Towards CONUS-Wide ML-Augmented Conceptually-Interpretable Modeling of Catchment-Scale Precipitation-Storage-Runoff Dynamics

技術要約：全米規模のML強化型概念的解釈可能モデルによる、流域スケールの降水・貯留・流出ダイナミクスのモデリングに向けて

問題提起
近年の大規模サンプル水文学（LSH）研究は、ディープラーニング（DL）、特に長短期記憶（LSTM）ネットワークを適用することで、多様な流域にわたって最先端の予測精度を実現することに成功しているが、これらの「ユニバーサル」なモデルは、多くの場合ブラックボックスとして機能している。これらは物理的な解釈性が限定的であり、地理的に変化する水文学的プロセスの支配性を明示的に符号化できていない。逆に、伝統的な概念的降雨流出（CRR）モデルは物理的に解釈可能であるが、単一の固定された構造を異なる地域に適用した場合、データ駆動型のアプローチと比較して予測スキルが不足することが多い。本研究が取り組む中心的な課題は、予測性能と物理的理解の間の溝をどのように埋めるかである。すなわち、データ駆動型でありながら概念的に解釈可能であり、かつ最適なモデル構造は普遍的なものではなく、局所的なプロセスの支配性に依存することを認めたモデルの開発である。

手法
本研究では、CAMELSデータセットを用い、米国本土（CONUS）の513の最小限の攪乱を受けた流域を用いた大規模サンプル分析を採用している。核心となる手法は、ノードレベルでの質量保存を強制しつつ、データからゲーティング関数を学習する機械学習ユニットである**質量保存パーセプトロン（Mass-Conserving Perceptron: MCP）**である。

1. モデルアーキテクチャ: 著者らは、複雑さの異なるMCPベースのモデルの階層を構築した：
   • 単一状態モデル:
     • HMCP: 雪を区別しない全水貯留量（土壌水分）を表す汎用的な単一状態モデル。バリアントとして、質量緩和（$HMCP(1, MR)$）および拡張損失（$HMCP(1, AL)$）を含む。
     • SNOWMCP: 状態変数が雪水当量（SWE）を表す単一状態モデル。当初は観測されたSWEデータに対して学習され、蒸気圧欠差、太陽放射、および温度極値を取り入れた拡張版も含まれる。
   • 二状態結合モデル（HYDROMCP）: SNOWMCPモジュールとSOILMCPモジュールを明示的に結合させたもの。以下の2つの結合構成をテストした：
     • 直列（Series）: 雪解け水が流出を生じる前に土壌貯留層に入る。
     • 並列（Parallel）: 雪解け水が土壌モジュールをバイパスし、直接流出口へと向かう。
2. 学習戦略: モデルは、全データを用いて同時に訓練される単一のユニバーサルなアーキテクチャではなく、各流域ごとに個別に（流域ごと）訓練された。これにより、気候、地形、植生に応じて最適なモデル構造がどのように変化するかを系統的に探索することが可能となった。
3. 評価と選択: モデルの性能は、クライング・グプタ効率（$KGE_{ss}$）を用いて評価された。モデルの選択は、予測適合度と構造的な簡潔さ（パルシモニー）のバランスを取るために、赤池情報量基準（AIC）に基づいて行われた。
4. ベンチマーク: MCPベースのモデルを以下と比較した：
   • 5つのセル状態を持つ、質量保存型の分散状態MCPネットワーク（$NMCP^{DS}(5)$）。
   • 標準的な5状態LSTMネットワーク（$LSTM(5)$）。

主な結果

• プロセス支配性と複雑性: すべての流域において最適となる単一のアーキテクチャは存在しなかった。モデルの複雑さの要求は、水文気候レジームと強く結びついていることが判明した。
  • 積雪領域では、雪のダイナミクス（SNOWMCPまたはHYDROMCP経由）を明示的に表現することが極めて重要であった。単純な温度ベースの雪の定式化は、これらの領域で非常に優れた性能を示した。
  • 無雪地域または低標高地域では、最も単純な単一状態のHMCPモデルがしばしば十分であり、AIC基準によって好まれた。
  • 二状態モデル（HYDROMCP）は、選択される頻度が低く（22%の流域）、主に複雑な山岳地帯や移行帯において、土壌水分と雪の両方のダイナミクスが重要となる場合に選択された。
• 予測性能:
  • 最適で簡潔なMCPフレームワーク（OPTMCP：流域ごとに最適なアーキテクチャを選択する）は、CONUS全域で中央値0.85の$KGE_{ss}$を達成した。
  • この性能は、より複雑な5状態の質量保存型NMCPベンチマーク（中央値 $KGE_{ss} \approx 0.85$）に匹敵し、非質量保存型の5状態LSTMベンチマーク（中央値 $KGE_{ss} = 0.89$）をわずかに下回る程度であった。
  • 決定的なことに、OPTMCPフレームワークは、半数近い流域（513のうち240）で質量保存型ベンチマークを上回った。
• 解釈性: 本研究は、物理的に解釈可能で質量保存型のアーキテクチャが、一般的なDLアプローチ（しばしば64〜256の状態を持つ）と比較して、大幅に少ないパラメータ数（8〜27個）で最適に近い予測スキルを達成できることを示した。
• 地理的パターン: モデルアーキテクチャの選択は、明確な空間パターンを明らかにした。SNOWMCPモデルは雪の影響を受ける地域で選択され、一方でHYDROMCPモデルは特定の西部山岳地帯や南東部の無雪地域に現れた。これは、簡略化されたモデルにおいて、それらの特定のコンテキストにおけるプロセス表現が欠落していることを示唆している。

意義と主張
本論文は、単一のユニバーサルなアーキテクチャに依存するのではなく、プロセスの支配性の空間的・時間的変動を認める「あらゆる場所のためのモデル（models of everywhere）」への不可欠なステップであると位置づけている。

• 理論に基づいたML: 本研究は、水文学の未来は、理論駆動型かつ仮説に基づいたモデリングと、データ駆動型のMLとの統合にあると主張している。MCPユニットを使用することで、著者らは、モデルがデータからプロセスダイナミクスを直接学習しながら、伝統的なCRRモデルの構造的な解釈性を保持できることを示している。
• 普遍性よりも簡潔性（パルシモニー）: 単一のユニバーサルなモデルを追求することは、地域的なプロセスの違いを覆い隠してしまう可能性があると著者らは主張している。代わりに、特定のプロセス支配（例：雪 vs 土壌水分）に合わせて調整されたモデルファミリーを開発することで、よりメカニズムに基づいた理解と堅牢な予測スキルの両立が可能となる。
• 将来の研究への基盤: 本研究は、現在のMCPベースのモデルが完全なプロセス解明型物理モデル（例：内部状態が流出のみで訓練された場合、「情報的」な状態として機能する）ではないことを認めつつも、強力な基礎を提供するものであると結論付けている。著者らは、将来の研究が、これらの簡潔で解釈可能なアーキテクチャをより広範なMLフレームワークに組み込み、予測能力を改善された理論的理解に根付かせることで、次世代のモデルを構築することに焦点を当てるべきであると示唆している。

著者らは、自身のアプローチが解釈性と性能を向上させているものの、精度と物理的リアリズムの間のトレードオフを完全に解決するには至っていないことを認め、慎重なトーンを維持している。特に、質量・エネルギー結合や植生との相互作用が依然として表現困難な、複雑な移行レジームにおいてはその傾向が強い。