人工知能を使用して厳しい気象現象の予測を改善できる

特に極端な現象が予測される場合、精度の高い予報を提供することは難しいため、Google はこの種の問題に取り組むためのツール、つまり気象災害をより高い精度で予測できる AI モデルを開発しました。

Google は、拡散モデルを使用して天気予報を加速および改善するための新しい人工知能 (AI) テクノロジーである「Scalable Ensemble Envelope Diffusion Sampler」(SEEDS)と呼ばれるモデルを作成しました。

Google モデル (SEEDS) を使用すると、アンサンブル予測を生成するための計算コストを大幅に削減し、まれな気候現象や極端な気候現象をより適切に特徴付けることができます。

SEEDS は、従来の運用モデルを作成する複数の気象機関から取得された一連のデータを使用して天気予報を生成します。

天気予報は本質的に不確実です。したがって、この不確実性を発生確率の観点から反映することが重要であり、これは運用上の気象予測の重要な要素です。

数値天気予報モデルが与えられた場合、この不確実性を定量化する標準的な方法は、モデルの初期条件とその小規模物理プロセスの表現を摂動させて、いくつかの要素で構成される可能な気象軌跡のセットを作成することです。したがって、気象状態の基礎となる確率分布が選択されます。

いわゆる運用モデルによって予測される、特定の気象状況の発生確率に関するこの情報は、予測ユーザーにとって付加価値となります。

発生の不確実性を定量化することは、意思決定にとって非常に重要です。したがって、数値天気予報では常に確率的予測を使用する必要があります。

ただし、各アンサンブル メンバーを生成する計算コストを考慮すると、気象予報センターは各予測サイクルで 10 ～ 50 のメンバーしか生成できません。

この制限は、まれに影響の大きい気象現象が発生する可能性を懸念しているユーザーにとって特に問題になります。気象現象の評価には通常、はるかに大規模なアンサンブルが必要です。たとえば、発生確率 1% のイベントの確率を 10% 未満の相対誤差で予測するには、10,000 人のメンバーからなる調整されたセットが必要になります。

将来的には、より大規模なアンサンブルを生成するために利用可能な計算能力の増加に期待することに加えて、アンサンブル予測を生成するためのより効率的なアプローチを探索することが不可欠です。

SEEDS が運用予測システムに存在するバイアスを修正するように設計されている場合、生成されたセットはより優れた確率的予測メトリクスを示します。それらはより信頼性が高く、極端な現象の予測確率はより現実的であり、精度も高くなります。

SEEDS 方法論モデルは天気予報に焦点を当てていますが、この方法論により、気候リスクを評価するための大規模な気候予測セットの作成も可能になります。

Google によると、Google の生成アプローチにより、非常にまれな現象を特徴付ける非常に大規模なアンサンブルの作成が可能になり、ユーザー定義の診断に対して特定のしきい値を超える気象状態のサンプルが提供されます。

このモデルは、昨年のヨーロッパの熱波の際にテストとして使用されました。この結果は、今年 3 月末にScience Advancesに掲載されました。

観測された現象は非常に起こりそうになかったので、7日前には作戦チームの31人のメンバーの誰も、発生する高温を予測できませんでした。

これにより、イベントが発生する確率を定量化することと、イベントが発生する気候体制を提示することが可能になりました。