ブラジルの大都市で高解像度の日平均気温を推定するための衛星ベースの機械学習アプローチ

都市内で熱が均一でない理由

大都市の暑い日、並木道の通りで感じる温度は、数ブロック離れたコンクリート広場での体感と大きく異なることがあります。それでも多くの保健や気候の研究では、都市全体を単一の温度で扱いがちです。本論文は、研究者たちが衛星、気象モデル、機械学習を組み合わせてブラジルのサンパウロ市内の毎日の気温を詳細にマップ化し、実際に誰が危険な熱にさらされているか、どこに冷却対策が最も必要かを明らかにする方法を示しています。

都市の温度を高精細で測る

従来の気温記録は限られた数の観測所に依存しており、多くは空港周辺や富裕層の地区に集中しています。そのため、特にモニタリング網がまばらな大都市や中低所得国では、実際の近隣ごとの熱分布を把握するのが難しくなります。研究者たちは人口2200万人を超える多様な大都市、サンパウロに着目しました。彼らの目標は、2015年から2019年の5年間にわたり、都市圏内の500メートル×500メートルの格子ごとに日平均気温を推定することで、南米でもっとも詳細な市域気温データセットの一つを作ることでした。

衛星、気象モデル、地上観測の融合

この高解像度図を作るために、研究チームはいくつかの種類の公開データを組み合わせました。まず48の地上観測所からの測定値を収集しました。これらは気温のもっとも直接的な読み取りを提供しますが、点としての観測に限られます。次に、衛星による地表面温度、太陽の入射角、地表の反射率の観測データ、さらには湿度、風、気圧については、粗い格子で毎時の気象を再構築するグローバルな「再解析」データを取り込みました。これらの要素は500メートル格子にリサンプリングされ、雲や衛星の欠測によるギャップを埋めるためにクリーニングが行われました。合計で、空間・時間における熱の変動を説明しうる23の候補説明変数を検討しました。

熱を読ませるための学習機の訓練

単純な直線（線形）式を使う代わりに、研究者たちはランダムフォレストを採用しました。これは多数の決定木を構築して結果を平均化する一般的な機械学習手法です。この手法は、地表面の熱、湿度、風が都市の異なる場所や季節に応じてどのように温度に影響するかといった複雑で非線形の関係を解き明かすのに適しています。特定の観測所の特異性に過剰適合しないように、段階的な特徴選択プロセスを用いて予測性能を真に向上させる変数のみを残しました。またモデルの検証は二重に行い、訓練時に観測所のグループを繰り返し除外する方法と、モデルの新しい場所での性能を厳密に試すために5つの観測所を丸ごと保持して外部テストとする方法を採りました。

詳細地図が示すもの

最終モデルは主要な8つの変数だけを使用し、その筆頭はグローバルな気象データによる気温で、衛星の地表面温度や湿度も重要な役割を果たしました。モデルは観測所の値を非常によく再現し、平均誤差は約0.8°Cで、観測値と予測値の一致度も非常に高かったです。地図は明瞭なパターンを示しています：森林、山地、大きな貯水池の上ではより涼しく、密集した市街地の中心部では周辺の農村部より最大で約5°C高くなる暑いゾーンが見られました。モデルは季節変動も捉え、最も暑いのは12月から3月、最も涼しいのは5月から8月でした。農村域ではやや精度が落ち、極端な暑さや寒さの日は平滑化する傾向がありましたが、同じ入力を用いた従来の多重線形回帰モデルよりも優れていました。

これらの地図が人々の健康にとって重要な理由

散在する観測値や衛星のスナップショットを日々の街区レベルの気温推定に変換することで、この研究はサンパウロや他都市の公衆衛生や都市計画にとって強力な新しいツールを提供します。研究者は非公式居住地のような公式記録から欠落しがちな地域を含め、異なる近隣が熱にどう影響されるかを研究し、熱波時に住民が最も危険にさらされる場所を特定できます。この手法は公開データと標準的なソフトウェアのみに依存するため、いくつかの地上観測所と同様の衛星被覆がある他の都市にも適用可能です。平たく言えば、本研究は都市の熱をより細かく「見える化」できるようになったことを示しており、公平でより標的を絞った気候適応や脆弱なコミュニティの保護のための不可欠な基盤を提供します。

引用: Roca-Barceló, A., Schneider, R., Pirani, M. et al. A satellite based machine learning approach for estimating high resolution daily average air temperature in a megacity in Brazil. Sci Rep 16, 7459 (2026). https://doi.org/10.1038/s41598-026-35689-x

キーワード: 都市の熱, 機械学習, 衛星データ, サンパウロ, 気温