JPH11326542A

JPH11326542A - 気象パターン分類予測方法、装置、および気象パターン分類予測プログラムを記録した記録媒体

Info

Publication number: JPH11326542A
Application number: JP12783198A
Authority: JP
Inventors: Kazuhiro Otsuka; 和弘大塚; Tsutomu Horikoshi; 力堀越; Satoshi Suzuki; 智鈴木
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 1998-05-11
Filing date: 1998-05-11
Publication date: 1999-11-26

Abstract

(57)【要約】【課題】気象画像中のパターンの大幅な変化を予測す
る。【解決手段】クラス設定段階では、気象画像を逐次観
測および蓄積を行い（ステップ６０１）、観測された気
象画像の中から各クラスの代表パターンを設定し（ステ
ップ６０２）、気象画像の特徴量を計算し（ステップ６
０３）、クラス分類のための特徴空間を構成する（ステ
ップ６０４）。系列学習段階では、観測および蓄積され
た気象画像の系列について、ある時間間隔でクラスを識
別し（ステップ７０１）、得られた気象画像のクラスの
時系列を記憶し（ステップ７０２）、蓄積された気象画
像のクラスの時系列の集合から気象パターンのクラス変
化の規則を推定する（ステップ７０３）。クラス分類・
予測段階では、気象画像を逐次観測し（ステップ８０
１）、気象画像のクラスを識別し（ステップ８０２）、
気象パターンの変化を予測し（ステップ８０３）、気象
パターンのクラスおよびクラスの変化の予測を出力する
（ステップ８０４）。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、気象レーダ画像や
気象衛星画像などにより観測される気象画像を用いて、
気象現象の観測、予測を行う技術および、気象現象の予
報などの気象予報業務の支援を行う技術に関する。

【０００２】

【従来の技術】これまで、気象レーダ画像などの気象画
像を用いて、気象現象の観測、予測を行う技術として
は、気象レーダ画像を用いた局所かつ短時間の降水の空
間分布の予測を行う技術があった。その一例として、文
献［１］遊場芳雄、菊地勝弘、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、Ｖｏｌ．４４，Ｏｃｔｏｂｅｒ，１９
８４，ｐｐ．２３−３４や、文献［２］遊場芳雄、菊地
勝弘、今久：“簡易気象レーダーによる降雪の短時間予
測実験（その１）”、北海道大学地球物理学研究報告、
Ｖｏｌ．４４，Ｏｃｔｏｂｅｒ，１９８４，ｐｐ．３５
−５１．にある相互相関法が広く知られている。

【０００３】上記文献［１］，［２］の手法では、一定
時間毎に観測され時系列をなす気象画像から、その真近
に観測された２つの時刻の気象画像を用い、一方をずら
して、画像間の相互相関値を計算し、その最大となるず
れ幅から、画像中のパターンの移動速度を推定してい
る。さらに、推定された移動速度を用いてエコーパター
ンを外挿させることにより未来の気象レーダ画像中のエ
コーパターンの分布の予測を提供している。気象レーダ
装置の反射強度を気象画像として用いる場合、画像中の
パターンはエコーパターンと呼ばれ、その画像中での分
布は降水強度の空間的な分布に対応し、また画像中の各
点での濃淡値は降水強度に対応している。

【０００４】上記以外には、気象画像に含まれる雲の動
きから、その地点における風の方向、強さを推定する方
法などがある。また、気象予報者が気象画像を観測し、
定性的に気象の状態を判定し、予報の参考にするという
利用法がある。

【０００５】

【発明が解決しようとする課題】しかしながら、従来の
気象画像に関する技術においては、気象画像中のパター
ンのクラスを自動的に分類することができず、また、従
来の気象画像の予測技術では、直前に観測した気象画像
パターンの動きおよび形の傾向が今後も持続すると仮定
し、予測を行っているため、気象画像中のパターンの大
幅な変化を予測することができなかった。

【０００６】そこで、本発明の目的は、気象画像中のパ
ターンの大幅な変化を予測できる気象パターン分類予測
方法、装置および気象パターン分類予測プログラムを記
録した記録媒体を提供することである。

【０００７】

【課題を解決するための手段】本発明の気象パターン分
類方法は、気象画像を逐次観測するステップと、各時刻
の気象画像を代表的な気象画像パターンのクラスに分類
を行うステップと、その結果得られる各時刻の気象画像
が属するクラスの名称を出力するステップとを有する。

【０００８】本発明の他の気象パターン分類予測方法
は、気象画像を逐次観測するステップと、各時刻の気象
画像を、代表的な気象画像パターンのクラスに分類する
ステップと、そのクラスの時系列より、観測時点より未
来の気象画像パターンのクラスおよびその変化を予測す
るステップと、その結果を出力するステップとを有す
る。

【０００９】本発明の気象パターン分類予測装置は、気
象画像を逐次観測する手段と、各時刻の気象画像を代表
的な気象画像パターンのクラスに分類する手段と、その
結果得られる各時刻の気象画像が属するクラスの名称を
出力する手段とを有する。

【００１０】本発明の他の気象パターン分類予測装置
は、気象画像を逐次観測する手段と、各時刻の気象画像
を代表的な気象画像パターンのクラスに分類する手段
と、そのクラスの時系列より、観測時点より未来の気象
画像パターンのクラスおよびその変化を予測する手段
と、その結果を出力する手段とを有する。

【００１１】気象パターンにはいくつかの典型的なパタ
ーンがあり、パターン毎に特有の時間変化の特性を有す
るため、現在の現象がどのパターンに当てはまるかがわ
かれば、その後の変化を予測することができると考えら
れている。

【００１２】本発明では、逐次観測される気象画像に対
し、その気象画像パターンのクラスを提示するため、利
用者が客観的に気象状況を判断することが可能となる。

【００１３】また、従来の気象画像予測手法では、全て
の気象画像パターンに対して同じアルゴリスムおよびパ
ラメータを用い予測を行っていたが、本発明では得られ
た気象画像パターンのクラス分類の情報を用いることに
より、各々の気象画像パターンに最適化したパラメータ
を決定することができ、また、本発明により各時点にお
けるクラスおよびこの先変化するであろうクラスが得ら
れるので、その時々の状況に合わせたアルゴアリズムお
よびパラメータを選択することができ、より精度の高い
予測が可能となる。

【００１４】さらに、気象予報士などの本発明の利用者
は、長年の気象に関わる経験により、「このパターンが
現われると、次にはこういうパターンが来るだろう」、
「このパターンはこれくらいの時間継続するだろう」な
どというパターン変化の規則を経験則として獲得するこ
とができる。これに対し、本発明においても、逐次、最
新の気象画像パターンのクラスを提示するとともに、蓄
積された過去の気象画像のクラス系列からパターン変化
の規則を推定することができる。よって、本発明では利
用者に、気象現象の推移の様子やこの先の予測を提示す
ることができ、利用者の経験則の想起などの知的作業を
支援することができ、結果的により精度の高い気象予報
が可能となる。

【００１５】また、本発明では、各クラスの代表的なパ
ターンを選択することにより、利用者の主観にあった気
象画像パターンのカテゴリー（クラス）を設定すること
ができる。したがって、利用者毎にクラスを設定し、本
発明を運用することにより、各利用者の気象パターンの
変化に関する経験則を補足、増強することが可能とな
る。

【００１６】また、本発明では、画像平面をメッシュ状
に区切り、各メッシュ内での濃淡値の平均を特徴量とし
ている。そのため、画像パターンの細かなテクスチャー
の違いによらず、パターンの存在する位置や大まかな形
の特徴を捉えることが可能となる。また、時系列画像の
速度ベクトル場も特徴として使用することができ、画像
中の移動物体の移動方向、速度の大きさの特徴を捉える
ことができる。また、時系列をなす気象画像の系列を時
間方向に積層してできる時空間画像を構成し、時空間画
像中の運動パターンの輪郭が描く運動軌跡の曲面を抽出
し、該運動軌跡の曲面上に接する接平面の頻度分布を検
出し、該接平面の頻度分布から画像特徴量を計算してい
る。そのため、気象画像パターンに独特のパターン表面
の細かい模様や、パターンの生成・消滅などの細かい動
きの特徴を捉えることができる。

【００１７】

【発明の実施の形態】次に、本発明の実施の形態を図面
を参照して詳細に説明する。

【００１８】図１を参照すると、本発明の一実施形態の
気象パターン分類予測装置は、気象観測部１００、入力
部２００と代表パターン設定部３００と処理部４００と
出力部５００とから構成されている。

【００１９】気象観測部１００は、気象画像を得るため
の気象観測部であり、気象レーダ装置や気象衛星などか
らなる。

【００２０】入力部２００は、気象観測部１００より気
象画像を受信する画像入力部２０１と、得られた画像を
蓄積する画像蓄積部２０２からなる。

【００２１】クラス設定部３００は、画像蓄積部２０２
に蓄積されている気象画像の中から、代表的なパターン
を任意に選択し、気象パターンのクラスを設定する代表
パターン設定部３０１と、代表パターン設定部３０１で
得られた各気象パターンのクラスについての代表的な気
象画像を記憶する代表パターン記憶部３０２からなる。

【００２２】処理部４００は、入力部２００で得られた
気象画像の画像特徴を計算する画像特徴計算部４０１
と、画像特徴を代表クラス設定部３００で設定されたク
ラスに分離できるような特徴空間を構成する特徴空間構
成部４０２と、画像特徴から気象画像のクラスを判定す
る画像クラス識別部４０３と、気象画像のクラスの系列
を記憶するクラス系列記憶部４０４と、過去のクラス系
列より気象パターンのクラスの変化に関する規則を推定
するパターン変換ルール推定部４０５と、最新の気象画
像について、その後のパターンの変化を予測するパター
ン変化予測部４０６からなる。

【００２３】出力部５００は、処理部４００中の画像ク
ラス識別部４０３およびパターン変化予測部４０６から
得られた情報を出力するディスプレイ装置５０１からな
る。

【００２４】図２は図１の実施形態の処理を示すフロー
チャートである。

【００２５】本実施形態は３つの段階からなり、段階１
のクラス設定段階では、気象画像の逐次観測および蓄積
を行い（ステップ６０１）、観測された気象画像の中か
ら各クラスの代表パターンを設定し（ステップ６０
２）、気象画像の特徴量を計算し（ステップ６０３）、
クラス分類のための特徴空間を構成する（ステップ６０
４）。

【００２６】また、段階２の系列学習段階では、観測お
よび蓄積された気象画像の系列について、ある時間間隔
でクラスを識別し（ステップ７０１）、得られた気象画
像のクラスの時系列を記憶し（ステップ７０２）、蓄積
された気象画像のクラスの時系列の集合から気象パター
ンのクラス変化の規則を推定する（ステップ７０３）。

【００２７】さらに、段階３のクラス分類・予測段階で
は、気象画像を逐次観測し（ステップ８０１）、気象画
像のクラスを識別し（ステップ８０２）、気象パターン
の変化を予測し（ステップ８０３）、気象パターンのク
ラスおよびクラスの変化の予測を出力する（ステップ８
０４）。

【００２８】以下、各部の動作例を具体的に説明する。

【００２９】気象観測部１００は、気象状況を逐次、観
測し、その空間パターンを画像として一定時間毎に入力
部２００に送信する。

【００３０】気象観測の手段としては、気象レーダ装置
や気象衛星などが利用できる。気象レーダ装置を用いた
場合、降水量の空間分布のパターンを得ることができ
る。また、気象衛星を用いた場合、雲の分布のパターン
や水蒸気量の分布パターンを得ることができる。以下で
は、気象レーダ装置を用いた場合を想定し説明する。

【００３１】画像入力部２０１は、気象観測部１００で
得られた気象画像を入力し、画像蓄積部２０２に記憶さ
せる。

【００３２】代表パターン設定部３００は、図２におけ
る段階１のクラス設定段階において、代表的な気象パタ
ーンのクラスを設定し、画像蓄積部２０２に蓄えられて
いる過去の気象画像の中から、各クラスの代表的な画像
の集合を抽出し、代表パターン記憶部３０２に記憶させ
る。

【００３３】その方法としては、人間が画像蓄積部２０
２に蓄えられている過去の気象画像の中から、各利用者
の気象学的知識に合致するような代表的な気象パターン
のクラスを設定し、各クラスについて、代表的だと思わ
れる気象画像を画像蓄積部２０２から抽出し、代表パタ
ーン記憶部３０２にクラス毎に記憶させる方法が利用で
きる。

【００３４】また、人間の手を介さずに、画像蓄積部２
０２に蓄積されている過去の気象画像から画像特徴計算
部４０１を経て画像の特徴量を計算し、クラスタリング
手法を用いて、気象パターンのクラスを設定することも
可能である。その場合には、時刻ｔの画像についてＮ次
元のベクトルとして得られる画像特徴量

【００３５】

【外１】について、k-means 法を用いて画像特徴量が互いに類似
する画像を同じクラスとして分類することができる。k-
means 法を行った後には、各クラスの中心に位置するコ
ードワード（Ｎ次元のベクトルの集合

【００３６】

【外２】を代表パターン記憶部３０２に記憶させる。ただし、Ｍ
はクラスの数である。

【００３７】画像特徴計算部４０１は、画像入力部２０
１で得られた最新の気象画像、および画像蓄積部２０２
に記憶されている過去の気象画像を入力し、任意の時間
間隔について画像特徴量を一組計算する。得られた画像
特徴量は特徴空間構成部４０２および画像クラス識別部
４０３に送られる。

【００３８】ここでは、その特徴量として気象画像中の
パターンの空間分布、速度場を用いた例を示す。なお、
以下の方法以外により得られる画像特徴量も利用可能で
ある。ある時刻ｔにおいて図３の例のように得られた画
像Ｉ（ｉ，ｊ，ｔ）を、図４のようにＭ×Ｎのメッシュ
に区切り、各メッシュ内の画素の濃淡値Ｉ（ｉ，ｊ，
ｔ）の平均値をそのメッシュの値Ｄ_t （ｘ，ｙ）とす
る。特徴量としては各メッシュの値をラスタースキャン
し、一次元ベクトルとして

【００３９】

【外３】表す。

【００４０】また、気象画像パターンの速度場の特徴と
しては、時刻ｔの最新の画像Ｉ（ｉ，ｊ，ｔ）と、ａフ
レーム前の時刻の画像Ｉ（ｉ，ｊ，ｔ−ａ）を図５のよ
うにメッシュに区切り、その各部分画像について画像間
の相互相関係数を用いたマッチングを行い、相互相関係
数が最大になるずれ幅からパターンの移動速度を得る方
法により、各メッシュ毎の速度成分が計算できる。例え
ば、ａは１を用いることができる。その結果、気象画像
の速度場

【００４１】

【外４】を求めることができる。これもまた、１次元ベクトルと
して

【００４２】

【外５】表現する。

【００４３】また、時系列をなす気象画像の系列を時間
方向に積層してできる時空間画像と呼ばれる３次元ボリ
ュームデータを構成し、気象画像パターンの輪郭が、そ
の時空間画像中に描く運動軌跡の曲面を抽出し、該運動
軌跡の曲面上に接する接平面の頻度分布を検出し、該接
平面の頻度分布から求められる気象画像中のパターンの
空間的および動きの特徴量も利用できる。

【００４４】さらに、特徴量としてパターンの面積やレ
ーダエコーの平均的な強度値、パターン表面のテクスチ
ャー特徴なども利用可能である。

【００４５】以上のように１時刻または複数の時刻の気
象画像について得られた特徴量は時刻ｔ毎に１組の特徴
量として１次元のベクトル

【００４６】

【外６】とまとめて求められる。

【００４７】特徴空間構成部４０２は、代表パターン設
定部３０１により設定され、代表パターン記憶部３０２
に記憶されている各クラス毎の代表的な気象画像につい
て、画像特徴計算部４０１により得られる画像特徴量を
入力とし、各クラスの画像ができるだけよく識別できる
ような特徴空間を求める。

【００４８】ここではその一例として、線形判別分析手
法を用いた方法を示す。なお、これ以外の方法も利用可
能である。

【００４９】代表パターン設定部３０１により設定さ
れ、代表パターン記憶部３０２に記憶されているクラス
ｉに含まれる代表的な気象画像の集合をＣ_i と表し、そ
の画像に対応する画像特徴計算部４０１により得られる
画像特徴量の平均ベクトルを

【００５０】

【外７】と表す。また、代表パターン記憶部３０２に記憶されて
いる全クラスの代表的な気象画像の集合をＣと表し、そ
の中の画像特徴量の平均ベクトルを

【００５１】

【外８】と表す。なお、代表パターン設定部３０１により設定さ
れたクラスの数をｃと表す。

【００５２】いま、特徴量ベクトル

【００５３】

【外９】について、求めるべき特徴空間Ｙの位置

【００５４】

【外１０】に変換する写像を

【００５５】

【数１】のように表すことにする。Ａは変換行列である。特徴量
ベクトルの次元をｄとすると、変換後の特徴空間の次元
数は

【００５６】

【外１１】となる。特徴空間Ｙにおいて、同じクラス内の画像はな
るべく近く、異なるグループに属する画像同士はできる
だけ遠くに配置できれば、クラス設定部３００で設定し
た気象パターンのクラスをよりよく分離することができ
る。そのため、特徴空間Ｙにおいて、各クラス内のばら
つきが小さく、クラス間のばらつきが大きくなるように
変換行列Ａを求める。そのため、クラス内共分散行列

【００５７】

【外１２】、クラス間共分散行列

【００５８】

【外１３】を導入する。

【００５９】

【数２】ただし、Ｐ_i はクラスｉの事前確率であり、ｎ_i はクラ
スｉ内のサンプル数である。変換後の空間Ｙにおいても
同様の量

【００６０】

【外１４】を

【００６１】

【数３】のように求めることができる。ここで変換後の特徴空間
内では、クラス内分散がなるべく小さく、クラス間分散
がなるべく大きくなっていることが望ましいため、変換
後のクラス間の分離度を表す評価関数Ｊ（Ａ）を設定す
る。この評価関数Ｊ（Ａ）としては、

【００６２】

【数４】などが考えられ、この評価関数を最大にするようなＡを
求める最大化問題として考えられる。この最大化問題
は、

【００６３】

【数５】という正規化条件のもとで、式（６）の分子を最大にす
ることと等価であり、固有値問題

【００６４】

【数６】に帰着する。

【００６５】

【外１５】は対角行列である。したがって、

【００６６】

【外１６】の固有値の大きい方から

【００６７】

【外１７】個の固有値

【００６８】

【外１８】に対応する固有ベクトルを順番に行ベクトルとしてまと
めた行列が求める変換行列Ａとなる。

【００６９】画像クラス識別部４０３は、画像特徴計算
部４０１により得られた画像特徴量を、特徴空間構成部
４０２により得られた特徴空間中へと変換し、クラス設
定部３００で設定したクラスのいずれかに任意の時刻の
気象画像を分類する。

【００７０】ここで、その例として、特徴空間中でのユ
ークリッド距離を用いる方法を示す。特徴空間構成部４
０２により求められた特徴空間Ｙに変換された各クラス
の平均ベクトル

【００７１】

【外１９】と、ある時刻の気象画像から得られる特徴量を特徴空間
Ｙ上に変換した特徴ベクトル

【００７２】

【外２０】との距離Ｄ_i を

【００７３】

【数７】と定義する。入力された気象画像の特徴ベクトル

【００７４】

【外２１】に対して、各クラスｉの平均ベクトルとの距離Ｄ_i を求
め、最も距離が小さいクラスへと入力された気象画像を
分類する。

【００７５】図２の段階２の系列学習段階においては、
画像蓄積部２０２から送られた気象画像の系列から任意
の時間毎に、任意の時間範囲内の気象画像の系列を一組
として画像特徴計算部４０１により特徴量が計算され、
画像クラス識別部４０３によって識別されたクラスの情
報は、時系列をなすクラス系列として、クラス系列記憶
部４０４へと蓄積される。

【００７６】また、図２の段階３のクラス分類・予測段
階では、画像入力部２０１において得られた最新の気象
画像の系列について、画像特徴計算部４０１により特徴
量が計算され、画像クラス識別部４０３によってクラス
が識別される。そのクラスの情報はパターン変化予測部
４０６に送られ、気象パターンの変化を予測するための
データとして用いられ、また、出力部５００を経て、利
用者に提供される。

【００７７】クラス系列記憶部４０４は、段階２の系列
学習段階において、画像蓄積部２０２に蓄積されている
過去の気象画像の系列について、画像クラス識別部４０
３によって得られたクラスの系列を記憶する。

【００７８】画像蓄積部２０２から送られる気象画像の
系列に対し、任意の時間毎に、任意の時間範囲内の気象
画像の系列を一単位として画像特徴計算部４０１により
画像の特徴量が計算され、画像クラス識別部４０３によ
りクラスが識別される。

【００７９】例えば、

【００８０】

【数８】のような系列がクラス系列記憶部４０４に蓄積される。
それぞれの数字は、ある時刻の気象画像パターンのクラ
スを意味し、左から右の方向に時間が進んでいくにつ
れ、気象画像のパターンも変化していく様子が表現でき
る。

【００８１】パターン変化ルール推定部４０５は、クラ
ス系列記憶部４０４に記憶されている過去の気象画像の
系列についてのクラスの系列を入力し、気象画像パター
ンの変化の規則を推定する。図２の段階２の系列学習段
階において動作する。

【００８２】ここでは、その例としてマルコフ過程を用
いてパターン変化をモデル化する方法を示す。なお、こ
の方法以外の方法も利用可能である。

【００８３】例えば、３つのクラスが設定され、式（１
０）のようなクラス系列が得られたとすると、このと
き、図６のような３状態の離散時刻１次マルコフ過程を
用いてモデル化ができる。図６においてａ_ijは状態ｉか
らｊへの遷移確率、つまり、気象画像のパターンのクラ
スがｉからｊへ変化する確率を表す。要素ａ_ijとする行
列を状態遷移行列Ｅと呼び、この状態遷移行列Ｅより、
気象パターンの変化の規則を導くことができる。クラス
ｉの出現回数をＮ_i とし、クラスがｉからｊに変化した
回数をＮ_ijとすると、式（１０）のような系列が得られ
たときの状態遷移確率は

【００８４】

【数９】のように得られる。

【００８５】例えば、気象レーダ画像のパターンを対象
とした場合、図７（ａ），（ｂ），（ｃ）のように層
状、筋状、散在状などとクラス分けされたクラスのそれ
ぞれについて、マルコフ過程の状態を割り当てることが
できる。また、降水無しも一つの状態と考えることがで
き、その場合、降水無しの状態は吸収状態と考えること
ができる。

【００８６】パターン変化予測部４０６は、パターン変
化ルール推定部４０５で得られた気象パターンのクラス
の変化に関する規則を用いて、画像入力部２０１におい
て得られた最新の時刻の気象画像が属するクラス、また
は真近の数時刻の気象画像の系列から得られたクラスの
系列を入力し、今後の気象画像パターンのクラスの変化
を予測する。パターン変化予測部４０６は、段階３のク
ラス検出・予測段階において機能する。

【００８７】ここでは、一つの例として、先のパターン
変化ルール推定部４０５の説明で示したマルコフ過程に
基づく方法を取り上げ説明する。パターン変化ルール推
定部４０５によって、気象パターンのクラスの変化の規
則が状態遷移行列Ｅとして入力される。このとき予測可
能な情報の一つとして、現在観測されている気象画像パ
ターンが今後、継続するであろう時間の長さが考えられ
る。状態遷移行列Ｅより、ある状態ｉがｒ時刻継続する
確率が得られる。いま、クラス系列

【００８８】

【数１０】のように、状態ｉがｒ時刻継続し、時刻ｒ＋１でクラス
が変化するような系列を考えると、その確率

【００８９】

【外２２】は

【００９０】

【数１１】のように計算できる。式（１４）より、ある状態が継続
する時間の長さは指数分布になり、その継続時間長の期
待値

【００９１】

【外２３】は

【００９２】

【数１２】となる。式（１０）のようなクラス系列から得られる状
態遷移行列Ｅを用いると、

【００９３】

【外２４】と計算できる。

【００９４】よって、ある時点で同じクラスｉがｗ時刻
続いている場合、これから継続するであろう時間の長さ
ｚは

【００９５】

【外２５】で計算できる。

【００９６】また、現在のクラスの次に現れるクラスの
確率も状態遷移行列Ｅから得られる。式（１０）のクラ
ス系列から得られる状態遷移行列Ｅの場合、クラス１に
続いて２が現れる確率はａ₁₂＝０．３１、クラス１の後
に３が現れる確率はａ₁₃＝０．１５のように得られる。

【００９７】出力部５００は、画像クラス識別部４０３
で得られた最新の気象画像が属すると判断されたクラス
名、およびパターン変化予測部４０６で得られた気象画
像のパターン変化の予測情報をディスプレイ装置５０１
に表示する。

【００９８】図８を参照すると、本発明の第２の実施形
態の気象パターン分類予測装置は入力装置９０１と記憶
装置９０２、９０３、９０４と出力装置９０５と記録媒
体９０６とデータ処理装置９０７で構成されている。

【００９９】入力装置９０１は、図１中の気象観測部１
００で観測された気象画像を入力する、モデム等の入力
装置である。記憶装置９０２、９０３、９０４はそれぞ
れ図１中の画像蓄積部２０２、代表パターン記憶部３０
２、クラス系列記憶部４０４に相当する。出力装置９０
５は図１中の出力部５００に相当する。記録媒体９０６
は図１中の画像入力部２０１、代表パターン設定部３０
１、画像特徴計算部４０１、特徴空間構成部４０２、画
像クラス識別部４０３、パターン変化ルール推定部４０
５、パターン変化予測部４０６の各処理からなる気象パ
ターン分類予測プログラムを記録した、ＦＤ（フロッピ
ーディスク）、ＣＤ−ＲＯＭ、光磁気ディスク（Ｍ
Ｏ）、半導体メモリ等の記録媒体である。データ処理装
置９０７は記録媒体９０６から気象パターン分類予測プ
ログラムを読み込んで、実行するＣＰＵ（中央処理装
置）である。

【０１００】

【発明の効果】以上で説明したように、本発明は、気象
画像のパターンを予め設定したクラスに分類し、そのク
ラスを提示することができ、また、分類された気象パタ
ーンのクラスの系列から、気象パターンの変化を予測す
る技術を提供することが可能となる。

【図面の簡単な説明】

【図１】本発明の一実施形態の気象パターン分類予測装
置の構成図である。

【図２】図１の実施形態における処理の流れを示すフロ
ーチャートである。

【図３】図１の実施形態における入力気象画像の例を示
す図である。

【図４】図１の実施形態で用いたパターンの空間分布特
徴を説明する図である。

【図５】図１の実施形態で用いたパターンの速度場を説
明する図である。

【図６】図１の実施形態の気象画像パターンのクラス系
列をモデル化するマルコフ過程を説明する図である。

【図７】図１の実施形態における代表的な気象画像パタ
ーンの例を説明する図である。

【図８】本発明の他の実施形態の気象パターン分類予測
装置の構成図である。

【符号の説明】

１００気象画像観測部２００入力部２０１画像入力部２０２画像蓄積部３００クラス設定部３０１代表パターン設定部３０２代表パターン記憶部４００処理部４０１画像特徴計算部４０２特徴空間構成部４０３画像クラス識別部４０４クラス系列記憶部４０５パターン変化ルール推定部４０６パターン変化予測部５００出力部５０１ディスプレイ装置６０１〜６０４、７０１〜７０３、８０１〜８０４
ステップ９０１入力装置９０２〜９０４記憶装置９０５出力装置９０６記録媒体９０７データ処理装置

Claims

【特許請求の範囲】

【請求項１】気象画像を逐次観測するステップと、各
時刻の気象画像を代表的な気象画像パターンのクラスに
分類するステップと、その結果得られた各時刻の気象画
像が属するクラスの名称を出力するステップとを有する
気象パターン分類方法。
【請求項２】気象画像を逐次観測するステップと、各
時刻の気象画像を代表的な気象画像パターンのクラスに
分類するステップと、そのクラスの時系列より、観測時
点より未来の気象画像パターンのクラスおよびその変化
を予測するステップと、その結果を出力するステップと
を有する気象パターン分類予測方法。
【請求項３】前記気象画像を代表的な気象画像パター
ンのクラスに分類するステップが、観測および蓄積され
ている過去の気象画像の中から代表的な気象画像パター
ンのクラスを予め設定し、各クラスについて代表的な気
象画像を選出するステップを含む請求項１または請求項
２記載の気象パターン分類予測方法。
【請求項４】前記気象画像を代表的な気象画像パター
ンのクラスに分類するステップが、任意の時間間隔で、
単一時刻の気象画像または気象画像の時系列から画像の
特徴量を計算するステップを含む請求項１または請求項
２記載の気象パターン分類予測方法。
【請求項５】前記気象画像を代表的な気象画像パター
ンのクラスに分類するステップが、観測および蓄積され
ている過去の気象画像の中から代表的気象パターンのク
ラスを予め設定し、各クラスについて代表的な気象画像
を選出するステップと、選出された各クラスの代表的な
気象画像の集合について、任意の時間間隔で、単一時刻
の気象画像または気象画像の時系列から画像特徴量を計
算するステップと、各クラスに含まれる代表画像の集合
については、特徴量のクラス内でのばらつきを小さく、
また、特徴量のクラス間のばらつきが大きくなるように
前記画像特徴量を変換し、特徴空間を構成するステップ
を含む請求項１または２記載の気象パターン分類予測方
法。
【請求項６】前記気象画像を代表的な気象画像パター
ンのクラスに分類するステップが、観測および蓄積され
ている過去の気象画像の中から代表的な気象画像パター
ンのクラスを予め設定し、各クラスについて代表的な気
象画像を選出するステップと、入力された気象画像に対
して、任意の時間間隔で、単一時刻の気象画像または気
象画像の時系列から画像の特徴量を計算するステップ
と、各クラスに含まれる代表画像の集合については、特
徴量のクラス内でのばらつきを小さく、また、特徴量の
クラス間のばらつきが大きくなるように前記画像特徴量
を変換し、特徴空間を構成するステップと、前記画像特
徴量を前記特徴空間上に変換した位置と、前記設定およ
び選出された気象画像の各クラスに含まれる代表画像の
集合についての前記画像特徴量を前記特徴空間上に変換
したときの中心位置との距離を計算し、最も距離が小さ
いクラスへと入力された気象画像のクラスを決定するス
テップを含む請求項１または２記載の気象パターン分類
予測方法。
【請求項７】前記気象画像の画像特徴量を計算するス
テップが、画像平面をメッシュ状に区切り、各メッシュ
に含まれる画像の濃淡値の平均値を要素とするベクトル
として特徴量を求めることにより気象画像に含まれる気
象パターンの位置、空間分布に関する特徴を定量化する
ステップを含む請求項４記載の気象パターン分類予測方
法。
【請求項８】前記気象画像の画像特徴量を計算するス
テップが、各時刻における速度ベクトル場を求め、画像
平面上の各位置における速度成分を要素とするベクトル
として特徴量を求めることにより、気象画像に含まれる
気象パターンの動きに関する特徴を定量化するステップ
を含む請求項４記載の気象パターン分類予測方法。
【請求項９】前記気象画像の画像特徴量を計算するス
テップが、時系列をなす気象画像の系列を時間方向に積
層してできる時空間画像と呼ばれる３次元のボリューム
データを構成し、気象画像パターンの輪郭が、その時空
間画像中に描く運動軌跡の曲面を抽出し、該運動軌跡の
曲面上に接する接平面の頻度分布を検出し、該接平面の
頻度分布から気象画像中のパターンの空間的および動き
の特徴を定量化するステップを含む請求項４記載の気象
パターン分類予測方法。
【請求項１０】任意の時間間隔で気象画像のパターン
のクラスを識別し、その結果得られる時系列をなすクラ
ス系列を蓄積するステップをさらに有し、気象画像パタ
ーンのクラスおよびその変化を予測するステップが、前
記クラス系列から気象画像パターンの変化の規則を推定
するステップを含む請求項２記載の気象パターン分類予
測方法。
【請求項１１】前記時系列をなす気象画像のクラス系
列から気象画像パターンの変化の規則を推定するステッ
プが、各時刻の気象パターンのクラスを、マルコフ過程
の状態または観測シンボルとしてモデル化するステップ
と、該マルコフ階程の状態遷移確率を推定するステップ
とを含む請求項１０記載の気象パターン分類予測方法。
【請求項１２】前記各時刻の気象画像のクラスの時系
列より、観測時点より未来の気象画像パターンのクラス
およびその変化を予測するステップが、最新の時点での
クラスと同一のクラスの気象画像パターンの継続時間の
期待値を求めるステップと、次に変化する可能性の高い
クラスを求めるステップとを含む請求項１０記載の気象
パターン分類予測方法。
【請求項１３】気象画像を逐次観測する手段と、各時
刻の気象画像を代表的な気象画像パターンのクラスに分
類する手段と、その結果得られた各時系列の気象画像が
属するクラスの名称を出力する手段とを有する気象パタ
ーン分類装置。
【請求項１４】気象画像を逐次観測する手段と、各時
刻の気象画像を代表的な気象画像パターンのクラスに分
類する手段と、そのクラスの時系列より、観測時点より
未来の気象画像パターンのクラスおよびその変化を予測
する手段と、その結果を出力する手段とを有する気象パ
ターン分類予測装置。
【請求項１５】前記気象画像を代表的な気象画像パタ
ーンのクラスに分類を行う手段が、観測および蓄積され
ている過去の気象画像の中から、代表的な気象画像パタ
ーンのクラスを予め設定し、各クラスについて代表的な
気象画像を選出する手段とを含む請求項１３または請求
項１４記載の気象パターン分類予測装置。
【請求項１６】前記気象画像を代表的な気象画像パタ
ーンのクラスに分類を行う手段が、任意の時間間隔で、
単一時刻の気象画像または気象画像の時系列から画像の
特徴量を計算する手段を含む請求項１３または請求項１
４記載の気象パターン分類予測装置。
【請求項１７】前記気象画像を代表的な気象画像パタ
ーンのクラスに分類する手段が、観測および蓄積されて
いる過去の気象画像の中から代表的な気象パターンのク
ラスを予め設定し、各クラスについて代表的な気象画像
を選出する手段と、選出された各クラスの代表的な気象
画像の集合について、任意の時間間隔で、単一時刻の気
象画像または気象画像の時系列から画像特徴量を計算す
る手段と、各クラスに含まれる代表画像の集合について
は、特徴量のクラス内でのばらつきを小さく、また、特
徴量のクラス間のばらつきが大きくなるように前記画像
特徴量を変換し、特徴空間を構成する手段を含む請求項
１３または１４記載の気象パターン分類予測装置。
【請求項１８】前記気象画像を代表的な気象画像パタ
ーンのクラスに分類する手段が、観測および蓄積されて
いる過去の気象画像の中から代表的な気象画像パターン
のクラスを予め設定し、各クラスについて代表的な気象
画像を選出する手段と、入力された気象画像に対して、
任意の時間間隔で、単一時刻の気象画像または気象画像
の時系列から画像の特徴量を計算する手段と、各クラス
に含まれる代表画像の集合については、特徴量のクラス
内でのばらつきを小さく、また、特徴量のクラス間のば
らつきが大きくなるように前記画像特徴量を変換し、特
徴空間を構成する手段と、前記画像特徴量を前記特徴空
間上に変換した位置と、前記設定および選出された気象
画像の各クラスに含まれる代表画像の集合についての前
記画像特徴量を前記特徴空間上に変換したときの中心位
置との距離を計算し、最も距離が小さいクラスへと入力
された気象画像のクラスを決定する手段を含む請求項１
３または１４記載の気象パターン分類予測装置。
【請求項１９】前記気象画像の画像特徴量を計算する
手段が、画像平面をメッシュ状に区切り、各メッシュに
含まれる画像の濃淡値の平均値を要素とするベクトルと
して特徴量を求めることにより気象画像に含まれる気象
パターンの位置、空間分布に関する特徴を定量化する手
段を含む請求項１６記載の気象パターン分類予測装置。
【請求項２０】前記気象画像の画像特徴量を計算する
手段が、各時刻における速度ベクトル場を求め、画像平
面上の各位置における速度成分を要素とするベクトルと
して特徴量を求めることにより、気象画像に含まれる気
象パターンの動きに関する特徴を定量化する手段を含む
請求項１６記載の気象パターン分類予測装置。
【請求項２１】前記気象画像の画像特徴量を計算する
手段が、時系列をなす気象画像の系列を時間方向に積層
してできる時空間画像と呼ばれる３次元のボリュームデ
ータを構成し、気象画像パターンの輪郭が、その時空間
画像中に描く運動軌跡の曲面を抽出し、該運動軌跡の曲
面上に接する接平面の頻度分布を検出し、該接平面の頻
度分布から気象画像中のパターンの空間的および動きの
特徴を定量化する手段を含む請求項１６記載の気象パタ
ーン分類予測装置。
【請求項２２】任意の時間間隔で気象画像のパターン
のクラスを識別し、その結果得られる時系列をなすクラ
ス系列を蓄積する手段をさらに有し、気象画像パターン
のクラスおよびそのクラスを識別する手段が、前記クラ
ス系列から気象画像パターンの変化の規則を推定する手
段をさらに含む請求項１４記載の気象パターン分類予測
装置。
【請求項２３】前記時系列をなす気象画像のクラス系
列から気象画像パターンの変化の規則を推定する手段
が、各時刻の気象パターンのクラスを、マルコフ過程の
状態または観測シンボルとしてモデル化する手段と、該
マルコフ過程の状態遷移確率を推定する手段とを含む請
求項２２記載の気象パターン分類予測装置。
【請求項２４】前記各時刻の気象画像のクラスの時系
列より、観測時点より未来の気象画像パターンのクラス
およびその変化を予測する手段が、最新の時点でのクラ
スと同一のクラスの気象画像パターンの継続時間の期待
値を求める手段と、次に変化する可能性の高いクラスを
求める手段とを含む請求項２２記載の気象パターン分類
予測装置。
【請求項２５】逐次観測された気象画像を入力する処
理と、各時刻の気象画像を代表的な気象画像パターンの
クラスに分類する処理と、その結果得られた各時刻の気
象画像が属するクラスの名称を出力する処理をコンピュ
ータに実行させるための気象パターン分類プログラムを
記録した記録媒体。
【請求項２６】逐次観測された気象画像を入力する処
理と、各時刻の気象画像を代表的な気象画像パターンの
クラスに分類する処理と、そのクラスの時系列より、観
測時点より未来の気象画像パターンのクラスおよびその
変化を予測する処理と、その結果を出力する処理とをコ
ンピュータに実行させるための気象パターン分類予測プ
ログラムを記録した記録媒体。
【請求項２７】前記気象画像を代表的な気象画像パタ
ーンのクラスに分類する処理が、観測および蓄積されて
いる過去の気象画像の中から代表的な気象画像パターン
のクラスを予め設定し、各クラスについて代表的な気象
画像を選出する処理を含む請求項２５または請求項２６
記載の記録媒体。
【請求項２８】前記気象画像を代表的な気象画像パタ
ーンのクラスに分類する処理が、任意の時間間隔で、単
一時刻の気象画像または気象画像の時系列から画像の特
徴量を計算する処理を含む請求項２５または２６記載の
記録媒体。
【請求項２９】前記気象画像を代表的な気象画像パタ
ーンのクラスに分類する処理が、観測および蓄積されて
いる過去の気象画像の中から代表的な気象パターンのク
ラスを予め設定し、各クラスについて代表的な気象画像
を選出する処理と、選出された各クラスの代表的な気象
画像の集合について、任意の時間間隔で、単一時刻の気
象画像または気象画像の時系列から画像特徴量を計算す
る処理と、各クラスに含まれる代表画像の集合について
は、特徴量のクラス内でのばらつきを小さく、また、特
徴量のクラス間のばらつきが大きくなるように前記画像
特徴量を変換し、特徴空間を構成する処理を含む請求項
２５または２６記載の記録媒体。
【請求項３０】前記気象画像を代表的な気象画像パタ
ーンのクラスに分類する処理が、観測および蓄積されて
いる過去の気象画像の中から代表的な気象画像パターン
のクラスを予め設定し、各クラスについて代表的な気象
画像を選出する処理と、入力された気象画像に対して、
任意の時間間隔で、単一時刻の気象画像または気象画像
の時系列から画像の特徴量を計算する処理と、各クラス
に含まれる代表画像の集合については、特徴量のクラス
内でのばらつきを小さく、また、特徴量のクラス間のば
らつきが大きくなるように、前記画像特徴量を変換し、
特徴空間を構成する処理と、前記画像特徴量を前記特徴
空間上に変換した位置と、前記設定および選出された気
象画像の各クラスに含まれる代表画像の集合についての
前記画像特徴量を前記特徴空間上に変換したときの中心
位置との距離を計算し、最も距離が小さいクラスへと入
力された気象画像のクラスを決定する処理を含む請求項
２５または２６記載の記録媒体。
【請求項３１】前記気象画像の画像特徴量を計算する
処理が、画像平面をメッシュ状に区切り、各メッシュに
含まれる画像の濃淡値の平均値を要素とするベクトルと
して特徴量を求めることにより気象画像に含まれる気象
パターンの位置、空間分布に関する特徴を定量化する処
理を含む請求項２８記載の記録媒体。
【請求項３２】前記気象画像の画像特徴量を計算する
処理が、各時刻における速度ベクトル場を求め、画像平
面上の各位置における速度成分を要素とするベクトルと
して特徴量を求めることにより、気象画像に含まれる気
象パターンの動きに関する特徴を定量化する処理を含む
請求項２８記載の記録媒体。
【請求項３３】前記気象画像の画像特徴量を計算する
処理が、時系列をなす気象画像の系列を時間方向に積層
してできる時空間画像と呼ばれる３次元のボリュームデ
ータを構成し、気象画像パターンの輪郭が、その時空間
画像中に描く運動軌跡の曲面を抽出し、該運動軌跡の曲
面上に接する接平面の頻度分布を検出し、該接平面の頻
度分布から気象画像中のパターンの空間的および動きの
特徴を定量化する処理を含む請求項２８記載の記録媒
体。
【請求項３４】任意の時間間隔で気象画像のパターン
のクラスを識別し、その結果得られる時系列をなすクラ
ス系列を蓄積する処理をさらに有し、気象画像パターン
のクラスおよびその変化を予測するステップが、前記ク
ラス系列から気象画像パターンの変化の規則を推定する
処理を含む請求項２６記載の記録媒体。
【請求項３５】前記時系列をなす気象画像のクラス系
列から気象画像パターンの変化の規則を推定する処理
が、各時刻の気象パターンのクラスを、マルコフ過程の
状態または観測シンボルとしてモデル化する処理と、該
マルコフ過程の状態遷移確率を推定する処理を含む請求
項３４記載の記録媒体。
【請求項３６】前記各時刻の気象画像のクラスの時系
列より、観測時点より未来の気象画像パターンのクラス
およびその変化を予測する処理が、最新の時点でのクラ
スと同一のクラスの気象画像パターンの継続時間の期待
値を求める処理と、次に変化する可能性の高いクラスを
求める処理とを含む請求項３４記載の記録媒体。