JP7491519B2 - Method for constructing wave prediction model and method for predicting waves - Google Patents

Method for constructing wave prediction model and method for predicting waves Download PDF

Info

Publication number
JP7491519B2
JP7491519B2 JP2019028125A JP2019028125A JP7491519B2 JP 7491519 B2 JP7491519 B2 JP 7491519B2 JP 2019028125 A JP2019028125 A JP 2019028125A JP 2019028125 A JP2019028125 A JP 2019028125A JP 7491519 B2 JP7491519 B2 JP 7491519B2
Authority
JP
Japan
Prior art keywords
wave
prediction model
values
forecast
observed
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
Application number
JP2019028125A
Other languages
Japanese (ja)
Other versions
JP2020134315A (en
Inventor
洙列 金
将英 武田
義之介 倉原
知聡 原
大和 西山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tottori University NUC
Toa Corp
Original Assignee
Tottori University NUC
Toa Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tottori University NUC, Toa Corp filed Critical Tottori University NUC
Priority to JP2019028125A priority Critical patent/JP7491519B2/en
Publication of JP2020134315A publication Critical patent/JP2020134315A/en
Application granted granted Critical
Publication of JP7491519B2 publication Critical patent/JP7491519B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、波浪予測モデルの構築方法および波浪予測方法に関するものである。 The present invention relates to a method for constructing a wave prediction model and a method for predicting waves.

海洋工事、船舶の運航、出漁等は、対象水域の波高や波の周期等の影響を受けるため、これらの情報を考慮して、作業スケジュール等を計画、決定する必要がある。即ち、波浪情報を事前に把握することが、作業の円滑化、安全性の向上などにつながる。海洋工事では例えば、ケーソンや大型構造物の据え付け、海底ケーブルの敷設には、数日間連続した作業が必要になるので、１週間程度先までの波浪の中期予測が必要になる。 Offshore construction work, ship operations, fishing trips, etc. are affected by the wave height and wave period of the target waters, so work schedules, etc. must be planned and decided taking this information into consideration. In other words, understanding wave information in advance leads to smoother work and improved safety. In offshore construction work, for example, the installation of caissons and large structures and the laying of undersea cables require continuous work over several days, so medium-term wave forecasts up to about a week in advance are necessary.

従来、波浪を予測するための予測システムは種々提案されている（例えば、特許文献１参照）。特許文献１では、アメリカ環境予報局が提供する情報を利用した波浪計算システムが提案されている。現状、波浪の中期予測は、全球波浪モデルを用いて行われていて、日本、アメリカ、欧州の３つの機関などが実施している。しかしながら、これら機関による全球波浪モデルを用いた波浪予測情報は空間解像度が低いため、日本沿岸の局所的な対象水域の波浪情報としては十分な精度を期待することはできない。一方、これらの機関による全球波浪情報には、定時にデータが配信される確実性がある。 Conventionally, various prediction systems for predicting waves have been proposed (see, for example, Patent Document 1). Patent Document 1 proposes a wave calculation system that uses information provided by the U.S. Environmental Forecasting Agency. Currently, medium-term wave predictions are performed using a global wave model, and are carried out by three organizations in Japan, the United States, and Europe. However, the wave prediction information using the global wave model provided by these organizations has low spatial resolution, so sufficient accuracy cannot be expected as wave information for local target waters off the coast of Japan. On the other hand, there is a certainty that the global wave information provided by these organizations will be distributed at a regular time.

そこで、ニューラルネットワーク法を用いて、複数カ所の海象・気象データ（有義波高や周期、波向、風速や風向、気圧など）を入力して、対象水域の波浪の中期予測を行う試みもある。しかしながら、この方法では、観測値を入力しているので、欠測時には波浪の予測値を得ることができない。また、出力毎にニューラルネットワークモデルを作成する際、パラメータの選択余地が多くなるので計算負荷が過大になる他、ネットワークの設定に労力を要する等の問題がある。それ故、波浪の中期予測をより簡便に精度よく行うには改善の余地がある。 There have been attempts to use neural network methods to input oceanographic and meteorological data from multiple locations (significant wave height and period, wave direction, wind speed and direction, air pressure, etc.) to make medium-term predictions of waves in a target water area. However, with this method, observed values are input, so predicted values for waves cannot be obtained when data is missing. In addition, when creating a neural network model for each output, there is a large amount of room for parameter selection, which results in excessive computational load, as well as problems such as the effort required to set up the network. Therefore, there is room for improvement in making medium-term wave predictions easier and more accurate.

特開２０１０－５４４６０号公報JP 2010-54460 A

本発明の目的は、波浪の中期予測を精度よく行うことができる波浪予測モデルを簡便に構築できる構築方法および波浪の中期予測をより簡便に精度よく行うことが可能な波浪予測方法を提供することにある。 The object of the present invention is to provide a method for easily constructing a wave prediction model capable of accurately predicting medium-term waves, and a wave prediction method that can more easily and accurately predict medium-term waves.

上記目的を達成するため本発明の波浪予測モデルの構築方法は、日本沿岸の所望地点またはその周辺で観測された有義波高または有義波周期の少なくとも一方の波浪情報の観測値を出力変数とし、複数の所定組織により提供された全球波浪モデルを用いた前記所望地点に対応する地点における前記観測値の観測時刻と同じ時刻の前記波浪情報を前記観測時刻から所定期間だけ前に予報した予報値を前記出力変数に対する入力変数として、前記所望地点に対応する前記地点にはそれぞれの前記所定組織において前記予報値が提供される地点のうちで、前記所望地点と同じ地点、この同じ地点が存在しない場合は前記所望地点と近似する位置にある地点を採用し、Group Method of Data Handlingによる機械学習を用いて、演算装置により前記入力変数と前記出力変数との関係を算出し、算出した前記入力変数と前記出力変数との関係に基づいて予測式を作成して、予め作成された前記予測式に対して、複数の前記所定組織により所定時刻に提供される前記所定時刻から前記所定期間だけ先の前記所望地点に対応する前記地点の前記波浪情報の予報値が入力されることで、前記所望地点の前記所定時刻から前記所定期間だけ先の前記波浪情報の予測値が算出される波浪予測モデルを構築し、前記所定期間を少なくとも５日にすることを特徴とする。 In order to achieve the above object, the method of constructing a wave prediction model of the present invention uses, as an output variable, an observed value of at least one of wave information, that is, a significant wave height or a significant wave period, observed at a desired point on the coast of Japan or its vicinity, and uses, as an input variable for the output variable, a forecast value of the wave information at the same time as the observation time of the observed value at a point corresponding to the desired point, which is forecasted a predetermined period prior to the observation time, using a global wave model provided by a plurality of specified organizations, and uses, as the input variable for the output variable, a point the same as the desired point among the points for which the forecast value is provided by each of the specified organizations, or, if such a point does not exist, a point located approximately in a position similar to the desired point; The method is characterized in that, using machine learning by Handling, a relationship between the input variables and the output variables is calculated by a computing device, a prediction formula is created based on the calculated relationship between the input variables and the output variables, and a forecast value of the wave information for the desired point a predetermined period ahead from the predetermined time provided by a plurality of specified organizations at a predetermined time is input to the previously created prediction formula, thereby constructing a wave prediction model in which a predicted value of the wave information for the desired point a predetermined period ahead from the predetermined time is calculated, and the predetermined period is at least five days.

本発明の波浪予測方法は、上記の波浪予測モデルの構築方法により構築された波浪予測モデルを用いて、前記所望地点の前記所定時刻から前記所定期間だけ先の前記波浪情報の前記予測値を把握する。 The wave prediction method of the present invention uses a wave prediction model constructed by the above-mentioned wave prediction model construction method to grasp the predicted value of the wave information at the desired location a specified period ahead from the specified time.

本発明の波浪予測モデルの構築方法では、日本沿岸の所望地点またはその周辺で予め観測された前記観測値（出力変数）と、複数の所定組織により予め提供された前記予報値（入力変数）とを用いるのでデータの取得が容易である。そして、それぞれの入力変数と、対応する出力変数との関係を、Group Method of Data Handlingによる機械学習を用いることで、計算負荷を過大にすることなく迅速、かつ、適正に算出できる。そして、算出した入力変数と出力変数との関係と、複数の前記所定組織により所定時刻に提供される前記所定時刻から前記所定期間先の前記所望地点に対応する前記地点の前記波浪情報の予報値と、に基づいて構築した波浪予測モデルを使用することで、所望地点の前記所定期間先の前記波浪情報の予測値を精度よく把握できるので、中期予測をより簡便に高精度で行うことが可能になる。 In the method for constructing a wave prediction model of the present invention, the observed values (output variables) observed in advance at or near a desired point on the coast of Japan and the forecast values (input variables) provided in advance by a plurality of specified organizations are used, so that data can be easily acquired. The relationship between each input variable and the corresponding output variable can be calculated quickly and appropriately without excessive computational load by using machine learning by the Group Method of Data Handling. Then, by using a wave prediction model constructed based on the calculated relationship between the input variables and the output variables and the forecast value of the wave information of the desired point corresponding to the desired point a predetermined period ahead from the predetermined time provided by the plurality of specified organizations at a predetermined time, the predicted value of the wave information of the desired point a predetermined period ahead can be accurately grasped, so that it becomes possible to perform a medium-term prediction more easily and with high accuracy.

本発明の波浪予測方法を実施する予測システムを例示する説明図である。FIG. 1 is an explanatory diagram illustrating a prediction system for implementing the wave prediction method of the present invention. 有義波高の観測値と、ＮＯＡＡ ＷＷ３およびＥＣＭＷＦ ＥＲＡ５の予報値に基づいて予測した有義波高の予測値との相関関係を例示するグラフ図である。FIG. 1 is a graph illustrating a correlation between observed significant wave height and predicted significant wave height based on NOAA WW3 and ECMWF ERA5 forecast values. 有義波周期の観測値と、ＪＭＡ ＧＷＭおよびＥＣＭＷＦ ＥＲＡ５の予報値に基づいて予測した有義波周期の予測値との相関関係を例示するグラフ図である。FIG. 1 is a graph illustrating the correlation between observed significant wave period and predicted significant wave period based on JMA GWM and ECMWF ERA5 forecasts. 有義波高の観測値と、ＪＭＡ ＧＷＭ、ＮＯＡＡ ＷＷ３およびＥＣＭＷＦ ＥＲＡ５の予報値に基づいて予測した有義波高の予測値との相関関係を例示するグラフ図である。FIG. 1 is a graph illustrating the correlation between observed significant wave height and predicted significant wave height based on JMA GWM, NOAA WW3, and ECMWF ERA5 forecasts. 有義波周期の観測値と、ＪＭＡ ＧＷＭ、ＮＯＡＡ ＷＷ３およびＥＣＭＷＦ ＥＲＡ５の予報値に基づいて予測した有義波周期の予測値との相関関係を例示するグラフ図である。FIG. 1 is a graph illustrating the correlation between observed significant wave period and predicted significant wave period based on JMA GWM, NOAA WW3, and ECMWF ERA5 forecasts. 有義波高の観測値と、ＪＭＡ ＧＷＭによる有義波高の予報値との相関関係を例示するグラフ図である。FIG. 1 is a graph illustrating the correlation between observed significant wave height and forecasted significant wave height by JMA GWM. 有義波高の観測値と、ＮＯＡＡ ＷＷ３による有義波高の予報値との相関関係を例示するグラフ図である。FIG. 1 is a graph illustrating the correlation between observed significant wave height and forecasted significant wave height by NOAA WW3. 有義波高の観測値と、ＥＣＭＷＦ ＥＲＡ５による有義波高の予報値との相関関係を例示するグラフ図である。FIG. 1 is a graph illustrating the correlation between observed significant wave height and forecasted significant wave height according to ECMWF ERA5. 有義波周期の観測値と、ＪＭＡ ＧＷＭによる周期の予報値との相関関係を例示するグラフ図である。FIG. 1 is a graph illustrating the correlation between observed significant wave periods and predicted periods by the JMA GWM. 有義波周期の観測値と、ＮＯＡＡ ＷＷ３による周期の予報値との相関関係を例示するグラフ図である。FIG. 1 is a graph illustrating the correlation between observed significant wave periods and predicted periods by NOAA WW3. 有義波周期の観測値と、ＥＣＭＷＦ ＥＲＡ５による周期の予報値との相関関係を例示するグラフ図である。FIG. 1 is a graph illustrating the correlation between observed significant wave periods and predicted periods by ECMWF ERA5.

以下、本発明の波浪予測モデルの構築方法および波浪予測方法を、図に示した実施形態に基づいて説明する。 Below, the method for constructing a wave prediction model and the method for predicting waves of the present invention will be explained based on the embodiment shown in the figures.

本発明は、波高（有義波高Ｈｓ）、周期（有義波周期Ｔｓ）の少なくとも一方の波浪情報を予測対象にする。即ち、本発明では、日本沿岸の所望の地点での有義波高Ｈｓのみ、または、有義波周期Ｔｓのみ、或いは、有義波高Ｈｓおよび有義波周期Ｔｓの中期予測が行われる。中期予測とは所定時刻（現時点）から少なくとも５日（１２０時間）以上先、より好ましくは１週間（１６８時間）以上先までを予測することを意味する。 The present invention predicts at least one of the wave information, wave height (significant wave height Hs) and period (significant wave period Ts). That is, the present invention performs mid-term prediction of only the significant wave height Hs, or only the significant wave period Ts, or both the significant wave height Hs and the significant wave period Ts at a desired point along the coast of Japan. Mid-term prediction means prediction at least 5 days (120 hours) ahead from a specified time (the present time), and more preferably at least 1 week (168 hours) ahead.

本発明により波浪予測を行うには、図１に例示する波浪予測システム１（以下、システム１という）が使用される。このシステム１は、インターネット網などの通信ネットワーク８に接続されていて、演算装置３と記憶部４と入力部５と出力部６とを備えている。演算装置３はプロセッサ、記憶部４はメモリ、入力部５は演算装置３や記憶部４に対して各種の指令を出すキーボードやマウスなど、出力部６は演算装置３や記憶部４からのデータが出力されるモニタやプリンタである。記憶部４には、波浪予測モデル７が記憶されている。具体的には、演算装置３および記憶部４を有するコンピュータ２が通信ネットワーク８に接続され、コンピュータ２に入力部５、出力部６が接続されて構成されている。 To perform wave prediction according to the present invention, a wave prediction system 1 (hereinafter referred to as system 1) as shown in FIG. 1 is used. This system 1 is connected to a communication network 8 such as the Internet, and includes a calculation device 3, a storage unit 4, an input unit 5, and an output unit 6. The calculation device 3 is a processor, the storage unit 4 is a memory, the input unit 5 is a keyboard or mouse that issues various commands to the calculation device 3 or the storage unit 4, and the output unit 6 is a monitor or printer that outputs data from the calculation device 3 or the storage unit 4. A wave prediction model 7 is stored in the storage unit 4. Specifically, a computer 2 having the calculation device 3 and the storage unit 4 is connected to the communication network 8, and the input unit 5 and output unit 6 are connected to the computer 2.

通信ネットワーク８には、後述する所定組織９（９Ａ、９Ｂ、９Ｃ）のサーバが接続されている。この通信ネットワーク８には、全国港湾海洋波浪情報網１０（Nationalwide Ocean Wave information network for Ports and HarbourS、以下、ナウファス１０という）も接続されている。したがって、このシステム１は、通信ネットワーク８を通じて、所定組織９（９Ａ、９Ｂ、９Ｃ）およびナウファス１０から提供される波浪情報を入手することができる。 The communications network 8 is connected to servers of specific organizations 9 (9A, 9B, 9C) described below. The communications network 8 is also connected to the Nationalwide Ocean Wave information network for Ports and Harbours 10 (hereafter referred to as NOWFAS 10). Therefore, the system 1 can obtain wave information provided by the specific organizations 9 (9A, 9B, 9C) and NOWFAS 10 via the communications network 8.

波浪予測モデル７を構築するために使用されるデータは、日本沿岸の所望地点で予め観測された有義波高Ｈｓ、有義波周期Ｔｓの観測値と、複数の所定組織９により予め提供された全球波浪モデルを用いた所望地点に対応する地点における、観測値の観測時刻と同じ時刻の有義波高Ｈｓ、周期Ｔの予報値である。 The data used to construct the wave prediction model 7 are the observed values of significant wave height Hs and significant wave period Ts observed in advance at desired locations along the coast of Japan, and the forecast values of significant wave height Hs and period T at the same time as the observed values at locations corresponding to the desired locations using global wave models provided in advance by multiple specified organizations 9.

この有義波高Ｈｓ、有義波周期Ｔｓの観測値のデータは、予測対象となる所望地点またはその周辺で観測されたデータを採用すればよい。ナウファス１０は、日本沿岸の多数の地点で観測された有義波高Ｈｓ、有義波周期Ｔｓの観測値のデータを提供している。そこで、ナウファス１０により提供される所望地点のデータを用いれば良い。ナウファス１０以外の他の所望地点であっても、その地点に対して使用可能な十分な観測値のデータがある場合は、そのデータを用いれば良い。 The data for the observed values of the significant wave height Hs and significant wave period Ts can be data observed at the desired point to be predicted or in its vicinity. NOWFAS 10 provides data for the observed values of the significant wave height Hs and significant wave period Ts observed at many points along the coast of Japan. Therefore, the data for the desired point provided by NOWFAS 10 can be used. Even if the desired point is other than NOWFAS 10, if there is sufficient observed value data available for that point, that data can be used.

所定組織９とは具体的には、日本気象庁９Ａ、アメリカ海洋大気庁９Ｂ、ヨーロッパ中期予報センタ９Ｃである。日本気象庁９Ａは全球波浪数値予報モデルＧＰＶ（ＪＭＡ ＧＷＭ）と波浪アンサンブルモデルＧＰＶ（ＪＭＡ ＷＥＭ）を使用し、アメリカ海洋大気庁９Ｂは波浪モデルにＷＡＶＥＷＡＴＣＨ ＩＩＩを用いたmulti 1（ＮＯＡＡ ＷＷ３）を使用し、ヨーロッパ中期予報センタ９Ｃは波浪モデルにＷＡＭを用いたＨＲＥＳ－ＷＡＭ（ＥＣＭＷＦ ＥＲＡ５）を使用している。所定組織９から提供されるデータとしては、予測対象となる所望地点に対応する地点についての予報値を用いる。 The specific organizations 9 are the Japan Meteorological Agency 9A, the National Oceanic and Atmospheric Administration 9B, and the European Centre for Medium-Range Weather Forecasts 9C. The Japan Meteorological Agency 9A uses the Global Wave Numerical Forecast Model GPV (JMA GWM) and the Wave Ensemble Model GPV (JMA WEM), the National Oceanic and Atmospheric Administration 9B uses multi 1 (NOAA WW3) using WAVEWATCH III as a wave model, and the European Centre for Medium-Range Weather Forecasts 9C uses HRES-WAM (ECMWF ERA5) using WAM as a wave model. The data provided by the specific organizations 9 is the forecast value for the location corresponding to the desired location to be forecasted.

これら所定組織９Ａ、９Ｂ、９Ｃから提供される波高の予報値は有義波高Ｈｓであるが、周期Ｔの予報値は有義波周期Ｔｓではない。ＪＭＡ ＧＷＭにより提供される予報値は卓越波向きのエネルギースペクトルが最も大きくなる周期Ｔpである。ＮＯＡＡ ＷＷ３による提供される予報値は、スペクトルの０次および２次モーメントから得られる平均周期Ｔm02である。ＥＣＭＷＦ ＥＲＡ５により提供される予報値は、スペクトルの０次および１次モーメントから得られる平均周期Ｔm01である。これらの定義の異なる周期であっても、本発明の波浪予測モデルの構築方法を用いれば、有義波周期Ｔｓに変換できる。 The forecast values of wave height provided by these predetermined organizations 9A, 9B, and 9C are significant wave height Hs, but the forecast values of period T are not significant wave period Ts. The forecast value provided by JMA GWM is the period Tp at which the energy spectrum in the dominant wave direction is greatest. The forecast value provided by NOAA WW3 is the mean period Tm02 obtained from the zeroth and second moments of the spectrum. The forecast value provided by ECMWF ERA5 is the mean period Tm01 obtained from the zeroth and first moments of the spectrum. These periods with different definitions can be converted to the significant wave period Ts by using the method for constructing a wave prediction model of the present invention.

現状では、これらの所定組織９Ａ、９Ｂ、９Ｃの中から選択された２つの所定組織から提供される予報値のデータ、或いは、３つの所定組織９Ａ、９Ｂ、９Ｃから提供される予報値のデータが採用されるが、所定組織９は、これら機関９Ａ、９Ｂ、９Ｃに限定されない。将来的には例えば、これら所定組織９Ａ、９Ｂ、９Ｃの後継機関や、これら所定組織９Ａ、９Ｂ、９Ｃに準ずる権威ある機関により提供されるデータを採用することもできる。 Currently, forecast value data provided by two of these designated organizations 9A, 9B, and 9C, or forecast value data provided by the three designated organizations 9A, 9B, and 9C, is adopted, but the designated organizations 9 are not limited to these organizations 9A, 9B, and 9C. In the future, for example, data provided by successor organizations to these designated organizations 9A, 9B, and 9C, or by authoritative organizations equivalent to these designated organizations 9A, 9B, and 9C, may also be adopted.

本発明に使用される波浪予測モデル７を構築するには、Ivakhnenkoらによって提案されたGroup Method of Data Handling（以下、ＧＭＤＨという）という機械学習を用いる。ＧＭＤＨは、複雑な構造を有する非線形システムに対して、入力データおよび出力データから発見的自己組織化の原理に基づいてモデルの構築を行う。詳しくは、ＧＭＤＨ部分表現式を用いて波浪予測モデル７を構築する。 To construct the wave prediction model 7 used in the present invention, a machine learning method called Group Method of Data Handling (hereinafter referred to as GMDH) proposed by Ivakhnenko et al. is used. GMDH constructs a model based on the principle of heuristic self-organization from input data and output data for a nonlinear system with a complex structure. In more detail, the wave prediction model 7 is constructed using a GMDH partial expression.

いま、非線形システムの入力変数ｘ＝（ｘ1、ｘ2、ｘ3、・・・、ｘn）と出力変数φとの間に以下の関係（システムの完全表現式）があるとする。
φ＝ｆ（ｘ1、ｘ2、ｘ3、・・・、ｘn） （１） Now, suppose that the following relationship (complete expression of the system) exists between the input variables x=(x 1 , x 2 , x 3 , . . . , x n ) and the output variables φ of a nonlinear system.
φ=f( x1 , x2 , x3 , . . . , xn ) (1)

このシステムの完全表現式として、下記（２）式のKolmogorov-Gaborの多項式が最も多用されている。

Figure 0007491519000001
ここで、ａ0、ａi、ａij、ａijkは定数項である。 The Kolmogorov-Gabor polynomial shown below in (2) is most commonly used as a complete expression of this system.
Figure 0007491519000001
Here, a 0 , a i , a ij , and a ijk are constant terms.

（２）式の多項式は、２変数の組合せによる下記（３）式の２次多項式で表される中間変数ｙkを仲介させることで構成することができる。
ｙk＝ｂk0＋ｂk1ｘi＋ｂk2ｘj＋ｂk3ｘiｘj＋ｂk4ｘi 2＋ｂk5ｘj 2
ｋ＝１、２、・・・、Ｎ（Ｎ－１）／２ （３）
ここで、ｂk0、ｂk1、・・・、ｂk5は定数項（係数）である。（３）式は部分表現式であり、（２）式に比して非常に簡単なコーディングで済む。この部分表現式を用いるＧＭＤＨのアルゴリズムは以下のステップ１～ステップ５のとおりである。 The polynomial of equation (2) can be constructed by using an intermediate variable y k expressed by a quadratic polynomial of equation (3) below, which is a combination of two variables.
y k = b k0 + b k1 x i + b k2 x j + b k3 x i x j + b k4 x i 2 + b k5 x j 2
k = 1, 2, ..., N (N-1) / 2 (3)
Here, b k0 , b k1 , ..., b k5 are constant terms (coefficients). Equation (3) is a partial expression, and requires much simpler coding than equation (2). The GMDH algorithm using this partial expression consists of steps 1 to 5 below.

ステップ１では、システムの入力変数ｘおよび出力変数φを決定する。 In step 1, we determine the input variables x and output variables φ of the system.

ステップ２では、入力変数ｘおよび出力変数φを、係数（ｂk0、ｂk1、・・・、ｂk5）の決定に用いる訓練データ（個数Ｎｔ）と中間変数ｙkの選択に用いる検定データ（個数Ｎｃ）に分ける。システムの適合性判定は検証データ（個数Ｎｐ）に対して行う。 In step 2, the input variables x and output variables φ are divided into training data (number Nt) used to determine the coefficients (b k0 , b k1 , ..., b k5 ) and test data (number Nc) used to select the intermediate variable y k . The suitability of the system is judged for the validation data (number Np).

ステップ３では、２変数の組合せを作り、訓練データを用いて部分表現式の係数（ｂk0、ｂk1、・・・、ｂk5）を、下記（４）式に示すように、ｙkの推定値と観測値の自乗和ｅTRNが最小になるように求める。

Figure 0007491519000002
In step 3, combinations of two variables are created, and the coefficients (b k0 , b k1 , . . . , b k5 ) of the partial expressions are found using the training data so that the sum of squares e TRN of the estimated and observed values of y k is minimized, as shown in the following equation (4).
Figure 0007491519000002

これらは、以下（５）～（１０）の連立方程式を解いて求めることができる。

Figure 0007491519000003
These can be obtained by solving the following simultaneous equations (5) to (10).
Figure 0007491519000003

ステップ４では、上記の計算によって得られた部分表現式によって、検定データに対する下記（１１）式の２乗誤差ｅCHKが小さくなるものから順にＬ個の中間変数ｙkを選択する。

Figure 0007491519000004
In step 4, the L intermediate variables y k are selected in descending order of the square error e CHK of the following equation (11) for the test data, using the partial expression obtained by the above calculation.
Figure 0007491519000004

ステップ５では、ｘi＝ｙi、ｘj＝ｙjとしてステップ３とステップ４の操作を繰り返して、２変数の２次多項式を多層に積み重ねて、検証データに対する自乗誤差が改善されなくなったところで、この操作を打ち切る。このようにして、出力変数φと入力変数ｘとの関係を演算装置３により算出することができる。尚、使用する入力変数が２種類だけの場合は、（１１）式のように誤差ｅCHKが小さくなるものを選ぶ必要はなく、（３）式の２変数を用いた部分表現式がそのまま予測式になる。 In step 5, the operations of steps 3 and 4 are repeated with x i = y i and x j = y j to stack two-variable quadratic polynomials in multiple layers, and this operation is terminated when the squared error for the verification data is no longer improved. In this manner, the relationship between the output variable φ and the input variable x can be calculated by the arithmetic unit 3. When only two types of input variables are used, it is not necessary to select one that reduces the error e CHK as in equation (11), and the partial expression using two variables in equation (3) becomes the prediction equation as it is.

波浪予測モデル７を構築する際の出力変数φは、上述した所望地点での有義波高Ｈｓ、有義波周期Ｔｓの観測値である。この有義波高Ｈｓの出力変数φに対する入力変数ｘは、上述した３つの所定組織９Ａ、９Ｂ、９Ｃのうちの少なくとも２つの所定組織から提供される有義波高Ｈｓの予報値（観測値の観測時刻と同じ時刻の有義波高Ｈｓを所定期間ｔｘ前に予報した予報値）である。同様に、この有義波周期Ｔｓの出力変数φに対する入力変数ｘは、３つの所定組織９Ａ、９Ｂ、９Ｃのうちの少なくとも２つの所定組織から提供される周期Ｔ（Ｔp、Ｔm02、Ｔm01）の予報値（観測値の観測時刻と同じ時刻の有義波周期Ｔｓを所定期間ｔｘ前に予報した予報値）である。 The output variable φ when constructing the wave prediction model 7 is the observed value of the significant wave height Hs and the significant wave period Ts at the desired point described above. The input variable x for the output variable φ of the significant wave height Hs is the forecast value of the significant wave height Hs provided by at least two of the three specified organizations 9A, 9B, 9C described above (the forecast value of the significant wave height Hs at the same time as the observation time of the observed value, the predetermined period tx in advance). Similarly, the input variable x for the output variable φ of the significant wave period Ts is the forecast value of the period T ( Tp , Tm02 , Tm01 ) provided by at least two of the three specified organizations 9A, 9B, 9C (the forecast value of the significant wave period Ts at the same time as the observation time of the observed value, the predetermined period tx in advance).

３つの所定組織９Ａ、９Ｂ、９Ｃの組合せを考えると、９Ａと９Ｂ、９Ａと９Ｃ、９Ｂと９Ｃ、９Ａと９Ｂと９Ｃの４通りのグループになる。したがって、有義波高Ｈｓ、有義波周期Ｔｓに対してそれぞれ、４通りの波浪予測モデル７を構築できる。構築されたそれぞれの波浪予測モデル７によって、検証データを用いて有義波高Ｈｓ、有義波周期Ｔｓを予測する。そして、その予測値とこれに対応する観測値との一致度を確認し、この一致度が最も高い波浪予測モデル７を波浪予測に用いるとよい。この一致度の高さは、予測値と観測値との相関係数ＣＣを算出して、相関係数ＣＣが１に近いほど一致度が高いと判断すればよい。このようにして、一致度が最も高い波浪予測モデル７を、予測に使用する波浪予測モデルとして選択することで、一段と高精度の予測が可能になる。 Considering the combinations of three predetermined organizations 9A, 9B, and 9C, there are four groups: 9A and 9B, 9A and 9C, 9B and 9C, and 9A, 9B, and 9C. Therefore, four wave prediction models 7 can be constructed for each of the significant wave height Hs and the significant wave period Ts. The significant wave height Hs and the significant wave period Ts are predicted using the verification data by each of the constructed wave prediction models 7. Then, the degree of agreement between the predicted value and the corresponding observed value is confirmed, and the wave prediction model 7 with the highest degree of agreement can be used for wave prediction. The degree of agreement can be determined by calculating the correlation coefficient CC between the predicted value and the observed value, and the closer the correlation coefficient CC is to 1, the higher the degree of agreement. In this way, by selecting the wave prediction model 7 with the highest degree of agreement as the wave prediction model to be used for prediction, it becomes possible to perform prediction with even higher accuracy.

ＪＭＡ ＧＷＭにより提供される予報値は最長で２６４時間先、ＮＯＡＡ ＷＷ３による提供される予報値は最長で１８０時間先、ＥＣＭＷＦ ＥＲＡ５により提供される予報値は最長で２４０時間先である。したがって、これら３つの所定組織９Ａ、９Ｂ、９Ｃによる予報値を用いることで、１週間（１６８時間）先までの波浪情報を予測することが可能になる。ＪＭＡ ＧＷＭおよびＥＣＭＷＦ ＥＲＡ５により提供される予報値に基づいて波浪予測モデル７を構築する場合は、１０日（２４０時間）先までの波浪情報を予測することが可能になる。 The forecast values provided by JMA GWM are up to 264 hours in advance, those provided by NOAA WW3 are up to 180 hours in advance, and those provided by ECMWF ERA5 are up to 240 hours in advance. Therefore, by using the forecast values from these three designated organizations 9A, 9B, and 9C, it is possible to predict wave information up to one week (168 hours) in advance. When a wave prediction model 7 is constructed based on the forecast values provided by JMA GWM and ECMWF ERA5, it is possible to predict wave information up to 10 days (240 hours) in advance.

この波浪予測モデル７の構築方法では、日本沿岸の所望地点またはその周辺で予め観測された観測値（出力変数φ）と、複数の所定組織９により予め提供された予報値（入力変数ｘ）とを用いるのでデータの取得作業が容易になる。そして、それぞれの入力変数ｘと、これに対応する出力変数φとの関係を、ＧＭＤＨを用いることで、計算負荷を過大にすることなく迅速、かつ、適正に演算装置３によって算出することができる。 This method of constructing a wave prediction model 7 uses observed values (output variables φ) that are observed in advance at or near desired points along the coast of Japan, and forecast values (input variables x) that are provided in advance by a number of specified organizations 9, making data acquisition easy. Furthermore, by using GMDH, the relationship between each input variable x and the corresponding output variable φ can be calculated by the calculation device 3 quickly and accurately without excessively increasing the calculation load.

この算出された出力変数φと入力変数ｘの関係に基づいて、演算装置３によって予測式が作成される。この予測式は、複数の所定組織９により所定時刻に提供されるその所定時刻から所定期間先ｔｘの所望地点に対応する地点の波浪情報の予報値を代入することで、所望地点のその所定時刻から所定期間先ｔｘの波浪情報の予測値が算出される波浪予測モデル７になる。 A prediction formula is created by the calculation device 3 based on the relationship between the calculated output variable φ and the input variable x. This prediction formula becomes a wave prediction model 7 that calculates a predicted value of wave information for a predetermined period of time tx from a predetermined time at a desired point by substituting forecast values of wave information for the desired point for a predetermined period of time tx provided at a predetermined time by a plurality of predetermined organizations 9.

それぞれの所望地点について波浪予測モデル７を一度作成すれば、その所望地点の現場条件に大きな変化がなければ比較的長期に渡って、その波浪予測モデル７を使い続けることができる。そのため、頻繁に波浪予測モデル７を構築しなくても済む。 Once a wave prediction model 7 is created for each desired location, that wave prediction model 7 can be used for a relatively long period of time unless there are significant changes in the on-site conditions at the desired location. This eliminates the need to frequently build wave prediction models 7.

波浪予測モデル７を構築する際に使用する観測値および予報値として少なくとも１年間、より好ましくは少なくとも３年間の経時データを使用することが好ましい。１年間以上、より好ましくは３年間以上の経時データを用いることで、波浪予測モデル７による予測値を、実用に耐え得る十分な精度に向上させることができる。 It is preferable to use data over a period of at least one year, and more preferably at least three years, as the observed and forecast values used when constructing the wave prediction model 7. By using data over a period of one year or more, and more preferably three years or more, it is possible to improve the predicted values by the wave prediction model 7 to a level of accuracy sufficient for practical use.

波浪予測モデル７を構築する際に、使用するデータのどの範囲を訓練データ、検定データにするかによって、構築された波浪予測モデル７による予測値が変化する。即ち、波浪予測モデル７による予測精度に違いが生じる。そこで、訓練データ、検定データのそれぞれに割り当てるデータを複数パターンに異ならせることで、複数の波浪予測モデル７を構築して、それぞれの波浪予測モデル７の予測値とこれに対応する観測値との一致度を確認する。そして、この一致度が最も高い波浪予測モデル７を波浪予測に用いるモデルとして選択するとよい。 When constructing a wave prediction model 7, the predicted value by the constructed wave prediction model 7 changes depending on which range of data is used as training data and test data. In other words, differences arise in the prediction accuracy of the wave prediction model 7. Therefore, by varying the data assigned to the training data and test data in multiple patterns, multiple wave prediction models 7 are constructed, and the degree of agreement between the predicted values of each wave prediction model 7 and the corresponding observed values is confirmed. The wave prediction model 7 with the highest degree of agreement can then be selected as the model to be used for wave prediction.

次に、本発明によって、所望地点の波浪情報（有義波高Ｈｓおよび有義波周期Ｔｓ）の中期予測を実施する手順の一例を説明する。 Next, an example of a procedure for performing medium-term prediction of wave information (significant wave height Hs and significant wave period Ts) at a desired location using the present invention will be described.

図１に例示するように、システム１を構成する記憶部４には、上述した波浪予測モデル７が記憶されている。そこで、所定時刻（現時点）から所定期間ｔｘ先の波浪情報を予測するには、所定組織９から提供される所定時刻から所定期間ｔｘ先の波浪情報の予報値のデータをコンピュータ２に入力する。そして、演算装置３は入力されたデータと
波浪予測モデル７（予測式）とを用いて、所定期間ｔｘ先の有義波高Ｈｓおよび有義波周期Ｔｓの予測値を算出する。このようにして、所望地点の所定時刻から所定期間ｔｘ先の有義波高Ｈｓおよび有義波周期Ｔｓの予測値を把握することができる。この波浪予測モデル７を用いることで、波浪の中期予測をより簡便に高精度で行うことが可能になる。 As illustrated in Fig. 1, the storage unit 4 constituting the system 1 stores the above-mentioned wave prediction model 7. To predict wave information from a predetermined time (the present time) to a predetermined period tx in the future, data on forecast values of wave information from a predetermined time to a predetermined period tx in the future provided by a predetermined organization 9 is input to the computer 2. The calculation device 3 then uses the input data and the wave prediction model 7 (prediction formula) to calculate predicted values of the significant wave height Hs and the significant wave period Ts in the predetermined period tx in the future. In this way, the predicted values of the significant wave height Hs and the significant wave period Ts in the predetermined period tx in the future from a predetermined time at a desired point can be grasped. By using this wave prediction model 7, it is possible to perform mid-term wave prediction more easily and with high accuracy.

所定組織９からは定期間隔（例えば３時間毎）で波浪情報の予報値が提供される。そこで、例えば６時間または１２時間毎に新たな予報値のデータを用いて有義波高Ｈｓおよび有義波周期Ｔｓの予測値を算出する。所定期間ｔｘを１週間にすれば１週間先の有義波高Ｈｓおよび有義波周期Ｔｓを予測できる。所定期間ｔｘを例えば、２４時間、４８時間、・・・、１６８時間などの複数にして、時系列の予測値を算出するとよい。 Forecast values of wave information are provided from the specified organization 9 at regular intervals (e.g., every 3 hours). Therefore, new forecast value data is used, for example, every 6 or 12 hours, to calculate predicted values of significant wave height Hs and significant wave period Ts. If the specified period tx is set to one week, it is possible to predict the significant wave height Hs and significant wave period Ts one week ahead. It is advisable to set the specified period tx to multiple values, for example, 24 hours, 48 hours, ..., 168 hours, etc., and calculate predicted values in a time series.

予測対象地点を茨城県常陸那珂として、有義波高Ｈｓと有義波周期Ｔｓについて、それぞれの所定組織９Ａ、９Ｂ、９Ｃから提供される予報値を入力変数、ナウファス１０により提供される観測値を出力変数として、上述した手順でＧＭＤＨによる波浪予測モデルを構築した。入力変数としてはＪＭＡ ＧＷＭとＮＯＡＡ ＷＷ３の組合せ、ＪＭＡ ＧＷＭとＥＣＭＷＦ ＥＲＡ５の組合せ、ＮＯＡＡ ＷＷ３とＥＣＭＷＦ ＥＲＡ５の組合せ、ＪＭＡ ＧＷＭとＮＯＡＡ ＷＷ３とＥＣＭＷＦ ＥＲＡ５の組合せの４通りとして、波高と周期のそれぞれについて４通りの波浪予測モデルを構築した。尚、ここでは、上記の波浪予測モデルの構築方法が妥当であるかを調べるにあたり、予報値として実際の予報値を用いるのではなく、過去に行われた予報の初期値と解析値を用い、観測値としては同時刻のデータを用いた。即ち、過去を対象とした予測を行った。 The prediction target point was Hitachinaka, Ibaraki Prefecture, and the forecast values for significant wave height Hs and significant wave period Ts provided by the respective specified organizations 9A, 9B, and 9C were used as input variables, and the observed values provided by NOWFAS 10 were used as output variables, and a wave prediction model was constructed using the above-mentioned procedure by GMDH. The input variables were a combination of JMA GWM and NOAA WW3, a combination of JMA GWM and ECMWF ERA5, a combination of NOAA WW3 and ECMWF ERA5, and a combination of JMA GWM, NOAA WW3, and ECMWF ERA5, and four wave prediction models were constructed for each of wave height and period. Note that here, in examining whether the construction method of the wave prediction model described above is appropriate, the actual forecast values were not used as forecast values, but rather the initial values and analysis values of past forecasts were used, and the data at the same time were used as observed values. In other words, predictions were made for the past.

ナウファスによる常陸那珂の観測位置は、北緯３６．３９５°、東経１４０．６５３°であるので、それぞれの所定組織９Ａ、９Ｂ、９Ｃの予報値は、ＪＭＡ ＧＷＭ（北緯３６．５°、東経１４１．０°）、ＮＯＡＡ ＷＷ３（北緯３６．５°、東経１４１．°）、ＥＣＭＷＦ ＥＲＡ５（北緯３６．３６°、東経１４０．７６°）を採用した。使用したデータ（観測値およびそれぞれの予報値）の期間は、ＵＴＣ時刻で２０１０年１月１日～２０１５年１２月３１日の６年間、データの時間間隔は６時間として、その６時間毎の値をここでは予報値とした。即ち、観測値（出力変数）に対して、その観測値が観測された観測時刻と同じ観測時刻での値を予報値（入力変数）として検証した。 The observation position of Hitachinaka by NOWPHAS is 36.395°N, 140.653°E, so the forecast values of each of the designated organizations 9A, 9B, and 9C were adopted from JMA GWM (36.5°N, 141.0°E), NOAA WW3 (36.5°N, 141.0°E), and ECMWF ERA5 (36.36°N, 140.76°E). The period of the data used (observation values and each forecast value) was six years from January 1, 2010 to December 31, 2015 in UTC time, the time interval of the data was six hours, and the values every six hours were used as the forecast values here. In other words, for the observation value (output variable), the value at the same observation time as the observation value was observed was verified as the forecast value (input variable).

予測モデルを構築する際には、２０１０年１月１日～２０１３年１２月３１日の４年間のデータを訓練データとし、２０１４年１月１日～１２月３１日の１年間のデータを検定データとし、２０１５年１月１日～１２月３１日の１年間のデータを検証データとして使用した。また、ＧＭＤＨのステップ４では、ｅCHK≧１０20を超えたとなった中間変数は次のステップから除いた。 When constructing the prediction model, four years of data from January 1, 2010 to December 31, 2013 were used as training data, one year of data from January 1 to December 31, 2014 was used as test data, and one year of data from January 1 to December 31, 2015 was used as validation data. In addition, in step 4 of GMDH, intermediate variables with e CHK ≧10 20 were excluded from the next step.

有義波高Ｈｓと有義波周期Ｔｓのそれぞれについて構築した４通りの波浪予測モデルにおいて、検証用データを用いて、それぞれの波浪予測モデルによる予測値と観測値との一致度を確認した。それぞれの波浪予測モデルについて、相関係数ＣＣおよび自乗平均平方根誤差ＲＭＳＥを表１に示す。また、比較のため、ＪＭＡ ＧＷＭ、ＮＯＡＡ ＷＷ３およびＥＣＭＷＦ ＥＲＡ５のそれぞれの２０１５年１月１日～１２月３１日の１年間のデータを用いて、ＭＡ ＧＷＭ、ＮＯＡＡ ＷＷ３およびＥＣＭＷＦ ＥＲＡ５のそれぞれにより提供された有義波高Ｈｓの予報値とナウファスにより提供された有義波高Ｈｓの観測値との一致度、ＪＭＡ ＧＷＭ、ＮＯＡＡ ＷＷ３およびＥＣＭＷＦ ＥＲＡ５のそれぞれによる周期Ｔの予報値とナウファスにより提供された有義波周期Ｔｓの観測値との一致度を確認した。それぞれのケースについて、相関係数ＣＣおよび自乗平均平方根誤差ＲＭＳＥを表１に示す。 Four wave forecast models were constructed for each of the significant wave height Hs and significant wave period Ts, and the degree of agreement between the predicted values and the observed values was confirmed using validation data. The correlation coefficient CC and root mean square error RMSE for each wave forecast model are shown in Table 1. For comparison, the data for one year from January 1 to December 31, 2015 for JMA GWM, NOAA WW3, and ECMWF ERA5 were used to confirm the degree of agreement between the forecast values of significant wave height Hs provided by MA GWM, NOAA WW3, and ECMWF ERA5 and the observed values of significant wave height Hs provided by NOWFAS, and the degree of agreement between the forecast values of period T provided by JMA GWM, NOAA WW3, and ECMWF ERA5 and the observed values of significant wave period Ts provided by NOWFAS. The correlation coefficient CC and root mean square error RMSE for each case are shown in Table 1.

Figure 0007491519000005
Figure 0007491519000005

相関係数ＣＣが１に近いほど予測値と観測値との一致度が高いと判断できる。その結果、一致度が最も高いのは、有義波高Ｈｓについては図２に結果を示すＮＯＡＡ ＷＷ３およびＥＣＭＷＦ ＥＲＡ５の予報値に基づいて構築した波浪予測モデルであり、有義波周期Ｔｓについては図３に結果を示すＪＭＡ ＧＷＭおよびＥＣＭＷＦ ＥＲＡ５の予報値に基づいて構築した波浪予測モデルであった。 The closer the correlation coefficient CC is to 1, the higher the degree of agreement between the predicted and observed values. As a result, the model with the highest degree of agreement for significant wave height Hs was the wave prediction model constructed based on the forecast values of NOAA WW3 and ECMWF ERA5, the results of which are shown in Figure 2, and for significant wave period Ts was the wave prediction model constructed based on the forecast values of JMA GWM and ECMWF ERA5, the results of which are shown in Figure 3.

これら波浪予測モデルによる有義波高Ｈｓの具体的な予測式は下記の（１２）式、有義波周期Ｔｓの具体的な予測式は下記の（１３）式である。

Figure 0007491519000006
A specific prediction formula for the significant wave height Hs according to these wave prediction models is the following formula (12), and a specific prediction formula for the significant wave period Ts is the following formula (13).
Figure 0007491519000006

ＪＭＡ ＧＷＭとＮＯＡＡ ＷＷ３とＥＣＭＷＦ ＥＲＡ５との予報値に基づいて構築した波浪予測モデルによる結果を、有義波高Ｈｓについては図４、有義波周期Ｔｓについては図５に示す。また、ＪＭＡ ＧＷＭ、ＮＯＡＡ ＷＷ３、ＥＣＭＷＦ ＥＲＡ５のそれぞれ単独の有義波高Ｈｓの予報値と、有義波高Ｈｓの観測値との比較を図６、図７、図８に示す。ＪＭＡ ＧＷＭ、ＮＯＡＡ ＷＷ３、ＥＣＭＷＦ ＥＲＡ５のそれぞれ単独の周期Ｔの予報値と、有義波周期Ｔｓの観測値との比較を図９、図１０、図１１に示す。 The results of the wave prediction model constructed based on the forecast values of JMA GWM, NOAA WW3, and ECMWF ERA5 are shown in Figure 4 for significant wave height Hs and Figure 5 for significant wave period Ts. Also, comparisons between the forecast values of significant wave height Hs for each of JMA GWM, NOAA WW3, and ECMWF ERA5 and the observed values of significant wave height Hs are shown in Figures 6, 7, and 8. Comparisons between the forecast values of period T for each of JMA GWM, NOAA WW3, and ECMWF ERA5 and the observed values of significant wave period Ts are shown in Figures 9, 10, and 11.

常陸那珂の有義波高Ｈｓの中期予測については、図２に示す結果が、図４や図６、７、８に示す結果よりも予測精度（観測値との一致度）に優れていて、ＮＯＡＡ ＷＷ３およびＥＣＭＷＦ ＥＲＡ５の予報値に基づいて構築した波浪予測モデルを用いることが最良になる。有義波周期Ｔｓの中期予測については、図３に示す結果が、図５や図９、１０、１１に示す結果よりも予測精度（観測値との一致度）に優れていて、ＪＭＡ ＧＷＭおよびＥＣＭＷＦ ＥＲＡ５の予報値に基づいて構築した波浪予測モデルを用いることが最良になる。有義波高Ｈｓの中期予測と有義波周期Ｔｓの中期予測とでは、最良となる波浪予測モデルが相違する結果になった。 For medium-term prediction of significant wave height Hs at Hitachinaka, the results shown in Figure 2 have better prediction accuracy (degree of agreement with observed values) than the results shown in Figures 4, 6, 7, and 8, and it is best to use a wave prediction model built based on the forecast values of NOAA WW3 and ECMWF ERA5. For medium-term prediction of significant wave period Ts, the results shown in Figure 3 have better prediction accuracy (degree of agreement with observed values) than the results shown in Figures 5, 9, 10, and 11, and it is best to use a wave prediction model built based on the forecast values of JMA GWM and ECMWF ERA5. The results showed that the best wave prediction models for medium-term prediction of significant wave height Hs and medium-term prediction of significant wave period Ts differed.

１ 波浪予測システム
２ コンピュータ
３ 演算装置（プロセッサ）
４ 記憶部（メモリ）
５ 入力部（キーボード、マウス）
６ 出力部（モニタ、プリンタ）
７ 波浪予測モデル
８ 通信ネットワーク
９（９Ａ、９Ｂ、９Ｃ） 所定組織
１０ ナウファス 1 Wave prediction system 2 Computer 3 Calculation device (processor)
4. Storage unit (memory)
5. Input section (keyboard, mouse)
6 Output section (monitor, printer)
7 Wave prediction model 8 Communication network 9 (9A, 9B, 9C) Specific organization 10 NowFass

Claims (6)

日本沿岸の所望地点またはその周辺で観測された有義波高または有義波周期の少なくとも一方の波浪情報の観測値を出力変数とし、複数の所定組織により提供された全球波浪モデルを用いた前記所望地点に対応する地点における前記観測値の観測時刻と同じ時刻の前記波浪情報を前記観測時刻から所定期間だけ前に予報した予報値を前記出力変数に対する入力変数として、前記所望地点に対応する前記地点にはそれぞれの前記所定組織において前記予報値が提供される地点のうちで、前記所望地点と同じ地点、この同じ地点が存在しない場合は前記所望地点と近似する位置にある地点を採用し、Group Method of Data Handlingによる機械学習を用いて、演算装置により前記入力変数と前記出力変数との関係を算出し、算出した前記入力変数と前記出力変数との関係に基づいて予測式を作成して、予め作成された前記予測式に対して、複数の前記所定組織により所定時刻に提供される前記所定時刻から前記所定期間だけ先の前記所望地点に対応する前記地点の前記波浪情報の予報値が入力されることで、前記所望地点の前記所定時刻から前記所定期間だけ先の前記波浪情報の予測値が算出される波浪予測モデルを構築し、前記所定期間を少なくとも５日にすることを特徴とする波浪予測モデルの構築方法。 The method uses as an output variable at least one of the observed values of significant wave height or significant wave period observed at a desired point on the coast of Japan or its vicinity, and uses as an input variable for the output variable a forecast value of the wave information at the same time as the observation time of the observed value at a point corresponding to the desired point, the forecast value being forecast a predetermined period prior to the observation time, using a global wave model provided by a plurality of specified organizations, and uses as the input variable for the output variable a point corresponding to the desired point from among the points for which the forecast value is provided by each of the specified organizations, the same point as the desired point, or a point located approximately at the desired point if no such point exists; A method for constructing a wave prediction model, comprising: using machine learning by Handling to calculate the relationship between the input variables and the output variables using a computing device; creating a prediction formula based on the calculated relationship between the input variables and the output variables; and constructing a wave prediction model in which forecast values of wave information for the desired point a predetermined period ahead from the predetermined time provided by a plurality of specified organizations at a predetermined time are input into the prediction formula created in advance, thereby calculating a predicted value of the wave information for the desired point a predetermined period ahead from the predetermined time, wherein the predetermined period is at least five days. 前記所定組織が３つであり、３つの前記所定組織のうちの少なくとも２つを組み合わせた４通りのグループを形成し、これら４つのグループ毎にそのグループの前記所定組織から提供された前記予報値を用いて４つの前記波浪予測モデルを構築し、それぞれの前記波浪予測モデルによる前記予測値とこの予測値に対応する前記観測値との一致度を前記演算装置により算出し、前記一致度が最も高い前記波浪予測モデルを選択する請求項１に記載の波浪予測モデルの構築方法。 The method for constructing a wave prediction model according to claim 1, in which the number of the specified organizations is three, four groups are formed by combining at least two of the three specified organizations, four wave prediction models are constructed for each of the four groups using the forecast values provided by the specified organizations of the group, the degree of agreement between the predicted values of each of the wave prediction models and the observed values corresponding to the predicted values is calculated by the arithmetic device, and the wave prediction model with the highest degree of agreement is selected. 前記観測値として、全国港湾海洋波浪情報網（ナウファス）により提供されたデータを使用する請求項１または２に記載の波浪予測モデルの構築方法。 The method for constructing a wave prediction model according to claim 1 or 2, in which data provided by the National Port and Harbor Ocean Wave Information Network (NOWPAS) is used as the observed values. 前記観測値および前記予報値として、少なくとも１年間の経時データを使用する請求項１～３のいずれかに記載の波浪予測モデルの構築方法。 A method for constructing a wave prediction model according to any one of claims 1 to 3, in which data over a period of at least one year is used as the observed values and the forecast values. 前記所定期間を少なくとも１週間にする請求項１～４のいずれかに記載の波浪予測モデルの構築方法。 The method for constructing a wave prediction model according to any one of claims 1 to 4, in which the predetermined period is at least one week. 請求項１～５のいずれかに記載の波浪予測モデルの構築方法により構築された波浪予測モデルを用いて、前記所望地点の前記所定時刻から前記所定期間だけ先の前記波浪情報の前記予測値を把握する波浪予測方法。 A wave prediction method for determining the predicted value of the wave information for the predetermined period ahead from the predetermined time at the desired location using a wave prediction model constructed by the wave prediction model construction method according to any one of claims 1 to 5.
JP2019028125A 2019-02-20 2019-02-20 Method for constructing wave prediction model and method for predicting waves Active JP7491519B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019028125A JP7491519B2 (en) 2019-02-20 2019-02-20 Method for constructing wave prediction model and method for predicting waves

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019028125A JP7491519B2 (en) 2019-02-20 2019-02-20 Method for constructing wave prediction model and method for predicting waves

Publications (2)

Publication Number Publication Date
JP2020134315A JP2020134315A (en) 2020-08-31
JP7491519B2 true JP7491519B2 (en) 2024-05-28

Family

ID=72262917

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019028125A Active JP7491519B2 (en) 2019-02-20 2019-02-20 Method for constructing wave prediction model and method for predicting waves

Country Status (1)

Country Link
JP (1) JP7491519B2 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468726B (en) * 2021-06-09 2024-05-03 山东电力工程咨询院有限公司 Wave period-wave height combined distribution calculation method and system
CN116147587B (en) * 2023-04-17 2023-07-18 南开大学 Wave prediction method and wave measurement system

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008107237A (en) 2006-10-26 2008-05-08 Japan Weather Association Wave estimation method, system, and program
JP2017187371A (en) 2016-04-05 2017-10-12 株式会社日立パワーソリューションズ Weather prediction device and wind power generation

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5343432B2 (en) * 1974-03-18 1978-11-20
JP5433913B2 (en) * 2008-08-29 2014-03-05 国立大学法人京都大学 Wave prediction system
JP2011059779A (en) * 2009-09-07 2011-03-24 Idemitsu Kosan Co Ltd Plant control device and plant control method
JP6351790B2 (en) * 2016-05-10 2018-07-04 株式会社メテオテック・ラボ How to provide marine weather forecast
JP6628700B2 (en) * 2016-08-05 2020-01-15 三菱電機株式会社 Weather information forecasting device and power demand forecasting device

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008107237A (en) 2006-10-26 2008-05-08 Japan Weather Association Wave estimation method, system, and program
JP2017187371A (en) 2016-04-05 2017-10-12 株式会社日立パワーソリューションズ Weather prediction device and wind power generation

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林 勲，ＧＭＤＨ，日本ファジィ学会誌，日本，１９９５年，Ｖｏｌ．７， Ｎｏ．２，ｐ．２７０－２７４，［検索日：２０２３／０５／０８］， ＜ＤＯＩ： ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．３１５６／ｊｆｕｚｚｙ．７．２＿２７０＞

Also Published As

Publication number Publication date
JP2020134315A (en) 2020-08-31

Similar Documents

Publication Publication Date Title
Makarynskyy Improving wave predictions with artificial neural networks
EP3330747B1 (en) Apparatus, method, and computer program product for providing a metocean forecast
Arena et al. Wave climate analysis for the design of wave energy harvesters in the Mediterranean Sea
Aryai et al. Reliability of multi-purpose offshore-facilities: Present status and future direction in Australia
JP7491519B2 (en) Method for constructing wave prediction model and method for predicting waves
Madadi et al. Dynamic line rating forecasting based on integrated factorized Ornstein–Uhlenbeck processes
JP6867898B2 (en) Optimal route search method and equipment
Golestani et al. The Game of Guwarra: A game theory-based decision-making framework for site selection of offshore wind farms in Australia
Skoglund et al. A comparative study of deterministic and ensemble weather forecasts for weather routing
Yang et al. Long-term prediction of significant wave height based on SARIMA model in the South China Sea and adjacent waters
JP2007094569A (en) Prediction method for billow in port, prediction device for billow in port, and program
Yasseri et al. Prediction of safe sea-state using finite element method and artificial neural networks
Romano-Moreno et al. Wave downscaling strategies for practical wave agitation studies in harbours
KR20200022293A (en) System and method for providing optimized vessel seaway and computer-readable recording medium thereof
Pai et al. Long range forecast on south west monsoon rainfall using artificial neural networks based on clustering approach
Tomaselli et al. A decision-making tool for planning o&m activities of offshore wind farms using simulated actual decision drivers
Zheng et al. Time series forecasting using an ensemble model incorporating ARIMA and ANN based on combined objectives
Babovic et al. Data assimilation of local model error forecasts in a deterministic model
Baxevani et al. Very short-term spatio-temporal wind power prediction using a censored Gaussian field
de Nie et al. Offshore infrastructure planning using a vine copula approach for environmental conditions: an application for replacement maintenance of tidal energy infrastructure
Sabililah et al. Time Series Forecasting of Sea Level by Using Transformer Approach, with a Case Study in Pangandaran, Indonesia
CN111428420B (en) Method and device for predicting sea surface flow velocity, computer equipment and storage medium
CN114049034A (en) Task planning method and device for offshore wind power construction operation
Sannasiraj et al. Wave data assimilation using ensemble error covariances for operational wave forecast
Li et al. Probabilistic fatigue evaluation of floating wind turbine using combination of surrogate model and copula model

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211108

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220930

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221011

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221122

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20230117

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230316

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20230316

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20230316

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20230407

C21 Notice of transfer of a case for reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C21

Effective date: 20230411

A912 Re-examination (zenchi) completed and case transferred to appeal board

Free format text: JAPANESE INTERMEDIATE CODE: A912

Effective date: 20230519

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240314

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240508

R150 Certificate of patent or registration of utility model

Ref document number: 7491519

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150