Ridge-iら共同研究チームが地域気候特化型LLMを開発、アンサンブル気候予測データで自治体の適応策立案を支援

公開：2026年7月3日更新：2026年7月3日

CodeCampが提供するDX人材育成が可能なプログラミングやITが学べる公開講座

株式会社Ridge-iは、国立研究開発法人海洋研究開発機構および高知大学との共同研究チームが、気候変動適応策の立案を支援する地域気候特化型LLMを開発したことを発表しました。将来のアンサンブル気候予測データと地域の知見を統合し、自治体の意思決定をAIがサポートする大規模言語モデル（LLM）です。専門人材やリソースに制約のある地方の自治体や中小企業でも、データに基づいた科学的な気候変動対策の立案を後押しするツールとして期待されています。

地域気候特化型LLMを世界で初めて開発
地域気候特化型LLMのファインチューニングとRAG統合
地域気候特化型LLMを用いた埼玉県熊谷市での概念実証
地域気候特化型LLM概要
trends編集部の一言
References

地域気候特化型LLMを世界で初めて開発

地球温暖化の進行により、猛暑や豪雨、干ばつ、海面上昇などの極端な気象災害の頻度と強度が増しています。効果的な適応計画の策定には、気候学のみならず、地域産業や公共政策、経済といった多岐にわたる学際的な専門知識が必要です。

専門人材や財源に制約のある地方自治体にとって、このハードルは極めて高く、地域間での適応能力の格差が拡大することが懸念されてきました。

Python研修一覧はこちら

目的に合うPython研修を一覧形式から探したい方は、ぜひご利用ください。

Python研修を比較する

Java研修一覧はこちら

目的に合うJava研修を一覧形式から探したい方は、ぜひご利用ください。

Java研修を比較する

PHP研修一覧はこちら

目的に合うPHP研修を一覧形式から探したい方は、ぜひご利用ください。

PHP研修を比較する

新入社員研修

目的に合う新入社員研修を一覧形式から探したい方は、ぜひご利用ください。

新入社員研修を比較する

全ての研修からも探したい方はこちら

地域気候特化型LLMのファインチューニングとRAG統合

汎用的なLLMは主にウェブ上の一般的な文章で学習されているため、気候科学に関する正確な専門知識が不足し、もっともらしいが不正確な情報（ハルシネーション）を生成するリスクが指摘されています。また、将来気候予測データのような定量的な数値データをLLMが直接読み込んで解析・活用することは、技術的な制約から困難でした。

こうした背景のもと、共同研究チームが取り組んだのは、気候科学の専門知識と定量的な将来予測データを統合できるLLMの開発です。

開発にあたっては、東京科学大学が開発した日本語に強いオープンソースLLM「Llama 3.3 Swallow 70B Instruct v0.4」をベースモデルとして採用しました。このモデルに対し、気候変動適応情報プラットフォーム（A-PLAT）に登録された気候変動適応に関する338編の学術論文やIPCC（気候変動に関する政府間パネル）の評価報告書などを用いて、気候学に特化したファインチューニングを実施しています。

ファインチューニングの対象には、気候変動の影響評価から適応策の設計まで、気候科学の幅広い知識領域が含まれます。

さらに、検索拡張生成（Retrieval Augmented Generation: RAG）技術を高度化し、地域の適応計画ガイドラインなどの文章データに加えて、「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）」の定量的な数値データを利用者の質問に基づいて自動的に検索・抽出できるシステムを構築しました。

気候学特化型のベンチマーク評価では、ベースモデルである「Swallow 70B」やGPT-4oなどの汎用LLMと比較して、日本語・英語ともに大幅な性能向上を確認しています。特に「影響や適応、脆弱性」や「緩和策」といった専門性の高い分野で非常に優れた能力を示しました。

地域気候特化型LLMを用いた埼玉県熊谷市での概念実証

概念実証（Proof of Concept: PoC）のケーススタディとして、極端な高温が課題となっている埼玉県熊谷市を対象に猛暑対策の立案を実施しました。本システムは、将来気候予測データ（RCP8.5シナリオ）から温度上昇の数値を抽出し、熊谷市のガイドラインから「熱中症患者の増加数に応じたグリーンカーテンや休息所の設置基準」といったルールを動的に検索しています。

確率的なアンサンブル予測データから示される平均的、楽観的、悲観的といったケースごとの熱中症患者の増加数と、それに伴うインフラの増設要件を定量的に提案することに成功しました。

さらに、システム上で「科学者」「コンサルタント」「自治体職員」という異なる専門家の役割をLLMにシミュレートさせる機能も実証しました。効果やコスト、実現可能性のバランスを考慮しながら、実行可能な計画へと議論を統合する能力を確認しています。

本成果が示す地域気候特化型LLMの主な特徴は、次の3点です。

338編の学術論文等によるドメイン特化ファインチューニング
アンサンブル気候予測データを自動検索・抽出するRAGシステム
複数の専門家ロールをシミュレートし実行可能な計画へ議論を統合する機能

今後の展望として、RAGの参照データベースを対象地域の気候データや社会・経済情報に置き換えることで、気候変動に対して脆弱な開発途上国を含む様々な地域へカスタマイズされた地域気候サービス提供への発展が見込まれます。

国立環境研究所や各地方自治体とも連携し、誰もが専門家レベルの分析と対策立案を実施できるサービス化に向けて取り組む方針です。

Python基礎・実践(Django)

企業・法人向けのPython研修では、基礎から応用まで体系的に学べます。

Python研修の詳細

DX社員研修

企業・法人向けのDX研修では、実務に繋がるリスキリングでITレベルを向上させます。

DX研修の詳細

Javaエンジニア育成研修

企業・法人向けのJavaエンジニア育成研修では、Javaの基礎から応用まで確実に習得できます。

Java研修の詳細

新卒・新入社員向け研修

企業・法人に新入社員・新卒社員に向けたプログラミング研修を提供しています。

新入社員研修の詳細

コードキャンプのIT研修を全て見る

地域気候特化型LLM概要

項目	詳細
開発主体	株式会社Ridge-i・国立研究開発法人海洋研究開発機構・高知大学
ベースモデル	Llama 3.3 Swallow 70B Instruct v0.4（東京科学大学開発）
学習データ	気候変動適応情報プラットフォーム（A-PLAT）登録の学術論文338編、IPCC評価報告書等
技術手法	気候学特化ファインチューニング＋検索拡張生成（Retrieval Augmented Generation: RAG）
予測データ	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）
ケーススタディ対象	埼玉県熊谷市（猛暑対策の定量提案）
掲載論文誌	Journal of Geophysical Research: Machine Learning and Computation（7月1日付け（米国時間）掲載）
論文DOI	https://doi.org/10.1029/2025JH001205
研究助成	NEDO GENIAC、環境研究総合推進費、地球環境データ統合・解析プラットフォーム事業、気候変動予測先端研究プログラム、JSPS科研費

地域気候特化型LLMの詳細はこちら

trends編集部の一言

338編の学術論文でファインチューニングを行い、汎用LLMの正答率を上回る専門性を実証した点は、「AIは気候の専門知識には弱い」という業界全体の認識を塗り替える可能性があります。

マーケティング業界の文脈に置き換えると、ドメイン特化の学習データと外部データベースを組み合わせるアーキテクチャ設計は、生成AIの精度や信頼性への懸念が根強い現場において注目に値するものと言えるでしょう。こうした設計思想は、業界全体でAI活用の精度担保モデルとして広がる可能性があります。

今回のシステムが「科学者」「コンサルタント」「自治体職員」という複数の専門家ロールをシミュレートして、議論を統合する設計も興味深いところです。意思決定の補助にとどまらず、多様な立場の知見を束ねて実行可能な計画へと落とし込む役割をAIが担う構造は、気候分野にとどまらず、さまざまな領域での応用が期待できるのではないでしょうか。