衛星画像からの森林火災検出は、クラス不均衡、特徴量の複雑性、大気干渉といった課題により難しいセマンティック画像セグメンテーション問題として認識されてきました。本研究では、基礎的なU-Netモデルを応用し、Sentinel-2衛星データセット（Sen2Fire）の高次元分光特性空間をより効果的にモデル化することを目的とした量子ハイブリッド手法を開発しました。 研究チームはU-Netのボトルネック部分に変分量子回路を組み込み、QuFeXおよびQB-Netのアンサッツを試験しました。さらに比較分析のため、古典的なFeature Pyramid Network（FPN）も検証し、パラメータ圧縮、代替損失関数、入力データの均一混合などを含むU-Netモデルおよび学習プロセスの改善も探索しました。 主な知見として、同等の条件下ではQB-Net（F1スコア31.18）とQuFeX（F1スコア30.79）の両者が、古典的U-Netベースライン（F1スコア28.71）を上回る性能を示しました。また、古典的なFPNも31.13という同等のスコアを達成しました。さらに重要な発見として、地理的に離れた訓練・テストセット間のドメインシフトをデータ混合により除去することで、古典的なFPNのF1スコアが39.76まで向上したことが判明しました。California Burned Areas（CaBuAr）データセットを用いたクロスデータセット転移により、提案アーキテクチャの堅牢性と汎化性能が検証されました。本研究は、量子機械学習が森林火災画像セグメンテーション問題において利点をもたらす可能性を示唆しており、今後の実験によるさらなる検証が期待されます。