依存性を考慮した生成モデリングによる、未観測の空間的な熱の極端事象の捕捉

Abstract

気候の極端現象に関する観測記録は、リスクの不完全な見え方しか提供しません。つまり、過去の経験の範囲を超えた「未観測」の事象が見落とされます。さらに、空間的依存性を無視すると、複数の地点に同時に襲来するような危険を、なお一層過小評価してしまいます。そこで本研究では、DeepX-GAN（Dependence-Enhanced Embedding for Physical eXtremes - Generative Adversarial Network）を提案します。これは、稀な極端現象の空間構造を明示的に捉える深層生成モデルです。ゼロショットの汎化能力により、観測記録の外側にある統計的にもっともらしい極端現象をシミュレーションできます。これを長期の気候モデルによる大規模アンサンブルシミュレーションで検証します。未観測のタイプとして、2種類を定義します。すなわち、目標に直接影響を与える直撃型の極端現象と、かすめて（かつ非常に近い距離で）見逃すニアミス型の極端現象です。これらの実現されなかった事象は、隠れたリスクを明らかにし、事前の適応を促すこともあれば、「誤った回復力（false resilience）」への感覚を強めることもあります。DeepX-GANを中東および北アフリカに適用すると、未観測の高温の極端現象が、脆弱性が高く社会経済的な準備が低い国々に対して、過度に大きな脅威となることが示されます。将来の温暖化は、これらの極端現象を拡大し、位置を移すことが見込まれており、北西アフリカとアラビア半島では継続的なホットスポットが生まれます。さらに、中央アフリカにも新たなホットスポットが出現し、空間的に適応したリスク計画が必要になります。