东京大学生产技术研究所的吉兼隆生特任副教授和芳村圭教授使用机器学习，开发出了一种根据低分辨率气候模型模拟推测高分辨率降水特征的方法。该方法有望实现目前的气候模型模拟还较为困难的按区域详细推测降水情况。该成果已发表在《Scientific Reports》上。
图1：观测（左）；利用AI的高分辨率化（此次使用的方法）（中间）；气候模型模拟（右）的降水频率、月降水量、暴雨（99%）的长期空间分布（供图：东京大学）
为了预测洪水等水灾风险和水资源量的气候变化，需要再现某个地区的详细降水特征。而要通过数值模型再现气候变化，长期的气候模型模拟不可或缺，但由于以高分辨率实施需要庞大的计算资源，因此就目前来说还很难推定局部地区降水的气候变化特征。
研究团队应用先前开发的利用机器学习识别大范围降水空间分布特征与局部地区降水之间关系模式的模型偏差校正方法，开发了提高低分辨率气候模型模拟的分辨率的方法。
利用数值模型能够以5～8倍的分辨率再现气象现象，利用预报模型能识别降水空间分布特征与观测值关系模式的识别器应用于气候模型模拟，实现了更高分辨率化。高分辨率化通过将解释变量的中心网格划分为9个，将分辨率从0.18度（约20公里）提高到0.06度（约5公里）。
此外，通过分析从3000年的气候模型模拟得到的高分辨率化的降水推定值，明确了近年来梅雨期降水的气候变化特征。与观测结果对比后发现，近60年的降水频率和暴雨受自然变化的影响显著大于全球变暖的影响。此外，利用AI的高分辨率化和气候模型模拟相比，确认了几乎所有地区的降水频率和月降水量都有明显增加。另一方面，暴雨明显增加的地点数占全体的35%左右，据称与山岳地区复杂的热力学过程有关。
上述结果表明，通过提高分辨率可以再现局部地区降水的气候特征（频率、月降水量、暴雨）。
今后将把该方法获得的推定值应用于陆地水循环模拟系统中，预计将有助于发现薄弱环节及加强降低水灾风险的对策。
原文：《科学新闻》
翻译：JST客观日本编辑部
【论文信息】
杂志：Scientific Reports
论文：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
