深層学習を用いた水文気象場のダウンスケーリング手法の開発

DOI

書誌事項

タイトル別名
  • Development of downscaling method for hydrometeorological field using deep learning

抄録

気候変動の影響を研究するために使われている全球気候モデル（General Circulation Model: GCM）は空間解像度が低いため，GCMの出力のダウンスケーリングが行われてきた．特に，領域気候モデル（Regional Climate Model: RCM）による力学的ダウンスケーリングは，物理的基礎があるため，温暖化時の予測に信頼がおける一方，計算コストが大きいという欠点があった．RCMの低コスト化を試みた既往研究はあるが、決定的な手法はまだ存在しない．本研究では，近年開発が進み，画像認識や音声認識で非常に高い精度を持つことが報告され，水文気象学を含む様々な分野での応用も始まっているニューラルネットワーク（Artificial Neural Network: ANN）の新しい技術である深層学習を用いた水文気象場のダウンスケーリング手法を開発することを目的とする．<br />本研究では，ある時刻tのGCMの気象場を入力に，同じ時刻tのRCMの気象場を予測させた．予測するRCMの気象場の変数は，6時間毎の地表面2m気温と降水とし，それぞれ別々のネットワークを学習させた．ネットワークの入力変数は，GCMの地表面2m気温または降水に加え，500hPaのジオポテンシャル高度，200hPaと850hPaの風速u,vの6変数を使用した．ネットワークは，入力層，2層の中間層および出力層からなる4層フィードフォワードネットワークとした．<br />データは，Suzuki-Parkerら（2014）による，20世紀20年分とRCP4.5における21世紀20年分のマルチGCM・マルチRCMアンサンブルシミュレーションから，GCMはMRI-CGCMを，RCMはRSMを用いた出力結果を使用し，20世紀のデータで自己符号化器を使った事前学習と学習を行い，21世紀のデータで評価を行った．<br />結果は，地表面2m気温と降水ともに，RCMの細かい空間変動やピーク値の大きさは表現できていないところもあるものの，おおまかな気象場は予測できていた．しかし，評価データで精度が落ちる場合があった．<br />本研究では，深層学習を用いた水文気象場のダウンスケーリングの枠組みを構築した．今後は，学習データに20世紀と21世紀の両方のデータを使用したり，ネットワークの改良を行ったりしてダウンスケーリングにおける深層学習の有効性の検証を続けていく予定である．

収録刊行物

キーワード

詳細情報 詳細情報について

  • CRID
    1390282680690272256
  • NII論文ID
    130006236414
  • DOI
    10.11520/jshwr.30.0_9
  • 本文言語コード
    ja
  • データソース種別
    • JaLC
    • CiNii Articles
  • 抄録ライセンスフラグ
    使用不可

問題の指摘

ページトップへ