レポート
研究により、初期データの改善がAI天気予報の精度向上につながる可能性が示される

要点より良い初期大気データは、モデル自体を変更することなくオーロラ予報を改善した。
もっと見る
- より良い初期大気データは、モデル自体を変更することなくオーロラ予報を改善した。
- この1日分の向上は、衛星観測を分離するのではなく、Sky 1の初期化を生のGFSと比較したものである。
- 気象AIの進歩は、観測・同化・予測・評価という完全なパイプラインに依存している。
Tomorrow.ioは、予報モデルを動かす前の段階でAI天気予報を改善できると主張している。同社の最新の研究によると、現在の大気の状態をより正確に推定することで、予報モデル自体を変更しなくても、MicrosoftのAurora 1.5とGoogle DeepMindのWeatherNext 2による予測を改善できるという。
同社が11月17日に発表した内容では、15基のマイクロ波サウンダからなる衛星コンステレーションの観測データを使い、初期条件を1時間ごとに更新する機械学習ベースのデータ同化システム「Sky 1」が紹介されている。これらの観測機器は、雲の中や観測のまばらな地域も含め、気温や水分に関する情報を追加する。
この結果は、モデルのアーキテクチャと並んで、観測システムやモデルへの入力データを準備するソフトウェアにも注目する必要があることを示唆している。また、ここでは2つの異なる比較が行われている。衛星観測データの寄与と、Auroraの初期化にSky 1を使うことによる、より広範な効果だ。
初期の大気状態が重要な理由
天気予報モデルには初期状態が必要だ。これは、気温、湿度、風などの状態を三次元で推定したものである。観測データは、場所、高度、時刻がそれぞれ異なる形で得られる。データ同化では、観測値を大気の既存の推定値と組み合わせ、一貫性のある初期状態を作り出す。
ECMWFによるERA5の解説では、モデルと観測データを組み合わせるこの手法が説明されている。ERA5は過去の天気を再現し、一貫性のある全球データセットを作成するため、予報の評価における参照データとして役立つ。ただし、ERA5もまた、独自のモデリングと観測データを用いた大気の再現データである。
高速な推論は、モデルが次に起こることをどれだけ速く計算できるかに関わる。一方、初期化の改善は、現在の状況をどれだけ正確に把握できるかに関わる。高性能なモデルでも、不正確な初期推定をその後の予測に引き継ぐ可能性がある。
衛星観測データの比較で明らかになったこと
Tomorrow.ioによると、28の事例で同社の観測データを加えた結果、初期状態における水蒸気の誤差がERA5との比較で約5~8%減少した。予報の評価では、観測データを含めた場合、Aurora 1.5による112件の予報すべてで、評価対象となった5日先までの各予報時間において、地表付近の気温の平均誤差が小さかった。同社は、改善幅は小さいものの、最初の2日間で最も大きいと説明している。
同社が公開している手法では、初期状態を2通り用意して比較する。Sky 1は、衛星コンステレーションの観測データを使った初期状態と、その観測データを除外した初期状態をそれぞれ作成する。どちらも同じ予報モデルで計算するため、追加データの効果を個別に評価できる。
観測所との比較には、約17,700カ所の気象観測所が使われた。WeatherNext 2についても、2通りの初期状態を用いて検証が行われた。
「1日分の延長」という結果が実際に意味すること
予報時間が約1日延びるという結果は、Sky 1で初期化したAuroraと、Global Forecast System (GFS)のデータで直接初期化したAuroraを比較した、別の検証から得られたものだ。Tomorrow.ioによると、ERA5を基準に評価した場合、GFSの生データを使った予報が、Sky 1を使った5日予報と同じ誤差水準に達するのは、約24.9時間早かった。気象観測所を基準にすると、これに相当する差は約10時間だった。
同社は、この結果について、衛星コンステレーション単独ではなく、Sky 1全体の効果によるものだと明確に説明している。改善の一部は、学習時にAuroraが経験したものに似た初期状態を与えたことによるという。
この違いは、研究結果を解釈するうえで重要だ。「1日分に相当する」結果が示すのは、特定の気温誤差のしきい値と基準における性能である。すべての予報変数、地域、極端な気象現象が、一律に丸1日早く予測できるようになることを示すものではない。
新たな観測を支える技術
Tomorrow.ioのマイクロ波サウンダに関する資料によると、同社の装置は大気の気温と水蒸気の鉛直分布を観測する受動型放射計である。同社は、91~204 GHzの範囲をカバーする12を超えるチャンネルと、約2,200キロメートル幅の観測域を横断走査する機能を挙げている。
これらの観測機器が提供するのは、大気解析に使う測定データであり、完成した予報を直接出力するわけではない。観測データの価値は、較正、観測範囲、タイミング、そしてデータ同化システムへの取り込み方によって決まる。こうして、宇宙空間のハードウェアがAI予報モデルの入力データ処理の流れにつながる。
AuroraとWeatherNextの位置づけ
Microsoftによると、Aurora 1.5は同社の地球システム基盤モデルを拡張したもので、時間解像度を1時間単位にし、予報変数を増やすとともに、確率的なアンサンブル予報を追加している。アンサンブル予報は、複数の将来の可能性を示し、利用者が不確実性を評価しやすくする。
WeatherNext 2は、全球アンサンブル予測にFunctional Generative Networkアーキテクチャを採用している。Googleの資料によると、格子間隔は0.25度、アンサンブルメンバー数は64、予報期間は15日間である。Tomorrow.ioが報告した評価の対象期間は5日間だ。
Googleはその後、WeatherNext 3を発表しました。このモデルはリアルタイムの衛星観測データを取り込み、1時間ごとの予報を作成します。ここで取り上げるTomorrow.ioの結果はWeatherNext 2に関するものであり、Googleの新しいモデルの性能向上を示すものではありません。
気象AIのさらなる発展に向けて
これらは、企業が公表した過去の評価結果です。初期化と観測データの品質を検証するうえで有用なテストですが、発表によると、データは請求に応じて提供されます。また、ハリケーンの進路、大気の川の上陸、悪天候の発生に関する評価も行ったとしていますが、これらの事象で気温予測のリードタイムが同程度に改善したことを示すものではありません。
より大きな視点で見ると、気象AIは、観測、データ同化、予測、評価からなる予報プロセス全体を通じて進歩します。Tomorrow.ioのテストは、入力データを調べることで、予測モデルのアーキテクチャだけを比較していては見落とされる改善点が明らかになることを示しています。ユーザーにとって重要なのは、自社の業務に関わる変数、地域、意思決定の時間枠において、信頼できる改善が得られることです。












