大規模灌漑地区の地下水位予測のための結合空間削減・再構築とLSTMフレームワーク（SRR-LSTM）

なぜ農家や都市は「隠れた水」を気にするべきか

多くの乾燥地域では、作物を育て水道を支える水は、目に見える河川や貯水池からではなく、帯水層と呼ばれる広大な地下貯留層から供給されています。灌漑が拡大し干ばつが深刻化するにつれて、これらの隠れた水源は補給よりも速いペースで消費されています。賢く管理するには、大規模な農業地域で地下水位が月ごと・圃場ごとにどう変化するかを、スーパーコンピュータや長年の観測に頼らず予測できるツールが必要です。本研究は、まさにそのような手法を中国東北部の主要な灌漑地区に適用して紹介します。

圧力にさらされる渇いた景観

研究対象は、桃児河流域の平野に広がる1,904平方キロメートルの農業地域、Taobei灌漑地区です。気候は半乾燥で、わずかな降雨の大部分が夏の数か月に集中し、蒸発量は大きい。1990年代初頭から、特に水を多く必要とする水田を中心に灌漑面積が急増し、一方で数年にわたる乾燥で河川流量が減少しました。その結果、地下水が灌漑用水の90％以上をまかなうこともありました。その影響で、水田を中心に地下水位が大きく低下する広く深い“円錐状の低下域”が形成され、地下水位は過去数十年に比べ7～10メートル以上低下し、河床より下にまで達して河川—帯水層間の自然な交換が逆転し、地域の生態系に圧力がかかっています。

遅い物理モデルからより速いスマートモデルへ

科学者らは長年、MODFLOWのような物理ベースのコンピュータモデルを用いて地下水の振る舞いをシミュレートしてきました。これらのモデルは地下水の移動を格子ごとに記述する方程式を解きます。精度は高いものの、気候・河川流量・揚水政策など多様な条件を探る際には計算が遅くなります。一方、機械学習や深層学習モデルははるかに高速ですが、過去の試みでは地域全体を単一モデルで扱ったり、井戸をわずかしか使わなかったりして、河川近傍や都市下、さまざまな作物下での地下水の違いをとらえにくいことがありました。課題は、現実的な管理に役立つように、物理的現実性と空間分解能を十分に保ちながら計算時間を大幅に短縮することです。

土地を賢くグループ化する方法

著者らは、古典的なクラスタリング法と最新の深層学習ネットワークを組み合わせた「空間削減–再構築（SRR-LSTM）」フレームワークを提案します。まず、既存の詳細な地表—地下モデル（SWAT-MODFLOW）を、気候の将来シナリオと揚水強度を組み合わせた16のシナリオで実行し、地区内の各1キロメートル格子の長期地下水位履歴を生成します。次に、土地利用、標高、帯水層厚さ、地下水位の変動の大きさなどの類似特性をもとにK-means法で格子をクラスタリングします。各クラスタについて代表的な“制御”格子を選び、その格子の地下水位を月別の降雨量、蒸発散、河川流量、揚水量、前月の水位から予測するためにLSTM（Long Short-Term Memory）ニューラルネットワークを訓練します。

少数の賢いモデルから詳細な地図を再構築する

これらの制御格子モデルを訓練した後、フレームワークは各モデルが地区内の全ての格子に対してどれだけ良く予測できるかを評価し、精度マップを作成します。各格子は最もよく予測するモデルに割り当てられ、精度が低い場所、例えば低下円錐の外縁や河川近傍には追加の制御格子が加えられます。この「精度駆動」の再割り当ては、共有モデルが適用できるゾーンを効果的に切り分けます。最終構成では、並列に動作する9つのLSTMモデルが毎月の高解像度地下水マップを再現できます。3つの代替方式および詳細な物理モデルと比較して、SRR-LSTMは格子の96％でNash–Sutcliffe効率（NSE）が0.9超を達成し（単純な方式の11〜49％の範囲を大きく上回る）、計算時間を約80％削減しました。

どの力が最も影響するかを見る

深層学習のブラックボックスを開くために、研究チームはSHAPという説明ツールを用い、降雨、揚水、河川流量など各入力が場所ごとの予測にどれだけ寄与しているかを可視化します。灌漑地域の中心部では、激しい揚水が降雨よりも地下水動向を支配しており、水田下の低下円錐の持続と拡大を説明します。一方、円錐から離れた上流の耕地では降雨の影響がより大きくなります。河川流量は河道近傍、特に上流で強い正の影響を示します。一定の閾値を超えると河川からの漏出が帯水層への顕著な再補給をもたらしますが、高流量ではその寄与が頭打ちになり、下流域では流量の低下が再補給能力を制限します。解析はまた、揚水が強いときには地下水位が低いため同じ河川流量でもより多くの再補給が生じることを示しており、河川から帯水層への勾配が急になるためです。

隠れた水の管理にとっての意味

専門外の読者にとっての主なメッセージは、多くの将来気候と揚水政策の下でも、大規模農地の地下水変動を細かな空間分解能でかつ実用的な速度で予測できるようになったことです。類似して振る舞う領域をまとめ、それぞれに合わせた深層学習モデルを与えることで、SRR-LSTMフレームワークは管理上重要な局所差（どこで揚水を減らせば最大効果が得られるか、再補給が始まるためにどれだけ河川流量が必要かなど）を保持します。同時に、SHAPのようなツールは複雑なニューラルネットワークを意思決定支援へと変え、各地域で地下水位を最も強く左右する操作（降雨、河川運用、地下水の取水）を明確にします。これらの進展は、食料生産と農村の生計を支える見えない水を守るために、灌漑地区がより的確で持続可能な戦略を設計するのに役立ちます。

引用: Wei, H., Wei, G., Yu, B. et al. A coupled spatial reduction-reconstruction and LSTM framework (SRR-LSTM) for groundwater level prediction in large irrigation districts. Sci Rep 16, 7450 (2026). https://doi.org/10.1038/s41598-026-37618-4

キーワード: 地下水, 灌漑, 機械学習, LSTM, 水資源管理