⚡ 電気工学

Reconstructing Soil Temperature Time Series with Prolonged Gaps Across Depths: An Interpretable LSTM-Based Approach

本研究は、Optunaによる最適化とSHAPによる説明可能性を通じて検証された、解釈可能なLSTMベースのフレームワークを提示するものであり、局所的なセンサーデータとグローバルな再解析データおよび時間的属性を統合することにより、ウルグアイにおける多層深さの土壌温度時系列における長期的な欠損値を正常に再構築することに成功した。

原著者： Leticia Barros Dias Soares, Natássia Siqueira Medeiros, João Inácio Moreira Bezerra, Geilson de Almeida Soares, Jairo Valões de Alencar Ramalho, Marlon Maurício Hernandez Cely, Honório Joaquim Fernand

公開日 2026-09-24

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Leticia Barros Dias Soares, Natássia Siqueira Medeiros, João Inácio Moreira Bezerra, Geilson de Almeida Soares, Jairo Valões de Alencar Ramalho, Marlon Maurício Hernandez Cely, Honório Joaquim Fernando

原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

私たちの足の下にある地面は、見た目ほど静止していることは滅多にありません。日中に空気が温まり、夜に冷えるのと同様に、土壌もこれらの変化に反応しますが、それは緩やかで重厚なリズムで行われます。この熱の脈動は下方へと伝わっていきますが、深くなるにつれて日々の変動は衰え、より安定した、遅延を伴う熱へと置き換わっていきます。この隠された温度プロファイルを理解することは、建物の暖房や冷房に地球の自然な熱を利用するクリーンなエネルギー源である、浅層地熱エネルギーを活用する上で極めて重要です。機能するシステムを設計するために、エンジニアは土壌温度が時間の経過とともにどのように変化するかという、連続した途切れることのない記録を必要としています。しかし、現実の世界では、これらの測定のために埋設されたセンサーが故障することがよくあります。停電、断線、あるいは通信エラーによって、データの欠落が長く続いてしまい、地球がどのように振る舞っているのかという全体像を把握することを不可能にする空白が生じてしまうのです。

ブラジルとウルグアイの研究チームは、出来事のシーケンスから学習するように設計された一種のコンピュータ知能を用いて、これら壊れた記録を修復しようと試みました。彼らは、ウルグアイのリベラにある観測所のデータを用いました。そこでは、センサーが1年間にわたり様々な深さの土壌温度を追跡していましたが、データには穴が多く、中には数日間、あるいは数週間に及ぶものもありました。単に欠落した数値を推測するのではなく、チームは欠落したセグメントを再構成するために精巧なコンピュータモデルを訓練しました。彼らは、ローカルなセンサーの読み取り値だけでなく、全球的な気象データや、時刻や季節に関する情報もモデルに投入しました。これにより、コンピュータが地中を伝わる熱を支配する複雑な規則を学習できるようにしたのです。

研究者たちは、コンピュータモデルが驚くべき精度で欠落した部分を埋めることができる一方で、その結果は深さによって異なることを発見しました。太陽の影響で温度が急速に変化する地表付近の土壌では、モデルは平均誤差を、目立つ0.16℃からわずか0.06℃へと減少させました。変化がより緩やかな中間層では、改善はさらに劇的であり、誤差は0.29から0.07へと低下しました。しかし、最も深い層は異なる課題を突きつけました。モデルは温度曲線の全体的な形状は正しく捉えられたものの、あらゆる一点における正確な温度を一致させることには苦戦しました。これは、全体的な傾向に従うことと、正確な数値に到達することの間のトレードオフを示唆しています。

コンピュータが単にパターンを暗記しているのではなく、土壌の物理学を実際に理解していることを確認するために、チームはモデルの意思決定プロセスを覗き見るための特別なツールを使用しました。その結果、モデルは直近のデータポイントと全球的な気象トレンドに大きく依存していることが判明しました。浅い層と中間層については、モデルは現在を予測するためにほぼ排他的に直近の過去を参照していました。しかし、深い層については、モデルはより長い履歴に注意を分散させていました。これは、熱が地中深くへと伝わるのには非常に長い時間がかかるため、理にかなっています。この調査により、コンピュータは空白を埋めることには優れているものの、その論理は観察している深さによって異なることが明らかになりました。

本研究は、このアプローチが壊れた環境記録を修復するための強力なツールであるものの、万能な解決策ではないと結論付けています。土壌の中間層は、モデルの予測が欠落期間が長くても正確かつ堅牢であったため、再構成において最も信頼できることが証明されました。地表層は良好に機能しましたが、即時的な変化に対して非常に敏感でした。一方、深い層については、モデルが細部を滑らかにしてしまう傾向があるため、より慎重な扱いが必要となります。高度な予測技術と、モデルがどのように思考するかという明確な理解を組み合わせることで、研究者たちは、地球の各層の独特な振る舞いを尊重する限り、失われた気候データを自信を持って復元できることを示しました。この取り組みは、地中に埋められたセンサーが沈黙したとしても、私たちのエネルギーシステムを円滑に稼働させ続けるための実用的な方法を提示しています。

技術要約：複数深度における長期欠損を伴う土壌温度時系列の再構築

問題提起
浅層地熱エネルギー、特に地中熱交換器（EAHE）システムのポテンシャル評価は、連続的な土壌温度の現場観測に大きく依存している。しかし、運用中の観測ステーションでは、センサーの故障、通信損失、または電力中断により、頻繁に長期のデータ欠損が発生する。これらの欠損セグメントは、地下の熱力学的特性のキャラクタリゼーションを損ない、システムのモデリングや性能評価を妨げる要因となる。ディープラーニングは再構築能力を提供するが、標準的な評価は予測精度のみに焦点を当てがちであり、モデルが物理的な土壌力学と整合する関係性を学習しているかどうかについては軽視されている。さらに、深層ニューラルネットワークの「ブラックボックス」的な性質は、多深度の土壌プロファイルにおいて熱挙動が深度によって大きく異なる中で、欠損値がどのように推定されているかという解釈可能性（インタープリタビリティ）に関する重要な課題となっている。

手法
本研究では、説明可能なAI（XAI）を統合した長短期記憶（LSTM）ネットワークを用い、3つの深度層（表層、中間層、深層）における欠損した土壌温度セグメントを再構築するためのデータ駆動型フレームワークを提案する。

データソース： 主要データは、2023年8月から2024年7月まで稼働したウルグアイのリベラにある観測ステーションから収集された。セットアップには、0.4mから2.0mの深さの冗長なPT100センサーと地表面空気センサーが含まれる。データには、物理的限界によるフィルタリングおよび移動平均に対する動的な一貫性チェックを含む厳格な品質管理が行われた。
特徴量エンジニアリング： このアプローチは、補完（インピュテーション）を教師あり時系列再構築問題として扱う。入力には以下が含まれる：
- ローカルセンサーの測定値（欠損を含む）。
- （ローカルの深度に合わせた）ERA5全球再解析データからの外生変数。
- 時間属性：循環的エンコーディング（日次／週次の正弦・余弦）、Loessを用いた季節・トレンド分解（STL）成分（トレンド、季節性、残差）、およびラグ値。
- 補助変数：補間されたセンサー値および欠損インジケーター。
モデルアーキテクチャと最適化： 線形出力層を持つLSTMネットワークを採用した。恣意的なアーキテクチャ選択を避けるため、Optunaフレームワークを利用して、ウィンドウサイズ、バッチサイズ、学習率、隠れユニット数、層数、ドロップアウト、重み減衰を探索する系統的なハイパーパラメータ最適化を行った。
説明可能性： モデルの解釈のために、SHAP (SHapley Additive exPlanations) および TimeSHAP を適用した。分析は以下の2つのレベルで行われた：
- グローバル：データセット全体における最も影響力のある変数と時間的位置の特定。
- ローカル：特定の再構築ケース（低誤差、高誤差、および長期欠損シナリオ）の検討。
評価： パフォーマンスは、平均絶対誤差（MAE）、平方根平均二乗誤差（RMSE）、決定係数（ $R^2$ ）、およびピアソン相関係数（ $r$ ）を用いて測定された。

主な結果
本研究により、再構築パイプラインの有効性は土壌の深さに強く依存すること、およびハイパーパラメータの最適化が各層に対して異なる構成をもたらすことが明らかになった。

深度別のパフォーマンス：
- 表層： 最適化により誤差が大幅に減少した（MAEは0.16から0.06へ、RMSEは0.32から0.09へ低下）。しかし、モデルは「短期記憶」のレジームに強く依存しており、直近の時間ステップに重要性を集中させていた。
- 中間層： この層は最も一貫した改善を示した。MAEは0.29から0.07へと減少（75.6%の改善）し、 $R^2$ は0.87から0.99へと向上した。最適化されたアーキテクチャ（隠れユニット数の増加）は、汎化性能を損なうことなく、より長い時間依存性を効果的に捉えた。
- 深層： 結果は混合的であった。RMSEは改善したものの（0.21から0.16）、MAEはわずかに増加した（0.07から0.09）。モデルはグローバルな軌跡の形状には従う傾向があるが、点ごとの較正（キャリブレーション）や、長期欠損時における振幅の回復に苦慮した。
説明可能性による知見：
- グローバルSHAP分析により、表層および中間層は参照トレンド、短期ラグ、および補間されたセンサー値に大きく依存しており、完全な時間窓を無視していることが判明した。
- 深層は、より分散した時間依存性を示した。これは、深部における熱信号の物理的な減衰と一致しているが、これが必ずしもクリティカルな欠損シナリオにおける優れたローカルな堅牢性に直結するわけではなかった。
- 長期欠損に関するローカル分析により、中間層がグローバルな指標とローカルな信頼性の間で最良のバランスを維持していることが確認された。一方で、深層はグローバルな指標は安定しているものの、高誤差シナリオにおいては脆弱性を示した。

意義と主張
本論文は、その主要な貢献が、単に高性能な補完モデルを実証することではなく、予測精度と解釈の透明性を統合することで、モデルの条件付き信頼性を明らかにすることにあると主張している。

深度依存の信頼性： 本研究は、「一つのサイズですべてをカバーする（one-size-fits-all）」的なモデル成功の解釈は誤解を招くことを示している。中間層は、高い精度と長期欠損シナリオにおける堅牢性の両方を兼ね備えた、最も運用上信頼できる層として浮上した。表層は効率的だが過剰に反応的であり、深層はグローバルな適合性は高いものの、ローカルな較正の安定性に欠けている。
検証としての解釈可能性： 著者らは、SHAPおよびTimeSHAPを用いることで、高い予測指標が必ずしもモデルが物理的に一貫した関係を学習していることを保証しないことを示した。分析の結果、モデルは複雑なマルチシグナル・ダイナミクスを統合するのではなく、支配的な補助プロキシ（ERA5のトレンドなど）に再構築を固定してしまう傾向があることが明らかになった。
手法の厳密性： 本研究は、環境コンテキストにおける再構築モデルの評価には、集計的な誤差指標を超えて、説明可能性やシナリオ固有のテスト（例：長期欠損）を含める必要があると論じている。このアプローチは、ディープラーニングモデルがどこで成功し、どこで条件付きの信頼性に留まっているのかを、より誠実かつ厳密に特徴付けるものである。

結論として、本研究は、LSTMベースの補完は、系統的なハイパーパラメータ最適化と説明可能性分析と組み合わせることで、その限界と深度特有の挙動が明示的に認識され、管理されている場合に限り、環境時系列を復元するための価値あるツールとなることを提示している。

関連論文