要旨 深層学習で気象データの空間解像度を高める「科学的超解像（SR）」は、通常は画素ごとの再構成誤差を最小化して訓練・評価されます。しかし、科学的に重要なのは局所の極値やつながった領域、多重スケールの構造といったトポロジー的特徴であることが少なくありません。本稿（arXiv:2610.22262v1）は、風速場SRに対してトポロジー指向の補助損失を導入し、従来の誤差指標とトポロジー指標が必ずしも一致しない点を示したうえで、トポロジーを意識した微調整がどのような効果をもたらすかを慎重に検証しています。コードと実験スクリプトも公開されています（本文参照）。

背景と問題意識 従来の指標（PSNR、MAE、RMSE、SSIMなど）はピクセル単位の忠実性を測りますが、風力評価や極値解析、可視化では極値の位置や持続性（どの閾値で特徴が現れ消えるか）、領域の連結性が重要です。トポロジー的記述子として「持続性図（persistence diagram, PD）」と「合流木（merge tree, MT）」があり、PDは特徴の生起・消滅の値ペアとその“寿命（persistence）”を要約し、MTは成分の統合・階層を保ちます。本研究は、これらがSR出力の評価で異なる順位を与える問題にも着目しています。

手法の要点 - 出力対象は水平風のベクトル場（u,v）で、解析はその大きさ（風速）に対して行います。データはNREL WIND Toolkit由来で、PhIREフレームワーク互換に整形（MR→HRの超解像設定）。 - 事前学習済みのCNN（MSEで学習）とGAN（敵対学習でさらに学習）を比較したところ、画素誤差やいくつかの指標ではCNNが高評価、しかしスペクトルや勾配分布、そしてPDのWasserstein系距離ではGANが有利、という不一致が観察されました。特にボトルネック距離（最大ずれを重視）とWasserstein距離（全ての差を蓄積して評価）で好みが分かれました。 - そこから出発して、事前学習済みCNNを固定した初期値として、トポロジーに着想を得た“補助損失”を加えて微調整（fine-tune）を行いました。補助損失は次の5種類: 1) 風速そのものの二乗誤差（speed） 2) 風速の勾配大きさの誤差（gradient） 3) 高速域の柔らかいレベルセット（複数閾値での占有マスク） 4) 高速領域の局所最大値の位置での値誤差 5) 固定ペア監督（fixed-pair）——Topology ToolKit（TTK）でオフラインに抽出した「正解の持続性ペア」の両端頂点を記録し、予測値のその点での値とその差（持続性）を直接教師信号として与える

- 16通りの微調整設定（S,G,L,M,FPの組合せ）を、同じ初期値・データ・最適化で訓練した「標準微調整（再構成損失のみ）」と比較するという厳密な実験デザインを採用しました。評価は固定の168フィールドベンチマーク（トポロジー評価は160×160クロップ）で行われます。

主な結果 - 事前学習済みCNNとGANの比較では、従来の忠実度指標は概ねCNNを支持する一方で、Wasserstein型PD距離はGANを支持しました。つまり“どの距離を使うか”で好みが分かれます。 - 標準微調整（再構成損失のみ）は、事前学習済みCNNに比べて平均のPD距離をむしろ悪化させました（ボトルネックで+5.2%等）。 - 最終的に選んだ目的関数（勾配誤差と固定ペア監督を組み合わせた G+FP）は、事前学習済みCNN比で平均ボトルネック距離、W2,∞、W2,2をそれぞれ約31%、25%、27%低下させました。標準微調整（対照）比でも32–35%の改善で、168フィールド中150フィールドで三つのPD距離すべてが改善しました。PSNRは1.30 dB向上し、これは標準微調整が得る改善の約半分でした。 - 合流木（MT）距離も平均では改善しましたが、PDが全て改善した150フィールドのうちMTが改善したのは91フィールドにとどまり、PDとMTは補完する情報を与えることが示されました。

解釈と意義 - 勾配監督は、スムージング傾向を抑え、PD（特にWasserstein系）を改善する効果が強く、固定ペア監督はPDとMTの両方に対して最も一貫した改善効果をもたらしました。これらは互いに補完的な信号を提供します。 - 重要な点は、トポロジー指標（PDやMT）やその距離の選択が、再構成の「良さ」を異なる観点から評価するため、単一の数値指標に頼るだけでは科学的解釈に不十分であり、目的に応じて複数の指標を使い分ける必要があることです。