ユーラシアの地表面気温の10年予測を強化するための深層学習モデル

10年先を見通すことがなぜ重要か

ユーラシアの人々や政府にとって、今後5〜10年の間に気温がどのように変わるかを知ることは、エネルギー計画や作物選択、インフラ設計に至るまで幅広く役立ちます。それでも現在の最良の気候モデルは、この広大で多様な地域における中期的な地表面気温の振れを予測するのに苦労しています。本研究は、既存の気候モデル予測を深層学習で精緻化・統合する新しい手法を導入し、ユーラシアの気候の将来像をより明確に示すことを目的としています。

10年スケールの気温変動が抱える課題

ユーラシアは中央アジアの砂漠から北極海沿岸まで広がり、世界人口の半分以上が住んでいます。近年、この地域は単純に滑らかに温暖化したわけではなく、1990年代から2000年代にかけて多くの北部地域で見られた不可解な冷却のように、複雑な十年ごとの揺らぎを経験してきました。これらの上下動は、大西洋や太平洋のゆっくり動く海洋パターンや北極海の海氷変化によって形作られます。標準的な気候予測システムは数年先の一部の海面水温パターンを予測できますが、特に中〜高緯度の信頼できる指針が最も必要とされる地域におけるユーラシアの数年単位の気温変動を捉えるのは依然として苦手です。

ユーラシアを気候の「近傍」に分ける

この複雑さに対処するため、著者らはまず時系列クラスタリングと呼ばれる手法を用いてユーラシアを20の「気候近傍」に分割します。単に地理的境界で区切るのではなく、1968年から2001年の間に十年スケールで似た振る舞いを示すグリッドセルをまとめます。長期的な温暖化を取り除くと、南部地域は比較的小さな変動を示す一方で、北部や高山地域ははるかに大きく複雑な揺らぎを示します。それぞれの近傍を個別に扱うことでノイズを減らし、巨大で一貫性のない場としてではなく、地域ごとのゆっくりした温度変化パターンを予測するという明確な課題に焦点を当てられます。

気候モデルのための深層学習アシスタント

研究の核心はGRUBAと呼ばれる7層の深層学習モデルで、時系列データに適した一種の再帰型ニューラルネットワークに基づいています。GRUBAは物理的な気候モデルを置き換えるものではなく、それらの出力を事後処理することを学習します。各近傍について、GRUBAは6～10年先を見通す80の異なるモデルランの予測を取り込みます。データが積み重ねられた処理層を通過するにつれ、GRUBAは多くのアンサンブルメンバーから情報を圧縮して安定化させ、最終結果の予測に最も重要な時間スライスに注目する「アテンション」ステップを適用します。最終層では、予測振幅を観測温度によりよく一致させるための微妙な調整が行われます。

より鮮明な予測とその改善の理由

学習中に使われなかった2004–2021年の期間で検証したところ、GRUBAは10年予測を劇的に改善しました。気候モデルを単純平均すると、多くの北部地域で技能が弱いか誤解を招く場合があります。GRUBAの補正後、20の近傍にわたる十年スケールの振幅の予測と観測との平均相関はゼロ近くから強く正の値へ跳ね上がり、振幅精度の尺度も負から明確な正へ改善しました。システムは、初期2000年代の冷却と高緯度での再び急速な温暖化の両方を捉えますが、これらは生のモデル群では大部分が見落とされています。SHAPと呼ばれる手法で深層学習モデルを解析すると、GRUBAは歴史的に実際の経過をよく追った個々のモデルランに高い重みを与え、特に扱いの難しい北部地域で信頼性の低いものを抑えることを効果的に学んでいることが示されます。

今後数年の予測の一端

この改良されたツールを用いて、研究者らは2022–2025年のリアルタイム予測を作成しました。GRUBAは高緯度での強い継続的な温暖化と、一部の中緯度地域における相対的な冷却のポケットが共存するパターンを示唆し、これは生のマルチモデル平均とは対照的です。2022年については、この洗練された予測は観測条件とかなりよく一致しますが、チベット高原での温暖化を過小評価し、一部の冷却域をやや強調する傾向が残ります。著者らはまた、GRUBAの利点は学習に用いるアンサンブルメンバーが多いことに依存しており、そのアーキテクチャは特に困難な高緯度領域に関していくつかの代替機械学習設計よりも優れていることを示しています。

気候計画にとっての意義

日常的な観点から見ると、この研究は人工知能を賢く使うことで、すでに作られている気候予測からはるかに有用な情報を引き出せることを示しています。多くの個別シミュレーションの過去の成功と失敗から学ぶことで、GRUBAは散らばった10年予測の束を、ユーラシア全域の起こりうる気温変動のより明確な像へと変換します。この方法はさらに広範な検証と改良を必要としますが、短期的な天気予報と長期的な気候予測の間のギャップを埋め、意思決定者に次の10年の地域気候の変化についてより信頼できる指針を与える現実的な道筋を示しています。

引用: Chen, Y., Huang, Y., Qian, D. et al. Deep learning model for enhancing decadal prediction of Eurasian surface air temperature. npj Clim Atmos Sci 9, 77 (2026). https://doi.org/10.1038/s41612-026-01337-4

キーワード: 10年スケールの気候予測, ユーラシアの気温, 深層学習, 気候アンサンブル, 地表面気温