水文・地球科学分野でのAI（深層学習）の利用・応用
AI in Hydrology & Earth ScienceAI（深層学習）は現在，あらゆる分野で取り入れられ，開発・発展が急速に進んでいます． 他の分野で開発された手法・理論を，水文・地球科学分野への導入を進めています． しかし，水文・地球科学分野において今後実現象に用いていく上で解決すべき問題が多々あります． そのような問題に取組，また，水文・地球科学分野に適した手法等の開発を進めています．
1．水文分野での深層学習の利用
深層学習は，情報科学分野を中心に様々な分野で開発が進んでいます． 他の分野で開発された最新の深層学習手法を河川流量，降水量，地下水位，海面水位などの水文分野・地球科学分野へ取り入れ，推定・予測の高精度化を進めています．
河川流量・地下水位の推定・予測
時系列データに適した深層学習手法，例えば，再帰型ニューラルネットワークの一つであるLSTM（長短期記憶ネットワーク）や，アンサンブル学習等を河川流量や地下水位の推定・予測，データの欠損値補完等に適用しています． （横尾ら，2021; 坂口ら, 2021;永里ら, 2021; Yokoo, 2021a, 2021b）
海面水位の推定
LSTMを海面水位の推定に用いました． 入力変数に対象地点からの太陽と月の相対位置等を用いることにより，潮汐の影響も反映した推定を可能にしました． （Ishida et al., 2020）
降水量の推定
画像処理分野で開発されたCNN(畳み込みニューラルネットワーク）という2次元データの扱いに適した深層学習手法等を用いて，大気データから降水量の推定を行っています． （永里ら, 2020; Nagasato et al., 2021）
透水係数の推定
日本全国の土質試験データから，地下水の流れの把握等を行うために必須となる，地盤内の水の流れやすさを示す透水係数の推定等を行っています．
海面水位の推定（Ishida et al., 2020）
透水係数の推定
2．深層学習の適用可能性と限界の調査
深層学習は水文分野・地球科学分野でも精度の高い結果を示してきています． ですが，深層学習は基本的に物理法則に従っているわけではなく（最近は物理法則を取り込む手法なども開発されていますが），データとデータの関係性を学習しています． 今後実社会で実装が進めていく上で，深層学習の適用可能性と限界の把握が急務です．
入力変数の感度解析と物理的意味
入力変数の深層学習モデルに対する感度分析を行うことにより，どのような変数が対象とする変数の予測精度を高めるのか，反対に落としてしまうのか調査します． 例えば，様々な気象変数を入力として河川流量を推定するときにどの変数が予測精度を高めるのか，落とすのか調査します． 調査結果は，物理的には対象の変数と関係がある気象変数でも，入力に用いると精度の成果をもたらすことがあるということが分かりました． (永里ら, 2020）
AI（深層学習）の限界
深層学習モデルはデータ間に内在する物理法則を学習できるのか，というのは水文・地球学分野で深層学習を用いていく上で非常に重要な問題となります． そこで，実際のデータを用いて学習させた深層学習モデルに，仮想的に入力を与えることにより調査を行いました． 結果が示すのは，高い精度を示す深層学習モデルであって，物理法則とは乖離した結果を示すことが示されました． (Yokoo et al., 2021)
深層学習の限界 (Yokoo et al., 2021)
3．革新的なアーキテクチャと手法の開発
既存のモデルを適用するだけでなく，水文学・地球科学分野の各問題の特性に適した新しい深層学習手法（アーキテクチャ）の開発を行っています．
１時間間隔降雨流出モデリング
降雪・積雪の影響がある流域では１時間間隔の降雨流出モデリングを行うとき，非常に長い入力シーケンス長が必要になります． 例えば，1年間分の時間間隔データのシーケンス長は8760になります． このような長いデータだとLSTMなどは学習がうまくいきません． そこで，時間方向の物理的整合性をあえて無視して，日データと組み合わせる方法(Ishida et al., 2021)や，CNNとLSTMを組み合わせるアーキテクチャ(Ishida et al., 2024)を開発し，高精度化，学習の高速度化を実現しました．
海面水温の高解像度化
低解像度の海面水温データを，深層学習を用いて高解像化します． ただし，情報科学分野で用いられれる写真や画像などとは違い，地球科学分野のデータは，しばしば低解像度データと高解像度データでは，含まれる物理的情報量に違いがあります． 情報科学分野で開発された手法をそのまま使うだけでは，目的の高解像度データを得ることはできません． そこで，海面水温の高解像度化に適した新しい手法，評価方法などの開発を行っています． (Izumi et al. 2022)
物理プロセスモデルとのハイブリッドモデルの開発
物理プロセスに基づく領域気象モデルと深層学習（CNN）を組み合わせた手法を開発しています．これにより，膨大な計算資源を要する物理シミュレーションのコストを大幅に抑えつつ，高解像度な降水分布の推定が可能となります． (Tu et al., 2021)
CNNとLSTMを組み合わせるアーキテクチャ(Ishida et al., 2024)