技術要約：都市規模のアディクション・ディフュージョン（移流拡散）システムにおける識別性を考慮したソース・アポーテナメント（発生源特定）

問題提起

都市の空気質における発生源特定（ソース・アポーテナメント）は、疎なセンサーネットワークを用いて、観測された汚染物質濃度を特定の発生源グループ（例：交通、産業、レンガ窯など）に帰属させる逆問題である。著者らは、決定的な幾何学的限界を指摘している。すなわち、モデルがセンサーデータに正確に適合していたとしても、基礎となる発生源の寄与が**識別可能（identifiable）**であるとは限らないということである。

疎なセンサーネットワークにおいては、風による輸送、減衰、背景変動、およびノイズの影響により、異なる発生源グループがほぼ同一のセンサー・タイムシグネチャ（時間的特徴）を示すことがある。強力な遠方の発生源と弱い近傍の発生源は、輸送と背景補正を経た後、観測上区別がつかなくなる場合がある。その結果、標準的な受容体モデル（化学質量バランス法や正定値行列因子分解法など）は、データによって発生源を区別できない場合であっても、自信を持った帰属結果を報告してしまうことがあり、これが誤解を招く政策判断につながる可能性がある。本論文は、これを単なる不確実性の問題としてではなく、センシングシステムにおける根本的な識別性の欠如として位置づけている。

手法

著者らは、インベントリに基づくアポーテナメントを、風に条件付けられたラグ（遅延）を伴う逆問題として扱うフレームワークである**識別性考慮型ソース・アポーテナメント（Identifiability-Aware Source Apportionment: IASA）**を提案している。コアとなる手法は以下の通りである。

1. 問題の定式化

• インベントリに基づくパラメータ化: 発生源場は、既知またはプロキシ（代理）となるソースマップ（$S$）の有限集合に制限される。時変的な活動量は、事前に宣言された時間的基底関数（$\Phi$）の非負の組み合わせとしてモデル化される。未知数は、ソースと基底の係数（$c$）である。
• 風に条件付けられたラグ応答: モデルは、時刻 $t-\ell$ に放出されたエミッションを、風場を条件として時刻 $t$ のセンサー濃度へと写像する輸送演算子（$G^\partial$）を組み込んでいる。これにより、単位係数ごとのセンサー・タイム・フィンガープリントを表す「ラグ付き」応答行列（$H^{lag}_\Phi$）が生成される。
• 背景補正: 観測濃度には地域的な背景成分とトレンドが含まれる。ソース信号を分離するために、低次元の背景基底（$Q$）を投影によって除去する。逆問題の核となる対象は、投影されたラグ応答行列である：
  $$\tilde{H}_\Phi = P^\perp_Q H^{lag}_\Phi$$
  ここで、$P^\perp_Q$ は背景空間の直交補空間への射影である。

2. 識別性診断

IASAは、「最良の適合」から「識別可能な解像度」へと焦点を移す。$\tilde{H}_\Phi$ から一連の診断指標を計算し、何が確実に回収可能かを判断する：

• 完全な識別可能性: $\text{rank}(\tilde{H}_\Phi) = J$（フル列ランク）を必要とする。
• ノイズ耐性: 最小特異値（$\sigma_J$）および条件数（$\kappa$）によって制御される。$\sigma_J$ が小さいことは、ノイズに対して高い感受性を持つことを意味する。
• 係数の可視性: 投影されたフィンガープリントの大きさ（$v_j = \|\tilde{h}_j\|_2$）。閾値を下回る係数は「弱い」としてフラグが立てられる。
• ペアワイズ・コヒーレンス（対となるコヒーレンス）: 2つのフィンガープリントがどの程度比例しているかを測定する（$\rho_{ij}$）。高いコヒーレンスは、発生源が区別不能であることを示す。
• 背景吸収: ソース信号が背景空間に失われる割合（$a_j$）。

3. IASAアルゴリズム

この手順は、適合（フィッティング）と診断を厳格に分離することを強制する：

1. 事前宣言: 背景基底、ラグ窓、時間的基底、ゼロマスクといったすべてのモデル選択は、データを検査する前に固定される。
2. 適合: 非負正規化最小二乗法（NNLS）を用いて係数 $c$ を解く。
3. 診断: $\tilde{H}_\Phi$ に対して診断指標を計算する。
4. 報告:
   • 係数が弱い、あるいはコヒーレンスが高い場合、それらは個別に報告されない。
   • **発生源曖昧性グラフ（source ambiguity graph）**を構築し、区別不可能なペア同士をエッジで結ぶ。
   • このグラフの連結成分が「保守的な報告グループ」を形成する。
   • 最終的な出力は、センサー、風、およびノイズによって支持される最も細かい帰属解像度であり、不確実性の区間と曖昧性の証明書を伴う。

主な貢献

1. 定式化: 疎なセンサーによる発生源特定を、ラグを伴う風条件付きの逆問題として定式化し、投影された応答行列 $\tilde{H}_\Phi$ が分離性の決定要因であることを明らかにした。
2. 報告プロトコル: 予測精度と識別性を区別する具体的なプロトコルを導入した。データによって支持されるもののみを報告し、区別不可能な発生源をフラグ立てして、誤った精度を報告するのではなく、それらを統合されたグループとして扱う。
3. アルゴリズム (IASA): 非負係数を適合させ、活動量の軌跡を再構成し、不確実性を定量化し、区別不可能な発生源を診断する手順。これには、輸送応答を上流領域へと遡るパーセンサー空間フィンガープリントも含まれる。
4. 実証的検証: ニューデリーのプラットフォーム（PM2.5および風の政府記録を使用）上で本フレームワークを適用した。これにより、標準的なベースライン（NNLS, CMB, PMF）が非識別なケースを検出できない一方で、IASAはすべての非識別シナリオを検出し、制御された設定において0.01のシェア誤差内で回収できることを示した。

結果

著者らは、ニューデリーのプラットフォーム（32個のセンサー、2018年〜2020年のデータ）および制御された合成実験を用いてIASAを評価した：

• 制御実験:

  • 風／幾何学的崩壊: 風向が一定である場合や、センサーの幾何学的配置によって発生源のフィンガープリントが一致する場合、標準的な手法は自信を持った誤った分割を報告する（誤差最大1.2）。IASAはこれらを非識別としてフラグ立てし、誤差がほぼゼロの統合グループとして報告する。
  • 背景ストレス: 背景基底がソース信号を吸収する場合、標準的な手法は誤った帰属を行う。IASAは吸収を検出し、識別性の喪失を通知する。
  • コンディショニング: 回復誤差は、単なる観測ノイズではなく、$\tilde{H}_\Phi$ のコンディショニング（特異値）によって制限されることが示されている。
  • ラグ選択: 最適なラグ窓は、係数を適合させるのではなく、応答行列の幾何学的性質（フロベニウスノルムの安定性）に基づいて選択され、ラグが人工的に識別性を向上させないようにしている。

• ニューデリーの実測データ:

  • 連続する4週間のウィンドウに対して適用した結果、これら4つの週においては、4つの発生源グループ（レンガ窯、産業、人口、交通）がすべて個別に識別可能であった（フルランク、低コヒーレンス）ことが特定された。
  • アポーテナメントの結果は顕著な時間的変動を示した（例：初期の週では人口支配、最終週ではレンガ窯の支配）。これらは集計されるのではなく、個別に報告されており、実際のデータによる裏付けを反映している。
  • システムは不確実性の区間を提供し、報告された解像度が、宣言されたインベントリ、輸送、およびノイズに対してサポートされる最も細かい解像度であることを確認した。

意義と主張

本論文は、**「予測精度は識別性の証拠ではない」**と主張している。ソースがセンサー空間において幾何学的に区別できない場合、モデルはセンサーの軌跡に完璧に適合しながらも、汚染を誤った発生源に帰属させてしまう可能性がある。

IASAの意義は、その保守的な解像度にある。それは、宣言された風、輸送、背景、およびインベントリモデルを条件として、センシングシステムが実際にサポートしている帰属解像度を報告することである。これは、あらゆるケースで逆問題を解決しようとするものではない。むしろ、問題が解ける場合と、何を信頼して報告できるかを判断するための診断フレームワークを提供することである。

著者らは、本研究が既存の受容体モデルや発生源指向モデルに、識別性分析という層を加えることで、それらを補完するものであると強調している。彼らは新しい発生源カテゴリや新しい物理的輸送モデルを考案したのではなく、疎なセンシング下における宣言された発生源グループの区別可能性を厳密に分析したのである。このフレームワークにより、政策決定が、モデルの過学習や幾何学的曖昧さによるアーティファクトではなく、防御可能で識別可能な寄与に基づいていることが保証される。