日本語では「予報」「予測」「予想」「見通し」、 英語ではforecast, prediction, projection, outlookなどと呼ばれる仕事がある。 (上の英語と日本語とは1対1に対応するわけではないが、 いずれも、比較的精密なものから大まかなものの順にならべた。 ただし、「予報」と「予測」の違いは精度の違いではなく、 「予報」は予測内容を人に知らせることを含めたものをさすことが多い。) ここでは、「予測」という用語で代表させることにする。
科学的でない占いは別かもしれないが、 科学的予測は、どんなものでも、なんらかの観測事実と、 なんらかの理論のようなもの(理論というよりも常識に近いこともあるが)に 基づいていると言えるだろう。
自然現象の予測は、大きく分けて、 因果モデル(仮称)によるものと経験的なものがある。 ただし両者の区別は必ずしも明確なものではない。 ここで因果モデル(以下とくにことわらない限り単に「モデル」もこの意味)というのは、 対象物が従う法則性に関する知識にもとづいて、 原因の情報を与えると、結果の情報が得られるようなしくみ (現代ではふつう計算機上のプログラム)のことをいう。 気象の現業観測から予報までのところで述べた 数値(天気)予報モデルはその典型だと言える。 因果モデルは、ある時刻(「初期」と呼ぶ)の値(初期値)を与えられて、 それ以後の時間変化を順次計算していくように構成されることが多い。 それを使って予測をするためには、観測をもとに初期値を作ることが必要になる。 他方、経験的予測は、因果関係があるかどうかはかまわないが、 伴って起きることが多い現象の組に注目し、 先行する現象の観測に基づいて、後続する現象が起きることを予測するものである。 この場合、経験を積むための両現象の多数の組に関する観測に加えて、 最近の先行現象の観測が必要になる。 (現実には因果モデルも経験的要素を含んでおり、 モデルを構築するまでに観測事実による経験を必要とすることがある。)
【観測データから初期値をつくるには、データを空間的・時間的に内挿・外挿することが必要になる。 もし、ある程度は信頼できる予測計算が行なわれているならば、 時間的外挿は、観測された変化傾向を単純にのばすよりも、予測計算に基づくほうが よいと考えられる。 そうすると内挿と予測計算は相互に依存する形になる。 このような作業を「データ同化」という [別ページ参照]。】
また、いったんモデルがつくられたあとも、モデルがどの程度正しいかの検証を 行ない、モデルを利用する際の判断に使ったり、モデルを改良したりする。 観測データはこのような検証の材料としても重要である。
「天気」「天候」「気候」はいずれも大気中の現象をさすのに使われる (「気候」は大気に限らず海洋や雪氷について使われることもあるが)。 区別は基本的に時間スケールによる。 「天候」はだいたい1週間から1年のスケールの現象をさし、 「天気」はそれより短く、「気候」は長い。
英語には「天候」に対応することばがなく、weatherとclimateだけである。 したがって、だいたい1か月以上の時間スケールの現象はclimateと呼ばれる。 英語で(気象関係の人が) climate predictionと言うのは、 「この冬は暖冬になるか」「来年の夏は冷夏になるか」といった1年くらいまでの 予測をさすのがふつうで、エルニーニョ現象の予測も含む。 日本語では「季節予報」というのがふつうである (かつては「長期(天気)予報」とも言ったが、このごろはこの表現は使われない)。 この時間スケールの予測は、長く経験的方法によってきたが、 最近になって、 大気と海洋表層(さらに陸面も)を結合した モデルによる数値予報型の技術が主役に代わりつつある。
日本語で「気候予測」というと、最近は、今後100年間の気候変化(温暖化)の シミュレーション [気候システム論: 地球温暖化 -- 気候「予測」の考え方]などをさすことがふつうになった。 これは英語ではclimate change projectionというのがふつうである。 Predictionでないのは、 大気中の温室効果気体の濃度など(モデルにとっては境界条件)を与えるのに、 人間活動に関して、必ずしも予測(prediction)とは言えない仮定(シナリオ)を含んでいるからである。
天気予報(weather prediction)は、当初、半日または1日から数日先までの予測として開発され、 その後、2週間(場合によっては1か月)くらいまでに延長されてきた。 そこで、時間スケール別に 前者を「短期予報」(short-range prediction)、 後者を「中期予報」(medium-range prediction)または 「延長予報」(extended range prediction)と呼ぶことがある。 いずれの時間スケールでも、現在、少なくとも温帯での予報の主役は 数値予報であり、 海面水温の観測値を境界値として与えて(その変化はないかまたは平年と同じと仮定して)、大気(および多くの場合陸面)だけが変化するモデルを使うことが多い。
この短期予報よりも短い時間スケールの天気予報は、「短時間予報」と呼ばれる。 (英語ではnowcastと呼ばれることが多い。 ただしnowcastは予測でなく実況をそのまま伝えることをさすこともある。) 従来、この対象時間がラジオゾンデ観測の標準的時間間隔(12時間)より短いため、 数値予報に必要な初期値をそろえることができず、 レーダーエコー(雨滴による反射)にもとづく経験的な方法 (エコーの動きを時間外挿することや、 エコーのパタンから過去の類似例を参考に予想することなど)が使われてきた。 最近、ドップラーレーダーなどの新しい観測技術と、 個々の雲を表現できる空間分解能の細かい数値モデルが可能になったので、 数値予報技術が、実験的には使われており、現業化に向かいつつある。
ここまで述べた時間スケールは、 現在からどれだけ将来に向けて予測するかという時間の長さ(仮に積分時間と呼ぶことにする)である。 対象となる現象の時間スケールはふつうこれよりも短い。
大気現象では、空間スケールと時間スケールはだいたい対応しており、 その比率は速さの次元で10メートル毎秒のけたである。 ただし、空間スケールのほうは地球の大きさによる打ち止めがある。
温帯の短期天気予報の場合、 主な予報対象は温帯低気圧を伴う対流圏の気圧の谷・峰であり、 それは波として見れば波長数千km、周期数日の現象である。 短時間予報では、 大雨を起こすのは空間スケール数km、時間スケール1時間程度の雲であるが、 それを直接予測するのは困難なので、 予測の目標は、 空間スケール数十km、時間スケール数時間程度の雲の集まりにおかれることが多い。 積分時間約2週間以上にわたる予測では、 情報を知りたい地域が限定されている場合でも、全地球にわたる予測が必要になる。 季節予報では、1か月程度の統計的状態(平均値だけでなく変動幅も含めてであるが)を 知ることを目標とすることが多い。 気候予測では、10年から30年程度の統計的状態を知ることを目標とすることが多い。
自然システムは非線形(結果が原因に比例するとは限らない)であるため、 わずかな違いのある初期値から出発しても、 違いがしだいに大きくなって、その変数がとりうる数値の範囲の全体にわたって広がってしまう。 この性質を、現代応用数学では「カオス」という。 カオス論にはいろいろな流れがあるが、そのひとつは理論気象学者 Lorenz (ローレンツ)の仕事によるものである(Lorenz, 1993; [数値計算の教材の一部として書いた簡単な説明])。 Lorenzやその他の人の研究によれば、 大気自体がもつ性質のために、 数値天気予報はだいたい2週間程度で予測の限界に達すると言われている。 つまり、初期値に、観測データからはどちらがよいと言えないわずかな違いがあると、 積分時間2週間くらいで、その違いが増幅して、 予報として使う実用的価値のないものになってしまうのである。 ただし、ここで述べた2週間という数値は有効な積分時間の大まかなめやすであり、 そのときの天候状態によってもっと長い場合や短い場合があるようだ。 また、これは大気だけのモデルにより、また、個々の温帯低気圧の発生・発達を予測しようとした場合の話である。 季節予報の場合には、 大気よりゆっくり変化する海洋や陸面の予測を含め、 また、時間分解能をあらくして個々の低気圧でなく低気圧群の統計的性質を目標に設定する。
対象のもつカオス性をなんとか克服し、 予測の精度を評価できるようにするため、 「アンサンブル(ensemble)予報」と呼ばれる方法が多く使われるようになった。 これの標準的な形は、同じ予測モデルで、 少しずつ違った初期条件を与えた予測計算をいくつも行ない、 その結果を、統計的母集団からのサンプルとみなして評価するものである (Kalnay, 2003; 古川・酒井, 2004)。
気候予測でもアンサンブル計算が行なわれることがふえてきたが、 この場合に問題になるのは初期値への依存性(ここでいうカオス性)ではなく、 モデル構築上不確かな部分(たとえば雲や地表面付近の乱流など、 モデルで個々に表現できず統計的な表現になっているところ)に関する パラメータ(parameter, 係数のようなもの)への依存性であることが多い。 したがって、アンサンブルは、初期値ではなく、パラメータの値を違えた計算の 集まりであることが多い。 全く違ったモデルによる計算を組み合わせることもある。