JP7471924B2 - 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 - Google Patents

Description

特許法第３０条第２項適用 （１）電気通信回線を通じて公開、日本地震学会２０１９年度秋季大会講演予稿集、ｈｔｔｐｓ：／／ｃｏｎｆｉｔ．ａｔｌａｓ．ｊｐ／ｇｕｉｄｅ／ｅｖｅｎｔ／ｚｉｓｉｎ２０１９／ｓｕｂｊｅｃｔ／Ｓ２２－０８／ａｄｖａｎｃｅｄ、ｈｔｔｐｓ：／／ｃｏｎｆｉｔ．ａｔｌａｓ．ｊｐ／ｇｕｉｄｅ／ｅｖｅｎｔ／ｚｉｓｉｎ２０１９／ｓｕｂｊｅｃｔ／Ｓ２２－０９／ａｄｖａｎｃｅｄ、令和１年８月１６日 （２）集会にて発表、日本地震学会２０１９年度秋季大会、令和１年９月１８日 （３）刊行物にて公開、日本地震工学会第１４回年次大会梗概集（ＣＤ－ＲＯＭ）、令和１年９月１８日 （４）集会にて発表、日本地震工学会第１４回年次大会、令和１年９月１９日 （５）電気通信回線を通じて公開、２０２０年度人工知能学会全国大会（第３４回）予稿集、ｈｔｔｐｓ：／／ｃｏｎｆｉｔ．ａｔｌａｓ．ｊｐ／ｇｕｉｄｅ／ｅｖｅｎｔ／ｊｓａｉ２０２０／ｓｕｂｊｅｃｔ／３Ｒｉｎ４－０３／ａｄｖａｎｃｅｄ？ｅｖｅｎｔＣｏｄｅ＝ｊｓａｉ２０２０、令和２年５月２２日

本発明は、地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置に関する。

過去の地震（震源断層のすべり破壊現象）や地震動（地震によってもたらされる地盤の揺れ）等に関して得られた様々なデータに基づいて将来発生すると考えられる地震による地震動の特性を評価・予測する技術は、その有用性ゆえ、地震動の特徴分析・解釈から建築物・構造物の挙動予測・構造設計等、更には地震防災等に至るまで、社会で幅広く活用されている。

従来、個々の専門家により自らの判断を伴いつつ選定された一部のデータが、専門的な手法により分析された上で、将来の地震による地震動の最大振幅（最大加速度・最大速度・最大変位等）や応答スペクトル（地震動をある固有周期と減衰定数を有する一質点系に入力させた場合の一質点系の最大応答振幅）等を評価・予測するための予測式（一般に距離減衰式・地震動評価式・地震動予測式等と称されることが多い）が開発され、活用されてきた（例えば、特許文献１、非特許文献１参照）。

特開２００８－３９４４６号公報

Nobuyuki Morikawa and Hiroyuki Fujiwara，A New Ground Motion Prediction Equation for Japan Applicable up to M9 Mega-Earthquake，Journal of Disaster Research，Vol.8，No.5，2013，p.878-888

既往の検討により開発され活用されている実用的な距離減衰式等の予測式は、個々の専門家の検討に用いられた地震観測記録のデータに依存する上、大規模な地震や最大級の地震動は稀な自然現象であるため、それらの予測式に反映される既往の知見の質と量にはアンバランスが含まれている。また、日々蓄積・解析されることによるデータ量の増加とコンピュータの情報処理能力の向上は、その問題の改善に大きく寄与する可能性を秘めているが、新たなデータが得られる度に個々の専門家が予測式の再検討・再評価を行うには膨大な時間と労力を要するため、少なからず限界がある。

本発明は、このような事情を考慮してなされたものであって、データ量の増加とコンピュータの情報処理能力の向上を最大限に生かしつつ、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することができる、地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置を提供することを目的とする。

本発明は、上記課題を解決するものであって、本発明の一実施形態に係る地震動評価モデル生成方法は、
コンピュータを用いて機械学習により地震動評価モデルを生成する地震動評価モデル生成方法であって、
複数の地震と当該複数の地震による地震動が観測された少なくとも１つの観測点との各組み合わせについて、前記地震動が観測されたときの地震動諸特性パラメータ及び地震動観測記録を関連付けて記憶するデータベースから、前記地震動諸特性パラメータを特徴量とし、前記地震動観測記録から得られる地震動指標を目的変数として、前記特徴量及び前記目的変数で構成される学習用データを複数取得する取得工程と、
前記取得工程にて取得された複数の前記学習用データに基づいて、前記特徴量及び前記目的変数の相関関係を前記機械学習により学習することにより、前記機械学習の学習済みモデルとして前記観測点毎に又は複数の前記観測点が所定の分類基準に従って分類されグループ化された観測点グループ毎に前記地震動評価モデルを生成する生成工程と、を含む。

また、本発明の一実施形態に係る地震動評価モデル生成装置は、
コンピュータであって、上記地震動評価モデル生成方法に含まれる各工程を実行する制御部を備える。

また、本発明の一実施形態に係る地震動評価方法は、
コンピュータを用いて、上記地震動評価モデル生成方法により生成された前記地震動評価モデルに基づいて前記地震動の特性を評価する地震動評価方法であって、
予測対象の前記地震動諸特性パラメータを受け付ける受付工程と、
前記受付工程にて受け付けられた前記予測対象の前記地震動諸特性パラメータを前記特徴量として当該地震動諸特性パラメータに対応する前記観測点毎又は前記観測点グループ毎の前記地震動評価モデルに入力することにより当該地震動評価モデルから出力される前記目的変数に基づいて、前記予測対象の前記地震動諸特性パラメータに対応する前記地震動指標を予測する予測工程と、を含む。

また、本発明の一実施形態に係る地震動評価装置は、
コンピュータであって、上記地震動評価方法に含まれる各工程を実行する制御部を備える。

本発明の一実施形態に係る地震動評価モデル生成装置、及び、地震動評価装置によれば、複数の学習用データに基づいて、特徴量及び目的変数の相関関係を機械学習により学習することにより、機械学習の学習済みモデルとして観測点毎に又は観測点グループ毎に地震動評価モデルを生成するので、データ量の増加とコンピュータの情報処理能力の向上を最大限に生かしつつ、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することが可能な地震動評価モデルを提供することができる。

また、本発明の一実施形態に係る地震動評価方法、及び、地震動評価装置によれば、地震動評価モデル生成装置及び地震動評価モデル生成方法により生成された観測点毎又は観測点グループ毎の地震動評価モデルを利用することにより、個々の専門家の経験に依存することなく、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することができる。

本発明の第１の実施形態に係る地震動評価システム１の一例を示す概略構成図である。 本発明の第１の実施形態に係る地震動評価システム１の一例を示すブロック図である。 本発明の第１の実施形態に係る地震動評価モデル生成装置３及び地震動評価モデル生成方法の一例を示す機能説明図である。 データベース１０の一例を示すデータ構成図である。 学習用データ１２の集合（学習用データセットＡ）の各特徴量の相関を示す散布図である。 勾配ブースティング木の概要を示す概要図である。 本発明の第１の実施形態に係る地震動評価装置４及び地震動評価方法の一例を示す機能説明図である。 地震動指標を距離減衰特性として表すときの出力結果の一例を示し、（ａ）はモーメントマグニチュードＭｗに応じた最大加速度ＰＧＡ、（ｂ）は震央方位Λに応じた擬似速度応答スペクトルｐＳｖ（１．０ｓ）を示す図である。 目的変数（地震動指標）に対する各特徴量（地震動諸特性パラメータ）の影響度を示し、（ａ）は関東モデルＡ５、（ｂ）は関東モデルＡ６、（ｃ）は関東モデルＢ５、（ｄ）は関東モデルＢ６をそれぞれ示す図である。 関東モデルＡ６における各目的変数（地震動指標）について、地震動観測記録から得られる観測値と、地震動評価モデル１３により得られる評価値との相関を示す散布図である。 各目的変数（地震動指標）の「評価値／観測値」比をヒストグラムで示し、（ａ）は関東モデルＡ５、（ｂ）は関東モデルＡ６をそれぞれ示す図である。 関東モデルＡ５、Ａ６、Ｂ５、Ｂ６について、各目的変数（地震動指標）の「評価値／観測値」比の平均とばらつきを示す図である。 本発明の第２の実施形態に係る地震動評価モデル生成装置３及び地震動評価モデル生成方法の一例を示す機能説明図である。 学習用データ１２の集合の各特徴量の相関を示し、（ａ）は学習用データセットＳ、（ｂ）学習用データセットＴを示す散布図である。 本発明の第２の実施形態に係る地震動評価装置４及び地震動評価方法の一例を示す機能説明図である。 地震動指標を方位特性として表すときの出力結果の一例を示し、（ａ）は地点モデルＳ４、（ｂ）は地点モデルＴ４をそれぞれ示す図である。 目的変数（地震動指標）に対する各特徴量（地震動諸特性パラメータ）の影響度を示し、（ａ）は地点モデルＳ４、（ｂ）は地点モデルＴ４をそれぞれ示す図である。 各目的変数（地震動指標）について、地震動観測記録から得られる観測値と、地震動評価モデル１３により得られる評価値との相関を示し、（ａ）は地点モデルＳ４、（ｂ）は地点モデルＴ４をそれぞれ示す散布図である。 各目的変数（地震動指標）の「評価値／観測値」比をヒストグラムで示し、（ａ）は地点モデルＳ４、（ｂ）は地点モデルＴ４をそれぞれ示す図である。 地点モデルＳ４、Ｔ４について、各目的変数（地震動指標）の「評価値／観測値」比の平均とばらつきを示す図である。 近接する複数の観測点における地震動の震源特性、伝播特性、及び、サイト特性を示す概略図である。 複数の観測点ｃ１～ｃ３がグループ化された第１の観測点グループＣと、複数の観測点ｄ１～ｄ３がグループ化された第２の観測点グループＤとをそれぞれ示す図である。 本発明の第３の実施形態に係る地震動評価モデル生成装置３及び地震動評価モデル生成方法の一例を示す機能説明図である。 本発明の第３の実施形態に係る地震動評価装置４及び地震動評価方法の一例を示す機能説明図である。 本発明の第４の実施形態に係る地震動評価システム１の一例を示すブロック図である。 本発明の第４の実施形態に係る地震動評価モデル生成装置３及び地震動評価モデル生成方法の一例を示す機能説明図である。 第１の学習用データ１２Ａの及び第２の学習用データ１２Ｂの補間関係を示す散布図である。 各特徴量のクラスター分析による相互依存性を示す図である。 震央方位Λの各種のデータ形式を示し、（ａ）各データ形式の定義を示し、（ｂ）は各データ形式における、目的変数（地震動指標）に対する各特徴量（地震動諸特性パラメータ）の影響度を示す図である。

以下、本発明の一実施形態について添付図面を参照しつつ説明する。

（第１の実施形態）
図１は、本発明の第１の実施形態に係る地震動評価システム１の一例を示す概略構成図である。図２は、本発明の第１の実施形態に係る地震動評価システム１の一例を示すブロック図である。

地震動評価システム１は、地震による地震動が複数の観測点にてそれぞれ観測された地震動観測記録を収集し、その観測結果を外部に提供する観測データ提供装置２Ａと、地震動観測記録に基づいて地震の震源や規模を解析し、その解析結果を外部に提供する解析データ提供装置２Ｂと、地震動の評価・予測に用いる地下構造に関する地下構造パラメータを外部に提供する地下構造データ提供装置２Ｃと、データ提供装置２Ａ～２Ｃにより提供されたデータを機械学習により学習し、地震動評価モデル１３を生成する地震動評価モデル生成装置３と、地震動評価モデル生成装置３により生成された地震動評価モデル１３に基づいて、地震動を評価・予測する地震動評価装置４と、各装置間を接続するネットワーク５とを備える。

ネットワーク５は、無線通信又は有線通信により各種のデータや信号を通信するものであり、任意の通信規格が用いられる。なお、本実施形態では、地震動評価モデル生成装置３及び地震動評価装置４は、別々の装置であるものとして説明するが、１つの装置（地震動処理装置）として構成されていてもよい。

観測データ提供装置２Ａは、地震が発生したときに、複数の観測点に設置された地震計（不図示）により測定された南北方向、東西方向及び上下方向に対する三成分の時刻歴波形データを、地震動観測記録としてそれぞれ収集し、地震動観測記録と、例えば、観測点の位置を示す観測点位置等の付加情報と、を含む観測データを外部に提供する。本実施形態では、観測データは、例えば、国立研究開発法人防災科学技術研究所（以下、「防災科研」という）の強震観測網Ｋ－ＮＥＴにより提供されるデータであって、特に、関東地方一都六県（東京・神奈川・千葉・埼玉・茨城・栃木・群馬）に設置された観測点１３８地点（図１参照）にて観測されたデータを使用するものとして説明する。

解析データ提供装置２Ｂは、地震動観測記録に基づいて地震の震源や規模を解析し、その解析結果として、例えば、モーメントマグニチュード、気象庁マグニチュード、震央位置、震源深さ、地震種別、断層タイプ、及び、震源メカニズム解等を含む解析データを外部に提供する。本実施形態では、解析データ提供装置２Ｂは、例えば、防災科研の広帯域震観測網Ｆ－ＮＥＴや気象庁により提供されるデータを使用するものとして説明する。

地下構造データ提供装置２Ｃは、地下構造パラメータとして、例えば、地震基盤面深さ、工学的基盤面深さ、層厚、密度、地震波伝播速度、Ｑ値、減衰定数等を含む地下構造データを外部に提供する。本実施形態では、地下構造データ提供装置２Ｃは、例えば、防災科研の地震ハザードステーションＪ－ＳＨＩＳにより提供されるデータを使用するものとして説明する。

なお、データ提供装置２Ａ～２Ｃは、地震が発生したときに、当該地震に関する提供データをリアルタイムに地震動評価装置４に提供してもよいし、地震動評価装置４からデータの要求を受けたときに、その要求に関する提供データ（過去に発生した地震のうち所定の条件に合致する複数の地震に関する提供データでもよい）を地震動評価装置４に提供してもよい。また、本実施形態では、データ提供装置２Ａ～２Ｃは、別々の３つの装置であるものとして説明するが、これに限られず、１つの装置として構成されていてもよいし、他のデータ提供装置がさらに付加されてもよい。

（地震動評価モデル生成装置３の構成と各部による工程について）
地震動評価モデル生成装置３は、データ提供装置２Ａ～２Ｃにより提供された提供データ（観測データ、解析データ、地下構造データ）に基づいて、例えば、勾配ブースティング木、ランダムフォレスト、ニューラルネットワーク、畳み込みニューラルネットワーク（ＣＮＮ）等の機械学習アルゴリズムを実行することにより、機械学習の学習済みモデルとして、地震動評価モデル１３を生成する。

地震動評価モデル生成装置３は、汎用又は専用のコンピュータで構成されており、図２に示すように、ＨＤＤ、メモリ等により構成される記憶部３０と、ＣＰＵ、ＧＰＵ等のプロセッサにより構成される制御部３１と、ネットワーク５との通信インターフェースである通信部３２と、キーボード、マウス等により構成される入力部３３と、ディスプレイ、タッチパネル等により構成される表示部３４とを備える。

記憶部３０には、データ提供装置２Ａ～２Ｃにより提供された提供データが登録・更新されるデータベース１０と、学習済みモデルである地震動評価モデル１３と、地震動評価モデル生成装置３の動作を制御して地震動評価モデル生成方法を実現する地震動評価モデル生成プログラム３００とが記憶されている。

制御部３１は、地震動評価モデル生成プログラム３００を実行することにより、ＤＢ管理部３１０、取得部３１１、及び、生成部３１２として機能する。なお、各部の機能の詳細は後述する。

図３は、本発明の第１の実施形態に係る地震動評価モデル生成装置３及び地震動評価モデル生成方法の一例を示す機能説明図である。

（ＤＢ管理部３１０によるデータベース管理工程と、データベース１０について）
ＤＢ管理部３１０は、データ提供装置２Ａ～２Ｃにより提供された提供データ（観測データ、解析データ、地下構造データ）に基づいて、データベース１０を管理する。具体的には、ＤＢ管理部３１０は、地震が発生し、当該地震による地震動が少なくとも１つの観測点で観測され、データ提供装置２Ａ～２Ｃにより当該地震に関する提供データが提供される度に、当該地震と当該地震による地震動が観測された少なくとも１つの観測点との各組み合わせについて、当該地震動が観測されたときの地震動諸特性パラメータ及び地震動観測記録を関連付けて、データベース１０に登録する。

図４は、データベース１０の一例を示すデータ構成図である。データベース１０には、過去に発生した複数の地震と当該複数の地震による地震動が観測された少なくとも１つの観測点との各組み合わせについて、当該地震動が観測されたときの地震動諸特性パラメータ及び地震動観測記録が関連付けられた状態の地震動データ１１が複数登録されて、記憶されている。

地震動諸特性パラメータは、地震動の諸特性を記述する各種のパラメータであり、地震動の諸特性は、例えば、地震動の震源特性、及び、伝播特性を含み、サイト特性、方位特性、及び、地震動観測特性をさらに含む。本実施形態では、地震動諸特性パラメータは、データ提供装置２Ａ～２Ｃにより提供された提供データ（観測データ、解析データ、地下構造データ）を、上記の地震動の諸特性に応じて分類・記録したものである。以下に、地震動諸特性パラメータに含まれる震源特性、伝播特性、サイト特性、方位特性、及び、地震動観測特性について説明する。

震源特性は、例えば、マグニチュード（モーメントマグニチュードＭｗ、気象庁マグニチュード等）、震央位置（緯度ｌａｔ＿ｅｑ，経度ｌｏｎ＿ｅｑ）、震源深さＨ、地震種別Ｔｙｐｅ（内陸地殻内地震・プレート境界地震・スラブ内地震）、断層タイプＭｅｃｈ（正断層・逆断層・横ずれ断層）、震源メカニズム解（走向Ｓｔｒｉｋｅ１、傾斜角ｄｉｐ１、すべり角ｒａｋｅ１）、及び、震源メカニズム解の共役解（走向Ｓｔｒｉｋｅ２、傾斜角ｄｉｐ２、すべり角ｒａｋｅ２）等の少なくとも１つである。本実施形態に係る震源特性は、モーメントマグニチュードＭｗ、震央位置（緯度ｌａｔ＿ｅｑ，経度ｌｏｎ＿ｅｑ）、震源深さＨ、地震種別Ｔｙｐｅ、断層タイプＭｅｃｈ、震源メカニズム解（Ｓｔｒｉｋｅ１、ｄｉｐ１、ｒａｋｅ１）、及び、震源メカニズム解の共役解（Ｓｔｒｉｋｅ２、ｄｉｐ２、ｒａｋｅ２）である。

伝播特性は、例えば、震源距離Ｘ、断層最短距離、及び、震央距離の少なくとも１つである。本実施形態に係る伝播特性は、震源距離Ｘであり、観測点位置と、震央位置との間の距離として算定される。

サイト特性は、例えば、観測点位置（緯度ｌａｔ＿ｓｉｔｅ，経度ｌｏｎ＿ｓｉｔｅ）、地震基盤面深さ、工学的基盤面深さ、層厚、密度、地震波伝播速度、Ｑ値、及び、減衰定数の少なくとも１つである。本実施形態に係るサイト特性は、観測点位置（緯度ｌａｔ＿ｓｉｔｅ，経度ｌｏｎ＿ｓｉｔｅ）、最上層のＳ波速度ＶＳ１、表層１０ｍ平均Ｓ波速度ＡＶＳ１０、表層３０ｍ平均Ｓ波速度ＡＶＳ３０、微地形区分ＪＣＯＤＥ、Ｓ波速度７００ｍ／ｓ層上面深さＤ７、Ｓ波速度１４００ｍ／ｓ層上面深さＤ１７、Ｓ波速度２１００ｍ／ｓ層上面深さＤ２４、及び、地震基盤面深さＤ２８（＝Ｓ波速度２７００ｍ／ｓ層上面深さ）である。なお、表層３０ｍ平均Ｓ波速度ＡＶＳ３０が、観測点の地下構造データから求められない場合には、防災科研の地震ハザードステーションＪ－ＳＨＩＳの２５０ｍメッシュの表層３０ｍ平均Ｓ波速度ＡＶＳ３０で代用し、表層１０ｍ平均Ｓ波速度ＡＶＳ１０が、観測点の地下構造データから求められない場合には、表層３０ｍ平均Ｓ波速度ＡＶＳ３０で代用するものとした。また、地震基盤面深さＤ２８は、防災科研の地震ハザードステーションＪ－ＳＨＩＳで公開されている対象観測点位置が含まれるメッシュの深部地盤モデルの第２８層の下面深さ（同モデルで地震基盤に相当するＰ波速度５０００ｍ／ｓ・Ｓ波速度２７００ｍ／ｓの第２９層の上面深さに等しい）とした。

方位特性は、例えば、観測点を基準として震央が位置する方位を示す震央方位Λである。そのため、震央方位Λは、観測点位置を基準として震央位置が存在する方位として算定される。その際、震央方位Λは、真北を０°として時計回りに定めるとともに、真北を境に不連続量となるため、本実施形態に係る方位特性は、震央方位Λを表すｓｉｎΛとｃｏｓΛのペアを用いる。

地震動観測特性は、例えば、地震動観測記録として記録された時刻歴波形のデータが南北方向、東西方向及び上下方向のいずれかであることを示す地震動の方向成分Ｃｏｍｐである。

地震動観測記録は、例えば、南北方向、東西方向及び上下方向に対する三成分の加速度、速度、及び、変位の時刻歴波形である。地震動観測記録は、所定の評価手法により評価・解析されることで、各種の地震動指標が得られる。本実施形態に係る地震動観測記録は、強震観測網Ｋ－ＮＥＴのうち関東地方一都六県（東京・神奈川・千葉・埼玉・茨城・栃木・群馬）に設置された観測点１３８地点（図１参照）にて観測された水平二成分（南北方向及び東西方向）に対する時刻歴波形である。

地震動指標は、地震動の振幅特性、周期特性、及び、経時特性の少なくとも１つを含む。

振幅特性は、地震動観測記録（加速度、速度、及び、変位の時刻歴波形）から得られる地震動の最大加速度ＰＧＡ、最大速度、及び、最大変位の少なくとも１つである。本実施形態に係る振幅特性は、最大加速度ＰＧＡである。

周期特性は、地震動観測記録（加速度、速度、及び、変位の時刻歴波形）から得られる応答スペクトル又はフーリエスペクトル等において、少なくとも１つの周期に対する応答値である。応答スペクトルは、例えば、所定の減衰定数（例えば、５％）に対する加速度応答スペクトル、擬似速度応答スペクトルｐＳｖ、速度応答スペクトル、及び、変位応答スペクトル等である。フーリエスペクトルは、例えば、加速度フーリエスペクトル、速度フーリエスペクトル、及び、変位フーリエスペクトル等である。本実施形態に係る周期特性は、０．１秒、０．５秒、１秒、３秒、５秒の各周期における減衰定数５％の擬似速度応答スペクトルｐＳｖ（０．１ｓ）、ｐＳｖ（０．５ｓ）、ｐＳｖ（１．０ｓ）、ｐＳｖ（３．０ｓ）、ｐＳｖ（５．０ｓ）の５つである。

経時特性は、例えば、地震動観測記録（加速度、速度、及び、変位の時刻歴波形）から得られる応答継続時間スペクトルにおいて、少なくとも１つの周期に対する応答継続時間である。応答継続時間スペクトルは、例えば、所定の減衰定数（例えば、５％）に対する加速度応答継続時間スペクトル、速度応答継続時間スペクトルＴＳｖ、及び、変位応答継続時間スペクトル等である。本実施形態に係る経時特性は、０．１秒、０．５秒、１秒、３秒、５秒の各周期における減衰定数５％の速度応答継続時間スペクトルＴＳｖ（０．１ｓ）、ＴＳｖ（０．５ｓ）、ＴＳｖ（１．０ｓ）、ＴＳｖ（３．０ｓ）、ＴＳｖ（５．０ｓ）の５つである。なお、応答継続時間の開始と終了を規定するパラメータは、ｐ１＝０．０３、ｐ２＝０．９５である。

（取得部３１１による取得工程と、学習用データ１２について）
取得部３１１は、図３に示すように、データベース１０に登録された複数の地震動データ１１から、地震動諸特性パラメータを特徴量とし、地震動観測記録から得られる地震動指標を目的変数として、特徴量及び目的変数で構成される学習用データ１２を複数取得する。なお、学習用データ１２は、教師あり学習における学習データ（トレーニングデータ）、検証データ及びテストデータとして用いられるデータである。また、複数の学習用データ１２からなる学習用データ１２の集合は、学習用データセットという。

その際、取得部３１１は、所定の地震条件及び所定の地震動条件の少なくとも一方を満たす地震に基づく地震動データ１１を、学習用データ１２として選択する。地震条件及び地震動条件は、例えば、首都圏においてある程度振幅が大きな地震動がバランス良く分布するように設定されるのが好ましい。

所定の地震条件としては、以下に示す第１乃至第６の地震条件が挙げられる。例えば、１９９６年～２０１９年１月１５日の期間において発生した地震であって、最大震度が４以上でかつ東京都千代田区で震度２以上であることを第１の地震条件とする。関東地方で震度が記録された地点数が非常に少ない（一桁程度）地震を除外した上で、震央位置の偏り及び地震発生域の偏りが所定の閾値以下であることを第２の地震条件とする。地震規模（気象庁マグニチュードＭｊ）については、３．０＜Ｍｊ≦５．０、５．０＜Ｍｊ≦５．５、５．５＜Ｍｊの三段階に分離したときにバランスが取れていることを第３の地震条件とする。同じ地震発生域で複数の地震が発生している場合には、震源深さの偏りが発生しないようにすることを第４の地震条件とする。モーメントマグニチュードＭｗが、広帯域震観測網Ｆ－ｎｅｔにより求められていることを第５の地震条件とする。断層面が極端に広い地震（例えば、２０１１年東北地方太平洋沖地震（Ｍｊ９．０））を除外することを第６の地震条件とする。上記第１乃至第６の地震条件を満たす地震としては、合計７４地震が該当する。

所定の地震動条件としては、以下に示す第１乃至第５の地震動条件が挙げられる。例えば、三成分の加速度を合成したときの三成分合成値の最大加速度が１ｃｍ／ｓ^２以上であることを第１の地震動条件とする。地震動観測記録において振幅が小さくノイズが大きなもの（Ｓ／Ｎ比が小さなもの）を除外することを第２の地震動条件とする。地震動観測記録において記録時間が不足（頭部不足・尾部不足・両方不足）しているものを除外することを第３の地震動条件とする。地震動観測記録において別地震・別事象等が混在して記録の分析が困難なものを除外することを第４の地震動条件とする。地震動指標における応答スペクトルやフーリエスペクトルについては、周期０．０５～１０秒の帯域を中心にノイズが大きなものを除外することを第５の地震動条件とする。

取得部３１１が、上記第１乃至第６の地震条件を満たす合計７４地震による地震動に対して、上記第１の地震動条件を満たす地震動データ１１を選択することにより、取得部３１１により選択された学習用データ１２の集合（以下、「学習用データセットＡ」という）は、計１４１０４（７０５２記録×水平二成分）の地震動データ１１からなる。また、取得部３１１が、記第１乃至第６の地震条件を満たす合計７４地震による地震動に対して、上記第１乃至第５の地震動条件を満たす地震動データ１１を選択することにより、取得部３１１により選択された学習用データ１２の集合（以下、「学習用データセットＢ」という）は、計１１４８８（５７４４記録×水平二成分）の地震動データ１１からなる。

以下では、本実施形態に係る学習用データ１２を構成する特徴量は、図４に示す２５種類の地震動諸特性パラメータのうち、モーメントマグニチュードＭｗ、震源深さＨ、震源距離Ｘ、震央方位Λ（ｓｉｎΛとｃｏｓΛのペア）、表層３０ｍ平均Ｓ波速度ＡＶＳ３０、及び、地震基盤面深さ（Ｓ波速度２７００ｍ／ｓ層上面深さ）Ｄ２８の６種類の地震動諸特性パラメータであるものとして説明する。

また、本実施形態に係る学習用データ１２を構成する目的変数は、図４に示す１１種類の地震動指標、すなわち、最大加速度ＰＧＡ、擬似速度応答スペクトルｐＳｖ（０．１ｓ）、ｐＳｖ（０．５ｓ）、ｐＳｖ（１．０ｓ）、ｐＳｖ（３．０ｓ）、ｐＳｖ（５．０ｓ）、速度応答継続時間スペクトルＴＳｖ（０．１ｓ）、ＴＳｖ（０．５ｓ）、ＴＳｖ（１．０ｓ）、ＴＳｖ（３．０ｓ）、ＴＳｖ（５．０ｓ）であるものとして説明する。

図５は、学習用データ１２の集合（学習用データセットＡ）の各特徴量の相関を示す散布図である。学習用データセットＡの特徴としては、遠方の小規模地震の記録が少ないこと、近距離の大規模地震の記録が無いこと、大半は震源深さ１００ｋｍ以浅に分布していること、関東地方の各観測点に対する震央方位Λは全方位に分散しているが、東北方向（震央方位Λ≒４５°前後）が多いこと等が挙げられる。

（生成部３１２による生成工程と、地震動評価モデル１３について）
生成部３１２は、図３に示すように、取得部３１１にて取得された複数の学習用データ１２に基づいて、特徴量及び目的変数の相関関係を機械学習により学習することにより、学習済みモデルとして地震動評価モデル１３を生成し、記憶部３０に記憶する。本実施形態では、機械学習における機械学習アルゴリズムとして、勾配ブースティング木（Gradient Boosting Decision Tree）を用いる場合について説明する。

図６は、勾配ブースティング木の概要を示す概要図である。勾配ブースティング木は、勾配ブースティングと決定木を組み合わせた学習器である。勾配ブースティングは、複数の弱学習器（低性能な機械学習モデル）を結合していくことにより強学習器（高性能な機械学習モデル）を構築する手法である。決定木は、樹木の分岐構造を利用した条件分岐を行うことにより分類・回帰が可能な機械学習モデルを生成する手法である。これら２つの手法を組み合わせた勾配ブースティング木は、決定木により生成した複数の弱学習器を勾配ブースティングにより結合する手法である。

本実施形態では、１１種類の地震動指標のうち、最大加速度ＰＧＡ及び擬似速度応答スペクトルｐＳｖについては、振幅が大きくなるにつれてデータ数が急激に減少すると考えられる。そのため、本実施形態では、目的変数の分布に発生する偏りを低減するため、最大加速度ＰＧＡ及び擬似速度応答スペクトルｐＳｖに対する目的変数のデータとして、常用対数（ｌｏｇ_１０ＰＧＡとｌｏｇ_１０ｐＳｖ）をそれぞれ用いることにした。また、勾配ブースティング木における損失関数として、最大加速度ＰＧＡ及び擬似速度応答スペクトルｐＳｖには、最小二乗法（正規分布）を適用し、速度応答継続時間スペクトルＴＳｖにはポアソン分布を適用することにした。

さらに、本実施形態では、生成部３１２が、勾配ブースティング木を用いて地震動評価モデル１３を生成する際、地震動評価モデル１３を目的変数（１１種類の地震動指標）毎に生成するものとした。すなわち、特徴量（６種類の地震動諸特性パラメータ）と目的変数（最大加速度ＰＧＡ＝１種類目の地震動指標）との相関関係を学習させた第１の地震動評価モデル１３Ａ、特徴量（６種類の地震動諸特性パラメータ）と目的変数（擬似速度応答スペクトルｐＳｖ（０．１ｓ）＝２種類目の地震動指標）との相関関係を学習させた第２の地震動評価モデル１３Ｂというように、第３の地震動評価モデル１３Ｃから第１１の地震動評価モデル１３Ｋまでをそれぞれ生成し、合計１１個の地震動評価モデル１３Ａ～１３Ｋを生成するものとした。以下では、地震動評価モデル１３には、合計１１個の地震動評価モデル１３Ａ～１３Ｋが含まれるものとして説明する。

（地震動評価装置４の構成と各部による工程について）
地震動評価装置４は、地震動評価モデル生成装置３により生成された地震動評価モデル１３に基づいて、地震動を評価・予測し、その結果を、例えば、表示媒体や紙媒体等の出力媒体に出力する。

地震動評価装置４は、地震動評価モデル生成装置３と同様に、汎用又は専用のコンピュータで構成されており、図２に示すように、ＨＤＤ、メモリ等により構成される記憶部４０と、ＣＰＵ、ＧＰＵ等のプロセッサにより構成される制御部４１と、ネットワーク５との通信インターフェースである通信部４２と、キーボード、マウス等により構成される入力部４３と、ディスプレイ、タッチパネル等により構成される表示部４４とを備える。

記憶部４０には、地震動評価モデル生成装置３により学習済みモデルとして生成された地震動評価モデル１３と、地震動評価装置４の動作を制御して地震動評価方法を実現する地震動評価プログラム４００が記憶されている。

制御部４１は、地震動評価プログラム４００を実行することにより、受付部４１０、予測部４１１、及び、出力処理部４１２として機能する。なお、各部の機能の詳細は後述する。

図７は、本発明の第１の実施形態に係る地震動評価装置４及び地震動評価方法の一例を示す機能説明図である。

（受付部４１０による受付工程について）
受付部４１０は、予測対象の地震動諸特性パラメータを受け付ける。具体的には、受付部４１０は、例えば、地震動評価装置４のユーザが予測対象として想定している地震（以下、「想定地震」という）のモーメントマグニチュードＭｗ、震央位置、及び、震源深さＨについて入力部３３を介して受け付けるとともに、当該想定地震による地震動がどの程度発生するのかを予測したい予測点の位置を示す予測点位置についても入力部３３を介して受け受ける。なお、予測点位置は、任意の位置でもよいし、観測点位置と同じでもよい。また、予測点位置は、複数でもよく、例えば、所定の格子間隔（例えば、５ｋｍ間隔）における各格子点等でもよい。

そして、受付部４１０は、想定地震の震央位置と、地震動の予測点位置とに基づいて、震源距離Ｘ及び震央方位Λを算出するとともに、地下構造データ提供装置２Ｃにより提供された地下構造データに基づいて、地震動の予測点位置に対する表層３０ｍ平均Ｓ波速度ＡＶＳ３０、及び、地震基盤面深さ（Ｓ波速度２７００ｍ／ｓ層上面深さ）Ｄ２８を取得する。これにより、受付部４１０は、予測対象の地震動諸特性パラメータ（想定地震のモーメントマグニチュードＭｗ、想定地震の震源深さＨ、想定地震の震源と予測点位置との間の震源距離Ｘ、予測点位置を基準として想定地震の震央位置が存在する方位を示す震央方位Λ、予測点位置の表層３０ｍ平均Ｓ波速度ＡＶＳ３０、及び、予測点位置の地震基盤面深さＤ２８）を受け付ける。

（予測部４１１による予測工程について）
予測部４１１は、受付部４１０にて受け付けられた予測対象の地震動諸特性パラメータを特徴量として、地震動評価モデル１３（６種類の地震動諸特性パラメータを特徴量とし、１１種類の地震動指標を目的変数として、両者の相関関係を学習した学習済みモデル）に入力することにより当該地震動評価モデル１３から出力される目的変数に基づいて、予測対象の地震動諸特性パラメータに対応する地震動指標を予測する。その際、受付部４１０が、想定地震を複数受け付けたり、予測点位置を複数受け付けたりすることで、予測対象として複数の地震動諸特性パラメータを受け付けた場合には、予測部４１１は、複数の地震動諸特性パラメータの各々を地震動評価モデル１３に入力することで、複数の地震動諸特性パラメータの各々に対応する地震動指標をそれぞれ予測する。

本実施形態では、地震動評価モデル１３は、目的変数（１１種類の地震動指標）毎に生成された合計１１個の地震動評価モデル１３Ａ～１３Ｋを含むことから、予測部４１１は、予測対象の地震動諸特性パラメータを特徴量として合計１１個の地震動評価モデル１３Ａ～１３Ｋにそれぞれ入力し、合計１１個の地震動評価モデル１３Ａ～１３Ｋからそれぞれ出力される目的変数（１１種類の地震動指標）毎に、予測対象の地震動諸特性パラメータに対応する地震動指標を予測する。すなわち、特徴量（６種類の地震動諸特性パラメータ）と最大加速度ＰＧＡ（＝１種類目の地震動指標）との相関関係を学習させた第１の地震動評価モデル１３Ａを用いて最大加速度ＰＧＡを予測し、特徴量（６種類の地震動諸特性パラメータ）と擬似速度応答スペクトルｐＳｖ（０．１ｓ）（＝２種類目の地震動指標）との相関関係を学習させた第２の地震動評価モデル１３Ｂを用いて擬似速度応答スペクトルｐＳｖ（０．１ｓ）を予測する、というように、第３の地震動評価モデル１３Ｃから第１１の地震動評価モデル１３Ｋを用いてそれぞれの目的変数を予測することで、合計１１個の地震動評価モデル１３Ａ～１３Ｋを用いて１１種類の地震動指標を予測するものとした。

（出力処理部４１２による出力処理工程について）
出力処理部４１２は、予測部４１１にて予測された地震動指標を視認可能な出力媒体に出力する。例えば、出力媒体が、表示部４４のような表示媒体である場合には、出力処理部４１２は、表示媒体に表示するための表示データ（出力データ）を生成し、表示媒体に表示出力する。また、出力媒体が、紙媒体である場合には、出力処理部４１２は、紙媒体に印刷するための印刷データ（出力データ）を生成し、紙媒体に印刷出力する。なお、出力処理部４１２は、出力データを、例えば、地震動予測マップ作成システムやハザードマップ作成システム等に通信出力するようにしてもよいし、公共施設、建物、工場等の防災システムに通信出力するようにしてもよい。

例えば、出力処理部４１２は、受付部４１０にて受け付けられた予測対象の地震動諸特性パラメータが、１つの想定地震に対して、例えば、各格子点を予測点位置とするような複数の地震動諸特性パラメータであるとき、当該複数の地震動諸特性パラメータに基づいて予測部４１１にて予測された各予測点位置における複数の地震動指標の値を、地図上に重畳するように、例えば、コンター図や、色分けしたメッシュ図として出力媒体に出力する。

また、出力処理部４１２は、受付部４１０にて受け付けられた予測対象の地震動諸特性パラメータが、予測点位置を中心として異なる複数の方位特性を含む複数の地震動諸特性パラメータであるとき、当該複数の地震動諸特性パラメータに基づいて予測部４１１にて予測された各方位における複数の地震動指標の値を、出力媒体における基準点からの距離として表すとともに、複数の方位特性を、基準点を中心とする各方位に割り当てることにより、複数の地震動指標を出力媒体に出力する。

さらに、出力処理部４１２は、受付部４１０にて受け付けられた予測対象の地震動諸特性パラメータが、異なる震源距離を含む複数の地震動諸特性パラメータであるとき、当該複数の地震動諸特性パラメータに基づいて予測部４１１にて予測された複数の地震動指標の値を距離減衰特性として表すことにより、図８（詳細は後述）に示すように、複数の地震動指標を出力媒体に出力する。

図８は、地震動指標を距離減衰特性として表すときの出力結果の一例を示し、（ａ）はモーメントマグニチュードＭｗに応じた最大加速度ＰＧＡ、（ｂ）は震央方位Λに応じた擬似速度応答スペクトルｐＳｖ（１．０ｓ）を示す図である。

図８（ａ）に示す出力結果は、想定地震が、茨城方面を震源とする地震であり、予測点位置は、「ＳＩＴ００６（秩父）」（図１参照）である場合に出力されるものであり、プレート境界地震による岩盤サイトでの揺れを想定したものである。また、非特許文献１に基づく既往の距離減衰式の平均についても、参考のために出力したものであるが、大局的には、既往の距離減衰式と同様に、地震動評価モデル１３により地震動指標が予測されたものといえる。

図８（ｂ）に示す出力結果は、想定地震が、都心からみて北東・南・南西方向（Λ＝４５°、１６０°、２３０°）のプレート境界地震、及び、北西方向（Λ＝３２０°）の内陸地震である場合に出力されるものである。これら４つの想定地震を比較すると、モーメントマグニチュードＭｗ及び震源距離Ｘが同じでも、擬似速度応答スペクトルｐＳｖ（１．０ｓ）の大きさには差が生じており、プレート境界地震の中では南方向が最も小さく、北東方向と南西方向の大小関係は、震源距離Ｘが５０ｋｍ程度を境に入れ替わっている。また、北西方向の内陸地震では、距離減衰の傾きが相対的に小さく、震源距離Ｘが１００ｋｍ未満では、他の想定地震に比べて、擬似速度応答スペクトルｐＳｖ（１．０ｓ）の大きさが顕著に小さくなっている。このような違いは、震源特性の地域性や伝播特性の違いが地震動評価モデル１３に反映された結果であり、さらに震央方位Λを考慮することにより、細かな地域特性が地震動評価モデル１３に反映された結果であると考えられる。

（地震動評価モデル１３の特性について）
次に、地震動評価モデル１３の特性について、地震動評価モデル生成装置３により異なる学習用データ１２を用いてそれぞれ生成された複数の地震動評価モデル１３を比較しながら説明する。その際、地震動諸特性パラメータ及び地震動観測記録が関連付けられた複数の地震動データ１１について、地震動観測記録から得られる地震動指標を「観測値」とし、地震動諸特性パラメータを地震動評価モデル１３に入力することにより得られる地震動指標を「評価値」として、「観測値」及び「評価値」を用いて地震動評価モデル１３の特性を説明する。

ここでは、学習用データセットＡを用いた機械学習により「関東モデルＡ」を生成するものとし、特徴量として上記６種類を全て考慮した「関東モデルＡ６」と、震央方位Λ（ｓｉｎΛ，ｃｏｓΛ）を除く５種類のみを考慮した「関東モデルＡ５」とをそれぞれ生成し、比較した。また、学習用データセットＢを用いた機械学習により「関東モデルＢ」を生成するものとし、特徴量として上記６種類を全て考慮した「関東モデルＢ６」と、震央方位Λ（ｓｉｎΛ，ｃｏｓΛ）を除く５種類のみを考慮した「関東モデルＢ５」とをそれぞれ生成し、比較した。

（目的変数に対する各特徴量の影響度について）
図９は、目的変数（地震動指標）に対する各特徴量（地震動諸特性パラメータ）の影響度を示し、（ａ）は関東モデルＡ５、（ｂ）は関東モデルＡ６、（ｃ）は関東モデルＢ５、（ｄ）は関東モデルＢ６をそれぞれ示す図である。

図９に示す各特徴量の影響度は、機械学習に用いた学習用データ１２（学習用データセットＡ又学習用データセットＢ）から１つの特徴量を選択し、そのデータ列のみシャッフルしてランダムなデータ列に置き換え、他の特徴量のデータ列は元のままとして目的変数を評価したときに、評価精度が悪化した度合いを示すものである。したがって、評価精度が大きく悪化した場合は、その特徴量が重要であり、逆に評価精度が変化しない場合は、その特徴量は評価に与える影響が小さいと考えられる。

図９（ａ）に示す関東モデルＡ５と、図９（ｂ）に示す関東モデルＡ６を比較すると、短周期では震源距離Ｘの影響、長周期ではモーメントマグニチュードＭｗの影響がそれぞれ支配的である。モーメントマグニチュードＭｗの影響度は、速度応答継続時間スペクトルＴＳｖ（０．１ｓ）を除いて全体に周期と共に増大し、震源距離Ｘの影響度は周期と共に減少した。震源深さＨの影響度は、短周期側でやや大きめ、表層３０ｍ平均Ｓ波速度ＡＶＳ３０の影響度は、速度応答継続時間スペクトルＴＳｖ（１．０ｓ）で相対的にやや大きめ、地震基盤面深さＤ２８の影響度は、速度応答継続時間スペクトルＴＳｖの周期１秒以上で大きめとなった。震央方位Λの影響度は、ｓｉｎΛとｃｏｓΛを合わせて検討すると、震源深さＨ、地震基盤面深さＤ２８、表層３０ｍ平均Ｓ波速度ＡＶＳ３０に匹敵し、相対的には、周期１秒以下で大きめとなった。総合的に見ると、周期１秒付近を境に短周期側と長周期側とで特徴が異なるように見える。

図９（ｃ）に示す関東モデルＢ５と、図９（ｄ）に示す関東モデルＢ６を比較すると、速度応答継続時間スペクトルＴＳｖへの効果が試作関東モデルＡの結果よりも分かりやすくなった。モーメントマグニチュードＭｗの影響度は、周期と共に増大し、震源距離Ｘや震源深さＨの影響度は、周期と共に減少した。表層３０ｍ平均Ｓ波速度ＡＶＳ３０の影響度は、周期１秒で相対的にやや大きめ、地震基盤面深さＤ２８の影響度は周期１秒以上で大きめ、震央方位Λの影響度は、相対的には周期１秒以下で大きめとなった。

（目的変数の予測精度について）
図１０は、関東モデルＡ６における各目的変数（地震動指標）について、地震動観測記録から得られる観測値と、地震動評価モデル１３により得られる評価値との相関を示す散布図である。

図１０では、目的変数として、最大加速度ＰＧＡ、擬似速度応答スペクトルｐＳｖ（１．０ｓ）、ｐＳｖ（３．０ｓ）、速度応答継続時間スペクトルＴＳｖ（１．０ｓ）、ＴＳｖ（３．０ｓ）について比較した。いずれも横軸が観測値、縦軸が評価値である。学習用データ１２のうち、機械学習に用いられた学習データは、全データの６４％であり、モデル検証に用いられた検証データは、全データの３６％であり、評価値が観測値に等しい場合を実線で、観測値の倍・半分となる場合を破線で示す。観測値は、全体として非常に良く評価・モデル化され、評価値の大半は観測値の倍半分以内に収まった。地震動に関する従来の知見に照らしてみても、この評価精度は高いと考えられる。

図１１は、各目的変数（地震動指標）の「評価値／観測値」比をヒストグラムで示し、（ａ）は関東モデルＡ５、（ｂ）は関東モデルＡ６をそれぞれ示す図である。「評価値／観測値」比の値は、１を中心とする整った分布となり、最大加速度ＰＧＡ、及び、擬似速度応答スペクトルｐＳｖよりも速度応答継続時間スペクトルＴＳｖのばらつきが小さいことが分かった。

・
図１２は、関東モデルＡ５、Ａ６、Ｂ５、Ｂ６について、各目的変数（地震動指標）の「評価値／観測値」比の平均μとばらつきσを示す図である。

「評価値／観測値」比の平均は、ほぼ１であり、「評価値／観測値」比の常用対数標準偏差は、最大加速度ＰＧＡ、及び、擬似速度応答スペクトルｐＳｖでは０．１７～０．２０、速度応答継続時間スペクトルＴＳｖでは、０．１０～０．１２となった。地震動に関する従来の知見に照らしてみても、この評価精度は高い。特徴量として震央方位Λを考慮に入れた場合には（関東モデルＡ５→Ａ６）、各目的変数の平均とばらつきはやや改善し、震央方位Λによる地震動特性の違いを考慮することは少なからず重要であることも確認できた。また、学習用データセットＡに代えて学習用データセットＢを用いた場合には（関東モデルＡ６→Ｂ６）、速度応答継続時間スペクトルＴＳｖの平均とばらつきがやや改善した。

以上のように、本実施形態に係る地震動評価モデル生成装置３及び地震動評価モデル生成方法によれば、データ量の増加とコンピュータの情報処理能力の向上を最大限に生かしつつ、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することが可能な地震動評価モデル１３を提供することができる。

また、本実施形態に係る地震動評価装置４及び地震動評価方法によれば、地震動評価モデル生成装置３及び地震動評価モデル生成方法により生成された地震動評価モデル１３を利用することにより、個々の専門家の経験に依存することなく、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することができる。

さらに、地震動諸特性パラメータが地震動の方位特性を少なくとも含む場合には、地震動の方位特性と地震動指標との相関関係が機械学習により学習されることで、サイト周辺の地下構造が方位毎に異なることにより地震動に与える影響が地震動評価モデル１３に反映されるので、地震動の特性を高精度で評価・予測することが可能な地震動評価モデル１３を提供することができる。

また、地震動指標が地震動の経時特性を少なくとも含む場合には、地震動諸特性パラメータと地震動の経時特性との相関関係が機械学習により学習されることで、将来発生すると考えられる地震による地震動の経時特性を評価・予測するための予測式を定義することなく、地震動の特性の１つとして地震動の経時特性を高精度で評価・予測することが可能な地震動評価モデル１３を提供することができる。

（第２の実施形態）
第１の実施形態に係る地震動評価システム１では、地震動評価モデル生成装置３が、関東地方一都六県に設置された観測点１３８地点の観測データを用いて１つの地震動評価モデル１３（例えば、関東モデルＡ５、Ａ６、Ｂ５、Ｂ６）を生成し、地震動評価装置４が、１つの地震動評価モデル１３を用いて関東地方における地震動を評価・予測するものである。これに対し、第２の実施形態に係る地震動評価システム１では、地震動評価モデル生成装置３が、観測点毎に地震動評価モデル１３を生成し、地震動評価装置４が、観測点毎の地震動評価モデル１３を用いて各観測点における地震動を評価・予測する点で相違する。その他の基本的な構成及び動作は、第１の実施形態と同様のため、以下では両者の相違点を中心に説明する。

（地震動評価モデル生成装置３について）
本実施形態では、地震動評価モデル生成装置３が、防災科研の強震観測網Ｋ－ＮＥＴの観測点の中から、基盤が浅く表層地盤が硬い地点の例である「ＳＩＴ００６（秩父）」（図１参照）と、基盤が深く表層地盤が軟らかな地点の例である「ＴＫＹ０２８（越中島）」（図１参照）とについて、地震動評価モデル１３をそれぞれ生成するものとして説明する。ここでは、ＳＩＴ００６（秩父）における地震動評価モデル１３を「地点モデルＳ」、ＴＫＹ０２８（越中島）における地震動評価モデル１３を「地点モデルＴ」とし、それらの機械学習に必要な学習用データ１２の集合をそれぞれ「学習用データセットＳ」、「学習用データセットＴ」とする。

図１３は、本発明の第２の実施形態に係る地震動評価モデル生成装置３及び地震動評価モデル生成方法の一例を示す機能説明図である。

取得部３１１は、データベース１０に登録された複数の地震動データ１１から、所定の地震条件として、１９９６年～２０１９年５月３１日の期間において発生した地震であって、ＳＩＴ００６（秩父）又はＴＫＹ０２８（越中島）にて地震動が観測されたことを満たす地震に基づくとともに、所定の地震動条件を満たす地震動として、三成分合成値の最大加速度が１ｃｍ／ｓ^２以上であること（第１の地震動条件）、及び、モーメントマグニチュードＭｗが広帯域震観測網Ｆ－ｎｅｔにより求められていること（第５の地震動条件）を満たす地震動に基づく地震動データ１１を、学習用データ１２（学習用データセットＳ、Ｔ）として選択する。これにより、学習用データセットＳは、計１４６８（７３４記録×水平二成分）の地震動データ１１からなり、学習用データセットＴは、計１３１４（６５７地震×２成分）の地震動データ１１からなる。

その際、地点モデルＳ、Ｔは、それぞれ地点固有の地震動評価モデル１３であるため、学習用データ１２を構成する特徴量は、上記６種類の地震動諸特性パラメータのうち、地点毎に共通な表層３０ｍ平均Ｓ波速度ＡＶＳ３０、及び、地震基盤面深さＤ２８を除く、モーメントマグニチュードＭｗ、震源深さＨ、震源距離Ｘ、及び、震央方位Λの４種類の地震動諸特性パラメータである。なお、学習用データ１２を構成する目的変数は、第１の実施形態と同様に、上記１１種類の地震動指標である。

図１４は、学習用データ１２の集合の各特徴量の相関を示し、（ａ）は学習用データセットＳ、（ｂ）学習用データセットＴを示す散布図である。学習用データセットＳ、Ｔは、図５に示す学習用データセットＡに比較して近距離地震のデータは少ないが、その点を除くと定性的には学習用データセットＡと同様な傾向である。

生成部３１２は、図１３に示すように、取得部３１１にて取得された複数の学習用データ１２（学習用データセットＳ、Ｔ）に基づいて、特徴量（４種類の地震動諸特性パラメータ）及び目的変数（１１種類の地震動指標）の相関関係を機械学習により学習することにより、観測点毎に地震動評価モデル１３（地点モデルＳ４、Ｔ４）を生成する。

（地震動評価装置４について）
図１５は、本発明の第２の実施形態に係る地震動評価装置４及び地震動評価方法の一例を示す機能説明図である。

受付部４１０は、予測対象の地震動諸特性パラメータ（想定地震のモーメントマグニチュードＭｗ、想定地震の震源深さＨ、想定地震の震源と予測点位置との間の震源距離Ｘ、及び、予測点位置を基準として想定地震の震央位置が存在する方位を示す震央方位Λ）を受け付ける。本実施形態では、予測点位置は、ＳＩＴ００６（秩父）又はＴＫＹ０２８（越中島）である。

予測部４１１は、受付部４１０にて受け付けられた予測対象の地震動諸特性パラメータを特徴量として、予測点位置に応じて地震動評価モデル１３（地点モデルＳ４、Ｔ４）に入力することにより当該地震動評価モデル１３から出力される目的変数に基づいて、予測対象の地震動諸特性パラメータに対応する地震動指標を予測する。その際、予測部４１１は、予測点位置がＳＩＴ００６（秩父）の場合には、地点モデルＳ４を用い、予測点位置がＴＫＹ０２８（越中島）の場合には、地点モデルＴ４を用いる。

出力処理部４１２は、予測部４１１にて予測された地震動指標を視認可能な出力媒体に出力する。例えば、出力処理部４１２は、受付部４１０にて受け付けられた予測対象の地震動諸特性パラメータが、予測点位置を中心として異なる複数の方位特性を含む複数の地震動諸特性パラメータであるとき、当該複数の地震動諸特性パラメータに基づいて予測部４１１にて予測された各方位における複数の地震動指標の値を、出力媒体における基準点からの距離として表すとともに、複数の方位特性を、基準点を中心とする各方位に割り当てることにより、図１６（詳細は後述）に示すように、複数の地震動指標を出力媒体に出力する。

図１６は、地震動指標（擬似速度応答スペクトルｐＳｖ及び速度応答継続時間スペクトルＴＳｖ）を方位特性として表すときの出力結果の一例を示し、（ａ）は地点モデルＳ４、（ｂ）は地点モデルＴ４をそれぞれ示す図である。

図１６に示す出力結果は、モーメントマグニチュードＭｗ＝６、震源深さＨ＝１０ｋｍ、震源距離Ｘ＝１８０ｋｍの条件で震央方位Λを５°間隔で変化させることで得られる複数の地震動諸特性パラメータに基づいて予測された５°間隔の擬似速度応答スペクトルｐＳｖの値を出力したものである。図１６（ａ）では、ＳＩＴ００６（秩父）を基準（中心）にして各方位における擬似速度応答スペクトルｐＳｖの値を、最大値により基準化した上で、中心からの距離として表すものである。図１６（ｂ）では、ＴＫＯ００２８（越中島）を基準（中心）にして各方位における擬似速度応答スペクトルｐＳｖの値を、最大値により基準化した上で、中心からの距離として表すものである。

（地点毎の地震動評価モデル１３の特性について）
次に、地点毎の地震動評価モデル１３の特性について、学習用データセットＳを用いた機械学習により生成された地点モデルＳ４と、学習用データセットＴを用いた機械学習により生成された地点モデルＴ４とを比較しながら説明する。

図１７は、目的変数（地震動指標）に対する各特徴量（地震動諸特性パラメータ）の影響度を示し、（ａ）は地点モデルＳ４、（ｂ）は地点モデルＴ４をそれぞれ示す図である。

図１７（ａ）に示す地点モデルＳ４では、最大加速度ＰＧＡ、及び、短周期の擬似速度応答スペクトルｐＳｖへの影響度は、モーメントマグニチュードＭｗと震源距離Ｘが同等であり、震源距離Ｘがやや上回る程度だが、それを除くとモーメントマグニチュードＭｗの影響度が最も大きい。震央方位Λの影響度は、短周期側ほど大きい。震央方位Λの影響度は、擬似速度応答スペクトルｐＳｖよりも速度応答継続時間スペクトルＴＳｖに対して大きく、震源深さＨを上回り、震源距離Ｘに同等又は上回り、図９に示す関東モデルＡ５、Ａ６の結果を大きく上回っている。震源深さＨの影響度は小さい。

図１７（ｂ）に示す地点モデルＴ４では、短周期では震源距離Ｘの影響、それ以外ではモーメントマグニチュードＭｗの影響が支配的である。モーメントマグニチュードＭｗの影響度は全体に周期と共に増大し、震源距離Ｘの影響度は全体に周期と共に減少した。震央方位Λの影響度は短周期側ほど大きく、特に速度応答継続時間スペクトルＴＳｖについては最大加速度ＰＧＡや擬似速度応答スペクトルｐＳｖよりも大きく、周期０．１秒以外では震源距離Ｘを上回り、短周期側ではモーメントマグニチュードＭｗをも上回った。震源深さＨの影響度は小さい。基盤の深い地点モデルＴ４では、基盤の浅い地点モデルＳ４と比較すると、短周期の速度応答継続時間スペクトルＴＳｖへのモーメントマグニチュードＭｗの影響度が相対的に小さくなっている。

図１８は、各目的変数（地震動指標）について、地震動観測記録から得られる観測値と、地震動評価モデル１３により得られる評価値との相関を示し、（ａ）は地点モデルＳ４、（ｂ）は地点モデルＴ４をそれぞれ示す散布図である。観測値は、全体として非常に良く評価・モデル化され、評価値の大半は観測値の倍半分以内に収まった。

図１９は、各目的変数（地震動指標）の「評価値／観測値」比をヒストグラムで示し、（ａ）は地点モデルＳ４、（ｂ）は地点モデルＴ４をそれぞれ示す図である。「評価値／観測値」比の値は、１を中心とする整った分布となり、最大加速度ＰＧＡ、及び、擬似速度応答スペクトルｐＳｖよりも速度応答継続時間スペクトルＴＳｖのばらつきが小さいことが分かった。

図２０は、地点モデルＳ４、Ｔ４について、各目的変数（地震動指標）の「評価値／観測値」比の平均とばらつきを示す図である。「評価値／観測値」比の平均は、ほぼ１であり、「評価値／観測値」比の常用対数標準偏差は、最大加速度ＰＧＡ、及び、擬似速度応答スペクトルｐＳｖでは、概ね０．２強、速度応答継続時間スペクトルＴＳｖでは、０．１強となった。

以上のように、本実施形態に係る地震動評価モデル生成装置３及び地震動評価モデル生成方法によれば、地震動諸特性パラメータと地震動指標との相関関係が機械学習により観測点毎に学習されることで、各観測点における地下構造の違いが地震動に与える不確定要因が除外されるので、地震動の特性を高精度で評価・予測することが可能な地震動評価モデル１３を提供することができる。

また、本実施形態に係る地震動評価装置４及び地震動評価方法によれば、地震動評価モデル生成装置３及び地震動評価モデル生成方法により生成された観測点毎の地震動評価モデル１３を利用することにより、個々の専門家の経験に依存することなく、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することができる。

（第３の実施形態）
第２の実施形態に係る地震動評価システム１では、地震動評価モデル生成装置３が、観測点毎に地震動評価モデル１３（例えば、地点モデルＳ４、Ｔ４）を生成し、地震動評価装置４が、観測点毎の地震動評価モデル１３を用いて各観測点における地震動を評価・予測するものである。これに対し、第３の実施形態に係る地震動評価システム１では、地震動評価モデル生成装置３が、複数の観測点が所定の分類基準に従ってグループ化された観測点グループ毎に地震動評価モデル１３を生成し、地震動評価装置４が、観測点グループ毎の地震動評価モデル１３を用いて各観測点グループにおける地震動を評価・予測する点で相違する。その他の基本的な構成及び動作は、第１及び第２の実施形態と同様のため、以下では両者の相違点を中心に説明する。

図２１は、近接する複数の観測点における地震動の震源特性、伝播特性、及び、サイト特性を示す概略図である。

図２１に示す第１乃至第３の観測点のように、複数の観測点が近接している場合、観測点が極近傍にある場合や観測点周辺の地下構造が急変している場合等を除けば、近接する複数の観測点の間では、地震動の震源特性及び伝播特性はほぼ同等とみなすことができ、それぞれの観測点の直下の基盤に入力される地震動はほぼ同一であると考えられる。また、サイト特性については、地震動観測記録や地震動観測記録から得られる地震動指標を比較することで、近接する複数の観測点の間における類似性を判断することが可能であると考えられる。

したがって、所定の分類基準としては、以下に示す第１乃至第３の分類基準が挙げられる。例えば、第１の分類基準は、複数の観測点の間の距離が所定の基準値よりも小さいときに、当該複数の観測点を同一の観測点グループに分類するものである。第２の分類基準は、複数の観測点の各々における地下構造パラメータを比較したときの類似度が所定の基準値よりも高いときに、当該複数の観測点を同一の観測点グループに分類するものである。第３の分類基準は、複数の観測点にてそれぞれ観測された地震動観測記録（時刻歴波形データ）の各々又は地震動観測記録の各々から得られる地震動指標の各々が、例えば、ＧＯＦ（Goodness of Fit）を用いた適合度を比較することで所定の基準値よりも類似するときに、当該複数の観測点を同一の観測点グループに分類するものである。

図２２は、複数の観測点ｃ１～ｃ３がグループ化された第１の観測点グループＣと、複数の観測点ｄ１～ｄ３がグループ化された第２の観測点グループＤとをそれぞれ示す図である。複数の観測点ｃ１～ｃ３、ｄ１～ｄ３が、所定の分類基準に従ってグループ化されることで、図２２に示すように、第１の観測点グループＣと、第２の観測点グループＤとが形成される。ここでは、第１の観測点グループＣにおける地震動評価モデル１３を「グループモデルＣ」、第２の観測点グループＤにおける地震動評価モデル１３を「グループモデルＤ」とし、それらの機械学習に必要な学習用データ１２を「学習用データセットＣ」、「学習用データセットＤ」とする。

図２３は、本発明の第３の実施形態に係る地震動評価モデル生成装置３及び地震動評価モデル生成方法の一例を示す機能説明図である。

取得部３１１は、データベース１０から、第１の観測点グループを形成する各観測点ｃ１～ｃ３にて地震動が観測された地震に基づく地震動データ１１を、学習用データ１２（学習用データセットＣ）として選択する。また、取得部３１１は、データベース１０から、第２の観測点グループを形成する各観測点ｄ１～ｄ３にて地震動が観測された地震に基づく地震動データ１１を、学習用データ１２（学習用データセットＤ）として選択する。

生成部３１２は、取得部３１１にて取得された複数の学習用データ１２（学習用データセットＣ、Ｄ）に基づいて、特徴量（４種類の地震動諸特性パラメータ）及び目的変数（１１種類の地震動指標）の相関関係を機械学習により学習することにより、観測点グループ毎に地震動評価モデル１３（グループモデルＣ４、Ｄ４）を生成する。

図２４は、本発明の第３の実施形態に係る地震動評価装置４及び地震動評価方法の一例を示す機能説明図である。

予測部４１１は、受付部４１０にて受け付けられた予測対象の地震動諸特性パラメータを特徴量として、予測点位置に応じて地震動評価モデル１３（グループモデルＣ４、Ｄ４）に入力することにより当該地震動評価モデル１３から出力される目的変数に基づいて、予測対象の地震動諸特性パラメータに対応する地震動指標を予測する。

その際、予測部４１１は、予測対象の地震動諸特性パラメータに含まれる予測点位置が、各観測点ｃ１～ｃ３や各観測点ｃ１～ｃ３を結ぶ線の内側（例えば、図２２に示す予測点ｅ１）の場合には、グループモデルＣ４を用い、予測点位置が、各観測点ｄ１～ｄ３や各観測点ｄ１～ｄ３を結ぶ線の内側（例えば、図２２に示す予測点ｅ２）の場合には、グループモデルＤ４を用いる。なお、予測点位置が、図２２の予測点ｅ３で示すように、第１の観測点グループＣと、第２の観測点グループＤとの中間にある場合には、グループモデルＣ４を用いて予測した地震動指標と、グループモデルＤ４を用いて予測した地震動指標とを平均化したり、距離や地下構造パラメータの類似度に応じて按分したりしてもよい。

以上のように、本実施形態に係る地震動評価モデル生成装置３及び地震動評価モデル生成方法によれば、地震動諸特性パラメータと地震動指標との相関関係が機械学習により観測点グループ毎に学習されることで、学習用データ（教師データ）の確保を容易にしつつ、学習用データのばらつきが低減されるので、地震動の特性を高精度で評価・予測することが可能な地震動評価モデルを提供することができる。

また、本実施形態に係る地震動評価装置４及び地震動評価方法によれば、地震動評価モデル生成装置３及び地震動評価モデル生成方法により生成された観測点グループ毎の地震動評価モデルを利用することにより、個々の専門家の経験に依存することなく、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することができる。

さらに、観測点グループは、所定の分類基準（観測点間の距離や地下構造パラメータの類似度等）に従って分類されグループ化されることで、地下構造の違いが地震動に与える不確定要因が除外されるので、地震動の特性を高精度で評価・予測することが可能な地震動評価モデルを提供することができる。

（第４の実施形態）
第１の実施形態に係る地震動評価システム１では、地震動評価モデル生成装置３が、過去に発生した地震に基づくデータベース１０から学習用データ１２を取得し、地震動評価モデル１３を生成するものである。これに対し、第４の実施形態に係る地震動評価システム１では、地震動評価モデル生成装置３が、過去に発生した実地震に基づく第１のデータベース１０Ａと、シミュレーションにより算出された仮想地震に基づく第２のデータベース１０Ｂとから学習用データ１２をそれぞれ取得し、地震動評価モデル１３を生成する点で相違する。その他の基本的な構成及び動作は、第１の実施形態と同様のため、以下では両者の相違点を中心に説明する。

図２５は、本発明の第４の実施形態に係る地震動評価システム１の一例を示すブロック図である。

地震動シミュレーション装置６は、所定のシミュレーション手法に従ってシミュレーションを実行することにより仮想地震及び仮想地震による仮想地震動を算出するものであり、そのときのシミュレーション条件やシミュレーション結果をシミレーションデータとして外部に提供する。その際、所定のシミュレーション手法は、任意の手法が採用可能であり、複数の手法が採用されてもよい。

なお、地震動シミュレーション装置６は、地震動評価装置４からデータの要求を受けたときに、その要求に関するシミュレーションデータ（地震動評価装置４からシミュレーション条件を受けた場合には、そのシミュレーション条件に基づいてシミュレーションを実行したときのシミュレーション結果を含むシミレーションデータでもよい）を地震動評価装置４に提供してもよい。また、地震動シミュレーション装置６は、自装置にてシミュレーションを実行することでシミュレーションデータを提供するものでもよいし、他の装置でシミュレーションが実行されたときのシミュレーションデータを提供するものでもよい。

地震動評価モデル生成装置３の記憶部３０には、地震動評価モデル１３及び地震動評価モデル生成プログラム３００の他に、データ提供装置２Ａ～２Ｃにより提供された提供データが登録・更新される第１のデータベース１０Ａ（第１の実施形態に係るデータベース１０に相当する）と、地震動シミュレーション装置６により提供されたシミュレーションデータが登録・更新される第２のデータベース１０Ｂとが記憶されている。

制御部３１は、地震動評価モデル生成プログラム３００を実行することにより、第１のＤＢ管理部３１０Ａ、第２のＤＢ管理部３１０Ｂ、第１の取得部３１１Ａ、第２の取得部３１１Ｂ、及び、生成部３１２として機能する。第１のＤＢ管理部３１０Ａ、及び、第１の取得部３１１Ａは、第１の実施形態に係るＤＢ管理部３１０、取得部３１１にそれぞれ相当する。

図２６は、本発明の第４の実施形態に係る地震動評価モデル生成装置３及び地震動評価モデル生成方法の一例を示す機能説明図である。

第１のＤＢ管理部３１０Ａ（第１のＤＢ管理工程）は、データ提供装置２Ａ～２Ｃにより提供された提供データに基づいて、実地震動が観測されたときの地震動諸特性パラメータ及び地震動観測記録を関連付けて、第１のデータベース１０Ａに登録する。そのため、第１のデータベース１０Ａには、複数の実地震と当該複数の実地震による実地震動が観測された少なくとも１つの観測点との各組み合わせについて、当該実地震動が観測されたときの地震動諸特性パラメータ及び地震動観測記録が関連付けられた状態の地震動データ１１が複数登録されて、記憶されている。

第１の取得部３１１Ａ（第１の取得工程）は、第１のデータベース１０Ａに登録された複数の地震動データ１１から、地震動諸特性パラメータを特徴量とし、地震動観測記録から得られる地震動指標を目的変数として、特徴量及び目的変数で構成される第１の学習用データ１２Ａを複数取得する。

第２のＤＢ管理部３１０Ｂ（第２のＤＢ管理工程）は、地震動シミュレーション装置６により提供されたシミュレーションデータに基づいて、仮想地震動がシミュレーションにより算出されたときの地震動諸特性パラメータ及び地震動算出結果を関連付けて、第２のデータベース１０Ｂに登録する。そのため、第２のデータベース１０Ｂには、複数の仮想地震と当該複数の仮想地震による仮想地震動がシミュレーションの地震動算出結果として算出された少なくとも１つの仮想観測点との各組み合わせについて、当該仮想地震動がシミュレーションにより算出されたときの地震動諸特性パラメータ及び地震動算出結果が関連付けられた状態の地震動データ１１が複数登録されて、記憶されている。

第２の取得部３１１Ｂ（第２の取得工程）は、第２のデータベース１０Ｂに登録された複数の地震動データ１１から、地震動諸特性パラメータを特徴量とし、地震動算出結果から得られる地震動指標を目的変数として、特徴量及び目的変数で構成される第２の学習用データ１２Ｂを複数取得する。

その際、第２の取得部３１１Ｂは、実地震動の地震動諸特性パラメータの分布を仮想地震動の地震動諸特性パラメータの分布により補間するように、第２のデータベース１０Ｂから第２の学習用データ１２Ｂを複数取得するのが好ましい。

図２７は、第１の学習用データ１２Ａ及び第２の学習用データ１２Ｂの補間関係を示す散布図である。図２７における散布図は、第１の学習用データ１２Ａにおける実地震動の地震動諸特性パラメータの分布（グレースケールによる濃淡部分）として、モーメントマグニチュードＭｗ（横軸）及び震源距離Ｘ（縦軸）の相関を示すものである。

第２の取得部３１１Ｂは、第１のデータベース１０Ａから取得された第１の学習用データ１２Ａではデータ数やその割合が所定の閾値よりも少ないデータ不足部分（例えば、図２７の破線で囲まれた内側部分）の地震動諸特性パラメータについて、第２のデータベース１０Ｂに登録されているか否かを検索し、当該データ不足部分に対応する仮想地震動の地震動諸特性パラメータにより構成された第２の学習用データ１２Ｂを第２のデータベース１０Ｂから取得する。その際、データ不足部分に対応する第２の学習用データ１２Ｂが第２のデータベース１０Ｂに登録されていない場合には、第２の取得部３１１Ｂは、データ不足部分に基づいてシミュレーション条件を設定して地震動シミュレーション装置６に要求することにより、当該データ不足部分に対応する第２の学習用データ１２Ｂを地震動シミュレーション装置６から取得するようにしてもよい。なお、地震動諸特性パラメータの分布は、図２７に示す例では、モーメントマグニチュードＭｗ及び震源距離Ｘに基づく分布である場合について説明したが、これに限られず、地震動諸特性パラメータに含まれる特性のうち、少なくとも２つの特性を変数とする分布であればよい。

また、第２のデータベース１０Ｂには、複数のシミュレーション手法に基づく地震動データ１１が登録されていてもよく、その場合には、第２の取得部３１１Ｂは、複数のシミュレーション手法に基づく地震動データ１１が登録された第２のデータベース１０Ｂから第２の学習用データ１２Ｂを複数取得するようにしてもよい。その際、第２の取得部３１１Ｂは、例えば、各シミュレーション手法の間で地震動諸特性パラメータの分布を補間するように、第２の学習用データ１２Ｂを取得してもよいし、各シミュレーション手法の性能を比較し、地震動諸特性パラメータに適したシミュレーション手法に基づく地震動データ１１を第２の学習用データ１２Ｂとして選択してもよい。

生成部３１２（生成工程）は、図２６に示すように、第１の取得部３１１Ａにて取得された複数の第１の学習用データ１２Ａと、第２の取得部３１１Ｂにて取得された複数の第２の学習用データ１２Ｂとに基づいて、特徴量及び目的変数の相関関係を機械学習により学習することにより、学習済みモデルとして地震動評価モデル１３を生成する。

地震動評価装置４は、地震動評価モデル生成装置３により生成された地震動評価モデル１３に基づいて、地震動を評価・予測し、その結果を出力媒体に出力する。なお、地震動評価装置４は、第１の実施形態と同様に構成されているため、詳細な説明は省略する。

以上のように、本実施形態に係る地震動評価モデル生成装置３及び地震動評価モデル生成方法によれば、過去に発生した実地震に基づく第１の学習用データ１２Ａと、シミュレーションにより算出された仮想地震に基づく第２の学習用データ１２Ｂとを用いて、地震動諸特性パラメータと地震動指標との相関関係が機械学習により学習される。これにより、学習用データ（教師データ）の確保を容易にしつつ、学習用データの偏りが低減されるので、地震動の特性を高精度で評価・予測することが可能な地震動評価モデル１３を提供することができる。

また、本実施形態に係る地震動評価装置４及び地震動評価方法によれば、地震動評価モデル生成装置３及び地震動評価モデル生成方法により生成された地震動評価モデル１３を利用することにより、個々の専門家の経験に依存することなく、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することができる。

さらに、過去に実地震として発生したことがなく、第１の学習用データ１２Ａでは用意することが不可能な地震動諸特性パラメータを補完するように、第２の学習用データ１２Ｂが選択されることで、学習用データの分布の偏りが低減されるので、地震動の特性を高精度で評価・予測することが可能な地震動評価モデル１３を提供することができる。

（他の実施形態）
以上、本発明の実施形態について説明したが、本発明は上記各実施形態に限定されるものではなく、本発明の技術的思想を逸脱しない範囲で適宜変更可能である。

例えば、上記第２の実施形態では、地震動評価モデル生成装置３が、２つの地点モデルＳ４、Ｔ４を作成し、第３の実施形態では、地震動評価モデル生成装置３が、２つのグループモデルＣ４、Ｄ４を作成するものとして説明した。これに対し、地震動評価モデル生成装置３が、３つ以上の観測点毎に又は３つ以上の観測点グループ毎に地震動評価モデル１３を生成するようにしてもよい。また、第２の実施形態又は第３の実施形態に、第４の実施形態を組み合わせてもよく、地震動評価モデル生成装置３が、過去に発生した実地震に基づく第１のデータベース１０Ａと、シミュレーションにより算出された仮想地震に基づく第２のデータベース１０Ｂとから学習用データ１２をそれぞれ取得し、観測点毎に又は観測点グループ毎に地震動評価モデル１３を生成するようにしてもよい。

上記各実施形態に係る地震動評価モデル生成装置３は、新たな地震が発生し、地震動観測記録が観測されたときに、当該新たな地震に基づく地震動データ１１によりデータベース１０に更新し、更新後のデータベース１０に基づいて、地震動評価モデル１３を自動的に再生成するようにしてもよい。そして、上記各実施形態に係る地震動評価装置４は、再生成された地震動評価モデル１３に基づいて、地震動の特性を自動的に再評価・再予測してもよい。

（特徴量の選定について）
上記各実施形態では、学習用データ１２を構成する特徴量は、図４に示す２５種類の地震動諸特性パラメータのうち、６種類又は４種類の地震動諸特性パラメータが選定されたものとして説明したが、２５種類の地震動諸特性パラメータから任意の地震動諸特性パラメータを特徴量として選定して組み合わせてもよいし、２５種類の地震動諸特性パラメータ以外の他の地震動諸特性パラメータを特徴量としてさらに組み合わせてもよい。その際、各特徴量のクラスター分析（後述する図２８参照）を行い、その分析結果に基づいて、特徴量とする地震動諸特性パラメータを選定してもよい。例えば、複数のクラスターに分類された場合には、各クラスターを代表するような地震動諸特性パラメータを特徴量として選定してもよいし、相互依存性が高い複数の地震動諸特性パラメータが存在する場合には、その中から代表の地震動諸特性パラメータを特徴量として選定してもよい。

図２８は、各特徴量のクラスター分析による相互依存性を示す図である。学習用データセットＡにおいて各特徴量のクラスター分析を行った結果、２５種類の地震動諸特性パラメータは、図２８に示すように、３つのクラスターに分類された。すなわち、図２８の対角線上にゾーニングされたように、相互情報量が相対的に大きい３つの領域である。

１つ目は、図２８の右上に位置し、震央位置（緯度ｌａｔ＿ｅｑ，経度ｌｏｎ＿ｅｑ）、モーメントマグニチュードＭｗ、震源深さＨ、震源メカニズム解（Ｓｔｒｉｋｅ１、ｄｉｐ１、ｒａｋｅ１）、震源メカニズム解の共役解（Ｓｔｒｉｋｅ２、ｄｉｐ２、ｒａｋｅ２）、地震種別Ｔｙｐｅ、断層タイプＭｅｃｈ、及び、震源距離Ｘからなる「震源クラスター」である。２つ目は、中央部分に位置する、観測点位置（緯度ｌａｔ＿ｓｉｔｅ，経度ｌｏｎ＿ｓｉｔｅ）、表層１０ｍ平均Ｓ波速度ＡＶＳ１０、表層３０ｍ平均Ｓ波速度ＡＶＳ３０、最上層のＳ波速度ＶＳ１、Ｓ波速度７００ｍ／ｓ層上面深さＤ７、Ｓ波速度１４００ｍ／ｓ層上面深さＤ１７、Ｓ波速度２１００ｍ／ｓ層上面深さＤ２４、地震基盤面深さＤ２８、及び、微地形区分ＪＣＯＤＥからなる「サイトクラスター」である。３つ目は、左下に位置する、震央方位（ｓｉｎΛ，ｃｏｓΛ）からなる「震央方位クラスター」である。なお、右上隅に位置する地震動の方向成分Ｃｏｍｐ（本実施形態では、南北方向成分又は東西方向成分）は、いずれのクラスターにも属さず独立している。

震源クラスター及びサイトクラスターは、震源特性及びサイト特性にそれぞれ分類された。伝播特性である震源距離Ｘは、震源クラスターに集約されたが、震源距離Ｘと、震源クラスターのその他の特徴量との相互情報量はいずれも０．２程度以下と小さく、両者の結びつきは弱いことが分かった。

（震央方位Λについて）
上記各実施形態では、特徴量の１つである震央方位Λに、ｓｉｎΛとｃｏｓΛのペア（以下、「ケースＣ１０」という）を適用したものとして説明したが、震央方位Λとして、他のデータ形式を適用してもよい。

図２９は、震央方位Λの各種のデータ形式を示し、（ａ）各データ形式の定義を示し、（ｂ）は各データ形式における、目的変数（地震動指標）に対する各特徴量（地震動諸特性パラメータ）の影響度を示す図である。なお、図２９（ｂ）は、学習用データセットＴを用いた機械学習により生成された地点モデルＴ４を用いた場合の結果である。

震央方位Λの特徴量のデータ形式として、ケースＣ１１、Ｃ１２は、ケースＣ１０と同様に、三角関数を用いた連続量を適用したものであり、ケースＣ１１は、ｓｉｎΛのみを適用し、ケースＣ１２は、ｃｏｓΛのみを適用した。また、ケースＣ０１は、真北を震央方位０°と定義するΛＳをそのまま適用し、ケースＣ０２は、真南を震央方位０°と定義するΛＮをそのまま適用した。ケースＣ１０～１２、Ｃ０１、Ｃ０２では、震央方位Λが、全方位に対して連続量として与えられるが、北方の地震に対するＣ０１と、南方の地震に対するＣ０２については、それぞれ方位０°付近にて震央方位の値が不連続となる。

また、震央方位Λの特徴量のデータ形式として、ケースＣ１０～１２、Ｃ０１、Ｃ０２のように、震央方位Λに対応する連続量を与えるものではなく、ケースＣ２１～Ｃ２４、Ｃ３３のように、全方位を所定の区分数に分割した複数の方位区分（例えば、１２方位）のうち震央方位Λに対応する方位区分を離散量として与えるようにしてもよい。ケースＣ２４は、ケースＣ２２の文字列での四方位Ｎ・Ｓ・Ｅ・Ｗの出現回数に対応する４組の数字を適用し、ケースＣ３３は、ケースＣ２３を２０方位に変更した。

各ケースにおける各特徴量の影響度は、図２９（ｂ）に示すように、各ケースとも同様の傾向であるが、地点モデルＴ４では、震央方位Λに関する特徴量の影響度は、震央方位Λが方位区分を用いた離散量により与えられる５つのケースＣ２１～Ｃ２４、Ｃ３３では相対的に小さく、震央方位Λが連続量により与えられるケースＣ１１～Ｃ１２、Ｃ０１、Ｃ０２では相対的に高くなることが分かった。

（プログラムについて）
上記実施形態では、地震動評価モデル生成プログラム３００及び地震動評価プログラム４００は、記憶部３０、４０にそれぞれ記憶されたものとして説明したが、インストール可能な形式又は実行可能な形式のファイルでＣＤ－ＲＯＭ、ＤＶＤ、ＵＳＢメモリ等のコンピュータで読み取り可能な記録媒体に記録されて提供されてもよい。また、地震動評価モデル生成プログラム３００及び地震動評価プログラム４００は、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供されてもよい。

１…地震動評価システム、
２Ａ…観測データ提供装置、２Ｂ…解析データ提供装置、
２Ｃ…地下構造データ提供装置、
３…地震動評価モデル生成装置、４…地震動評価装置、
５…ネットワーク、６…地震動シミュレーション装置、
１０…データベース、１０Ａ…第１のデータベース、１０Ｂ…第２のデータベース、
１１…地震動データ、
１２…学習用データ、１２Ａ…第１の学習用データ、１２Ｂ…第２の学習用データ、
１３、１３Ａ～１３Ｋ…地震動評価モデル、
３０…記憶部、３１…制御部、３２…通信部、３３…入力部、３４…表示部、
４０…記憶部、４１…制御部、４２…通信部、４３…入力部、４４…表示部、
３００…地震動評価モデル生成プログラム、
３１０…ＤＢ管理部、３１０Ａ…第１のＤＢ管理部、３１０Ｂ…第２のＤＢ管理部、
３１１…取得部、３１１Ａ…第１の取得部、３１１Ｂ…第２の取得部、３１２…生成部、
４００…地震動評価プログラム、
４１０…受付部、４１１…予測部、４１２…出力処理部

Claims (6)

1. コンピュータを用いて機械学習により地震動評価モデルを生成する地震動評価モデル生成方法であって、
   複数の地震と当該複数の地震による地震動が観測された複数の観測点との各組み合わせについて、前記地震動が観測されたときの地震動諸特性パラメータ及び地震動観測記録を関連付けて記憶するデータベースから、前記地震動諸特性パラメータを特徴量とし、前記地震動観測記録から得られる地震動指標を目的変数として、前記特徴量及び前記目的変数で構成される学習用データを複数取得する取得工程と、
   前記取得工程にて取得された複数の前記学習用データに基づいて、前記特徴量及び前記目的変数の相関関係を前記機械学習により学習することにより、前記機械学習の学習済みモデルとして、複数の前記観測点が所定の分類基準に従って分類されグループ化された観測点グループ毎に前記地震動評価モデルを生成する生成工程と、を含み、
   前記分類基準は、
   複数の前記観測点の間の距離が所定の基準値よりも小さいときに、当該複数の観測点を同一の前記観測点グループに分類するものである、
   地震動評価モデル生成方法。
2. コンピュータを用いて機械学習により地震動評価モデルを生成する地震動評価モデル生成方法であって、
   複数の地震と当該複数の地震による地震動が観測された複数の観測点との各組み合わせについて、前記地震動が観測されたときの地震動諸特性パラメータ及び地震動観測記録を関連付けて記憶するデータベースから、前記地震動諸特性パラメータを特徴量とし、前記地震動観測記録から得られる地震動指標を目的変数として、前記特徴量及び前記目的変数で構成される学習用データを複数取得する取得工程と、
   前記取得工程にて取得された複数の前記学習用データに基づいて、前記特徴量及び前記目的変数の相関関係を前記機械学習により学習することにより、前記機械学習の学習済みモデルとして、複数の前記観測点が所定の分類基準に従って分類されグループ化された観測点グループ毎に前記地震動評価モデルを生成する生成工程と、を含み、
   前記分類基準は、
   複数の前記観測点にてそれぞれ観測された前記地震動観測記録の各々又は前記地震動観測記録の各々から得られる前記地震動指標の各々が所定の基準値よりも類似するときに、当該複数の観測点を同一の前記観測点グループに分類するものである、
   地震動評価モデル生成方法。
3. コンピュータを用いて、請求項１又は請求項２に記載の地震動評価モデル生成方法により生成された前記観測点グループ毎の前記地震動評価モデルに基づいて前記地震動の特性を評価する地震動評価方法であって、
   予測対象の前記地震動諸特性パラメータを受け付ける受付工程と、
   前記受付工程にて受け付けられた前記予測対象の前記地震動諸特性パラメータを前記特徴量として当該地震動諸特性パラメータに対応する前記観測点グループ毎の前記地震動評価モデルに入力することにより当該地震動評価モデルから出力される前記目的変数に基づいて、前記予測対象の前記地震動諸特性パラメータに対応する前記地震動指標を予測する予測工程と、を含む、
   ことを特徴とする地震動評価方法。
4. 前記予測工程は、
   前記受付工程にて受け付けられた前記予測対象の前記地震動諸特性パラメータが予測点を含むものであるとき、前記観測点グループ毎の前記地震動評価モデルの中から前記予測点に対応する前記地震動評価モデルを選択し、前記地震動諸特性パラメータを当該地震動評価モデルに入力し、前記地震動指標を予測する、
   請求項３に記載の地震動評価方法。
5. コンピュータであって、
   請求項１又は請求項２に記載の地震動評価モデル生成方法に含まれる各工程を実行する制御部を備える、
   地震動評価モデル生成装置。
6. コンピュータであって、
   請求項３又は請求項４に記載の地震動評価方法に含まれる各工程を実行する制御部を備える、
   地震動評価装置。

Images