AI 気象モデルの降水予測を改善する観測データ活用手法──CRPS 最大 19% 向上を実証
ERA5 再解析データで学習したグラフ Transformer を IMERG 降水データでファインチューニングし、連続ランク確率スコアを最大 19% 改善した。
リリース: 2026-09-02 · 読了 4 分論文概要
AI 気象予測（AIWP）システムは中規模の天気予報において最先端の物理モデルを凌駕しつつあるが、従来のグローバル AIWP モデルは主に ERA5 再解析データのみで学習されているため降水量に関する既知のバイアスが存在する。本研究では、グラフ Transformer アーキテクチャを 0.25° 解像度の IMERG 降水データでファインチューニングし、継続ランク確率スコア（CRPS）を最大 19% 改善した。 
関連研究
既存のグローバル AIWP モデルは主に ERA5 再解析データを学習の基盤としているが、再解析データ特有の限界や降水予測におけるバイアスが指摘されていた。本研究は、再解析データ単体への依存から脱却し、高解像度の直接観測データを直接統合する点で先行研究と一線を画す。
新規性と貢献
再解析データ特有のバイアスを持つ ERA5 のみに頼らず、IMERG による観測データを直接ファインチューニングに組み込むアプローチを実証した点が最大の新規性である。極端な降水予測において既存の運用モデルの Brier skill score をグローバルに 57% 上回る精度を達成している。
提案手法の詳細
グラフ Transformer アーキテクチャをベースとし、0.25° 解像度の IMERG 降水データを用いてモデルをファインチューニングする構成を採用した。空間的な構造を捉えるグラフ構造の利点を活かしつつ、観測データ特有の細粒度な降水パターンを学習させる設計となっている。 
評価・考察
評価では中長期の CRPS が最大 19% 向上し、熱帯低気圧や霧雨イベントに対しても優れたスキルを示した。また、極端な降雨予測の Brier skill score は既存の運用モデルを 57% 上回る。 
一方で、最も激しい降水イベントに関しては、依然として物理ベースの運用モデルのほうが信頼性が高いという結果も報告されており、物理モデルと AI モデルの特性の違いが浮き彫りとなっている。
応用例と今後の展望
気象予測や防災インフラ分野において、数理モデルと観測データを組み合わせた高精度な降水予測システムの構築に応用可能である。日本の気象・防災分野の研究者やテックリードにとって、観測データをディープラーニングモデルの追加学習に組み込む際のスケーリング手法のベンチマークとなり得る。今後は、最極端降水イベントにおける物理モデルとのさらなる融合が課題となる。
結論
観測ベースの降水データを AI 気象モデルの学習に直接取り入れることで、降水予測の精度が大幅に向上することが実証された。極端降水予測における有効性が確認される一方で、物理モデルの信頼性との補完関係が今後の重要な方向性となる。
注釈
- AIWP: Artificial Intelligence Weather Prediction（人工知能気象予測）の略。
- ERA5: 欧州中期予報気象センター（ECMWF）による第5世代のグローバル気象再解析データセット。
- IMERG: Integrated Multi-satellitE Retrievals for GPM による高解像度衛星降水観測データセット。
- CRPS: Continuous Ranked Probability Score（連続ランク確率スコア）。確率予測の精度を評価する指標。
- Brier skill score: 確率予測の正確さを測るスコアで、基準モデルに対する改善度を示す。