降雨予測には、ほとんどの人が思い至らない盲点がある。それは、地球上の多くの地域で雨をまったく観測できていないということだ。米国、欧州、日本などの豊かな地域は、嵐の発生をリアルタイムで監視する地上設置型のレーダーネットワークに依存している。しかし、アジア、アフリカ、ラテンアメリカの広大な地域、そしてすべての海洋上にはレーダーが存在しない。こうした場所では、降水量は観測ではなくモデルによって推定されているため、洪水が発生しつつあるときの予報は、根拠のある推測にすぎない。
気象サービス企業Weather Prosによれば、これにかかっている金額は抽象的な話ではない。保険会社は雨が降った場所に基づいて保険料を設定し、保険金を支払う。降雨量が一定の閾値を超えると自動的に支払いが行われるパラメトリック型商品も、降雨が測定されて初めて機能する。小売業者は、傘の売上から店舗の客足にいたるまで、天候による需要の変動を注視している。物流企業は嵐を避けてトラックや船舶のルートを変更し、農家は作付けと収穫の時期を見極め、公益企業は洪水リスクと水力発電の供給の双方に備える。これらの意思決定の成否はすべて、その根底にある降雨データの精度にかかっている。
気候テックスタートアップ、Rainbow Weatherの共同創業者であるアレクサンダー・マトベエンコは、天候がリアルタイムの気象リスクへと変化するなか、このギャップが重大になりつつあると考えている。同氏のチームはGlobalCastを構築した。これは衛星データから直接降水を追跡するAI駆動型システムで、地上に物理的な気象インフラがない海洋や地域も含め、1km解像度の更新を10分ごとに提供する。
筆者はこの1カ月間、Rainbowのアプリを使用しているが、驚くほど正確だと言わざるを得ない。多くの企業がROI（投資対効果）の確保に苦戦しているなか、これはROIを容易に示せるアプリケーションになり得る。
現在の降雨予測とAIの仕組みの違い
より長期の予報では大気の物理シミュレーションが実行される。これは5日先の見通しには強力だが、今後数時間の予測に対しては粗すぎ、また遅すぎる。その短い時間枠を担うのが「ナウキャスト（超短期予報）」であり、センサーが今まさに観測しているデータをもとに先を予測する分野だ。問題は、ナウキャストがセンサーの存在する場所でしか機能せず、最良のセンサーである地上レーダーが、一部の豊かな国に集中していることだ。
GlobalCastは入力を変える。政府がレーダーネットワークを構築するのを待つのではなく、すでに地球全体を覆っている衛星画像から降雨を読み取るようAIモデルを訓練し、生の画像を10分ごとに更新されるライブの高解像度降雨マップへと変換する。
インドネシアで試された降雨予測
このアイデアを検証するため、チームはインドネシアでGlobalCastを稼働させた。同国では2025年、洪水により約40億ドル（約6390億円）の損失が発生したとNikkei Asiaは報じている。GlobalCastのF1スコア（予測精度を示す指標）は0.51に達し、AccuWeatherの約0.39、The Weather Companyの約0.34を上回った。
F1スコアは、発生した嵐を見逃すことと、実際には来なかった嵐について空騒ぎすることという、2つの失敗を同時に捉える指標である。スコアが高いほど、システムは実際の事象をより多く捉えつつ、誤警報をより少なくできたことを意味する。洪水対応ではどちらの失敗も高くつく。見逃せば倉庫が浸水し、誤警報なら理由もなく倉庫を停止させることになるからだ。
1つの国、1つのテストだけで結論が出るわけではない。次に問うべきは、他のデータがそれを裏付けるかどうかである。WeatherIndex.aiのような独立系ランキングは現在、Rainbowを短期降水予報で最も正確と評価しており、同じ方向を示している。それでも、ビジネスリーダーであれば、その数値が地域や季節をまたいでどのように維持されるのかを問うべきだ。
降雨予測の次の展開
降雨予測は最初の出力にすぎない。
Rainbowの次の一手は「基盤ナウキャストモデル（Foundation Nowcast Model）」である。これは、多くの予報が参照できる大気の共有AI表現で、雨に加えて気温、風、雹（ひょう）、雷、日射をカバーする。開発目標は、およそ1kmグリッド上で最大24時間先までの予報を10分ごとに更新し、レーダー、衛星、地上観測所、さらにはスマートフォンやIoT機器のモバイル気圧センサーからもデータを取り込むことだ。
その野望を抱いているのはRainbowだけではない。マイクロソフトは気象基盤モデル「Aurora（オーロラ）」を発表しており、Google DeepMindは「WeatherNext」モデルが世界最高峰の予報システムの一部を上回ると主張している。NVIDIAは1月、同じ短期予測領域を狙った「Earth-2」ナウキャストモデルを発表した。今日、雨の予測でスタートアップが既存企業を上回ったからといって、明日も巨大企業を出し抜ける保証はない。つまりインドネシアの数値は、ゴールではなくレースの一時点を切り取ったものなのだ。
天候予測に人々のデバイスを活用するという考えは新しいものではないが、いくつかの企業が注力してきた領域である。たとえばSkyXは、気象愛好家にトークンを支払い、自宅の庭に観測ステーションを設置して運用してもらうことで、ほぼ街路レベルの予報を支えられるほど高密度な分散型センサーネットワークを構築している。これらの取り組みに共通する賭けは、Rainbowが行っているものと同じだ。大気が測定される場所が増えるほど、予報が推測に頼る必要は少なくなる。
同社は、これらが完成した性能ではなく、開発中の目標であることを明確にしている。その背後にある野心は、気象データを提供することから、Rainbowが「大気インテリジェンス（atmospheric intelligence）」と呼ぶものへの転換である。嵐が到達する前に、どの資産、ルート、施設に影響が及ぶかを示すことだ。
リーダーはこのAI降雨予測をどう活用すべきか
経営幹部が取るべき行動はいくつかある。
第1に、自社のAIモデルにどこで盲点があるかを特定することだ。あらゆる組織には、基礎データが不完全、遅延、または分断されているために予測が崩れる業務上のデッドゾーンがある。
第2に、天気を静的な予報として扱うのをやめ、リアルタイムのAIシグナルとして扱い始めることだ。Rainbow Weatherや、API、Webhook、アラート、自動トリガーを提供する他の機械学習ベースの予報プラットフォームなどのソリューションを使い、天候を自社のAIスタックに直接統合する。
第3に、ベンダーにモデルの実証を求めることだ。精度に関する大まかな主張を受け入れてはならない。地域、季節、用途ごとの適合率（precision）、再現率（recall）、F1スコアといった検証指標を求めるべきだ。優れたAI気象プロバイダーは、すでにこうした指標をベンチマークし、公表している。
第4に、0〜3時間の意思決定ウィンドウに集中することだ。配送ルートの変更、在庫の再配分、現場作業の一時停止、作業員の派遣、保険およびリスク管理ワークフローの自動トリガーなどによって、AIが測定可能なビジネス価値を生み出すのはこの時間帯である。
未来とは、単に天気予報が改善することではない。気象データを継続的に取り込み、企業データと組み合わせ、次に取るべき最善の行動を自律的に推奨または実行するAIシステムである。
AIによって、予報は推定作業ではなくなり、雨の予測は測定に近づき始める。
