シミュレーション・制御・実機

天気予報は何日先まで当たる？「約2週間」の限界とAIで変わるか

2026/7/4 （更新: 2026/10/11）

🤖 AIを使用して執筆

打ち直した丸めが、道具ではない限界を暴いた

1961年、気象学者エドワード・ローレンツは、前に走らせたシミュレーションをやり直そうとして数値を打ち直した。そのとき一つの変数を .506127 から .506 へ丸めた。下三桁を落としただけだ。コーヒーを淹れて戻ると、計算結果はまったく別の天気に分岐していた。小さな差が、小さなまま留まらない。この結果から、ローレンツは小さな変化が大きな結果をもたらしうるという洞察を得た³。この鋭敏な初期値依存性を、彼は1963年の論文「決定論的非周期流」で、3変数に切り詰めた対流のモデルとして定式化した⁴（1961年に走らせていたのは12変数の気象モデルで、別の系である）。後に「ブラジルの蝶の羽ばたきがテキサスで竜巻を起こすか」で知られる、バタフライ効果である。この題名を考えたのは気象学者P.メリリーズで、それ以前のローレンツはカモメが嵐を起こす例を使っていた³。

なぜ傾斜ではなく「壁」なのか

カオス系では、初期のごく小さな誤差が平均して指数関数的に増える(正のリャプノフ指数)。誤差が「自然なばらつき」と同じ大きさに飽和したとき、単一の決定論的予報はもう気候平均以上の情報を持たない。そこが壁だ¹。

よく言われる「約2週間」という数字は、しかし定理ではなく慣例であることに注意がいる。元をたどるとCharneyら(1966)に行き着く。当時の大循環モデルによる誤差倍増時間の推定は、Leithのモデルで「成長ゼロ」、Smagorinskyでは倍増時間そのものが定まらず（約2週間周期の準周期変動が続き、30日を過ぎてようやく6〜7日）、Mintzで5日と、互いに食い違っていた。ローレンツ自身は後に、モデルどうしが異なりすぎて矛盾する結果を出し、さまざまな理由でMintzの結果が最も広く受け入れられた、と振り返っている⁵。「5日」ですら測定値ではなく、食い違う3つのモデル推定から選ばれた一つである。Charneyらはその上で「利用可能な最も現実的な大循環モデルに基づけば、決定論的予測可能性の限界は冬季で約2週間、夏季はやや長い」と結論した⁵。しかも倍増時間の推定そのものが、1970年には約3日、1980年代前半にはさらに短い値へと改定されていく。この経緯は、動いたのは土台の数字のほうで、その上に立てた「2週間」は動かなかった、と読める。ただし、この経緯を整理したShen/Pielkeら自身、JudtやZhangらの最先端モデルによる近年の研究が同じ2週間の桁を報告していることを併記している⁵。

現代の高解像度「双子実験」では、中緯度でも波長5000kmを超える惑星規模なら約15〜17日まで延びる⁶。ただしこれは最も長い側の数字で、中緯度全体では「2週間強」、100km未満の細かい運動では10〜12日。しかも熱帯のほうがむしろ長い（20日超）。逆に100km未満では熱帯のほうが短く（5〜7日）、波長600kmを超える総観規模では関係が逆転する。つまり壁の高さは、緯度と空間規模で変わる⁶。

Zhangら(2019)は9km解像度の全球アンサンブルから内在的限界を「約2週間」と見積もっているが¹、Shen/Pielkeらは、2週間という数はローレンツの理論モデルが与えたものではなく、その理論モデルは大気の内在的限界を表せない、と論じている⁵。Shenらは2週間を超える近年のシミュレーションを挙げて、限界は別の方法で探し直せるという楽観の側に立つ。数値そのものは論争中だが、「有限の地平線が存在する」点は揺るがない。

重要なのは、壁が傾斜ではないことだ。解像度やデータを増やせば、地平線までの精度は上がる。Zhangら自身、現状の実用的な予測可能性である9〜10日に対し、観測とデータ同化と解像度の改善によってあと3〜5日は稼げる余地があると書いている¹。Alleyらの論考は、現代の5日予報が1980年の1日予報と同じ精度になり、実用になる予報が9〜10日先まで届いたことを示したうえで、要旨で「さらなる改善は、まだ予測可能性の限界に制約されていない」と言い切っている⁷。つまり計算を増やせば、実用的な予報の日数は限界の手前までまだ延ばせる。だが、有限の不確かさを確率の雲に変えてしまうカオスの性質は、どんなモデルでも消えない。Zhangらは同じ論文の中で、初期誤差を減らすほど誤差の成長率はむしろ上がるので、削減はいずれ収穫逓減になる、とも書いている。成長率を上げるのは、小さな規模から上へ伝わる内在的な成長である¹。延ばせるのはそこまでだ。

だからアンサンブル予報がある

点で当てられない以上、現代の予報は軌道でなく分布を予測する。初期条件を観測誤差の範囲で揺らし、さらにモデル方程式にも揺らぎを与えて何度も計算し、確率を読む⁸。そしてばらつきの幅そのものが予報になる。アンサンブルは大気の状態によって、数日まとまりを保つことも、ほとんど即座に発散することもある。カオスは予測を不可能にしたのではない。予測の性質を、決定論から確率論へと変えた。2週間より先の予報も、対象を変えて出されている。ECMWF は、週ごとの平均的な状態がモデルの長期の気候値からどれだけずれるかを、46日先まで毎日予報している⁹。その手がかりになりうるのは、ゆっくり変わる海と陸の表層の状態で、成層圏の変動も関わりうる、と ECMWF は書く⁹。

そして近年は、現業の予報センターでもAIアンサンブルの運用が始まっている。ECMWF は、50の摂動メンバーと1つのコントロールからなるアンサンブル AIFS ENS を実運用に移した¹⁰。ただしそのばらつきの作り方は物理モデルと違う。AIFS ENS はメンバーをプロセッサ内へのノイズ注入（乱数シード）で生成している。ECMWF 自身は、コントロールを含む全メンバーを「学習された予報分布からの異なる帰結」と書き、確率的予報だと断っている¹⁰。もっとも、初期条件の摂動を捨てたわけではない。AIFS ENS は物理側の IFS アンサンブルと同じ初期摂動を使い、その上にモデル内部の揺らぎが乗る。幅は、いまむしろ広すぎる。ECMWF は上層の複数の変数で過大分散（アンサンブルの標準偏差が、アンサンブル平均の二乗平均平方根誤差より大きい）だと自ら報告している。ECMWF はその原因を、この同じ初期摂動を IFS と共有していることと関係している可能性が高い、と述べる。その摂動には、ECMWF が IFS アンサンブルの信頼度を上げるために初期条件へ足した特異ベクトル摂動が含まれる。AIFS ENS のほうが予報誤差は小さいので別の摂動振幅が要るのかもしれない、と ECMWF は続けている¹⁰。幅は、広く取れば当たるというものではない。

AI気象モデルは壁を動かすのか

2023〜2025年、AI気象モデルは目覚ましい。GraphCast(DeepMind, Science 2023)は10日予報を1分未満で出し、ECMWFの最良決定論システムを1,380指標の90%で上回った¹¹。GenCast(Nature 2024)は拡散ベースのアンサンブルで97.2%の指標でECMWFのENSを上回った¹²。

だがこれらは壁の手前で、安く・少し良くしているのであって、壁を動かしてはいない。むしろ不穏な指摘がある。Selz & Craig(2023, GRL)は、AI気象モデル Pangu では微小な初期擾乱の急成長がほとんど起きないことを見出した。実際の初期条件の不確かさを1/1000にまで縮めても、誤差の増え方はほぼ一定のままで、3日後の差分運動エネルギーは物理モデル ICON より5桁小さい。エネルギーは二乗量なので、振幅に直せば約2.5桁にあたる。このまま読めば「大気は無限に予測可能で、バタフライ効果は存在しない」ことになってしまう¹³。ただし同論文は限定も付ける。最初の24時間を過ぎたあと、波長1000kmより大きい規模では、成長率もスペクトルの性質も ICON とよく似て現実的で、予測可能性を失った規模を塗り潰してしまうわけでもない。壊れているのは、現在の観測精度よりはるかに小さい擾乱から始まる領域だ。

2023年に直接試されたのは Pangu 1本だった。Selz と Craig は2026年6月に追試を掲載し、Pangu、Aurora、FourCastNet、GraphCast、NeuralGCM、GenCast を、複数の解像度で走らせた物理モデル ICON と比べている²。結論は「試した AI 気象モデルのどれも、バタフライ効果を物理的に整合した形では再現できなかった」である。Pangu と Aurora は微小擾乱の速い初期成長の兆候を示さず、GraphCast や GenCast を含む第2群は速い初期成長と有限の限界を一応は示したが、その加速の主因は非現実的な数値ノイズの生成だと著者らは特定した。CPU で走らせると FourCastNet と NeuralGCM では速い初期成長が消え、GraphCast でも不確かさが約5分の1に減る。初期誤差を現実の初期条件の不確かさ（EDA の摂動）の100%から0.1%まで10段階に変えて45日走らせた実験もある。物理モデル ICON では、初期誤差が10%を切ると予測可能な時間の延びが小さくなり、約12〜13日で頭打ちになった（300hPa の差分運動エネルギーが飽和の25%に達するまでの時間で測った値）²。Pangu や Aurora など第1群の AI モデルは、初期誤差を0.1%まで減らしても延び方が鈍らず、大気が無限に予測可能であるかのような結果を出した。第2群のうち限界がはっきり出た GraphCast と NeuralGCM でも、その値は15〜17日と ICON より長かった²。著者らは、モデルの大きさ・設計・アーキテクチャはほぼ無関係で、原因は訓練に使う解析データの限界にありそうだ、と結んでいる²。

初期条件を遡及的に最適化すれば約23日先まで予報が改善したという報告もある(Vonich & Hakim 2024)¹⁴。ただし2024年の論文で著者らは、これを壁の突破ではなく「最近の推定の上端」と位置づけている。同じ論文は序論で、アンサンブル予報を使えば限界は16〜23日まで延ばせるかもしれない、という先行研究を挙げている¹⁴。しかも改善の由来はモデル誤差ではなく主に解析（初期値）誤差だと Key Point に明記しており（「予報の改善は予報モデルに依存せず、主として総観規模以上の解析誤差に由来する」）、「既存の観測から、初期値推定の改善によって予報精度の大幅な向上が可能かもしれない」と結んでいる¹⁴。この2024年の結果に限れば、原理ではなく実務で縮められる側だ、ということになる。壁を破ったのではなく、壁までの距離をもう少し買えることを示した仕事である。

その後、同じ著者らは2026年の論文で、2020年を通した1日2回の予報について GraphCast の初期条件を最適化した¹⁵。再解析の初期条件から出した予報に比べ、14日の窓で最適化した732本では10日時点の誤差が平均86%減ったが、この732本の誤差は約30日で対照と重なる。30日を超えて技能が続いたのは、6日おきに選んだ61本を倍精度で32日まで最適化した部分標本である。著者らはこの研究を、約2週間という限界への挑戦と位置づけている。その初期条件を別のAIモデル Pangu-Weather に入れると、4日時点の改善は GraphCast 自身の62%に対し21%にとどまり、補正はモデル誤差と解析誤差の両方を狙っている、とも書く。そうした初期条件を実時間で見つけられるかは今後の課題だという¹⁵。Selz と Craig の追試は、この主題では従来型モデルのほうが信頼できると結論し、この研究の2025年のプレプリントを別の見方として挙げている²。Vonich と Hakim の側は、AIモデルに小規模の急成長が無いことは欠陥とは限らず、予測可能性が主に大規模の力学で決まることを示しているのかもしれない、と仮説の形で述べる¹⁵。AIの結果だけで壁が動いたと言えるかは、いま論争の最中にある。今回試されたAI気象モデルでは、バタフライ効果の再現に物理的な不整合が報告されている²。

この記事はAIを使用して執筆されました。内容には誤りが含まれる可能性があります。事実や数字の出典は脚注から確かめられます。