A Hybrid AI-IoT Framework for Predictive Conservation of Tropical Heritage Façades: Empirical Validation from a Multi-Site Study in Indonesia

あなたは、古い建物に残された「天候の目に見えない指紋」を探す探偵であると想像してください。その代わりに、指紋ではなく、天候が残した痕跡を探しているのです。この科学分野は、文化遺産保護（古い重要な建物を守ること）と、予測技術（データを使って何かが起こる前に予測すること）の交差点に位置しています。長い間、人々は暑く湿った場所にある古い建物が「病気になる」ことを知っていました。その「病気」は、しばしば色の変化として始まります。例えば、壁が暗く湿った色に変わったり、緑色のふわふわした斑点が生えたりすることです。これらの色の変化は、建物の「咳」のようなものです。これらは、壁が実際に崩壊するずっと前に起こります。

従来、専門家は目とカメラを携えて歩き回り、どこに問題があるかを推測しなければなりませんでした。それは、天井から水が滴り落ちてから初めて、屋根の漏水を探そうとするようなものです。しかし、もし建物に「スマートウォッチ」を与えることができたらどうでしょう？そこで**IoT（モノのインターネット）が登場します。これは、温度と湿度を絶えず私たちにささやく小さなセンサーです。そして、もしコンピュータに、そのささやきを聞き取り、同時に建物の色を見るように教えることができたらどうでしょうか？それがAI（人工知能）**の力です。大きな問いは、「建物は病気か？」だけではありません。「病気が始まる前に予測し、修理するための十分な時間を確保できるか？」という問いなのです。この論文は、まさにその点、つまり、熱帯地方の古い建物のための「デジタル水晶玉」を構築できるかどうかを追求しています。

---

古い建物のためのデジタルドクター

インドネシアの湿潤で雨の多い都市、スマランにおいて、3つの歴史的建造物が静かな敵に直面しています。これらは単なる建物ではありません。ラワン・セウ（植民地時代の行政庁舎）、パサール・ジョハル（伝統的な市場）、そしてタワン鉄道駅です。これらはレンガ、漆喰、木材で作られており、絶え間ない熱と湿気によって、ゆっくりと色と強度を失いつつあります。

ハッサン・グランの指導による研究者たちは、「ハイブリッドAI-IoTフレームワーク」を構築することに決めました。これは、建物に2人の探偵チームを与えるようなものだと考えてください。一方は**センシング・チーム（IoT）であり、もう一方は脳（AI）**です。

センシング・チーム（IoT）
まず、彼らはこれら3つの建物に16個の小さなセンサーノードを配置しました。これらのセンサーは神経系のように機能し、15分ごとに絶えず空気をチェックしました。彼らは温度、そして最も重要な**相対湿度（RH）**を測定しました。これらの熱帯地方では、空気はしばしばスポンジのように湿っています。センサーは、湿度が85%を超えている状態がどれくらい長く続いたかを追跡しました。このレベルは、これらの素材にとって「危険地帯」のようなものです。彼らはさらに、**湿度ストレス係数（HSF）**と呼ばれる特別なスコアを作成しました。これは、単に現在の瞬間を見るのではなく、過去24時間に建物がどれほどの湿気に耐えてきたかを合算する「ストレス計」のようなものです。

脳（AI）
センサーが天候を見守っている間、研究者たちは建物の壁の何千枚もの高解像度写真を使用しました。彼らは**フォトグラメトリ（写真測量法）**という技術を用いて、これらの平面的な写真を3Dデジタルツインへと変換しました。その後、これらの3Dモデルを数百万の小さなタイルに分割し、その色を分析しました。

彼らは2種類のAI探偵を使用しました：

1. 教師なしの探偵（階層的クラスタリング）： このAIは、色が何であるかを教えられることなく、色を見てグループ化しました。これは、色の名前を知らずに、混ざったマーブルの色ごとに仕分けするようなものです。これにより、「湿ったスポット」、「カビの領域」、「正常なレンブロック」などのグループを見つけ出しました。
2. 教師ありの探偵（ランダムフォレスト）： これが主役です。このAIは、人間の専門家によって、数千のタイルを「カビ」、「塩の跡」、または「健全」としてラベル付けされるよう訓練されました。AIはこれらのパターンを認識することを学びました。決定的なのは、このAIが単に色を見るだけでなく、センサーからの湿度ストレス係数も見ていたことです。AIは、もし「ストレス計」が高ければ、特定の色の変化がすぐに起こりやすいことを学習しました。

大発見：災厄への先手

結果は目覚ましいものでした。AIは単に損傷を特定しただけでなく、それを予測したのです。

• 精度： AIは非常に優れた探偵でした。壁の損傷の種類を約87%の確率で正しく特定しました（F1スコア）。AIの損傷マップを実際の損傷と比較したところ、AIは教師なしの探偵単独よりも17%から51%高い精度を示しました。これは、天候の履歴を知ることが、AIが色をより良く理解する助けになることを証明しています。
• 湿度ストレス係数： 研究者たちは、天候データを削除した場合に何が起こるかをテストしました。その結果、AIの性能は**9.2%**低下しました。これにより、「ストレス計（HSF）」が最も重要な手がかりであることが確認されました。重要なのは「今」どれくらい濡れているかではなく、過去24時間にどれくらい濡れていたかということです。
• 水晶玉（リードタイム）： これが最も興味深い部分です。システムは、テストデータにおいて、条件が完全に顕在化する4.8〜16.7時間前に「高リスク事象」（突然のカビの発生など）を特定することができました。ただし、論文ではこれらはテクニカルなリードタイムであることに注意を促しています。これらは、システムが警告サインを早期に検知できることを示していますが、建物の管理者がその時間枠内で実際に動けるかどうかまではテストしていません。スタッフの可用性、予算サイクル、意思決定プロトコルなどの要因は評価されていないため、「損傷が始まる前に直す」ことは、実用的な現実というよりは理論的な可能性にとどまっています。

何を優先して修理するかを決める方法

研究者たちは単に問題を見つけるだけでなく、どの問題が最も重要かを判断したいと考えました。彼らは優先順位マトリックスを作成しました。彼らはリスクスコア（壁が腐敗する可能性は？）と、遺産価値指数（その壁は歴史的にどれほど重要か？）を組み合わせました。

• 高リスク ＋ 高価値： これは「レッドゾーン」です。例えば、ラワン・セウのメインエントランスは、高い遺産価値と中程度のリスクを持っており、最優先事項となりました。
• 高リスク ＋ 低価値： これは「テクニカルゾーン」です。ラワン・セウの地下室は、非常に高い湿度とリスクがありましたが、歴史的価値は低かったです。修理は必要ですが、メインホールほどの緊急性はありません。
• 低リスク ＋ 高価値： これは「ウォッチゾーン」です。注意深く見守っておくだけでよい状態です。

限界と未来

この論文は、自らの限界についても非常に正直です。このAIは「設計図」であり、あらゆる場所で即座に機能する魔法の杖ではありません。

• ローカルな調整が必要： 特定の湿度閾値（85%）はスマランでは機能するかもしれませんが、別の熱帯都市では異なる数値が必要になるかもしれません。モデルは新しい場所に合わせて「再校正」される必要があります。
• 技術的な警告であり、魔法の解決策ではない： AIは「12時間後に危険！」と言うことはできますが、建物の管理者がその間に実際に修理するための予算やスタッフを持っているかどうかは知りません。その部分は依然として人間に委ねられており、本研究では運用上の実現可能性を評価していません。
• 主観性： AIは色の特定には優れていますが、ある色の変化が「カビ」なのか単なる「汚れ」なのかを判断するには、依然として人間の専門家が必要です。研究者たちは3人の専門家がラベルに同意するようにしましたが、そこにはまだ多少の人間による推測が含まれています。

結論

この研究は、古い建物を、すでに死にかけてから助けを求める患者のように扱う必要はないということを証明しています。天候を見守る小さなセンサーと、色を見守るスマートなAIを組み合わせることで、熱帯の遺産サイトにおいて、高リスクな状況を検知するための4〜16時間のテクニカルな先手を打つことができます。これは、「反応的（壊れた壁を直す）」から「予測的（リスクを早期に特定する）」への転換です。他の都市でのさらなるテスト、将来的なより優れたセンサー、そして管理者が警告に対して実際に動けるかどうかを確認するための実社会での運用試験が必要ではありますが、この研究は、変化する気候の中で私たちの歴史を堂々と立たせ続けるための、希望に満ちたデータ駆動型の方法を提示しています。