JP2020176872A - Weather prediction device, method for predicting weather, and program - Google Patents
Weather prediction device, method for predicting weather, and program Download PDFInfo
- Publication number
- JP2020176872A JP2020176872A JP2019077907A JP2019077907A JP2020176872A JP 2020176872 A JP2020176872 A JP 2020176872A JP 2019077907 A JP2019077907 A JP 2019077907A JP 2019077907 A JP2019077907 A JP 2019077907A JP 2020176872 A JP2020176872 A JP 2020176872A
- Authority
- JP
- Japan
- Prior art keywords
- index
- weather
- probability
- eddy
- derivation unit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000009795 derivation Methods 0.000 claims abstract description 38
- 230000008859 change Effects 0.000 claims abstract description 11
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明の実施形態は、気象予測装置、気象予測方法、およびプログラムに関する。 Embodiments of the present invention relate to meteorological forecasting devices, meteorological prediction methods, and programs.
従来、乱気流の発生に関わる複数の指標を用いて乱気流の発生する可能性を示す予測値を算出するシステムが開示されている。このシステムでは、グリッド毎に求めた係数で、グリッド毎に対応付けられた複数の指標を重み付けして、グリッドにおける乱気流の発生可能性を算出している。しかしながら、乱気流の発生可能性は、指標間の相互関係、更には乱気流の発生要因を加味する必要があるため、上記のシステムでは、乱気流の発生の可能性を精度よく導出することができない場合があった。 Conventionally, a system for calculating a predicted value indicating the possibility of turbulence generation using a plurality of indexes related to turbulence generation has been disclosed. In this system, a plurality of indexes associated with each grid are weighted with a coefficient obtained for each grid to calculate the possibility of turbulence occurring in the grid. However, since the possibility of eddy generation needs to take into account the interrelationship between indicators and the factors that cause turbulence, the above system may not be able to accurately derive the possibility of eddy generation. there were.
また、従来、乱気流の予測情報を提供する際には絶対的な予測値が扱われていた。しかしながら、気象の予測には不確実性が含まれるため、算出された予測値がどの程度の信頼性を持つのかを判断することはできない。乱気流は他の気象現象と比較すると、平均的な発生確率は低いが、ひとたび発生した場合、例えば航空機などが乱気流に遭遇すると、人命や航空機に大きな影響を及ぼす可能性がある。乱気流の発生について、発生の有無ではなく、どの程度発生しやすいか、すなわち確率として扱うことで、より有益な情報となると考えられる。 Further, conventionally, when providing the prediction information of turbulence, an absolute prediction value has been dealt with. However, since weather forecasts include uncertainty, it is not possible to determine how reliable the calculated forecasts are. Eddy has a low average probability of occurrence compared to other meteorological phenomena, but once it occurs, for example, when an aircraft encounters eddy, it can have a significant impact on human life and aircraft. It is considered that more useful information can be obtained by treating the occurrence of turbulence as a probability, that is, how likely it is to occur, rather than whether or not it occurs.
また、気象現象全般に対する確率の予測技術に関して、ベイジアンネットワークの手法を用いたものがある。しなしながら、上記の予測技術において、乱気流の発生を予測する手法の具体的な処理については開示されていない。 In addition, there is a technique using the Bayesian network method for predicting the probability of all meteorological phenomena. However, in the above prediction technique, the specific processing of the method for predicting the occurrence of turbulence is not disclosed.
本発明が解決しようとする課題は、より正確に乱気流の発生を予測することができる気象予測装置、気象予測方法、およびプログラムを提供することである。 An object to be solved by the present invention is to provide a meteorological forecasting device, a meteorological forecasting method, and a program capable of predicting the occurrence of turbulence more accurately.
実施形態の気象予測装置は、指標導出部と、確率導出部とを持つ。指標導出部は、入力された気象状態に基づいて、乱流の発生しやすさを示す第１指標と、温位の高度方向の変化度合を示す第２指標と、上昇気流または下降気流の強さを示す第３指標のうち、少なくとも２つの指標を導出する。確率導出部は、前記指標導出部により将来の気象状態に基づいて導出された少なくとも２つの指標を指標ごとの基準に基づいて分類し、分類結果のパターンに基づいて乱気流が発生する確率を導出する。 The weather prediction device of the embodiment has an index derivation unit and a probability derivation unit. Based on the input weather conditions, the index derivation unit has a first index that indicates the likelihood of turbulence, a second index that indicates the degree of change in the potential temperature in the altitude direction, and the strength of the updraft or downdraft. Of the third index indicating the above, at least two indexes are derived. The probability derivation unit classifies at least two indexes derived by the index derivation unit based on the future weather conditions based on the criteria for each index, and derives the probability that eddy will occur based on the pattern of the classification result. ..
以下、実施形態の気象予測装置、気象予測方法、およびプログラムを、図面を参照して説明する。 Hereinafter, the weather prediction device, the weather prediction method, and the program of the embodiment will be described with reference to the drawings.
図１は、気象予測システム１の構成を示す図である。気象予測装置２０を含む気象予測システム１は、情報提供装置１０と、気象予測装置２０とを備える。情報提供装置１０と、気象予測装置２０とは、ＬＡＮ（Local Area Network）や、ＷＡＮ（Wide Area Network）、インターネット等のネットワークＮＷを介して通信する。 FIG. 1 is a diagram showing a configuration of a weather prediction system 1. The weather prediction system 1 including the weather prediction device 20 includes an information providing device 10 and a weather prediction device 20. The information providing device 10 and the weather forecasting device 20 communicate with each other via a network NW such as a LAN (Local Area Network), a WAN (Wide Area Network), or the Internet.
情報提供装置１０は、レーダ装置（気象レーダ）や他の装置から、大気の状態が観測された三次元の観測データを取得し、取得した観測データを気象予測装置２０に送信する。観測データとは、例えば、極座標レーダエコーＧＰＶ（Grid Point Value）である。極座標レーダエコーＧＰＶとは、レーダ装置により取得された三次元のグリッドごとの反射強度（エコー）である。三次元のグリッドとは、ある地点を中心として３方向に所定幅で分割された分割領域である。極座標レーダエコーＧＰＶの場合は、所定の観測位置（例えばレーダ装置）から距離方向、方位角方向、および仰角（φ）方向 に対して、それぞれ所定幅で分割された分割領域となる。観測データには、例えば、降水量、気温、気圧、風向、および風速等の物理量が含まれる。なお、レーダ装置から、直接的に観測データは気象予測装置２０に送信されてもよい。 The information providing device 10 acquires three-dimensional observation data in which the atmospheric state is observed from a radar device (weather radar) or another device, and transmits the acquired observation data to the weather prediction device 20. The observation data is, for example, a polar coordinate radar echo GPV (Grid Point Value). The polar coordinate radar echo GPV is the reflection intensity (echo) for each three-dimensional grid acquired by the radar device. A three-dimensional grid is a divided area divided by a predetermined width in three directions around a certain point. In the case of polar coordinate radar echo GPV, the divided regions are divided by a predetermined width from a predetermined observation position (for example, a radar device) in the distance direction, the azimuth angle direction, and the elevation angle (φ) direction. Observation data includes physical quantities such as precipitation, temperature, barometric pressure, wind direction, and wind speed. The observation data may be directly transmitted from the radar device to the weather prediction device 20.
また、情報提供装置１０は、予測データを気象予測装置２０に送信する。予測データとは、例えばメソ数値予報モデル（ＭＳＭ；Meso Scale Model）や、全球数値予報モデル（ＧＳＭ: Global Spectral Model）等から導出された数値予報モデルＧＰＶである。この予測データには、観測データから取得することができるデータの種別に加え、そのデータから導出された他の種別のデータが含まれていてもよい。 Further, the information providing device 10 transmits the prediction data to the weather prediction device 20. The prediction data is, for example, a numerical weather prediction model GPV derived from a meso numerical weather prediction model (MSM; Meso Scale Model), a global numerical weather prediction model (GSM: Global Spectral Model), or the like. In addition to the types of data that can be acquired from the observation data, the prediction data may include other types of data derived from the data.
図２は、気象予測装置２０の機能構成を示す図である。気象予測装置２０は、例えば、通信インターフェース２２と、データ格納部２４と、数値気象予測演算部２６と、予測データ格納部（予測結果出力部）２８と、指標導出部３０と、確率導出部３２と、情報生成部３４と、表示部３６と、マップ生成部（判定基準設定部）３８と、記憶部４０とを備える。データ格納部２４と、数値気象予測演算部２６と、予測データ格納部２８と、指標導出部３０と、確率導出部３２と、情報生成部３４とは、ＣＰＵ（Central Processing Unit）等のプロセッサが記憶部４０に記憶されたプログラムを実行することにより実現されてよい。また、これらの機能部のうち、全部または一部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等のハードウェアによって実現され、これらの機能部の機能を実現するための回路構成を有してもよい。また、これらの機能部は、ソフトウェアとハードウェアの協働によって実現されてもよい。 FIG. 2 is a diagram showing a functional configuration of the weather prediction device 20. The meteorological prediction device 20 includes, for example, a communication interface 22, a data storage unit 24, a numerical weather prediction calculation unit 26, a prediction data storage unit (prediction result output unit) 28, an index derivation unit 30, and a probability derivation unit 32. An information generation unit 34, a display unit 36, a map generation unit (determination standard setting unit) 38, and a storage unit 40 are provided. The data storage unit 24, the numerical weather prediction calculation unit 26, the prediction data storage unit 28, the index derivation unit 30, the probability derivation unit 32, and the information generation unit 34 are composed of processors such as a CPU (Central Processing Unit). It may be realized by executing the program stored in the storage unit 40. In addition, all or part of these functional parts are realized by hardware such as LSI (Large Scale Integration), ASIC (Application Specific Integrated Circuit), FPGA (Field-Programmable Gate Array), and these functional parts. It may have a circuit configuration for realizing the function of. Moreover, these functional parts may be realized by the collaboration of software and hardware.
記憶部４０は、例えば、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）等の不揮発性の記憶媒体と、ＲＡＭ（Random Access Memory）、レジスタ等の揮発性の記憶媒体とによって実現される。記憶部４０は、プロセッサが実行するプログラムや、後述する判定マップ４２、条件付き確率マップ４３等の情報を格納する。 The storage unit 40 is realized by, for example, a non-volatile storage medium such as a ROM (Read Only Memory), a flash memory, or an HDD (Hard Disk Drive), and a volatile storage medium such as a RAM (Random Access Memory) or a register. Will be done. The storage unit 40 stores information such as a program executed by the processor, a determination map 42 described later, and a conditional probability map 43.
データ格納部２４は、情報提供装置１０により送信された気象予測の元になる観測データや予測データを、通信インターフェース２２を介して取得する。数値気象予測演算部２６は、データ格納部２４により取得された観測データや予測データ等と、所定の予測モデルとに基づいて、将来（所定の時刻）の気象状態を予測する。所定の予測モデルとは、ＣＲｅＳＳ（Cloud Resolving Storm Simulator）や、ＷＲＦ（the Weather Research & Forecasting model）等である。 The data storage unit 24 acquires observation data and prediction data that are the basis of the weather prediction transmitted by the information providing device 10 via the communication interface 22. The numerical weather prediction calculation unit 26 predicts the future (predetermined time) weather condition based on the observation data, the prediction data, and the like acquired by the data storage unit 24 and a predetermined prediction model. The predetermined prediction model is CRESS (Cloud Resolving Storm Simulator), WRF (the Weather Research & Forecasting model), or the like.
数値気象予測演算部２６は、データ格納部２４に格納された予測データを初期値として、観測データを予測モデルに同化させて予測データと整合を求めることで、より細分化した三次元のグリッドに対する気象予測を行う。より細分化した三次元のグリッドとは、メソ数値予報モデルや全球数値予報モデル等が対象としている大きさの三次元のグリッドに比して、細かい三次元のグリッドである。また、数値気象予測演算部２６は、メソ数値予報モデルや、全球数値予報モデル等が対象としている情報に比して、より詳細な情報を導出することができる。 The numerical meteorological prediction calculation unit 26 uses the prediction data stored in the data storage unit 24 as the initial value, assimilates the observation data into the prediction model, and obtains consistency with the prediction data for a more subdivided three-dimensional grid. Make weather forecasts. The more subdivided three-dimensional grid is a finer three-dimensional grid than the three-dimensional grid of the size targeted by the meso-numerical weather prediction model, the global numerical weather prediction model, and the like. Further, the numerical weather prediction calculation unit 26 can derive more detailed information than the information targeted by the meso-numerical weather prediction model, the global numerical weather prediction model, or the like.
予測データ格納部２８は、数値気象予測演算部２６により予測された将来の気象状態に関する情報を格納する。 The prediction data storage unit 28 stores information on the future weather condition predicted by the numerical weather prediction calculation unit 26.
指標導出部３０は、予測データ格納部２８により出力された将来の気象状態に基づいて乱気流の発生しやすさを示すリチャードソン数（第１指標）、温位の高度方向の変化度合を示す温位勾配（第２指標）、および上昇気流または下降気流の強さを示す鉛直流（第３指標）のうち、少なくとも２つの指標を導出する。また、指標導出部３０は、データ格納部２４に取得された過去の気象状態に基づいて、少なくとも２つの指標を導出する。 The index derivation unit 30 indicates the Richardson number (first index) indicating the likelihood of eddy generation based on the future weather conditions output by the prediction data storage unit 28, and the temperature indicating the degree of change in the potential temperature in the altitude direction. At least two indexes are derived from the potential temperature (second index) and the lead DC (third index) indicating the strength of the updraft or downdraft. Further, the index derivation unit 30 derives at least two indexes based on the past weather conditions acquired in the data storage unit 24.
確率導出部３２は、導出された指標を所定の基準に基づいて分類し、分類結果のパターンに基づいて乱気流が発生する確率を導出する。指標導出部３０および確率導出部３２の処理の詳細については後述する。 The probability derivation unit 32 classifies the derived index based on a predetermined criterion, and derives the probability that eddy will occur based on the pattern of the classification result. Details of the processing of the index derivation unit 30 and the probability derivation unit 32 will be described later.
情報生成部３４は、確率導出部３２により導出された乱気流が発生する確率に基づいて、利用者に提示するための情報を生成し、生成した情報を表示部３６に表示させる。表示部３６は、例えば、ＬＣＤ（Liquid Crystal Display）や有機ＥＬ（Electroluminescence）ディスプレイなどの表示装置を含む。 The information generation unit 34 generates information to be presented to the user based on the probability of occurrence of eddy derived by the probability derivation unit 32, and causes the display unit 36 to display the generated information. The display unit 36 includes a display device such as an LCD (Liquid Crystal Display) or an organic EL (Electroluminescence) display.
マップ生成部３８は、指標導出部３０により過去の気象状態に基づいて導出された少なくとも２つの指標を、指標ごとの基準に基づいて分類した分類結果のそれぞれに対し、指標に依存する乱気流が発生する条件付き確率を求め、条件付き確率に基づいて、分類結果のパターンに対する判定基準を設定する。マップ生成部３８は、例えば、条件付き確率に基づいて、判定マップ４２を生成する。また、マップ生成部３８は、判定基準または判定マップ４２を更新する。 The map generation unit 38 classifies at least two indexes derived based on the past weather conditions by the index derivation unit 30 based on the criteria for each index, and turbulence depending on the index is generated for each of the classification results. The conditional probability to be performed is obtained, and the criterion for the pattern of the classification result is set based on the conditional probability. The map generation unit 38 generates the determination map 42, for example, based on the conditional probability. In addition, the map generation unit 38 updates the determination standard or the determination map 42.
図３は、気象予測装置２０により実行される処理の流れを示すフローチャートである。以下の処理により三次元のグリッドごとの乱気流が発生する確率が導出される。なお、以下の説明において、指標導出部３０は、第１指標、第２指標および第３指標の３つの指標を導出するものとする。 FIG. 3 is a flowchart showing the flow of processing executed by the weather prediction device 20. The probability of eddy for each three-dimensional grid is derived by the following processing. In the following description, the index derivation unit 30 shall derive three indexes, a first index, a second index, and a third index.
まず、データ格納部２４は、情報提供装置１０により送信された気象予測の元になる、観測データや予測データを取得する（ステップＳ１００）。次に、数値気象予測演算部２６は、グリッドごとの観測データや予測データに基づいて、将来の気象状態を予測する（ステップＳ１０２）。 First, the data storage unit 24 acquires observation data and prediction data that are the basis of the weather prediction transmitted by the information providing device 10 (step S100). Next, the numerical weather prediction calculation unit 26 predicts the future weather condition based on the observation data and the prediction data for each grid (step S102).
次に、指標導出部３０は、リチャードソン数を導出する（ステップＳ１０４）。リチャードソン数は、乱気流の発生しやすさを示す指標であり、下記の式（１）により導出される。式（１）の分子は、温位勾配（詳細は後述）が熱力学的な安定度を示し、分母の鉛直シア（鉛直方向のウインドシア）が運動学的な不安定度を示している。式中の「Ｒｉ」はリチャードソン数、「ｇ」は重力加速度、「θ」は温位、「θ０」は高度方向（ｚ）の範囲における平均温位、「ｕ」は東西風速、「ｖ」は南北風速である。リチャードソン数が小さい、すなわち運動学的な不安程度が熱力学的な安定度に勝るときに乱気流が発生しやすくなる。 Next, the index derivation unit 30 derives the Richardson number (step S104). The Richardson number is an index showing the susceptibility to eddy, and is derived by the following equation (1). In the numerator of formula (1), the potential temperature gradient (details will be described later) shows thermodynamic stability, and the denominator vertical shear (vertical wind shear) shows kinematic instability. In the formula, "Ri" is the Richardson number, "g" is the gravitational acceleration, "θ" is the potential temperature, "θ 0 " is the average potential temperature in the altitude direction (z), "u" is the east-west wind speed, and ""v" is the north-south wind speed. Eddy is more likely to occur when the Richardson number is small, that is, when the degree of kinematic anxiety outweighs the thermodynamic stability.
次に、指標導出部３０は、温位勾配を導出する（ステップＳ１０６）。温位勾配は、温位（ある空気塊を地表面に移動させた時の温度）の高度方向の変化率であり、熱力学的な安定度を示すものである。変化率は、対象のグリッドの高度（プラスマイナスｚ）方向の温位の変化率である。例えば、対象のグリッドの温位に対するマイナスｚ方向およびプラスｚ方向の温位の変化度合を加算して２で除算した値である。温位勾配が小さい、もしくは温位勾配が大きいが、それ以上に鉛直シアが大きいためにリチャードソン数が小さくなる時は、乱気流が発生しやすくなる。 Next, the index deriving unit 30 derives the potential temperature gradient (step S106). The potential temperature gradient is the rate of change of the potential temperature (the temperature when a certain air mass is moved to the ground surface) in the altitude direction, and indicates thermodynamic stability. The rate of change is the rate of change of the potential temperature in the altitude (plus or minus z) direction of the target grid. For example, it is a value obtained by adding the degree of change in the potential temperature in the minus z direction and the plus z direction with respect to the potential temperature of the target grid and dividing by 2. When the potential temperature gradient is small or the potential temperature gradient is large, but the Richardson number is small because the vertical shear is larger than that, eddy is likely to occur.
次に、指標導出部３０は、鉛直流を導出する（ステップＳ１０８）。鉛直流は、上昇流もしくは下降流の強さを示す指標（グリッドにおける風向の鉛直成分の絶対値）である。鉛直流は、乱気流発生のトリガーにもなり得る要素であり、その絶対値が大きいほど遭遇した時の揺れが大きくなる。 Next, the index derivation unit 30 derives the vertical DC (step S108). The vertical DC is an index (absolute value of the vertical component of the wind direction in the grid) indicating the strength of the upward flow or the downward flow. The vertical DC is an element that can also trigger the generation of eddy, and the larger the absolute value, the greater the shaking when encountered.
次に、確率導出部３２は、ステップＳ１０４からステップＳ１０８において導出された指標と、判定マップ４２とに基づき、乱気流が発生する確率を導出する（ステップＳ１１０）。例えば、確率導出部３２は、第１指標から第３指標のそれぞれを、指標ごとに設定された基準値に比して大きい場合は「大」、小さい場合は「小」として分類する。分類結果が、判定マップ４２に当てはめられることによって、乱気流が発生する確率が導出される。 Next, the probability derivation unit 32 derives the probability that eddy will occur based on the index derived in step S108 from step S104 and the determination map 42 (step S110). For example, the probability derivation unit 32 classifies each of the first index to the third index as "large" when it is larger than the reference value set for each index, and as "small" when it is smaller. By applying the classification result to the determination map 42, the probability that eddy will occur is derived.
図４は、判定マップ４２の一例を示す図である。例えば、「Ｒｉ数の大あるいは小と、温位勾配の大あるいは小と、鉛直流の大あるいは小との組み合わせにより、８ケース（Ｃａｓｅ１からＣａｓｅ８）が生成される。例えば、図示するように、「Ｃａｓｅ１」は、最も乱気流が発生する確率が低く、次いで、「Ｃａｓｅ２」、・・・「Ｃａｓｅ８」の順で、乱気流が発生する確率が低い。 FIG. 4 is a diagram showing an example of the determination map 42. For example, "8 cases (Case 1 to Case 8) are generated by a combination of a large or small Ri number, a large or small potential temperature gradient, and a large or small vertical DC. For example, as shown in the figure. “Case1” has the lowest probability of generating eddy, followed by “Case2”, ... “Case8”, and the probability of eddy occurring is low.
なお、本実施形態では、各指標は「大」または「小」の２値に分類されるものと説明したが、３値以上に分類されてもよい。この場合、判定マップ４２は、９以上のＣａｓｅが形成され、それぞれに対して確率が付与される。 In the present embodiment, it has been described that each index is classified into two values of "large" and "small", but it may be classified into three or more values. In this case, in the determination map 42, 9 or more Cases are formed, and a probability is given to each of them.
ここで判定マップ４２の生成手法の一例について説明する。判定マップ４２は、乱気流の発生と指標導出部３０により導出された指標との因果関係とにより形成されるベイジアンネットワークの手法が用いられて生成される。ベイジアンネットワークとは、不確かな出来事の連鎖について、確率の相互作用を集計する手法である。図５は、本実施形態におけるベイジアンネットワークの一例を示す図である。図示する例では、乱気流の発生確率（１）は、各気象要素（リチャードソン数（２）、温位勾配（３）、および鉛直流（４））と因果関係があることを示している。条件付き確率マップ４３Ａから４３Ｃが、乱気流の発生確率（１）に対して、因果関係のある気象要素ごとに生成される。例えば、過去の気象状態に基づいて、乱気流が発生した場合と発生しなかった場合とにおけるＲｉ数の大小の確率（条件付き確率）が集計される。温位勾配、および鉛直流についても、同様に乱気流が発生した場合と発生しなかった場合とにおける気象要素の大小の確率が集計される。 Here, an example of a method for generating the determination map 42 will be described. The determination map 42 is generated by using the Bayesian network method formed by the generation of eddy and the causal relationship with the index derived by the index derivation unit 30. A Bayesian network is a method of aggregating the interactions of probabilities for a chain of uncertain events. FIG. 5 is a diagram showing an example of a Bayesian network according to the present embodiment. In the illustrated example, the probability of eddy occurrence (1) is shown to be causally related to each meteorological factor (Richardson number (2), potential temperature gradient (3), and plumb DC (4)). Conditional probability maps 43A to 43C are generated for each meteorological element that has a causal relationship with the probability of occurrence of turbulence (1). For example, based on the past weather conditions, the probabilities (conditional probabilities) of the number of Ris when the eddy is generated and when it is not generated are totaled. Similarly, for the potential temperature gradient and the vertical DC, the probabilities of the magnitude of the meteorological factors when the eddy is generated and when it is not generated are totaled.
マップ生成部３８は、条件付き確率マップ４３を生成するため、所定の期間において、所定のサンプリング間隔で取得された気象に関する情報を取得する。そして、マップ生成部３８は、取得した気象に関する情報をサンプリング間隔ごと、且つグリッドごとに処理して、指標ごとに設定された基準値に比して大きい場合は「大」、小さい場合は「小」として分類する。 In order to generate the conditional probability map 43, the map generation unit 38 acquires information on the weather acquired at a predetermined sampling interval in a predetermined period. Then, the map generation unit 38 processes the acquired weather information for each sampling interval and each grid, and if it is larger than the reference value set for each index, it is "large", and if it is small, it is "small". ".
上記の第１指標から第３指標は、判定時刻において数値気象予測演算部２６により予測された将来の気象状態に関する情報から判定可能なエビデンスノード（子ノード）であり、それぞれのエビデンスノードの判定結果から、条件付き確率マップ４３で定められた確率値が選択される。そして、ベイズの定理が用いられ、各ノードの確率値から逆推定が行われ、乱気流の発生確率が決定される。 The first to third indicators described above are evidence nodes (child nodes) that can be determined from information on future weather conditions predicted by the numerical weather prediction calculation unit 26 at the determination time, and the determination results of the respective evidence nodes. From, the probability value defined in the conditional probability map 43 is selected. Then, Bayes' theorem is used, and the inverse estimation is performed from the probability value of each node to determine the probability of occurrence of turbulence.
ベイジアンネットワーク構成では、例えば、子ノードの大小で８ケースの組み合わせができ、各ケースに対応して８段階の乱気流が発生する確率が導出される。このような子ノードによる組み合わせを考慮することで、指標間の相互関係、更には乱気流の発生要因を表現することができる。例えば、リチャードソン数が小さく、温位勾配および鉛直流が大きい場合は、乱気流の発生要因の１つとして一般的に知られているケルビンヘルムホルツ波に伴う乱気流が発生しやすい気象状況に対応している。このように、前述した図４の判定マップ４２が生成される。 In the Bayesian network configuration, for example, eight cases can be combined depending on the size of the child node, and the probability that eight stages of eddy are generated corresponding to each case is derived. By considering the combination of such child nodes, it is possible to express the interrelationship between the indicators and the cause of eddy. For example, when the Richardson number is small and the potential temperature gradient and vertical DC are large, it corresponds to the weather conditions where eddy is likely to occur due to the Kelvin-Helmholtz wave, which is generally known as one of the causes of eddy. There is. In this way, the determination map 42 of FIG. 4 described above is generated.
なお、マップ生成部３８は、日々、データ格納部２４により取得される気象に関する情報に基づいて、作成した条件付き確率マップ４３および判定マップ４２を更新してもよい。これにより、最新の情報を判定マップ４２に反映させることができるため、より精度よく乱気流が発生する確率を導出することができる。 The map generation unit 38 may update the created conditional probability map 43 and the determination map 42 on a daily basis based on the weather information acquired by the data storage unit 24. As a result, the latest information can be reflected in the determination map 42, so that the probability of eddy generation can be derived more accurately.
また、上記の例では、３つの指標に基づいて乱気流が発生する確率が導出されるものとして説明したが、２つの指標に基づいて乱気流が発生する確率が導出されてもよい。例えば、リチャードソン数Ｒｉおよび温位勾配との組み合わせに対して、乱気流が発生する確率が付与されてもよい。 Further, in the above example, the probability that eddy will occur is derived based on the three indexes, but the probability that eddy will occur may be derived based on the two indexes. For example, the combination of the Richardson number Ri and the potential temperature gradient may be given the probability of eddy.
図３の説明に戻る。次に、情報生成部３４は、ステップＳ１１０で導出された結果に基づいて、乱気流が発生する可能性を示す情報を含む画像を生成し、生成した画像を表示部３６に表示させる（ステップＳ１１２）。具体的には、情報生成部３４は、各Ｃａｓｅの確率（事後確率）を、最も確率（事後確率）が低いＣａｓｅの確率（事後確率）で除算する。これにより、基準となる最も安全なＣａｓｅに対して何倍乱気流が発生しやすいかという相対的な危険度情報を導出し、導出した情報を表示部３６に表示させることができる。これにより本フローチャートの１ルーチンの処理は終了する。 Returning to the description of FIG. Next, the information generation unit 34 generates an image including information indicating the possibility of eddy generation based on the result derived in step S110, and displays the generated image on the display unit 36 (step S112). .. Specifically, the information generation unit 34 divides the probability (posterior probability) of each Case by the probability (posterior probability) of the Case having the lowest probability (posterior probability). As a result, it is possible to derive relative risk information of how many times eddy is likely to occur with respect to the safest case as a reference, and display the derived information on the display unit 36. As a result, the processing of one routine of this flowchart is completed.
なお、最も確率（事後確率）が低いケース以外を基準として危険度情報は導出されてもよく、例えば、安全度を把握したいのであれば最も確率（事後確率）の高いケースを、習慣的に基準としている気象状況があればそれに対応するケースを基準としてよい。 The risk information may be derived based on a case other than the case with the lowest probability (posterior probability). For example, if you want to know the safety level, the case with the highest probability (posterior probability) is habitually used as the standard. If there is a weather condition, the case corresponding to it may be used as a standard.
図６は、表示部３６に表示される画像の一例を示す図である。図示する例では、ある時刻における所定の高度で切り出した断面における乱気流が発生する危険度を示している。例えば、情報生成部３４は、Ｃａｓｅごとに色彩や濃淡を付与したり、パターン等で区分けたりした画像を生成し、生成した画像を表示部３６や、他の装置の表示部等に表示させる。 FIG. 6 is a diagram showing an example of an image displayed on the display unit 36. In the illustrated example, the risk of eddy occurring in a cross section cut out at a predetermined altitude at a certain time is shown. For example, the information generation unit 34 generates an image in which colors and shades are added to each case or is divided by a pattern or the like, and the generated image is displayed on the display unit 36, the display unit of another device, or the like.
上述したように、ベイジアンネットワーク手法を用いて乱気流が発生する確率を導出することで、気象予測に含まれる不確実性を考慮することができ、また子ノードに配置した指標の大小の組合せを考慮することで、指標間の相互関係、更には乱気流が発生する要因を表現することができるため、危険度情報の信頼性の向上を図ることができる。また、ある基準のＣａｓｅに対する相対的な危険度を導出することで、より危険度の低い経路や時間帯を把握しやすい。これらの情報を航空関係者等向けに提供することで、航空機のより一層の安全・最適な運行や運用判断の効率化等の一助となることが期待される。 As mentioned above, by deriving the probability of eddy occurrence using the Bayesian network method, it is possible to consider the uncertainty included in the meteorological forecast, and also consider the combination of large and small indicators placed in the child nodes. By doing so, it is possible to express the interrelationship between the indicators and the factors that cause eddy, so that the reliability of the risk information can be improved. In addition, by deriving the relative risk of a certain standard Case, it is easy to grasp the route and time zone with a lower risk. Providing this information to aviation personnel, etc. is expected to contribute to further safe and optimal operation of aircraft and more efficient operational decisions.
以上説明した実施形態によれば、確率導出部３２が、指標導出部３０により導出された指標と、マップ生成部３８により生成された判定マップ４２とに基づき、乱気流が発生する可能性を導出することにより、より正確に乱気流の発生を予測することができる。 According to the embodiment described above, the probability derivation unit 32 derives the possibility of eddy generation based on the index derived by the index derivation unit 30 and the determination map 42 generated by the map generation unit 38. This makes it possible to predict the occurrence of eddy more accurately.
以上説明した少なくともひとつの実施形態によれば、入力された気象状態に基づいて、乱気流の発生しやすさを示す第１指標と、温位の高度方向の変化度合を示す第２指標と、上昇気流または下降気流の強さを示す第３指標のうち、少なくとも２つの指標を導出する指標導出部３０と、指標導出部３０により将来の気象状態に基づいて導出された少なくとも２つの指標を指標ごとの基準に基づいて分類し、分類結果のパターンに基づいて乱気流が発生する確率を導出する確率導出部３２とを持つことにより、より正確に乱気流の発生を予測することができる。 According to at least one embodiment described above, the first index indicating the likelihood of eddy generation and the second index indicating the degree of change of the potential temperature in the altitude direction are raised based on the input meteorological condition. Of the third index indicating the strength of the eddy or downdraft, the index deriving unit 30 for deriving at least two indexes and at least two indexes derived by the index deriving unit 30 based on the future weather conditions are used for each index. It is possible to predict the occurrence of eddy more accurately by having a probability deriving unit 32 that classifies based on the criteria of the above and derives the probability of occurrence of eddy based on the pattern of the classification result.
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。 Although some embodiments of the present invention have been described, these embodiments are presented as examples and are not intended to limit the scope of the invention. These embodiments can be implemented in various other forms, and various omissions, replacements, and changes can be made without departing from the gist of the invention. These embodiments and modifications thereof are included in the scope and gist of the invention as well as the invention described in the claims and the equivalent scope thereof.
１…気象予測システム、１０…情報提供装置、２０…気象予測装置、２２…通信インターフェース、２４…データ格納部、２６…数値気象予測演算部、２８…予測データ格納部、３０…指標導出部、３２…確率導出部、３４…情報生成部、３６…表示部、３８…マップ生成部、４０…記憶部、４２…判定マップ、４３（４３Ａ〜４３Ｃ）…条件付き確率マップ 1 ... Meteorological prediction system, 10 ... Information providing device, 20 ... Meteorological prediction device, 22 ... Communication interface, 24 ... Data storage unit, 26 ... Numerical weather prediction calculation unit, 28 ... Prediction data storage unit, 30 ... Index derivation unit, 32 ... Probability derivation unit, 34 ... Information generation unit, 36 ... Display unit, 38 ... Map generation unit, 40 ... Storage unit, 42 ... Judgment map, 43 (43A to 43C) ... Conditional probability map
Claims (8)
前記指標導出部により将来の気象状態に基づいて導出された少なくとも２つの指標を指標ごとの基準に基づいて分類し、分類結果のパターンに基づいて乱気流が発生する確率を導出する確率導出部と、
を備える気象予測装置。 Based on the input weather conditions, the first index showing the likelihood of eddy generation, the second index showing the degree of change in the potential temperature in the altitude direction, and the third index showing the strength of the updraft or downdraft. Of these, the index derivation unit that derives at least two indicators,
A probability derivation unit that classifies at least two indexes derived based on the future weather conditions by the index derivation unit based on the criteria for each index and derives the probability that eddy will occur based on the pattern of the classification result.
A weather forecasting device equipped with.
請求項１記載の気象予測装置。 For each of the classification results obtained by classifying at least two indexes derived based on the past weather conditions by the index derivation unit based on the criteria for each index, the conditional probability of occurrence of turbulence depending on the index is obtained. Further, a judgment standard setting unit for setting a judgment standard for the pattern of the classification result based on the conditional probability is provided.
The weather prediction device according to claim 1.
請求項２記載の気象予測装置。 The determination criterion setting unit obtains the conditional probability that eddy will occur by using the Bayesian network method formed by the causal relationship between the generation of the turbulence and the index derived by the index derivation unit.
The weather prediction device according to claim 2.
請求項１から３のうちいずれか１項に記載の気象予測装置。 The first index is the Richardson number,
The weather prediction device according to any one of claims 1 to 3.
請求項１から４のうちいずれか１項に記載の気象予測装置。 A prediction result output unit is further provided, which acquires information on the weather, predicts the future weather condition based on the acquired information, and outputs the predicted future weather condition to the index derivation unit.
The weather forecasting apparatus according to any one of claims 1 to 4.
請求項１から５のうちいずれか１項に記載の気象予測装置。 An information generation unit is further provided, which generates an image including information indicating the probability of occurrence of eddy derived by the probability derivation unit, and displays the generated information on the display unit.
The weather prediction device according to any one of claims 1 to 5.
入力された気象状態に基づいて、乱気流の発生しやすさを示す第１指標と、温位の高度方向の変化度合を示す第２指標と、上昇気流または下降気流の強さを示す第３指標のうち、少なくとも２つの指標を導出し、
将来の前記気象状態に基づいて導出された少なくとも２つの指標を指標ごとの基準に基づいて分類し、分類結果のパターンに基づいて乱気流が発生する確率を導出する、
気象予測方法。 The computer
Based on the input weather conditions, the first index showing the likelihood of eddy generation, the second index showing the degree of change in the potential temperature in the altitude direction, and the third index showing the strength of the updraft or downdraft. Of these, at least two indicators are derived,
At least two indicators derived based on the future meteorological conditions are classified based on the criteria for each indicator, and the probability of eddy generation is derived based on the pattern of the classification result.
Weather prediction method.
入力された気象状態に基づいて、乱気流の発生しやすさを示す第１指標と、温位の高度方向の変化度合を示す第２指標と、上昇気流または下降気流の強さを示す第３指標のうち、少なくとも２つの指標を導出させ、
将来の前記気象状態に基づいて導出された少なくとも２つの指標を指標ごとの基準に基づいて分類し、分類結果のパターンに基づいて乱気流が発生する確率を導出させる、
プログラム。 On the computer
Based on the input weather conditions, the first index showing the likelihood of eddy generation, the second index showing the degree of change in the potential temperature in the altitude direction, and the third index showing the strength of the updraft or downdraft. Of these, at least two indicators are derived,
At least two indicators derived based on the future meteorological conditions are classified based on the criteria for each index, and the probability of eddy generation is derived based on the pattern of the classification result.
program.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019077907A JP7256487B2 (en) | 2019-04-16 | 2019-04-16 | Weather forecasting device, weather forecasting method, and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019077907A JP7256487B2 (en) | 2019-04-16 | 2019-04-16 | Weather forecasting device, weather forecasting method, and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020176872A true JP2020176872A (en) | 2020-10-29 |
| JP7256487B2 JP7256487B2 (en) | 2023-04-12 |
Family
ID=72936178
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019077907A Active JP7256487B2 (en) | 2019-04-16 | 2019-04-16 | Weather forecasting device, weather forecasting method, and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7256487B2 (en) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6563452B1 (en) * | 1998-07-06 | 2003-05-13 | Honeywell International Inc. | Apparatus and method for determining wind profiles and for predicting clear air turbulence |
| US7109913B1 (en) * | 2004-05-04 | 2006-09-19 | Rockwell Collins, Inc. | Airborne weather radar system and radar display |
| JP2009092513A (en) * | 2007-10-09 | 2009-04-30 | Japan Aerospace Exploration Agency | Predicted turbulence area analyzer |
| JP2009192262A (en) * | 2008-02-12 | 2009-08-27 | Weather Service Co Ltd | System and method for predicting air turbulence |
| JP2012078237A (en) * | 2010-10-04 | 2012-04-19 | Seiko Epson Corp | Weather fluctuation forecasting information service system and weather fluctuation forecasting information service method |
| JP2013054005A (en) * | 2011-09-06 | 2013-03-21 | Seiko Epson Corp | Weather variation information providing system, weather variation information providing method, weather variation information providing program and recording medium |
| JP2015190866A (en) * | 2014-03-28 | 2015-11-02 | 株式会社東芝 | weather prediction error analysis system and weather prediction error method |
-
2019
- 2019-04-16 JP JP2019077907A patent/JP7256487B2/en active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6563452B1 (en) * | 1998-07-06 | 2003-05-13 | Honeywell International Inc. | Apparatus and method for determining wind profiles and for predicting clear air turbulence |
| US7109913B1 (en) * | 2004-05-04 | 2006-09-19 | Rockwell Collins, Inc. | Airborne weather radar system and radar display |
| JP2009092513A (en) * | 2007-10-09 | 2009-04-30 | Japan Aerospace Exploration Agency | Predicted turbulence area analyzer |
| JP2009192262A (en) * | 2008-02-12 | 2009-08-27 | Weather Service Co Ltd | System and method for predicting air turbulence |
| JP2012078237A (en) * | 2010-10-04 | 2012-04-19 | Seiko Epson Corp | Weather fluctuation forecasting information service system and weather fluctuation forecasting information service method |
| JP2013054005A (en) * | 2011-09-06 | 2013-03-21 | Seiko Epson Corp | Weather variation information providing system, weather variation information providing method, weather variation information providing program and recording medium |
| JP2015190866A (en) * | 2014-03-28 | 2015-11-02 | 株式会社東芝 | weather prediction error analysis system and weather prediction error method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7256487B2 (en) | 2023-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Taszarek et al. | Sounding-derived parameters associated with convective hazards in Europe | |
| Coffer et al. | Is there a “tipping point” between simulated nontornadic and tornadic supercells in VORTEX2 environments? | |
| Davis et al. | Does increased horizontal resolution improve hurricane wind forecasts? | |
| Cintineo et al. | The NOAA/CIMSS ProbSevere model: Incorporation of total lightning and validation | |
| Peters | The impact of effective buoyancy and dynamic pressure forcing on vertical velocities within two-dimensional updrafts | |
| McGovern et al. | Enhancing understanding and improving prediction of severe weather through spatiotemporal relational learning | |
| Boneh et al. | Fog forecasting for Melbourne Airport using a Bayesian decision network | |
| Andra et al. | Warning decision making: The relative roles of conceptual models, technology, strategy, and forecaster expertise on 3 May 1999 | |
| Brown et al. | The influence of lifting condensation level on low-level outflow and rotation in simulated supercell thunderstorms | |
| Rezapour et al. | Classification of hurricane hazards: The importance of rainfall | |
| Ngan et al. | A long-term WRF meteorological archive for dispersion simulations: Application to controlled tracer experiments | |
| Naylor et al. | Comparison of objective supercell identification techniques using an idealized cloud model | |
| Hofmann et al. | Risk-based and hydrodynamic pluvial flood forecasts in real time | |
| Gentine et al. | A probabilistic bulk model of coupled mixed layer and convection. Part I: Clear-sky case | |
| Patra et al. | A DDDAS framework for volcanic ash propagation and hazard analysis | |
| Carley et al. | A proposed model-based methodology for feature-specific prediction for high-impact weather | |
| Marsh et al. | A method for calibrating deterministic forecasts of rare events | |
| Muñoz-Esparza et al. | An improved algorithm for low-level turbulence forecasting | |
| Watson et al. | Does the ECMWF IFS convection parameterization with stochastic physics correctly reproduce relationships between convection and the large-scale state? | |
| Sharma et al. | Standard operation procedure for tropical cyclone vital parameters over North Indian Ocean | |
| Sharma et al. | A machine learning approach to flood severity classification and alerting | |
| Colette et al. | Using mesoscale simulations to train statistical models of tropical cyclone intensity over land | |
| JP7470413B2 (en) | Information processing device, information processing method, and program | |
| JP7256487B2 (en) | Weather forecasting device, weather forecasting method, and program | |
| Roquelaure et al. | Contributions from a Local Ensemble Prediction System (LEPS) for improving fog and low cloud forecasts at airports |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190524 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220204 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221111 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221115 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230116 |
|
| 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: 20230221 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230320 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7256487 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |