これまで解説した「数値予報モデル（GSMやMSM）」は、最も確からしい1つの初期値から1つの未来を計算する「決定論的予報」でした。
しかし、大気には「カオス性（初期のわずかな観測誤差が、時間の経過とともに雪だるま式に拡大する性質）」があるため、計算期間が長くなる（約2週間を超える）と、予報の誤差が急激に大きくなってしまいます。
このカオス性の壁を乗り越え、より長期間の予報を可能にするために開発されたのが「アンサンブル予報」です。
学科試験（専門知識）だけでなく、実技試験でも「アンサンブル図面」の読み取りが頻出します。仕組みと特徴をしっかり押さえましょう。
1. アンサンブル予報のしくみ
一言で言えば、「初期条件をわざとわずかに変えて、何十通りもの未来を計算し、その平均やバラつきを見る手法」です。
手順のイメージ
- コントロールラン（無摂動）: 最も確からしい観測データに忠実な初期値を作ります。
- 摂動を与える: 観測誤差の範囲内で、意図的に「わずかなズレ（摂動）」を加えた複数の初期値を作ります。
- 多数の計算（メンバー）: 例えば、51通りの初期値を使って、51通りの未来（メンバー）を同時に計算します。
- 結果の解析: すべてのメンバーの結果を統計的に処理し、平均値やばらつきを導き出します。
【重要】試験で問われるキーワード
アンサンブル予報特有の用語です。必ず意味を理解してください。
- メンバー
計算された一つ一つの予報シナリオのこと。（例：全球アンサンブル予報システム＝51メンバー） - スプレッド（ばらつき）
メンバー間の予報結果のばらつき具合（標準偏差）のこと。
スプレッドが小さい $\rightarrow$ どのメンバーも似た未来を予測 $\rightarrow$ 予報の信頼度が高い
スプレッドが大きい $\rightarrow$ メンバーごとに予報がバラバラ $\rightarrow$ 予報の信頼度が低い
- アンサンブル平均
全メンバーの計算結果の平均値。ランダムな誤差（位相のズレなど）がお互いに打ち消し合うため、単独の予報（決定論的予報）よりも平均的な精度が良くなる特徴があります。
2. アンサンブル予報のメリット（何ができるのか？）
なぜわざわざ膨大なコンピュータ資源を使って何度も計算するのか。その利点は試験でも頻出です。
2-1 予報の「信頼度（確からしさ）」がわかる
これが最大のメリットです。「明日は雨です」と言われるより、「明日は雨ですが、予報が大きく変わる可能性があります（スプレッドが大きい）」と分かった方が、防災対応やリスク管理がしやすくなります。（※週間天気予報のA, B, Cランクに利用されています）
試験では、メンバーごとの等圧線や等高度線を重ねて描いたアンサンブル予報図が出題されます。線が密集していれば「信頼度が高い」、線がバラバラにほどけていれば「信頼度が低い」と読み取ります。
2-2 発生確率は低いが「重大な現象」を捉える
決定論的予報（1回の計算）では、たまたまその1回で台風が発生しなければ予報は「台風なし」となります。しかし、アンサンブル予報なら「51回中3回だけ猛烈な台風が発生する」という結果が出た場合、「確率は低くても、台風が発生するポテンシャル（危険性）が潜んでいる」と事前に警戒を呼びかけることができます。
2-3 「確率予報」が可能になる
「メンバーの30%が雨を予想している」$\rightarrow$「降水確率30%」というように、客観的な数値に基づく確率を算出できます。
3. アンサンブル予報のデメリットと【試験での注意点】
万能に見えるアンサンブル予報にも弱点があります。実技試験も含めて試験での図面を読み解く際の「ひっかけ」として頻出します。
3-1 計算コストがかかる $\rightarrow$ 解像度が粗くなる
同じ計算を何十回も行うため、スーパーコンピュータに多大な負荷がかかります。そのため、決定論的予報（GSMなど）に比べて、格子の間隔（水平解像度）を粗くせざるを得ません。（小さな地形の影響や、局地的な積乱雲の予測精度は落ちます）
3-2 【実技頻出】アンサンブル平均による「極端現象の平滑化」
「アンサンブル平均図」を使う際の最大の罠です。
例えば、各メンバーが予測する「台風の中心位置」がバラバラだった場合、それらの平均をとると、低気圧の中心がぼやけてしまい、実際の台風よりも「気圧が浅く（高く）、影響範囲が広く」表現されてしまいます。
- 対策: 平均図だけを鵜呑みにせず、個々のメンバーの図やスプレッド図を併せて確認する必要があります。
3-3 系統的誤差は消せない
アンサンブル平均をとると、ズレなどの「ランダムな誤差」は相殺されて消えますが、モデルそのものが根本的に持っている「常に気温を高めに出す癖（バイアス）」といった系統的誤差は、平均しても残ったままです。試験の正誤問題で頻出の事項です。
- 対策: 最終的な予報を出す前に、ガイダンスによる統計的な補正が不可欠です。
まとめ：試験対策チェックリスト
- カオス性の克服: 初期値にわざとわずかな誤差（摂動）を与えて複数の計算を行う。
- スプレッドと信頼度: スプレッド（ばらつき）が大きいときは、予報の信頼度が低い。
- 平均の力: アンサンブル平均は、ランダムな誤差が打ち消し合うため、単独の決定論的予報より一般的に精度が高い。
- 解像度の妥協: 膨大な計算を行うため、決定論的予報よりも解像度が粗い。
- 平滑化: アンサンブル平均図では、台風などの鋭い極端現象は平均化されて「弱く・広く」表現されやすい。
- 残る誤差: アンサンブル平均を行っても、モデル特有の「系統的誤差」は除去できないためガイダンス補正が必要。