拡大する：ジェネレーティブAIを活用した効率的な地域環境リスクアセスメント

地球システムモデルは、将来の環境変化を予測するために重要ですが、計算コストが高いため、細かいスケールで地域を予測する能力は限られています。これに対処するために、地球システムモデルと下流のユーザーのニーズとの間の解像度のギャップを埋めるための新しい生成AI手法が開発されました。動的生成ダウンスケーリングと呼ばれるこの手法は、確立された物理学ベースのモデルの出力に確率的拡散モデルを適用して、地球規模の気候予測を地域の環境リスク評価に変換します。このアプローチにより、既存の最先端技術のわずかなコストで、詳細な地域環境リスク評価が可能になります。この手法には、地域気候モデルが全球地球システムのデータを中間解像度にダウンスケールし、生成AIシステムが出力に細かいスケールの詳細を追加するという2段階のプロセスが含まれます。このハイブリッドなアプローチは、両方の方法の長所を活用し、物理的に接地された効率的な高解像度の詳細の生成を提供します。その結果、動的生成型ダウンスケーリングは、統計的手法と比較して微細スケールの誤差を40%以上削減し、現実的な空間パターンと異なる気象変数間の相関関係を捉えることが示されています。また、この手法では、不確実性の推定精度が向上し、南カリフォルニアのサンタアナ風による山火事のリスクなど、地域の極端な現象を捉えることができます。このブレークスルーにより、10 km未満の実用的なスケールで包括的な将来の地域気候予測を取得できるようになり、地球システムモデルの大規模なアンサンブルを計算可能にすることができます。より正確で確率的に完全な地域気候予測を提供することにより、動的生成的なダウンスケーリングは、環境リスク評価を劇的に改善し、適応政策とレジリエンス政策に関するより良い情報に基づいた意思決定に情報を提供することができます。