| 研究課題/領域番号 |
21K03669
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分17020:大気水圏科学関連
|
|---|
| 研究機関 | 気象庁気象研究所 |
|---|
研究代表者 |
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)
|
|---|
| 研究分担者 |
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)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| 研究課題ステータス |
交付 (2022年度)
|
| 配分額 *注記 |
2,730千円 (直接経費: 2,100千円、間接経費: 630千円)
2023年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2022年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2021年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
|
|---|
| キーワード | 水物質の背景誤差 / アンサンブル予測 / 豪雨の発達機構 / 深層学習 / データ同化 / 集中豪雨 / 数値天気予報 |
|---|
| 研究開始時の研究の概要 |
現業数値気象予報センターのデータ同化システムは、雲や雨などの水物質を解析変数としていない。そのため水物質と気温や気圧などの気象場と気象学的な整合がとれておらず、集中豪雨の再現精度の低下の原因となっている。この問題を解決するには水物質を解析変数として扱うために水物質と気象場の予測誤差統計情報である背景誤差共分散行列を求める必要がある。しかし、水物質の予測誤差は、背景となる気象場との間に強い非線形関係があるため従来の統計的アプローチに基づいたモデル化が困難であった。本研究では、様々な気象場に応じた背景誤差共分散行列を深層学習で求めデータ同化に利用し豪雨発達機構を解明する。
|
| 研究実績の概要 |
本研究の目的の一つである大気中の水物質の解析変数化のために、水物質の背景誤差の特性解明とその高精度な推定値が必要となる。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のため、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進めている。まず、学習用のデータセットを作成するため、研究実施計画の課題①「アンサンブル予測」に基づき気象庁メソモデルを用いて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行した。このアンサンブル予測の結果から作成する背景誤差共分散行列のデータセットは、研究実施計画の課題②「深層学習」で学習用入力データとして使用するものであり、課題②を進めるうえで必要不可欠のものである。課題①で計算したアンサンブル予測のデータから背景誤差共分散行列の画像を生成し学習用のデータセットを準備した。画像データセットを利用して、深層学習の一つである条件付き敵対生成ネットワーク（cGAN）に夏と冬の背景誤差共分散行列の画像と条件画像のペアを学習させた。その結果、水物質の鉛直プロファイルを条件としてcGANに与え、背景誤差共分散行列の画像を生成することに成功した。これは、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。その結果、雲微物理スキームの雨滴の粒径分布と雪粒子の形状の仮定に問題があることが判明したため、雲微物理スキームを改良しシミュレーションの精度向上に取り組んだ。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。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
教師データセットを増強するため100メンバーのアンサンブル予測の計算を追加で実施した。このアンサンブル予測の実施は、本研究計画において最もコストの大きい作業であり想定以上の時間を要した。また課題②の深層学習による背景誤差共分散行列生成手法の確立に注力したため、2年度目後半から開始予定であった課題③の開始が遅れた。以上から、進捗状況はやや遅れている。
|
| 今後の研究の推進方策 |
課題②の深層学習で生成した背景誤差共分散行列の画像データを数値データに変換し、データ同化に使用できるようにする。それと並行して、条件付き敵対生成ネットワークを用いた背景誤差推定精度の精緻化を進める。
|
