Meteorological downscaling and atmospheric environment prediction using deep learning

点击翻译按钮获取中文摘要

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。