機械学習が地球を守る上で果たす役割

• 科学者たちは、気候変動の予測を改善するために機械学習を活用しています。

• 機械学習は、データからパターンを抽出するAIの一形態であり、これにより欠けている情報を補完することが可能になります。

• このデータは、将来の気候変動の結果をモデル化するために利用することができます。

• コンピューターの処理能力と気候データが増大するにつれ、機械学習アルゴリズムはより高度になり、それに伴って私たちの予測も精緻になっていくでしょう。

映画のおすすめfrom自動運転車に至るまで、機械学習は現代生活に革命をもたらしてきました。現在、専門家たちは人類が直面する最大の課題の一つである気候変動の解決に、機械学習を活用しています。

機械学習により、膨大な量の過去の気候データや観測記録を活用して、地球の将来の気候の予測を改善することができます。そしてこれらの予測は、今後数年間に私たちの気候への影響を軽減する上で重要な役割を果たすことになるでしょう。

機械学習とは何か？

機械学習は人工知能の一分野です。流行語のようになってはいますが、本質的にはデータからパターンを抽出するプロセスです。

機械学習アルゴリズムは、利用可能なデータセットを用いてモデルを構築します。このモデルは、元のデータセットに含まれていなかった新しいデータに基づいて予測を行うことができます。

気候問題に立ち返ると、機械学習が気候に対する理解を深める上で役立つ主要なアプローチは二つあります。それは観測とモデル化です。

近年、観測および気候モデルから得られる利用可能なデータの量は飛躍的に増加しています。人間がそのすべてに目を通すことは不可能です。幸いなことに、機械がそれを私たちに代わって行うことができます。

AIとコンピューターは、将来の正確な気候モデルを作成する取り組みに大きく貢献することができます。Image: Josué Martínez-Moreno

宇宙からの観測

衛星は海洋表面を継続的に監視しており、海流がどのように変化しているかについて科学者に有用な知見をもたらしています。

NASAのSurface Water and Ocean Topography (SWOT)衛星ミッションは、来年後半の打ち上げが予定されており、現在の衛星と比べて前例のない精細さで海洋表面を観測することを目指しています。

しかし、衛星が海洋全体を一度に観測することはできません。観測できるのは、その真下にある海域の一部だけです。そしてSWOT衛星が地球上のすべての地点を通過するには21日が必要になります。

この図は、軌道上で3日間経過した後にSWOT衛星がカバーする範囲を示しています。SWOTは高精度の測定を可能にしますが、隣接する海域はそれほど頻繁にはサンプリングされません。Image: C. Ubelmann/CLS

欠けているデータを補完する方法はあるでしょうか。そうすれば、いかなる時点においても海洋表面の全球的な完全な全体像を把握できるのですが。

ここで機械学習の出番となります。機械学習アルゴリズムは、SWOT衛星が取得したデータを用いて、SWOTの各周回の間に欠けているデータを予測することができます。

SWOT衛星の想像図。Image: NASA/CERN、CC BY

気候モデル化における課題

観測は現在の状況を私たちに示してくれます。しかし、将来の気候を予測するためには、包括的な気候モデルに頼らなければなりません。

最新のIPCC気候報告書は、世界中のさまざまな研究グループによる気候予測に基づいています。これらの研究者は、数百年先までの予測をもたらす、異なる排出シナリオを表す多数の気候モデルを実行しました。

気候をモデル化するため、コンピューターは海洋、大気、陸地の上に計算格子を重ね合わせます。次に、現在の気候を出発点として、この格子の各ボックス内の流体および熱の運動方程式を解くことで、将来気候がどのように変化するかをモデル化します。

格子の各ボックスのサイズは、モデルの「解像度」と呼ばれます。ボックスのサイズが小さいほど、モデルが捉えることのできる流れの細かな詳細は多くなります。

しかし、数百年先までを予測する気候モデルを実行することは、最も強力なスーパーコンピューターであっても限界に達するほどの負荷がかかります。そのため、現在これらのモデルは粗い解像度で実行せざるを得ません。実際、時には流れが現実の姿とはまったく似ていないほど粗いこともあります。

例えば、気候予測に用いられる海洋モデルは、通常、以下の左側に示すようなものになります。しかし現実には、海洋の流れは右側の画像にはるかに近い姿をしています。

異なる二つの解像度でモデル化された海洋表層流を示す地図。左側は、気候予測に通常用いられるモデルに類似したものです。右側のモデルははるかに正確で現実的ですが、残念ながら計算上の制約が大きく、気候予測には用いることができません。Image: COSIMA

残念ながら、現在のところ、気候予測のために高解像度で現実的な気候モデルを実行するに足る計算能力を私たちは持ち合わせていません。

気候科学者たちは、上の右側の画像に見られる微細で小規模な乱流運動の影響を、左側の粗い解像度の気候モデルに組み込む方法を模索しています。

これが実現できれば、より正確でありながらも計算上実行可能な気候予測を生成することができます。これは「パラメータ化」と呼ばれるものであり、気候モデル化における聖杯とも言えるものです。

簡単に言えば、これは、大量の処理能力を必要とする小規模で複雑な流れの特徴をすべて必ずしも含まないものの、それらの影響をより単純かつ低コストな方法でモデル全体に組み込むことができるモデルを実現できる状態を指します。

より明確な全体像

粗い解像度のモデルには、既にいくつかのパラメータ化が存在しますが、小規模な流れの特徴を効果的に統合する点では十分な役割を果たしていないことが多いのです。

機械学習アルゴリズムは、現実的な高解像度の気候モデル（上の右側の画像のようなもの）の出力を用いて、はるかに正確なパラメータ化を開発することができます。

コンピューターの処理能力と気候データが増大するにつれ、私たちはますます高度な機械学習アルゴリズムを活用して、この情報を精査し、改良された気候モデルと予測をもたらすことができるようになるでしょう。