PSO-WOAアルゴリズムを用いた森林焼損面積予測のためのCNN-MLPフレームワーク

なぜ火災被害の予測が重要か

地球温暖化と人の森林地域への拡大に伴い、山火事はより激しく、より大規模に、より頻繁に発生するようになっています。消火隊や地域社会にとって、発生の有無だけでなく、どれだけの面積が焼かれるかは、発生時に最も差し迫った問いの一つです。本研究は、単純な気象と干ばつの観測値を用いて最終的な焼損面積を高精度で推定できる新しい種類の人工知能を示しており、時間が重要な状況で緊急管理者により有利なスタートを提供する可能性があります。

生の気象データから火災影響へ

研究者らは、ポルトガルの国立公園から得られた、517件の森林火災を記録したよく知られたデータセットに着目します。各火災について、発生場所と時刻、気温、湿度、風速、直近の降雨、そして森林燃料の各層の乾燥度を示すいくつかの火災気象コードが記録されています。課題は、記録中のほとんどの火災がごく小規模である一方で、いくつかは非常に大規模であり、気象観測と焼損面積との関係が非常に複雑で非線形であることです。従来の手法、例えばサポートベクターマシンや単純なニューラルネットワークなどの標準的な機械学習ツールは、このような雑多なパターンに苦戦し、予測精度は控えめにとどまっていました。

どの入力が重要かをアルゴリズムに決めさせる

利用可能な全ての変数をモデルに投入する代わりに、チームはまずホタルに着想を得たアルゴリズムに最も情報量の多い入力の組み合わせを探させます。このスキームでは、各「ホタル」が各特徴量についてはい／いいえの選択を提案します：気温を含める、降雨を除外する、ある干ばつコードを含める、など。より明るいホタルは、試行モデルを用いて予測精度が高く、かつ入力数が少ない組み合わせを表します。多くのラウンドを経て、光の弱いホタルは明るいホタルへと移動し、プロセスは重要な要因の絞り込みに収束します。この手続きは一貫して五つの主要な焼損要因を浮き彫りにします：気温、相対湿度、中期および長期の乾燥をとらえる二つの干ばつ指標、そして火災が発生した場所を示す単純な座標です。

自然に着想を得た探索で調整されたハイブリッドニューラルネットワーク

これらのコア入力を使って、著者らは軽量だが専門化されたニューラルネットワークを構築します。一部は一次元畳み込みネットワークと呼ばれ、選択された特徴の相互作用のパターン—例えば高温、低湿、特定の場所での深い干ばつの組み合わせ—を検出します。その出力は次により伝統的な多層パーセプトロンへ渡され、焼損面積を推定する最終的な回帰を行います。このハイブリッドモデルの内部設定（層数、ニューロン数、学習速度など）をすべて決めること自体が複雑な問題です。これを扱うために、チームはさらに二つの自然に着想を得た探索手法、すなわち鳥の群れに基づく粒子群最適化（PSO）と鯨の狩猟戦略に基づくアルゴリズム（WOA）を組み合わせます。段階的にこれらのアルゴリズムは多くのネットワーク設計を探索し、検証データ上の予測誤差を最小化する設計に徐々に収束します。

実際の火災とのほぼ完全な一致

この自動調整の後、最適化されたハイブリッドモデルは、単独の畳み込みネットワーク、古典的なフィードフォワードネットワーク、LSTMやGRUのような系列志向モデルといった複数の強力な深層学習候補と比較試験されます。すべて同一のデータ分割で学習・比較され、ハイブリッドCNN–MLPシステムが明らかに優位に立ちます。その予測は観測された焼損面積と決定係数で約99.9パーセントという一致を示し、平均誤差（ヘクタール単位）は極めて小さいものです。データを繰り返しシャッフルして異なる訓練・試験フォールドに分けるクロスバリデーションは、この性能が偶然の産物ではなく安定していることを示します。モデル判断を説明するツールであるSHAPを用いた追加解析は、気温の上昇と深刻な干ばつが予測をより大きな焼損面積へ押し上げ、湿度の上昇がそれを抑えることを確認しており、既存の火災科学と整合します。

火災管理への示唆

専門外の読者にとっての核心は、現代のAIと最適化を慎重に組み合わせることで、日常的に得られる少数の気象・干ばつ指標から、火災がどれだけの森林を消費するかを非常に信頼できる形で推定できるという点です。最も有効な入力を自動的に選び、モデル内部の動作を微調整することで、この手法は精度と解釈可能性の両方を提供します。本研究はポルトガルの一つの公園と比較的少量のデータセットに焦点を当てていますが、このフレームワークは理論的にはより豊富なデータや他地域へ拡張可能です。こうしたシステムが成熟し、リアルタイムの気象フィードと連携すれば、機関は高リスク地域の優先順位付け、早めの避難計画、消火資源のより効率的な配分を支援でき、結果的に山火事による人命・生態系への被害を軽減する可能性があります。

引用: Mousa, M.H., Algamdi, A.M., Fouad, Y. et al. CNN-MLP framework for forest burned areas prediction using PSO-WOA algorithm. Sci Rep 16, 4982 (2026). https://doi.org/10.1038/s41598-026-35836-4

キーワード: 山火事予測, 焼損面積, 深層学習, 火災気象指数, 森林火災リスク