2023 Fiscal Year Annual Research Report

深層学習による都市汚染物質拡散のアンサンブル即時予報の実現

Research Project

Project/Area Number	23K11129
Research Institution	Japan Atomic Energy Agency
Principal Investigator	朝比祐一国立研究開発法人日本原子力研究開発機構, システム計算科学センター, 研究職 (00824103)
Co-Investigator(Kenkyū-buntansha)	長谷川雄太国立研究開発法人日本原子力研究開発機構, システム計算科学センター, 研究職 (10851016) 小野寺直幸国立研究開発法人日本原子力研究開発機構, システム計算科学センター, 研究職 (50614484)
Project Period (FY)	2023-04-01 – 2024-03-31
Keywords	都市気流シミュレーション / GPUコンピューティング / Deep learning / Diffusion model / Data assimilation
Outline of Annual Research Achievements	本研究では、深層学習技術を用いることで、観測データとの同化を伴う都市部における汚染物質拡散の即時アンサンブル予測手法を確立する。GPUによる高速計算で可能となった大規模都市風況シミュレーションデータセットとDiffusion modelをベースとした予測モデルにより、従来不可能であった観測データに基づく即時アンサンブル汚染物質拡散予測を可能にする。まず、都市風況解析コードCityLBMを用いてOklahoma市における一様風向条件下でのデータセットを構築した。構築したデータセットから、畳み込みニューラルネットワーク（CNN）とTransformerから構成される都市汚染物質拡散即時予測モデルCityTransformerを開発した。CityTransformerは、汚染物質や風況の定点観測時系列データを入力として、都市区画における汚染物質拡散を高精度かつ高速 (0.1秒程度)に予測出来ることを示した。同様に、汚染物質濃度や風況時系列データから放出点位置予測および放出濃度の逆推定も高精度に行えることを確認した。これと並行して、Diffusion modelによって生成した擬似アンサンブルを利用するデータ同化手法を開発した。Diffusion modelは、ノイズがありかつ疎な観測データから元となるシミュレーションデータを再現するように訓練した。最も単純なカオス系であるLorenz96システムに対して適用したところ、シミュレーションと観測データが異なるパラメータに基づく場合（すなわちモデルにバイアスが存在する場合）のデータ同化精度で従来手法を上回ることを示した。本成果は、複数の国内および国際学会で発表された。また査読付き論文誌にも掲載された。