Google DeepMindは2026年11月13日、気象AI「WeatherNext 3」を支える2種類のデータセット「SatWeave」と「PARDIG」の過去記録およびライブ配信を公開した。SatWeaveは複数の気象衛星による観測画像を共通の形式に統合したデータセットで、PARDIGは衛星観測などから地表付近の降水量を推定したデータセットだ。これにより、外部の研究者や開発者も、衛星画像の前処理や降水量の学習用データの整備を一から行うことなく、気象AIの開発や研究に取り組みやすくなる。Google DeepMindのWeatherNextチームは、両データセットの過去のアーカイブに加え、継続的に更新されるライブデータも利用可能にすると説明している。

SatWeaveは雲や水蒸気などの衛星観測情報をAIモデルに入力するためのデータで、PARDIGは降水予報モデルの学習に利用できる降水量の推定値を提供する。Google DeepMindはSatWeaveを直接取り込み、1時間ごとに予報を初期化するWeatherNextの仕組みも開発者向けに案内している。ただし、データが細かな時間間隔で記録されていることと、そのデータをリアルタイムに近い状態で取得できることは異なる。公開データを実際の予報や災害監視などに利用する際には、記録の時間分解能だけでなく、配信頻度や遅延も考慮する必要がある。

AD

複数の衛星画像を統合し、限られた降水観測から全球の雨量を推定

SatWeaveは、ひまわり、GOES、Meteosatなど、複数の静止気象衛星による観測画像を統合したデータセットだ。元の衛星データは各国の宇宙・気象機関が提供しているが、衛星ごとに投影法や校正方法、ファイル形式が異なり、観測間隔も10〜30分と統一されていない。SatWeaveはこれらの画像を共通の緯度経度格子に再投影し、校正したうえでつなぎ合わせる。格子間隔は0.1度で、距離に換算すると約10kmに相当する。詳しい仕様はSatWeaveの開発者向け文書で公開されている。

収録されるデータは、太陽光の反射率を示す7つの波長帯と、水蒸気や熱赤外などの輝度温度を示す10の波長帯で構成される。これにより、雲の分布だけでなく、大気中の水蒸気や温度に関連する情報も共通の格子上で扱えるようになる。ただし、静止気象衛星の観測範囲はおおむね南北緯60〜65度までで、すべての地域や時刻で17帯のデータが揃うわけではない。衛星に搭載されていない波長帯や、夜間に取得できない太陽光反射率のデータなどは欠測となる。また、2016〜2018年に行われたGOES衛星の世代交代によって、利用できる波長帯にも変化が生じている。

一方、PARDIGは衛星画像や大気の状態を示すデータから、地表付近の降水量を推定するAIモデルだ。学習には、NASAとJAXAが共同で進める全球降水観測計画（GPM）の主衛星による降水推定プロダクト「CORRA」を利用している。CORRAはレーダーと放射計の観測を組み合わせたものだが、GPM主衛星が一度に観測できる範囲は、衛星の通過経路に沿った比較的狭い帯状の領域に限られる。PARDIGは、この降水推定値と継続的に取得できる衛星画像や大気データの対応関係を学習し、全球の降水分布を推定する。モデルには、球面上のグラフ格子を利用したTransformerが採用されている。技術的な詳細は研究論文で説明されている。

PARDIGには、継続的なデータ配信に対応する「PARDIG-NRT」と、長期の過去記録を提供する「PARDIG-LR」の2種類がある。NRTは高分解能の大気場データ「HRES」とSatWeaveを入力とし、SatWeaveについては公開される17帯のうち11帯を使用する。一方、LRは気象再解析データ「ERA5」、衛星画像データセット「GridSat-B1」、極軌道衛星による受動マイクロ波観測を入力に利用する。いずれも出力は0.1度の格子間隔、15分の時間間隔で提供される。PARDIGの開発者向け文書には、それぞれのデータ構成や利用方法がまとめられている。

地上レーダーや雨量計との比較で降水検出性能を評価

PARDIGの降水推定が実際の観測をどの程度再現できるかを調べるため、研究チームは地上レーダーと雨量計の観測データを利用して性能を評価した。これらの地上観測データはモデルの学習や校正には使用せず、独立した評価用データとして残している。主なレーダーとの比較対象は、2016〜2023年の米国本土、欧州、日本だ。雨量計による評価には、2018〜2023年に3万6,000を超える観測地点で得られた、品質管理済みのデータを使用した。学習に使用していない観測データとの比較である一方、評価自体は研究チームが実施したものであり、第三者による独立検証とは区別する必要がある。

Google DeepMindは、弱〜中程度の降水について、既存の降水推定プロダクト「IMERG Final」と比較して、時間ごとの降水検出スキルが30%以上向上したと発表している。評価に使われた指標は「CSI（Critical Success Index）」で、降水を正しく検出した回数を、的中、見逃し、空振りの合計で割った値だ。CSIは1に近いほど性能が高いことを意味するが、降水として判定する雨量の閾値によって結果が変わる。そのため、改善率だけでなく、どの程度の降水強度を対象とした比較なのかを確認することが重要となる。

例えば、論文に掲載された2016〜2023年の米国本土における比較では、毎時1mm以上の降水を対象としたCSIはPARDIG-NRTが0.48、IMERG Finalが0.38だった。降水強度の閾値を毎時4mmに引き上げると、PARDIG-NRTが0.37、IMERG Finalが0.26となった。いずれの条件でもPARDIG-NRTが上回っているものの、改善幅は評価する降水強度によって異なる。

PARDIG-NRTの学習には2016〜2023年のデータが使われており、研究チームは学習期間に含まれない2024〜2025年についても、米国と日本の地上レーダーを用いた評価を実施した。その結果、著者らは性能の低下が認められなかったと報告している。ただし、Guy Shalev氏らによる研究論文は2026年11月10日にarXivへ投稿されたプレプリントであり、第三者による追試は現時点で確認されていない。公表された性能は研究チームの評価結果として捉える必要がある。

AD

15分間隔の降水データでも、配信には平均約5時間の遅延

公開データを利用する際に注意したいのは、データの時間間隔と実際の配信頻度・遅延を混同しないことだ。PARDIG-NRTは15分間隔の降水推定値を提供するが、ライブデータの更新は6時間ごとで、対象時刻から配信までの遅延は平均約5時間となる。つまり、15分ごとの降水状況を表すデータであっても、15分後に取得できるわけではない。一方、SatWeaveのライブデータは1時間間隔で記録され、更新も毎時行われ、配信遅延は約1時間だ。

公式開発者文書に基づき、各データセットの記録期間、時間間隔、更新頻度、配信遅延を比較すると次のようになる。

データと利用形態 記録期間 データの時間間隔 更新頻度 対象時刻からの配信遅延
SatWeaveの過去記録 2016〜2025年 30分 過去記録 —
SatWeaveのライブ配信 2026年以降 1時間 毎時 約1時間
PARDIG-NRTの過去アーカイブ 2016〜2025年 15分 過去記録 —
PARDIG-NRTのライブ・運用記録 2026年以降 15分 6時間ごと 約2〜8時間、平均約5時間
PARDIG-LRの過去記録 1999〜2023年 15分 過去記録 —

※Google Cloud Storageで公開されるデータの仕様を基本に整理したもので、実際の取得速度を測定した結果ではない。「—」は過去記録のためライブ配信の遅延が適用されないことを示す。Google Earth Engineでは公開時点で静的アーカイブが提供されており、PARDIG-NRTは2016年1月〜2026年10月、PARDIG-LRは1999〜2023年のデータを収録している。

両データセットはクリエイティブ・コモンズの「CC BY 4.0」ライセンスで公開され、Google Cloud StorageからZarr形式で取得できる。SatWeaveについてはGoogle Cloudアカウントがあれば、アクセス申請フォームを提出せずに利用可能だ。また、PARDIGの過去記録はGoogle Earth Engineからも取得できる。研究者や開発者は必要な期間や利用環境に応じて取得方法を選べるが、ライブ配信と静的アーカイブでは更新状況が異なる点に注意が必要だ。

長期的な降水量の変化を分析する場合は、記録期間の長さだけでなく、その間に観測条件がどのように変化したかも重要になる。PARDIG-LRとPARDIG-NRTでは入力データが異なるうえ、観測衛星の構成も時代によって変わっている。そのため、両系列を接続したり、異なる時期のデータを比較したりすると、実際の気候変動とは無関係な段差が現れる可能性がある。論文では2008年以降のデータの整合性を評価しているものの、それ以前の降水分布の変化については注意が必要だとしている。長期的な傾向を気候変動の影響として解釈するには、観測システムの変化による影響を切り分けなければならない。

地域や降水現象による推定精度の制約もある。南北緯約67度より極側の地域は、GPMの観測に基づく学習範囲から外れている。また、山岳地帯の降水や冬季の降雪、霧雨などについても推定精度に限界がある。さらに、15分間隔で提供される決定論的な降水強度には、毎時75mmという上限が設けられている。PARDIGは研究段階の実験的なAI推定データであり、人命や財産に関わる判断では、各国の気象機関や地域当局が発表する公式情報を優先する必要がある。

Google DeepMindは、今回公開したデータセットが洪水や土砂災害、干ばつなどの研究や対策に活用されることを期待している。共通化された衛星観測データと降水推定データを利用できれば、研究者は基礎データの整備にかける労力を減らし、それぞれの用途に応じたモデル開発や性能検証に注力できる。一方、実際の運用に適しているかは、対象地域の観測条件や必要な時間分解能、データの配信遅延によって変わる。今後は、こうした制約を踏まえた独立した性能評価と、具体的な用途での有効性の検証が重要になる。