時空間グラフニューラルネットワークによるGRACE陸水貯留量の再構築：南米への応用

陸水貯留量（TWS）は、積雪、土壌水分、地表水、地下水を統合した指標であり、気候変動と人間活動が全球水循環に与える影響を示す重要な変数です。GRACEおよびGRACE-FO衛星ミッションはTWS変化の直接的一貫した観測を提供しますが、データは2002年から始まり、気候スケールの解析には短すぎます。このギャップを埋めるため、研究者らは深層学習手法を用いて、日次のERA5気象強制力（降水、蒸発散、流出）と月次のGRACE観測の関係を学習し、1940年までの月次GRACE類似TWS異常（TWSA）を再構築しました。従来のグリッドセル回帰、CNN、LSTMに基づく再構築手法とは異なり、本研究では都市センサネットワークの移動・交通予測用に開発された多変量時系列グラフニューラルネットワーク（MTGNN）アーキテクチャを衛星測地タスクに適応しました。空間依存性は、測地近接性と気候時系列のラグ相関を組み合わせた静的で解釈可能なハイブリッド隣接行列に符号化され、局所的水文結合と大規模テレコネクションの両方を捉えます。南米への適用において、再構築はグリッドセルのピアソン相関0.69、流域平均相関0.94、ほぼゼロのバイアスを達成し、2015/16年のエルニーニョと2020/21年のラニーニャ現象の空間的特徴を再現しました。既存の再構築手法（GTWS-MLrec、RM-REC、GRAiCE）との系統的比較により、グラフベースモデルは流域スケールで統計的に競争力があり、最良ベースラインとの相関差は0.025以内でありながら、必要とする予測変数は他のモデルの半分から10分の1であることが示されました。また、すべてのモデルで乾燥地域における特徴的な弱点が明らかになりました。完全な実装はGitHub（github.com/hcu-cml/MTGNN-TWS-Reconstruction-GRACE）で公開されており、この革新的な手法はGRACE記録の拡張と全球水循環研究の改善に貢献します。さらに、このフレームワークは他の地域にも適用可能であり、全球規模での歴史的TWS記録の再構築を可能にし、気候変動と人間活動が水循環に与える影響の理解を深めることが期待されます。