2018 Fiscal Year Research-status Report
Deep Learning of Artificial Neural Network for Short-term Rainfall Forecasting
| Project/Area Number |
17K18903
|
|---|
| Research Institution | Kyoto University |
|---|
Principal Investigator |
Kim Sunmin 京都大学, 工学研究科, 准教授 (10546013)
|
|---|
| Project Period (FY) |
2017-06-30 – 2020-03-31
|
| Keywords | 豪雨予測 / 機械学習 / 気象観測データ |
|---|
| Outline of Annual Research Achievements |
本研究は、人工神経回路網(Artificial Neural Network; ANN)の深層学習(Deep Learning)アルゴリズムを活用して気温、気圧、水蒸気量などの気象因子情報を縮約し、その特徴を結びつけることにより、大流域を対象として数時間から数日先までの降雨予測が可能な新たな概念の短期降雨予測モデルを作成することである。さらに、深層学習を活用したモデルの作成に止まらず、様々な形の深層学習構造と入力の組み合わせを用いて学習アルゴリズムの特徴を調べることにより、定量的な値として出力が要求される工学計算分野でのANNの活用性を広げることである。
研究２年目の平成３０年度では、本研究で開発した都市域豪雨発生予測モデルを改良して予測精度を向上することに集中した。そのために、まず入力データとして活用した降水量、気温、日射量、風速、風向の5つの気象変数の予測精度への影響を分析した。分析結果、降水量以外の変数を入力から外しても予測精度に多くの影響を渡さないことを分かった。しかし、２変数以上の情報を外すと有意義で精度が低下することを確認した。また、入力情報となる観測地点を８地点から１６地点まで徐々に増やしても予測精度は大きく変わらなかった。しかし、元の８地点を外して入力データを作成すると顕著に精度が下がることが分かった。これにより、モデルに必要な最低限の入力情報と観測地点を把握することができた。
また、機械学習のSuper Resolution（超解像度）アルゴリズムを用いて、低解像度の降水空間情報を高解像度の情報に変換する手法を模索した。検討の結果、CNNに基づいた超解像度アルゴリズムは降水情報のダウンスケーリングのみならず降水予測モデルへも応用可能であることを分かった。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
今年度では、本研究で開発した畳み込みニューラルネットワークによる都市域豪雨発生予測モデルを改良しつつ、対象地域を京都、大阪、東京に広げてモデルの応用性を検討した。入力データに対して気象因子の種類、観測地点の数を変化して、そしてモデルの構造や学習条件も幅広く検討することにより安定的なモデルの作成と応用を成功的に確認することができた。
また、超解像度アルゴリズムを新たに導入することにより、低解像度の降水空間情報を高解像度の降水情報としてダウンスケーリングする手法を成功的に開発して、短期降水予測モデルへの応用を模索することができた。
|
| Strategy for Future Research Activity |
来年度は、開発ができたCNN都市域豪雨発生予測モデルを京都、大阪、東京以外の大都市域でも作成・応用し、モデルの応用可能性を高める。
また、高解像度GCMおよびRCM出力データを学習データとして活用した超解像度アルゴリズムの短期降雨予測モデルの作成を完了する。今年度検討した60km格子から20km格子へのダウンスケーリング手法を基にして10km格子までのダウンスケーリングを検討しつつ、複数の気象因子を入力データとして活用した短期降雨予測モデルを作成する。
|
| Causes of Carryover |
旅費として計算した金額を使わなかったので残額が出た。
研究最終年度である来年度は複数の国際学会へ参加し研究成果を発表する予定である。
|
Research Products
(3 results)
