| 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, 准教授 (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（U-Net）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．
2021年度には，より多数のデータを学習・検証に用いた検討を行った．具体的には，数値気象モデルCReSiBUCを用いて2001年8月及び2011年8～9月を対象とした京阪神地域における予測実験を行い，学習・検証過程に用いるデータ数を増やした．2011年8～9月には台風・前線・局地的大雨に伴う降水が発生しており，開発した手法の精度を降水タイプ別に評価した．評価に当たっては，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）を算出し，気象庁解析雨量による降水量観測値を真値として，補正前と補正後の降水量予測結果を評価した．降水の有無を判定するためにスレットスコアを算出する際の閾値は1mm/hrとした．さらに特徴的な事例を抽出し，気象庁解析雨量と補正前・補正後の予測結果における降水量分布を図示し，定性的に比較した．
その結果，台風に伴う水平規模の大きな降水（一つの降水域が直径数十km程度）に関しては，スレットスコアが補正後で高く，降水量分布が気象庁解析雨量に近づいた．前線に伴う降水事例ではスレットスコアが補正後に改善したが，台風に比べて改善が小さかった．局地的な降水（一つの降水域が直径数km程度）に関しては，スレットスコアの向上は小さかった．降水の位置が補正前に気象庁解析雨量と比較して大きくずれていると，補正後に降水を平滑化する傾向が見られ，さらなる改善が必要である．
|
| 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
数値気象モデルと深層学習を融合した豪雨予測手法の構築という本研究課題の目標に対し，研究実績の概要に挙げたように以下の進捗が見られたため，おおむね順調に進展していると判断した．
2021年度には，より多数のデータを学習・検証に用いた検討を行った．具体的には，数値気象モデルCReSiBUCを用いて2001年8月及び2011年8～9月を対象とした京阪神地域における予測実験を行い，学習・検証過程に用いるデータ数を増やした．2011年8～9月には台風・前線・局地的大雨に伴う降水が発生しており，開発した手法の精度を降水タイプ別に評価した．評価に当たっては，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）を算出し，気象庁解析雨量による降水量観測値を真値として，補正前と補正後の降水量予測結果を評価した．降水の有無を判定するためにスレットスコアを算出する際の閾値は1mm/hrとした．さらに特徴的な事例を抽出し，気象庁解析雨量と補正前・補正後の予測結果における降水量分布を図示し，定性的に比較した．
その結果，台風に伴う水平規模の大きな降水（一つの降水域が直径数十km程度）に関しては，スレットスコアが補正後で高く，降水量分布が気象庁解析雨量に近づいた．前線に伴う降水事例ではスレットスコアが補正後に改善したが，台風に比べて改善が小さかった．局地的な降水（一つの降水域が直径数km程度）に関しては，スレットスコアの向上は小さかった．降水の位置が補正前に気象庁解析雨量と比較して大きくずれていると，補正後に降水を平滑化する傾向が見られ，さらなる改善が必要である．
|
| 今後の研究の推進方策 |
2022年度には，ニューラルネットワークの構造と入力情報を再検討して手法のさらなる改善を図る．ニューラルネットワーク（U-net）の構造については，畳み込み・逆畳み込み層数と，畳み込み層で使用するフィルター枚数・サイズについて再検討する．入力情報については地上付近の気象要素に加えて，大気の安定度や風のシアーを考慮するために，上空（500hPa等）の気象要素（気温・水平風速・湿度・ジオポテンシャル高度等）を追加する．
再検討した深層学習手法に，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入力する．8割の事例を学習で使用し，残りの2割の事例を対象として以下の評価を行う．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討する．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）を算出して評価する．
以上の成果を取りまとめ，土木学会論文集等に投稿する予定である．
|
