2020 Fiscal Year Research-status Report
| Project/Area Number |
18K13834
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
渡部 哲史 東京大学, 大学院工学系研究科(工学部), 特任講師 (20633845)
|
|---|
| Project Period (FY) |
2018-04-01 – 2022-03-31
|
| Keywords | ダウンスケーリング / バイアス補正 / 流出量 / 河川流量 / 水文モデル / 陸面過程モデル / 降水量 |
|---|
| Outline of Annual Research Achievements |
単一の変数のみに着目する手法であるバイアス補正手法に関する開発を主に日本域を対象に進め、参照データによる結果の差が手法選択による結果の差と同程度であること、適切なダウンスケール手法開発のためには流出量データセットに関する比較検証が重要であることを昨年度までに明らかとしたことを踏まえ、本年度は多変数を扱うダウンスケーリングの比較および検証に取り組んだ。既存のダウンスケーリング手法手法についてレビューした結果を踏まえ、回帰モデル、天気図分類、ウェザージェネレータなどの従来からの統計的な手法に加えて、近年情報分野で開発が進む機械学習手法をダウンスケーリング手法に適用する試みにも取り組んだ。多変量のダウンスケーリングに関しては参照データとして必要な観測値が十分に利用可能な日本域を対象に実験を行った。このために、全国のアメダス観測地点から気圧、気温、湿度、風速、日照時間、雪に関する変数を取得し、昨年度に引き続き大規模アンサンブル気候データ(d4PDF)を対象に手法の開発と検証を行った。また、比較対象としてJRA55から得られるデータに対しても手法を同様に適用した。流出量はそれ自体に観測値が存在しないため水文モデルにより河川流量を求めた結果を観測値等と比較する必要がある。このための検証を、雄物川流域を対象として実施した。流出量に関するダウンスケーリングに関する研究を進めることに加えて、研究の応用として2019年から2020年における記録的な少雪が水資源に及ぼす影響に関する評価にも取り組んだ。これは本研究の目的とする流出量はまさに水資源の推計に必要となる入力値であり、適切な流出量を推計する目的は適切な水資源量の推計のためであることを踏まえると妥当である。以上を通じて、流出量のダウンスケーリング手法の開発および検証、並びに応用としての水資源量推計に関する研究に取り組んだ。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
少雪事例を踏まえた解析や、公開された機械学習モジュールを使用した手法を適用するなど、当初想定していない事項への対応のため研究計画に前向きな変更を加えているが、おおむね当初想定した成果が得られている。
各種気象変数を対象とした多変数のダウンスケーリングから、1）気温に関しては平均的なバイアスは顕著ではないが、標高の高い地点において過小評価となる傾向があること、2）気圧に関しては沿岸部や半島部などで誤差が大きくモデルにおける海陸分布の影響が考えられること、3）比湿に関しては標高及び海陸分布の両方の影響が考えられること、4）下向き短波放射および長波放射に関しては季節によるバイアスの差異が大きいこと、5）風速に関しては南北と東西の合計に比べそれぞれの成分に着目した場合の誤差が顕著であることが明らかとなった。流出量を基に河川流量を推計した結果に関しては、年平均値などの長期的な値は一定の再現性を有する一方で、年最大値や最小値などの極端な値の再現性は低かった。この流出量の再現性の特徴を踏まえ、機械学習手法の適用に関しては流出量を入力値とする河川モデルから得られる河川流量を目的変数とした。雄物川流域を対象とし、18の代表的な手法により河川流量を推計し比較を行ったところ、最も精度の良い機械(ベイズリッジ回帰)において、二乗平均平方根誤差(RMSE)が約260、決定係数が約0.88となった。今回学習に用い河川流量の最大値は約5,000[m3/s]であることを踏まえると一定の精度を有していると評価できる。2019年から2020年における記録的な少雪の解析に関しては、過去60年の気象外力を入力値とする陸面過程モデル実験を通じて、2019年から2020年の積雪相当水量が記録的な少なさであり、その原因が地域により異なり、本州では記録的な高温と北海道などでは降水量の少なさが寄与していることを明らかにした。
|
| Strategy for Future Research Activity |
2020年度は記録的な少雪が生じたことから、その解析に優先して取り組んだ。また機械学習に関して主要な手法を容易に比較可能なモジュールが公開されたことから、数個の回帰モデル等を選択して比較する当初予定を変更し、既往研究の有無に関わらず主要な多数の機械学習手法を対象とした比較実験を行った。この結果を基に、流出量を入力値として得られる河川流量を対象に解析が進んだ。一方で、流出量そのものに対するダウンスケーリングの精度、特に年最大値や最小値に関する精度には向上の余地が残る。また、研究対象に関しても、2020年は国内を主要な対象地としたことから、全球やアジア域等の解析にも検討の余地が残る。これらを踏まえ今後は、1)日本域で開発してきた手法を全球およびアジア域への適用、2)流出量に関する低頻度現象の再現性向上の2点に取り組む。前者に関しては全球規模の再解析データを参照値とし、これまでにも用いてきたd4PDFに加えてCMIP6出力値を対象とした解析を行う。後者に関しては時空間パターンを考慮した手法開発に取り組む。これは、従来はメッシュ毎に設定した時間単位（例えば日や時間など）で独立に統計的な特徴を検討していた方法を、雨域や降雨イベント単位で検討する方法へと変更する試みである。既存の手法においては時空間パターンを考慮しておらず値の大小のみを考慮していた。このことは、対象とする値があるイベントにおけるピーク時点の値か、それともピーク前後の値かという点の区別が不可能であることを意味している。この場合対象とする時間単位では手法が有効に機能するものの、それとは異なる時間単位では不自然な結果を生む可能性がある。例えば１時間単位の場合、1時間単位の出力値に関する統計的特性の再現性は高いものの、それらを合わせた日単位などの再現性は低いという事例が生じる。これらの解決に向けた研究を今後推進する。
|
| Causes of Carryover |
当初計画においては国際学会等での成果発表を行う予定であったが、COVID-19の影響により実現に至らず、次年度使用額が生じた。引き続き2021年度も国際学会等での発表は困難であることが予想される。しかしながら、本年度までの取り組みにより十分な解析と成果が得られていることから、次年度はこれらの学術誌への公表に取り組む。次年度はこのために必要な英文校正費用や論文投稿料に予算を使用する。また本年度は記録的な少雪傾向を受けて日本を対象とした研究を中心に進めた。このため、解析に必要となるデータ量が全球を対象として想定していた当初計画よりも少ないものとなった。今後は日本域での研究成果を全球およびアジア域へと展開する予定である。したがって、次年度はこのために必要なデータ保存のためのデータストレージ、および解析に必要な計算機能力の拡張に必要な予算を使用する。また、研究成果としてこれまでに得られたデータや途中生成物である気象外力データセットなどは他研究でも活用可能なものであることから、これらを保存するためのデータストレージに予算を使用する。
|
