DUALFloodGNN: Physics-informed Graph Neural Network for Operational Flood Modeling

技術的概要：DUALFloodGNN

問題定義
洪水モデリングは戦略的災害管理において不可欠であるが、従来の物理ベースの数値モデルは重大なボトルネックに直面している。すなわち、その高い計算コストが、迅速かつリアルタイムな予測を必要とする運用環境における実用性を制限している点である。データ駆動型の深層学習（DL）モデルは速度を提供するが、畳み込みニューラルネットワーク（CNN）などの標準的なアーキテクチャは、構造化されたグリッドメッシュへの依存に制約されており、洪水シナリオに特徴的な不規則な地形や非一様な流体動態を十分に表現できない。さらに、多くの DL モデルは「ブラックボックス」として機能し、流体力学の法則との整合性を保証するために必要な物理的解釈可能性を欠いている。既存の洪水モデリングにおけるグラフニューラルネットワーク（GNN）のアプローチは、局所スケールでの質量保存を強制することに苦労するか、ノード特徴とエッジ特徴を同時に予測するために線グラフ（line graphs）などの計算集約的な変換を必要とする傾向がある。

手法
著者らは、ノードにおける水量とエッジに沿った水流を同時に予測するために設計された、新しい物理情報付与型 GNN アーキテクチャであるDUALFloodGNN（Double-target Universally And Locally constrained Flood GNN）を提案する。

• アーキテクチャ: このモデルは、エンコード - プロセッサ - デコードのフレームワークを採用する。
  • エンコーダ: 多層パーセプトロン（MLP）を用いて、静的および動的なノード特徴（標高、水量など）とエッジ特徴を、それぞれ個別にエンコードし、統一された潜在空間へ変換する。
  • プロセッサ（共有メッセージパッシング）: 線グラフを必要とする従来のアプローチとは異なり、DUALFloodGNN は共有メッセージパッシング機構を利用する。メッセージはノードおよびエッジの埋め込みに基づいて生成される（$m_{ji} = \text{MLP}(h_i || h_j || e_{ij})$）。これらのメッセージは集約され、総和によってノード埋め込みを更新する一方、エッジ埋め込みはメッセージによって直接上書きされる。この設計は、流れのベクトル特性を保持し、補助的なグラフ構造を生成することなく、結合モデリングを可能にする。
  • デコーダ: 2 つの独立したデコーダが、次のタイムステップにおける水量の変化（$\Delta V$）と水流（$\Delta \vec{Q}$）を予測し、これらは残差接続を介して現在の状態に追加される。
• 物理情報付与型損失関数: 訓練目的関数は、浅水方程式から導出された物理的制約を統合し、2 つのスケールで質量保存を強制する。
  • グローバル損失（$L_{global}$）: 流域全体における総水量変化が、境界を介した正味の流入・流出および降雨量と一致することを保証する。
  • ローカル損失（$L_{local}$）: 個々のノードレベルで明示的に質量バランスを強制し、予測されたノード水量の変化と、接続されたエッジからの流入・流出の合計とのバランスを取る。
• 訓練戦略: 自己回帰推論に内在する誤差蓄積に対処するため、モデルは動的カリキュラム学習戦略を採用する。固定されたスケジュールの代わりに、現在の長さにおいて検証セットでモデルが収束した後にのみ、予測ホライズンを拡張する。さらに、ロールアウト中はモデル自身のノイズのある予測に対する堅牢性を促すために、マルチステップ先読み損失が使用される。

主要な貢献

1. デュアルスケールの物理制約: グローバルおよびローカル両方のスケールで質量保存を明示的に促進する物理情報付与型損失関数の導入により、計算メッシュの局所領域内で物理的に現実的な洪水動態を確保する。
2. 結合ノード - エッジ予測: 共有メッセージ生成と 2 つの独立したデコーダを用いて、ノード（水量）とエッジ（水流）特徴を同時に予測する新しいアーキテクチャ。このアプローチは、線グラフの計算オーバーヘッドを回避しつつ、水量と水流間の物理的相関を保持する。
3. 包括的なベンチマーク: 異なる GNN ベースの洪水モデル全体にわたる性能をベンチマークする初の研究であり、提案されたアーキテクチャを標準的な GNN（GCN, GAT, GraphSAGE, GIN, GINE）および最先端のドメイン固有モデル（HydroGraphNet, SWE-GNN）と比較する。

実験結果
モデルは、オーストラリア・ニューサウスウェールズ州のウォロビ川流域から得られた 56 の洪水イベントのデータセットで評価された。これは 1,129 のノードと 2,743 のエッジからなるグラフに離散化されている。

• 回帰性能: DUALFloodGNN は、水量および水流の両方の予測において、最小の二乗平均平方根誤差（RMSE）を達成した。水量予測において、2 番目に優れたモデル（GINE）を 35.53% 上回り（RMSE: 2,216.27 対 3,437.68 $m^3$）、基準となる水流 RMSE を 41.21% 改善した（25.88 対 44.02 $m^3/s$）。
• 水深予測および分類: 水深を逆算した際、モデルは 0.21 m の RMSE を達成し、2 番目に優れたモデルに対して 72.37% の改善を示した。また、0.05 m および 0.3 m の閾値における洪水範囲の分類において、クリティカル成功指数（CSI）を約 0.90 達成した。
• 効率性: モデルは高い計算効率を維持しており、イベントあたりの推論時間は約 4.1 秒である。これは他の GNN アプローチと同等であり、数値ソルバー（同じイベントにほぼ 1 日を要する場合がある）よりも桁違いに高速である。
• アブレーション研究: 実験により、グローバル流入特徴の含入とローカルレベルの正則化の統合が性能にとって決定的であることが確認された。物理的制約なし、またはグローバル損失のみで訓練されたモデルは、有意に高い誤差を示した。

重要性
本論文は、DUALFloodGNN がデータ駆動モデルの速度と数値シミュレーションの物理的忠実性の間のギャップを成功裡に埋めたと主張する。物理的制約を学習プロセスに直接埋め込み、非構造化メッシュ上の水文変数の結合予測を可能にすることで、このモデルは運用上の洪水モデリングのための堅牢で解釈可能かつ計算的に効率的な解決策を提供する。著者らは、この研究を、複雑で不規則な地形を処理しつつ、流体力学の根本法則に準拠する、より信頼性の高いリアルタイム災害管理ツールへの一歩として位置づけている。