之 この資料に出てくる図は引用を明記しない場合は Ouchlif et al. (2026), “Optimizing Post-Earthquake Decision-Making with GEOAI: Identification and Classification of Damaged Buildings in the El Haouz Earthquake, Morocco”, Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLVIII-4/W17-2025, 241–246, https://doi.org/10.5194/isprs-archives-XLVIII-4-W17-2025-241-2026,より引用 1
2. 目次 • • • • • • • 自己紹介スライド 手法の概要（研究の1ページサマリ紹介） 研究の背景（Introduction） 手法（Method） 実験（Experimet） まとめ（Conclusion） 感想 2
3. 発表者紹介 3 This image was generated by ChatGPT
4. 自己紹介 X(旧 Twitter) LinkedIn 篠原 崇之 産総研 - サロゲートモデル: 制御x深層学習モデル - 土木インフラxAI: インフラ劣化予測, エージェント, 3Dモデリング, 意思決定支援 ※最近、マルチモーダルモデル入門 の点群章を書いた 研究テーマ ：３次元モデリング、サロゲートモデル、動的システム、土木インフラ 4
5. 手法の概要 5 This image was generated by ChatGPT
6. Optimizing Post-Earthquake Decision-Making with GEOAI: Identification and Classification of Damaged Buildings in the El Haouz Earthquake, Morocco • 目的：2023年アルハウズ地震後の住宅再建に 対して、GeoAIと地理情報システム（GIS）を 使い、行政の土地選定を支援する。 • YOLOv9：空中・衛星画像から被災建物候補を 検出。 • XGBoost / Random Forest：地形・災害リス ク・生活条件を統合し、再建可能性を4クラス に分類。 • 最終出力：被災建物分布＋再建適地ゾーニング 地図。 フロー図 • XGBoostは再建地分類で F1 = 0.97、 YOLOv9はvalidationで約96%と報告。 6
7. 本題に入る前に...... ISPRSとは • • • • • • • ISPRS = International Society for Photogrammetry and Remote Sensing。 写真測量、リモートセンシング、地理空間情報、コンピュータビジョンなどを扱う国際学会。 本論文は ISPRS Archives に掲載された査読付きプロシーディングス論文。 ジャーナル論文というより、会議・ワークショップにおける技術・応用研究として読むのが適切。 本論文は、Remote Sensing / GIS / GeoAI / Disaster Managementの交差領域。 CVxGeoな人はCVPR/ICCV/ECCVに流れていった 4年に1回の開催だったが、 2029年のシドニーからは毎年開催 https://www.isprs.org/congresses/toronto2026/default.aspx 7
8. 本題に入る前に...... ISPRS Resolutions 2026でもGeoAI • Deep Learning → Foundation Model / Generative AI / GeoAIへ • 衛星・UAV・LiDAR・GIS等のマルチモーダル統合 • LLM単体では扱いにくい空間構造を、明示的な空間表現で補強する(GeoGraphJSON, SceneReasoner) • 不確実性・説明可能性・データ品質を重視 • Digital Twin・災害・都市等の意思決定支援へ接続 • GeoAI Ethicsと人材育成も重要課題 • 国際的なデータ・モデル・専門家連携を促進 ※前回のISPRS2022@Niceとの差分は、 Nice 2022： Deep Learningを地理空間処理へ導入する段階。教師データ、ベンチマーク、汎化、 Optical/LiDAR統合が主要課題。 Toronto 2026： Foundation Model時代へ移行。マルチモーダルGeoAI、Earth Embeddings、自己教師あり・ 継続学習、AI＋幾何／物理モデル融合へ拡張。 共通して継続： 汎化性能、データ品質、不確実性、信頼性は依然として主要課題。Niceの時点ですでに privacy・ethicsも問題設定されていた。 ISPRSにおけるGeoAIは、単なる画像認識から、Foundation Model・多種データ統 合・不確実性評価を備えた地理空間意思決定基盤へ拡張している。 https://www.isprs.org/documents/resolutions/Resolutions_final_for_Toronto_GA.pdf 8
9. 研究の背景 9 This image was generated by ChatGPT
10. 背景: 地震後の再建 • 地震後の住宅再建では、単に「元の場所に建て直す」だけでは済まない。 • 再建候補地について、 地震・斜面崩壊リスク洪水リスク、傾斜道路アクセス、既存集落との距離、農業活動など を同時に考慮する必要がある。 • 従来は、複数部署のGISデータや現地調査結果を人間が集め、土地選定委員会が判断する。 • 問題は、情報源が分散しており、被災直後に迅速な統合判断を行うのが難しいこと。 • そこで、画像認識とGIS機械学習を組み合わせて「どこが被災し、どこなら再建できそうか」を地 図化する。 地震後の再建地選定には、被害状況だけでなく災害リスク・地形・アクセス・生活条件 を同時に扱う必要がある。 10
11. 背景: モロッコの地震 • • • • 2023年9月8日23:11頃（現地時間）、モロッコのHigh Atlas地域で地震が発生。 USGSでは Mw 6.8、深さ約19 km。 震央はAl Haouz Province、Ighil付近で、Marrakechから南西約75 km。 USGSの最終的な被害情報では、 2,946人死亡5,674人負傷約59,674戸の住宅が損壊・倒壊とされている。 • 特に被害が大きかったのが、道路アクセスの限られたHigh Atlasの山岳集落。 • 石・土などを用いた伝統的住宅も多く、住宅倒壊と斜面・道路被害が重なった。 • 本論文は、このうちTaroudant ProvinceのTizi N’Tist周辺の3集落を対象としている。 アルハウズ地震では山岳集落に大規模な住宅被害が生じ、迅速な復興計画が必要 Morocco earthquake kills more than 2,000 and damages historic Marrakech | CNN 11
12. 背景: 解決すべき問題と研究の目的 • この研究が解こうとしている問いは、「被災した住民をどこに再建・移転させるか」。 • 被災状況だけでは土地を選べないため、 安全性・地形条件・災害リスク・既存集落との関係・道路アクセス・農業活動を同時に扱う。 • 意思決定主体は Administrative Land Selection Commission。 • AIの役割は、被害建物を把握する。土地を建設可能性で分類する。行政に候補地マップを提示する。 • 最終的な現地再建・移転判断は人間が行う。 • 費用、住民合意、法制度、工期まで含む政策最適化は扱っていない。 研究の目的は再建場所をAIが決めることではなく、行政が判断できる候補地とリスク 情報を地図として提示することである。 12
13. 手法 13 This image was generated by ChatGPT
14. 手法: 全体像 • 系統A： ドローン画像を入力。 YOLOv9で被災建物を検出。 Damage assessment mapを作成。 • 系統B： GIS解析傾斜、洪水、地すべり、道路、農地 (sentinel-2)、集落位置などをGISレイヤとして作成。 各レイヤを特徴量化。 Random ForestまたはXGBoostで4クラス分類。 • 最後に、被害地図＋再建可能性地図を Administrative Land Selection Commissionへ 提示する。 • 被害検出と土地選定を単一モデルで解くのではなく、 別々のモデルを地理空間上で統合する構成 YOLOv9による被害建物の把握とGIS＋機械学習による土地分類を別々に行い、 最後に一つの意思決定支援情報として統合する。 14
15. 手法: ＹＯＬＯｖ９で被害建物の検出 • 入力はドローン・空中・衛星画像から作った画像パッチ。 • 出力は、被災建物候補のバウンディングボックス、クラス、 confidence • 役割は被災範囲の高速スクリーニング。 • 論文では0.8〜1.0程度の高confidenceな検出例を示している。 • Validation上のoverall accuracyは約96%と報告。 • ただし、屋根と地面の色が類似・建物が重なる・農村部で似た形状が反復するといったケースは難しい。 • また、YOLOが直接「居住可能／危険」を構造工学的に判定しているわけではない。 YOLOv9は被災建物を高速にスクリーニングする前段処理であり、 建物の最終的な安全性を判定するモデルではない。 15
16. 手法: 再建分類モデル（クラスの定義と機械学習モデル） • 4クラス 建設禁止区域: 高リスク・強い制約があり、再建候補から原則除外。 制限付き建設可能区域:追加調査や防災対策を前提に候補となる。 建設適地区域:複数条件を概ね満たす。 最適建設区域:低リスクかつアクセス・生活条件も良い優先候補。 ※つまり、壊れた建物のある場所が危険だったら移転なりしましょうという分類で、 地盤や地形リスクの低い場所なら、同じ場所で再建しましょうという意思決定支援 • 分類器 Random ForestとXGBoostで比較 被災建物に対して再建可能性を4クラスで分類し再建候補を提示する 16
17. 手法: 再建分類モデル（GISデータを組み合わせて特徴量を作る） 1. 傾斜 数値標高モデル（Digital Elevation Model: DEM）からslopeを算出。 2. 崩落・地すべりリスク Geotechnical study由来。 3. Ravinement ガリー侵食・斜面侵食に関係するリスク。 4. 洪水リスク 河川・水系データから作成。 5. 集落位置 被災したdouarからの位置・距離。 6. アクセス性 道路やアクセス可能地域との距離。 7. 農業活動区域 Sentinel-2画像をRandom Forestで分類して抽出。 8. 被害評価 YOLOv9によるdamage assessment map。 8種類の自然災害・地形・社会経済レイヤを統合することが再建適地分類の中核である。 17
18. 実験 18 This image was generated by ChatGPT
19. 実験: 定量評価 • YOLOv9の被災建物検出はvalidationで約96%と報告(overall accuracyなので良いのか判断しにくい)。 • 再建適地4クラス分類ではXGBoostがRandom Forestを上回った。 Random Forest: F1 = 0.88 , MCC = 0.88 , Sensitivity = 0.95 , Precision = 0.94 XGBoost : F1 = 0.97, MCC = 0.94 , Sensitivity = 0.96 , Precision = 0.97 XGBoostはF1=0.97、YOLOv9は約96%を示し、個々の認識・分類モデルとしては 高い性能を報告している。 19
20. 実験: 定性評価 最適建設区域は限定的で、 道路・集落・地形などの 条件を満たす一部地域に 集中。 建設禁止区域が研究対象域の大部分 • • • • 赤：建設禁止 黄：制限付き 緑：建設適地 青：最適地 confidence 0.8〜1.0程度の被災建物 再建適地マップ 被災建物分布と4段階の再建適地が地図上で可視化され、 既知のリスク地域との整合性 20
21. 実験: 考察 • GeoAIで復興判断を支援: YOLOv9の被災建物検出とXGBoostの再建適地分類を統合し、 現地再建／移転判断を支援。 • 安全性と生活条件を両立:地質リスクに加え、集落・農地への近接性も考慮。農村景観 では建物検出が難しく、データ拡張が必要。 • ゾーニング基準に課題:判定閾値は十分に標準化・現地検証されておらず、推定値への 依存が残る。 • 今後はデータと専門家連携が重要: ドローン観測範囲、学習画像の多様性、現地専門 家との協働を拡充する必要。 • 実運用への発展可能性:著者らは意思決定時間を40–60%短縮できると主張し、リアル タイム監視や制度導入を提案。 • 地域密着型の復興支援:モロッコの土地利用・集落・農業条件を反映した、地域に根ざ す復興支援を目指している。 実運用にはゾーニング基準の現地検証とデータ多様化が必要である。 21
22. 結論 22 This image was generated by ChatGPT
23. まとめ • やったこと • 実際の地震被災地域を対象としたGeoAIケーススタディ。 • YOLOv9で被災建物候補を抽出。 • 地形・災害・社会経済GISレイヤを統合。 • XGBoostで土地を再建の優先順位をつけるような4段階にゾーニング。 • 行政土地選定委員会向けの地理空間意思決定支援フローとしてまとめた。 ⚫ 分かったこと • XGBoostはRandom Forestより4クラス分類性能が高かった。 • YOLOv9も被災建物抽出に高いvalidation性能を示した。 • 被害検出から再建候補地提示までを一つのGISワークフローとして構築できることを示した。 ⚫ 未解決 • 分類結果について: 人間の最終判断との一致。 完全な再現性。 • 信頼性：他地域・他地震への一般化。不確実性評価。 GIS閾値・重みの妥当性。 • 意思決定に向けて：費用、法制度、工期、住民合意。 最終的には「分類精度」ではなく「意思決定品質」を評価する実験設計が必要。 23
24. 感想 24 This image was generated by ChatGPT
25. 感想など • 良い点は、被災建物検出だけで終わらず、復興時の土地選定という実際の行政タスクとして GISデータと衛星画像を組み合わせた手法で被災建物検出と再建候補分類まで接続したこと。 • YOLOやXGBoost自体は既存手法なので、アルゴリズム的新規性はそれほど高くない。 • 一方で、実災害・ドローン・衛星・GIS・行政判断補助を一本のパイプラインにした点は ISPRS っぽい応用研究として良い論文。 • モロッコの地震をモロッコの研究者自身が扱っている点も重要。 著者らは現地研究機関に所属しており、 単なる海外データセットへのAI適用ではなく、実際の復興制度や土地利用条件を踏まえた研究 • 特に再建地選定では、地震・洪水・斜面リスクだけでなく、集落、農業活動、道路アクセスまで考慮して いる。これらは現地住民の生活再建に直結するため、その国特化な知識が重要になる。 • 災害リモセンでありがちな「被害建物を何棟検出できるか」で終わらず、Morocco’s Land Selection Commissionという実際の行政主体の業務まで接続されているのが良い。 • 論文自身も最終的に、Moroccoにおけるculturally-sensitive disaster recoveryの基盤になることを意図 している。 • アブレーションや現地のGTとの網羅的な比較やデータの作り方の詳細がないから何とも言えない 25