「明日の天気」の進化：数値予報から深層学習へ
気象予測技術は、従来の物理ベースの数値予報モデルから、近年急速に発展する深層学習モデルへと進化を遂げています。本記事では、地球規模および地域規模の予測を可能にする数値モデルの基礎と、高解像度データとスーパーコンピューティングを駆使して精度とリードタイムを向上させるAIベースのモデルの登場、そして両者の比較について、最新の論文に基づき解説します。
時系列で見る事実
- — 数値気象予報モデルの基礎と種類が確立
数値気象予報（NWP）モデルは、地球規模モデルとメソスケールモデルに大別される。地球規模モデルは国や大陸のような広範囲を数日から1週間予測し、広範な気象概要を提供する。メソスケールモデルはより狭い地理的領域に焦点を当て、数キロメートルから数百キロメートルのスケールで詳細な大気プロセスを捉えるため、より高い空間的・時間的解像度を提供する。従来の予測は物理モデルの過去データを使用するが、気象条件の変化により不安定になることがある。
- — ECMWF-ENSが数値気象予報のグローバル標準として機能
欧州中期予報センター（ECMWF）のアンサンブル予測システム（ECMWF-ENS）は、数値気象予報におけるグローバル標準として広く認識されている。このシステムは、1つの制御予測と50の摂動メンバーからなる計51のメンバーで構成され、中期予報（3～10日）に特に優れている。特異ベクトル、確率的物理パラメーター化、アンサンブルデータ同化技術を通じて予測の不確実性を特徴づける。
- — 機械学習と深層学習の気象予測への応用が進展
科学技術の進歩により、気象予測の誤差率が低下し、簡素化が進んでいる。ソフトコンピューティング技術や機械学習モデルは、過去のデータを用いてモデルを訓練し、有望な結果と低い誤差率で気象予測を行う能力を持つ。将来の進歩は、物理モデルとデータ駆動型モデルを組み合わせたハイブリッドシステムから生まれる可能性があり、スーパーコンピューティング、高解像度データ、国際協力によって促進される。
- — FourCastNetがAIベースの気象モデルとして高解像度予測を達成
NVIDIAが開発したデータ駆動型グローバル気象予測モデルであるFourCastNet（Fourier forecasting neural network）が発表された。このモデルは、IFSに匹敵する0.25°の空間解像度を達成した初のAIベースの気象モデルであり、ERA5再解析データで訓練され、中期予報を生成する。
- — Pangu-Weather、FengWu、FuXiなどの深層学習モデルが登場し、予測リードタイムを延長
Pangu-Weather、FengWu-Weather、FuXi-Weatherといった主要な純粋データ駆動型気象予測モデルが登場した。これらは高解像度（0.25°）のERA5再解析データで訓練された大規模なSwin Transformerアーキテクチャを使用している。FuXiは15日間のグローバル予測システムを提供し、機械学習ベースのカスケードモデルとして、予測誤差の蓄積を低減するように設計されている。FuXiは、Z500の予測リードタイムを9.25日から10.5日へ、T2Mを10日から14.5日へと延長し、ECMWFの高解像度予測（HRES）のスキルフルな予測リードタイムに匹敵、またはそれを超える場合がある。
- — 代表的な数値予報モデルと深層学習モデルの予測精度が比較される
代表的な数値気象予報モデル（IFS HRES、ERA5-Forecasts）と深層学習モデル（Pangu-Weather、GraphCast、FengWu、FuXi）の予測精度（RMSE）が比較されている。例えば、1日予測においてGraphCastはZ500で39、T850で0.51、Q700で0.47、T2Mで0.51、WS10Mで0.60のRMSEを示し、IFS HRESの42、0.62、0.55、0.51、0.70と比較して一部の変数で低い誤差を示している。7日予測では、GraphCastがZ500で467、T850で2.33、Q700で1.30、T2Mで1.81のRMSEを示し、IFS HRESの521、2.63、1.53、1.88、2.49と比較して低い誤差を示している変数がある。
論点
予測モデルの進化と多様性
従来の物理ベースの数値気象予報モデルは、広範な地域を対象とする地球規模モデルから、より詳細な地域を対象とするメソスケールモデルまで多様なアプローチで発展してきた。近年では、深層学習や機械学習を活用したデータ駆動型モデルが登場し、高解像度データとスーパーコンピューティングの進歩により、予測精度とリードタイムの向上が見られる。これらの異なるアプローチが、それぞれどのような強みと限界を持ち、どのように統合されていくのかが論点となる。
精度と不確実性の評価
気象予測の精度は、RMSEなどの指標を用いて評価される。深層学習モデルは一部の変数やリードタイムにおいて、従来の数値予報モデルに匹敵またはそれ以上の精度を示すことがある。しかし、予測には常に不確実性が伴い、ECMWF-ENSのようなアンサンブル予測システムは、この不確実性を特徴づけるために設計されている。データ駆動型モデルが、従来のアンサンブルシステムと同等またはそれ以上の方法で予測の不確実性を効果的に捉え、社会的に有用な情報として提供できるかどうかが課題である。
ハイブリッドアプローチの可能性
将来の気象予測の進歩は、物理ベースのモデルとデータ駆動型モデルを組み合わせたハイブリッドシステムから生まれる可能性が指摘されている。深層学習モデルは膨大な過去データからパターンを学習する一方で、物理モデルは基本的な大気プロセスを記述する。これらの異なる手法をどのように統合し、それぞれの利点を最大限に引き出すことで、より正確で社会的に有用な予測を生成できるかが重要な論点となる。
出典（論文）
- A study of the high-performance computing parallelism in solving complexity of meteorology data and calculations
- Hybrid Approaches in Weather Forecasting: From Numerical Models to Deep Learning
- Boosting weather forecast via generative superensemble
- Global weather forecasting through deep learning: applications and challenges
- Advanced Machine Learning Approach for Weather Prediction
- Forecasting the Future with Future Technologies: Advancements in Large Meteorological Models
- Exploring the design space of deep-learning-based weather forecasting systems
- Predictability of precipitation extremes in the Western United States and the U.S. Gulf Coast using AI weather models
- EWMoE: An Effective Model for Global Weather Forecasting with Mixture-of-Experts
この記事は関連論文 9 件に基づいて構成されています（backing score 0.739）。