0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@rino_yume(rino yume)

LSTMからハイブリッドへ：降雨流出解析プロトタイプ作成 Step 2 水文特徴量を追加する

0
Posted at

LSTMからハイブリッドへ：降雨流出解析プロトタイプ作成 Step 2 水文特徴量を追加する

はじめに

前回の Step 1 では、以下の3つを入力として、LSTM単独モデルで流出高を予測しました。

日雨量 precip_mm
日平均気温 temp_c
可能蒸発散量 pet_mm

今回は Step 2 として、LSTMへの入力特徴量に以下の項目を追加します。

実効雨量
先行降雨指数
累積雨量
前日流量

今回作成するプロトタイプ名は以下です。

RainfallRunoffLSTM_Prototype_r002

この段階でも、モデル本体はLSTM単独モデルのままです。
ただし、入力に水文学的な意味を持つ特徴量を追加することで、流域の先行湿潤状態や貯留状態をLSTMへ与えます。

今回の目的

今回の目的は以下です。

1. 実効雨量を作成する
2. 先行降雨指数 API を作成する
3. 累積雨量を作成する
4. 前日流量を特徴量に追加する
5. r001のLSTM単独モデルと同じ流れで学習・評価する

Step 2は、物理モデルとのハイブリッドへ進む前の準備段階です。

Step 1との違い

Step 1では、LSTMへの入力は以下でした。

features:
  dynamic_inputs:
    - precip_mm
    - temp_c
    - pet_mm

Step 2では、以下のように水文特徴量を追加します。

features:
  dynamic_inputs:
    - precip_mm
    - temp_c
    - pet_mm
    - eff_rain_hl7_mm
    - eff_rain_hl30_mm
    - api_k85_mm
    - api_k95_mm
    - rain_sum_3d_mm
    - rain_sum_7d_mm
    - rain_sum_30d_mm
    - q_prev_mm_day
    - doy_sin
    - doy_cos

追加する水文特徴量

特徴量 内容
eff_rain_hl7_mm 半減期7日の実効雨量
eff_rain_hl30_mm 半減期30日の実効雨量
api_k85_mm 減衰係数0.85の先行降雨指数
api_k95_mm 減衰係数0.95の先行降雨指数
rain_sum_3d_mm 直近3日累積雨量
rain_sum_7d_mm 直近7日累積雨量
rain_sum_30d_mm 直近30日累積雨量
q_prev_mm_day 前日流量
doy_sin, doy_cos 季節性を表す周期特徴量

実効雨量

実効雨量は、過去の雨量の影響が時間とともに減衰するという考え方です。

Re(t) = R(t) + α × Re(t-1)

ここで、減衰係数 α は半減期 T を使って以下のように求めます。

α = 0.5 ^ (Δt / T)

日単位データの場合、Δt = 1 day とします。

例えば、半減期7日の実効雨量では、7日経つと過去雨量の影響が半分になります。

先行降雨指数 API

API は Antecedent Precipitation Index の略で、日本語では先行降雨指数と呼ばれます。
これは、過去の雨が流域内にどれくらい残っているかを、降雨量だけから簡易的に表す指標です。
流域が乾いている状態と湿っている状態では、同じ雨量でも流出量が変わります。APIは、この「事前の湿り具合」を表す特徴量として使います。

基本式は以下です。
。

API(t) = R(t) + k × API(t-1)

ここで、k は減衰係数です。

今回のプロトタイプでは、以下の2種類を作成します。

api_k85_mm : k = 0.85
api_k95_mm : k = 0.95

k が大きいほど、過去の雨量の影響が長く残ります。

実効雨量との違い

今回は、APIと実効雨量を両方使っていますが、考え方はかなり近いです。

指標 考え方
API 過去降雨の影響を k で減衰させながら積み上げる
実効雨量 半減期などで過去雨量の影響を減衰させながら積み上げる

実装上は、どちらも「過去降雨の記憶」を表す特徴量です。

モデル構成

今回もモデル本体はLSTMです。

ChatGPT Image 2026年7月5日 14_49_54.png

Step 1との違いは、LSTMに入力する特徴量が増えたことです。

フォルダー構成

RainfallRunoffLSTM_Prototype_r002/
├─ docker/
│  ├─ Dockerfile
│  └─ requirements.txt
├─ docker-compose.yml
├─ .env
├─ configs/
│  ├─ lstm_config.yaml
│  └─ lstm_config_quick.yaml
├─ data/
│  ├─ raw/
│  └─ processed/
├─ src/
│  ├─ generate_sample_data.py
│  ├─ preprocess.py
│  ├─ datasets.py
│  ├─ model_lstm.py
│  ├─ train_lstm.py
│  ├─ evaluate.py
│  ├─ predict.py
│  ├─ metrics.py
│  └─ utils.py
├─ notebooks/
├─ outputs/
├─ scripts/
└─ docs/

Step 2で主に変更したのは src/preprocess.py と configs/lstm_config.yaml です。

実行方法

Dockerコンテナ起動

ZIPファイルをダウンロードして、解凍してください。

docker compose up --build

JupyterLabは以下で開きます。

http://localhost:8888

簡易テスト

まずは簡易設定で動作確認します。

docker compose run --rm rainfall-runoff-lstm bash scripts/run_quick_test.sh

このスクリプトでは、以下を順番に実行します。

サンプルデータ作成
  ↓
水文特徴量を含む前処理
  ↓
LSTM学習
  ↓
評価

個別実行

サンプルデータ作成

docker compose run --rm rainfall-runoff-lstm python src/generate_sample_data.py

前処理

docker compose run --rm rainfall-runoff-lstm python src/preprocess.py --config configs/lstm_config.yaml

学習

docker compose run --rm rainfall-runoff-lstm python src/train_lstm.py --config configs/lstm_config.yaml

評価

docker compose run --rm rainfall-runoff-lstm python src/evaluate.py --config configs/lstm_config.yaml

出力ファイル

outputs/
├─ models/
│  ├─ lstm_best_r002.pth
│  └─ scaler_r002.json
├─ figures/
│  ├─ hydrograph_test.png
│  ├─ scatter_obs_pred.png
│  └─ loss_curve.png
├─ metrics/
│  ├─ lstm_training_history_r002.csv
│  └─ lstm_test_metrics_r002.csv
└─ predictions/
   └─ lstm_test_predictions_r002.csv

評価指標

今回も以下の指標で評価します。

指標 内容
NSE 観測流量と予測流量の一致度
KGE 相関・ばらつき・バイアスを含む指標
RMSE 平均二乗誤差の平方根
MAE 平均絶対誤差
Bias 全体的な過大・過小評価
Peak Error ピーク流量の誤差

Step 1とStep 2を比較する場合は、同じテスト期間で評価します。

今回の位置づけ

今回の RainfallRunoffLSTM_Prototype_r002 は、LSTM単独モデルに水文特徴量を追加する段階です。

Step 1:
  LSTM単独モデル

Step 2:
  実効雨量・先行降雨指数を特徴量に追加

Step 3:
  タンクモデルなどの概念モデルを追加

Step 4:
  タンクモデル + LSTM補正のハイブリッドモデルへ拡張

今回は、LSTMに以下のような水文学的特徴量を与えました。

  • 実効雨量
  • 先行降雨指数
  • 累積雨量
  • 前日流量
  • 季節性

注意点

水文特徴量を追加すると、必ず精度が良くなるとは限りません。

特に、以下に注意します。

  • 特徴量を増やしすぎると過学習しやすくなる
  • 前日流量を使う場合、実運用時にも前日流量が取得できる必要がある
  • APIや実効雨量は似た情報を持つため、特徴量の重複に注意する
  • 評価はNSEだけでなく、ピーク流量や水収支も確認する

まとめ

今回は、降雨流出解析プロトタイプの Step 2 として、LSTM単独モデルに水文特徴量を追加しました。

RainfallRunoffLSTM_Prototype_r002

Step 1では、雨量・気温・蒸発散量のみを入力しました。
Step 2では、そこに実効雨量、先行降雨指数、累積雨量、前日流量を追加しました。

次の段階では、タンクモデルなどの物理・概念モデルを追加し、LSTM単独モデルとの比較を行います。

参考リンク

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?