現地観測を用いた機械学習から得られた0.25度グリッドの全球雪水量データ

なぜ全球の雪が日常生活に重要なのか

雪は単なる冬景色ではなく、寒い季節に水を蓄え、春に溶けて河川や農地、都市、そして水力発電を潤す巨大な自然の貯水庫だ。世界中の雪にどれだけの水が閉じ込められているかを把握することは、洪水や干ばつ、温暖化に伴う水供給の変化への備えに役立つ。しかし、それを示す主要な指標である雪水相当量（SWE）は、全球規模で測るのが驚くほど難しかった。

世界の雪の“重さ”を測る難しさ

科学者はスノーコースや雪の重さを測る自動パッド（ピロー）、その他の地上観測所を使って特定地点の雪を測定できる。北米、ヨーロッパ、ロシアのネットワークは何十年にもわたりこうしたデータを蓄積してきた。衛星、気象モデル、レーダー計測も雪についての手がかりを与える。しかし、各情報源には空白や弱点があり、特に深雪、森林、急峻な山地では性能が落ちる。その結果、既存の全球マップはしばしば雪量について意見が分かれ、アンデスやアジアの一部など多くの地域が十分に記述されていない。

雪と気象から学ぶコンピュータの教育

これらのギャップを埋めるために、著者らはSWEMLと呼ばれる新しい日次全球雪水データセットを構築し、ランダムフォレストと呼ばれる機械学習手法を用いた。彼らは複数国の長期にわたる地上雪観測記録に加え、衛星由来のプロダクトと、温度・降水・放射・風の場を一貫して与える現代的な全球気象再解析データを収集した。標高、傾斜、植生タイプなどの地形特徴も、雪の蓄積と融解を強く左右するため加えられた。研究チームは世界の雪のあるグリッドセルを気候や地形の類似性で14地域に分け、各地域ごとに別個の機械学習モデルを訓練して、局所的な雪の挙動をより正確に学習させた。

散在する地点データから全球の日次雪マップへ

異なる機関が雪を異なる方法で測定するため、生データの記録は必ずしも一致しない。研究者らはまず各観測局の記録を調整し、その平均値と変動幅が広く使われる全球気象製品と一致するようにしつつ、日々の変動は元の観測に基づくまま保持した。この手順により、局所性を消さずに入力データの整合性が高まった。ランダムフォレストモデルはこれら調整済みの雪値と周囲の気象・地形との関係を学習した。訓練後、モデルは南極を除く地球上のすべての0.25度グリッドセルについて1980年から2020年までの日次雪水量を推定し、途切れのない41年分の記録を生成した。

他の情報源との照合

チームはSWEMLを複数の独立した参照データと厳密に比較検証した。これには、北米で雪が自然放射を遮る程度から雪水を推定する航空ガンマ線測量、衛星画像から作成されたアンデスの高解像度雪マップ、そして広く使われている全球の雪・陸面データセット群が含まれる。未使用の地上観測との数百万件に及ぶ比較の結果、SWEMLは典型的誤差が最も小さく、全体的なバイアスも小さくやや雪を過小評価する傾向があった。他の製品が苦戦するロッキー山脈やアルプスなどの高山地帯で特に良好な性能を示し、積雪ピークの時期や量など季節的なパターンを同業製品より忠実に再現した。

水資源と気候計画への意義

これにより初めて、科学者と水管理者は機械学習に基づく、全球を連続的に覆う四十年以上の日次雪貯水記録を手にした。SWEMLは現地での調査に取って代わるものではなく、極めて険しい地形や訓練データの乏しい地域では依然として課題が残る。しかし、変化する雪資源を追跡し、洪水や干ばつのリスク評価を改善し、一貫した長期入力を必要とする気候・水モデルに供給するための強力な新たな基盤を提供する。冬が変わりゆく世界において、惑星の雪貯水庫を大局的に見るこうした視点は、水資源のより賢明な管理に向けた重要な一歩だ。

引用: Seo, J., Panahi, M., Kim, J. et al. Global 0.25-degree gridded Snow water equivalent data derived from machine learning using in-situ measurements. Sci Data 13, 739 (2026). https://doi.org/10.1038/s41597-026-06895-z

キーワード: 雪水量相当（スノーウォーターイクィバレント）, 機械学習, 全球雪データセット, 水文学, 気候変動