In Silico

シミュレーション・制御・実機

天気予報の「2週間の壁」は、モデルではなく天気の側にある

2026/7/4 （更新: 2026/9/12）

🤖 AIが執筆しています

目次

スーパーコンピュータは1963年から桁違いに速くなった。気象モデルの解像度も観測データの量も、当時とは比較にならない。そして「何日先まで当たるか」も、実際に延びてきた——現代の5日予報は1980年の1日予報と同じ精度で、実用になる予報は9〜10日先まで届く1。それでも、その少し先で頭打ちになる。なぜか。天井が、モデルの側ではなく、天気の側にあるからだ。

打ち直した丸めが、道具ではない限界を暴いた

1961年、気象学者エドワード・ローレンツは、前に走らせたシミュレーションをやり直そうとして数値を打ち直した。そのとき一つの変数を .506127 から .506 へ丸めた。下三桁を落としただけだ。コーヒーを淹れて戻ると、計算結果はまったく別の天気に分岐していた。小さな差が、小さなまま留まらない——古典的な「小さな原因は小さな結果」という前提が、ここで崩れた2。この鋭敏な初期値依存性を、彼は1963年の論文「決定論的非周期流」で、3変数に切り詰めた対流の模型として定式化した3（1961年に走らせていたのは12変数の気象モデルで、別の系である）。後に「ブラジルの蝶の羽ばたきがテキサスで竜巻を起こすか」で知られる、バタフライ効果である。この題名を考えたのは気象学者P.メリリーズで、それ以前のローレンツはカモメが嵐を起こす例を使っていた2。

皮肉が二重になっている。バタフライ効果は丸めた値を打ち直すという偶然から発見され、そして計算機が永遠にできることを制限する。

なぜ「壁」なのか——傾斜ではなく

カオス系では、初期のごく小さな誤差が平均して指数関数的に増える(正のリャプノフ指数)。誤差が「自然なばらつき」と同じ大きさに飽和したとき、予報はもう気候平均以上の情報を持たない。そこが壁だ4。

よく言われる「約2週間」という数字は、しかし定理ではなく慣例であることに注意がいる。元をたどるとCharneyら(1966)に行き着く。当時の大循環モデルによる誤差倍増時間の推定は、Leithのモデルで「成長ゼロ」、Smagorinskyでは倍増時間そのものが定まらず（約2週間周期の準周期変動が続き、30日を過ぎてようやく6〜7日）、Mintzで5日と、互いに食い違っていた。モデルどうしが異なりすぎて矛盾する結果を出し、さまざまな理由でMintzの結果が最も広く受け入れられた——とローレンツ自身が後に振り返っている5。「5日」ですら測定値ではなく、食い違う3つのモデル推定から選ばれた一つである。Charneyらはその上で「利用可能な最も現実的な大循環モデルに基づけば、決定論的予測可能性の限界は冬季で約2週間、夏季はやや長い」と結論した5。しかも倍増時間の推定そのものが、1970年には約3日、1980年代前半にはさらに短くへと改定されていく。動いたのは土台の数字のほうで、その上に立てた「2週間」は動かなかった——と読める。ただし、この経緯を整理したShen/Pielkeら自身、JudtやZhangらの最先端モデルによる近年の研究が同じ2週間の桁を報告していることを併記している5。現代の高解像度「双子実験」では、中緯度でも波長5000kmを超える惑星規模なら約15〜17日まで延びる6。ただしこれは最も長い側の数字で、中緯度全体では「2週間強」、100km未満の細かい運動では10〜12日。しかも熱帯のほうがむしろ長い（20日超）——壁の高さは、緯度と空間規模で変わる。Zhangら(2019)は9km解像度の全球アンサンブルから内在的限界を「約2週間」と見積もっているが4、Shen/Pielkeらは、2週間という数はローレンツの理論モデルが与えたものではなく、その理論モデルは大気の内在的限界を表せない、と論じている5。Shenらは2週間を超える近年のシミュレーションを挙げて、限界は別の方法で探し直せるという楽観の側に立つ。数値そのものは論争中だが、「有限の地平線が存在する」点は揺るがない。

重要なのは、壁が傾斜ではないことだ。解像度やデータを増やせば、地平線までの精度は上がる。Zhangら自身、現状の実用的な予測可能性である9〜10日に対し、観測とデータ同化と解像度の改善によってあと3〜5日は稼げる余地があると書いている4。Alleyらの論考も、要旨で「さらなる改善は、まだ予測可能性の限界に制約されていない」と言い切っている1。つまり計算は、天井までの距離をまだ買える。だが、有限の不確かさを確率の雲に変えてしまうカオスの性質は、どんなモデルでも消えない。Zhangらは同じ論文の中で、初期誤差を減らすほど誤差の成長率はむしろ上がる——小さな規模から上へ伝わる内在的な成長が効いてくる——ので、削減はいずれ収穫逓減になる、とも書いている4。買えるのはそこまでだ。

だからアンサンブル予報がある

点で当てられない以上、現代の予報は軌道でなく分布を予測する。初期条件を観測誤差の範囲で揺らし、さらにモデル方程式にも揺らぎを与えて何度も計算し、確率を読む7。そしてばらつきの幅そのものが予報になる——大気の状態によって、数日まとまりを保つことも、ほとんど即座に発散することもある。カオスは予測を不可能にしたのではない。予測の性質を、決定論から確率論へと変えたのだ。そして近年は、現業の予報センターでもAIアンサンブルの運用が始まっている。ECMWF は AIFS ENS を実運用に移した——50の摂動メンバーと1つのコントロールからなるアンサンブルである8。ただしそのばらつきの作り方は物理モデルと違う。AIFS ENS はメンバーをプロセッサ内へのノイズ注入（乱数シード）で生成しており、コントロールを含む全メンバーが「学習された予報分布からの異なる帰結」——つまり確率的予報だと ECMWF 自身が断っている8。もっとも、初期条件の摂動を捨てたわけではない。AIFS ENS は物理側の IFS アンサンブルと同じ初期摂動を使い、その上にモデル内部の揺らぎが乗る。幅は、いまむしろ広すぎる——ECMWF は上層の複数の変数で過大分散（アンサンブルの標準偏差が、アンサンブル平均の二乗平均平方根誤差より大きい）だと自ら報告している。ECMWF はその原因を、この同じ初期摂動を IFS と共有していることと関係している可能性が高い、と述べる。その摂動は、IFS アンサンブルの信頼度を上げるために初期条件へ足された特異ベクトル摂動である。AIFS ENS のほうが予報誤差は小さいので別の摂動振幅が要るのかもしれない、と ECMWF は続けている8。幅は、広く取れば当たるというものではない。

AI気象モデルは壁を動かすのか

2023〜2025年、AI気象モデルは目覚ましい。GraphCast(DeepMind, Science 2023)は10日予報を1分未満で出し、ECMWFの最良決定論システムを1,380指標の90%で上回った9。GenCast(Nature 2024)は拡散ベースのアンサンブルで97.2%の指標でECMWFのENSを上回った10。

だがこれらは壁の手前で、安く・少し良くしているのであって、壁を動かしてはいない。むしろ不穏な指摘がある。Selz & Craig(2023, GRL)は、AI気象モデル Pangu では微小な初期擾乱の急成長がほとんど起きないことを見出した。実際の初期条件の不確かさを1/1000にまで縮めても、誤差の増え方はほぼ一定のままで、3日後の差分運動エネルギーは物理モデル ICON より5桁小さい。エネルギーは二乗量なので、振幅に直せば約2.5桁にあたる。このまま読めば「大気は無限に予測可能で、バタフライ効果は存在しない」ことになってしまう11。ただし同論文は限定も付ける——最初の24時間を過ぎたあと、波長1000kmより大きい規模では、成長率もスペクトルの性質も ICON とよく似て現実的で、予測可能性を失った規模を塗り潰してしまうわけでもない。壊れているのは、現在の観測精度よりはるかに小さい擾乱から始まる領域だ。直接試されたのは Pangu 1本である。ただし著者ら自身は「FourCastNet や GraphCast のように似たデータで訓練された現行の AI モデルが、有意に異なる結果を出すとは考えにくい」と書いている。論文の Key Point も「現行の AI ベースのモデルはバタフライ効果を再現できず、大気の予測可能性が無限であるかのように示してしまう」と複数形で一般化している11。ただし GraphCast のように初期条件を2時刻ぶん入力するモデルは別扱いになりうる、とも著者らは書く。もっともその場合、速い成長率を初期条件に含めるには物理モデルに初期条件を作らせることになり、それは「ニューラルネットにバタフライ効果の存在を教えてやる」ことだ、と著者らは同じ段落で続けている。初期条件を遡及的に最適化すれば約23日先まで予報が改善したという報告もある(Vonich & Hakim 2024)12。ただし著者ら自身は、これを壁の突破ではなく「最近の推定の上端」——アンサンブル予報で既に報告されていた16〜23日の範囲の上端——と位置づけている。しかも改善の由来はモデル誤差ではなく主に解析（初期値）誤差だと Key Point に明記しており（「予報の改善は予報モデルに依存せず、主として総観規模以上の解析誤差に由来する」）、「既存の観測から、初期値推定の改善によって予報精度の大幅な向上が可能かもしれない」と結んでいる12。原理ではなく実務で縮められる側だ、ということである。壁を破ったのではなく、壁までの距離をもう少し買えることを示した仕事である。AIが壁を破ったように見えるとき、最初に疑うべきは、それが本物の(カオス的な)大気を模していない可能性のほうだ。

結論：天井は、最初から道具ではなかった

計算もモデルも1963年から桁違いに良くなり、予報が当たる日数も実際に延びた。だが延びたのは地平線までの距離であって、地平線そのものではない。道具が良くなるほど、天井が道具でなかったことが明らかになった。限界は非線形力学という系の構造にある。計算が買えるのは天井までの距離であって、天井の高さではない。地平線は、計算機ではなく天気の性質なのだ。

出典12件

  1. R. B. Alley, K. Emanuel, F. Zhang「Advances in weather prediction」, Science 363, 342–344 (2019)。著者らが Perspective と呼ぶ3頁の論考で、原データは含まない。「現代の5日予報は1980年の1日予報と同じ精度で、実用になる予報はいま9〜10日先まで届く」「現代の72時間ハリケーン進路予報は40年前の24時間予報より正確」と、到達済みの予報日数が実際に延びてきたことを示す。著者らの要旨はさらに Further improvements are not yet constrained by limits on predictability, and can be enabled by targeted investments in this successful public-private partnership. と書く（著者原稿の Abstract. 直下。Science 側の編集部要約ではない）。本文では「地平線までの距離は延びた」側の根拠として引く。「5日予報＝1980年の1日予報」「9〜10日」は、同論考が文末の参照番号で P. Bauer, A. Thorpe, G. Brunet「The quiet revolution of numerical weather prediction」, Nature 525, 47–55 (2015) を参照して書いている数字である。なお F. Zhang と K. Emanuel は 4 の著者でもあるので、この2本は独立した出典ではない。 https://doi.org/10.1126/science.aav7274 ／ 著者原稿（オープンアクセス）: https://hdl.handle.net/1721.1/126785 ↩ ↩2

  2. ローレンツが丸め誤差から鋭敏な初期値依存性を発見した経緯, MIT Technology Review（2011）。 https://www.technologyreview.com/2011/02/22/196987/when-the-butterfly-effect-took-flight/ ↩ ↩2

  3. E. N. Lorenz「Deterministic Nonperiodic Flow」, J. Atmos. Sci. 20, 130–141 (1963)。バタフライ効果の原典。 https://journals.ametsoc.org/view/journals/atsc/20/2/1520-0469_1963_020_0130_dnf_2_0_co_2.xml ↩

  4. F. Zhang, Y. Q. Sun, L. Magnusson, R. Buizza, S.-J. Lin, J.-H. Chen, K. Emanuel「What is the predictability limit of midlatitude weather?」, J. Atmos. Sci. 76, 1077–1091 (2019)。9km全球アンサンブルから中緯度の内在的限界を約2週間と見積もる一方、現状の実用的予測可能性は約9〜10日で、観測・データ同化・高解像度化によって「あと3〜5日」を稼ぐ余地が残ると明記している＝天井は動かないが、天井までの距離はまだ買えることの出典。同時に、初期誤差を減らすほど誤差成長率は上がり、いずれ収穫逓減になるとも書く——the error growth rate … in EDA0.1 will increase with decreasing ε, implying that there will eventually be diminishing returns from further reducing the initial-condition errors. その原因は小規模からの内在的な上方伝播（式(1)の β 項）だと述べる。 https://journals.ametsoc.org/view/journals/atsc/76/4/jas-d-18-0269.1.xml ↩ ↩2 ↩3 ↩4 ↩5

  5. B.-W. Shen, R. A. Pielke, X. Zeng, X. Zeng「Lorenz’s View on the Predictability Limit of the Atmosphere」, Encyclopedia 3(3), 887–899 (2023)。第三者による中立な総説ではなく、著者ら4名自身の立場表明（Entry）である——Charney ら 1966 の「誤差倍増5日」の由来を整理したうえで、「2週間の内在的限界は Lorenz 1969 が示した」という通説を hypothesis for the intrinsic predictability limit と呼んで not accurate とし、理論モデル由来の2週間は cannot represent an intrinsic predictability limit of the atmosphere と結論する。そのうえで、2週間を超える近年のシミュレーションを根拠に an optimistic view for searching for a predictability limit using different approaches を掲げる。本文の「矛盾する結果」「さまざまな理由で最も広く受け入れられた」は Lorenz (1984a) の回想を Shen らが引用ブロックで転載したもの——the models were sufficiently dissimilar to one another for the predictability studies performed with them to give contradicting results … For various reasons Mintz's result came to be the most generally accepted one。なお同じ回想は Smagorinsky モデルを「10日の倍増時間」と要約しているが、本稿は一次資料 Charney 1966 の記述（6〜7日）を採る。倍増時間の推定がその後どう改定されたかも、この Entry の記述による——By 1970, the doubling time appeared to be around three days and, as noted by Lorenz in various publications (e.g., Lorenz 1993, 1996, 2006), became even shorter in the early 1980s. 同じ Entry は Recent studies (Judt 2018, 2020; Zhang et al., 2019), using the most advanced models, have reported a similar order of magnitude for the two-week predictability limit. とも書く。 https://www.mdpi.com/2673-8392/3/3/63/html ／ https://doi.org/10.3390/encyclopedia3030063 各モデルの数値は一次資料で確認した——J. G. Charney ほか「The Feasibility of a Global Observation and Analysis Experiment」, Bull. Amer. Meteor. Soc. 47(3):200-220 (1966)。Leith モデルは初期0.50Kの誤差が leveled off at 0.11K（成長せず頭打ち）、Smagorinsky モデルは varies in a quasi-periodic fashion with a period of about two weeks ののち after about 30 days, when the doubling time reaches the value of six or seven days、Mintz-Arakawa モデルは a doubling time of about five days in each hemisphere and at each level。結論は based on the most realistic of the general circulation models available, the limit of deterministic predictability for the atmosphere is about two weeks in the winter and somewhat longer in the summer。 https://journals.ametsoc.org/view/journals/bams/47/3/1520-0477-47_3_200.xml ↩ ↩2 ↩3 ↩4

  6. F. Judt「Atmospheric Predictability of the Tropics, Middle Latitudes, and Polar Regions Explored through Global Storm-Resolving Simulations」, J. Atmos. Sci. 77, 257–276 (2020)。「中緯度で波長5000kmを超える規模の予測可能限界は15〜17日」と規模を限定して述べ、中緯度全体は「2週間強」、100km未満は10〜12日、熱帯は20日超と報告する＝壁の高さが緯度と空間規模で変わることの出典。 なお本論文は自ら The present study is based on the identical-twin predictability experiment of Judt (2018) and uses the same model output. と述べており、双子実験そのものの実施報告は Judt (2018) にあたる。 https://doi.org/10.1175/JAS-D-19-0116.1 ↩

  7. カオス・予測可能性・アンサンブル予報の入門, ECMWF。 https://www.ecmwf.int/en/learning/training/introduction-chaos-predictability-and-ensemble-forecasts ↩

  8. S. Lang & L. Magnusson「AIFS ENS becomes operational」, ECMWF Newsletter No. 185（2025年秋号、2025年10月刊）。MSE を目的関数に訓練された第一世代の ML モデルは場が過度に滑らかになり、そのぶんメンバー間の差が縮んでアンサンブルのスプレッドが落ちて予報が信頼できなくなる——だから CRPS に基づく損失で訓練した AIFS-CRPS を実運用へ移し、AIFS ENS と命名した、と説明する。構成は AIFS ENS currently has 50 perturbed members and one control member.（currently は原文ママ）。メンバー生成は Ensemble members are generated by introducing noise within the processor. で、コントロールを含む全メンバーが stochastic forecasts that represent different outcomes from a learned forecast distribution だと述べる。ただし「Limitations」節は、上層の変数群について AIFS ENS is currently overdispersive とし、It is likely that this is related to the fact that AIFS ENS uses the same initial perturbation as the IFS ensemble. と書く——初期摂動は物理側から流用しており、AI 側の予報誤差のほうが小さいので it might require a different initial perturbation amplitude と続く。 https://www.ecmwf.int/en/newsletter/185/earth-system-science/aifs-ens-becomes-operational ↩ ↩2 ↩3

  9. GraphCast（DeepMind）, Science（2023）。10日予報を1分未満で出し、ECMWF最良決定論システムを1,380指標の90%で上回る。 https://www.science.org/doi/10.1126/science.adi2336 ↩

  10. GenCast, Nature（2024）。拡散ベースのアンサンブルで97.2%の指標でECMWF ENSを上回る。 https://www.nature.com/articles/s41586-024-08252-9 ↩

  11. T. Selz & G. C. Craig「Can Artificial Intelligence-Based Weather Prediction Models Simulate the Butterfly Effect?」, Geophys. Res. Lett. 50, e2023GL105747 (2023)。Pangu と物理モデル ICON を比較し、Pangu では微小擾乱からの急成長がほぼ起きないことを報告する。5桁は、初期摂動の振幅を実際の初期条件不確かさの1/1000に縮めた Pangu-0.1% 実験（0.1% means we reduced their amplitude by a factor of 1,000）で、72時間後の差分運動エネルギー(DKE)を ICON より過小評価する量である——The increase in DKE after 72 hr compared to the initial conditions is still only a factor of 3.1 (0.1% experiment) … Over the three days, this leads to an underestimation of the DKE by five orders of magnitude compared to ICON. 原典は since DKE is a squared quantity と明記しており、二乗量での5桁＝振幅では約2.5桁にあたる。一方で波長1000kmより大きい規模では、成長率もスペクトルも ICON とよく似て現実的である。 https://doi.org/10.1029/2023GL105747 ↩ ↩2

  12. P. T. Vonich, G. J. Hakim「Predictability Limit of the 2021 Pacific Northwest Heatwave From Deep-Learning Sensitivity Analysis」, Geophysical Research Letters 51(19), e2024GL110651 (2024, オープンアクセス)。GraphCast の初期条件を勾配降下で最適化し、2021年太平洋岸北西部の熱波の10日予報誤差を90%超削減。最適化窓を延ばすと約23日まで予報が改善し、「最近の推定の上端」にあたると述べる。改善は主に解析誤差に由来し、モデル誤差の寄与は重要でないと Key Point に明記。 https://doi.org/10.1029/2024GL110651 ↩ ↩2

この記事はAIが執筆しています。内容には誤りが含まれる可能性があります。ご注意ください。