加法的ツインLSTMネットワークを用いた全球気温異常の予測

なぜ世界の温暖化があなたに関係するのか

地球温暖化は抽象的に聞こえることがありますが、その影響は決して抽象的ではありません：海面上昇、より激しい熱波、気候パターンの変化、食料や水資源への圧力などです。これから起こることに備えるために、科学者は単なる現在の気候のスナップショットだけでなく、今後数十年で気温がどの程度上昇するかについての信頼できる推定が必要です。本稿は、人工知能を用いて地球がどれだけ温暖になる可能性があるか、そしてそれが近い将来に何を意味するかを予測する新しい方法を紹介します。

生の気温計測から大局的なトレンドへ

研究者たちは単一都市の気象報告に頼るのではなく、Berkeley Earthの気温異常データセットとして知られる全球の記録を使用します。「気温異常」とは、ある期間が選択した歴史的基準と比べてどれだけ暖かいかまたは冷たいかを示す単純な指標です。月ごとの観測値はノイズが多く地域的な特性に強く影響されるため、研究チームは170年にわたる（1800年代半ばから2022年まで）の5年平均を用いています。このようにデータを平滑化することでランダムな変動が抑えられ、温室効果ガスなどに対する地球の長期的な応答を反映する基調的な温暖化トレンドがより明確になります。

気候を「記憶」するニューラルネットワークの学習

そのトレンドをとらえて将来を予測するために、著者らはLong Short-Term Memory（LSTM）と呼ばれる一種の人工ニューラルネットワークに着目します。LSTMは文中の単語や時間に沿った気温のような系列データを扱うために設計されており、過去の情報のどの部分を保持し、どの部分を忘れるかを判断します。従来のLSTMや類似モデルは短期予測、例えば次のデータ点を予測するような課題で優れた性能を示してきました。しかし、自分自身の予測を次の入力として使って多段先を予測すると、小さな誤差が蓄積して長期的な見通しが現実から大きく乖離することがあります。

気候信号をツインの流れに分割する

本研究の中心的な革新は、Additive Twin LSTM（AT-LSTM）です。気候記録のあらゆる変動を一つのLSTMが模倣しようとする代わりに、モデルは並列の二つのLSTMブランチを用います。各ブランチは内部で異なる潜在的駆動要因に集中できるようになっており、例えば温室効果ガスによる緩やかな昇温と、自然の気候変動に伴うより速い上下動のような要素をそれぞれ扱えます。これらツインブランチの出力を加算し、最終的な「デコーダ」ネットワークに渡して結合信号を気温異常の予測に変換します。この双子の設計は、地球系における複数で部分的に独立したプロセスに関する気候科学者の見方と整合するだけでなく、ネットワーク内部の信号の有用な範囲を拡張し、長期予測の際の安定性を高めます。

モデルを実践で試す

AT-LSTMが本当に長期予測を改善するかを検証するため、著者らは二段階のテストを実施します。まず、合成ベンチマーク系列（さまざまなタイプの温warmingパスを模したクリーンなコンピュータ生成曲線）と歴史的なBerkeleyデータの両方でモデルを学習させます。学習済みモデルが学習データと、学習時に見せていない各系列の別の「テスト」部分をどれだけ再現するかを比較します。LSTMと畳み込み層を組み合わせたハイブリッドなど、多くのモデルはこれらの標準的な指標では印象的に見えます。しかし、過去のデータを再現することは、将来を確実に見通すことと同じではありません。

適合度だけでなく予測力でモデルを評価する

第二段階は実世界の使用により近いテストです。テストセットの最後の観測点から出発し、各モデルは自分自身の前回の予測を次の入力として用い、実データに修正されることなく240か月（20年）先までステップを進めます。この設定により誤差がどれだけ急速に雪だるま式に増えるかが明らかになります。さまざまなアーキテクチャを通じて、AT-LSTMは通常、この長期予測課題において平均的な予測誤差が最小であり、統計的なスコアも最も高いことが示されました。特に全球平均の気温異常に関しては、シミュレートした20年の予測ウィンドウでのモデルの典型的な誤差は約0.07℃であり、多くの競合する深層学習手法よりもかなり低くなっています。

予測が示す近い将来の見通し

このより安定したモデルを用いて、著者らは2022年から2042年までの20年間の全球気温異常の予測を生成しました。モデルの学習に伴う不確実性を捉えるために40個のAT-LSTMバージョンを学習させたところ、すべてが継続的な温暖化を示しました。2042年時点で、予測の群れは歴史的基準よりおおむね1.05℃から1.67℃の間に集中しており、平均は1.415℃、推定不確実性はおおよそ±0.073℃でした。これらの数値は主流の気候モデルや気候変動に関する政府間パネル（IPCC）などの機関の予測とよく一致しています。平易に言えば、現状の傾向が続けば、我々は今後数十年のうちに広く議論されている1.5℃の閾値に接近するか超える可能性が高く、温室効果ガスの排出削減やその他の気候緩和策を急ぐ必要性を強調しています。

引用: Keles, C., Baran, B. & Alagoz, B.B. Global temperature anomaly prediction by using additive twin LSTM networks. Sci Rep 16, 6456 (2026). https://doi.org/10.1038/s41598-026-37255-x

キーワード: 気候変動, 地球温暖化, 気温異常, ニューラルネットワーク, 気候予測