Integrating Explainable Machine Learning, Extreme Value Analysis, and CMIP6 Projections for Extreme Precipitation Prediction in the Eastern Mediterranean Coastal Region of Türkiye

技術要約：トルコ東地中海沿岸地域における極端降水予測のための、説明可能な機械学習、極値解析、およびCMIP6投影の統合

問題提起
トルコの東地中海沿岸地域（メルシン、アダナ、オスマニエ、ハタイを含む）は、極端な降水イベントによる深刻なリスクに直面しており、これらは人口密集度の高い都市部や農地に脅威を与えている。このような脆弱性があるにもかかわらず、これまでの研究では、物理的な駆動要因、統計的な再帰特性、および将来の気候軌道をこの特定のサブリージョンに対して統合した統一的な分析フレームワークが欠如していた。既存の研究は、しばしば孤立した観測点分析に依存しており、再帰期間の推定値と機械学習（ML）予測モデルとの相関関係を考慮できていないか、あるいは複雑な地形（例：タウルス山脈）によって引き起こされる降水レジームの不均一性を十分に考慮できていない。さらに、CMIP6モデルは著しい温暖化と夏季の干魃を予測しているが、極端な降水の頻度と強度の間の将来的な挙動については、ローカルレベルでの詳細は不明確なままである。

手法
本研究は、以下の8つの統合された段階を通じてこれらのギャップに対処するために設計された、ハイブリッド機械学習・統計パイプラインを提示する。

1. データ取得および品質管理： 本研究では、24のトルコ国家気象局（TSMS）の地上観測点（2010–2024年）を用い、これにCHIRPS衛星降水量データ、ERA5-Land再解析データ、およびNOAAテレコネクション指数を補完的に加えた。厳格な二段階の品質管理プロセスを実施し、5%を超える欠損値を持つ観測点を除外し、レジームシフトを特定するために均一性テスト（SNHT、Pettitt、Buishand）を適用した。
2. マルチソース・データ融合： 地上観測、衛星データ、および再解析製品を融合させることで、新しい日次データセットを作成した。これには、空間推論、沿岸観測点に対するシーマスク補正、温度変数に対するバイアス補正、およびギャップ充填が含まれる。
3. 空間クラスタリング： K-meansクラスタリングを用いて、標高、総降水量、季節比、および温度に基づき、24の観測点を「沿岸（Coastal）」、「内陸（Inland）」、「山岳（Mountainous）」という3つの物理的に解釈可能な降水レジーム・ゾーンに分割した。
4. 特徴量エンジニアリング： 気象変数、地形データ、時間的エンコーディング、クラスターラベル、および30のテレコネクション特徴量（ONI、NAO、AO、AMO、EAWRのラグ指数）を含む、40属性の予測子行列を構築した。
5. 機械学習分類： 極端な降水（日降水量が第95パーセンタイル以上と定義）を予測するために、XGBoostバイナリ分類器を訓練した。モデルは、逆頻度重み付けを用いてクラス不均衡（1:18）に対処した。性能は、時間的交差検証および独立したテストセット（2023–2024年）を用いて評価された。
6. 説明可能性（XAI）： XGBoostモデルを解釈するためにSHAP（SHapley Additive exPlanations）分析を採用し、主要な予測因子および異なる空間クラスター間での非線形相互作用を特定した。
7. 極値解析（EVA）： 44年間のCHIRPSデータ（1981–2024年）を用い、年最大値に関する一般化極値分布（GEV）と、閾値超過（POT）に関する一般化パレート分布（GPD）という2つの補完的な手法を用いて、再帰期間を推定した。
8. 将来投影： SSP2-4.5およびSSP5-8.5シナリオ下でのMPI-ESM1-2-LRモデルによるCMIP6投影を用い、バイアス補正を行った上で、2041–2060年の期間における極端現象の頻度と湿潤日の強度の変化を分析した。

主な結果

• レジームシフト： 均一性テストにより、2020年から始まる統計的に有意な降水レジームシフトが特定された。前10年間と比較した領域平均のアノマリーは−20.5%であり、最も深刻な減少は内陸部の観測点（例：オスマニエ：−35.9%）で観察された。このシフトは、訓練期間（2010–2022年）とテスト期間（2023–2024年）の間における目的変数の分布の変化と一致していた。
• モデル性能： XGBoost分類器は、独立したテストセットにおいてAUC-ROC 0.835を達成し、非定常な条件下においても堅牢な識別能力を示した。テストセットにおけるF1スコアは0.288であり、交差検証のスコア（0.403）よりも低かった。これは、2020年以降の干魃期間における極端現象の頻度減少に起因する。
• 特徴量の重要度： SHAP分析により、地表付近の相対湿度が圧倒的に支配的な予測因子であることが明らかになった（平均 |SHAP| = 0.557）。その重要性は標高とともに増大し（沿岸クラスターの0.469に対し、山岳クラスターでは0.642）、地形性降水のメカニズムを反映していた。非線形な活性化閾値は、相対湿度65–70%付近で特定された。平均気温は2番目に重要な特徴量であり、15–20°Cを超えると負の寄与を示すことが示された。
• テレコネクション： 大規模な指標であるAMO（負の相関、r = −0.335）およびEAWR（正の相関、r = +0.299）が、年々変動の重要な要因として特定された。
• 再帰レベル： GEV適合の結果、領域平均の100年再帰レベルは102.4 mm/dayであった。最大のハザードは、湿った空気がタウルス山麓と相互作用する東部の内陸回廊（例：Düzici: 153.1 mm/day）に集中していた。Tufanbeyliは、高標高であるにもかかわらず、雨影効果のため最も低い再帰レベル（54.9 mm/day）を示した。
• 将来投影： CMIP6の投影は、両方のシナリオにおいて、2041–2060年までに極端現象の頻度が継続的に減少することを示している（SSP2-4.5で−19.5%、SSP5-8.5で−12.1%）。しかし、湿潤日の強度は、SSP2-4.5の下では減少（−2.2%）する一方で、SSP5-8.5の下では増加（+1.2%）すると予測されており、「頻度は減るが、潜在的にはより激しくなる」という将来像を示唆している。

意義および貢献
著者らは、本研究がトルコの東地中海沿岸地域に特化した、初の統合的なML–極値解析–気候投影パイプラインを提供すると主張している。本研究の意義は以下の点にある：

1. 統一されたフレームワーク： マルチソース・データ融合、空間クラスタリング、説明可能なML、および極値解析を組み合わせることで、極端な降水ハザードを特徴付けることに成功した。
2. 物理的解釈可能性： SHAPを用いることで、明示的な物理方程式の入力なしに、物理的関係（クラウジウス・クラペイロンの関係や地形性上昇メカニズムなど）を経験的に復元し、モデルが気象物理学と整合していることを検証した。
3. レジーム変化の検出： モデルの転移性に影響を与える2020年における真の水文気候学的シフトを特定し、適応的な再学習プロトコルの必要性を強調した。
4. インフラへの影響： 推定された100年再帰レベルが、現在の都市排水設計閾値（50–100 mm/day）を大幅に上回っていることを示し、構造的な脆弱性を明らかにした。
5. 将来のリスク特性： 排出シナリオによる頻度と強度のトレンドの乖離を明確にし、高排出経路の下では極端な日は少なくなる可能性があるものの、その強度は増加する可能性があることを示唆した。

本研究は、地域が現象の頻度の面では乾燥傾向にあるものの、高排出シナリオ下での降水強度の増大の可能性は、インフラ設計基準の改訂と、非定常な水文気候条件を考慮した適応型早期警戒システムの開発を必要としていると結論付けている。