Meteorological downscaling and atmospheric environment prediction using deep learning

利用深度学习进行气象降尺度和大气环境预测

• 批准号: 21H03593
• 负责人: 関山 剛
• 金额: $ 10.9万
• 依托单位: Japan, Meteorological Research Institute
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (B)
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-01 至 2026-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21H03593/
• 关键词: 機械学習; 数値予報; 移流拡散シミュレーション; ダウンスケーリング; 高解像度化; 天気予報; 数値天気予報; 高解像度シミュレーション

研究計画調書作成時に予定していた2年度目の研究計画を完全に実施することができた。初年度に深層畳み込みニューラルネットワークを用いて作成した風速場ダウンスケーリング用の超解像システムを使い、初年度に気象研究所のスパコンで作成した教師データ（水平解像度を5kmおよび1kmに設定した気象庁現業メソ予報モデルの計算による1時間毎の気象解析値）によって風速場のメソダウンスケーリングを試みた。ターゲット領域は関東平野（伊豆半島・甲府盆地・日本アルプスの一部、関東北部山岳地帯を含む）、学習期間は2010年から2017年までの8年間、検証期間および予測期間を2018年および2019年とした。機械学習用GPU資源として本科研費で購入したNVDIA製A100を2枚使った。パラメータチューニングと気象現象の再現検証を繰り返す中で、超解像ダウンスケーリングにおいては出力値に含まれるランダムノイズや（稀に発生する）不安定動作を避けがたいことが判明した。しかしパラメータ設定を僅かに変えた多数のアンサンブルメンバーによるアンサンブル平均を用いることによってノイズや動作不安定による外れ値の影響を下げるあるいは無くすことが可能であることが判明した。このアンサンブル超解像ダウンスケーリングは高い精度を長期間連続して維持することができ、十分に物理モデルの代理を果たすことが可能である。この結果を取りまとめた論文は国際誌に投稿中である。機械学習を用いた気象場ダウンスケーリングの先行研究では気温や降水量を対象にすることがほとんどで、ベクトル量である風向風速（特にその瞬間値）を対象にしたものは極めて少ない。本研究で実施したようなメソデータ（各国の現業天気予報と同程度の水平解像度5km）からメソデータ（通常の現業天気予報を超える水平解像度1km）への広い領域でのダウンスケーリングについては先行研究が存在しない。

The research plan is scheduled for completion at the time of preparation of the research plan. In the first year, the wind speed field is generated by the horizontal resolution of 5 km to 1 km, and the wind speed field is generated by the super resolution of 1 km to 1 km. The study period is 8 years from 2010 to 2017, and the test period is 8 years from 2018 to 2019. GPU resources for mechanical learning and research costs were purchased for NVDIA A100. The reappearance of the phenomenon of the phenomenon of For example, if you want to change your mind, you can change your mind. The high accuracy of the resolution is maintained for a long time, and the high accuracy of the resolution is possible. The results of this paper are published in the International Journal. Mechanical learning is used in the study of temperature, precipitation, wind direction and wind speed (especially instantaneous values). This study was carried out in the field of weather forecasting (the horizontal resolution of the current weather forecast of each country is 5km) and in the field of weather forecasting (the horizontal resolution of the current weather forecast is 1km).

项目成果

深層畳み込みニューラルネットワークを用いた気象場の総観スケールからメソスケールへの統計的ダウンスケーリング

使用深度卷积神经网络将天气场从天气尺度统计降尺度到中尺度

• 发表时间: 2021
• 作者: Mitsuhide Sato;Natsuki Ogata;Shigenobu Takeda;関山剛
• 通讯作者: 関山剛

深層学習を使った気象シミュレーション代理モデルの可能性

使用深度学习的天气模拟代理模型的可能性

• 发表时间: 2021
• 作者: 増田 航;饗庭絵里子;北原 鉄朗;関山剛
• 通讯作者: 関山剛

放射性物質拡散予測モデルの不確実性の低減と活用

放射性物质扩散预测模型中不确定性的减少和利用

• DOI: 10.3327/jaesjb.63.4_318
• 发表时间: 2021
• 期刊: Journal of the Atomic Energy Society of Japan
• 作者: 近藤裕昭;岩崎俊樹;佐藤陽祐;関山剛;滝川雅之;新野宏;鶴田治雄;山澤弘実;塩谷雅人
• 通讯作者: 塩谷雅人

大気エアロゾルの確率予測、データ同化、そして深層学習

大气气溶胶概率预测、数据同化和深度学习

• 发表时间: 2021
• 作者: Takaaki Itai;Kazusa Tamura;Yoshio Takahashi;関山剛
• 通讯作者: 関山剛

アンサンブルカルマンフィルタにおける変数局所化を利用した気象場と大気濃度場の同時データ同化

使用集合卡尔曼滤波器中的变量定位对气象和大气浓度场进行同步数据同化

• 发表时间: 2022
• 期刊: 統計数理
• 作者: 関山剛;梶野瑞王
• 通讯作者: 梶野瑞王