Predictive value of current HEC-RAS 2D water levels for machine learning flood postprocessing in southeastern Louisiana

洪水は地球上で最も破壊的な力のひとつであり、地形を塗り替え、恐ろしい速さでコミュニティを脅かします。人々や財産を守るために、科学者たちは水が陸地をどのように動き、川を通り、氾濫原へと流れ込むかをシミュレートするコンピュータモデルに頼っています。これらのデジタル・シミュレーションは「水理モデル」と呼ばれ、降水量、地面の形状、そして河川の流れを考慮して、水位がどの程度上昇するかを予測します。しかし、これらのモデルは完璧ではありません。それらは複雑な物理学と不完全なデータに基づいて構築されているため、その予測はしばしば現実から乖離し、時には実際の水位と数フィートの差が生じることがあります。モデルが予測を誤ると、予測された水位と実際の水位との差は、安全な警告と壊滅的な驚愕との間の境界線になりかねません。科学者たちの課題は、単にこれらのシミュレーションを実行することではなく、モデルがすでに生成した情報を用いて、実際に何が起きたのかについてより良い推測を行うために、事後的にどのように間違いを修正するかを見出すことです。

ルイジアナ州南東部において、研究チームはある特定のアイデアを検証するために調査を開始しました。それは、「今現在のコンピュータモデルが予測する水位と、そこに至るまでの水位の経路が、モデルの誤差を修正する助けになるか？」という問いです。彼らは、地形をグリッドのセルに分割し、時間の経過とともに水深と標高を計算する、広く使用されているツールである「Hydrologic Engineering Center's River Analysis System（HEC-RAS）」に焦点を当てました。研究者たちは、熱帯低気圧から豪雨イベントに至るまで、この地域で既に発生した8つの主要な洪水からデータを収集しました。彼らは、コンピュータによる予測水位を、河川や小川に設置されたゲージによる実測値と比較しました。その目的は、機械学習システム（データからパターンを学習する一種のコンピュータプログラム）が、誤差の正確な原因を知ることなく、モデル自身の出力を使用して、いかにして自らの間違いを修正する方法を学習できるかを確認することでした。

研究者たちは、異なる情報源を分離するために、入念な実験を設計しました。まず、彼らは降水量、位置、時間に関する情報は持っているものの、コンピュータモデルの現在の水位を見ることは禁止された「補正モデル」を構築しました。これは、天候と地理学だけでモデルがどれだけ学習できるかを確認するための基準（ベースライン）として機能します。次に、システムが観測のまさにその瞬間のコンピュータモデルの現在水位を見ることができるようにしました。最後に、水位が上昇または下降した直前の数時間の履歴、つまりその時点に至るまでの水位の変化の経過を与えました。これら異なるバージョンのモデルを、コンピュータが一度も見たことのない洪水に対してテストすることで、それぞれの情報がどれだけの価値を加えるかを正確に測定することができました。

結果として、コンピュータモデルの「現在の水位」が、誤差を修正するための最も強力なツールであることが示されました。補正システムに現在の水位を加えると、予測水位の平均誤差は、約1.63メートルから0.67メートルへと大幅に減少しました。この改善は、テストされた全8件の洪水において一貫して見られました。システムは、モデルの現在の状態には、そこに至るまでに起こったすべての出来事（降った雨、地中に蓄えられた水、そして河川の流れの経路）の隠れた要約が含まれていることを学習しました。たとえモデルの生の予測が間違っていたとしても、その「間違え方」の特定の様式には、機械学習システムが最終的な数値を調整するために利用できる手がかりが含まれていたのです。これは、モデルの内部状態が、たとえ欠陥があったとしても、単純な気象データでは提供できない洪水の挙動に関する有用な情報を持っていることを示唆しています。

水位の履歴、すなわち洪水の直近の過去を加えることは、より小さく、しかし依然としてプラスの効果をもたらしました。これにより、誤差は0.67メートルから0.62メートルへとさらに減少し、8件中7件の洪水で予測が改善されました。しかし、この追加情報は現在の水位ほど一貫していませんでした。あるケースでは直近の過去を知ることが役立ちましたが、別のケースではほとんど差を生みませんでした。研究者たちは、洪水の進化に関する必要な情報の大部分は、現在の水位の中にすでに含まれているため、履歴はやや冗長であることを見出しました。システムは、修正を行うために過去数時間の詳細なタイムラインを必要としておらず、現在の水位のスナップショットがあれば、修正を行うための十分なガイドとなったのです。

また、研究では、特定のゲージの位置がトレーニングデータに含まれていないような、現実世界での動作についてもテストを行いました。研究者が特定のゲージからのデータをすべてトレーニングセットから取り除き、システムに他の場所から学習させるように強制したところ、天候と地理学のみに依存する補正はほぼ完全に失敗しました。そのシステムは、助けなしでは新しい場所の水位を予測することができませんでした。しかし、システムにコンピュータモデルの現在水位の使用を許可すると、未知のゲージに対しても依然として良好に機能し、誤差を大幅に減少させました。これは極めて重要な発見です。なぜなら、この補正手法は特定の河川の挙動を単に暗記しているのではなく、モデルの誤差が水位自体とどのように関連しているかという一般的なルールを学習していることを意味するからです。このような困難なケースにおける最大の改善は、コンピュータモデルの地面のマップが実際の河川チャネルと大きく異なっている領域で見られました。これは、システムが水位を見ることで、マッピングの誤差を補正することを学習したことを示唆しています。

こうした成功にもかかわらず、研究者たちはこの手法ができることとできないことについても注意深く述べています。補正は全体的な水位や最高水位の高さについては改善しましたが、洪水のピークのタイミングや、3時間ごとの水位の上昇・下降の正確な速度を完全に修正することはできませんでした。システムは水位がどの程度になるかは教えてくれますが、いつ最高水位に達するかを確実に予測することはできません。さらに、本研究は既に起こった洪水に限定されています。研究者は完了した事象を用いてシステムを訓練し、テストしました。つまり、結果は過去のデータに対してこの手法がどの程度有効かを示すものであり、将来の未知の洪水に対してどのように機能するかを必ずしも保証するものではありません。使用されたコンピュータモデルにも、河川への流入量の欠落や、地面の標高測定の不完全な記録といった既知の限界があり、これは補正が不完全な基礎の上で行われていることを意味します。

結論として、機械学習はモデル自身の水位データを使用することで洪水予測を大幅に改善できる可能性がある一方で、あらゆる問題を解決する魔法の杖ではないことが示されました。現在の水位は最大かつ最も信頼できる利点を提供し、水位の履歴はより小さく、一貫性の低い恩恵を与えました。この手法は、モデルの水位が地形によって裏付けられている場合、つまりコンピュータが水が存在すると考えている場所に実際に水がある場合に最もよく機能します。モデルが水を表示すべき場所に水がない場合や、河川のマッピングが不適切な場合には、補正の信頼性は低下します。研究者らは、このような事後処理をリアルタイムの警告に使用できるようになる前に、基礎となるコンピュータモデルに、より正確な地面の形状、より正確な河川流量、および水位がどのように測定されているかについてのより明確な理解が必要であると示唆しています。それまでは、この手法は、不完全なコンピュータモデルであっても、正しく読み解けば真実に近づける貴重な手がかりを含んでいることを示す強力な実証として機能します。