MANUAL
第１章 気候予測データセット2022に関連する全般的事項

　日々の天気予報と21世紀末等を対象に行われる気候予測は、ともに数値予報モデルを用いるという点では同じであるものの、その手法、予測の考え方が異なっている。 日々の天気予報では、世界中で収集された観測データをもとに大気の初期状態（初期値）を推定し、その初期値から物理法則に基づいて数値予報モデルにより時間積分を行い、 特定の日時等を対象に将来予測を行う（決定論的予測）。ただし、大気にはカオス的な性質があり、初期値に含まれる誤差や数値予報モデル自体の不完全性に伴う誤差等が 予測計算の中で急速に増大してしまうため、現在の技術では数週間程度先までが決定論的予測の限界とされている。日々の天気予報のような決定論的予測ではなく、 季節予報の「ある地方における月平均気温が平年と比べて高くなる可能性が40%」のような、ある程度の空間的広がりを持った領域を対象に大まかな天候を予測するという形であれば、 陸や海洋等の長周期の変動等を頼りにしてより遠い将来までの予測が可能とはなるものの、そうした陸や海洋等の変動（自然変動）も21世紀末まで正確に予測することはやはり不可能である。 このため気候予測においては、例えば、ある場所における2080年1月1日の天気等を対象とした予測ではなく、ある地域の時間的に平均的な大気等の状態（気候）を対象に、 将来の気候状態が現在の気候状態からどの程度変化するのかをシミュレーションすることによって“予測”が行われる。 この中では、前述の自然変動は正確な予測ができないことからノイズとして扱われ、気候状態に影響を与えることが分かっている二酸化炭素等の温室効果ガス等の強制に対し、 地球の大気、陸面、海洋、生態系等から構成される気候システムがどのように応答するのかという点に着目して予測が行われる。 特に、二酸化炭素等の温室効果ガス濃度や土地利用等は、人間の社会経済活動の影響を受けるものであり、長期間の予測はできないことから、 将来の考えられる社会経済活動に基づいてシナリオが作成され、気候予測に使われる数値予報モデル（気候モデル、以下、全球を対象としたものを全球モデル、 日本域等の特定領域を対象としたものを領域モデルと書く）に与えられる。とはいえ、もちろんシナリオには不確実性が含まれ、予測に用いる気候モデル自体も完全なものではないため、 不確実性をもたらす大きな要因となる。このような不確実性を適切に評価するため、想定される様々な状況下で予測を複数行い（アンサンブル予測）、 その結果を総合的に評価する試みや、異なる気候モデルを用いた複数の予測結果によって予測全体を評価する（モデルアンサンブル）等の工夫が行われる。
　以上のように、気候予測は普段目にするような日々の天気予報とは手法や対象が異なっており、様々な不確実性を含むものであるため、予測データの利用にあたっては、 予測データの特徴、不確実性等を適切に把握したうえで使用することが望ましい。気候予測に関するより詳しい解説は、 『気候変動適応技術の社会実装ガイドブック』 （SI-CATガイドブック編集委員会, 2020）第2部にまとめられているので、適宜参照されたい。

節をたたむ

　気候予測データセット2022は、気温、降水量、日射量、風速、海水温等の物理要素について、気候モデルにより現在気候を再現、 または21世紀末にかけての将来予測を行って得られたデータである。 農業や水産業、生態系、自然災害、健康、産業・経済活動等の各分野における気候変動の影響評価には、 これらのデータをそのまま活用できる場合もあるものの、多くはこれらのデータをインプットとした各分野の影響評価モデルによって、 作物の収量や栽培適地、土砂や洪水災害、感染症等、より具体的な影響変数に変換され、各分野に対する気候変動の影響評価が行われる。 こうした影響評価結果に基づき、各分野において具体的にどのような適応策を実施すればよいかの検討が行われる。 一部ではさらに、より具体的な判断材料として、気候変動による損失額等の経済的な評価が行われ、 その結果をもとに具体的な適応策の検討が行われる。 以上のような気候予測データが気候変動適応策の検討等への社会実装につながるまでの全体像（概要）を 資料1に示す。

節をたたむ

　本データセットの利用にあたっての全般的な注意事項を以下に示す。これらの全般的な注意事項に留意しつつ、 各データセット特有の注意事項も参考にしながら、データの利用を行うことが望ましい。

● データセット2022を構成する各データの仕様は異なる

　前述の通り、データセット2022の各データは一つの事業で統一的に作成されたものではない。 このため、資料3の「気候予測データセット2022カタログ（詳細）」に示す通り、 各データセット作成における実験設定（領域モデル、排出シナリオ等）や、データの時間・空間解像度、メンバ数、バイアス補正の有無、 ファイル形式等は各々異なることに注意が必要である。 なお、大気予測（力学的ダウンスケーリング）のデータのうち、①「全球及び日本域気候予測データ」、③「マルチシナリオ・マルチ物理予測データ」、 ④「全球及び日本域150年連続実験データ」、⑤「全球及び日本域確率的気候予測データ（d4PDFシリーズ）」については、各々の予測結果の違いを 「（８）モデル実験の比較」で解説しているため、適宜参照されたい。

● データセット2022は主に第5期結合モデル相互比較プロジェクト（CMIP5）ベースの予測である

　データセット2022は、全球モデルによる予測データを日本域にダウンスケーリングしたデータで主に構成されているが、 当該全球モデルはCMIP5に参加したものが使用されている（⑬を除く）。 2021年夏に公表された気候変動に関する政府間パネル（IPCC）第6次評価報告書第1作業部会報告書（AR6 WG1）では、 第6期結合モデル相互比較プロジェクト（CMIP6）に参加した全球モデルによる研究結果が使用されており、 最新のモデルはCMIP6参加モデルとなることから、データセット2022は一世代前の全球モデルをベースとしていることに留意されたい。 これは、ダウンスケーリングデータの作成には一定の時間がかかるためである。加えて、CMIP5／6では、使用されている温室効果ガスの排出シナリオ等も異なる。 このため、CMIP5／6参加モデルの全般的な特徴や予測傾向の違い、排出シナリオの違い等を 「（５）CMIP5とCMIP6の関係性（AR5とAR6、コアシナリオ等）」で解説するとともに、データセット2022のうち、 ①「全球及び日本域気候予測データ」、③「マルチシナリオ・マルチ物理予測データ」、④「全球及び日本域150年連続実験データ」、 ⑤「全球及び日本域確率的気候予測データ（d4PDFシリーズ）」については、「（８）モデル実験の比較」で予測結果が CMIP6参加モデルによる予測とどう異なるかを比較しているため、適宜参照されたい。

● 気候モデルによる計算結果にはバイアスが含まれる

　気候モデルは、大気、海洋、陸面等の挙動を物理法則に従ってプログラム上で表現したものであるが、利用可能な計算機資源とそれに応じたモデルの解像度の限界等、 様々な制約があることから現実の運動を完全に表現できるものではなく、気候モデルを使用した計算結果には、 そのモデル特有の系統的な誤差（バイアス。例えば、日本列島の日本海側では冬季に多量の降雪があるが、その降雪量が現実よりも少なく表現される等）が含まれる。 バイアスの大きさは気象要素、場所、季節等によって異なるが、バイアスがあまりにも大きい場合は、当該モデルの再現性が低いと考えられることから、 そのモデルを、バイアスを除去せずに使用して将来予測を行うことは適切ではない。 バイアスが大きくない場合には、当該モデルによる将来予測結果と現在気候再現結果の差分をとることで将来予測することが一般的に行われる。 ここでは、同じモデルでは現在も将来も同様のバイアスが生じると見なし、両者の差分をとることでバイアスの影響を除去できるという考えに基づいている。 他方で、将来予測においてある閾値を超えるかどうか等に着目する場合には、こうした手法をとることができないため、バイアス補正を行う必要が出てくる。 より具体的に、バイアス補正がどのような場合に必要となるのか、またどのような種類があるのか等は、 「（６）バイアス補正について」で解説しているので、適宜参照されたい。

● 細かい地域や特定の年代の将来予測は不確実性が大きくなる

　前述の通り、気候モデルは現実の大気・海洋の挙動を完全に表現できるものではない。 一般的に、気候モデルで再現できる現象のスケールは、モデルの水平解像度の数倍以上のものである。 また、日本域には急峻な山岳や細かい海岸地形が多数存在し、ローカルな気候変動には大きく影響すると考えられるが、 これらはある程度簡略化されて気候モデルに組み込まれている。 加えてローカルな気候の変化には、長期間の変動予測が困難なエルニーニョ・ラニーニャ現象等の大気・海洋における自然変動の影響が現れやすい。 このようなことから、ローカルな将来予測には依然として大きな不確実性が伴っていることに注意が必要であり、 特定の地点（格子点）の結果に着目するのではなく、ある程度の広がりを持つ領域に対して評価を行うことが望ましい。 また、気候予測データには気候変動に伴ってゆっくり変化するトレンド的な成分だけではなく、自然変動の成分が加わっていることにも注意が必要である。 このため、数年等の特定の期間だけを対象に評価することは適切ではない場合があり、十数年程度等、 ある程度の幅を持たせた期間の平均や積算等の統計値を対象に評価を行うことが望ましい。

● 使用されているシナリオにより将来予測結果は異なる

　気候モデルを用いた気候変動予測には、気候変動に影響を及ぼす将来の温室効果ガス排出量・濃度、エアロゾル排出量、土地利用等の情報が必要であるが、 これらは人間活動の影響を受けて変化するものであり長期にわたる予測はできない。 従って、これらは様々な想定に基づく社会経済シナリオとして気候モデルに与えられている。データセット2022を構成するデータは、 代表的濃度経路（Representative Concentration Pathways: RCP）のうちRCP2.6、4.5、6.0、8.5等、 様々な温室効果ガス排出シナリオに基づいて将来予測が行われており、各々のシナリオによって将来予測結果は異なる。 シナリオの詳細は「（５）CMIP5とCMIP6の関係性（AR5とAR6、コアシナリオ等）」に記載しているので、適宜参照されたい。

● 用途に応じて適切なデータセットを利用することが重要である

　データセット2022は、資料3のカタログに示す通り、異なるダウンスケーリング手法により作成されたデータセットから構成される。 各手法で作成されたデータ利用上の一般的な注意点は「（３）力学的ダウンスケーリングと統計的ダウンスケーリングについて」に記載しているが、 例えば統計的ダウンスケーリングによるデータは、過去の観測値を用いた統計的関係性を用いて将来予測データが作成されているため、 過去に発生したことのない極端な現象等の再現は不十分なことが想定され、防災を目的とした利用には向かない等の特徴があることに注意が必要である。 また、力学的ダウンスケーリングによるデータでも、データ創出に用いたモデルの解像度によって再現できる気象現象とできない気象現象があるため、 着目する気象現象が再現されているかどうかに留意したうえでデータセットを選択することが重要である （詳細は「（４）モデル解像度とデータセットの利活用の関係」に記載しているので、適宜参照されたい）。

節をたたむ

　気候変動予測に使用する全球モデルの多くは、水平解像度は100km単位のメッシュ（格子点間隔）であり、全球モデルから得られる予測データでは、 温暖化時の国内各地域やより細かいスケール等の気候を調べるには不十分である。 このため、全球モデル等から得られる予測データから、より細かいスケールを解像できる水平解像度が数十～数kmメッシュ程度の高解像度予測データを 得る方法が「ダウンスケーリング」と呼ばれる。 ダウンスケーリングを行う方法は、力学的ダウンスケーリング（力学的DS）と、統計的ダウンスケーリング（統計的DS）の2種類に大別される。 各々について、方法、メリット・デメリット、用途、利用上の留意事項を表3.1に示す。

節をたたむ

　力学的DSは、領域モデルにより全球モデル等による予測を高解像度化する手法である。 具体的には、領域モデルの境界条件に全球モデル等の情報を与えることにより、全球モデル等から大規模な気象場の情報を受け取り、 対象とする領域内の現象を表現することで、より解像度の高い予測データを作成する。 対象領域内の物理的なプロセスは、領域モデルによって物理的に細かく計算されるため、 解像度の粗い全球モデルでは表現できないような地形性降雨や局地的な現象を再現することが可能となる。 例えば、ダウンスケーリングの元データとなる全球モデルの一格子（100km程度）で降水が発生していた場合、力学的DSであれば、 その格子内の地形等による物理的な効果が考慮されることで、より適切な降水分布が表現されることを期待できる（統計的DSの場合、 その手法によっては、本来は不自然な場合であっても、解像度が数kmになったDS後のデータにおいても100km四方全体で同時に雨が降るようなことが起こりうる）。 また、常に物理法則が成り立つ領域モデルによってデータが作成されるため、格子間の物理的整合性が担保される。 加えて、通常あまり観測されないような要素もモデル内では計算されるため、より多くの要素・地域で利用が可能であることが期待できるメリットもある。 例えば、山岳域の積雪や、地域気象観測システム（アメダス）の観測所によっては観測されていない湿度などの要素についても、 力学的DSによってその分布を得ることができる。
　力学的DSには以上のようなメリットがある一方で、高解像度な領域モデルによる計算を必要とすることから、多大な計算機資源を必要とするデメリットがある。 具体的には、使用するモデルの水平解像度を倍にするだけでも、計算量は8倍程度膨れ上がるため、容易に高解像度化を行うことは難しい。 このため、多数のシナリオや長期間・広領域を対象に力学的DSを実行することは困難であり、領域や計算期間、排出シナリオ数を絞って行われることが一般的である。
　また、力学的DSでは領域モデルを用いてデータの高解像度化が行われるが、領域モデルは現実の大気・海洋の運動を完全に表現できるものではなく、 その計算結果にはバイアスが含まれる。 従って、力学的DSの予測結果を使う場合には、必要に応じてバイアス補正を行う等、バイアスの影響を除去したうえで将来予測の結果を評価する必要があることに 注意が必要である（バイアス補正の詳細は「（６）バイアス補正について」参照）。 また、領域モデルによる計算領域の縁付近のデータは、領域モデルより低解像度の全球モデルに強く影響され、細かい現象を正しく表現できていないため、 使用するべきではない（なお、データによっては、こうした領域を除いて提供されていることもあるため、確認が必要である）。
　力学的DSのより詳細な解説は、稲津と佐藤（2010）や、高薮と金光（2010）等を適宜参照されたい。
　以上のような力学的DSで得られる予測データは、モデルを用いて物理法則に基づいて計算された結果であることから、 後述する過去データを用いた統計的関係を利用する統計的DSと違い、集中豪雨のような稀にしか起こらない現象の表現もできるため、 農業、林業、水産業、工業、健康、防災分野等をはじめ、全ての分野で利用することができる。 風水害リスク評価等、防災分野での活用例については「（７）利用例（主なもの）」に記載しているので、 適宜参照されたい。また、農林水産業、水資源・水環境、森林生態系、観光業等への利活用事例については、 『「日本の気候変動2020」 （詳細版）』 （文部科学省・気象庁, 2020）付録3.3等にまとめられている。
　続いて、力学的DSデータの一種である地球温暖化対策に資するアンサンブル気候予測データベース（d4PDF）等について解説する。

ⅰ）d4PDF

　d4PDFは、過去気候、3つの温暖化レベル（結果として+1.5℃、+2℃、+4℃昇温するレベル）の将来気候、そして温暖化していないことを想定した非温暖化過去気候のそれぞれについて実施した、 全球域（60kmメッシュ）と日本域（20kmメッシュ）の高解像度大気モデルによる大規模アンサンブル気候シミュレーション出力をまとめたデータベースの総称である（日本域は全球域から力学的DSしたもの）。 3つの温暖化レベル実験は、d1.5PDF、d2PDF、d4PDFなどと参照されることもある。 本データベースが作成される以前は、各地域や各セクターの間で異なる気候変動予測データが使われ、相互に一貫性のない気候変動対策が採られてしまうという危惧があった。 こうした背景の中で、標準的なデータセットの作成により、近接する地域間や各種産業、行政などのセクター間で整合する国内の気候変動影響評価と、 これに基づく気候変動対策が実現可能となることを目標に掲げて d4PDF は開発された。 とりわけ、社会的関心の高い豪雨や台風などの発現頻度が低い顕著な大気現象の将来変化を評価・推定することに重点を置いて設計されたデータベースとなっている。
　メリットは、3000年から6000年分の各気候シミュレーション出力から、調査対象とする気象要素や台風、豪雨などの顕著イベントについての実験サンプルを多数抽出して統計処理することで、 過去気候と複数の温暖化レベルの将来気候に対する気候変動の影響についての統計的に信頼性の高い解析結果が得られることである。 特に、d4PDFの将来気候実験（全球）データは、単一の気候モデルによる予測であるものの、CMIP5（詳細は「（５）CMIP5とCMIP6の関係性（AR5とAR6、コアシナリオ等）」参照）に 参加した6つのモデルによる予測から作成した複数の海面水温（SST）将来変化分布を与えることで、気候モデル自体に起因する地域スケールの不確実性をある程度表現していると考えられる。 SSTの将来変化に加えて、自然変動の不確実性に基づく摂動を与えた実験をあわせて実施して大規模アンサンブルが構成されていることから、自然変動に起因する予測の不確実性と 気候モデル自体に起因する予測の不確実性を分離して統計解析を行うことができる。 また、水文、農業、経済などの様々な分野の影響評価モデルに、力学的ダウンスケーリングによる物理的に整合する大気要素を入力することで、 例えば洪水発生など社会活動に関係する事象についての気候変動影響評価やリスク評価が可能となる。
　デメリットは、データ量が膨大なため、利用にあたっては、十分な計算機関連資源を確保しなければならないことである。 参照頻度の高い気象要素について抜き出してコンパクトにしたデータ （気候変動適応技術社会実装プログラムSI-CAT気候実験データベースシステム：SEAL等）が用意されているので、 こうしたデータの活用も検討されたい。 また、日本域のようにローカルな気候変動に着目する場合には、海洋変動を含めた気候学的知見が不足していることや、 モデルの不完全さに起因する予測の不確実性が出力に十分に反映されていないことに注意が必要である。 例えば、国内の日最高気温が将来最大何℃まで上昇するかを知るためにデータセットから直接値を読み取る場合、過去気候における同地域での気温が適切に再現されているかや、 将来の海洋変化は適切かなどについての検討が必要である。
　d4PDF は、大気変動や気候変動メカニズム解明等の学術的研究はもとより、気候変動影響評価とそれを踏まえた適応策の検討に活用され、科学的研究成果を社会実装した好例として高い評価を得ている。 データベースの詳細解説及びd4PDFを利用した研究や社会実装の多数の実例は別途報告（石井と森, 2022）にまとめられているので、適宜参照されたい。

図3.1 d4PDF 全球大気モデル実験により再現された過去（PAST）、非温暖化（NON-WARMING）、+1.5℃、+2℃、+4℃ の将来のそれぞれの気候状態における全球平均地表面気温偏差の時系列。 地上気温偏差は、ベースライン1991～2010年の平均からの偏差、陰影は実験間のばらつきを表す。 d1.5PDF 実験は他と比べて短期間となっている。凡例の括弧内の数字は各実験のシミュレーション数（メンバ数）である。 黒線は、SST将来変化分布の作成に使用した6個のCMIP5モデルによる過去再現と将来予測結果。

ⅱ）150年連続実験

　150年連続実験は、20世紀中頃から21世紀末までの連続した実験で、d4PDFと同じ全球モデル（60kmメッシュ）から日本域モデル（20kmメッシュ）へ力学的DSを行っている。 RCP2.6、4.5、6.0、8.5の4つの排出シナリオで実験を行っており、異なる排出シナリオ間の比較が可能となっている（図3.2）。 なお、RCP8.5については20kmメッシュの全球モデルでの実験も行っている。 全球20kmと全球60kmのRCP8.5実験は、CMIP6の高解像度モデル相互比較プロジェクト（HighResMIP）実験として行っている。 HighResMIPは気候モデルの水平解像度を高解像度化することによる気候再現へのインパクトを、世界各機関の気候モデルで相互比較するものであり、 実験結果を他機関の結果と比較することが可能となっている。
　このように20世紀中頃から21世紀末までの連続した実験を行うことで、極端な気象現象が過去から21世紀末にかけてどのような推移で変化していくか、 温暖化による変化が自然変動の変動幅を超えて明瞭になる時期が、どういう指標でいつ頃にはっきりするのか等を調べることが可能となる。 それにより、過去の経験を超える変化が自然災害や水資源・食糧生産に重大な影響を及ぼす可能性や、 また、それらが排出シナリオによってどのように変化するかを調べることができる。
　温暖化による変化が気温の上昇幅に比例するような現象の場合にはd4PDFの複数の温暖化レベルを参照し、結果を内挿することで途中の状態を推定することができるが、 そのような比例関係が成り立たない、あるいははっきりしていない現象（積雪・渇水・海岸浸食等）や、過去数年から10年程度の履歴が重要な現象（水資源・農業に関する現象等）については、 連続実験での時間推移を調べるのが有用と考えられる。また、それにより気候変動適応策の開始時期についての分析への利用も考えられる。
　ただし、本実験は各排出シナリオでそれぞれ1メンバの実験であり、 このデータだけでは気候の内部変動（海洋の10年規模変動、中高緯度大気の年々変動など）と温暖化による気候変化を切り分けることができない場合があることに注意が必要である。 特に近未来や低排出シナリオといった温暖化による変化が小さい場合や、低頻度の事象、狭い領域で発生する事象については、2つの実験間の差には、 内部変動による偶発的な気象現象の影響が大きく表れる可能性が高い。 また、図3.2において同じシナリオでも21世紀後半に0.5°C以上の差が発生しているなど、 気候モデルの違いによっても差が発生する。その際には、気候の自然変動の大きさを、d4PDFを活用して見積もるなど、他の実験と組み合わせて利用することが必要となる。

図3.2 150年連続実験における、日本の陸上で平均した地上気温10年移動平均の1950-1979年平均からの偏差 （Mizuta et al., 2022）。 単位は℃。細線が60kmモデル、太線が20kmモデル。緑線は都市化の影響を取り除いた15地点の測候所データ。

節をたたむ

　統計的DSとは、過去の観測データから求められた統計的関係（具体的には、広域の気圧配置や気温、降水量分布等と、ローカルな気温、降水量等の気象要素の統計的な関係等）を用いて、 全球モデル等による予測を高解像度化する手法である。力学的DSのように領域モデルを用いて計算を行うことはないため、力学的DSと比べると圧倒的に計算負荷が小さいというメリットがある。 従って、多数のシナリオや長期間・広領域を対象に実行することが可能である。また、統計処理するための観測データを十分に用意できれば、高解像度のデータを少ない計算資源で作成することもできる。
　このようなメリットがある一方で、統計的DSでは、領域モデルを用いた空間高解像度化は行われないため、全球モデル等の格子サイズで表現されないような地形性の降雨等、 小規模なスケールの現象は再現されにくいことに注意が必要である。このため、災害をもたらす局地的な豪雨等の再現性は高くないと考えられる。 また、領域モデルを用いた計算がされないことから、得られたデータの格子間の物理的整合性は担保されないことにも注意が必要である。 加えて、過去の観測データの統計的関係を用いることから、統計処理に必要となる十分な観測データが必要であるほか、そもそも観測データが十分にない山岳域等では十分な再現性が期待できない。 また、過去にまれにしか観測されないような極端現象の表現には不向きであるため、幅広い分野で利用できるが、極端現象に着目することが必要な防災分野での利用には向いていない。
　また、統計的DSでは過去の統計的関係が将来も適用可能であるという前提でデータの高解像度化が行われているが、この仮定が正しいかどうかは必ずしも自明ではない。データを利用する際は、 この点にも留意する必要がある。
　なお、統計的DSのより詳細な解説は、飯泉ほか（2010）を適宜参照されたい。

節をたたむ

　気候モデルを用いて将来の気候変動を予測するためには、将来の温室効果ガス排出量・濃度、エアロゾル排出量、土地利用などを入力データとして与える必要がある。 しかし、将来の社会経済を長期にわたって予測することはできないため、温室効果ガスの排出量なども予測できない。 代わりに気候変動研究では、化石燃料に依存する社会、持続可能性に配慮する社会など様々な想定に基づく社会経済シナリオと、 その社会経済シナリオと整合的な温室効果ガス排出量・濃度や土地利用のシナリオを統合評価モデル（エネルギー・環境・経済の問題を統合的に扱うモデル）を用いて作成する。 そのように統合評価モデルで作られた複数の温室効果ガス排出量・濃度や土地利用等のシナリオを気候モデルの入力データとして用いることで、気候変動予測の不確実性の幅を評価する。
　AR5に向けては、RCP8.5、RCP6.0、RCP4.5、RCP2.6の4つのRCPシナリオが作られ、CMIP5で気候モデルの入力データとして使用された。 RCPに続く数字は放射強制力の大きさ（W/m²）を示している。 RCP8.5は、CMIP5モデルの平均した21世紀末までの世界平均気温上昇量が4℃に近いことから4℃シナリオと呼ばれることがある。 またRCP2.6は、世界平均気温上昇量がパリ協定の目標である2℃を下回る可能性が66%以上あることから、2℃シナリオと呼ばれることもある。
　RCPシナリオは、気候モデルの入力データとして必要な温室効果ガス濃度や土地利用のシナリオは含んでいるが、そのベースとなった社会経済のシナリオは正式には公開されなかった。 これは、パラレルアプローチという戦略に基づくものである。 AR5以前は、まず社会経済の研究を行い、そこから出てきた排出シナリオを使って気候モデルの予測実験が実施され、 最後に社会経済研究から得られたGDP等と気候モデルによる将来予測実験データを用いて影響評価が行われていたが、 それぞれの分野の研究に数年はかかるため、全体では非常に時間がかかってしまうという問題があった。 そのためパラレルアプローチでは、まず温室効果ガス濃度や土地利用のシナリオ（RCP）を気候モデルコミュニティに渡し、 気候モデルで将来予測計算を行う間に新たな社会経済シナリオを作成し、その両者を利用して影響評価を行うことで、 気候変動研究全体のスピードを上げることを目指した。 しかし、このアプローチはAR5の公表までには完結せず、全体を統合するプロセスはAR6に持ちこされた。
　AR6に向けて作られた社会経済シナリオが共通社会経済経路（Shared Socioeconomic Pathways, SSP）である。 SSPでは、緩和策と適応策の困難性の2軸を取って、その両端と中間の5つのシナリオが作成された。 SSP1は、持続可能性に重きを置く世界で、緩和策、適応策とも困難性は低い。SSP5は化石燃料に依存した発展をする世界で、緩和策の困難性は高いが、適応策の困難性は低い。 SSP4は格差が拡がる世界で緩和策の困難性は低いが、適応策の困難性は高い。SSP3は地域が分断された世界で、緩和適応ともに困難性が高い。 SSP2は中庸な世界である。それぞれのSSPで緩和策を考慮しないシナリオをベースラインと呼ぶ。 例えば化石燃料に依存するSSP5ではベースラインの放射強制力は8.5W/m²になる。 この社会経済シナリオSSP5と濃度シナリオRCP8.5の組み合わせをSSP5-8.5と呼ぶ。 持続可能性に考慮したSSP1ではベースラインの放射強制力は6.0W/m²になるので、その組み合わせはSSP1-6.0と呼ばれる。 このようにSSPごとにベースラインの放射強制力は異なる。また一つのSSPシナリオでも、緩和策の強さによって様々なRCPとの組み合わせを考えることができ、 例えばSSP1の世界で緩和策によって放射強制力を2.6W/m²まで下げたシナリオをSSP1-2.6と呼ぶ。
　このように多くのSSPとRCPの組み合わせ（SSP-RCPシナリオマトリックス）を考えることができるが、CMIP6では気候モデル研究者の負担を抑えるために、 SSP5-8.5、SSP3-7.0、SSP2-4.5、SSP1-2.6の4つを優先順位の高い実験として指定した。 またパリ協定で1.5℃目標が掲げられたことから、1.5℃気候安定化と整合するSSP1-1.9も提案されたが、スケジュールの関係でCMIP6内での優先順位は低くなっている。 CMIP6のSSP5-8.5、SSP2-4.5、SSP1-2.6実験の結果は、それぞれCMIP5のRCP8.5、RCP4.5、RCP2.6実験と比較可能なものと想定されているが、 同じ放射強制力レベルであってもエアロゾル排出量や土地利用等のシナリオは異なるため、見たい現象・地域によっては有意な差が生じる可能性はある。

節をたたむ

　気候予測データセットから得られる各種変数の値と観測値や再解析データセットの値との間には一定の差異が存在する。 この差異が気候変化の影響推計などの利用の際に支障となる場合に両者を近づけるための操作がバイアス補正として行われており、 本節では気候影響推計などを行う前に気候予測データセットに適用するバイアス補正について解説する。 気候予測データセットは気候を再現・予測するものであり、ある特定の日時の気象を再現・予測するものではない。 従って、同一の日時の気候予測データセットを参照値と比較することは適切ではない。両者の気候、つまり統計的な特徴を比較する必要がある。
　バイアス補正という言葉のもとで行われる操作には様々なものがある（詳細は渡部（2020）などの解説を参照）。 最も一般的なものは“直接的バイアス補正”と呼ばれるものであり、対象とする変数の値を直接操作するものである。 例えば、気候予測データセットの降水量に関する平均値が観測値よりも10％過少であるために、10％増加させて利用するといったような操作である。 ただしこのような操作は降水量の要因となる物理的な背景を無視して行われることから、降水量に関する時空間的な特徴を非現実的なものとする可能性がある。 これに対して、対象とする変数が有するバイアスの物理的な要因に遡って補正する“間接的バイアス補正”も行われている。 これは、降水量の背景となる台風の強度やコースを補正することで適切な降水量を得ようとする方法である。 さらに、気候予測データセットの値を変更するのではなく、気候予測データセットにおける現在と将来の値を比較した将来変化量の情報を用いることで、 気候予測データセットが有するバイアスの影響を回避する方法がある。 これは補正とは異なるが、気候予測データセットと参照値の間の差異の影響を除いて気候変化の影響推計を行うという目的を達成する方法としては有益な方法である。
　気候予測データセットの利用に際しては、できる限り気候予測データセットに不必要な変更を加えないという観点から判断すると、 将来変化量の利用などバイアス補正を回避する方法がある場合はそれが最も望ましい。 補正を行う場合でも、対象とする変数の背景にある物理的な要因を考慮する間接的バイアス補正を検討することが望ましい。 しかしながら、実際の気候予測データセットの利用では対象とする変数のみを扱う場合が殆どであり直接的なバイアス補正が必要となる場合が多い。 直接的なバイアス補正を行う場合には補正の操作がどのような統計的な特徴に基づき行われるかという点を理解しておくことが重要である。 以下では補正の代表的な例を示すとともに、その選択方法について述べる。

節をたたむ

　直接的バイアス補正手法の特徴は、バイアスの仮定、補正の枠組み、関数の3点により大きく分類することが可能である。 すなわち、直接的バイアス補正手法を選択する際にはこれら3点に対して、目的を踏まえたうえで適切なものを選択することが求められる。 以下3点の詳細を説明する。
　第一に、バイアスが何に対して一定と考えるかというバイアスの仮定の検討が必要である。 バイアスの仮定には、変数の値に応じてバイアスが一定であると仮定する変数値仮定と、生起率に応じてバイアスが一定であると仮定する生起率仮定がある。 図6.1に示す例の通りどちらの仮定を用いるかにより、同じ将来期間の気候予測データセットに対して、その値（95, 90, 80, 70, 60）に固有のバイアスがあると考えるか、 それとも順序に応じたバイアスがあると考えるかの違いが生じる。
　第二に、バイアス補正で扱う「参照値」、「参照値と対応する期間の気候予測データセット」、「補正対象期間（多くの場合将来）の気候予測データセット」の3つの統計集合のうち、 どの2つの間の関係を求め、残りの一つに当てはめるかという補正の枠組みを検討する必要がある。具体的には図6.2に示す3つの枠組みが考えられる。 バイアス型では参照値と参照値と対応する期間の気候予測データセットの関係を補正対象期間の気候予測データセットに当てはめる。 デルタ型（既存文献では変化率とする場合もあるが、比だけではなく差も扱われることからここではデルタ型とする。）では気候予測データセットの変化量に関する関係を参照値に当てはめる。 平均値や分散のみを考えるデルタ型は疑似温暖化手法と同様のものである。複合型では参照値と対応する期間の気候予測データセットに前述のバイアスと変化量を反映させる。 なお、平均値のみを対象とする場合、いずれの枠組みにおいても結果は同じとなる。つまり、これらの枠組みは対象とする統計集合の分散やさらに高次の特徴を決めるものである。

図6.1 変数値仮定と生起率仮定

図6.2 補正の枠組み

　最後に上述の2つの統計集合を結び付ける関数を検討する必要がある。 関数は大きく分けるとパラメトリックなものと順序統計量によるノンパラメトリックなものがある。 パラメトリックなものに関しては、何らかの確率分布に従うと仮定する方法や固有の関数（単純な例としては線形回帰式）を仮定するものがある。

節をたたむ

　直接的バイアス補正手法について選択する際には上述の各基準について検討することとなる。 第一の観点であるバイアス補正の仮定に関しては仮定の妥当さよりも技術的な制約により選択が行われることが多い。 生起率仮定では対象とする統計集合すべての値が補正の際に必要となる。 これは同じ値であってもその生起率によりバイアスが異なることを考えると理解しやすい。 このことは対象とする期間に様々な統計集合が含まれる場合（例えば2000年から2100年までの連続データのように異なる昇温量が含まれる場合など）は適用に注意を要する。 さらに、対象とする値を逐次補正する場合（つまり、対象とするデータの全容が不明の場合）には適用できない。対象とする統計集合をすべて扱うことから、 特に大規模なデータであれば計算機上での実施に必要な負荷が大きくなる。 一方で、変数値仮定においては参照値に基づいて推定したバイアスの範囲を外れる場合に補正をどのように行うかという外挿の問題に注意が必要となる。 すなわち過去に経験していない値に対してどのようなバイアスがあるかを推定しなければならないという問題が生じる。 これらの注意点を踏まえて、最終的な利用目的において問題の少ないものを選択することとなる。
　第二の観点であるバイアス補正の枠組みに関しては、統計的な特徴のうち変換関数により変化を陽に扱う関係が何かという観点で選択を行う。 デルタ型では参照値、バイアス型では補正対象期間の気候予測データセット、複合型では参照値と対応する期間の気候予測データセットの特徴が陽に扱われる。 従って、疑似温暖化手法のようにできるだけ参照値の特性を踏まえたものとしたい場合はデルタ型を用い、 できるだけ補正対象期間の気候予測データセットの特性を踏まえたものとしたい場合はバイアス型を用いる。 一方で、デルタ型では参照値と対応する期間の気候予測データセットと参照値の関係（𝐹_bias）、 バイアス型では気候予測データセットにおける参照値と対応する期間と補正対象期間との間の変化（𝐹_delta）は陽に考慮されない。 複合型ではこの両方の関係を陽に考慮できるが、他の2つの手法に比べると参照値と補正対象期間の気候予測データセットの特徴が補正に反映されない。 なお、図6.2の式から分かるように、複合型では参照値と対応する期間の気候予測データセットにバイアスと変化量の両方の関数を適用する。 このことが、d4PDFシリーズのような気候予測データセットと参照値の間でサンプル数が大きく異なる場合に利点となる （複合型に関する詳細はWatanabe et al.（2020）を参照のこと）。
　最後に、どのような関数を用いるかという点に関しては補正の対象となる変数の特徴を踏まえて選択を行う。 例えば、洪水リスク推計においてN日間の雨量に着目する場合にはGumbel分布等の極値分布の適用が考えられる。 また、d4PDFシリーズのような多数のアンサンブル計算結果を対象とする場合には順序統計量を適用することが考えられる。 ここでは当然のことながら多数のパラメータを持つものほど対象となる2つの統計集合の特徴を詳細に反映できるが、 その反面、パラメータの数が多いほど対象とする統計集合に関数が過適合するおそれが高まるため、 統計的な頑健性（多様なデータに対して安定的に適用ができる能力）は失われる。

節をたたむ

　上記の分類において利用例の多い代表的なものが「変数値仮定・バイアス型」、「生起率仮定・複合型」である。以下ではこの2つを具体的に説明する。 前者は年最大日降水量のように連続した時系列ではなく特定の事象を抽出したものに対してバイアス補正を行う際に適用例が多い。 詳細は小林ほか（2020）を参照されたい。後者に関しては連続した時系列を対象とした際に適用例が多く、 大規模アンサンブル気候予測情報のように利用可能な年数の多い気候予測情報に適した方法である。 詳細はWatanabe et al.（2020）を参照されたい。
　まず、「変数値仮定・バイアス型」の具体的な実施方法は次の通りである。

1. 参照値と、参照値と対応する期間の気候予測データセットそれぞれの値の生起率を求める。 今回例として挙げた洪水事例の場合などは極値統計による解析に関する知見の蓄積があることから、 参照値と参照値と対応する期間の気候予測データセットそれぞれに対して極値分布（最大値などの極端な値が従う連続確率分布モデル）を当てはめることが考えられる。
2. 参照値と対応する期間の気候予測データセットの個々の値に対してそれぞれの参照値との差（もしくは比）を求める。 参照値と、参照値と対応する期間の気候予測データセットそれぞれの分布において生起率が等しくなる値に対応関係があると考え、 ここで求めた差（もしくは比）を気候予測データセットの個々の値に対応したバイアスと定義する。
3. 補正対象期間の気候予測データセットの個々の値に対して2で求めた関係式からバイアスである差（もしくは比）を加算（乗算）したものを補正後の値とする。

　以上の方法において検討を要する点の一つは1における確率分布（この場合極値分布）の適合度である。 対象とする参照値及び参照値と対応する期間の気候予測データセットに対する分布のあてはまりの良し悪しがバイアス補正の精度にも影響する。 ここでの手法は通年の気候予測データセットすべてではなく年最大日降水量のような極値を対象としていることから、極値分布という外挿に適した方法が適用可能となっている。 このことが変数値仮定における外挿の問題を解決している。
　また、別の検討を要する点としてバイアスに関して差と比のどちらを用いるかという点がある。 従来、降水量を扱う場合など負の値が生じると不都合な場合を回避するために比が用いられてきた。 比を用いた場合には負の値が回避できる一方で、特に降水量の最大値付近において大きな比が適用されることで非現実的な値が生じる場合がある。 差を用いる場合そのような最大値付近の非現実的な値が生じる可能性は低いが、0付近の値において降水量が負の値になるなど非現実的な結果となる場合がある。
　次に、「生起率仮定・複合型」の具体的な実施方法は次の通りである。

1. 1月から12月までの各月単位で、参照値と、参照値と対応する期間の気候予測データセット、補正対象期間の気候予測データセットの3つの統計集合に対してそれぞれ順序統計量を求める。 各月の統計集合に対してそれぞれ2以下を実施する。
2. 参照値と対応する期間の気候予測データセットの順位に応じたバイアス量（参照値と参照値と対応する期間の気候予測データセットの差もしくは比）、 気候予測データセットの順位に応じた将来変化量（差もしくは比）をそれぞれ求める。
3. 参照値と対応する期間の気候予測データセットと2で得られたバイアス量、将来変化量をもとに、バイアス補正後の値を各順位に対して推計する。 つまり、参照値と対応する期間の気候予測データセットの各順位に対してバイアスと将来変化量を反映したものを求める。
4. 3で得られた値を補正対象期間の時系列に沿った形で並び替える。つまり、補正対象期間の気候予測データセットの時系列を、 対象となる期間における順位に応じて3で推計した値と置き換え補正後の値とする。

　以上の説明においては月単位で順序統計量を求めたが、この方法では月末と月初めで補正が大きく異なる可能性が残される。 この解決方法として移動窓が利用されている。 すなわち、月単位ではなく対象となる日に前後数日を加えた何日かを対象として推計を行う方法である。 同様に、順序統計量に関しても各順位で比較するのではなく、対象となる順位とその前後を加えた複数の変数で対応関係を求める方法が用いられている。
　順序統計量を用いる場合も「変数値仮定・バイアス型」で述べた差と比の選択が必要となる。 また、降水量の場合、降水量の有無に関する閾値を予め求めたうえでその閾値を超える値にのみ順序統計量を求める方法がある。 渇水の解析など降水の有無が重要な場合には採用を検討すべき方法である。
　利用の多い2つの方法について述べたが、これまでの利用の多さが手法の妥当性を示す訳ではないことに注意が必要である。 既存の直接的バイアス補正は変数の時空間分布を考慮しない。 このため修正が大きい補正手法であればあるほど、対象とする時空間単位（メッシュ単位）の統計的特徴は参照値と近づいているが、 広域や長期間を対象とすると適切ではない変更を加えている可能性がある。 これは既存の直接的バイアス補正手法が時空間独立の仮定のもとで行われている限り避けられない問題であり、 直接的バイアス補正の適用に際して理解しておくべき事項である。

節をたたむ

節をたたむ

　d4PDFを始めとするデータセット2022に収録のデータは、上記の河川や沿岸の風水害以外にも、様々な分野で活用が進んでいる。 気候変動が水資源や農業に与える影響は、正負の影響が考えられている。 Iizumi et al.（2018a, b）は，d4PDFの現在と非温暖化実験をもとに、20世紀初頭からの世界規模での主要作物の経済的生産損失を推定している。 作物の収穫量シミュレーションでは、低緯度地域では収穫量が大幅に減少し、高緯度地域では大幅に増加することが示されている。 水資源での活用も進んでおり、適応策に関連して将来の河川流量変化に伴うダム利水操作への影響等の応用例がある（野原ほか, 2018）。
　熱中症など人体に影響する気温や湿度などの暑熱環境については、Kim et al.（2018）は、日本の横浜みなとみらい21地区を対象に、 気候変動が空調用冷暖房システムに与える影響を調査している。その結果、+4℃実験結果では、電力消費量が140%以上に増加することが示されている。
　また、農林水産業、水資源・水環境、森林生態系、観光業等への利活用事例については、 『「日本の気候変動2020」 （詳細版）』 （文部科学省・気象庁, 2020）付録3.3等にまとめられているので、参照されたい。

節をたたむ

　極端な風水害を対象としての評価はまだ進んでいないが、予測された将来変化に対して、排出シナリオ、気候モデル、 影響評価モデル等のそれぞれに起因する不確実性を評価することは重要である。 いくつかの影響評価では、予測された将来変化の不確実性に対しての要因分析が行われている。
　一例として、全球モデルの大気場を外力として波浪モデルにより計算した、現在気候条件、 将来気候条件における波浪変化についての結果を図7.4に示す（Morim et al., 2019）。 将来気候条件には、RCP4.5及びRCP8.5シナリオを用いて、温室効果ガス濃度による波浪将来変化を大規模にアンサンブル評価⁵している。 モデルアンサンブル数は、RCP4.5で72、RCP8.5で74であり、これにより将来の平均的変化とその不確実性（予測のばらつき）が評価できる。 温暖化に伴い、波浪の波高、周期の増減や波向の変化などが生じ、これらの変化は海域によって異なり、 波高が±10%、周期が±5％、波向の変化が最大17度の幅で増加もしくは減少することが示されている。 特に日本周辺は将来変化が大きく、波高と周期が10%及び5%前後減少することが予測されている（図略）。
　また、この例では全球の波浪の将来変化予測の不確実性の支配的な要因についても分散分析⁶により定量化している。 図7.4の全球の波高の将来変化については、気候モデルに起因する不確実性が約30％、温暖化シナリオ（排出シナリオ）の不確実性と 波浪モデルに起因する不確実性がそれぞれ約20%存在し、これら3つの相互作用による不確実性が約30%である。 将来予測の不確実性は海域により異なり、日本周辺では他の海域と比較して温暖化シナリオに依存する不確実性が高い。
　このように、温暖化による将来変化は、排出シナリオ、気候モデル、影響評価モデルに依存した変化があり、 d4PDFに加えてCMIP6等の活用により複数の気候モデル、影響評価モデルを用いたリスク評価が必要となりつつある。

• 5：多数の予測結果を用いて平均及びそのばらつきを推定する評価方法
• 6：変動要因を誤差変動と各要因及び交互作用に分解することで各要因の効果を判定する解析

節をたたむ

　データセット2022に収録のデータを用いた気候変動に伴う風水害リスクの予測結果は、特に水害に関わる社会基盤インフラ整備の政策に活用され、 大きな影響を与えている。例えば、国土交通省及び農林水産省等の治水、都市浸水、砂防そして海岸保全に関する委員会の答申、 提言及び関連した基礎資料に活用されている。まずは、河川の治水計画に関わる降雨の将来変化予測情報としての利用から始まり、 その後、砂防や沿岸域の保全についての利用に拡大している。中央省庁だけでなく、地方自治体での利用も進みつつある。
　例えば、大阪府河川構造物等審議会では、影響評価からさらに適応策として、 現在更新の検討が進んでいる大阪の津波・高潮対策水門（三大水門）の新規設計条件策定に実際に活用されつつある。 図7.5は、三大水門の設計についての審議会でまとめられた2100年頃の設計条件の変化である。 図7.5aに示すように、d4PDFを用いて施設設計で用いられている想定台風の将来変化を、+2℃及び+4℃の条件で求めている。 これに海面上昇を加えて、図7.5bに示すように、将来気候における水門の設計水位は+2℃で+1.24m、+4℃で+2.45mと求められた。 2100年の予測には様々な不確実性が伴うため、施設設計では作業のやり直しがなくかつ過剰投資にならないように、 初期投資と将来のアップグレードを考慮した順応的な計画が考えられたのも特徴である。 +2℃の将来気候条件は、当初設計の段階から考慮され、+4℃の気候条件は、後施工による補強等の設計条件として検討が行われた。
　大阪の高潮水門のように我が国の高度成長期に整備された大型防災施設は、これから置き換えの時期に入りつつある。 大型防災施設の供与年数は長く、多くは100年前後が想定されているため、2100年前後の気候変動予測結果は大変重要な情報となる。 このような事例は今後増えることが予想され、気候変動予測データの社会インフラ整備への利用が期待される。 これらに加えて、データセット2022に収録のデータは、損害保険会社等の民間企業の気候リスク評価にも活用され、 さらに博物館での展示資料など様々な分野で活用されている。

図7.1 年最大時間流量の非超過確率プロット（右：荒川、中：庄内川、左：淀川，青：過去実験，赤：+4℃実験）（立川ほか, 2017）

図7.2 淀川氾濫の経済的被害の超過確率（青：過去実験，赤：+4℃実験）（Tanaka et al., 2018）

図7.3 台風による極端な波の高さの将来変化（単位：％）（Shimura et al., 2017）

図7.4 平均波高の将来予測の不確実性：気候モデル、温暖化シナリオ、波浪モデルの違いが将来変化に与える割合（RCP4.5及びRCP8.5の分析）。 左：将来変化に対する寄与率の空間分布（4要因を加えると1）、右：将来変化に対する寄与率の年平均、3～5月、6～8月、9～11月、12～2月の全球平均値。 右のバーの色は、気候モデルの違いによる要因（GCM）、波浪モデルの違いによる要因（WMM）、温暖化シナリオによる要因（RCP）及び これらの相互作用を示している（Morim et al., 2019）

(a) 想定台風上陸時の中心気圧の将来変化

(b) 将来気候における水門天端高の変化

図7.5 d4PDF等をもとにした水門設計条件（大阪府河川構造物等審議会資料, 2020）

節をたたむ

　RCP8.5の実験においては、力学的DSデータセットいずれの実験も4℃上昇程度で、CMIP5の平均値とほぼ一致するが、CMIP6と比較すると、0.6℃ほど低めとなる。 ただし、この解析では、高気候感度（Tokarska et al., 2020; Shiogama et al., 2021）とされるモデルも含めてCMIP6マルチモデルの全てを利用している。 力学的DSデータセットのうち、RCP8.5での不確実性の幅は、大きい順にCMIP5の複数モデルによる予測をもとに作成された海面水温（SST）昇温パターンにより、 不確実性を表現しているd4PDF、複数のSST昇温パターンと複数の積雲スキームによる不確実性を表現するマルチシナリオ・マルチ物理実験、高解像度実験となる。 不確実性の幅は、CMIP6による不確実性の幅のおよそ20-50%の部分に相当する（図8.2）。RCP2.6では、力学的DSデータセットの実験が平均1.2℃上昇程度に対して、 CMIP6マルチモデル実験の平均は2℃上昇と大きな差がある。この理由も、上述の気候感度の高いモデルが含まれていることが挙げられる。 マルチシナリオ・マルチ物理実験での複数の積雲スキームによる不確実性の幅と、高解像度実験の複数のSSTパターンによる不確実性の幅は、 いずれもCMIP6による不確実性の幅のおよそ5-25%の部分に相当する。
　気候予測の不確実性の幅は、シナリオの不確実性、自然変動による不確実性、モデルの不確実性から構成されており、必ずしも小さいことが良いという訳ではない。 現在の科学的知見から、これらが適切に予測に反映されている必要がある。なお、150年連続実験では、各実験のアンサンブルサイズが1のため、 不確実性の幅を描けていない。

図8.2 異なる将来予測実験間の年平均気温の比較。
(a) RCP2.6、(b) RCP4.5、(c) RCP6.0、(d) RCP8.5に基づく予測。各パネルの左側は力学的DSデータセットの将来予測を、 右側はCMIP5、CMIP6の将来予測を表している。 左側パネルの横軸において、d4PDFは⑤「全球及び日本域確率的気候予測データ（d4PDFシリーズ）」、 Multiはマルチシナリオ・マルチ物理実験（③「マルチシナリオ・マルチ物理予測データ」）、 150yearは150年連続実験（④「全球及び日本域150年連続実験データ」）、 Hi-Res20は高解像度実験（①「全球及び日本域気候予測データ」）である。 CMIP5とCMIP6モデルの結果は、箱ひげ図で示され、下から、最小値、10パーセンタイル値、25パーセンタイル値、平均値、 75パーセンタイル値、90パーセンタイル値、最大値を表している。 RCP8.5条件の150年連続実験にある紫の×印は20km解像度の結果を表している。 ほぼ同じ値となっている60km解像度の結果を示す黒の×印は20km解像度の結果に重なって見えていない。 環境省環境研究総合推進費S-15の共通利用シナリオの1つ、⑬「日本域CMIP6データ（NIES2020）」で利用されているCMIP6の5モデル（各パネル右側）は、 MIROC6（赤）、MRI-ESM2.0（赤）、ACCESS-CM2（青）、IPSL-CM6A-LR（青）、MPI-ESM1-2-HR（青）である。 図の下に並ぶ4モデルは、環境省環境研究総合推進費S-8の共通シナリオで用いられたCMIP5の4モデルを表している。 現在気候は1980～1999年、将来気候は2076～2095年（d4PDF以外）とした。d4PDFは将来気候を2084～2103年とすることで、 年々変動を現在と将来の間で一致させている。

節をたたむ

　150年連続実験を除く力学的DSデータセットと、CMIP6シナリオ実験データセットの平均値の将来変化はほぼ同じ値で、 RCP8.5でおよそ7%、RCP2.6でおよそ5%増である。150年連続実験のみ、どのRCP実験でも変化がほとんど無い。 RCP8.5における不確実性の幅の大きさについては、気温と同様の順番である。 d4PDFでは、CMIP6マルチモデルアンサンブルの不確実性の幅のおよそ5-75%を、 マルチシナリオ・マルチ物理実験では10-60%、高解像度実験ではおよそ15-50%を表現している。 RCP2.6でも不確実性の幅はRCP8.5と同様である。 d4PDFとマルチシナリオ・マルチ物理実験では、若干平均値より小さい増加を多く含むが、 平均値を含んだ不確実性の幅となっている一方、高解像度実験では、平均値以下の範囲での不確実性の幅を表現している。

図8.3 図8.2に同じ。ただし、年降水量の比較。

節をたたむ

　環境省環境研究総合推進費S-18などの影響評価研究では、統計的DS手法を用いたS-8共通シナリオ、 ⑪「日本域農研機構データ（NARO2017）」、⑬「日本域CMIP6データ（NIES2020）」（Ishizaki et al., 2020）などが用いられている。 日本域CMIP6データは、3つのSSPにわたり、最小のモデル数で、将来予測の十分な不確実性の幅を捉えられる5つのCMIP6モデルを選定し （Shiogama et al., 2021）、統計的ダウンスケーリングにより作成されている。 CMIP6モデルの選定にあたっては、影響評価モデルで利用される地上気象要素を選定基準に用いているにもかかわらず、 循環場からみても、適切な不確実性の幅を持っていることが確かめられている（Ose et al., 2022）。 図8.2、図8.3から各RCPで、5つのCMIP6モデルによってCMIP6マルチモデルの不確実性の幅を年平均気温、年降水量でともに、 良く捉えていることが分かる。

　このように、データセット2022に収録されているデータでの不確実性の幅は、CMIP6と比較して変数ごと、 データセットごとに異なる性質を持つので、利用に際しては、留意する必要がある。
　なお、データセット2022の一部データの作成に用いられているMRI-AGCM3.2とCMIP5の将来気候変化との比較については、 『「日本の気候変動2020」 （詳細版）』 （文部科学省・気象庁, 2020）の 付録1.5と付録3.2に記載されている。 より詳細にはIto et al.（2020a,b）を参照されたい。

節をたたむ