JPH0949884A - ニューラルネットワークを用いた局地的気象予測方法 - Google Patents

Abstract

(57)【要約】 【課題】 本発明では、過去の気象データに基づき、ニ
ューラルネットワークによる気象予報方法を用い、常続
的かつ自動的に、指定された特定地点の局地予報を実施
することで、気象監視体制の強化及び予報精度の向上並
びに作業コストの低減を図ることを目的とし、提供す
る。 【解決手段】 階層型ニューラルネットワークを用いて
過去の気象現象データをその周囲環境の変化に合わせて
多数回学習させ、その学習結果にて算出した「しきい
値」および「シナプス結合係数」をもって、複数地点か
らなる周囲の気圧値と並びに予測しようとする特定され
た地点での現時点の気圧値とから東西及び南北方向での
気圧の偏微分係数を求め、該係数を現時点での風向及び
風速の各実測値とともに前記ニューラルネットワークに
入力し、近未来の局地風の予測値を算出する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、独自のウェザーネ
ットワークにより、局地的に独自の気象予測が連続的に
自動解析できる気象予測方法に関する。

【０００２】

【従来の技術】現在の民間気象会社の実施する気象情報
システムサービスは、気象庁の作成する数値予報モデル
の結果やアメダス等の広域的全国データを準用して、こ
れらをコンピュータ上で画像表示させたものである。す
なわち、気象庁のスーパ−コンピユータによって作成さ
れる数値予報モデルを主体とした格子点値データ（Ｇｒ
ｉｄ Ｐｏｉｎｔ Ｖａｌｕｅ。以下、ＧＰＶデータと
言う。）が予報の主流となっている。このＧＰＶデータ
は日本列島域ばかりでなく日本を囲む沿岸海域を含めた
広い範囲をカバーするものであるため、逆にこのような
広範囲のデータからは狭い範囲の局地的気象の予測をす
ることは難しい。なぜならＧＰＶデータの１番小さい格
子でも１辺が３０ｋｍ位の広範囲のもの（例えば東京で
言えば、東京−川崎の間が入ってしまう広さ。）で、例
えば羽田飛行場、代々木公園といった局地の気象はこの
モデルでは捕らえられず解析不可能だからである。そこ
で数値予報モデル結果から各ユーザーの局地予報を作成
する場合には、予報作成の都度、気象技術者がコンピュ
ータ上のテクニックでさらに細分化してかつ地形的な修
正データを加えて広域的モデル結果から狭義の局地予報
に大気現象を翻訳するようにしていた。しかしこのよう
に翻訳したとしても、元々このＧＰＶデータには局地的
・特異的データが含まれていないため正確なものとはな
り得ない。

【０００３】また、このＧＰＶデータは１日にわずか２
回しかデータが入って来ない（日本時間の９時と２１
時）ため、台風シーズン等の台風の進路が時々刻々変化
する時などはこのデータは時間と共に現在値からズレて
いき、入力時にデータ自体がすでに間違ってしまってい
ることも起こった。そして従来のＧＰＶデータによる気
象情報システムサービスでは、局地予報箇所の増加に従
い、担当予報技術者の人数を確保しなければ予報作業を
十分に消化することができなかったし、また、予報技術
者間の潜在能力・技術レベルに較差があり予報内容に個
人差が生じた。さらに、人間系にて大気現象を翻訳する
ため、２４時間体制での常続的気象監視の実施に無理が
生じた。

【０００４】以上のように、このＧＰＶデータで局地的
気象予測をするには、どうしても限界があった。そこ
で、局地気象予測に限定した独自の観測並びに気象監視
体制の構築が不可欠となっていた。

【０００５】

【発明が解決しようとする課題】上記のごとく従来の局
地気象予測では、数値予報モデル結果の翻訳のため、各
地域別に気象技術者が担当しなければ予報作業が十分に
消化されないため、事業拡大に伴い、以下に示すような
問題点が生じていた。 （１）数値予報モデル結果から各ユーザー別に局地予報
を作成する場合、モデルの精度上、解析不可能な局地的
気象現象の表現に、常に精度上の不確かな曖昧さが残
る。

【０００６】（２）数値予報モデル結果から各ユーザー
の局地予報を作成する場合、曖昧な情報の中で予報作成
を実施するが、気象技術者が人間系にて狭義の意味での
局地予報に大気現象を翻訳しなければならない。 （３）気象技術者が予報作成の際は各局地別に担当しな
ければならないため、予報箇所の増加に従い担当予報技
術者の人数を確保しなければ、予報作業を十分に消化す
ることができない。

【０００７】（４）気象技術者が予報作成の折り、担当
する予報技術者間の潜在的能力・技術レベルに較差があ
り、その都度、予報内容に個人差が生じる。 （５）気象技術者による人間系にて大気現象を翻訳する
ため、２４時間体制での常続的気象監視の実施に無理が
生じる。 （６）気象庁からの数値予報モデル結果が入手できない
場合、基本となる予報基準がなくなるため、予報の組み
立て作業に支障をきたす。

【０００８】本発明は上記の課題を解決するもので、気
象監視体制の強化及び予報精度の向上並びに作業コスト
の低減を図るものである。

【０００９】

【課題を解決するための手段】上記目的を達成するため
に、本発明によれば、階層型ニューラルネットワークを
用いて過去の気象現象データをその周囲環境の変化に合
わせて数万回学習させ、その学習結果にて算出した「し
きい値」および「シナプス結合係数」をもって、局地的
に特定した地点での気象を予測するものである。その場
合、予測しようとする特定の局地点を囲む４箇所の地点
の現時点の気圧値と並びに予測しようとする特定の局地
点での現時点の気圧値とから東西及び南北方向での気圧
の偏微分係数を求め、該係数を局地点での現時点の風向
及び風速の各実測値とともに前記ニューラルネットワー
クに入力し、１時間から６時間先までの局地風の予測値
を自動的に算出するようにしている。また、前記ニュー
ラルネットワークは階層型であり、「４−７−５−２」
の１８個のニューロンからなる４層構造を持つ解析環境
を有するネットワークをバックプロパゲーション法によ
り使用するようにしている。さらには、気象現象をあら
かじめ基本的な気圧パターンに分類し、分類されたパタ
ーン毎に最適係数等を決定し、予測に使用するようにし
ている。

【００１０】以上のように、本発明による「ニューラル
ネットワークを用いた局地気象予測方法」によれば、過
去の気象データに基づき、ニューラルネットワークによ
る気象予報方法を用い、常続的かつ自動的に指定された
特定の局地予報を実施することで、あたかも専属の気象
技術者が常続的に指定された地点の気象監視及び予測を
実施するかのごとく作動し、このため、気象技術者によ
る人的増強及び技術者間の誤差並びに常続的予報・監視
体制の問題は解消され、気象監視体制の強化及び予報精
度の向上並びに作業コストの低減を図ることができる。

【００１１】また、気象庁の数値予報モデル結果一辺倒
であった予報ツールに、独自のウェザーネットワークに
よる予報ツールが加わり、「気象の自由化」に最も適し
た予報業務の遂行が可能となる。

【００１２】

【発明の実施の形態】まず本発明で使用するニューラル
ネットワークについて簡単に説明しておく。ニューラル
ネットワークとは、人工的ニューロン（神経細胞）によ
って構成される情報処理モデルであり、コンピュータ上
で人間の脳の情報処理プロセスを構築したものである。
一般に、人間の情報処理の源である脳は１４０億個もの
ニューロンからなっており、このニューロンレベルでの
情報処理メカニズムを明確化し、あるいは真似たりする
ことで人間の情報処理プロセスをコンピュータ上で構築
する事が可能となる。そこで、この神経細胞を複数個連
結させてネットワーク化し、あたかも人間が直接気象予
測に従事するかの如く大気現象の予測に取り入れたもの
が、本発明のニューラルネットワークによる近未来気象
予測方法である。

【００１３】図９はこのニューラルネットワークの基本
構成を示すもので、図９（Ａ）は脳の神経細胞の構成図
であり、図９（Ｂ）はコンピュータ上でのニューラルネ
ットワークの構成図である。ニューロンは図９（Ａ）の
ように非常に複雑な形をしているが、全体が一続きの細
胞膜で囲まれた単一の細胞である。さらにニューロン本
体の周辺に何本かの枝のような突起がでているのがその
共通の形状である。

【００１４】各ニューロン９は、本体の部分である細胞
体９１と、この細胞体９１から樹状に約１ｍｍ位突き出
た多数の突起から成る樹状突起９２と、末端に複数本の
突起９３１を有する１本の長い繊維の軸索９３の３種の
部分から成り立っている。軸索９３は長さ数ｃｍから１
ｍにも及ぶものがある。この軸索９３の末端の軸索突起
９３１はそれぞれ別のニューロン９の樹状突起９２と結
合している。この結合部分をシナプス結合９４と呼んで
いる。図ではシナプス結合９４を点線の丸印で示した。
したがって１つのニューロンの出力情報はシナプス結合
９４を介して他のニューロンに伝えられることになって
いる。１つのニューロンは多いものでは数万の軸索突起
９３１と結合し、これらから情報を受け取る。したがっ
て、機能的にみればニューロン９は情報処理素子であ
る。すなわち、樹状突起９２から入力信号を受容し、細
胞体９１で入力信号を処理し、軸索突起９３１から出力
信号を出すと考えてよい。したがって人間の脳は約１４
０億個の情報処理素子から成る情報システムと見なすこ
とができる。

【００１５】以上の特徴を考慮して工学モデルとして考
えられたのが、図９（Ｂ）のコンピュータ上でのニュー
ラルネットワークの構成図である。同図のニューロン９
は、図９（Ａ）に対応して本体の部分である細胞体９１
と、この細胞体９１の入力側にある多数の樹状突起と前
段側の他のニューロンからの軸索突起とで形成されるシ
ナプス結合９４と、出力側の軸索９３とが描かれてい
る。シナプス結合９４はその結合度が一定ではなく、入
力信号や出力信号によって可塑的に変化する。そしてこ
の変化によって、長期記憶や学習の生理的メカニズムが
機能する。多数の入力信号において興奮性ニューロンか
らの入力信号に対しては時間的・空間的加算によりまた
抑制性ニューロンからの入力信号に対してはは時間的・
空間的減算によりニューロン内の細胞体の膜電位が決定
され、そしてこの膜電位があるしきい値を超えたときに
出力信号を出す。すなわち、このニューロンは、シナプ
ス結合係数可変多入力−１出力のしきい値素子というこ
とになる。

【００１６】さてこのようなニューラルネットワークを
用いて、本発明では過去の気象現象データをその周囲環
境の変化に合わせて数万回学習させ、その学習結果にて
算出した「しきい値」および「シナプス結合係数」をも
って、局地的に特定した地点での気象を予測するもので
ある。局地的気象解析現象に非線形関数の集合とも言え
るニューラルネットワークを適用させた理由は、大気現
象のメカニズムを数理的に考えた場合、大気は気圧・気
温等の等値線によってその表面が連続的に覆われる多様
体と考えることを前提とし、この多様体を極限し１点に
絞り限定したならば、この多様体は一つの非線形関数に
よって近似されることが可能であると推論されるからで
ある。すなわち、この推論は、「ある地点・時刻での風
向・風速の時間的変化は、その地点を含む近傍の気圧、
風向・風速及び地形から一意に決定できる」ということ
を前提とし、かかる前提のもとでは、特定の地点を含む
近傍領域が全く平らな平面であれば風は空気の移流であ
り、たかだかこれを含む十分小さな近傍内の２地点以上
の気圧値及び風向・風速を知ることで、大気現象は連続
であることから特定の地点の風向・風速の時間的変化が
容易に決定できることになる。しかし、実際には、地形
は平面ではなく複雑な地形効果を生み出しているため、
これらの要因を陰に表現し、限定した局地を中心とした
十分小さいとは言えない近傍内の数カ所の地点の気圧値
及び風向・風速値から特定地点での時間的変化を推測す
る非線形関数をニューラルネットワークを用いて近似的
に構成し解析することで、推測値が算出されることに注
目した。

【００１７】すなわち、大気現象予測に応用する場合、
有限サンプルの入出力関係から学習によって入出力写像
を推測する機能を持つ階層型ニューラルネットワークの
特性を効果的に用いたならば、十分に解析可能であるこ
とに注目したものである。また、ニューラルネットワー
クであるから、人工知能的要素をさらに取り入れて成長
させることが可能であり、将来的にも予測しがたい極度
の異常気象でも、その都度コンピュータ上で学習させ認
識させることが可能である。

【００１８】以上のことから、ニューラルネットワーク
を用いた局地気象予測とは、工学的問題点と理学的問題
点を常に兼ね備えた予測体系であり、地球物理学的判断
に基づいたエキスパートシステムの思考過程を取り入れ
て構築されるものである。その場合、実際問題としての
大気現象問題への応用を考えた複雑な構造を有するニュ
ーラルネットワークの構成する際、まず始めに問題とし
なければならないのは、ニューラルネットワークの構造
をどのように決定すれば汎化能力を大きく、かつ、予測
精度の高いニューラルネットワークを得ることが可能で
あるかと言うことである。すなわち、ワークステーシヨ
ンまたはパーソナルコンピュータで解析可能な階層構造
によるニューラルネットワークでは、何層構造にすれば
よいのか（一般的には人間の脳は高々６層構造程度）、
各層におけるニューロンの個数はいくらにすればよいの
か（人間の脳細胞は１４０億個）が工学的構造上の問題
となる。

【００１９】さらに問題となるものにニューラルネット
ワークにおけるニューロン（神経細胞）構成を最適構造
にした場合でも、不規則に変動する大気現象を予測する
場合、推測値を決定させる入力値をどこに設定すればよ
いか、また何を入力値として扱えばよいのかの問題が加
わってくる。すなわち、特定の地点の予報を考える場
合、高い予測精度を得るには、最適入力値を構成する理
学的適合性を有する最適ネットワークの設定が必要であ
り、このネットワークの決定に重点がおかれる。

【００２０】本発明によれば、局地的風向・風速を予測
する場合、一般的な風の概念を地衡風（すなわち、気圧
傾度と転向力とが釣り合って、その結果、等圧線に平行
に吹く風。）として扱い、同一高度の固定された２点間
の気圧差から地衡風を算出することは可能であるので、
この点に注目し、求める特定地点を囲む数地点間の気圧
差から局地的風向・風速の現象を学習させることを実施
させるものである。

【００２１】本発明での具体的な実施例として、図１の
ような局地気象予測を実施する４階層型ニューラルネッ
トワーク構成図で実現した。図１は１８個のニューロン
を使用したニューラルネットワークを示すもので、その
１８個のニューロンのうち入力層に４個、第１中間層に
７個、第２中間層に５個、出力層に２個のニューロンを
配置し、これをバックプロパゲーション法により学習さ
せている。バックプロパゲーション法において、ニュー
ラルネットワークは、入力パターンが必ず入力層の入力
用ニューロンモデルに与えられ、また出力パターンは出
力層の出力用ニューロンモデルからの出力で与えられ
る。このネットワークでの情報の流れは必ず入力層から
フィードフォワードであり、情報のフィードバックはな
いものとしている。また、ある層内の各ニューロンモデ
ルは必ず次の層内にあるニューロンモデルのすべてと結
合している。各ニューロンモデル間はシナプス結合であ
り、それぞれ固有のシナプス結合係数が与えられている
が、ニューラルネットワークに存在するすべてのシナプ
ス結合の係数は可変となっている。このシナプス結合係
数の可変によって、このネットワークの出力パターンが
与えられた教師信号に一致するようになるまでシナプス
結合係数を変えれるようになっている。

【００２２】いま、ニューロンモデルｊへの入力の総和
をｎｅｔ jとすると、 ここで、Ｗijは、ニューロンモデルi とニューロンモデ
ルj 間のシナプス結合係数であり、Ｏi は、ニューロン
モデルi からニューロンモデルj への入力信号の強さで
ある。

【００２３】そして、ニューロンモデルj からの出力Ｏ
j は次式で与えられる。 Ｏj ＝ｆj （ｎｅｔj ） （２） ここで、ｆj （ ）は微分可能で、かつ独立変数ｎｅｔ
j に対して非減少な関数（シグモイド関数）である。

【００２４】〔ステップ１〕入力パターンベクトルとネ
ットワーク内のすべてのシナプス結合係数Ｗijの初期値
を入力データとして与え、これを用いてまず第１中間層
の出力を求め、次に第２中間層の出力を求め、最後に出
力層からの出力Ｏi を求める。その際、式（１）と式
（２）を用いて入力の総和および対象ニューロンモデル
からの出力値をもとめるものとする。

【００２５】このプロセスをバックプロパゲーション法
における前進型処理部分と呼んでいる。 〔ステップ２〕求められた出力値Ｏi （i ＝１，２，・
・・）と、入力データとして与えられた教師信号ｔi
（i ＝１，２，・・・）を比較する。

【００２６】出力値と教師値とが一致している場合に
は、次の入力パターンを用いてステップ１に戻る。この
際、ネットワーク内のすべてのシナプス結合係数データ
は入力データではなく、計算で求められた、すなわち変
更されたシナプス結合係数データを用いる。一方、出力
値と教師信号が一致していない場合には、次のステップ
３に移行する。

【００２７】〔ステップ３〕次式（３）より、出力層の
各ニューロンモデルへの逆向き計算処理用入力データ
「δi 」を求める。 δi ＝ｔi −Ｏi （３） （i ＝１，２，３・・・） このδi 値を求めて、まず出力層と第２中間層間のシナ
プス結合の係数を求める。次に、そのシナプス結合係数
を用いて第１中間層の各ニューロンモデルへの入力信号
δi を求める。その後、第１中間層と入力層間のシナプ
ス結合の係数を求める。このプロセスをバックプロパゲ
ーション法における後進型処理部分と呼んでいる。

【００２８】なお、各層間のシナプス結合の係数の変化
は次式（４）で求める。 Δp Ｗij ＝ εδpj・Ｏpi （４） ここで、εは学習の割合を示す正の定数である。 〔ステップ４〕ステップ３で求めたＷjiを用いてステッ
プ１へ戻る。以上がバックプロパゲーション法の概要で
ある。すなわち、入力パターンを入力として、まず各層
の出力を順次フィードフォワード方向に計算し、最終的
に出力層からの出力パターンを求める。次に、与えられ
た教師信号と出力パターンとの差（すなわちデルタ信
号）を入力として、出力層から逆向きに順次各シナプス
結合係数の変化量と変化したシナプス結合係数を用いて
各層に入るデルタ信号を計算していく。

【００２９】最後に、変化したすべてのシナプス結合係
数とすでに与えられている入力パターンを用いて、再度
出力層からの出力パターンを求める処理を行うことにな
る。局地特定点として本発明では例えば羽田を選び、こ
の羽田を囲む周囲の気象データ地点としての４地点は、
秋田・銚子・八丈島・御前崎とし、羽田を中心に気圧の
東西成分及び南北成分の微分をとりやすくすることとす
る。秋田・銚子・八丈島・御前崎の４点を選定した理由
はつぎの理由に基づいている。

【００３０】１）予測の対象となる特定地点を中心にお
おむね東西・南北方向にそれぞれ観測地を１か所選定す
る。 ２）この場合、西から東へ移動する気象擾乱をキャッチ
するため、日本海および太平洋側に５００海里程度の距
離を保ち、１点ずつ観測点を設ける。 ３）また、２０〜３０ノットで移動する擾乱の時間的問
題から解決するため、東西方向への広がりを１５０海里
程度と決定する。

【００３１】すなわち、４地点のウエザーネットワーク
地点を設定する場合、日本海側及び太平洋側に５００海
里程度の距離を保ち、東西方向では１５０海里程度の距
離を持って設定することが望ましいため、その結果、秋
田・銚子・八丈島・御前崎の４点が選ばれた。もちろん
４地点はここに限定されることはなく、その近県の観測
所であってもよい。また、局地羽田を中心に東西南北の
４地点を選定したが、地形的によっては局地を中心とし
て３角形の３点を選定してもよい。

【００３２】この結果、羽田の風向・風速を予測する場
合、図１０のように過去の羽田の風向・風速を教師値と
して、羽田での風速を２つの成分の東西方向ｕと南北方
向ｖに分け、風速のｕ（東西方向）成分を出力１に、ｖ
（南北方向）成分を出力２に入れる。入力データとして
は、前記教師値の得られた時点より所定時間前の過去の
羽田での風速データを同じく２つの成分の東西方向ｕと
南北方向ｖに分け、ｕ（東西方向）成分の風速、ｖ（南
北方向）成分の風速をそれぞれ入力すると共に、周囲の
大気変動を算出させるため、図１０のように入力１およ
び２の風速データの時点と同時点の気圧に関する東西方
向の変動成分を示す「御前崎−羽田−銚子」間の気圧値
の偏微分係数と並びに南北方向の変動成分を示す「秋田
−羽田−八丈島」間の気圧に関する偏微分係数を、それ
ぞれ入力３と入力４に入れる。これらの４つの入力値か
ら、一定時間先の羽田の風向・風速を前述のバックプロ
パゲーション法における前進型処理プロセスにしたがっ
て求め、その結果得られた出力値を上記ステップ２のよ
うに教師値と比較し、出力値と教師値とが一致した場合
には、次の新たな過去のデータを入力する。この際、ネ
ットワーク内のすべてのシナプス結合係数データは入力
データではなく、今の計算で求められた変更されたシナ
プス結合係数データを用いることとなる。

【００３３】一方、出力値と教師信号が一致しなかった
場合には、前述のステップ３およびステップ４で述べた
ように、出力値と教師信号との差から出力層と第２中間
層間の「シナプス結合係数」を求め、以下バックプロパ
ゲーション法における後進型処理プロセスに従って入力
側まで各層間のシナプス結合係数を変えながら進み、前
述のステップ１へもどり、再度同じデータである羽田で
の風速のｕ成分とｖ成分と「御前崎−羽田−銚子」間の
気圧値の偏微分係数と「秋田−羽田−八丈島」間の気圧
に関する偏微分係数を、それぞれ入力１、入力２、入力
３、入力４に入れ、バックプロパゲーション法における
前進型処理プロセスにしたがって羽田の風向・風速を求
め、その結果得られた出力値を教師値と比較し、出力値
と教師値とが一致した場合には、次の新たな過去のデー
タを入力する。その際次の新たなデータの計算には今の
計算で求められた変更されたシナプス結合係数データを
用いることとなる。

【００３４】また、出力値と教師信号が一致しなかった
場合には、再び前述のバックプロパゲーション法におけ
る後進型処理プロセスに従って出力側から入力側までの
各層間のシナプス結合係数を変え、再度同じデータを入
力１、入力２、入力３、入力４に入れ、バックプロパゲ
ーション法における前進型処理プロセスにしたがって羽
田の風向・風速を求め、その結果得られた出力値を教師
値と比較しすることを出力値と教師値とが一致するまで
繰り返す。そして出力値を教師値とが一致した場合に
は、次の新たな過去のデータを入力する。

【００３５】以上のことを繰り返し、本発明によれば、
過去の気象現象データをその周囲環境の変化に合わせて
数万回学習させた。その学習結果の１例が表１に示して
ある。表１において、秋田・八丈島・銚子・御前崎の気
圧を入力すると、羽田での所定時間先の風速・風向の出
力値が得られ、その横に教師値が示されている。例えば
第１列目を見ると、秋田１０１３．７・八丈島１０１
１．１・銚子１０１５．７・御前崎１０１４．６のヘク
トパスカルのとき、羽田では所定時間後１３．６７ノッ
トの風速で、向きは３２６．４５度と出力し、その教師
値は風速５．００ノットで、向きは３３０度（真北＝０
度）である。

【００３６】

【表１】

【００３７】この学習結果から、羽田に限定したニュー
ラルネットワーク上での「しきい値」および「シナプス
結合係数」を決定して、任意の時刻における各地点での
気圧値を入力することで羽田の風の予測値をリアルタイ
ムで推測できる。すなわち、具体的には、指定された局
地である羽田で観測した風向・風速・気圧の現在の実測
値と、羽田を中心に東西南北の４つの観測地点である銚
子・御前崎・八丈島・秋田の気圧の現在の実測値をリア
ルタイムで気象庁からの一般気象情報により得て、これ
らの各実測値から風速のｕ成分、ｖ成分、「御前崎−羽
田−銚子」間の気圧値の偏微分係数、並びに南北方向の
変動成分を示す「秋田−羽田−八丈島」間の気圧に関す
る偏微分係数を、それぞれ求めてニューラルネットワー
クの入力１・入力２・入力３・入力４に入れ、数万回学
習させた結果の「しきい値」および「シナプス結合係
数」を用いたニューラルネットワークで一定時間先の羽
田の風向・風速をバックプロパゲーション法における前
進型処理プロセスにしたがって出力１・出力２に風速の
ｕ成分、ｖ成分を求める。得られた風速のｕ成分とｖ成
分とから所定時間後の羽田での風向・風速の予測値が得
られる。

【００３８】表２には、このようにして得られた「しき
い値」および「シナプス結合係数」を用いて羽田の風の
予測値を推測させる未学習データによる汎化テストを試
みた結果が示されている。同表を見るとこの方法による
予測値の誤差平均は１．１ｍ／ｓであり、実用に供する
ものであることが分かる。

【００３９】

【表２】

【００４０】ニューラルネットワークによる予報解析に
用いる基本気圧パターンは以下の９パターンに分類され
る。すなわち、（１）台風型、（２）冬型（西高東低
型）、（３）海陸風型（夏型・高気圧型）、（４）南部
前線型、（５）北部前線型、（６）北部低気圧型、
（７）南部低気圧型、（８）２つ玉低気圧型、（９）高
気圧後面型、がこれらである。そこで予測するときに、
予め該当する気圧パターンに分けて処理するとニューラ
ルネットワークが処理し易く、処理速度と正確さが増す
のでいっそう有効である。

【００４１】図３〜図８は、このようにして得られたニ
ューラルネットワークによる３時間先の予測値と３時間
後の実測値による風速の変動状況をそれぞれ該当する基
本気圧パターン別に示したものである。いずれも、予測
値は点線（×印）、実測値は実線（●印）で示してい
る。図３は台風型の場合、図４は南部前線型の場合、図
５は冬型（西高東低型）の場合、北部低気圧型の場合、
図７は南部低気圧型の場合、図８は海陸風型の場合のも
のである。いずれの図においても、横軸は時間（分）、
縦軸は風速（ｋｔ：１ノット＝約０．５ｍ／ｓ）を示し
ている。

【００４２】図３〜図８のどの図を見てもわかるよう
に、どの気圧パターンにおいても、予測値と実測値が十
分に近似しており、実用に足りるものであることが分か
る。以上の実施例では、３時間先の予測を行ったが、本
発明によれば半日先の近未来の予測まで十分に可能であ
る。また、気象要素に気圧と風を用いてきたが、その他
の気象要素を入力信号として使用することもありうる。
考えられる気象要素には、気圧、風の他に、気温、露天
温度、水蒸気量、温位、うず度等の変化がある。これら
の気象要素には色々な物理量が含まれており、各物理量
から一つの気象要素が構成されているので、それらの物
理量を用いればよい。例えば、降水の基となる水蒸気量
について考えて見るならば、水蒸気量や水蒸気圧を直接
に観測するセンサーは現在の時点ではなく、気温、露天
温度、気圧からなる換算物理量を用いる。また、風で
は、一つの風を構成するものに、地球の運動から成る地
衡風、気圧の変化から成る傾度風、気温の変化から成る
温度風との合成された物理量である。

【００４３】このように、大気現象を構成するそれぞれ
の気象要素は、すべて関連性があり、総合的気象予測を
実施する場合、それぞれの何が最も支配的であるのか
を、その都度決定して行けばよい。

【００４４】

【発明の効果】以上のように本発明は構成されるので、
本発明によれば以下に記載されるような効果を奏し、も
って気象情報提供サービス分野で、広くかつ効果的な活
用が実施される。 （１）気象庁の数値予報モデルにこだわることなく、独
自の気象ネットワークで局地に限定した精度の高い予測
を作成することができる。

【００４５】（２）ユーザーの指定する現場の局地気象
予測を常時自動表示させることができる。 （３）ユーザーの指定する現場の大気現象を２４時間常
続的に監視することができる。 （４）ユーザー数が増加しても、予報技術者を増員させ
る必要なく、経済効果を向上させることができる。

【００４６】（５）局地予報精度に関し、ある一定の予
報精度を維持させることができる。

【図面の簡単な説明】

【図１】局地気象予測を実施する階層型ニューラルネッ
トワーク構成図。

【図２】階層型ニューラルネットワークによる局地気象
予測システムに気象観測データを提供するウェザーネッ
トワーク構成図で、例として羽田を局地予報地点と見な
した場合の図。

【図３】ニューラルネットワークによる３時間先の予測
値と３時間後の実測値による風速の変動状況で台風型の
場合。

【図４】同じく南部前線型の場合。

【図５】同じく冬型（西高東低型）の場合。

【図６】同じく北部低気圧型の場合。

【図７】同じく南部低気圧型の場合。

【図８】同じく海陸風型の場合。

【図９】ニューラルネットワークの基本構成を示す図
で、（Ａ）は脳の神経細胞の構成図、（Ｂ）はコンピュ
ータ上でのニューラルネットワークの構成図。

【図１０】ニューラルネットワークによる基本気象予測
値の解析要領図。

【符号の説明】

９ ニューロン ９１ 細胞体 ９２ 樹状突起 ９３ 軸索 ９３１ 軸索突起 ９４ シナプス結合

Claims (4)

【特許請求の範囲】
1. 【請求項１】ニューラルネットワークを用いて過去の気
   象現象データをその周囲環境の変化に合わせて多数回学
   習させ、その学習結果にて算出した「しきい値」および
   「シナプス結合係数」をもって、局地的に特定した地点
   での気象を予測する局地的気象予測方法。
2. 【請求項２】請求項１の気象予測方法において、予測し
   ようとする局地点の周囲の複数地点の現時点の気圧値と
   並びに該局地点での現時点の気圧値とから東西及び南北
   方向での気圧の偏微分係数を求め、該係数を該局地点で
   の現時点の風向及び風速の各実測値とともに前記ニュー
   ラルネットワークに入力し、近未来の局地風の予測値を
   自動的に算出する方法。
3. 【請求項３】請求項１の気象予測方法において、前記ニ
   ューラルネットワークは多層構造を持つ階層型であり、
   解析環境を有するネットワークをバックプロパゲーショ
   ン法により使用することを特徴とする気象予測方法。
4. 【請求項４】請求項１の気象予測方法において、気象現
   象をあらかじめ基本的な気圧パターンに分類し、分類さ
   れたパターン毎に最適係数等を決定し、予測に使用する
   気象予測方法。