JP6351790B2 - How to provide marine weather forecast - Google Patents
How to provide marine weather forecast Download PDFInfo
- Publication number
- JP6351790B2 JP6351790B2 JP2017092107A JP2017092107A JP6351790B2 JP 6351790 B2 JP6351790 B2 JP 6351790B2 JP 2017092107 A JP2017092107 A JP 2017092107A JP 2017092107 A JP2017092107 A JP 2017092107A JP 6351790 B2 JP6351790 B2 JP 6351790B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- forecast
- weather
- forecast data
- prediction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 claims description 92
- 238000004891 communication Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000013144 data compression Methods 0.000 claims description 13
- 238000007906 compression Methods 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 230000006837 decompression Effects 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 2
- 230000010365 information processing Effects 0.000 claims 1
- 239000003643 water by type Substances 0.000 claims 1
- 230000008859 change Effects 0.000 description 21
- 238000012545 processing Methods 0.000 description 20
- 230000005540 biological transmission Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000012876 topography Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 238000007670 refining Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000010297 mechanical methods and process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013585 weight reducing agent Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、海上気象予報提供方法に関するものであり、特に、海岸地形データなどに基づいて気象予報データを精細化し、精細化した気象予報データと過去の海上気象データを比較して、最も類似する過去の気象データに基づいて11日以上先の海上天候を予測し、予測データを圧縮して船舶に提供する海上気象予報提供方法に関する。 The present invention relates to a method for providing marine weather forecasts, and in particular, refines weather forecast data based on coastal topographic data and the like, and compares the refined weather forecast data with past marine weather data and is most similar. The present invention relates to a marine weather forecast providing method for forecasting marine weather ahead of 11 days or more based on past meteorological data and compressing the forecast data and providing it to a ship.
従来、天気予報は、各地の天気・気圧・風向・風速・気温・湿度などの情報を収集し、数日後までの天気・風・気温などの状態を、熱力学モデルを用いてスーパーコンピュータを利用した数値計算により行っている。数値予報ができるようになるまでは、観測記録をもとにした過去の経験則の蓄積に頼る部分が大きく、予報官の経験に左右されるところが大きかった。数値予報の登場によって解析業務の負担が軽減されるとともに、精度が向上して予報の幅も広がってきている。 Conventionally, weather forecasts collect information such as weather, barometric pressure, wind direction, wind speed, temperature, humidity, etc. in each location, and use a supercomputer to monitor the state of weather, wind, temperature, etc. until several days later using a thermodynamic model This is done by numerical calculation. Until numerical forecasting was possible, it largely depended on the accumulation of past empirical rules based on observation records, and was largely dependent on the experience of forecasters. The advent of numerical forecasts has reduced the burden of analysis work, and the accuracy has improved and the range of forecasts has expanded.
数値予報は、スーパーコンピュータを必要とするので、簡単に行うことはできない。そこで、長期間の観測記録と現在の気象データを比較して、過去の気象の変化から将来の変化を予測する気象予測方法が行われている。この方法は、簡単な割にはかなり実際の天気に近い天気を予測できるので、いろいろなところで応用されている。以下に、これに関連する従来技術の例をあげる。 Numerical forecasting is not easy because it requires a supercomputer. Therefore, a weather prediction method for comparing future observation records with current weather data and predicting future changes from past weather changes has been performed. Since this method can predict the weather that is quite close to the actual weather, it is applied in various places. Examples of related art related to this will be given below.
特許文献１に開示された「気象予測方法」は、気象庁等から提供される汎用気象情報に基づいて局地的な気象予測を的確に行うことができるものである。図９（ａ）に示すように、予測対象地点気象情報入力手段で、気象予測対象地点の現在気象情報を入力する。周辺地点気象情報入力手段で、気象予測対象地点の周辺地点の現在気象情報を入力する。気象予測対象地点の周辺地点の過去の気象情報とこれに対応する気象予測対象地点の気象変化度とを互いに関連づけたものを地域データとして気象情報データベースに複数記憶させる。入力された周辺地点の現在気象情報をキーとしてデータベース内の地域データを検索することにより、該当する周辺地点の過去の気象情報に対応する予測対象地点の気象変化度を気象変化度検索手段で求める。入力された気象予測対象地点の現在気象情報と検索により求められた気象予測対象地点の気象変化度とに基づいて気象予測対象地点の将来気象を気象算出手段で算出する。
The “meteorological prediction method” disclosed in
特許文献２に開示された「発雷予測装置」は、現在の気象状況に類似している過去の気象事例を検索し、予測に利用することで、精度の良い発雷の予測を行うものである。図９（ｂ）に示すように、エコー強度画像表示器の出力、発雷危険度画像表示器の出力、気象現況データファイルに格納されている発雷判定要素に基づいて現在の発雷判定要素と類似した過去の気象状況を、過去事例検索部で出力する。エコー強度画像表示器の出力、発雷危険度画像表示器の出力、過去事例検索部からの過去の気象状況、グラフ表示器の出力に基づいて過去事例を考慮した発雷予測結果を、過去事例考慮発雷予測判断器で出力する。
The “lightning prediction device” disclosed in
特許文献３に開示された「気象予報支援方法」は、過去の気象画像の中から現況に類似する画像を検索し、その時間経過を提示することで、気象予報を支援するものである。図９（ｃ）に示すように、遂次観測された気象画像を入力、表示する。気象画像の特微量を計算し、過去の画像から類似する気象画像を検索、表示する。検索された気象画像から時間経過した画像を検索、表示し、新たに得られた特微量と気象画像をデータベースに記憶する。過去の気象画像の中から現状に類似する画像を逐次検索し、複数の候補の画像を提示し、また、その時間経過の様子を画像として提示しているため、現在と類似する過去の現象の推移の様子を気象予報者に提示することができ、気象予報者の経験則の想起や過去事例からの類推思考に有効な情報を提供でき、より高精度な予測が短時間にかつ容易に出せるよう気象予報者を支援することができる。また、新しい気象画像が観測される毎に、逐次、提示する情報を更新しているために、気象予報者に最新の情報を迅速に提示することができる。
The “weather forecast support method” disclosed in
特許文献４に開示された「時系列画像予測方法」は、より長い時間先までの予測、および時間的に急激に画像パターンが変化するような時系列画像に対してより精度の高い予測画像を得るものである。図９（ｄ）に示すように、学習用の画像系列を入力し、その学習用の画像系列に対し特徴量の系列を計算し、学習用の画像系列に対する固有空間を構築し、学習用の画像系列に対応する固有空間上での軌跡を計算する。予測の対象となる入力キー画像系列を入力し、対応する固有空間上での軌跡を計算し、固有空間上において、入力キー画像系列の軌跡と類似する学習用の画像系列の軌跡を検索し、その軌跡上で最もよく合致する位置を検出し、検索された学習用の画像系列の位置から時間的に先の画像系列を取りだし、予測画像を合成し、予測画像系列を出力する。予測対象の時系列をなす画像系列と類似する過去の画像系列を検索し、検索された過去の画像系列の先の時刻の画像系列から予測画像を得ることで、より長い時間先までの予測、および時間的に急激に画像パターンが変化するような画像系列に対してもより精度の高い予測画像の系列を提供することが可能となる。
The “time-series image prediction method” disclosed in
特許文献５に開示された「事象予測方法」は、気象衛星画像を用いて、高度別に雲の動きを予測・合成して、事象としての気象予測の精度を向上させるものである。図９（ｅ）に示すように、広域観測網による事象を予測するセンターＡにおいて、広域事象予測を行う。局所観測により蓄積されている事象データベースを保持するセンターＢにおいて、センターＡからセンターＢのエリアを含む広域の事象予測結果を取得する。事象予測結果とセンターＢのエリアの過去の事象との類似性に基づいて、現況に類似した過去の現象を事象データベースから過去の事象の選定を行い、選定された過去の事象と該事象の後の変化に基づいて現況の予測値を生成する。
The “event prediction method” disclosed in
特許文献６に開示された「気象予測支援システム」は、雲の広がり具合に関する情報を利用して、適当な事例数に自動的に絞り込むと同時に、ミクロ・マクロ両観点からの類似精度を高めることのできるものである。図９（ｆ）に示すように、気象観測装置で気象状況を観測する。この観測された気象状況を用い、観測時刻及び観測エリアを指標とする複数の気象属性値により特徴付けた気象データを、処理手段で生成する。この気象データを気象データベースに記録する。指定した検索エリアにおいて気象データベースを検索し、現在の気象データとその気象属性の類似する過去の気象データを検索手段で抽出する。この抽出件数にもとづき評価手段で検索エリアを修正し、新たな検索エリアを検索手段に指定する。
The “weather prediction support system” disclosed in
非特許文献１には「ニューラルネットワークに基づく翌日の気象変化予想システム」が開示されている。これは、天気図データベースを活用して、パターンマッチング手法に基づいて類似天気図を抽出する手法である。翌日の気温や日照などの予測を行う。概要は以下の通りである。日本をとり囲む天気図の緯線および経線に沿って15個のブロックに分割する。各ブロックの中の気象状況の有無を２進数で表した天気図マトリックスを作成し、これを天気図データベースとする。このデータベースを用いて、現時点と類似した天気日をパターンマッチングで抽出する。現時点に類似した天気は同じ気象変化を示すものと仮定し、翌日の気温変化予測を行う。天気図データベースから得られる気圧配置、前線位置、天気配置に関する情報をリカレント型ニューラルネットワークに入力する。対象地区における最高最低気温や日照時間の予想値を出力する。類似した天気は同じ日照変化を示すものと仮定し、類似天気日の翌日の日照時間変化をAMeDASデータから読みとり、これを現時点での日照時間変化の予測値とする。
Non-Patent
非特許文献２には「記憶に基づく推論による天気予測」が開示されている。これは、記憶に基づく推論を天気予測に応用したシステムである。アメダスなどの気象庁の観測網から得られた９年分の観測データを事例として持ち、数時間先の東京近辺の天気を予測する。記憶に基づく推論では、類似度の定義が大きな意味を持つ。条件付き確率を基にした特徴重み付け方法を用いる。ベンチマークデータによってその評価を行う。その結果を利用して天気予測を行い、利用する事例の量や、観測データの領域と正答率の関係を調べ、記憶に基づく推論による天気予測の特性および有効性を明らかにする。
Non-Patent
非特許文献３には「記憶に基づく推論による天気予測-相互情報量による回答分布評価と気象庁との比較-」が開示されている。これは、記憶に基づく推論方式(Memory-Based Reasoning; MBR)の応用として天気予測システムWINDOMを実装したものである。 WINDOMは、最大過去９年間('82〜'90)分のアメダスおよび有人観測所の観測データを保持し、マッチングにより数時間(３〜12時間)先の関東近辺の降水の有無を予測する。「気象状況が似ているならば、その後の天気も似ているだろう」という仮定のもとに、現在の気象状況(観測される降水や気圧などの分布)と類似した過去の時点をデータベースから検索し、その時点から数時間先の天気を、現在から同じ時間だけ先の天気の予測として回答する。実際の天気と予測した天気との相互情報量を用いて天気予測の回答分布を評価する。関東甲信地区の降水有無の予測について、WINDOMによる予測と、気象庁による予測との正答率での比較を行う。WINDOMは、全地域の平均値では気象庁の正答率に達していないものの、地域によっては気象庁の平均正答率に匹敵する高い正答率が得られている。
非特許文献４には「記憶に基づく推論方式による天気予報-システムの性能評価-」が開示されている。これは、記憶に基づく推論方式(Memory-Based Reasoning; MBR)を用いた天気予測システム WINDOM を並列計算機 AP1000 上に実装したものである。そのマッチング方式を改良して高精度したものである。MBRによる天気予測は、「同じような気象状況ならば、その後の天気も同じようになるだろう」という仮説に基づいて天気予測を行う。６時間後の東京の天気を予測する場合、まず現在の気象状況と最も似ている過去の時点を、データペースから検索する。そして、その時点から６時間後の東京の天気を、現在から６時間後の東京の天気の予測値として回答する。データペースには、気象庁が無料で公開している気象観測データを直接利用する。具体的にはアメダスのデータから降水量、風向、風速、日照時間、気温の５要素を、有人観測所のデータから海面気圧、雲量、天気の３項目をそれぞれ使用する。観測点は関東近辺を使用する。データベースには最高９年分(1982年〜90年)の観測データを蓄え、これを用いて1991年の天気を予測する。
非特許文献５には「住宅における分散電源導入時の電力品質維持・向上に関する研究」が開示されている。これは、環境調和型電力エネルギーシステムが導入された場合の住宅における電気エネルギーの安定供給と品質向上についての研究である。太陽光発電や風力発電や蓄電池が導入された場合における計測である。天気図データベースは、1999年〜2001年における９時の天気図を用いて作成した。１日の天気図を256（16×16）ブロックに区切り、２項目（気圧，前線）をデータ化する。前線については、寒冷前線、温暖前線、停滞前線、閉塞前線、前線がない場合の５種類を数値変換し、種類と有無の関係をデータ化する。予測対象日の気圧、前線と、過去の比較すべき天気日の気圧、前線から、天気図の類似度を表す評価指標を算出する。評価指数が最も０に近い天気図がデータベースから類似天気図として抽出される。
非特許文献６には「類似気象データを用いたニューラルネットワークによる翌日最大電力需要予測」が開示されている。これは、SDPデータ(地上気象観測編集データ)を用いた翌日最大電力需要予測手法である。気象官署などで観測されているSDPデータをデータベース化する。現時点のSDPデータと類似したSDPデータを過去のデータベースからパターンマッチングで抽出する。抽出された類似気象データのみを用いてニューラルネットワークで学習を行い、翌日最大電力需要の予測を行う。
しかし、従来の気象予報方法では、次のような問題がある。現在の気象データから将来の気象状況を予測するので、あまり遠い将来の天気を予測することはできない。気象予報データと過去データ記録を単純に比較して、類似する気象観測記録から気象予報を延長しても、あまり正確な気象予報はできない。また、気象予報の精細度が粗いので、局地的に精細な気象予報ができない。さらに、気象予報データのサイズが大きいので、通信回線の細い衛星通信を用いる船舶などのユーザーは送受信に係るデータ伝送時間が長くなり、かつ通信不良となり易い。 However, the conventional weather forecast method has the following problems. Since the future weather situation is predicted from the current weather data, it is not possible to predict the future weather so far. Even if weather forecast data and past data records are simply compared and the weather forecast is extended from similar weather observation records, a very accurate weather forecast cannot be obtained. In addition, since the fineness of the weather forecast is rough, it is not possible to make a fine weather forecast locally. Furthermore, since the size of the weather forecast data is large, a user such as a ship using satellite communication with a narrow communication line tends to have a long data transmission time for transmission / reception and a poor communication.
従来の特許文献による各種予測手法は、現在気象庁が運用する数値予報モデルを用いたものが主力である。現行の予測方法は、力学的予測モデルによる予報結果や複数の初期値から成る複数の力学的予測結果から得られるアンサンブル平均を用いて予測するアンサンブル予報や主に予測時間が短い時に用いる気象現象が大きく変化しない場合と急変する場合等の気象変化状況を、画像処理などで予測処理する方法（パターンマッチング法）が用いられている。しかも、予測対象時間を無限に延長させても予測精度の劣化はないという極めて非現実的な仮定に基づいている。しかし、局地的現象から見た現実的運用面では、特にパターンマッチング法では高々６時間先までの予測値が使用可能な限界である。また、予測対象要素の変化の様子が正確に得られることを前提として、局地的予測が可能であるとしている。実際に気象現象を予測する場合、最も重要なことは、予測対象要素の変化の法則を的確に把握し、その変化傾向に対応するように用いる数式やパターン変化を調整し続けることが、予測方法の最大の課題である。従来の特許文献による予測手法では、この辺の議論をほとんどしていない。 Various prediction methods based on conventional patent documents mainly use numerical forecast models currently operated by the Japan Meteorological Agency. Current prediction methods include ensemble forecasts that use ensemble averages derived from forecast results from mechanical forecast models and multiple mechanical forecast results consisting of multiple initial values, and weather phenomena that are used mainly when forecast times are short. A method (pattern matching method) is used that predicts weather change situations such as when there is no significant change and when there is a sudden change by image processing or the like. Moreover, it is based on a very unrealistic assumption that the prediction accuracy does not deteriorate even if the prediction target time is extended indefinitely. However, in terms of realistic operation from the viewpoint of a local phenomenon, in particular, in the pattern matching method, a predicted value up to 6 hours ahead is a limit that can be used. Further, it is assumed that local prediction is possible on the assumption that the state of change of the prediction target element can be accurately obtained. When actually forecasting meteorological phenomena, the most important thing is to accurately grasp the laws of change in the elements to be predicted, and to keep adjusting the formulas and pattern changes used to respond to the change trends. Is the biggest challenge. The conventional prediction method based on patent literature hardly discusses this area.
数々の高精度な数値予報モデルを使っても、なぜ、予測値が現実的に外れるのか。それは、大気のノイズのせいである。すなわち、気象予測の対象となる大気や海洋は、回転する地球上にある。地球が回転するために、慣性波や重力波（慣性や重力による大気の波）が必ず現れる。それが大気海洋予測モデルにノイズとなって混入する。また、大気の運動にはカオス的な特徴があり、予測対象時間を長くすればするだけ、誤差が急激に大きく成長する。既存の高分解能を有する予測方法では、高々６時間程の予測が限度であり、２週間（360時間）という長時間予測には到底使用できないものもある。 Why are the predicted values really out of use even when numerous high-precision numerical forecast models are used? It is due to atmospheric noise. That is, the atmosphere and ocean that are the targets of weather prediction are on the rotating earth. As the earth rotates, inertial waves and gravity waves (atmospheric waves due to inertia and gravity) always appear. This is mixed into the atmospheric ocean prediction model as noise. In addition, there is a chaotic feature in the movement of the atmosphere, and the error grows abruptly as long as the prediction target time is increased. Existing prediction methods with high resolution are limited to predictions of up to 6 hours, and some cannot be used for long-time predictions of 2 weeks (360 hours).
気象庁における10日以上の予測では、１ヵ月予報や３ヵ月予報に代表されるように、アンサンブル予報を用いている。その予測結果は、全てアンサンブル平均化されて出力されたものである。これは平滑化された予報であり、不確かさを多分に含んだ確率予報でしかない。また、予測時間を無限に長くできるという非現実的予測手法を用いている。実況観測値を主に用いた単純な予測手法は、直近数時間にしか適用できないという現実を無視している。現行の数値予報モデル（全球数値予報モデルG.S.M、全球波浪数値予報モデルGWM）で、予測精度が保証される予測時間の限界は10日程度（264時間先）である。予測の限界は、決定論的カオスによる予測不可能性にある。現行の数値予報モデルでは、予測時間が10日（264時間先）を過ぎると、大きなバラつきを持った予測値を出力してしまう。数値予報モデルの根幹を成すプリミティブ方程式が持つ非線形項が、結果を大きく左右するからである。その予測結果は、実際と全く異なる気象現象となるため、現実的に使用できない。 For forecasts of more than 10 days at the Japan Meteorological Agency, ensemble forecasts are used, as represented by one-month forecasts and three-month forecasts. The prediction results are all output after ensemble averaging. This is a smoothed forecast, only a probability forecast that contains a lot of uncertainty. Also, an unrealistic prediction method that can make the prediction time infinitely long is used. A simple prediction method that mainly uses live observations ignores the reality that it can only be applied in the last few hours. In the current numerical prediction model (global numerical prediction model G.S.M, global wave numerical prediction model GWM), the prediction time limit for which the prediction accuracy is guaranteed is about 10 days (264 hours ahead). The limitation of prediction lies in the unpredictability due to deterministic chaos. In the current numerical forecast model, when the forecast time exceeds 10 days (264 hours ahead), a forecast value with a large variation is output. This is because the nonlinear term of the primitive equation that forms the basis of the numerical forecast model greatly affects the results. Since the prediction result is a completely different weather phenomenon, it cannot be used practically.
本発明の目的は、上記従来の問題を解決して、気象庁の10日間の気象予報データを精細化した気象予報データと過去の気象データとに基づいて11日以上先の天気を予測して、データ圧縮して船舶のユーザーに提供することである。すなわち、従来の精細度を考慮していない気象予報データの比較による予測延長方法の欠点を除いて、気象予報データを全体の分解能が同じになるように精細化して予測延長を行うことにより予測精度を高めて、効率的に船舶に提供する。海上輸送、海上救難活動、海洋海底調査（探査）等において、各現場（洋上）での作業を容易に遂行させるべく、的確な海上気象予測を駆使しつつ作業リスクの軽減を図る現場（洋上）対応型簡易海上予測モデルとして、気象庁が保有する各種予測モデルを、さらに使い易く連動化させ、かつ現場に合せた予測情報に変換する。そして、14日先までの海上気象予報を行うことにある。また、過去の極軌道衛星を中心とした北極海衛星データから得られる海氷の季節（月別）変化を解析し、以後は日々の北極海の海氷データを得ることで、北極海航路のために北極海海域の14日先（360時間）の海上気象を予測する。 The object of the present invention is to solve the above-mentioned conventional problems, predict the weather ahead of 11 days or more based on the weather forecast data refined from the 10-day weather forecast data of the Japan Meteorological Agency and the past weather data, Data compression is provided to ship users. In other words, the prediction accuracy is improved by refining the weather forecast data so that the overall resolution is the same, excluding the drawbacks of the forecast extension method by comparing the weather forecast data that does not take into account the definition. And efficiently provide the ship. Sites (offshore) that reduce the risk of operations while using accurate marine weather forecasts to make it easy to carry out operations at each site (offshore) in marine transportation, marine rescue activities, ocean bottom survey (exploration), etc. Various types of prediction models possessed by the Japan Meteorological Agency are linked as easy-to-use models and converted into prediction information tailored to the site. And it is to do marine weather forecasts up to 14 days ahead. In addition, by analyzing the seasonal (monthly) changes in sea ice obtained from the Arctic Ocean satellite data centered on past polar orbit satellites, and then obtaining daily Arctic sea ice data, Forecast the marine weather 14 days ahead (360 hours) in the Arctic Ocean.
上記の課題を解決するために、本発明では、海上気象予報提供方法を、10日先までの気象庁予報データを海底地形データなどに基づいて、全体の分解能が同じになるように、気象予報データを精細化し、精細化した10日分の気象庁予報データと過去10年分の気象データとをパターン認識処理により比較して、最も類似する年月日を割り出し、対応する気象データの次の連続した４日間の気象データから定量的数値を抽出することにより、11日先〜14日先までの予測をして２週間先（14日先）までの気象予報データを作成し、気象予報データを圧縮して蓄積し、インターネットと通信衛星を介して船舶に提供するように構成した。 In order to solve the above-described problems, the present invention provides a method for providing marine weather forecasts based on meteorological forecast data up to 10 days ahead based on seafloor topographic data and the like so that the overall resolution is the same. The 10-day JMA forecast data and the past 10-year weather data are compared by pattern recognition processing to determine the most similar date, and the next consecutive meteorological data. By extracting quantitative numerical values from the 4-day weather data, forecasting from 11 days to 14 days ahead, creating weather forecast data up to 2 weeks ahead (14 days ahead), and compressing the weather forecast data It is configured to be stored and provided to the ship via the Internet and a communication satellite.
気象庁の保有する10日先までの予測モデル（全球数値予報モデルG.S.M・全球波浪数値予報モデルGWM）を用いて、海上最適類似予測手法により、11日〜14日先までの海上予測値を求める。通常の高気圧や低気圧の擾乱のライフタイムは7日間程度である。発達・衰弱に係る変化状況の信頼可能な期間を、ライフタイムの1/2とする。10日間の延長線上で精度を維持して予測するために、４日間の延長とする。すなわち、11日〜14日先までの海上における各格子値としての風向風速、有義波高・波向、周期を算出する。全球数値予報モデルG.S.M世界版と全球波浪数値予報モデルGWMの予測値に類似度の高い過去の気象データを求めて、予測値を得ることにより、予測精度の劣化要因である決定論的カオスによる予測不可能性を取り除いて、予測精度を高める。 Using the prediction model (global numerical prediction model G.S.M and global wave numerical prediction model GWM) up to 10 days ahead held by the Japan Meteorological Agency, the sea prediction value from 11 to 14 days ahead is obtained by the sea optimal similarity prediction method. The normal lifetime of high and low pressure disturbances is about 7 days. The reliable period of change related to development and weakness is set to 1/2 of the lifetime. In order to maintain the accuracy on the 10-day extension line and make predictions, the extension will be 4 days. That is, the wind direction wind speed, significant wave height / wave direction, and period as the respective lattice values on the sea from the 11th to the 14th day are calculated. Forecast by deterministic chaos, which is a deteriorating factor of prediction accuracy, by obtaining past meteorological data with high similarity to the predicted values of the global numerical forecast model GSM global version and the global wave numerical forecast model GWM Remove impossibility and increase prediction accuracy.
上記のように構成したことにより、11日以上先の天気を精度よく予測した気象予報データを効率よく船舶に提供することができる。また、北極海に関して全球波浪数値予報モデルGWMでは、北緯75度以北の海域は波浪解析が成されていない。そこで、全球数値予報モデルG.S.Mによる風データと衛星データにおる海氷位置から海を特定し、十分に発達した北極海波浪予測を出力し、北極海を航行する船舶へ情報を提供することができる。 By configuring as described above, it is possible to efficiently provide weather forecast data that accurately predicts the weather 11 days or more ahead to the ship. In addition, in the global wave numerical forecast model GWM for the Arctic Ocean, wave analysis is not performed for the sea area north of latitude 75 degrees north. Therefore, it is possible to identify the sea from the sea ice position in the wind data and satellite data by the global numerical forecast model GSM, output the fully developed Arctic Ocean wave forecast, and provide information to ships navigating the Arctic Ocean .
以下、本発明を実施するための最良の形態について、図１〜図８を参照しながら詳細に説明する。 Hereinafter, the best mode for carrying out the present invention will be described in detail with reference to FIGS.
本発明の実施例は、10日先までの気象庁予報データを、海底地形データや海岸線データなどに基づいて波の立ち方を計算し、全体の分解能が同じになるように精細化し、精細化した気象庁予報データと過去10年分の気象データとに基づいて、10日分の気象庁予報データと過去の気象データとをパターン認識処理を利用して比較し、最も類似する年月日を割り出し、対応する気象データの次の連続した４日間の気象データから定量的数値を抽出することにより、11日先〜14日先までの予測をして２週間先（14日先）までの延長気象予報データを作成し、延長気象予報データを圧縮し、インターネットと通信衛星を介して船舶で圧縮予報データを受信し、圧縮予報データを解凍伸張して元の延長気象予報データ（即ち、当日の初期値から14日先までの海上気象予測データ）に復元表示する海上気象予報提供方法である。 In the embodiment of the present invention, the meteorological agency forecast data up to 10 days ahead is calculated based on the seafloor topography data, coastline data, etc., and refined so as to have the same overall resolution. Based on the Meteorological Agency forecast data and meteorological data for the past 10 years, the JMA forecast data for 10 days and the past meteorological data are compared using pattern recognition processing, and the most similar date is determined and handled. By extracting quantitative numerical values from the meteorological data for the next four consecutive days of the meteorological data to be predicted, it is predicted from 11 to 14 days ahead, and extended weather forecast data to 2 weeks ahead (14 days ahead) Compress the extended weather forecast data, receive the compressed forecast data on the ship via the Internet and communication satellite, decompress the decompressed forecast data and decompress the original extended weather forecast data (that is, from the initial value of the day) 14 days ahead It is a marine weather forecast provides a method for restoring display on the weather forecast data).
図１に、本発明の実施例における海上気象予報提供方法の概要を示す。図２に、予報精細化方法の概要を示す。図３に、予報延長方法の原理の概要を示す。図４に、予報延長方法の処理手順を示す。図５に、予報延長方法の詳細フローを示す。図６に、北極海域の初期時刻から10日先までの新たな波浪予測解析手法及び11日〜14日の予報延長方法の概要を示す。図７に、予報データ圧縮方法の概要を示す。図８に、予報データ蓄積提供方法と受信端末装置の概要を示す。図１〜図８において、気象予報データ１は、気象庁から発表される10日間の予報データなどである。予報精細化手段２は、海底地形データなどを利用して予報データを空間的に補間して精細化する手段である。予報延長手段３は、10日分の予報データと数値予報モデル初期値から４日分の延長予報データを求める手段である。予報データ圧縮手段４は、必要な精度までビット長を短縮するとともに、変化率の小さい場合に空間的時間的に差分データにしてデータ量を削減する手段である。予報データ蓄積提供手段５は、予報データを保持してインターネットに送出するウェッブサーバーである。インターネット６は、広域通信ネットワークである。衛星通信７は、海上の船舶と通信できる衛星である。送受信装置８は、衛星通信による船舶用送受信機である。端末装置９は、予報データを解凍伸張して海上気象予想図を表示する装置である。海上気象予想図10は、予報データに基づいて作成した受信側受信機上で表示可能なデジタルデータである。
FIG. 1 shows an outline of a marine weather forecast providing method in an embodiment of the present invention. FIG. 2 shows an outline of the forecast refinement method. FIG. 3 shows an outline of the principle of the forecast extension method. FIG. 4 shows a processing procedure of the forecast extension method. FIG. 5 shows a detailed flow of the forecast extension method. FIG. 6 shows an outline of a new wave prediction analysis method from the initial time in the Arctic Ocean region to 10 days ahead and a forecast extension method from 11th to 14th. FIG. 7 shows an outline of the forecast data compression method. FIG. 8 shows an outline of the forecast data storage and provision method and the receiving terminal device. 1 to 8,
精細化予報データ20は、海底地形データなどを利用して、予報データを空間的に精細化したものである。精細化演算手段21は、海底地形データなどを利用して、予報データを空間的に精細化する手段である。海底地形データ22は、波浪データを空間的に精細化するための地形データである。海岸線データ23は、波浪データに境界条件を与える海岸線のデータである。延長気象予報データ30は、４日分延長された14日分の気象予報データである。過去データ記録31は、過去10年分の数値予報モデルで第一推定値として扱われる各初期値を格納したデータベースである。このデータを過去の気象データと呼ぶ。記録データ保持手段32は、過去10年分の数値予報モデル初期値データのうちの10日分のデータを保持する手段である。予報データ保持手段33は、10日分の予報データを保持する手段である。類似度計算手段34は、10日分の現予報データと10日分の数値予報モデル初期値データとの類似度を計算する手段である。類似度記憶手段35は、日時対応に類似度を記憶する手段である。最大類似度日時検索手段36は、類似度が最大である日時を求める手段である。対応気象データ抽出手段37は、最大類似度に対応する日時の次の４日分の気象データを抽出する手段である。延長予報データ保持手段38は、抽出した４日分の気象データを延長予報データとして保持する手段である。
The
圧縮化予報データ40は、データ量を削減した予報データである。汎用圧縮手段41は、通常の圧縮方法でデータ圧縮する手段である。特化圧縮手段42は、気象予報データの圧縮に適した方法でデータ圧縮する手段である。蓄積手段51は、圧縮化予報データを蓄積しておく記憶装置である。送出手段52は、圧縮化予報データを衛星通信でインターネットを介してダウンロードする手段である。解凍伸張手段91は、受信した圧縮化予報データを元に戻す手段である。記憶手段92は、解凍伸張した予報データを保持する手段である。予測領域指定手段93は、ユーザーが予報データの領域を任意に指定する手段である。海上気象予想図作成手段94は、各予報データから海上気象予想図を作成する手段である。表示手段95は、海上気象予想図を表示する手段である。
The
上記のように構成された本発明の実施例における海上気象予報提供方法の手順と機能を説明する。最初に、図１を参照しながら、海上気象予報提供方法の概要を説明する。図１(ａ)に示すように、陸上の気象予報センター側では、気象予報データ１を予報精細化手段２により精細化して、精細化予報データ20を得る。予報延長手段３により、精細化予報データ20の予報延長を行い、延長気象予報データ30を得る。予報データ圧縮手段４により、延長気象予報データ30を圧縮して、圧縮化予報データ40を得る。予報データ蓄積提供手段５により、圧縮化予報データ40をインターネット６経由で船舶に提供する。船舶側では、インターネット６と衛星通信７を介して、送受信装置８で圧縮化予報データ40を受信する。端末装置９により圧縮化予報データ40を解凍伸張して、海上気象予想図10として表示する。天気図の代わりに数値データやグラフとして表示することもできる。これらを代表して単に予想データということもある。
The procedure and function of the marine weather forecast providing method in the embodiment of the present invention configured as described above will be described. First, the outline of the marine weather forecast providing method will be described with reference to FIG. As shown in FIG. 1 (a), on the land weather forecast center side, the
次に、図１（ｂ）の総合的解析フローを参照しながら、全体の処理の流れの具体例を説明する。ここで用いる気象庁の数値予報モデルは以下の５種の予報モデルである。（１）全球波浪数値予報モデル（GWM)と、（２）沿岸波浪数値予報モデル（CWM)と、（３）全球数値予報モデル（G.S.M)と、（４）全球数値予報モデル（日本領域）（G.S.M-J)と、（５）メソ数値予報モデル（MSM）である。これらの５種の数値予報モデルを一元化処理して、現場（洋上）対応型簡易海上予測モデルを作成する。きめの細かい海底地形処理や海岸線処理を行って、予測モデルを高度化する。予測対象時間を11日〜14日先（360時間先）まで延長して、追加予測値を作成する。洋上への送信のために、データ容量の超軽量化処理を行う。また、当日の初期値から14日先（360時間先）までの波浪、周期、風向風速に関する予測値を算出し、北極海波浪予測処理も行う。 Next, a specific example of the overall processing flow will be described with reference to the comprehensive analysis flow in FIG. The meteorological agency's numerical forecast models used here are the following five kinds of forecast models. (1) Global wave numerical forecast model (GWM), (2) Coastal wave numerical forecast model (CWM), (3) Global numerical forecast model (GSM), (4) Global numerical forecast model (Japan region) ( GSM-J) and (5) Meso numerical forecast model (MSM). These five kinds of numerical forecast models are unified to create an on-site (offshore) -adaptive simple ocean forecast model. We will refine the prediction model by carrying out fine seafloor topography processing and coastline processing. The forecast target time is extended from 11 days to 14 days ahead (360 hours ahead) to create additional forecast values. Performs ultra-lightweight data processing for offshore transmission. It also calculates predicted values for the wave, period, wind direction and wind speed from the initial value of the day to 14 days ahead (360 hours ahead), and performs Arctic Ocean wave prediction processing.
海底地形データと海岸線データを用いて、沿岸波浪数値予報モデル(CWM)を精細化する。この沿岸波浪数値予報モデル(CWM)に合わせて、日本を含む領域の全球数値予報モデル（G.S.M-J)を修正する。また、沿岸波浪数値予報モデル(CWM)に合わせて、全球波浪数値予報モデル（GWM)を修正する。さらに、修正全球波浪数値予報モデル（GWM)に合わせて、全球数値予報モデル（G.S.M)を修正する。沿岸波浪数値予報モデル（CWM)と修正全球波浪数値予報モデル（GWM)と修正全球数値予報モデル（G.S.M)に基づいて、予測データのない領域の補間をメッシュ解析により行い、一元化した合成予測モデルを作成する。５種の予報モデルは、予測メッシュ分解能も予測解析領域も予測表示時間も異なるので、これらが同じになるように補間して１つの10日先までの予測モデルとする。各数値予報モデルの初期値を比較して類似度を算出するための新しい格子点値を作成する。北緯75度以北の領域では、風予測値により各格子点で最も発達した波浪解析値を算出し、解析値のない北極海を中心とした領域の波浪解析値を時系列的に作成する。 The coastal wave numerical forecast model (CWM) is refined using the seafloor topography data and the coastline data. The global numerical forecast model (G.S.M-J) in the region including Japan is modified to match this coastal wave numerical forecast model (CWM). In addition, the global wave numerical forecast model (GWM) is modified to match the coastal wave numerical forecast model (CWM). Furthermore, the global numerical forecast model (G.S.M) is corrected in accordance with the modified global wave numerical forecast model (GWM). Based on the coastal wave numerical forecast model (CWM), the modified global wave numerical forecast model (GWM), and the modified global numerical forecast model (GSM), interpolation of areas without prediction data is performed by mesh analysis, and a unified composite prediction model is created. create. Since the five types of prediction models have different prediction mesh resolutions, prediction analysis regions, and prediction display times, they are interpolated so that they are the same, and a prediction model up to 10 days ahead is obtained. Compare the initial values of each numerical forecast model and create a new grid point value to calculate the similarity. In the region north of 75 degrees north latitude, the most developed wave analysis value at each grid point is calculated from the wind prediction value, and the wave analysis value in the region centering on the Arctic Ocean without analysis value is created in time series.
一方、海上最適類似予測手法により、予測を延長する。すなわち、過去10年分の衛星赤外画像を利用して、予測モデルと過去画像を比較し、類似度を求める。類似度が最大となる数値予報モデルの初期値の年月日を抽出し、11日〜14日の全球波浪数値予報モデル（GWM)を作成する。さらに、３時間、６時間、12時間に対応するそれぞれに発達した波浪解析を行い、北極海域では全球波浪数値予報モデル（GWM)の海上最適類似予測手法により得た風データから、11日〜14日先までの新たな風予測値を作成し、風データから波浪解析を行い、波浪予測値を作成する。予測値をデータ圧縮してデータを軽量化し、スペクトル解析によりデータ分散処理を行って船舶に送信する。船舶で受信し、受信した軽量化データを復元処理して海上気象予想図を表示する。 On the other hand, the forecast is extended by the sea optimal similarity prediction method. That is, using a satellite infrared image for the past 10 years, the prediction model and the past image are compared to obtain the similarity. The initial date of the numerical forecast model with the maximum similarity is extracted, and the global wave numerical forecast model (GWM) for 11th to 14th is created. In addition, we conducted wave analyzes developed for 3 hours, 6 hours, and 12 hours, and in the Arctic Ocean, from the wind data obtained by the ocean wave similar prediction method of the global wave numerical forecast model (GWM), 11-14 Create new wind prediction values up to the day ahead, perform wave analysis from wind data, and create wave prediction values. The predicted value is compressed to reduce the weight of the data, and the data is distributed by spectrum analysis and sent to the ship. Received by the ship, restores the received weight reduction data, and displays a marine weather forecast map.
次に、図２（ａ）を参照しながら、予報データ精細化方法の概要を説明する。各予報モデルによる異なる分解能を同じにすることにより、広域メッシュ域を狭域メッシュ域に合わせて解析処理することができる。予報精細化手段２による予報データの精細化は、海底地形データや海岸線データなどに基づいて、波の立ち方を計算し、予報データを精細化するというものである。予報精細化手段２は、精細化演算手段21により海底地形データ22と海岸線データ23に基づいて、波の立ち方を計算し、気象予報データ１を精細化して、精細化予報データ20として出力する。沿岸域や港湾内の予報の場合は、陸上の地形も考慮する。これらのデータに基づいて、温度データや気圧データなどを精細化して、精細化予報データ20とする。
Next, an outline of the forecast data refinement method will be described with reference to FIG. By making the different resolutions of the respective forecast models the same, it is possible to analyze the wide area mesh region in accordance with the narrow area mesh region. The refinement of the forecast data by the forecast refinement means 2 is to refine the forecast data by calculating how the waves rise based on the seafloor topographic data, the coastline data, and the like. The forecast refinement means 2 calculates the way of the wave based on the seafloor topography data 22 and the coastline data 23 by the refinement calculation means 21, refines the
次に、図２（ｂ）〜（ｄ）を参照しながら、予報データ精細化方法の具体例を説明する。５種の異なる予測モデルを一つのモデル仕様として一元化処理する方法である。予報モデルごとに分解能が異なる。この制限により、単純には一元化できない。そこで、沿岸部や港湾部について海底地形処理や海岸線処理を行い、元の数値予報モデルよりもさらに現場環境に合わせた予測データを得て、予報モデルを最小メッシュ分解能として一元化する。 Next, a specific example of the forecast data refinement method will be described with reference to FIGS. In this method, five different prediction models are unified as one model specification. Different forecast models have different resolutions. Because of this limitation, it cannot be simply unified. Therefore, seafloor topography processing and coastline processing are performed for coastal areas and harbors, and prediction data that matches the field environment is obtained more than the original numerical prediction model, and the prediction model is unified with the minimum mesh resolution.
図２（ｂ）に示すように、海底地形因子Geo1に基づいて海底地形処理を行い、海岸線地形因子Geo2に基づいて海岸線地形処理を行い、波の立ち方を計算し、沿岸波浪数値予報モデル（CWM)の精細化を行う。補正沿岸波浪数値予報モデル（CWM)と日本領域のメソ数値予報モデル（MSM）とから、全球数値予報モデル（日本領域）（G.S.M-J)の推定値を求める。必要に応じて、全球数値予報モデル（G.S.M)の推定値も求める。補正沿岸波浪数値予報モデル（C-CWM)を計算するために、すべての予報モデルの精細度を合わせるように、補間して格子点の値を求める。海底地形データと海岸線データを利用して、浅海波と深海波による波の立ち方を区分して解析し、沿岸波浪数値予報モデルを作成する。沿岸波浪数値予報モデルと地形データから、補正沿岸波浪数値予報モデルを作成する。補正沿岸波浪数値予報モデルと、日本領域のメソ数値予報モデルから、全球数値予報モデルの日本版推定値を求める。全球数値予報モデルの世界版推定値も同様にして求める。すべてのモデルが補正沿岸波浪数値予報モデルに用いる関数として同一化した予測格子点推定値を算出し、補正沿岸波浪数値予報モデルの出力に合せて表示する。 As shown in Fig. 2 (b), seafloor topography processing is performed based on the seafloor topography factor Geo1, coastline topography processing is performed based on the coastline topography factor Geo2, the way the waves rise, and the coastal wave numerical forecast model ( CWM) refinement. The estimated value of the global numerical prediction model (Japan region) (G.S.M-J) is obtained from the corrected coastal wave numerical prediction model (CWM) and the meso numerical prediction model (MSM) of the Japanese region. If necessary, estimate the global numerical forecast model (G.S.M). In order to calculate the corrected coastal wave numerical forecast model (C-CWM), the values of grid points are obtained by interpolation so that the precision of all the forecast models is matched. Using ocean floor topography data and coastline data, we will analyze the way the waves are generated by shallow and deep sea waves and create a coastal wave numerical forecast model. A corrected coastal wave numerical forecast model is created from the coastal wave numerical forecast model and topographic data. From the corrected coastal wave numerical forecast model and the meso numerical forecast model in Japan, the Japanese version of the global numerical forecast model is obtained. The global version estimate of the global numerical forecast model is obtained in the same way. All models calculate predicted grid point estimates that are the same as the functions used for the corrected coastal wave numerical forecast model, and display them according to the output of the corrected coastal wave numerical forecast model.
図２（ｃ）、（ｄ）に示すように、海上予測データが存在しない領域については、全球数値予報モデル（G.S.M)の推定値を、線形補間で求める。元々の予測モデル上で陸上部分として海上予測データが存在しない領域については、元々メッシュデータのない領域（メッシュ）は、第一推定値として下記のとおりに作成する。
G.S.M推定値＝ａ・GWM（1）+ｂ・GWM（2）+ｃ・GWM（3）+・・・+ｈ・GWM（n）+ｉ・Geo1 +ｊ・Geo2
1地点の補間処理を行う場合、Geo1とGeo2を加味しながら東西南北の８地点の値を用いて補間作業を行う。この場合、補間点数が多くないので、ラグランジュ補間を用いる。
As shown in FIGS. 2C and 2D, the estimated value of the global numerical forecast model (GSM) is obtained by linear interpolation for the region where the sea prediction data does not exist. For the area where the sea prediction data does not exist as the land portion on the original prediction model, the area (mesh) without the original mesh data is created as a first estimated value as follows.
GSM estimated value = a · GWM (1) + b · GWM (2) + c · GWM (3) + ・ ・ ・ + h · GWM (n) + i · Geo1 + j · Geo2
When interpolation processing is performed at one point, interpolation is performed using values at eight points in the east, west, south, and north directions, taking Geo1 and Geo2 into account. In this case, since there are not many interpolation points, Lagrange interpolation is used.
次に、図３（ａ）を参照しながら、気象予報延長方法の原理を説明する。気象庁の気象予報データは、常に10日先までの気象予報に関するデータとなっている。気象庁の10日先までの気象予報データは、力学的手法での解析結果である。ここでは、気象庁の力学的手法による気象予報データと過去10年分の過去データ記録31を基にして、比較一致法により２週間先（14日先）までの延長気象予報データを作成する。10日分の気象予報データと過去の数値予報モデル初期値データ（第一推定値）とのマッチングを行う。過去の気象データの分解能（精細度）は、精細化した気象予報データの分解能と同じであるので、無理なく比較することができる。それに加えて、雲データや気圧配置データなどを比較して、現在の気象データ（現初期値）から10日先までの気象予報データに最も類似する過去の気象データの年月日を割り出す。最大類似度の日時の次の４日分の過去の気象データから定量的数値を抽出し、現予報値に追加する11日〜14日の気象予報データとする。このように、10日間の気象予報データと10日分の数値予報モデル初期値（第一推定値）との類似性を基に、11日先〜14日先に出現する可能性の高い過去の海上気象データから新たな気象予報データを求めて、14日先までの延長気象予報データとする。
Next, the principle of the weather forecast extension method will be described with reference to FIG. The weather forecast data of the Japan Meteorological Agency is always data related to weather forecasts up to 10 days ahead. The weather forecast data up to 10 days ahead of the Japan Meteorological Agency is the result of analysis using a mechanical method. Here, based on the weather forecast data by the Meteorological Agency's mechanical method and the
次に、図３（ｂ）を参照しながら、予報延長方法の具体的な処理方法を説明する。過去データ記録31に、過去10年分の数値予報モデル初期値データ（第一推定値）を格納しておく。過去の気象観測データ自体では気象予報データと直接比較できないので、気象予報データに対応する数値予報モデル初期値データを過去の気象データとしてデータベース（過去データ記録31）に格納しておく。過去データ記録31から、最初の10日分の初期値データ（気象データ）を取りだす。記録データ保持手段32に、過去10年分の気象データのうちの10日分の気象データを保持する。予報データ保持手段33に、10日分の気象庁予報データを保持する。類似度計算手段34で、10日分の気象庁予報データと10日分の初期値データ（気象データ）との類似度を計算する。10日分の気象庁予報データと過去の気象データとのマッチングを行い、類似度を求める。類似度記憶手段35に、日時対応に類似度を記憶する。過去の気象データの日時を１日進める。過去の気象データの検索が終了していなければ計算を繰り返す。過去の気象データの検索が終了したら、最大類似度日時検索手段36で、類似度が最大である日時を求める。対応気象データ抽出手段37で、最大類似度に対応する日時について、対応する気象データの次の４日分の気象データを抽出する。こうして抽出した４日間の連続した気象データを、11日先〜14日先の延長部分データとする。抽出した４日分の延長部分データと10日分の気象予報データを結合して、延長気象予報データ30として延長予報データ保持手段38に保持する。
Next, a specific processing method of the forecast extension method will be described with reference to FIG. The
次に、図４を参照しながら、予報延長方法の処理手順を説明する。ステップ11で、過去データ記録31から、季節別に区分した最初の10日分の気象データを取りだす。ステップ12で、10日間分の気象庁予報データと過去の気象データとのマッチングを行い、類似度を求める。ステップ13で、類似度を日時対応に記憶する。ステップ14で、適する気象データの日時を１日進める。ステップ15で、過去の気象データの検索が終了していなければ、ステップ12から繰り返す。過去の気象データの検索が終了したら、ステップ16で、類似度が最大の日時に対応する気象データの次の連続した４日間の気象データを、11日先〜14日先の延長部分データとする。
Next, the processing procedure of the forecast extension method will be described with reference to FIG. In step 11, weather data for the first 10 days divided by season is extracted from the
図５を参照しながら、海上最適類似予測手法の一例を説明する。現行の数値予報モデルの予測時間（最大10日/264時間先）を、現予測モデル値を基にさらに４日間延長し360時間として処理出力する。10日（当日を含めると11日、264時間先）という予測の限界を超える手法として、「海上最適類似予測手法」を示す。類似度算出のために、現数値予報モデルの精度にあわせて、10日間の予報データの格子点値を作成する。全球数値予報モデルG.S.M雲画像と、過去10年分の衛星画像について、比較対象領域を選定する。全球数値予報モデルG.S.M予測データ（10日分）と過去雲画像データ（10日分）とを比較して、類似度を計算する。類似度計算処理は、50°×50°領域における従来のパターンマッチング法を用いる。類似度数が最大値の年月日を求める。11日目〜14日目の風と波と周期を過去データから取得する。今回の予測値として、10日〜11日の予測時間のつなぎ目の位相のずれや量的変化度を修正して、２次元メッシュ予測値として格子点値を完成させる。10日分の予報データの精度にあわせて、50°×50°領域格子点値を作成する。 With reference to FIG. 5, an example of the maritime optimum similarity prediction method will be described. The forecast time (up to 10 days / 264 hours ahead) of the current numerical forecast model is further extended by four days based on the current forecast model value and processed and output as 360 hours. As a method that exceeds the prediction limit of 10 days (11 days, 264 hours ahead if the day is included), the “Ship Optimum Similar Prediction Method” is shown. To calculate the similarity, grid point values of 10-day forecast data are created according to the accuracy of the current numerical forecast model. The comparison target area is selected for the global numerical forecast model G.S.M cloud image and the satellite image for the past 10 years. The global numerical forecast model G.S.M prediction data (for 10 days) is compared with past cloud image data (for 10 days) to calculate the similarity. The similarity calculation process uses a conventional pattern matching method in a 50 ° × 50 ° region. Find the date of maximum similarity. The wind, wave and cycle of the 11th to 14th days are obtained from the past data. As a predicted value for this time, a phase shift and a quantitative change degree at a joint between predicted times of 10th to 11th are corrected, and a lattice point value is completed as a two-dimensional mesh predicted value. A grid point value of 50 ° x 50 ° is created according to the accuracy of the forecast data for 10 days.
図６を参照しながら、北極海波浪予測方法を説明する。現行の全球波浪数値予報モデル（GWM)の予測領域（北緯75度以南）を、本来の全球海域予測として北極海全域について波浪処理出力する。北緯75度以北のすべて海域について、G.S.M世界版の風データから、海上における十分に発達した状況での波浪並びに周期についてメッシュ解析を実施する。各格子点での波の発達を求める。北極海の中心部分を占める海氷は衛星画像から入手し、陸上として認知する。衛星画像から得られるデジタルデータから、地表面輝度温度の変化で海氷部分（陸扱い）と海面部分（海扱い）に区分する。衛星画像から得られる海氷面積変動から、月別海氷面積の統計的変化状況を数値化して、北極点を中心とした海岸線データを作成し、波浪予測メッシュ解析の基本データを12個（12ヶ月毎）持つこととする。その他の開かれた海域については、メッシュ毎に波浪解析処理を行う。６時間〜12時間ピッチにおける波の発達を考える。風は、G.S.M世界版により初期〜10日間まで表示する。11日目〜14日目まで風の予測値については、海上最適類似予測手法を適用する。初期〜14日まで波高と周期を予測表示する。類似シナリオ予測手法により、ロシア、カナダ、グリーンランド、アラスカの沿岸域での類似波を計算する。一定の風速による局地的波の発達状況は、有効フェッチFeと風速から有義波高Ｈと周期Ｔを算出する。有義波に関する予測式はウィルソンの公式を用いる。これは既存の公式である。ｇは重力加速度、Feは有効フェッチであり、複雑な地形を考慮した吹走距離である。吹続時間は６時間と12時間とし、一定の風速と吹走距離、吹続時間から、発達し得る最大の波浪を計算し、方向スペクトル変換し適切な有義波を求める。 The Arctic ocean wave prediction method will be described with reference to FIG. The current global wave numerical prediction model (GWM) prediction area (south of 75 degrees north latitude) is output as a wave process for the entire Arctic Ocean as the original global sea area prediction. For all sea areas north of 75 degrees north latitude, mesh analysis will be conducted for waves and periods in the fully developed state at sea from the G.S.M world version of wind data. Find the wave development at each grid point. Sea ice occupying the central part of the Arctic Ocean is obtained from satellite images and recognized as land. From the digital data obtained from the satellite image, the sea ice part (land treatment) and the sea surface part (sea treatment) are classified according to changes in the surface brightness temperature. From the sea ice area fluctuation obtained from the satellite image, the statistical change situation of the monthly sea ice area is quantified, coastline data centered on the North Pole is created, and 12 basic data of wave prediction mesh analysis (12 months) Every). For other open sea areas, wave analysis processing is performed for each mesh. Consider wave development at 6-12 hour pitch. The wind is displayed from the initial to 10 days according to the G.S.M world version. From the 11th day to the 14th day, the optimal prediction method at sea is applied to the predicted wind value. Predict and display the wave height and period from the initial to the 14th. Calculate similar waves in coastal regions of Russia, Canada, Greenland, and Alaska using the similar scenario prediction method. As for the development state of local waves by a constant wind speed, the significant wave height H and the period T are calculated from the effective fetch Fe and the wind speed. The Wilson formula is used for the prediction formula for significant waves. This is an existing formula. g is the gravitational acceleration, Fe is an effective fetch, and the distance that the complex terrain is taken into account. The duration is 6 hours and 12 hours, and the maximum wave that can be developed is calculated from the constant wind speed, distance, and duration, and an appropriate significant wave is obtained by converting the direction spectrum.
次に、図７（ａ）を参照しながら、予報データ圧縮方法の概要を説明する。予報データ圧縮手段４による予報データの圧縮は、通常のzipファイル形式を基本としてデータ圧縮を行う。予報データ圧縮手段４は、予報延長手段３から延長気象予報データ30を受け取る。汎用圧縮手段41は、ランレングス符号化やハフマン符号化などの汎用圧縮符号化方法により、延長気象予報データ30をデータ圧縮する。特化圧縮手段42では、フーリエ変換などの天気予報データに適した圧縮方法でデータ圧縮を行う。このようにして削減したデータを圧縮化予報データ40として出力する。
Next, an outline of the forecast data compression method will be described with reference to FIG. The forecast data compression by the forecast data compression means 4 is based on the normal zip file format. The forecast data compression means 4 receives the extended
図７（ｂ）を参照しながら、データ軽量化のためのスペクトル解析手法を説明する。各予測モデルは、それぞれデータ容量が大きいので、高速通信に対応しない洋上（船上）通信の時間短縮のために、データ軽量化処理をする。データ送受信については、通常のデータ圧縮技術はそのまま用いて、さらに受信側を船舶とした洋上における低速通信向け仕様として、各格子点値に対して周波数分解を行い、送受信に係るデータの低容量化を行う。時間変化と空間変化に関するスペクトル解析によって要素を算出する。分解処理はフーリエ変換を利用する。各気象要素の物理量を一次元フーリエ級数に分解する。作成済みのデータを、各気象要素別に有限個の正弦波分解して格納する。スペクトル解析により複数の４つの基本データに分解することで軽量化して送受信を行う。予測データの送受信は、有限個に分解した正弦波データにて実施する。データ受信後、分解処理データの再構築により予測データを復元する。受信側パソコンにデータ復元化プログラムを内蔵しておく。受信後にパソコン上で画像処理して、分解したデータを再度合成させ、元の予測データに復元する。 A spectrum analysis method for reducing the weight of data will be described with reference to FIG. Since each prediction model has a large data capacity, data weight reduction processing is performed in order to shorten the time of offshore (shipboard) communication that does not support high-speed communication. For data transmission / reception, the usual data compression technology is used as it is, and as a specification for low-speed communication on the ocean with the receiving side as a ship, frequency decomposition is performed on each grid point value to reduce the volume of data related to transmission / reception I do. Elements are calculated by spectral analysis of temporal and spatial changes. The decomposition process uses Fourier transform. Decompose the physical quantities of each weather element into a one-dimensional Fourier series. Created data is stored after finite sine wave decomposition for each weather element. Transmission / reception is performed by reducing the weight by decomposing into a plurality of four basic data by spectrum analysis. The transmission / reception of the prediction data is performed using sine wave data decomposed into a finite number. After receiving the data, the prediction data is restored by reconstructing the decomposition processing data. A data recovery program is built in the receiving computer. After reception, the image is processed on a personal computer, and the decomposed data is synthesized again and restored to the original prediction data.
次に、図８（ａ）を参照しながら、予報データ蓄積提供手段の概要を説明する。予報データ蓄積提供手段５は、インターネット６に接続されたウェッブサーバーである。予報データ蓄積提供手段５は、予報データ圧縮手段４から、圧縮化予報データ40を受け取る。精度に応じて２種類か３種類とする。地域別予報日別に蓄積手段51に保存する。船舶からの要求に応じて、送出手段52からインターネット６経由で圧縮化予報データ40を送出する。
Next, the outline of the forecast data storage and provision means will be described with reference to FIG. The forecast data storage / providing
次に、図８（ｂ）を参照しながら、端末装置の概要を説明する。船舶の端末装置９の送受信装置８は、通信衛星を介して予報データ蓄積提供手段５から予報データを受信する。送受信装置８は衛星電話などである。端末装置９の予測領域指定手段93から所望の領域などを指定して、予報データをダウンロードする。取得した圧縮化予報データ40を解凍伸張手段91で解凍伸張して、精細化予報データ20を記憶手段92に記憶する。海上気象予想図作成手段94で、所望の領域の海上気象予想図を作成して、表示手段95に表示する。天気図あるいは予報データとして提供される情報は、風向風速などの風情報と、波高や波向やうねり周期などの波情報である。
Next, an outline of the terminal device will be described with reference to FIG. The transmitting /
予報データの要求は、精度と海域と予報期間を指定して行う。空間的精度は、例えば、0.5°メッシュ（30マイル）と、0.05°メッシュ（３マイル）と、0.025°メッシュ（1.5マイル）などを選択できる。予報期間は、例えば、24時間先、３日先、５日先、10日先、14日先などを選択できる。海域は、特定した複数の領域から選定する海上の任意の地点海域と日時あるいは地点と航行速度を指定することで、特定した航路の海上予測を時系列に予測表示することもできる。 Forecast data is requested by specifying accuracy, sea area and forecast period. As the spatial accuracy, for example, 0.5 ° mesh (30 miles), 0.05 ° mesh (3 miles), 0.025 ° mesh (1.5 miles), and the like can be selected. As the forecast period, for example, 24 hours ahead, 3 days ahead, 5 days ahead, 10 days ahead, 14 days ahead, etc. can be selected. The sea area can be predicted and displayed in time series on the sea forecast of the identified route by designating an arbitrary point sea area and date / time or point and navigation speed selected from a plurality of identified areas.
上記のように、本発明の実施例では、海上気象予報提供方法を、10日先までの気象庁予報データについて、海底地形データや海岸線データなどに基づいて波の立ち方を計算し、全体の分解能が同じになるように精細化し、精細化した気象庁予報データと過去10年分の数値予報モデル初期値に基づいて、10日分の気象庁予報データの雲画像と過去の衛星雲画像観測値を、パターン認識処理を利用して比較し、最も類似する年月日を割り出し、対応する気象データの次の連続した４日間の気象データから定量的数値を抽出することにより、11日先〜14日先までの予測をして２週間先（14日先）までの延長気象予報データを作成し、延長気象予報データを圧縮し、インターネットと衛星通信を介して船舶で圧縮予報データを受信し、圧縮予報データを解凍伸張して海上気象予想図として表示する構成としたので、かなり先の精細な海上気象予報を効率的に船舶に提供できる。 As described above, in the embodiment of the present invention, the marine weather forecast providing method calculates the way the waves rise based on the seafloor topographic data, coastline data, etc. Based on the refined and refined JMA forecast data and the initial value of the numerical forecast model for the past 10 years, the cloud image of the JMA forecast data for 10 days and the past satellite cloud image observation value are 11 to 14 days ahead by comparing and using pattern recognition processing, determining the most similar date, and extracting quantitative values from the next four consecutive days of meteorological data To create an extended weather forecast data up to two weeks ahead (14 days ahead), compress the extended weather forecast data, receive compressed forecast data on the ship via the Internet and satellite communications, compressed forecast Solve the data Since the structure for displaying extended by a meteorological Rendering can considerably provide previous definition meteorological forecasting efficiently to the ship.
本発明の海上気象予報提供方法は、高精度な延長気象予報データを効率的に船舶に提供して、海難事故を防止して船舶の安全航行を図るための海上気象予報提供方法として最適である。また、海氷面が日々変化する北極海航路の安全航行に有効であり、特に極東とヨーロッパを結ぶ航路の場合、船舶運航管理面から判断できる14日間という予測期間の重要性と、それに伴う極東とヨーロッパの経済効果を加速させることができる。 The marine weather forecast providing method of the present invention is most suitable as a marine weather forecast providing method for efficiently providing extended accurate weather forecast data to a ship to prevent marine accidents and to promote safe navigation of the ship. . In addition, it is effective for safe navigation on the Arctic Ocean route where the sea ice surface changes day by day, especially for routes connecting the Far East and Europe, the importance of the forecast period of 14 days that can be judged from the ship operation management side, and the accompanying Far East And can accelerate the economic effect of Europe.
１ 気象予報データ
２ 予報精細化手段
３ 予報延長手段
４ 予報データ圧縮手段
５ 予報データ蓄積提供手段
６ インターネット
７ 衛星通信
８ 送受信装置
９ 端末装置
10 海上気象予想図
20 精細化予報データ
21 精細化演算手段
22 海底地形データ
23 海岸線データ
30 延長気象予報データ
31 過去データ記録
32 記録データ保持手段
33 予報データ保持手段
34 類似度計算手段
35 類似度記憶手段
36 最大類似度日時検索手段
37 対応第一推定値抽出手段
38 延長予報データ保持手段
40 圧縮化予報データ
41 汎用圧縮手段
42 特化圧縮手段
51 蓄積手段
52 送出手段
91 解凍伸張手段
92 記憶手段
93 予測領域指定手段
94 海上気象予想図作成手段
95 表示手段
DESCRIPTION OF
10 Marine weather forecast map
20 Refined forecast data
21 Refinement calculation means
22 Seafloor topographic data
23 Coastline data
30 Extended weather forecast data
31 Past data recording
32 Record data retention means
33 Forecast data retention means
34 Similarity calculation means
35 Similarity storage means
36 Maximum similarity date search method
37 Corresponding first estimated value extraction means
38 Extended forecast data holding means
40 Compressed forecast data
41 General-purpose compression means
42 Specialized compression means
51 Accumulation means
52 Sending means
91 Thawing and decompression means
92 Storage means
93 Predictive area specification method
94 Means for creating marine weather forecast maps
95 Display means
Claims (6)
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016094347 | 2016-05-10 | ||
| JP2016094347 | 2016-05-10 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017203773A JP2017203773A (en) | 2017-11-16 |
| JP6351790B2 true JP6351790B2 (en) | 2018-07-04 |
Family
ID=60321432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017092107A Active JP6351790B2 (en) | 2016-05-10 | 2017-05-08 | How to provide marine weather forecast |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6351790B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109444989A (en) * | 2018-12-28 | 2019-03-08 | 中山大学 | Typhoon forecast method, system, readable storage medium storing program for executing and equipment |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6843780B2 (en) * | 2018-01-18 | 2021-03-17 | ヤフー株式会社 | Information processing equipment, trained models, information processing methods, and programs |
| JP7052429B2 (en) * | 2018-03-05 | 2022-04-12 | 富士通株式会社 | Calculation program, calculation method, calculation device, and display program |
| JP2019157841A (en) * | 2018-03-16 | 2019-09-19 | 株式会社Ｌｉｘｉｌ | Control device and control method |
| JP6708886B2 (en) * | 2018-04-04 | 2020-06-10 | 株式会社E・C・R | Wind and rain information provision system |
| JP7036704B2 (en) * | 2018-11-16 | 2022-03-15 | ヤフー株式会社 | Information processing equipment, information processing methods, and information processing programs |
| JP7491519B2 (en) * | 2019-02-20 | 2024-05-28 | 国立大学法人鳥取大学 | Method for constructing wave prediction model and method for predicting waves |
| JP7231504B2 (en) * | 2019-07-03 | 2023-03-01 | 株式会社日立製作所 | Meteorological Numerical Analysis System, Prediction Target Data Generation System, and Meteorological Numerical Analysis Method |
| CN110991717B (en) * | 2019-11-22 | 2022-05-17 | 福建省海洋预报台 | Intelligent ocean grid forecasting method and terminal |
| KR102118643B1 (en) * | 2019-12-26 | 2020-06-03 | 주식회사 환경과학기술 | Standardized Marine Weather Forecasting Production System and Methodology Based on Forecasting Method |
| CN111209968B (en) * | 2020-01-08 | 2023-05-12 | 浙江师范大学 | Multi-meteorological-factor mode prediction temperature correction method and system based on deep learning |
| CN111858804A (en) * | 2020-07-07 | 2020-10-30 | 广东省气象公共安全技术支持中心 | Graphical display method for marine meteorological safety early warning |
| CN112882128B (en) * | 2021-02-02 | 2022-07-19 | 山东省气象局大气探测技术保障中心(山东省气象计量站) | Establishing method of marine virtual meteorological observation station, observation system and storage medium |
| KR102386532B1 (en) * | 2022-01-12 | 2022-04-15 | 주식회사 아라종합기술 | Methods for learning and testing a multi-layer perceptron based marine environment information correction model for correcting marine environment information using wave prediction information and devices using the same |
| CN116244265B (en) * | 2023-03-07 | 2023-08-18 | 国家海洋环境预报中心 | Processing method and device for marine weather numerical forecasting product and electronic equipment |
| CN117082474B (en) * | 2023-10-17 | 2024-02-02 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | System for acquiring marine environment forecast data in real time by scientific investigation ship |
| CN117111068B (en) * | 2023-10-19 | 2024-03-22 | 南京信大卫星应用研究院有限公司 | Sea surface wind field monitoring system based on satellite scatterometer data |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11258359A (en) * | 1998-03-13 | 1999-09-24 | Nippon Telegr & Teleph Corp <Ntt> | Weather prediction support method, device, and storage medium recording program thereof |
| JP2007245935A (en) * | 2006-03-16 | 2007-09-27 | Japan Agengy For Marine-Earth Science & Technology | Voyage schedule assistance device |
| JP5957725B2 (en) * | 2012-10-25 | 2016-07-27 | 株式会社日立ソリューションズ東日本 | Prediction device, prediction method, and prediction program |
-
2017
- 2017-05-08 JP JP2017092107A patent/JP6351790B2/en active Active
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109444989A (en) * | 2018-12-28 | 2019-03-08 | 中山大学 | Typhoon forecast method, system, readable storage medium storing program for executing and equipment |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2017203773A (en) | 2017-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6351790B2 (en) | How to provide marine weather forecast | |
| Robertson et al. | Sub-seasonal to seasonal prediction: the gap between weather and climate forecasting | |
| Landschützer et al. | A neural network-based estimate of the seasonal to inter-annual variability of the Atlantic Ocean carbon sink | |
| US7283908B2 (en) | System and method for estimating ocean height and current on a personal computer with location adjustment | |
| Yang et al. | Sea surface temperature intercomparison in the framework of the Copernicus Climate Change Service (C3S) | |
| García-Medina et al. | An inner-shelf wave forecasting system for the US Pacific Northwest | |
| KR102118643B1 (en) | Standardized Marine Weather Forecasting Production System and Methodology Based on Forecasting Method | |
| Hamilton et al. | Predicting chaotic time series with a partial model | |
| Kusch et al. | KrigR—a tool for downloading and statistically downscaling climate reanalysis data | |
| Chevallier et al. | The role of sea ice in sub-seasonal predictability | |
| KR20200119732A (en) | Method and device for generating high-resolution ocean data | |
| Kim et al. | DeepTC: ConvLSTM network for trajectory prediction of tropical cyclone using spatiotemporal atmospheric simulation data | |
| US7251564B2 (en) | System and method for estimating ocean height and current on a personal computer with hurricane module | |
| Sakov et al. | Objective array design: Application to the tropical Indian Ocean | |
| Marta-Almeida et al. | Development of a pilot Brazilian regional operational ocean forecast system, REMO-OOF | |
| Cho et al. | A new statistical downscaling approach for short‐term forecasting of summer air temperatures through a fusion of deep learning and spatial interpolation | |
| Keller et al. | Short-Term (7 Day) Beaufort Sea Ice Extent Forecasting with Deep Learning | |
| Bhat et al. | Application of Regional Climate Models for Coastal Design Parameters along India | |
| Beveridge et al. | Interpretable spatiotemporal forecasting of arctic sea ice concentration at seasonal lead times | |
| Torres et al. | Simulation of storm surge in northeast coast of the US; a closer look at the wind forcing | |
| Champenois et al. | Real-time reconstruction of 3D ocean temperature fields from reanalysis data and satellite and buoy surface measurements | |
| Kim | Web-based geovisualization system of oceanographic information using dynamic particles and html5 | |
| Liu et al. | Short-term Forecasting of Sea Ice Thickness Based on PredRNN++ | |
| CN116523152B (en) | Float drift prediction method, device, equipment and medium | |
| KR20200097167A (en) | Apparatus and method for providing ocean weather service |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AA64 | Notification of invalidation of claim of internal priority (with term) |
Free format text: JAPANESE INTERMEDIATE CODE: A241764 Effective date: 20170606 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170621 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20171225 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180419 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180424 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180507 |
|
| 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: 20180605 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180605 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6351790 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |