In Silico

シミュレーション・制御・実機

天気予報は何日先まで当たる？「約2週間」の限界とAIで変わるか

2026/7/4 （更新: 2026/11/4）

🤖 AIを使用して執筆

  • 天気予報
  • カオス
  • AI気象モデル
  • アンサンブル予報
  • GraphCast
  • GenCast
  • Pangu
  • AIFS ENS
  • ECMWF
  • ICON
  • NeuralGCM
  • FourCastNet
  • バタフライ効果
  • 予測可能性
  • リャプノフ指数
  • 初期値依存性
  • 誤差倍増時間
  • 初期条件
  • 過大分散
  • 双子実験
  • 内在的限界
  • ローレンツ
  • 大循環モデル
  • 解析データ
  • 中緯度
  • 熱帯
  • 数値ノイズ
  • 気候平均
目次
背景・問い・要点
背景

天気予報を支える計算機は、この数十年で桁違いに速くなった。気象モデルの解像度も、予報に取り込める観測データの量も、昔とは比較にならない。観測値を、計算の出発点となる大気の状態に取り込む手順を、データ同化という。そして予報が「何日先まで当たるか」も、実際に延びてきた。いまの数日先の予報は、かつての翌日の予報と同じくらい当たる。

それでも、予報が当たる日数には頭打ちがある。ある日数を過ぎると、どれだけ計算を足しても、一つに決めた予報はその季節のふだんの天気を言い当てる以上のことを言えなくなる。その位置は俗に「約2週間」と言われ、計算機やモデルが良くなっても、大きくは動いていない。予報がこうして情報を失うまでの日数を、予測可能性の地平線と呼ぶ。

問い

予報が当たる日数の頭打ちは、観測やモデル、計算機を良くすれば動くのか。

要点

予報が当たる日数の頭打ちはモデルではなく天気の側にあり、観測やモデル、計算機を良くして延ばせるのは、頭打ちの手前までの日数である。2019年の論文の見積もりでは、実用になる予報は9〜10日先までで、あと3〜5日は延ばせる余地がある12。

大気はカオス系で、初期のごく小さな誤差が平均して指数関数的に増え、自然なばらつきの大きさまで育つと、単一の決定論的予報はその季節のふだんの天気（気候平均）以上の情報を持たなくなる2。この頭打ちは俗に約2週間とされ、数字は論争中で、緯度と空間規模で変わるが、頭打ちがあることは揺るがない。AI気象モデルもこの頭打ちを動かしたとは言えず、試されたモデルではバタフライ効果の再現に物理的な不整合が報告されている3。

モデル・例示

誤差の倍増が十分に速まると、地平線に上限ができる

※ この節の例は、説明のために作った架空のものです。

初期誤差を減らしたときに予報が当たる日数が際限なく延びるか、上限で止まるかは、初期誤差を減らすたびに足される日数がどう縮むかで分かれる。足される日数が十分速く縮めば、延びの合計は有限になり、地平線に上限ができる。誤差が倍になる日数を置いて、それを数える。

予報の誤差が、自然なばらつき（誤差がそこまで育つと予報が情報を失う大きさ）の1%から始まるとする。誤差が2日ごとに倍になるなら、1%から100%までは約6.6回の倍増で、予報は約13.3日で情報を失う。

初期誤差を減らすと地平線がどれだけ延びるかを、二つの場合で比べる。

一つめは、誤差の大きさによらず2日ごとに倍になる場合である。初期誤差を0.1%にすると地平線は約19.9日、0.01%にすると約26.6日になる。初期誤差を10分の1にするたびに、同じ約6.6日が足される。

二つめは、小さな誤差ほど速く倍になる場合である。1%から100%までは2日ごと、0.1%から1%までは1日ごと、0.01%から0.1%までは0.5日ごとと、桁が一つ下がるごとに倍増の間隔が半分になるとする。初期誤差を0.1%にすると地平線は約16.6日、0.01%で約18.3日、0.001%で約19.1日になる。足される日数は約3.3日・1.7日・0.8日と半分ずつ縮み、足し続けても合計は約6.6日を超えない。初期誤差をいくら減らしても、地平線は約19.9日の手前に留まる。

地平線の延び方は、倍増の速さが誤差の大きさに依るかどうかで分かれる。

  1. 初期誤差を減らせば、どちらの場合も地平線は延びる。
  2. 小さな誤差ほど速く育ち、初期誤差を減らすたびに延びる日数がこの例のように一定の割合で縮むなら、足される日数の合計は有限になり、地平線には初期誤差をどれだけ減らしても越えられない上限ができる。

丸めた一つの値から、計算結果が分かれた

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。この結果から、ローレンツは小さな変化が大きな結果をもたらしうるという洞察を得た4。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モデルとして定式化した5（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4。

頭打ちの位置：「約2週間」という数字の出どころ

カオス系とは、初期のごく小さな誤差が平均して指数関数的に増える（その増え方の速さを表すリャプノフ指数が正である）系である。誤差が「自然なばらつき」と同じ大きさに飽和したとき、単一の決定論的予報はもう気候平均以上の情報を持たない。そこが予測可能性の地平線である2。

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。ローレンツ自身は後に、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、と振り返っている6。「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6。

その後、倍増時間の推定は、1970年には約3日、1980年代前半にはさらに短い値へと改定されていく。この経緯は、動いたのは根拠にした倍増時間のほうで、そこから出した「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6。

現代の高解像度「双子実験」（同じモデルで、初期値だけをわずかに変えた計算どうしを比べる実験）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7。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）。逆に100km未満では熱帯のほうが短く（5〜7日）、波長600kmを超える総観規模（高気圧や低気圧の規模）では関係が逆転する。つまり地平線の位置は、緯度と空間規模で変わる7。

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2、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6。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。

延ばせるのは頭打ちの手前まで

解像度やデータを増やして上がるのは、地平線までの精度である。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2。Alleyらの論考は、現代の5日予報が1980年の1日予報と同じ精度になり、実用になる予報が9〜10日先まで届いたことを示したうえで、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。つまり計算を増やせば、実用的な予報の日数は限界の手前までまだ延ばせる。

その先で延びが鈍る理由も、Zhangらは書いている。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ので、削減はいずれ収穫逓減になる、とも書いている。成長率を上げるのは、小さな規模から上へ伝わる内在的な成長である2。誤差が小さいほど成長率が上がるなら、初期誤差を10分の1にするたびに足される日数は縮む。有限の不確かさが育って予報が一つに決まらなくなるというカオスの性質は、どんなモデルでも消えない。

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8。そしてばらつきの幅そのものが予報になる。アンサンブルは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。

2週間より先の予報は、対象を週ごとの平均に変えて出されている。欧州中期予報センター ECMWF（European Centre for Medium-Range Weather Forecasts）は、週ごとの平均的な状態がモデルの長期の気候値からどれだけずれるかを、46日先まで毎日予報している9。その手がかりになりうるのは、ゆっくり変わる海と陸の表層の状態で、成層圏の変動も関わりうる。この期間なら大気自身もまだ初期条件をいくらか覚えている、と ECMWF は書く9。

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、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 AIFS ENS（AIFS は Artificial Intelligence Forecasting System）を実運用に移した10。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）で生成している。ECMWF 自身は、コントロールを含む全メンバーを「学習された予報分布からの異なる帰結」と書き、確率的予報だと断っている10。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（Integrated Forecasting System）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。

AIFS ENS のばらつきの幅は、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。その摂動には、ECMWF が IFS アンサンブルの信頼度を上げるために初期条件へ足した、一定の期間に最も速く育つ向きを選んだ摂動（特異ベクトル摂動）が含まれる。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10。幅は、広く取れば当たるというものではない。

AI気象モデルは頭打ちを動かすのか

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11。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12。

だがこれらは地平線の手前の予報を、安く・少し良くしているのであって、地平線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（初期値を変えた2本の計算の、風の差が持つ運動エネルギー）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13。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。

2023年に直接試されたのは Pangu 1本だった。Selz と Craig は2026年6月に追試を掲載し、Pangu、Aurora、FourCastNet、GraphCast、NeuralGCM、GenCast を、複数の解像度で走らせた物理モデル ICON と比べている3。結論は「試した AI 気象モデルのどれも、バタフライ効果を物理的に整合した形では再現できなかった」である。Pangu と Aurora は微小擾乱の速い初期成長の兆候を示さず、GraphCast や GenCast を含む第2群は速い初期成長と有限の限界を一応は示したが、その加速の主因は非現実的な数値ノイズの生成だと著者らは特定した。CPU で走らせると FourCastNet と NeuralGCM では速い初期成長が消え、GraphCast でも不確かさが約5分の1に減る。

物理モデルと AI モデルの違いは、初期誤差を段階的に減らしたときの延び方に現れる。初期誤差を現実の初期条件の不確かさ（ECMWF のアンサンブルデータ同化 EDA（Ensemble of Data Assimilations）の摂動）の100%から0.1%まで10段階に変えて45日走らせた実験もある。物理モデル ICON では、初期誤差が10%を切ると予測可能な時間の延びが小さくなり、約12〜13日で頭打ちになった（300hPa の差分運動エネルギーが飽和の25%に達するまでの時間で測った値）3。初期誤差を減らして足される日数が縮む振る舞いである。Pangu や Aurora など第1群の AI モデルは、初期誤差を0.1%まで減らしても延び方が鈍らず、大気が無限に予測可能であるかのような結果を出した。こちらは、初期誤差を減らしても足される日数が縮まない振る舞いである。第2群のうち限界が比較的はっきり出たのは NeuralGCM と CPU で走らせた GraphCast で約17日、GPU 版の GraphCast は約15日の限界を示し、どれも ICON より長かった3。著者らは、モデルの大きさ・設計・アーキテクチャはほぼ無関係で、原因は訓練に使う解析データの限界にありそうだ、と結んでいる3。

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)14。ただし2024年の論文で著者らは、これを限界の突破ではなく「最近の推定の上端」と位置づけている。同じ論文は序論で、アンサンブル予報を使えば限界は16〜23日まで延ばせるかもしれない、という先行研究を挙げている14。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14。この2024年の結果に限れば、改善の余地は大気の原理ではなく、初期値の推定という実務の側にある、ということになる。地平線を越えたのではなく、地平線の手前の日数をもう少し延ばせることを示した仕事である。

その後、同じ著者らは2026年の論文で、2020年を通した1日2回の予報について GraphCast の初期条件を最適化した15。再解析の初期条件から出した予報に比べ、14日の窓で最適化した732本では10日時点の誤差が平均86%減ったが、この732本の誤差は約30日でその予報と重なる。30日を超えて予報スキル（再解析から出した予報より誤差が小さいこと）が続いたのは、6日おきに選んだ61本を倍精度で32日まで最適化した部分標本である。著者らはこの研究を、約2週間という限界への挑戦と位置づけている。その初期条件を別のAIモデル Pangu-Weather に入れると、4日時点の改善は GraphCast 自身の62%に対し21%にとどまり、補正はモデル誤差と解析誤差の両方を狙っている、とも書く。そうした初期条件を実時間で見つけられるかは今後の課題だという15。

AIの結果だけで地平線が動いたと言えるかは、いま論争の最中にある。Selz と Craig の追試は、予測可能性の限界を調べる用途では従来型モデルのほうが信頼できると結論し、Vonich と Hakim の2025年のプレプリントを別の見方として挙げている3。Vonich と Hakim の側は、AIモデルに小規模の急成長が無いことは欠陥とは限らず、予測可能性が主に大規模の力学で決まることを示しているのかもしれない、と仮説の形で述べる15。

Selz と Craig は、AI気象モデルがバタフライ効果を再現できないことが運用の中期予報に悪影響を与えている兆候は今のところ無い、と書く。まれな流れのパターンでは小さな規模からの不確かさの伝播がずっと重要になる可能性を残しつつ、従来型とAIで根本的に違う答えが出うるのは、大気の限界そのものを調べる研究の道具として使うときだと述べる3。今回試されたAI気象モデルでは、バタフライ効果の再現に物理的な不整合が報告されている3。

出典15件

  1. R. B. Alley ほか「Advances in weather prediction」Science, 2019. https://doi.org/10.1126/science.aav7274 https://hdl.handle.net/1721.1/126785 — 原データを含まない Perspective。5日予報＝1980年の1日予報・実用9〜10日と、改善はまだ予測可能性の限界に制約されていないとする。著者2名は 2 と重なる。 ↩ ↩2

  2. F. Zhang ほか「What is the predictability limit of midlatitude weather?」J. Atmos. Sci., 2019. https://journals.ametsoc.org/view/journals/atsc/76/4/jas-d-18-0269.1.xml — 9km全球アンサンブルで内在的限界を約2週間、実用を9〜10日としてあと3〜5日の余地を示す。初期誤差を減らすほど成長率が上がり収穫逓減。 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7

  3. Selz & Craig「Can AI-Based Weather Prediction Models Simulate the Butterfly Effect? The Role of Architecture and Implementation」JGR: MLC, 2026. https://doi.org/10.1029/2025JH001180 https://publikationen.bibliothek.kit.edu/1000194866/184680635 — 6系統の AI モデルで追試。 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8

  4. MIT Technology Review, 2011. https://www.technologyreview.com/2011/02/22/196987/when-the-butterfly-effect-took-flight/ — ローレンツが12変数の気象モデルで値を丸めて打ち直し、鋭敏な初期値依存性に気づいた経緯と、「ブラジルの蝶」の題名をメリリーズが考えたこと。 ↩ ↩2

  5. E. N. Lorenz「Deterministic Nonperiodic Flow」J. Atmos. Sci. 20, 130–141, 1963. https://journals.ametsoc.org/view/journals/atsc/20/2/1520-0469_1963_020_0130_dnf_2_0_co_2.xml — バタフライ効果の原典。3変数の対流モデルで非周期解の不安定性を示し、現在の状態が正確に分からない限り遠い未来は予測できないとしつつ、大気に当てはまるかは問いとして残す。 ↩

  6. B.-W. Shen ほか「Lorenz’s View on the Predictability Limit of the Atmosphere」Encyclopedia, 2023. https://www.mdpi.com/2673-8392/3/3/63/html https://doi.org/10.3390/encyclopedia3030063 — 著者らの立場表明。理論モデルの2週間は内在的限界を表せないとする。各モデルの数値は Charney ほか 1966 で確認。 https://journals.ametsoc.org/view/journals/bams/47/3/1520-0477-47_3_200.xml ↩ ↩2 ↩3 ↩4

  7. F. Judt「Atmospheric Predictability of the Tropics, Middle Latitudes, and Polar Regions Explored through Global Storm-Resolving Simulations」2020. https://doi.org/10.1175/JAS-D-19-0116.1 — 熱帯20日超・中緯度2週間強。 ↩ ↩2

  8. ECMWF 教材ページ（2026年9月22日取得）. https://www.ecmwf.int/en/learning/training/introduction-chaos-predictability-and-ensemble-forecasts — カオス・予測可能性・アンサンブル予報の入門。少しずつ違う初期条件から並行して予報を走らせるアンサンブル予報の説明。メタデータの日付は2022年。 ↩

  9. ECMWF「Sub-seasonal-range forecasts」（2026年10月11日取得）. https://www.ecmwf.int/en/forecasts/documentation-and-support/extended-range-forecasts — 46日先までの週ごとの平均の予報を毎日出す。海と陸の表層・成層圏と、大気に残る初期条件の記憶を予測可能性の源に挙げる。 ↩ ↩2

  10. S. Lang & L. Magnusson「AIFS ENS becomes operational」ECMWF Newsletter No. 185, 2025. https://www.ecmwf.int/en/newsletter/185/earth-system-science/aifs-ens-becomes-operational — 50の摂動メンバーと1つのコントロールで、メンバーはノイズ注入で作る。上層の変数で過大分散で、IFS と同じ初期摂動を使うことと関係する可能性が高いと書く。 ↩ ↩2 ↩3

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

  12. GenCast, Nature, 2024. https://www.nature.com/articles/s41586-024-08252-9 — 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。 ↩

  13. Selz & Craig「Can Artificial Intelligence-Based Weather Prediction Models Simulate the Butterfly Effect?」GRL, 2023. https://doi.org/10.1029/2023GL105747 — Pangu は微小擾乱の急成長をほぼ示さず、3日後の差分運動エネルギーが ICON の5桁下。 ↩

  14. Vonich & Hakim「Predictability Limit of the 2021 Pacific Northwest Heatwave From Deep-Learning Sensitivity Analysis」GRL 51(19), 2024. https://doi.org/10.1029/2024GL110651 — 最適化で約23日まで改善し「最近の推定の上端」とする。 ↩ ↩2 ↩3

  15. Vonich & Hakim「Atmospheric Predictability beyond 30 Days with Machine Learning」AIES 5(3), 2026. https://doi.org/10.1175/aies-d-26-0009.1 https://arxiv.org/html/2504.20238v2 — GraphCast の初期条件を最適化し10日誤差を平均86%減らす。30日超の予報スキルは61本の部分標本。 ↩ ↩2 ↩3

この記事はAIを使用して執筆されました。内容には誤りが含まれる可能性があります。事実や数字の出典は脚注から確かめられます。