1539. AIが変える気象予測：高精度化と新たな課題

近年、人工知能（AI）を活用した気象予測技術の進展が加速しています。PNASの Science Sessions Podcast 「Using AI to predict the weather」では、気象学者や海洋学者らが、短時間予測から長期的な気候変動予測に至るまでのAI活用の最前線について議論しています。AIは膨大な観測データから複雑なパターンを学習し、従来の物理モデルを補完する新たな手法として注目されていますが、その性能は観測データの質や過去事例への依存に大きく左右されることも指摘されています。

近年の気象予報の精度向上は、社会的な便益をもたらしていると報告されています。米コロンビア大学の研究では、翌日予報の精度が2005～2023年の間に約34％向上し、特に熱波に対する早期警戒の高度化を通じて、熱に関連する健康リスクの低減に寄与していることが示されています。同研究では、専門家への調査結果として、今後も予報精度の向上が続くと見込まれており、その実現を支える技術の一つとしてAIや機械学習への期待が示されています。

AIの活用は短期予報だけにとどまりません。Googleの研究グループは、生成AIを用いて、全球気候モデルが提供する粗い解像度の将来気候予測を地域レベルの高解像度情報へ変換する「dynamical-generative downscaling」と呼ばれる手法を開発しました。この手法では、物理に基づく地域気候モデルによる中解像度のシミュレーションに拡散型の生成AIを組み合わせることで、10 km程度の細かさで将来の環境リスクを推定することが可能になるとされています。研究では、従来の手法と比べて高い精度を維持しつつ、大規模な気候シミュレーションを対象とした場合に、計算コストを大幅に削減できる可能性が示されており、山火事リスクをはじめとする地域の気候リスク評価の高度化に役立つと報告されています。

AIには限界もあります。シカゴ大学などの研究グループは、AIベースの気象モデルが「Gray Swan（グレー・スワン）」と呼ばれる、理論的には起こり得るものの、学習データ中にはほとんど出現しない極端現象の予測能力を検証しました。その結果、強い熱帯低気圧の事例を学習データから除外すると、AIは実際には強い台風であっても弱い台風として予測する傾向があり、前例のない現象に対する予測が難しいことが確認されています。

一方で興味深いことに、研究チームは「Translocation（転移学習）」と呼ばれる現象も確認しています。これは、ある地域で発生した極端現象を学習したAIが、別の地域で発生する類似の極端現象を予測できる場合がある、という性質です。研究者らは、2024年にドバイで発生した記録的豪雨を例に、他地域のデータに含まれていた類似の降水パターンが学習に活用された可能性を指摘しており、AIが「場所をまたいで」パターンを転用することで、一部の極端現象を捉えられる場合があることを示しています。

こうした研究は、AIが気象・気候予測の精度向上に大きく貢献し得る一方で、高品質な観測データ、人間の専門知識、そして物理モデルとの組み合わせが不可欠であることも示しています。AIは既知のパターンの学習には優れるものの、真に前例のない現象を外挿的に予測することは依然として難しいと考えられています。

（参考文献）
PNAS Science Sessions Podcast, Using AI to predict the weather (2026)
https://www.pnas.org/about/science-sessions-podcast

（文責：戦略統括室　飯山みゆき）