数値予報モデルは万能ではありません。「計算上の空間・時間解像度の制約」や「物理法則の簡略化・近似」により、出力される値には必ず誤差が含まれています。この数値予報の限界（誤差の特性）を理解し、統計的な手法を用いて実用的な予報へと翻訳・補正する技術が「天気予報ガイダンス」です。
学科試験（専門知識）では、モデルが誤差を生む物理的なメカニズムや、各ガイダンス手法の数学的な特徴・適用限界が深く問われます。難解な数値予報の分野ですが、本記事の内容は、試験に比較的よく出る部分です。
1. 数値予報の短所（誤差の要因）
コンピュータ内で連続な大気現象を離散化（格子点化）してシミュレートする際に、避けて通れない根本的な制約です。
1-1 スピンアップ現象
- 現象: 予報計算の開始直後（初期時刻から数時間程度）において、モデル内の降水量が実況よりも極端に少なくなったり、大気構造の調整（バリデーション）のために計算が不安定になったりする現象です。
- 物理的な理由: 初期値（客観解析値）に含まれる風の3次元成分（特に鉛直流）や水蒸気場が、モデルの方程式系や水物質の微物理過程と力学的に完全には調和（バランス）していない状態からスタートするためです。モデル内で適切な上昇気流と雲・降水過程が構築されるまでに一定の時間を要します。
1-2 対流性降水による誤差（パラメタリゼーションの限界）
- 現象: 実際には「局地的な激しい豪雨（積乱雲）」が起きている場であっても、モデル上では「格子点全体に平均化された広い範囲の弱い雨」として表現（平滑化）されやすい傾向があります。
- 物理的な理由: 格子間隔よりも小さいサブグリッドスケール現象であるため、積雲対流パラメタリゼーション（近似式）に依存せざるを得ず、局所的な強い上昇流を直接計算できないためです。また、パラメタリゼーションの発動条件（トリガー）が過敏すぎると、実況では降っていない偽の降水（ノイズ）を出力することもあります。
1-3 タイムステップ（時間刻み幅）
時間は連続的に流れますが、コンピュータで微分方程式を解くためには、時間を「$\Delta t$（タイムステップ）」という一定の間隔で区切ってステップバイステップで計算（時間積分）する必要があります。
試験によく出る！
波の伝播速度や最大風速を $U$、格子の空間間隔を $\Delta x$ としたとき、計算が破綻（発散）しないためには以下の関係を満たす必要があります。
$$\Delta t \le \frac{\Delta x}{|U|}$$
つまり、解像度を上げて格子間隔（$\Delta x$）を細かくするほど、時間刻み幅（$\Delta t$）も極めて小さく設定しなければならず、計算量が爆発的に増加します。このバランスが崩れると、高周波の波が計算上で自己増幅して発散する（計算不安定）原因となります。
1-4 じょう乱のスケールによる誤差
- 実効解像度（5〜8倍の法則）： モデルの水平格子間隔を $\Delta x$ としたとき、物理的に正しく表現できる現象の水平スケールは、格子間隔の5〜8倍以上（$5\Delta x \sim 8\Delta x$）です。例えば、13km格子のGSMでは、波長が約60〜100km未満の微細な低気圧や前線の波動は解像できず、弱められたり無視されたりします。
- エリアシング（折り返し誤差）： 格子間隔で解像できないさらに小さなスケール（高周波）の波が、サンプリングの限界によって、計算上で「偽の大きなスケール（低周波）の波」として誤って誤認・蓄積され、ノイズとなる現象です。これを防ぐために非線形平滑化フィルターなどが適用されます。
2. 予報誤差の種類と要因
誤差はその原因や統計的な性質によって分類され、それぞれ対策が異なります。
2-1 モデル地形データの解像度
実際の地球の地形は複雑ですが、モデル内では格子点ごとの平均高度として処理されるため、実際の地形よりも「低くなだらか（平滑化）」になります。
- 地形性降雨の過小評価: 山脈の標高や傾斜が実際より緩くなるため、山岳による強制上昇流が弱まり、斜面での地形性降雨を過小評価しがちです。
- 夜間の放射冷却（逆転層）の表現不足: 盆地や谷などの細かな凹凸がモデル内で埋もれてしまうため、冷気が底に溜まる盆地特有の夜間の激しい冷え込み（接地逆転層の形成）を十分に再現できません。
- 海陸境界のステップ誤差: 海岸線が格子状にステップ関数的に処理されるため、海風・陸風の浸入範囲や、熱容量の差に伴う沿岸部の気温予測に系統的な誤差を生じさせます。
2-2 大気運動のカオス性（非線形性）
- 物理的背景: 大気を支配する運動方程式には、風の場所によるズレを計算する「移流項（非線形項）」が含まれています。これにより、初期値に含まれる不可避な微小誤差（観測誤差など）が、時間積分を進めるにつれて指数関数的に増大する性質（カオス、バタフライ効果）を持ちます。
- 予測可能性の限界: このカオス性により、決定論的な手法（単一の計算）で詳細な気象予測を行える時間的な限界は約2週間と物理的に理論付けられています。
2-3 系統的誤差（バイアス）とランダム誤差
ガイダンスで修正できる誤差と修正できない誤差について説明します。毎年のように試験にでるので覚えましょう。
- 系統的誤差（バイアス）： モデルの不完全さや地形の平滑化に起因し、特定の気圧配置や季節において「常に気温が高めに出る」「常に低気圧の発達が遅れる」といった、規則性と再現性のある誤差のことです。 誤差に規則性があるため、過去の予報値と実況値のペアを蓄積・統計解析することで、ガイダンスによってきれいに除去・修正することが可能です。
- ランダム誤差: 大気のカオス性や突発的な大気の揺らぎによって生じる、不規則で予測不可能な誤差です。統計的な規則性がないため、ガイダンスで事前に修正することは不可能であり、アンサンブル予報による確率評価の対象となります。
3. 天気予報ガイダンスの種類
数値予報モデルが出力した格子点値（直接モデル面データ）を、過去の統計データ（実況値）を用いて補正し、特定の観測地点（アメダス等）の予報や、降水確率などの利用しやすい気象要素に「翻訳・修正」する技術です。
3-1 主な統計的手法
カルマンフィルタ
特徴: 「直近（数日前〜昨日）の予報誤差」を学習し、補正係数（パラメタ）を自動的かつ逐次動的に更新（時時更新）していく手法です。
メリット（頻出）: 季節の変わり目（春から夏など）に変容する誤差傾向や、数値予報モデル自体のバージョンアップ（改定）によってモデルの「癖」が急に変わった場合でも、過去の膨大なデータを再学習することなく、数日から数週間で新しい誤差傾向に追従して自動修正できます。気温や風速の予測などで主流です。
ニューラルネットワーク
特徴: 脳の神経回路網を模したモデル。入力（数値予報の各層の物理量）と出力（実際の降水量や発雷）の間にある、複雑な「非線形関係」を柔軟に学習・表現できる手法です。
メリット: 単純な線形回帰式では捉えきれない、風向の変化に伴う複雑な地形性降水のオン・オフ（降るか降らないかの境界）や、発雷ポテンシャルの予測において高い威力を発揮します。
ロジスティック回帰式
特徴: 出力値が必ず「0から1（0%〜100%）」の間に収まるロジスティック関数（シグモイド関数）を用いた統計手法です。
メリット: 目的変数が「雨が降る（1）か、降らない（0）か」という二値論理（イベントの発生確率）を扱う降水確率予報ガイダンスの作成に最も適しています。
3-2 【学科試験対策】ガイダンスの根本的な適用限界
学科試験の正誤問題で最も狙われる、ガイダンスの「できないこと」です。
- モデルが予測できなかった現象は修正できない:
ガイダンスはあくまで元の数値予報モデルの出力を加工する技術です。したがって、「元々の数値予報モデルが全く予想していなかった現象（低気圧の接近そのものを見落としているなど）」を、ガイダンス側でゼロから作り出して予報することは絶対にできません。 - 極値（異常気象）に対する過小評価:
ガイダンスは「過去の統計的な平均像」をベースに補正式を作っています。そのため、過去の学習データに存在しないような「既往最大の記録的猛暑」や「経験のない集中豪雨」などが発生した場合、統計的な平均に引きずられて予報値を「過小評価（マイルドに補正）」してしまうという固有の弱点（線形回帰等の限界）があります。
4. まとめ：学科試験対策チェックリスト
- スピンアップ: 計算初期に力学的・水物質的な不整合から降水量が過小評価される現象。
- 実効解像度: モデルが物理的に表現できる現象の波長は、格子間隔（$\Delta x$）の5〜8倍以上。
- CFL条件: タイムステップ $\Delta t$ は、格子間隔 $\Delta x$ と最大流速 $U$ によって制限され、満たさないと計算が発散する。
- 地形表現の限界: 地形が平滑化されるため、「地形性降雨」や盆地の「放射冷却（逆転層）」を過小評価しやすい。
- 系統的誤差: 規則的なモデルの癖であり、ガイダンスで補正可能。不規則なランダム誤差はガイダンスでは補正できない。
- カルマンフィルタ: 直近の誤差を学習して補正係数を逐次更新するため、モデル改定や季節移行に強い。
- ニューラルネットワーク: 複雑な非線形関係を扱えるため、地形性降水や発雷の予測に有効。
- ロジスティック回帰: 出力が0〜1に収まるため、降水確率の算出に用いられる。
- ガイダンスの限界: 元のモデルが落とした現象は表現できず、過去の統計にない極値（異常気象）に対しては過小評価（不適切に弱める補正）しやすい。