[論文レビュー] Artificial Intelligence for Prediction of Climate Extremes: State of the art, challenges and future perspectives

Stefano Materia, Lluís Palma García+8 more|arXiv (Cornell University)|Oct 3, 2023

Meteorological Phenomena and SimulationsEarth and Planetary Sciences被引用数 3

ひとこと要約

この論文は、気候極端現象を予測するために人工知能（AI）を活用する分野における最新の動向をレビューし、機械学習と気候モデルを組み合わせたハイブリッドモデルが予測精度を向上させることを強調している。データ品質、モデルの解釈可能性、再現可能性に関する主な課題を特定するとともに、信頼できるAI駆動型気候予測のためのベストプラクティスと今後の方向性を提案している。

ABSTRACT

Scientific and technological advances in numerical modelling have improved the quality of climate predictions over recent decades, but predictive skill remains limited in many aspects. Extreme events such as heat and cold waves, droughts, heavy rain and storms are particularly challenging to predict accurately due to their rarity and non-linear chaotic nature, and because of model limitations. However, recent studies have shown that predictive skill of extremes can be increased when using more sophisticated approaches, indicating that there might be systemic predictability that is not being leveraged. Recently, numerous studies have been devoted to the exploitation of Artificial Intelligence (AI) to study the predictability and make predictions of weather and climate. AI techniques have shown great potential to improve the prediction of extreme events and uncover their links to large-scale and local drivers. Machine and deep learning, causal discovery, explainable AI, are only some of the approaches that have been tested to both improve our understanding of the processes underlying predictability and enhance prediction skill of extreme events. Results are promising, especially for hybrid predictions that combine the AI, which can reveal and exploit unknown spatio-temporal connections from data, and climate models, that provide the theoretical foundation and interpretability of the physical world. On the other hand, challenges are multiple in many aspects, from data curation to model uncertainty and generalizability, to the reproducibility of methods and workflows. A few best practices are identified to increase trust in these novel techniques, and future perspectives are envisaged for further scientific development.

研究の動機と目的

• 熱波、干ばつ、嵐などの気候極端現象の予測にAIを応用する現状を評価すること。
• 非線形ダイナミクスと希少イベントの予測に関する従来の気候予測モデルの限界を特定すること。
• AI技術が気候データ内の隠れた空間時間的パターンを解明することで、予測精度を向上させることの可能性を評価すること。
• AIベースの気候モデリングにおけるデータキュレーション、モデルの汎化性、再現可能性に関する課題に対処すること。
• 信頼できる、説明可能で相互運用可能なAIを気候科学に応用するためのベストプラクティスと今後の研究方向性を提言すること。

提案手法

• 特に機械学習、ディープラーニング、因果発見を活用したAI技術を応用した気候極端現象予測に関する最近の研究を体系的レビューすること。
• AIモデルと物理的気候モデルを統合し、データ駆動型のパターン認識と理論的物理的制約を併用するハイブリッド予測システムを構築すること。
• 解釈可能性を向上させ、AIによる予測に対する信頼を高めるために、説明可能なAI（XAI）手法を適用すること。
• 熱波、強降水、干ばつを含むさまざまな極端現象におけるモデルのパフォーマンスを評価すること。
• 気候科学におけるAIワークフローにおけるデータ品質、モデルの不確実性、再現可能性の課題を分析すること。
• 科学的厳密性を高めるために、データ前処理、モデル検証、透明な報告に関するベストプラクティスを特定すること。

実験結果

リサーチクエスチョン

• RQ1 従来のモデルと比較して、AI技術は希少かつ非線形な気候極端現象の予測をどのように改善できるか？
• RQ2 特にデータ品質、汎化性、再現性の観点から、AIを気候予測に応用するにあたり直面する主な課題は何か？
• RQ3 AIと気候モデルを統合するハイブリッドアプローチは、予測精度と物理的解釈可能性の両面でどのように向上をもたらすか？
• RQ4 説明可能なAI（XAI）手法は、AI駆動型気候予報における信頼性と透明性をどのように高められるか？
• RQ5 気候研究におけるAI応用の信頼性、再現可能性、科学的妥当性を保証するためのベストプラクティスは何か？

主な発見

• 特に機械学習と物理的気候モデルを統合したハイブリッドモデルは、気候極端現象の予測精度を向上させる上で顕著な可能性を示している。
• 機械学習およびディープラーニング手法は、従来のモデルが見逃しがちな気候データ内の複雑な空間時間的関係を効果的に同定できる。
• 因果発見手法により、大規模および局所的な極端現象の原因要因を特定でき、プロセス理解と予測精度の両方が向上する。
• 説明可能なAI（XAI）手法は、モデルの解釈可能性を向上させ、AI駆動型気候予測に対する信頼を支える。
• 進展は見られるが、データキュレーション、モデルの不確実性、再現性に関する課題は依然として残っており、標準化されたワークフローの必要性が浮き彫りになっている。
• 透明な報告、モデル検証、オープンデータ共有といったベストプラクティスは、気候科学におけるAIの科学的信頼性とスケーラビリティを確保するために不可欠である。