Short-Term Regional Precipitation Forecasting over Dublin Using ERA5 Reanalysis: Robustness, Probabilistic Reliability, and Predictor Attribution

降雨の予測は、気象学において最も困難な課題の一つです。太陽が規則正しく昇ることや潮汐の予測可能な動きとは異なり、降雨は不規則であり、気温、風、湿度といった混沌とした要素によって引き起こされ、それらは数分で変化し得るものです。この予測不能性は、大西洋からの気圧系が絶えず陸地に押し寄せるアイルランドのような場所では特に顕著であり、天候が急速に変化する状況を生み出します。ダブリンのような都市にとって、今後数時間の予報を正確に当てることは、単なる利便性の問題ではなく、安全に関わる問題なのです。精度の高い短期予測は、都市型洪水の管理、道路の安全性確保、そして水資源管理者による将来の計画立案に役立ちます。数十年にわたり、科学者たちは大気をシミュレートするために巨大な物理ベースのコンピュータモデルに頼ってきましたが、これらのシステムは重く、動作も遅いものでした。近年、新しいアプローチが登場しました。それは人工知能を用いて過去の気象データからパターンを学習させ、伝統的な手法よりも迅速かつ効率的に接近する嵐の兆候を見つけ出すという試みです。

ユニバーシティ・カレッジ・ダブリンとトリニティ・カレッジ・ダブリンの研究チームは、現代的な機械学習ツールが自分たちの身近な環境において実際にどの程度機能するかを検証することに着手しました。彼らが焦点を当てたのは、具体的な問いでした。「コンピュータは、6時間後のダブリン地域における平均降水量を見通すことを学習できるのか？ もしできるならば、天候が悪化した際にその予測はどれほど信頼できるのか？」という点です。これに応えるため、彼らは単一のモデルを作成して結果を待つだけではありませんでした。代わりに、彼らは欧州中期予報センター（ECMWF）から取得した、2004年から2021年までのあらゆる6時間間隔を網羅する膨大な歴史的気象データのライブラリを集めました。そして、単純な統計学的ベンチマークから、過去の天候パターンを記憶し現在の条件と比較検討できる高度なディープラーニング・ネットワークに至るまで、さまざまな種類の予測システムへとこのデータを投入しました。

研究者たちは、これを単なるデモンストレーションとしてではなく、厳格な科学的試験として扱いました。結果が単なる偶然の結果ではないことを保証するため、異なる初期条件下で実験を何度も繰り返しました。また、彼らは平均的なパフォーマンスを超えた視点でも分析を行いました。天気予報においては、霧雨には優れていても、豪雨が発生したときには全く役に立たないモデルが存在し得ます。そのため、チームは各モデルが「雨の日」をどのように扱い、さらに重要なことに、「激しい降雨イベント」に対してどう対処するかを具体的にチェックしました。また、予測者が自身の確信度を知ることができるよう、単一の数値だけでなく「不確実性」をも提示するようにモデルに求めました。最後に、彼らはAIの「ブラックボックス」の中を覗き込み、コンピュータが実際にどの気象因子に注目しているのかを探り、単に降雨と相関があるだけの変数と、より優れた予測を行うために真に役立つ変数を区別しました。

結果は、単なる「最高」対「最低」というランキングよりも複雑で微妙な差異を含む景色を明らかにしました。あらゆるタイプの天候を通じた全体像を見ると、BiLSTMと呼ばれる注意機構（attention mechanism）を備えた特定の深層学習ネットワークが、競合するものよりもわずかに優れた性能を示しました。過去の時系列データを見て、最も関連性の高い瞬間に集中することができるこのモデルは、約0.24ミリメートルという非常に低い平均誤差を達成しました。しかし、このトップパフォーマーと、XGBoostと呼ばれる強力な決定木アルゴリズムとの差は極めて小さく、統計的には一般的なテストセットにおいて両者はほぼ互角でした。研究者たちは、大部分の日々――ある程度の降雨がある日を含めて――において、これら二つの大きく異なるアプローチがほぼ同一の結果を生むことを見出しました。

しかし、物語は天候が悪化すると変わりました。研究者が最も激しい降雨事象（強度のトップ5パーセントに入るもの）を抽出して調べると、モデル間の性能の乖離が見られました。こうした困難な条件下では、実際にはXGBoostの方がディープラーニング・ネットワークよりも優れた性能を発揮し、最も激しい土砂降りに対してより正確な予測を行いました。この発見は、複雑なニューラルネットワークは全般的なパターンを学習することには長けているものの、洪水警報において最も重要となる稀な異常値（アウトライヤー）を扱うには、よりシンプルな決定木ベースの手法の方が適している可能性を示唆しています。さらに、すべてのモデルにおいて、降雨イベント自体を検知する能力は、強度が増すにつれて急激に低下しました。雨が降るかどうかを確実に予測することはできても、「激しい」とされる閾値が高まるにつれ、それが具体的にどの程度の強さであるかを特定するスキルは急速に減退していきました。

本研究では、モデルの自信（確信度）の信頼性についても調査が行われました。単一の推測ではなく、起こりうる範囲を示すように設計されたディープラーニング・モデルの確率論的バージョンは、平均的には良好な成績を収めました。全テスト期間を通じて、彼らの予測範囲は意図した信頼レベル通り、実際の降水量を約95パーセントの割合で捉えていました。しかし、この信頼性は肝心な場面で崩壊しました。最も激しい降雨イベントが発生した場合、モデルは過剰に自信を持ってしまい、予測範囲が狭すぎたため、本来あるべき姿よりも頻繁に実際の激しい雨を取りこぼしていました。加えて、モデルは降雨が標準的なベルカーブ（正規分布）に従うと仮定していたため、時に負の降水量を予測するということが起きました。これは物理的にありえない現象であり、数学的な仮定と、空から水が降り注ぐ現実世界の挙動との間の根本的なミスマッチを浮き彫りにしました。

なぜモデルがそのような選択をしたのかを理解するために、研究者たちは各気象変数の影響力を追跡するテクニックを用いました。その結果、コンピュータの注意は総雲量、風向、および地表気圧に強く惹かれていることが判明しました。興味深いことに、最大降水率という、降雨と最も強い生の統計的結びつきを持つ変数は、他の要因を考慮に入れた後では、モデルの意思決定において最も重要なドライバーではありませんでした。これは、その変数が他の変数と密接に関連しており、新たな情報を提供しないためです。対照的に、総雲量は降雨との直接的な関係こそ弱いものの、独自の安定した予測価値を持っており、モデルが重視する基盤となっていました。この違いは、単に変数の動きを共に観察するだけでは不十分であることを示しています。モデルがいかにして数字を利用して判断を下しているのかを理解するには、より深く掘り下げる必要があるのです。

結局のところ、今回の成果は、降雨を予測するための唯一の「完璧な」モデルなど存在しないということを強調しています。最善のアプローチは、何を予測しようとしているかによって決まります。一般的で短期的な展望については、コンパクトなディープラーニング・ネットワークと堅牢な決定木アルゴリズムは同等の性能を発揮します。しかし、深刻な嵐を予測するという具体的かつ重大な任務に関しては、決定木ベースの手法が明確な優位性を示しました。本研究はまた、モデル全体の精度が、極端な条件下での重大な弱点を隠してしまう可能性があるという事実に対する警告ともなります。平均的には信頼できるように見えるシステムであっても、最も危険な天候を知らせる局面では失敗することがあります。反復テスト、極端な事象への焦点、そしてモデルの思考プロセスへの細かな洞察を組み合わせることで、研究者たちは、曇天が広がる際のダブリンの人々に対し、人工知能ができること、そしてできないことについての、より鮮明で誠実な輪郭を描き出したのです。