機械学習気象予測を1km気温へダウンスケーリングする超解像フレームワーク

温暖化する世界で求められるより精細な地域予報

人々は自分の都市が来週暑くなるかどうかだけでなく、自分の近所が蒸し暑くなるのか過ごしやすいままかを知りたがっています。しかし、多くの大規模な気象モデルは依然として数十キロメートル単位の粗い格子で世界を見ており、山地や海岸線、都市の熱スポットといった局所的な特徴を平均化してしまいます。本研究はSR-Weatherという人工知能システムを紹介し、こうしたぼんやりした予報を街路スケールの温度地図へと鋭く変換し、危険な暑さやその他の局所的な極値をコミュニティによりよく知らせることを目指します。

なぜ今日の予報は近所の極値を捉えられないのか

近年、気象予測は飛躍的に進歩しており、従来の物理ベースの系よりも匹敵するか上回り、しかも高速に動作する機械学習モデルが登場しています。しかし、これらの大規模モデルのほとんどは約25キロメートル四方の格子で動作します。単一格子内には冷涼な海岸、密集した都市、森林の丘陵が混在し、それらは温度を大きく左右するにもかかわらず一つの値に平均化されます。将来の日〜週単位の予報に対してキロメートル解像度で完全な物理モデルを常時実行するにはまだ計算コストが高すぎます。その結果、中期の予報では都市のヒートアイランドや谷と尾根の急峻な差を確実に捉えることができません。

衛星で細部を補う

このギャップを埋めるために、著者らはSR-Weatherという深層学習による「超解像」フレームワークを設計しました。これは粗い温度マップを1キロメートル解像度の高精細場に変換する方法を学習します。まばらな地上観測所に依存する代わりに、細密な学習目標として衛星製品を使用します。具体的には、NASAのMODISセンサーによる全球陸面温度製品を出発点とし、これを韓国上空の日平均の地上付近気温に変換しました。次にこれらの衛星ベースの温度地図を、ほぼ二十年にわたる粗いERA5再解析データ（現代の機械学習予報と類似の解像度）と組み合わせます。これにより、標高、土地被覆、季節などの局所的特徴が粗格子内で温度パターンにどのように影響するかをネットワークが学べるようになります。

土地条件と季節性の知識を加える

SR-Weatherは従来の画像強調モデルを超え、重要な物理的文脈を持つ追加マップを明示的に入力します。これには尾根や谷を解像するデジタル標高モデル、都市化の程度を示しヒートアイランドの強さに関わる不透水面マップ、季節ごとの気候学的傾向を要約し年内のどの時期にどこが比較的暖かい／冷たいかを示す季節クラimatologyマップが含まれます。モデルのアーキテクチャは平均条件だけでなく、温度の局所的なピークや谷にも注意を払うよう調整されており、極値を平滑化して失わせるのではなく強調するプーリング操作を用います。他の先進的な超解像手法との比較試験では、SR-Weatherは衛星由来の温度との誤差が最も小さく、相関も最も高く、とくに小規模構造が重要な高山地帯や密集した都市で優れた性能を示しました。

より良い画像からより良い予報へ

歴史的なERA5と衛星データで学習した後、研究チームはSR-WeatherをFuXiという先進的な全球機械学習気象モデルの実際の予報に適用しました。FuXiは25キロメートル解像度で最大15日先を予測します。SR-WeatherはFuXiの粗い日々の温度場を韓国領域の1キロメートル地図へと変換し、密な地上観測網と比較して評価されました。1〜7日先のリードタイムにわたり、超解像された予報は単純補間より一貫して観測値と良く一致し、短期では韓国の運用高解像度数値モデル（LDAPS）よりも優れた成績を示しました。注目すべきは、FuXiに対する7日先のSR-Weather予報が、粗い場を単に補間しただけの1日予報より優れていたことであり、これは本手法が単に詳細を付加するだけでなく、地形や都市化に関する情報を用いて系統的なバイアスも補正していることを示しています。

一般の気象利用者にとっての意義

非専門家にとっての核心は、迅速な全球AI気象モデルの出力を高価なスーパーコンピュータを回さずに近隣スケールへ「ズームイン」できるようになったということです。SR-Weatherは衛星から都市や山や海岸がどのように局所的に加熱・冷却されるかを学習し、その知見を用いて将来の気温予報を鋭く補正します。本研究は韓国に焦点を当てましたが、同じ要素—MODIS衛星製品や基本的な陸面マップ—は世界中で利用可能であり、多くの地域で類似のシステムを学習させることが可能です。極端な暑さが増えるにつれて、SR-Weatherのようなツールは都市計画者、送配電網運用者、公衆衛生当局がどの地区が数日前から最もリスクが高いかをより正確に把握し、より的確かつ迅速な対応を行うのに役立つでしょう。

引用: Park, H., Park, S., Kang, D. et al. A super-resolution framework for downscaling machine learning weather prediction toward 1-km air temperature. npj Clim Atmos Sci 9, 56 (2026). https://doi.org/10.1038/s41612-026-01328-5

キーワード: 天気予報, 超解像, 都市のヒートアイランド, 衛星データ, 機械学習