2026年11月20日

ショートレポート AI for Science Spotlights Vol.9
「気候変動予測研究基盤の国際潮流 ―AI活用を見据えた新たな展開―」

Points


(画像は生成AIを用いて作成)
  • 気候変動予測では、物理法則に基づく気候モデルを中心に据えつつ、モデルの精緻化や計算の高速化、大量のデータの解析などにAI・機械学習の活用が広がっている。
  • 海外では、大規模計算資源の拡充に加え、データの検索・取得や大容量データの解析を支える研究環境の整備が進んでいる。
  • 既存の研究基盤を生かしながら、AIにも対応した計算環境、AIによる利用に適した(AI-Readyな)データ、データ基盤と解析環境の連携など、新たな研究手法の展開を支える研究基盤へ発展させることが期待される。

(本内容は、科学技術振興機構(JST)研究開発戦略センター(CRDS)が2026年7月に発行した調査報告書「気候変動予測に関する研究基盤の国際潮流 ~米国、欧州、中国と日本の比較~」[1]を起点に、最新の事例・動向を加味してまとめたものである)

将来の気候を描く気候モデル

気候変動への適応策や緩和策を検討するためには、数十から百年後に温暖化がどの程度進み、地域の気温や降水、極端現象がどのように変化する可能性があるのかを把握する必要がある。近年は、こうした気候変動への対応や将来予測を考える上で、AIの進展が新たな論点となっている。11月9日に開幕した国連気候変動枠組条約第31回締約国会議(COP31)では、議長国のトルコが、AIの気候変動対策への活用と環境負荷低減の双方を掲げる「アンタルヤAI誓約」を打ち出している。AIは気候変動への対応を支える手段となる一方、その普及がエネルギー需給や温室効果ガス排出を通じて将来の気候変化に影響を及ぼす可能性もある。こうした社会・技術の変化も踏まえながら将来の気候変化を見通すことは、防災、水資源、農業、エネルギー、インフラ整備など、長期的な政策や計画を検討する上での基礎となる。

こうした「気候変動予測」を担ってきたのが気候モデルや地球システムモデルである。気候モデルでは、地球全体を水平方向に数十~百km程度の格子状に、鉛直方向に複数の層に区切り、各格子で気温、風、水蒸気などの変化を物理法則に基づいてコンピューター上で計算する[2]。さらに、炭素循環や植生なども取り込んだ地球システムモデルも用いられ、温室効果ガス濃度や土地利用などの将来シナリオを与えて、将来の気候変化を調べる。

ただし、地球上の現象をすべてそのまま計算できるわけではない。雲や乱流など、モデルの計算格子より細かなスケールで起こる現象には、その効果を近似的に表現する「パラメタリゼーション」が用いられる。また、モデルの空間解像度を高め、扱う物理・化学過程を増やすほど、計算量も増大する。

さらに、将来予測には不確実性がある。将来の温室効果ガスの排出量の推移、モデルによる気候応答の違い、気候システム内部の自然変動などがあるためである。このため、一つの計算結果だけを見て判断するのではなく、異なるモデルやシナリオ、初期条件による多数のシミュレーションを行う「アンサンブル」によって、予測される気候変化の範囲や不確実性を評価することが重要となる。

このように、気候変動予測は、物理法則に基づく気候モデルの開発とともに発展してきた。一方で、モデルの空間解像度を高め、より細部の物理過程を組み込みながら多数のシミュレーションを実施しようとすると、計算負荷は大きくなる。近年、こうした計算上の制約を緩和し、予測を高度化する手段として、AI・機械学習の活用が進み始めている。

物理ベースの気候モデルを補完するAI

気候変動予測では、物理法則に基づく気候モデルを中心に据えつつ、AI・機械学習を組み合わせる研究が進んでいる[3](図1)。主な活用先は、物理モデルの計算格子では直接解像できない小さなスケールの現象の補完や、計算の高速化、大量のモデルデータの解析・評価などである。


図1 気候変動予測の研究プロセス・研究基盤とAIの活用例

気候モデルでは、大気や海洋における対流や、局所的な温度、圧力などの条件によって発生・消滅を繰り返す雲や渦など、計算格子より細かなスケールで生じる現象を直接計算することが難しい。このため、こうした現象が大規模な大気や海洋の運動に及ぼす効果を近似的に表すパラメタリゼーションが用いられている。近年は、高解像度シミュレーションや観測データから細かなスケールの過程をAIに学習させ、物理モデルに組み込むことで、予測の精緻化を図る研究が進んでいる。

また、物理モデルによる計算結果をAIに学習させ、その振る舞いを高速に再現するエミュレーターの研究も進んでいる。例えば、米国のAllen Institute for AI(Ai2)が開発したAi2 Climate Emulator(ACE2-SHiELD)は、物理ベースの全球大気モデルSHiELDのシミュレーションデータを学習し、約100倍の高速化を実現したと報告している[4]。

AIは、気候モデルが生み出す大量のデータの解析にも使われている。例えば、複数の気候モデルと観測データを比較し、モデルの特徴や偏り、将来予測の不確実性を評価する研究が進められている。また、全球気候モデルの粗い解像度の出力と、高解像度の観測・シミュレーションデータとの関係をAIに学習させ、極端な降水や高温などの地域的な変化を評価するダウンスケーリングの研究も進められている。

さらに近年は、AIエージェントを気候変動予測データの解析や利用に活用する試みも始まっている。英国気象庁とエクセター大学などは、英国気候予測(UKCP18)の予測データを利用・解析するエージェント型AIを試作している[5]。自然言語による質問に応じてデータを抽出し、解析・可視化やコード生成を行う。こうした技術は、大規模な気候予測データの利用を支援する手段として検討が進んでいる。

一方、AIを気候変動予測に活用するには、現在のデータで学習したAIが将来の温暖化した気候にも適用できるか、長期間にわたって物理的に妥当な計算を続けられるかを検証する必要がある。予測の不確実性をどのように示すかも重要な課題である。

このように、AIの活用は、気候モデルにおいて従来の物理モデルでは計算負荷の大きかった過程を補完し計算を高速化するとともに、大量の気候予測データの解析・評価、研究作業の支援へと広がっている。こうした研究の進展に伴い、それを支える研究基盤にも新たな対応が求められる。

計算・データ・解析をつなぐ気候変動予測の研究基盤

気候変動予測では、モデルの高解像度化や大規模アンサンブルの実施に伴い、必要な計算量とデータ量が増大している。さらにAI・機械学習の利用が広がることで、大量のデータを学習・解析に利用するための計算資源や、データへの効率的なアクセスも重要となっている。このため、気候モデルやAIの計算を行う計算環境、観測データやモデル出力を保存・共有するデータ基盤、それらを解析・可視化する解析環境を組み合わせた研究基盤の整備が進められている。

気候モデルの国際比較を支えてきたのが、世界気候研究計画(WCRP)による結合モデル相互比較プロジェクト(CMIP)である。CMIPでは、各国・機関が共通の実験条件やデータ標準に基づき気候モデルを計算し、その結果を比較することで、モデルの評価・改善や気候変動の理解を進めてきた。そこで作成された大量の計算結果の公開・流通を支えるデータ基盤がEarth System Grid Federation(ESGF)であり、各国の機関に分散して保存されたデータを検索・取得できる。増大するデータを効率的に利用するため、データ基盤と解析環境との接続やクラウドの活用についても検討や実証が進められている[6]。

欧州では、モデル計算からデータの管理・解析・利用までを一体的に構成する取り組みが進められている。 その代表例が、欧州連合(EU)のDestination Earth(DestinE)である(図2)。


図2 欧州Destination Earth(DestinE)の主要な研究基盤

(出典:ECMWF Newsletter[7]を基にCRDSにて日本語訳および説明を加筆)

DestinEは、高精度な地球のデジタルツインを構築するイニシアチブである。二つのデジタルツイン開発が進められており、その一つが気候変動適応を対象とするClimate Change Adaptation Digital Twin(Climate DT)である。高性能計算機を用いて全球の高解像度な気候シミュレーションを行い、Digital Twin Engineがモデルの実行やデータ処理、機械学習、利用者とのインタラクションなど一連の計算や機能を連携・管理する。生成されたデータは、地球観測データなどとともにData Lakeを通じて利用できる。利用者は、Data Lakeに保管されたデータをGraphical User Interface(GUI)やApplication Programming Interface(API)を通じて取得できるほか、データに近い解析環境でAIによる解析を行うこともできる[8]。これにより、大容量データを利用者側にすべて転送せずに処理することが可能となる。さらに、利用者向けのDestinE Platformから、これらのデータや解析・可視化などのサービスにアクセスできる。このように、気候シミュレーション、データ管理、解析・利用までをつなぐ環境が構築されている。

米国では、複数の研究機関がそれぞれの目的に応じてモデル開発を行い、先端計算資源、データ保存・公開、解析環境を組み合わせた研究基盤を構築している。米国エネルギー省(DOE)では、Energy Exascale Earth System Model(E3SM)の開発を進め、大規模計算資源を活用した高解像度シミュレーションや、エクサスケール計算への対応を進めている。計算結果の一部はEarth System Grid Federation(ESGF)を通じて公開される。AIエミュレーターや機械学習によるパラメタリゼーションなどの研究開発も進められている[9]。また、米国国立大気研究センター(NCAR)では、研究コミュニティの共同によるCommunity Earth System Model(CESM)の開発と共に、高性能計算機とデータ基盤、解析環境の連携が進められている。大規模なシミュレーションデータを効率的に利用するため、データに近い環境で解析する取り組みも進められており、AI・機械学習を用いた大規模データ解析にも適した研究環境の整備につながっている。

また、米国航空宇宙局(NASA)のEarthdataでは、複数のデータセンターに保管された地球科学データを横断的に検索・取得できる。さらに、研究者が解析環境からEarthdataのデータを直接検索・取得できる「earthaccess」というアクセス手段も整備され、データの取得から解析までをつなぎやすくしている(図3)。earthaccessは、利用者と開発者が参加するワークショップやハッカソンで明らかになった利用上の課題を踏まえて開発されてきた。こうした利用環境の整備は、技術開発だけでなく、利用者と開発者の共創・継続的なコミュニティ活動によって支えられている。


図3 NASAの地球科学データ基盤Earthdataと研究者の解析環境をつなぐ「earthaccess」

(出典:NASA Openscapes[10]を基にCRDSにて日本語訳および一部改変)

日本では、複数の機関が気候モデルの開発や計算・データ基盤の整備を担っている。文部科学省の「気候変動予測先端研究プログラム」において、東京大学、海洋研究開発機構(JAMSTEC)、国立環境研究所などが共同で全球気候モデルMIROCを開発し、地球シミュレータなどの大規模計算資源を用いて気候変動予測を実施している。一方、気象庁気象研究所では、独自のスーパーコンピュータ環境を用いて地球システムモデルMRI-ESMを継続的に開発しており、MIROCとともにCMIPを通じた国際的な気候変動予測に貢献している。

データ基盤としては、データ統合・解析システム(Data Integration and Analysis System: DIAS)が、観測、再解析、気候モデルによる予測結果などの大容量データの保管・提供を支えている。利用者は必要なデータセットを検索・ダウンロードできる。また共同研究課題向けには、DIAS上のデータに直接アクセスし、同基盤の計算資源を用いて解析できる環境が提供されている。加えて、宇宙航空研究開発機構(JAXA)、JAMSTEC、国立極地研究所などがそれぞれの分野に応じたデータ基盤を整備している。

このように、研究基盤の構成は国や機関によって異なるが、海外では大規模な計算資源の拡充に加え、データと解析環境をつなぎ、大規模解析やAI・機械学習にも利用しやすい研究環境へ発展させる動きがみられる。日本でも個々の研究基盤は充実しているが、複数の機関やシステムに分散するデータの横断的な検索・利用や、データ基盤と解析環境との連携については、さらに整備を進める余地がある。

AI利用を見据えた気候変動予測研究基盤の方向性

AI・機械学習をモデル開発やデータ解析に活用する機会が広がる中、それを支える研究基盤についても、こうした新たな研究手法の展開を見据えて整備していくことが期待される。物理モデルを支える既存の研究基盤を活用しながら、AIの学習・推論にも対応する計算環境、AI-Readyなデータ、分散するデータを横断的に利用する仕組み、データと解析環境の接続などが、今後の方向性を考えていく上での主な論点となる。

計算環境では、気候モデルによる大規模な数値計算と、AIの学習・推論とで、計算処理の特性が異なる。CPUとGPUを組み合わせることで、物理シミュレーションとAI計算の双方をそれぞれの計算特性に応じて効率的に実行することが可能になる。一方、既存の気候モデルにはCPUを前提に開発されたものも多く、新たな計算環境を十分活用するためには、モデルのプログラム側の最適化も課題となる。

データ基盤では、データを保存・公開するだけでなく、AIによる学習や解析に利用しやすいAI-Readyなデータの整備がひとつの方向性となる。気候変動研究では、観測、再解析、モデルへの入力データ、シミュレーション結果など、多様で大容量のデータを扱う。これらのデータ形式や説明情報をそろえ、作成・処理方法や品質に関する情報を整えることで、AIによる利用を容易にできる。

日本国内では、多様なデータが各機関で蓄積・公開されている。一方、関連するデータは複数の機関やシステムに分散し、提供形式や検索方法、APIの整備状況も異なるため、異なる提供元のデータを横断的に利用する上で障壁が残っている。共通化されたメタデータによる横断的な検索や、APIなどを通じて解析環境から必要なデータにアクセスできる仕組みを整えることで、こうした障壁を軽減できる。

大容量データについては、すべてを利用者側にダウンロードするのではなく、データに近い環境で解析やAI学習を行うことで、データ移送の負担を軽減できる。国内でもこうした環境は一部実現しているが、利用者や用途の拡大に加え、複数のデータ提供元・計算資源・解析環境の横断な連携には、更なる発展の余地がある。将来的にAIエージェントが利用者の指示に応じて必要なデータを検索・取得・解析できるよう、データへの機械的なアクセスを可能にすることも、今後の方向性として期待される。

こうした研究環境を継続的に開発・運用するためには、それを支える専門人材の存在が不可欠である。気候モデルや研究ソフトウェアの実装・保守を担うResearch Software Engineer(RSE)や、データ基盤・解析基盤の運用、利用者支援を担う研究エンジニアを専門人材として位置づけ、継続的な育成・配置を可能とする体制の整備が必要となる。

今後の気候変動予測では、物理モデルによる大規模計算に加え、AIによるモデルの精緻化やデータ解析などの活用が広がると見込まれる。こうした新たな研究手法の発展に伴い、研究基盤についても、既存の計算資源やデータ基盤を活用しながら、分散するデータと計算・解析環境の連携を深め、データの取得からAIの学習・推論、物理モデルとの連携まで、一連の研究過程を支える環境へと発展していくことが期待される。

(坪井 彩子・藤井 修・杉田 幸弘・阪口 幸駿・澤田 莉沙・永野 智己)
2026年11月20日

参考文献

  1. 科学技術振興機構 研究開発戦略センター『調査報告書 気候変動予測に関する研究基盤の国際潮流 ~米国、欧州、中国と日本の比較~』(2026年7月)
  2. 気象研究所, “気候モデル”(外部リンク)(アクセス日:2026年11月2日)
  3. Eyring, Veronika, et al. "Pushing the frontiers in climate modelling and analysis with machine learning." Nature Climate Change 14 (2024): 916–928(外部リンク)
  4. Watt-Meyer, Oliver, et al. "ACE2: accurately learning subseasonal to decadal atmospheric variability and forced responses." npj Climate and Atmospheric Science 8 (2025): 205.(外部リンク)
  5. Williams, Hywel T. P., et al. "Developing trustworthy AI for climate services at scale." npj Climate Action 5 (2026): 74.(外部リンク)
  6. World Climate Research Programme (WCRP), "Climate Data Access Task Team (closed)", Coupled Model Intercomparison Project (CMIP).(外部リンク)(アクセス日:2026年10月28日)
  7. Sandu, Irina, "Destination Earth’s digital twins and Digital Twin Engine – state of play", ECMWF Newsletter, No. 180 (July 2024).(外部リンク)(アクセス日:2026年10月28日)
  8. Destination Earth (DestinE), "Data Lake – Services".(外部リンク)(アクセス日:2026年10月28日)
  9. Energy Exascale Earth System Model (E3SM), "Decadal Vision 2026–2035".(外部リンク)(アクセス日:2026年10月28日)
  10. López, Luis, et al. "earthaccess: Accelerating NASA Earthdata access through open, collaborative development", NASA Openscapes (March 4, 2024).(外部リンク)(アクセス日:2026年10月28日)

DOI

https://doi.org/10.82643/crds-fy2026-sr-09

AI for Scienceをめぐる国内外の政策動向や研究開発の潮流を、コンパクトに整理するショートレポートシリーズ。各号では、時宜に応じた注目テーマにスポットライトを当て、その背景、具体的な動き、今後の展望を紹介します。