機械学習手法による火災リスク評価：中国済南市の事例研究

なぜ一つの都市の火災リスクが誰にとっても重要なのか

都市が拡大し夏がより暑くなるにつれて、かつては稀に思えた火災がより頻発し、被害も大きくなっています。本研究は中国東部の急成長都市・済南を対象に、単純だが緊急性の高い問いを投げかけます：どこで火災が起きやすく、いつ起きやすいのか。衛星データ、都市の地図、最新の機械学習技術を組み合わせることで、研究者たちは高リスク領域を細かく特定し、その知見を人々や住宅、周辺の森林をよりよく守るために活かせることを示しています。

都市全体のパターンとして火災を見る

各火災を孤立した偶発的な出来事として扱う代わりに、研究チームは済南を全体としてのシステムと見なしました。衛星で検出された2001年から2024年までの7,500件超の火災記録を集め、それを15の環境要因と組み合わせました。これらには降水量、気温、風、湿度などの気象要素、標高・傾斜・方位といった地形、植生の緑度や土地被覆の種類、人口密度や道路・河川からの距離といった人間活動の指標が含まれます。すべてのデータは共通の解像度の地図レイヤーに変換され、市内の各地点が「湿り気の傾向」「傾斜の度合い」「緑の多さ」「人の多さ」といった同じ尺度で記述できるようにしました。

危険地帯を見分けるようにコンピュータを教える

この膨大な情報を有用な予測に変えるために、著者らは5種類の機械学習手法を試しました。ランダムフォレストやサポートベクターマシンといったよく知られた手法から、Light Gradient‑Boosting Machine（LightGBM）や畳み込みニューラルネットワーク（CNN）といったより高度な技術まで含まれます。各モデルは、火災が発生した場所と発生していない類似の場所を区別するように学習されました。モデルの評価は、全体の正確性、見逃しと誤報のバランス、リスクと安全をどれだけ分離できるかを示すAUC（曲線下の面積）などの指標を用いて行われました。

地図が示す、火災が起きる場所と時期

最も性能が高かったのはCNNとLightGBMで、どちらも火災が起きやすい場所を8割以上の確率で正しく予測し、高いAUCスコアを達成しました。CNNは特に安全域と危険域の境界を鮮明に描く点で若干優れていました。その地図は「三つの高リスク域と二つのリスクベルト」という特徴的なパターンを示しました。平たく言えば、最も火災が起きやすい場所は市の中心部や南部の都市区画の周辺に集中し、市内を横断・縦断する二本の高リスク帯でつながっています。北の平野部や最南端の高山地帯は概ねリスクが低めです。分析はまた、どの要素が最も影響するかを浮き彫りにしました：土地利用・土地被覆と植生の緑度が最も強い駆動要因であり、長期的な平均気温や降水量よりも大きな影響を与えていました。つまり、景観を人がどう形作り断片化するか、そして燃料となる植生がどれだけあるかが、背景気候と同等かそれ以上に重要だということです。

季節、地域、そして人間の習慣

済南の火災リスクは一年を通じて一定ではありません。季節別のデータをCNNに与えることで、著者らは春と夏が際立っていることを見出しました。春は高リスク域の広がりが最も大きく、乾いた草地や林の近くで野外の火を使う伝統行事と部分的に結びついています。夏は実際の火災件数が最も多く、暑さ、大量の電力使用、屋外活動が重なる市街地に集中します。秋は農地や山辺での残渣焼却に伴う散発的なリスクが見られ、冬は乾燥した植生や農山間地域での暖房習慣に注意が向きます。地区別にリスクを集計すると、淮陰（Huaiyin）が予防の最優先地となり、続いて田橋（Tianqiao）、鋼城（Gangcheng）、章丘（Zhangqiu）が上位に挙がり、どこで消防や啓発活動の効果が大きいかを示しています。

より安全な都市に向けての示唆

専門家でない読者への主要な要点は、都市内外の火災は無作為でも避けられないものでもない、ということです。過去の事象から学び、気象、地形、植生、人間活動に潜む微妙なサインを読み取ることで、現代のアルゴリズムは巡回、老朽配線の改修、植生管理、野焼き規制など、具体的に注力すべき場所を示す詳細なリスク地図を描くことができます。済南の事例は、都市の成長が可燃性の緑地に迫ると火災の危険が高まることを示しており、世界の多くの都市でも同様のパターンが見られます。本研究で用いられたCNNベースの地図のような手法は、事後対応に追われるのではなく、次の火災シーズンを先回りして備えるために自治体が実用的に活用できる方法を提供します。

引用: Wei, G., Han, GS. & Lang, X. Fire risk assessment using machine learning techniques: a case study of Jinan City, China. Sci Rep 16, 6410 (2026). https://doi.org/10.1038/s41598-026-37074-0

キーワード: 都市火災リスク, 機械学習, 衛星データ, 畳み込みニューラルネットワーク, 防災