A geophysically constrained Transformer model for tropical cyclone track and intensity simulation over the western North Pacific and its contribution analysis

熱帯低気圧は、地球上で最も強力かつ破壊的な力のひとつであり、暖かい海洋の上で回転しながら、沿岸地域のコミュニティに対して猛烈な風と豪雨を解き放ちます。嵐が正確にどこへ向かい、どの程度の強さになるかを予測することは、気象学者にとって絶え間ない闘いです。従来の手法は、物理学の複雑な方程式を解く大規模なコンピュータ・シミュレーションに依存していますが、これらのシステムは処理速度が遅く、膨大な計算能力を必要とし、嵐が進化するにつれて迅速に更新することに苦慮することがよくあります。近年、科学者たちは人工知能を利用してこのプロセスを加速させようとしており、過去の気象データにおけるパターンを認識するようにコンピュータ・プログラムを訓練しています。しかし、これらのデジタルモデルの多くは「ブラックボックス」のように振る舞います。それらは予測を行うことはできますが、なぜその予測に至ったのかという理由を説明できず、嵐がどのように移動し、強まるかを支配する基本的な物理法則を無視してしまうことがあります。

北京師範大学とモナッシュ大学の研究チームは、この溝を埋める新しいアプローチを開発しました。彼らは、現代の人工知能によるパターン認識能力と、地球物理学の厳格なルールを組み合わせた精巧なコンピュータ・モデルを作成しました。世界で最も熱帯低気圧が活発な地域である北西太平洋に特化して設計されたこのモデルは、数十年にわたる過去の嵐の記録と大気データから学習します。嵐を単なる数字の連なりとして扱うこれまでの試みとは異なり、この新しいシステムは「地球物理学的に制約」されており、つまり、嵐とその環境との間の実際の物理的な関係性によって導かれています。研究者たちは、このモデルを、時間の経過に伴うデータのシーケンスから学習するものや、過去の事例に基づいて決定木を構築するものといった、他の一般的な2種類の予測ツールと比較検証しました。その結果、嵐の物理的な実態を尊重することで、彼らのモデルは、特に嵐の発生後数日間の極めて重要な時期において、熱帯低気圧の経路と強度をより高い精度と安定性をもって予測できることが示されました。

研究者たちは、毎年世界中の熱帯低気圧の3分の1以上が発生し、東アジア諸国を頻繁に脅かしている広大な海洋盆地である北西太平洋に焦点を当てました。モデルを訓練するために、彼らは1949年から2024年までの嵐の経路と強度の記録に加え、それらの嵐を取り巻く大気および海洋の状態の詳細なスナップショットを含む、膨大なアーカイブ情報をモデルに投入しました。モデルは、嵐の現在の状態（位置、風速、中心気圧）と、海面温度や異なる高度の空における風のパターンといった周囲の環境を観察することを学習しました。そして、この情報を用いて、将来の嵐がどこにあり、どの程度の強さになるかを、ステップ・バイ・ステップで最大36時間先まで予測したのです。

チームがこの新しいモデルをテストしたところ、比較対象とした標準的なツールを上回る性能を発揮しました。予測の6時間後という短期予測において、モデルは嵐の位置を平均約200キロメートルの誤差で予測しましたが、これは他の手法と比較して大幅な改善です。さらに先を見据えた36時間後においても、モデルは平均約357キロメートルの誤差という高い信頼性を維持しました。強度の予測（最強の持続風速によって測定される）についても、モデルは同様に素晴らしい成果を上げました。6時間後には風速を平均わずか2.59メートル毎秒の誤差で推定し、36時間後には誤差が7.54メートル毎秒に増大しましたが、これらの結果は、位置と風速の両方においてより大きな間違いを犯した他のモデルよりも明らかに優れたものでした。特に予測の極めて重要な初期段階において顕著でした。

この研究が特に価値を持つのは、その精度の高さだけでなく、モデルがどのように結論に達するかという明快さにあります。研究者たちは、人工知能の層を剥ぎ取り、どの情報が最も重要であるかを見極める手法を用いました。その結果、モデルが2つの特定の要因、すなわち嵐の中心における気圧と風速に大きく依存していることを発見しました。これら2つの要素は、モデルの意思決定力の半分以上を占めていました。これは、気象学者が長年知っていること、すなわち、嵐の強度はその内部の圧力と風の構造と密接に関連しているという事実と完全に一致します。モデルはまた、より広域の大気パターンや海洋温度も考慮していましたが、それらは主役ではなく、補助的な役割として機能していました。この発見は、モデルが単にデータを暗記しているのではなく、嵐がどのように振る舞うかという物理的な論理を実際に学習していることを示唆しています。

チームはまた、複雑な状況に対処できるかどうかを確認するために、2つの具体的な実例を用いたテストを行いました。一つは、外洋を着実に移動する嵐のケースであり、モデルはその経路を高精度に追跡しました。もう一つは、海岸付近で急速に発達した嵐のケースであり、モデルは強まりの傾向を特定することには成功しましたが、ピーク時の風速をわずかに過小評価しました。これらの実世界のテストにより、モデルが予測において不規則または非現実的な跳躍を生じさせることなく、多様な条件下で対処できることが確認されました。このモデルは完璧ではなく、最も極端で急速に変化する嵐に対しては依然として課題もありますが、これは大きな前進を意味しています。人工知能のスピードと物理科学の信頼性を組み合わせることで、この新しいツールは早期警戒を改善し、その岸辺を脅かす強力な嵐に対してコミュニティが備えるための有望な方法を提供します。