AIが解く世界の難問 ─ 地球・気候科学
AI が進めた科学と学問の成果を、学問ごとに
RSS フィード · 5 件
AIで転換点を予測する
原題: Forecasting Tipping Points with AI
気候変動システムなど、一度超えると元に戻らなくなる「転換点」の予測は、日々の天候変化の予測より難しいとされる。Caltechらの研究チームは、リカレントニューラルオペレーター（RNO）というニューラルネットワークを用いて、簡単なモデルにおける転換点の発生時期を予測できることを示した。対象には気候変動システムのモデルと、飛行機の翼上の乱流気流のシミュレーションが含まれる。研究成果はPNASに掲載された。
機械学習による亜季節予報の精度向上
原題: Advancing subseasonal forecasting with machine learning
天気予報は2〜6週間先の亜季節スケールで精度が大きく落ちる。本研究は、過去の確率予報を補正することを学習する機械学習フレームワーク「確率的バイアス補正」を提案し、ECMWFの主要な力学モデルとAI予報モデルに適用した。その結果、AI予報システムのわずかな亜季節予測精度を約2倍にし、多くの対象で力学モデルの精度も改善した。
電力網に対する宇宙天気リスクを予測する
原題: Forecasting space weather risks on power grids
極端な宇宙天気現象は送電網で電流を誘起し、機器を損傷させるおそれがある。送電網の運用者には、影響がいつどこで最も大きくなるかを十分な猶予をもって把握することが求められる。Microsoft Researchの研究では、太陽風の観測、AEとDstの予測、地域の緯度・地質・地盤の導電率を組み合わせた機械学習パイプラインを開発し、米国本土の66,935の変電所ごとにリスク推定を出す。評価期間中には主要な宇宙天気イベントのほぼ80%を検知し、特定のリスクが現れる30〜60分前に警告できるとしている。
AIツール「Tessera」、セネガルの小規模農家の作物マッピングで有効性を確認
原題: AI tool for mapping smallholder crops proves itself in Senegal
セネガルの食料は主に小規模で天水に頼る農地で生産されており、気候変動の影響を受けやすい。しかし、農業への気候の影響を監視する衛星による作物マッピング技術は、同国では利用しにくい状況にある。ケンブリッジ大学が開発したオープンソースのAIモデル「Tessera」は、衛星画像を学習してセネガルの落花生栽培地域の作物をマッピングした。テストでは84%の確率で正しい結果を得て、従来手法より高い精度を示し、計算資源や事前にラベル付けされたデータも一部で済んだ。
生成AIによる気候モデルの地域ダウンスケーリング「GenFocal」と地域リスク評価
原題: Regional climate risk assessment from climate models using probabilistic machine learning
粗い全球気候モデルと地域の意思決定に必要な細かい情報との間の解像度の差が、気候リスク評価を妨げている。物理ベースの手法は計算コストが高く、従来の統計的手法は複合リスクの推定に重要な多変量の時空間依存性を捉えられない。さらに既存の機械学習は時間的に対応した学習データを必要とするため、自由走行の気候予測には使えなかった。GenFocalは、学習時に対になったシミュレーションと観測のイベントを必要とせず、粗い気候予測から統計的に正確な細かい気象を生成する生成AIの枠組みである。熱波や熱帯低気圧などの長期化する災害を再現し、稀な高影響事象もより正確にサンプリングして、複合的な極端現象の地域リスク推定を改善した。