| Project/Area Number |
22KJ0533
|
|---|
| Project/Area Number (Other) |
21J00927 (2021-2022)
|
|---|
| Research Category |
Grant-in-Aid for JSPS Fellows
|
| Allocation Type | Multi-year Fund (2023)
Single-year Grants (2021-2022) |
|---|
| Section | 国内 |
|---|
| Review Section |
Basic Section 22040:Hydroengineering-related
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
金子 凌 (2021, 2023) 東京大学, 生産技術研究所, 特別研究員(PD) (20973374)
|
|---|
| Research Fellow |
金子 凌 (2022) 東京大学, 生産技術研究所, 特別研究員(PD) (20973374)
|
|---|
| Project Period (FY) |
2023-03-08 – 2024-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,810,000 (Direct Cost: ¥3,700,000、Indirect Cost: ¥1,110,000)
Fiscal Year 2023: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2022: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2021: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
|
|---|
| Keywords | 降水予測 / 水工学 / 水文学 / 水循環 / 機械学習 / 深層学習 / 土木工学 / 防災・減災 |
|---|
| Outline of Research at the Start |
目的は、ディープラーニングを用いた降水予測モデルの高精度化である。現業のモデルの予測精度を超えることを目指す。現在、ディープラーニングを用いた降水予測に適した、又は適していない事例が存在し、それらの傾向が明らかになりつつある。これらを踏まえ、どのようなモデルを構築し、そのモデルにどのようなデータを学習させるかを検討する。また、世界で観測されたデータを学習させることで、日本での降水予測精度が向上するかどうかも検討する。
|
| Outline of Annual Research Achievements |
昨年度より、開発中の深層学習モデルが、降水、特に豪雨イベントを過大・過小評価することが問題になった。豪雨のサンプルサイズが少ないため、学習が正確にできないことが原因だと考えられる。そこで、この問題の解決のために、モデルの構造や、モデルの学習の目的となる損失関数、学習データのサンプルサイズのバランスを工夫した。モデルの構造には新しくAttention機構やDeformable Convolutionという仕組みを導入し、現象の中で重要な領域（豪雨などのイベント）の学習を集中的に行えるよう検討した。また、損失関数として、画像処理で利用されているTversky LossやFocal Lossを用いることで、誤差関数が小サンプルサイズのデータにも最適化されるように調整を行った。さらに、学習データのバランスも調整を行い、可能な限り豪雨のサンプルサイズと通常の雨のサンプルサイズが近づくようにした。
また、従来までのモデルは、予測時間が6時間先までの12ステップを予測する（30分間隔ごとの予測）モデルだが、新しいモデルは1時間先までの2ステップを予測するモデルに改良された。新しいモデルは、この2ステップ予測を繰り返すことによって、6時間先までの予測を行うことが可能である。新しいモデルは比較的予測しやすい1時間先までの降水で学習することで、計算が安定する場合があることが分かった。
これらの改善により、新しいモデルを用いた予測精度が従来のモデルに比べて向上するケースが存在することが明らかとなった。さらに、気象庁が提供する降水短時間予報GPVとの予測結果の比較も行っており、降水事例によっては提案モデルの方の予測精度が高いことが明らかとなった。
一方、衛星データや地形データの学習も行っているが精度が期待した程に上がらず、検討の余地を残している。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
研究効率の大きな向上と、現在の状況を鑑みてこのような評価であるとした。
今年度までに、モデルの構築や計算の高速化、評価手法のブラッシュアップなどが行われ、データの収集からモデルの評価までが、大いにスムーズに、かつ洗練された形で行えるようになった。そのため、想定したよりも研究が早く進められるようになっている。
一方、予測精度の改善が必要であり、衛星データ等の学習に対する工夫が必要であるなど課題も残している。
以上の理由により、「おおむね順調に進展している」とした。
|
| Strategy for Future Research Activity |
学習データの側面と、モデル構築の側面から精度向上に向けて検討を行う。
まず、衛星データや地形データを効果的に学習させる。特に衛星データは非常に莫大なデータであり、使用するデータによって明らかとなる物理量も異なる。そのため、
適切にデータを処理し効率的にモデルに学習させることで、より多くのデータから降水を学習できるものと考えられ、現在は大気の低層の水蒸気量や、雲頂高度などを学習に用いることを検討している。
また、モデルの学習手法も検討する。豪雨と通常の降水とで学習モデルを分けてみるなど、根本的な所から研究を見直し、更なる精度向上を検討する。
|
Report
(1 results)
Research Products
(2 results)
