創発的研究支援事業

創発的研究支援事業（令和3年度～令和9年度）多圏間の相互作用を紐解く
新しい地球温暖化科学の創設

研究概要

信頼性の高い気候予測を実現するためには、数値気候モデルが特に苦手としている雲・降水過程の理解が必要不可欠です。本課題では、大気圏・海洋圏・雪氷圏にまたがる相互作用の理解深化を目指し、雲・降水に起因する気候フィードバックを素過程レベルで解明することを目標としています。数値モデリングと衛星データ解析の双方の特性を生かし、多階層に絡み合った不確実性を解きほぐす気候研究を推進しています。

数値気候モデルにおける雲・降水パラメタリゼーションの高度化

エアロゾルと複雑に相互作用する雲・降水プロセスは、気候モデルにおける最大の不確実要素として認識されているものの、その定量的な見積もりには、未だにモデル間のばらつきが非常に大きく信頼性も低いままになっています（IPCC AR5; Boucher et al., 2013）。その原因の一つに、モデル内における降水の簡素な取り扱いが指摘されています（Wang et al., 2012; Michibata et al., 2016）。現状の気候モデルにおいて、計算コストの節約のため降水を診断的に取り扱うモデリング手法がほとんどですが、これは雲の“履歴”に応じた降水生成ができないことになるため、雲場と放射場の間には根強い誤差補償問題が存在します（Nam et al., 2012; Suzuki et al., 2013）。

本課題では、こうした系統誤差の改善を目指した物理ベースな気候モデル開発を推進しています。従来型の降水を診断するスキームを見直し、降雨・降雪をGCMの複数時間ステップにまたがり陽に表現する、降水予報型スキーム“CHIMERRA(Cloud/Hydrometeors Interactive Module with Explicit Rain and Radiation)”を開発し、MIROCに適用しました（Michibata et al., 2019a）。このスキームでは、降雨・降雪の質量および数濃度をそれぞれ予報する、2 moment法で降水粒子を取り扱っており、それによって各凝結生成物間の相互作用を非常に精緻に解くことが可能になりました（Michibata and Suzuki, 2020; Michibata et al., 2020）。従来型スキームでは見逃されてきた降水粒子の放射計算も陽に考慮しており、より現実的な物理過程の再現が期待されます（図1）。

数値気候モデルに搭載されている（a）従来型の降水診断型スキームと（b）改良型の降水予報型スキームの構造の違いを表す模式図。
図1:数値気候モデルに搭載されている（a）従来型の降水診断型スキームと（b）改良型の降水予報型スキームの構造の違いを表す模式図。

衛星観測データおよびシミュレータを用いた降水素過程の理解

気候モデルの性能をより向上させるためには、衛星観測データをうまく活用した比較・検証を行うことが重要です。本課題では、気候モデルの最大の不確実要素である雲・降水プロセスに焦点を当て、観測データを有効に活用した気候モデルの改良を推進するための、新しい評価指標の提案および診断ツールの開発を行っています（図2）。

エアロゾル・雲・降水を観測する衛星センサーには、MODIS, MISR, CloudSat, CALIPSOなど様々なものがあります（Masunaga et al., 2010; Haynes et al., 2007; Pincus et al., 2012; Konsta et al., 2016）。数値モデルの検証のため、これら複数のセンサーによる人工的リトリーバルの作成をアシストするツールをパッケージングしたものが、衛星観測シミュレータと呼ばれるソフトウェアです。気候モデルコミュニティにおいては、CFMIP(Cloud Feedback Model Intercomparison Project)が中心となって開発した、CFMIP Observation Simulator Package（COSP; Bodas-Salcedo et al., 2011）という衛星シミュレータパッケージが主流となっています。

衛星観測シミュレータは、数値モデルの性能評価において、いわば“雲の共通言語”を提供する必要不可欠なツールとしての役割を担っています（Swales et al., 2018; Michibata et al., 2019b）。

衛星シミュレータの概念図。数値気候モデルの100km格子にサブカラムを作り、雲ピクセルスケールで衛星センサーとの比較を行う。
図2：衛星シミュレータの概念図。数値気候モデルの100km格子にサブカラムを作り、雲ピクセルスケールで衛星センサーとの比較を行う。

大気・海洋・雪氷相互作用の理解深化

本課題における解析の中心であるエアロゾル・雲・降水・放射過程は、過程が非常に複雑であり、未だ知られていない気候フィードバックも存在する可能性があります。人間活動に端を発する地球温暖化のメカニズムの理解には、大気と海洋の相互作用を適切に考慮することに加え、温暖化のシグナルが特に顕著である極域の気候変動メカニズムの理解も必須です。雲・降水過程の再現性に課題を抱えていた従来の簡素化された数値気候モデルでは着手できなかった、大気圏・海洋圏・雪氷圏・人間圏にまたがる多圏間の気候フィードバックを紐解く研究を推進します。

引用文献

  • Bodas-Salcedo, A., Webb, M. J., Bony, S., Chepfer, H., Dufresne, J.-L., Klein, S. A., Zhang, Y., Marchand, R., Haynes, J. M., Pincus, R., and John, V. O. (2011). COSP: Satellite simulation software for model assessment, Bull. Am. Meteorol. Soc., 92, 1023–1043.
  • Boucher, O., et al. (2013). Clouds and aerosols, Cambridge University Press, Cambridge, UK, 571–657.
  • Haynes, J. M., Marchand, R. T., Luo, Z., Bodas-Salcedo, A., and Stephens, G. L. (2007). A multipurpose radar simulation package: QuickBeam, B. Am. Meteorol. Soc., 88, 1723–1727.
  • Konsta, D., Dufresne, J. L., Chepfer, H., Idelkadi, A., and Cesana, G. (2016). Use of A-train satellite observations (CALIPSO–PARASOL) to evaluate tropical cloud properties in the LMDZ5 GCM, Clim. Dynam., 47, 1263–1284.
  • Masunaga, H., Matsui, T., Tao, W.-K., Hou, A. Y., Kummerow, C. D., Nakajima, T., Bauer, P., Olson, W. S., Sekiguchi, M., and Nakajima, T. Y. (2010). Satellite Data Simulator Unit A multisensor, multispectral Satellite Simulator Package, Bull. Am. Meteorol. Soc., 91, 1625–1632.
  • Michibata, T., Suzuki, K., Sato, Y., and Takemura, T. (2016). The source of discrepancies in aerosol–cloud–precipitation interactions between GCM and A-Train retrievals. Atmos. Chem. Phys., 16, 15413–15424.
  • Michibata, T., Suzuki, K., Sekiguchi, M., and Takemura, T. (2019a). Prognostic precipitation in the MIROC6-SPRINTARS GCM: Description and evaluation against satellite observations, J. Adv. Model. Earth Syst., 11, 839-860
  • Michibata T., Suzuki K., Ogura T., Jing X. (2019b). Incorporation of inline warm rain diagnostics into the COSP2 satellite simulator for process-oriented model evaluation. Geosci. Model Dev. 12, 4297–4307.
  • Michibata T., Suzuki K. (2020). Reconciling compensating errors between precipitation constraints and the energy budget in a climate model. Geophys. Res. Lett., 47:e2020GL088340.
  • Michibata T., Suzuki K., Takemura T. (2020). Snow-induced buffering in aerosol–cloud interactions. Atmos. Chem. Phys., 20, 13771–13780.
  • Nam, C., Bony, S., Dufresne, J.-L., and Chepfer, H. (2012). The ‘too few, too bright’ tropical low-cloud problem in CMIP5 models. Geophys. Res. Lett., 39, L21801.
  • Pincus, R., Platnick, S., Ackerman, S. A., Hemler, R. S., and Patrick Hofmann, R. J. (2012). Reconciling simulated and observed views of clouds: MODIS, ISCCP, and the limits of instrument simulators, J. Climate, 25, 4699–4720.
  • Suzuki, K., Golaz, J.-C., and Stephens, G. L. (2013). Evaluating cloud tuning in a climate model with satellite observations. Geophys. Res. Lett., 40, 4464–4468.
  • Swales, D. J., Pincus, R., and Bodas-Salcedo, A. (2018). The Cloud Feedback Model Intercomparison Project Observational Simulator Package: Version 2, Geosci. Model Dev., 11, 77–81.
  • Wang, M., Ghan, S., Liu, X., L'Ecuyer, T. S., Zhang, K., Morrison, H., et al. (2012). Constraining cloud lifetime effects of aerosols using A-Train satellite observations. Geophys. Res. Lett., 39, L15709.