JP7438655B2

JP7438655B2 - 気象解析装置、気象解析方法、およびプログラム

Info

Publication number: JP7438655B2
Application number: JP2018107730A
Authority: JP
Inventors: 智史木田; 和紘吉見; 淳史渡邊; 文彦水谷; 哲也小林
Original assignee: Toshiba Corp; Toshiba Infrastructure Systems and Solutions Corp
Current assignee: Toshiba Corp; Toshiba Infrastructure Systems and Solutions Corp
Priority date: 2018-06-05
Filing date: 2018-06-05
Publication date: 2024-02-27
Anticipated expiration: 2038-06-05
Also published as: JP2019211342A

Description

本発明の実施形態は、気象解析装置、気象解析方法、およびプログラムに関する。

近年、河川の氾濫や大規模な斜面崩壊によって甚大な被害をもたらす豪雨災害が生じている。このような災害は、線状降水帯が一定の地点に長時間に亘って停滞することにより引き起こされていると云われている。一方で、ニューラルネットワークなどの人工知能を利用して、気象を解析することが試みられている。

しかしながら、従来の技術では、人工知能を利用して、観測した雲が災害をもたらすような雨雲であるのかを精度良く判別することができない場合があった。

特開２０１５－１６６９６２号公報

本発明が解決しようとする課題は、雲の種類を精度良く判別することができる気象解析装置、気象解析方法、およびプログラムを提供することである。

実施形態の気象解析装置は、取得部と、判定部と、提供部とを持つ。取得部は、レーダ装置によって得られた気象観測データを取得する。判定部は、前記気象観測データが入力されると、雲の種類を示す情報を出力するように学習された分類器に対して、前記取得部により取得された前記気象観測データを入力することで、前記レーダ装置の観測対象である雲の種類を判定する。提供部は、前記判定部によって判定された前記雲の種類が対応付けられた前記気象観測データを外部装置に提供する。

第１の実施形態における気象解析装置１００の構成の一例を示す図。気象観測データ１３２の一例を示す図。第１の実施形態における制御部１１０による一連の処理の一例を示すフローチャート。観測空間を仮想的に分割したメッシュ領域Ｍ_ｉの一例を示す図。分類器２００を模式的に示す図。分類器２００の処理内容を時間経過に応じて並列に展開した図。降水システムの種類が対応付けられた気象画像の一例を示す図。気象観測データ１３２または解析データ１３４から一部データを抽出する処理を模式的に示す図。実施形態の気象解析装置１００のハードウェア構成の一例を示す図。

以下、実施形態の気象解析装置、気象解析方法、およびプログラムを、図面を参照して説明する。

（第１の実施形態）
図１は、第１の実施形態における気象解析装置１００の構成の一例を示す図である。第１の実施形態における気象解析装置１００は、気象レーダ装置１０から出力される気象観測データに基づいて、気象レーダ装置１０の観測対象である雲の種類を判定（決定）する。

気象レーダ装置１０によって観測される雲には、例えば、積乱雲、積雲、巻雲、層雲などが含まれる。また、気象レーダ装置１０によって観測される雲には、梅雨前線などに伴って発達した複数の積乱雲などが線状に列を成すことで形成される線状降水帯などが含まれてもよい。

気象解析装置１００は、雲の種類を判定（決定）すると、その判定した雲の種類を気象観測データに対応付けて出力する。上述した複数の雲の種類のうち、積乱雲や線状降水帯などは、地上に豪雨や豪雪、ひょう、あられなどの気象災害をもたらす傾向にある。特に、線状降水帯は、しばしば上空に停滞するため、河川の氾濫や大規模な斜面崩壊などの甚大な被害をもたらしやすい。そのため、雲の種類を精度良く判別することにより、気象災害の危険度を高精度に推測することができる。

気象レーダ装置１０は、例えば、フェーズドアレイアンテナを含む。気象レーダ装置１０は、フェーズドアレイアンテナを構成するアレイ状のアンテナ素子に入力する信号、またはアンテナ素子が出力する信号の位相を制御することによって、指向角を電子的に変動させる。気象レーダ装置１０は、アンテナの指向角を変動させながら電波を送受信する。例えば、気象レーダ装置１０は、電気的な位相制御によって、エレベーション方向（垂直方向）における指向角を、一定の角度範囲（例えば９０度）内で変動させる。また、気象レーダ装置１０は、アジマス方向（水平方向）における指向角を、図示しない駆動機構によって機械的に変動させる。また、気象レーダ装置１０は、アジマス方向とエレベーション方向との双方において、電気的な位相制御によって指向角を変動させてもよい。

気象レーダ装置１０は、受信した電波を電気信号に変換して、復調や信号強度の増幅、周波数変換等の信号処理を行う。そして、気象レーダ装置１０は、信号処理を行った信号（以下、処理済み信号と称する）を気象観測データとして気象解析装置１００に送信する。

例えば、気象レーダ装置１０は、所定の探索周期（例えば３０秒周期）の間において生成した複数の処理済み信号を１つの気象観測データとして気象解析装置１００に送信する。気象観測データは、例えば、メッシュ領域Ｍ_ｉごとに、電波に基づく物理量が対応付けられているボリュームデータである。メッシュ領域Ｍ_ｉとは、電波が照射された３次元の観測空間が、距離方向、水平方向、および鉛直方向のそれぞれについて所定幅で分割された３次元の空間領域である。なお、気象レーダ装置１０の観測対象（観測空間）は気象レーダ装置１０から十分に遠いものとし、以下の説明では、一例として、メッシュ領域Ｍ_ｉは立方体であるものとする。

また、気象レーダ装置１０は、二重偏波レーダ装置（マルチパラメータレーダ装置）であってもよい。二重偏波レーダ装置は、水平偏波と垂直偏波の２種類の電波を送受信するレーダ装置である。

また、気象レーダ装置１０は、上述したフェーズドアレイアンテナの他、パラボラアンテナや、パッチアンテナ、ポールアンテナ、シャントフィードアンテナ、スロットアンテナなどを含んでもよい。例えば、パラボラアンテナを含む場合、気象レーダ装置１０は、図示しない駆動機構によってアンテナの指向角を機械的に変更しながら電波を送受信してよい。

以下、気象解析装置１００の構成について説明する。気象解析装置１００は、通信部１０２と、制御部１１０と、記憶部１３０とを備える。通信部１０２は、「取得部」の一例である。

通信部１０２は、例えば、ＮＩＣ（Network Interface Card）などの通信インターフェースを含む。通信部１０２は、ネットワークＮＷを介して気象レーダ装置１０と通信し、気象レーダ装置１０から気象観測データ１３２を受信する。ネットワークＮＷは、例えば、ＷＡＮ（Wide Area Network）やＬＡＮ（Local Area Network）、インターネット、専用回線、無線基地局、プロバイダなどを含む。通信部１０２により受信された気象観測データ１３２は、記憶部１３０に記憶される。また、通信部１０２は、制御部１１０による制御を受けて、ネットワークＮＷを介して接続された外部装置に情報を送信してもよい。外部装置とは、例えば、ユーザが操作するスマートフォンやタブレット端末等の表示装置を兼ねる携帯型の端末装置や据え置き型の端末装置であってよい。また、外部装置は、天気図などを天気予報のコンテンツとして配信するサーバ装置や、その他装置であってもよい。

制御部１１０は、例えば、降水強度導出部１１２と、風向風速導出部１１４と、コア特徴量導出部１１６と、判定部１１８と、学習処理部１２０と、提供部１２２とを備える。これらの構成要素は、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等のハードウェアプロセッサ（あるいはプロセッサ回路）が、記憶部１３０に記憶されたプログラム（ソフトウェア）を実行することにより実現される。また、これらの複数の構成要素のうち一部または全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等のハードウェア（回路部：circuitry）によって実現されてもよいし、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。また、上記のプログラムは、予め記憶部１３０に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体に格納されており、記憶媒体が気象解析装置１００のドライブ装置に装着されることで記憶媒体から記憶部１３０にインストールされてもよい。

記憶部１３０は、例えば、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disc Drive）、ＳＳＤ（Solid State Drive）、レジスタ等の記憶装置によって実現される。フラッシュメモリやＨＤＤ、ＳＳＤなどは、ＮＡＳ（Network Attached Storage）や外部ストレージサーバ装置等のネットワークＮＷを介して接続される他の記憶装置によって実現されてもよい。記憶部１３０には、例えば、気象観測データ１３２や、解析データ１３４、分類器情報１３６などが格納される。これらについては後述する。

図２は、気象観測データ１３２の一例を示す図である。例えば、気象観測データ１３２は、上空の観測空間を仮想的に分割したメッシュ領域Ｍ_ｉごとに、レーダ反射因子Ｚ_ｉと、ドップラー速度Ｄ_ｉとが対応付けられたデータである。

レーダ反射因子Ｚ_ｉは、電波を反射する粒子の粒径に応じて変動するパラメータである。電波を反射する粒子は、例えば、雲を構成する粒子（以下、雲粒と称する）である。雲粒には、例えば、水滴や氷晶等が含まれてよい。例えば、レーダ反射因子Ｚ_ｉは、気象レーダ装置１０が電波を受信した際の受信電力と、気象レーダ装置１０から電波を反射した雲粒までの距離とに基づいて算出される。なお、気象観測データ１３２は、レーダ反射因子Ｚ_ｉの代わりに、レーダ反射強度（＝１０ｌｏｇ１０Ｚ_ｉ）が対応付けられていてもよい。

ドップラー速度Ｄ_ｉは、メッシュ領域Ｍ_ｉ内の雲粒の移動方向および移動速度を表すパラメータであり、気象レーダ装置１０が電波を送信した際の送信周波数と、電波を受信した際の受信周波数との差に基づいて算出される。ドップラー速度Ｄ_ｉは、各メッシュ領域Ｍ_ｉの風向および風速に算出する際に用いられるパラメータである。これらのパラメータは、気象レーダ装置１０において信号処理の結果として算出されてもよいし、気象解析装置１００において算出されてもよい。

メッシュ領域Ｍ_ｉの大きさは、気象レーダ装置１０の時間分解能および空間分解能に応じて変更されてよい。また、各メッシュ領域Ｍ_ｉには、気象レーダ装置１０の位置を原点とする直交座標系の位置座標が対応付けられてもよいし、極座標系や他の座標系であってもよい。例えば、気象レーダ装置１０が標高の高い高台や山頂等に設置されている場合、メッシュ領域Ｍｉの位置座標は高度方向においてマイナスの値をとってよい。

また、気象レーダ装置１０が二重偏波レーダ装置である場合、気象観測データ１３２は、各メッシュ領域Ｍ_ｉに、水平偏波に関するレーダ反射因子、垂直偏波に関するレーダ反射因子、レーダ反射因子差、偏波間位相差、伝搬位相差変化率、偏波間相関係数といった二重偏波パラメータが対応付けられたデータであってもよい。レーダ反射因子差は、例えば、水平偏波に関するレーダ反射因子を垂直偏波に関するレーダ反射因子で除算した値の対数値であり、粒子の縦横径の比に依存するパラメータである。

以下、制御部１１０による一連の処理についてフローチャートを用いて説明する。図３は、第１の実施形態における制御部１１０による一連の処理の一例を示すフローチャートである。本フローチャートの処理は、例えば、所定の周期で繰り返し行われてよい。

まず、降水強度導出部１１２は、通信部１０２により、気象レーダ装置１０から一回の探索周期分の気象観測データ１３２が取得されるまで待機し（ステップＳ１００）、一回の探索周期分の気象観測データ１３２が取得されると、この気象観測データ１３２のメッシュ領域Ｍ_ｉごとに、降水強度Ｒ_ｉを導出する（ステップＳ１０２）。

例えば、降水強度導出部１１２は、メッシュ領域Ｍ_ｉごとのレーダ反射因子Ｚ_ｉを数式（１）に代入することにより降水強度Ｒ_ｉを導出する。なお、降水強度Ｒ_ｉは、他の方法で導出されてもよい。

上記数式（１）におけるＢおよびβは、例えば、雨量計による観測値から決定される定数であり、雲粒が水滴の場合、Ｂが２００程度、βが１．６程度に設定され、雲粒が氷晶の場合はＢが５００から２０００程度、βが２．０程度に設定される。なお、定数Ｂおよびβのそれぞれには、全メッシュ領域Ｍ_ｉにおいて同じ値が設定されてもよいし、メッシュ領域Ｍ_ｉごとに異なる値が設定されてもよい。

次に、風向風速導出部１１４は、メッシュ領域Ｍ_ｉごとのレーダ反射因子Ｚ_ｉとドップラー速度Ｄ_ｉに基づいて、メッシュ領域Ｍ_ｉごとに風向および風速を導出する（ステップＳ１０４）。例えば、風向風速導出部１１４は、ＶＡＤ（Velocity Azimuth Display））法や、ＶＶＰ（Volume Velocity Processing）法、Gal-Chen法、Dual-Doppler法等の３次元風解析手法を用いて、メッシュ領域Ｍ_ｉごとに風向および風速を導出する。なお、風向風速導出部１１４は、風向および風速を導出できないメッシュ領域Ｍ_ｉについては、例えば、他のメッシュ領域Ｍ_ｉにおける風向および風速の代表値を代用してもよい。代表値は、例えば、平均値であってもよいし、中央値であってもよいし、他の統計量であってもよい。

図４は、観測空間を仮想的に分割したメッシュ領域Ｍ_ｉの一例を示す図である。図中Ｚ軸は、鉛直方向を、Ｘ軸およびＹ軸は、水平方向に含まれる直交成分を示す。図示の例では、観測空間（３次元空間）のうち、あるＸＺ平面の断面のみを表している。各メッシュ領域Ｍ_ｉには、解析結果として、降水強度導出部１１２により導出された降水強度Ｒ_ｉと、風向風速導出部１１４により導出された風向風速を示すベクトル（矢印Ｖ_ｉ）とが対応付けられる。なお、図中では、降水強度Ｒ_ｉは、Ｘ軸およびＺ軸に対応した降水強度Ｒを示すために、Ｒｘｚで表現している。矢印Ｖｉで示すベクトルの向きは、風向を示し、ベクトルの大きさは、風速を示している。このような、観測空間を仮想的に表したメッシュ領域Ｍ_ｉごとに、降水強度Ｒ_ｉおよび風向および風速を示すベクトル矢印Ｖ_ｉが対応付けられた情報は、解析データ１３４として記憶部１３０に記憶される。

次に、コア特徴量導出部１１６は、解析データ１３４を参照して、複数のメッシュ領域Ｍ_ｉに分割された観測空間においてコア領域ＣＲを導出し、そのコア領域ＣＲの特徴量を導出する（ステップＳ１０６）。コア領域ＣＲとは、降水強度Ｒ_ｉが同程度のメッシュ領域Ｍ_ｉを互いに結合した領域である。

コア特徴量導出部１１６は、コア領域ＣＲを導出すると、コア領域ＣＲの特徴量を導出する。コア領域ＣＲの特徴量は、例えば、コア領域ＣＲの重心、体積の中心、平均高度、最大高度、最小高度、平均幅、最大幅、最小幅、平均降水強度Ｒ_ｉ、最大降水強度Ｒ_ｉ、最小降水強度Ｒ_ｉ、といった種々の特徴量を含む。

次に、判定部１１８は、少なくとも解析データ１３４に基づいて、観測空間に含まれる雨雲（以下、降水システムと称する）の種類（カテゴリ）を判定する（ステップＳ１０８）。

例えば、判定部１１８は、分類器情報１３６に基づいて分類器２００を生成し（構築し）、その分類器２００に従って、降水システムの種類を判定する。

分類器情報１３６は、分類器２００を定義した情報（プログラムまたはデータ構造）である。例えば、分類器２００は、プロセッサが分類器情報１３６を実行することによって、判定部１１８の一つの機能として実現されてよい。分類器２００は、例えば、コンボリューショナルニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）や、リカレントネットワーク（Reccurent Neural Network：ＲＮＮ）などの種々のニューラルネットワークのいずれか、または複数のニューラルネットワークの組み合わせによって実現される。

分類器情報１３６には、例えば、各ＤＮＮを構成する入力層、一以上の中間層（隠れ層）、出力層の其々に含まれるニューロン（ユニット）が互いにどのように結合されるのかという結合情報や、結合されたニューロン間で入出力されるデータに付与される結合係数がいくつであるのかという重み情報などが含まれる。結合情報は、例えば、各層に含まれるニューロン数や、各ニューロンの結合先のニューロンの種類を指定する情報、各ニューロンを実現する活性化関数、隠れ層のニューロン間に設けられたゲートなどの情報を含む。ニューロンを実現する活性化関数は、例えば、正規化線形関数（ＲｅＬＵ関数）であってもよいし、シグモイド関数や、ステップ関数、ハイパポリックタンジェント関数などのその他の関数であってもよい。ゲートは、例えば、活性化関数によって返される値（例えば１または０）に応じて、ニューロン間で伝達されるデータを選択的に通過させたり、重み付けたりする。結合係数は、活性化関数のパラメータであり、例えば、ニューラルネットワークの隠れ層において、ある層のニューロンから、より深い層のニューロンにデータが出力される際に、出力データに対して付与される重みを含む。また、結合係数は、各層の固有のバイアス成分などを含んでもよい。

図５は、分類器２００を模式的に示す図である。例えば、分類器２００は、入力層と、一以上の中間層と、出力層とを含むニューラルネットワークによって実現されてよい。例えば、入力層には、気象観測データ１３２（解析データ１３４）と、コア領域ＣＲの特徴量とのうち、少なくとも気象観測データ１３２（解析データ１３４）が入力データとして入力される。より具体的には、入力層の各ニューロンに、各メッシュ領域Ｍ_ｉに対応付けられた降水強度Ｒ_ｉおよび風向風速が入力される。また、入力層の各ニューロンには、更に、各コア領域ＣＲの特徴量が入力されてもよい。

また、気象レーダ装置１０が二重偏波レーダ装置である場合、入力層の各ニューロンには、各メッシュ領域Ｍ_ｉに対応付けられた、水平偏波に関するレーダ反射因子、垂直偏波に関するレーダ反射因子、レーダ反射因子差、偏波間位相差、伝搬位相差変化率、偏波間相関係数といった二重偏波パラメータが入力されてもよい。以下、入力層に入力される入力データを、降水強度Ｒ_ｉ（レーダ反射因子Ｚ_ｉ）、風向風速（ドップラー速度Ｄ_ｉ）、二重偏波パラメータ、コア領域ＣＲの特徴量（重心や平均高度など）といった複数のパラメータを含む多次元パラメータθであるものとして説明する。

また、多次元パラメータθには、雲粒の粒子の扁平の度合、雲粒の粒径の形状、鉛直シアー、温度、湿度といった他のパラメータが更に含まれていてもよい。雲粒の粒子の扁平の度合や粒径などの形状は、二重偏波パラメータに含まれるレーダ反射因子差や伝搬位相差変化率などに基づいて導出されてよい。

また、多次元パラメータθには、観測した雲が発生した地点（地上の位置）の標高や、地形、土壌、地質、植生、土地利用といった自然的要素（自然環境の特性を示す要素）を表すパラメータが含まれていてもよい。例えば、自然的要素を表すパラメータは、国や公共機関、民営機関などが測量して得た標高のデータや、土地分類図のデータなどに含まれていてよい。このようなデータは、予め記憶部１３０に記憶されていてもよいし、通信部１０２を介して外部のサーバ等から最新版が取得されてもよい。これによって、例えば、観測した雲の発生地点が山の斜面であるのか、平野であるのか、河川であるのか、といったことを考慮して降水システムの種類を判定することができる。

分類器２００は、予め学習処理部１２０によって学習される。例えば、学習処理部１２０は、教師データを用いて、分類器２００を学習する。教師データは、多次元パラメータθに対して教師ラベルが対応付けられたデータである。教師ラベルは、多次元パラメータθに含まれる気象観測データ１３２が観測対象とする降水システム（雨雲）が、どういった種類の降水システムであるのかを識別した情報である。

教師ラベルとして識別される降水システムの種類には、例えば、積乱雲、積雲、巻雲、層雲、線状降水帯、前線性降水帯などが含まれる。線状降水帯は、更に、バックビルディング型線状降水帯、バックアンドサイドビルディング型線状降水帯、およびスコールライン型線状降水帯といった種類に分類されてもよい。また、教師ラベルとして識別される降水システムの種類には、単に、大きな雨雲、小さな雨雲、連なった雨雲といったような気象学的な用語でない名称の種類が含まれていてもよい。また、これらの降水システムの種類は一例であり、一部が他の種類に置き換わってもよいし、他の種類が追加されてもよい。教師ラベルとして識別される降水システムの種類は、例えば、多次元パラメータθを基にして、気象予報士によって決定されてもよいし、高精度な気象解析モデルによるシミュレーションによって決定されてもよい。

より具体的には、学習処理部１２０は、教師ラベルが対応付けられた多次元パラメータθを分類器２００の入力層に入力し、その結果として出力層から出力された降水システムの種類の分類結果が、教師ラベルとして示された降水システムの種類に近づくように、分類器２００のパラメータ（例えば、カーネル関数の係数など）を誤差逆伝搬（勾配法）や確率論によって学習させる。例えば、出力層の各ニューロンから、降水システムの種類の確からしさ（尤もらしさ）がスコアとして出力される場合、学習処理部１２０は、そのスコアの値と、教師ラベルとして示された降水システムの種類のスコアの値との差分が閾値以下となるまで、分類器２００のパラメータを学習させることを繰り返す。

判定部１１８は、学習処理部１２０によって学習された分類器２００に対して、教師ラベルが対応付けられていない多次元パラメータθ、すなわち、降水システムの種類が未分類である多次元パラメータθを学習データとして入力する。

例えば、図示のように、入力層に、ＮＥ_１からＮＥ_ｎまでのｎ個のニューロンが含まれている場合、判定部１１８は、入力層のあるニューロンＮＥ_１には、あるメッシュ領域Ｍ_１に対応付けられた解析データ１３４（気象観測データ１３２）と、コア領域ＣＲの特徴量とを含む多次元パラメータθ_１を入力する。また、判定部１１８は、ニューロンＮＥ_ｋには、あるメッシュ領域Ｍ_ｋに対応付けられた解析データ１３４（気象観測データ１３２）と、コア領域ＣＲの特徴量とを含む多次元パラメータθ_ｋを入力する。また、判定部１１８は、ニューロンＮＥ_ｎには、あるメッシュ領域Ｍ_ｎに対応付けられた解析データ１３４（気象観測データ１３２）と、コア領域ＣＲの特徴量とを含む多次元パラメータθ_ｎを入力する。これを受けて、分類器２００の出力層は、各種類のスコアを要素値とする多次元のベクトル（１階テンソル）を出力する。各種類のスコアを要素値とする多次元のベクトルは、「雲の種類を示す情報」の一例である。

例えば、出力層のあるニューロンＮＥ_１は、降水システムの種類が、ある種類「ＣＡＴ_１」であることの確からしさをスコアとして出力するように学習される。また、出力層のあるニューロンＮＥ_ｋは、降水システムの種類が、ある種類「ＣＡＴ_ｋ」であることの確からしさをスコアとして出力するように学習される。また、出力層のあるニューロンＮＥ_ｍは、降水システムの種類が、ある種類「ＣＡＴ_ｍ」であることの確からしさをスコアとして出力するように学習される。より具体的には、雲の種類を（ＣＡＴ_１、ＣＡＴ_２、ＣＡＴ_３）の３種類とした場合、各種類のスコアを要素値とする多次元のベクトルは、｛スコア１、スコア２、スコア３｝といったベクトルで表されてよい。この場合、スコア１は、「ＣＡＴ_１」という種類の雲の確からしさを表し、スコア２は、「ＣＡＴ_２」という種類の雲の確からしさを表し、スコア３は、「ＣＡＴ_３」という種類の雲の確からしさを表している。このように、分類器２００の出力層からは、降水システムの各種類に対応したスコアを要素として含むｍ次元のベクトルが出力される。

判定部１１８は、分類器２００の入力層に多次元パラメータθを入力して、出力層の複数のニューロンＮＥ_１～ＮＥ_ｍの其々からスコアが出力されると、すなわち、ｍ次元のベクトルが出力されると、そのベクトルの要素である複数のスコアのうち、最も値が大きいスコアの種類を、降水システムの種類とする。これによって、解析データ１３４（気象観測データ１３２）の解析対象（観測対象）である降水システムの種類が判定される。

なお、上述した分類器２００は、過去の演算結果を基に再帰的に処理を繰り返すＲＮＮによって実現されてもよい。例えば、ＲＮＮは、ネットワークの中間層がＬＳＴＭ（Long short-term memory）であり、多次元パラメータθが入力されると、その多次元パラメータθに含まれる解析データ１３４（気象観測データ１３２）の解析対象である降水システムの分類先とする種類のスコアを、再帰的に処理を繰り返す度に出力するように学習されたニューラルネットワークである。

図６は、分類器２００の処理内容を時間経過に応じて並列に展開した図である。例えば、初回の処理周期ｔ１では、分類器２００（ＲＮＮ）は、多次元パラメータθ_ｔ１が入力され、出力ベクトルＣＡＴ_ｔ１を出力する。出力ベクトルＣＡＴ_ｔ１は、上述したように、降水システムの各種類に対応したスコアを要素として含むｍ次元のベクトルである。

次の処理周期ｔ２では、分類器２００は、前回の処理周期ｔ１の出力ベクトルＣＡＴ_ｔ１と、今回の処理周期ｔ２に新たに取得された多次元パラメータθ_ｔ２と、前回の処理周期ｔ１に計算された中間層の演算結果を示すベクトルｓ_ｔ１とに基づいて、出力ベクトルＣＡＴ_ｔ２を出力する。前回の中間層の演算結果を示すベクトルｓ_ｔ１は、ＬＳＴＭのメモリーセルと呼ばれる記憶領域（ＬＳＴＭブロック）に格納される。

次の処理周期ｔ３では、分類器２００は、前回の処理周期ｔ２の出力ベクトルＣＡＴ_ｔ２と、今回の処理周期ｔ３に新たに取得された多次元パラメータθ_ｔ３と、前回の処理周期ｔ２に計算された中間層の演算結果を示すベクトルｓ_ｔ２とに基づいて、出力ベクトルＣＡＴ_ｔ３を出力する。この際、分類器２００は、出力ベクトルＣＡＴ_ｔ３を出力する際に、ＬＳＴＭのメモリーセルに格納されたベクトルｓ_ｔ２を、今回の処理周期ｔ３に計算した中間層の演算結果を示すベクトルｓ_ｔ３に書き換える。

このように、分類器２００は、前回求めた降水システムの種類の分類結果を基に再帰処理を繰り返すため、降水システムが時間経過に応じて発達した場合であっても、降水システムの種類を精度良く分類することができる。例えば、観測空間内において降水強度Ｒ_ｉが閾値以上となるコア領域ＣＲが出現してから、そのコア領域ＣＲが線状に発達してきたという過程が存在する場合、その過程が出力ベクトルＣＡＴ_ｔｋとして次回の再帰処理に反映されるため、降水システムが線状降水帯であるという確からしさ（スコア）がより大きくなる。このように、ＲＮＮを分類器２００として利用することで、これまでのコア領域ＣＲの成長度合いなどに応じて、現在の降水システムの種類を判定することができる。

図３に戻り、次に、提供部１２２は、気象観測データ１３２（解析データ１３４）に基づいて、気象画像を生成する（ステップＳ１１０）。例えば、提供部１２２は、各メッシュ領域Ｍ_ｉを画素とした３次元画像を気象画像として生成する。この際、提供部１２２は、各メッシュ領域Ｍ_ｉに対応付けられたレーダ反射因子Ｚ_ｉまたは降水強度Ｒ_ｉを、輝度値などの画素値に変換する。

次に、提供部１２２は、生成した気象画像に対して、判定部１１８により判定された降水システムの種類を対応付け、この気象画像を、通信部１０２を介して外部装置に送信する（ステップＳ１１２）。これによって、例えば、外部装置の画面には気象画像が表示される。

図７は、降水システムの種類が対応付けられた気象画像の一例を示す図である。図示の例では、３次元画像である気象画像の一断面（Ｘ－Ｙ平面）を表しており、「バックビルディング型線状降水帯」という種類に分類された降水システム（雨雲）と、「積雲」という種類に分類された降水システム（雨雲）とが気象画像内に表示されている。この際、提供部１２２は、気象画像において、降水システムの種類に応じて、色や文字などの表示態様を異ならせてよい。例えば、提供部１２２は、各降水システム内のコア領域ＣＲを、降水強度Ｒ_ｉに応じて段階的に色分けしてよい。また、提供部１２２は、気象画像において、各降水システムの種類に応じた危険度を表示してもよい。例えば、積雲、巻雲、層雲といった種類の降水システムに比べて、線状降水帯や前線性降水帯といった種類の降水システムの方が地上にもたらす被害が大きく、より危険であることが知られている。従って、提供部１２２は、各降水システムの種類に応じて危険度を決定し、その危険度を文字や色などで気象画像に表示させてよい。

以上説明した第１の実施形態によれば、気象レーダ装置１０によって得られた気象観測データ１３２を受信する通信部１０２と、気象観測データ１３２、或いは気象観測データ１３２から得られる解析データ１３４を含む多次元パラメータθが入力されると、降水システムの種類に、その種類の確からしさを表すスコアが要素値として対応付けられたベクトルＣＡＴを出力するように学習された分類器２００に対して、多次元パラメータθを入力することで、気象レーダ装置１０の観測対象である降水システムの種類を判定する判定部１１８と、判定部１１８によって判定された降水システムの種類が対応付けられた気象観測データ１３２を３次元画像として外部装置に提供する提供部１２２とを備えることにより、降水システム（雲）の種類を精度良く判別することができる。この結果、気象予報士などは、観測された現在の気象現象を理解した上で、更に将来の気象状態を精度良く予測することができる。

また、上述した第１の実施形態によれば、ニューラルネットワークによって実現される分類器２００を、コア領域ＣＲの特徴量を含む多次元パラメータθを入力データとして学習させるため、現時点において、コア領域ＣＲの形状が小さかったり、コア領域ＣＲの降水強度Ｒ_ｉが小さかったりした場合であっても、分類器２００が、降水システムが将来どのように成長するのかということを学習しているため、将来の成長を見越したうえで降水システム（雲）の種類を精度良く判別することができる。

また、上述した第１の実施形態によれば、気象レーダ装置１０にフェーズドアレイアンテナを適用した場合、高頻度で隙間無く観測された気象観測データを用いることができる。これにより、短周期で、その時点における風向および風速分布を３元方向に連続的に解析することが可能となり、降水強度Ｒ_ｉ、風向風速、コア領域ＣＲの特徴量などを組み合わせることで、線状降水帯などの降水システムの特徴を高頻度かつ高確度に判別することができる。

（第２の実施形態）
以下、第２の実施形態について説明する。第２の実施形態では、気象観測データ１３２または解析データ１３４の全データを多次元パラメータθとするのではなく、気象観測データ１３２または解析データ１３４の一部データを多次元パラメータθとする点で上述した第１の実施形態と相違する。以下、第１の実施形態との相違点を中心に説明し、第１の実施形態と共通する点については説明を省略する。なお、第２の実施形態の説明において、第１の実施形態と同じ部分については同一符号を付して説明する。

第２の実施形態における学習処理部１２０は、分類器２００を学習する際に、気象観測データ１３２または解析データ１３４から一部データを抽出し、その抽出したデータとコア領域ＣＲの特徴量とを含むデータの集合を、多次元パラメータθとする。

図８は、気象観測データ１３２または解析データ１３４から一部データを抽出する処理を模式的に示す図である。図示の例では、複数のメッシュ領域Ｍ_ｉに区切られた３次元の観測空間のＸ－Ｙ平面を表している。例えば、Ｘ－Ｙ平面の観測空間内において、ＣＲ１、ＣＲ２、ＣＲ３の３つのコア領域が存在する場合、学習処理部１２０は、そのコア領域が存在する部分空間に対して任意の識別情報をラベリングする。図示の例では、コア領域ＣＲ１が存在する部分空間には、ＩＤ１という識別情報がラベリングされ、コア領域ＣＲ２が存在する部分空間には、ＩＤ２という識別情報がラベリングされ、コア領域ＣＲ３が存在する部分空間には、ＩＤ３という識別情報がラベリングされている。学習処理部１２０は、気象観測データ１３２または解析データ１３４が示す観測空間から、識別情報をラベリングした部分空間を抽出し（切り出し）、抽出した部分空間を含む多次元パラメータθを教師データとして分類器２００を学習させる。これによって、観測空間の全体を学習するときよりも、より低負荷で、且つより高精度に降水システム（雲）の種類を判別することができる。

（ハードウェア構成）
上述した実施形態の気象解析装置１００は、例えば、図９に示すようなハードウェア構成により実現される。図９は、実施形態の気象解析装置１００のハードウェア構成の一例を示す図である。

気象解析装置１００は、ＮＩＣ１００－１、ＣＰＵ１００－２、ＲＡＭ１００－３、ＲＯＭ１００－４、フラッシュメモリやＨＤＤなどの二次記憶装置１００－５、およびドライブ装置１００－６が、内部バスあるいは専用通信線によって相互に接続された構成となっている。ドライブ装置１００－６には、光ディスクなどの可搬型記憶媒体が装着される。二次記憶装置１００－５、またはドライブ装置１００－６に装着された可搬型記憶媒体に格納されたプログラムがＤＭＡコントローラ（不図示）などによってＲＡＭ１００－３に展開され、ＣＰＵ１００－２によって実行されることで、制御部１１０が実現される。制御部１１０が参照するプログラムは、ネットワークＮＷを介して他の装置からダウンロードされてもよい。

上記実施形態は、以下のように表現することができる。
プログラムを格納するストレージと、
プロセッサと、を備え、
前記プロセッサは、前記プログラムを実行することにより、
レーダ装置によって得られた気象観測データを取得し、
前記気象観測データが入力されると、雲の種類を示す情報を出力するように学習された分類器に対して、前記取得した前記気象観測データを入力することで、前記レーダ装置の観測対象である雲の種類を判定し、
前記判定した雲の種類が対応付けられた前記気象観測データを外部装置に提供する、
ように構成されている気象解析装置。

以上説明した少なくともひとつの実施形態によれば、気象レーダ装置１０によって得られた気象観測データ１３２を受信する通信部１０２と、気象観測データ１３２、或いは気象観測データ１３２から得られる解析データ１３４を含む多次元パラメータθが入力されると、降水システムの種類に、その種類の確からしさを表すスコアが要素値として対応付けられたベクトルＣＡＴを出力するように学習された分類器２００に対して、多次元パラメータθを入力することで、気象レーダ装置１０の観測対象である降水システムの種類を判定する判定部１１８と、判定部１１８によって判定された降水システムの種類が対応付けられた気象観測データ１３２を３次元画像として外部装置に提供する提供部１２２とを備えることにより、降水システム（雲）の種類を精度良く判別することができる。

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。

１０…気象レーダ装置、１００…気象解析装置、１０２…通信部、１１０…制御部、１１２…降水強度導出部、１１４…風向風速導出部、１１６…コア特徴量導出部、１１８…判定部、１２０…学習処理部、１２２…提供部、１３０…記憶部、２００…分類器

Claims

レーダ装置により観測される観測空間に対して、降水強度、風向、および風速が対応付けられた気象観測データを取得する取得部と、
前記気象観測データが入力されると、降水システムの種類を示す情報を出力するように学習された分類器に対して、前記取得部により取得された前記気象観測データを入力することで、前記レーダ装置の観測対象である前記降水システムの種類を判定する判定部と、
前記判定部によって判定された前記降水システムの種類が対応付けられた前記気象観測データを外部装置に提供する提供部と、
前記降水強度、風向、および風速を含む前記気象観測データの一部に対して、前記降水システムの種類を示す情報が対応付けられた教師データに基づいて、前記分類器を学習する学習処理部と、を備え、
前記気象観測データの一部は、前記観測空間におけるコア領域の気象観測データを含む、
気象解析装置。
前記降水システムの種類は、積乱雲、積雲、巻雲、層雲、線状降水帯、または前線性降水帯のうち少なくともともいずれか１つを含む、
請求項１に記載の気象解析装置。
線状降水帯は、バックビルディング型線状降水帯、バックアンドサイドビルディング型線状降水帯、またはスコールライン型線状降水帯のうち少なくともともいずれか１つを含む、
請求項２に記載の気象解析装置。
前記提供部は、前記降水システムの種類が対応付けられた前記気象観測データに基づいて画像を生成し、前記生成した画像を前記外部装置に提供する、
請求項１から３のうちいずれか１項に記載の気象解析装置。
前記提供部は、前記降水システムの種類に応じて表示態様を異ならせた画像を生成する、
請求項４に記載の気象解析装置。
前記分類器には、再帰型のニューラルネットワークが含まれる、
請求項１から５のうちいずれか１項に記載の気象解析装置。
コンピュータが、
レーダ装置により観測される観測空間に対して、降水強度、風向、および風速が対応付けられた気象観測データを取得し、
前記気象観測データが入力されると、降水システムの種類を示す情報を出力するように、前記降水強度、風向、および風速を含む前記気象観測データの一部に対して、前記降水システムの種類を示す情報が対応付けられた教師データに基づいて、学習された分類器に対して、前記取得した前記気象観測データを入力することで、前記レーダ装置の観測対象である前記降水システムの種類を判定し、
前記判定した前記降水システムの種類が対応付けられた前記気象観測データを外部装置に提供し、
前記気象観測データの一部は、前記観測空間におけるコア領域の気象観測データを含む、
気象解析方法。
コンピュータに、
レーダ装置により観測される観測空間に対して、降水強度、風向、および風速が対応付けられた気象観測データを取得する処理と、
前記気象観測データが入力されると、降水システムの種類を示す情報を出力するように、前記降水強度、風向、および風速を含む前記気象観測データの一部に対して、前記降水システムの種類を示す情報が対応付けられた教師データに基づいて、学習された分類器に対して、前記取得した前記気象観測データを入力することで、前記レーダ装置の観測対象である前記降水システムの種類を判定する処理と、
前記判定した前記降水システムの種類が対応付けられた前記気象観測データを外部装置に提供する処理と、を実行させ、
前記気象観測データの一部は、前記観測空間におけるコア領域の気象観測データを含む、
プログラム。