森林冠雪荷重の機械学習予測：倒木リスク管理

森林の冠雪害（snow damage on forest canopy）は、北日本・北海道・日本海側山岳地域における林業最大の気象災害です。林野庁森林被害統計によれば、年間の森林気象害のうち雪害が占める割合は面積ベースで30〜45%、被害材積では年間平均40万〜80万m³に達します。被害の物理メカニズムは、降雪密度（kg/m³）と樹冠捕捉雪量（kg/m²）の積で決まる樹冠雪荷重（kN/m²）と、樹幹・根系の許容曲げ応力（MPa）のバランスで決定されます。本稿では雪荷重の物理基礎、樹齢別・樹種別耐雪性、AMeDAS＋衛星SAR＋森林簿を統合した機械学習予測モデル、信州大・岐阜大の実証研究、森林共済の活用、暖冬・湿雪化に伴う気候変動影響、北欧・北米との国際比較まで、現場フォレスター・研究者・林業経営者向けに数値ベースで詳述します。

雪荷重の物理：粉雪・湿雪・密度の違い

雪荷重を理解する出発点は雪密度の幅広さです。同じ「積雪10cm」でも、雪の種類によって樹冠が受ける重量は10倍以上異なります。雪荷重 W（kN/m²）は近似的に W = ρ × g × h で表され、ρは雪密度（kg/m³）、gは重力加速度（9.81 m/s²）、hは積雪深（m）です。

雪種	密度（kg/m³）	気温帯	樹冠付着性	荷重リスク
新雪・粉雪	50〜100	−10℃以下	低（風で落下）	軽微
こしまり雪	150〜250	−5〜−1℃	中	中
しまり雪	250〜400	0℃前後	高	高
湿雪（重雪）	300〜500	0〜+2℃	極高（着雪）	極高
ざらめ雪	400〜700	融解期	低（落雪）	中

湿雪は0℃近傍の含水率20〜40%の雪で、樹冠の枝葉に付着しやすく、風で落下しにくい性質を持ちます。気象庁観測史上、2014年2月14〜15日の関東甲信豪雪では山梨県甲府市で積雪深114cmを記録し、湿雪密度約350 kg/m³換算で樹冠雪荷重4.0 kN/m²に達し、山梨・群馬の人工林で5,200ha超の冠雪害が発生しました（林野庁関東森林管理局資料）。一方、新潟県の山岳地で日常的に観測される積雪深3mでも、密度100 kg/m³の粉雪なら荷重は3.0 kN/m²で、降雪後数日かけて圧密が進行する間に風で枝から落下するため、被害は限定的です。

樹齢別・樹種別の耐雪耐荷性能

森林総合研究所（FFPRI）の長期観測データに基づくと、樹冠雪荷重への耐性は樹種・樹齢・林分密度で大きく異なります。スギ人工林の場合、被害発生のしきい値は以下のとおりです。

樹齢	樹高	胸高直径	被害多発荷重	主要被害形態
5〜10年生（幼齢）	3〜6m	4〜8cm	0.8〜1.5 kN/m²	押し倒し・幹曲がり
15〜25年生（若齢）	10〜18m	14〜22cm	1.5〜2.5 kN/m²	幹折損・根返り
30〜45年生（壮齢）	20〜28m	26〜38cm	2.5〜4.0 kN/m²	枝折損・梢頭折損
50年生以上（成熟）	28〜35m	40cm以上	3.5〜5.5 kN/m²	大枝折損・部分倒木

樹種別では、トドマツ・エゾマツは円錐形樹冠で雪を保持しやすく、北海道で被害多発。スギは枝が水平に近く着雪面積が広いため日本海側で深刻。ヒノキは枝が下垂気味で着雪が落ちやすい分、被害は中程度。カラマツは落葉性のため冬期樹冠が疎で被害が比較的軽微。広葉樹（ブナ・ミズナラ等）も冬期落葉で耐雪性高。林分密度（ha当たり立木本数）が高すぎると相互支持で初期被害は緩和されるが、一旦倒木が始まるとドミノ的に拡大する「連鎖倒木」リスクが森林総研の固定試験地で実証されています。

被害発生メカニズム：折損・雪起こし・根返り

冠雪害の被害形態は物理的破壊モードで4つに分類されます。

1. 枝折損（branch breakage）：個別の枝が許容曲げ応力（スギ生材で約60〜90 MPa）を超えて破断。最も頻度が高く、軽微な被害だが累積で樹形劣化と病害侵入経路となる。

2. 幹折損（stem breakage）：幹の中途（多くは樹高の1/3〜2/3地点）で折損。若齢〜壮齢で発生しやすく、商品価値を大きく損なう。岐阜大学農学部の研究では、雪荷重と幹のテーパー比（直径/樹高）の関数で折損確率を推定可能と報告。

3. 根返り（uprooting）：根系ごと地面から引き抜かれる形で倒木。土壌が湿潤・凍結未発達のとき多発。傾斜地では風荷重との複合で発生確率が増大。

4. 押し倒し・幹曲がり（bending）：幼齢木の幹が雪の重みで地面方向に湾曲。降雪期間中は完全倒伏でも、融雪後に弾性回復するケースもあるが、永久変形（雪起こし作業の対象）となる場合が多い。

機械学習による被害予測：データ統合と主要研究

近年の研究は気象データ＋衛星画像＋森林簿の3層統合を主流とし、伝統的な経験則ベースのリスク評価を大きく上回る精度を実現しています。

信州大学農学部：長野県内のスギ・カラマツ人工林を対象に、AMeDAS気象データ・LiDAR樹冠構造・地形情報を入力としたランダムフォレストモデルで、被害有無の二値分類でAUC 0.87を達成。降雪量の累積3日積算と風速の交互作用が最重要特徴量と報告。

岐阜大学応用生物科学部：飛騨地域のヒノキ林で、XGBoostによる枝折損確率予測モデルを構築。樹高・胸高直径・林齢・斜面方位を組み合わせ、R² = 0.78の回帰精度。雪荷重2.5 kN/m²超で折損確率が急増する非線形性を捉えた。

森林総合研究所北海道支所：道東・道北のトドマツ人工林でSentinel-1 SAR時系列画像を用い、被害発生検知の深層学習モデル（U-Net）を開発。被害面積推定でF1スコア 0.82。雲被覆に左右されないSARの優位性を実証。

新潟県森林研究所：豪雪地帯のスギ若齢林で、雪起こし作業対象地の優先順位付けにXGBoostを導入。従来の経験則ベース選定と比較して作業効率が28%改善。

衛星SAR画像によるリモートセンシング

合成開口レーダー（SAR）は雲・降雪・夜間に左右されず観測可能で、冬期の冠雪害検知に最適です。欧州ESAのSentinel-1（C-band、解像度10m、再訪6日）とJAXAのALOS-2 PALSAR-2（L-band、解像度3〜10m）が主要データソースです。被害前後の後方散乱係数（σ⁰、dB）の差分や干渉SAR（InSAR）コヒーレンス低下を機械学習に投入し、面積数ha以上の倒木被害を90%以上の検出率で抽出可能（森林総研北海道支所の検証）。L-bandは樹冠を透過し樹幹・地表反射まで捉えるため、C-bandより倒木検知能が高い特徴があります。

樹冠捕捉雪量モデル：物理ベースの推定式

機械学習に投入する前段階として、物理ベースの樹冠捕捉雪量推定式も併用されます。代表的なモデルにHedstrom-Pomeroyモデルがあり、樹冠捕捉雪量 I（kg/m²）を I = I_max × (1 − exp(−c × P/I_max)) で表します。ここで I_max は最大捕捉容量（針葉樹で4〜6 kg/m²、広葉樹で1〜2 kg/m²）、P は降雪量、c は捕捉効率係数（0.5〜0.7）です。森林総研北海道支所の観測では、トドマツ壮齢林の I_max は5.8 kg/m²、スギ壮齢林は4.5 kg/m²と報告。物理モデルとMLのハイブリッド構成（物理モデル出力をML特徴量に投入する形）で精度向上が確認されています。

モンテカルロシミュレーションによる将来リスク

気候シナリオ（IPCC AR6 のSSP1-2.6・SSP2-4.5・SSP5-8.5）と地域気候モデル（d4PDF・NHRCM05等）の出力を入力として、モンテカルロ法で2050年・2080年の被害発生確率分布を推定する研究が進んでいます。森林総研の試算では、東北日本海側スギ人工林の被害確率はSSP5-8.5シナリオ下で2080年に現状比1.3〜1.6倍と予測。ばらつきを含む確率的提示により、林業経営者のリスク許容度に応じた意思決定（保険購入水準・予防伐強度）が可能になります。

建築基準法と地域別雪荷重区分

雪荷重の地域差を理解するうえで、建築基準法施行令第86条の地上積雪荷重区分は重要な参照基準です。一般地域は0.6 kN/m²（積雪深30cm相当）、多雪地域は1.0〜3.0 kN/m²（特定行政庁が条例で指定）と定められ、北海道・東北・北陸・新潟・長野・岐阜飛騨等が多雪地域指定。建築基準と森林の冠雪害の閾値は性質が異なるが、地域の最大期待積雪深と密度の参照値として林業現場のリスクマップ作成にも活用されます。新潟県上越市等の最豪雪地では指定値3.0 kN/m²超の積雪が観測される年もあり、林業の予防伐の重要指標となります。

林業現場での予防対策と雪起こし連携

ML予測を現場運用につなげる流れは以下の8ステップです。

1. 林分データ整備：森林簿・林相区画図・LiDAR樹冠データのGIS化（精度1m以下）。

2. 過去被害履歴の収集：直近10〜20年の被害林分の位置・程度・気象条件のデータベース化。

3. AMeDAS連携の予測モデル運用：3〜7日先の降雪・気温・風速予報から被害確率を日次更新。

4. 高リスク林分の優先間伐：本数密度を10〜20%下げて樹冠雪荷重を分散。

5. 林縁部の段階的更新：風衝面の若齢林を段階的に成長させ、急激な林縁効果を緩和。

6. 雪起こし作業の重点化：押し倒し被害が予測される若齢林を優先実施。

7. 被害発生後の早期復旧：SAR画像で被害域を即時把握、伐採搬出計画策定。

8. 樹種転換・混交林化：高リスク林分は耐雪性の高い樹種（カラマツ・広葉樹）への転換も検討。

国際比較：北欧・北米・ロシアの先行事例

冠雪害研究は北欧・北米で蓄積が厚く、日本のML研究も国際協調で発展しています。スウェーデン農科大学（SLU）はトウヒ林の被害予測でランダムフォレストを実装し、林齢・地形・降雪指数でAUC 0.84を達成。フィンランド天然資源研究所（Luke）は気候変動シナリオ（RCP4.5/8.5）下の冠雪害発生頻度の将来予測モデルを公開。カナダ・ブリティッシュコロンビア州森林局は針葉樹人工林で湿雪着雪量を物理シミュレーションとMLのハイブリッドで予測。ロシア科学アカデミー森林研究所はシベリアタイガの広域被害の衛星モニタリングを長期実施。日本の研究は湿雪・温暖な多雪地域に特化した点で国際的にも独自性があります。

気候変動の影響：暖冬・湿雪化・極端気象

気象庁・IPCC AR6によれば、日本海側豪雪地帯では年間降雪日数は減少傾向（過去50年で20〜30%減）、一方で1日あたり降雪強度の極大値は増加傾向にあります。気温上昇により雪種が乾雪から湿雪にシフトし、樹冠雪荷重リスクは降雪量減少にもかかわらず増大する地域が報告されています。森林総研の気候モデル分析では、2050年までに東北日本海側のスギ人工林で湿雪着雪リスクが現状比15〜25%増と試算。MLモデルは過去データの分布シフトに対応するため、毎年の再訓練と気候シナリオを組み込んだ将来予測の併用が標準実装になりつつあります。

地域別事例：北海道・東北・北陸・上越・飛騨

地域ごとの冠雪害特性とML予測の応用事例を整理します。北海道道東・道北はトドマツ・エゾマツ人工林が主体で、12〜2月の連続降雪と低温で乾雪・しまり雪型被害が中心。森林総研北海道支所のSAR検知モデルが現場運用段階。東北日本海側（青森・秋田・山形）はスギ人工林の壮齢〜成熟林で梢頭折損・大枝折損が頻発、年積雪深2〜3m地域。北陸（新潟・富山・福井）は最豪雪地で湿雪・しめ雪による若齢林押し倒しが主問題、雪起こし作業需要が最大。上越・中越（新潟県）では年積雪深4mを超える豪雪地で、新潟県森林研究所のXGBoostモデルが雪起こし優先順位付けに活用。飛騨地域（岐阜県）はヒノキ人工林の枝折損問題に対し岐阜大学のモデルが地域固有データで検証。長野・山梨は2014年関東甲信豪雪のような稀な極端イベント対応が課題で、信州大学のリスクマップが林業者向けに公開。

森林共済・保険業界での活用

全国森林組合連合会（JForest）の森林国営保険（森林保険センター）は、人工林を対象に火災・気象害（風害・雪害・凍害）を補償する公的保険で、令和5年度の加入面積は約42万ha、雪害支払実績は年平均6〜12億円規模です。MLによる林分単位リスク評価は保険料率の精緻化と損害査定の効率化に活用が始まっています。民間の損害保険会社（共栄火災・東京海上等）も森林資産保険でドローン・衛星画像・ML被害推定を組み合わせた損害査定の自動化を進めています。

ドローンとLiDARによる現地データ取得

ML予測に必要な森林側データの取得手段としてドローンLiDAR・レーザースキャナが標準化しつつあります。林業用ドローンに搭載される軽量LiDAR（Velodyne・Livox等、点密度100〜500点/m²）で個別樹木の樹高・樹冠形状・胸高直径を自動抽出。地上型レーザースキャナ（TLS）はさらに高精度（点密度10,000点/m²超）で枝構造まで再構築可能。これらにより個別樹木の3Dモデルが構築でき、有限要素法で雪荷重シミュレーションを実行する研究も進んでいます。森林総研では国土地理院5m DEMと航空機LiDARを統合した全国スケールの森林3DデータベースをML予測の基盤として整備中です。

深層学習の応用：CNN・Transformer・時系列予測

従来の勾配ブースティング（XGBoost等）に加え、深層学習の応用も拡大しています。CNN（畳み込みニューラルネット）は衛星画像・航空写真からの被害域抽出に有効。U-NetはSAR画像の被害セグメンテーションで森林総研北海道支所が実装。LSTM（長短期記憶）・Transformerは気象時系列の時間依存パターン学習に有効で、降雪累積・気温推移の動的特徴抽出に応用。Graph Neural Network（GNN）は林分内の樹木間相互作用（連鎖倒木の伝播）モデリングに新たな可能性を提供。深層学習はデータ量が膨大に必要な点・解釈性が低い点が課題で、現状はXGBoost等とのアンサンブル併用が実用的とされます。

データ提供サービスと民間気象会社

林業ML予測の実装を支える民間サービスも拡充中です。ウェザーニューズは林業向けピンポイント降雪予報（1km格子・1時間更新）を提供。日本気象協会は冠雪害リスク指数を試験運用。パスコ・国際航業はLiDAR樹冠データと衛星画像の統合プラットフォームを森林管理者向けに販売。森林クラウドGIS（各県・林野庁）は森林簿・施業履歴・被害履歴の一元管理を支援し、ML予測モデルとのAPI連携が進行中です。

ML特徴量設計：何が予測精度を決めるか

機械学習モデルの精度を左右するのは特徴量エンジニアリングです。森林冠雪害予測において、各研究で繰り返し重要度上位に入る特徴量を整理します。

気象系特徴量（重要度高）：直近24・48・72時間累積降雪量、降雪期間中の平均気温（湿雪判定）、降雪期間中の最大瞬間風速、相対湿度（着雪判定の閾値は概ね80%以上）、気温の0℃跨ぎ回数（融解再凍結による氷結着雪）、前年同期比の累積降雪偏差。これら気象系特徴量はモデル全体の予測寄与の50〜65%を占めるとされます。

森林系特徴量（重要度中〜高）：樹高、胸高直径（DBH）、形状比（樹高/DBH、雪害脆弱性の代表指標で80超で要警戒）、樹種コード、林齢、ha当たり立木本数、平均樹冠長、最近接間伐からの経過年数。形状比は林分密度と密接に関係し、密植放置林は形状比100超になり折損リスクが顕著に上昇します。

地形系特徴量（重要度中）：標高、傾斜角、斜面方位（北西〜北は積雪深く湿雪着雪リスク高）、地形開放度（風衝面判定）、TPI（Topographic Position Index）、流域内位置。国土地理院5m DEMから自動計算が可能。

歴史系特徴量（重要度可変）：当該林分の過去被害履歴（有無・程度・時期）、隣接林分の被害履歴。過去被害は将来被害の強い予測子で、信州大学の研究では特徴量重要度上位3に入ると報告。

モデル運用のMLOps：継続更新と検証

気候変動下のML予測は「作って終わり」ではなく継続運用が前提です。標準的なMLOpsフローは以下のとおりです。

1. データパイプライン構築：AMeDAS API・SAR画像・森林簿の自動取得とクレンジング処理を日次〜月次で実行。

2. ベースラインモデル固定：初期構築モデルを「ベースライン」として保存し、以降の更新版と性能比較。

3. 監視指標の設定：予測AUC・F1・RMSEと実被害発生率の差分（ドリフト指標）を月次監視。

4. 自動再訓練トリガー：ドリフト指標が閾値超過、または年1回（雪期前秋季）の定期再訓練。

5. A/Bテスト：新旧モデルを並走し、現実被害との突合で優劣判定。

6. 解釈性確保：SHAP値・LIME等で特徴量寄与を可視化し、林業現場が予測根拠を理解できる形で提示。

7. ドメイン知識との照合：森林研究者・現場フォレスターのレビューで物理的・生態学的整合性を確認。

8. ユーザーフィードバックループ：実被害結果の収集と次期データセットへの反映。

事例：豪雪年の被害推定とML検証

過去の代表的豪雪年における冠雪害は、ML予測モデルの検証データとして重要です。2005-06年豪雪（平成18年豪雪）では新潟・福井・岐阜等で森林雪害面積約7,800ha、被害材積約62万m³。2010-11年豪雪は鳥取県・島根県の山陰地域で局所的に深刻、スギ若齢林の押し倒し被害が多発。2017-18年豪雪は北陸〜北日本広域で被害、福井県の被害材積約5万m³。2020-21年豪雪は新潟・富山で集中、雪起こし作業の人手不足とML優先順位付けの必要性が顕在化。これら年の気象データを訓練・検証に投入することで、ML予測モデルは極端イベントへの対応力を獲得しています。

現場フォレスターのML活用ワークフロー

市町村森林整備計画・地域林業者レベルでのML予測活用は、以下のワークフローに集約されます。(1) 秋季（10〜11月）の事前リスクマップ生成：気候平年値と森林簿から林分別のシーズン全体リスク指数を算定し、優先点検対象を特定。(2) 冬季の日次〜週次予報運用：AMeDAS実況と数値予報を入力に、3〜7日先の被害確率を更新、警報水準を超えた場合は林業者・自治体に通知。(3) 大雪イベント発生時の即時対応：SAR画像差分とMLで被害域候補を抽出、ドローン現地確認に展開。(4) 春季（3〜4月）の被害集計と次期モデル更新：実被害データを次期訓練データに追加、特徴量重要度を再評価。これらを通年サイクルで運用することで、林業経営のリスク許容度に応じた施業計画と保険設計が可能となります。林野庁の「森林林業基本計画」でもスマート林業の柱としてAI予測技術が位置付けられ、令和7年度以降の予算で実装支援が拡充されています。

FAQ：よくある質問

Q1. 雪荷重の単位kN/m²とkg/m²の関係は？

A. 1 kN/m² ≒ 102 kg/m²（重力加速度9.81 m/s²で換算）。例えば樹冠雪荷重3 kN/m²は約306 kg/m²です。

Q2. 機械学習モデルの予測精度70-92%は実用十分？

A. 林分単位の予防伐優先順位付けやリスクマップ作成には十分実用的。ただし個別樹木単位の被害有無予測は現状でも70%程度で、現地計測との併用が前提です。

Q3. AMeDAS以外の気象データソースは？

A. 気象庁数値予報GPV（5km格子）、日本気象協会の独自観測網、林業試験地の自動気象観測装置（AWS）、ウェザーニューズ独自網等。山岳地はAMeDASだけでは粗いため複数統合が標準。

Q4. 衛星SAR画像は無料で使える？

A. Sentinel-1はESA Copernicus Open Hubで無料公開（要登録）。ALOS-2はJAXA経由で研究用途は減免、商用は有料。Tellus等の国産プラットフォーム経由でも入手可能です。

Q5. 個人の林業者でもML予測を使える？

A. 現状は研究機関・大手林業会社・自治体が中心。林業クラウドサービスやスマホアプリ化が進行中で、3〜5年内に小規模林業者も利用可能となる見込みです。

Q6. 雪荷重と風荷重はどちらが森林に深刻？

A. 北日本・日本海側では雪荷重が支配的、太平洋側・西日本では台風時の風荷重が主要因。両者の複合（風衝面への偏雪）が最深刻パターンです。

Q7. ML予測モデルの再訓練頻度は？

A. 気候変動下では年1回が標準。極端気象イベント発生後は当該データを追加投入し再訓練が推奨されます。

Q8. 倒木被害発生後の対応の優先順位は？

A. （1）SAR等で被害域確定、（2）安全確保と二次被害防止、（3）被害材の早期搬出（材価下落防止）、（4）跡地の植栽計画、（5）森林共済請求の順。

Q9. 雪起こし作業はどの樹齢で実施？

A. 主に5〜15年生の若齢造林木が対象。樹冠が成立する20年生前後で必要性は減少します。詳細はD21雪起こし参照。

Q10. 暖冬で雪害は減るのでは？

A. 全体降雪量は減るが、湿雪化・極端豪雪の頻発でリスク総量は地域により増大。一律の安心は禁物です。

Q11. 広葉樹は冠雪害を受けない？

A. 落葉広葉樹は冬期樹冠が疎で被害は限定的。常緑広葉樹（シイ・カシ等）は南方系で豪雪地帯にほぼ分布せず、雪害は通常考慮されません。

Q12. 国際標準のリスク評価指標はある？

A. ISO規格化はないが、IUFRO（国際林業研究機関連合）でデータ共有・指標標準化の議論が進行中。北欧の指標を参考にした和製指標も研究中です。

出典・参考

関連記事

• 育みと収穫カテゴリトップ
• D21 雪起こし作業
• スマート林業関連記事