人工知能は、過去の気象パターンを分析して将来の現象を予測でき、現在の手法よりも効率的で、より正確になる可能性があります。
新たに開発された全球気象モデルは、詳細な物理計算ではなく、過去40年間の気象データに基づいて予測を行います。
今日の天気予報は、地球上で最も high-performance なコンピューターによって作成されています。巨大なマシンは、気温、風、降雨量、その他の気象現象を予測するための方程式を解く何百万もの計算を次々にこなします。予報には、速さと正確さの両立が求められ、最新鋭のコンピューターでさえ負荷がかかります。
新たに開発された全球気象モデルは、詳細な物理計算ではなく、過去40年間の気象データに基づいて予測を行います。
データに基づくこのシンプルなAIモデルは、ある年の全球の気象を、予報から次の予報へと同様の反復ステップを踏むことによって、従来の気象モデルよりもはるかに迅速に、かつほぼ同等の精度でシミュレーションできるとのことです。この内容は、学術誌Journal of Advances in Modeling Earth Systemsに掲載された論文によるものです。
「機械学習は本質的に、パターン認識を高度にしたものを行っています」と、主執筆者であるジョナサン・ウェイン氏は述べています。同氏は、ワシントン大学の大気科学の博士課程の一環として本研究を行いました。「機械学習は典型的なパターンを認識し、そのパターンがどのように通常変化するかを把握して、過去40年分のデータで見てきた事例に基づいて、次にどうすべきかを判断します。」
新モデルは、当然ながら、今日の最上位の従来型予報モデルよりも精度は低いものの、現在のAI設計では、地球上の同じ数の地点について予報を作成するのに、約7,000分の1の計算能力しか使用しません。計算作業が少ないということは、より速く結果が得られることを意味します。
この高速化により、予報センターは、開始条件がわずかに異なる多数のモデルを迅速に実行できるようになります。この手法は「アンサンブル予報」と呼ばれ、気象予測がとり得る範囲、すなわち、例えば台風がどこに上陸する可能性があるかといった、気象現象の予想される結果の範囲を示すことを可能にします。
「このアプローチは非常に効率的であり、そこが極めて重要な点です」と、大気科学の教授であるデール・ドゥーラン氏は述べています。「この手法は、非常に大規模なアンサンブルを実行できるほど高速なモデルを用いることで、予測可能性の問題に対処できる可能性を秘めています。」
共著者であるマイクロソフト・リサーチのリッチ・カルアナ氏は、当初、物理法則に頼らず、過去のデータに基づいて気象予測を行うために人工知能を用いるプロジェクトを提案するため、研究者らに接触していました。ウェイン氏は、機械学習のコンピューターサイエンスの講座を受講しており、このプロジェクトに取り組むことを決めました。
「過去の気象データで学習させた後、AIアルゴリズムは、物理方程式では不可能な、さまざまな変数間の関係性を見いだすことができます」と、ウェイン氏は述べています。「使用する変数をはるかに少なくできるため、はるかに高速なモデルを作成できます。」
成功したAI手法を天気予報に取り入れるため、研究チームは、地球に立方体の6つの面を投影し、その後、建築用の紙模型のように立方体の6つの面を平面に広げました。著者らは、気象における極域の面が持つ独自の役割を考慮し、予報の精度を向上させる一つの方法として、極域の面を別に扱いました。
著者らはその後、モデルを検証するため、天気予報で用いられる標準的な変数である500ヘクトパスカル気圧の全球の高度を、1年間にわたり12時間ごとに予測しました。ウェイン氏も共著者として名を連ねた最近の論文では、データ駆動型の気象予報のためのベンチマーク試験としてWeatherBenchが紹介されました。3日予報向けに開発されたこの予報試験において、この新モデルは最上位の性能を示したものの一つです。
著者らは、既存の実用予報と競合する前に、このデータ駆動型モデルにはさらに詳細さが必要だと述べています。しかし、このアイデアは、特に過去の予報や気象観測の蓄積が増えていく中で、天気予報を生成するための代替的なアプローチとして有望性を示しているとしています。
ウェイン氏は現在、マイクロソフトの気象・金融部門でデータサイエンティストとして勤務しています。本研究は、米国海軍研究局および国防総省の大学院フェローシップによる資金提供を受けています。
出典：ワシントン大学
