2023 Fiscal Year Annual Research Report
| Project/Area Number |
21K03669
|
|---|
| Research Institution | Japan, Meteorological Research Institute |
|---|
Principal Investigator |
幾田 泰酵 気象庁気象研究所, 気象観測研究部, 主任研究官 (80878249)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
澤田 謙 気象庁気象研究所, 気象観測研究部, 主任研究官 (10847205)
堀田 大介 気象庁気象研究所, 気象観測研究部, 主任研究官 (60805365)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Keywords | データ同化 / 集中豪雨 / 深層学習 / 数値天気予報 |
|---|
| Outline of Annual Research Achievements |
本研究は、大気中の水物質の解析変数化に必要となる水物質の背景誤差特性の解明と新たな適用手法を確立する。従来の統計的な背景誤差推定手法では、雲降水過程の多様性により水物質の背景誤差の高精度な推定値を得ることが困難であった。そこで、様々な状況における背景誤差共分散行列を深層学習によって求める手法の開発を行った。まず、夏と冬の典型的な降水事例を対象に100メンバーのアンサンブル予測の計算を実施し、背景誤差共相関行列と条件ベクトルの教師データセットを作成した。そのデータセットを用いて条件付き敵対生成ネットワーク（CGAN）の学習を実施し、背景誤差相関行列の画像を生成することに成功した。
最終年度は、cGANを用いて背景誤差相関行列に加え分散ベクトルの生成を可能とし、背景誤差共分散行列の生成に成功した。この生成された背景誤差共分散行列の特徴を深い対流や層状性降水における特徴的な大気の鉛直情報と比較し共分散構造の特徴を解析した。さらに生成された背景誤差共分散行列を用いて理想化された条件で雨と雪の混合比の同化インパクトを調査した。その結果、本研究で開発した手法は、従来手法よりも解析精度が良いことが分かった。一方で、cGANに入力する条件ベクトルが特定の構造を持つ場合に、非現実的な値の誤差分散ベクトルが生成されるという問題も確認できた。以上の結果は、解決すべき課題は残るが、膨大な計算資源を必要とするアンサンブル予報を行うことなく流れに依存した背景誤差共分散を瞬時に生成できる可能性を示す革新的な結果である。
また、雲降水過程の誤差特性を解明するため、水物質の予測と二重偏波レーダーを比較し予測誤差特性を調査した。雲微物理スキームに、新たな雨滴粒径分布と非球形の雪粒子を導入した結果、予測誤差の縮小に成功した。降水予測の精度向上は本研究の主目的である豪雨の発達機構の解明を大きく進展させるものである。
|
