シミュレーション・観測データ融合学習による極端現象発生予測の高度化

シミュレーションデータと観測データ間のスタイル変換を行うために必要となる機械学習用データの作成、および両データにおける特徴的パターンの分析を行った。前者においては、30年分のシミュレーションデータ（水平解像度14kmの全球非静力学モデルNICAM）に対して熱帯低気圧のトラッキングアルゴリズムを適用し、熱帯低気圧の中心を含む1000km四方の矩形領域のデータ（外向き長波放射量、東西風、南北風、温度、海面校正気圧等）の切り出しを行った。また、衛星観測データ（水平解像度7kmのGridSat）に対しては、熱帯低気圧のベストトラックデータを用い、同じく熱帯低気圧を中心に含む1000km四方の矩形領域のデータ（赤外）を切り出した。さらに、各パッチデータに対して、台風発生からの経過時間、中心最大気圧および最大風速等の値をラベル付けし、データリポジトリより公開を行った。後者については、畳み込みニューラルネットワークを用いた教師なし学習の一種である畳み込みオートエンコーダを用いることで、シミュレーションデータおよび観測データそれぞれに含まれる空間的特徴パターンの抽出を試みた。特に、入力および出力の真値として同一の雲画像（外向き長波放射量または赤外）を与え、エンコードすることで圧縮された情報を用いて、デコードを用いた復元を行った。このとき、畳み込みフィルタの出力を可視化することにより、シミュレーションおよび観測データそれぞれにおいて、熱帯低気圧の雲を構成するエッジや濃淡等の低次特徴のパターンの把握を行った。

シミュレーションデータと観測データ間のスタイル変換を行うために必要となる機械学習用データの作成、および両データにおける特徴的パターンの分析を行った。前者においては、30年分のシミュレーションデータ（水平解像度14kmの全球非静力学モデルNICAM）に対して熱帯低気圧のトラッキングアルゴリズムを適用し、熱帯低気圧の中心を含む1000km四方の矩形領域のデータ（外向き長波放射量、東西風、南北風、温度、海面校正気圧等）の切り出しを行った。また、衛星観測データ（水平解像度7kmのGridSat）に対しては、熱帯低気圧のベストトラックデータを用い、同じく熱帯低気圧を中心に含む1000km四方の矩形領域のデータ（赤外）を切り出した。さらに、各パッチデータに対して、台風発生からの経過時間、中心最大気圧および最大風速等の値をラベル付けし、データリポジトリより公開を行った。後者については、畳み込みニューラルネットワークを用いた教師なし学習の一種である畳み込みオートエンコーダを用いることで、シミュレーションデータおよび観測データそれぞれに含まれる空間的特徴パターンの抽出を試みた。特に、入力および出力の真値として同一の雲画像（外向き長波放射量または赤外）を与え、エンコードすることで圧縮された情報を用いて、デコードを用いた復元を行った。このとき、畳み込みフィルタの出力を可視化することにより、シミュレーションおよび観測データそれぞれにおいて、熱帯低気圧の雲を構成するエッジや濃淡等の低次特徴のパターンの把握を行った。