降雨流出モデリングのためのプロセス認識型AI：水文学的プロセス制約を組み込んだ質量保存ニューラル・フレームワーク

Abstract

機械学習モデルは水文応用において高い予測精度を達成できますが、しばしば物理的な解釈可能性を欠いています。質量保存型パーセプトロン（Mass-Conserving Perceptron: MCP）は、保存則を強制しながら水文プロセス間の関係をデータから学習できる、物理に配慮した人工知能（AI）フレームワークを提供します。本研究では、単一のMCPのストレージ・ユニット内に水文プロセスの物理的に意味のある表現を段階的に埋め込むことが、降雨-流出モデリングにおける予測精度と解釈可能性をどのように改善するかを調べます。最小限のMCP定式化から出発し、有界な土壌貯留、状態依存の導水率、可変の多孔度、浸透能力、地表の湛水、鉛直方向の排水、そして非線形な地下水位ダイナミクスを、順次導入していきます。その結果得られるプロセスを意識したMCPモデルの階層構造は、米国本土の5つの水文気候地域にまたがる15流域において、目的を日次の流量予測として評価されます。結果は、MCPユニット内部の物理構造を段階的に拡張することが、概して予測性能を向上させることを示しています。これらのプロセス表現の影響は、水文気候に強く依存します。すなわち、鉛直排水は乾燥地域や降雪に支配される流域ではモデルの精度を大きく改善する一方、降雨に支配される地域では性能を低下させます。また、地表の湛水は比較的小さな影響にとどまります。最も良い性能を示すMCP構成は、明示的な物理的解釈可能性を維持しつつ、Long Short-Term Memoryのベンチマークの予測スキルに近づきます。これらの結果は、AIアーキテクチャ内に水文プロセスの制約を埋め込むことが、解釈可能でプロセスを意識した降雨-流出モデリングに向けた有望な道筋となることを示しています。