Early identification of damage after a landslide is important. However, image deciphering by specialists is time-consuming and costly. In recent years, there has been discussion on delegating the image interpretation part to AI. Yet, a comprehensive model capable of detecting widespread and simultaneous sediment-related disasters has not been established. In addition, these models often rely solely on image data and do not consider the specific characteristics of the affected areas. Therefore, in this study, we developed a damage detection model that enables early detection of landslides using YOLO. Additionally, we developed a model that categorizes the factors causing landslides in the July 2018 torrential rainfall into predisposing factors and triggers, and quantitatively evaluates them using binomial logistic regression analysis. The combination of these approaches was shown to complement the results obtained from using only image decipherment.

半乾燥地域では，井戸を掘ることで飲料水へのアクセスが向上する。潜在地下水がリモート・センシングと地理情報システム（GIS）に基づく方法で検出できれば，井戸は効率よく掘ることができる。そこで，民俗学的知見を光学センサ・データと地理情報に適用することにより，半乾燥地域の潜在地下水分級図を作成した。対象地域は，パキスタン国シンド州ウマルコート地区の一部である。地形，地表面乾湿，植生の有無，地質を数量化して重み付け加算して得た半乾燥地域の潜在地下水評価値PGW_SAZを５段階に区分した。対象地域西部の氾濫原の地下水存在可能性は，東部の沙漠のそれよりも高かった。精査地域の８村には67の井戸があった。それらの井戸で地下水存在可能性（PGW_SAZの値）を調べた。67井戸のうち，87％はModerateとGoodクラスにあり，地下水存在可能性が高い場所にあった。したがって，作成した潜在地下水分級図は井戸掘削候補地を検出するのに有効であるといえる。