3分で読めますデータとAI

Hybrid Weather Twin:物理モデルと機械学習のブレンド

2022年5月、TempoQuestは、物理ベースの気象モデルと機械学習をブレンドする「Hybrid Weather Twin」を紹介しました。それぞれのモデルの得意分野と、ブレンドが現在使われている場面を説明します。

軌道上から見た地球を左右に二分した画像。左半分は、白い等値線を重ねた、緑と青に光るモデルデータとして描かれ、右半分は、陸と海の上に雲がかかる実際の衛星画像です。

初出:2022年5月11日 · 更新:2026年11月16日

気象予報を必要とするデータサイエンス部門の責任者は、今では二つのタイプのモデルから選べます。物理ベースのモデルは大気の方程式を解くもので、膨大な計算を必要とします。機械学習モデルは、学習が済めば予報をすばやく出せますが、知っているのは学習データから学んだことだけです。多くのチームは、結局その両方を必要とします。2022年5月、TempoQuestは、物理ベースのモデルと機械学習をブレンドする「Hybrid Weather Twin」という構想を紹介しました。この記事では、その考え方を改めて取り上げます。当時何が提案されたのか、それぞれのモデルは何が得意なのか、そしてブレンドが現在、実際にどこで使われているのかを説明します。

2022年の構想が提案した内容

デジタルツインとは、物理的なシステムをデジタル上に再現した複製であり、実物から得た計測値によって最新の状態に保たれるものです。2022年の記事は、この用語を気象に当てはめました。そこで示されたハイブリッドツインは、物理ベースの予報モデルと、観測データで学習したデータ駆動型モデルを組み合わせたものでした。

この構想では、予報の一連の処理のうち、次の三つの箇所に機械学習を配置していました。

  1. モデルの前:観測データの選別と準備。
  2. モデルの中:最も計算コストの高い物理計算の代替。
  3. モデルの後:出力に含まれるパターンと外れ値の検出、および局所的なバイアスの補正。

この構想では、インフラについても「ハイブリッド」という言葉を使っていました。CPUとGPU、クラウドとオンプレミス、公開データと非公開データです。下の図は、その記事に掲載されていたものです。

2022年のHybrid Weather Twin構想の階層図。下から順に、ハイブリッドインフラ(CPUとGPU)、ハイブリッド展開(クラウドとオンプレミス)、データソース、データ変換とデータ同化、WRFの物理ベースモデルと機械学習モデルを組み合わせるハイブリッドモデル、後処理、そしてAPI、可視化、レポートの各出力。

Hybrid Weather Twinは構想であって、製品ではありませんでした。

それぞれのモデルの得意分野

物理ベースのモデルは、運動と熱力学の法則を出発点とします。強みは次のとおりです。

  • 過去の事例に依存しないため、一度も観測されたことのない状況もシミュレーションできます。
  • 出力は網羅的で、物理的に整合しています。すべての格子セルについて、すべての変数が得られます。
  • 挙動の原因をさかのぼって特定できます。これは、予報の根拠を問われたときに重要です。

代償は計算量であり、細かい格子では大量の計算が必要になります。

機械学習モデルは、過去のデータからパターンを学習します。強みは次のとおりです。

  • 学習が済めば、予報をすばやく出せます。
  • ある観測マストでの定常的なバイアスのように、物理モデルが捉えきれない拠点固有の癖を学習できます。

限界は学習データにあります。粗い記録や期間の短い記録で学習したモデルは、見たことのない細部や極端現象を生成できません。

二つのアプローチが互いを補い合うのはそのためです。物理モデルは、学習モデルが必要とする詳細で整合性のあるデータを生成できます。学習モデルは、観測に照らして物理モデルを補正できます。

ブレンドが現在使われている場面

現在の例を三つ紹介します。

AI学習データとしての物理モデル出力

細かい格子が描く細部は、予報精度の証明にはなりません。予報を評価する方法では、ライダー観測との範囲を限った過去の比較も紹介しています。

あらゆるハイブリッドシステムにとっての教訓は、この二つの結果の組み合わせにあります。細かい格子の計算単独では基準モデルを上回れなかったところで、ブレンドは上回りました。そして、それを明らかにしたのは、観測と照合した評価だけでした。

審判役としての検証

どのようなブレンドにも審判役が必要です。標準的な検証では、バイアス、平均絶対誤差、二乗平均平方根誤差といった指標を使い、観測所、ライダー、レーダーの観測と照合して予報を評価します。これとは別に、TempoQuestは、気象予報の検証を改善することを目的としたForecast Verification Toolを開発しています。

構築前に答えを出しておくべき問い

  • 何と照合して評価しますか。まず観測データと誤差指標を選んでください。それがなければ、ブレンドに効果があるかどうかを判断できません。
  • 学習データは十分に細かいですか。学習データセットの解像度と時間間隔が、学習済みモデルに表現できる範囲の上限になります。
  • 学習範囲の外では何が起こりますか。記録的な事象を想定して計画してください。学習済みモデルが見たことのない条件に備えて、物理ベースの予報を運用の中に残しておいてください。
  • 物理モデルは誰が動かしますか。AceCASTを使って自分でWRFをGPU上で実行することも、仕様に合わせたデータの提供を受けることもできます。

次のステップ

カスタム気象データを依頼する、またはAceCASTを見る。

お客様の予報

ご自身の予報について、ご質問がありますか?

その予報がどのような判断に使われるのかをお聞かせください。短いフォームひとつで担当チームに届き、すべてのお問い合わせを確認します。