世界

ケララ州のように、地域の気候プロセスが極端な気候を悪化させる可能性がある | 分析

ワヤナードの土砂崩れのような悲劇が繰り返されるのは、その教訓が、極端な現象の地域的な増幅要因についての理解に生かされていないことが一因である。2022年11月15日、ケーララ州ワヤナードの西ガーツ山脈の山々の眺め。| 写真提供: Nakkeeran Raveendran/Unsplash 地球上のどこにおいても気候リスクはゼロではないが、自然災害が襲来すると、人命、生活、資産の喪失が痛手となる。災害管理と復旧は、痛みを和らげる上で極めて重要な役割を果たす。しかし残念なことに、早期警告があれば悲劇を回避できたのではないかという責任追及の応酬が続く可能性がある。発せられる可能性のある早期警告は、常に、危険が顕在化した地域の天気予報から始まります。災害が起こってから対処するのではなく、事前に災害を軽減するには、10 年以上先の気候リスクの見通しが必要です。さらに遠く、 事後 7月30日にケララ州ワヤナードで発生した土砂崩れのような致命的な災害の分析では、リスクに関する大まかな警告を具体的な行動に結び付けることはほとんど不可能であるという事実が認識されていないことが多い。たとえば、西ガーツ山脈全体が土砂崩れの危険にさらされていると宣言すれば、政府はその山脈全体を森林伐採、開発、単一栽培のプランテーションなどから守るための規制を策定し、施行することができる。しかし、そうすることで、ある程度の土砂崩れは緩和されるだろうが、気候変動によって引き起こされる極端な現象がすぐになくなるわけではない。たとえガーツ山脈が人間の撹乱から最大限に保護されていたとしても、リスクがゼロになることはないので、いずれにせよ、ある程度の土砂崩れは起こるだろう。災害管理、軽減のための予測同様に、モデルの予測も常に不完全です。極端な事象をより正確に予測する能力（発生場所と規模に関して）を向上させるには、気候の影響を悪化させる可能性のある地域要因の影響を十分に理解する必要があります。極端な事象が発生するたびに、地球温暖化が原因だと主張する人がいますが、地域事象と地球温暖化の関係により、そのような主張の真実性は複雑になっています。気候の異常を引き起こす要因は遠く離れた場所から発生しますが、通常は地域や場所特有の要因によって悪化します。たとえば、2015 年の研究 (筆者も参加) では、沿岸海面温度がインド西海岸沿いの大雨に強い影響を及ぼしていることが示されています。ワヤナード県はこの海岸から約 80 km のところにあります。モンスーンの風は赤道を横切り、南西に向きを変えて西ガーツ山脈に向かうにつれて水分を蓄え続けます。海岸に近づくと、風は西ガーツ山脈を登らなければならないことを察知して速度を落とします。風速が遅くなると沿岸海域の蒸発が減り、沿岸海域は温まる傾向があり、温水は大気と降雨に強い影響を与えます。このような温暖化は、沿岸海域で大雨が発生する10日前までに見られるのが一般的です。地球規模のモデルでは、このような局所的な小規模な温暖化や寒冷化のプロセスが考慮されないことが多く、極端な気象現象における降雨量を過小評価する傾向があります。沿岸域の観測を強化して予測モデルに取り入れることで、予測精度が向上することが期待されます。これは、生物多様性の法的保護など、地域固有の対策を採用することで災害を軽減できる理由でもあります。政府はまた、最大 10 年先の気候予測を使用し、それぞれの予測を超地域的なリスクと組み合わせることで、規制戦略を強化することもできます。同様に、リスクを軽減するために、国と地方自治体は協力し、監視、報告、検証の責任を共有する必要があります。最後に、地球温暖化と地域的事象の関係から生じるすべての影響を予算に組み込む必要があります。そうしないと、災害の軽減は持続不可能になる可能性があります。さらに、数週間のリードタイムで予測を行うことで、災害管理担当者は最も差し迫ったリスクの高い地域に動員され、予期せぬ事態を回避することができます。ここで、場所固有のドライバーが、危機的状況において超ローカルなリスク情報の信頼性を確保するのに役立ちます。粗いグローバルから細かいハイパーローカルまで地球モデルは、短期（1～3日）、中期（3～10日）、長期（2～4週間）の範囲で季節の見通しと予測を提供します。モンスーン、エルニーニョ現象、ラニーニャ現象、異常気象の早期警報の予測精度は向上しています。世界中の研究者（学界や国立研究所）は、これらのモデルの欠陥を常に診断し、取り除いています。モデルを改善するための特定のアプローチの 1 つは、ダウンスケーリングと呼ばれ、特に小規模な大雨などの極端な事象の予測を強化するために使用されます。ダウンスケーリングでは、研究者はグローバル モデルを使用して、高解像度の地域モデルでローカル予測を実行し、グローバル モデルでは見逃される規模の気象を捉えます。最近、彼らは人工知能と機械学習 (AI/ML) の技術を使用して、このような 2 層戦略を実行しています。そのコストは、高解像度の地域モデルを実行する場合よりも低くなっています。このような AI/ML アプローチは、地域モデルよりも何倍も高速で、より効果的な災害管理にも役立ちます。場所固有のアンプを見つける7月30日にワヤナードで起きたような悲劇は、その教訓が必ずしも異常気象の地域的要因に関する私たちの理解に生かされていないこともあり、繰り返される傾向がある。たとえば都市化や山腹の森林伐採に伴う土地利用パターンの単純な変化が、激しい集中豪雨や恐ろしい雹嵐につながる可能性がある。数十キロメートル単位の変化を扱う地球規模のモデルの比較的粗い解像度では、このような局所的な特徴が見逃され、不完全さが増す傾向があります。これらの特徴の影響をより正確に把握し、超局所的な予測のための地域的な動的予測や AI/ML ダウンスケーリングを可能にするには、気象や気候変数のローカルなデータがさらに必要です。災害軽減の取り組みは、国を天候に強い国にし、より長い時間スケールで気候に対する耐性を高めるために不可欠です。この目的のために、私たちは地域の異常気象の増幅要因のマッピングをサポートするデータ ネットワークを緊急に必要としています。ラグー・ムルトゥガデはインド工科大学ボンベイ校の教授であり、メリーランド大学の名誉教授です。 #ケララ州のように地域の気候プロセスが極端な気候を悪化させる可能性がある #分析