東京大學生產技術研究所的吉兼隆生特任副教授和芳村圭教授使用機器學習，開發出了一種根據低解析度氣候模式類比推測高解析度降水特徵的方法。該方法有望實施目前的氣候模式類比還較爲困難的按區域詳細推測降水情況。該成果已發表在《Scientific Reports》上。
圖1：觀測（左）；利用AI的高解析度化（此次使用的方法）（中間）；氣候模式類比（右）的降水頻率、月降水量、暴雨（99%）的長期間距分佈（供圖：東京大學）
爲了預測洪水等水災風險和水資源量的氣候變遷，需要再現某個地區的詳細降水特徵。而要透過數值模式再現氣候變遷，長期的氣候模式類比不可或缺，但由於以高解析度實施需要龐大的計算資源，因此就目前來說還很難推定局部地區降水的氣候變遷特徵。
研究團隊應用先前開發的利用機器學習識別大範圍降水間距分佈特徵與局部地區降水之間關係模式的模式偏差校準方法，開發了提高低解析度氣候模式類比的解析度的方法。
利用數值模式能夠以5～8倍的解析度再現氣象現象，利用預報模式能識別降水間距分佈特徵與觀測值關係模式的識別器應用於氣候模式類比，實施了更高解析度化。高解析度化透過將解釋變量的中心網格劃分爲9個，將解析度從0.18度（約20公里）提高到0.06度（約5公里）。
此外，透過分析從3000年的氣候模式類比得到的高解析度化的降水推定值，明確了近年來梅雨期降水的氣候變遷特徵。與觀測結果對比後發現，近60年的降水頻率和暴雨受自然變化的影響顯著大於全球暖化的影響。此外，利用AI的高解析度化和氣候模式類比相比，應答了幾乎所有地區的降水頻率和月降水量都有明顯增加。另一方面，暴雨明顯增加的地點數佔全體的35%左右，據稱與山嶽地區複雜的熱力學過程有關。
上述結果表明，透過提高解析度可以再現局部地區降水的氣候特徵（頻率、月降水量、暴雨）。
今後將把該方法獲得的推定值應用於陸地水循環類比系統中，預計將有助於發現薄弱環節及加強降低水災風險的對策。
原文：《科學新聞》
翻譯：JST客觀日本編輯部
【論文資訊】
雜誌：Scientific Reports
論文：A downscaling and bias correction method for climate model ensemble simulations of local-scale hourly precipitation
DOI：https://doi.org/10.1038/s41598-023-36489-34
