CN116324523A - 湍流预测系统以及湍流预测方法 - Google Patents

湍流预测系统以及湍流预测方法 Download PDF

Info

Publication number
CN116324523A
CN116324523A CN202080104290.8A CN202080104290A CN116324523A CN 116324523 A CN116324523 A CN 116324523A CN 202080104290 A CN202080104290 A CN 202080104290A CN 116324523 A CN116324523 A CN 116324523A
Authority
CN
China
Prior art keywords
data
weather
turbulence
determination
prediction mode
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202080104290.8A
Other languages
English (en)
Inventor
松本纹子
宫本佳明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Keio School
ANA Holdings Inc
Original Assignee
Keio School
All Nippon Airways Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Keio School, All Nippon Airways Co Ltd filed Critical Keio School
Publication of CN116324523A publication Critical patent/CN116324523A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W2001/003—Clear air turbulence detection or forecasting, e.g. for aircrafts
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

涉及预测在判定时点的预测区域内的发生湍流的可能性高的地点的湍流预测系统以及湍流预测方法，在湍流预测系统或者湍流预测方法中，基于过去湍流发生的地点的与任意气象参数有关的气象数据，制作与任意气象参数有关的多个湍流预测模式数据，对于判定时点的预测区域，基于与任意气象参数有关的气象数据制作判定用气象数据，进行判定用气象数据与多个湍流预测模式数据中的每一个的相似度高的部分的计算，并将该相似度高的地方判定为预测区域内的发生湍流的可能性高的地点。

Description

湍流预测系统以及湍流预测方法
技术领域
本发明涉及湍流预测系统以及湍流预测方法，尤其涉及用于航空器的航行的湍流预测系统以及湍流预测方法。
背景技术
在飞行开始后发现预定航线上存在湍流时，需要在到其所在地之前在航行中进行判断，并变更为避开湍流的航线，但存在着在飞行开始后的航线变更中无法选择最佳航线这一问题。因此，期望能够在短时间内以小的计算负荷且高的准确率预测航线上的湍流的发生。
现有技术文献
专利文献
专利文献1：日本特开2003-67900号公报
专利文献2：日本特开2009-192262号公报
发明内容
发明所要解决的问题
由于湍流的发生与地形条件和空气的流体条件复杂地牵连，因此发生机制复杂，根据关于与湍流的发生有关的流体的物理行为的数学模型求取精确解从而预测湍流的发生的方法是有限度的。因此，例如在如专利文献1和专利文献2所公开的预测湍流的现有方法及系统中，基于关于与湍流的发生有关的流体的物理行为的模型，选定被认为对湍流的发生有贡献的参数或指数作为湍流的简易模型，并通过计算该参数或指数，找寻湍流。
在专利文献1和专利文献2公开的方法中，为了进行预测而计算的参数或指数是基于关于与湍流的发生有关的流体的物理行为的数学模型而决定的。即，专利文献1和专利文献2公开的方法采用了根据关于与湍流的发生有关的流体的物理行为的数学模型求解的过程。一般而言，若要根据关于与湍流的发生有关的流体的行为的数学模型精密地计算精确解，则运算负荷大，是不现实的，因此，使用将与流体的行为有关的数学模型简化后的简易模型。专利文献1和专利文献2是打算用该方法预测湍流的发生的技术。将精确解作为简易模型的方法会影响湍流发生预测的准确性，而另一方面在用接近于精确解的模型进行解析的方法中依然会产生计算负荷增大的问题。于是，期望有基于新的想法来预测湍流的发生的系统。
用于解决问题的技术方案
解决上述问题的本发明的一个技术方案是一种湍流预测系统，其具备运算部以及存储有与任意气象参数有关的多个湍流预测模式(pattern)数据的存储部，是预测在判定时点(时间点)的预测区域内的发生湍流的可能性高的地点的湍流预测系统，与所述任意气象参数有关的所述多个湍流预测模式数据分别是基于过去湍流发生的地点的与所述任意气象参数有关的气象数据所制作出的数据，所述运算部对于所述判定时点的所述预测区域，基于与所述任意气象参数有关的气象数据制作判定用气象数据，所述运算部进行所述判定用气象数据与所述多个湍流预测模式数据中的每一个的相似度高的部分的计算，并将该相似度高的地方判定为所述预测区域内的发生湍流的可能性高的地点。
本发明的另一技术方案是一种湍流预测方法，是通过具备运算部和存储部的湍流预测系统计算预测区域内的发生湍流的可能性程度的湍流预测方法，所述湍流预测方法包括学习过程(process)和判定过程，所述学习过程包括：由所述运算部基于过去湍流发生的地点的与任意气象参数有关的气象数据制作多个湍流预测模式数据并存储于所述存储部的工序，所述判定过程包括：由所述运算部对于所述预测区域基于与所述任意气象参数有关的气象数据制作判定用气象数据的工序；和由所述运算部进行所述判定用气象数据与所述多个湍流预测模式数据中的每一个的相似度的计算，并将该相似度高的地方判定为所述预测区域的任意地域(地区)内的发生湍流的可能性程度高的地方的工序。
发明效果
根据本发明的湍流预测系统以及湍流预测方法，能够在不基于关于与湍流的发生有关的流体的物理行为的数学模型的情况下，基于发生了湍流的事实的数据，以低的计算负荷且高的准确率预测湍流的发生。
附图说明
图1A表示本申请发明的第1湍流预测模式原理。
图1B表示本申请发明的第2湍流预测模式原理。
图1C表示本申请发明的第3湍流预测模式原理。
图1D表示本申请发明的第4湍流预测模式原理。
图1E表示本申请发明的第5湍流预测模式原理。
图2A是示出作为本申请发明的实施方式的湍流预测系统的一个代表性构成的图。
图2B是示出作为本申请发明的实施方式的湍流预测系统的湍流预测装置的代表性构成的图。
图2C是示出作为本申请发明的实施方式的湍流预测系统的另一代表性构成的图。
图2D是示出本申请发明的湍流预测系统所使用的数据的形态的图。
图3是示意性示出作为本申请发明的实施方式的湍流预测系统1的学习过程和判定过程的图。
图4A是示出本申请发明的湍流预测系统的实施例1即、使用一个气象参数的例子中的学习过程的流程图的图。
图4B是示意性示出在本申请发明的湍流预测系统的实施例1的学习过程中制作气象参数离散数据的过程的图。
图4C是示意性示出在本申请发明的湍流预测系统的实施例1的学习过程中制作湍流数据的过程的图。
图4D是示意性示出在本申请发明的湍流预测系统的实施例1的学习过程中制作湍流预测模式数据的过程的图。
图4E是示出本申请发明的湍流预测系统的实施例1即、使用一个气象参数的例子中的判定过程的流程图的图。
图5A是示出本申请发明的湍流预测系统的实施例2即、使用多个气象参数的例子中的学习过程的流程图的图。
图5B是示出本申请发明的湍流预测系统的实施例2即、使用多个气象参数的例子中的判定过程的流程图的图。
图5C是示意性示出在本申请发明的湍流预测系统的实施例2的学习过程中制作一个湍流预测模式数据的过程的图。
图5D是示意性示出在本申请发明的湍流预测系统的实施例2的判定过程中制作一个组合判定用气象数据的过程的图。
图6A是示出本申请发明的湍流预测系统的实施例3即、基于多个连续离散时间的气象数据制作湍流预测模式数据的例子中的学习过程的流程图的图。
图6B是示出本申请发明的湍流预测系统的实施例3即、基于多个连续离散时间的气象数据制作判定用气象数据的例子中的判定过程的流程图的图。
图6C是示意性示出在本申请发明的湍流预测系统的实施例3的学习过程中制作一个湍流预测模式数据的过程的图。
图6D是示意性示出在本申请发明的湍流预测系统的实施例3的判定过程中制作一个组合判定用气象数据的过程的图。
具体实施方式
(湍流预测的原理)
首先，参照图1A至图1E，对本发明的湍流预测系统以及湍流预测方法中的湍流预测的原理进行说明。图1A至图1E是示出湍流预测原理的各模式的图，图1A至图1E分别表示第1湍流预测模式原理至第5湍流预测模式原理。
本发明的湍流预测系统以及湍流预测方法是预测在判定时点的预测区域内的发生湍流的可能性高的地点的系统及方法。本发明的湍流预测的特征在于，对第1湍流预测模式原理至第5湍流预测模式原理(图1A至图1E)共通地，在过去时点和之后的判断时点制作数据，并通过比较这些数据来预测湍流。
过去时点(P0、P-1、P-2…)是在将作为发生了湍流的过去的事实的数据存储为教师(监督)数据的学习过程中定义的时间。所谓过去时点，是在判定时点之前的时点，是明确发生了湍流这一情况的时点的意思。使用该教师数据进行湍流的预测的时点是判断时点。在第1湍流预测模式原理、第2湍流预测模式原理以及第4湍流预测模式原理中，由于使用气象预报，因此判断时点是作为希望进行湍流预测判断的时点的判断时点即将来(F0、F-1、F-2…)的时点，而在第3湍流预测模式原理以及第5湍流预测模式原理中，判断时点成为当前(C0、C-1、C-2…)的时点。所谓当前时点，并非现实中的时间时刻流逝的当前的意思，而是希望进行湍流的预测的判断时点的意思。在第3湍流预测模式原理以及第5湍流预测模式原理中，不使用气象预报，而使用临近判断时点的气象的变化趋势。
预测区域是希望预测湍流的发生的任意地域，是可以作为能够取得关于任意气象参数的气象数据和在该同一时点的湍流有无发生的数据的任意地域来选择的日本列岛等地域。任意气象参数是指可能对湍流产生影响的气象因子，作为代表性例子，例如为风速、风切变等。
本发明的湍流预测进行判定用气象数据与作为教师数据的多个湍流预测模式数据中的每一个的相似度高的部分的计算，并将该相似度高的部分的地域判定为预测区域内的发生湍流的可能性高的地域。作为教师数据的多个湍流预测模式数据分别在学习过程中预先制作。判定用气象数据在判定过程中在某个判定时点制作。以此为原则，在判定用气象数据和多个湍流预测模式数据的制作中有各种变化(variation)。另外，在相似度高的部分的计算中也有各种变化。这些变化是第1湍流预测模式原理至第5湍流预测模式原理。
(第1湍流预测模式原理)
参照图1A，概述第1湍流预测模式原理。第1湍流预测模式原理是基本的湍流预测模式。在第1湍流预测模式原理中，多个湍流预测模式数据111是与任意气象参数有关的在学习过程中基于过去时点(P0、P-1、P-2…)的湍流发生的地点的与所述任意气象参数有关的气象数据预先制作的数据。任意气象参数是一个或多个气象参数。在过去湍流发生的时点和地点达到了很多，因此多个湍流预测模式数据111的数量当然会变多。多个湍流预测模式数据111存储于存储装置22并逐次更新。在判定过程中，对于判定时点的预测区域的整个区域，基于与任意气象参数有关的气象数据制作判定用气象数据121。将判定时点设为将来(F0、F-1、F-2…)的时点，其气象数据为气象预报数据。判定用气象数据与作为教师数据的多个湍流预测模式数据的任意气象参数是共通(共同)的。希望进行湍流预测的预测区域一般是相当广阔的范围，因此，进行分割而作为多个数据存储于存储装置22。
在判定过程中，将存储于存储装置22的判定用气象数据O与存储于存储装置22的多个湍流预测模式数据111的各个湍流预测模式数据N进行对比来判定相似度。相似度的判定例如能够将判定用气象数据O和多个湍流预测模式数据111的各个湍流预测模式数据N分别作为图像数据，并通过各个图像数据的对比来执行。而且，相似度能够设为是否存在共通的特征部。特征部能够使用各种方法计算。例如能够提取图像的特征量，并根据其出现的趋势计算相似度。在第1湍流预测模式原理至第3湍流预测模式原理中，也能够使用卷积神经网络(以下，CNN)。在CNN中，无需识别提取图像的特征量的过程，就能够算出是否存在共通的特征部。
多个湍流预测模式数据111分别是在某个地域现实地发生了湍流的气象参数的数据，但没有地域从属属性，对于所有判定用气象数据O，判定是否与多个湍流预测模式数据111的各个湍流预测模式数据N存在共通的特征部。在判定用气象数据O中，与多个湍流预测模式数据111中的任一湍流预测模式数据N存在共通的特征部的地方所对应的地域意味着基于气象预报的判定用气象数据O中存在过去湍流发生的特征，因此将该地方所对应的地域判定为在预测区域内发生湍流的可能性高的地点。
(第2湍流预测模式原理)
参照图1B，概述第2湍流预测模式原理。第2湍流预测模式原理是将第1湍流预测模式原理中的在制作多个湍流预测模式数据111和判定用气象数据121时的任意气象参数设为多个气象参数的原理。除此之外，与第1湍流预测模式原理是同样的。例如，作为多个气象参数，选择东西方向的风速、南北方向的风速、东西方向的风切变、南北方向的风切变这4个。而且，对于该多个气象参数中的每一个，与第1湍流预测模式原理同样地制作多个湍流预测模式数据111。例如，在选择了4种气象参数的情况下，制作4种多个湍流预测模式数据111。判定用气象数据121也同样地针对与多个湍流预测模式数据111相同的多个气象参数中的每一个来制作。而且，按每个对应的气象参数，与第1湍流预测模式原理同样地，在判定过程中，将存储于存储装置22的判定用气象数据O与存储于存储装置22的多个湍流预测模式数据111的各个湍流预测模式数据N进行对比来判定相似度，判定在预测区域内发生湍流的可能性高的地点。
在相似度计算中，也能够按每个对应的气象参数，与第1湍流预测模式原理同样地进行。然而，在相似度计算中，进行对比的数据的信息量越多，越能够突显共通的特征部，能够使相似度计算变得容易。因此，也能够进一步如下这样来计算相似度。将多个湍流预测模式数据111中的、关于多个气象参数中的各气象参数的多个湍流预测模式数据N以关于多个气象参数中的各气象参数的预定配置排列而作为一个组合湍流预测模式数据N’。另一方面，将关于多个气象参数中的各气象参数的判定用气象数据O以与制作一个组合湍流预测模式数据N’时的配置相同的预定配置排列而作为一个组合判定用气象数据O’。而且，也能够将一个组合湍流预测模式数据N’与一个组合判定用气象数据O’进行对比，计算相似度。通过将关于多个气象参数中的各气象参数的数据设为组合的数据，能够使一枚图像数据内的像素数增加，能够增加图像数据的信息量。
(第3湍流预测模式原理)
参照图1C，概述第3湍流预测模式原理。第3湍流预测模式原理与在制作判定用气象数据时使用气象预报的第1湍流预测模式原理以及第2湍流预测模式原理不同，是不使用气象预报的方法。首先，选择一个气象参数作为任意气象参数。然后，在制作判定用气象数据121时，不是根据如气象预报那样将来的时点的气象数据，而是根据在作为判定时点的当前的预定时间间隔的预定数量个时点(C0、C-1、C-2、C-3)的每个时点的气象数据来制作。即，在判定过程中，判定用气象数据121针对任意的一个气象参数，用预定时间间隔的预定数量个时点的气象数据制作，使它们构成一个组。在预测区域的整个区域内制作该数据并存储于存储装置22。另一方面，在学习过程中，预先制作多个湍流预测模式数据111以使其成为在某个地域现实地发生了湍流的气象参数的气象数据、即由发生了湍流的过去的一个时点(P0)的气象数据和从该时点起按预定时间间隔向过去追溯的时点(P-1、P-2、P-3)的气象参数的气象数据所构成的一个组，并存储于存储装置22。在分割区域的所有区域内制作该数据。制作湍流预测模式数据111时选择的具有预定时间间隔的预定数量个过去的时点(P0、P-1、P-2、P-3…P-i)、与制作判定用气象数据121时选择的具有预定时间间隔的预定数量个当前的时点(C0、C-1、C-2、C-3…C-i)被选择为具有相同时间间隔的相同个数的时点。在图1C的例子中，表示了i＝3，全部为4个时点的例子。
在相似度计算中，以与第2湍流预测模式原理相同的方式，按每个多个湍流预测模式数据111的组，将构成各个组的湍流预测模式数据N的各时点以预定配置排列而作为一个组合湍流预测模式数据N’，同样地，将构成判定用气象数据121的判定用气象数据O的各时点以预定配置排列而作为一个组合判定用气象数据O’。而且，将一个组合湍流预测模式数据N’与一个组合判定用气象数据O’进行对比，计算相似度。第1湍流预测模式原理以及第2湍流预测模式原理的相似度计算是基于通过基于气象预报的一个时点的气象数据的对比来判定是否存在特征部的计算，而在第3湍流预测模式原理的相似度计算中，通过具有预定时间间隔的预定数量个时点的气象数据的对比，在向湍流发生的经时变化中，判定一个组合判定用气象数据O’是否具有与一个组合湍流预测模式数据N’共通的特征部。即，在第3湍流预测模式原理的相似度计算中，由于在一个组合湍流预测模式数据N’与一个组合判定用气象数据O’的静态图像的对比中，组合图像中具有静态图像的特征和判定时在附近的经时变化的动态图像的共通特征，因此即使是静态图像的对比，也能够判断是否存在湍流发生的过程的特征部。在一个组合判定用气象数据O’存在与一个组合湍流预测模式数据N’共通的湍流发生的过程的特征部的情况下，将该地方判定为在预测区域内发生湍流的可能性高的地点。
(第4湍流预测模式原理)
参照图1D，概述第4湍流预测模式原理。在前述的第2湍流预测模式原理中，在相似度计算中，通过增加气象参数的数量而设为多个气象参数从而增大了进行对比的图像数据的信息量。然而，在第2湍流预测模式原理中，没有如第3湍流预测模式原理那样的经时变化的要素的对比。于是，第4湍流预测模式原理是对前述的第2湍流预测模式原理加入了按时间顺序的要素的方法。第4湍流预测模式原理与第2湍流预测模式原理同样地选择多个气象参数作为气象参数。首先，与第2湍流预测模式原理同样地，针对多个气象参数，在学习过程中制作多个湍流预测模式数据111。在判定过程中，判定用气象数据121也同样地针对与多个湍流预测模式数据111相同的多个气象参数中的每一个来制作。在第4湍流预测模式原理中，在学习过程和判定过程的各过程中，进而如第2湍流预测模式原理那样，将多个湍流预测模式数据111中的、关于多个气象参数中的各气象参数的多个湍流预测模式数据N以关于多个气象参数中的各气象参数的预定配置排列而作为一个组合湍流预测模式数据N’，将关于多个气象参数中的各气象参数的判定用气象数据O以与制作一个组合湍流预测模式数据N’时的配置相同的预定配置排列而作为一个组合判定用气象数据O’。
另外，进而在学习过程中，从制作了湍流预测模式数据111的时点起追溯，在具有预定时间间隔的预定数量个过去的时点(P0、P-1、P-2、P-3…)也同样进行该处理，制作具有预定时间间隔的预定数量个过去的时点(P0、P-1、P-2、P-3…)的一个组合湍流预测模式数据N’。在判定过程中，在与在制作了湍流预测模式数据111的时点选择的具有预定时间间隔的预定数量相同的具有时间间隔的相同的个数的当前的时点(C0、C-1、C-2、C-3…)，制作一个组合判定用气象数据O’。在学习过程和判定过程的各过程中，仅对发生了湍流的事例制作一个组合湍流预测模式数据N’，在分割区域的整个区域制作一个组合判定用气象数据O’，并分别存储于存储装置22。
相似度计算通过对比一个组合判定用气象数据O’的各当前时点(C0、C-1、C-2、C-3…)的数据与一个组合湍流预测模式数据N’的各过去时点(P0、P-1、P-2、P-3…)的数据来进行。此时，在相似度计算中，以如下方式执行：除了基于各个数据的各时点的静态图像的对比来发现是否存在共通的特征部之外，还基于一个组合判定用气象数据O’的各时点(C0、C-1、C-2、C-3…)的经时变化与一个组合湍流预测模式数据N’的各过去时点(P0、P-1、P-2、P-3…)的经时变化的对比来发现是否存在共通的特征部。相似度计算例如能够应用递归神经网络(RNN)等。
(第5湍流预测模式原理)
参照图1E，概述第5湍流预测模式原理。第5湍流预测模式原理是与前述第4湍流预测模式原理同样地在相似度计算中利用经时变化的对比的方法。另外，湍流预测模式数据111和判定用气象数据121以与第3湍流预测模式原理同样的方式制作。即，在学习过程中，预先制作多个湍流预测模式数据111以使其成为在某个地域现实地发生了湍流的气象参数的气象数据、即由发生了湍流的过去的一个时点(P0)的气象数据和从该时点起按预定时间间隔向过去追溯的时点(P-1、P-2、P-3…P-i)的气象参数的气象数据所构成的一个组，并存储于存储装置22。在分割区域的所有区域内制作该数据。判定用气象数据121根据在作为判定时点的当前的预定时间间隔的预定数量个时点(C0、C-1、C-2、C-3)的各时点的气象数据来制作，使它们构成一个组。在预测区域的整个区域内制作该数据并存储于存储装置22。在图1E的例子中，表示了i＝3，全部为4个时点的例子。在第3湍流预测模式原理中，将根据具有预定时间间隔的预定数量个过去时点(P0、P-1、P-2、P-3)的气象数据制作出的湍流预测模式数据N组合而制作了一个组合湍流预测模式数据N’，但在第5湍流预测模式原理中不组合湍流预测模式数据N。也不组合根据预定时间间隔的预定数量个时点(C0、C-1、C-2、C-3)的个时点的气象数据制作出的判定用气象数据O。相似度判定与第4湍流预测模式原理同样地通过对比判定用气象数据O的各当前时点(C0、C-1、C-2、C-3…)的数据与湍流预测模式数据N的各过去时点(P0、P-1、P-2、P-3…)的数据来进行。此时，在相似度计算中，以如下方式执行：除了基于各个数据的各时点的静态图像的对比来发现是否存在共通的特征部之外，还通过判定用气象数据O的各时点(C0、C-1、C-2、C-3…)的经时变化与湍流预测模式数据N的各过去时点(P0、P-1、P-2、P-3…)的经时变化的对比，发现是否存在共通的特征部。与第4实施方式同样地，相似度计算例如能够应用递归神经网络(RNN)等。
(湍流预测系统的构成)
上述的第1湍流预测模式原理至第5湍流预测模式原理能够在以下的实施方式中实现。以下，对本发明的实施方式进行详细说明。对于本发明的实施方式，参照图2A至图2D，首先对湍流预测系统1的整体构成进行说明。图2A是示出湍流预测系统1的代表性构成的图。图2B是示出湍流预测装置2的代表性构成的图。图2C表示了将湍流预测系统1构成为云计算系统的代表性的例子。图2D表示了湍流预测系统1中的预测湍流的数据分割的方式。湍流预测系统1具备进行运算处理的运算部及存储部作为本质结构。例如，湍流预测系统1能够构成为具备一个以上的湍流预测装置2，湍流预测装置2具备中央处理装置21作为运算部和存储装置22作为存储部。
湍流预测系统1也能够根据需要进一步具备终端3、收发装置4、航空器5以及网络6。湍流预测装置2的作为运算部的中央处理装置21进行运算处理及其他指令，作为存储部的存储装置22存储进行湍流预测所需的数据。湍流预测装置2能够构成为具备显示器或者打印机等输出装置23以及通信装置24。通信装置24与天线等收发装置4和网络6连接。也能够将终端3作为湍流预测装置2的一部分构成，还能够将终端3和收发装置4作为湍流预测装置2的一部分构成。湍流预测装置2由终端3控制。也可以将湍流预测装置2构成为个人计算机，另一方面，也可以将湍流预测装置2作为主机，设为使其与作为客户端的终端3连接的构成。湍流预测装置2的输出装置23能够构成为终端3。湍流预测装置2的存储装置22、输出装置23、通信装置24能够作为内部设备或作为外部设备而以任一形式构成。湍流预测装置2的输出是后述的由湍流预测装置2的中央处理装置21计算的湍流发生概率。
湍流预测系统1的湍流预测装置2也可以设为具备湍流预测装置2a、2b作为多个湍流预测装置的构成。湍流预测装置2a、2b各自为湍流预测装置2，其构成如上所述。将湍流预测装置2a、2b作为主机，并对其连接有终端3a、3b。湍流预测装置2a、2b也可以连接于网络6。终端3c作为客户端而与网络6连接，并经由网络6与主机的湍流预测装置2a、2b中的任一方连接。然而，终端3c也能够并非作为湍流预测装置2a、2b的客户端，而是使其构成为湍流预测装置2c。湍流预测装置2a、2b各自能够与收发装置4a、4b连接。航空器5能够与收发装置4a、4b进行通信。例如，湍流预测装置2a的输出本就能够使作为湍流预测装置2a附近的输出装置23的终端3a输出，当然也能够使远程地的终端3c、或者经由收发装置4a而在航空器5中输出。
湍流预测系统1也能够构成为云计算系统。在该情况下，如图2C所示，只要不是存储部和运算部装配于一个湍流预测装置2的形式，而是构成为在云7中定义了存储部和运算部，则能够采用任何形式。即，不需要在湍流预测装置2内部构成作为运算部的中央处理装置21(运算装置)和作为存储部的存储装置22。典型地，湍流预测系统1例如是与经由网络分别连接有运算部和存储部的云7连接的云计算系统。另外，湍流预测系统1典型地具备与云7连接的终端3，湍流预测系统1的输出被发送到终端3。在云计算系统的情况下，也能够构成为，能够与航空器5进行通信的收发装置4与云7连接，能够向航空器5提供湍流预测系统1的输出。
(预测区域、广域地域以及分割区划)
在此，参照图2D，对在湍流预测系统1中将预测湍流的发生的预测地域内的气象数据数字化时的预测区域X、广域地域Y以及分割区划Z的概念进行说明。湍流预测系统1是预测如图2D所示在预测区域X中的湍流的装置。预测区域X能够选择为能够取得如后所述的关于例如风速等任意气象参数的气象数据、和在该同一时点的有无发生湍流的数据的任意地域。只要能够取得关于任意气象参数的气象数据、和在该同一时点的有无发生湍流的数据，就能够自由选择世界上的任意地域作为预测区域X。例如，在图2D中将日本列岛附近假设为预测区域X。在湍流预测系统1中，将预测区域X等分为多个广域地域Y。一个广域地域Y能够以成为适合对预测区域X进行数据分析的期望的任意大小的方式等分。例如，能够将广域地域Y划定为边长为320千米的正方形。但是，该大小不受约束，能够自由选定。而且，进而将多个广域地域Y中的每一个等分为多个分割区划Z。一个分割区划Z的大小能够以成为适合对广域地域Y进行数据分析的期望的任意大小的方式等分。当使用在前述湍流预测模式原理中叙述的图像数据进行相似判定时，在将预测区域X或者多个广域地域Y捕捉为图像时，分割区划Z与该图像中的一个像素相符。即，分配给一个分割区划Z的值与作为构成预测区域X或者多个广域地域Y的像素的分割区划的值相符。例如，能够将广域地域Y设为边长为5千米的正方形，以使一边分割为64份的方式等分。但是，该大小不受约束，能够自由选定。优选以使得容易将气象数据分别数值化并分配的方式选定分割区划的个数以及各个分割区划的位置。换言之，预测区域X的整个区域将会被分割为由多个分割区划Z构成。而且，能够在预测区域X的范围内自由选择如广域地域Y所具有的分割区划Z具有与广域地域Y的大小相同大小的区域的对比区域Y’。因此，能够将广域地域Y与对比区域Y’进行对比。此时，广域地域Y与对比区域Y’的对比意味着在各自具有的分割区划Z彼此间进行对比。广域地域Y是为了将对比区域Y’与预测区域X的整个区域无遗漏地进行对比而权宜性地划定的区域，其本质在于，将构成对比区域Y’的分割区划Z与构成预测区域X的所有分割区划Z进行对比。对多个分割区划Z分配将任意气象参数(例如风速等)离散化而数值化得到的数据。以下，在气象参数离散数据、湍流数据、湍流预测模式数据、判定用气象数据中，将该预测区域X、分割预测区域X得到的多个广域地域Y、广域地域Y、对比区域Y’、和分割出的分割区划Z用作被划定出的数据区域的概念。如后所述，在湍流预测系统1中，存在制作教师数据的学习过程和用于预测湍流的发生的判定过程，但在学习过程和判定过程中，分割区划Z必须是共通的。在学习过程和判定过程中，广域地域Y和对比区域Y’需要被选择为具有共通的预定大小，各自需要被设定为具有按共通规则分割的分割区划Z。
(湍流预测系统所使用的数据的时间)
接下来，参照图3，对在湍流预测系统1中预测湍流的发生的功能和方法进行说明。图3是示出预测湍流的发生的概念的图。首先，参照图3，对湍流预测系统1中的预测湍流的发生所使用的时间的概念进行说明。将当前时刻表示为C0，将比C0晚的任意的将来时间表示为F0，将比C0早的任意的过去时间表示为P0。另外，P-1表示比P0早预定时间单位的过去的连续的时点。P-2…P-(n-1)、P-n表示被选定为各个时间间隔成为与P0和P-1之间的时间间隔相同的一律的预定时间单位的比P-1早的过去的离散时间。预定时间例如能够任意决定为10分钟、30分钟、1小时等、作为湍流发生预测而有效的时间间隔。预定数量n个连续的时点意味着任意时点的气象数据(以下，“t＝0时”)、与任意时点相比(预定时间单位×1)之前的气象数据(以下，“t＝-1时”)、与任意时点相比(预定时间单位×2)之前的气象数据(以下，“t＝-2”时)、与任意时点相比(预定时间单位×3)之前的气象数据(以下，“t＝-3”时)、……与任意时点相比(预定时间单位×n)之前的气象数据(以下，“t＝-n”时)的各时点。例如，如果将预定时间的时间单位决定为1小时，则意味着任意时刻(t＝0时)、1小时前(t＝-1时)、2小时前(t＝-2时)、3小时前(t＝-3时)的离散时间。另外，如果将预定数量个时点设为4个时点，则如当前时点(C0、C-1、C-2、C-3)和过去时点(P0、P-1、P-2、P-3)这样选择。预定时间间隔既可以与所获得的气象数据的采样时间相同，也可以为比所获得的气象数据的采样时间长的时间。同样地，C-1也表示比C0早预定时间单位的过去的离散时间。该预定时间单位按与P-1和P0之间的时间间隔相同的预定时间单位来选择。C-2…C-(n-1)、C-n表示被选定为各个时间间隔成为与C0和C-1之间的时间间隔相同的预定时间单位的比C-1早的过去的时间。
(湍流预测过程)
接下来，参照图3，对湍流预测系统1中的湍流预测的过程的概念进行说明。如上所述，湍流预测系统1具备运算部和存储部。运算部执行学习过程11中的处理和判定过程12中的处理。在存储部中存储有由多个湍流预测模式数据N形成的湍流预测模式数据组111。湍流预测模式数据N是在学习过程11中制作的教师数据，在判定过程12中用于判断湍流的发生。湍流预测模式数据N与前述的对比区域Y’相符。
(学习过程)
首先，在学习过程11中，对湍流预测模式数据组111和运算部进行的该数据组的制作过程的处理进行说明。有别于湍流发生的判断，作为湍流发生判断的准备，使用过去任意时间的数据而预先制作构成湍流预测模式数据组111的湍流预测模式数据N。经由气象参数离散数据组112的气象参数离散数据L的计算，如下这样制作湍流预测模式数据组111的各湍流预测模式数据N。首先，选定任意气象参数的数据来制作湍流预测模式数据组111和气象参数离散数据组112。所谓任意气象参数，例如是风速、风切变(Wind Shear)、气温、气温梯度、空气密度、空气密度梯度、由红外线放射亮度温度、可视图像、水蒸气图像等掌握的云图像、相对湿度等。这些任意气象参数既可以选择一种，也可以组合多种来选择。关于所选择的一个以上的任意气象参数，取得在任意过去时间P0、P-1、P-2…P-(n-1)、P-n的气象数据。例如，在选择风速作为气象参数的情况下，取得过去的P0、P-1、P-2…P-(n-1)、P-n时的风速的值作为气象数据，在选择风速和风切变作为气象参数的情况下，取得过去的P0、P-1、P-2…P-(n-1)、P-n时的风速的值和风切变的值作为气象数据。为了取得尽量多的气象数据，过去时间选择尽可能长的时间。例如只要是从气象局取得的数据等、可靠性高的关于气象参数的气象数据，则气象数据无特别限定。
作为这些气象数据的值如下这样划定并取得。首先，选定预测区域。将所选定的预测区域分割为多个广域地域，对于各个广域地域，分割为构成该广域地域的分割区划。也可以将预测区域直接分割为分割区划。这些分割如上参照图2D说明的那样。预测区域和广域地域能够根据获得的气象数据以及希望预测湍流的地域来自由选择。例如，能够任意选择整个日本、日本的一部分等具有一定程度广度的成为大分类的地域作为预测区域。而且，能够选择构成该预测区域的作为中分类的地域作为广域地域。就图3的例子而言，选择了包括关东、东北和北海道在内的东日本作为任意的广域地域。将该广域地域分割为多个分割区划。如此，对于分割成了多个分割区划的广域地域，取得任意的过去的离散时点P0、P-1、P-2…P-(n-1)、P-n的气象数据。对预测区域的整个区域执行该处理。而且，对于在各个时点得到的气象数据，针对各个分割区划进行数值化并分配。在任意的过去的离散时点P0，以任意气象参数为对象，对于分割成了多个分割区划的各个广域地域，制作将气象数据数值化并分配了的气象参数离散数据L。针对其他任意的过去的时点P-1、P-2…P-(n-1)、P-n中的各个时点，同样地制作气象参数离散数据L，并将所制作的气象参数离散数据L的数据组划定为气象参数离散数据组112。典型地，所得到的气象参数离散数据组112存储于湍流预测系统1的存储部。
与气象参数离散数据组112的制作有别地，对于分割成了多个分割区划的广域地域，取得包含有无发生湍流的湍流数据M的湍流数据组113。湍流数据组113中的广域地域与制作气象参数离散数据组112时选择的广域地域相同，或者被选定为包含共通地域的广域地域。另外，制作气象参数离散数据组112时从广域地域分割出的多个分割区划作为与制作气象参数离散数据组112时所使用的各分割区划相同的分割区划来选定。而且，包含湍流数据M的数据组的湍流数据组113针对与制作气象参数离散数据组112时所选定的任意的过去的离散时点P0、P-1、P-2…P-(n-1)、P-n相同的任意的过去的离散时点P0、P-1、P-2…P-(n-1)、P-n取得。对于在任意的过去的离散时点P0、P-1、P-2…P-(n-1)、P-n的湍流数据M，湍流数据M是对于分割成了多个分割区划的各个广域地域，表示湍流的有无的数据。湍流数据M是过去的由航空器观测到的包含有无发生湍流的观测数据，例如是气象业务支援中心等提供的数据。
而且，在构成湍流数据组113的各个湍流数据M中，在与任意的过去的离散时点相同的时点，在从广域地域分割出的多个分割区划中有发生了湍流的分割区划的情况下，将该发生了湍流的分割区划和与该发生了湍流的分割区划相接且围绕的分割区划划定为湍流发生地域数据区划。也可以将“1”这一数值作为意味着湍流发生的数值分配给发生了湍流的分割区划，将“0”作为意味着没有发生湍流的数值分配给没有发生湍流的其他分割区划，将“1”的分割区划和围绕该分割区划的分配了“0”的分割区划合起来划定为湍流发生地域数据区划。而且，将与该湍流发生地域数据区划中的每一个对应的分割区划的气象参数离散数据组112的气象参数离散数据L切出，划定为湍流预测模式数据N。例如，就图3的例子而言，在P-n时的广域地域内的湍流数据组113中，在佐渡岛东南有发生了湍流的分割区划的情况下，将该分割区划划定为发生了湍流的分割区划而分配“1”。对除此之外的分割区划分配“0”。
而且，将属于以被分配了“1”的分割区划为中心的区域的分割区划划定为湍流发生地域数据区划。湍流发生地域数据区划对应于上述参照图2D的说明中的对比区域Y’。即，湍流发生地域数据区划以发生了湍流的地域为中心，成为被选择为以发生了湍流的分割区划为中心且在其周围存在没有发生湍流的分割区划的对比区域Y’。湍流发生地域数据区划成为作为如下说明的教师数据的湍流预测模式数据N的大小。在湍流预测系统1中，如后所述，将会对比判定用气象数据O与教师数据湍流预测模式数据N，因此，以使作为对比区域Y’的湍流发生地域数据区划和湍流预测模式数据N的大小具有如成为与后述的判定用气象数据O共通的大小那样的预定大小的方式进行选定。
而且，将与湍流发生地域数据区划对应的分割区划的部分的在P-n的气象参数离散数据组112切出，划定为湍流预测模式数据N。在其他过去的离散时点P-1、P-2…P-(n-1)、P-n，也同样地取得并划定湍流预测模式数据N。将湍流预测模式数据N的数据组划定为湍流预测模式数据组111，并存储于湍流预测系统1的存储部。湍流预测模式数据组111优选地按预定期间进行更新并存储于存储部。所得到的湍流预测模式数据组111意味的可以说是在发生了湍流的地方附近的关于所选择的任意气象参数的行为的过去的数据。即，该湍流预测模式数据组111可以说是示出发生湍流的可能性高的气象参数的行为的特征模式。通过将P0、P-1、P-2…P-(n-1)、P-n的期间设定为长期间，能够准备由过去长期间内的大量的湍流预测模式数据N而成的湍流预测模式数据组111，能够提高湍流发生的预测的准确率。
(判定过程)
继以上的学习过程11的说明之后，对判定过程12进行说明。在判定过程12中，使用作为与在学习过程11中制作湍流预测模式数据N时所选择的预定大小相同大小的区域的判定用气象数据O。如前所述，判定用气象数据O具有在制作湍流预测模式数据N时分割出的分割区划。另外，气象参数必须被选择与在学习过程11中制作湍流预测模式数据N时选择的气象参数相同的气象参数。即，在学习过程11中作为气象参数离散数据L而选择了风速和风切变作为气象参数的情况下，在判定过程12中也必须选择风速和风切变作为气象参数。判定过程12中的广域地域一般而言优选设为与在学习过程11中使用的广域地域相同的广域地域。判定用气象数据O一般作为如与构成湍流预测模式数据组111的湍流预测模式数据N具有相同的预定大小这样的区域来选择。即，就参照图2D说明了的前述例子而言，判定用气象数据O对应于广域地域Y，湍流预测模式数据N对应于对比区域Y’。即使判定用气象数据O和湍流预测模式数据N大小不同，判定用气象数据O至少也需要是具有比构成湍流预测模式数据组111的湍流预测模式数据N大的区域的地域。
在判定过程12中，计算并使用判定用气象数据O。关于判定用气象数据O，制作大量的判定用气象数据O以对应于上述参照图2D说明的遍布预测区域X的整个区域的广域地域，并构成为判定用气象数据组121。在一例中，判定用气象数据O例如是在当前时点C0预测的、比C0晚的任意的将来时点F0的气象预报数据。用与气象参数离散数据L的制作方法同样的方法，从任意的将来时点F0的被预测的气象预报数据中取得与气象参数有关的广域地域的气象数据，在构成广域地域的各个分割区划中将气象参数进行数值化并分配而制作判定用气象数据O。由于根据在任意的将来时点F0的关于气象参数的气象预报数据所制作的判定用气象数据O是广域地域的气象预报，因此作为判定用气象数据O，能够直接进行将来的湍流预测的判定。再者，为了提高湍流预测的判定精度，能够使用多个气象参数。在使用多个气象参数的情况下，对于多个气象参数中的每一个，以与在一个气象参数的例子中到此为止所说明的判定用气象数据O的制作相同的方式制作判定用气象数据O并以预定配置组合为一个而作为组合判定用气象数据O’即可。组合判定用气象数据O’也是根据在任意的将来时点F0的关于多个气象参数的气象预报数据所制作的广域地域的多个气象预报。对于多个气象参数中的每一个，以与在一个气象参数的例子中到此为止所说明的判定用气象数据O的制作相同的方式制作判定用气象数据O并以预定配置组合为一个而作为组合判定用气象数据O’即可。在使用多个气象参数来制作组合判定用气象数据O’的情况下，在湍流预测模式数据N的制作中，也需要选择与制作组合判定用气象数据O’时完全相同的多个气象参数，对于该多个气象参数中的每一个，制作湍流预测模式数据N，并将它们以与组合判定用气象数据O’的制作的情况下相同的预定配置组合为一个，从而制作作为教师数据的组合湍流预测模式数据N。
在另一例中，判定用气象数据O例如从在当前时点C0以及从该时点起向过去以预定的离散间隔采样的最近的连续的时点C-1、C-2…C-(n-1)、C-n的气象数据取得。最近的连续的时点的个数n能够任意选择。另外，C0、C-1、C-2…C-(n-1)、C-n的各时点的离散间隔保持预定时间单位的时间间隔。预定时间单位与制作气象参数离散数据L时选择的时间单位相同。例如，若包括当前而采用4个时点，则意味着使用在时点C0、C-1、C-2、C-3的气象数据来取得判定用气象数据O。在C0、C-1、C-2、C-3的各个时点的各个气象数据中，以与气象参数离散数据L的制作方法同样的方法，取得与气象参数有关的广域地域的气象数据，在构成广域地域的各个分割区划中将气象参数进行数值化并分配而制作判定用气象数据O。此外，所谓当前时点C0，并非意味着严格意义上的当前，而是意味着能够利用为了制作用于进行判定的判定用气象数据O所需的气象数据的最新时点。在使用最近的连续的时点C0、C-1、C-2…C-(n-1)、C-n来制作判定用气象数据O的情况下，例如在根据C0、C-1、C-2、C-3的各个时点的各个气象数据制作判定用气象数据O的情况下，将会制作多枚判定用气象数据O。因此，在该情况下，以预定配置组合为一个而设为一个组合判定用气象数据O’。这一点与由多个气象参数制作一个组合判定用气象数据O’的情况是同样的。在这样根据多个时点下的气象数据制作组合判定用气象数据O’的情况下，在湍流预测模式数据N的制作中，也需要与制作组合判定用气象数据O’时同样地根据连续的多个时点下的气象数据制作湍流预测模式数据N，并将它们以与组合判定用气象数据O’的制作的情况下相同的预定配置组合为一个，从而制作作为教师数据的组合湍流预测模式数据N。
运算部在判定过程12中计算判定用气象数据O与湍流预测模式数据组111所包含的湍流预测模式数据N的相似度。在判定用气象数据O是基于比C0晚的任意的将来时点F0的气象预报数据而制作的情况下，判定用气象数据O与湍流预测模式数据组111所包含的多个湍流预测模式数据N的相似度意味着在该将来时点F0存在发生湍流的气象模式的可能性。在判定用气象数据O是基于以C0为基准的最近的连续的时点的气象数据而制作的情况下，判定用气象数据O与湍流预测模式数据组111所包含的多个湍流预测模式数据N的相似度意味着到该当前时点C0为止发生湍流的气象模式存在并发展的可能性。即，判定用气象数据O与湍流预测模式数据N的相似度成为发生湍流的可能性的高低程度。如此，能够根据判定用气象数据O与湍流预测模式数据N的相似度计算发生湍流的可能性的程度。
判定用气象数据O与湍流预测模式数据N的相似度的计算通过湍流预测模式数据组111所包含的所有湍流预测模式数据N与对于预测区域的整个区域的判定用气象数据O的对比来进行。具体而言，对于与预测区域的整个区域对应的多个判定用气象数据O中的每一个，将构成其的分割区划与湍流预测模式数据组111所包含的所有湍流预测模式数据N的分割区划进行对比。在该对比中，将构成判定用气象数据O的分割区划与构成湍流预测模式数据N的分割区划逐个区划地错开而对比。此时的对比以如下方式执行：将判定用气象数据O和湍流预测模式数据N分别捕捉为图像数据，针对各个图像，对比与该图像的像素相符的分割区划的值。在判定用气象数据组121的某个判定用气象数据O存在与湍流预测模式数据N相似的分割区划的情况下，意味着在与该分割区划对应的地域发生湍流的可能性高。再者，在某个地域周边的分割区划中，在湍流预测模式数据组111中与多个湍流预测模式数据N相似度高的情况下，意味着发生湍流的可能性特别高。在此，相似度单纯意味着湍流预测模式数据N的分配给各分割区划的气象数据的数值及该数值在分割区划中的分布、和判定用气象数据O的分配给各分割区划的气象数据的数值及该数值在分割区划中的分布的相似度。不考虑湍流预测模式数据N的原气象数据的地域属性。即，某个湍流预测模式数据N是发生了湍流的地域以北海道的某个地域为中心而制作的数据，即使是九州地区的判定用气象数据O，只要在构成各个数据的分割区划中认可相似度，就能够预测为会在九州地区的判定用气象数据O的相似度高的区域发生湍流。再者，湍流预测模式数据组111所包含的湍流预测模式数据N能够根据其分割区划的气象参数的数值的配置及倾向，分类到某种程度的种类。在该种类中，出现包含很多湍流预测模式数据N的种类和包含较少数量的湍流预测模式数据N的种类。此时，在进行判定用气象数据O与湍流预测模式数据N的相似度计算时，也可以以如下方式计算相似度：在包含很多湍流预测模式数据N的种类的湍流预测模式数据N包含于判定用气象数据O的情况下对其频率进行大的加权，在包含较少的湍流预测模式数据N的种类的湍流预测模式数据N包含于判定用气象数据O的情况下对其频率进行小幅加权。该相似度与湍流发生的地域和发生湍流的可能性的程度对应。相似度的计算能够采用各种方法。
另外，判定用气象数据O与湍流预测模式数据N的相似度的计算也能够通过CNN执行。作为CNN，除了一般的CNN的方法之外，还能够采用其他CNN的各种方法。在CNN中，例如也能够将湍流预测模式数据组所包含的湍流预测模式数据N作为卷积层(convolutionlayer)而通过CNN执行。在基于CNN这种深度学习的情况下，对于判定，不特别识别其过程，而输出相似的图像的特征部分。由此，对于如前所述与预测区域的所有区域对应的判定用气象数据O的所有分割区划、和在湍流预测模式数据组111中构成多个湍流预测模式数据N的分割区划，能够黑盒式地执行到此为止说明的对比。CNN的输出成为在湍流预测模式数据N中出现的相似的判定用气象数据O。在该输出中，有包含很多湍流预测模式数据N的情况和包含较少数量的湍流预测模式数据N的情况。包含很多湍流预测模式数据N的情况意味着发生湍流的可能性的程度高。
【实施例】
接下来，对作为将到此为止说明了的实施方式具体应用的实施例的湍流预测系统1进行说明。首先，对湍流预测装置2的实施例1的湍流预测处理进行说明。
(实施例1)
参照图4A至图4E，对基于前述实施方式的湍流预测系统1的实施例1的湍流预测处理进行说明。实施例1对应于实施方式的第1湍流预测模式原理。实施例1的湍流预测系统1由运算部执行。由运算部执行的湍流预测处理包括学习过程和判定过程。图4A表示了实施例1的湍流预测处理的学习过程的流程图，图4E表示了实施例1的湍流预测处理的判定过程的流程图。图4B至图4D是示出与图3的学习过程11对应的工序、即制作湍流预测模式数据的工序的概念的图。以下，以由作为湍流预测系统的运算部的一例的湍流预测装置2的中央处理装置21执行湍流预测处理为例进行说明。在实施例1的湍流预测装置2的学习过程中，使用过去的气象数据和航空器实际观测到的包含过去的湍流的有无的观测数据。航空器实际观测到的过去的观测数据包含有湍流的发生地点的数据。在判定过程中，使用气象预报数据。作为气象预报数据，例如是气象局等团体提供的包含任意气象参数的气象预报数据，是预测了未来的气象的气象数据。作为任意气象参数，能够使用各种种类的气象参数。在本说明书中，将该各种种类的各个气象参数表示为气象参数α、β、γ、……。气象参数α、β、γ、……各自的主要例子如下。这只不过是主要例子，除此之外也能够选定为气象参数。
(1)气象参数α＝垂直方向的风切变(Wind Shear)的绝对值
(2)气象参数β＝铅直方向的气温梯度
(3)气象参数γ＝铅直方向的空气密度梯度
(4)气象参数δ＝卫星照片的云图像(红外线放射亮度温度、可视图像、水蒸气图像等)
参照图4A，对实施例1的湍流预测处理的学习过程中的作为教师数据的湍流预测模式数据N的制作进行说明。在湍流预测处理中，决定预测区域作为希望进行湍流发生预测的地域。基于参照图2D的前述说明，预测区域被分割为广域地域和分割区划。预测区域、广域地域和分割区划的定义遵照此前说明的定义。湍流预测装置2的中央处理装置21执行以下学习过程。首先，从气象参数α、β、γ、δ中选择一个气象参数。气象参数是对湍流产生某些影响的因素，选择已知在湍流预测中有效果的参数。已知上述的气象参数α、β、γ、δ在作为气象参数进行湍流预测方面是有效的，因此可以使用任一个。将所选择的气象参数作为评价气象参数。以下，在此以关注气象参数α作为评价气象参数为前提进行说明。而且，取得关于评价气象参数的在任意广域地域内的过去的气象数据K(S101)。“过去”意味着在当前时点C0以前的成为过去的基准的离散时点P0。关于当前时点C0、过去时点P0及从P0起过去的时点P-1、P-2…P-(n-1)、P-n，如在上述实施方式中说明的那样。即，在该过程中，定义从成为过去的基准的离散时点P0起以使各个时间间隔成为预定时间的方式追溯的过去的离散时点P0、P-1、P-2…P-(n-1)、P-n，并取得针对该过去的各时点P0、P-1、P-2…P-(n-1)、P-n的气象数据。预定时间例如能够任意决定为10分钟、30分钟、1小时等、作为湍流发生预测而有效的时间间隔。该成为离散时点P0、P-1、P-2…P-(n-1)、P-n间的时间间隔的预定时间既可以与所获得的气象数据的采样时间相同，也可以为比所获得的气象数据的采样时间长的时间。
一方面，执行取得气象数据K的工序(S101)，另一方面，取得针对成为取得气象数据的基准的过去的各时点P0、P-1、P-2…P-(n-1)、P-n的湍流数据(S102)。工序S101和工序S102可以先执行任一方，也可以同时执行，还可以交替执行。关于过去的气象数据，只要作为数据是可靠的则优选使用尽可能多的过去的气象数据，且使用逐次更新的气象数据。
作为湍流预测处理的运算上的数学意义，预定的广域地域是任意矩形区域，将该区域在经度(东西)方向上分割为任意个数、在纬度(南北)方向上分割为任意个数而得到的各个分割网格要素分别对应于分割区划。例如，就图4B至图4D的例子而已，任意的各个分割区划能够定义为在东西方向上为第i个、在南北方向上为第j个的分割区划Lij(i＝1～h，j＝1～h)。例如，h为64个。将该分割区划Lij中的前述的气象参数α、β、γ、δ各自定义为αij、βij、γij、δij(i＝1～h，j＝1～h)。
对于在上一工序(S101)中取得的过去的离散时点P0、P-1、P-2…P-(n-1)、P-n下的气象数据，按任意的各广域地域，如图4B所示，将某个广域地域等分为预定大小的分割区划Lij(i＝1～h，j＝1～h)。代表性地是分割为正方形，但也可以为矩形。广域地域的大小和各分割区划的大小设定为使在该广域地域中分割区划成为相同的大小。而且，根据所取得的过去的离散时点P0、P-1、P-2…P-(n-1)、P-n下的气象数据，制作由在分割出的各分割区划中将评价气象参数进行数值化并分配得到的气象参数离散数据L而成的气象参数离散数据组112(S103)。在本实施例的情况下，在各分割区划(各网格要素)中，作为评价气象参数，分配了垂直方向的风切变(Wind Shear)的绝对值。关于构成气象参数离散数据L的各分割区划Lij(i＝1～h，j＝1～h)，若将广域地域考虑为一个图像，则各个分割区划成为所谓的计算上的分割网格要素，还对应于该图像的像素。即，通过将评价气象参数进行数值化并分配给分割区划Lij(i＝1～h，j＝1～h)，各网格要素将会被制作为数字值和二维的伪图像数据。此外，伪图像数据意思是并非实际拍摄出的图像数据，是通过分配数值而得到的图像数据。但是，伪图像数据作为图像数据使用，也可以仅作为分割区划Lij(i＝1～h，j＝1～h)的评价气象参数的数值数据的集合体使用。作为图像数据，例如也能够以分割区划Lij(i＝1～h，j＝1～h)的评价气象参数的最大值将分割区划Lij(i＝1～h，j＝1～h)的各网格要素的数值无量纲化而变换为0至1的范围内的数值数据，使该数值作为黑白二值灰度的单色图像数据而显示。对所有预测区域进行该操作，以使对所有构成预测区域的分割区划分配数值。
在取得针对各时点P0、P-1、P-2…P-(n-1)、P-n的湍流数据的工序(S102)之后，将湍流的有无进行数值化并分配给分割区划Lij(i＝1～h，j＝1～h)，制作由多个湍流数据M而成的湍流数据组113。例如，湍流数据M通过对发生了湍流的分割区划分配“1”、对没有发生湍流的分割区划分配“0”来制作(S104)。而且，以分配了“1”的分割区划为中心，将成为与广域地域相同大小的四边形的地域划定为湍流发生地域数据区划(S105)。而且，从气象参数离散数据L中切出与湍流发生地域数据区划对应的地方的分割区划，并划定为湍流预测模式数据N(S106)。像这样制作湍流预测模式数据N，也就是说湍流预测模式数据N是表示在发生了湍流的时点和该位置及其周边的气象参数的行为的二维数据。在将大分类的广域地域分割为多个而对各个广域地域求取分割区划Lij的情况下，对大分类的广域地域的整个区域反复进行工序S101至工序S106。工序S101至工序S106中的输出根据需要而存储于湍流预测系统1的存储部。在湍流预测系统1具备湍流预测装置2的情况下存储于存储装置22。
接下来，参照图4B和图4C，具体对到此为止说明的从取得气象数据K的工序S101到取得湍流预测模式数据N的工序S106的过程进行说明。取得过去的离散时点P0至P-n中的任意时点的广域地域的气象数据。对于取得的气象数据，将作为气象参数α的垂直方向的风切变的绝对值进行离散化并将该离散化得到的数值分配给该等分出的各个分割区划Lij(i＝1～h，j＝1～h)。这是如图4B所示的气象参数离散数据L。对于所有预测区域，对分割区划分配了气象参数α的值。另一方面，取得与此相同时点的预测区域的包含湍流的有无的湍流数据。对于关于该预测区域的整个区域的分割区划，如图4C所示对发生了湍流的地方分配“1”、对没有发生湍流的地方分配“0”，制作气象参数离散数据L。例如，在图4C中，在北陆地区发生湍流，对该地方的分割区划分配数值“1”，并对除此以外的地方分配表示没有发生湍流之意的数值“0”。而且，选定分割区划以使其成为预定大小的四边形，并将该区域设为湍流发生地域数据区划。而且，根据气象参数离散数据Lij(i＝1～h，j＝1～h)切出与该湍流发生地域数据区划对应的分割区划。即，根据气象参数离散数据切出以如图4C所示的发生了湍流而分配了数值“1”的区划为中心的预定大小的区域的区划，并划定为如图4D所示的湍流预测模式数据N。即，该分割区划的气象参数离散数据表示发生了湍流的地方及其周边的气象参数的局部行为，意味着发生湍流的可能性极高。
接下来，参照图4E，对实施例1的湍流预测处理的判定过程12进行说明。湍流预测系统1的运算部(在具有湍流预测装置2的情况下为中央处理装置21)取得任意的广域地域的气象预报数据(S111)。预测区域及分割区划的定义和气象数据的定义与前述是同样的。气象预报数据是比当前时点C0晚的将来时点F0的关于气象参数α的气象数据。气象参数在学习过程11和判定过程12中必须是共通的。比当前时点C0晚的将来时点F0的关系如前述的实施方式的说明那样。以下，与学习过程11同样地，以具备湍流预测装置2为例进行说明。任意广域内的气象预报数据例如可以从通信装置24取得，也可以通过其他方式而以存储于存储装置22的形式取得。
当根据在上一工序(S111)中取得的气象预报数据，按预测区域的所有广域地域中的各广域地域，制作气象参数离散数据组112时，将成为与气象参数离散数据L的区域相同的大小的四边形的区域定义为判定用气象数据O的区域及构成该区域的分割区划，并针对该区域的各分割区划，将评价气象参数进行数值化(S112)。在此，如上所述，在学习过程11中，选定了气象参数α作为评价气象参数，因此，将气象参数α、即在本实施例的说明中为垂直方向的风切变的绝对值进行数值化。优选在作为当前时点C0和将来时点F0的更新而根据需要设定的各预定时间进行气象预报数据的取得。判定用气象数据O根据需要而存储于湍流预测系统1的存储部、即在设为湍流预测装置2的情况下为存储装置22。
运算部或者中央处理装置21从存储部或者存储装置22中读取在上一工序(S112)中将气象参数α进行数值化而制作出的判定用气象数据O、和在学习过程中制作出的湍流预测模式数据N。而且，将读取到的判定用气象数据O与湍流预测模式数据N进行比较，判定其相似度(S113)。运算部或者中央处理装置21在判定用气象数据O的各分割区划中，取得构成与湍流预测模式数据组111所包含的所有湍流预测模式数据N中的任一湍流预测模式数据N相似的判定用气象数据O的分割区划的有无。即，在该比较中，由于判定用气象数据O的各分割区划将会存在与湍流预测模式数据N相似的程度高的分割区划和与湍流预测模式数据N相似的程度低的分割区划，因此计算该相似程度作为相似度而进行判定。其结果，在相似度高的分割区划中意味着发生湍流的可能性高，在相似度低的分割区划中意味着发生湍流的可能性低。例如，在某个广域地域的分割区划中，与湍流预测模式数据组111所包含的任一湍流预测模式数据N相似的程度高于其他分割区划的情况下，判定为该区划中的发生湍流的可能性高。在判定用气象数据O的任意分割区划中，判定用气象数据O与湍流预测模式数据N的相似程度能够选择各种方法。
例如，也能够在湍流预测模式数据N的某个任意位置应用判定用气象数据O，作为与此时对应的分割区划彼此的气象参数数值的相关系数r的大小。即，求取湍流预测模式数据N的所有分割区划的平均值，并求取该平均值和湍流预测模式数据N的各分割区划中的气象数据的数值的偏差。另一方面，求取与湍流预测模式数据N对应的位置的判定用气象数据O的分割区划的平均值，并求取该平均值和与湍流预测模式数据N对应的位置的判定用气象数据O的各分割区划中的气象数据的数值的偏差。由此，能够求取两偏差积，将通过除以各自的偏差平方和的平方根之积所求取的相关系数r作为相似度。另外，不一定受该方法约束。例如，能够计算判定用气象数据O所包含的湍流预测模式数据组111中的湍流预测模式数据N的出现频率的程度作为得分值。得分值的定义及计算方法能够自由选定，计算方法不限。只要将得分值定义为作为出现频率的程度的比例而产生预定的分布，就能够将判定用气象数据O所包含的湍流预测模式数据组111中的湍流预测模式数据N的出现频率的程度作为发生湍流的可能性的程度(S114)。
再者，在前述的判定相似度的工序(S114)中，能够使用基于CNN的深度学习的方法，自动计算判定用气象数据O所包含的湍流预测模式数据组111中的湍流预测模式数据N的出现频率的程度，判定二者的相似度。虽然判定用气象数据O是以南北方向为第1轴、且以东西方向为第2轴的二维图像，但是制作将以将来时点F0为基准的按各气象预报数据制作的判定用气象数据O的时间轴作为第3时间轴的三维数据集。在此，将湍流预测模式数据组111中的所有湍流预测模式数据N作为卷积层(convolution layer)来执行CNN。CNN的详细执行方法基于一般的CNN的方法。由于CNN的输出值是基于发生了湍流的地方的过去的气象数据所切出的特定图像要素，因此能够将CNN的输出值作为湍流发生概率(S114)。
通过与取得任意广域内的气象预报数据的定时对应地每隔预定时间间隔反复进行上述说明的工序(S111至S114)，能够得到每隔时间间隔被更新的湍流发生概率。取得气象预报数据的定时也能够按预定时间间隔自由设定。也可以在取得气象预报数据的工序(S111)内以预定时间间隔自由设定取得气象预报数据的定时，一次性地汇总取得一定量的气象预报数据，还可以通过在通信装置24中的一次通信取得一个气象预报数据并存储于存储装置22，之后并不转至下一工序(S112)，而是直至积蓄到一定量的气象预报数据为止，继续进行取得气象预报数据的工序(S111)，并在汇总取得了某个程度的量的气象预报数据的定时，执行工序(S112至S114)。判定过程12包含所有这些。
在以实施例1为代表的本申请发明中，关注一个气象参数，根据关于该气象参数的、发生了湍流时的过去的气象数据，制作湍流预测模式数据N，另一方面根据将来时点F0的气象预报数据制作判定用气象数据O，并通过比较它们二者的图像数据来计算相似度，能够计算发生湍流的可能性的程度，具有能够以简便的方法基于过去发生了湍流的事实/状态预测湍流的发生的效果。
(实施例2)
参照图5A至图5D，对湍流预测系统1的实施例2的湍流预测处理进行说明。实施例2对应于实施方式的第2湍流预测模式原理。在实施例2中，也与实施例1同样地进行包括学习过程11和判定过程12的湍流预测处理。学习过程11和判定过程12的概念如在实施方式中说明的那样，与图3所示的概念相同。在实施例2中，也与实施例1同样地，在学习过程11中使用过去的气象数据和航空器实际观测到的过去的观测数据，在判定过程12中使用气象预报数据。实施例2与实施例1的不同之处在于，在实施例1中，在学习过程11和判定过程12中仅选择了气象参数α、β、γ、……中的一个气象参数作为评价气象参数，但在实施例2中，选择多个气象参数α、β、γ、……作为评价气象参数，并将它们组合来使用。即，是如下方法：为了通过从多方面的观点辨识相似度而能够进行准确率更高的预测，以利用不同种类的多个气象参数来制作湍流预测模式数据N和判定用气象数据O的方式增加判定相似的信息量。在此，图5A表示了实施例2的湍流预测处理的学习过程11的流程图，图5B表示了实施例2的湍流预测处理的判定过程12的流程图。图5C表示了制作关于多个评价气象参数的湍流预测模式数据N作为一个组合湍流预测模式数据N’的概念。图5D表示了制作关于多个评价气象参数的判定用气象数据O作为一个组合判定用气象数据O’的概念。以下，聚焦于与实施例1不同的部分来对实施例2进行说明，对于与实施例1同样的部分则省略说明。实施例2中的气象参数α、β、γ、……各自的主要例子如下。这只不过是主要例子，除此之外也能够选定为气象参数。选择以下的气象参数α、β、γ、……中的两个以上的气象参数作为评价气象参数，并将它们组合来使用。
(1)气象参数αEW＝垂直方向的风切变(Wind Shear)的东西方向分量
(2)气象参数αNS＝垂直方向的风切变(Wind Shear)的南北方向分量
(3)气象参数β＝铅直方向的气温梯度
(4)气象参数γ＝铅直方向的空气密度梯度
(5)气象参数δ＝卫星照片的云图像(红外线放射亮度温度、可视图像、水蒸气图像)
(6)气象参数ε＝相对湿度
(7)气象参数ζEW＝风速的东西方向分量
(8)气象参数ζNS＝风速的南北方向分量
(9)气象参数η＝气温(绝对值)
(10)气象参数θ＝空气密度(绝对值)
作为实施例2的评价气象参数的代表性的例子，例如选择(1)气象参数αEW(垂直方向的风切变的东西方向分量)、(2)气象参数αNS(垂直方向的风切变的南北方向分量)、(7)气象参数ζEW(风速的东西方向分量)和(8)气象参数ζNS(风速的南北方向分量)这4个。以下，在此以选择了它们4个气象参数作为评价气象参数的情况为例进行说明。作为气象参数的选择和组合，选择如能够制作偶数枚的伪气象图像数据这样的气象参数的个数。偶数枚的意思是，为了便于在将图像数据组合而作为一个图像数据时制作四边形的图像数据。如此，在实施例2中，与实施例1的不同之处在于，将针对多个气象参数制作的气象数据组合。
图5A是实施例2中的湍流预测处理的学习过程11中的作为教师数据的一个组合湍流预测模式数据N’的制作的流程图。在实施例2中，对于多个评价气象参数中的每一个，执行与实施例1的工序S101至S106(图4A)相同的工序即工序S201至S206(图5A)。工序S201至S206(图5A)与实施例1相同，因此省略说明。通过工序206，对于多个评价气象参数中的每一个，制作湍流预测模式数据N。在选择了垂直方向的风切变的东西方向分量、垂直方向的风切变的南北方向分量、风速的东西方向分量和风速的南北方向分量这4个作为气象参数的情况下，对于它们各自，如图5C那样制作偶数枚(在此处说明中作为4枚的二维图像数据)的湍流预测模式数据N。
将在上一工序(S206)中制作的与4个评价气象参数对应的4枚湍流预测模式数据N排列组合而制作作为教师数据的一个组合湍流预测模式数据N’(S206)。例如，如图5C所示，设想将完成状态的一个组合湍流预测模式数据N’进行四等分，按照左上为(a)风速的东西方向分量、右上为(b)风速的南北方向分量、左下为(c)垂直方向的风切变的东西方向分量、右下为(d)垂直方向的风切变的南北方向分量的方式排列，制作一个组合湍流预测模式数据N’。将制作出的一个伪气象图像数据作为预定时间的教师数据存储于存储部或者存储装置22(S207)。对任意广域地域的整个区域反复执行该处理。与实施例1同样地，对预定的任意广域地域的整个区域(整个分割广域地域)反复进行工序S201至工序207。构成一个组合湍流预测模式数据N’的关于各个气象参数的湍流模式数据的制作方法与实施例1相同。
接下来，对实施例2的判定过程12进行说明。图5B表示了实施例2的湍流预测处理的判定过程12的流程图。在实施例2的判定过程中，由于教师数据是基于多个气象参数制作的，因此在判定过程12中，也需要选择在学习过程11中使用的相同的气象参数，以与教师数据相同的排列方式制作一个组合判定用气象数据O’。这一点是实施例2与实施例1的不同之处。除此之外，实施例2与实施例1相同。反过来说，构成一个组合判定用气象数据O’的关于各个气象参数的判定用气象数据的制作方法与实施例1相同。
在实施例2的判定过程12中，从取得关于在学习过程11中选择的多个评价气象参数中的每一个的任意广域地域内的气象预报数据的工序S211到对于多个评价气象参数中的每一个制作判定用气象数据O的工序S212为止，与实施例1相同，因此省略说明。通过工序212，对于多个评价气象参数中的每一个，制作判定用气象数据O。在学习过程11的说明中，选择了垂直方向的风切变的东西方向分量、垂直方向的风切变的南北方向分量、风速的东西方向分量和风速的南北方向分量这4个作为气象参数，因此，对于它们各自，如图5D那样制作判定用气象数据O。
将在上一工序(S212)中制作的与4个评价气象参数对应的4枚判定用气象数据O排列组合而制作一个组合判定用气象数据O’(S213)。例如，如图5D所示，以与湍流预测模式数据成为相同配置的方式，将与评价气象参数对应的判定用气象数据O按预定配置排列而制作一个组合判定用气象数据O’。即，按照左上为(a)风速的东西方向分量、右上为(b)风速的南北方向分量、左下为(c)垂直方向的风切变的东西方向分量、右下为(d)垂直方向的风切变的南北方向分量的方式排列而制作一个组合判定用气象数据O’。将制作出的一个组合判定用气象数据O’存储于存储部或者存储装置22。对任意广域地域的整个区域反复执行该处理。
接下来，从存储部、存储装置22中读取作为教师数据的一个组合湍流预测模式数据N’。而且，进行读取到的一个组合湍流预测模式数据N’与一个组合判定用气象数据O’的比较，计算二者的相似度(S215)，作为发生湍流的可能性的程度(S215)。工序S214和工序S215与实施例1的工序S113和工序S114相同，因此省略说明。针对预测区域的所有区域，在一个组合湍流预测模式数据N’与一个组合判定用气象数据O’的对比中，在计算机上是对比构成一个组合湍流预测模式数据N’的每个气象参数的湍流预测模式数据N与构成一个组合判定用气象数据O’的每个气象参数的判定用气象数据O。在这一点，各个对比与实施例1相同。在对比构成一个组合湍流预测模式数据N’的每个气象参数的湍流预测模式数据N与构成一个组合判定用气象数据O’的每个气象参数的判定用气象数据O中，在该各个对比中，将分割区划逐个错开而进行对比。
在实施例2的情况下，由于能够选择多个评价气象参数，因此能够将与湍流的复杂机制有关的多个气象参数作为评价气象参数，具有能够使计算的发生湍流的可能性的程度的判定相比于实施例1准确率更高的效果。
(实施例3)
接下来，参照图6A和图6B，对实施例3的湍流预测处理进行说明。实施例3对应于实施方式的第3湍流预测模式原理。实施例3也与实施例1及实施例2同样地进行包括学习过程11和判定过程12的湍流预测处理。图6A表示了实施例3的湍流预测处理的学习过程11的流程图，图6B表示了实施例3的湍流预测处理的判定过程12的流程图。在实施例3中，共通之处在于，也与实施例1及实施例2同样地，在学习过程中使用过去的气象数据和航空器实际观测到的过去的观测数据，制作湍流预测模式数据。另一方面，实施例3与实施例1及实施例2的不同之处在于，在判定过程中，不使用气象预报数据。在实施例3中，使用当前的气象数据和刚刚之前的气象数据而非气象预报数据。即，实施例1和实施例2是将预测出的气象数据进行图像化而比较相似度的方法，但实施例3为，使用当前的气象数据和刚刚之前的气象数据，制作判定用气象数据O，并比较与湍流预测模式数据N的相似度，根据其时间序列中的变化趋势来预测湍流的发生。
另外，在实施例3中，与实施例1相同、而与实施例2不同之处在于，选定一个气象参数。实施例3中的气象参数α、β、γ、……各自的主要例子如下。这只不过是主要例子，除此之外也能够选定为气象参数。使用以下的气象参数α、β、γ、……中的一个气象参数。
(1)气象参数α＝垂直方向的风切变(Vertical Wind Shear)的绝对值
(2)气象参数β＝铅直方向的气温梯度
(3)气象参数γ＝铅直方向的空气密度梯度
(4)气象参数δ＝卫星照片的云图像(红外线放射亮度温度、可视图像、水蒸气图像)
在实施例2中，选定多个评价气象参数，对于多个评价气象参数中的每一个，将湍流预测模式数据N组合而制作了一个湍流预测模式数据N。另一方面，在实施例3中，选定一个气象参数，将其气象数据的当前时点C0以及从该时点起向过去以预定的离散间隔采样的最近的连续的多个时点C-1、C-2…C-(n-1)、C-n的气象数据即判定用气象数据O组合而制作一个组合判定用气象数据O’。作为实施例3中的评价气象参数的代表例，例如是气象参数δ的卫星照片的云图像，例如是红外线放射亮度温度、可视图像、水蒸气图像等。
图6A是实施例3的湍流预测处理的学习过程11中的作为教师数据的湍流预测模式数据N的制作的流程图。实施例3中的工序301至工序306与实施例1的工序101至工序106基本相同。实施例3中的工序301至工序306与实施例1的工序101至工序106的不同之处在于，根据过去的离散时点P0、P-1、P-2…P-(n-1)、P-n的多个气象数据制作多个湍流预测模式数据N。过去的离散时点P0、P-1、P-2…P-(n-1)、P-n的数量需要与制作在判定过程12中使用的判定用气象数据O时的当前时点C0以及在比该时点早的过去的最近的连续的多个时点C-1、C-2…C-(n-1)、C-n选择的时点的数量相同。在此，作为例子，在制作湍流预测模式数据N时选择过去的离散时点P0、P-1、P-2、P-3这4个时点，在制作判定用气象数据O时，包括当前时点C0在内选择4个时点即C0、C-1、C-2、C-3而设为相同时点数量。在此，作为例子，将连续的时间单位设为4小时，将预定时间单位设定为1小时。在学习过程11的工序中，取得过去的任意时点P0的气象数据(t＝0)、比该时点早1小时的时点P-1的气象数据(t＝-1)、比该时点早2小时的时点P-2的气象数据(t＝-2)、比该时点早3小时的时点P-3的气象数据(t＝-3)的在各时点的气象数据，执行工序301至工序306。
即，从工序S301到工序S306，直到在过去的4个离散时点P0、P-1、P-2、P-3中的各个时点制作湍流预测模式数据N为止，与已经说明的实施例1的工序S101至S106相同。作为过去的气象数据，在例如选择了卫星照片的水蒸气的云图像作为气象参数的情况下，意味着要取得与该时点对应的水蒸气的云图像。此时，定义数值化中也包括，对于连续的时间单位的云图像(水蒸气)，使其包括用箭头表示在计算上构成网格的各分割区划中的任意气象参数要素的移动方向向量。
在工序S306中，在过去的4个离散时点P0、P-1、P-2、P-3中的各个时点将湍流预测模式数据N按预定配置排列组合。例如，设想将完成的一个组合湍流预测模式数据N’进行四等分，按照左上为(a)t＝0时、右上为(b)t＝-1时、左下为(c)t＝-2时、右下为(d)t＝-3时的方式排列而制作一个组合湍流预测模式数据N’。另外，根据需要，将该数据存储于存储部或者存储装置22(S307)。该预定配置没有特别限制，但必须容易掌握经时变化，以及必须为与在判定过程12中将连续的时点C0、C-1、C-2、C-3的多个判定用气象数据O排列而制作一个组合判定用气象数据O’时相同的配置。对任意广域地域的整个区域反复执行该工序S301至工序S307。
图6B表示了实施例3的湍流预测处理的判定过程12的流程图。在实施例3的判定过程12中，取得连续的时点C0、C-1、C-2、C-3的多个时点的任意广域地域内的气象数据(S311)。在此，由于在工序S301至工序S306中，作为例子而将预定时间单位设为1小时，制作了过去4小时的连续时间的湍流预测模式数据N，因此与此同样地，将预定时间单位设为1小时，取得4小时的连续时间的当前的气象数据而制作判定用气象数据O。即，取得当前时点C0的气象数据(t＝0)、比当前早1小时的时点C-1的气象数据(t＝-1)、比当前早2小时的时点C-2的气象数据(t＝-2)和比当前早3小时的时点C-3的气象数据(t＝-3)的各时点的气象数据(S311)。然后，根据取得的气象预报数据，将分割任意广域地域而得到的分割区划中的评价气象参数进行数值化，制作判定用气象数据O(S312)。在判定过程12中，在判定用气象数据O中构成广域地域的分割区划必须与在学习过程11中湍流预测模式数据N的构成广域地域的分割区划相同。
将在上一工序(S312)中制作的连续的多个时点C0、C-1、C-2、C-3的每个时点的多个判定用气象数据O组合而制作一个组合伪气象经时图像数据(S313)。将多个判定用气象数据O组合而制作一个组合判定用气象数据O’时的排列方式需要以与在学习过程11中通过工序307制作一个湍流预测模式数据时的排列方式相同的顺序(位置)排列。即，根据此处的例子，如图6D所示，以成为左上为(a)t＝0时、右上为(b)t＝-1时、左下为(c)t＝-2时、右下为(d)t＝-3时的配置的方式排列多个判定用气象数据O而制作一个组合判定用气象数据O’(S313)。
接下来，从存储部、存储装置22中读取作为教师数据的一个组合湍流预测模式数据N’。而且，进行读取到的一个组合湍流预测模式数据N’与一个组合判定用气象数据O’的比较，计算二者的相似度(S314)，作为发生湍流的可能性的程度(S315)。工序S314和工序S315与实施例1及实施例2相同，因此省略说明。对比方法与实施例2同样地，将构成形成组合湍流预测模式数据N’的各时点的湍流预测模式数据N的分割区划与构成形成组合判定用气象数据O’的各时点的判定用气象数据O的分割区划进行对比。各自的对比与实施例1是同样的。
在实施例3中，基于在从作为当前的t＝0时追溯到t＝-3时的时间的气象数据制作一个组合判定用气象数据O’，并进行与一个组合湍流预测模式数据N’的比较。因此，实施例3中的二者数据的比较和其相似度在不过是过去的数据间的比较之处与实施例1和实施例2有差异。因此，关于湍流发生概率，在t＝-3时的部分，与发生了湍流的过去的图像相似度高、在t＝0时的部分，发生了湍流的过去的图像的相似度低的情况下，能够判断为湍流发生概率低。相反，在t＝0时的部分，与发生了湍流的过去的图像相似度高、t＝-3时的部分，发生了湍流的过去的图像的相似度低的情况下，能够判断为湍流发生概率高。因此，例如如果从t＝0时的相似度减去t＝-3时的相似度所得的差为正值，则存在发生湍流的可能性，能够将此时的t＝0时至t＝-3时的各时点的相似度的平均值作为湍流的发生概率。另外，除此之外也可以进行加权来定义湍流的发生概率。
在实施例3的情况下，采用了基于按时间顺序的过去的气象数据计算与发生了湍流的过去的图像的相似度的方法，因此使直接计算中包含湍流发生的经时变化的趋势，所以具有不基于气象预报就能够根据当前时刻的气象数据掌握湍流的发生的效果。
(实施例4)
接下来，对实施例4的湍流预测处理进行说明。实施例4对应于实施方式的第4湍流预测模式原理。实施例4以与实施例2相同的方法在学习过程11中制作作为教师数据的一个组合湍流预测模式数据N’。任意气象数据的选择能够应用实施例2。在实施例4中，进而，在制作该一个组合湍流预测模式数据N’时，包括该制作的过去时点P0并将其作为起点，在预定数量个过去追溯的过去时点(P0、P-1、P-2、P-3)，也同样地制作一个组合湍流预测模式数据N’。将该过去时点(P0、P-1、P-2、P-3)的一系列的一个组合湍流预测模式数据N’作为教师数据。另一方面，在判定过程中，也同样以与实施例2相同的方法在判定过程12中根据气象预报数据制作作为教师数据的一个组合判定用气象数据O’。此时，在预定数量个将来时点(F0、F-1、F-2、F-3)，也同样地制作一系列的一个组合判定用气象数据O’。而且，在判定过程中，判定一系列的一个组合判定用气象数据O’中是否存在一系列的一个组合湍流预测模式数据N’的特征部。在实施例2中是通过一个时点的静态图像的对比来判定是否存在共通的特征部，但在实施例4中，除了基于各个时点的静态图像的对比的共通特征部的存否之外，还在判定中加入了预定数量个时点的随时间流逝的动态变化下的共通特征部的存否。相对于实施例2能够应用卷积神经网络(CNN)，实施例4能够应用递归神经网络(RNN)。
(实施例5)
接下来，对实施例5的湍流预测处理进行说明。实施例5对应于实施方式的第5湍流预测模式原理。实施例5是混合了实施例1和实施例3的方法。首先，以与实施例1相同的方法在学习过程11中制作作为教师数据的湍流预测模式数据N。任意气象数据的选择能够应用实施例1。在实施例5中，进而，在制作该湍流预测模式数据N时，包括该制作的过去时点P0并将其作为起点，在预定数量个过去追溯的过去时点(P0、P-1、P-2、P-3)，也同样地制作湍流预测模式数据N。将该过去时点(P0、P-1、P-2、P-3)的一系列的湍流预测模式数据N作为教师数据。
另一方面，在判定过程中，也同样以与实施例3相同的方法在判定过程12中根据当前时点C0的气象数据制作作为教师数据的判定用气象数据O。此时，在包括从该时点追溯的时点的由预定数量个而成的当前时点(C0、C-1、C-2、C-3)，也同样地制作判定用气象数据而制作一系列的判定用气象数据O。而且，在判定过程中，判定一系列的判定用气象数据O中是否存在一系列的湍流预测模式数据N的特征部。在实施例1及实施例3中是通过一个时点的静态图像的对比来判定是否存在共通的特征部，但在实施例5中，除了基于各个时点的静态图像的对比的共通特征部的存否之外，还在判定中加入了预定数量个时点的随时间流逝的动态变化下的共通特征部的存否。相对于实施例1及实施例3能够应用卷积神经网络(CNN)，实施例5能够应用递归神经网络(RNN)。
标号说明
1湍流预测系统；2、2a、2b湍流预测装置；3、3a、3b终端；4、4a、4b收发装置(天线)；5航空器；6网络；7云；11学习过程；12判定过程；21中央处理装置；22存储装置；23输出装置；24通信装置。

Claims (25)

1.一种湍流预测系统，其具备运算部以及存储有与任意气象参数有关的多个湍流预测模式数据的存储部，预测在判定时点的预测区域内的发生湍流的可能性高的地点，
与所述任意气象参数有关的所述多个湍流预测模式数据分别是基于过去湍流发生的地点的与所述任意气象参数有关的气象数据所制作出的数据，
所述运算部对于所述判定时点的所述预测区域，基于与所述任意气象参数有关的气象数据制作判定用气象数据，
所述运算部进行所述判定用气象数据与所述多个湍流预测模式数据中的每一个的相似度高的部分的计算，并将该相似度高的地方判定为所述预测区域内的发生湍流的可能性高的地点。
2.根据权利要求1所述的湍流预测系统，
所述任意气象参数为多个气象参数，
所述多个湍流预测模式数据对于所述多个气象参数中的每个气象参数来制作，
所述判定用气象数据对于所述多个气象参数中的每个气象参数来制作，
所述相似度高的部分的计算是对于所述多个气象参数中的每个气象参数进行所述判定用气象数据与所述多个湍流预测模式数据的比较而执行的计算。
3.根据权利要求2所述的湍流预测系统，
关于所述多个气象参数中的每个气象参数的所述多个湍流预测模式数据是以关于所述多个气象参数中的每个气象参数的预定配置排列而作为一个组合湍流预测模式数据的数据，关于所述多个气象参数中的每个气象参数的所述判定用气象数据是以与所述预定配置相同的配置排列而作为一个组合判定用气象数据的数据。
4.根据权利要求1至3中任一项所述的湍流预测系统，
所述多个湍流预测模式数据被制作为由分别由在预定时间间隔的预定数量个时点的数据形成的多个组构成，
所述判定用气象数据对于所述任意气象参数由在所述预定时间间隔的所述预定数量个时点的数据来制作，
所述相似度高的部分的计算是在所述判定用气象数据与构成所述多个湍流预测模式数据的所述多个组中的每个组的数据的比较中，基于在所述预定数量个时点的经时变化的特征的比较的计算。
5.根据权利要求1所述的湍流预测系统，
所述预测区域被分割为多个分割区划，
与所述任意气象参数有关的所述多个湍流预测模式数据分别是将属于以在过去任意离散时点发生了湍流的地点为中心的预定大小的地域的所述多个分割区划中的每个分割区划内的与任意气象参数有关的所述过去任意离散时点的气象数据数值化并分配给所述多个分割区划中的每个分割区划而制作出的数据，
所述判定用气象数据是对于所述判定时点的所述预测区域取得与所述任意气象参数有关的气象数据并在所述多个分割区划中的每个分割区划内进行数值化并分配而制作出的数据。
6.根据权利要求5所述的湍流预测系统，
所述判定用气象数据被制作为具有与所述预定大小相同大小的区域且具有多个分割区划，
所述相似度高的部分的计算是基于一边将构成所述多个湍流预测模式数据中的每个湍流预测模式数据的分割区划与构成所述判定用气象数据的分割区划相对地逐个区划地错开一边进行的所述判定用气象数据与所述多个湍流预测模式数据的对比的计算。
7.根据权利要求5所述的湍流预测系统，
所述任意气象参数为多个气象参数，
所述多个湍流预测模式数据对于所述多个气象参数中的每个气象参数来制作，是将对于所述多个气象参数中的每个气象参数所制作出的所述多个湍流预测模式数据以预定配置排列而组合为一个所做出的多个组合湍流预测模式数据，
所述判定用气象数据对于所述多个气象参数中的每个气象参数来制作，是将对于所述多个气象参数中的每个气象参数所制作出的所述多个判定用气象数据以与所述预定配置相同的配置排列而组合为一个所做出的组合判定用气象数据。
8.根据权利要求7所述的湍流预测系统，
所述相似度的所述计算一边将构成所述多个组合湍流预测模式数据的关于所述多个气象参数中的每个气象参数的湍流预测模式数据、和构成所述多个判定用气象数据的关于所述多个气象参数中的每个气象参数的判定用气象数据按每个对应的气象参数与构成的分割区划相对地逐个区划地错开一边对比来进行。
9.根据权利要求5至8中任一项所述的湍流预测系统，
所述多个湍流预测模式数据被制作为由分别由在预定时间间隔的预定数量个时点的数据形成的多个组构成，
所述判定用气象数据对于所述一个气象参数由在所述预定时间间隔的所述预定数量个时点的数据来制作，
所述相似度高的部分的计算是在所述判定用气象数据与构成所述多个湍流预测模式数据的所述多个组中的每个组的数据的比较中，基于在所述预定数量个时点的经时变化的特征的比较的计算。
10.根据权利要求1至9中任一项所述的湍流预测系统，
所述判定用气象数据是气象预报的数据。
11.根据权利要求1所述的湍流预测系统，
所述任意气象参数为一个气象参数，
所述多个湍流预测模式数据是将使属于以发生了湍流的地点为中心的预定大小的地域的所述多个分割区划中的每个分割区划内的关于所述任意气象参数的在过去任意离散时点和从所述任意离散时点起按预定离散间隔连续的预定数量个离散时点中的各离散时点的过去的气象数据数值化并分配给所述多个分割区划中的每个分割区划而制作出的所述多个湍流预测模式数据以预定配置排列而组合为一个所做出的多个组合湍流预测模式数据，
所述判定用气象数据是将对于所述任意气象参数基于在判定时点和从所述判定时点起按所述预定离散间隔连续地追溯的所述预定数量个离散时点中的各离散时点的气象数据所制作的多个判定用气象数据以与所述预定配置相同的配置组合为一个而做出的组合判定用气象数据，
所述相似度高的部分的计算将所述判定用气象数据作为所述组合判定用气象数据并将所述多个湍流预测模式数据中的每一个作为所述多个组合湍流预测模式数据中的每一个而执行。
12.根据权利要求11所述的湍流预测系统，
所述相似度的所述计算一边将构成所述多个组合湍流预测模式数据的关于所述多个气象参数中的每个气象参数的湍流预测模式数据、和构成所述多个判定用气象数据的关于所述多个气象参数中的每个气象参数的判定用气象数据按每个对应的气象参数与构成的分割区划相对地逐个区划地错开一边对比来进行。
13.根据权利要求1所述的湍流预测系统，
所述任意气象参数为一个气象参数，
所述多个湍流预测模式数据是被制作为由将属于以发生了湍流的地点为中心的预定大小的地域的所述多个分割区划中的每个分割区划内的关于所述任意气象参数的在过去任意离散时点和从所述任意离散时点起按预定离散间隔连续的预定数量个离散时点中的各离散时点的过去的气象数据数值化并分配给所述多个分割区划中的每个分割区划而制作出的多个数据组构成的数据，
所述判定用气象数据是被制作为由对于所述任意气象参数基于在判定时点和从所述判定时点起按所述预定离散间隔连续地追溯的所述预定数量个离散时点中的各离散时点的气象数据所制作的多个数据组构成的数据，
所述相似度高的部分的计算是在所述判定用气象数据与构成所述多个湍流预测模式数据的所述多个组中的每个组的数据的比较中，基于所述多个时点的经时变化的特征的比较的计算。
14.根据权利要求1至13中任一项所述的湍流预测系统，
所述多个湍流预测模式数据是在过去的长时间内取得的大量湍流预测模式数据，
所述相似度高的部分的计算是基于所述大量湍流预测模式的任意至少一部分包含于所述判定用气象数据的程度的计算。
15.根据权利要求1至9中任一项所述的湍流预测系统，
所述多个湍流预测模式数据是在过去的长时间内取得的大量湍流预测模式数据，
所述相似度高的部分的计算将所述大量湍流预测模式数据作为卷积神经网络层而通过卷积神经网络来执行。
16.根据权利要求4或13所述的湍流预测系统，
所述相似度高的部分的计算通过递归神经网络执行。
17.根据权利要求1至16中任一项所述的湍流预测系统，
所述湍流预测系统具备与网络连接的湍流预测装置，所述湍流预测装置具备所述存储部和所述运算部。
18.根据权利要求1至16中任一项所述的湍流预测系统，
所述湍流预测系统是经由网络连接有所述运算部和所述存储部的云计算系统。
19.根据权利要求17或18所述的湍流预测系统，
所述湍流预测系统具备与所述网络连接的终端，
所述湍流预测系统的输出被发送到所述终端。
20.根据权利要求17至19中任一项所述的湍流预测系统，
所述湍流预测系统具备通信部，
所述湍流预测系统具备航空器，
所述通信部与所述网络连接，向所述航空器发送所述湍流的发生的预测结果的输出。
21.一种湍流预测方法，是通过具备运算部和存储部的湍流预测系统计算在判定时点的预测区域内的发生湍流的可能性程度的湍流预测方法，
所述湍流预测方法包括学习过程和判定过程，
所述学习过程包括：由所述运算部基于过去湍流发生的地点的与任意气象参数有关的气象数据制作多个湍流预测模式数据并存储于所述存储部的工序，
所述判定过程包括：
由所述运算部对于所述预测区域基于与所述任意气象参数有关的气象数据制作判定用气象数据的工序；和
由所述运算部进行所述判定用气象数据与所述多个湍流预测模式数据中的每一个的相似度的计算，并将该相似度高的地方判定为所述预测区域的任意地域内的发生湍流的可能性程度高的地方的工序。
22.根据权利要求21所述的湍流预测方法，
所述任意气象参数为多个气象参数，
所述多个湍流预测模式数据对于所述多个气象参数中的每个气象参数来制作，
所述判定用气象数据对于所述多个气象参数中的每个气象参数来制作，
所述相似度高的部分的计算是对于所述多个气象参数中的每个气象参数进行所述判定用气象数据与所述多个湍流预测模式数据的比较而执行的。
23.根据权利要求22所述的湍流预测方法，
在所述学习过程中，具有将关于所述多个气象参数中的每个气象参数的所述多个湍流预测模式数据以关于所述多个气象参数中的每个气象参数的预定配置排列而设为一个组合湍流预测模式数据的工序，
在所述判定过程中，具有关于所述多个气象参数中的每个气象参数的所述判定用气象数据以与所述预定配置相同的配置排列而作为一个组合判定用气象数据的工序。
24.根据权利要求21至23中任一项所述的湍流预测方法，
所述多个湍流预测模式数据被制作为由分别由在预定时间间隔的预定数量个时点的数据形成的多个组构成，
所述判定用气象数据对于所述任意气象参数由在所述预定时间间隔的所述预定数量个时点的数据来制作，
所述相似度高的部分的计算是在所述判定用气象数据与构成所述多个湍流预测模式数据的所述多个组中的每个组的数据的比较中，基于在所述预定数量个时点的经时变化的特征的比较的计算。
25.根据权利要求21所述的湍流预测方法，
在所述湍流预测方法中，
所述预测区域被分割为多个分割区划，
与所述任意气象参数有关的所述多个湍流预测模式数据分别是将属于以在过去任意离散时点发生了湍流的地点为中心的预定大小的地域的所述多个分割区划中的每个分割区划内的与任意气象参数有关的所述过去任意离散时点的气象数据数值化并分配给所述多个分割区划中的每个分割区划而制作出的数据，
所述判定用气象数据是对于所述判定时点的所述预测区域取得与所述任意气象参数有关的气象数据并在所述多个分割区划中的每个分割区划内进行数值化并分配而制作出的数据。
CN202080104290.8A 2020-08-03 2020-08-03 湍流预测系统以及湍流预测方法 Pending CN116324523A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/029694 WO2022029847A1 (ja) 2020-08-03 2020-08-03 乱気流予測システムおよび乱気流予測方法

Publications (1)

Publication Number Publication Date
CN116324523A true CN116324523A (zh) 2023-06-23

Family

ID=80117159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080104290.8A Pending CN116324523A (zh) 2020-08-03 2020-08-03 湍流预测系统以及湍流预测方法

Country Status (5)

Country Link
US (1) US20230281475A1 (zh)
EP (1) EP4191289A4 (zh)
JP (1) JP7023434B1 (zh)
CN (1) CN116324523A (zh)
WO (1) WO2022029847A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657014A (zh) 2021-08-10 2021-11-16 南京师范大学 一种基于量子游走的临近空间大气状态模拟方法及装置
JP7166498B1 (ja) * 2022-02-10 2022-11-07 三菱電機株式会社 風況学習装置、風況予測装置、及びドローンシステム

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3628621B2 (ja) * 2001-03-06 2005-03-16 三菱電機株式会社 乱気流検出装置および乱気流検出方法
JP3696135B2 (ja) 2001-08-28 2005-09-14 三菱電機株式会社 乱気流予測装置及び乱気流予測方法
JP2004279400A (ja) * 2003-02-24 2004-10-07 Mitsubishi Electric Corp 発雷予測支援装置
JP5152748B2 (ja) * 2007-10-09 2013-02-27 独立行政法人 宇宙航空研究開発機構 予測乱気流域解析装置
JP5255857B2 (ja) 2008-02-12 2013-08-07 ウェザー・サービス株式会社 乱気流予測システムおよび乱気流予測方法
US8930299B2 (en) * 2010-12-15 2015-01-06 Vaisala, Inc. Systems and methods for wind forecasting and grid management
US20210063429A1 (en) * 2018-08-28 2021-03-04 Ball Aerospace & Technologies Corp. Optical Wind Lidar-Based Multifunctional Instrument for Enhanced Measurements and Prediction of Clear Air Turbulence and Other Wind-Based Aviation Related Phenomena
CN110083977B (zh) * 2019-05-14 2023-06-06 南京大学 一种基于深度学习的大气湍流监测方法

Also Published As

Publication number Publication date
JP7023434B1 (ja) 2022-02-21
EP4191289A4 (en) 2024-04-24
EP4191289A1 (en) 2023-06-07
JPWO2022029847A1 (zh) 2022-02-10
US20230281475A1 (en) 2023-09-07
WO2022029847A1 (ja) 2022-02-10

Similar Documents

Publication Publication Date Title
CN108227041B (zh) 基于站点实测数据和模式结果的水平能见度预报方法
Ke et al. A partitioned and asynchronous cellular automata model for urban growth simulation
CN109508360B (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
Agboola et al. Development of a fuzzy logic based rainfall prediction model
CN104200484B (zh) 基于云团特征分析的分布式光伏系统超短期出力预测方法
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
CN110009037B (zh) 一种基于物理信息耦合的工程风速短时预测方法及系统
JP7157620B2 (ja) 予測システムおよび予測方法
Yao et al. Simulating urban growth processes by integrating cellular automata model and artificial optimization in Binhai New Area of Tianjin, China
KR100619144B1 (ko) 실시간 기상 데이터 처리 시스템 및 방법
CN116324523A (zh) 湍流预测系统以及湍流预测方法
CN112232591A (zh) 基于气象因素的覆冰厚度智能预警方法
Olya et al. Modeling tourism climate indices through fuzzy logic
CN115032720A (zh) 基于随机森林的多模式集成预报在地面气温预报中的应用
CN115879498A (zh) 一种基于图神经网络的海洋环境参数快速精细化预报方法
Charlton-Perez et al. Do AI models produce better weather forecasts than physics-based models? A quantitative evaluation case study of Storm Ciarán
Rocha et al. Modelling coastal and land use evolution patterns through neural network and cellular automata integration
CN114637305B (zh) 一种无人机最短路径规划方法及装置
CN116167254A (zh) 基于城市大数据的多维城市仿真推演方法和系统
Martínez-Arellano et al. Characterisation of large changes in wind power for the day-ahead market using a fuzzy logic approach
de Castro et al. Seasonal rainfall forecast using a neo-fuzzy neuron model
Madraky et al. Analytic methods for spatio-temporal data in a nature-inspired data model
Huang et al. Deep ConvLSTM-inception network for traffic prediction in smart cities
CN114360739B (zh) 一种基于遥感云计算与深度学习的登革热风险预测方法
CN117458450B (zh) 电力数据能耗预测分析方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination