Physics-Regularized Neural Networks for Urban Air Quality Prediction Under Meteorological Variability: Emission Source Estimation from Sparse Observations in London

技術要約：都市の大気質予測における物理正規化ニューラルネットワーク

問題提起
都市の大気質評価は、疎で不規則なモニタリング・ネットワークから、空間的に連続した汚染物質濃度場を再構成し、排出源パターンを特定するという極めて困難な課題に直面している。ロンドンのような都市では、観測ステーションが局所的な不均一性を解明するには不十分な場合が多く、限られた測定値に対して複数の解が存在し得る「不良設定（ill-posed）の逆問題」を生じさせる。従来の受容体モデル（PMFやPSCFなど）は、明示的な物理的制約を欠いており、標準的なネットワークでは入手困難な化学種分画データを必要とすることが多い。一方、WRF-ChemやCMAQのような化学輸送モデル（CTM）は、物理的な厳密さは備えているものの、計算コストが高く、ボトムアップ型のインベントリの不確実性に敏感であり、希薄な観測データを微細なスケールで同化することにも困難が伴う。純粋なデータ駆動型機械学習アプローチは、計算効率は高いものの、「ブラックボックス」として機能しやすく、保存則に違反したり、変動する気象レジーム下での汎化性能に欠けたりすることがある。本研究が取り組む核心的な問題は、いかにして物理的な一貫性を大気輸送プロセスと保ちつつ、疎なデータから有効な排出指標と濃度場を推論するかである。

手法
本研究は、深刻な観測データの不足下でも動作するように設計された物理正規化ニューラルネットワーク（PRNN）フレームワークを提案する。この手法は、完全な偏微分方程式（PDE）をハードな制約として強制する厳格な物理情報ニューラルネットワーク（PINN）とは異り、簡略化された移流・反応質量バランス方程式を用いた「ソフト制約」アプローチを採用している。

$$\frac{\partial C}{\partial t} + \mathbf{u} \cdot \nabla C = S(x, t) - \lambda C$$

ここで、$C$はPM2.5濃度、$\mathbf{u}$は風速場、$S$は有効ソース項、$\lambda$は一次除去率を表す。拡散項（$\nabla \cdot (K\nabla C)$）は、数値的な安定性を確保し、疎で不規則な格子における二階の自動微分に伴う不安定性を回避するために、明示的に除外されている。

ニューラルネットワークのアーキテクチャは、空間座標、時間、ERA5再解析気象データ（風、境界層高度、温度）、周期的な時間エンコーディング、およびラグ付きのPM2.5観測値を入力とする。出力として、濃度（$C_\theta$）、有効ソース（$S_\theta$）、および除去率（$\lambda_\theta$）の3つの場を生成する。

モデルは、以下の複合損失関数を最小化するように訓練される：
$$\mathcal{L}_{total} = \mathcal{L}_{data} + \lambda_{phys}\mathcal{L}_{phys}$$

• データ損失 ($\mathcal{L}_{data}$): 6箇所のモニタリングステーションにおける毎時のPM2.5観測値との一致を強制する。
• 物理損失 ($\mathcal{L}_{phys}$): コロケーションポイントにおける自動微分を用いて、移流・反応方程式の残差にペナルティを課す。

訓練には、データのみによるウォームアップと、その後の物理正規化フェーズという2段階のスケジュールが採用されている。正規化重み $\lambda_{phys}$ は、予測精度を最大化するためではなく、解の空間を物理的に妥当なパラメータの組み合わせへと制約するために調整される。

主な貢献

1. 疎な逆問題のためのフレームワーク: 物理正規化学習を現実世界の都市大気質データに適用できることを実証し、高密度な排出インベントリを必要とせずに、疎なモニタリング・ネットワークから空間的に連続した有効ソース場を推論することを可能にした。
2. 不良設定問題の安定化: 物理正規化は、主に点推定の予測精度（$R^2$, RMSE）を向上させるためではなく、逆問題に固有の「退化的な」ソースと除去のトレードオフを制約するために不可欠であることを示した。正規化がない場合、モデルは非現実的に短い有効寿命（1日未満）を推論するが、適度な正規化を行うことで、寿命を物理的に妥当な範囲（約9〜10日）に安定させることができる。
3. 透明性のある限界分析: 拡散項の省略による「空間的な平滑化（smearing）」効果や、粗いERA5気象データ（約25 km）と都市マイクロ環境とのスケール不一致といった限界を厳密に記録している。これにより、推論されたソース場は、簡略化された物理学と整合的な「モニタリング由来の診断場」であり、規制上の排出インベントリに直接相当する推定値ではないことを明確にしている。
4. 計算効率: データが限られた環境における都市スケールのスクリーニングや探索的評価のための、計算効率の高い代替案を提供する。

結果
本フレームワークは、ロンドン近郊の6箇所のAURN/LAQNステーションからの毎時PM2.5データとERA5気象データを用い、冬期の90日間を対象にテストされた。

• 予測性能: 物理正規化モデルは、テスト $R^2$ 0.707、RMSE 3.91 µg/m³を達成し、データのみのベースライン（$R^2$ 0.703）と同等の性能を示した。これは、物理正規化の主要な役割が、点推定の予測指標を向上させることではなく、逆パラメータを正規化することにあることを裏付けている。
• パラメータの安定性: 物理正規化がない場合（$\lambda_{phys}=0$）、推論された有効寿命は0.37日に崩壊した。正規化を行うことで（$\lambda_{phys}=10^{-3}$）、寿命は9.56日に安定し、これは英国における既知のPM2.5除去タイムスケールと一致する値である。
• 空間的不均一性: パフォーマンスはサイトのタイプによって変動した。郊外および都市背景型のステーション（例：Harlington, Bloomsery）は高い予測スキル（$R^2 \approx 0.84, 0.79$）を示したが、ロードサイドのサイト（例：Hackney, Euston Road）は予測が困難であった（$R^2 \approx 0.33, 0.65$）。これは、簡略化された移流物理学と粗い気象データでは、建物による乱流やストリートキャニオン効果などのサブキロメートル規模の現象を解像できないことに起因する。
• 感度: 推論された有効寿命は、一連の正規化重み（$\lambda_{phys} \in [3 \times 10^{-5}, 3 \times 10^{-3}]$）に対して頑健であったが、過剰な正規化（$\lambda_{phys} = 10^{-2}$）を行うと、再び寿命が崩壊した。

意義と主張
本論文は、本研究を規制上の排出源特定や高精度なCTMに代わるものではなく、モニタリング指向の探索的ツールとして位置づけている。その意義は、データが乏しい条件下において、簡略化された大気輸送物理学と整合性を保ちつつ、空間的に連続した診断場を生成する計算効率の高い手法を提供することにある。

著者は、推論されたパターンは、モデルの簡略化された仮定の下での排出、輸送、および除去の複合的な影響を反映した診断場として解釈されるべきであると明言している。これらは、一意のインベントリ相当の排出フラックスを回収すると主張するものではない。本フレームワークは、特に従来のモデリングがコスト過多であったり、データが極めて乏しかったりする場合において、スクリーニングレベルの洞察を提供し、不確実性が高い領域を特定し、センサー配置戦略を策定するための、既存のモニタリング・ネットワークを補完するものとして意図されている。本研究は、たとえそれが予測の柔軟性を犠牲にするとしても、物理的な妥当性を確保するために機械学習に物理的制約を統合することの価値を強調している。