Evaluating AlphaEarth Foundations Embeddings for Wildfire Susceptibility Mapping

山火事が次にどこで発生するかを予測することを想像してみてください。何十年もの間、科学者たちはこれを巨大で複雑な「レシピ」のように扱ってきました。正しい答えを得るためには、異なる瓶に入った数十種類の特定の材料を集める必要がありました。丘の地図、草地の衛星写真、風速に関する気象レポート、そして土壌水分量などです。問題は？これらの材料は、単位も異なり、年代もバラバラで、時には瓶が空だったりラベルが欠けていたりすることもありました。それはまるで、小麦粉はバケツに入っており、砂糖は袋に入っており、オーブンの説明書は別の言語で書かれている中で、ケーキを焼こうとしているようなものです。オーブンをつける前に、それらすべてを計量して混ぜ合わせるだけで何時間も費やさなければなりませんでした。

最近、地球科学の世界に「スーパー・イングレディエント（超・材料）」と呼ばれる新しい種類の「スーパー・イングレディエント」が登場しました。それが「ファウンデーション・モデル」です。これは、あらかじめ混ぜ合わされた、オールインワンのケーキの生地だと考えてください。小麦粉と砂糖を別々に計量する代わりに、この生地をひと掬いするだけで済みます。この生地は、何十億もの写真やデータポイントを学習することで、世界がどのような姿をしているかをすでに理解しています。科学者たちの大きな疑問は、「このあらかじめ混ぜられた生地を使って山火事を予測できるのか、それとも依然としてすべての材料を自分たちで計量しなければならないのか？」ということです。これは、この「スーパー・生地」が私たちのコミュニティを火災から守るために機能するかどうかをテストした、ある新しい研究の物語です。

---

大規模な火災予測実験

この研究において、研究者たちはビクトリア州（オーストラリア）を彼らの巨大なキッチンとして使い、「スーパー・生地」をテストすることに決めました。ビクトリア州はこの実験にとって完璧な場所です。なぜなら、そこは極端な環境の土地だからです。活気ある都市、乾燥した砂漠、そして火災が発生しやすい豊かな森林を併せ持っています。チームは、AlphaEarth Foundations (AEF) embeddings（「スーパー・生地」の豪華な名称）を使用して、温度や風などの物理的な変数を手動で混ぜ合わせる従来の方法と比較して、山火事のリスクを予測できるかどうかを調べたいと考えました。

材料：旧式 vs 新式
伝統的な手法は、パズルのピースを一つずつ組み立てるようなものです。科学者は標高、降水量、土壌の乾燥度、どのような植物が生えているかといったデータを収集します。彼らはこのデータをクリーニングし、ピースがうまく組み合わさるように調整し、それからコンピュータモデルに投入しなければなりません。正確ではありますが、非常に手間がかかります。

新しい手法は、AEF embeddingsを使用します。何年もかけて地球全体を眺め、写真を撮り、気象データを読み込んできたロボットを想像してください。このロボットは、あなたに数字のリストを渡す代わりに、あらゆる土地に対して「要約コード」を提供します。このコードは64個の数値からなるベクトルであり、その場所のすべて（樹木、丘、気象の履歴など）を、簡潔なパッケージの中に凝縮して捉えています。研究者たちは問いかけました。「この要約コードは、火災について十分に理解していると言えるほど有用なのか？」と。

味見：それはうまくいったのか？
研究者たちは、2017年から2025年の間に発生した火災を予測するようにコンピュータモデルを学習させました。彼らは2種類のモデルを使用しました。

1. 「セル・バイ・セル（細胞ごと）」モデル： これは、クッキーを一つずつチェックするように、それぞれの土地の正方形を個別に観察するものです。
2. 「ネイバーフッド（近隣）」モデル： これは、土地のパッチ（17x17のグリッドのようなもの）を見て、周囲が火災リスクにどのように影響するかを確認するものです。これは、クッキーのトレイ全体が均一に焼けているかを確認することに似ています。

結果は驚くほど「美味しい」ものでした。AEF embeddingsを使用したとき、モデルは0.92を超えるスコア（ROC-AUCと呼ばれます）を達成しました。これは非常に高いスコアであり、モデルが「燃えた場所」と「燃えなかった場所」を極めて正確に区別できたことを意味します。実際、「ネイバーフッド」モデルにおいて、AEF embeddingsは、入念に手作りされた物理的変数と同等、あるいはそれ以上のパフォーマンスを発揮しました。

作成されたマップは非常にリアルに見えました。彼らは東部ビクトリア州（ギプスランド地域のような場所）や山岳地帯の高リスクエリアを正しく特定しており、これは専門家がすでに知っている事実と一致しています。また、北西部の小さく孤立したホットスポットも特定しました。これらのマップを、彼らのデータ終了後（2026年1月）に発生した大規模な火災による実際の焼失エリアと重ね合わせたところ、マップは実際に火が通った場所と完璧に一致しました。これは、モデルが単に過去を暗記したのではなく、火災の「真のルール」を学習したことを示唆しています。

秘密のソース：コードの中には何が入っているのか？
「コードがどうやって火災について知ることができるのか？」と不思議に思うかもしれません。研究者たちは、コードを「再構成」するテストを行いました。コードを逆エンジニアリングして、温度や風速といった元の材料を取り出せるかどうかを試みたのです。

• 良いニュース： 彼らは基本的な要素を高い精度で取り出すことができました。傾斜、日射量、総降水量、風速などは、AEFの要約の中に明確にエンコードされていました。
• 悪いニュース： 「火災危険指数が50を超えた日数の数」のような、非常に具体的で極端な詳細については、取り出すのに苦労しました。このコードは全体像を描くことには長けていますが、極端で短期的なスパイク（急上昇）については少し曖лоう（あいまい）なのです。

本当の魔法：新しい場所への旅
ここからが、物語の最もエキサイティングな部分です。通常、ある場所（例えばビクトリア州）で訓練された火災モデルを別の場所（例えばキャンベラやシドニー）で使用しようとすると、そのモデルは崩壊してしまいます。それは、オーストラリアのBBQの作り方を知っているシェフが、同じレシピを使って日本の寿司を作ろうとするようなものです。通常、うまくいきません。

研究者が新しい地域でモデルをテストしたとき：

• 旧式の手法（物理的変数）： ビクトリア州で訓練された従来のモデルを近くのキャンベラに適用したところ、精度は約**25%**低下しました。それは悲惨な結果でした。
• 新しい手法（AEF embeddings）： AEFモデルを使用したとき、キャンベラでの精度は実際には約4% 向上しました。西シドニーにおいても、パフォーマンスの低下はわずか（約2%）でした。

これは、「スーパー・生地」が、異なる地域にも適用できる地球の普遍的なルールを学習していることを示唆しています。一方で、旧式の手法はビクトリア州の特定の詳細に縛られすぎていたのです。ただし、研究者たちは、もし非常に異なる気候（熱帯の北部や乾燥した内陸部など）へ行き過ぎた場合、パフォーマンスは低下し始めるものの、旧式の手法ほど急激ではないことも指摘しています。

うまくいかなかったことは？
研究者たちは、モデルに「時系列」を与えることも試みました。つまり、2017年から2025年までのデータを年ごとに与えて、モデルが時間の経過とともに火災リスクがどのように変化するかを学習できるかどうかを調べました。驚くべきことに、これはあまり効果がありませんでした。各年の履歴を知ることで、火災リスクの予測が大幅に向上することはありませんでした。これは、火災の「感受性（どの場所が燃えやすいか）」については、年ごとの変化よりも、土地の永続的な特徴（丘、植生、気候）の方が重要であることを示唆しています。

まとめ
この研究は、山火事を予測するために、何十もの異なるデータファイルを何時間もかけて手動で収集し、クリーニングする必要がなくなるかもしれないことを示唆しています。AlphaEarth Foundationsのエンベディングは、景観の本質的な情報を捉えた、強力で即戦力となるツールとして機能します。明日、火災が始まる正確な瞬間を予測するには完璧ではないかもしれませんが、どのエリアが自然に火災が発生しやすいかをマッピングすることにおいては、非常に優れています。

政府や保険会社にとって、これはゲームチェンジャーです。これは、大規模な火災リスクマップをより迅速かつ少ない労力で作成できることを意味し、さらに、そのマップは州をまたいで移動しても信頼できるものであることを意味します。それは、一つのレシピを地域ごとに使い分けるのではなく、一つのあらかじめ混ぜられた材料を使って、国全体の美味しい料理を作ることができるマスターシェフを手に入れるようなものです。