こんにちは！SONAEAREBAです。
クマ出没の記事は、
以前このシリーズでも取り上げました。
東京都内でも出没が続く現状、
全国で過去最多の被害
——あれから状況は止まっていません。
そして今、
防災の現場で新しい動きが起きています。
「クマがどこに出るか」
をAIが予測する時代が、もう始まっているのです。
今日は、その最前線を紹介します。
「クマ遭遇AI予測マップ」——上智大学が開発した本格的な予測モデル
上智大学深澤研究室では、
過去のクマ遭遇記録や人口分布、土地被覆、標高、
道路情報などの多様なデータを用いて、
機械学習により将来のクマ遭遇リスクを予測する
モデルを構築しました。
さらに、このモデルを基に、
さまざまな自治体におけるクマとの遭遇確率を
予測・可視化する「クマ遭遇AI予測マップ」を
作成・公開しました。
出典：上智大学
「クマとの遭遇リスクをAIで予測するモデルを開発」
https://www.sophia.ac.jp/jpn/article/news/
release/250930_bear/
このモデルがどれくらい精緻なのか、
具体的な数字を見てください。
過去の出没記録、日時、土地被覆、人口分布、気象、
道路の有無、標高、食料となるブナの実の豊凶情報
など、多様な時間的・環境的・社会的要因を統合した
予測モデルを開発。
2023年度秋田県全域における日別かつ
1kmメッシュごとの出没有無を予測した結果、
Extra Treesモデルで正答率63.7％、適合率63.5％、
再現率63.6％の高精度予測を達成しました。
「1kmメッシュごと」「日別」
というのがポイントです。
「秋田県全体」ではなく
「秋田県のこの1km四方の場所で、
今日クマに遭遇する可能性が高い」
というレベルまで絞り込めるということです。
なぜこのモデルが必要になったのか
近年、自然的変化であるブナの実の凶作や
社会的変化である中山間地域での過疎化・高齢化
によって、クマが市街地に出没し人身事故が
生じるケースが増加しています。
研究の成果は、クマの出没リスクが高い地域を
事前に把握し、警戒情報や対応策の効率的な配信に
役立つと期待されます。
特に2023年秋田県におけるクマの出没は
年間平均800件から3,900件以上に急増しました。
（出典：上智大学）
年間800件から3,900件。約5倍の急増です。
このような爆発的な増加に、
人間の経験や巡回だけで対応するのは限界があります。
そこでデータの力を借りる、
というのがこのプロジェクトの出発点です。
AIは何を「手がかり」にしているのか——意外な発見
このモデル開発で、研究チーム自身も
驚いた発見があったそうです。
「直近1か月の出没場所」よりも
「1年前の同時期の出没場所」という
特徴量の方が、予測への寄与度が大きかった。
普通に考えれば、
「昨日出た場所の方が1年前に出た場所より危ない」
と感じるかもしれませんが、分析結果は逆でした。
出典：レバテックLAB
「『クマ遭遇AI予測マップ』を開発して見えたもの」
上智大学・深澤准教授インタビュー
https://levtech.jp/media/article/focus/detail_758/
さらに興味深いのが、人口データの使われ方です。
AIは「柿の木」のデータを直接学習しているわけでは
ありませんが、いわば「高齢者の人口分布」という
代理変数から、「クマのエサとなる誘引物がある場所」
のパターンを学習していたのではないか、
と解釈しています。
つまりAIは「高齢者が多く住む地域」という
データから、間接的に
「手入れされていない柿の木や放棄された果樹が
多い場所＝クマを引き寄せやすい場所」
を学習していた可能性があるということです。
これは人間が直感的には気づきにくい、
データならではの発見です。
「土地被覆」「人口分布（特に高齢者数）」「標高」が主要因子
XAI技術の一つであるSHAP解析を行い、
過去の出没状況、土地被覆（人口構造物、水田、
竹林など）、人口分布（特に高齢者数）、
標高が主要因子であることを特定しました。
（出典：上智大学）
「高齢者数」がクマ出没の主要因子の一つというのは、
過疎化・高齢化が進む地域の現実を、
データが裏付けた結果と言えます。
全国に広がる予測マップ——秋田から全国へ
2025年10月20日更新：最新のデータを反映した
秋田県クマ遭遇予測マップを公開しました。
2025年10月24日更新：秋田県以外の自治体も加え、
「クマ遭遇AI予測マップ」としました。
（出典：上智大学）
秋田県限定だったモデルは、
今では他の自治体にも拡大しています。
このマップは、自治体だけでなく
一般の方も活用できる可能性があります。
クマ遭遇AI予測マップは、
自治体による警戒情報の効率的な発信や
巡回計画の策定、AIカメラやドローンの設置場所の
検討、ワナ設置の優先度付けなどの対策に活用できる
ほか、住民や旅行者の方には遭遇の可能性が高いエリア
を事前に把握し、安全対策に役立てていただけます。
出典：ビッグデータ・ポータル
「クマ遭遇AI予測マップの開発」
https://www.e-stat.go.jp/bigdataportal/case/334
NTTドコモも参入——通信基地局がクマを「監視」する
研究機関だけでなく、通信業界も動いています。
NTTドコモは22日、
北海道でクマの出没をリアルタイムで検知する
システムの実証実験を始めると発表した。
道内の基地局2局に人工知能（AI）を搭載した
監視カメラを設置する。
システムの有効性と精度を検証し、
将来はクマ被害に悩む自治体向けの展開を目指す。
このシステムの特徴は「既存設備の活用」にあります。
実験は22日から11月30日まで実施する予定。
既存の基地局設備と携帯通信用の通信網を
活用することで環境負荷と導入コストを抑え、
将来は広大なエリアも監視できるとしている。
画像認識AIの活用により昼夜を問わずクマを検知し、
迅速に通知できるようにすることを目指す。
「新しい監視塔を建てる」のではなく、
もう全国に立っている携帯電話の基地局を使う。
これなら導入コストを抑えながら、
広範囲をカバーできます。
「昼夜を問わず検知」という点も重要です。
クマは夜間や早朝に活動することが多いため、
人の目だけでは見逃しがちな時間帯もAIカメラなら
継続的に監視できます。
全国に広がる「AI×クマ対策」の動き
上智大学・NTTドコモ以外にも、
民間企業による取り組みが広がっています。
FASTBEARは、
都道府県単位で散在する出没情報を
収集し、地図とタイムラインで確認できる
ダッシュボードとして提供します。
独自に開発したAIエージェントが、
自治体等の公式発表およびニュースを自動収集し、
最新情報を反映します。
自治体・報道はそれぞれ異なるフォーマットで
公表されますが、AIにより一定の形式へ整理し、
比較・参照しやすい形で提示します。
出典：株式会社Aisometry
「FASTBEAR」プレスリリース
https://prtimes.jp/main/html/rd/p/
000000002.000175363.html
2026年は AI を使った「出没予測」や
「遭遇リスクマップ」が各地で実用化し、
自治体の対策も新たな段階へ進んでいます。
2025年9月施行の「緊急銃猟」制度や、
通信基地局のAIカメラによる検知など、
自治体のクマ対策は新たな段階へ移行しています。
出典：リサーチコーディネート株式会社
「くまウォッチ」
https://www.research-coordinate.co.jp/
post/kuma-watch-2026
クママップというサービスも、
この流れの中で進化を続けています。
クママップに掲載中の出没情報130,625件のうち、
99.7%は自治体と報道機関から自動集約されています。
残る0.3%（コミュニティ投稿）は、
写真の解析・既存データとの照合・第三者情報源・
投稿元の挙動・全体の整合性を組み合わせて
検証してから公開しています。
出典：クママップ
https://kumamap.com/ja
99.7%が自動集約というのは、
それだけ多くの自治体・報道機関のデータが、
リアルタイムで統合されるようになったということです。
これも「AI×ビッグデータ」が
クマ対策を変えている一例です。
なぜ今、AI予測がこれほど必要とされているのか
ここで、なぜAIによる予測が
これほど急速に広がっているのか、背景を整理します。
環境省の公表（速報値）によれば、
令和7年度はクマによる人的被害が230人にのぼり、
犠牲者は13人とされています。
また、4〜10月の出没数は
3.6万件以上、捕獲数も9867頭で、
いずれも過去最多水準となっています。
被害が過去最多。出没数も過去最多。
このペースに対して、人間の目視・巡回・経験
だけでは追いつかなくなっています。
「今年の出没・被害件数は近年でも特に多い。
最大の要因は個体数の増加と分布域の拡大です」と、
森林総合研究所東北支所動物生態遺伝担当チーム長・
大西尚樹さんは説明します。
出典：ウェザーニュース
「近年、クマ被害が急増している理由」
https://weathernews.jp/news/202511/050146/
個体数も分布域も増えている以上、
出没リスクのある場所は
「今まで安全だった場所」にも広がっています。
人間の経験則が通用しにくくなっているからこそ、
データに基づく予測が必要とされているのです。
SONAEAREBAから——私たちはこの予測技術をどう使えばいいか
AI予測マップは自治体向けに開発されたものが
多いですが、一般の方にも活用できる視点があります。
① 山菜採り・登山・キャンプの計画時に確認する
クママップやAI予測マップで、行き先の出没傾向を
事前に確認する習慣をつけてください。
「経験的に大丈夫だった場所」が、
今年は危険な場所に変わっている可能性があります。
クママップ（全国クマ出没情報）
https://kumamap.com/ja
② 「高齢者の人口分布」と「出没」の関係を知っておく
上智大学の研究が示した
「高齢者数が主要因子の一つ」という発見は、
実家のある地域・親が住む地域を考える上でも
参考になります。
過疎化が進む地域ほど、
AI予測の精度に注目する価値があります。
③ 自治体の取り組みに注目する
お住まいの自治体が、AIカメラやクマ出没予測システム
を導入しているか確認してみてください。
ドコモの実証実験のように、
今後全国の自治体に展開される可能性があります。
SONAEAREBAからのメッセージ
「クマは山の問題」
——以前の記事でこの思い込みを取り上げました。
今日お伝えしたかったのは、その先の話です。
クマ対策は、人間の経験や直感だけに頼る時代から、
データとAIが手がかりを与えてくれる時代に
変わりつつあります。
1kmメッシュごとの予測。
通信基地局を使ったリアルタイム検知。
自治体の公式発表をAIが自動収集するダッシュボード。
これらはまだ実証実験・研究段階のものも多いですが、
確実に実用化へ向かっています。
防災の世界でも、緊急地震速報・
線状降水帯直前予測・南海トラフ臨時情報など、
「データに基づく早期警戒」が次々と生まれています。
クマ対策のAI予測も、その大きな流れの一部です。
技術は進化しています。
私たちにできることは、その技術を知り、
活用する習慣を持つことです。
SONAEAREBAはこれからも、
防災に関わる最新技術の動きを発信し続けます。
最後まで読んでいただき、
ありがとうございました。
この記事が役に立ったと感じたら、
ぜひXでシェアしてください。
