清华大学提出UniCM统一建模多气候模态，提升气候预测水平

記事執筆者、出典：36Kr

【イントロダクション】清华大学のチームがUniCMモデルを提案。このモデルは、複数の気候モード間の相互作用を統一フレームワークで学習し、AIが地球規模の気候システムの複雑な関係をより深く理解するのを支援します。この画期的な成果は、気候予測の精度と即時性を向上させるだけでなく、AIを気候メカニズムの探求ツールとして活用可能にし、災害防止や農業などの分野に重要な価値をもたらします。

気候予測といえば、人々が最もよく知っているのはエルニーニョ（ENSO）である。

しかし、地球の気候は単一の気候現象によって決まるものではありません。ENSOに加えて、インド洋ダイポール（IOD）、熱帯北大西洋モード（TNA）、北太平洋経向モード（NPMM）など、複数の気候モードが共存し、海洋盆間のリモートコネクションと海気相互作用を通じて、動的かつ結合された地球規模のシステムを形成しています。

長年にわたり、大多数の予測手法は単一の気候モードに焦点を当てたり、少数のモード間の関係のみを研究したりしており、地球規模の気候システムにおける複雑な非線形相互作用を捉えるのが困難でした。UniCMは、複数の重要な気候モードを統一されたフレームワークに統合し、地球の海洋–大気システムを相互に作用する全体としてモデル化します。

最近、清華大学電子工学系の李勇教授チームは、『Nature Machine Intelligence』に「Learning the coupled dynamics of global climate modes」と題する研究論文を発表し、全球気候モードの統一予測モデル「UniCM（Unified Climate Model）」を提案した。

論文リンク：https://www.nature.com/articles/s42256-026-01245-5

研究チームは、気候システムの予測可能性が、個々の気候現象自体だけでなく、複数の気候モード間の長期的な結合関係にも由来することを発見しました。これらの結合ダイナミクスを学習することで、UniCMは従来の手法では活用しきれなかった「新規予測可能性（Emergent Predictability）」を引き出します。

この研究は、従来の気候予測における「単一モード、個別予測」という発想を突破し、初めて全球結合システムの視点から、複数の海洋―大気気候モード間の複雑な力学的関係を統一的に学習することで、長期気候予測、極端気象イベントの警告、およびAI駆動の気候科学の発見に新たな研究パラダイムを提供した。

研究背景

近年、人工知能は天気予報分野で急速な発展を遂げてきた。複数のAIモデルが、数日から数週間のスケールで高精度な天気予測を実現している。

しかし、気候予測はより長い時間スケールの問題に焦点を当てています：今後数ヶ月、数年、さらにはそれ以上の期間において、地球の気候システムはどのように変化するでしょうか？どの地域で干ばつ、洪水、熱波などの極端な現象が発生する可能性があるでしょうか？これらの問題は、複数の海洋と大気システム間の複雑なスケール間相互作用を含んでいます。

従来の方法は気候モードを互いに独立した対象と見なすことが多いが、現実の気候システムは高度に結合された複雑なネットワークである。AIが「予測する」だけでなく、これらのモード間の長期的な結合関係を科学者に理解させる手助けをするにはどうすればよいかは、AI for Science分野における重要な課題である。

「双视角」統一気候モデル

この問題を解決するために、研究チームはUniCMの二分岐アーキテクチャを設計しました。

モデルは2つのコアモジュールを含みます：

1. Globalformer：局所物理場の進化を学習

Globalformerは、海表温度（SST）、風応力、温躍層深度、上層海洋温度などの重要な物理変数を処理し、細粒度の気候フィールドから気候システムの時空間的進化の法則を学習します。

2. Modeformer：気候モード間の関係を学習

Modeformerは、ENSO、IOD、TNA、NPMM、SPMM、IOB、SIODの7つの重要な気候モードに焦点を当て、それら間の非線形な相互作用と共通の進化プロセスを学習します。

さらに重要的是、UniCMは双方向結合メカニズムを構築しています。一方では、局所的な物理場が大規模な気候モードを生成し、他方では、形成された気候モードが局所的な物理場の将来の進化に逆に影響を与えます。研究チームはこのメカニズムを「mode-to-patch guidance」と呼び、大規模な気候状態を活用して局所的な予測を導き、局所から全体へ、そして全体から局所へフィードバックする閉ループモデリングを実現しています。

ENSOは、世界で最も重要な気候モードの一つであり、長期的な気候予測分野における最も挑戦的なタスクの一つとされています。

研究結果によると、1980年から2023年までの観測データの検証において、UniCMは24か月の予測ウィンドウ内で複数の代表的な基線モデルを一貫して上回りました。このモデルはENSOの有効予測先行期間を19か月まで延長することに成功し、従来の先進モデルは通常15〜16か月程度でした。

また、気候予測分野で長年課題となってきた「春の予報可能性障害」においても、UniCMは顕著な優位性を示しています。モデルは北半球の春を越えても高い予測技術を維持し、有効な予測能力を約14か月まで延長します。

また、UniCMは1997—1998年のスーパー・エルニーニョ現象および2020—2023年にかけての連続3年間の「トリプル・ラニーニャ」現象を成功裏に再現し、これらの歴史的極端イベントの発生、発展、および減衰プロセスを正確に捉えました。

UniCMはENSOの予測に優れているだけでなく、同じフレームワーク内でENSO、IOD、IOB、SIOD、SPMM、NPMM、TNAの7つの重要な気候モードを同時に予測できます。

結果、モデルは複数の気候モードにおける予測能力が既存の代表的手法を上回りました。特に、ENSO以外の予測が難しいモードでは、平均予測スキルが22％以上向上し、IODの有効予測リードタイムは約7か月に達しました。

さらに、UniCMは、異なる気候モード間の実在する遅延相関関係を正確に再構築できます。たとえば、NPMMがENSOを約4ヶ月リードする物理的関係や、複数の海洋盆間気候モード間の結合構造を成功裏に再現しています。

これは、モデルが単なる統計的相関ではなく、地球の気候システムに実際に存在する物理的結合メカニズムを学習したことを示している。

予測能力に加えて、UniCMは高い説明可能性を備えています。

研究チームは、モデルの内部注意メカニズムを分析することで、重大なENSOイベント発生前に、モデルが物理的意義を持つ重要な領域と重要なモード関係に自動的に注目することを発見しました。

例えば、1997年の超エルニーニョイベントの前には、モデルがNPMMの重要な先行指標を特定し、一部の複雑な気象イベントではTNAが鍵となるハブとして機能していることが示された。これらの発見は、既存の気候物理学研究結果と高い一致を示している。

UniCMは将来の気候状態を予測するだけでなく、科学者が潜在的なメカニズムを発見し、新しい科学的仮説を提案するのを支援し、気候科学研究の重要な補助ツールとなります。

今後の応用と発展見通し

世界的な気候変動の背景において、長期的な気候予測の重要性がますます高まっています。より正確で長期的な気候予測は、農業生産、水資源管理、エネルギー配分、漁業発展、災害防止・軽減などの分野に直接貢献します。

研究チームは、UniCMが単なる新しい気候予測モデルではなく、複雑システムに対する統一的なモデリングの考え方を示していると考えている。今後、このフレームワークは、季内振動、年代際気候変動、および全球温暖化の下での気候モードの進化研究に拡張され、さらに「局所プロセス—全体構造」の双方向結合特性を持つ他の複雑システムへの応用が期待される。

「天気を予測」から「気候を理解」し、さらに「パターンを発見」するまで、UniCMは人工知能が地球システム科学にもたらす新たな可能性を示しています。真に重要な予測情報は、ある特定の気候指標に隠されているのではなく、気候システム全体の継続的な進化に伴う相互関係の中に存在するかもしれません。

参照：https://www.nature.com/articles/s42256-026-01245-5