Does Feature Engineering Improve Meteorological Predictions Across Asia?

私たちの頭上の空気は、決して静止していることはありません。それは熱、湿度、そして気圧による混沌としたダンスのように、変化し、渦巻き、反応し、それが農家の作物が生き残るか、あるいは都市が嵐に備えるべきかを決定します。何十年もの間、科学者たちは、大気の物理学をシミュレートする大規模なコンピュータモデルを用いて、これらの動きを予測しようと試みてきました。これらのシミュレーションは強力ではありますが、実行コストが非常に高く、時には局所的な天気の複雑さに苦戦することもあります。近年、異なるアプローチが支持を集めています。それは機械学習を用いることです。これらは、膨大な量の過去の気象データからパターンを学習し、将来の予測を行うコンピュータプログラムです。しかし、そこには落とし穴があります。もし機械学習プログラムに、特定の瞬間に記録された気温や風速のような「生の数値」だけを与えた場合、それはしばしば全体像を見失ってしまいます。今日の天気が昨日の天気と深く結びついていることや、季節が予測可能なサイクルに従っていることを見逃してしまうのです。これを解決するために、科学者は「特徴量エンジニアリング（feature engineering）」と呼ばれる手法を用います。これは、コンピュータが学習するための新しい「手がかり」を手動で作成するプロセスです。単に気温を与えるのではなく、例えば3日前の気温を与えたり、気温と湿度がどのように相互作用するかという計算結果を与えたりします。これらの追加の手がかりによって、コンピュータが天気をより良く理解できるようになることが期待されています。しかし、ある疑問が残ります。手がかりを増やすことは常に助けになるのか、それとも時にはコンピュータを混乱させてしまうのか、という点です。

イランやアジア全域の大学の研究チームは、この問いに大規模なスケールで答えるべく立ち上がりました。彼らは単一の都市や単一の天候を見たのではありません。代わりに、凍てつく北端から蒸し暑い熱帯に至るまで、地理と同様に気候の多様性に富んだアジア大陸全体を調査しました。彼らは、24年間にわたる1,634の異なる気象観測所からの日々の気象記録を集めました。彼らの目的は、機械学習モデルのための15種類の異なるデータ準備方法をテストすることでした。日付や曜日を加えるだけの単純なものもあれば、異なる気象要素を掛け合わせたり、過去1週間の天気がどのように変化したかを計算したりして、新しい変数を作成する複雑なものもありました。彼らは、気温、湿度、気圧、風速、雲量、降水量、そして日中の最高気温と最低気温という8つの異なる気象変数に対して、これらの手法をテストしました。そして、どのデータ準備方法が最も正確な予測を生み出すかを確認するために、「ランダムフォレスト」として知られる標準的な機械学習モデルを使用しました。

結果は驚くべきものであり、データの準備方法に唯一の「最善」の方法は存在しないことを明らかにしました。研究者たちは、特徴量エンジニアリングを追加することで予測の精度が向上したのは、テストしたケースの半分に満たない場合であることを発見しました。実際、観測地点と変数の組み合わせの約42パーセントにおいて、追加の手がかりは統計的に有意な差をもたらしました。しかし、それ以外のケースでは、その追加作業は無意味であるか、場合によっては積極的に有害ですらありました。この研究は、正しいアプローチは、何を予測しようとしているのか、そしてどこで予測しようとしているのかに完全に依存することを示しています。例えば、気圧を予測する場合、最も複雑な手法が最適でした。季節から数日前の気圧までのあらゆる可能な手がかりを含めることで、モデルは大陸全域で予測誤差を41〜42%減少させました。これは理にかなっています。気圧の変化は緩やかで予測可能であるため、コンピュータは学習するための長い履歴データを活用できるからです。

しかし、極端な気温については、物語は大きく異なります。研究者が日中の最高気温や最低気温を予測しようとした際、複雑な特徴量を追加すると、モデルの性能が悪化することがよくありました。最低気温に関するケースのほぼ半分では、追加のエンジニアリングを行わず、生のデータのみを使用するという最も単純なアプローチが最も正確でした。研究者らは、これらの特定の極値については、基本的なデータの中に必要な情報はすべて含まれており、さらなる複雑さを加えることは、コンピュータを混乱させるノイズを導入することにしかならないと示唆しています。同様に、湿度や風速についても、月や曜日を知るといった単純な時間ベースの手がかりがあれば十分でした。最も複雑な手法は、これらの変数に対してほとんど、あるいは全く利益をもたらしませんでした。

気象観測所の場所も深く関わっていました。研究者たちは、熱帯から北へと向かうにつれて明確なパターンを発見しました。東南アジアやインドのような温暖な熱帯地域では、気温や雲量を予測するために最も成功した手法は、「相互作用特徴量（interaction features）」を作成することでした。これらは、気温と湿度がどのように共に作用するかをコンピュータに理解させる数学的な組み合わせであり、陸地と空気が複雑に相互作用する気候においては極めて重要です。しかし、シベリアやカザフスタンのようなより寒い地域へと北上するにつれ、これらの複雑な相互作用は有用性を失いました。これらの高緯度地域では、より単純な時間ベースの特徴量で十分でした。また、本研究では、降水量が改善が最も困難な変数であることも分かりました。あらゆる場所でうまく機能する単一の手法はなく、改善は小さく散発的であり、雨そのものの予測不可能な性質を反映していました。

結局のところ、この研究は、機械学習を用いて天気を予測しようとするあらゆる人々に対して、明確なロードマップを提供しています。それは、「普遍的な解決策」という考えが神話であることを証明しています。あらゆる天候問題に対して同じデータ操作を適用して、それが機能することを期待することはできません。最善の戦略は、具体的であることです。気圧に対しては複雑で包括的なデータセットを使用し、湿度や風に対しては単純な時間マーカーに頼り、極端な気温を予測する際には過度な複雑化を避けることです。さらに、予測を行う場所は、変数そのものと同じくらい重要です。熱帯雨林で機能する方法が、温帯の平原で失敗することもあります。こうしたニュアンスを理解することで、科学者は単に賢いだけでなく、データが何を語ることができ、何を語ることができないのかについて、より誠実なモデルを構築することができるのです。研究は、将来の天気予測の鍵は、単に複雑さを増すことにあるのではなく、適切な場所に対して、適切な道具を、適切な仕事のために慎重に選ぶことにあると結論付けています。