CERBERUS: A Three-Headed Decoder for Vertical Cloud Profiles

本論文は、衛星観測データから雲の垂直構造を推定し、物理的な不確実性を反映した確率的なレーダー反射率分布を生成する「CERBERUS」と呼ばれる新しい確率推論フレームワークを提案し、気象・気候モデルにおける雲プロセスの理解と評価の向上に寄与することを示しています。

要約

この論文は、**「空の雲を、衛星の写真と地面の天気データから、3 次元の『雲の断面図』として再現する AI」**について書かれたものです。

タイトルにある**「CERBERUS（ケルベロス）」とは、ギリシャ神話の「3 つの頭を持つ地獄の番犬」の名前です。この AI も、その名前の通り「3 つの頭（予測機能）」**を持っており、雲の複雑な姿を捉えるために使われています。

以下に、専門用語を排して、日常の例え話を使って解説します。

---

1. 問題：なぜ雲の予測は難しいのか？

普段、私たちが天気予報で見る衛星画像は、**「空から見た 2 次元の写真」です。雲の「上」は見えますが、「中」や「下」は見えません。
しかし、雲は 3 次元の塊で、内部で雨粒がどう動いているか、どの高さで氷になっているかなど、「中身」**が重要なのに、それが見えないのです。

• 例え話：
  料理屋さんの「外観（看板）」だけを見て、「中に入っているスープの味」や「具材の量」を正確に当てるのは、とても難しいですよね？
  これまで、この「中身」を知るには、飛行機で直接空に飛び込んで測るか、地面からレーダーを上に撃つしかなかったため、データが偏っていました。

2. 解決策：CERBERUS という AI の登場

この研究では、「2 次元の衛星写真」と「地面の気象データ」を組み合わせることで、AI に「雲の 3 次元断面図」を想像させました。

• 入力される情報（AI の目と耳）：

  • 衛星写真（GOES-16）： 赤外線や可視光で、雲の「上」や「温度」を撮影した 8×8 の小さなタイル状の写真。
  • 地面のデータ： 気温、風、湿度、気圧など。
  • 時間： 朝か夜か、季節はいつか。

• 出力されるもの（AI の答え）：
  地面から 15km までの高さごとに、「そこに雲がある確率」と「雲の密度（レーダー反射率）」を予測します。

3. 「3 つの頭」の仕組み：なぜ 3 つ必要なの？

ここがこの論文の最大の特徴です。普通の AI は「雲の密度はこれです（例えば 5）」と1 つの数字を答えますが、CERBERUS は**「3 つの頭」**を使って、より賢く答えます。

1. 頭①：「雲があるか？」
   • 「ここには雲がある（確率 80%）」か、「ここはスカスカ（確率 20%）」かを判断します。
   • 例え： 「お弁当箱の中に、おにぎりが入っているか？」を判断する頭。
2. 頭②：「雲の濃さ（パラメータ A）」
   • もし雲があれば、どれくらい濃いのかを予測します。
3. 頭③：「雲の濃さ（パラメータ B）」
   • 濃さの「ばらつき」や「不確実性」を予測します。

なぜこれが必要？
雲は、特に何層にも重なっている時や、激しい雷雨の時は、「1 つの正解」がないことが多いからです。

• 例え話： 「明日の気温は？」と聞かれて「25 度」と答えるのは簡単ですが、「明日の天気は？」と聞かれて「雨」とだけ答えるのは不十分です。「雨の可能性は 70% で、もし降れば 10mm くらい、でも晴れる可能性も 30% ある」という**「確率の分布」で答える方が、現実を正しく表現できます。
  CERBERUS は、この「不確実さ（どこまでが雲で、どこからが空か）」**まで含めて予測できるため、複雑な雲の構造でも「ここは曖昧だから、幅を持って予測しよう」という判断ができます。

4. 結果：AI はどれくらい上手？

アメリカのオクラホマ州にある観測施設（ARM）のデータでテストしました。

• 得意なこと：
  • 層状の雲（スモッグのように広がる雲）や、低い雲の予測が非常に上手。
  • 雲の「形」や「動き」を、時間経過とともに正しく追跡できる。
• 苦手なこと：
  • 何層にも重なった複雑な雲や、激しい積乱雲（雷を伴う雲）の予測は、まだ少し難しい。
  • しかし、難しい場面ほど、AI は**「予測の幅（不確実性）」を大きく表示する**ため、「ここは自信がないよ」という警告を出してくれます。これが、科学者にとって非常に価値があります。

5. この研究の意義：なぜ重要なのか？

この技術は、「天気予報」や「気候変動のシミュレーション」をより正確にするために役立ちます。

• 例え話：
  気象予報のシミュレーションは、巨大なパズルです。しかし、雲の「中身」のデータが足りないと、パズルのピースが足りず、完成した絵（予報）が歪んでしまいます。
  CERBERUS は、**「見えない雲の中身を、AI が補完して、よりリアルな 3 次元パズルを完成させる」**役割を果たします。

まとめ

この論文で紹介されているCERBERUSは、
**「2 次元の衛星写真と地面のデータを見て、3 つの頭で『雲がある確率』と『その濃さのばらつき』を同時に予測する AI」**です。

従来の AI が「正解を 1 つだけ当てる」ことに注力していたのに対し、CERBERUS は**「答えが 1 つじゃないかもしれない」という現実を素直に受け入れ、その不確実性まで含めて教えてくれる**点が画期的です。これにより、将来の天気予報や地球温暖化の予測が、もっと正確で信頼できるものになることが期待されています。

技術概要

ICLR 2026 ML4RS ワークショップ論文「CERBERUS」の技術的サマリー

1. 概要

本論文は、気象・気候モデルにおける雲プロセスのデータ駆動型学習と評価を困難にしている「観測スケールの不一致」問題に焦点を当てています。具体的には、全球規模で利用可能な衛星観測が主に 2 次元（天頂からの視点）であるのに対し、雲の微物理過程や 3 次元構造を理解するには垂直方向の解像度が必要であるという課題を解決するため、CERBERUS（Cloud Estimation with vertically-Resolved Beta-distributed Retrievals of Uncertainty and Structure）という新しい確率推論フレームワークを提案しています。

CERBERUS は、静止衛星の輝度温度、地表付近の気象変数、時間的コンテキストを入力として受け取り、垂直方向のレーダー反射強度プロファイル（確率分布として）を生成します。

2. 背景と課題 (Problem)

• 観測の限界: 現在の気象・気候モデルの検証に用いられる衛星データは、広範な時空間カバレッジを持つものの、大気上端からの 2 次元視点に偏っています。一方、垂直方向に解像された雲の特性データは、地上レーダーや航空機観測に限定され、地点が疎です。
• スケールのミスマッチ: この 2 次元と 3 次元の観測データの不一致が、雲プロセスのデータ駆動型学習を複雑にし、大気物理学における不確実性の要因となっています。
• 既存手法の限界: 従来の GAN や U-Net、Masked Autoencoders を用いた研究は、主に昼間の雲を対象とした決定論的（Deterministic）なアプローチが多く、地上観測データを活用しきれておらず、予測の不確実性を定量化できていませんでした。

3. 手法 (Methodology)

3.1 データセットと前処理

• ターゲットデータ: アメリカ合衆国オクラホマ州の Southern Great Plains (SGP) 拠点にある ARM Ka 帯天頂指向レーダー（KAZR）のデータ（2020 年 1 月〜2025 年 3 月）。
  • 160m〜15km の 128 段階の高度に補間・平滑化され、反射強度（dBZ）が目標値となります。
  • 非雲状態（検出閾値 -60 dBZ 以下）は 0 で埋められ、ゼロ過剰（Zero-Inflated）分布を形成します。
• 入力データ:
  • 衛星データ: GOES-16 衛星の 13.3µm, 11.9µm, 11.2µm, 8.4µm, 6.8µm, 3.9µm の 6 波長の輝度温度と、可視反射率（0.65µm）。これらを SGP 拠点中心の 8x8 グリッド（0.02 度解像度）に再マッピング。
  • 地表気象データ: MERRA-2 再解析データから、10m 気温、風速（u, v）、相対湿度、表面気圧。
  • 時間情報: 時刻と日の出/日の入りの周期性を考慮した正弦符号化。
• データ分割: 2020-2024 年を学習/検証（8:2）、2025 年冬をテストセットとして使用。

3.2 モデルアーキテクチャ：CERBERUS

CERBERUS は、3 つのヘッドを持つエンコーダ - デコーダ構造を採用しています（図 1）。

1. エンコーダ: 輝度温度フィールドを畳み込み（Conv2D）でエンコードし、FiLM（Feature-wise Linear Modulation）的なアプローチで埋め込まれた地表気象スカラーと結合します。
2. 潜在空間: 結合された特徴を潜在ベクトルに変換します。
3. デコーダと 3 つの出力ヘッド: 潜在ベクトルを再整形・変換し、128 個の各高度に対して以下の 3 つのパラメータを予測する 3 つの独立した出力ヘッドを備えます。
   • $\pi$: 雲が存在しない確率（ゼロ過剰成分）。
   • $\alpha, \beta$: 反射強度の分布を記述するベータ分布のパラメータ。
   • これにより、各高度で**ゼロ過剰ベータ分布（Zero-Inflated Beta Distribution, ZIB）**をモデル化し、反射強度の確率分布を出力します。

3.3 学習と損失関数

• 損失関数: 従来の RMSE ではなく、観測値 $y$ が予測分布に属する確率の負対数尤度（Negative Log-Likelihood）を最小化します。
  $$L(y, (\alpha, \beta, \pi)) = \begin{cases} -\log(\pi) & y = 0 \\ -\log((1 - \pi) \cdot B[\alpha, \beta](y)) & y > 0 \end{cases}$$
  ここで $B[\alpha, \beta]$ はベータ分布です。これにより、確率的な不確実性を直接学習します。
• 最適化: Adam オプティマイザ、バッチサイズ 100、学習率 $10^{-3}$、最大 50 エポック。

4. 結果 (Results)

4.1 性能評価

• 分類性能: 雲が存在する高度の分類において ROC-AUC 0.957 を達成。
• 回帰性能: 決定係数 $R^2 > 0.6$。
• 特徴量の重要性: 赤外線（IR）および近赤外（Near-IR）の輝度温度が最も重要であり、可視反射率（昼間のみ利用可能）は最も重要度が低いことが示されました。地表気温（10m）は熱力学特性を反映し、モデル性能に大きく寄与します。
• 雲の種類による性能:
  • 低層雲や薄い雲では RMSE が低く、精度が高い。
  • 積乱雲（Deep Convection）や複雑な多層雲（Nimbostratus など）では予測が困難で RMSE が大きくなる傾向があります（図 2）。
  • しかし、既存の SatMAE モデルと比較し、雲の出現頻度を重み付けした評価では同等かそれ以上の性能を示しました（表 A.1）。

4.2 不確実性の定量化

• CERBERUS は、物理的に曖昧な状況（多層雲や複雑な力学過程を持つ雲）において、予測分布の広がり（分散）が大きくなることを示しました（図 3, 4）。
• 決定論的モデルでは見逃される「予測の難易度」を、分布の広がりとして表現でき、物理的な不確実性を反映しています。
• 時間経過に伴う雲の進化（例：2025 年 1 月 29 日の積乱雲の発達）を、一貫した構造として捉えています。

4.3 ベースラインとの比較

• 決定論的モデル（単一出力）やゼロ過剰を持たないベータ分布モデルと比較し、ZIB を用いた CERBERUS が CRPS（連続ランク確率スコア）や RMSE において優位であることを示しました（図 A.3, A.4）。特に 8km 以下の高度で誤差が 1dBZ 減少しました。

5. 主な貢献 (Key Contributions)

1. 確率的推論フレームワークの提案: 2 次元衛星画像から 3 次元雲の垂直プロファイルを生成する際、単なる点推定ではなく、ゼロ過剰ベータ分布を用いた確率的な予測を実現しました。
2. 3 ヘッダー・デコーダ構造: 雲の存在確率と分布パラメータを同時に学習する新しいアーキテクチャを設計し、決定論的アプローチの限界を克服しました。
3. スケールブリッジング: 地上レーダー（3D）と衛星（2D）の観測ギャップを埋めるための合成観測手法を提供し、気象・気候モデルの評価・較正に寄与する可能性を示しました。
4. 物理的意味を持つ不確実性: モデルが「予測が難しい」領域（多層雲など）で自然に不確実性を増大させることを実証し、物理的な曖昧さを定量化する道を開きました。

6. 意義と将来展望 (Significance & Future Work)

• 意義: 本研究は、機械学習を用いたリモートセンシングにおいて、単なる精度向上だけでなく、「不確実性の定量化」が物理プロセスの理解に不可欠であることを示しました。特に、全球気象モデルにおける雲パラメータ化の評価や、より高解像度なモデルへの入力データ生成（Synthetic Observations）への応用が期待されます。
• 将来展望:
  • 雲水含量や水滴サイズ分布など、モデルに直接関連する微物理量の予測への拡張。
  • ドップラーレーダーや全球高解像度モデルからの追加データ取り込み。
  • 大規模なアーキテクチャ（混合密度ネットワークや Transformer）の導入による、より表現力の高いモデルへの進化。

総じて、CERBERUS は、観測スケールの不一致という長年の課題に対し、確率論的アプローチと深層学習を組み合わせることで、物理的に意味のある 3 次元雲構造の推定を実現した画期的な研究です。