X2-AQFormer：数日にわたる時間ごとの大気汚染予測における動的要因の解明

なぜより正確で透明な大気予報が重要なのか

都市の大気汚染は単なる統計上の健康指標ではなく、子どもが屋外で安全に遊べるか、病院が喘息の発作にどう備えるか、通勤者が車を使うべきかどうかに影響します。欧州では窒素酸化物や粗大粒子（PM10）などの一般的汚染物質に対する規制が厳しくなり、都市はわずかな誤差も許されなくなっています。本研究は、数日先までの汚染レベルを予測するだけでなく、なぜ大気が良くなるか悪くなるかを説明する新しい予測手法を提示し、行政や市民がより賢明で信頼できる判断を下せるようにします。

明日の空気をよりよく見通すための手法

研究者はストックホルムにおける二つの主要汚染物質、主に交通に由来する窒素酸化物と、道路のほこりなどから発生する大きめの粒子であるPM10に焦点を当てます。従来のモデルは物理法則に基づいて大気中の汚染物質の移動や反応をシミュレートしますが、体系的な誤差を示したり、完全な入力データに依存したりすることがあります。最新の機械学習システムはこうした多くの誤差を補正し複雑なパターンを捉えられますが、多くの場合「ブラックボックス」のように内部の挙動が不透明です。著者らは、高度な深層学習の精度を維持しつつ、風、交通に関連するパターン、通過する気象前線など、どの要因が今後の時間ごとの予測に影響しているかを明確に示す予測システムを構築することを目指しました。

大気質のための透明な「頭脳」

研究の中心にあるのはX2-AQFormerという、長い系列データの処理に適したトランスフォーマーアーキテクチャに基づく深層学習モデルです。このモデルは、4つの観測サイトでの最近の汚染測定値、詳細な気象予報、地域および街路峡谷内の汚染をシミュレートする既存の物理ベースの大気質モデルの出力といった情報を組み合わせて取り込みます。次の1時間だけを予測してそれを繰り返すのではなく、X2-AQFormerは窒素酸化物とPM10の時間ごとの72時間分のシーケンスを直接出力します。特有の“注意（attention）”機構はスポットライトのように働き、各将来時刻にとって重要な入力を動的に重み付けし、これらの重みを読み出すことでモデルがどのように判断しているかを示せます。

人々が呼吸する場所でのより良い予測

新手法を検証するため、著者らはストックホルムで運用されている決定論的予報、標準的なトランスフォーマー系ニューラルネットワーク、およびXGBoostやRandomForestといった広く使われる木ベース手法と比較しました。3つの交通量の多い街路峡谷と1つの都市背景観測点の合計4地点にわたり、X2-AQFormerは一貫してより高精度な予測を示し、特に最初の数時間を超えた領域で優れました。1〜3日先の予測では、決定論的モデルと比べて典型的な誤差指標を約3分の1削減し、他の深層学習ベースの手法より最大で約11パーセントの改善を示しました。特に、物理ベースの予報に見られたPM10の系統的な過小評価や窒素酸化物の過大評価を補正する点で優れており、危険なピークを捉えつつ誤報を過度に増やさないバランスも最良でした。

汚れた空気ときれいな空気の隠れた原動力を可視化する

X2-AQFormerの注意スコアは組み込み型であるため、チームは異なる影響要因が時間とともにどのように増減するかを追跡できました。交通量の多い街路における窒素酸化物については、最近の観測値と数日分の決定論的予報が主要な駆動因子であり、都市全体の背景サイトでは風、雲量、気温がより重要になり、地域的な空気の移動の役割を反映していました。交通周辺のPM10では過去の粒子濃度や道路塵の再浮遊を制御する気象条件が重視され、背景サイトでは主に決定論的予報に“信頼”を置く傾向がありました。研究者らは特定の降雨事象も詳細に解析し、降水は平均的には重要でないように見えても、長時間の降雨の直前や発生中にモデルが降水に与える重みを鋭く高めることを確認しました。これは濡れた路面が塵を抑える効果と一致します。72時間の予測期間を通じて、システムは1日予報から2日、3日予報へと影響を滑らかに受け渡しており、入ってくる情報を直感的にリレーする様子を示しています。

洞察をより簡潔で強力なツールへ変える

X2-AQFormerの解釈可能性は単なる学術的関心にとどまりません。入力要因を寄与度で順位付けすることで、窒素酸化物に関してはおよそ70％の特徴量を削減しても性能を維持するか若干改善できることを示し、より軽量で保守しやすいモデルを作れることを示しました。PM10はより広範な入力が必要で、その複雑な振る舞いを反映しています。全体として、本研究は「予測–検証–解釈–最適化（Predict-Validate-Interpret-Optimize）」という実用的なワークフローを提案しており、都市は高精度の予測を構築し、厳密に検証し、内部の論理を開示した後に日常運用向けに簡素化できます。政策立案者や市民にとって、これはより鋭く、かつ透明で信頼できる大気予報を意味します。

引用: Zhang, Z., Schlesinger, D., Johansson, C. et al. X2-AQFormer: unveiling dynamic drivers in multi-day hourly air pollution forecasting. npj Clean Air 2, 17 (2026). https://doi.org/10.1038/s44407-026-00058-5

キーワード: 大気汚染予測, 都市の大気質, 説明可能なAI, トランスフォーマーモデル, NOx と PM10