JP2016057193A - 気象予測装置及び気象予測方法 - Google Patents

Abstract

【課題】気象パラメータを高精度に予測することができる気象予測装置を提供する。
【解決手段】一実施形態に係る気象予測装置は、第１特徴量算出部と、第１誤差算出部と、第１モデル生成部と、第１係数算出部と、第１予測値算出部とを備える。第１特徴量算出部は、空画像から第１特徴量を算出する。第１誤差算出部は、数値シミュレーションによる気象パラメータの予測値である数値予測値と、気象パラメータの実測値と、の間の第１誤差を算出する。第１モデル生成部は、第１特徴量と、第１特徴量が算出された日時の所定時間後の第１誤差と、の関係を示す第１モデルを生成する。第１係数算出部は、第１モデルと予測対象日時の所定時間前の第１特徴量とから、第１特徴量に応じた予測対象日時の第１係数を算出する。第１予測値算出部は、予測対象日時の第１係数と、予測対象日時の数値予測値とに基づいて、予測対象日時の気象パラメータの第１予測値を算出する。
【選択図】図１

Description

本発明の実施形態は、気象予測装置及び気象予測方法に関する。

従来、気象予報の分野では、高速計算機を用いた数値シミュレーションにより気象パラメータを予測する数値予測が利用されている。数値予測では、雲の形状や種類が考慮されないため、雲の形状や種類に依存する気象パラメータの予測精度が低いという問題があった。例えば、数値予測では、雲の形状や種類に依存する日射強度や、直達光と散乱光との構成比率などを、高精度に予測することが困難であった。

特開２０１０−１２８７１１号公報

気象パラメータを高精度に予測することができる気象予測装置及び気象予測方法を提供する。

一実施形態に係る気象予測装置は、第１特徴量算出部と、第１誤差算出部と、第１モデル生成部と、第１係数算出部と、第１予測値算出部とを備える。第１特徴量算出部は、空画像から第１特徴量を算出する。第１誤差算出部は、数値シミュレーションによる気象パラメータの予測値である数値予測値と、気象パラメータの実測値と、の間の第１誤差を算出する。第１モデル生成部は、第１特徴量と、第１特徴量が算出された日時の所定時間後の第１誤差と、の関係を示す第１モデルを生成する。第１係数算出部は、第１モデルと予測対象日時の所定時間前の第１特徴量とから、第１特徴量に応じた予測対象日時の第１係数を算出する。第１予測値算出部は、予測対象日時の第１係数と、予測対象日時の数値予測値とに基づいて、予測対象日時の気象パラメータの第１予測値を算出する。

第１実施形態に係る気象予測装置の機能構成を示すブロック図。 空画像の一例を示す図。 数値予測値、実測値、及び雲特徴量の一例を示す表。 第１実施形態に係る気象予測装置のハードウエア構成を示すブロック図。 第１実施形態に係る気象予測装置の動作を示すフローチャート図。 数値予測値及び実測値の一例を示すグラフ。 補正モデルの一例を示すグラフ。 第１予測値の一例を示すグラフ。 第２実施形態に係る気象予測装置の機能構成を示すブロック図。 第２実施形態に係る気象予測装置の動作を示すフローチャート。 第３実施形態に係る気象予測装置の機能構成を示すブロック図。 第３実施形態に係る気象予測装置の動作を示すフローチャート。

以下、本発明の実施形態について図面を参照して説明する。

（第１実施形態）
第１実施形態に係る気象予測装置について、図１〜図８を参照して説明する。本実施形態に係る気象予測装置は、予測対象日時における対象パラメータの数値予測値を、予測対象日時より所定時間前の雲特徴量に基づいて補正する。これにより、気象予測装置は、予測対象日時における対象パラメータの第１予測値を算出する。

まず、第１実施形態に係る気象予測装置の機能構成について、図１〜図３を参照して説明する。図１は、本実施形態に係る気象予測装置の機能構成を示すブロック図である。図１に示すように、この気象予測装置は、空画像ＤＢ１、雲特徴量ＤＢ２、実測値ＤＢ３、数値予測値ＤＢ４、第１予測値ＤＢ５、雲特徴量算出部６、予測誤差算出部７、補正モデル生成部８、補正係数算出部９、及び第１予測値算出部１０を備える。

空画像ＤＢ１は、空画像を記憶する。空画像とは、気象観測用のカメラにより撮影された空の画像のことである。気象観測用のカメラは、地上に設置されたカメラであってもよいし、気象衛星に搭載されたカメラであってもよい。図２は、空画像の一例を示す図である。図２は、地上に設置された全天カメラにより撮影された空画像であり、２枚の空画像はそれぞれ異なる日時に撮影されている。図２に示すように、一方の空画像では雲が略一様であり、他方の空画像では雲の明暗差が大きいことがわかる。

雲特徴量ＤＢ２は、少なくとも１つの雲特徴量（第１特徴量）を記憶する。雲特徴量とは、図２に示したような空画像を画像解析することにより算出される特徴量である。雲特徴量は、例えば、輝度、青色成分輝度、青色成分比率、明度分布、彩度、色、雲の厚さ、雲の形状、又は雲の粒度であるが、これに限られない。

実測値ＤＢ３は、対象パラメータを含む少なくとも１つの気象パラメータの実測値を記憶する。気象パラメータとは、気象状態を示すパラメータである。気象パラメータは、例えば、温度、湿度、日射強度、風向、風速、及び降水量であるが、これに限られない。対象パラメータとは、気象パラメータのうち、この気象予測装置による予測の対象となる気象パラメータ、すなわち、気象予測装置が第１予測値を算出する気象パラメータのことである。なお、気象パラメータの実測値とは、センサにより直接的に計測された気象パラメータの値、又は直接的に計測された値から算出された気象パラメータの値のことである。

数値予測値ＤＢ４は、対象パラメータを含む少なくとも１つの気象パラメータの数値予測値を記憶する。数値予測値とは、数値シミュレーションにより算出された気象パラメータの予測値のことである。気象予測装置は、民間又は公営の気象予測サービスなどから数値予測値を取得し、数値予測値ＤＢ４に記憶する。

ここで、図３は、雲特徴量ＤＢ２、実測値ＤＢ３、及び数値予測値ＤＢ４に記憶された雲特徴量、実測値、数値予測値の一例を示す表である。図３において、気象パラメータは日射強度であり、雲特徴量は雲の輝度及び青色成分輝度である。図３に示すように、雲特徴量ＤＢ２、実測値ＤＢ３、及び数値予測値ＤＢ４には、雲特徴量、実測値、及び数値予測値の履歴データが記憶される。

第１予測値ＤＢ５は、第１予測値を記憶する。第１予測値とは、本実施形態に係る気象予測装置によって算出された対象パラメータの予測値のことである。

雲特徴量算出部６（第１特徴量算出部）は、空画像ＤＢ１から空画像を取得し、取得した空画像を画像解析することにより雲特徴量を算出する。画像解析の方法として、既存の任意の方法を利用することができる。雲特徴量算出部６が算出した雲特徴量は、雲特徴量ＤＢ２に記憶される。

予測誤差算出部７（第１誤差算出部）は、予測誤差（第１誤差）を算出する。予測誤差とは、対象パラメータの数値予測値と実測値との間の誤差のことである。予測誤差算出部７は、実測値ＤＢ３及び数値予測値ＤＢ４から、同一日時の実測値及び数値予測値を取得し、予測誤差を算出する。予測誤差は、例えば、数値予測値／実測値、数値予測値−実測値、及びこれらに基づいて算出される値である。

補正モデル生成部８（第１モデル生成部）は、補正モデル（第１モデル）を生成する。補正モデルは、ある日時における雲特徴量と、当該雲特徴量が算出された日時の所定時間後の予測誤差と、の関係を示すモデルである。雲特徴量が算出された日時とは、雲特徴量を算出するために用いられた空画像の撮影日時のことである。以下では、所定時間はＮ時間（Ｎ＞０）であるものとする。例えば、Ｎ＝３の場合、補正モデルは、ある日時における雲特徴量と、その３時間後の予測誤差と、の関係を示す。

補正モデルは、例えば、ある日時の雲特徴量と、そのＮ時間後の予測誤差と、の相関を数学的に近似することにより生成される。近似方法として、線形近似、対数近似、累乗近似などが用いられる。これにより、補正モデルとして、雲特徴量を説明変数、予測誤差を目的変数とした回帰式が生成される。

補正係数算出部９（第１係数算出部）は、補正係数（第１係数）を算出する。補正計数とは、予測対象日時における予測誤差のことである。予測対象日時とは、この気象予測装置が第１予測値を算出する対象となる日時のことである。

補正係数算出部９は、補正モデル生成部８から補正モデルを取得し、雲特徴量ＤＢ２から予測対象日時のＮ時間前の雲特徴量を取得する。補正係数算出部９は、補正モデルが回帰式である場合、予測対象日時のＮ時間前の雲特徴量を補正モデルに代入することにより、予測対象日時における予測誤差、すなわち、補正係数を算出する。

第１予測値算出部１０は、第１予測値を算出する。第１予測値算出部１０は、数値予測値ＤＢ４から予測対象日時の数値予測値を取得し、補正係数算出部８から予測対象日時の補正係数を取得する。第１予測値算出部１０は、取得した補正係数に基づいて予測対象日時の数値予測値を補正することにより予測対象日時の第１予測値を算出する。第１予測値算出部１０は、数値予測値と実測値との誤差が小さくなるように数値予測値を補正する。第１予測値算出部１０により算出された第１予測値は、第１予測値ＤＢ５に記憶される。

次に、本実施形態に係る気象予測装置のハードウエア構成について、図４を参照して説明する。本実施形態に係る気象予測装置は、コンピュータ装置により構成される。ここで、図４は、この気象予測装置のハードウエア構成を示すブロック図である。図４に示すように、この気象予測装置１００は、ＣＰＵ１０１と、入力装置１０２と、表示装置１０３と、通信装置１０４と、主記憶装置１０５と、外部記憶装置１０６とを備え、これらはバス１０７により相互に接続されている。

ＣＰＵ（中央演算装置）１０１は、主記憶装置１０５上で、気象予測プログラムを実行する。気象予測プログラムとは、気象予測装置の上述の各機能構成を実現するプログラムのことである。ＣＰＵ１０１が、気象予測プログラムを実行することにより、上述の各機能構成は実現される。

入力装置１０２は、気象予測装置に外部からデータや命令を入力するための装置である。入力装置１０２は、例えば、キーボード、マウス、及びタッチパネルなどの、ユーザが直接的に入力するための装置であってもよい。また、入力装置１０２は、外部装置からの入力を可能にする、ＵＳＢなどの装置やソフトウエアであってもよい。気象予測装置による予測対象日時や対象パラメータなどの情報は、この入力装置１０２を介して気象予測装置に入力することができる。また、気象予測装置に入力装置１０２を介して気象パラメータのセンサを接続し、実測値を取得してもよい。

表示装置１０３は、気象予測装置から出力される映像信号を表示するディスプレイである。表示装置は、例えば、ＬＣＤ（液晶ディスプレイ）、ＣＲＴ（ブラウン管）、及びＰＤＰ（プラズマディスプレイ）であるが、これに限られない。各データベース（ＤＢ）に記憶された空画像、実測値、数値予測値、及び第１予測値などの情報や、第１予測値を算出する際に生成される雲特徴量、予測誤差、補正モデル、及び補正係数などの情報は、この表示装置１０３により表示することができる。

通信装置１０４は、気象予測装置が外部装置と通信するための装置である。気象予測装置は、通信装置１０４を介して、外部装置と所定の通信方式で無線通信又は有線通信を行う。通信装置１０４は、例えば、モデムやルータであるが、これに限られない。各データベースに記憶された空画像、実測値、数値予測値、及び第１予測値などの情報は、この通信装置１０４を介して外部装置から入力することができる。

主記憶装置１０５は、気象予測プログラムの実行の際に、気象予測プログラム、気象予測プログラムの実行に必要なデータ、及び気象予測プログラムの実行により生成されたデータなどを記憶する。気象予測プログラムは、主記憶装置１０５上で展開され、実行される。主記憶装置１０５は、例えば、ＲＡＭ、ＤＲＡＭ、ＳＲＡＭであるが、これに限られない。空画像ＤＢ１、実測値ＤＢ３、数値予測ＤＢ３、及び第１予測値ＤＢ５は、この主記憶装置１０５上及び外部記憶装置１０６上の少なくとも一方に構築される。また、主記憶装置１０５は、コンピュータ装置のＯＳ、ＢＩＯＳ、及び各種のミドルウエアを記憶してもよい。

外部記憶装置１０６は、気象予測プログラム、気象予測プログラムの実行に必要なデータ、及び気象予測プログラムの実行により生成されたデータなどを記憶する。これらのプログラムやデータは、気象予測プログラムの実行の際に、主記憶装置１０５に読み出される。外部記憶装置１０６は、例えば、ハードディスク、光ディスク、フラッシュメモリ、及び磁気テープであるが、これに限られない。

なお、気象予測プログラムは、コンピュータ装置に予めインストールされていてもよいし、ＣＤ−ＲＯＭなどの記憶媒体に記憶されていてもよい。また、気象予測プログラムは、インターネット上にアップロードされていてもよい。

次に、本実施形態に係る気象予測装置の動作について、図５〜図８を参照して説明する。図５は、本実施形態に係る気象予測装置の動作を示すフローチャートである。以下では、対象パラメータは、日射強度であるものとするが、これに限られない。

まず、ステップＳ１において、予測誤差算出部７は、実測値ＤＢ３から日射強度の実測値の履歴データを取得し、数値予測値ＤＢ４から日射強度の数値予測値の履歴データを取得する。予測誤差算出部７が日射強度の実測値及び数値予測値の履歴データを取得する期間は、予め設定されていてもよいし、入力装置１０２を介してユーザにより指定されてもよい。

図６は、予測誤差算出部７が取得した日射強度の実測値及び数値予測値の履歴データの一例を示すグラフである。図６において、実線は２０１３年４月１０日の５：００〜１８：００の日射強度の実測値を示し、破線は２０１３年４月１０日の５：００〜１８：００の日射強度の数値予測値を示す。図６に示すように、日射強度の数値予測値と実測値との間には、誤差が生じている。

ステップＳ２において、予測誤差算出部７は、取得した日射強度の実測値及び数値予測値に基づいて予測誤差を算出し、予測誤差の履歴データを生成する。以下では、予測誤差は、実測値／数値予測値−１であるものとするが、これに限られない。

ステップＳ３において、補正モデル生成部８は、予測誤差算出部７が算出した予測誤差の履歴データを取得し、雲特徴量ＤＢ２から雲特徴量の履歴データを取得する。ここで補正モデル生成部８が取得する雲特徴量の履歴データは、予測誤差の履歴データのＮ時間前の履歴データである。例えば、Ｎ＝３の場合、補正モデル生成部８は、１０：００〜１５：００の予測誤差に対して、７：００〜１２：００の雲特徴量を取得する。補正モデル生成部８が取得する雲特徴量の種類や上記のＮは、予め設定されていてもよいし、入力装置１０２を介してユーザにより指定されてもよい。

ステップＳ４において、補正モデル生成部８は、補正モデルを生成する。ここでは、補正モデルとして、予測誤差を目的変数とし、予測誤差のＮ時間前の雲特徴量を説明変数とする線形の回帰式が生成されるものとする。この場合、回帰式は、Ｙ＝ＡＸ＋Ｂで表される。Ｙは予測誤差、Ｘは予測誤差のＮ時間前の雲特徴量、Ａは係数（傾き）、Ｂは切片（雲特徴量が０の時の予測誤差）である。

図７は、このように生成された回帰式の一例を示すグラフである。図７において、横軸は雲特徴量であり、縦軸は予測誤差である。また、グラフ上には、雲特徴量に対するＮ時間後の予測誤差がプロットされ、プロットされた各点から算出された回帰式に応じた回帰直線が図示されている。図７に示すように、雲特徴量とＮ時間後の予測誤差との間には、相関があることがわかる。これは、雲特徴量により示された気象状態に応じて、数値予測値の予測精度が変化するためである。

ステップＳ５において、補正係数算出部９は、補正モデル生成部８が生成した補正モデルを取得し、雲特徴量ＤＢ２から雲特徴量の履歴データを取得する。ここで補正係数算出部９が取得する雲特徴量の履歴データは、予測対象期間のＮ時間前の履歴データである。予測対象期間とは、予測対象日時の範囲のことである。例えば、Ｎ＝３であり、予測対象日時が１６：００〜２１：００の場合、補正係数算出部９は、１３：００〜１８：００の雲特徴量の履歴データを取得する。

補正係数算出部９は、取得した雲特徴量と補正モデルとに基づいて、補正係数を算出し、予測対象期間における補正係数の履歴データを生成する。補正モデルが回帰式の場合、補正係数算出部９は、取得した雲特徴量を回帰式に代入してＮ時間後の予測誤差を算出する。この予測誤差が、Ｎ時間後、すなわち予測対象日時における数値予測値を補正するための補正係数となる。例えば、図７の補正モデルを参照すると、１３：００の雲特徴量が１．３５の場合、１６：００の補正係数は、−０．３となる。

ステップＳ６において、第１予測値算出部１０は、補正係数算出部９が算出した予測対象期間の補正係数を取得し、数値予測値ＤＢ４から予測対象期間の数値予測値を取得する。第１予測値算出部１０は、取得した補正係数及び数値予測値に基づいて、予測対象期間における第１予測値を算出する。

第１予測値は、補正係数に基づいて、数値予測値と実測値との間の誤差が小さくなるように補正される。例えば、補正係数（予測誤差）＝実測値／数値予測値−１の場合、第１予測値は、数値予測値×（１＋補正係数）となる。上述のように、補正係数が−０．３であれば、第１予測値＝数値予測値×０．７となる。

ここで、図８は、第１予測値算出部１０により算出された予測対象期間における第１予測値の履歴データの一例を示すグラフである。図８において、点線は、２０１３年４月１０日の５：００〜１８：００の日射強度の第１予測値である。実線及び破線は、図６のグラフと同様である。図８に示すように、２０１３年４月１０日の１２：００以降、第１予測値と実測値との間の誤差は、数値予測値と実測値との間の誤差より小さくなっていることがわかる。

第１予測値算出部１０により算出された第１予測値は、第１予測値ＤＢ５に記憶される。また、第１予測値は、表示装置１０３により表示されてもよいし、通信装置１０４を介して外部装置に出力されてもよい。

以上説明したように、本実施形態に係る気象予測装置によれば、予測対象日時のＮ時間前の雲特徴量に基づいて、数値予測値を補正することができる。上述の通り、雲特徴量は数値予測値の予測誤差との間に相関がある。したがって、雲特徴量を用いて数値予測値を補正することにより、気象パラメータを高精度に予測することができる。

（第２実施形態）
次に、第２実施形態に係る気象予測装置について、図９，１０を参照して説明する。本実施形態に係る気象予測装置は、予測対象日時における対象パラメータの第１予測値を、予測対象日時における必要度に基づいて補正する。これにより、気象予測装置は、予測対象日時における対象パラメータの第２予測値を算出する。

まず、第２実施形態に係る気象予測装置の機能構成について、図９を参照して説明する。図９は、本実施形態に係る気象予測装置の機能構成を示すブロック図である。図９に示すように、この気象予測装置は、安定度ＤＢ１１と、第２予測値ＤＢ１２と、安定度算出部１３と、補正誤差算出部１４と、必要度モデル生成部１５と、必要度算出部１６と、第２予測値算出部１７と、をさらに備える。他の構成は、第１実施形態と同様である。

安定度ＤＢ１１は、少なくとも１つの安定度（第２特徴量）を記憶する。安定度とは、大気の安定の度合いを示す指標である。安定度は、例えば、静的安定度、成層安定度、及び対流安定度などの大気の安定度を示す既知の指標である。また、安定度は、上昇気流の強さや地面からの水分蒸散量などの実測可能な気象パラメータであってもよい。さらに、安定度は、１つ又は複数の気象パラメータに基づいて算出された任意の変数であってもよい。このような安定度として、例えば、気象パラメータの所定期間における変化率や、移動平均線の傾きを用いることができる。これらの変化率や傾きの大きさは、天候の変化のしやすさを示す。すなわち、変化率や傾きが大きいほど天候は変化しやすく、大気は不安定である。また、安定度が小さいほど天候は変化しにくく、大気は安定している。

第２予測値ＤＢ１２は、第２予測値を記憶する。第２予測値とは、本実施形態に係る気象予測装置によって算出された対象パラメータの予測値のことである。

安定度算出部１３（第２特徴量算出部）は、少なくとも１つの安定度を算出する。本実施形態において、安定度算出部１３は、数値予測値ＤＢ４から対象パラメータを含む少なくとも１つの気象パラメータの数値予測値を取得し、取得した数値予測値に基づいて安定度を算出する。安定度算出部１３が取得する気象パラメータの種類は、対象パラメータに限られず任意に選択可能であるが、天候に影響の大きい気象パラメータであることが好ましい。このような気象パラメータとして、日射強度、大気中の水分量、風向、及び風速などが挙げられる。安定度算出部１３が算出した安定度は、安定度ＤＢ１１に記憶される。

補正誤差算出部１４（第２誤差算出部）は、補正誤差（第２誤差）を算出する。補正誤差とは、対象パラメータの第１予測値と実測値との間の誤差のことである。補正誤差算出部１４は、実測値ＤＢ３及び第１予測値ＤＢ５から、同一日時の実測値及び第１予測値を取得し、補正誤差を算出する。補正誤差は、例えば、第１予測値／実測値、第１予測値−実測値、及びこれらに基づいて算出される値である。

必要度モデル生成部１５（第２モデル生成部）は、必要度モデル（第２モデル）を生成する。必要度モデルは、ある日時における安定度と、当該安定度が算出された日時のＮ時間後（Ｎ＞０）の補正誤差と、の関係を示すモデルである。安定度が算出された日時とは、安定度を算出するために用いられた数値予測値の予測対象日時のことである。例えば、Ｎ＝３の場合、必要度モデルは、ある日時における安定度と、その３時間後の補正誤差と、の関係を示す。

必要度モデルは、例えば、ある日時の安定度と、そのＮ時間後の補正誤差と、の相関を数学的に近似することにより生成される。近似方法として、線形近似、対数近似、累乗近似などが用いられる。これにより、必要度モデルとして、安定度を説明変数、補正誤差を目的変数とした回帰式が生成される。

必要度算出部１６（第２係数算出部）は、必要度（第２係数）を算出する。必要度とは、予測対象日時における補正誤差のことである。したがって、必要度は、第１予測値をさらに補正する必要があるか否かを示す。例えば、必要度が０の場合、補正誤差が０であるから、第１予測値を補正する必要がない。

必要度算出部１６は、必要度モデル生成部１５から必要度モデルを取得し、安定度ＤＢ１１から予測対象日時のＮ時間前の安定度を取得する。必要度算出部１６は、必要度モデルが回帰式である場合、予測対象日時のＮ時間前の安定度を必要度モデルに代入することにより、予測対象日時における補正誤差、すなわち、必要度を算出する。

第２予測値算出部１７は、第２予測値を算出する。第２予測値算出部１７は、第１予測値ＤＢ５から予測対象日時の第１予測値を取得し、必要度算出部１６から予測対象日時の必要度を取得する。第２予測値算出部１７は、取得した必要度に基づいて予測対象日時の第１予測値を補正することにより予測対象日時の第２予測値を算出する。第２予測値算出部１７は、第１予測値と実測値との誤差が小さくなるように第１予測値を補正する。第２予測値算出部１７により算出された第２予測値は、第２予測値ＤＢ１２に記憶される。

なお、本実施形態における気象予測装置の各機能構成は、ＣＰＵ１０１が気象予測プログラムを実行することにより実現される。

次に、本実施形態に係る気象予測装置の動作について、図１０を参照して説明する。図１０は、本実施形態に係る気象予測装置の動作を示すフローチャートである。以下では、対象パラメータは、日射強度であるものとするが、これに限られない。

まず、気象予測装置は、上述のステップＳ１〜Ｓ６を実行し、第１予測値の履歴データを生成する。すなわち、ステップＳ１において、予測誤差算出部７は、実測値ＤＢ３から日射強度の実測値の履歴データを取得し、数値予測値ＤＢ４から日射強度の数値予測値の履歴データを取得する。ステップＳ２において、予測誤差算出部７は、取得した日射強度の実測値及び数値予測値に基づいて予測誤差を算出し予測誤差の履歴データを生成する。ステップＳ３において、補正モデル生成部８は、予測誤差算出部７が算出した予測誤差の履歴データを取得し、雲特徴量ＤＢ２から雲特徴量の履歴データを取得する。ステップＳ４において、補正モデル生成部８は、補正モデルを生成する。

ステップＳ５において、補正係数算出部９は、補正モデル生成部８が生成した補正モデルを取得し、雲特徴量ＤＢ２から雲特徴量の履歴データを取得する。本実施形態において、補正係数算出部９が取得する雲特徴量の履歴データは、予測対象期間のＮ時間前の履歴データに限られない。補正係数算出部９は、取得した雲特徴量と補正モデルとに基づいて、補正係数を算出し、補正係数の履歴データを生成する。

ステップＳ６において、第１予測値算出部１０は、補正係数算出部９が算出した補正係数を取得し、数値予測値ＤＢ４から数値予測値を取得する。第１予測値算出部１０は、取得した補正係数及び数値予測値に基づいて、第１予測値を算出し、第１予測値の履歴データを生成する。第１予測値の履歴データは、第１予測値ＤＢ５に記憶される。

以上のステップＳ１〜Ｓ６は、第２予測値を算出する際に行われてもよい。また、ステップＳ１〜Ｓ６は、予め第１予測値の履歴データが生成されている場合には、省略されてもよい。

次に、ステップＳ７において、補正誤差算出部１４は、実測値ＤＢ３から日射強度の実測値の履歴データを取得し、第１予測値ＤＢ５から日射強度の第１予測値の履歴データを取得する。補正誤差算出部１４が日射強度の実測値及び第１予測値の履歴データを取得する期間は、予め設定されていてもよいし、入力装置１０２を介してユーザにより指定されてもよい。

ステップＳ８において、補正誤差算出部１４は、取得した日射強度の実測値及び第１予測値に基づいて補正誤差を算出し、補正誤差の履歴データを生成する。以下では、補正誤差は、実測値／補正誤差−１であるものとするが、これに限られない。

ステップＳ９において、必要度モデル生成部１５は、補正誤差算出部１４が算出した補正誤差の履歴データを取得し、安定度ＤＢ１１から安定度の履歴データを取得する。ここで必要度モデル生成部１５が取得する安定度の履歴データは、補正誤差の履歴データのＮ時間前の履歴データである。例えば、Ｎ＝３の場合、必要度生成部１５は、１０：００〜１５：００の補正誤差に対して、７：００〜１２：００の安定度を取得する。必要度モデル生成部１５が取得する安定度の種類や上記のＮは、予め設定されていてもよいし、入力装置１０２を介してユーザにより指定されてもよい。

ステップＳ１０において、必要度モデル生成部１５は、必要度モデルを生成する。ここでは、必要度モデルとして、補正誤差を目的変数とし、補正誤差のＮ時間前の安定度を説明変数とする線形の回帰式が生成されるものとする。この場合、回帰式は、Ｙ＝ＡＸ＋Ｂで表される。Ｙは補正誤差、Ｘは補正誤差のＮ時間前の安定度、Ａは係数（傾き）、Ｂは切片（安定度が０の時の補正誤差）である。

ステップＳ１１において、必要度算出部１６は、必要度モデル生成部１５が生成した必要度モデルを取得し、安定度ＤＢ１１から安定度の履歴データを取得する。ここで必要度算出部１６が取得する安定度の履歴データは、予測対象期間のＮ時間前の履歴データである。例えば、Ｎ＝３であり、予測対象日時が１６：００〜２１：００の場合、必要度算出部１６は、１３：００〜１８：００の安定度の履歴データを取得する。

必要度算出部１６は、取得した安定度と必要度モデルとに基づいて、必要度を算出し、予測対象期間における必要度の履歴データを生成する。必要度モデルが回帰式の場合、必要度算出部１６は、取得した安定度を回帰式に代入してＮ時間後の補正誤差を算出する。この補正誤差が、Ｎ時間後、すなわち予測対象日時における第１予測値を補正するための必要度となる。

ステップＳ１２において、補正係数算出部９は、ステップＳ４において補正モデル生成部８が生成した補正モデルを取得し、雲特徴量ＤＢ２から雲特徴量の履歴データを取得する。ここで補正係数算出部９が取得する雲特徴量の履歴データは、予測対象期間のＮ時間前の履歴データである。

ステップＳ１３において、第１予測値算出部１０は、補正係数算出部９が算出した予測対象期間の補正係数を取得し、数値予測値ＤＢ４から予測対象期間の数値予測値を取得する。第１予測値算出部１０は、取得した補正係数及び数値予測値に基づいて、予測対象期間における第１予測値を算出する。これにより、予測対象期間における第１予測値の履歴データが生成される。第１予測値の履歴データは第１予測値ＤＢ５に記憶される。

ステップＳ１４において、第２予測値算出部１７は、必要度算出部１６が算出した予測対象期間における必要度の履歴データを取得し、第１予測値ＤＢ５から予測対象期間における第１予測値の履歴データを取得する。第２予測値算出部１７は、取得した必要度及び第１予測値に基づいて、予測対象期間における第２予測値を算出する。これにより、予測対象期間における第２予測値の履歴データが生成される。

第２予測値算出部１７により算出された第２予測値は、第２予測値ＤＢ１２に記憶される。また、第２予測値は、表示装置１０３により表示されてもよいし、通信装置１０４を介して外部装置に出力されてもよい。

以上説明したように、本実施形態に係る気象予測装置によれば、予測対象日時のＮ時間前の安定度に基づいて、第１予測値を補正することができる。これにより、気象パラメータをさらに高精度に予測することができる。理由は以下の通りである。

第１実施形態に係る気象予測装置では、現在（予測時点）の天候とＮ時間後（予測対象日時）の天候とが同じであることを前提にして、数値予測値を補正している。このため、大気の状態が安定しており、天候に変化がない場合、第１予測値の予測精度は高くなる。これに対して、大気の状態が不安定であり、天候が急激に変化する場合、第１予測値の予測精度は、大気の状態が安定している場合に比べて低くなる。したがって、第１予測値と実測値との間の誤差である補正誤差は、大気の安定度の度合いを示す指標である安定度に相関する。

このため、安定度に応じて第１予測値の補正の度合いを変化させることにより、気象パラメータの予測精度を向上させることができる。

なお、本実施形態において、必要度は、予測対象日時における補正誤差であったが、これに限られない。例えば、必要度は、複数のランクであってもよい。この場合、安定度と閾値とを比較し、比較結果に応じたランクを必要度して設定することが考えられる。第２予測値算出部１７は、ランクに応じた所定の補正を第１予測値に施せばよい。

例えば、必要度を１又は０の２段階の場合、必要度算出部１６は、安定度が閾値以上の場合に安定度を１に設定し、安定度が閾値より低い場合に安定度を０に設定する。第２予測値算出部１７は、必要度が１の場合、第１予測値を補正せず、必要度が０の場合、第１予測値に所定の補正を施せばよい。

また、安定度は、数値予測値ＤＢ４に記憶された数値予測値ではなく、実測値ＤＢ３に記憶された実測値から算出されてもよい。この場合、安定度が算出された日時とは、安定度を算出するために使用された実測値の測定日時となる。安定度が上昇気流の強さや地面からの水分蒸散量などの実測可能な気象パラメータの場合、安定度ＤＢ１１は、当該気象パラメータの実測値を安定度として記憶してもよい。これは、安定度を計測するセンサと、気象予測装置と、を入力装置１０２や通信装置１０４を介して接続することにより可能となる。安定度ＤＢ１１には、センサの計測値を直接記憶させることができるため、安定度算出部１３は備えなくてもよい。

さらに、本実施形態におけるステップＳ１２，Ｓ１３は、ステップＳ６に続けて実行されてもよい。すなわち、予測対象期間における第１予測値を予め算出した上で、ステップＳ７〜Ｓ１１及びステップＳ１４を実行してもよい。

（第３実施形態）
次に、第３実施形態に係る気象予測装置について、図１１，１２を参照して説明する。本実施形態に係る気象予測装置は、日射強度及び直達光強度の実測値に基づいて、直達光強度の予測値を算出する。

まず、第３実施形態に係る気象予測装置の機能構成について、図１１を参照して説明する。図１１は、本実施形態に係る気象予測装置の機能構成を示すブロック図である。図１１に示すように、この気象予測装置は、空画像ＤＢ１と、雲特徴量ＤＢ２と、実測値ＤＢ３と、数値予測値ＤＢ４と、第３予測値ＤＢ１８と、雲特徴量算出部６と、第１比率算出部１９と、直達光モデル生成部２０と、第２比率算出部２１と、第３予測値算出部２２とを備える。

空画像ＤＢ１、雲特徴量ＤＢ２、実測値ＤＢ３、数値予測値ＤＢ４、及び雲特徴量算出部６は、第１実施形態と同様である。なお、本実施形態において、実測値ＤＢ３は、少なくとも日射強度及び直達光強度の実測値を記憶する。また、数値予測値ＤＢ４は、少なくとも日射強度の数値予測値を記憶する。

第３予測値ＤＢ１８は、第３予測値を記憶する。第３予測値とは、本実施形態に係る気象予測装置によって算出された直達光強度の予測値のことである。直達光強度とは、日射に含まれる直達光の強度のことである。日射には、直達光と散乱光とが含まれる。

第１比率算出部１９は、直達光比率を算出する。直達光比率とは、日射強度に対する直達光強度の割合のことである。第１比率算出部１９は、実測値ＤＢ３から、同一日時の日射強度及び直達光強度を取得し、直達光比率を算出する。直達光比率は、直達光強度／日射強度により算出される。

直達光モデル生成部１０（第３モデル生成部）は、直達光モデル（第３モデル）を生成する。直達光モデルは、ある日時における雲特徴量と、当該雲特徴量が算出された日時のＮ時間後（Ｎ＞０）の直達光比率と、の関係を示すモデルである。例えば、Ｎ＝３の場合、直達光モデルは、ある日時における雲特徴量と、その３時間後の直達光比率と、の関係を示す。

直達光モデルは、例えば、ある日時の雲特徴量と、そのＮ時間後の直達光比率と、の相関を数学的に近似することにより生成される。近似方法として、線形近似、対数近似、累乗近似などが用いられる。これにより、直達光モデルとして、雲特徴量を説明変数、直達光比率を目的変数とした回帰式が生成される。

第２比率算出部２１は、雲特徴量に応じた直達光比率を算出する。第２比率算出部２１は、直達光モデル生成部２０から直達光モデルを取得し、雲特徴量ＤＢ２から予測対象日時のＮ時間前の雲特徴量を取得する。第２比率算出部２０は、直達光モデルが回帰式である場合、予測対象日時のＮ時間前の雲特徴量を直達光モデルに代入することにより、予測対象日時における直達光比率を算出する。

第３予測値算出部２２は、第３予測値、すなわち、直達光強度の予測値を算出する。第３予測値算出部２２は、数値予測値ＤＢ４から予測対象日時における日射強度の数値予測値を取得し、第２比率算出部２１から予測対象日時の直達光比率を取得する。第３予測値算出部２２は、取得した直達光比率を予測対象日時の日射強度の数値予測値に積算することにより、予測対象日時における第３予測値を算出する。第３予測値算出部２２により算出された第３予測値は、第３予測値ＤＢ１８に記憶される。

なお、本実施形態における気象予測装置の各機能構成は、ＣＰＵ１０１が気象予測プログラムを実行することにより実現される。また、本実施形態に係る気象予測装置は、日射強度や直達光強度を計測するセンサと、入力装置１０２や通信装置１０４を介して接続されるのが好ましい。

次に、本実施形態に係る気象予測装置の動作について、図１２を参照して説明する。図１２は、本実施形態に係る気象予測装置の動作を示すフローチャートである。

まず、ステップＳ１５において、第１比率算出部１９は、実測値ＤＢ３から日射強度及び直達光強度の実測値の履歴データを取得する。第１比率算出部１９が日射強度及び直達光強度の実測値の履歴データを取得する期間は、予め設定されていてもよいし、入力装置１０２を介してユーザにより指定されてもよい。

ステップＳ１６において、第１比率算出部１９は、取得した日射強度及び直達光強度の実測値に基づいて直達光比率を算出し、直達光比率の履歴データを生成する。

ステップＳ１７において、直達光モデル生成部２０は、第１比率算出部１９が算出した直達光比率の履歴データを取得し、雲特徴量ＤＢ２から雲特徴量の履歴データを取得する。ここで直達光モデル生成部２０が取得する雲特徴量の履歴データは、直達光比率の履歴データのＮ時間前の履歴データである。例えば、Ｎ＝３の場合、直達光モデル生成部２０は、１０：００〜１５：００の直達光比率に対して、７：００〜１２：００の雲特徴量を取得する。直達光モデル生成部２０が取得する雲特徴量の種類や上記のＮは、予め設定されていてもよいし、入力装置１０２を介してユーザにより指定されてもよい。

ステップＳ１８において、直達光モデル生成部２０は、直達光モデルを生成する。ここでは、直達光モデルとして、直達光比率を目的変数とし、直達光比率のＮ時間前の雲特徴量を説明変数とする線形の回帰式が生成されるものとする。この場合、回帰式は、Ｙ＝ＡＸ＋Ｂで表される。Ｙは直達光比率、Ｘは直達光比率のＮ時間前の雲特徴量、Ａは係数（傾き）、Ｂは切片（雲特徴量が０の時の直達光比率）である。

ステップＳ１９において、第２比率算出部２１は、直達光モデル生成部２０が生成した直達光モデルを取得し、雲特徴量ＤＢ２から雲特徴量の履歴データを取得する。ここで第２比率算出部２１が取得する雲特徴量の履歴データは、予測対象期間のＮ時間前の履歴データである。例えば、Ｎ＝３であり、予測対象日時が１６：００〜２１：００の場合、第２比率算出部２１は、１３：００〜１８：００の雲特徴量の履歴データを取得する。

第２比率算出部２１は、取得した雲特徴量と直達光モデルとに基づいて、直達比率を算出し、予測対象期間における直達光比率の履歴データを生成する。直達光モデルが回帰式の場合、第２比率算出部２１は、取得した雲特徴量を回帰式に代入してＮ時間後の直達光比率を算出する。

ステップＳ２０において、第３予測値算出部２２は、第２比率算出部２１が算出した予測対象期間の直達光比率を取得し、数値予測値ＤＢ４から予測対象期間の日射強度の数値予測値を取得する。第３予測値算出部２２は、取得した直達光比率及び日射強度の数値予測値を積算することにより、予測対象期間における直達光強度（第３予測値）を算出する。

第３予測値算出部２２により算出された第２予測値は、第２予測値ＤＢ１８に記憶される。また、第３予測値は、表示装置１０３により表示されてもよいし、通信装置１０４を介して外部装置に出力されてもよい。

以上説明したように、本実施形態に係る気象予測装置によれば、予測対象日時のＮ時間前の雲特徴量に基づいて、直達光強度の予測値を算出することができる。直達光強度は、雲の厚さ、形状、種類、及び粒度などの、雲の状態に強く依存するため、雲特徴量を用いて直達光比率を算出することにより、直達光強度を高精度に予測することができる。

なお、第３予測値算出部２２は、日射強度の数値予測値を補正した第１予測値や第２予測値を用いて第３予測値を算出してもよい。これにより、直達光強度の予測精度をさらに向上させることができる。

また、第３予測値算出部２２は、直達光強度だけでなく、散乱光強度の予測値を算出してもよい。散乱強強度の予測値は、日射強度の数値予測値から、直達光強度の予測値（第３予測値）を減算することにより算出することができる。

なお、本発明は上記各実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記各実施形態に開示されている複数の構成要素を適宜組み合わせることによって種々の発明を形成できる。また例えば、各実施形態に示される全構成要素からいくつかの構成要素を削除した構成も考えられる。さらに、異なる実施形態に記載した構成要素を適宜組み合わせてもよい。

１：空画像ＤＢ、２：雲特徴量ＤＢ、３：実測値ＤＢ、４：数値予測値ＤＢ、５：第１予測値ＤＢ、６：雲特徴量算出部、７：予測誤差算出部、８：補正モデル生成部、９：補正係数算出部、１０：第１予測値算出部、１１：安定度ＤＢ、１２：第２予測値ＤＢ、１３：安定度算出部、１４：補正誤差算出部、１５：必要度モデル生成部、１６：必要度算出部、１７：第２予測値算出部、１８：第３予測値ＤＢ、１９：第１比率算出部、２０：直達光モデル生成部、２１：第２比率算出部、２２：第３予測値算出部

Claims (9)

1. 空画像から第１特徴量を算出する第１特徴量算出部と、
   数値シミュレーションによる気象パラメータの予測値である数値予測値と、前記気象パラメータの実測値と、の間の第１誤差を算出する第１誤差算出部と、
   前記第１特徴量と、前記第１特徴量が算出された日時の所定時間後の前記第１誤差と、の関係を示す第１モデルを生成する第１モデル生成部と、
   前記第１モデルと予測対象日時の前記所定時間前の前記第１特徴量とから、前記第１特徴量に応じた前記予測対象日時の第１係数を算出する第１係数算出部と、
   前記予測対象日時の前記第１係数と、前記予測対象日時の前記気象パラメータの前記数値予測値とに基づいて、前記予測対象日時の前記気象パラメータの第１予測値を算出する第１予測値算出部と、
   を備える気象予測装置。
2. 前記第１モデルは、前記第１特徴量と前記第１誤差との相関を示す回帰式である
   請求項１に記載の気象予測装置。
3. 前記数値予測値は、数値シミュレーションによって算出された前記気象パラメータの予測値である
   請求項１又は請求項２に記載の気象予測装置。
4. 前記第１特徴量は、輝度、青色成分比率、明度分布、色、雲の厚さ、雲の形状、又は雲の粒度である
   請求項１〜請求項３のいずれか１項に記載の気象予測装置。
5. 大気の安定度を示す第２特徴量を算出する第２特徴量算出部と、
   前記第１予測値と前記実測値との間の第２誤差を算出する第２誤差算出部と、
   前記第２特徴量と、前記第２特徴量が算出された日時の前記所定時間後の前記第２誤差と、の関係を示す第２モデルを生成する第２モデル生成部と、
   前記第２モデルと予測対象日時の前記所定時間前の前記第２特徴量とから、前記第２特徴量に応じた前記予測対象日時の第２係数を算出する第２係数算出部と、
   前記予測対象日時の前記第２係数と、前記予測対象日時の第１予測値とに基づいて、前記予測対象日時の前記気象パラメータの第２予測値を算出する第２予測値算出部と、
   をさらに備える
   請求項１〜請求項４のいずれか１項に記載の気象予測装置。
6. 前記第２特徴量は、前記気象パラメータの前記数値予測値に基づいて算出される
   請求項１〜請求項５のいずれか１項に記載の気象予測装置。
7. 前記第２特徴量は、前記気象パラメータの実測値である
   請求項１〜請求項６のいずれか１項に記載の気象予測装置。
8. 空画像から第１特徴量を算出する第１特徴量算出部と、
   日射強度に含まれる直達光強度の比率を算出する第１比率算出部と、
   前記第１特徴量と、前記第１特徴量が算出された日時の所定時間後の前記比率と、の関係を示す第３モデルを生成する第３モデル生成部と、
   前記第３モデルと予測対象日時の前記所定時間前の前記第１特徴量とから、前記第１特徴量に応じた前記予測対象日時の前記比率を算出する第２比率算出部と、
   前記予測対象日時の前記第１係数と、前記予測対象日時の前記日射強度の前記数値予測値とに基づいて、前記予測対象日時の前記直達光強度を算出する第３予測値算出部と、
   を備える気象予測装置。
9. 空画像から第１特徴量を算出し、
   数値シミュレーションによる気象パラメータの予測値である数値予測値と、前記気象パラメータの実測値と、の間の第１誤差を算出し、
   前記第１特徴量と、前記第１特徴量が算出された日時の所定時間後の前記第１誤差と、の関係を示す第１モデルを生成し、
   前記第１モデルと予測対象日時の前記所定時間前の前記第１特徴量とから、前記第１特徴量に応じた前記予測対象日時の第１係数を算出し、
   前記予測対象日時の前記第１係数と、前記予測対象日時の前記数値予測値とに基づいて、前記予測対象日時の前記気象パラメータの第１予測値を算出する
   ことを備える気象予測方法。