TransNet：韓国全土のPM2.5濃度を予測する輸送情報を取り入れたグラフニューラルネットワーク

なぜより良い大気予測が重要か

PM2.5として知られる微粒子は非常に小さく、肺や血流の奥深くまで入り込むため、心疾患や肺疾患、さらには早期死亡のリスクを高めます。高度に都市化・工業化した韓国ではこれらの粒子を削減する取り組みが進んでいるものの、危険な急増は依然として発生し、国境を越えて広がることもあります。人々の健康を守るために、当局は数時間から数日先までの迅速で信頼できるPM2.5の予測を必要としており、各都市ごとに十分に詳細でありながら毎日手早く、低コストで運用できることが求められます。本研究は、物理の知見と人工知能の手法を取り入れ、高価で時間のかかるスーパーコンピュータモデルに頼らずに韓国全土のPM2.5を予測する新しい予測ツール、TransNetを提案します。

大気を読み解く新しい方法

従来の大気汚染予測には二つの流れがあります。一つは汚染物質の輸送、混合、化学反応を大規模にシミュレートする数値モデルで、これらはスーパーコンピュータで数時間を要することがあります。もう一つは過去データからパターンを学習する統計的・機械学習的手法で、こちらは高速ですが突発的な気象変化や排出の変動を見落とすことが多いです。TransNet（Transport-Informed Graph Neural Networkの略）は両者の長所を組み合わせることを目指します。韓国の各大気観測局をネットワーク上の点として扱い、風、気温、降水などの気象データに基づいて汚染物質がどのように移動するかを学習します。これにより、汚染の拡散という物理過程を模倣しつつ、現代のAIの速度を保てます。

ネットワークが風をどう追うか

TransNetの核心には、実際の大気中で汚染物質が示す振る舞いを反映する三つの連結したプロセスがあります：風による移動、拡散、局所変化です。モデルは「アドベクション（移流）」を学習し、最近の風向・風速に沿うように観測局間のつながりを構築して汚染が一地点から別の地点へ押し流される様子を捉えます。また「拡散」を学習し、近隣の地点間で濃度の山や谷が徐々に平滑化される挙動を再現します。最後に、湿潤条件で粒子が生成されたり降雨で洗い流されたりするような気象や化学過程に起因する局所的な変化をとらえる「反応」ステップを含めます。これらのプロセスを別々のステップに分け、空気の状態を非常に小さな刻みで更新することで、TransNetは数値的に安定し、質量保存のような基本的な物理法則を尊重します。

新しいツールの性能はどれほどか

研究者たちは、韓国全土の170か所の観測局からの4年間の時間ごとのデータを用いてTransNetを検証しました。モデルは2018–2019年のデータで学習し、2020年でチューニングし、2021年で評価しました。比較対象には、複雑な化学モデルの出力を補正する既存の最先端システムであるAGATNetを用いました。短時間から中程度の予測（1時間から約2日）では、TransNetはほぼ全ての観測局でより正確な予測を出し、典型的な誤差を約3分の1から2分の1に削減し、PM2.5の観測変化を密に追跡しました。特に沿岸部では、風や地形が複雑な輸送パターンを作るため優れた性能を示しました。一方で、約48時間を超える長期予測ではAGATNetが優位であり、これはAGATNetがTransNetが明示的に表現しない詳細な化学情報を利用しているためと考えられます。

極端な日が示すこと

最悪の汚染事象に注目した解析では重要なトレードオフが明らかになりました。豊富な化学データを組み込むAGATNetは、非常に高いPM2.5事象をより多く検出でき、危険な日をいち早く捉える必要がある場面で有用です。しかし同時に誤警報も多く出しました。TransNetは、特に長いリードタイムで稀で極端な急増を見逃すことがより多かったものの、深刻な事象を予測した場合には概して正確で、はるかに高い精度（precision）を示しました。日常的な条件—観測の96%以上を占める状況—では、TransNetは予測と実測の全体的な適合度で優れ、かつ高価な外部モデリングシステムに依存しない点が利点でした。

より清潔で安全な都市に向けての意味

専門外の読者にとっての要点は、TransNetが実用的な新しい微粒子予測手法を提供することです：高速で、比較的運用が簡単で、空気の実際の移動と変化の仕組みに根ざしています。警報発令や交通対策、脆弱な集団の保護といった判断が必要となる最初の1〜2日という重要な期間において、TransNetは気象データと日常的な観測のみで全国規模の正確な予測を提供できます。数日先や最も稀で極端な事象を捉えるには依然として重厚な化学モデルに支えられた既存ツールが優れる場合があります。将来的には、TransNetの効率的で物理に基づく設計を簡略化した化学過程や混合過程と組み合わせることで、より精緻で信頼性の高い大気質予報を実現し、市民の健康を守るために都市がより迅速かつ確信を持って行動できるようにすることが提案されています。

引用: Dimri, R., Choi, Y., Singh, D. et al. TransNet: a transport-informed graph neural network for forecasting PM_2.5 concentrations across South Korea. npj Clean Air 2, 12 (2026). https://doi.org/10.1038/s44407-026-00052-x

キーワード: 大気汚染予測, PM2.5, グラフニューラルネットワーク, 韓国の大気質, 物理に基づくAI