任意の地点における時空間地下水位予測のための、純粋かつ物理に導かれた深層学習ソリューション

要旨: 地下水は水循環の重要な要素であるにもかかわらず、複雑で文脈依存的な関係を示し、そのモデリングは困難な課題となっています。理論に基づくモデルは、科学的理解の礎となってきました。しかし、それらの計算負荷、単純化のための仮定、そしてキャリブレーション要件が、利用を制限しています。近年では、データ駆動型モデルが強力な代替手段として登場しています。とりわけ、深層学習は、その設計の柔軟性と複雑な関係を学習できる能力によって、主要なアプローチとして実証されています。
本研究では、空間的に疎な地下水観測と、空間的に密な気象情報の両方を活用することで、任意かつ変動する数の地点における週次の地下水位を予測する、注意機構ベースの純粋な深層学習モデルであるSTAINetを提案しました。次に、モデルの信頼性と汎化能力を高めるために、地下水流動の方程式をモデルへ注入するための、さまざまな物理ガイド型戦略を検討しました。まずSTAINet-IBでは、誘導バイアスを導入することにより、支配方程式の成分も同時に推定しました。次に、学習バイアス戦略を採用し、推定した方程式成分に対する教師情報を付加する追加の損失項で学習するSTAINet-ILBを提案しました。最後に、領域の専門家によって推定された地下水涵養域（リチャージ・ゾーン）の情報を活用し、STAINet-ILRBを開発しました。
STAINet-ILBが最も良好な性能を示し、ロールアウト設定において圧倒的なテスト性能を達成しました（中央値MAPE 0.16%、KGE 0.58）。さらに、妥当な方程式成分を予測し、モデルの物理的妥当性に関する洞察を提供しました。物理ガイド型アプローチは、汎化能力と信頼性の両方を高める有望な機会をもたらし、それによって次世代の破壊的なハイブリッド深層学習による地球システムモデルへの道を切り開くものです。