国内ニュース
地域スケールの気候変動予測手法、ディープラーニング組み込みで実用性高まる
発表日：2023.04.27
（株）豊田中央研究所と国立環境研究所は、全球気候モデル（GCM）から得られる情報を50 倍の解像度に詳細化する新技術を開発した。温暖化の将来見通しを立てるため、多くの研究者がGCMの再現性向上に尽力している。他方、気象災害リスクや産業構造は地域ごとに異なることから、より詳細な（解像度の高い）気候シナリオや予測データの必要性が高まっている。こうした情勢を踏まえ、国立環境研究所はGCMの結果を領域モデルと呼ばれる数値モデルで再度計算し、一部の地域を詳細化する過程（広義：ダウンスケーリング）の活用に力を注いでいる。ダウンスケーリング手法は、演算プロセスの違いから「統計的ダウンスケーリング法」と「力学的ダウンスケーリング法」に大別される。前者は、過去の気象観測データと、対応する期間を対象とした気候モデルから得られたデータとを比較して、それらの間の統計的な関係を将来予測データに当てはめることで高い解像度の情報を得るもの。後者に比べて計算負荷が小さいというメリットがある。本研究は、従来の統計的ダウンスケーリング法（CDF: Cumulative Distribution Function）では表現しきれなかった、空間的に離れた地点の気候現象の相関関係を再現することに重きを置いている（例：ある地点が雨のとき、離れた別の地点も雨か否か）。鍵技術は、人間の目で見て自然な画像を生成する機械学習的手法のひとつ「敵対的生成ネットワーク（GAN）」。GANは低解像度画像の詳細化にも応用された実績があることから、SR（Super-resolution）を冠し、「SRGAN」とも呼ばれている。今回、SRGAN を気候情報のダウンスケーリングに応用した結果、気温・降水量の低解像情報（約100 km角×1ピクセル）から約2 km四方・2,500ピクセルの情報を得ることに成功した。こうした高解像度化は、SRGANによって、気候学的に相関が高い海面校正気圧や地形といった補助情報を効果的に機械学習システムに組み込むことで実現した。2001～2018年の実観測データを使って新潟と西日本各地点の関係の強さを検証したところ、CDF法と同程度の精度で、観測データがもつ非単調で複雑な空間分布パターンを上手く再現できていることが確認された。物理的な補助情報を活用しているという意味合い（Physics-Informed）を込め、本成果を『πSRGAN』と称し、提案している。交通インフラや再生可能エネルギーなどの空間的広がりを考慮した気候変動影響評価への活用が期待できる（掲載誌：Scientific Reports）。
