Signet——衛星データ×AIで山火事を自動追跡する個人開発の防災システム

年間被害額$300億超——米国を蝕む山火事の現実

2025年、米国の山火事による経済的損失は**推定$300億（約4.5兆円）**を超えた。カリフォルニア州だけでも年間数千件の山火事が発生し、2025年1月のロサンゼルス大火災では28人が死亡、1万2,000棟以上が焼失した。気候変動の影響で山火事の発生頻度と規模は年々拡大しており、もはや「カリフォルニアだけの問題」ではなくなっている。

こうした状況のなかで、個人開発者が構築した無料の山火事追跡AIシステムがHacker Newsで注目を集めている。その名はSignet。Zachary Systemsが開発したこのシステムは、NASAの衛星データからNOAAの気象情報まで6種類のデータソースをGemini AIで統合分析し、米国大陸全域の山火事をリアルタイムで自動追跡する。

Show HN（開発者自身による投稿）としてHacker Newsに登場し、105ポイント・30コメントを獲得。技術者コミュニティからの評価も高い。この記事では、Signetのアーキテクチャ、AIの活用方法、そして日本の災害対策への示唆を深掘りする。

Signetとは何か——6つのデータソースを束ねるAI

Signetはsignet.watchでアクセスできるWebベースの山火事追跡システムだ。ユーザー登録すれば、自分のZIPコード（郵便番号）周辺で山火事が検知された際にメールやSMSでアラートを受け取れる。

しかし、Signetの真価は「ただの通知アプリ」ではない点にある。6つの異なるデータソースをリアルタイムで取得・統合し、AIが総合的に火災状況を判断するというアーキテクチャが特徴だ。

6つのデータソース

Signetが取り込むデータソースは以下の通りだ。

データソース	提供元	取得する情報
FIRMS	NASA	衛星による熱異常検出（ホットスポット）
GOES-19	NOAA	静止気象衛星のリアルタイム画像
NWS気象データ	NOAA/NWS	風向・風速・湿度・気温・降水量
地質データ	USGS	地形・標高・土壌タイプ
LANDFIRE	USFS/USGS	植生タイプ・燃料量・林床の状態
地理情報	Census/OSM	人口密度・建物分布・道路ネットワーク

NASA FIRMSは、MODIS衛星とVIIRS衛星のデータをもとに地球上の熱異常点を検出するシステムだ。375m解像度で約4時間ごとに更新される。Signetはこのデータを「種」として使い、そこに気象・地形・植生データを重ね合わせることで、火災の進行方向や拡大速度をより正確に予測する。

GOES-19は2024年末に打ち上げられたNOAAの最新静止気象衛星で、北米大陸を常時カバーしている。10分間隔で高解像度画像を提供するため、衛星による「目視確認」のような役割を果たす。

この図はSignetのデータパイプラインとAIオーケストレーションの全体像を示しています。

Signetのデータパイプラインとオーケストレーション構成図

このように、単一の衛星データだけでは判断が難しいケース——たとえば農業用の焚き火なのか山火事なのか、熱検出が本物なのかセンサーノイズなのか——を、複数データの相関分析によって解決するのがSignetの設計思想だ。

技術アーキテクチャ——Go + Gemini AIの二層構造

Signetのアーキテクチャは、開発者がHacker Newsのコメントで自ら解説している通り、決定論的処理層とAI処理層の二層構造になっている。

Go言語による決定論的処理層

バックエンドはGo言語で構築されている。Go言語が選ばれた理由は明確だ。

並行処理の効率性: 6つのデータソースからの同時取得を goroutine で処理
低レイテンシ: リアルタイム性が求められる災害システムに最適
シンプルなデプロイ: 単一バイナリとしてコンパイル可能

この決定論的処理層では、以下の処理が行われる。

データ取得: 各APIからの定期ポーリングとWebSocket接続
正規化: 異なるフォーマットのデータを統一スキーマに変換
地理的マッチング: 緯度経度ベースで複数データソースを空間結合
明確なケースの判定: 閾値を超える明確な熱検出は、AIを介さずそのまま火災として記録

開発者は「ほとんどの処理は決定論的（deterministic）だ」と強調している。AIに全てを委ねるのではなく、確実に判定できるケースは従来のプログラミングで処理し、AIは「判断が難しいグレーゾーン」にのみ投入する設計だ。

Gemini AIによるインテリジェント処理層

AIが活躍するのは、主に以下の場面だ。

弱い熱検出の判定: NASA FIRMSの信頼度が低い検出（confidence: low）について、気象・地形データを組み合わせて本物の火災かノイズかを判定
ノイズの多い証拠の統合: 複数のデータソースが矛盾する情報を返した場合の総合判断
状況分析レポートの生成: 検知された火災について、周辺の人口密度・避難経路・気象条件を踏まえた自然言語レポートを自動生成
予測ログの作成: 風向・地形・植生データから、今後数時間の火災進行予測を生成

SignetはGeminiに**23のツール（関数呼び出し）**を提供し、AIがそれらを自律的にオーケストレーションする設計になっている。これはいわゆる「AIエージェント」パターンだ。Geminiが「この検出をさらに調べるためにGOES-19画像を取得する」「周辺の気象データを確認する」といった判断を自ら行い、必要なツールを呼び出す。

なぜGeminiか

開発者がGeminiを選んだ理由として推測されるのは、以下の点だ。

長いコンテキストウィンドウ: 複数データソースの大量情報を一度に処理できる
マルチモーダル対応: GOES-19の衛星画像を直接解析できる可能性
ツール呼び出し（Function Calling）の安定性: 23ツールのオーケストレーションに対応
Google Cloud Platformとの統合: NOAAやNASAのデータが多くGCP上で公開されている

他の山火事検知システムとの比較

Signetの位置づけを理解するために、既存の主要な山火事検知・追跡システムと比較してみよう。

この図は主要な山火事検知システムの特徴比較を示しています。

山火事検知システム比較表

各システムの詳細

NASA FIRMS: NASAが提供する衛星ベースの火災検知システム。全世界をカバーするが、あくまで「生データ」の提供であり、分析や判断は利用者に委ねられる。研究者向けで一般市民が直接使うには敷居が高い。

Watch Duty: カリフォルニアを中心に人気のある市民向け山火事アプリ。消防機関の公式情報と市民レポートを組み合わせる。リアルタイム性が高い一方、カバー範囲がカリフォルニア周辺に限定される。

ALERTCalifornia: カリフォルニア大学サンディエゴ校が運営する山火事監視カメラネットワーク。1,100台以上のカメラとAIで煙を検出する。カメラの物理的設置が必要なため、カバー範囲は限定的だが、検知精度は非常に高い。

Signetの独自性は、衛星データ・気象データ・地質データ・人口データを統合的にAIで分析する点にある。他のシステムが単一または少数のデータソースに依存しているのに対し、Signetは6種類のデータを横断的に組み合わせることで、より正確で文脈のある判断を可能にしている。

HNコミュニティの反応——個人開発の可能性と課題

Hacker Newsでの30件のコメントには、技術的な評価と建設的なフィードバックの両方が見られた。

肯定的な声:

「個人開発でここまでのデータ統合を実現しているのは驚異的」
「GoとGeminiの組み合わせは災害システムにぴったり」
「AIの使い方が賢い——全てをAIに投げるのではなく、必要なところだけに使っている」

建設的なフィードバック:

「信頼性の担保は？個人開発のシステムに命を預けて大丈夫か」
「アラートの偽陽性率はどの程度か？」
「オープンソースにすべきでは？」

特に注目すべきは、「AIの使い方が適切だ」という評価だ。近年のAIプロダクトは「全てをAIに任せる」傾向が強いが、Signetは決定論的処理を基盤とし、AIを「判断が難しい場面のアシスタント」として位置づけている。これは、災害対策という人命に関わる領域で非常に重要な設計判断だ。

技術的に見る「衛星データ × AI」の可能性

Signetのアプローチは、山火事に限らず「衛星データ × AI」の汎用パターンとして注目に値する。

衛星データの民主化

かつて衛星データの利用は宇宙機関や政府機関の専売特許だった。しかし現在、NASA FIRMSやGOES-19のデータは無料でAPIアクセスできる。USGS、NOAA、Censusのデータも同様だ。つまり、データ取得のコストはほぼゼロになっている。

ボトルネックは「膨大なデータをどう統合・分析するか」という点にあり、ここでLLMのツール呼び出し機能が威力を発揮する。Signetの23ツールオーケストレーションは、まさにこの問題への解答だ。

Go言語のリアルタイム処理

災害システムでは、数分の遅延が避難の成否を分ける。Go言語の並行処理モデル（goroutine + channel）は、6つのデータソースからの同時データ取得と、低レイテンシな処理パイプラインの構築に適している。

PythonでのAI処理が一般的な中で、あえてGoをバックエンドに選んだのは、パフォーマンスとリアルタイム性を最優先した設計判断と言える。

エッジケースの処理にこそAIが生きる

Signetの開発者が強調する「ほとんどの処理は決定論的」というアプローチは、AIシステム設計の模範例だ。

明確なケース（閾値超え）: 従来のプログラミングで処理 → 高速・確実
グレーゾーン（弱い検出・矛盾するデータ）: AIが判断 → 柔軟・文脈理解

この「AIはエッジケース専門」というパターンは、医療診断、金融取引監視、インフラ異常検知など、多くの領域に応用可能な設計パターンだ。

日本の災害対策への示唆

日本は山火事だけでなく、地震・津波・洪水・台風など多様な災害リスクを抱える国だ。Signetのアプローチは、日本の災害対策にどのような示唆を与えるだろうか。

日本の山火事の現状

日本でも山火事は年間約1,200件発生しており（林野庁統計）、2024年には栃木県足利市や岩手県で大規模な山林火災が発生した。気候変動による乾燥化で、日本の山火事リスクも上昇傾向にある。

しかし、日本には米国のFIRMSやWatch Dutyに匹敵する市民向けの山火事追跡システムが存在しない。消防庁のシステムはあるが、リアルタイムの衛星データ統合やAI分析は限定的だ。

複合災害への拡張可能性

Signetのアーキテクチャ——「複数データソース × 決定論的処理 × AI判断」——は、日本の複合災害対策にそのまま応用できる。

災害タイプ	データソース	AIの役割
地震	気象庁P波データ、地殻変動GPS、SNS投稿	被害規模の即時推定
洪水	河川水位センサー、気象レーダー、地形データ	浸水範囲の予測
土砂災害	降雨量、地質データ、過去の発生履歴	危険斜面の特定
津波	海底水圧計、地震データ、海岸線地形	到達時間・高さの予測

特に複合災害——地震と津波が同時に発生するケースなど——では、複数データソースの統合分析が不可欠であり、Signetのようなマルチソースアプローチが真価を発揮する。

ひまわり衛星との連携

日本にはひまわり9号という高性能な静止気象衛星がある。米国のGOES-19に相当するもので、10分間隔で東アジア・太平洋地域を撮影している。このデータとJAXAの地球観測衛星「だいち」のSARデータを組み合わせれば、日本版Signetの構築は技術的に十分可能だ。

自治体レベルの防災DX

SignetがZIPコードベースのアラートを提供しているように、日本でも市区町村レベルの災害アラートを衛星データとAIで実現できる可能性がある。現在の防災無線やJアラートに加えて、個人のスマートフォンに「あなたの地域で、衛星データからこのような異常が検知されました」というAI分析付きのアラートが届く未来は、Signetが実現しつつあるものだ。

個人開発者が災害システムを構築できる時代

Signetが示す最も重要なメッセージは、**「個人開発者でも社会的に重要なシステムを構築できる時代が来た」**ということだ。

その背景には以下の要因がある。

公開データの充実: NASA、NOAA、USGSなどが高品質なデータを無料APIで提供
AI APIの低コスト化: GeminiのようなAI APIが手頃な価格で利用可能
クラウドインフラの民主化: Google CloudやAWSの無料枠で小規模な災害システムが運用可能
Go言語のようなモダン言語: 高パフォーマンスなシステムを少人数で構築可能

かつて、このようなシステムを構築するには政府機関や大企業のリソースが必要だった。しかし今は、APIアクセスとAIツールがあれば、一人の開発者がプロトタイプを構築し、実際にユーザーに価値を提供できる。

まとめ——衛星×AIが開く災害対策の未来

Signetは、衛星データとAIの統合が災害対策にどのような可能性をもたらすかを示す好例だ。

今後の注目ポイント

signet.watch にアクセスして実際の動作を確認する — 現在は米国のみ対応だが、UIやデータの統合方法は参考になる
Go + AI APIの設計パターンを学ぶ — 「決定論的処理 + AIエッジケース処理」のハイブリッドアーキテクチャは、災害以外の領域にも応用可能
日本の衛星データAPIを調べる — JAXA、気象庁、国土地理院のAPI公開状況を確認し、日本版の構築可能性を検討する

アクションステップ

開発者向け: NASA FIRMS API（無料）に登録し、衛星熱検出データの取得を試す。Go言語のgoroutineで複数APIの並行取得を実装してみる
防災関係者向け: Signetのアーキテクチャをひまわり衛星データに置き換えた場合の実現可能性を検討する。Google Cloudの地理空間分析ツール（BigQuery GIS、Earth Engine）が活用できる
一般ユーザー向け: 米国在住であればsignet.watchに登録してZIPコードベースのアラートを設定する。日本在住でも、技術的な関心があればリポジトリやHacker Newsのスレッドを確認してみるとよい

衛星データの民主化とAIの進化は、災害対策の常識を変えつつある。Signetはその最前線を個人開発者が切り拓いた好例であり、日本を含む世界中の災害多発地域にとって、重要な参照モデルとなるだろう。