スンダルバンの侵食を解き明かす：機械学習が気候変動の影響をどう地図化するか

なぜこの三角州は私たち全員に関係するのか

ガンジス川河口に広がる世界最大のマングローブ林であるスンダルバンは、嵐や海面上昇から何百万もの人々を守る自然の防御壁です。しかし、その島々の迷路は沿岸の一部が崩れたり他が拡大したりして着実に形を変えています。本研究は数十年にわたる衛星画像と現代の計算手法を用いて、スンダルバンがどのように、どこで変化しているかを解きほぐし、単純な手法で十分な場合と高度な機械学習が必要な場合を区別します。この知見は沿岸コミュニティとこの世界的に重要な生態系の保護にとって重要です。

移ろう島々の迷路

インドのスンダルバン生物圏保護区には約100の森林に覆われた島々があり、潮汐の水路が走り、マングローブが周縁を成しています。保護区内の人間からの圧力は比較的低いものの、この地域は過去30年ほどで主に南側の開けた海岸で約100平方キロメートルの陸地を失ってきました。著者らは1988年から2023年にかけて等間隔に配置した数千点の沿岸線を衛星画像でたどることで、どの海岸が後退しどの海岸が拡大しているかの詳細な図を作成しました。その結果、海に面した南側の島々は急速に侵食しており、場所によっては年間30～50メートル以上失われる一方、西部や遠く北側の一部の島では新たな堆積により陸地が拡大していることが分かりました。

落ち着かない海岸で直線を読む

時間的変化を記述するために、沿岸科学者はしばしば沿岸位置に直線を当て、その傾きを長期的な前進または後退の速度として用います。しかし海岸線は嵐や潮汐、堆積がパルス状に作用し、常に滑らかに変化するわけではありません。本研究では2万1千点以上の沿岸点について、各地点の履歴に直線がどれほど一致しているかを検証しました。開放海や主要な水路に面した侵食する海岸線はほぼ直線的な傾向に従うことが多く、その変化が十分に安定しているため単純な直線が有効でした。対照的に、陸地が増えている多くの場所では曲線や停滞、ジャンプが見られ、直線では捉えきれない強い非線形の挙動が明らかになりました。

機械が見つけたもの

研究者らは次にランダムフォレストと勾配ブースティングという2つの機械学習手法を用いて、観測された侵食や堆積の速度を最もよく説明する自然要因を調べました。モデルには、各点が開放海からどれだけ離れているか、河川由来の堆積物源からの距離、近くの潮汐水路の幅、砂浜の勾配、下層にある堆積物の種類などの情報を与えました。モデルは広域的な要因が支配的であることに合意し、海からの距離が侵食の主要な駆動因子であり、堆積物に富む河川への近接が新たな陸地形成に最も重要であると示しました。緩やかな砂浜勾配や幅広い水路のような局所的な詳細は堆積物の沈着と定着を助けますが、全体としてはより小さな役割です。繰り返しの検証により、直線当てはめの品質に一種の転換点があることも特定しました：当てはめの品質がある値を超えると侵食に対する線形モデルは依然として信頼でき、下回ると機械学習がより良い答えを与えました。

適切な手法を選ぶための賢い方法

直線的手法と機械学習を組み合わせることで、本研究は沿岸計画担当者向けの実用的な枠組みを提案します。侵食が強く傾向がほぼ直線的な場所では、単純な線形手法が正確で透明性が高くコストも低く済みます。一方、海岸履歴がより不規則な領域、特に陸地が形成されつつある場所では同じ検査がより柔軟な機械学習モデルが必要であることを示します。短期的な変化の突発や波・潮汐・堆積供給の相互作用を捉えるにはこれらが重要です。この「二段階」戦略は、先進的なモデリングとデータ収集の努力を最も重要な場所に絞り、コスト削減と誤差の低減に寄与します。

人々とマングローブの保護を導く

専門外の読者に向けた核心的なメッセージは、すべての沿岸変化が同じように予測困難というわけではない、という点です。スンダルバンでは海に面した海岸の侵食は比較的単純で安定した振る舞いを示し、単純な手法で追跡できますが、新しい陸地の成長ははるかに複雑で高度な分析を必要とします。この違いを認識することで管理者はより良い警報システムを設計し、新しい建設を最も脆弱な縁から遠ざけ、マングローブや幅広い潮汐水路のような自然に基づく防御を最も効果的な場所で支援できます。多くの海岸が同様の圧力に直面する温暖化する世界において、この方法は断片的なデータをより明確な場所特有の指針に変え、どこが維持され、どこが崩れ、どのように対応すべきかを示すテンプレートを提供します。

引用: Biswas, J., Maiti, S. Unraveling Sundarbans’ erosion: how machine learning maps climate change impacts. npj Clim. Action 5, 33 (2026). https://doi.org/10.1038/s44168-026-00336-8

キーワード: スンダルバン海岸線の変化, 沿岸侵食と堆積, マングローブ三角州の回復力, 衛星リモートセンシング, 気候適応における機械学習