インド・ヒマラヤ上流ラヴィ小流域の山火事感受性を空間評価する説明可能なGeoAIフレームワーク

なぜヒマラヤの火災が私たち全員に関係するのか

森林火災はしばしば乾燥した西部の景観でイメージされますが、いま急速に変化している火災リスクの一部はインドのヒマラヤ山地にあります。これらの森林は水を蓄え、気候を冷やし、何十万人もの生計を支えています。焼失すると住宅、野生生物、さらには遠くの雪や河川にも影響が及びます。本研究はそのような地域の一つ、ヒマーチャル・プラデーシュ州の上流ラヴィ小流域を対象に、現代のマッピング手法と人工知能が将来の山火事の発生・拡散しやすい場所をどのように明らかにし、地域社会が災害に先んじて対処する機会を得るかを示します。

増大する火災圧力にさらされる山の谷

上流ラヴィ小流域は亜熱帯の丘陵から亜寒帯に近い高地まで広がる急峻なヒマラヤ地形です。これらの森林は、気温上昇、長期の乾燥、道路建設、観光、集落の拡大といった人間活動によってますますストレスを受けています。乾季の2月から6月にかけて落ちた松葉が林床に堆積し、非常に可燃性の高い敷き布団を形成します。近年、ヒマーチャル・プラデーシュ州はインド国内で高い火災発生件数を記録しており、遠隔の斜面から定住する谷間まで火災が脅威となっています。こうした状況を背景に、著者らは流域のどの部分が火災を起こしやすいかを示す詳細な「感受性マップ」を作成することを目指しました。

衛星と地図を火災リスク図に変える

このマップを作成するために、研究チームは多様な情報源を組み合わせました。衛星データは土地被覆、植生の健全度、降雨、気温、土壌水分、風に関する詳細を提供しました。標高モデルは地形の急勾配さや起伏をとらえ、オープンマッピングプロジェクトは道路、集落、宗教施設、観光地の位置を供給しました。NASAの火災検出システムからは20年以上にわたる過去の火災地点をまとめました。結果として、勾配角や風速、集落や道路からの距離など、火災を促進または抑制する可能性のある16の「条件因子」を選定しました。風景の各地点はこれらの因子によって特徴づけられ、過去の記録に基づいて焼失か未焼失かがラベル付けされ、機械学習の生データが作られました。

複数のアルゴリズムに合意を求める

単一の統計モデルに頼る代わりに、研究者たちは複雑なデータのパターン検出に長けた複数の高度な機械学習手法を訓練しました。これにはRandom Forest、XGBoost、LightGBM、CatBoostといった木構造ベースの代表的な手法が含まれます。最後に、それらを「スタッキング」と呼ばれるアプローチで統合し、単純なモデルが4つのモデルの強みをどう混ぜ合わせるかを学びます。独立したデータで検証すると、各手法はいずれも火災が発生しやすい領域と安全な領域をかなりうまく識別しましたが、スタックモデルが最も良好な性能を示し、多くの場合正しく区別しました。この成功は、多様なアルゴリズムの委員会が気候、地形、人間活動という絡み合った影響をよりよく捉えられることを示唆しています。

人工知能のブラックボックスを覗く

強力ではあるものの、こうしたモデルは不透明だと批判されることが多いです。これに対処するため、著者らは各因子が予測をどれだけ高リスク側または低リスク側に押しやるかを推定する説明可能性手法を用いました。結果は明確な主要因子群を浮かび上がらせました。気温の上昇や土壌の乾燥は感受性を高める一方、土壌水分や相対湿度の高さはそれを抑えました。集落に近い場所ではリスクが高く、人間による着火の役割を示しています。急傾斜や特定の斜面方位も重要で、燃料が乾く速さや炎が上昇する挙動に影響するためです。要するに、モデルは物理的直感と一致しました：暑く乾いた急な地形で人が近い場所が問題の発生しやすい場所です。

答えの安定性を確かめる

どんなモデルも、観測誤差や変動する気象パターンによって不確実な入力に依存しており、その信頼性は入力次第です。安定性を検証するために、研究者らは入力データを現実的な範囲で繰り返し「揺らし」、モデルを何千回も再実行するモンテカルロシミュレーションを行いました。また、各因子が単独あるいは他と組み合わせて予測リスクの変動にどれだけ寄与するかを測るグローバル感度解析も適用しました。両方の検査は、土壌水分と気温が最も影響力の大きい要素であり、それに次いで降雨や湿度が続くことを示しました。入力が揺らいでもモデルの性能はわずかに低下するだけで、主要な結論は偶然の産物ではなく堅牢であることが示唆されます。

次に火が及ぶ場所のより明瞭な像

これらの知見を重ね合わせた結果、本研究は上流ラヴィ小流域のおよそ5分の1が高から非常に高い山火事感受性に分類されると結論づけています。主に急で乾いた斜面や道路・集落に近い場所が該当します。地域の行政にとって、このマップは単なる学術成果ではなく、早期警報、燃料管理、住民への啓発活動を集中すべき場所を示す実用的な指針です。一般読者への要点は明快です。このヒマラヤの谷では、熱さ、乾燥、人の存在が組み合わさって特定の丘陵を静かに火が出やすい状態にしている。衛星、巧妙なアルゴリズム、明確な説明を組み合わせたツールは、その隠れたパターンを実用的な行動へと変える手助けをし得ます—次の激しい火災シーズンが来る前に。

引用: Suheb, Nawazuzzoha, M., Ali, M.S. et al. An explainable GeoAI framework for spatial assessment of wildfire susceptibility in the Upper Ravi sub-basin, Indian Himalaya. Sci Rep 16, 11662 (2026). https://doi.org/10.1038/s41598-026-46924-w

キーワード: 山火事感受性, ヒマラヤの森林, 機械学習, 土壌水分, 気候と火