JP2004117228A - 気象物理量の推定方法 - Google Patents
気象物理量の推定方法 Download PDFInfo
- Publication number
- JP2004117228A JP2004117228A JP2002282167A JP2002282167A JP2004117228A JP 2004117228 A JP2004117228 A JP 2004117228A JP 2002282167 A JP2002282167 A JP 2002282167A JP 2002282167 A JP2002282167 A JP 2002282167A JP 2004117228 A JP2004117228 A JP 2004117228A
- Authority
- JP
- Japan
- Prior art keywords
- estimation
- weather
- physical quantity
- period
- meteorological
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Abstract
【解決手段】気象物理量を対象とした気象庁発表の長期予報を取得するデータ取得ステップ0201、気象物理量の従う時系列モデルを作成する気象時系列モデル作成ステップ0202、推定期間における推定地点の気象物理量をシミュレーション回数だけシミュレートする気象物理量シミュレーションステップ0203、気象物理量のシミュレーション結果を気象物理量推定結果として出力する気象物理量推定結果出力ステップ0204を有する。さらに、気象時系列モデル作成ステップ0202を、気象時系列モデルのパラメータ推定ステップ02021および気象時系列モデルのパラメータ補正ステップ02022から構成する。
【選択図】 図2
Description
【発明の属する技術分野】
本発明は、気温・降水量などの気象物理量の推定方法に関し、特に過去に観測した気象物理量の履歴と、気象庁が発表する長期予報から気象時系列モデルを作成し、この作成したモデルに基づいて気象物理量を推定する方法に関する。
【0002】
【従来の技術】
気温、降水量、積雪量などの変動によって被る売上金減少や費用増加をヘッジするための金融派生商品として、天候デリバティブ(取引)が知られている。天候デリバティブ取引は、天候により売上が大きく左右される顧客(企業、団体、法人、組合、…)と、例えば損害保険会社(銀行、…)の間でなされる。気温が平年に比べて低い場合の売上減少リスクをヘッジする場合には、例えば、次のような概要の契約を顧客と損害保険会社が結び、天候デリバティブ取引を行う。
【0003】
(1)観測期間:○月○日から△月△日まで
(2)観測指標:平均気温(1日の平均気温が××[℃]以下の日数)
(3)観測地点:○○市
(4)行使値:4日(1日の平均気温が××[℃]以下の日が4日以上あった場合に5日目から補償金受け取り)
(5)補償金:1日あたり○○万円(上限額○○万円)
(6)オプション料:○万円
このような契約内容の天候デリバティブ取引を行う場合、観測期間内の観測指標をどのように推定するかによって補償金の額が異なってくる。このため、観測指標の推定は、顧客にとっても損害保険会社などにとっても極めて重要になる。
【0004】
従来、観測指標となる気温・降水量などの気象物理量の推定には、まず観測地点における過去の気象物理量の履歴から気象時系列モデルを作成し、そのモデルに基づいて観測期間内の気象物理量の変動を、モンテカルロ・シミュレーションなどで推定するという方法が採られてきた。
【0005】
例として、日々の気温に対する気象時系列モデルで有名なDischelモデルを挙げる。Dischelモデルは(数1)のように表される。
【0006】
【数1】
ここでnはある任意の日(例えば2000年1月1日)を1日目とした場合のn日目(例えばn=32であれば2000年2月1日)を表し、Θnはn日目にあたる日付の平年気温(例えばn=32であれば2月1日の過去数年間の平均気温)、Tnはn日目の気温を表している。ここでパラメータβ、μ、σは定数である。またεnは平均μ、分散σ2の正規分布に従う確率変数である。さらにβは、あるn日目の気温Tnが、対象日の過去数年間の平年気温Θnと、対象日nの前日の気温Tn−1に、それぞれどの程度の割合で依存しているかを表している。3つのパラメータの値は一般に、観測地点における過去数年の気温の履歴から、最小二乗法を用いて推定される。
一旦パラメータが決定したら、初期値T0と乱数列ε1、ε2、ε3、…を与えれば、次々に気温時系列T1、T2、T3、…を推定する事ができる。推定期間がn=1からn=Nならば、T1、…、TNで一組の推定気温時系列である。このような推定気象時系列を、乱数列を変える事により数千〜数万通り推定する。
そして、各推定気温時系列において損害保険会社が顧客に補償金として支払う金額を計算し、その確率密度分布を計算する。損害保険会社は最終的に、この確率密度分布を元にオプション料を計算する。以上が従来のオプション料計算プロセスの概略である。
また、気温・降水量などの気象物理量の推定は、このようは天候デリバティブ取引を行わない場合も、企業戦略や各種行事の遂行や活動などにとって、重要な意味を持つ。また、気温・降水量などの気象物理量は誰もが関心を持っている事象である。
【0007】
【発明が解決しようとする課題】
天候デリバティブ取引に代表される経済活動で用いられる気象モデルは、空間的に一点の、すなわち観測地点の気象変動のみに注目した簡潔な時系列モデルである。従来通りモデルのパラメータを過去の気象物理量の履歴のみから推定した場合、そのモデルによる将来予測は観測地点における平均的な傾向に過ぎない。つまり、今年の夏は冷夏になる可能性が高い、といった具体的な年毎の傾向を予想することはできない。
そもそも、そのような詳細な気象現象を予想するためには、気象庁が行っているような、極めて詳細な気象力学モデルに基づいた地球的スケールのシミュレーションを実行するなど、莫大な工数および各種データを解釈する卓越した技能が要求される。
実際気象庁は、そのような大規模なシミュレーション結果などの資料に基づいて、気温と降水量について向こう1か月、3か月の長期予報を発表している。その発表内容は、予報期間の期間平均気温(期間降水量)が「低い(少ない)」「平年並み」「高い(多い)」の3つの階級で予報される。各階級の幅は、1971年〜2000年の30年間における各階級の出現率が等分(それぞれ33%)となるように決められている。例えば、2002年8月16日に発表された「関東甲信地方 1か月予報(8月17日から9月16日までの天候見通し)」では、向こう1か月間の平均気温は「低い確率20%、平年並みの確率50%、高い確率30%」であった。長期予報の精度は年々向上しており、今後もコンピュータの能力向上とともに改善されて行くと期待されている。
【0008】
しかしながら、長期予報は期間平均気温・期間降水量の確率分布というマクロな情報を提供するだけであり、これに対し天候デリバティブ取引に代表される経済活動では、日々の気温・降水量などの確率分布というミクロな情報が必要とされる場合も多い。実際、Dischelモデルなどの気象時系列モデルは、年毎の傾向を予測することができないという短所があるものの、日々の気温・降水量などの確率分布というミクロな情報を取り扱うことができるという長所があったため、天候デリバティブ取引において普及したと考えられる。
【0009】
発明者は、もしマクロな長期予報を、ミクロな気象時系列モデルに反映させることができれば、両者の長所を兼ね備えた理想的な気象時系列モデルを作成することができることに注目した。
本特許の課題は、日々の気温・降水量などの気象物理量が経済活動に与える影響をより正確に評価する為に、気象庁が発表する長期予報を反映した日々の気象物理量を推定する方法、システム、プログラムおよびプログラムを格納した記憶媒体を提供することである。
【0010】
【課題を解決するための手段】
前記課題を解決するために、本発明では、過去に観測した気温・降水量などの気象物理量の履歴、気象物理量を推定する期間、推定する地点およびシミュレーション回数を含む気象物理量推定条件、推定地点の推定期間における気象物理量を対象とした気象庁発表の長期予報を取得するデータ取得ステップ、前記データ取得ステップで取得した過去の気象物理量の履歴と長期予報に基づいて、推定地点の推定期間における気象物理量に対する気象時系列モデルを作成しする気象時系列モデル作成ステップ、前記気象時系列モデル作成ステップで作成したモデルに基づいてシミュレーション回数だけシミュレートする気象物理量シミュレーションステップ、前記気象物理量シミュレーションステップのシミュレーション結果を気象物理量推定結果として出力する気象物理量推定結果出力ステップから気象物理量の推定方法を構成する。さらに、前記気象時系列モデル作成ステップを、前記データ取得ステップで取得した過去の気象物理量の履歴に基づいてモデルのパラメータを推定する気象時系列モデルのパラメータ推定ステップと、前記データ取得ステップで取得した長期予報に基づいて前記気象時系列モデルのパラメータ推定ステップで推定したパラメータに対して補正処理を行う気象時系列モデルのパラメータ補正ステップから構成する。
【0011】
【発明の実施の形態】
以下、図面を参照して本発明の実施形態を詳細に説明する。
実施例として、先ほど述べたDischelモデルを取り上げる。まずその理論的側面を説明し、次に理論に基づいた実践的側面について説明する。
<理論的側面>
はじめにDischelモデルによる期間平均気温の分布は正規分布になることを示し、次に長期予報の確率分布を正規分布に変換する方法を示す。さらに前者の正規分布を、後者の正規分布に一致させるようにパラメータに補正処理を行う方法と、その物理的原理について述べる。
【0012】
まず、Dischelモデルの生成する気温時系列の期間平均気温の分布が正規分布になることを示す。まず、(数1)のn日目の気温Tnは、初期値T0と平年気温列Θ1、Θ2、…を用いて次のように下すことができる。
【0013】
【数2】
第一項目と第二項目は確率的な変動には依存しない項であり、確率的な変動は第三項に集約されている。さらに、長期予報の期間平均気温に対応する物理量として、1日目からN日目までのN日間の期間平均気温τを次のように定義する。
【0014】
【数3】
τは次のように書き下すことができる。
【0015】
【数4】
ここでも第一項目と第二項目は確率的な変動には依存しない項であり、確率的な変動は第三項に集約されている。εiは平均μ分散σ2の正規分布に従っているので、結局τは平均E[τ]、分散V[τ]の正規分布に従っていることがわかる。ただしE[τ]とV[τ]は次式で与えられる。
【0016】
【数5】
以上のようにDischelモデルの生成する気温時系列の期間平均気温の分布が正規分布になることが示された。
一方、長期予報はτが従う確率分布を「低い確率」、「平年並みの確率」、「高い確率」で予報しており、(数5)で特徴付けられる正規分布と比較するのに適していない。
そこで、長期予報の確率分布を正規分布に変換する方法について述べる。「低い確率」をp1、「高い確率」をp2と書くことにする。この時「平年並みの確率」は当然1−p1−p2である。ここで、平均0分散1の標準正規分布に従っている確率変数xを考え、x1、x2を次のように定義する。
【0017】
【数6】
与えられたp1、p2に対して、(数6)の方程式をそれぞれx1、x2について数値的に解くのは容易である。実際、多くの数値計算ソフトにそのような機能が付属しているので、その解法については言及しない。ここで、長期予報によって与えられた平年並みの階級の区間を[τ1,τ2]と書くことにする。この区間は実際には、例えば「向こう1か月間の平均気温は、平均25.8℃、気温平年差−0.3℃〜+0.4℃」という形式で発表される。つまりこの場合、平年並みの階級の区間は[25.5℃, 26.2℃]である。さらに、次のような確率変数yを考える。
【0018】
【数7】
ただしC1、C2はこれから決定する定数である。明らかにyは平均C1分散C2 2の正規分布に従う。y1=C2x1+C1、y2=C2x2+C1と書くことにしよう。この時、y1=τ1、y2=τ2となるようにC1、C2を決定すれば、yは次のように各階級の確率分布が長期予報と等しい正規分布に従う。
【0019】
【数8】
具体的に連立方程式y1=C2x1+C1、y2=C2x2+C1をC1、C2について解くと次式を得る。
【0020】
【数9】
このようにして長期予報を、各階級の確率分布が長期予報のそれと等しい正規分布に変換することができる。以後、この変換された分布を、長期予報の正規分布と呼ぶ事にする。
【0021】
二つの正規分布を比較するには、平均と分散を比較すれば良い。Dischelモデルの正規分布の平均と分散はE[τ]とV[τ]であり、(数5)で与えられる。また長期予報の正規分布の平均と分散はC1、C2 2であり、(数9)で与えられる。両者は当然一般には一致しない。
しかしながら、使用されている情報量と気象モデルの精巧さなどを考慮すれば、長期予報の方が未来の気象現象をより的確に予測していると考えられる。
そこで、Dischelモデルの正規分布が長期予報の正規分布に一致するように、パラメータを決定する方法について以下に述べる。
長期予報だけから全てのパラメータが決定できれば一番良いのだが、Dischelモデルの場合には、それだけでは情報が足りない。(数5)、(数9)から平均と分散がそれぞれ等しいという連立方程式を立てると(数10)、(数11)のようになる。
【0022】
【数10】
【数11】
方程式2本に対して求めるべきパラメータ(β、μ、σ)が3つあるので、解を一意的に決定できないことがわかる。つまり、新たな情報が必要である。
【0023】
そこで、過去の気温履歴から有益な情報を引き出そう。例として観測地点東京における1971年1月1日から2000年12月31日まで日毎の平均気温データに注目する。このデータを3か月毎(季節毎)の区間に分け、区間毎にパラメータを推定した結果を図1に示す。各パラメータは区間毎に大きく揺らいでいることがわかる。このとき各パラメータの平均と標準偏差は表1のような結果であった。
【0024】
【表1】
この揺らぎの主な原因の一つは、例えば「今年の夏は猛暑である」あるいは「今年の冬は暖冬である」といった平年よりも偏った気象現象の発現である。逆に、パラメータが表1の標準偏差程度(Δβ、Δμ、Δσと書く)ゆらいだ場合、(数5)で与えられるE[τ]とV[τ]はどれだけ変化するだろうか。具体的に評価すると(数12)のような結果を得る。
【0025】
【数12】
但し、E[τ]とV[τ]は2001年6月1日から2001年8月31日までの期間平均気温τについて計算した値である。また、各パラメータは1971年1月1日から2000年12月31日までのデータから推定し、T0は2001年5月31日の一日平均気温とした。この結果は次のように解釈することができる。仮にτの平均値(すなわちE)が1℃変化したとしよう。Eの変化はβのゆらぎが原因であるとすると、βのゆらぎ幅はΔβの4倍程度必要になるが、標準偏差の4倍程度の大きなゆらぎが起きる確率は1万分の1より小さい。これに対し、Eの変化はμのゆらぎが原因であるとすると、μのゆらぎ幅はほぼΔμでよく、そのようなゆらぎが起きる確率は約30%である。従って、Eの変化を説明するのに最も確実性が高い。このようにしてEの変化を回帰する先はμであると結論できる。同様にして、Vの変化を回帰する先はβであると結論できる。還元すれば、σのゆらぎは近似的に無視でき、過去の気温履歴から推定した値を利用しても差し支えない。
この物理的性質に着目し、まず一旦過去の気温履歴からβ、μ、σを最小二乗法によって決定する。次に長期予報に基づいて、(数11)を満たすようにβを数値的に解き直し、その補正処理後のβを(数10)に代入して、μについて解き直す。このようにして、補正処理後のパラメータセットを得ることができる。
以上のようにして、長期予報を気象時系列モデルのパラメータに反映させて、今年の夏は冷夏になる可能性が高い、といった空間的に広大な領域の物理情報を実効的に取り込むことが可能となった。ただし、ここで展開した議論はDischelモデルに限定されたものではなく、幾つか提案されている他の気象時系列モデルであっても同様の議論が可能である。
<実践的側面>
図2は本発明に係わる気象物理量推定方法の実施形態を表すフローチャートである。
図2に示すように、本実施形態の気象物理量推定方法は、過去に観測した気象物理量の履歴情報である気象物理量履歴0211および、気象庁発表の長期予報0212および、気象物理量を推定する条件である推定条件0213を取得するデータ取得ステップ0201、データ取得ステップ0201にて取得した情報をもちいて気象物理量の時系列モデルを作成する気象時系列モデル作成ステップ0202、気象時系列モデル作成ステップ0202にて作成した気象系列モデルを用いて、気象物理量をシミュレートする気象物理量シミュレーションステップ0203、気象物理量シミュレーションステップ0203のシミュレーション結果を気象物理量推定結果0214として出力する気象物理量推定結果出力ステップ0204から成る。さらに、気象時系列モデル作成ステップ0202は、気象物理量履歴0211から気象時系列モデルのパラメータの値を推定する気象時系列モデルのパラメータ推定ステップ02021および、気象時系列モデルのパラメータ推定ステップで推定したパラメータに対し長期予報0212から補正処理を行う気象時系列モデルのパラメータ補正ステップ02022から成る。
次に、図2中の気象物理量履歴0211の一例を、図3を用いて説明する。
本実施形態の気象物理量履歴0211は、日付031および各観測地点における各日の1日平均気温032からなる。図3において、例えば1972年01月01日における東京の1日平均気温は4.1[℃]である。
次に、図2中の長期予報0212の一例を、図4を用いて説明する。
本実施形態の長期予報0212は、予報期間041、平年並みの範囲042、および「低い」「平年並み」「高い」の3階級の確率分布043から成る。図4は、気象庁が発表する長期予報の発表内容を表している。
次に、図2中の推定条件0213の一例を、図5を用いて説明する。
本実施形態の推定条件0213は、1日平均気温の推定期間051、推定地点052およびシミュレーション回数053から成る。図5は、東京における06月01日から08月31日までの1日平均気温時系列をシミュレーションによって10000通り生成することを表している。
次に、図2中のデータ取得ステップ0201を、図3、5、10を用いて説明する。
図5に示す推定条件0213では推定地点052が東京のため、図2中のデータ取得ステップ0201では、図3に示す気象物理量履歴0211から取得する気象物理量履歴は、図10に示すように、東京における過去の気象物理量となる。ただし、本実施形態のおいては、図4中の予報期間041と、図5中の推定期間051とは、予報期間041が推定期間051と一致する関係、あるいは予報期間041が推定期間051を含む関係にあるものとする。
次に本実施形態の気象時系列モデルのパラメータ推定ステップ02021の一例を、図6を用いて説明する。この気象時系列モデルのパラメータ推定ステップ02021は、過去の気象データから気象時系列モデルのパラメータを推定するものである。
本実施形態の気象時系列モデルのパラメータ推定ステップ02021では、(数1)で与えられるDischelモデルに関するパラメータβ、μ、σを推定する。
図6に示すように、図2の気象時系列モデルのパラメータ推定ステップ02021は、初期化ステップ0601、観測気温配列作成ステップ0602、平年気温配列作成ステップ0603、観測点配列作成ステップ0604、回帰分析ステップ0605から成る。
初期化ステップ0601では、平均気温履歴0211(図10)を参照し、履歴の総年数Yを格納する。例えば図10は31年分のデータなのでY=31である。観測気温配列作成ステップ0602では、平均気温に履歴0211(図10)を参照し、うるう年の場合には2月29日をスキップしながら、観測気温配列 T[I](I=1、…、365*Y)を作成する。平年気温配列作成ステップでは、観測気温配列からY年間の同じ日付の日についての気温の平均、すなわち平年気温配列 Θ[I](I=1、…、365)を、(数13)によって作成する。
【0026】
【数13】
ここで、(数1)に対して(数14)のような回帰式を立てる。
【0027】
【数14】
ただしδは平均0の残差である。この回帰式に対して、説明変数xと目的変数yをそれぞれ、(数15)としたM=365*Y−1個の観測点を用意する。
【0028】
【数15】
そして、これらの観測点によって回帰分析を行い、βとμおよび残差δの分散であるσ2 を求める。その為に、観測点配列作成ステップでは、観測気温配列T[I]と平年気温配列Θ[I]から、目的変数配列Y[I](I=1、…、M)と説明変数配列X[I](I=1、…、M)を(数16)に従って作成する。
【0029】
【数16】
回帰分析ステップでは、観測点配列作成ステップで作成したX[I]とY[I]をもとに、最小二乗法によって導出した(数17)に従ってβ、μ、σ2を推定する。
【0030】
【数17】
次に本実施形態の気象時系列モデルのパラメータ補正ステップ02022の一例を、図7を用いて説明する。この気象時系列モデルのパラメータ補正ステップ02021は、過去の気象データから決定したパラメータに対し、長期予報の情報を取り込むように補正処理を行うものである。
図7に示すように、図2の気象時系列モデルのパラメータ補正ステップ02022は、長期予報データ格納ステップ0701、推定条件格納ステップ0702、x1およびx2の計算ステップ0703、β計算ステップ0704、μ計算ステップ0705から成る。
【0031】
長期予報データ格納ステップ0701では、図2のデータ取得ステップで取得した長期予報から、「低い確率」と「高い確率」をそれぞれp1とp2に、平年並みの区間の下限と上限をそれぞれτ1とτ2に格納する。また、予報期間の日数を計算してNに格納し、平年気温配列Θ[I](I=1、…、365)から予報期間の平年気温配列Θ’[I](I=1、…、N)を格納し、平年気温配列Θ[I](I=1、…、365)から予報期間の前日の気温をT0として格納する。正規分布の逆関数計算ステップ0702では、方程式(数6)をx1とx2について数値的に解く。β計算ステップ0703では、方程式(数11)をβについて数値的に解く。ただし、σ2は図6の回帰分析ステップ0605で取得した値を用いる。また、方程式(数11)をβについて数値的に解くのは、ニュートン・ラプソン法などを用いれば容易に解くことができるので詳細な解法については言及しない。μ計算ステップ0704では、(数12)の方程式をμについて解いた(数18)によってμを計算する。ただし、βはβ計算ステップ0703で取得した値を用いる。
【0032】
【数18】
次に本実施形態の気象物理量シミュレーションステップ0203の一例を、図8を用いて説明する。この気象物理量シミュレーションステップ0203は、気象時系列モデル作成ステップ0202で作成した気象時系列モデルに基づいてシミュレーションを実行するものである。
【0033】
図8に示すように、図2の気象物理量シミュレーションステップ0203は、推定条件格納ステップ0801、シミュレーション初期化ステップ0802、乱数発生ステップ0803、気温推定ステップ0804、推定期間終了判定ステップ0805、推定日数加算ステップ0806、推定気温時系列蓄積ステップ0807、シミュレーション回数終了判定ステップ0808、シミュレーション番号加算ステップ0809から成る。
【0034】
推定条件格納ステップ0801では、推定期間の日数を計算してN’に格納し、シミュレーション回数をLに格納し、シミュレーション番号Pを1に初期化する。シミュレーション初期化ステップ0802では、推定気温時系列S[I](I=0、…、N’)を、S[0]=T0、S[I]=0(I=1、…、N’)と初期化し、推定日数カウンタCを1に初期化する。乱数発生ステップ0803では、平均μ分散σ2の正規分布に従った乱数Uを発生する。ただし、μは図7のμ計算ステップ0705で取得した値を、またσ2は図6の回帰分析ステップ0605で取得した値を用いる。気温推定ステップ0804では、(数19)に従ってC日目の気温S[C]を推定する。
【0035】
【数19】
推定期間終了判定ステップ0805では、推定日数カウンタCが推定期間日数N’に等しいかどうかを判定し、等しくなければ推定日数加算ステップ0806に、また等しければ推定気温時系列蓄積ステップ0807に、それぞれ処理が移る。推定日数加算ステップ0806では、推定日数Cをカウントアップする。推定気温時系列蓄積ステップ0807では、推定気温時系列S[I](I=0、…、N’)をデータ蓄積用二次元配列R[J][I](J=1、…、L;I=1、…、N’)に、R[P][I]=S[I](I=1、…、N’)となるようにコピーする。シミュレーション終了判定ステップ0808ではシミュレーション番号Pがシミュレーション回数Lに等しいかどうかを判定し、等しくなければシミュレーション番号加算ステップ0809に、また等しければ終了し気象物理量推定結果出力ステップ0204に、それぞれ処理が移る.
次に、図2の気象物理量推定結果出力ステップ0204を、図2、8を用いて説明する。図2の気象物理量推定結果出力ステップ0204は、図8の推定気温時系列蓄積ステップ0807において蓄積されたデータ蓄積用二次元配列R[J][I](J=1、…、L;I=1、…、N’)などを元に、図2の気象物理量推定結果0214を出力する。
次に、図2の気象物理量推定結果0214の一例を、図9を用いて説明する。本実施形態の気象物理量推定結果0214は、日付091、シミュレーション番号092、および各シミュレーション番号の各日付における推定気温093からなる。図9において、例えばシミュレーション番号2の07月01日の1日推定気温は25.3[℃]である。
次に、本発明に係わる気象物理量推定システムの実施形態(第一実施形態)を、図11から図14を用いて説明する。
本実施形態の気象物理量推定システムは、図11のように表示装置111、CPU(演算処理装置)112、システムの起動プログラム1131を格納したROM(Read Only Memory)113、キーボード装置114、マウス装置115、主記憶装置116、オペレーティングシステム1171、気象物理量推定プログラム1172および気象物理量履歴0211を格納した外部記憶装置117が通信バス118で繋がる構成を取る。
【0036】
まず物理量推定システムのハードウェアを起動すると、図12のようにオペレーティングシステム1171を主記憶装置116へロードする。さらに、気象物理量推定システムのアプリケーションを起動すると、図13のようにオペレーティングシステム1171および気象物理量推定プログラム1172を主記憶装置116へロードする。さらに、気象物理量の推定を実行すると、図14のように気象物理量推定プログラム1171が気象物理量履歴0211、並びに表示装置111、キーボード装置114、マウス装置115を通じて入力された長期予報0212と推定条件0213を読み込んで気象物理量の推定を実行し、気象物理量推定結果0214を外部記憶装置117へ出力する。
【0037】
次に図11から図14の気象物理量推定プログラム1172の一例を、図15を用いて説明する。
【0038】
本実施形態の気象物理量推定プログラムは、データ取得モジュール151、気象時系列モデル作成モジュール152、気象物理量シミュレーションモジュール153および気象物理量推定結果出力モジュール154から成る。さらに、気象時系列モデル作成モジュール152は気象時系列モデルのパラメータ推定モジュール1521および気象時系列モデルのパラメータ補正モジュール1522から成る。
データ取得モジュール151、気象時系列モデル作成モジュール152、気象物理量シミュレーションモジュール153、気象物理量推定結果出力モジュール154、気象時系列モデルのパラメータ推定モジュール1521、気象時系列モデルのパラメータ補正モジュール1522は、それぞれ図2中のデータ取得ステップ0201、気象時系列モデル作成ステップ0202、気象物理量シミュレーションステップ0203、気象物理量推定結果出力ステップ0204、気象時系列モデルのパラメータ推定ステップ02021、気象時系列モデルのパラメータ補正ステップ02022に従った処理を行うプログラムモジュールである。
【0039】
第二実施形態の気象物理量推定システムの実施形態(第二実施形態)を、図16から図19を用いて説明する。なお、第二実施形態は、通信ネットワークを介して情報の送受信を行う実施形態である。
【0040】
第二実施形態の気象物理量推定システムは、図16のようにクライアント161、通信ネットワーク162、サーバ163、クライアント161と通信ネットワーク162を接続する通信線164およびサーバ163と通信ネットワーク162を接続する通信線165から成る。さらに、クライアント161は表示装置1611、CPU1612、システムの起動プログラム16131を格納したROM1613、キーボード装置1614、マウス装置1615、主記憶装置1616、オペレーティングシステム16171、通信モジュール16172を格納した外部記憶装置1617、通信装置1618が通信バス1619で繋がる構成を取る。ここで通信モジュール16172は通信装置1618および通信線164を介してクライアント161と通信ネットワーク162の情報をやり取りするプログラムモジュールである。また、サーバ163はCPU1631、システムの起動プログラム16321を格納したROM1632、通信装置1633、主記憶装置1634、オペレーティングシステム16351、気象物理量推定プログラム16352、通信モジュール16353および気象物理量履歴0211を格納した外部記憶装置1635が通信バス1636で繋がる構成を取る。ここで通信モジュール16353は通信装置1633および通信線165を介してサーバ163と通信ネットワーク162の情報をやり取りするプログラムモジュールである。
【0041】
気象物理量推定システムのクライアントおよびサーバのハードウェアを起動すると、図17のようにクライアント161側ではオペレーティングシステム16171を主記憶装置1616へロードし、サーバ163側ではオペレーティングシステム16351を主記憶装置1634へロードする。さらに、気象物理量推定システムのクライアントおよびサーバのアプリケーションを起動すると、図18のようにクライアント161側では通信モジュール16172を主記憶装置1616へロードし、サーバ163側では気象物理量推定プログラム16352及び通信モジュール16353を主記憶装置1634へロードする。
【0042】
さらに、気象物理量の推定を実行すると、図19のように、気象物理量推定プログラム16352が気象物理量履歴0211、並びにクライアントの表示装置1611、キーボード装置1614、マウス装置1615を通じて入力された長期予報0212と推定条件0213を読み込んで気象物理量の推定を実行し、気象物理量推定結果0214をクライアントの外部記憶装置1617へ出力する。なお、気象物理量推定プログラム16352は図15で示した実施形態と同様の構成をとる。
次に本発明に係わる第一・第二実施形態の気象物理量推定システムにおける長期予報の入力画面の一例を、図20を用いて説明する。
【0043】
一例として示す長期予報の入力画面は、予報期間入力プルダウンメニュー201、確率分布入力プルダウンメニュー202から成る。本入力画面にて入力された結果が長期予報0212として気象物理量推定プログラムに入力される。なお、長期予報の入力画面に表示する情報はこの限りではない。ちなみに、第二実施形態では、入力画面表示用のデータは、例えばサーバ163から送信され、クライアント161の図示していないブラウザプログラムにより入力画面として構築される。
次に本発明に係わる第一・第二実施形態の気象物理量推定システムにおける推定条件の入力画面の一例を、図21を用いて説明する。
【0044】
一例として示す推定条件の入力画面は、推定期間入力プルダウンメニュー211、推定地点入力212およびシミュレーション回数入力プルダウンメニュー213から成る。本入力画面にて入力された結果が推定条件0213として気象物理量推定プログラムに入力される。なお、推定条件の入力画面に表示する情報はこの限りではない。ちなみに、第二実施形態では、入力画面表示用のデータは、例えばサーバ163から送信され、クライアント161の図示していないブラウザプログラムにより入力画面として構築される。
以上説明した本発明は、前記した実施形態に限定されることなく幅広く変形実施することができる。
まず、ここで挙げたDischelモデルは一例に過ぎず、他に提案されている気象時系列モデルであっても同様な方法でモデルに長期予報を取り込むことができる。また、例えば1か月長期予報では、向こう1か月間の期間平均気温・期間累積降水量の確率分布の他に、向こう1か月の第1週・第2週・第3〜4週毎の期間平均気温・期間累積降水量の確率分布を提供しているが、これらの情報を取り込むように本実施形態を拡張することは容易である。例えば、第1週・第2週・第3〜4週毎にパラメータ補正処理を行い、シミュレーションを行う際各区間に対応したパラメータを用いればよい。
また、例えば、通信ネットワークを介した第二実施形態は、クライアントに対して課金する有償サービスにすることもできる。また、課金しない有償サービスにすることもできる。
【0045】
【発明の効果】
本発明によれば、将来の日々の気温・降水量などの気象物理量を、過去の履歴にのみ基づくのでなく、長期予報を反映して推定できるので、経済活動に与える影響をより正確に評価することができる。
【図面の簡単な説明】
【図1】パラメータ推定値の3か月(季節毎)の推移を示すグラフである。
【図2】本発明に係わる実施形態の気象物理量の推定方法を示すフローチャートである。
【図3】図2の気象物理量履歴の一例を示すテーブルである。
【図4】図2の長期予報の一例を示すテーブルである。
【図5】図2の推定条件の一例を示すテーブルである。
【図6】図2の気象時系列モデルのパラメータ推定ステップの一例を示すフローチャートである。
【図7】図2の気象時系列モデルのパラメータ補正ステップの一例を示すフローチャートである。
【図8】図2の気象物理量シミュレーションステップの一例を示すフローチャートである。
【図9】図2の気象物理量推定結果の一例を示すテーブルである。
【図10】図5の推定条件に基づいて図3から取得した気象物理量履歴の一例を示したテーブルである。
【図11】本発明に係わる第一実施形態の気象物理量推定システムの構成例を示すブロック図である。
【図12】図11の気象物理量推定システムにおけるハードウェア起動時の状態の例を示すブロック図である。
【図13】図11の気象物理量推定システムにおけるアプリケーション起動時の状態の例を示すブロック図である。
【図14】図11の気象物理量推定システムにおける気象物理量推定実行時の状態の例を示すブロック図である。
【図15】図11の気象物理量推定システムにおける気象物理量推定プログラムモジュール一例を示すブロック図である。
【図16】本発明に係わる第二実施形態の気象物理量推定システムの構成例を示すブロック図である。
【図17】図16の気象物理量推定システムにおけるハードウェア起動時の状態の例を示すブロック図である。
【図18】図16の気象物理量推定システムにおけるアプリケーション起動時の状態の例を示すブロック図である。
【図19】図16の気象物理量推定システムにおける気象物理量推定実行時の状態の例を示すブロック図である。
【図20】図11・図16の気象物理量推定システムにおける長期予報入力画面の一例を示す図である。
【図21】図11・図16の気象物理量推定システムにおける推定条件入力画面の一例を示す図である。
【符号の説明】
0211…気象物理量履歴、0212…長期予報、0213…推定条件、0201…データ取得ステップ、0202…気象時系列モデル作成ステップ、0203気象物理量シミュレーションステップ、0204…気象物理量推定結果出力ステップ、0214…気象物理量推定結果、02021…気象時系列モデルのパラメータ推定ステップ、02022…気象時系列モデルのパラメータ補正ステップ。
Claims (13)
- 過去に観測した気温・降水量などの気象物理量の履歴と、気象物理量を推定する推定期間、推定する推定地点およびシミュレーション回数を含む気象物理量の推定条件と、前記推定地点の前記推定期間における気象物理量を対象とした気象庁発表の長期予報とを入力とし、入力した前記気象物理量の履歴と前記長期予報に基づいて、前記推定地点の前記推定期間における気象物理量に対する気象時系列モデルを作成し、この作成したモデルに基づいて前記シミュレーション回数だけシミュレートした結果を気象物理量推定結果として出力することを特徴とする気象物理量の推定方法。
- 過去に観測した気温・降水量などの気象物理量の履歴と、気象物理量を推定する推定期間、推定する推定地点およびシミュレーション回数を含む気象物理量の推定条件と、前記推定地点の前記推定期間における気象物理量を対象とした気象庁発表の長期予報とを取得するデータ取得ステップ、前記データ取得ステップで取得した過去の気象物理量の履歴と長期予報に基づいて、前記推定地点の前記推定期間における気象物理量に対する気象時系列モデルを作成する気象時系列モデル作成ステップ、前記気象時系列モデル作成ステップで作成したモデルに基づいて前記シミュレーション回数だけシミュレートする気象物理量シミュレーションステップ、前記気象物理量シミュレーションステップのシミュレーション結果を気象物理量推定結果として出力する気象物理量推定結果出力ステップ、を備える気象物理量の推定方法であって、
前記気象時系列モデル作成ステップは、前記データ取得ステップで取得した過去の気象物理量の履歴に基づいてモデルのパラメータを推定する気象時系列モデルのパラメータ推定ステップと、前記データ取得ステップで取得した長期予報に基づいて前記気象時系列モデルのパラメータ推定ステップで推定したパラメータに対して補正処理を行う気象時系列モデルのパラメータ補正ステップから成ること、を特徴とする気象物理量の推定方法。 - 請求項2に記載の気象物理量の推定方法であって、
前記データ取得ステップで取得する長期予報は、前記推定期間を包含する予報期間と、前記予報期間における期間平均気温に対する「平年並み」の階級の区間および「低い」「平年並み」「高い」の3階級の確率分布を含み、前記気象時系列モデルのパラメータ補正ステップは、モデルのパラメータのうち、期間平均気温の確率分布を特徴付けるパラメータに対して、前記データ取得ステップで取得した長期予報に基づいて補正処理を行う気象時系列モデルのパラメータ補正ステップであること、を特徴とする気象物理量の推定方法。 - 請求項2に記載の気象物理量の推定方法であって、
前記データ取得ステップで取得する長期予報は、前記推定期間を包含する予報期間と、前記予報期間における期間累積降水量に対する「平年並み」の階級の区間および「少ない」「平年並み」「多い」の3階級の確率分布を含み、前記気象時系列モデルのパラメータ補正ステップは、モデルのパラメータのうち、期間累積降水量の確率分布を特徴付けるパラメータに対して、前記データ取得ステップで取得した長期予報に基づいて補正処理を行う気象時系列モデルのパラメータ補正ステップであること、を特徴とする気象物理量の推定方法。 - 過去に観測した気温・降水量などの気象物理量の履歴と、気象物理量を推定する推定期間、推定する推定地点およびシミュレーション回数を含む気象物理量の推定条件と、前記推定地点の前記推定期間における気象物理量を対象とした気象庁発表の長期予報とを取得するデータ取得手段、前記データ取得手段で取得した過去の気象物理量の履歴に基づいて、推定地点の推定期間における気象物理量に対する気象時系列モデルのパラメータを推定すると共に、前記データ取得ステップで取得した長期予報に基づいて、前記推定された気象時系列モデルのパラメータを補正する気象時系列モデル作成手段、前記気象時系列モデル作成手段で作成したモデルを用いて前記推定期間における前記推定地点の日々の気象物理量を前記シミュレーション回数だけシミュレートする気象物理量シミュレーション手段、及び前記気象物理量シミュレーション手段のシミュレーション結果を気象物理量推定結果として出力する気象物理量推定結果出力手段を備える気象物理量の推定システム。
- 請求項5に記載の気象物理量の推定システムにおいて、
前記データ取得手段で取得する長期予報は、前記推定期間を包含する予報期間と、前記予報期間における期間平均気温に対する「平年並み」の階級の区間および「低い」「平年並み」「高い」の3階級の確率分布を含み、前記気象時系列モデル作成手段は、気象時系列モデルのパラメータを補正する際、モデルのパラメータのうち、期間平均気温の確率分布を特徴付けるパラメータに対して、前記データ取得手段で取得した長期予報に基づいて補正処理を行う構成を有することを特徴とする気象物理量の推定システム。 - 請求項5に記載の気象物理量の推定システムにおいて、
前記データ取得手段で取得する長期予報は、前記推定期間を包含する予報期間と、前記予報期間における期間累積降水量に対する「平年並み」の階級の区間および「少ない」「平年並み」「多い」の3階級の確率分布を含み、前記気象時系列モデル作成手段は、気象時系列モデルのパラメータを補正する際、モデルのパラメータのうち、期間累積降水量を特徴付けるパラメータに対して、前記データ取得手段で取得した長期予報に基づいて補正処理を行う構成を有することを特徴とする気象物理量の推定システム。 - 請求項5に記載の気象物理量の推定システムにおいて、ネットワークを介して情報を送受信する通信手段を備え、前期データ取得手段が前記長期予報と前記推定条件を前記ネットワークを介して取得する構成を有すると共に、前記気象物理量推定結果出力手段が前記気象物理量推定結果を前記ネットワークを介して出力する構成を有することを特徴とする気象物理量の推定システム。
- 過去に観測した気温・降水量などの気象物理量の履歴を用いてある地点におけるある期間の気象物理量を推定するため、コンピュータを、
過去に観測した気温・降水量などの気象物理量の履歴と、気象物理量を推定する期間、推定する地点およびシミュレーション回数を含む気象物理量の推定条件と、推定地点の推定期間における気象物理量を対象とした気象庁発表の長期予報とを取得するデータ取得モジュール、
前記データ取得モジュールで取得した過去の気象物理量の履歴に基づいて、推定地点の推定期間における気象物理量に対する気象時系列モデルのパラメータを推定する気象時系列モデルのパラメータ推定モジュール、
前記データ取得ステップで取得した長期予報に基づいて前記気象時系列モデルのパラメータ推定モジュールで推定されたパラメータを補正する気象時系列のパラメータ補正モジュールから成り気象物理量の従う気象時系列モデルを作成する気象時系列モデル作成モジュール、
前記気象時系列モデル作成モジュールで作成したモデルを用いて前記推定期間における前記推定地点の日々の気象物理量を前記シミュレーション回数だけシミュレートする気象物理量シミュレーションモジュール、及び
前記気象物理量シミュレーションモジュールのシミュレーション結果を気象物理量推定結果として出力する気象物理量推定結果出力モジュール、
として機能させることを特徴とする気象物理量の推定プログラム。 - 請求項9に記載の気象物理量の推定プログラムにおいて、
前記データ取得モジュールで取得する長期予報は、前記推定期間を包含する予報期間と、前記予報期間における期間平均気温に対する「平年並み」の階級の区間および「低い」「平年並み」「高い」の3階級の確率分布を含み、前記気象時系列モデルのパラメータ補正モジュールは、モデルのパラメータのうち、期間平均気温の確率分布を特徴付けるパラメータに対して、前記データ取得手段で取得した長期予報に基づいて補正処理を行う構成を有することを特徴とする気象物理量の推定プログラム。 - 請求項9に記載の気象物理量の推定プログラムにおいて、
前記データ取得ステップで取得する長期予報は、前記推定期間を包含する予報期間と、前記予報期間における期間累積降水量に対する「平年並み」の階級の区間および「少ない」「平年並み」「多い」の3階級の確率分布を含み、前記気象時系列モデルのパラメータ補正モジュールは、モデルのパラメータのうち、期間累積降水量の確率分布を特徴付けるパラメータに対して、前記データ取得手段で取得した長期予報に基づいて補正処理を行う構成を有することを特徴とする気象物理量の推定プログラム。 - 請求項9記載の気象物理量の推定プログラムにおいて、前記コンピュータを、さらにネットワークを介して情報を送受信する通信プログラムモジュールとして機能させ、前期データ取得モジュールが前記長期予報と前記推定条件を前記ネットワークを介して取得する構成を有すると共に、前記気象物理量推定結果出力モジュールが前記気象物理量推定結果を前記ネットワークを介して出力する構成を有することを特徴とする気象物理量の推定プログラム。
- 過去に観測した気温・降水量などの気象物理量の履歴と、気象物理量を推定する期間、推定する地点およびシミュレーション回数を含む気象物理量の推定条件と、推定地点の推定期間における気象物理量を対象とした気象庁発表の長期予報とを取得するデータ取得モジュール、前記データ取得モジュールで取得した過去の気象物理量の履歴に基づいて、推定地点の推定期間における気象物理量に対する気象時系列モデルのパラメータを推定する気象時系列モデルのパラメータ推定モジュール、前記データ取得ステップで取得した長期予報に基づいて前記気象時系列モデルのパラメータ推定モジュールで推定されたパラメータを補正する気象時系列のパラメータ補正モジュールから成り気象物理量の従う気象時系列モデルを作成する気象時系列モデル作成モジュール、前記気象時系列モデル作成モジュールで作成したモデルを用いて前記推定期間における前記推定地点の日々の気象物理量を前記シミュレーション回数だけシミュレートする気象物理量シミュレーションモジュール、および、前記気象物理量シミュレーションモジュールのシミュレーション結果を気象物理量推定結果として出力する気象物理量推定結果出力モジュールとしてコンピュータを機能させることを特徴とする気象物理量の推定プログラムを格納した記憶媒体。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002282167A JP3966139B2 (ja) | 2002-09-27 | 2002-09-27 | 気象物理量の推定方法 |
US10/441,094 US6778929B2 (en) | 2002-09-27 | 2003-05-20 | Method and system for estimating meteorological quantities |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002282167A JP3966139B2 (ja) | 2002-09-27 | 2002-09-27 | 気象物理量の推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2004117228A true JP2004117228A (ja) | 2004-04-15 |
JP3966139B2 JP3966139B2 (ja) | 2007-08-29 |
Family
ID=32025236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002282167A Expired - Fee Related JP3966139B2 (ja) | 2002-09-27 | 2002-09-27 | 気象物理量の推定方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US6778929B2 (ja) |
JP (1) | JP3966139B2 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006004212A (ja) * | 2004-06-18 | 2006-01-05 | Hitachi Ltd | 水害被害の推定方法をコンピュータに実行させるためのプログラム及び情報提示方法 |
JP2015163861A (ja) * | 2014-02-28 | 2015-09-10 | 中国電力株式会社 | 気温予測システム、気温予測方法 |
JP2018159709A (ja) * | 2013-04-04 | 2018-10-11 | スカイ モーション リサーチ, ユーエルシーSky Motion Research, Ulc | 選択可能な時間増分単位で短時間予報を生成し表示する方法 |
CN110333554A (zh) * | 2019-07-10 | 2019-10-15 | 南京恩瑞特实业有限公司 | Nriet暴雨智能相似分析方法 |
KR102099655B1 (ko) * | 2019-04-02 | 2020-05-26 | 부경대학교 산학협력단 | 강도 예측 기법과 확률 예측 기법을 통합한 장기예보 방법 |
JP2021001861A (ja) * | 2019-06-05 | 2021-01-07 | 青山シビルエンジニヤリング株式会社 | 雨量予測システム |
US11003810B2 (en) | 2014-08-25 | 2021-05-11 | Hitachi, Ltd. | Simulation system and simulation method |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6920233B2 (en) * | 2001-02-20 | 2005-07-19 | Massachusetts Institute Of Technology | Method and apparatus for short-term prediction of convective weather |
US7660705B1 (en) | 2002-03-19 | 2010-02-09 | Microsoft Corporation | Bayesian approach for learning regression decision graph models and regression models for time series analysis |
US7580813B2 (en) * | 2003-06-17 | 2009-08-25 | Microsoft Corporation | Systems and methods for new time series model probabilistic ARMA |
JP2005249455A (ja) * | 2004-03-02 | 2005-09-15 | Hitachi Ltd | 予測方法、そのプログラム及び予測システム |
US20080015906A1 (en) * | 2004-04-29 | 2008-01-17 | Fox Henry L | Weather Insurance |
US7596475B2 (en) * | 2004-12-06 | 2009-09-29 | Microsoft Corporation | Efficient gradient computation for conditional Gaussian graphical models |
US7421380B2 (en) * | 2004-12-14 | 2008-09-02 | Microsoft Corporation | Gradient learning for probabilistic ARMA time-series models |
EP1958141A1 (en) * | 2005-11-02 | 2008-08-20 | Swiss Reinsurance Company | A method and a computer system for forecasting the value of a structured financial product |
WO2007056873A2 (de) * | 2005-11-15 | 2007-05-24 | Swiss Reinsurance Company | Automatisiertes triggersystem mit rückgekoppelten zeitabhängigen triggerindices für kontrollvorrichtungen bei mehrstufigen schadendeckungssystemen für aufkommende und/oder sich ereignende wirbelstürme und entsprechendes verfahren dafür |
US7379817B1 (en) * | 2005-11-22 | 2008-05-27 | The Weather Channel, Inc. | Formulation of daily weather observation |
US7617010B2 (en) * | 2005-12-28 | 2009-11-10 | Microsoft Corporation | Detecting instabilities in time series forecasting |
US20080154786A1 (en) * | 2006-12-26 | 2008-06-26 | Weatherbill, Inc. | Single party platform for sale and settlement of OTC derivatives |
US20080249955A1 (en) * | 2007-04-03 | 2008-10-09 | Weatherbill, Inc. | System and method for creating customized weather derivatives |
US8594936B1 (en) * | 2008-12-31 | 2013-11-26 | The Weather Channel, Llc | Providing current estimates of precipitation accumulations |
EP3379301B1 (en) * | 2012-01-18 | 2019-08-07 | Earth Networks, Inc. | Using lightning data to generate proxy reflectivity data |
US10667456B2 (en) | 2014-09-12 | 2020-06-02 | The Climate Corporation | Methods and systems for managing agricultural activities |
US11113649B2 (en) | 2014-09-12 | 2021-09-07 | The Climate Corporation | Methods and systems for recommending agricultural activities |
US11069005B2 (en) | 2014-09-12 | 2021-07-20 | The Climate Corporation | Methods and systems for determining agricultural revenue |
US10564316B2 (en) | 2014-09-12 | 2020-02-18 | The Climate Corporation | Forecasting national crop yield during the growing season |
US11080798B2 (en) | 2014-09-12 | 2021-08-03 | The Climate Corporation | Methods and systems for managing crop harvesting activities |
US10677962B2 (en) * | 2015-03-06 | 2020-06-09 | The Climate Corporation | Estimating temperature values at field level based on less granular data |
EP3281158A1 (en) * | 2015-04-08 | 2018-02-14 | The Climate Corporation | Improving weather forecasts through post-processing |
EP3322279B1 (en) | 2015-07-15 | 2023-03-01 | Climate LLC | Generating digital models of nutrients available to a crop over the course of the crop's development based on weather and soil data |
CN105808948B (zh) * | 2016-03-08 | 2017-02-15 | 中国水利水电科学研究院 | 一种自动修正的多模式数值降雨集合预报方法 |
RU2630193C1 (ru) | 2016-04-18 | 2017-09-05 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система для создания прогноза погоды |
US10275550B2 (en) | 2016-04-27 | 2019-04-30 | The Climate Corporation | Assimilating a soil sample into a digital nutrient model |
CN106919645A (zh) * | 2017-01-17 | 2017-07-04 | 广西师范学院 | 复杂地貌大景区的景点气象要素智能精细预测方法 |
CN110390117A (zh) * | 2018-04-20 | 2019-10-29 | 中国电力科学研究院有限公司 | 一种雷暴起电过程的数值模拟方法和系统 |
CN110210142B (zh) * | 2019-06-05 | 2023-02-28 | 扬州大学 | 一种南方大型灌区水稻实时需水量测算方法 |
CN111275569B (zh) * | 2020-03-13 | 2024-01-23 | 中国农业科学院烟草研究所 | 一种烤烟产区生态特征测定方法、系统、存储介质、终端 |
CN112016739B (zh) * | 2020-08-17 | 2024-02-20 | 国网山东省电力公司潍坊供电公司 | 故障检测方法、装置、电子设备及存储介质 |
CN114391378B (zh) * | 2021-12-10 | 2023-08-04 | 航天信息股份有限公司 | 一种基于北斗定位与气象数据的粮库通风方法及系统 |
CN115204059B (zh) * | 2022-08-03 | 2023-04-14 | 中国环境科学研究院 | 一种基于深度学习气象场模拟仿真器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1096790A (ja) * | 1996-09-20 | 1998-04-14 | Omron Corp | 気象予測方法及び装置 |
JP2001216384A (ja) * | 2000-02-01 | 2001-08-10 | Nittan Energy Kk | ネットワークを用いた最適化支援システム及び最適化支援方法 |
JP2002092311A (ja) * | 2000-09-19 | 2002-03-29 | Ibj-Dl Financial Technology Co Ltd | リスク量定量化システム |
JP2002196085A (ja) * | 2000-12-25 | 2002-07-10 | Yokogawa Denshikiki Co Ltd | 路面状態予測システム |
JP2002288437A (ja) * | 2001-03-23 | 2002-10-04 | Sakura Bank Ltd | 天候デリバティブプライシングシステム及びその方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5469168A (en) * | 1991-05-16 | 1995-11-21 | The Commonwealth Of Australia, C/O The Secretary, Department Of Defence | Oceanographic and meteorological data |
FI922031A0 (fi) * | 1991-10-23 | 1992-05-05 | Antti Aarne Ilmari Lange | Foerfarande foer kalman-filter i stora system. |
US5878356A (en) * | 1995-06-14 | 1999-03-02 | Agrometrics, Inc. | Aircraft based infrared mapping system for earth based resources |
FI955489A0 (fi) * | 1995-11-15 | 1995-11-15 | Antti Aarne Ilmari Lange | Foerfarande foer adaptiv Kalmanfiltrering i dynamiska system |
US6563452B1 (en) * | 1998-07-06 | 2003-05-13 | Honeywell International Inc. | Apparatus and method for determining wind profiles and for predicting clear air turbulence |
US6418417B1 (en) * | 1998-10-08 | 2002-07-09 | Strategic Weather Services | System, method, and computer program product for valuating weather-based financial instruments |
US6535817B1 (en) * | 1999-11-10 | 2003-03-18 | The Florida State Research Foundation | Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble |
US6670908B2 (en) * | 2001-07-31 | 2003-12-30 | Baron Services, Inc. | Automated system and method for processing meteorological data |
-
2002
- 2002-09-27 JP JP2002282167A patent/JP3966139B2/ja not_active Expired - Fee Related
-
2003
- 2003-05-20 US US10/441,094 patent/US6778929B2/en not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1096790A (ja) * | 1996-09-20 | 1998-04-14 | Omron Corp | 気象予測方法及び装置 |
JP2001216384A (ja) * | 2000-02-01 | 2001-08-10 | Nittan Energy Kk | ネットワークを用いた最適化支援システム及び最適化支援方法 |
JP2002092311A (ja) * | 2000-09-19 | 2002-03-29 | Ibj-Dl Financial Technology Co Ltd | リスク量定量化システム |
JP2002196085A (ja) * | 2000-12-25 | 2002-07-10 | Yokogawa Denshikiki Co Ltd | 路面状態予測システム |
JP2002288437A (ja) * | 2001-03-23 | 2002-10-04 | Sakura Bank Ltd | 天候デリバティブプライシングシステム及びその方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006004212A (ja) * | 2004-06-18 | 2006-01-05 | Hitachi Ltd | 水害被害の推定方法をコンピュータに実行させるためのプログラム及び情報提示方法 |
JP2018159709A (ja) * | 2013-04-04 | 2018-10-11 | スカイ モーション リサーチ, ユーエルシーSky Motion Research, Ulc | 選択可能な時間増分単位で短時間予報を生成し表示する方法 |
JP2015163861A (ja) * | 2014-02-28 | 2015-09-10 | 中国電力株式会社 | 気温予測システム、気温予測方法 |
US11003810B2 (en) | 2014-08-25 | 2021-05-11 | Hitachi, Ltd. | Simulation system and simulation method |
KR102099655B1 (ko) * | 2019-04-02 | 2020-05-26 | 부경대학교 산학협력단 | 강도 예측 기법과 확률 예측 기법을 통합한 장기예보 방법 |
JP2021001861A (ja) * | 2019-06-05 | 2021-01-07 | 青山シビルエンジニヤリング株式会社 | 雨量予測システム |
CN110333554A (zh) * | 2019-07-10 | 2019-10-15 | 南京恩瑞特实业有限公司 | Nriet暴雨智能相似分析方法 |
CN110333554B (zh) * | 2019-07-10 | 2021-10-22 | 南京恩瑞特实业有限公司 | Nriet暴雨智能相似分析方法 |
Also Published As
Publication number | Publication date |
---|---|
JP3966139B2 (ja) | 2007-08-29 |
US20040064255A1 (en) | 2004-04-01 |
US6778929B2 (en) | 2004-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2004117228A (ja) | 気象物理量の推定方法 | |
Anenberg | Information frictions and housing market dynamics | |
Bauer et al. | Correcting estimation bias in dynamic term structure models | |
Cartea et al. | Pricing in electricity markets: a mean reverting jump diffusion model with seasonality | |
Gkritza et al. | Estimating cost discrepancies in highway contracts: Multistep econometric approach | |
Pirrong et al. | The price of power: The valuation of power and weather derivatives | |
Efimova et al. | Energy markets volatility modelling using GARCH | |
Weron et al. | Forecasting spot electricity prices: A comparison of parametric and semiparametric time series models | |
TW581955B (en) | Supply chain demand forecasting and planning | |
Carrillo | To sell or not to sell: Measuring the heat of the housing market | |
Zhuang et al. | A complementarity model for solving stochastic natural gas market equilibria | |
Jaeck et al. | Volatility in electricity derivative markets: The Samuelson effect revisited | |
Karlsson | Control problems in online advertising and benefits of randomized bidding strategies | |
Benth et al. | A space-time random field model for electricity forward prices | |
Tsai | The cause and outcomes of the ripple effect: housing prices and transaction volume | |
Ugurlu et al. | Performance of electricity price forecasting models: Evidence from turkey | |
Liu et al. | Bubbles, post-crash dynamics, and the housing market | |
Hummel et al. | Loss functions for predicted click‐through rates in auctions for online advertising | |
JP2004028625A (ja) | 降水量の推定方法、システム、プログラムおよびプログラムを格納した記憶媒体 | |
Evans et al. | The role of storage in a competitive electricity market and the effects of climate change | |
Brown et al. | Analyzing the impact of electricity market structure changes and mergers: The importance of forward commitments | |
Zhang et al. | Deferring real options with solar renewable energy certificates | |
Ciurlia et al. | A model for pricing real estate derivatives with stochastic interest rates | |
JP6507734B2 (ja) | 電力取引量決定システム、電力取引量決定方法およびプログラム | |
Hrdle et al. | Spatial risk premium on weather derivatives and hedging weather exposure in electricity |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050916 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20060420 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070423 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20070508 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20070521 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100608 Year of fee payment: 3 |
|
LAPS | Cancellation because of no payment of annual fees |