Assessing the Evolution of Rainfall Trends in India through Historical Analysis, Forecasting, and Comparison with the CMIP-6 SSP585 Scenario

技術要約：歴史的分析、予測、およびCMIP-6 SSP585シナリオとの比較を通じた、インドにおける降雨傾向の進化の評価

問題提起
気候変動は極端な気象事象の広範な変動を引き起こしており、特にインドのような亜熱帯地域において、水資源、農業、および経済の安定性に重大な課題を突きつけている。水循環の基本的な駆動要因である降雨は、不規則性を増しており、これが干魃、洪水、および作物の失敗を招いている。これまでの研究では、世界的または国家レベルでの降雨傾向が分析されてきたが、歴史的な傾向検出と高度な機械学習による予測、および高排出量気候シナリオとの比較を統合した、包括的かつ時空間的に広範な分析が必要とされている。さらに、伝統的な統計手法は、非正規分布データ、自己相関、および長期時系列における構造的変化（チェンジポイント）の特定において困難に直面することが多く、誤った結論を導く可能性がある。

手法
本研究は、インド全域の122年間（1901年–2022年）にわたる降雨データを、6つの均質領域（HR）および34の気象小区分（MSD）に分解して厳密な分析を行う。手法は、以下の4つの異なる分析コンポーネントを統合している。

1. 傾向検出： 本研究では、年次、季節、および月次の降雨における単調な傾向を特定するために、非パラメトリック統計手法、具体的にはマン・ケンダル（MK）検定およびセンの傾き推定法を採用している。自己相関およびデータの均質性に関する制限に対処するため、著者らは、傾向分析を適用する前に、チェンジポイント（変化年）を検出するための均質性検定（Pettitt、Buishand Range、および標準正規均質性検定）を統合した。
2. 革新的傾向分析（ITA）： 結果を検証し精緻化するために、本研究ではITA法（Şen, 2012）を利用している。このグラフィカルな非パラメトリック手法は、サンプルサイズや線形性に関する厳格な仮定を必要とせずに、自己相関のあるデータや外れ値を処理することができ、時系列内のサブトレンドや明確な傾向の組み合わせの検出を可能にする。
3. メカニズム分析： 観測された変動の物理的な駆動要因を理解するために、ERA5再解析データ（1940年–2022年）を用いて分析を行う。主要な変数は、対流性降水、低層雲量、および垂直積分水蒸気発散である。1956年にチェンジポイントが特定されており、1940–1956年と1957–2022年の期間間における循環パターンの差異が評価された。
4. 予測およびシナリオ比較： 歴史的データを用いて、2050年までの年次降雨量を予測するために人工ニューラルネットワーク・多層パーセプトロン（ANN-MLP）モデルを訓練した。モデルの性能は、平方根平均二乗誤差（RMSE）および平均絶対誤差（MAE）を用いて最適化された。これらの機械学習による予測は、最も悲観的な「ビジネス・アズ・ユージュアル（現状維持）」の気候軌跡を表す、結合モデル相互比較プロジェクト第6フェーズ（CMIP-6）の共有社会経済経路5-8.5（SSP585）シナリオに基づく投影値と並置された。比較には、3つのCMIP-6全球気候モデル（CanESM5、BCC-CSM2-MR、IITM-ESM）によるマルチモデルアンサンブル（MME）を用いた。

主な結果

• 歴史的傾向： MK検定およびITAは、北東部HRおよび特定の7つのMSD（Arunachal Pradesh、Assam Meghalaya、NMMTを含む）において、年次降雨量の有意な減少傾向を明らかにした。逆に、Coastal Andhra PradeshやPunjabを含む9つのMSDは、有意な増加傾向を示した。季節分析では、モンスーン期における北東部HRの減少傾向と、Coastal Andhra PradeshおよびPunjabにおけるモンスーン降雨の増加が示された。
• チェンジポイント： 均質性検定により、ほとんどの地域が1950年代以降に降雨パターンの構造的変化を経験したことが特定された。チェンジポイント後の分析により、北東部HRおよびいくつかの東部小区分では、過去70年間にわたりモンスーン降雨が著しく減少していることが確認された。
• 物理的駆動要因： ERA5分析は、対流性降水、低層雲量の増加、および垂直的な水蒸気発散の不足による変動に降雨の変化を帰属させた。具体的には、北東風の強化が冷涼な空気の流入を減少させ、冬季の降雨を減少させた一方で、西部および中部地域における水蒸気発散の増加が、より乾燥した状況に寄与した。
• 予測（2050年）： ANN-MLPモデルは、2050年までにインド全域で年次降雨量が減少すると予測している。北東部HRは依然として最も高い平均降雨量（約1920 mm）を維持すると予想される一方、北西部HRは最も大幅な減少に直面すると予測されている。
• CMIP-6 SSP585との比較： 重要な知見として、すべての6つのHRおよび34のMSDのうち28のMSDにおけるANN-MLPの予測は、SSP585シナリオ下でのCMIP-6 MMEの投影よりも降雨量が低くなることを示している。これは、実際の将来の降雨量が、最悪のケースの気候モデル投影さえも下回る可能性があることを示唆しており、深刻な水不足の軌跡を示している。主に沿岸部および一部の内陸部の7つのMSDのみが、SSP585の降雨レベルを上回ると投影されている。

意義と主張
著者らは、本研究が、歴史的な傾向分析と将来予測および気候モデルの検証を橋渡しすることにより、インドの降雨の進化に関する多角的な評価を提供すると主張している。チェンジポイント検出をMKおよびITA手法と統合することは、従来の単独のアプローチよりも、非単調な傾向をより強固に理解することに資する。

本研究は、機械学習による予測をCMIP-6 SSP585投影と比較することで、地域的な気候影響を評価するための独自の枠組みを提供し、インドが最も悲観的な気候モデルのシナリオをも超える降雨不足に直面する可能性があることを明らかにしている。これらの知見は、灌漑、水資源管理、および気候レジリエンスのための適応戦略を策定する政策立案者、水文学者、および農業計画者にとって極めて重要であると提示されている。著者らは、本研究の広範な空間スケール（40地域）がミクロレベルの分析（地区・ブロック・村落単位）を妨げること、および日次データの欠如が現在の傾向検出の粒度を制限していることを認め、限界事項としている。彼らは、今後の研究において、洞察を精緻化するために高度なディープラーニング（例：LSTM）やグリッドベースのリモートセンシングを採用することを提案している。