開發專為區域氣候設計的AI,以協助制定氣候變遷調適對策

1. 發表重點

為協助制定氣候變遷調適對策(※1),全球首度開發出可活用區域調適計畫及集合氣候預測數據(※2)的區域氣候專用大型語言模型(※3)。

在日本埼玉縣熊谷市進行的案例研究中，證實了該模型能基於未來的氣溫上升預測，連同計算過程，定量地提出高溫對策(如綠色窗簾和休息區的增設數量等)。

此工具預期能強力支援資源和專業人才有限的地方政府及中小企業，制定以數據為基礎的科學性氣候變遷對策。

【詞彙解釋】

※1 氣候變遷調適對策

為減輕已發生或未來不可避免的氣候變遷影響對人類、社會、生態系統等造成的損害而採取的應對措施。

※2 集合氣候預測數據

透過同時執行多個條件略有差異的氣候預測模擬，能夠對特定氣候條件下的極端異常氣象進行機率性評估的數據。

參考:https://www.jamstec.go.jp/j/pr/topics/explore-20241223/

※3 大型語言模型(Large Language Model: LLM)

一種透過學習網際網路等龐大文本資料，能夠理解並生成如人類般自然語句的自然語言處理AI。

2. 概要

國立研究開發法人海洋研究開發機構(理事長 河村 知彦)資訊地球科學研究部門數據科學研究計畫主任松岡大祐上級研究員，與高知大學農林海洋科學部原政之副教授、株式會社Ridge-i杉山一成執行董事等人共同開發了支援氣候變遷調適對策制定的區域氣候專用LLM。

為有效調適氣候變遷，具備科學可靠性且非專業人士亦易於使用的氣候資訊至關重要。本研究開發了具備氣候科學專業知識，並能直接從未來的集合氣候預測數據中搜尋、提取數值的LLM。此方法在我們獨自建構的氣候學專用基準測試(※4)中展現優異能力，並在日本埼玉縣熊谷市進行的概念驗證(Proof of Concept: PoC)中，成功利用未來氣溫上升的機率性預測值，具體化中暑對策並提出可行的計畫。這項前驅性成果，為讓不具備高度專業知識的實務工作者，也能透過自然語言執行高度氣候風險評估與對策制定，邁向次世代氣候服務奠定基礎。

本研究成果已於7月1日(美國時間)刊載於美國地球物理學聯合會的論文期刊「Journal of Geophysical Research: Machine Learning and Computation」。本研究獲得NEDO GENIAC (24036962)、環境研究綜合推進費(JPMEERF25S12433)、文部科學省「地球環境數據整合、解析平臺事業」(JPMXD0721453504)及「氣候變遷預測先端研究計畫」(JPMXD0722680734)、JSPS科研費(JP22H01316)的研究補助。

【論文資訊】

標題:An LLM Framework for Regional Climate Services: Integrating Climate Knowledge and Ensemble Projections

作者:松岡 大祐1*、川原 慎太郎1、村上 幸史郎1**、松本 凌1、伊東 瑠衣1、杉本 志織1、杉山大祐1、原 政之2、林田 將明3**、Nguyen Trung Kien3**、Aurélie Peng3、阿部 大志3、杉山 一成3

所屬:1. 海洋研究開發機構、2. 高知大學、3.株式會社Ridge-i 責任作者、*研究當時

DOI: https://doi.org/10.1029/2025JH001205

【詞彙解釋】

※4 基準測試

用於客觀評估AI模型性能的通用測試。透過量化模型知識量和推理能力等指標，作為選擇符合目的之最佳模型的指導。

3. 背景

隨著全球暖化持續，極端氣象災害(如酷暑、暴雨、乾旱、海平面上升等)的頻率和強度不斷增加。為應對這些挑戰，必須科學評估未來氣候風險，並迅速制定、執行符合各地區實際情況的「調適對策」。處於氣候變遷調適最前線的地方政府，扮演著制定在地行動計畫的核心角色。然而，制定有效的調適計畫，不僅需要氣候學知識，還需橫跨區域產業、公共政策、經濟等多領域的跨學科專業知識，以及高度的數據分析能力。對於專業人才和財源有限，特別是地方政府而言，此門檻極高，結果可能導致區域間調適能力的差距擴大。

近年來，快速進化的LLM被寄予厚望，期望能成為透過自然語言獲取專業知識的管道。然而，通用型LLM主要透過網路上的普遍文章進行學習，缺乏氣候科學的精確專業知識，存在生成看似合理卻不準確資訊(幻覺)的風險。此外，由於技術限制,LLM直接讀取、解析、利用對風險評估不可或缺的「未來氣候預測數據」等定量數值數據，一直以來都相當困難。

4. 成果

海洋研究開發機構、高知大學、株式會社Ridge-i的共同研究團隊，開發了能夠整合運用氣候科學專業知識與定量未來預測數據的區域氣候專用LLM。本研究採用了東京科學大學開發、擅長日語的開源LLM「Llama 3.3 Swallow 70B Instruct v0.4」作為基礎模型。在此模型上，我們利用國立環境研究所營運的氣候變遷調適資訊平台(A-PLAT)所登錄的338篇氣候變遷調適相關學術論文，以及IPCC(政府間氣候變遷專門委員會)的評估報告書等資料，進行了氣候學專用的微調(※5)。進一步，我們高度化了檢索擴增生成(Retrieval Augmented Generation: RAG)技術，該技術可運用外部知識，建構了一個系統，能夠根據使用者提問，自動搜尋、提取區域調適計畫指南等文本資料，以及「有助於全球暖化對策的集合氣候預測資料庫(d4PDF)」的定量數值數據(圖1)。

透過在氣候學專用基準測試中評估開發模型的性能，結果顯示與基礎模型相比，無論日語或英語，性能均大幅提升，尤其在「影響、調適、脆弱性」及「緩和對策」等專業領域展現了極為優異的能力(圖2)。此外，我們以極端高溫為課題的埼玉縣熊谷市為對象，進行了制定酷暑對策的案例研究作為概念驗證。本系統從未來氣候預測數據(RCP8.5情境)中提取了溫度上升的數值，並從熊谷市的指南中動態搜尋了「根據中暑患者增加數設置綠色窗簾和休息區的標準」等規則。接著，在透明地顯示計算過程的同時，成功地根據機率性集合預測數據，針對平均、樂觀、悲觀等不同情境，定量地提出了中暑患者的增加數以及伴隨而來的基礎設施增設需求。進一步，我們還驗證了系統能夠模擬「科學家」、「顧問」、「地方政府職員」等不同專業人士的角色，並在考量效果、成本、可行性平衡的同時，將討論整合為可行的計畫。

圖1 使用區域氣候專用LLM系統的處理流程

使用者透過聊天機器人應用程式以自然語言輸入指示或提問，必要時從儲存有定量氣候預測數據或過去區域調適對策的資料庫中，搜尋、提取未來預測值或現行調適對策等相關脈絡資訊。系統將提取的資訊與提問結合，向LLM發送指示(提示),並將基於專業知識和預測數據生成的回答呈現給使用者。

圖2 氣候變遷領域AI模型精度比較

在氣候學專業知識測試中，本研究開發的模型在幾乎所有領域都展現出優於Swallow 70B和GPT-4o等通用LLM的正確率，性能卓越。

【詞彙解釋】

※5 微調

對已學習的AI模型，透過追加學習特定領域專業知識或任務相關數據的技術。

5. 未來展望

本研究展示了技術基礎，即使是缺乏高度專業知識或豐富資源的地方政府及中小企業實務工作者，也能在AI的支援下，制定以數據為基礎的科學性氣候風險評估與調適對策。在此，重要的是AI並非完全取代人類的決策過程，而是作為一個預備性支援工具，能快速呈現來自龐大數據的各種對策情境，強力輔助人類的審慎思考與共識形成。本框架不僅在日本國內，也具備全球應用的潛力。透過將檢索擴增生成(RAG)的參考資料庫替換為目標地區的氣候數據及社會經濟資訊，無需進行高成本的額外學習，即可發展出為氣候變遷脆弱的開發中國家等各種地區提供客製化區域氣候服務。下一步，我們將與致力於推動國內氣候變遷調適的國立環境研究所及各地方政府合作，朝向服務化努力，讓任何人都能執行專家級的分析與對策制定。透過普及這類由科學數據與AI驅動的次世代區域氣候服務，預期能為減輕氣候變遷造成的經濟損失，以及實現安全且具韌性的社會做出貢獻。