| Project/Area Number |
23K21747
|
|---|
| Project/Area Number (Other) |
21H03593 (2021-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2021-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 63010:Environmental dynamic analysis-related
|
|---|
| Research Institution | Japan, Meteorological Research Institute |
|---|
Principal Investigator |
関山 剛 気象庁気象研究所, 全球大気海洋研究部, 主任研究官 (90354498)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
梶野 瑞王 気象庁気象研究所, 全球大気海洋研究部, 主任研究官 (00447939)
福井 健一 大阪大学, 産業科学研究所, 准教授 (80418772)
|
|---|
| Project Period (FY) |
2021-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥17,030,000 (Direct Cost: ¥13,100,000、Indirect Cost: ¥3,930,000)
Fiscal Year 2025: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
Fiscal Year 2024: ¥3,250,000 (Direct Cost: ¥2,500,000、Indirect Cost: ¥750,000)
Fiscal Year 2023: ¥3,250,000 (Direct Cost: ¥2,500,000、Indirect Cost: ¥750,000)
Fiscal Year 2022: ¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
Fiscal Year 2021: ¥3,900,000 (Direct Cost: ¥3,000,000、Indirect Cost: ¥900,000)
|
|---|
| Keywords | 機械学習 / 数値予報 / 移流拡散シミュレーション / ダウンスケーリング / 高解像度化 / 天気予報 / 数値天気予報 / 高解像度シミュレーション |
|---|
| Outline of Research at the Start |
複雑地形上での大気環境シミュレーションに必要な高解像度気象場（風向・風速・気温・降水等の分布）の格子点値を得るため、本研究では深層学習の超解像技術を使って低解像度気象場を逐次ダウンスケーリングする。それによって複雑地形上での正確な大気環境予測を実現することが本研究の最終目標である。深層学習は2010年代に驚異的な発達を遂げた人工知能の一種である。深層学習では事前に大量のデータ（本研究の場合、高解像度モデルおよび低解像度モデルの計算結果ペア）から与えられた現象の法則性を読み取る必要があるが、法則性を学習したあとは僅かな計算機資源で現象を予測できる。
|
| Outline of Annual Research Achievements |
研究計画調書作成時に予定していた2年度目の研究計画を完全に実施することができた。
初年度に深層畳み込みニューラルネットワークを用いて作成した風速場ダウンスケーリング用の超解像システムを使い、初年度に気象研究所のスパコンで作成した教師データ（水平解像度を5kmおよび1kmに設定した気象庁現業メソ予報モデルの計算による1時間毎の気象解析値）によって風速場のメソダウンスケーリングを試みた。ターゲット領域は関東平野（伊豆半島・甲府盆地・日本アルプスの一部、関東北部山岳地帯を含む）、学習期間は2010年から2017年までの8年間、検証期間および予測期間を2018年および2019年とした。機械学習用GPU資源として本科研費で購入したNVDIA製A100を2枚使った。
パラメータチューニングと気象現象の再現検証を繰り返す中で、超解像ダウンスケーリングにおいては出力値に含まれるランダムノイズや（稀に発生する）不安定動作を避けがたいことが判明した。しかしパラメータ設定を僅かに変えた多数のアンサンブルメンバーによるアンサンブル平均を用いることによってノイズや動作不安定による外れ値の影響を下げるあるいは無くすことが可能であることが判明した。このアンサンブル超解像ダウンスケーリングは高い精度を長期間連続して維持することができ、十分に物理モデルの代理を果たすことが可能である。この結果を取りまとめた論文は国際誌に投稿中である。
機械学習を用いた気象場ダウンスケーリングの先行研究では気温や降水量を対象にすることがほとんどで、ベクトル量である風向風速（特にその瞬間値）を対象にしたものは極めて少ない。本研究で実施したようなメソデータ（各国の現業天気予報と同程度の水平解像度5km）からメソデータ（通常の現業天気予報を超える水平解像度1km）への広い領域でのダウンスケーリングについては先行研究が存在しない。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
上記実績概要の内容は本科研費応募時に作成した研究計画調書の次年度以降（2年度目）の計画として記したものを完全に達成しており、極めて順調に研究は進んでいるといえる。
|
| Strategy for Future Research Activity |
本研究2年度目に完成した超解像ダウンスケーリング技術によって、地表面から上空までの3次元風速場を水平解像度1kmで1時間毎に作成する。作成した風速場を入力値として用いて、ラグランジュモデルによる大気微量成分の移流拡散シミュレーションを実施する。大気環境シミュレーションに必須の風速場入力値が超解像ダウンスケーリングによって代理作成可能であるかを検証する。
また、超解像ダウンスケーリングが畳み込みニューラルネットワークだけでなくビジョン・トランスフォーマー技術によっても実現可能かどうか調査を進める。
|
