予測するAI(2): 気象・地震を予測する

― 予測科学における決定論的アプローチの限界とAIの台頭 ―

はじめに

気象予報や地震予測は、人類にとって最も古く、かつ最も困難な挑戦の一つである。従来の予測手法は、物理法則に基づく数理モデル、すなわち流体力学や弾性力学の方程式をスーパーコンピュータ上で数値的に解く「数値予報」が主軸であった。

しかし、数値モデルには「カオスの壁」が存在する。大気の状態は初期値の微小な差が時間とともに増幅される非線形システムであり、計算リソースの制約から格子解像度を無限に上げることは不可能である。また、地震においては地殻内部の応力状態を直接観測する手段が乏しく、物理パラメータの推定に大きな不確実性が伴う。

近年の深層学習（Deep Learning）の進展は、この領域に「データ駆動型アプローチ」という新たな光を投げかけた。過去数十年の膨大な観測データ（再解析データ）を教師信号として、物理過程をニューラルネットワークに暗黙的に学習させる手法が多くの標準的な指標において、従来の物理シミュレーションを上回るケースが報告されている。本稿では、このパラダイムシフトの最前線を技術的な観点から詳述する。

1. 気象予測：数値予報からデータ駆動型エミュレータへ

1.1 物理モデルの限界と「サロゲートモデル」の必要性

従来の数値気象予報（NWP）は、プリミティブ方程式を離散化して解く。これには膨大な並列演算が必要であり、10日間の全球予測を実行するのに最先端のスパコンでも数時間を要する。この計算コストが、予報の更新頻度やアンサンブル数（予測のばらつき評価）を制限していた。

AIによるアプローチは、物理演算を直接行うのではなく、NWPの入力と出力を模倣する「サロゲートモデル（代替モデル）」として機能する。学習には欧州中期予報センター（ECMWF）が提供するERA5のような、過去40年以上の高品質な再解析データが使用される。

1.2 主要なアーキテクチャと最先端モデル

気象データは「球面上に定義された多変量の時系列データ」である。この特殊な構造を扱うため、以下の3つのアーキテクチャが覇を競っている。

A. Graph Neural Networks (GNN) と GraphCast

Google DeepMindが開発したGraphCastは、地球を多重解像度の正二十面体メッシュ（Icosahedral grid）として定義する。

• 技術的特徴: 局所的なメッセージパッシングにより、遠距離の相関を効率的に伝播させる。

• 成果: 10日先までの予報において、ECMWFの最高精度モデルであるHRESを90%以上の変数で上回った。

• 参照リンク: GraphCast: Learning skillful medium-range global weather forecasting (Science)

B. Fourier Neural Operator (FNO) と FourCastNet

NVIDIAが提唱したFourCastNetは、畳み込みを実空間ではなく周波数領域（フーリエ空間）で行う。

• 技術的特徴: 適応的フーリエ層（AFNO）を用いることで、高解像度データに対しても計算量を抑えつつ、広域的なパターンを抽出できる。

• 成果: 従来のNWPと比較して約45,000倍の高速化を達成。

• 参照リンク: FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators (arXiv)

C. Hierarchical Transformer と Pangu-Weather

HuaweiのPangu-Weatherは、3D Earth-Specific Transformerを採用した。

• 技術的特徴: 高度方向の情報を統合した3次元のトークン化を行い、階層的な構造で気圧配置の変化を捉える。

• 成果: 台風の進路予測において、従来の物理モデルよりも高い精度を示した。

• 参照リンク: Accurate medium-range global weather forecasting with 3D neural networks (Nature)

1.3 降水ナウキャスト：生成AIによる「ぼけ」の克服

数分から数時間先の局地的な降水を予測する「ナウキャスト」は、防災上極めて重要である。従来は線形外挿（アイソトープ法）が主流であったが、積乱雲の発達や衰弱を表現できなかった。

DeepMindのDGMR (Deep Generative Model of Radar) は、GAN（生成対抗ネットワーク）を用いて、物理的に整合性のあるリアルな降水パターンを生成する。従来のL1/L2損失関数を用いたモデルでは、不確実な予測が「平均化」されてしまい、強い雨がぼやけて表現される欠点があったが、GANはこの問題を解決した。

• 参照リンク: Skilful precipitation nowcasting using deep generative models of radar (Nature)

2. 地震予測：微弱なシグナルの抽出と物理的解釈

地震予測におけるAIの活用は、気象予報とは異なる困難に直面している。地震は「地下で発生する非定常なイベント」であり、正解データ（大規模地震）のラベルが極めて少ないためである。

2.1 地震波検知の自動化と高精度化

地震が発生した際、P波を検知してS波（大きな揺れ）が来る前に警告を出す緊急地震速報において、AIは不可欠な技術となっている。

• PhaseNet: 深い残差ネットワーク（ResNet）をベースとしたU-Net構造を持ち、地震波の立ち上がりを正確にセグメンテーションする。

• EQTransformer: Attention機構により、環境ノイズ（工事や交通）と微小な地震波を分離する。これにより、人間が目視で確認していた作業を1,000倍以上の速度で処理可能にした。

• 参照リンク: PhaseNet: A Deep-Neural-Network-Based Seismic Arrival Picker (Geophysical Journal International)

2.2 GNSSデータを用いた地殻変動の異常検知

南海トラフなどの巨大地震の前兆として注目される「スロースリップ（ゆっくりすべり）」の検出には、数センチ単位の地殻変動を捉えるGNSS（全球測位衛星システム）データが用いられる。 LSTM（Long Short-Term Memory）や、最近ではグラフアテンションネットワークを用いて、観測点間の相互作用を考慮した異常検知が行われている。

• 参照リンク: GEONET（GNSS連続観測システム）とは(国土地理院)

2.3 Physics-Informed Neural Networks (PINNs) の適用

データが少ない地震分野において、純粋なデータ駆動型モデルは「物理的にあり得ない挙動」を示すリスクがある。そこで、損失関数に物理方程式（波動方程式や弾性力学の方程式）を組み込むPINNsが活用されている。 AIが予測した波形が物理法則に反する場合、ペナルティを与えることで、観測データが不足している領域でも妥当な推論を可能にする。

• 参照リンク: Deep Learning for Geophysics: Current and Future Trends

3. 技術的課題：信頼性、解釈性、そしてエッジケース

ミッションクリティカルな防災分野において、AIの「ブラックボックス性」は最大の障壁である。

3.1 Explainable AI (XAI) の社会実装

予報官や防災担当者がAIの出力を信頼するためには、根拠の提示が求められる。

• Saliency Maps / Grad-CAM: どの地域の低気圧が、数日後の大雨に寄与しているかを可視化する。

• アンサンブルの不確実性定量化: AIが単一の答えを出すのではなく、「自信度（確信度）」を確率分布として出力させる手法（Deep EnsemblesやBNN）の研究が進んでいる。

3.2 「未経験のイベント」への脆弱性

AIは学習データの範囲内での補完は得意だが、範囲外の外挿には弱い。

参照リンク: 

https://www.researchgate.net/publication/394830294_Numerical_models_outperform_AI_weather_forecasts_of_record-breaking_extremes

1,000年に一度の巨大地震や、温暖化で未経験の強度に達したスーパー台風をAIが正しく予測できるかという懸念がある。 これに対しては、物理シミュレーターとAIを組み合わせるHybrid Modelingが有望視されている。物理モデルで極端なシナリオを生成し、それをAIの学習に加えることで、堅牢性を高める手法である。

4. エンジニアリング・プラクティス：巨大なデータと計算の壁

技術者がこの分野のシステムを構築する際に直面する実務的課題を整理する。

4.1 データエンジニアリングの要諦

気象データは一般にGRIB2やNetCDFといった特殊なバイナリ形式で配布される。これらを多次元配列（NumPy/Xarray）として効率的に読み込み、GPUに転送するパイプラインの構築が、モデル開発そのものよりも時間を要する場合が多い。

• Dask/Zarrの活用: 数TB規模のデータを分散処理するためのライブラリ選定が不可欠である。

• Feature Engineering: 海面水温、地形（標高）、植生といった「静的データ」を、時系列の「動的データ」とどう結合（Concat）してAttentionをかけるかが、精度の分かれ目となる。

• 参照リンク: https://qiita.com/kanonundgigue/items/6e1069f4ad655725f170

4.2 ハイパーパラメータと分散学習

全球モデルの学習には、数千基のGPU（A100やH100）が必要となる。

• ZeRO (Zero Redundancy Optimizer): メモリ効率を最大化し、巨大なパラメータを持つTransformerを学習させる。

• 混合精度演算: 予測精度を維持しつつ、FP16/BF16を用いて計算速度とメモリ消費を最適化する。

• 参照リンク: https://docs.nvidia.com/deeplearning/performance/mixed-precision-training/index.html

5. 展望：地球のデジタルツインと意思決定支援

将来的に、気象・地震AIは単なる「予測ツール」を超え、社会全体の最適化エンジンとなる。

1. エンドツーエンドの被害予測: 気象予測をインプットとして、直接「浸水範囲」や「電力需要」「鉄道の運休リスク」を出力する下流タスクとの統合。

2. リアルタイム・データアッシミレーション（データ同化）: 従来のデータ同化は線形カルマンフィルタなどが中心だったが、強化学習や変分オートエンコーダ（VAE）を用いた「AIによるデータ同化」により、最新の観測値を即座に予測モデルへ反映させる。

 3. エッジ計算と早期警戒: 地震計のそばに設置されたエッジデバイス上でAIを動かし、クラウドを経由せずにコンマ数秒で判断を下すアーキテクチャの普及。

結論

AIは、気象・地震予測を「物理シミュレーションの力業」から「知的なパターン認識」へと進化させた。しかし、これは物理学の終焉を意味しない。少なくとも現時点では、AI単独での予測はミッションクリティカル用途には不十分であり、物理モデルとのハイブリッドが実質的な標準となるだろう。AIが抽出したパターンを物理学的に再解釈し、モデルの背後にある力学系を理解することが、次世代のスタンダードとなる。

エンジニアにとって、この分野は地球規模のビッグデータを扱い、人類の安全に直結する最もやりがいのあるフィールドの一つである。数学的素養、物理的洞察、そして高度な計算機科学の知識を総動員し、この「地球という巨大なカオス」に挑むことが求められている。

主要参考文献リンク集

• Google DeepMind - Weather Forecasting

• NVIDIA Earth-2 Project