Multi-Model Ensemble and Reservoir Computing for River Discharge Prediction in Ungauged Basins

技術要約：HYPER – 河川流量予測のためのマルチモデル・アンサンブルおよびリザーバーコンピューティング

問題提起
日単位の河川流量予測の精度向上は、洪水管理や水資源計画において極めて重要であるが、世界的には広大な地域で観測データが不足している（未観測流域）。既存のアプローチは、以下の「トリレンマ」に直面している：

1. 概念的水文モデル： 物理的な解釈可能性は高いものの、通常はサイト固有のパラメータ較正を必要とし、これは未観測流域では不可能である。
2. 機械学習（ディープラーニング）： LSTM（長短期記憶）ネットワークのようなモデルは、複雑な時間的動態を学習することで高い精度を実現するが、多くの場合「ブラックボックス」として機能し、解釈性に乏しい。また、大量のデータと膨大な計算リソースを必要とする。
3. ハイブリッド・アプローチ： 有望ではあるが、反復的な較正を行うことなく、水文学的アンサンブルの物理的一貫性と機械学習の効率性を統合することに成功したフレームワークはほとんど存在しない。

手法：HYPERフレームワーク
著者らは、個々の水文学的モデルを較正することなく、未観測流域の流量を予測するために設計されたフレームワークであるHYPER（HYdrological Prediction with multi-model Ensemble and Reservoir computing）を提案している。この手法は、以下の3つのコアコンポーネントで構成される。

1. ベイズモデル平均化（BMA）を用いたマルチモデル・アンサンブル：

   • 本システムは、MARRMoTツールボックスから得られる、47種類の異なる未較正の集約型概念水文学モデル（単純なバケットモデルから複雑な構造まで）を利用する。
   • 特定の流域に対してパラメータを較正する代わりに、これらのモデルは文献から導出されたデフォルトのパラメータ範囲を使用する。
   • BMAを適用してこれら47モデルの出力を合成する。重みは、観測データに基づく各モデルの尤度（ガウス誤差を仮定）に基づいて割り当てられ、不確実性の空間を網羅する広範な水文学的挙動の事前分布を作成する。

2. バイアス補正のためのリザーバーコンピューティング（RC）（HYPER-BC）：

   • 固定されたランダム生成の内部状態を持つリカレントニューラルネットワーク（RNN）の一種であるリザーバーコンピューティングモデルを用いて、BMAアンサンブルの系統的な誤差（バイアス）を補正するように学習を行う。
   • 学習メカニズム： RCは、BMAアンサンブルの予測値と観測流量との間の残差誤差を予測するように、線形回帰（ティコノフ正則化）を通じて学習される。これは非反復的なプロセスであり、計算効率を保証する。
   • アーキテクチャ： 最終的な予測は、BMAアンサンブルの出力とRCが予測したバイアスの合計となる。著者らは、この「バイアス補正」アプローチ（HYPER-BC）を、物理モデルをリザーバーのダイナミクスに直接組み込む「ハイブリッド」アプローチ（HYPER-RCH）と比較し、HYPER-BCの方が優れていることを発見した。

3. 未観測流域のためのリージョナリゼーション（地域化）：

   • 未観測流域に適用するためには、学習済みのBMAおよびRCの重みを、流域属性から推論する必要がある。
   • 空間的近接性： 最も近い観測流域から重みを割り当てる。
   • 回帰ベースの推論（HYPER-BcReg）： 主成分分析（PCA）を用いて重みベクトルの次元を削減した後、Lasso回帰を用いて、これらの重みを静的な流域属性（地形、土壌、気候、土地利用）にマッピングする。これにより、モデルは物理的な関係性を新しい流域へと一般化させることができる。

主な結果
本フレームワークは、日本における87の流域を用い、4つの実験シナリオにおいて評価された。

• 観測流域（データ豊富）：

  • HYPER-BCは、個々の未較正モデル、単純なアンサンブル（算術平均）、およびスタンドアロンのRCよりも優れた性能を示した。
  • LSTMベンチマークと比較して、HYPER-BCは二乗誤差指標においてわずかに低い性能を示したが（NSE：0.62 vs LSTMの0.77）、クリング・グプタ効率（KGE）においては同等の性能を実現した（両者ともKGE: 0.75）。
  • 計算効率： HYPER-BCは反復的な較正を必要としない。47個のモデルの初期シミュレーションには約3分かかるが、増分的な予測時間は無視できる程度（約5秒）である。対照的に、全流域に適用される単一のLSTMモデルのリージョナル学習には、約95分を要した。一方、HYPER-BCはこのようなグローバルな学習プロセスを必要としない。

• 未観測流域（データ不足シナリオ）：

  • データの可用性： 利用可能な「観測済み」学習流域の数が減少しても、HYPER-BcRegは堅牢な性能を維持した。観測流域が約20%（約20〜30流域）に減少した場合でも、HYPER-BcRegは中央値NSE 0.51を達成し、データ豊富な未観測シナリオ（0.59）に近い性能を示した。
  • LSTMの失敗： 対照的に、LSTMベンチマークの性能はデータ不足シナリオにおいて著しく低下し、学習データが減少するにつれて負のNSE値（-0.61から-1.01）に陥った。これは、データ不足による過学習または一般化の失敗を示している。
  • リージョナリゼーション： 回帰ベースの手法（HYPER-BcReg）は、空間的近接性による手法（HYPER-BcProx）よりも一貫して優れた性能を示した。これは、特に明確な気候特性を持つ地域（例：日本の雪が多い北部地域）において顕著であり、物理的属性のマッピングが単純な地理的近接性よりも堅牢であることを示している。

• リモートシナリオ：

  • 学習データが単一の地理的領域に限定された場合でも、HYPER-BcRegは堅牢性を維持したが、HYPER-BcProxは気候的に異なる地域（例：北部の雪流域の重みを非雪流域に適用する場合）において苦戦した。

意義と主張
本論文は、HYPERがデータ不足の地域における水文学的予測のための、堅牢で効率的かつ解釈可能なソリューションを提供すると主張している。その主な貢献は以下の通りである。

1. 較正の排除： 十分に多様なアンサンブルと機械学習ベースのバイアス補正を組み合わせることで、個々の概念モデルを較定する必要がないことを実証した。
2. 計算効率： 反復的な最適化を非反復的な線形回帰と事前計算されたアンサンブルに置き換えることで、HYPERは計算リソースが限られたグローバルな応用へのスケーラビリティを実現している。
3. 解釈可能性： ディープラーニングの「ブラックボックス」とは異なり、HYPERはLasso回帰を通じて、流域属性（例：積雪量、傾斜）がどのようにモデルの重みに影響を与えるかを解釈することを可能にし、予測プロセスに対する物理的な洞察を提供する。
4. データ不足への耐性： 本フレームワークは、ディープラーニングモデルがデータ不足により失敗するような、未観測流域における予測精度を維持できる点において特に強調されている。

著者らは、乾燥帯や複雑な融雪ダイナミクスなど、水文学的に大きく異なる地域への一般化には依然として課題が残るものの、HYPERは未観測流域のためのスケーラブルで正確、かつ説明可能な水文学的モデリングに向けた重要な一歩であると結論付けている。