ラウレンシアン五大湖への過去の日次および月次流出量を機械学習で再構築する研究

なぜ過去の河川流量が今日重要なのか

五大湖は世界の淡水表流水のおよそ5分の1を抱え、何百万もの人々に飲料水、輸送、電力、レクリエーションを提供しています。それでも、これらの湖に流れ込む河川は常に綿密に計測されてきたわけではありません。多くの流量観測所は閉鎖されたり記録に欠落が生じたりしており、過去数十年にわたって実際にどれだけの水が湖に流れ込んだかを把握するのが困難です。本論文は、五大湖への60年以上にわたる日次河川流出をデジタルに「再生」する新しい手法を紹介します。これにより地域社会や計画担当者は過去の多湿期・乾燥期をより明確に把握でき、将来の気候変動や水位変化に備える助けになります。

欠損部分を埋める

流量観測所は河川の流量を測る基本的な道具です。北米では数千にのぼる観測所が機器故障や予算削減により運用を停止したり、記録が途切れたりしています。従来の欠損補完手法は個別河川に注目するか、局所的な詳細を捉えきれない粗い大域モデルに依存することが多いです。そうした手法は洪水や干ばつ、局所系での水の移動を理解するうえで重要な日々の増減を追うのが苦手です。五大湖流域はさらに複雑さを増します：流域のほぼ3分の1に観測所がなく、米加国境にまたがり、多様な気候、土壌、都市、農地、森林、湿地が混在しています。

河川を読み取るニューラルネットワークの教育

著者らは長短期記憶（LSTM）ネットワークと呼ばれる、時間的に展開するパターンを学習するよう設計された一種のニューラルネットワークを用います。気候、土地利用、人間の水管理の緩やかな変化をよりよく捉えるために、1950年から2013年までの4つの歴史的期間ごとに別々のLSTMモデルを訓練します。各モデルには、五大湖域の数百の流域について3種類の情報が与えられます：日次の気象データ（降水と気温）、各流域の固定的な物理特性（標高、斜面、土壌、土地被覆など）、そして重要なことに類似の挙動を示す近傍の“ドナー”観測所からの流量データです。補助的な機械学習ツールはまず一緒に増減する傾向のある観測所を学習し、各対象地点に最適なドナーを選びます。この仕組みにより、降雨や融雪がさまざまな地形でどのように河川流量に変換されるかをネットワークが学べるようになります。

個々の河川から湖全体へ

訓練後、最も性能の良いモデル（気候情報とドナー観測所情報の両方を使用するもの）を用いて、656の観測地点について1951–2013年の完全な日次流出記録を生成します。さらにチームは一歩進めて、同じモデルを五大湖—スペリオル、ミシガン-ヒューロン、セントクレア、エリー、オンタリオ—に直接排水する128の湖岸流域にも適用します。各流域について、モデルは無観測領域の流量を推定し、内部の観測所から得られるデータがあればそれらと混合します。これらの日次値を合計して各湖に流れ込む月別総量を算出します。

デジタル河川と現実の照合

研究者らは、モデルが訓練に用いた場所と全く用いなかった場所でどれほど良く機能するかを慎重に検証します。数十年にわたり、このモデルは気候と流域特性だけに頼るより単純なバージョンよりも日次流量をより正確に再現し、特に近隣のドナー観測所を活用できる場合に優れた性能を示します。部分的な記録しかない観測所の「空白を埋める」点で特に有効であり、完全に無観測の流域でも競争力のある性能を保ちます。チームが再構築した湖への月別流出を、機関が使う既存のいくつかの製品と比較すると、近年では強い一致が見られ、多くの場合においてピーク流量がより鮮明かつ顕著に表れることがわかります。これは特に降雨–流出方程式にのみ依拠するモデルと比べた場合に顕著です。

五大湖の水位にとっての意義

この新しいデータセットは、過去60年にわたる陸地から五大湖へ流れ込む水について、最も詳細で長期にわたる見取り図の一つを提供します。水管理者にとっては、湖の水収支モデルへのより良い入力、過去の洪水や干ばつのより精緻な推定、そして変化する気候下で不確実な将来の水位を計画する際の信頼性向上を意味します。この手法は比較的最近の衛星記録ではなく長期にわたる気象データと既存の観測ネットワークに依拠しているため、過去に遡らせたり、類似の観測ギャップを抱える世界の他地域へ適用したりすることが可能です。要するに、本研究は河川流量の強力な「巻き戻しボタン」を提供し、地域社会が過去に五大湖の水がどこから来たのかを理解し、今後より賢明に管理する手助けをします。

引用: Gupta, R.S., Wi, S. & Steinschneider, S. Machine Learning-Based Reconstructions of Historical Daily and Monthly Runoff for the Laurentian Great Lakes. Sci Data 13, 624 (2026). https://doi.org/10.1038/s41597-026-07000-0

キーワード: 五大湖の流出, 流量再構築, 機械学習による水文学, 水位変動, 気候変動の影響