Precision Earth/東京大学で開発されたMLDS (Machine Learning Downscaling System）は、単一のAIアルゴリズムそのものを指すのではなく、粗い気象・気候情報を、地域スケールで利用できる高解像度情報へ変換するための設計思想・処理体系（framework / system)として捉えることができます。
気候モデルや全球・広域の数値予報モデルは、広い範囲の大気状態を計算するため、
地域の地形や局地的な気象現象を十分細かく表現できないことがあります。
全球モデル・気候モデル・再解析・NWPなど
大規模場
低解像度
低解像度と高解像度の気象分布の対応関係を学習（回帰型の構成例）
統計学習
補正
高解像度化
地域・地点に近いスケールの気温、降水、風など
高解像度
利用可能な情報
MLDSの目的は、画像を「もっとリアルに生成する」ことではなく、
気象・気候モデルが持つ大規模な情報を、利用可能な高解像度情報へ変換することです。
アルゴリズムの複雑さだけでなく、周辺格子や時間変化など、
どの情報をモデルに与えるかを重視します。地形情報を直接入力する設計もありますが、ここで紹介する地点別の学習方法では、地形データを必須としません。
過去データの再現精度だけではなく、
気候状態が変化したときに大規模な気候変化シグナルを維持できるか
を重要な評価対象とします。
どちらも過去のデータから気象の特徴を学習する方法ですが、推定の手掛かりとモデルの構築方法に違いがあります。
ここでは、説明変数と目的変数の関係を中心に構築する従来型の方法と、地点ごとの識別器で気象場のパターンを認識するMLDSの方法を比較します。
例えば、ある地点の降水量を推定するために、気温・湿度・風向風速・気圧・上昇流・地形など、降水に関係すると考えられる要素を説明変数として選びます。
過去の気象条件と観測された降水量との関係を統計モデルや機械学習モデルで学習し、「どのような条件のときに、どのくらい雨が降るのか」を推定します。
超解像の考え方を取り入れ、低解像度の気象場に現れる空間パターンと、それに対応する高解像度の気象特性を学習します。
特徴的なのは、地点ごとに識別器を構築し、周辺の格子を含む気象場のパターンから、その地点における気象の現れ方を推定することです。
画像の超解像は、粗い画像と細かな画像の対応関係を学習し、粗い画像から細かな画像を推定する技術です。
MLDSでは、この考え方を気象データに応用します。例えば、50 kmメッシュの低解像度の降水分布と、それに対応する5 kmメッシュの高解像度の降水分布を学習データとして用います。
MLDSの特徴の一つは、地点ごとに識別器を構築することです。各識別器は、対象地点だけの値を見るのではなく、その周辺に広がる気象場の空間パターンを手掛かりにして、対象地点で現れやすい降水の特徴を学習します。
例えば、山地の風上側・風下側や平野部では、似たような広域の気象場であっても、降水の頻度や強度が異なることがあります。地点ごとに学習することで、こうした地域固有の違いが学習データに繰り返し現れていれば、その特徴を地点別の識別器に反映できます。このため、標高や傾斜などの地形データを説明変数として直接与えなくても、学習データに含まれる地形の影響を間接的に捉えられる可能性があります。
学習では、例えば次のような情報を手掛かりにします。
気温・湿度・風・気圧・地形など
説明変数と目的変数の関係
地点や地域の降水量・気温など
周辺格子を含む空間パターン
気象場のパターンと地点固有の特性の関係
5 kmメッシュなどの細かな気象場
| 比較項目 | 従来型の統計的ダウンスケーリング | MLDSの地点別学習 |
|---|---|---|
| 基本的な考え方 | 説明変数と目的変数の統計的・機械学習的な関係を学習 | 周辺の気象場のパターンと地点ごとの気象特性との関係を学習 |
| 入力情報 | 目的に応じて気象要素や地形などを選択 | 周辺格子を含む低解像度の気象場。地形データは必須ではない |
| 学習の単位 | 地点・地域の値や、説明変数と目的変数の組み合わせなど | 地点ごとに識別器を構築し、周辺の空間パターンとの対応を学習 |
| 地形の影響 | 地形情報を説明変数として直接利用する方法がある | 地点固有の学習を通じて、学習データに現れる地形の影響を間接的に反映できる可能性 |
| 主な利点 | 説明変数の役割を整理しやすく、目的に応じたモデルを設計できる | 周辺の気象場のパターンを利用し、地点ごとの降水特性や空間分布を推定しやすい |
| 主な課題 | 説明変数の選択や組み合わせ、モデル構造によって性能が左右される | 学習データに依存し、未経験の気象条件や極端現象では推定性能が低下する可能性 |
なお、従来型にも複数の気象要素や空間情報を扱う手法、非線形な機械学習を使う手法があります。また、MLDSも広い意味では統計的ダウンスケーリングの一種です。ここでは、説明変数と目的変数の関係を中心に構築する方法と、地点ごとの識別器で気象場のパターンを認識する方法の代表的な違いを説明しています。
ここでは、地点ごとの識別器を用いる回帰型のMLDSと、GANやDiffusion modelなどの生成モデルを比較します。いずれも低解像度の気象情報を条件として高解像度の分布を推定できますが、学習方法や出力の性質は異なります。なお、GANやDiffusion modelをMLDSの構成に組み込むことも可能であり、両者は必ずしも対立する分類ではありません。
低解像度の気象分布と、それに対応する高解像度の分布を学習し、入力に対する代表的な推定値を出力します。
イメージ：入力された気象場に対して、学習した対応関係から高解像度の分布を推定する。
対応関係の学習
回帰
代表的な推定値
低解像度の気象情報を条件として、高解像度データに見られる特徴や分布を学習し、条件に整合する複数の候補を生成できます。
イメージ：同じ広域的な気象場に対して、局地的な分布が異なる複数の候補を生成する。
生成モデル
複数パターン
確率的な表現
| 比較項目 | 回帰型MLDS | GAN・Diffusion modelなど |
|---|---|---|
| 基本的な考え方 | 入力と正解の対応関係を学習し、推定値を出力 | 条件に合う高解像度データの特徴や分布を学習し、サンプルを生成 |
| 出力 | 一般に、入力ごとに一つの代表的な推定結果 | 異なる乱数や初期ノイズなどから複数の候補を生成可能 |
| 多様性 | 通常の決定論的な回帰モデルでは、出力の多様性を直接表しにくい | 複数の異なる空間パターンを生成しやすい |
| 不確実性 | 単一出力だけでは直接評価しにくいが、アンサンブル化などで評価できる | 複数の生成結果のばらつきなどから評価できる。ただし、それが予測の不確実性を適切に表すか検証が必要 |
| 注意点 | 平均化により、細かな構造や極端値が弱まる場合がある | もっともらしい画像でも、降水量・頻度・物理整合性が正しいとは限らない |
例えば、同じ低解像度の降水分布を入力した場合、回帰型MLDSでは、学習した関係に基づく代表的な高解像度分布を推定します。一方、生成AIでは、同じ入力条件に対しても、局地的な降水域の形状や配置が異なる複数の候補を生成できます。
つまり、回帰型MLDSは入力に対する代表的な推定結果を得る方法、生成AIは条件に整合する複数の可能なパターンを生成する方法として整理できます。どちらを利用する場合も、実際の気象・気候データとして妥当かどうかを検証する必要があります。
GANやDiffusion modelは、回帰モデルとは異なる方法で高解像度のパターンを学習・生成するためのモデルです。これらは、MLDSという高解像度化の処理体系の中で利用できるアルゴリズムの選択肢と考えることができます。
気候モデル・NWP・再解析などの大規模情報を整理
低解像度・高解像度データの対応関係を学習。季節・地域・変数・モデル方式などを考慮
地域スケールの気温・降水・風などを推定
バイアス補正、極端値、空間構造、気候変化シグナルを評価
同じ「MLDS」という枠組みの中で、目的に応じてアルゴリズムを変更できます。
たとえば、通常の予測では高速な回帰モデルを使い、
不確実性の表現が重要な降水では生成モデルを利用する、といった設計が可能です。
MLDSでは、対象時刻の値だけを見るのではなく、前後の時刻に現れる空間パターンを
あわせて入力情報として利用する設計も考えられます。
下図は、3時間ごとの気象場の変化を手掛かりに、各1時間の局地的な降水分布を推定する
時間方向のダウンスケーリングの概念例です。
推論段階では、入力された時系列の空間パターンを識別・分類し、各時間帯の高解像度分布を推定します。
下図は、1か月アンサンブル数値予報モデルの格子情報を入力として、
機械学習により、より細かな格子で表現された気象情報を推定するMLDSの処理例です。
入力にはGSM-GPVなどの広域・粗解像度の情報を用い、
過去の解析・観測データとの対応関係を学習します。
学習期間のデータから機械学習モデルを構築します。推論時には1か月アンサンブル予報の各メンバーを入力し、
高解像度の推定値を得た後、CDF変換による分位マッピングを通じてバイアス補正・ダウンスケーリングを行う構成です。
| 評価項目 | 見るべきポイント |
|---|---|
| 平均場 | 平均気温・平均降水量などが適切か |
| 分布 | 頻度分布・分位点・裾の分布を再現できるか |
| 空間構造 | 局地的な降水域や地形による気象場を表現できるか |
| 極端現象 | 強雨・高温・強風などの頻度と強度を再現できるか |
| 物理整合性 | 変数間の関係や保存則などに矛盾がないか |
| 不確実性 | 「どの程度確からしいか」を表現できるか |
| 将来気候 | 温暖化などによる大規模な変化を保持できるか |
| 分類 | 位置づけ・役割 |
|---|---|
| 物理モデル | 大気・海洋などの物理法則に基づいて、広域の気象・気候状態を計算 |
| 従来型の統計的ダウンスケーリング | 説明変数と地域・地点の気象要素との統計的な関係から、地域情報を推定 |
| MLDS | 機械学習を利用して、大規模情報から高解像度情報へ変換するためのシステム／フレームワーク |
| 回帰モデル | 入力と正解の対応関係を学習し、代表的な推定値を出力するモデル。MLDSの構成要素として利用できる |
| GAN | 生成器と識別器の学習を通じて、条件に合う高解像度パターンを生成するモデル |
| Diffusion model | ノイズを段階的に除去する過程を学習し、条件に合う高解像度パターンを生成するモデル |
| Hybrid / Physics-ML | 物理モデルと機械学習を組み合わせる設計 |
MLDSは個別のアルゴリズム名ではありません。回帰モデルや生成モデルは、MLDSを構成する際に選択できるモデル方式です。
物理モデルが持つ将来変化の情報と、機械学習による局地化能力を組み合わせる。
単一の高解像度値ではなく、複数の可能な未来を生成して不確実性を評価する。
単なる気象データではなく、農業・防災・エネルギーなどの意思決定に使える情報へ変換する。
本ページのMLDSの説明は、地点ごとの識別器を用いた降水のダウンスケーリング研究、およびその気候変動予測への適用を検討した研究を参考にしています。
© 2026 Precision Earth
