金子 凌

近年，深層学習による短時間降水予測の研究が行われ始めたが，その予測精度の評価は対象降水・期間的に限定されており，また現業のモデルと比較したものも希である．本研究では，日本領域の降水を6時間先まで予測する既存手法を改良し，予測結果を網羅的に評価した．提案手法は50mmh^-1を超える降水と5mmh^-1を超える降水については，3時間先予測から現業の降水短時間予報よりも精度が良くなることが明らかとなり，降水短時間予報では考慮されていない何らかの物理現象を学習した可能性が示唆された．一方，弱い降水が継続する場合や冬季の降水等では予測性能が低下するが，夏季と共通する低気圧性の降水現象等では予測できる事例も存在し，モデルの改良やデータセットの検討の必要性が示唆された．

<jats:title>Abstract</jats:title><jats:p>Subseasonal to seasonal (S2s) precipitation forecasts provide great potential for hydrological forecasting at an extended range. The study proposed a support vector machine (SVM) regression‐based method to improve S2s precipitation forecasts from the European Center for Medium‐Range Weather Forecasts (ECMWF) across the globe (60°N to 60°S). Results suggested that the SVM‐based method significantly improved ECMWF daily precipitation forecasts in representing the spatiotemporal variation of precipitation with higher consistency and reduced errors when compared against observations. Furthermore, the SVM‐based method enhanced the probabilistic skill of ECMWF forecasts, providing improved ranked probability skill score (RPSS) for real‐time forecasts in 2020 (e.g., RPSS<jats:sub>ECMWF</jats:sub> = −0.03 and RPSS<jats:sub>rg3</jats:sub> = 0.08 for lead week 1). The most substantial improvement from the SVM‐based method is witnessed in regions with complex terrains where ECMWF yielded the worst skill, such as the Andes mountain range, Congo River Basin, and the Tibet Plateau. However, the SVM‐based post‐processing method did not alter the characteristics of precipitation forecasts regarding climate zone and lead time. Both ECMWF and post‐processed forecasts showed higher skill in the temperate and continental climate zones when the lead time is shorter than 2 weeks. In comparison, low‐latitude regions exhibited higher predictability when the lead time is longer than 5 weeks, which is attributed to the slow variation of boundary conditions such as the El Niño‐Southern Oscillation (ENSO).</jats:p>

Abstract Surrogate modeling is one of the most promising applications of deep learning techniques in meteorology. The purpose of this study was to downscale surface wind fields in a gridded format at a much lower computational load. We employed a super-resolution convolutional neural network (SRCNN) as a surrogate model and created a 20-member ensemble by training the same SRCNN model with different random seeds. The downscaling accuracy of the ensemble mean remained stable throughout a year and was consistently better than that of the input wind fields. It was confirmed that (1) the ensemble spread was efficiently created, and (2) the ensemble mean was superior to individual ensemble members and (3) robust to the presence of outlier members. Training, validation, and test data for 10 years were computed via our nested mesoscale weather forecast models not derived from public analysis datasets or real observations. The predictands were 1-km gridded surface zonal and meridional winds, of which the domain was defined as a 180 km × 180 km area around Tokyo, Japan. The predictors included 5-km gridded surface zonal and meridional winds, temperature, humidity, vertical gradient of the potential temperature, elevation, and land/water ratio as well as 1-km gridded elevation and land/water ratio. Although a perfect surrogate of the weather forecast model could not be achieved, the SRCNN downscaling accuracy could likely enable us to apply this approach in high-resolution advection simulations considering its overwhelmingly high prediction speed.

国際社会はパリ協定で気温上昇を産業革命前比2 ℃未満に抑えると合意し，近年は脱炭素をキーワードとした目標が次々発表されている．脱炭素の実現は京都議定書に基づいたこれまでの気候変動対策に比べ遥かに野心的で社会構造の大転換が求められるが，企業が組織する経済団体からも反発ではなく脱炭素に協働するという発表が相次いでいる．本研究は，気候科学の知見・各国の経済政策・企業と投資家の取り組み・NGO等の活動に着目してこれまでの動向を調査し，どうして世界は脱炭素に向けて動き始めたのか？という背景を俯瞰的視点から明らかにする．文献調査の結果，気候科学の発展が国際合意に影響したことに加えて，企業に気候リスク情報の開示を求めるTCFD といった新たな気候変動対策ツールの整備が脱炭素の動きを後押していることが確認できた．また，民間企業でも気候リスク低減と経済的利益がTCFD等を通して結びつき，「気候変動対策はもはや社会貢献ではなく自己の存続のために必要」という当事者意識のパラダイムシフトが起きていることが示唆された．これらの気候変動対策をサポートする社会情勢の変化を背景として，世界は脱炭素に向けて舵を切ったと考えられる．

気象シミュレーションの精度向上には建物屋根面アルベドデータが不可欠である．本研究では個々の建物屋根面アルベドデータを取得するため，5バンド測定可能なマルチスペクトルカメラをヘリコプターに搭載し，得られた空撮画像からアルベド推定を試みた．また，16バンドで測定されたWorldView-3画像からもアルベドを推定して比較するとともに，実際に5つの建物屋根面で直接測定したアルベドデータを用いて精度検証を行った．その結果，空撮画像から詳細な屋根面アルベド分布を取得することに成功したが，WorldView-3より小さくなる傾向が見られた．少ないバンド数や撮影時期が冬季であったために一部の建物屋根面により高層な建物の影が落ちたことがアルベド過小評価の要因の一つであることが確認された．

ヒートアイランド現象に対する対策の一つに屋根面アルベドを高める「クールルーフ」があげられ，多くの数値計算による効果検証が存在するが，現状のアルベドデータが存在しないため適切なベースラインが与えられているか懸念がある．本研究では，深層学習を用いて非商用衛星データから推定されたアルベドの高解像度化による屋根面アルベドの推定を試みた．Landsat-8，sentinel-2の衛星データを用いた結果，いずれも既存の画像補間手法より精度よく推定することができ，深層学習の有効性が示された．また，出力画像を用いて屋根面アルベドの推定を行った結果，Sentinel-2の衛星データを用いた場合，RMSE=0.0278と低い値となり，各都市の屋根面アルベドデータベース構築の可能性が示唆された．

クールルーフ導入による現実的な気温低減効果を検証するため，実都市の都市幾何パラメータを反映させたWRFモデルを使用して，反射率や普及率を段階的に変化させることで，従来よりも現実的な気象シミュレーションを行った．東京23区のみにクールルーフを導入した場合，反射率や導入率が高いほど夏季の気温低下量は増加し，その効果は導入範囲外にも及ぶことが確認できた．全屋根面を反射率85%とした場合，日平均気温は約0.32℃，日最高気温は約0.38℃低下した．また，クールルーフの導入面積と気温低減量との相関が確認できたことから，詳細な都市幾何パラメータを設定する重要性を示す結果となった．

豪雨の発生回数は増加しており，降水予測の精度向上は不可欠である．降水予測手法の一つとして深層学習を用いた手法が存在する．既往研究においてAMeDASデータのうち降水量，気温，水平風速，気圧，比湿を用いた降水予測を行った結果，深層学習の有効性が示された．一方で，予測に寄与したのは降水のみであった．そこで本研究では気象庁のMeso-Scale Modelを用いてAMeDASよりも空間解像度の高い5kmと10kmの仮想的な地点観測データを構築し，空間解像度を上げることで降水以外の気象要素は予測に寄与するのかの検討を行った．その結果，弱い降水に関しては降水以外の気象要素はノイズになった一方で強い降水に対しては，空間解像度を上げるほど，降水以外の気象要素が予測に寄与していることが示唆された．これは水平風速や気圧などから潜在的に上昇気流を学習したことによると考えられる．

多発する豪雨災害により，リアルタイム降水予測の重要性が高まっている．近年，深層学習を用いたシステムが，様々な分野で従来法の性能を覆している．そこで本研究では，前6時間の気象庁の解析雨量分布を入力すると，5段階の降水量カテゴリー分布を6時間先まで1時間間隔で予測するよう，深層学習モデルU-Netに学習させた．更に，降水量の多い事例は比較的少ないため，それらのデータを，回転，拡大することにより，移流方向や降水範囲の違う擬似的な降水現象を大量に生成することで，データ拡張を行った．その結果，擬似的な気象データを学習させたモデルは，学習させなかったモデルよりも，降水量の多い現象に対して精度良く予測できることが明らかとなった．

物理学に基づいた気象の1ヶ月予測は困難であるため，気象庁では数値予報ではなく，気温や降水量について，階級での確率予報を発表している．本研究では，機械学習を用いた平均気温・降水量の定量的な予測の可能性について検討する．モデルの中間層には時系列データの学習に適したLSTMと画像学習に適したCNNを用い，入力データとして地上気象観測データと海水面温度データを用いて予測を試みた．平均気温の予測は，上昇・下降傾向の予測はできたものの，夏・冬の気温を過小・過大評価する傾向も見られた．降水量の予測は，増減の傾向は概ね予測できているものの，突発的な降水量の増加を予測することに課題が残った．また，海水面温度データの学習が予測精度の悪化につながる可能性も示唆された．

In recent years, climate change has been responsible for many flood disasters. It is essential that protective measures should be developed against these. One of these measures is a flood forecasting system in which rising water-levels in rivers are predicted ahead of time. Although several researchers have applied artificial intelligence, and especially deep learning technology, to flood prediction, there is a lack of clarity regarding which deep learning approach is most effective in flood prediction. This study aimed to investigate the prediction of floods from water-level data by using a deep learning approach with data collected from the Kinu River. We adopted the LSTM (long short-term memory) algorithm, which is a type of recurrent neural network that readily reflects time-series data. In this study, we collected water-level data from five stations on the Kinu River, a branch of the Tone River, Japan. The results indicate that it is possible to utilize water-levels to predict flood events with a high level of accuracy.

降水量の定量的な予測は，治水，利水の観点から重要である．本研究では，ディープラーニングアーキテクチャの一つであるLSTM（Long short-term memory）を用いモデルを構築し，九州地方のAMeDAS観測点114点のデータを学習させ，各点の1時間後の降水量予測を行った．本モデルは，多くの点において，3つの精度指標（二乗平均平方根誤差，スレットスコア，降水の立ち上がり捕捉率）で，持続予報や気象庁MesoScale Modelを上回るか同程度の精度であった．この予測精度は明確な空間偏差があり，風上側に観測点が存在しない北西・西・南西の海岸付近で内陸部や東側よりも精度が低下した．また，学習に重要な気象因子が降水量のみだったことから，降水の移流パターンを学習し予測していることが示唆された．

The heavy rain that hit Western Japan in July 2018 triggered the worst rain-related disaster in the Heisei era, with the total of dead and missing persons exceeding 230, mainly in the Hiroshima and Okayama Prefectures. At several locations along Oda River (of the Takahashi river system) and its tributaries, dikes were breached due to large-scale flood, leaving 51 persons dead. This paper aims to shed light on the scale of inundation along Oda River and its tributaries and identify the characteristics of and critical factors for human damage. Field surveys were conducted to measure flood marks in flooded areas and river channels, and gauge the extent of damage to people and property. The surveys found that a large area was inundated on the north side of Oda River, with an inundation depth exceeding 5 m for 1 km in the south-north direction and 3.5 km in the east-west direction, which made vertical evacuation of residents difficult. The findings that about 80% of the dead were found on the first floor of their houses, with those who had lived in a one-story house and those who had lived in a two-story house accounting for 50% each of the deceased, indicate how difficult even vertical evacuation was. The findings appear to be related to the considerable inundation depth and high rate of water level increase, along with the fact that the majority of the deceased were elderly people.

本研究では，データ同化を含めた気象シミュレーションモデルWRFを使用し，2013年8月12日に高知県四万十市江川崎で観測された日本最高気温である41.0℃の猛暑を対象に再現計算と感度分析を行い，猛暑の形成要因を調査した．江川崎は集落の規模が小さいため，都市の人間活動による熱影響は気温上昇にほとんど影響せず，土壌水分の違いによる広域の熱影響の変化が気温に影響することが確認された．また，気温が上昇する際は北西風が卓越し，海風となる南寄りの風が流入すると気温が下降する．さらに上空の温位が低下することでも地表気温は低下することから，これも気温上昇に影響を与えるものと示唆された．

建物の幾何形状がメソ気象に及ぼす影響を明らかにするため，2次元海風計算を行った．建物GISデータから導出された1 km解像度の熱空気力学パラメータ（運動量粗度Z₀，ゼロ面変位Z_d，そして天空率SVF）を海風計算に組み込んだ．これらの都市幾何パラメータの与え方により，6ケースの計算を実施し，それぞれのケースでの海風到達時刻の違いを，都市の顕熱フラックス，乱流エネルギー，陸域の温位分布より考察した．Z₀やSVFの気象場への影響は大きく，実際の都市幾何パラメータ分布を与えたケースとその平均値を領域に一様に与えた計算ケースでは海風動態は大きく異なった．一方，Z_dの影響は殆ど見られなかった．