天気の予測は困難です。正確な予測を行うために、気象学者は現在および過去の気象データを使用して、大気の将来の状態とそれが気象パターンに与える影響を予測します。しかし、正確な予測を行うためにはどのような気象データが必要なのでしょうか。気象学者は、世界中の測候所、気象衛星、気象観測気球から、気温、気圧、湿度、降水量、風速などに関する気象観測を収集します。これらの気象条件は時間の経過とともに変化し続けるため、膨大な量のデータが必要になります。
このデータを正確な天気予報に変えるには、一定の流動状態にある数千、さらには数百万の変数間の相互作用をモデル化する必要があります。この計算は、数学では「流体力学的微分方程式」として知られています。これらの数式は非常に複雑で、非常に多くのデータが含まれるため、通常はスーパーコンピューターで実行されます。
この方程式に基づく天気の予測を数値天気予報と呼び、それを実行するコンピューター・プログラムを気象モデルと呼びます。
気象モデルは大気をコンピューターでシミュレーションしたものです。
地球の大気は高さ約 60 マイルの空気の層であり、その中で流体である空気は、複雑な化学力学、熱力学、流体力学の結果として、ある場所から別の場所に移動します。理論上、これらの空気の流れは、十分なデータ、計算能力、およびさまざまな要素間の相互作用を正確に説明できる方程式があれば、物理法則と数学の法則を使用して計算できます。
これらは、あらゆる気象予測モデルに不可欠な 3 つの部分です。気象データ、計算能力、大気中のさまざまな気象条件の相互作用をシミュレートする数式です。
コンピューター・プログラムが大気の将来の状態についての予測を出力するには、まずモデルで記述される地域の現在の気象データを入力する必要があります。一般に、気象モデルには 2 つのタイプがあります。1 つは特定の場所に焦点を当てたローカル モデル、もう 1 つは地球全体の天気を正確に予測することを目的としたグローバル・モデルです。
どちらのタイプのモデルも同様のプロセスを使用します。違いはスケールです。気象観測は測候所、気象観測気球、ブイ、レーダー、気象衛星などで行われ、降水量や雷雨、風速や風向、気温や気圧などのデータが収集されます。ある時点の 1 つのスナップショットから取得されたこれらの初期データは、モデルの「初期条件」と呼ばれます。この初期データは、定期的に繰り返される時間ステップで定期的に更新されます。
これらの初期条件からのデータは、モデルの領域をカバーし、大気中まで上向きに広がる 3 次元の点のセットであるグリッドに配列されます。グリッド点は気象観測が行われた点ではありません。むしろ、それらはコンピューターによって生成された一連の位置であり、空間的に等距離であり、水平方向と垂直方向に走っています。各格子点で、コンピューター・プログラムはモデル実行を実行してその位置の数値予測を生成し、格子全体の計算が完了するまでこのプロセスが格子点ごとに繰り返されます。
これらの初期条件から、モデルは時間ステップを段階的に進めて、大気の流れとその結果生じる気象条件の予測を開始できます。
グリッド点の数と各格子点間の間隔は予測モデルの精度に影響します。グリッド点の数が多いモデルは「高分解能」と呼ばれ、精度が向上しますが、高分解能のグリッドでは必要な計算能力も大きくなります。1
天気はカオス的システムと呼ばれています。天気には相互に関連する変数が非常に多いため、初期条件の小さな変動（たとえば、4mphと4.2mphで測定された風速の差）はすぐに倍増し、システムの他の部分に大きな影響を及ぼし、時間の経過とともにその挙動を予測することが困難になります。
気象システムには数多くの変数や未知数が関わっているため、気象学者はしばしばいわゆる「アンサンブル予測」に頼っています。アンサンブル予測では、不確実性を考慮して、それぞれ異なるパラメーターを使用し、複数のモデルを実行します。これらの予測をすべて集めたアンサンブルは、将来起こり得る大気の状態の範囲をモデル化し、将来の気象の確率的予測を提供するために使用できます。4
気象学者は、正確に何を予測したいかに応じて、天気予報にさまざまなモデルを使用します。特定の地域で実行されるローカル・モデルは、地球全体をカバーするグローバル・モデルとはまったく異なる情報を提供します。それぞれの気象モデルには、どのようなデータを含めるか、どのような数式で大気現象の最適なシミュレーションを行うか、どのような種類の予報が最も重要かといった優先度付けをどのように行うかといった選択が含まれます。
どのようなモデルでも、すべての気象現象を高い精度で予測することはできません。その代わりに、気象学者は何を予測したいかを選択し、そのような結果に対して高い精度を持つようにモデルを設計します。ある種の正確さを得るためには、他の種類の正確さが犠牲になる場合もあります。例えば、モデルは短期予測（3日先まで）、中期予測（3～15日先まで）、長期予測（10日～2年先まで）のいずれかの精度が高くなるように設計されており、それぞれのタイプで異なる選択が必要となります。短期予報を求める気象学者は、メソスケール・データは、精度が高い短期予測を生成するため、メソスケール・モデルを使うかもしれません。メソスケール・モデルは、大気圏上空1000kmの地点から収集した気象データを組み込んでいます。より信頼性の高い長期予測のためには、気象学者は、高高度大気からの気象観測を除外した非メソスケールモデルを選ぶ可能性があります。
気象学者は常に既存の気象モデルの改良に取り組んでおり、気象研究や予測のために新しいコンピューター・モデルを作ることもあります。モデルの数式は大気のシミュレーションであるため、気象学者はどのアルゴリズムが最も正確な天気の予測になるかをテストし、調整します。これらの公式にはオープンソースのものもあれば、プロプライエタリなものもあります。
最もよく知られている2つのグローバル・モデルは、アメリカ国立気象局の全球予報システム（GFS）モデルと、ヨーロッパ中距離気象予報センター（ECMWF）モデルです。
GFS は 1 日に 4 回更新し、16 日間の予測を行います。ECMWF は 1 日に 2 回のみ更新し、10 日間の予測を生成しますが、GFS よりも解像度が高く、これまでより正確な予測を生成してきました。
もう 1 つのよく知られた予測モデルは、北米メソスケール・モデル (NAM) です。これは、北米全土をカバーし、61 時間後の予測を生成する短距離地域モデルです。NAMは、オープンソースの予測モデルであるWRF（Weather Research and Forecasting）モデルをベースに構築されており、米国海洋大気庁（NOAA）が運営する2つの広く使用されているモデル、ラピッド・リフレッシュ（RRまたはRAP）モデルと高解像度ラピッド・リフレッシュ（HRRR）モデルの動力源にもなっています。
他にも気象モデルとしては、カナダ気象センター (CMC) モデル、英国気象庁モデル、ドイツ気象局 (DWD) モデル、オーストラリア気象局 (BoM) モデルなどがあります。それぞれの異なるモデルは、さまざまなものに焦点を当て、さまざまなデータを組み込んで、さまざまな数式を使用して計算して、必要な最高の精度を生み出す正確な予測を行うように設計されています。それぞれに独自の長所と独自の制限があります。
気候や天候に関する洞察を得ることで、混乱をもたらす環境状況を予測し、リスクに事前に備え、より持続可能な運用体制を構築します。
極めて高精度の気象データを使用して、異常気象に対する計画と準備を行います。
あらゆる業界がより迅速かつスマートなビジネス上の意思決定を行えるよう支援する正確な天気予報製品
厳しい気象現象や気候関連の混乱は、収益に影響を与える可能性があります。しかし、リスクを軽減するために行うことがあります。
NASA の研究では、科学を進歩させ、変化する環境に適応するのに役立つ新しい知識を得るために膨大なデータセットを簡単にマイニングできるようにする、調整可能で再利用可能な基礎モデルを求めています。
壊滅的な熱波、壊滅的な洪水、制御不能な山火事。気候変動の影響が到来しました。
急速に変化する環境で前進するために、産業企業はオペレーショナル・テクノロジー (OT) と IT データの統合にさらに力を入れています。
記録的な異常気象は、人々、世界経済、環境が密接に結びついていることを常に思い出させます。
電力会社は、いつ動員すべきか、いつ動員すべきかを知るために、気象関連のデータを必要としています。
脚注
1 Weather Models, National Oceanic and Atmospheric Administration, May 18, 2023. (リンクはibm.comの横にあります)
2 Charlotte Hu,NOAA's powerful new weather forecasting supercomputers are now online, Popular Science, June 30, 2022. (リンクはibm.comの横にあります)
3 Steve Brenner,What are the WRF - ARW weather model hardware and software requirements?, Research Gate, 2015. (リンクはibm.comの外にあります)
4 About Models, National Weather Service. （ibm.com 外部へのリンク）