A data-driven framework to inform extreme flood warning: Evaluating dual-tier weighting in contrasting catchments

技術要約：極端な洪水警報に関する情報提供のためのデータ駆動型フレームワーク

問題提起
低収益流域における稀な極端洪水（extreme floods）の検出は、データ駆動型の水文学的モデリングにおいて大きな課題となっている。標準的な勾配ブースティング・アーキテクチャは、連続的な流況のシミュレーションには効果的であるものの、極端なピーク流量を過小評価する傾向がある。これは、従来の損失関数がグローバルな誤差を最小化しようとするため、最適化プロセスが豊富な中央値付近の流量観測値に偏り、少数の高流量イベントを系統的に軽視してしまうことに起因する。流出係数が低く、蒸発散、伝播損失、および人為的な規制によって降雨流出信号が減衰する低収益流域では、このバイアスが洪水イベントの見落としを招く。さらに、既存の文献では、稀なイベントの検出とベースラインの安定性の間のトレードオフを同時に解決し、対照的な水文レジーム全体で戦略を評価し、かつ確率的実現を通じてアルゴリズムの安定性を厳密に定量化する統一されたフレームワークが欠如していることが多い。

手法
本研究では、対照的な2つのイランの流域（応答性の高いHaraz流域：流出係数 RC = 0.57、および減衰した低収益のTajan流域：RC = 0.082）を用いて評価された、二段階の重み付けフレームワークを提案する。手法は以下の3段階のワークフローを採用している。

1. データ準備と特徴量エンジニアリング： 地域ネットワークから日次の流況および降水量を収集した。予測変数の空間には、ラグ付き降水量、流域規模の前方水分量（3、10、30、90日のローリングウィンドウ）、および自己回帰変数を含めた。データリークを防ぐために厳格な時系列分割（学習用80%、テスト用20%）を適用し、真の24時間運用リードタイムを確保した。
2. 二段階最適化：
   • 第1段階（探索空間の削減）： Optunaを用いたベイズ最適化（Tree-structured Parzen Estimator: TPE）を用い、ハイパーパラメータをフィルタリングした。この段階では、各流域・学習器の組み合わせに対して最も影響力のあるパラメータ（例：学習率、決定木の深さ）を特定し、後続の段階における探索空間の次元を削減した。
   • 第2段階（メタヒューリスティクス・チューニング）： 削減されたハイパーパラメータセットと重み付けパラメータを調整するために、粒子群最適化（PSO）とNutcracker Optimization Algorithm（NOA）という2つの群知能アルゴリズムを用いた。
3. 重み付けシナリオ： 以下の3つのシナリオをテストした。
   • S1 (ベースライン): 重み付けなしの学習。
   • S2 (単一層): 極端な観測値（Q ≥ Q99）が学習中に増幅された重みを受けるデータレベルの重み付けを行うが、適合度関数自体は重み付けを行わない。
   • S3 (二層構造): 木のハイパーパラメータと局所的なデータペナルティ重みを同時に最適化し、適合度関数自体も重み付けを行う（加重RMSEまたは加重KGEを使用）。
4. 評価と安定性： パフォーマンスは、連続的な指標（NSE、KGE、RMSE）および、98パーセンタイルと99パーセンタイルにおけるカテゴリカル検出指標（POD、FAR、CSI）を用いて評価した。極めて重要な点として、報告された改善がランダムな初期化によるアーティファクトではないことを保証するため、Haraz流域については20回、Tajan流域については15回の独立した確率的試行を通じて、アルゴリズムの安定性を定量化した。

主な貢献

• レジーム条件付きフレームワーク： 最適な重み付け戦略は、流域の減衰能力に依存することを本研究は示している。応答性の高い流域（Haraz）では単一層の重み付けで十分であるが、減衰した流域（Tajan）では、検出を向上させるために二層の重み付けが必要となる。
• 目的関数の感度： 低収益流域においては、目的関数の選択が極めて重要であることを本研究は特定した。分散に基づく目的関数（加重KGE）を用いた二層の重み付けは検出力を向上させたが、連続的な精度を著しく低下させた（NSEは約0.27まで低下）。対照的に、残差ベースの目的関数（加重RMSE）は、極端現象の検出率を倍増させつつ、許容可能な連続精度（NSE 約0.55）を維持した。
• アルゴリズムの堅牢性： 実行ごとの変動を定量化することにより、提案された手法による改善が、有利なランダムシードに依存しない再現可能なものであることを確認し、水文学的機械学習における一貫した安定性報告のギャップを埋めた。

結果

• Haraz流域（応答性）： ベースラインですでに高い性能（NSE = 0.98）を達成していた。二層の重み付けは、連続的な精度に大きな影響を与えることなく、検出においてわずかな改善（Q99におけるPODが約0.77から0.85へ微増）をもたらした。これは、応答性の高い流域には複雑な重み付けは不要であることを示唆している。
• Tajan流域（減衰）： 重み付けなしのモデルは、ほとんどの極端現象を検出できなかった（Q99におけるPOD = 0.20–0.29）。RMSE目的関数を用いた二層フレームワークは、連続的なシミュレーション（NSE = 0.55）を維持しながら、検出率を倍増させることに成功した（POD = 0.40）。ただし、これに伴い空振り率（FAR ≈ 0.57）の上昇を招いた。
• 最適化アルゴリズムの性能： 探索空間を削減した後は、PSOとNOAの選択による性能差は無視できる程度であった（KGEおよびPODにおける差は0.03未満）。これは、重み付け戦略と目的関数が支配的な要因であることを示している。
• 安定性： 選択された構成（HarazにはXGBoost-NOA、TajanにはLightGBM-NOA）は、独立した試行間で指標の広がりが限定的であることを示し、フレームワークの堅牢性を裏付けた。

意義と主張
本論文は、提案するフレームワークが、流域の流出係数および人為的な減衰の度合いに基づいて適切な重み付けシナリオを選択するための意思決定支援プロトコルを提供すると主張している。規制された低収益流域においては、検出と空振りの間のトレードオフは運用上正当化可能である（すなわち、洪水を逃すことは、誤報を出すことよりも社会経済的な影響が大きい）と論じている。このような環境においては、非対称な重みを適用する場合、分散保存（KGE目的関数）よりもターゲットを絞った残差ペナルティ（RMSE目的関数）の方が優れていると結論付けている。本フレームワークは、ラグ付きの気象観測データのみで動作し、外部の数値予報プロダクトに依存することなく24時間のリードタイムを提供するため、データ不足の地域にも適している。著者らは、本フレームワークは検出力を向上させるものの、低収益システムにおける根本的な物理的限界を排除するものではないことを強調しており、空振りをさらに減らすためには、今後の研究において物理学に基づいた制約（physics-informed constraints）を検討すべきであるとしている。