Development of a heavy rainfall prediction method combining numerical weather prediction models and deep learning methods

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．

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．