技術要約：概念的水文学モデルから概念的に解釈可能なニューラルネットワークへ

問題提起

水文学コミュニティは、物理的・概念的（PC）モデルと、データ駆動型の機械学習（ML）アプローチとの間の持続的な二項対立に直面している。PCモデルは、明示的なプロセス表現を通じて解釈可能性を提供するが、過度に圧縮された状態空間の仮定に依存することが多い。対照的に、長短期記憶（LSTM）ネットワークのような柔軟なブラックボックス型MLモデルは、多様な条件下で高い予測精度を達成するが、科学的な理解へと翻訳される内部表現を欠いている。このギャップは、雪氷・水動態の結合を考慮するために複雑な相転移や貯留メカニズムを説明する必要がある積雪地域において特に顕著である。近年の取り組みでは、MLアーキテクチャに物理的制約（質量保存など）を統合する試みがなされているが、概念的な解釈可能性を犠牲にすることなく、規定されたプロセス経路と柔軟な関数近似との間の溝を埋めるフレームワークへのニーズが依然として存在する。

方法論

本研究は、ノードレベルで質量保存を明示的に強制するリカレントニューラルネットワークユニットである、質量保存パーセプトロン（Mass-Conserving Perceptron: MCP）フレームワークを前進させるものである。本研究は、概念モデルとニューラルネットワークを異なるパラダイムとして見るのではなく、同一の降水・貯留・流出（PSR）問題に対する代替的な表現として扱う。

中核となる計算ユニット:
本研究では、主に以下の3つのMCPベースの計算ユニットを利用する：

1. HMCP(1, AL): 土壌水分のような貯留を代表する単一ノードユニットであり、出力および損失ゲートは貯留状態と潜在蒸発散量に依存する。
2. SNOWMCP(1, BQ): 雪水当量（SWE）を代表する単一ノードユニットであり、降雪・降雨の区分、融雪、および温度と内部SWE状態に依存する損失ゲートを備える。
3. HMCP(1, ALMR): 環境との未観測の質量交換を表現するために、質量緩和ゲートが付加されたHMCPの変種。

実験フレームワーク:
著者らは、米国本土の513の最小限に撹乱された流域（CAMELS-US）を用い、1982年から2008年までの水年データを用いてこれらのユニットを評価した。実験デザインは、以下のアーキテクチャ仮説を通じて進行した：

• 結合水文学モデル（HYDROMCP）: HMCPとSNOWMCPを直列（ルーティング）または並列（バイパス）構成で結合した2ノードアーキテクチャ。これらのモデルは、雪解け水が土壌貯留を経由するか、あるいはそれをバイパスするかという、明示的なプロセス仮説を検証した。
• クロスノード状態共有: 片方のノードのゲーティング関数が他方のセル状態にアクセスする（例：土壌水分が雪解けゲートに影響を与える）HYDROMCPの変種。これは、結合された状態間の相互作用の仮説を検証するものである。
• 関数近似ネットワーク: 並列のMCPユニットから構成される単層フィードフォワードニューラルネットワーク。これらには以下が含まれる：
  • 分散状態（DS）ネットワーク: 1〜5個のHMCPまたはSNOWMCPノードからなる均質なネットワーク。
  • 情報共有: 完全な状態共有（SALO）、部分的な共有（隣接ノードのみ）、およびマルチ出力層を備えた変種。
  • 混合型ネットワーク: HMCPとSNOWMCPのノードを組み合わせたアーキテクチャ。
• ベンチマーク: これらは標準的なLSTMネットワークと比較され、予測スキルとしてのクライング・グプタ効率（$KGE^{ss}$）と、スキルとモデルの簡潔さ（パラメータ数および状態の次元数）のバランスをとる赤池情報量基準（AIC）の2つの基準によって選択された。

主な貢献

1. 統一された表現: 本論文は、概念的水文学モデルが、物理的に制約された、概念的に解釈可能なニューラルネットワークとして再定式化されるモデリングパラダイムを確立している。これは、概念的モデルとニューラルネットワークの区別が、根本的な哲学ではなく、アーキテクチャ構造にあることが多いことを示している。
2. 雪・水MCPフレームワーク: MCPフレームワークを積雪環境に特化させた具体的な拡張であり、SNOWMCPユニットを導入し、土壌水分表現との結合を評価した。
3. 複雑性分析: さまざまな流域における最小限のモデル複雑性の系統的な評価。本研究は、貯留状態の数、計算ユニットのタイプ、およびクロスノードの情報共有の必要性の間のトレードオフを定量化している。
4. モデル選択のガイダンス: 予測精度と構造的な簡潔さをバランスさせる、流域固有の最適アーキテクチャを特定するAICおよびKGEベースの選択フレームワークの開発。

結果

性能と複雑性:

• 状態の次元数: 全米において、1状態ネットワークのメディアン$KGE^{ss}$は0.82であったが、2状態ネットワークでは0.89、5状態ネットワークでは0.90へと上昇した。本研究では、2状態を超えると集計的な利得が減少することを発見しており、これは2つの状態が堅牢な表現にしばしば十分であることを示唆している。
• 雪 vs 土壌: 積雪流域において、雪と土壌のコンポーネントを結合した（HYDROMCP）ことは、単一状態モデルと比較して性能を大幅に向上させた。積雪流域のメディアン$KGE^{ss}$は、単一状態のHMCPの0.72から、2状態のHYDROMCPの0.89へと上昇した。
• 情報共有: クロスノードの状態共有（SALO）は、特に高標高の雪の影響を受ける地域において実質的な利益をもたらした。例えば、ロッキー山脈では、3ノードのSNOWMCPネットワークのメディアン$KGE^{ss}$は、共有なしの0.90から、共有ありの0.96へと上昇した。
• 関数近似: （HMCPとSNOWMCPが全降水を受け取り、出力がSoftmaxを介して結合される）「関数近似」ネットワークの定式化は、より硬直的な「水文学モデル」の定式化（直列/並列ルーティング）と同等の性能を達成したが、より大きな表現の柔軟性を備えていた。

LSTMとの比較:

• 予測スキル: 流域固有の最良のMCPネットワークは、最高の性能を示すLSTMネットワークに匹敵する、0.90のメディアン$KGE^{ss}$を達成した。
• パラメータ効率: MCPベースのネットワークは、平均して大幅に少ないパラメータ数（最良のMCPの69.45に対し、最良のLSTMは115.86）でこの性能を達成した。
• 選択基準: 簡潔さを優先するAICに基づく選択では、MCPベースのネットワークが63%の流域で好まれたが、純粋なスキルを優先するKGEに基づく選択では、その選好はほぼ拮抗していた（49.3% MCP vs 48.9% LSTM）。

地域的変動:

• 積雪レジーム: 雪に関する表現と状態共有による性能向上は、高標高の西部流域（例：ロッキー山脈、シエラネバダ）で最も顕著であった。これらの地域では、明示的な雪の状態とクロスノード共有を持つモデルが、単一状態モデルを大幅に上回った。
• 非積雪流域: 非積雪流域においても、マルチステート・アーキテクチャは依然として利益を提供しており、これは主要な雪のプロセスが存在しない場合でも、複数の流出経路がしばしば必要であることを示唆している。

意義と主張

著者らは、本研究が、水文学的表現に必要な状態の数、種類、および相互作用を特定するための経験的な基礎を提供すると主張している。概念モデルとニューラルネットワークを連続的な表現として扱うことで、このフレームワークは、データ駆動型で質量保存を行う構造の中で、水文学的仮説（例：雪と土壌の結合の必要性）を体系的にテストすることを可能にする。

本論文は以下のことを断言している：

1. 解釈可能性の保持: MCPベースのネットワークは、内部状態とゲーティングメカニズムが物理的概念（貯留、フラックス、相変化）に対応しているため、ブラックボックス型のLSTMとは異なり、概念的な解釈可能性を保持している。
2. 簡潔さの達成: コンパクトで流域固有のアーキテクチャ（多くの場合2状態）は、より複雑なモデルの予測スキルの大部分を回収することができ、正確かつ科学的根拠に基づいた「あらゆる場所のためのモデル（models of everywhere）」への実用的な道を提供する。
3. 今後の方向性: 著者らは、将来の研究において、学習された内部状態をより厳密に制約し、統計的学習と物理的推論の結びつきをさらに強化するために、複数の水文学的応答（例：流出量、SWE、地下水）に対して同時学習を行うことを提案している。また、これらのフレームワークを使用して、組成的な仮説を生成し、生成モデリングを通じて潜在的な仮説空間を探索できる可能性についても強調している。

本研究は、MCPフレームワークが物理的・概念的な推論と現代のデータ駆動型モデリングを正常に橋渡しし、透明性が高く、科学的にテスト可能な、流域スケールのPSRダイナミクスへのアプローチを提供することを結論づけている。