本記事では、気象予報における不確実性の定量化に向けた新たなアプローチとして、ベイズ深層学習（BDL）とアンサンブル予測（EPS）の統合的フレームワークを提案します。従来のEPSは計算負荷が高いシミュレーションを必要としますが、BDLは予測の不確実性を明示的にエピステミック（知識的）とアレアトリック（偶然的）に分解し、それぞれ異なる手法で学習します。本研究では、物理に基づいた確率的摂動スキームによって気候動態をモデル化し、40年間のERA5再解析データセットを用いた実験結果から、本手法が予測精度の向上と不確実性の適切な定量化を実現し、従来の確率的拡散モデルよりも計算効率に優れていることを示しました。最終的に、承認後にコードをオープンソースとして公開する意向を示しています。