天気予報は長年、大気の物理方程式をスーパーコンピュータで解く数値予報が中心だった。Google DeepMindの「GraphCast」は、約40年分の過去の気象データから学んだAIモデルで、その論文は2023年12月にScienceへ掲載された。

結果の概要

論文によれば、GraphCastは10日先までの全球予報を1分未満で作成し、欧州中期予報センター（ECMWF）の高解像度予報（HRES）と比較した1,380件の検証対象のうち90％以上で上回る精度を示したと報告されている。対流圏に限ると99.7％の対象で上回ったとされ、熱帯低気圧の進路予測でも良好な結果が示された。学習には再解析データと呼ばれる、観測とモデルを組み合わせた過去データが使われた。

なぜ注目か

注目点は精度と計算時間の組み合わせである。予報を速く何度も作れることは、不確実性の幅を示す予報や、地域を絞った追加計算の可能性につながる。発表後、各地の気象機関でもAI予報モデルの開発や運用の検討が進むきっかけの一つになった。

注意点

GraphCastの学習データ自体が従来型モデルの成果を基に作られており、AI予報は従来手法と無関係に成り立っているわけではない。極端な降水の強さの表現など、苦手とされる面も指摘されている。現業の予報は観測・従来モデル・AIを組み合わせて運用されるものとして読むのが実態に近い。なお、数値や計画は発表時点のものであり、変更される可能性があります。最新の内容は出典の一次情報をご確認ください。

読み解くポイント

GraphCastの学習に使われた再解析データは、過去の観測を物理モデルでつなぎ直した「大気の記録」であり、AIはその記録から天気の移り変わりの型を学んでいる。つまり本研究は、物理に基づく従来手法の蓄積の上に成り立つ成果でもある。この関係を理解すると、AI予報と数値予報は置き換えの関係というより、役割分担の関係として捉えられる。実際、予報の現場では、初期値となる大気の状態の推定に今も観測と従来モデルが使われている。評価の際は、平均的な精度だけでなく、台風や豪雨といった極端現象での振る舞いと、予報が外れた場合の幅の示し方まで含めて見ることが大切である。

GraphCastの評価が次に動くのは、平均的な精度だけでなく、台風や豪雨といった極端現象でどのような振る舞いを示し、予報が外れた場合の幅をどう示せるかです。学習データである再解析データ自体が従来型モデルの成果を基に作られているため、現業の現場で観測や従来モデルと組み合わせて運用された際の検証結果が重要になります。苦手とされる極端な降水の強さの表現が改善するかどうかも、続報で見るべき点です。

出典：Lam et al., Learning skillful medium-range global weather forecasting, Science（2023年12月） https://doi.org/10.1126/science.adi2336

あわせて読みたい