AI（人工知能）は、天気予報だけでなく、気候変動による災害や農業・健康・エネルギーへの影響を評価し、将来の対策を考えるためにも活用されています。
気象・気候分野では、観測データの品質管理から、数値予報の高度化、高解像度化、将来のリスク評価まで、さまざまな研究が進んでいます。
ここでは、AIの主な活用方法と、その可能性、実用化に向けた課題を紹介します。
1．観測データの品質管理
気象・気候の解析や予測には、地上観測、気象レーダー、気象衛星、気象観測機器などから得られる大量のデータが使われます。AIは、これらのデータを効率的に処理し、品質を管理するために活用できます。
異常値の検出
周囲の観測値や過去の傾向と比較し、機器の故障や通信障害などによって生じた可能性のある異常値を検出します。
観測データの品質管理
観測値の信頼性を確認し、解析や予測に利用するデータの選別・補正を支援します。
衛星観測プロダクトの作成
衛星画像などから雲、降水、地表面の状態といった情報を推定し、観測データを活用した新たなプロダクトの作成に役立てます。
欠測データの補完
周囲の観測や時間的な変化を利用し、欠測部分の推定を支援します。ただし、推定値と実際の観測値は区別する必要があります。
観測データの品質は、その後の数値予報や気候変動評価にも影響します。AIによる品質管理は、気象・気候情報を作るための基盤技術の一つです。
2．天気予報へのAI活用
従来の天気予報では、物理法則に基づいて大気の変化を計算する数値予報モデル（NWP：Numerical Weather Prediction）が重要な役割を担っています。近年は、大量の気象データから大気の変化を学習するAI予報モデルも発展しています。
① ナウキャスティング：数分～数時間先
レーダーや衛星などの観測情報を使い、雨雲や降水域が今後どこへ移動し、どのように変化するかを予測します。
主な用途局地的な強雨の監視、短時間の降水予測、交通・防災対応
研究例DeepMindのDGMR（Deep Generative Model of Radar）など
観測された雨雲の移動だけでなく、降水の発達や衰弱を含む変化を推定する研究も行われています。
② 短期～中期予報：数時間～10日程度
気温、気圧、風、湿度など、大気の広域的な状態が時間とともにどう変化するかを予測します。
研究例GraphCastなど
AI予報モデルの中には、従来の数値予報に匹敵する、あるいは特定の評価項目で上回る性能を示したものがあります。ただし、性能は予測対象、予報時間、検証方法などによって異なります。
③ アンサンブル確率予報
大気の初期状態やモデルの不確実性などを考慮し、複数の予測結果から将来の可能性を評価する方法です。
研究例GenCastなど
例えば「大雨になるか、ならないか」を一つの予測結果だけで判断するのではなく、複数のシナリオを通じて大雨の発生可能性や予測のばらつきを評価します。
確率情報は、避難準備や農業・産業活動など、リスクに応じて段階的に対応する際に役立ちます。
AIが過去のデータから学習した関係は、学習時に経験していない極端な現象でも正しく機能するとは限りません。また、予測結果が細かく表示されていても、その地点の予測が実際に高精度であることを意味するわけではありません。
さらに、GenCastなどのAIによるアンサンブル予報では、複数の予測シナリオから将来の気象現象の発生確率や予測のばらつきを評価できます。ただし、アンサンブルのばらつきが、そのまま大気の初期状態の不確実性や、初期値のわずかな違いに対する予測の感度を表すわけではありません。 数値予報モデルでは、初期値に摂動を加え、それぞれの状態から予測を計算することで、初期値の不確実性が予測に及ぼす影響を評価します。一方、GenCastなどの確率的AI予報では、学習した確率分布から複数のシナリオを生成するため、そのばらつきの解釈には注意が必要です。
したがって、AIによる確率予報を防災やリスク評価に利用する際には、予測確率が実際の発生頻度と整合しているか、極端な現象に対しても十分な予測性能があるかを検証することが重要です。また、必要に応じて初期値の不確実性に対する感度も別途評価する必要があります。
Ravuri, S. et al. (2021). Skilful precipitation nowcasting using deep generative models of radar. Nature, 597, 672–677. DOI: 10.1038/s41586-021-03854-z.
Lam, R. et al. (2023). Learning skillful medium-range global weather forecasting. Science, 382, 1416–1421. DOI: 10.1126/science.adi2336.
Price, I. et al. (2024). Probabilistic weather forecasting with machine learning. Nature. DOI: 10.1038/s41586-024-08252-9.
3．数値予報モデルの高度化
AIは従来の数値予報モデルをそのまま置き換えるだけでなく、モデルの一部を改善したり、観測情報の取り込み方を高度化したりするためにも利用できます。
A．パラメタリゼーションの改善
数値予報モデルは、大気を格子状に区切って計算します。しかし、格子より小さなスケールで起きる現象を、すべて直接計算することはできません。
そこで、雲の発生、放射、乱流、地表面や土壌の働きなど、格子より小さなスケールの影響を近似的に表現します。この方法をパラメタリゼーションといいます。
AIを使って観測データや高解像度シミュレーションの結果から関係を学習し、こうした過程の表現を改善する研究が進められています。
B．モデル誤差の推定・補正
数値予報モデルは、物理過程の近似や解像度の制約などにより、現実の大気と異なる結果を出すことがあります。
AIで予測と観測などの差を学習し、モデル誤差を推定することで、予報結果の補正やデータ同化への利用を目指します。
Bonavita, M., & Laloyaux, P. (2020). Machine learning for model error inference and correction. Journal of Advances in Modeling Earth Systems, 12, e2020MS002232.
C．データ同化へのAI活用
データ同化とは、観測データと数値予報モデルの情報、それぞれの誤差に関する情報を組み合わせ、大気の状態を推定する方法です。
観測には誤差や空間的な偏りがあり、モデルにも誤差があります。それぞれの特徴を考慮しながら、気温、風、気圧、湿度などの大気状態を整合的に推定します。
こうして得られた解析値は、大気の状態を調べる研究や、数値予報の初期値を作るために利用されます。
AIは、観測データの特徴抽出、誤差の推定、解析処理の一部の高速化などを通じて、データ同化の高度化に貢献する可能性があります。
D．物理過程とAIの組み合わせ
＋
物理モデルだけでは表現が難しい過程をAIで補完
↓
数値予報モデル全体の改善を目指す
物理モデルとAIを組み合わせる方法では、物理的な仕組みを利用できる部分は物理モデルで計算し、複雑な関係や計算負荷の大きい部分をAIで近似することが考えられます。
AIは物理方程式を解かずに大気を予測できるのか？
GraphCastなどのAI予報モデルは、過去の気象データから大気状態の時間発展を学習し、従来の数値予報モデルに匹敵する予測性能を示しています。
これは、学習した大気状態の変化を使って、物理方程式を毎回直接解く方法とは異なる形で予測できることを示しています。
AI予報モデルが、エネルギーや水蒸気などの保存則、大気の力学的な関係、初期状態のわずかな違いによる変化をどこまで適切に再現しているかは、個別に検証する必要があります。
4．高解像度化・ダウンスケーリング
気象予報や気候変動予測では、計算資源の制約などから、広域の情報が数十km、あるいはそれ以上の格子間隔で作られることがあります。
しかし、実際の気象や社会への影響は、地形、土地利用、海岸線、都市構造などによって、数km以下のスケールでも大きく異なります。
そこで、広域の情報から、より細かな地域の気象情報を作るダウンスケーリングが利用されます。
力学ダウンスケーリング
高解像度の領域数値予報モデルや領域気候モデルを使い、物理方程式に基づいて細かな気象・気候場を計算します。
統計ダウンスケーリング
広域の予測値と地域の観測値などの統計的な関係を使い、細かなスケールの情報を推定します。AIによる手法も、この流れの中で発展しています。
A．AIによる気象予報の高解像度化
数値予報モデルの出力を、数十kmから数km程度の格子間隔へ変換するなど、より細かな気象情報を作る研究が行われています。
代表的な手法には、次のようなものがあります。
- CNN：画像に似た格子データから空間的な特徴を学習する。
- U-Net：広域の特徴と細かな空間構造を組み合わせて推定する。
- GAN：生成器と識別器を使い、現実的な分布の生成を目指す。
- Transformer：広い範囲の情報や離れた地点同士の関係を学習する。
- Diffusion model：段階的な生成処理を通じて、多様な空間分布を作る。
これらの手法は、降水、気温、風などの高解像度化に利用できます。特に、局地的な強雨や線状降水帯のように、空間的・時間的な変化が大きい現象では、細かな構造をどこまで再現できるかが重要です。
B．AIによる気候変動予測のダウンスケーリング
全球気候モデル（GCM：Global Climate Model）は、地球規模の気候変化を予測するために利用されます。その格子間隔はモデルによって異なりますが、数十～数百km程度のものもあります。
地域の農業、水資源、防災、健康、都市計画などに活用するためには、より細かな気候情報が必要になる場合があります。
↓
AIによるダウンスケーリング・バイアス補正
↓
地域の気温・降水量・風などの気候情報
↓
農業・水資源・防災・適応策への活用
従来から、力学ダウンスケーリングのほか、バイアス補正、分位マッピング、回帰モデル、ウェザージェネレーターなどが利用されてきました。
近年は、Random Forest、SVR、CNN、U-Netなどの機械学習に加え、GANやDiffusion modelなどの生成モデルを使う研究も進んでいます。
画像の超解像化（Super-resolution）と似た考え方で、粗い格子の情報から細かな空間構造を推定する方法もあります。ただし、気象・気候データは通常の画像と異なり、物理的な制約や時間的な連続性も考慮する必要があります。
高解像度化により期待される効果と課題
AIによる高解像度化では、局地的な降水分布や細かな空間構造を表現できる可能性があります。生成モデルは、多様な降水パターンや強い降水の構造を表現する方法としても研究されています。
期待される効果
- 地形などに関連する地域差を考慮した情報の作成
- 局地的な降水分布や極端な値の表現の改善
- 農地、流域、都市などの細かな単位での影響評価
- 多数の気候シナリオを利用したリスク分析の効率化
注意すべき課題
- 高解像度化によって見た目が細かくなっても、局地的な予測が正しいとは限らない。
- CNNなどの手法では、学習方法によって細かな変動や極端値が平滑化される場合がある。
- GANや拡散モデルなどの生成手法では、現実的な分布を作れても、個々の現象の発生場所や時刻が正しいとは限らない。
- 水収支などの物理的整合性や、降水・気温・風などの相互関係を確認する必要がある。
- 学習データに含まれない極端現象や、異なる気候条件に対する汎化性能（未知の条件への対応能力）の検証が必要である。
AIによる高解像度化では、単に格子間隔を細かくするだけでなく、観測や独立したデータによる検証を通じて、どの地域・現象・時間スケールで改善が得られるかを確認することが重要です。
5．RCMエミュレーター
RCM（Regional Climate Model：領域気候モデル）は、特定の地域を対象として、全球気候モデルより細かな気候場を計算するモデルです。
力学ダウンスケーリングでは、RCMを用いることで地域の地形などを考慮した高解像度の気候情報を作れます。一方、長期間の計算や多数の将来シナリオを計算するには、大きな計算資源が必要です。
そこで研究されているのが、RCMエミュレーターです。
↓
RCMによる高解像度計算
↓
多数の計算結果をAIに学習させる
↓
AIがRCMの出力を近似的に推定
RCMエミュレーターは、RCMそのものを毎回実行する代わりに、入力条件に応じたRCMの出力をAIで近似することを目指します。
十分な精度と適用範囲が確保できれば、計算時間を抑えながら、多数の将来シナリオやアンサンブル実験を行いやすくなります。その結果、将来気候の不確実性や地域ごとのリスクを詳しく評価できる可能性があります。
AIがRCMの計算結果を再現できる範囲は、学習に使った条件やデータに依存します。学習範囲を大きく外れる気候条件や極端現象に対しては、別途検証が必要です。また、RCMエミュレーターはRCMの出力を近似するものであり、必ずしも現実の気候を直接再現するわけではありません。
6．気候変動と影響評価
気候変動への対応では、将来の気温や降水量を予測するだけでは十分ではありません。その変化によって、農業、河川、都市、健康、エネルギーなどにどのような影響が生じるかを評価することが重要です。
AIは、地域の気候情報を作るだけでなく、気候と社会・産業への影響の関係を推定するためにも利用できます。
① 地域・局地スケールの気候情報
全球気候モデルの情報をダウンスケーリングし、用途に応じた地域の気候情報を作成します。
河川流域
流域平均降水量、強雨、渇水などの評価。
農地
高温、降水不足、豪雨などによる農業への影響評価。
都市
高温、豪雨、内水氾濫などのリスク評価。
沿岸・山岳地域
高潮や沿岸の気候リスク、地形に関連する降水・積雪などの評価。
② 農業への影響評価
気候変動によって、作物の収量や品質、水需要、病害虫の発生条件などが変化する可能性があります。AIと作物モデルを組み合わせることで、こうした変化の評価を支援できます。
↓
AIダウンスケーリング
↓
地域の気温・降水量など
↓
作物モデル・AIによる影響評価
↓
収量・品質・農業被害・収益の評価
例えば、次のような情報が評価に使われます。
- 平均気温や高温日の増加
- 降水量や無降水期間の変化
- 干ばつや強雨の発生頻度
- 生育期間や作物の生育条件の変化
作物モデルを利用する方法に加え、気候条件と過去の収量データなどから、気候と収量の関係そのものをAIで学習する方法もあります。ただし、品種、栽培方法、灌漑、土壌、農業技術の変化なども考慮する必要があります。
③ 洪水・土砂災害への影響評価
気候変動によって極端な降水や渇水の条件が変化すると、河川流量や浸水、土砂災害のリスクにも影響が及ぶ可能性があります。
↓
AIダウンスケーリング
↓
将来の降水量・降水強度
↓
降雨流出モデル・水文モデル
↓
河川流量・浸水範囲の推定
↓
人口・建物・資産情報との統合
↓
被害・リスクの評価
具体的には、次のような項目を評価できます。
- 極端な降水量や大雨の発生頻度
- 河川流量や洪水規模の変化
- 浸水面積、浸水人口、建物などへの影響
- 土壌の湿潤状態などを踏まえた土砂災害リスク
陸面過程や水文過程の一部をAIで近似し、多数の気候シナリオを計算する研究もあります。計算を効率化できれば、さまざまな降水条件を想定したリスク評価を行いやすくなります。
将来の降水量だけで、実際の洪水被害が決まるわけではありません。地形、土地利用、河川・下水道の整備状況、ダム操作、人口や資産の分布なども被害に影響します。降水予測と被害評価の不確実性を分けて検討することが大切です。
④ 健康への影響評価
気候変動による高温や湿度の変化は、熱中症などの健康リスクに影響する可能性があります。AIは、気象情報と健康関連データの関係を分析するために利用できます。
↓
暑熱指数・熱中症リスクの推定
↓
救急搬送などの健康影響の評価
気温や湿度に加え、大気汚染、花粉、感染症を媒介する生物の分布などを組み合わせることで、健康リスクの地域差や季節変化を推定できる可能性があります。
ただし、年齢構成、医療体制、冷房の普及、行動様式などの社会的要因も健康影響に関係するため、気候情報だけで被害を推定することはできません。
⑤ エネルギー・電力への影響評価
気候変動は、冷暖房の需要や再生可能エネルギーの発電量などにも影響します。AIは、気象条件と電力需要・発電量の関係を学習し、将来の電力需給の評価を支援できます。
↓
冷暖房需要・太陽光・風力・水力発電量
↓
電力需給・コスト・設備計画の評価
例えば、次のような分析が考えられます。
- 高温化による冷房需要やピーク電力の変化
- 気象条件による太陽光・風力発電量の変化
- 降水量や水資源の変化に伴う水力発電への影響
- 将来の電力需給や設備投資のシナリオ比較
将来気候と電力需要の非線形な関係をAIで学習することも可能です。ただし、人口、産業構造、省エネルギー技術、電力設備などの変化も考慮する必要があります。
7．今後の課題：気候予測からリスク評価へ
気象・気候分野でAIを活用するうえで重要なのは、気候情報を作ることだけでなく、その情報を使って実際の意思決定を支援することです。
例えば、将来の大雨が増えると予測された場合、次に知りたいのは「どこで、どの程度の被害が、どのくらいの確率で発生するのか」という情報です。
① 気候変動リスクを構成する要素
ハザード（Hazard）
洪水、熱波、強雨、干ばつなど、被害を引き起こす可能性のある自然現象。
暴露（Exposure）
危険な現象の影響を受ける場所に、人、建物、農地、インフラなどが存在すること。
脆弱性（Vulnerability）
人や社会、設備などが被害を受けやすい程度や、被害への対応力の違い。
リスク（Risk）
ハザード、暴露、脆弱性などの関係から生じる、将来の損失や悪影響の可能性。
概念的には、気候変動リスクは、ハザード、暴露、脆弱性の相互作用によって決まります。
この式はリスクの構成要素を理解するための概念的な表現です。実際のリスク評価では、対象とする災害や評価手法に応じて、確率、被害関数、社会経済条件などを組み合わせます。
AIを活用して多数の将来気候シナリオや影響シナリオを評価できれば、平均的な将来像だけでなく、極端なケースや発生確率の幅を含めた検討が可能になります。
② 適応策の比較・評価
気候変動リスクを評価した後は、どの対策が効果的なのかを比較することが重要です。
↓
ハザード・被害リスクの評価
↓
複数の適応策を設定
↓
対策ごとの被害・費用・残存リスクを計算
↓
費用対効果や実現可能性を比較
例えば、洪水対策では次のような選択肢が考えられます。
- 堤防を高くする、または補強する
- 遊水地や貯留施設を整備する
- 排水能力を増強する
- 土地利用や建築条件を見直す
- 避難情報や早期警戒の仕組みを強化する
- 危険地域から安全な地域への移転や、一時的な避難先の確保を支援する
AIやシミュレーションを利用して、各対策を実施した場合の被害、費用、残るリスクなどを比較すれば、限られた予算の中で、どの対策を優先するかを検討しやすくなります。
ただし、費用だけでなく、住民の安全、地域社会への影響、公平性、対策の実現可能性なども考慮する必要があります。最終的な判断は、科学的な評価と社会的な合意形成を組み合わせて行うことが重要です。
③ 不確実性を含めた意思決定
将来の気候や災害を、長期にわたって完全に予測することは困難です。気候モデルの違い、自然変動、社会経済シナリオ、影響評価モデルの誤差など、さまざまな不確実性が存在します。
そのため、一つの将来予測だけを前提にするのではなく、複数のシナリオを用いて、どの条件でも効果が期待できる対策や、状況に応じて段階的に実施できる対策を検討することが有効です。
まとめ：AIが担う3つの役割
| 役割 | 何をするのか | 活用例 |
|---|---|---|
| Weather & Climate 気候情報を作る |
気象予報・気候予測の高度化や高解像度化 | AI予報、ダウンスケーリング、RCMエミュレーター |
| Impact 影響を推定する |
気候変化が社会・産業に与える影響を評価 | 洪水、農業、健康、エネルギー |
| Decision 対策を評価する |
リスクと対策費用を比較し、意思決定を支援 | 適応策、費用便益分析、保険、早期警戒 |
AIは、将来の気候を予測するための技術であると同時に、不確実な将来に備え、合理的な対策を検討するための技術にもなり得ます。
今後は、AIによる予測性能の向上だけでなく、物理的な整合性、極端現象への対応、不確実性の評価、実際の被害軽減への貢献を含めて、その有効性を検証していくことが重要になります。
