数値気象予報は、天気予報を行うための方法です。これは、大気のコンピュータモデルを使って行われます。このモデルでは、現在の気象条件と、それが時間とともにどのように変化するかを、方程式を用いて記述します。現在の気象条件を用いて、方程式を解き、あるいは近似することで、近い将来の気象を知ることができます。気圧、温度、風向き、風速などの関連する物理的パラメータは、時間の関数であるとみなされます。これらは偏微分方程式のシステムでモデル化されます。これは、数値的に解決される動的なシステムです。これらの方程式のほとんどはFORTRANを使って実装されています。方程式は近似されています。計算数が膨大になるため、通常はスーパーコンピュータが計算を行い、手遅れになる前に終わらせます。

基本的な考え方

数値気象予報の目的は、観測で得られた「現在の大気の状態」をもとに、物理法則に従って将来の状態を予測することです。大気の運動やエネルギー収支、湿分の輸送などを表す連立の方程式（いわゆる「原始方程式」や熱力学方程式など）を時間発展させます。理論的にはこれらの方程式を正確に解ければ完全な予報が可能ですが、実際には観測の不完全さ・モデルの近似・計算リソースの制約から誤差が生じます。

モデルの仕組み — 方程式と離散化

  • 連続の偏微分方程式をそのまま解くことはできないため、空間と時間を有限な格子（グリッド）や基底関数に分割して離散化します。代表的な離散化手法は有限差分法、有限体積法、スペクトル法などです。
  • 鉛直座標には気圧座標やσ（シグマ）座標などを使い、水平格子間隔（数十km〜数km、地域モデルではさらに細かい）や鉛直レベルの数を決めます。解像度が高いほど小さなスケールの現象（対流や局地風）を直接表現しやすくなりますが、計算量は急増します。
  • 離散化により得られる代数方程式群を数値的に時間発展させるため、時間積分スキーム（明示法、暗黙法、半暗黙法など）を使います。時間刻みはCFL条件など数値安定性に依存します。

初期化とデータ同化

良い予報の鍵は良い初期値です。観測（地上観測、気象衛星、レーダー、観測機器、ラジオゾンデなど）をモデルの格子に合わせて取り入れる処理をデータ同化と呼びます。代表的手法には最小二乗法ベースの3D-Var/4D-Varやアンサンブルカルマンフィルタ（EnKF）があります。データ同化は観測誤差とモデル誤差を考慮し、最も整合的な初期場を作ります。

物理過程のパラメタ化

格子より小さいスケール（積雲・対流、雲の微物理、放射、地表面・植生過程、境界層の乱流など）は格子で直接解けないため、経験や理論に基づくパラメタ化で表現します。パラメタ化は予報の精度に大きく影響し、特に降水や雲の予測において重要です。

数値解法と計算上の工夫

  • モデル実装は計算効率が重要で、古くからFORTRANで書かれてきましたが、近年はC/C++やハイブリッド実装（GPU対応等）も増えています。FORTRANは数値配列操作や既存コードの資産のために広く残っています。
  • 並列計算（MPIによるドメイン分割、OpenMPによる共有メモリ並列化、GPUオフロードなど）で多数のCPUコアやGPUを同時に使い、大規模な格子を短時間で計算します。
  • 入出力（観測データの読み込み、モデル結果の書き出し）も大きな負荷になるため、I/O最適化やデータ圧縮が重要です。

スーパーコンピュータの役割

高解像度で多くの物理過程を扱うほど必要な計算量は増えます。現実的な運用では、指定された時間内（実時間での予報配信期限）に計算を終える必要があり、これを満たすためにスーパーコンピュータが使われます。スーパーコンピュータは多数の演算ユニットと大容量のメモリをもち、短時間で大量の計算を並列処理できます。また、モデル開発では計算の効率化（ベクトル化、通信削減、I/O最適化）やハードウェアの特性に応じた実装が不可欠です。

不確実性とアンサンブル予報

初期値誤差やモデル誤差のために予報には不確実性が生じます。これを扱う方法としてアンサンブル予報（初期条件やモデルパラメタをランダムに変えて複数回実行）があります。アンサンブルの分布から確率的な情報（例えば「降水確率」や「ある領域で大雨が起こる確率」）を提供できます。決定論的予報と比べ、リスク評価や意思決定に役立ちます。

出力の利用と検証

モデル出力はそのままでは偏りや系統誤差を含むことがあるため、統計的補正（バイアス補正、モデル出力統計：MOS）やダウンスケーリングが行われます。予報性能はRMSE、Brierスコア、CRPS、ヒット率や誤警報率といった指標で検証され、モデル改良のフィードバックに用いられます。

予報の限界と今後の展望

大気はカオス的な性質をもち、長期的には予測可能性に限界があります（「バタフライ効果」）。それでも計算資源の拡大、観測ネットワークの充実、データ同化やパラメタ化の改良、機械学習の導入などにより予報精度は着実に向上しています。将来はより高解像度でリアルタイム性の高い予報、ハイリゾリューションな都市気象や極端現象の予測、確率情報の精緻化が期待されています。

まとめ：数値気象予報は、観測→データ同化→離散化された物理方程式の数値解法→パラメタ化→予報出力という一連のプロセスで成り立ちます。高い計算性能をもつスーパーコンピュータは、このプロセスを現実時間で回すために不可欠な要素であり、予報の精度向上には観測、アルゴリズム、計算資源の全てが重要です。