2024年度までに開発したSwin-Unetベースの決定論的な気象予測モデルを改良し、予測モデルへの入力変数またはモデル内の潜在変数に摂動を付与することでアンサンブル予測が可能な確率論的気象予測モデルとして、Swin-Unet-BVとProbabilistic Swin-Unetの2つを開発しました。Swin-Unet-BVは数値気象予測モデルによるアンサンブル予測でも用いられるBV法をデータ駆動型予測モデルに実装したモデルであり、Probabilistic Swin-Unetは、Unetにおける4ヶ所のデコーダ部の任意箇所に摂動付与するモデルです。特にProbabilistic Swin-Unetにおいては、予測結果と真値との誤差を定義する損失関数として確率的予測における出力結果の確率分布と真値の確率分布の一致度を評価する指標であるContinuous Ranked Probability Score（CRPS）を採用しました。両モデルともに初期値にガウシアンノイズによる摂動を与えた場合と比較して、いずれの物理量においてもアンサンブルのスプレッドが大きく成長を示すという結果が得られました。
開発したアンサンブル予測モデルの有効性を確認するため、九州地方における豪雨イベントを対象とした検証を行ったところ、CRPS損失を導入することで、決定論的モデルと比較して豪雨量の過少な予測を改善する効果が見られました（図1）。

また、拡散モデルをベースとしたデータ駆動型予測モデルに対する降水量低減のための介入手法を探索しました。提案手法では、拡散モデルのサンプリング過程を勾配によって所望の気象状態へと誘導する新たな枠組みを採用しています。AOWFのような大気状態に対して直接的に摂動を与える既存手法に対して、提案手法では生成過程（拡散過程）の軌道を制御することで、物理的整合性を保ったまま降水を抑制し得るという結果が数値実験から示されました。九州地方の豪雨を対象とした実験では、従来手法による介入後予測では九州地方の豪雨が消失していますが、このような状態が物理的に不自然であることを確認しています（図2）。一方、提案手法では、鉛直構造・変数別摂動、潜在空間での軌道逸脱、モデル間転移性の観点から評価を行い、AI気象予測モデルのベンチマークであるWeatherBench2の極端降水事例において、有効性と物理的妥当性の両立を示しました。