機械学習アルゴリズムを用いた熱脆弱性評価フレームワークの多尺度リスク要因

なぜ高温上昇が皆の問題なのか

熱帯地域では、日中の暑さや夜間の蒸し暑さが単なる不快を超えて、静かな公衆衛生上の危機になりつつあります。本研究はマレーシアを事例として、熱、大気汚染、社会的不平等がどのように結びついて死亡リスクを高め、とくに高齢者や低所得層に影響を及ぼすかを示します。衛星や政府記録などの大規模データを現代の機械学習と組み合わせることで、どの要因が重要かを明らかにし、多くの熱帯国でどの地域を優先的に支援すべきかを見つける実用的な方法を提示します。

熱、都市、そして危険にさらされる人々

東南アジアなどを含む多くの熱帯・亜熱帯地域では、気温上昇が速まり、猛暑日が長くなっています。混雑した都市ではコンクリートやアスファルトが熱を閉じ込め、緑地の不足や劣悪な住宅環境が人々をさらしています。高齢者、乳幼児、慢性心疾患や呼吸器疾患を持つ人、低所得世帯は極端な暑さへの対処が最も困難です。マレーシアの急成長する都市部では、人口密度の高さ、住民の高齢化、経済的困窮が重なり、気温上昇時に多くのコミュニティが不利な立場に置かれます。

コミュニティ脆弱性のスコア化

この複雑な状況を解きほぐすため、著者らは2010年から2020年の間にマレーシアの13州と3つの連邦直轄地すべてを対象に熱脆弱性指数（HVI）を構築しました。気温だけでなく、65歳以上の住民割合、貧困率、教育、飲料水や医療へのアクセス、緑地量など16の指標を組み合わせています。これらの異なる指標を統計的に圧縮して、コミュニティが危険な暑さに耐える難易度を反映する単一のスコアとしました。民族構成や基本サービスへのアクセスがとくに重要な要素として浮かび上がりました。

環境情報の追加：陸上と大気

次に研究チームは重要な問いを立てました：熱に起因する死亡を予測する際、HVIと組み合わせるのに最適な環境情報はどちらか？彼らは二つの層を比較しました。まず一つ目は植生被覆や昼夜の地表面温度差などの局所的な陸域特性で、これにより夜間の冷却能力の指標が得られます。二つ目は広域的大気条件に着目した層で、温度・湿度・風・日射を組み合わせた熱的快適性指標に加え、微粒子状物質とオゾン濃度を含みます。これらのデータは衛星や再解析データから取得され、州レベルの死亡数と合うように年平均化されました。

アルゴリズムに判断を委ねる

ランダムフォレストを含む複数の機械学習モデルを用いて、社会的および環境的変数の異なる組み合わせが年ごとの全死因死亡率の変動をどれだけ説明できるかを検証しました。最も信頼できる組み合わせは、HVIと大気層（熱ストレス、微粒子、オゾン）を結び付けたもので、陸域指標のみよりも優れていました。この最良モデルではHVIが圧倒的に強い予測因子で、次いでオゾンと熱的快適性指標が続き、微粒子も依然として意味ある役割を果たしていました。高度な解釈手法により、これらの影響が一様でないことが明らかになりました。例えば東マレーシアでは汚れた空気と高い脆弱性が互いを強化している一方、西部の一部地域では非常に高いオゾンがむしろ低いリスクと同時に観察されるなど、局所的な化学反応や気象条件の影響が示唆されました。

温暖化する世界における不平等な暑さ

時間経過を見渡すと、マレーシア全体で熱ストレスと死亡率の双方が上昇し、2018年以降はコミュニティの脆弱性も上がっていることがわかりました。つまり、気候が厳しくなるだけでなく、それに耐える社会的安全網も弱まっているのです。非常に脆弱性の高い州の中にはまだ最悪の死亡数を記録していない場所もあり、将来の猛暑が到来する前に行動する機会が残されていることを示しています。分析はまた、フレームワークがCOVID-19期間のような混乱の年でも概ね安定していることを示しましたが、異常事象が一時的に死亡パターンを変える可能性があることも示しています。

数値から行動へ

一般向けの核心メッセージは明快です：熱が危険なのは単に温度のためだけではなく、誰が曝露され、どのような他のストレスに直面しているかによる—特に大気汚染や基礎サービスの不足です。本研究は、社会的脆弱性スコアを熱と大気品質の広域指標と組み合わせることで、高リスクコミュニティを特定する強力で移植可能な方法を示しています。大都市では大気汚染規制の強化や日陰・緑地の拡充が求められます。貧困や孤立した地域では医療、住宅、早期警報システムの強化が必要です。熱帯諸国がさらに温暖化する中で、本フレームワークのようなツールは、抽象的な気候リスクを具体的な地図や優先課題に変え、人命を救う助けとなるでしょう。

引用: Li, Z., Fong, C.S., Aghamohammadi, N. et al. Multi-scalar risk drivers for a heat vulnerability assessment framework using machine learning algorithms. Sci Rep 16, 10594 (2026). https://doi.org/10.1038/s41598-026-44880-z

キーワード: 熱脆弱性, 熱帯気候, 大気汚染, 機械学習, 公衆衛生リスク