| Project/Area Number |
23K22587
|
|---|
| Project/Area Number (Other) |
22H01316 (2022-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2022-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 17030:Human geosciences-related
|
|---|
| Research Institution | Japan Agency for Marine-Earth Science and Technology |
|---|
Principal Investigator |
松岡 大祐 国立研究開発法人海洋研究開発機構, 付加価値情報創生部門(地球情報科学技術センター), グループリーダー (80543230)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
筆保 弘徳 横浜国立大学, 教育学部, 教授 (00435843)
杉山 大祐 国立研究開発法人海洋研究開発機構, 付加価値情報創生部門(地球情報科学技術センター), 准研究主任 (00816184)
中野 満寿男 国立研究開発法人海洋研究開発機構, 地球環境部門(環境変動予測研究センター), 副主任研究員 (40713954)
|
|---|
| Project Period (FY) |
2022-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥17,290,000 (Direct Cost: ¥13,300,000、Indirect Cost: ¥3,990,000)
Fiscal Year 2025: ¥2,210,000 (Direct Cost: ¥1,700,000、Indirect Cost: ¥510,000)
Fiscal Year 2024: ¥5,460,000 (Direct Cost: ¥4,200,000、Indirect Cost: ¥1,260,000)
Fiscal Year 2023: ¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
Fiscal Year 2022: ¥5,330,000 (Direct Cost: ¥4,100,000、Indirect Cost: ¥1,230,000)
|
|---|
| Keywords | 熱帯低気圧 / 急発達 / スタイル変換 / シミュレーション / 人工衛星観測 / 極端気象現象 / 豪雨 / 深層学習 / 生成モデル / オープンデータ / オードエンコーダ / 機械学習 / 人工知能 / 画像認識 / 異種データ融合 |
|---|
| Outline of Research at the Start |
本研究では、観測事例数の少なさをシミュレーションによって補うため、シミュレーションデータを観測データ特有の特徴に変換する技術を開発する。実際の観測データと、観測データ風に変換されたシミュレーションデータとを同時に用いることで、観測事例の少ない極端大気現象等の検出または予測における精度向上を実現する外挿的な機械学習モデルを構築する。提案手法を用いることで、発生初期の台風のタマゴの検出や、超大型台風の強度推定、急発達予測の精度向上を目指す。また、シミュレーションデータおよび観測データ間の相互変換技術の開発を通して、両者の表現能力およびその差異を定量化し、シミュレーションモデルの高度化へとつなげる。
|
| Outline of Annual Research Achievements |
極端気象現象の検出や予測の高度化を目的とし、シミュレーションと衛星観測データをともに活用することが可能なスタイル変換学習技術を開発した。特に、CycleGANを用いることで人工衛星観測および数値シミュレーションによって得られた雲の時空間パターンの相互変換モデルを構築し、熱帯低気圧の前駆体を示すシミュレーション画像を衛星観測データ風の特徴に変換した。衛星観測データのみから学習した深層学習ベースの熱帯低気圧検出のベースラインモデルに対して、衛星観測データ風に変換されたシミュレーションデータを用いてファインチューニングを行った。その結果、熱帯低気圧が発生する7日前、5日前、3日前の雲画像の分類精度を、それぞれ40.5%、90.3%、41.3%向上させることに成功した。さらに、衛星観測データ風に変換したシミュレーションデータは、観測データと同等の特徴を有し、特に雲頂付近の表現能力が改善されることが明らかになった。本結果によって、教師あり機械学習による極端気象現象の検出・予測において、シミュレーションデータを用いて観測データの不足を補うという提案手法の有効性を実証することに成功した。また、シミュレーションデータと衛星観測データの表現能力の違いを定量化することで、シミュレーションモデルそのものの高度化に向けても重要な知見を得たと言える。
派生研究として、一連の研究において使用したシミュレーションデータを、雲以外のデータにも拡張し、機械学習モデル構築に利用可能な形に整備し、オンライン公開を行った。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当該年度における研究実施計画を全て完了した他、2件の査読付き学術論文の出版とデータリポジトリにおけるデータ公開等の研究成果も得られており、研究期間内の目標達成に向けておおむね順調に進展していると判断できる。
|
| Strategy for Future Research Activity |
引き続き当初計画通りに研究を継続する。特に、雲以外の物理量として、気温や湿度等のスカラ量の他、風等のベクトル量についてもスタイル変換を行い、熱帯低気圧の強度推定における超大型事例や、発達予測における急発達事例の精度向上に向けた研究開発を実施する。
|
