JPH09257951A - 気象予測装置 - Google Patents
気象予測装置Info
- Publication number
- JPH09257951A JPH09257951A JP8065832A JP6583296A JPH09257951A JP H09257951 A JPH09257951 A JP H09257951A JP 8065832 A JP8065832 A JP 8065832A JP 6583296 A JP6583296 A JP 6583296A JP H09257951 A JPH09257951 A JP H09257951A
- Authority
- JP
- Japan
- Prior art keywords
- image
- weather
- radar image
- learning
- network model
- 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
Abstract
(57)【要約】
【課題】 降雨や降雪の開始時にも、高い予測精度で降
雨量や降雪量の予測ができる神経回路網を用いた気象予
測装置を提供する。 【解決手段】 任意の時間間隔をおいて計測された２枚
の気象レーダ画像より、該気象レーダ画像中のエコーパ
ターンの移動ベクトルを計算する第１の手段２０１と、
第１の手段で算出した移動ベクトルから、予測時刻まで
の移動量を算出し、気象レーダ画像を外挿することによ
り、計測時点以降の気象レーダ画像の予測画像を求める
第２の手段２０１と、第２の手段において求めた予測画
像と実測されたレーダ画像とを学習データとして神経回
路網モデルに与え、学習を行なう第３の手段２０２と、
第３の手段による学習後の神経回路モデルに計測された
気象レーダ画像を与え、該レーダ画像が計測された時刻
以後の予測レーダ画像を求める第４の手段２０４とを有
する。
雨量や降雪量の予測ができる神経回路網を用いた気象予
測装置を提供する。 【解決手段】 任意の時間間隔をおいて計測された２枚
の気象レーダ画像より、該気象レーダ画像中のエコーパ
ターンの移動ベクトルを計算する第１の手段２０１と、
第１の手段で算出した移動ベクトルから、予測時刻まで
の移動量を算出し、気象レーダ画像を外挿することによ
り、計測時点以降の気象レーダ画像の予測画像を求める
第２の手段２０１と、第２の手段において求めた予測画
像と実測されたレーダ画像とを学習データとして神経回
路網モデルに与え、学習を行なう第３の手段２０２と、
第３の手段による学習後の神経回路モデルに計測された
気象レーダ画像を与え、該レーダ画像が計測された時刻
以後の予測レーダ画像を求める第４の手段２０４とを有
する。
Description
【０００１】
【発明の属する技術分野】本発明は、計測された気象レ
ーダ画像により気象のダイナミクスを学習する神経回路
網モデルを有する気象予測装置に関する。
ーダ画像により気象のダイナミクスを学習する神経回路
網モデルを有する気象予測装置に関する。
【０００２】
【従来の技術】まず始めに、本発明が適用できる神経回
路網モデルの一例を挙げる。ここでは、階層型神経回路
網モデルを典型例として用いるが、回帰結合をもつ神経
回路綱モデルなど、他の形式のモデルにも適用できる。
路網モデルの一例を挙げる。ここでは、階層型神経回路
網モデルを典型例として用いるが、回帰結合をもつ神経
回路綱モデルなど、他の形式のモデルにも適用できる。
【０００３】図７は、階層型神経回路網モデルの一例を
示す図である。階層型神経回路網モデルは、１層の入力
層、複数層の中間層、１層の出力層からなる層状のネッ
トワークモデルであり、各層はユニット、重み、バイア
スから構成される。ユニットは、前層のユニットの出力
値ｘi（ｉ＝１、２、・・・、Ｌ：前層のユニット数）
と重み（ｗi 、ｉ：重みの番号）の積の総和、及び、バ
イアス（ｂi 、ｉ：ユニットの番号）を加算した値を入
力値として受け、入力値に、ある非線形変換（ｆ
（・））を施した値（ｙ）を出力し、この出力値を次層
のユニットヘ伝達する構造をもつ（式（１））。ただ
し、ここでは、入力層のユニットの入出力変換関数は線
形、入力層以外の層のユニットの非線形変換関数ｆ
（・）は、典型例であるシグモイド関数を用いる（式
（１））が、モデルに応じて他の変換関数を用いること
も考えられる。
示す図である。階層型神経回路網モデルは、１層の入力
層、複数層の中間層、１層の出力層からなる層状のネッ
トワークモデルであり、各層はユニット、重み、バイア
スから構成される。ユニットは、前層のユニットの出力
値ｘi（ｉ＝１、２、・・・、Ｌ：前層のユニット数）
と重み（ｗi 、ｉ：重みの番号）の積の総和、及び、バ
イアス（ｂi 、ｉ：ユニットの番号）を加算した値を入
力値として受け、入力値に、ある非線形変換（ｆ
（・））を施した値（ｙ）を出力し、この出力値を次層
のユニットヘ伝達する構造をもつ（式（１））。ただ
し、ここでは、入力層のユニットの入出力変換関数は線
形、入力層以外の層のユニットの非線形変換関数ｆ
（・）は、典型例であるシグモイド関数を用いる（式
（１））が、モデルに応じて他の変換関数を用いること
も考えられる。
【０００４】
【数１】 従来の気象予測装置では、計測された気象レーダ画像を
神経回路網モデルに与えることにより、降雨・降雪域を
表すエコーパターンの動き（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気象レーダ画
像を予測する手法が考案されていた。例えば特開平７−
２０２５５号公報に開示の“並列計算型気象レーダ画像
予測装置”、特開平７−６３８６１号公報に開示の“並
列計算型降雨レーダ画像予測装置”及び、特開平７−１
２８４５６号公報に開示の“非線形並列計算型降雨レー
ダ画像予測装置”では計測されたレーダ画像を積和計算
ユニットを持つ神経回路網モデルに与えて、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、気象レーダ画像の各格子点における降雨量、降雪量
を予測している。
神経回路網モデルに与えることにより、降雨・降雪域を
表すエコーパターンの動き（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気象レーダ画
像を予測する手法が考案されていた。例えば特開平７−
２０２５５号公報に開示の“並列計算型気象レーダ画像
予測装置”、特開平７−６３８６１号公報に開示の“並
列計算型降雨レーダ画像予測装置”及び、特開平７−１
２８４５６号公報に開示の“非線形並列計算型降雨レー
ダ画像予測装置”では計測されたレーダ画像を積和計算
ユニットを持つ神経回路網モデルに与えて、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、気象レーダ画像の各格子点における降雨量、降雪量
を予測している。
【０００５】
【発明が解決しようとする課題】これらの神経回路網モ
デルにエコーパターンの動き（気象ダイナミクス）を学
習させるためには、最新の過去３時間分の個数の気象レ
ーダ画像を学習データとして与える必要がある。しかし
ながら、気象レーダ画像中にエコーが全く存在しない状
態から、エコーが出現する降雨や降雪の開始時などで
は、学習データの数が少なく、神経回路網モデルで学習
予測を行なっても高い予測精度が得られない。
デルにエコーパターンの動き（気象ダイナミクス）を学
習させるためには、最新の過去３時間分の個数の気象レ
ーダ画像を学習データとして与える必要がある。しかし
ながら、気象レーダ画像中にエコーが全く存在しない状
態から、エコーが出現する降雨や降雪の開始時などで
は、学習データの数が少なく、神経回路網モデルで学習
予測を行なっても高い予測精度が得られない。
【０００６】本発明の目的は、降雨や降雪の開始時に
も、高い予測精度で降雨量や降雪量の予測ができる神経
回路網を用いた気象予測装置を提供することにある。
も、高い予測精度で降雨量や降雪量の予測ができる神経
回路網を用いた気象予測装置を提供することにある。
【０００７】
【課題を解決するための手段】本発明の気象予測装置
は、神経回路網モデルに気象レーダ画像を与えて気象ダ
イナミクスを学習させ、学習後の神経回路網モデルを用
いて降雨、降雪などの天候の短時間予測を行なう気象予
測装置であって、任意の時間間隔をおいて計測された２
枚の気象レーダ画像より、該気象レーダ画像中のエコー
パターンの移動ベクトルを計算する第１の手段と、第１
の手段で算出した移動ベクトルから、予測時刻までの移
動量を算出し、気象レーダ画像を外挿することにより、
計測時点以降の気象レーダ画像の予測画像を求める第２
の手段と、第２の手段において求めた予測画像と実測さ
れたレーダ画像とを学習データとして神経回路網モデル
に与え、学習を行なう第３の手段と、第３の手段による
学習後の神経回路モデルに計測された気象レーダ画像を
与え、該レーダ画像が計測された時刻以後の予測レーダ
画像を求める第４の手段と、を有する。
は、神経回路網モデルに気象レーダ画像を与えて気象ダ
イナミクスを学習させ、学習後の神経回路網モデルを用
いて降雨、降雪などの天候の短時間予測を行なう気象予
測装置であって、任意の時間間隔をおいて計測された２
枚の気象レーダ画像より、該気象レーダ画像中のエコー
パターンの移動ベクトルを計算する第１の手段と、第１
の手段で算出した移動ベクトルから、予測時刻までの移
動量を算出し、気象レーダ画像を外挿することにより、
計測時点以降の気象レーダ画像の予測画像を求める第２
の手段と、第２の手段において求めた予測画像と実測さ
れたレーダ画像とを学習データとして神経回路網モデル
に与え、学習を行なう第３の手段と、第３の手段による
学習後の神経回路モデルに計測された気象レーダ画像を
与え、該レーダ画像が計測された時刻以後の予測レーダ
画像を求める第４の手段と、を有する。
【０００８】上述の第１と第２の手段では、パターン変
化直後の２つの時刻における気象レーダ画像から、エコ
ーパターンの動きを求め、それを外挿することにより、
計測された時刻以降の気象レーダ画像を予測することが
できる。このことにより、計測された気象レーダ画像の
個数が少ないパターン変化直後において、気象ダイナミ
クスを神経回路網モデルに学習させるために必要な数の
レーダ画像を提供することが可能となる。
化直後の２つの時刻における気象レーダ画像から、エコ
ーパターンの動きを求め、それを外挿することにより、
計測された時刻以降の気象レーダ画像を予測することが
できる。このことにより、計測された気象レーダ画像の
個数が少ないパターン変化直後において、気象ダイナミ
クスを神経回路網モデルに学習させるために必要な数の
レーダ画像を提供することが可能となる。
【０００９】第３の手段では、第１、第２の手段で求め
た予測画像と、実測されたレーダ画像を神経回路網モデ
ルに与えて学習させることで、気象パターン変化の新し
い気象ダイナミクスを表現する神経回路網モデルの重み
を得ることが可能となる。
た予測画像と、実測されたレーダ画像を神経回路網モデ
ルに与えて学習させることで、気象パターン変化の新し
い気象ダイナミクスを表現する神経回路網モデルの重み
を得ることが可能となる。
【００１０】第４の手段では、第３の手段による学習後
の神経回路網モデルを用い、これに最新の気象レーダ画
像を入力することで、さらに以後の時刻の気象レーダ画
像の予測を精度よくおこなうことが可能となる。
の神経回路網モデルを用い、これに最新の気象レーダ画
像を入力することで、さらに以後の時刻の気象レーダ画
像の予測を精度よくおこなうことが可能となる。
【００１１】即ち、本発明では、降雨や降雪の開始時な
どにおいて気象レーダ画像のエコーパターンが変化した
際、パターン変化後に計測された２枚の気象レーダより
エコーパターンの移動ベクトルを算出し、それを用いて
外挿の手法により求めた予測レーダ画像と、パターン変
化後に実測された気象レーダ画像を与えて学習を行なっ
た神経回路網モデルを用いて予測するので、パターン変
化後の気象レーダ画像を精度良く予測することが可能と
なる。
どにおいて気象レーダ画像のエコーパターンが変化した
際、パターン変化後に計測された２枚の気象レーダより
エコーパターンの移動ベクトルを算出し、それを用いて
外挿の手法により求めた予測レーダ画像と、パターン変
化後に実測された気象レーダ画像を与えて学習を行なっ
た神経回路網モデルを用いて予測するので、パターン変
化後の気象レーダ画像を精度良く予測することが可能と
なる。
【００１２】
【発明の実施の形態】次に、本発明の実施の形態につい
て図面を参照して説明する。特許請求の範囲に記載のよ
うに、本発明の気象予測装置は第１、第２、第３及び第
４の４つの手段を備える。
て図面を参照して説明する。特許請求の範囲に記載のよ
うに、本発明の気象予測装置は第１、第２、第３及び第
４の４つの手段を備える。
【００１３】第１の手段は任意の時間間隔をおいて計測
された２枚の気象レーダ画像より、気象レーダ画像中の
エコーパターンの移動ベクトルを計算し、第２の手段は
第１の手段で算出した移動ベクトルから予測時刻までの
移動量を算出し、気象レーダ画像を外挿することによ
り、計測時点以降の気象レーダ画像の予測画像を求め、
第３の手段は第２の手段において求めた予測レーダ画像
と実測されたレーダ画像を学習データとして神経回路網
モデルに与えて学習を行ない、第４の手段は第３の手段
による学習後の神経回路モデルに計測された気象レーダ
画像を与え、そのレーダ画像が計測された時刻以後の予
測レーダ画像を求める。
された２枚の気象レーダ画像より、気象レーダ画像中の
エコーパターンの移動ベクトルを計算し、第２の手段は
第１の手段で算出した移動ベクトルから予測時刻までの
移動量を算出し、気象レーダ画像を外挿することによ
り、計測時点以降の気象レーダ画像の予測画像を求め、
第３の手段は第２の手段において求めた予測レーダ画像
と実測されたレーダ画像を学習データとして神経回路網
モデルに与えて学習を行ない、第４の手段は第３の手段
による学習後の神経回路モデルに計測された気象レーダ
画像を与え、そのレーダ画像が計測された時刻以後の予
測レーダ画像を求める。
【００１４】図１は本発明の気象予測装置の一実施例の
ブロック図、図２は気象予測装置の動作フローチャー
ト、図３は気象予測装置の気象レーダ画像から神経回路
網モデルの学習データを生成するまでの過程を示すプロ
セス図である。
ブロック図、図２は気象予測装置の動作フローチャー
ト、図３は気象予測装置の気象レーダ画像から神経回路
網モデルの学習データを生成するまでの過程を示すプロ
セス図である。
【００１５】この気象予測装置は、図１に示すように、
入力部１００、処理部２００及び出力部３００から構成
される。
入力部１００、処理部２００及び出力部３００から構成
される。
【００１６】入力部１００には降雨、降雪の領域を計測
する気象レーダの画像入力部１０１と、実測及び予測さ
れた気象レーダ画像のデータや神経回路網モデルのパラ
メータなどが格納されるファイル装置１０２とが含まれ
ている。
する気象レーダの画像入力部１０１と、実測及び予測さ
れた気象レーダ画像のデータや神経回路網モデルのパラ
メータなどが格納されるファイル装置１０２とが含まれ
ている。
【００１７】処理部２００には、計測された気象レーダ
画像から外挿手法を用い予測画像を算出する第１の予測
部２０１と、第１の予測部２０１で作られた予測画像と
実測されたレーダ画像を学習データとして神経回路網モ
デルに与え、神経回路網モデルの学習を実施する学習部
２０２と、学習後の神経回路網モデルを用いて、気象レ
ーダ画像を予測する第２の予測部２０３が含まれてい
る。
画像から外挿手法を用い予測画像を算出する第１の予測
部２０１と、第１の予測部２０１で作られた予測画像と
実測されたレーダ画像を学習データとして神経回路網モ
デルに与え、神経回路網モデルの学習を実施する学習部
２０２と、学習後の神経回路網モデルを用いて、気象レ
ーダ画像を予測する第２の予測部２０３が含まれてい
る。
【００１８】出力部３００には予測結果を表示するデイ
スプレイ装置が含まれている。
スプレイ装置が含まれている。
【００１９】第１の予測部２０１は本発明の第１と第２
の手段を構成し、学習部２０２は第３の手段、第２の予
測部２０３は第４の手段を構成する。
の手段を構成し、学習部２０２は第３の手段、第２の予
測部２０３は第４の手段を構成する。
【００２０】次に本装置の動作を図２及び図３を用いて
説明する。いま、時刻ｔにおいて計測した気象レーダ画
像Ｉ（ｔ）より時刻ｔ以後の時刻における気象レーダ画
像を予測する場合を考える。
説明する。いま、時刻ｔにおいて計測した気象レーダ画
像Ｉ（ｔ）より時刻ｔ以後の時刻における気象レーダ画
像を予測する場合を考える。
【００２１】動作が開始されると（Ｓ２０１）、入力部
ｌ００では、気象レーダ１０１より気象レーダ画像が時
間間隔ｈごとに得られて、これがファイル装置１０２に
記憶され（Ｓ２０２）、また、処理部２００に転送され
る。
ｌ００では、気象レーダ１０１より気象レーダ画像が時
間間隔ｈごとに得られて、これがファイル装置１０２に
記憶され（Ｓ２０２）、また、処理部２００に転送され
る。
【００２２】処理部２００の第１の予測部２０１におい
ては、時刻ａと時刻ｂにおける観測された気象レーダ画
像｛Ｉ（ａ）、Ｉ（ｂ）｝（ただし、ａ＜ｂ≦ｔ）がフ
アイル装置１０２より転送され、この２枚の気象レーダ
画像よりエコーパターンの移動ベクトルが第１の手段に
より算出され（Ｓ２０３）、第２の手段により気象レー
ダ画像Ｉ（ｔ）から時刻ｔ以後の時間間隔ｈおきに予測
画像｛Ｊ（ｔ）、Ｊ（ｔ＋ｈ）、・・・、Ｊ（ｔ＋Ｍ
ｈ）｝が算出される（Ｓ２０４）。ただし、Ｊ（ｔ）＝
Ｉ（ｔ）であり、Ｍは任意の自然数である。
ては、時刻ａと時刻ｂにおける観測された気象レーダ画
像｛Ｉ（ａ）、Ｉ（ｂ）｝（ただし、ａ＜ｂ≦ｔ）がフ
アイル装置１０２より転送され、この２枚の気象レーダ
画像よりエコーパターンの移動ベクトルが第１の手段に
より算出され（Ｓ２０３）、第２の手段により気象レー
ダ画像Ｉ（ｔ）から時刻ｔ以後の時間間隔ｈおきに予測
画像｛Ｊ（ｔ）、Ｊ（ｔ＋ｈ）、・・・、Ｊ（ｔ＋Ｍ
ｈ）｝が算出される（Ｓ２０４）。ただし、Ｊ（ｔ）＝
Ｉ（ｔ）であり、Ｍは任意の自然数である。
【００２３】次に、学習部２０２では、実測レーダ画像
｛Ｉ（ｔ−ｈＮ）、・・・、Ｉ（ｔ−ｈ）、Ｉ（ｔ）｝
（Ｎは任意の自然数）と上記第１の予測部２０１で得ら
れた予測画像｛Ｊ（ｔ）、Ｊ（ｔ＋ｈ）、・・・、Ｊ
（ｔ＋Ｍｈ）｝が、神経回路網モデルに与えられ学習が
実施される（Ｓ２０６）。
｛Ｉ（ｔ−ｈＮ）、・・・、Ｉ（ｔ−ｈ）、Ｉ（ｔ）｝
（Ｎは任意の自然数）と上記第１の予測部２０１で得ら
れた予測画像｛Ｊ（ｔ）、Ｊ（ｔ＋ｈ）、・・・、Ｊ
（ｔ＋Ｍｈ）｝が、神経回路網モデルに与えられ学習が
実施される（Ｓ２０６）。
【００２４】次に、第２の予測部２０３では、学習部２
０２で学習を終えた神経回路網モデルに気象レーダ画像
Ｉ（ｔ）が入力され、予測レーダ画像 ｛Ｉ′（ｔ＋
ｈ）、Ｉ′（ｔ＋２ｈ）、・・・｝が算出され（Ｓ２０
７）、出力部３００に転送される。
０２で学習を終えた神経回路網モデルに気象レーダ画像
Ｉ（ｔ）が入力され、予測レーダ画像 ｛Ｉ′（ｔ＋
ｈ）、Ｉ′（ｔ＋２ｈ）、・・・｝が算出され（Ｓ２０
７）、出力部３００に転送される。
【００２５】最後に、出力部３００では予測結果がデイ
スプレイ装置などに表示されて（Ｓ２０８）、動作を終
了する（Ｓ２０９）。
スプレイ装置などに表示されて（Ｓ２０８）、動作を終
了する（Ｓ２０９）。
【００２６】次にそれぞれの手段の動作について詳細に
説明する。
説明する。
【００２７】第１の手段では、ある任意の時間間隔△Ｔ
をおいて計測された２枚の気象レーダ画像より、気象レ
ーダ画像中のエコーパターンの移動ベクトルを計算す
る。例えば、以下に述ベる相互相関法（参考文献［１］
遊馬芳雄、菊池克弘、今久、“簡易気象レーダーによる
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、４４、ｐｐ．２３−３４）を使用する。
をおいて計測された２枚の気象レーダ画像より、気象レ
ーダ画像中のエコーパターンの移動ベクトルを計算す
る。例えば、以下に述ベる相互相関法（参考文献［１］
遊馬芳雄、菊池克弘、今久、“簡易気象レーダーによる
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、４４、ｐｐ．２３−３４）を使用する。
【００２８】図４は、相互相関値の求め方を説明する概
念図であり、図５は相互相関値分布の一例を示すグラフ
であり、図６は相関値分布から二次補間によって最大値
となる点を算出する方法を説明する概念図である。図４
に示すように、時間間隔△ｔをおいて観測された２枚の
気象レーダ画像Ｒ1 、Ｒ2 から、次式により相互相関値
を求める。ただし、レーダ画像上の格子点（ｉ、ｊ）に
おける画像の階調値、すなわち、降雨降雪強度を各々Ｒ
1 （ｉ、ｊ）、Ｒ2 （ｉ、ｊ）とし、相関をとる領域を
（Ｍ、Ｎ）、相関値を計算する際の２枚のレーダ画像の
ズレを（ｋ、ｌ）とする（図４で斜線は相関値をとる範
囲を示し、中央の太線の矢印はエコーパターンの移動方
向を表す）。
念図であり、図５は相互相関値分布の一例を示すグラフ
であり、図６は相関値分布から二次補間によって最大値
となる点を算出する方法を説明する概念図である。図４
に示すように、時間間隔△ｔをおいて観測された２枚の
気象レーダ画像Ｒ1 、Ｒ2 から、次式により相互相関値
を求める。ただし、レーダ画像上の格子点（ｉ、ｊ）に
おける画像の階調値、すなわち、降雨降雪強度を各々Ｒ
1 （ｉ、ｊ）、Ｒ2 （ｉ、ｊ）とし、相関をとる領域を
（Ｍ、Ｎ）、相関値を計算する際の２枚のレーダ画像の
ズレを（ｋ、ｌ）とする（図４で斜線は相関値をとる範
囲を示し、中央の太線の矢印はエコーパターンの移動方
向を表す）。
【００２９】
【数２】 上述の計算によって求められた相互相関値は、例えば、
図５に示すようになる。そこで、格子点上にある相互相
関値の最大値をとる点（Ｋ、Ｌ）での相互相関値σ
K、L 、及び、その近傍の４点の相互相関値σ-x、σ+x、
σ-y、σ+yに対して二次関数による補間を行ない、補間
の結果相互相関値が最大となる点（格子点とは限らな
い）とのずれ（ｋ′、ｌ′）を次式により求める（図
６。但し、Ｘ成分のみを示す）。
図５に示すようになる。そこで、格子点上にある相互相
関値の最大値をとる点（Ｋ、Ｌ）での相互相関値σ
K、L 、及び、その近傍の４点の相互相関値σ-x、σ+x、
σ-y、σ+yに対して二次関数による補間を行ない、補間
の結果相互相関値が最大となる点（格子点とは限らな
い）とのずれ（ｋ′、ｌ′）を次式により求める（図
６。但し、Ｘ成分のみを示す）。
【００３０】
【数３】 以上より、２枚の画像は（Ｋ十ｋ′、Ｌ＋ｌ′）だけず
らした場合に相互相関値が最大となる。このことから、
エコーパターンの移動ベクトルは次の式（７）、式
（８）より求めることができる。この移動ベクトルは、
雨域の移動方向及び速度を表している。ただし、Ｖx 、
Ｖy は、それぞれ移動量のｘ成分、ｙ成分を示す。
らした場合に相互相関値が最大となる。このことから、
エコーパターンの移動ベクトルは次の式（７）、式
（８）より求めることができる。この移動ベクトルは、
雨域の移動方向及び速度を表している。ただし、Ｖx 、
Ｖy は、それぞれ移動量のｘ成分、ｙ成分を示す。
【００３１】
【数４】 第２の手段では、ある時刻に計測された気象レーダ画像
中のエコーパターンを、第１の手段で式（７）、（８）
ように求められる移動ベクトルを用いて外挿すること
で、計測時刻以後のレーダ画像を予測する。ここでは、
その一例として、以下のような方法を用いる。
中のエコーパターンを、第１の手段で式（７）、（８）
ように求められる移動ベクトルを用いて外挿すること
で、計測時刻以後のレーダ画像を予測する。ここでは、
その一例として、以下のような方法を用いる。
【００３２】計測された気象レーダ画像Ｉ（ｉ、ｊ）を
入力画像とし、第１の手段を用いて算出した移動べクト
ルから入力画像Ｉ（ｉ、ｊ）が計測された時刻から△Ｔ
時間後の予測画像Ｊ（ｉ、ｊ）を求める。予測画像Ｊ
（ｉ、ｊ）の水平方向の移動量Ｓx 、垂直方向の移動量
Ｓy は、
入力画像とし、第１の手段を用いて算出した移動べクト
ルから入力画像Ｉ（ｉ、ｊ）が計測された時刻から△Ｔ
時間後の予測画像Ｊ（ｉ、ｊ）を求める。予測画像Ｊ
（ｉ、ｊ）の水平方向の移動量Ｓx 、垂直方向の移動量
Ｓy は、
【００３３】
【数５】 に基づき、入力画像Ｉ（ｉ、ｊ）を平行移動したものと
定義する。しかし、この移動量は整数値とは限らず、移
動した画像の格子点からのずれを、
定義する。しかし、この移動量は整数値とは限らず、移
動した画像の格子点からのずれを、
【００３４】
【数６】 と表すと（ただし、
【００３５】
【外１】 は、ｚを越えない最大の整数である）、予測画像Ｊ
（ｉ、ｊ）は、
（ｉ、ｊ）は、
【００３６】
【数７】 と定義する。ただし、入力画像からの対応がない予測画
像Ｊの格子点、つまり平行移動の結果として予測画像に
空いた隙間、については０の値をとるものとする。な
お、Ｖx ＞０かつＶy ＞０以外の場合についても同様に
して予測画像を求めることができる。
像Ｊの格子点、つまり平行移動の結果として予測画像に
空いた隙間、については０の値をとるものとする。な
お、Ｖx ＞０かつＶy ＞０以外の場合についても同様に
して予測画像を求めることができる。
【００３７】さらに、神経回路網モデルに与える学習デ
ータとして、例えば、入力画像が計測された時刻から気
象レーダ画像が計測される時間間隔ｈごとに計Ｍ枚の予
測画像を、上記の外挿の方法において△Ｔ＝｛ｈ、２
ｈ、・・・、Ｍ・ｈ｝と適用し算出する。また、上述以
外の方法を用いて予測画像を算出することもできる。
ータとして、例えば、入力画像が計測された時刻から気
象レーダ画像が計測される時間間隔ｈごとに計Ｍ枚の予
測画像を、上記の外挿の方法において△Ｔ＝｛ｈ、２
ｈ、・・・、Ｍ・ｈ｝と適用し算出する。また、上述以
外の方法を用いて予測画像を算出することもできる。
【００３８】第３の手段は、第１の手段、第２の手段で
求められた予測レーダ画像と実測レーダ画像との２種類
の画像を神経回路網モデルの学習データとして与え、神
経回路網モデルの学習をおこなう手段である。
求められた予測レーダ画像と実測レーダ画像との２種類
の画像を神経回路網モデルの学習データとして与え、神
経回路網モデルの学習をおこなう手段である。
【００３９】第４の手段は、学習後の神経回路網モデル
を用いて、任意の時刻で計測された気象レーダ画像を入
力し、計測時刻以後の時刻の気象レーダ画像を予測する
手段である。
を用いて、任意の時刻で計測された気象レーダ画像を入
力し、計測時刻以後の時刻の気象レーダ画像を予測する
手段である。
【００４０】表１に、従来の神経回路網モデルを用いた
気象予測装置と本発明の気象予測装置とをそれぞれ用
い、パターン変化後の気象レーダ画像の予測を行なった
結果の予測誤差を示す。
気象予測装置と本発明の気象予測装置とをそれぞれ用
い、パターン変化後の気象レーダ画像の予測を行なった
結果の予測誤差を示す。
【００４１】
【表１】 パターン変化の時点から、３０分後、ｌ時間後、１時間
３０分後と３０分後毎に計測された気象レーダ画像か
ら、さらにその３時間先でのレーダ画像を予測した。予
測誤差は、予測レーダ画像と予測時刻での実際のレーダ
画像の各格子点についての階調値の２乗誤差を全格子点
について総和をし、それを全格子点数で割ったものであ
る。従来法では、パターン変化後に得られた気象レーダ
画像のみを用いて学習を行った。本発明では、パターン
変化後に得られた気象レーダ画像と、外挿を用いて算出
した予測レーダ画像を神経回路網に与え学習をおこなっ
た。表１から、パターン変化の後において、本発明は従
来法よりも、精度の良い予測ができることがわかる。
３０分後と３０分後毎に計測された気象レーダ画像か
ら、さらにその３時間先でのレーダ画像を予測した。予
測誤差は、予測レーダ画像と予測時刻での実際のレーダ
画像の各格子点についての階調値の２乗誤差を全格子点
について総和をし、それを全格子点数で割ったものであ
る。従来法では、パターン変化後に得られた気象レーダ
画像のみを用いて学習を行った。本発明では、パターン
変化後に得られた気象レーダ画像と、外挿を用いて算出
した予測レーダ画像を神経回路網に与え学習をおこなっ
た。表１から、パターン変化の後において、本発明は従
来法よりも、精度の良い予測ができることがわかる。
【００４２】
【発明の効果】従来の神経回路網モデルを用いた気象予
測装置では、神経回路網モデルの学習用に、常に過去の
一定時間分の気象レーダ画像が必要であった。しかし、
降雨の開始時など、気象レーダ画像のパターンが急激に
変化した直後においては、学習データとなるレーダ画像
が不足し、予測精度が低下するという問題があった。本
発明では、このような状況において、気象レーダ画像の
エコーパターンから外挿により予測画像を求め、これを
実測画像とともに神経回路網モデルに与え、学習を行う
ことにより、気象パターン変化以後の気象ダイナミクス
を表現した神経回路網モデルが得られる。その結果、神
経回路網モデルによる気象レーダ画像の予測精度が向上
するという効果がある。
測装置では、神経回路網モデルの学習用に、常に過去の
一定時間分の気象レーダ画像が必要であった。しかし、
降雨の開始時など、気象レーダ画像のパターンが急激に
変化した直後においては、学習データとなるレーダ画像
が不足し、予測精度が低下するという問題があった。本
発明では、このような状況において、気象レーダ画像の
エコーパターンから外挿により予測画像を求め、これを
実測画像とともに神経回路網モデルに与え、学習を行う
ことにより、気象パターン変化以後の気象ダイナミクス
を表現した神経回路網モデルが得られる。その結果、神
経回路網モデルによる気象レーダ画像の予測精度が向上
するという効果がある。
【図１】本発明の気象予測装置の一実施例のブロック図
である。
である。
【図２】本発明の気象予測装置の動作フローチャートで
ある。
ある。
【図３】本発明の気象予測装置の気象レーダ画像から神
経回路網モデルの学習データを生成するまでの過程を示
すプロセス図である。
経回路網モデルの学習データを生成するまでの過程を示
すプロセス図である。
【図４】相互相関値の求め方を説明する概念図である。
【図５】相互相関値分布の一例を示すグラフである。
【図６】相関値分布から二次補間によって最大値となる
点を算出する方法を説明する概念図である。
点を算出する方法を説明する概念図である。
【図７】階層型神経回路網モデルの一例を示す図であ
る。
る。
１００ 入力部 １０１ 気象レーダ １０２ ファイル装置 ２００ 処理部 ２０１ 第１の予測部（外挿手法） ２０２ 学習部 ２０３ 第２の予測部 ３００ 出力部 Ｓ２０１〜Ｓ２０９ 動作のステップ
───────────────────────────────────────────────────── フロントページの続き (72)発明者 鈴木 智 東京都新宿区西新宿三丁目19番２号 日本 電信電話株式会社内 (72)発明者 曽根原 登 東京都新宿区西新宿三丁目19番２号 日本 電信電話株式会社内
Claims (1)
- 【請求項１】 神経回路網モデルに気象レーダ画像を与
えて気象ダイナミクスを学習させ、学習後の前記神経回
路網モデルを用いて降雨、降雪などの天候の短時間予測
を行なう気象予測装置であって、 任意の時間間隔をおいて計測された２枚の気象レーダ画
像より、該気象レーダ画像中のエコーパターンの移動ベ
クトルを計算する第１の手段と、 前記第１の手段で算出した前記移動ベクトルから、予測
時刻までの移動量を算出し、気象レーダ画像を外挿する
ことにより、計測時点以降の気象レーダ画像の予測画像
を求める第２の手段と、 前記第２の手段において求めた前記予測画像と実測され
たレーダ画像とを学習データとして前記神経回路網モデ
ルに与えて、学習を行なう第３の手段と、 前記第３の手段による学習後の前記神経回路モデルに計
測された気象レーダ画像を与え、該レーダ画像が計測さ
れた時刻以後の予測レーダ画像を求める第４の手段と、 を有することを特徴とする気象予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8065832A JPH09257951A (ja) | 1996-03-22 | 1996-03-22 | 気象予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8065832A JPH09257951A (ja) | 1996-03-22 | 1996-03-22 | 気象予測装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09257951A true JPH09257951A (ja) | 1997-10-03 |
Family
ID=13298395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP8065832A Pending JPH09257951A (ja) | 1996-03-22 | 1996-03-22 | 気象予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH09257951A (ja) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001081946A1 (fr) * | 2000-04-25 | 2001-11-01 | Mitsubishi Denki Kabushiki Kaisha | Systeme d'avertissement de presence de turbulence en vol |
| JP2019125251A (ja) * | 2018-01-18 | 2019-07-25 | ヤフー株式会社 | 情報処理装置、データ構造、情報処理方法、およびプログラム |
| CN110456355A (zh) * | 2019-08-19 | 2019-11-15 | 河南大学 | 一种基于长短时记忆和生成对抗网络的雷达回波外推方法 |
| JP2019219236A (ja) * | 2018-06-19 | 2019-12-26 | 株式会社東芝 | 処理装置、処理方法、およびプログラム |
| CN111352113A (zh) * | 2020-04-01 | 2020-06-30 | 易天气(北京)科技有限公司 | 一种强对流天气短临预报方法及系统、存储介质和终端 |
| JP2020193962A (ja) * | 2019-05-24 | 2020-12-03 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | 強対流天気を予測するための方法及び装置 |
| CN113657477A (zh) * | 2021-08-10 | 2021-11-16 | 南宁五加五科技有限公司 | 一种短临降水的预报方法、装置及系统 |
| WO2022014229A1 (ja) * | 2020-07-14 | 2022-01-20 | 古野電気株式会社 | 可降水量推定モデルの学習システム、可降水量推定システム、方法及びプログラム |
| CN114460555A (zh) * | 2022-04-08 | 2022-05-10 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种雷达回波外推方法、装置及存储介质 |
| CN115755227A (zh) * | 2023-01-10 | 2023-03-07 | 南京信大气象科学技术研究院有限公司 | 一种基于深度神经网络模型的三维雷达外推方法 |
-
1996
- 1996-03-22 JP JP8065832A patent/JPH09257951A/ja active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001081946A1 (fr) * | 2000-04-25 | 2001-11-01 | Mitsubishi Denki Kabushiki Kaisha | Systeme d'avertissement de presence de turbulence en vol |
| JP2019125251A (ja) * | 2018-01-18 | 2019-07-25 | ヤフー株式会社 | 情報処理装置、データ構造、情報処理方法、およびプログラム |
| JP2019219236A (ja) * | 2018-06-19 | 2019-12-26 | 株式会社東芝 | 処理装置、処理方法、およびプログラム |
| JP2020193962A (ja) * | 2019-05-24 | 2020-12-03 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | 強対流天気を予測するための方法及び装置 |
| US11555921B2 (en) | 2019-05-24 | 2023-01-17 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for predicting severe convection weather |
| CN110456355A (zh) * | 2019-08-19 | 2019-11-15 | 河南大学 | 一种基于长短时记忆和生成对抗网络的雷达回波外推方法 |
| CN111352113A (zh) * | 2020-04-01 | 2020-06-30 | 易天气(北京)科技有限公司 | 一种强对流天气短临预报方法及系统、存储介质和终端 |
| WO2022014229A1 (ja) * | 2020-07-14 | 2022-01-20 | 古野電気株式会社 | 可降水量推定モデルの学習システム、可降水量推定システム、方法及びプログラム |
| CN113657477A (zh) * | 2021-08-10 | 2021-11-16 | 南宁五加五科技有限公司 | 一种短临降水的预报方法、装置及系统 |
| CN113657477B (zh) * | 2021-08-10 | 2022-04-08 | 南宁五加五科技有限公司 | 一种短临降水的预报方法、装置及系统 |
| CN114460555A (zh) * | 2022-04-08 | 2022-05-10 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种雷达回波外推方法、装置及存储介质 |
| CN115755227A (zh) * | 2023-01-10 | 2023-03-07 | 南京信大气象科学技术研究院有限公司 | 一种基于深度神经网络模型的三维雷达外推方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Werner et al. | Hydrologic extremes–an intercomparison of multiple gridded statistical downscaling methods | |
| Liu et al. | Coupling the k-nearest neighbor procedure with the Kalman filter for real-time updating of the hydraulic model in flood forecasting | |
| Partal et al. | Wavelet and neuro-fuzzy conjunction model for precipitation forecasting | |
| JPH08505967A (ja) | 欠落および／または不完全なデータを有するニューラルネットワークを作動するための方法および装置 | |
| JPH09257951A (ja) | 気象予測装置 | |
| JP2012233714A (ja) | 環境状態予測システム及び環境状態予測情報の表示方法、並びに発電予測システム | |
| CN111737640B (zh) | 水位预测方法、装置及计算机可读存储介质 | |
| Yang et al. | Prediction of significant wave heights based on CS-BP model in the south China sea | |
| US11205111B2 (en) | End of period metric projection with intra-period alerts | |
| Rixen et al. | Surface drift prediction in the Adriatic Sea using hyper-ensemble statistics on atmospheric, ocean and wave models: uncertainties and probability distribution areas | |
| Wang et al. | Two-dimension monthly river flow simulation using hierarchical network-copula conditional models | |
| Liu et al. | Downscaling ensemble weather predictions for improved week-2 hydrologic forecasting | |
| Pashova et al. | Gap filling of daily sea levels by artificial neural networks | |
| JP3181018B2 (ja) | 気象予測装置 | |
| CN116564102A (zh) | Prophet-DeepAR模型的交通量预测方法 | |
| Vaishali et al. | Weather prediction model using Savitzky-Golay and Kalman Filters | |
| JPH08271649A (ja) | 気象予測装置 | |
| US11493666B2 (en) | System and method for forecasting snowfall probability distributions | |
| CN111428420B (zh) | 海表流流速预测方法、装置、计算机设备和存储介质 | |
| Sannasiraj et al. | Wave data assimilation using ensemble error covariances for operational wave forecast | |
| CN113642741B (zh) | 模型、数据生成方法、装置、电子设备及存储介质 | |
| Cannas et al. | Neural network models to forecast hydrological risk | |
| JP3250601B2 (ja) | 気象予測装置 | |
| JPH0921883A (ja) | ハイブリッド気象予測装置 | |
| Dietrich et al. | Can ensemble forecasts improve the reliability of flood alerts? |