新しい手法により、山火事は発火の瞬間から最終的な規模を予測できると、研究者らは報告している。
このモデルは機械学習アルゴリズムを基盤としており、山火事が燃え尽きた時点で小規模、中規模、大規模のいずれになるかを予測する助けとなる。限られた消火資源の配分を担う人々にとって有用な知見である。
「わかりやすい例えとして、ソーシャルメディアで何かが拡散する要因を考えてみるとよい」と、筆頭著者でカリフォルニア大学アーバイン校の地球システム科学の博士課程学生であるシェーン・コフィールド氏は語る。「特定のツイートや投稿のどのような特性によって爆発的に人気が出るのかを考え、それを投稿された瞬間、あるいは投稿直前に予測できるかどうかを考えることができます。」
同時に発生する多数の山火事
研究者らは、この考え方を、数十件の火災が同時に発生するという仮定の状況に適用した。極端に聞こえるかもしれないが、この状況は近年、米国西部の一部地域でますます頻繁に見られるようになっている。気候変動によって高温で乾燥した地表の状態が生じ、地域が発火の高いリスクにさらされるためである。
「そうした火災のうち、本当に大規模に拡大し、焼失面積の大部分を占めるのはごく一部だけです。そのため私たちは、制御不能に陥る最大のリスクをはらむ特定の発火に焦点を当てた、この新しいアプローチを採用しています」とコフィール氏は語る。
このプロジェクトの研究対象地域としてアラスカが選ばれたのは、過去10年間、同州の亜寒帯林で同時多発的な火災が相次ぎ、人の健康と脆弱な生態系を脅かしてきたためである。
新しいモデルの中核には「決定木」アルゴリズムがある。気候データと、火災の起点周辺の大気条件や植生の種類に関する重要な詳細を入力することで、研究者らは火災の最終規模を50%の確率で予測することができた。主要な変数は、火災発生後最初の6日間における飽差、つまりその地域にどれほど水分が少ないかである。アラスカの森林にとって重要なもう一つの要素は、クロトウヒの割合である。
「アラスカで優占するクロトウヒは、進化の観点から見ると、火を引き込むように設計された長く垂れ下がった枝を持っています」と、共著者で地球システム科学の教授兼学科長であるジェームズ・ランダーソン氏は語る。「その種子は火災後の環境で良好に生育するよう適応しているため、彼らの戦略は、火災時に周囲のほかのすべての植物を枯らせ、自らの子孫の競争を減らすことなのです。」
ランダーソン氏によると、コフィール氏は、発火地点から半径2.5マイル以内にあるクロトウヒの割合が、山火事がどれほど拡大するかを判断する重要な要素であることを示すことができたという。
迅速な予測
この新しい手法の利点の一つは速さであるとコフィール氏は語る。このアルゴリズムは新しいデータ点ごとに「学習」し、大規模火災を識別するための重要な閾値を迅速に導き出すことができる。人間が手作業で行うことや、発火ごとにシミュレーションを実行することも可能だが、機械学習システムの統計的アプローチは「はるかに速く効率的であり、特に複数の火災を同時に考慮する場合にそうである」と同氏は述べる。
気候変動により毎シーズン山火事の件数が増加すると見込まれるなか、山火事の件数州、郡、そして地方の消防当局は、更新されたツールや手法から恩恵を受けられるとランダーソン氏は指摘する。人命を救い、財産や重要なインフラを守る可能性があるだけでなく、山火事の鎮圧は自然界の保全においてもますます重要になるだろう。
「アラスカのような地域では、火災によって影響を受ける面積を抑制する必要があります。なぜなら、このような異常な、火災の多い年が続けば、景観からより多くの炭素が失われ、温暖化が悪化するからです」とランダーソン氏は語る。「火災を制御不能に拡大させてしまえば、気候システムと生態系の両方に重大な被害が及ぶ状況になりかねません。」
