JPH0921883A - ハイブリッド気象予測装置 - Google Patents
ハイブリッド気象予測装置Info
- Publication number
- JPH0921883A JPH0921883A JP7168520A JP16852095A JPH0921883A JP H0921883 A JPH0921883 A JP H0921883A JP 7168520 A JP7168520 A JP 7168520A JP 16852095 A JP16852095 A JP 16852095A JP H0921883 A JPH0921883 A JP H0921883A
- Authority
- JP
- Japan
- Prior art keywords
- network model
- radar image
- neural network
- learning
- weather
- 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.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
(57)【要約】
【目的】 気象レーダー画像の予測において、相互相関
手法により得られる移動ベクトルの情報を神経回路網モ
デルに取り込むことにより予測精度を高める。 【構成】 入力部１００と、相互相関手法を用いる移動
ベクトル計算部２０１と神経回路網モデル手法を用いる
学習予測部２０２を含む処理部２００と出力部３００と
から成る気象予測装置において、学習予測部で神経回路
網モデルを用いて時間間隔Δｔの２枚の気象レーダー画
像の写像関係から、降雨降雪領域の移動パターンを学習
するときに、移動ベクトル計算部で求めた移動ベクトル
Ｖ分だけずれた写像関係を予測する。
手法により得られる移動ベクトルの情報を神経回路網モ
デルに取り込むことにより予測精度を高める。 【構成】 入力部１００と、相互相関手法を用いる移動
ベクトル計算部２０１と神経回路網モデル手法を用いる
学習予測部２０２を含む処理部２００と出力部３００と
から成る気象予測装置において、学習予測部で神経回路
網モデルを用いて時間間隔Δｔの２枚の気象レーダー画
像の写像関係から、降雨降雪領域の移動パターンを学習
するときに、移動ベクトル計算部で求めた移動ベクトル
Ｖ分だけずれた写像関係を予測する。
Description
【０００１】
【産業上の利用分野】本発明は、気象レーダー画像を用
いて降雨、降雪の予測を行う気象予測装置に係わるもの
であり、詳しくは、神経回路網モデルによる降雨、降雪
予測に、相互相関手法を使って求めた移動ベクトルの情
報を取り入れることにより、降雨、降雪の予測を高精度
に行う装置に関するものである。
いて降雨、降雪の予測を行う気象予測装置に係わるもの
であり、詳しくは、神経回路網モデルによる降雨、降雪
予測に、相互相関手法を使って求めた移動ベクトルの情
報を取り入れることにより、降雨、降雪の予測を高精度
に行う装置に関するものである。
【０００２】
【従来の技術】従来、気象レーダー画像を用いて降雨、
降雪予測を行う場合、一般には力学系に基づいて降雨、
降雪領域を追跡する方法と、降雨、降雪領域を図形とし
て捉え、図形の経時変化を追跡する方法の二つがある。
そしてこれらの方法においては、過去の気象レーダー画
像から未来の気象レーダー画像を予測する場合、時間間
隔Δｔの２枚のレーダー画像の相互相関係数より移動ベ
クトルを求め、それを外挿することで降雨、降雪の予測
をする相互相関法（遊馬芳雄、菊池勝弘、今久：「簡易
気象レーダ−によるエコーの移動速度について」北海道
大学地球物理学研究報告、Vol.44, pp.23-24, 1984）
や、レーダー画像を神経回路網モデルに与えることによ
り気象ダイナミクスを学習させ、学習後の神経回路網モ
デルを用いてレーダー画像を予測する手法（「非線形並
列計算型降雨レーダ画像予測装置」特願平５−２７４０
６５号）等が提案されている。
降雪予測を行う場合、一般には力学系に基づいて降雨、
降雪領域を追跡する方法と、降雨、降雪領域を図形とし
て捉え、図形の経時変化を追跡する方法の二つがある。
そしてこれらの方法においては、過去の気象レーダー画
像から未来の気象レーダー画像を予測する場合、時間間
隔Δｔの２枚のレーダー画像の相互相関係数より移動ベ
クトルを求め、それを外挿することで降雨、降雪の予測
をする相互相関法（遊馬芳雄、菊池勝弘、今久：「簡易
気象レーダ−によるエコーの移動速度について」北海道
大学地球物理学研究報告、Vol.44, pp.23-24, 1984）
や、レーダー画像を神経回路網モデルに与えることによ
り気象ダイナミクスを学習させ、学習後の神経回路網モ
デルを用いてレーダー画像を予測する手法（「非線形並
列計算型降雨レーダ画像予測装置」特願平５−２７４０
６５号）等が提案されている。
【０００３】
【発明が解決しようとする課題】上述の従来手法のうち
相互相関手法のみによる予測では、降雨、降雪域の発
生、消滅が予測できないという問題があり、また神経回
路網モデルのみを使った予測手法では、時間間隔Δｔの
間の降雨、降雪領域の移動速度が早い場合には、予測精
度が落ちるという問題があった。
相互相関手法のみによる予測では、降雨、降雪域の発
生、消滅が予測できないという問題があり、また神経回
路網モデルのみを使った予測手法では、時間間隔Δｔの
間の降雨、降雪領域の移動速度が早い場合には、予測精
度が落ちるという問題があった。
【０００４】本発明では、神経回路網モデルによる気象
レーダー画像の予測において、降雨、降雪領域の移動速
度が早い場合にも相互相関手法により得られる移動ベク
トルの情報を、神経回路網モデルに取り込むことによ
り、従来手法よりも予測精度を向上させることを目的と
する。
レーダー画像の予測において、降雨、降雪領域の移動速
度が早い場合にも相互相関手法により得られる移動ベク
トルの情報を、神経回路網モデルに取り込むことによ
り、従来手法よりも予測精度を向上させることを目的と
する。
【０００５】
【課題を解決するための手段】本発明のハイブリッド気
象予測装置は、気象レーダーとファイル読込部とからな
る入力部と、計測時間間隔Δｔの２枚のレーダー画像か
ら相互相関手法により降雨、降雪領域の移動ベクトルを
算出するための第１の手段と、神経回路網モデルを使っ
て時間間隔Δｔの２枚の気象レーダー画像のセトオか
ら、気象レーダー画像間の写像移動を学習するための第
２の手段と、第２の手段より得られる学習後の神経回路
網モデルに、新たに計測される気象レーダー画像を入力
することにより、１時刻先の予測レーダー画像を算出す
るための第４の手段と、第２の手段において、神経回路
網モデルの教師データを、第１の手段により算出した移
動ベクトル分だけ離れた格子点のデータと入れ換え、２
枚の気象レーダー画像間の写像を学習させ、第４の手段
により算出された１時刻先の予測レーダー画像を、第１
の手段の手段により算出した移動ベクトル分だけ画像の
格子点をずらした画像の１時刻先の予測レーダー画像と
して出力させ、出力された１時刻先の予測レーダー画像
を、学習後の神経回路網モデルに再度入力し、これを繰
り返し実行させることにより数時間先までのレーダー画
像の予測を行わせ、さらに、予測精度を維持するため
に、予め設定する周期で第１、第２、及び第４の手段の
手順を繰り返すための第３の手段と、前記第４の手段か
ら輸送される予測レーダー画像を表示する出力部と、か
らなる。
象予測装置は、気象レーダーとファイル読込部とからな
る入力部と、計測時間間隔Δｔの２枚のレーダー画像か
ら相互相関手法により降雨、降雪領域の移動ベクトルを
算出するための第１の手段と、神経回路網モデルを使っ
て時間間隔Δｔの２枚の気象レーダー画像のセトオか
ら、気象レーダー画像間の写像移動を学習するための第
２の手段と、第２の手段より得られる学習後の神経回路
網モデルに、新たに計測される気象レーダー画像を入力
することにより、１時刻先の予測レーダー画像を算出す
るための第４の手段と、第２の手段において、神経回路
網モデルの教師データを、第１の手段により算出した移
動ベクトル分だけ離れた格子点のデータと入れ換え、２
枚の気象レーダー画像間の写像を学習させ、第４の手段
により算出された１時刻先の予測レーダー画像を、第１
の手段の手段により算出した移動ベクトル分だけ画像の
格子点をずらした画像の１時刻先の予測レーダー画像と
して出力させ、出力された１時刻先の予測レーダー画像
を、学習後の神経回路網モデルに再度入力し、これを繰
り返し実行させることにより数時間先までのレーダー画
像の予測を行わせ、さらに、予測精度を維持するため
に、予め設定する周期で第１、第２、及び第４の手段の
手順を繰り返すための第３の手段と、前記第４の手段か
ら輸送される予測レーダー画像を表示する出力部と、か
らなる。
【０００６】
【作用】入力部１００の気象レーダー１０１を用いて計
測されたレーダー画像を処理部２００に転送する。また
ファイル読込装置１０２から、学習・予測に必要なパラ
メータなどの値を、相互相関手法移動ベクトル計算部２
０１（第１の手段）、神経回路網モデル学習部２０３
（第２手段）、及び神経回路網モデル予測部２０４（第
４の手段）に転送する。第１の手段は入力部から転送さ
れた時刻ｔのレーダー画像をｘ，ｙ方向にそれＶｘ，Ｖ
ｙだけ少しずつずらし、時刻ｔ＋Δｔのレーダー画像と
の相互相関係数が最大になるときのＶｘ，Ｖｙを求め、
そのときの降雨降雪領域の移動ベクトルをＶ＝（Ｖｘ，
Ｖｙ）として学習・予測データ制御部２０２（第３の手
段）に転送する。第３の手段は、神経回路網モデルの教
師データ（気象レーダー画像）を、移動ベクトル分だけ
離れた格子点のデータと入れ換え、２枚の気象レーダ画
像間の写像を学習させる指示の信号を、神経回路網モデ
ル学習部２０３に転送し、また予測レーダー画像を作成
するときに、予測レーダー画像全体を、移動ベクトル分
だけずらして出力させる情報を、第４の手段に転送す
る。第２の手段は、時刻ｔのレーダー画像Ｉ（ｘ，ｙ，
ｔ）と時刻ｔ＋Δｔのレーダー画像Ｉ（ｘ，ｙ，ｔ＋Δ
ｔ）を入力し、２枚のレーダー画像の写像関係から、降
雨降雪領域の移動パターンを学習する。この学習は、式
（１）に示す２乗誤差を評価基準として学習を行う。図
２はこの学習時の２枚のレーダー画像Ｉ（ｘ，ｙ，ｔ）
とＩ（ｘ，ｙ，ｔ＋Δｔ）の写像関係を図示してもので
ある。
測されたレーダー画像を処理部２００に転送する。また
ファイル読込装置１０２から、学習・予測に必要なパラ
メータなどの値を、相互相関手法移動ベクトル計算部２
０１（第１の手段）、神経回路網モデル学習部２０３
（第２手段）、及び神経回路網モデル予測部２０４（第
４の手段）に転送する。第１の手段は入力部から転送さ
れた時刻ｔのレーダー画像をｘ，ｙ方向にそれＶｘ，Ｖ
ｙだけ少しずつずらし、時刻ｔ＋Δｔのレーダー画像と
の相互相関係数が最大になるときのＶｘ，Ｖｙを求め、
そのときの降雨降雪領域の移動ベクトルをＶ＝（Ｖｘ，
Ｖｙ）として学習・予測データ制御部２０２（第３の手
段）に転送する。第３の手段は、神経回路網モデルの教
師データ（気象レーダー画像）を、移動ベクトル分だけ
離れた格子点のデータと入れ換え、２枚の気象レーダ画
像間の写像を学習させる指示の信号を、神経回路網モデ
ル学習部２０３に転送し、また予測レーダー画像を作成
するときに、予測レーダー画像全体を、移動ベクトル分
だけずらして出力させる情報を、第４の手段に転送す
る。第２の手段は、時刻ｔのレーダー画像Ｉ（ｘ，ｙ，
ｔ）と時刻ｔ＋Δｔのレーダー画像Ｉ（ｘ，ｙ，ｔ＋Δ
ｔ）を入力し、２枚のレーダー画像の写像関係から、降
雨降雪領域の移動パターンを学習する。この学習は、式
（１）に示す２乗誤差を評価基準として学習を行う。図
２はこの学習時の２枚のレーダー画像Ｉ（ｘ，ｙ，ｔ）
とＩ（ｘ，ｙ，ｔ＋Δｔ）の写像関係を図示してもので
ある。
【０００７】
【数１】 第２の手段はこの学習を、式（１）の誤差が十分小さく
なるまで行い、学習後の神経回路網モデルを第４の手段
へ転送する。第４の手段は第２の手段から転送される学
習後の神経回路網モデルに、気象レーダー１０１から転
送される最新のレーダー画像を入力することにより、Δ
ｔ時間後の予測レーダー画像Ｉ（ｘ，ｙ，ｔ＋Δｔ）を
出力させる。
なるまで行い、学習後の神経回路網モデルを第４の手段
へ転送する。第４の手段は第２の手段から転送される学
習後の神経回路網モデルに、気象レーダー１０１から転
送される最新のレーダー画像を入力することにより、Δ
ｔ時間後の予測レーダー画像Ｉ（ｘ，ｙ，ｔ＋Δｔ）を
出力させる。
【０００８】このとき第４の手段は、第３の手段から転
送される移動ベクトル情報Ｖ＝（Ｖｘ，Ｖｙ）の分だけ
予測レーダー画像Ｉ（ｘ，ｙ，ｔ＋Δｔ）の格子点をず
らした画像Ｉ’（ｘ＋Ｖｘ，ｙ＋Ｖｙ，ｔ＋Δｔ）をΔ
ｔ時間後の予測レーダー画像として出力する。この出力
された予測レーダー画像Ｉ’（ｘ＋Ｖｘ，ｙ＋Ｖｙ，ｔ
＋Δｔ）を、再度学習後の神経回路網モデルに入力する
ことを繰り返すことにより、数時間先の予測レーダー画
像を作成し、出力部３００へ転送する。
送される移動ベクトル情報Ｖ＝（Ｖｘ，Ｖｙ）の分だけ
予測レーダー画像Ｉ（ｘ，ｙ，ｔ＋Δｔ）の格子点をず
らした画像Ｉ’（ｘ＋Ｖｘ，ｙ＋Ｖｙ，ｔ＋Δｔ）をΔ
ｔ時間後の予測レーダー画像として出力する。この出力
された予測レーダー画像Ｉ’（ｘ＋Ｖｘ，ｙ＋Ｖｙ，ｔ
＋Δｔ）を、再度学習後の神経回路網モデルに入力する
ことを繰り返すことにより、数時間先の予測レーダー画
像を作成し、出力部３００へ転送する。
【０００９】
【実施例】本発明において述べたハイブリッド気象予測
装置の一実施例を図面により説明する。図１はその装置
の１実施例を示すブロック図であり、図中の１００は入
力部、２００は処理部、３００は出力部を表わす。
装置の一実施例を図面により説明する。図１はその装置
の１実施例を示すブロック図であり、図中の１００は入
力部、２００は処理部、３００は出力部を表わす。
【００１０】入力部１００は、降雨・降雪領域を計測す
る気象レーダー１０１、神経回路網モデルの学習・予測
及び相互相関法による移動ベクトル算出に必要となる情
報を読み込むためのファイル読込部１０２から成る。
る気象レーダー１０１、神経回路網モデルの学習・予測
及び相互相関法による移動ベクトル算出に必要となる情
報を読み込むためのファイル読込部１０２から成る。
【００１１】処理部２００は、相互相関手法により、降
雨、降雪領域の移動ベクトルを算出する第１の手段であ
る移動ベクトル計算部２０１と、神経回路網モデルの学
習、予測データを制御する第３の手段である学習・予測
データ制御部２０２と、神経回路網モデルを使って時間
間隔Δｔの２枚の気象レーダー画像の写像移動を学習す
る第２の手段である神経回路網モデル学習２０３と、学
習後のネットワークと、新たに計測される気象レーダー
画像から、数時間先までの気象レーダー画像を予測する
第４の手段である神経回路網モデル予測部２０４から成
る。
雨、降雪領域の移動ベクトルを算出する第１の手段であ
る移動ベクトル計算部２０１と、神経回路網モデルの学
習、予測データを制御する第３の手段である学習・予測
データ制御部２０２と、神経回路網モデルを使って時間
間隔Δｔの２枚の気象レーダー画像の写像移動を学習す
る第２の手段である神経回路網モデル学習２０３と、学
習後のネットワークと、新たに計測される気象レーダー
画像から、数時間先までの気象レーダー画像を予測する
第４の手段である神経回路網モデル予測部２０４から成
る。
【００１２】入力部１００の気象レーダー１０１を用い
て計測されたレーダー画像を入力し、処理部２００へ転
送する。また、ファイル読込装置１０２からは、学習・
予測に必要なパラメータなどの値を、相互相関手法移動
ベクトル計算部２０１、神経回路網モデル学習部２０
３、及び神経回路網モデル予測部２０４へ転送する。相
互相関手法移動ベクトル計算部２０１は入力部１００か
ら転送される時間間隔Δｔの２枚のレーダー画像のう
ち、時刻ｔのレーダー画像をｘ，ｙ，方向にそれぞれＶ
ｘ，Ｖｙだけ少しずつずらし、時刻ｔ＋Δｔのレーダー
画像との相互相関係数が最大になるときのＶｘ，Ｖｙを
求め、そのときの降雨降雪領域の移動ベクトルをＶ＝
（Ｖｘ，Ｖｙ）として学習・予測データ制御部２０２に
転送する。学習・予測胃データ制御部２０２は、神経回
路網モデルの教師データ（気象レーダー画像）を、移動
ベクトルＶ＝（Ｖｘ，Ｖｙ）分だけ離れた格子点のデー
タと入れ換え、２枚の気象レーダー画像間の写像を学習
させる指示の信号を、神経回路網モデル学習部２０３に
転送し、また予測レーダー画像を作成するときに、予測
レーダー画像全体を、移動ベクトルＶ＝（Ｖｘ，Ｖｙ）
分だけずらして出力させる情報を、神経回路網モデル予
測部２０４に転送する。
て計測されたレーダー画像を入力し、処理部２００へ転
送する。また、ファイル読込装置１０２からは、学習・
予測に必要なパラメータなどの値を、相互相関手法移動
ベクトル計算部２０１、神経回路網モデル学習部２０
３、及び神経回路網モデル予測部２０４へ転送する。相
互相関手法移動ベクトル計算部２０１は入力部１００か
ら転送される時間間隔Δｔの２枚のレーダー画像のう
ち、時刻ｔのレーダー画像をｘ，ｙ，方向にそれぞれＶ
ｘ，Ｖｙだけ少しずつずらし、時刻ｔ＋Δｔのレーダー
画像との相互相関係数が最大になるときのＶｘ，Ｖｙを
求め、そのときの降雨降雪領域の移動ベクトルをＶ＝
（Ｖｘ，Ｖｙ）として学習・予測データ制御部２０２に
転送する。学習・予測胃データ制御部２０２は、神経回
路網モデルの教師データ（気象レーダー画像）を、移動
ベクトルＶ＝（Ｖｘ，Ｖｙ）分だけ離れた格子点のデー
タと入れ換え、２枚の気象レーダー画像間の写像を学習
させる指示の信号を、神経回路網モデル学習部２０３に
転送し、また予測レーダー画像を作成するときに、予測
レーダー画像全体を、移動ベクトルＶ＝（Ｖｘ，Ｖｙ）
分だけずらして出力させる情報を、神経回路網モデル予
測部２０４に転送する。
【００１３】神経回路網モデル学習部２０３は入力部１
００から転送される、時刻ｔのレーダー画像Ｉ（ｘ，
ｙ，ｔ）と時刻ｔ＋Δｔのレーダー画像Ｉ（ｘ，ｙ，ｔ
＋Δｔ）を入力し、２枚のレーダー画像の写像関係か
ら、降雨降雪領域の移動パターンを学習する。このと
き、神経回路網モデルの教師データ（気象レーダー画
像）を、学習・予測データ制御部２０２から転送される
情報の移動ベクトルＶ＝（Ｖｘ，Ｖｙ）分だけ離れた格
子点のデータと入れ換え、２枚の気象レーダー画像間の
写像を学習させる。この学習は、式（１）に示す２乗誤
差の評価基準として学習を行う。図２はこの学習時の２
枚のレーダー画像Ｉ（ｘ，ｙ，ｔ）とＩ（ｘ，ｙ，ｔ＋
Δｔ）の写像関係を図示したものである。
００から転送される、時刻ｔのレーダー画像Ｉ（ｘ，
ｙ，ｔ）と時刻ｔ＋Δｔのレーダー画像Ｉ（ｘ，ｙ，ｔ
＋Δｔ）を入力し、２枚のレーダー画像の写像関係か
ら、降雨降雪領域の移動パターンを学習する。このと
き、神経回路網モデルの教師データ（気象レーダー画
像）を、学習・予測データ制御部２０２から転送される
情報の移動ベクトルＶ＝（Ｖｘ，Ｖｙ）分だけ離れた格
子点のデータと入れ換え、２枚の気象レーダー画像間の
写像を学習させる。この学習は、式（１）に示す２乗誤
差の評価基準として学習を行う。図２はこの学習時の２
枚のレーダー画像Ｉ（ｘ，ｙ，ｔ）とＩ（ｘ，ｙ，ｔ＋
Δｔ）の写像関係を図示したものである。
【００１４】なお、このときの学習アルゴリズムは文献
（社）日本工業技術振興会、ニューロコンピュータ研究
会：“ニューロコンピューティングの基礎”ｐｐ．４８
−５０の誤差逆伝搬法などにより実現する。
（社）日本工業技術振興会、ニューロコンピュータ研究
会：“ニューロコンピューティングの基礎”ｐｐ．４８
−５０の誤差逆伝搬法などにより実現する。
【００１５】神経回路網モデル学習部２０３はこの学習
を式（１）の誤差が十分に小さくなるまで行い、学習後
の神経回路網モデルを神経回路網モデル予測部２０４に
転送する。神経回路網モデル予測部２０４は、神経回路
網モデル学習部２０３から転送される学習後の神経回路
網モデルに、気象レーダー１０１から転送される最新の
レーダー画像を入力することにより、Δｔ時間後の予測
レーダー画像Ｉ（ｘ，ｙ，ｔ＋Δｔ）を出力させる。こ
のとき神経回路網モデル予測部２０４は、学習・予測デ
ータ制御部２０２から転送される移動ベクトル情報Ｖ＝
（Ｖｘ，Ｖｙ）の分だけ予測レーダー画像Ｉ（ｘ，ｙ，
ｔ＋Δｔ）の格子点をずらして画像Ｉ’（ｘ，Ｖｘ，ｙ
＋Ｖｙ，ｔ＋Δｔ）をΔｔ時間後の予測レーダー画像と
して出力する。この出力された予測レーダー画像Ｉ’
（ｘ，Ｖｘ，ｙ＋Ｖｙ，ｔ＋Δｔ）を、再度学習後の神
経回路網モデルに入力することを繰り返すことにより、
数時間先の予測レーダー画像作成し、出力部３００へ転
送する。
を式（１）の誤差が十分に小さくなるまで行い、学習後
の神経回路網モデルを神経回路網モデル予測部２０４に
転送する。神経回路網モデル予測部２０４は、神経回路
網モデル学習部２０３から転送される学習後の神経回路
網モデルに、気象レーダー１０１から転送される最新の
レーダー画像を入力することにより、Δｔ時間後の予測
レーダー画像Ｉ（ｘ，ｙ，ｔ＋Δｔ）を出力させる。こ
のとき神経回路網モデル予測部２０４は、学習・予測デ
ータ制御部２０２から転送される移動ベクトル情報Ｖ＝
（Ｖｘ，Ｖｙ）の分だけ予測レーダー画像Ｉ（ｘ，ｙ，
ｔ＋Δｔ）の格子点をずらして画像Ｉ’（ｘ，Ｖｘ，ｙ
＋Ｖｙ，ｔ＋Δｔ）をΔｔ時間後の予測レーダー画像と
して出力する。この出力された予測レーダー画像Ｉ’
（ｘ，Ｖｘ，ｙ＋Ｖｙ，ｔ＋Δｔ）を、再度学習後の神
経回路網モデルに入力することを繰り返すことにより、
数時間先の予測レーダー画像作成し、出力部３００へ転
送する。
【００１６】出力部３００では、神経回路網モデル予測
部２０４から転送される予測レーダー画像を、ディスプ
レイなどに表示する。
部２０４から転送される予測レーダー画像を、ディスプ
レイなどに表示する。
【００１７】
【発明の効果】気象レーダー画像予測において本発明を
用いることにより、これまでの神経回路網モデルのみに
よる予測や、相互相関手法にのみによる予測と比較し
て、より精度の高い気象レーダー画像予測が可能とな
る。
用いることにより、これまでの神経回路網モデルのみに
よる予測や、相互相関手法にのみによる予測と比較し
て、より精度の高い気象レーダー画像予測が可能とな
る。
【図１】本発明の気象予測装置の一実施例のブロック
図。
図。
【図２】本発明の気象レーダー画像予測における神経回
路網モデルを示す図。
路網モデルを示す図。
１００ 入力部 １０１ 気象レーダー １０２ ファイル読込部 ２００ 処理部 ２０１ 移動ベクトル計算部 ２０２ 学習・予測部 ３００ 出力部
───────────────────────────────────────────────────── フロントページの続き (72)発明者 阿部 和雄 東京都千代田区内幸町一丁目１番６号 日 本電信電話株式会社内 (72)発明者 曽根原 登 東京都千代田区内幸町一丁目１番６号 日 本電信電話株式会社内 (72)発明者 藤井 雅晴 北海道札幌市中央区北一条西３丁目３番地 札幌総合情報センター株式会社内
Claims (1)
- 【請求項１】 降雨、降雪領域のレーダー画像を求める
気象レーダー（１０１）と、天候の予測に必要なパラメ
ータを読込むためのファイル読込部（１０２）とからな
る入力部（１００）と、 入力部（１００）から転送される計測時間間隔Δｔの２
枚のレーダー画像から相互相関手法により降雨、降雪領
域の移動ベクトルを算出するための第１の手段（２０
１）と、 神経回路網モデルを使って、時間間隔Δｔの２枚の気象
レーダー画像のセットから、気象レーダー画像間の写像
移動を学習するための第２の手段（２０３）と、 前記第２の手段（２０３）より得られる学習後の神経回
路網モデルに、新たに計測される気象レーダー画像を入
力することにより、１時刻先の予測レーダー画像を算出
するための第４の手段（２０４）と、 前記第２の手段（２０３）において、神経回路網モデル
の教師データを、前記第１の手段（２０１）により算出
した移動ベクトル分だけ離れた格子点のデータと入れ換
え、２枚の気象レーダー画像間の写像を学習させ、前記
第４の手段（２０４）により算出された１時刻先の予測
レーダー画像を、第１の手段（２０１）の手段により算
出した移動ベクトル分だけ画像の格子点をずらした画像
の１時刻先の予測レーダー画像として出力させ、この出
力された１時刻先の予測レーダー画像を、学習後の神経
回路網モデルに再度入力し、これを繰り返し実行させる
ことにより数時間先までのレーダー画像の予測を行なわ
せ、さらに、予測精度を維持するために、予め設定する
周期で第１、第２、及び第４の手段の手順を繰り返すた
めの、第３の手段と、 前記第４の手段から輸送される予測レーダー画像を表示
する出力部（３００）と、からなることを特徴とするハ
イブリッド気象予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7168520A JPH0921883A (ja) | 1995-07-04 | 1995-07-04 | ハイブリッド気象予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7168520A JPH0921883A (ja) | 1995-07-04 | 1995-07-04 | ハイブリッド気象予測装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0921883A true JPH0921883A (ja) | 1997-01-21 |
Family
ID=15869555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7168520A Pending JPH0921883A (ja) | 1995-07-04 | 1995-07-04 | ハイブリッド気象予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0921883A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011196968A (ja) * | 2010-03-24 | 2011-10-06 | Osaka Gas Co Ltd | 太陽光発電量予測装置 |
| CN106405682A (zh) * | 2016-08-29 | 2017-02-15 | 深圳先进技术研究院 | 一种降雨预测方法及装置 |
| CN111929688A (zh) * | 2020-09-22 | 2020-11-13 | 蔻斯科技(上海)有限公司 | 一种用于确定雷达回波预测帧序列的方法与设备 |
-
1995
- 1995-07-04 JP JP7168520A patent/JPH0921883A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011196968A (ja) * | 2010-03-24 | 2011-10-06 | Osaka Gas Co Ltd | 太陽光発電量予測装置 |
| CN106405682A (zh) * | 2016-08-29 | 2017-02-15 | 深圳先进技术研究院 | 一种降雨预测方法及装置 |
| CN111929688A (zh) * | 2020-09-22 | 2020-11-13 | 蔻斯科技(上海)有限公司 | 一种用于确定雷达回波预测帧序列的方法与设备 |
| CN111929688B (zh) * | 2020-09-22 | 2021-02-09 | 蔻斯科技(上海)有限公司 | 一种用于确定雷达回波预测帧序列的方法与设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | A combined method for short-term traffic flow prediction based on recurrent neural network | |
| EP3926582B1 (en) | Model generating apparatus, method, and program, and prediction apparatus | |
| US7929730B2 (en) | Method and system for object detection and tracking | |
| US11620901B1 (en) | Short-term traffic speed prediction and forecasting using machine learning analysis of spatiotemporal traffic speed dependencies in probe and weather data | |
| Duret et al. | Traffic state estimation based on Eulerian and Lagrangian observations in a mesoscopic modeling framework | |
| GB2320830A (en) | Rain tracking radar | |
| CN113393032A (zh) | 基于重采样下的航迹循环预测方法 | |
| Egea et al. | Assessment of reward functions for reinforcement learning traffic signal control under real-world limitations | |
| KR102199369B1 (ko) | 도로 교통 혼잡도 예측 및 모의 방법 | |
| JPH0921883A (ja) | ハイブリッド気象予測装置 | |
| JP2020109386A (ja) | モデル生成装置、車両シミュレーションシステム、モデル生成方法およびコンピュータプログラム | |
| JPH09257951A (ja) | 気象予測装置 | |
| JPH08271649A (ja) | 気象予測装置 | |
| CN115114842A (zh) | 一种基于小样本迁移学习算法的暴雨内涝事件预测方法 | |
| JP2023523842A (ja) | 気象情報を向上させるための移動データの使用 | |
| JP3181018B2 (ja) | 気象予測装置 | |
| Toukourou et al. | Flash flood forecasting by statistical learning in the absence of rainfall forecast: a case study | |
| JP3250601B2 (ja) | 気象予測装置 | |
| JPH0921884A (ja) | ハイブリッド気象予測装置 | |
| JP2000057475A (ja) | 交通状況予測方法及び装置、ならびにその制御を記録した記録媒体 | |
| JPH10239452A (ja) | 降雨降雪予測装置 | |
| EP4296911A1 (en) | Machine learning data generation method, meta learning method, machine learning data generation device, and program | |
| Ochiai et al. | Snowfall and rainfall forecasting from weather radar images with artificial neural networks | |
| JPH10311883A (ja) | 気象画像予測方法、装置および気象画像予測プログラムを記録した記録媒体 | |
| RU191374U1 (ru) | Устройство на основе ансамбля гетерогенных нейронных сетей для уточнения прогнозов модели metro в задаче прогнозирования параметров и оценки состояния дорожного покрытия |