Probabilistic Deep Learning for Drought Forecasting: Role of Internal Climate Variability

来月の天気を予測しようとしている場面を想像してみてください。それは、ダイス自体が少しぐらつき、テーブルが揺れ、季節によってルールが変わるゲームの結末を予想しようとするようなものです。これが気候科学の世界、特に干魃（かんばつ）予測という非常に難しい仕事の正体です。干魃とは単に「雨が降らないこと」ではありません。空からどれだけの水が降るか、空へどれだけ蒸発していくか、そして土地がどれだけ水分を保持できるかという、複雑なダンスなのです。科学者たちは、たとえゲームの正確なルールを知っていたとしても、天候には自然にカオス的な部分があることを古くから知っています。それは、ボールのランダムな跳ね返りのようなものです。これは「内部変動（internal variability）」と呼ばれます。これは気候システム特有のランダムな震えであり、純粋に運が悪かったという理由だけで、ある地域を湿潤にしたり乾燥させたりすることがあります。

なぜこれが重要なのでしょうか？ なぜなら、農作物の計画を立てる農家、水不足に備える都市管理者、あるいは山火事を心配する家主にとって、必要なのは単なる「平均的な」未来ではなく、「最悪のシナリオ」を知ることだからです。「少し乾燥するかもしれない」という予測だけでは不十分です。あなたが必要としているのは、「もし気候のダイスの目が本当に悪かった場合、理論上どこまで乾燥する可能性があるのか？」という問いへの答えです。長い間、リスクを予測するためのコンピュータモデルは、そのランダムな震えを無視すべき単純な「ノイズ」として扱ってきました。あるいは、過去に起きたことだけを見て最悪のケースを推測しようとしてきました。しかし、変化し続ける未来に対して、過去が答えを持っているとは限らないのです。

この論文は、推測することをやめ、未来をより鮮明に見通すための超スマートなトリックを使い始めた探偵チームのようなものです。彼らは、ディープラーニングと呼ばれる人工知能を用いて、ヨーロッパの干魃に対する新しい種類の「水晶玉」を作り上げました。しかし、ここにはひねりがあります。彼らはAIにただ推測させたのではありません。巨大な気候シミュレーターによって生成された、膨大な数の「もしも」のシナリオをAIに読み込ませたのです。これは、50人の異なる気候の専門家に、同じルールに基づきながらも、それぞれ独自のダイスを振って、次の数年間を想像してもらうようなものです。これら50の架空の未来を比較することで、チームはついに、その「ランダムな震え」自体の形を捉えることができました。彼らは、この50のシミュレーションの集団を用いることで、より安全で現実的な「危険ライン」を描けることを見出したのです。このラインは、気候のダイスの目が私たちに不利に働いた場合に、事態がどれほど悪化しうるかを教えてくれます。その結果、単に「乾燥するかもしれない」と言うのではなく、「起こりうる最悪の事態はこれであり、私たちはそれに備えている」と告げる警告システムが誕生しました。

「ぐらつくダイス」と「50個の水晶玉」の物語

この研究の著者であるドイツ・ミュンヘンのヘンリ・ファンク氏とそのチームは、あるフラストレーションの溜まる問題の解決に乗り出しました。それは、干魃の予測が難しいのは、気候がサプライズに満ちているからです。たとえ地球温暖化のような大きな流れを知っていたとしても、気候システムには独自の内部的な「ゆらぎ（内部変動）」があり、それが特定の地域を予測困難な形で乾燥させたり湿潤にさせたりします。もし歴史的な記録（過去）だけに頼っていれば、これらの激しい変動を見逃してしまうかもしれません。特に気候が変化している局面ではなおさらです。

旧来の方法 vs 新しいトリック
伝統的に、科学者は過去を見ることで干魃を予測しようとしてきました。彼らは長い気象データの履歴を取り、コンピュータにパターンを学習させます。それは、以前走ったルートの地図だけを見て運転の練習をするようなものです。問題は、もし道が変わったり、車の挙動が変わったりした場合、古い地図は役に立たないということです。この研究において、チームは過去（具体的にはERA5-Landと呼ばれるデータセット）だけに頼ることが、誤った安心感につながることを示しました。彼らが従来型の予測を実際の2020年から2024年の乾燥した年と比較したところ、彼らが引いた「危険ライン」は高すぎました。彼らは深刻な乾燥イベントの大部分を見逃していたのです。それはまるで、嵐が来ているのに「小雨です」と警告しているようなものでした。

これを修正するために、チームは新しい要素を導入しました。それが「アンサンブル（集団）」です。想像してみてください、あなたの手元にスーパーコンピュータによる気候シミュレーターがあるとします。一つの未来を得るために一度だけ実行するのではなく、彼らはそれを50回実行しました。各実行は全く同じルールと物理法則から始まりますが、開始条件をほんのわずかに調整しています。まるでダイスを50回振るように。ルールは同じであるため、50の結果の間に生じるあらゆる違いは、気候システムの自然でランダムな「ゆらぎ」によって引き起こされたものに他なりません。

AIとアンサンブル
チームは、「Temporal Fusion Transformer (TFT)」と呼ばれる高度なAIモデルを使用しました。このAIを、ヨーロッパの50年間の気象史を学んだ非常に賢い学生だと考えてください。このAIは、海面温度や気圧、季節などの要素に基づいて、翌月の水収支（降水量から蒸発量を引いたもの）を予測することを学びました。

しかし、AI単体では「ゆらぎ」の全貌を見ることはできませんでした。そこでチームは巧妙な策を講じました。訓練されたAIを使い、それら50の「もしも」の気候シミュレーションすべてに対して予測を行わせたのです。

1. 中心（Center）: AIは、実際の歴史的データに基づいた「最善の推測」による予測を出しました。
2. 広がり（Spread）: 50の異なるシミュレーションが互いにどのように異なっているかを調べることで、チームは気候がそれ自体でどれほど「ゆらぐ」のかを正確に測定できました。

そして、彼らはこれらを組み合わせました。AIの最善の推測に、50のシミュレーションの広がりに基づいた「安全バッファ」を加えたのです。これにより、新しい「下限値（lower bound）」が作成されました。これは、「たとえ気候のダイスの目が本当に悪かったとしても、これより悪くなる可能性は低い」と示すグラフ上のラインです。

判明したこと
結果は目を見張るものでした。彼らがこの新手法を実際の乾燥した時期である2020年から2024年に照らし合わせてテストしたところ、過去のみを見る旧来の手法は惨めに失敗しました。アルプスやフランスのような一部の地域では、旧来の手法は干魃イベントのほぼ半分を見逃していました。それは、雨が土砂降りなのに「晴れ」と表示する天気アプリのようなものでした。

50のシミュレーションを用いた新手法は、はるかに優れていました。

• 優れたカバー率: ヨーロッパの大部分において、新しい「危険ライン」は乾燥イベントをより正確に捉えました。例えば、地中海地域やイベリア半島では、ほとんどすべての干魃および極端な干魃を捉えることができました。
• 「ゆらぎ」の現実: この研究は、気候の自然なランダム性は、予測可能な実在の、測定可能なものであることを示しました。このランダム性を「バグ」ではなく「特徴」として扱うことで、リスクを意識した予測が可能になったのです。
• 苦戦した箇所: 新しい手法もすべてにおいて完璧だったわけではありません。アルプス地方では、コンピュータモデルの解像度（地図の細かさ）が、複雑で小さな山の天候パターンを見るには粗すぎました。そのような特定の場所では、新手法でも依然としていくつかの極端な干魃を見逃しましたが、それでも従来の方法よりは優れた結果でした。

なぜこれが重要なのか
この論文は、気候の自然なランダム性を、単に無視すべき「ノイズ」として扱うのをやめる必要があると示唆しています。代わりに、それ自体を一つの予測量として扱うべきです。大規模なシミュレーションの集団（アンサンブル）を用いることで、気候変動性の物理学を機械学習モデルへと転移させることができます。これにより、より「保守的な」予測、つまり、より慎重で、最悪の事態に備えた予測が可能になります。

著者たちは、これがあくまで「概念実証（proof of concept）」であることを慎重に述べています。彼らは、2020年から2024年のデータを用いて、これがヨーロッパで機能することを示しました。彼らは干魃予測を永遠に解決したと主張しているわけではありません。ただ、50の「もしも」の未来を見ることが、たった一つの過去を見ることよりも、はるかに明確な危険の視界を与えてくれることを証明したのです。それは、単に未来を推測することから、可能性の全範囲を理解することへの転換であり、気候のダイスの目が私たちに不利に働いたとき、不意を突かれないようにするための備えなのです。