JP6916543B2 - 雨量予測システム - Google Patents

Description

局所的な豪雨などの雨量を高密度に予測するシステムに関する。

現在、気象庁は、アメダスポイント（平均１７ｋｍ間隔）や気象レーダーなどでの観測値（実況値）に基づいて、スーパーコンピューターを用いた物理計算によって数値予報を行っている全球モデル(ＧＳＭ：格子間隔２０ｋｍ）、メソモデル(ＭＳＭ：格子間隔５ｋｍ)などの数値予報モデルが、低気圧、梅雨前線、台風など水平規模が数百ｋｍに及ぶ擾乱の予測に利用されている。また、近年では局地モデル（ＬＦＭ：格子間隔２ｋｍ)が、比較的水平規模の小さい積乱雲の予測に用いられるようになった。

しかし、数値予報モデルでは、格子間隔の５〜８倍のスケールの擾乱しか表現できず、局地モデルを用いても、水平スケール１０ｋｍ未満の積乱雲は表現できない。つまり、小規模スケールの局地的豪雨（いわゆるゲリラ豪雨）の予測は、技術的に不可能である。実際、気象庁の府県予報では「所により雷を伴い激しく降る」といった表現はあるが、「その激しく降る所」が、具体的な場所や地域までは表現されていない。また、民間の予報会社も、気象庁の予測を基に独自に補正して、さらに細かいポイント予報を提供しており、中には気象庁よりも解像度の高い１ｋｍメッシュの予測を提供している会社もある。しかしながら、解像度を高くしても、局地的豪雨をもたらすような小規模の積乱雲を表現できていない。また、気象庁、民間の気象会社のどちらも、現在の予測技術では各地域の細かい地形の影響などを十分に加味できていないこともあり、局地予報モデルは机上の計算値の域を超えず、信頼性に乏しいのが現状である。

さらに、近年は、このような小規模スケールの局地的豪雨は増加の傾向にあり、防災上の観点から、迅速、かつ精度の高い雨量予測が、自治体を初め各方面から求められている。しかし、上述の通り、このような豪雨の原因となる積乱雲の発生の予測が事実上、不可能なため、現在、気象庁は、一旦、発生した積乱雲を気象レーダーでとらえてから、その動向を予測することで、いわゆる局地的豪雨の予測を行っている。これが気象庁が行っている降水ナウキャストというサービスであり、１時間先までの５分間隔の降水の強度を１ｋｍの格子間隔で予報している。また近年は、解像度が向上した高解像度ナウキャストにより、２５０ｍの格子間隔での予報が可能となった。高解像度ナウキャストでは、気象庁のレーダーの他、国土交通省のXバンドレーダーを利用し、さらに周辺の雨量計や高層の観測データを用いて地上降水の強度に近くなるように解析を行うことで予測のための初期値を設定している。（例えば、特許文献１参照）

しかし、この降水ナウキャストには、大きな問題点が２つある。１点目は、積乱雲が発生してからでないと予測できないため、雨量の予測が遅れることである。また、２点目は、気象レーダーによる観測値や予測値は、「降水強度」に過ぎず、「降水量」ではないことである。気象レーダーは、電磁波を発して、雨雲に当たって跳ね返ってきたエコーを受信することで、その地点の「降水強度」を観測する。例えば、気象庁のレーダー降水ナウキャストで表示されている観測値５０ｍｍ／ｈのエリアは、「１時間に５０ｍｍの雨を降らせるだけの雨雲が今、頭上にある」ということを意味するのであり、「１時間に５０ｍｍの雨が降っている」ということを意味するわけではない。つまり、降水強度とは、「瞬間的な数値」に過ぎず、実測の雨量ではない。実際、雨雲は頭上からすぐにいなくなってしまうことも多く、また雨は風で流されることもあるため、レーダーで雨雲が観測されていても、地上では全く雨が降っていないケースもある。

特開２０１８−４４８９５号公報

気象庁は、降水ナウキャストと並行して、降水短時間予報を実施している。降水短時間予報とは、１時間の降水量を６時間先までは１０分ごとに１ｋｍの格子間隔で、また７時間から１５時間先までは１時間ごとに５ｋｍの格子間隔で予報するものである。ただし、この降水短時間予報は、７時間先以降では、冒頭のメソモデルと局地モデルを基に行われており、また６時間先までは、レーダーによる降水強度と、格子間隔の粗い（平均１７ｋｍ間隔）、予報対象地域から離れたアメダスポイントで観測された降水量による「解析値」を基に行われており、その地点の「実際の雨量」に基づいた予報ではない。このため、局地的豪雨の雨量の予測手法としては十分とは言えない。

一方、民間の気象会社は、レーダーによる降水強度などを参照しながら、特定のエリア向けに降水量の予測を行うが、台風や寒冷前線による雨量の予測と異なり、突発的に発生する局地的豪雨に直面し、ユーザーに対し迅速に直近の雨量の予測を提供することが求められる。しかし、水平スケールの小さい局地的豪雨に対する直近の雨量予測には予報モデルは使えない。また、レーダーによる「降水強度」は参照できても、アメダスの観測地点が限られているため、降水の実況データが乏しく、さらに迅速に予測しなければならないため、参照できる過去の雨量事例の件数も時間的に限られてしまう。

本発明は、上述の点に鑑みてなされたものであり、その目的とするところは、局地的豪雨を迅速、かつ的確に予測できる雨量予測システムを提供することにある。

本発明による雨量予測システムの特徴は、地上または地上付近における複数かつ高密度の格子点の各々に設置した観測器によって測定した湿度、風向、風速の実況値、さらには気温の実況値と、地上に向かって鉛直方向に投射した点が前記地上または地上付近における格子点の各々の最も近くにあるような、観測データに基づいて作成された局地モデル上の高層の格子点の各々における気温とで算出した温度差と、前記地上または地上付近における格子点の各々で測定した雨量の実況値との相関関係を生成する相関関係生成部と、
前記相関関係生成部によって作成された前記相関関係を記憶する記憶部と、
前記地上または地上付近における格子点の各々で測定した湿度、風向、風速の実況値、さらには気温の実況値と、前記局地モデル上の高層の格子点の各々における気温とで算出した温度差と、前記地上または地上付近における格子点の各々で測定した雨量の実況値から、前記記憶部に記憶された前記相関関係を参照して６時間先までの１時間雨量を予測する予測雨量算出部と、を備えることである。

局地的豪雨を迅速、かつ的確に予測することができる。

本実施の形態による雨量予測システム１０の構成を示す概略図である。 観測器１００及びデータロガー２００を配置した例を示す概略図である。 データロガー２００の構成を示すブロック図である。 データロガー２００で実行される処理を示すフローチャートである。 クラウドシステム３００の構成を示すブロック図である。 クラウドシステム３００の蓄積される学習データと、相関関係の生成と、雨量の予測の過程を示す概略図である。 クラウドシステム３００で実行される深層学習処理を示すフローチャートである。 クラウドシステム３００で実行される予測処理を示すフローチャートである。 位置と予測雨量の具体例を示す図である。 日時（時刻）と予測の更新の具体例を示す図である。 日時（時刻）と予測の更新の具体例を示す図である。 日時（時刻）と予測の更新の具体例を示す図である。 対応関係を示す概念図である。

＜＜＜＜本実施の形態の概要＞＞＞＞
＜＜第１の実施の態様＞＞
第１の実施の態様によれば、地上または地上付近における複数かつ高密度の格子点の各々に設置した観測器によって測定した湿度、風向、風速の実況値、さらには気温の実況値と、地上に向かって鉛直方向に投射した点が前記地上または地上付近における格子点の各々の最も近くにあるような、観測データに基づいて作成された局地モデル上の高層の格子点の各々における気温とで算出した温度差と、前記地上または地上付近における格子点の各々で測定した雨量の実況値との相関関係を生成する相関関係生成部と、
前記相関関係生成部によって作成された前記相関関係を記憶する記憶部と、
前記地上または地上付近における格子点の各々で測定した湿度、風向、風速の実況値、さらには気温の実況値と、前記局地モデル上の高層の格子点の各々における気温とで算出した温度差と、前記地上または地上付近における格子点の各々で測定した雨量の実況値から、前記記憶部に記憶された前記相関関係を参照して６時間先までの１時間雨量を予測する予測雨量算出部と、を備える雨量システムが提供される。

複数の位置の各々の過去の湿度、風向、風速、さらには地上気温と所定の位置の高層気温との気温差と、複数の位置の各々の過去の雨量とから相関関係を生成し、その相関関係から雨量を予測するので、迅速かつ的確に雨量を予測することができる。特に、複数の位置の降雨要因と雨量を用いて相関関係を生成するので、局所的な豪雨も予測することができる。

＜＜第２の実施の態様＞＞
第２の実施の態様は、第１の実施の態様において、
前記相関関係生成部は、前記複数の位置の各々で計測した湿度、風向、風速、さらには地上気温と所定の位置の高層気温との気温差と、前記複数の位置の各々で計測した雨量と、で深層学習することで前記相関関係を生成する。

計測済みの湿度、風向、風速、さらには地上気温と所定の位置の高層気温との気温差と、計測済みの雨量とで深層学習するので、予測する雨量の確度を高めることができる。

＜＜第３の実施の態様＞＞
第３の実施の態様は、第２の実施の態様において、
前記複数の位置の隣り合う２つの位置の平均の距離は、約２キロメートル以下である。

少なくとも約２キロメートル毎に湿度、風向、風速、地上気温を計測するので、高密度で雨量を予測でき、局所的な豪雨を予測し易くできる。

＜＜第４の実施の態様＞＞
第４の実施の態様は、第３の実施の態様において、
湿度、風向、風速、地上気温は、前記複数の位置の各々で少なくとも１０分毎に計測される。

少なくとも１０分毎に湿度、風向、風速、地上気温を計測するので、短時間で変化する局所的な豪雨を予測し易くできる。

＜＜第５の実施の態様＞＞
第５の実施の態様は、第１の実施の態様において、
湿度、風向、風速、および地上気温、高層気温の各値が最新の値に更新されたときには、既に雨量を予測している場合でも、改めて予測し直す。

最新の湿度、風向、風速、地上気温、高層気温で予測し直すので、徐々に確度を高めて雨量を予測することができる。

＜＜＜＜本実施の形態の詳細＞＞＞＞
以下に、実施の形態について図面に基づいて説明する。

＜＜＜雨量予測システム１０の構成＞＞＞
図１は、本実施の形態による雨量予測システム１０の構成を示す概略図である。

雨量予測システム１０は、主に、観測器１００とデータロガー２００とクラウドシステム３００と気象業務支援センター４００と管理用端末装置５００とユーザー端末装置６００と通信ネットワーク７００とを有する。本実施の形態では、観測器１００、データロガー２００、ユーザー端末装置６００は、いずれも複数あり、複数の観測器１００と複数のデータロガー２００と複数のユーザー端末装置６００とが、通信ネットワーク７００を介して通信可能に接続されている。後述するように、複数の観測器１００の各々は、計測する位置に配置される。

＜＜観測器１００＞＞
観測器１００は、雨量の予測に必要な各種のセンサを有する。観測器１００は、各種のセンサによって地上及び地上付近の気温や湿度や風速や風向や雨量を計測する。具体的には、観測器１００は、温度センサ１１０と湿度センサ１２０と風速センサ１３０と風向センサ１４０と雨量計１５０とを有する。なお、観測器１００を設置できる条件や環境に応じて、地上だけでなく、地上付近の気温や湿度や風速や風向や雨量を計測せざるを得ない場合もあり、実質的に地上と同等に扱えることができればよい。以下では、温度センサ１１０で計測する気温を地上気温と称する。

＜＜データロガー２００＞＞
観測器１００は、データロガー２００に接続される。データロガー２００は、観測器１００が計測した地上気温や湿度や風速や風向や雨量を収集して記憶する。

図３に示すように、データロガー２００は、演算部２１０とインターフェース部２２０と記憶部２３０と通信部２４０と日時取得部２５０とを有する。

＜演算部２１０＞
演算部２１０は、ＣＰＵ（中央処理装置）やアドレスバスやデータバスなどの外部バス（いずれも図示せず）などから構成される。演算部２１０は、各種の演算処理を実行する。例えば、演算部２１０は、図４に示すフローチャートのプログラムなどを実行する。具体的には、演算部２１０は、前１０分間の平均風速、前１０分間の平均風向、前１０分間の積算雨量を算出する。処理の詳細は後述する。

＜インターフェース部２２０＞
インターフェース部２２０は、温度センサ１１０と湿度センサ１２０と風速センサ１３０と風向センサ１４０と雨量計１５０などの各種のセンサに接続される。データロガー２００は、温度センサ１１０と湿度センサ１２０と風速センサ１３０と風向センサ１４０と雨量計１５０から出力される計測信号をインターフェース部２２０で受信し、地上気温や湿度や風速や風向や雨量を示すデータが、外部バスを介してＣＰＵに供給される。

＜記憶部２３０＞
記憶部２３０は、主に、ＲＯＭ（リードオンリーメモリ）、ＲＡＭ（ランダムアクセスメモリ）、ＨＤＤ（ハードディスクドライブ）などを有する。ＲＯＭは、データロガー２００のＢＩＯＳやファームウェアなどを記憶しＣＰＵの主記憶装置として機能する。ＲＡＭは、ＣＰＵの主記憶装置として機能し、ＣＰＵが実行するためのプログラムを展開して記憶したり、ＣＰＵの演算処理の結果などを一時的に記憶したりする。例えば、ＲＡＭは、図４に示すフローチャートのプログラムを実行可能に記憶する。ＨＤＤは、ＣＰＵの補助記憶装置として機能し、ＣＰＵが実行する各種のプログラムやデータなどを記憶する。記憶部２３０は、その他に、ＳＳＤ（ソリッドステートドライブ）や、各種のメモリーカードなどの補助記憶装置も適宜に用いることができる。

演算部２１０は、地上気温や湿度や風速や風向や雨量を外部バスを介してＲＡＭやＨＤＤなどに記憶させる。さらに、演算部２１０は、ＲＡＭなどに記憶した風速から前１０分間の平均風速を算出し、ＲＡＭなどに記憶した風向から前１０分間の平均風向を算出し、ＲＡＭなどに記憶した雨量から前１０分間の積算雨量を算出する。

記憶部２３０は、観測器１００や観測器１００が設置されている位置を識別するための観測器識別情報を記憶する。観測器識別情報によって、複数の観測器１００の各々を識別することができ、観測器１００が設置されている位置（後述する格子点）を特定することができる。

＜通信部２４０＞
通信部２４０は、データロガー２００を通信ネットワーク７００と通信可能に接続する。データロガー２００は、通信部２４０によって通信ネットワーク７００を介して各種のデータを送受信することができる。具体的には、地上気温や湿度や前１０分間の平均風速や前１０分間の平均風向や前１０分間の積算雨量や観測器識別情報や日時などを通信ネットワーク７００を介して送信することができる。なお、日時は、後述する日時取得部２５０によって取得することができる

＜日時取得部２５０＞
日時取得部２５０は、通信ネットワーク７００を介して時刻サーバから日時（年月日及び時刻）の情報を取得する。日時取得部２５０が日時を取得することによって、データロガー２００は、地上気温や湿度などを計測した日時を送信することができる。

＜＜観測器１００及びデータロガー２００の配置及び密度＞＞
図２は、観測器１００及びデータロガー２００を配置した例を示す概略図である。観測器１００及びデータロガー２００は、所定の間隔で配置され、例えば、２ｋｍ間隔で形成した格子点に配置されており、高密度に配置される。図２に示した例では、格子上の黒い点の各々が、観測器１００及びデータロガー２００が配置された位置である。配置された位置の各々には、観測器識別情報（＝１，・・・，ｉ−２，ｉ−１，ｉ，ｉ＋１，ｉ＋２，・・・，ｎ）が割り当てられている。観測器１００及びデータロガー２００が配置された位置は、観測器識別情報ｉ（ｉ＝１〜ｎ）によって特定することができる。以下では、観測器識別情報ｉを単に位置ｉと称する。なお、地形や建物や道路などの各種の条件に応じて、おおよそ２ｋｍごとに、観測器１００及びデータロガー２００を配置できればよい。おおよそ２ｋｍ間隔で観測器１００及びデータロガー２００を格子状に配置することで、地上気温や湿度や風速や風向や雨量を高密度で計測することができる。なお、観測器１００及びデータロガー２００を、１ｋｍ間隔や５００ｍ間隔などの短い間隔で配置することで、さらに高密度に計測することができる。

なお、本実施の形態では、一の観測器１００に一のデータロガー２００が対応するように構成されているが、複数の観測器１００に一のデータロガー２００が対応するように構成してもよい。例えば、複数の観測器１００から無線で一のデータロガー２００に地上気温や湿度や風速や風向や雨量や観測器識別情報ｉを送信できるようにすることができる。この場合には、位置ｉ（観測器識別情報ｉ）は、一の観測器１００を識別するための情報である。

＜＜データロガー２００による積算処理＞＞
前述したように、データロガー２００は、観測器１００から地上気温や湿度や風速や風向や雨量が送信される。データロガー２００は、送信された雨量から前１０分間の積算雨量を算出して、ＲＡＭやＨＤＤなどに記憶する。データロガー２００は、送信された風速から前１０分間の平均風速を算出して、ＲＡＭやＨＤＤなどに記憶する。送信された風向からデータロガー２００は、前１０分間の平均風向を算出して、ＲＡＭやＨＤＤなどに記憶する。

データロガー２００は、通信部２４０を介して、地上気温と、湿度と、前１０分間の積算雨量と、前１０分間の平均風速と、前１０分間の平均風向とを、位置ｉ及び日時とともに、通信ネットワーク７００を介して送信する。

＜＜気象業務支援センター４００＞＞
気象業務支援センター４００は、気象庁が発表する気象観測データなどを提供し、通信ネットワーク７００に通信可能に接続されている。例えば、気象業務支援センター４００は、各地の高層の気温を提供する。具体的には、気象業務支援センター４００は、所定の場所（例えば、茨城県舘野など）の９時及び２１時での５００ｈＰａ等圧面（上空約５０００ｍ）など、複数の等圧面における気温の観測値を提供する。また、気象業務支援センター４００は、前記の気温観測データなどを基にした、局地モデル上の各格子点の、複数の等圧面における気温の解析値、及び予測値を提供する。ここで、解析値とは、観測地点における実際の観測値（実況値）を基にして、解析によって得られる各地点の推定値である。また、予測値とは、各地点の観測値や解析値を初期値として、その地点の今後の数値として予測される値である。

なお、高層の代表的な数値として、５００ｈＰａ等圧面の数値が、よく予報に利用されているが、等圧面は、雨量を予測する地域や頻度などに応じて、雨量の予測に必要なものを適宜に選択すればよい。

＜＜クラウドシステム３００＞＞
図１に示すように、クラウドシステム３００は、通信ネットワーク７００に通信可能に接続されている。クラウドシステム３００は、図５に示すように、演算部３１０と通信部３２０と記憶部３３０とを有する。

＜演算部３１０＞
演算部３１０は、ＣＰＵ（中央処理装置）や、アドレスバスやデータバスなどの外部バス（いずれも図示せず）などから構成される。演算部３１０は、各種の演算処理を実行する。例えば、演算部３１０は、図７に示すフローチャートのプログラムを実行する。また、演算部３１０は、受信した地上気温と高層気温とから気温差を算出したり、受信した前１０分間の積算雨量から前１時間の積算雨量を算出したりする。

＜通信部３２０＞
通信部３２０は、クラウドシステム３００を通信ネットワーク７００と通信可能に接続する。クラウドシステム３００は、通信部３２０によって各種のデータを送受信することができる。例えば、クラウドシステム３００は、通信部３２０によって、データロガー２００から送信される地上気温と湿度と前１０分間の積算雨量と前１０分間の平均風速と前１０分間の平均風向と日時とを受信する。さらに、クラウドシステム３００は、通信部３２０によって、気象業務支援センター４００から高層気温を受信する。

＜記憶部３３０＞
記憶部３３０は、主に、ＲＯＭ（リードオンリーメモリ）、ＲＡＭ（ランダムアクセスメモリ）、ＨＤＤ（ハードディスクドライブ）などを有する。ＲＯＭは、データロガー２００のＢＩＯＳやファームウェアなどを記憶しＣＰＵの主記憶装置として機能する。ＲＡＭは、ＣＰＵの主記憶装置として機能し、ＣＰＵが実行するためのプログラムを展開して記憶したり、ＣＰＵの演算処理の結果などを一時的に記憶したりする。例えば、ＲＡＭは、図７に示すフローチャートのプログラムを実行可能に記憶する。ＨＤＤは、ＣＰＵの補助記憶装置として機能し、ＣＰＵが実行する各種のプログラムやデータなどを記憶する。記憶部３３０は、その他に、ＳＳＤ（ソリッドステートドライブ）や、各種のメモリーカードなどの補助記憶装置も適宜に用いることができる。

記憶部３３０は、受信した地上気温と湿度と前１０分間の積算雨量と前１０分間の平均風速と前１０分間の平均風向と日時とを記憶する。以下では、前１０分間の積算雨量を積算雨量１０と称し、前１時間の積算雨量を積算雨量６０と称し、前１０分間の平均風速を平均風速１０と称し、前１０分間の平均風向を平均風向１０と称する。例えば、記憶部３３０は、図６に示すように、位置ｉごとに日時ｋでの積算雨量１０（ｉ，ｋ）、積算雨量６０（ｉ，ｋ）、地上気温（ｉ，ｋ）と、湿度（ｉ，ｋ）と、平均風速１０（ｉ，ｋ）、平均風向１０（ｉ，ｋ）を順次に記憶して蓄積する。なお、日時ｋのｋ（＝１、・・・）は、日時の順序を識別するための序数であり、クラウドシステム３００が管理する変数である。日時ｋは、具体的な年月日及び時刻の情報である。

＜＜管理用端末装置５００＞＞
管理用端末装置５００は、演算部や記憶部や通信部を有する（図示せず）。管理用端末装置５００は、ＣＰＵ（中央処理装置）、ＲＯＭ（リードオンリーメモリ）、ＲＡＭ（ランダムアクセスメモリ）、ＨＤＤ（ハードディスクドライブ）、Ｉ／Ｆ（通信インターフェース装置）や入力操作装置（キーボード、マウス、タッチパネルなど）などを備えたパーソナルコンピュータ、タブレット型コンピュータ、携帯型端末装置などにすることができる。管理用端末装置５００は、クラウドシステム３００に対して、深層学習の指示や、人工知能による雨量に関する相関関係の生成の指示をすることができる装置であればよい。

＜＜ユーザー端末装置６００＞＞
ユーザー端末装置６００は、予測雨量の提供を受けるユーザーが所有する端末装置である。ユーザー端末装置６００は、演算部や記憶部や通信部を有する（図示せず）。ユーザー端末装置６００は、ＣＰＵ（中央処理装置）、ＲＯＭ（リードオンリーメモリ）、ＲＡＭ（ランダムアクセスメモリ）、ＨＤＤ（ハードディスクドライブ）、Ｉ／Ｆ（通信インターフェース装置）や入力操作装置（キーボード、マウス、タッチパネルなど）などを備えたパーソナルコンピュータ、タブレット型コンピュータ、携帯型端末装置などにすることができる。ユーザー端末装置６００は、雨量予測システム１０が提供する予測雨量の情報を受信することができる装置であればよい。

＜＜通信ネットワーク７００＞＞
通信ネットワーク７００は、インターネットのほか、社内ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）などデータやコマンドなどの各種の情報を送受信できる回線であればよく、有線でも無線によるものでもよい。

＜＜＜データロガー処理＞＞＞
図４は、データロガー２００で実行される処理を示すフローチャートである。

最初に、データロガー２００の演算部２１０は、計測するタイミングであるか否かを判断する（ステップＳ４１１）。計測するタイミングは、観測器１００の風速センサ１３０と風向センサ１４０と雨量計１５０によって、風速と風向と雨量とを計測するタイミングである。例えば、計測するタイミングは、１分毎や２分毎や５分毎など、計測する気象情報の性質に応じて適宜のタイミングにすることができる。

データロガー２００の演算部２１０は、計測するタイミングでないと判断したときには（ＮＯ）、ステップＳ４１１に処理を戻す。

データロガー２００の演算部２１０は、計測するタイミングであると判別したときには（ＹＥＳ）、雨量計１５０によって雨量を計測し（ステップＳ４１３）、雨量を記憶する（ステップＳ４１５）。

次に、データロガー２００の演算部２１０は、風速センサ１３０によって風速を計測し（ステップＳ４１７）、風速を記憶する（ステップＳ４１９）。

次に、データロガー２００の演算部２１０は、風向センサ１４０によって風向を計測し（ステップＳ４２１）、風向を記憶する（ステップＳ４２３）。

次に、データロガー２００の演算部２１０は、送信するタイミングであるか否かを判断する（ステップＳ４２５）。送信するタイミングは、地上気温や湿度などの各種の気象情報をクラウドシステム３００に送信するタイミングであるとともに、観測器１００の温度センサ１１０と湿度センサ１２０とによって、地上気温と湿度とを計測するタイミングである。

データロガー２００の演算部２１０は、送信するタイミングでないと判断したときには（ＮＯ）、ステップＳ４１１に処理を戻す。

データロガー２００の演算部２１０は、送信するタイミングであると判断したときには（ＹＥＳ）、現時よりも前１０分間の積算雨量を算出する（ステップＳ４２７）。例えば、ステップＳ４１３の処理で１分間毎に雨量を計測する場合には、ステップＳ４２７の処理では、１分間毎に計測した１０回分の雨量を積算する。

次に、データロガー２００の演算部２１０は、現時よりも前１０分間の平均風速を算出する（ステップＳ４２９）。例えば、ステップＳ４１７の処理で１分間毎に風速を計測する場合には、ステップＳ４２９の処理では、１分間毎に計測した１０回分の風速から平均値を算出する。

次に、データロガー２００の演算部２１０は、現時よりも前１０分間の平均風向を算出する（ステップＳ４３１）。例えば、ステップＳ４２１の処理で、１分間毎に風向を計測する場合には、ステップＳ４３１の処理では、１分間毎に計測した１０回分の風向から平均値を算出する。

次に、データロガー２００の演算部２１０は、観測器１００の温度センサ１１０によって地上気温を計測する（ステップＳ４３３）。本実施の形態では、地上気温は、送信するタイミングにおける瞬間値を用いる。

次に、データロガー２００の演算部２１０は、観測器１００の湿度センサ１２０によって湿度を計測する（ステップＳ４３５）。本実施の形態では、湿度は、送信するタイミングにおける瞬間値を用いる。

次に、データロガー２００の演算部２１０は、位置ｉ及び日時を送信し（ステップＳ４３７）、前１０分間の積算雨量を送信し（ステップＳ４３９）、地上気温を送信し（ステップＳ４４１）、湿度を送信し（ステップＳ４４３）、前１０分間の平均風速を送信し（ステップＳ４４５）、前１０分間の平均風向を送信し（ステップＳ４４７）、本サブルーチンを終了する。

この処理を実行することにより、地上温度、湿度、前１０分間の平均風速、前１０分間の平均風向、前１０分間の積算雨量を、位置ｉ及び日時とともに、クラウドシステム３００に送信することができる。

＜＜＜クラウドシステム３００における蓄積＞＞＞
クラウドシステム３００は、データロガー２００から送信された地上温度、湿度、前１０分間の平均風速、前１０分間の平均風向、前１０分間の積算雨量、位置ｉ及び日時ｋを受信する。クラウドシステム３００は、前１０分間の積算雨量を用いて、前６０分間の積算雨量を算出する。クラウドシステム３００は、これらの地上温度、湿度、前１０分間の平均風速、前１０分間の平均風向、前１０分間の積算雨量、前６０分間の積算雨量を、位置ｉごとに日時ｋについて記憶部３３０に記憶させて蓄積していく。

図６は、記憶部３３０に蓄積されている全ての位置ｉ（＝１〜ｎ）毎に全ての日時ｋ（＝１〜）の地上温度、湿度、前１０分間の平均風速、前１０分間の平均風向、前１０分間の積算雨量、前６０分間の積算雨量を示す概念図である。また、図６に示すように、気象業務支援センター４００から提供される高層気温の観測値や解析値、及び予測値も蓄積する。

雨量予測システム１０では、クラウドシステム３００に人工知能の機能が実装されている。すなわち、クラウドシステム３００では深層学習によって、雨量に関する相関関係を生成する。具体的には、クラウドシステム３００は、地上と高層との気温差と、湿度と、前１０分間の平均風速と、前１０分間の平均風向と、前１０分間の積算雨量と、前６０分間の積算雨量とを用いて深層学習する。クラウドシステム３００は、これらの深層学習によって雨量に関する相関関係を生成して、相関関係によって位置ｉにおける雨量を予測する。ここで、深層学習の際に用いる地上と高層の気温差は、地上の位置i（ｉ＝１,・・・,ｎ）の気温の観測値と、同位置から最も近い、局地モデル上の格子点の５００ｈＰａ等圧面における気温の数値によって算出する。なお、等圧面は、前記したものに限られず、雨量を予測する地域や頻度などに応じて、雨量の予測に必要なものを適宜に選択すればよい。

また、高層気温は、例えば茨城県の舘野で９時と２１時に観測されるが、高層気温の観測時における地上と高層の気温差は、地上の位置に対応する高層の地点に観測値があれば観測値を用い、無ければ、解析値を用いて算出する。また、それ以外の時刻においては、地上の気温の観測値と、高層の地点における気温の予測値を用いて気温差を算出する。

＜＜＜深層学習処理＞＞＞
図７は、クラウドシステム３００で実行される深層学習処理を示すフローチャートである。

最初に、クラウドシステム３００の演算部３１０は、高層気温が更新されたか否かを判断する（ステップＳ６１１）。この気温は、気象業務支援センター４００から提供される。ステップＳ６１１の判断は、この気象業務支援センター４００で、高層気温が更新されたか否かを判断する処理である。

クラウドシステム３００の演算部３１０は、高層気温が更新されたと判断したときには（ＹＥＳ）、高層気温をクラウドシステム３００の記憶部３３０に記憶させる（ステップＳ６１３）。

クラウドシステム３００の演算部３１０は、高層気温が更新されていないと判断したとき（ＮＯ）、又はステップＳ６１３の処理を実行したときには、地上気温などが更新されたか否か判断する（ステップＳ６１５）。ステップＳ６１５の判断は、データロガー２００から最新の地上気温などが送信されたか否かを判断する処理である。

クラウドシステム３００の演算部３１０は、地上気温などが更新されたと判断したときには（ＹＥＳ）、地上温度と高層温度との気温差と、湿度、前１０分間の平均風速と、前１０分間の平均風向と、前１０分間の積算雨量と、前６０分間の積算雨量とを深層学習させ（ステップＳ６１７）、本サブルーチンを終了する。

クラウドシステム３００の演算部３１０は、地上気温などが更新されていないと判断したときには（ＮＯ）、直ちに本サブルーチンを終了する。

クラウドシステム３００の演算部３１０は、図７に示した深層学習処理によって雨量に関する相関関係を生成する。

＜＜＜予測処理＞＞＞
図８は、クラウドシステム３００で実行される予測処理を示すフローチャートである。前述した深層学習処理によって、雨量に関する相関関係を生成する。予測処理は、生成された雨量に関する相関関係を用いて、位置ｉ毎に雨量を予測する処理である。なお、ここで予測する雨量とは、前１時間積算雨量である。単に予測積算雨量とも称する。

最初に、クラウドシステム３００の演算部３１０は、予測を更新するタイミングであるか否かを判断する（ステップＳ７１１）。予測を更新するタイミングは、例えば、１０分毎にすることができる。

クラウドシステム３００の演算部３１０は、予測を更新するタイミングでないと判別したときには（ＮＯ）、直ちに本サブルーチンを終了する。

クラウドシステム３００の演算部３１０は、予測を更新するタイミングであると判別したときには（ＹＥＳ）、生成した雨量に関する相関関係と、計測した降雨要因４要素と雨量の観測値から、すべての位置ｉ（ｉ＝１,・・・,ｎ）について、現時から１時間後の予測積算雨量と、現時から２時間後の予測積算雨量と、現時から３時間後の予測積算雨量と、現時から４時間後の予測積算雨量と、現時から５時間後の予測積算雨量と、現時から６時間後の予測積算雨量とを取得する（ステップＳ７１３）。このように、すべての位置ｉ（すべての格子点）における現時から将来の６時間後（６時間先）までの１時間毎の予測積算雨量を取得する。なお、現時における雨量は、位置ｉにおける実際に計測した雨量（例えば、前１時間の積算雨量など）である。

このように、本実施の形態では、現時から将来の６時間後（６時間先）までの１時間毎の予測積算雨量を、１０分毎に取得して更新する。すなわち、１０分経過するたびに、６時間後までの１時間毎の予測積算雨量を順次に更新してユーザーに報知する。なお、更新するタイミングや、予測積算雨量の時間間隔は、天候や地域や季節などに応じて変更してもよい。例えば、急激に変化する可能性のある地域などでは、更新の頻度を多くし、変化が少ない地域などでは、更新の頻度を低くすることができる。

次に、クラウドシステム３００の演算部３１０は、すべての位置ｉ（ｉ＝１,・・・,ｎ）について、現時の雨量と、現時から１時間後の予測積算雨量と、現時から２時間後の予測積算雨量と、現時から３時間後の予測積算雨量と、現時から４時間後の予測積算雨量と、現時から５時間後の予測積算雨量と、現時から６時間後の予測積算雨量を記憶部３３０に記憶させる（ステップＳ７１５）。

次に、クラウドシステム３００の演算部３１０は、すべての位置ｉ（ｉ＝１,・・・,ｎ）について、現時の雨量と、現時から１時間後の予測積算雨量と、現時から２時間後の予測積算雨量と、現時から３時間後の予測積算雨量と、現時から４時間後の予測積算雨量と、現時から５時間後の予測積算雨量と、現時から６時間後の予測積算雨量を、すべてのユーザー端末装置６００に送信し（ステップＳ７１７）、本サブルーチンを終了する。

このようにすることで、すべての位置ｉ（すべての格子点）における現時から将来の６時間後までの予測積算雨量をユーザーに報知することができ、ユーザーは、自分に関連する地域で局地的豪雨が起こる可能性を知ることができ、局地的豪雨に対する準備を事前にすることができる。

＜＜＜位置と予測積算雨量の具体例＞＞＞
図９は、位置と予測積算雨量の具体例を示す図である。図９に示すような画像が、ユーザー端末装置６００の画面に表示される。なお、図９は、１６個所の位置の予測積算雨量の例を示し、一部の位置についてのみ示す図である。格子点に表示した数値が雨量である。図９に示す例は、現時が１４時１０分であるときに表示される画面であり、現時から１時間後の１５時１０分までの予測される積算雨量である前１時間積算雨量（ａ）と、現時が１４時２０分であるときに表示される画面であり、現時から１時間後の１５時２０分までの予測される積算雨量である前１時間積算雨量（ｂ）と、現時が１４時３０分であるときに表示される画面であり、現時から１時間後の１５時３０分までの予測される積算雨量である前１時間積算雨量（ｃ）とである。

図９（ａ）に示すように、現時が１４時１０分であるときには、現時から１時間後の１５時１０分までの前１時間積算雨量は、位置ｉの５６ｍｍが最も多いと予測されて表示される。図９（ｂ）に示すように、現時が１４時２０分であるときには、現時から１時間後の１５時２０分までの前１時間積算雨量は、位置ｊの７２ｍｍが最も多いと予測されて表示される。図９（ｃ）に示すように、現時が１４時３０分であるときには、現時から１時間後の１５時３０分までの前１時間積算雨量は、位置ｋの８２ｍｍで最も多いと予測されて表示される。このように、位置と予測雨量（前１時間積算雨量）との変化をユーザー端末装置６００の画面に表示することができる。ユーザーは、位置と予測積算雨量とを知ることにより、局地的豪雨が生ずる場合でも、事前に準備すること

このように各位置の予測雨量（前１時間積算雨量）を１０分ごと更新し、６時間先までの画像をユーザー端末装置６００の画面に表示することができる。これによりユーザーは、各位置の予測積算雨量の推移を把握することができ、局地的豪雨が生ずる場合でも、事前に準備することができる。なお、画像に表示された各位置の予測雨量は、その数値の大きさによって色分けしたり、また画像の側部に、気象庁の定義する雨の降り方（例えば、１時間雨量３０ｍｍ以上５０ｍｍ未満は、「激しい雨で、バケツをひっくり返したように降る」など）の凡例を表示したりすることで、ユーザーは雨の激しさの度合いを具体的に把握することができる。

＜＜＜日時と予測の更新の具体例＞＞＞
図１０〜図１２は、日時（時刻）と予測の具体例を示す図である。図１０〜図１２に示す例は、現時が、１１：００である場合について、現時、現時から１時間後、現時から２時間後、現時から３時間後、現時から４時間後、現時から５時間後、現時から６時間後の前１時間積算雨量の予測を示す。なお、予測には、現時における湿度、風向、風速、地上気温、雨量（前１０分積算値と前６０分積算値）の各観測値を用い、高層気温については、気象業務支援センター４００から提供される最新の数値を用いる。具体的には、図１３が示すように、地上の位置i（ｉ＝１,・・・,ｎ）から最も近い、局地モデル上の格子点の５００ｈＰａ等圧面における気温の数値を用いて、地上と高層の気温差を算出する。なお、前述したように、等圧面は、雨量を予測する地域や頻度などに応じて、雨量の予測に必要なものを適宜に選択すればよい。図１３に示す地上の各点と局地モデル上の高層の格子点との地上高層対応関係は、クラウドシステム３００や、管理用端末装置５００などに予め記憶されている。地上高層対応関係は、１対１でも、多対１でも、１対多でも、地上の各点と局地モデル上の高層の格子点とを対応付ける関係であれば適宜に定めることができる。地上高層対応関係は、地上と高層の気温差を算出する際に参照することができればよい。また、最新の情報に更新することもできる。

高層気温は、例えば茨城県の舘野で９時と２１時に観測され、各観測値と、観測値などを基にした局地モデル上の各格子点における解析値、さらに、1時間毎の予測値が気象業務支援センター４００から１時間更新で提供され、通信部３２０によって受信される。

しかし、実際に気象業務支援センター４００から配信されるのは、予測の初期時刻から約１時間３０分遅れとなる。 具体的には、９：００を初期時刻とする、局地モデル上の各格子点における高層気温の予報は、１０：３０頃に気象業務支援センター４００から配信される。この際に、９：００の観測値、解析値を初期値とする、１０時間後までの１時間毎の高層気温の予測値が配信される。

次に、１０：００を初期時刻とする、局地モデル上の各格子点における高層気温の予報は、１１：３０頃に気象業務支援センター４００から配信される。この際に、９：００を初期時刻とする、１０：００の予測値を補正した数値を初期値として、１０時間後までの１時間毎の予測値が配信される。これ以後も、局地モデルにおける１０時間後までの高層気温の予測値が同様に配信される。

上記、気象業務支援センター４００による配信遅延を考慮し、本システムによる実際の雨量予測には、余裕を見て、２時間前を初期時刻とする局地モデルにおける高層気温の予測値を利用する。

具体的には、９：００を初期時刻とする局地モデルにおける、１１：００の高層気温の予測値を、同日の１１：００に行う雨量予測に利用する。

より具体的には、１１：００における地上の位置i（ｉ＝１,・・・,ｎ）の湿度、風向、風速、気温、雨量（前１０分積算値と前６０分積算値）の各観測値と、気象業務支援センター４００から１０：３０頃に配信される、９：００を初期時刻とする局地モデルにおける１１：００の高層気温の予測値を用いて、本システムによる雨量予測を行う。なお、地上と高層の気温差は、地上の位置i（ｉ＝１,・・・,ｎ）における１１：００の気温の観測値と、同地点から最も近い、局地モデル上の格子点の５００ｈＰａ等圧面における１１：００の気温の予測値を用いて算出する。

その後は、１０分ごとに予測を行う。つまり、１１：１０における地上の位置i（ｉ＝１,・・・,ｎ）の湿度、風向、風速、気温、雨量（前１０分積算値と前６０分積算値）の各観測値と、気象業務支援センター４００から１０：３０頃に配信される、９：００を初期時刻とする局地モデルにおける１１：００の高層気温の予測値を用いて、本システムによる雨量予測を行う。
なお、地上と高層の気温差は、地上の位置i（ｉ＝１,・・・,ｎ）における１１：１０の気温の観測値と、同地点から最も近い、局地モデル上の格子点の５００ｈＰａ等圧面における１１：００の気温の予測値を用いて算出する。

さらに、１１：２０における地上の位置i（ｉ＝１,・・・,ｎ）の湿度、風向、風速、気温、雨量（前１０分積算値と前６０分積算値）の各観測値と、気象業務支援センター４００から１０：３０頃に配信される、９：００を初期時刻とする局地モデルにおける１１：００の高層気温の予測値を用いて、本システムによる雨量予測を行う。
なお、地上と高層の気温差は、地上の位置i（ｉ＝１,・・・,ｎ）における１１：２０の気温の観測値と、同地点から最も近い、局地モデル上の格子点の５００ｈＰａ等圧面における１１：００の気温の予測値を用いて算出する。１１：３０も同様である。

１１：４０になると、１１：４０における地上の位置i（ｉ＝１,・・・,ｎ）の湿度、風向、風速、気温、雨量（前１０分積算値と前６０分積算値）の各観測値と、気象業務支援センター４００から１０：３０頃に配信される、９：００を初期時刻とする局地モデルにおける１２：００の高層気温の予測値を用いて、本システムによる雨量予測を行う。
なお、地上と高層の気温差は、地上の位置i（ｉ＝１,・・・,ｎ）における１１：４０の気温の観測値と、同地点から最も近い、局地モデル上の格子点の５００ｈＰａ等圧面における１２：００の気温の予測値を用いて算出する。１１：５０も同様である。
ただ、システム内の処理が複雑になるので、１１：４０、１１：５０についても、１１：００〜１１：３０までと同様、１１：００の高層気温の予測値を用いて雨量予測を行ってもよい。

１２：００になると、１２：００における地上の位置i（ｉ＝１,・・・,ｎ）の湿度、風向、風速、気温、雨量（前１０分積算値と前６０分積算値）の各観測値と、気象業務支援センター４００から１１：３０頃に配信される、１０：００を初期時刻とする局地モデルにおける１２：００の高層気温の予測値を用いて、本システムによる雨量予測を行う。
なお、地上と高層の気温差は、地上の位置i（ｉ＝１,・・・,ｎ）における１２：００の気温の観測値と、同地点から最も近い、局地モデル上の格子点の５００ｈＰａ等圧面における１２：００の気温の予測値を用いて算出する。

その後は、１０分ごとに予測を行う。つまり、１２：１０における地上の位置i（ｉ＝１,・・・,ｎ）の湿度、風向、風速、気温、雨量（前１０分積算値と前６０分積算値）の各観測値と、気象業務支援センター４００から１１：３０頃に配信される、１０：００を初期時刻とする局地モデルにおける１２：００の高層気温の予測値を用いて、本システムによる雨量予測を行う。
なお、地上と高層の気温差は、地上の位置i（ｉ＝１,・・・,ｎ）における１２：１０の気温の観測値と、同地点から最も近い、局地モデル上の格子点の５００ｈＰａ等圧面における１２：００の気温の予測値を用いて算出する。

さらに、１２：２０における地上の位置i（ｉ＝１,・・・,ｎ）の湿度、風向、風速、地上気温、雨量（前１０分積算値と前６０分積算値）の各観測値と、気象業務支援センター４００から１１：３０頃に配信される、１０：００を初期時刻とする局地モデルにおける１２：００の高層気温の予測値を用いて、本システムによる雨量予測を行う。
なお、地上と高層の気温差は、地上の位置i（ｉ＝１,・・・,ｎ）における１２：２０の気温の観測値と、同地点から最も近い、局地モデル上の格子点の５００ｈＰａ等圧面における１２：００の気温の予測値を用いて算出する。１２：３０も同様である。

１２：４０になると、１２：４０における地上の位置i（ｉ＝１,・・・,ｎ）の湿度、風向、風速、地上気温、雨量（前１０分積算値と前６０分積算値）の各観測値と、気象業務支援センター４００から１１：３０頃に配信される、１０：００を初期時刻とする局地モデルにおける１３：００の高層気温の予測値を用いて、本システムによる雨量予測を行う。なお、地上と高層の気温差は、地上の位置i（ｉ＝１,・・・,ｎ）における１２：４０の気温の観測値と、同地点から最も近い、局地モデル上の格子点の５００ｈＰａ等圧面における１３：００の気温の予測値を用いて算出する。１２：５０も同様である。
ただ、システム内の処理が複雑になるので、１２：４０、１２：５０についても、１２：００〜１２：３０までと同様、１２：００の高層気温の予測値を用いて雨量予測を行ってもよい。

この後は、１３：００以降も、同様の処理を繰り返して、雨量予測を行う。例えば、９時と２１時は高層の観測時刻であるため、２３時に行う予測では、１１時に行う予測と同様、２時間前の観測値、解析値を初期値とする、２３時の高層気温の予測値を用いる。つまり、２３時に行う予測は、２１時を初期時刻とする２３時の高層気温の予測値を用いる。
なお、今後、気象業務支援センター４００による配信遅延が解消された場合は、最新の数値を用いるため、予報を行う時刻がn時、n時１０分、n時２０分、n時３０分の場合は、n時における高層気温の初期値を用い、n時４０分、n時５０分の場合は、n時を初期時刻とする、n＋１時の予測値を用いる。

＜＜＜変形例１＞＞＞
本実施の形態の雨量予測システム１０では、クラウドシステム３００に人工知能の機能を実装する例を示したが、通信ネットワーク７００を介して他のサイトやサーバや端末装置などで提供されている人工知能のサービスを利用するように構成してもよい。

＜＜＜＜本実施の形態の範囲＞＞＞＞
上述したように、本発明は、本実施の形態によって記載したが、この開示の一部をなす記載及び図面はこの発明を限定するものであると理解すべきでない。このように、本発明は、ここでは記載していない様々な実施の形態等を含むことはもちろんである。

１００ 観測器
２００ データロガー
３００ クラウドシステム
４００ 気象業務支援センター
５００ 管理用端末装置
６００ ユーザー端末装置
７００ 通信ネットワーク

Claims (8)

1. 地上または地上付近における複数かつ高密度の格子点の各々に設置した観測器によって測定した湿度、風向、風速の実況値、さらには気温の実況値と、地上に向かって鉛直方向に投射した点が前記地上または地上付近における格子点の各々の最も近くにあるような、観測データに基づいて作成された局地モデル上の高層の格子点の各々における気温とで算出した温度差と、前記地上または地上付近における格子点の各々で測定した雨量の実況値との相関関係を生成する相関関係生成部と、
   前記相関関係生成部によって作成された前記相関関係を記憶する記憶部と、
   前記地上または地上付近における格子点の各々で測定した湿度、風向、風速の実況値、さらには気温の実況値と、前記局地モデル上の高層の格子点の各々における気温とで算出した温度差と、前記地上または地上付近における格子点の各々で測定した雨量の実況値から、
   前記記憶部に記憶された前記相関関係を参照して６時間先までの１時間雨量を予測する予測雨量算出部と、を備える雨量予測システム。
2. 前記相関関係生成部は、前記相関関係を人工知能により深層学習することで生成する請求項１に記載の雨量予測システム。
3. 前記地上または地上付近の複数かつ高密度の格子点における隣り合う２点の平均距離は、約２キロメートル以下である請求項１に記載の雨量予測システム。
4. 観測器において、湿度、風向、風速、気温は、前記局地モデル上の高層の格子点の各々を地上に向かって鉛直に投射した点の最も近くに位置する地上または地上付近の格子点の各々で少なくとも１０分毎に計測する請求項１に記載の雨量予測システム。
5. 前記相関関係生成部は、
   前記局地モデル上の高層の格子点の各々を地上に向かって鉛直に投射した点の最も近くに位置する、地上または地上付近における格子点の各々の湿度、風向、風速、気温、及び前記局地モデル上の高層の格子点の各々における気温の各値が最新の数値に更新されたとき、既に予測している場合でも、前記記憶部で蓄積された最新及び過去の数値データを基に新たに相関関係を生成し、
   前記予測雨量算出部は、前記最新の数値から前記最新の相関関係を参照して改めて雨量を予測し直す、請求項1に記載の雨量予測システム。
6. 前記温度差を算出する際の高層の気温として、前記局地モデル上の高層の
   格子点の各々における気温の実況値、解析値、またはそれらの値を初期値
   とした気温の予測値を利用する請求項１に記載の雨量予測システム。
7. 予測雨量演算部は、地上または地上付近の湿度、風向、風速、気温、雨量については実況値を使用し、また前記温度差を算出する際の高層気温には、気象業務支援センターからの配信遅延を考慮し、n時、n時10分、n時20分、n時30分の温度差の算出にはn-2時を初期時刻とする前記局地モデルにおける高層気温のn時の予測値を使用し、n時40分、n時50分の温度差の算出には、n-2時を初期時刻とする前記局地モデルにおける高層気温のn+1時の予測値を使用する請求項1に記載の雨量予測システム。
8. 予測雨量演算部は、気象業務支援センターからの配信遅延が解消された 場
   合、地上または地上付近の湿度、風向、風速、気温、雨量については実況値
   を使用し、また前記温度差を算出する際の高層気温には、n時、n時10分、
   n時20分、n時30分の温度差の算出にはn時を初期時刻とする前記局地モ
   デルにおける高層気温の初期値を使用し、n時40分、n時50分の温度差の
   算出には、n時を初期時刻とする前記局地モデルにおける高層気温のn+1時
   の予測値を使用する請求項1に記載の雨量予測システム。

Images