就寝時は弱小熱帯低気圧、目覚めればカテゴリー5の猛獣
2026年9月21日の夜、メキシコの太平洋沿岸に暮らす住民たちはスマートフォンで気象情報を確認して床に就いた。画面に表示されていた予報では、接近中の低気圧「ポロ（Polo）」は勢力の弱い熱帯低気圧にすぎなかった。
だが翌朝、住民たちが目を覚ますと、外は猛烈な暴風雨に覆われていた。暖かい海水から膨大な熱エネルギーを一気に吸い上げた嵐は、夜の間に一気に階級を駆け上がり、最強クラスの「カテゴリー5」ハリケーンへと変貌を遂げていた。沿岸のコミュニティに残された避難の猶予は、わずか数時間しかなかった。
気象学では、24時間以内に最大風速が時速55キロメートル（約30ノット）以上急上昇する現象を「急発達（Rapid Intensification）」と呼ぶ。2018年、ハリケーン「マイケル（Michael）」も米フロリダ州上陸の直前に猛烈な急発達を遂げ、甚大な壊滅的被害をもたらした。現代の数値予報モデルは、ハリケーンが明日どこへ進むかという進路予測では極めて高い精度を誇るが、上陸時にどれほどの破壊力を持つかという「勢力予測」では頻繁に致命的な判断ミスを犯す。
近年、世界トップクラスの気象機関や巨大テック企業が次々とAI気象予測モデルを発表した。膨大な気象データと前例のない計算資源を投じれば、ハリケーンの強度予測という難題も克服できると多くの人々が期待した。しかし大気物理の現実は、その楽観論に冷水を浴びせている。
全球の気温予測は容易でも、局所的な嵐の強度は難攻不落
ここ数年、深層学習が気象予測にもたらした進化は目覚ましい。過去数十年に及ぶ地球全体の気象再解析データを学習したディープラーニングモデルは、わずか数秒の計算時間で、向こう数日間の世界全体の気温、気圧、風速場の推移をシミュレーションできる。大気のマクロな大循環予測において、AIはすでに最高峰のスーパーコンピュータによる物理シミュレーションと肩を並べる水準に達している。
しかし、視点を地球規模から局所的な領域へとズームインさせた瞬間、予測の難易度は跳ね上がる。全球予報が捉えるのは大気の大規模な奔流であり、これは大河の流れを見るように主たる道筋が明瞭である。対照的に、ハリケーンの強度はきわめて局所的な領域の問題であり、川の片隅で突発的に沸き立つ渦の飛沫がどのように激しく波打つかを予測するに等しい。
図：気象衛星が捉えたハリケーンの赤外温度画像。台風の目を取り囲む複雑な雲頂構造を示している。出典：The Conversation / NASA
AIモデルは大域的なパターンの把握を得意とするが、局所的で非線形な激変の前では破綻しやすい。ハリケーンの進路は広域な大気循環によって誘導されるため、AIは嵐の移動軌跡を高精度で予測できる。しかしハリケーンの強度は、わずか数十キロメートル四方の中心核内部で起きる熱力学的なエネルギー交換によって決定づけられる。この微小スケールの現象こそが、深層学習モデルのアキレス腱となっている。
外洋の観測空白地帯：最先端AIでも不可視の雲底構造
ハリケーン強度予測を阻む第一の障壁は、深刻な観測データの断絶である。陸上や海岸線には、地上気象観測所や海洋ブイが密に配置されている。沿岸部ではドップラーレーダーを活用し、降水構造や風速の三次元データをリアルタイムかつ高解像度で取得できる。
しかし、ハリケーンが最も爆発的に発達する段階は、海岸から数百キロメートルも離れた外洋上で起こることが多い。この広大な外洋域には、直接測定を行える地上観測設備がほとんど存在しない。気象衛星は雲頂温度の撮影や降水量の推定を行えるものの、衛星のセンサーは巨大に発達した厚い雲壁を透過できず、海面付近の暴風域における真の風速を直接計測することは極めて困難である。
データが不足する領域では、物理モデルによる数値シミュレーションで合成データを補うのが一般的なアプローチである。AIモデルの訓練データセットには、物理方程式に基づきシミュレーションされた膨大な気象データが含まれている。しかし、あらゆるコンピュータシミュレーションには近似値と不確実性が内包されている。不完全な物理モデルから出力された偏りのあるデータで訓練されたAIは、当然ながらその構造的な欠陥をそのまま学習してしまう。
暴風の中心に潜むカオス物理：観測精度を極めても突破できない予測の天井
もし課題が単なる観測データの不足だけであれば、センサーやドロップゾンデの投入を増やすことでいずれ解決されるだろう。しかし米インディアナ大学の大気科学准教授チャン・キエウ（Chanh Kieu）氏の研究は、予測が破綻する根本原因が大気物理学そのもののカオス性に存在することを突き止めた。
熱帯低気圧が海面から熱エネルギーを吸収する際、その勢力はある理論上の限界に向かって収束していく。気象学ではこの上限値を「最大潜在強度（Potential Intensity：海面水温と鉛直風シアーから算出される理論上の最大風速）」と呼ぶ。海水温が高くなるほど、この理論上の天井も上昇する。だが、嵐の強度がこの上限値に近づくと、内部で極微な擾乱が引き起こされる。
キエウ氏の研究チームの分析結果は明快である。ハリケーンの強度が上限値に接近すると、システムは「カオス的アトラクター（Chaotic Intensity Attractor）」と呼ばれる領域に突入する。これは、嵐の強度が不規則かつ予測不能に変動し続ける一群の動的状態である。仮に将来、全地球上の嵐のあらゆる箇所を1秒刻みで精密測定できるようになろうとも、微小な変動の行方を決定論的に割り出すことは不可能である。これは、回転するすり鉢の中にビー玉を投げ入れるようなものだ。すり鉢の形状は精密に測定できても、ビー玉が側面のどこに衝突するかを計算で特定することはできない。
図：コンピュータシミュレーションにより、初期条件が極めて近い2つのカテゴリー5ハリケーンであっても、予測期間が長くなるにつれて勢力の推移が大きく乖離することが示されている。出典：The Conversation
この物理的なカオス特性は、AIモデルの学習において根本的なジレンマを生じさせる。機械学習の訓練アルゴリズムは、データセット全体の予測誤差（二乗誤差など）を最小化するように重みを最適化する。その結果、ニューラルネットワークは最も発生確率の高い「平均的な推移軌道」を出力する傾向を強めてしまう。しかし、ハリケーンの急発達は稀にして極端な外れ値である。AIが全体誤差の最小化を追求すればするほど、生命に関わるこのような極端なピーク値は「平均化」され、削ぎ落とされてしまうのだ。
単一の風速予測からの脱却：確率分布とリスク幅の提示へ
大気物理学が定めるカオスの天井は動かしがたい。計算資源をどれほど積み上げたところで、物理法則に反して単一の確定的な最大風速を正確に算出することは原理的に不可能である。大気境界層の微視的な揺らぎが、決定論的な予測精度に物理的な限界線を引いている。
この限界を受け、気象予測のアプローチは根本的な転換を迎えつつある。単一の風速数値を過剰に追い求めるのではなく、発生し得る勢力の範囲と「確率分布」を予測する方向へと舵が切られている。
キエウ准教授は、予測可能な領域と予測不可能な領域の境界線を明確にする上で、このカオス構造の理解が決定的に重要だと指摘する。警報システムが「確定的数値」から「確率分布とアンサンブル」の提示へと移行することは、防災における大きな進化である。防災当局や沿岸住民が最悪の事態に備えるためには、単一の数字ではなく、リスクの全体幅を把握することこそが命を救う鍵となる。
参考リンク：
- The Conversationの報道
