熱波予測のための深層学習に基づく陸域—大気結合モデル

致命的な熱を予測する意義

気候が温暖化するにつれて、危険な熱波はより頻繁かつ強烈になり、健康、食糧生産、電力システムに脅威を与えています。それでも強力なスーパーコンピュータを用いても、予報は熱波がどれほど極端になるか、あるいはどれだけ続くかを見誤ることがしばしばあります。本研究は、大気だけでなく地中に蓄えられた水分と温度にも着目する新しい人工知能（AI）アプローチを紹介し、北半球の短期熱波予測を鋭くすることを目指しています。

地面が空に語りかける仕組み

土壌が湿っているとき、太陽エネルギーの多くは蒸発に使われ、表面を冷却します。土壌が乾くと、蒸発に使われるエネルギーが減り、地表直上の空気を直接加熱する割合が増えます。この変化は自己増強的な連鎖を引き起こすことがあります。すなわち、地面が乾くと空気がより熱くなり、蒸発需要が増えてさらに土壌を乾かし、熱を強めます。観測や過去のモデリング研究は、この陸域–大気フィードバックが中央北アメリカやヨーロッパなどの重度の熱波の主要な駆動因であることを示してきましたが、これまでの多くのAI気象モデルは陸側の要素をほとんど無視してきました。

陸と大気を同時に追うようAIに教える

著者らは、大気変数（気温、気圧、風など）と陸面変数（複数層の土壌水分と土壌温度）をERA5再解析データセットから取り込む陸域–大気の「結合」モデルを構築しました。グローバルな気象地図を圧縮して再構成する畳み込みニューラルネットワークを用い、このシステムは最大1週間先までの日々の状態を予測するよう訓練されています。重要なのは、モデルを翌日のみで最適化するのではなく、「マルチステップ」学習手法を用いた点です。AIは1日から7日までの全リードタイムにわたる誤差で罰せられ、近い将来にやや大きな重みが与えられます。これにより、モデルは陸面条件と大気が数日間にわたってどのように共進化するかを学ぶことが促され、個別の1日ジャンプとして扱うことを避けます。

乾いた土壌と極端な熱との強い結びつき

AIが本当に陸域–大気結合を捉えているかを検証するため、研究者たちは表層土壌水分と二つの重要量目（日最高気温と潜熱フラックス〈蒸発に結びつくエネルギー〉）の相関を調べました。観測では、乾いた土壌は中緯度の多くの陸域でより高温の日や潜熱の減少と同時に現れる傾向があります。マルチステップ損失で訓練された結合AIモデルは、これらのパターンを単純なワンステップ損失で訓練した同一アーキテクチャよりもはるかに忠実に再現しました。ワンステップ版は、特に蒸発フラックスについて、土壌乾燥が地表加熱と蒸発にどれほど強く結びつくかを常に過小評価しており、土壌条件が上層の空気に及ぼす遅延的な影響を見逃していることを示しています。

より鋭い熱波予報とその技能の源

局所の最高気温が90パーセンタイルを超える日を熱波条件と定義すると、結合モデルは明確な利点を示しました。1日から7日先の予報にわたり、マルチステップ損失で訓練した場合、結合モデルは大気のみのAIモデルと比べて気温誤差を5.9–11.2%低減しました。一方、ワンステップ訓練との比較では改善はわずか0.4–2.4%にとどまりました。最も大きな改善は概ね3日先に現れ、これは土壌水分と大規模循環の双方が予測可能で互いに補強し合う時期に一致します。予報期間が延びると大気パターンの予測は難しくなりますが、土壌水分はより長く記憶を保持します。結合モデルはこのゆっくり変化する陸面状態から継続して技能を引き出し、特に乾いた土壌と高温極端現象が密接に結びつく領域でその効果が顕著です。

実際の熱波を試金石として

チームはまた、近年の二つの深刻な熱波を検証しました。2018年の西欧で陸域駆動的に発生した事例と、2022年の東アジアでより大気駆動的だった事例です。ヨーロッパでは、観測は異常な土壌乾燥、感熱の増強、蒸発の抑制、そして長引く極端な気温を示しました。結合モデルはこの一連の事象を大気のみモデルよりもはるかに良く捉え、土壌乾燥やエネルギーフラックスの変化、日々の最高・最低気温の上昇と下降を現実的に追跡しました。東アジアでは、中層の強化された高気圧リッジが主導役を果たしたため、結合モデルはそれでも気温の推移を改善し、乾燥の進展を妥当に再現しましたが、そこの土壌乾燥は熱波の原因というより結果であった点が示されました。

将来の熱警報への示唆

本研究は、陸域情報を数日先を見据える学習戦略と組み合わせることで、AIベースの熱波予報を実質的に改善できることを示しています。ゆっくり変化する土壌水分や土壌温度がより速い大気の変化とどのように相互作用するかを明示的に学習することで、結合モデルは極端熱の蓄積と持続の双方をよりよく予見します。湿度や降雨などの課題は残るものの、この手法は危険な熱および熱と干ばつの複合事象に対するより早く、より信頼できる警報への有望な道筋を提供し、人々、生態系、インフラを守るための余裕を社会に与える可能性があります。

引用: Cho, D., Ham, YG., Jeong, S. et al. A deep learning-based land-atmosphere coupled model for heatwave prediction. npj Clim Atmos Sci 9, 85 (2026). https://doi.org/10.1038/s41612-025-01311-6

キーワード: 熱波予測, 陸域–大気結合, 土壌水分, 深層学習気象, 気候極端現象