理想化モデルと運用モデルをつなぐ：地球システムエミュレータのための説明可能なAIフレームワーク

よりよい気候モデルが重要な理由

季節予報や長期の気候予測は、食料安全保障や水資源管理、災害対策といった意思決定に影響を与えます。それでも、今日の最先端の計算モデルでさえ、世界的に干ばつや洪水をもたらすエルニーニョのような重要なパターンを誤判断することがあります。本論文は、そうした複雑なモデルを、説明可能な人工知能の形で単純で精緻に調整されたモデルから“学習”させることで、より賢く、信頼できるようにする新しい方法を紹介します。

二種類の気候モデル、二つの強み

現代の運用気候モデルは、大気、海洋、陸域、氷を全球格子で詳細にシミュレートします。それらは強力ですが完璧ではなく、極端事象の表現やエルニーニョ／ラニーニャのような繰り返し現象の統計にバイアスを抱えがちです。一方で理想化モデルは、いくつかの重要な過程に焦点を当て、しばしば一地域や海域の一列に沿った単純化された方程式で構成されます。単純で高速なため、特定の振る舞いや統計を非常によく再現するよう精密に調整できます。残念ながら、この二つのモデル世界はめったに交わりません：詳細モデルは単純モデルから得られる知見を手作業で調整するには複雑すぎ、単純モデルは実用的な予測に必要な豊富な場を欠いています。

説明可能なAIで構築する橋

著者らは、ブラックボックス的な修正ではなく説明可能な人工知能を用いて両アプローチの長所を組み合わせる「ブリッジングモデル」を提案します。まず、オートエンコーダーというニューラルネットワークで複雑な気候モデルの巨大な出力をコンパクトな「潜在」表現に圧縮します。オートエンコーダーは、より少ない数値から元の場を再構築する方法を学習します。次に、その圧縮状態を、観測とよく一致することが知られている理想化モデルが生成する赤道付近の海面水温やサーモクライン深度など、いくつかの重要変数で補強します。第二のニューラルネットワークが圧縮状態の時間発展を学習し、データ同化のステップがこの進化する状態を理想化モデルから来るパターンへ反復的に誘導します。この補正はよく理解された統計的公式によって行われるため、単純モデルが全体システムに与える影響は定量化・追跡可能であり、プロセスは説明可能になります。

エルニーニョの形、強さ、リズムを修正する

フレームワークを検証するため、研究者らは赤道太平洋のエルニーニョ・南方振動（ENSO）に注目しました。ENSOの暖位相（エルニーニョ）と冷位相（ラニーニャ）は世界の天候に強い影響を与えます。CMIP6のような最先端モデルでも、エルニーニョ事象の多様性を再現するのに苦労することが多く、東部太平洋でピークするもの、中央太平洋でピークするもの、周期ごとに強度やタイミングが異なるものがあります。こうした変動の統計を正確にとらえる理想化モデルを用いることで、ブリッジングモデルは主要な運用モデル（CESM2）のバイアスを大幅に補正しました。表層・海底下の温度や風の空間パターンが改善され、観測されたエルニーニョ指標の確率分布や季節リズムに合致し、極端事象や複数年にわたる事例を含む現実的な事象の連続も再現しました。

迅速かつ明瞭に「もしも」の世界を探る

この橋は完全モデルの圧縮版上で動作するため、元の気候システムよりはるかに安価にシミュレーションできます：数十年分の走らせるのに標準的なコンピュータで数分で済み、完全な全球モデルが必要とする膨大な資源を節約できます。この効率性により、希少な極端事象を研究するための大規模アンサンブルを生成したり、「もしも」シナリオを探索したりできます。たとえば、理想化モデルで太平洋貿易風の強さを表すゆっくり変化するパラメータを変えることで、大気循環が持続的に弱まったり強まったりする未来を検討できます。ブリッジングモデルは、エルニーニョ事象の発生場所や強さを変化させて応答し、過去の研究と整合しますが、計算コストはごくわずかです。補正が透明なデータ同化のステップを通して行われるため、どの部分がどの程度誘導されているかを研究者が確認できます。

新しい種類の気候ツイン

日常的に言えば、このフレームワークは大きく詳細な気候モデルが、神秘的なブラックボックスにならずに単純で良く理解されたモデルの「知恵を借りる」ことを可能にします。結果として得られるハイブリッドは現実の気候システムのデジタルツインのように振る舞います：影響評価に必要な豊富で高解像度の場を保持しつつ、主要なパターンや統計を観測と精密に調整された理論の両方に整合させます。著者らは、この手法が他地域や複数モデルへ、さらには地球科学を超えた、単純モデルと詳細モデルが共存する任意の複雑系へ拡張できると主張します。補正を解釈可能にすることで、理想化モデルを構築するコミュニティと運用モデルを維持するコミュニティの協力が深まり、社会にとって重要な気候極端現象のより信頼できる予測への道を開くと述べています。

引用: Behnoudfar, P., Moser, C., Bocquet, M. et al. Bridging idealized and operational models: an explainable AI framework for Earth system emulators. npj Clim Atmos Sci 9, 65 (2026). https://doi.org/10.1038/s41612-026-01334-7

キーワード: エルニーニョ, 気候モデリング, 説明可能なAI, データ同化, デジタルツイン