混合機械学習フレームワークを用いた東辽川の突発的水質汚濁事象の発生源同定

なぜ突発的な河川汚染が誰にとっても重要なのか

工場からの流出や配管破損によって汚染物質が川に一気に流れ込むと、下流の地域は飲料水取水や生態系を守るために数時間しか余裕がないことがあります。汚染がどこから来たのか、その強さや持続時間が正確に分かることは、適切な責任を問うことや効果的な対応に不可欠です。本研究は中国の東辽川を対象とし、物理ベースのシミュレーションと現代的な機械学習を組み合わせることで、現場データがノイズを含むか乏しい場合でも、不確かさを現実的に示しつつ迅速に隠れた汚染源を特定できることを示します。

実際の河川での流出をたどる

研究者らは工業団地に囲まれた東辽川の約30キロメートル区間を調査対象としました。ここでは単発の短時間放出として汚染物質（化学的酸素要求量、アンモニア、リンなど一般的な水質指標で表される）が川の一方の岸から流入する緊急シナリオを想定しました。下流には汚染波の伝播とピーク濃度の変化を記録するために5か所の仮想モニタリング地点を配置しました。実際の事故は稀で監視が不十分なことが多いため、研究チームは河川流動と汚染物質輸送の詳細な数値モデルを使って、多数の現実的な“もしも”事象を作成しました。

重いシミュレーションを高速な代替に変える

従来の河川モデルは水の移動や汚染物質の拡散・希釈を記述する複雑な方程式を解きます。これらは強力ですが計算に時間がかかります：東辽川区間の高精度シミュレーション1回で約1時間を要することがあり、緊急判断や多数の流出シナリオ探索には遅すぎます。これを克服するために著者らは機械学習を用いて軽量の代替モデル（サロゲート）を構築しました。物理ベースのモデルで180件の合成流出事象を作成し、これを3つのアルゴリズムの学習データとして用いました。長短期記憶（LSTM）として知られるニューラルネットワーク手法が他の候補を明確に上回り、すべてのモニタリング地点でのピーク汚染濃度を原モデルに近い精度で再現しつつ、ほぼ瞬時に実行できました。

隠れた発生源を探す

高速なサロゲートを手にしたチームは逆問題に取り組みました：下流で観測された汚染データから、流出がどこでどれくらいの強さで発生したかを推定できるか、という問題です。まず決定論的戦略を用いて単一の最適解を探索しました。ここでは、ザトウクジラの協調狩り行動に着想を得た自然界由来の探索法—ホエール最適化アルゴリズム—を用い、発生位置、強度、持続時間の多くの組み合わせを試しました。各試行ではLSTMサロゲートが下流濃度を予測し、それを合成“観測値”と比較しました。ホエールとLSTMの組合せは通常、他の2つの一般的な探索手法よりも精度と速度で優れ、理想的なノイズ無しデータ下では主要な発生源パラメータの誤差を数パーセントにまで抑えました。

実世界のノイズに対する不確かさを加える

実測値は決して完璧ではありません：機器誤差、条件変動、モデルの近似などがあります。そこで研究者らは、単一解ではなく起こりうる流出シナリオの幅とその各々の尤もらしさを示す確率的システムを構築しました。彼らはホエール‑LSTMエンジンをベイズ的枠組みで包み込み、未知の発生源特性を確率分布を持つ変数として扱いました。修正されたアルゴリズムは探索中にわずかに劣る解を受け入れて広く探索することを許し、その後統計手法で探索が多く滞在した領域を要約します。その結果、上流境界からの距離や汚染強度といった各発生源パラメータについて確率曲線と最も信頼できる値の範囲が得られます。

河川保護にとっての意義

チームが現場センサーで想定されるような測定ノイズを導入したとき、決定論的手法の限界が明らかになりました：一部のパラメータは真の値から大きく逸脱しました。これに対して確率的手法は安定しており、ほとんどの放出特性の誤差を通常7%以下に維持し、各推定値の周りに明確な不確かさ範囲を示しました。重要なのは、1件の流出に対する確率解析全体が通常のハードウェアで数分で完了することです。緊急対応担当者にとって、これは突発的な汚染パルスがどこから来てどれほど深刻であったかを迅速に推定でき、それらの推定にどれだけの確信があるかも同時に把握できることを意味します。本フレームワークは物理、データ、確率を融合させて表流水を守る知的早期警戒システムへの実用的な道を示します。

引用: Wang, Y., Wang, Y., Shi, P. et al. Source identification of sudden water pollution events in the Dongliao River using a hybrid machine learning framework. Sci Rep 16, 11976 (2026). https://doi.org/10.1038/s41598-026-41724-8

キーワード: 河川汚染, 発生源同定, 機械学習, ベイズ逆推定, 水質監視