| 研究課題/領域番号 |
19H02246
|
|---|
| 研究機関 | 山梨大学 |
|---|
研究代表者 |
相馬 一義 山梨大学, 大学院総合研究部, 准教授 (40452320)
|
|---|
| 研究分担者 |
古屋 貴彦 山梨大学, 大学院総合研究部, 助教 (00770835)
宮本 崇 山梨大学, 大学院総合研究部, 准教授 (30637989)
馬籠 純 山梨大学, 大学院総合研究部, 助教 (70377597)
石平 博 山梨大学, 大学院総合研究部, 教授 (80293439)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2023-03-31
|
| キーワード | 深層学習 / 機械学習 / 数値気象モデル / 降雨予測 |
|---|
| 研究実績の概要 |
研究代表者らは，数値気象モデルCReSiBUCによる数時間から1日先予測結果を入力し，深層畳み込みニューラルネットワーク（視神経を模したニューラルネットワーク）を用いて降水量分布を補正する豪雨予測手法を構築・改良してきた．
2019年度には，これまで入力していた数値気象モデルによる地上鉛直風速予測結果に変えて，地上水平風速を入力データとして活用する可能性を検討した．地上水平風速を活用できれば，CReSiBUC計算結果のみならず気象庁が提供する数値モデル予測結果も利用でき，学習に活用できるデータ数増加につながると期待される．まず数値気象モデルCReSiBUCを用いた2001年の8月を対象とした京阪神地域における予測実験について，地上鉛直風速と関連する地上水平風速の収束・発散を求め，深層畳み込みニューラルネットワークを用いた補正手法に入力した．
その結果，台風のような空間スケールの大きな降水（一つの降水域が直径数十km程度）において，降水の有無（降水強度1mm/hr以上の雨域の範囲）に関しては地上水平風速を入力した場合でも，数値気象モデル出力の降水量よりも補正後の降水量が気象庁解析雨量に近づくことが確認された．一方，強い降水の範囲に関しては精度が向上せず，地上鉛直風速を入力した場合以上に補正によって降水を平滑化する傾向がみられた．これは，地上水平風速から収束・発散を求める際に周囲5セルのデータを用いるため，1セルのデータのみを用いる地上鉛直風速と比較して情報が平滑化されることが原因として考えられる．また，地上水平風速の収束が生じ，気圧が上昇し，上昇気流が発生して雲の発達につながるまでに時間遅れが存在することも原因として考えられる．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
研究代表者らは，数値気象モデルCReSiBUCによる数時間から1日先予測結果を入力し，深層畳み込みニューラルネットワーク（視神経を模したニューラルネットワーク）を用いて降水量分布を補正する豪雨予測手法を構築・改良してきた．
2019年度には，これまで入力していた数値気象モデルによる地上鉛直風速予測結果に変えて，地上水平風速を入力データとして活用する可能性を検討した．地上水平風速を活用できれば，CReSiBUC計算結果のみならず気象庁が提供する数値モデル予測結果も利用でき，学習に活用できるデータ数増加につながると期待される．まず数値気象モデルCReSiBUCを用いた2001年の8月を対象とした京阪神地域における予測実験について，地上鉛直風速と関連する地上水平風速の収束・発散を求め，深層畳み込みニューラルネットワークを用いた補正手法に入力した．
その結果，台風のような空間スケールの大きな降水（一つの降水域が直径数十km程度）において，降水の有無（降水強度1mm/hr以上の雨域の範囲）に関しては地上水平風速を入力した場合でも，数値気象モデル出力の降水量よりも補正後の降水量が気象庁解析雨量に近づくことが確認された．一方，強い降水の範囲に関しては精度が向上せず，地上鉛直風速を入力した場合以上に補正によって降水を平滑化する傾向がみられた．これは，地上水平風速から収束・発散を求める際に周囲5セルのデータを用いるため，1セルのデータのみを用いる地上鉛直風速と比較して情報が平滑化されることが原因として考えられる．また，地上水平風速の収束が生じ，気圧が上昇し，上昇気流が発生して雲の発達につながるまでに時間遅れが存在することも原因として考えられる．
|
| 今後の研究の推進方策 |
研究代表者らは，数値気象モデルCReSiBUCによる数時間から1日先予測結果を入力し，深層畳み込みニューラルネットワーク（視神経を模したニューラルネットワーク）を用いて降水強度分布を補正する豪雨予測手法を構築・改良してきた．2020年度には，これまでの手法でみられた降水強度出力が平滑化される問題について，ニューラルネットワークの構造を改良して克服を図る．降水強度が平滑化される原因として，畳み込みニューラルネットワークについて，層数が増加するほど局所的な特徴を抽出可能となる一方で，その元画像における位置情報がぼかされる特徴があることが考えられる．そのため，局所的な特徴が元画像のどの位置にあるかの情報を伝達できる，ショートカット接続を導入する．
改良前後の深層学習手法について，数値気象モデルCReSiBUCを用いた2001年及び2011年8月を対象とした京阪神地域における予測実験結果を用いて効果を検証する．降水事例の内8割を抽出し，気象庁解析雨量及び全国合成レーダーによる降水量観測値を教師データとして活用する．
検証に当たっては， 学習で使用しなかった2割の事例を対象とする．気象庁解析雨量・全国合成レーダーによる降水量観測値を真値として，数値気象モデル出力と比較して降水量予測精度が向上しているか検証する．比較に際してはまず，閾値を超える降水の分布を予測できるか検討する．具体的にはスレットスコア（観測・予測とも降水有のメッシュ数／観測・予測とも降水無しのメッシュを除いたメッシュ総数），見逃し率（観測で降水有・予測で降水無のメッシュ数／メッシュ総数），空振り率（観測で降水無し・予測で降水有のメッシュ数／メッシュ総数）を算出し，予測精度を定量的に評価する．
以上の成果を取りまとめ，地球環境論文集に投稿する予定である．
|
