最近の気候変動のうち、自然の揺らぎはどれほどか？

私たちが観測するあらゆる気候の傾向は、二つのものの和である。一つは強制応答（forced response）で、温室効果ガス、エアロゾル、土地利用、火山噴火によって押し進められる変化だ。もう一つは内部変動（internal variability）で、エルニーニョや、太平洋と大西洋のゆっくりとした振動のような、気候そのものの揺らぎである。この二つを見分けることは、気候変動を理解するためにも、気候モデルが正しいかどうかを判断するためにも重要だ。

問題は、現実が一度しか起こらないことだ。気候モデルなら同じ強制のもとで何十回も走らせることができ、それらの平均から強制による部分が見えてくる。しかしモデルにはバイアスがあり、もっと単純な統計的手法は、強制のパターンが決して変わらないと仮定しがちだ。こうした手法を比較した最近の国際的な比較研究では、誤差は依然として大きく、機械学習の手法も古典的な統計手法より優れてはいなかった。

論文は戒めとなる例を挙げている。1998年から2012年にかけての地球温暖化の停滞は、当初、人間による温暖化が鈍っている、あるいはモデルが間違っている兆候だと解釈されたが、のちに内部変動だと認められた。

ノイズを学習するネットワーク

パシフィック・ノースウエスト国立研究所、カリフォルニア大学サンディエゴ校、ワシントン大学のパルヴァティ・クーロス（Parvathi Kooloth）、ウェンユー・ジョウ（Wenyu Zhou）らは、ConvLSTM を構築した。これは空間パターンをとらえる力と、そのパターンがどう変化していくかを記憶する力を組み合わせたニューラルネットワークだ。研究チームは、地表気温、降水量、海面気圧の地図を使い、15の気候モデルによる大規模なシミュレーションのアンサンブルでこれを訓練した。その役割は自然の揺らぎを見分けることで、残ったものが強制による部分となる。

一度も見たことのないモデルで試したところ、このネットワークは、歴史的期間の大部分にわたり、気温、降水量、気圧のいずれについても既存の6つの手法を上回った。例外は一つだけで、著者らはそのシミュレーションを非現実的な外れ値だと主張している。現実世界に対しては、それぞれ異なる10個のモデルの組で訓練した10種類のネットワークを、1940年以降の観測された気候に適用した。

実際の観測記録から見えたこと

1998〜2012年の温暖化の停滞は、のちの研究が結論づけたとおり、自然変動として現れる。地球の気温の自然な部分は、太平洋のゆっくりとした振動に密接に従っている。
北極。 観測された北極の温暖化は、最近では地球全体の約4倍の速さに達している。ネットワークによれば、強制による部分は約3倍でほぼ一定のままだ。残りは自然の揺らぎによるもので、太平洋が地球全体の温暖化を抑える一方、北極そのものの地域的な行き来、すなわち北極の変動モードが、そこでの温暖化を強めた。とくに2005〜2020年にその傾向が顕著だった。
大西洋。 北大西洋と南大西洋の気温差は、1950年以降V字型をたどってきた。強制による部分も下がってから上がっており、これは北半球におけるエアロゾル汚染の増加とその後の減少に対応している。自然変動はこの振れを増幅し、1970年代と1980年代の深い谷をつくり出した。
太平洋と米国南西部。 1980年以降、赤道太平洋の東部は西部ほど温まっていない。これはモデルがほとんど再現できない「ラニーニャ的」なパターンだ。ネットワークによれば、強制応答だけなら、弱い逆向きの「エルニーニョ的」なパターンが生じていたはずで、自然変動がそれを反転させた。北東太平洋上の高気圧の強まりや、北米南西部の乾燥化についても同じことが言える。大部分は自然によるもので、強制の寄与はわずかにすぎない。

これらの特徴のいくつかについては、1980〜2022年に観測された傾向が、推定された強制応答の範囲の外側にある。これは、ただ一つの歴史的な傾向が、人間が引き起こしたものを知る手がかりとしては当てにならない場合があることを思い出させる。

モデルの検証

このネットワークは強制による部分を明示的に推定するので、それをモデルのシミュレーション結果と直接比べることができる。大まかなパターンは一致している。陸上や高緯度ではより強く温暖化し、亜寒帯の北大西洋と南大洋では温暖化が弱く、熱帯と高緯度は湿潤化し、亜熱帯は乾燥化する。しかしモデルは北半球をより強く温め、亜熱帯高気圧の強まりはより弱く、陸地の乾燥もより弱い。著者らは、現在のモデルが、風の変化によって大陸がどれほど乾燥するかを過小評価しているのではないかと指摘している。

著者ら自身が限界を挙げている。ネットワークはモデルから学ぶので、すべてのモデルに共通するバイアスがあれば、それに惑わされる可能性がある。なぜこれほどうまく機能するのかは、内部を見てもわかりにくい。そして、有限個のシミュレーションの平均が真の強制応答であると仮定している。こうした限界の範囲内で、機械学習は過去の気候変動の要因特定（アトリビューション）をより堅固にし、モデルの検証をより鋭くできる、と著者らは結論づけている。