本記事では、GraphDOPと呼ばれるグラフベースの機械学習モデルを用いた、結合地球システムダイナミクスの学習方法について説明しています。地球システムの様々なコンポーネント（海洋、大気、陸、氷圏）の相互作用は、全球的な気象パターンに重要な影響を与えています。従来の数値予報モデルは、これらのコンポーネントを別々にモデル化し、インターフェースを介して結合していますが、正確な相互作用の表現には課題が残ります。GraphDOPは、生の衛星観測データや現場観測から直接天気を予測するもので、再解析製品や従来の物理ベースのモデルに依存しません。多様な観測データを共有された潜在空間に組み込み、明示的な結合なしにクロスドメインの相互作用を捉えることができます。本研究では、Arcticにおける急速な海氷の凍結やハリケーン・イアンによる海面冷却、2022年のヨーロッパの猛暑といったケーススタディを通じて、GraphDOPの予測能力が示されています。最終的には、一つのモデルで物理的に整合したデータ駆動型の地球システム予測を実現する可能性を提案しています。