JPH1164537A - Freezing road surface predictive method - Google Patents
Freezing road surface predictive methodInfo
- Publication number
- JPH1164537A JPH1164537A JP22472397A JP22472397A JPH1164537A JP H1164537 A JPH1164537 A JP H1164537A JP 22472397 A JP22472397 A JP 22472397A JP 22472397 A JP22472397 A JP 22472397A JP H1164537 A JPH1164537 A JP H1164537A
- Authority
- JP
- Japan
- Prior art keywords
- road surface
- freezing
- weather
- predicted
- target point
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、道路表面の路面温
度と路面情報（降水、積雪等による路上水分の有無）か
ら路面凍結予測を行う路面凍結予測方法に関するもので
ある。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a road surface freezing prediction method for performing road surface freezing prediction from road surface temperature of a road surface and road surface information (presence or absence of water on the road due to precipitation, snow, etc.).
【０００２】[0002]
【従来の技術】最近、天気予報だけでなく地球の温暖化
など気象災害の予測手段として、気象モデルがよく用い
られる。これらの気象モデルには、地球全球規模のモデ
ル（ＧＣＭと呼ばれる）もあれば、より狭い地域での気
象モデル（メソモデルと呼ばれる）もあり、用途別に様
々な気象モデルが開発されてきている。なかでも非常に
局所的な気象モデルの一例として路面凍結予測モデルが
挙げられる。2. Description of the Related Art In recent years, a weather model is often used not only as a weather forecast but also as a means for predicting weather disasters such as global warming. These weather models include a global model (called GCM) and a weather model in a smaller area (called a meso model), and various weather models have been developed for different applications. Among them, an example of a very local weather model is a road surface freezing prediction model.
【０００３】ここで、この路面凍結予測モデルについて
説明する。まず、路面凍結とは、路面温度が低下し、路
面上の水分が凍結する現象である。従って、路面凍結を
予測するために必要な気象要素は、路面温度と路上水分
になる。しかし、路上水分についてはその発生形態の種
類も様々であり、全ての形態について予測するのは困難
である。そこで路面温度が路面凍結予測において重要な
パラメータとなる。Here, this road surface freezing prediction model will be described. First, road surface freezing is a phenomenon in which the road surface temperature decreases and the water on the road surface freezes. Therefore, weather factors necessary for predicting road surface freezing are road surface temperature and road moisture. However, there are various types of generation forms of on-road moisture, and it is difficult to predict all forms. Therefore, the road surface temperature is an important parameter in road surface freezing prediction.
【０００４】図６に従来の路面温度予測方法の一覧を示
す。図６に示すように路面温度の予測方法には大きく分
けて、物理的方法と統計的方法の２種類がある。一般に
よく使用されている方法は重回帰計算などによる統計的
方法である。この方法は過去にも実績があり、精度も比
較的良いが、回帰式作成に必要なデータ収集に数シーズ
ン必要である。一方、物理的方法はより物理的根拠に基
づく方程式を計算し路面温度を求める方法である。この
方法では統計的方法に比べてより汎用性があり、他のシ
ステムへの応用が可能であるが、的中率の点で統計的方
法に比べて若干精度が落ちる。FIG. 6 shows a list of conventional road surface temperature prediction methods. As shown in FIG. 6, road surface temperature prediction methods are roughly classified into two types: a physical method and a statistical method. A commonly used method is a statistical method using a multiple regression calculation or the like. Although this method has been used in the past and has relatively good accuracy, it requires several seasons to collect the data necessary to create the regression equation. On the other hand, the physical method is a method of calculating an equation based on more physical grounds to obtain a road surface temperature. Although this method is more versatile than the statistical method and can be applied to other systems, it is slightly less accurate than the statistical method in terms of hitting accuracy.
【０００５】ここで、路面温度の物理的予測方法でよく
用いられる熱収支法の予測の流れについて説明する。図
７は熱収支法による予測の流れを示す図である。まず、
路面情報（５１）（路上水分、粗度長、アルベト、路面
の性質など）と道路付近の気象情報（５２）（気温、気
圧、日斜量、風速など）を入力データとして、以下に示
すある時間における地表面の熱収支式を繰り返し計算に
より解き（５３）、路面温度（５４）を求める。 Ｒn ＋ＬＥ＋Ｈ＋Ｇ＝０ …（１）Here, a flow of prediction of a heat balance method often used in a physical prediction method of a road surface temperature will be described. FIG. 7 is a diagram showing a flow of prediction by the heat balance method. First,
Road surface information (51) (moisture on the road, roughness length, albeto, properties of the road surface, etc.) and weather information near the road (52) (air temperature, atmospheric pressure, daily inclination, wind speed, etc.) are input data as follows. The heat balance equation of the ground surface at the time is solved by iterative calculation (53), and the road surface temperature (54) is obtained. Rn + LE + H + G = 0 (1)
【０００６】ここで、（１）式中のＲn は正味の放射フ
ラックス、ＬＥは地表面からの水蒸気輸送による潜熱フ
ラックス、Ｈは大気と地表面の温度差による顕熱フラッ
クス、Ｇは地中伝導熱フラックスであり、（１）式は地
表面上で各フラックスをバランスさせた式である。Here, in the equation (1), Rn is a net radiation flux, LE is a latent heat flux due to water vapor transport from the ground surface, H is a sensible heat flux due to a temperature difference between the atmosphere and the ground surface, and G is a ground conduction. This is the heat flux, and equation (1) is an equation in which each flux is balanced on the ground surface.
【０００７】また、各フラックスを求めるための必要な
データ要素を簡単にまとめると次のようになる。 放射フラクッスＲn ：雲量、路面温度、路面情報 潜熱フラックスＬＥ：風速、気温、気圧、水蒸気圧、路
面温度 顕熱フラックスＨ ：風速、気温、路面温度 地中熱伝導フラックスＧ：路面温度、路面情報 ただし、これらのフラックスを求める式として、経験
式、理論式様々な式が提案されている。The data elements required for obtaining each flux can be summarized as follows. Radiant flux Rn: Cloud cover, road surface temperature, road surface information Latent heat flux LE: wind speed, temperature, pressure, water vapor pressure, road surface temperature Sensible heat flux H: wind speed, temperature, road surface temperature Underground heat conduction flux G: road surface temperature, road surface information Various empirical formulas and theoretical formulas have been proposed as formulas for obtaining these fluxes.
【０００８】ここで、各フラックスを求める式の例につ
いては、以下の文献１）、２）で説明されている。 １）土木学会論文集、Ｎｏ．４７０（１９９３）、武市
靖、路面凍結の予測に関する研究、ｐ．１７５−１８４ ２）農業気象、Ｖｏｌ．４８（１９９２）、近藤純正、
地表面温度と熱収支の周期解及びその応用、ｐ．２６５
−２７５[0008] Here, examples of equations for obtaining each flux are described in the following documents 1) and 2). 1) Transactions of the Japan Society of Civil Engineers, No. 470 (1993), Yasushi Takeichi, Study on Prediction of Road Freezing, p. 175-184 2) Agricultural Weather, Vol. 48 (1992), Kondo Junmasa,
Periodic solution of land surface temperature and heat balance and its application, p. 265
-275
【０００９】そして、（１）式から求められた路面温度
（５４）から路面温度の上限、下限予測曲線（過去の気
温データ（５５）から算出したモデル曲線）を設定し
（５６）、路面凍結の開始時間帯を予測する（５７）。From the road surface temperature (54) obtained from the equation (1), upper and lower road surface temperature prediction curves (model curves calculated from past temperature data (55)) are set (56), and road surface freezing is performed. Is predicted (57).
【００１０】このような方法ではおもに路面温度４だけ
で路面凍結を判定するものであるが、他の従来例として
路面温度の予測プログラムとは別に降雪（降水）予測プ
ログラムを作成し、路面温度と降雪による路上水分を両
方考慮して路面凍結を判定する方法もある。In such a method, road surface freezing is determined mainly based on the road surface temperature 4. However, as another conventional example, a snowfall (precipitation) prediction program is created separately from a road surface temperature prediction program, and the road surface temperature and the road surface temperature are determined. There is also a method of determining road surface freezing in consideration of both on-road moisture due to snowfall.
【００１１】また、上述したような統計的、物理的手法
による路面温度の予測方法以外では、大気の運動を物理
法則（運動方程式、質量保存則など）にしたがってシミ
ュレートするＧＣＭのような気象モデルを用いる方法が
ある。この方法は上述したような統計的、物理的方法に
比べて、計算は非常に複雑になるが、過去のデータを必
要とせず、現在のデータから気象の予測が可能になるの
で、突発的な事象に対する予測も可能になる。In addition to the above-described method of predicting a road surface temperature by a statistical and physical method as described above, a weather model such as a GCM that simulates the motion of the atmosphere in accordance with a physical law (eg, equation of motion, law of conservation of mass, etc.). Is used. Although this method is much more complicated to calculate than the statistical and physical methods described above, it does not require past data and allows forecasting of weather from current data. Predictions for events are also possible.
【００１２】また、観測点のない場所でもある程度気象
を予測することができる。この気象モデルの一例が以下
の文献３）で説明されている。 ３）生産研究、Ｖｏｌ．４８（１９９６）、村上、持
田、金、大岡、都市気候モデルによる関東地方の流れ場
・温度場の数値解析、ｐ．３３−３９Further, weather can be predicted to some extent even in a place where there is no observation point. An example of this weather model is described in the following document 3). 3) Production Research, Vol. 48 (1996), numerical analysis of flow and temperature fields in the Kanto region using Murakami, Mochida, Kim, Ooka, urban climate models, p. 33-39
【００１３】[0013]
【発明が解決しようとする課題】以上のような従来の統
計的、物理的な路面凍結予測方法では、路面凍結対象地
点で気象情報の測定をしていない場合には、入力する気
象情報は最寄りの測候所のデータを用いるため、正確な
路面凍結対象地点の路面温度の予測ができないという問
題点があった。また、主に路面温度だけで凍結予測の判
定を行っている方法では、路上水分の要素が入っていな
いので、精度の高い路面凍結予測ができないという問題
点があり、一方、路上水分を路面凍結の判定に加えた方
法では、路面温度の予測以外に降雪（降水）予測プログ
ラムを別途作成しなければならないので、このような場
合には予測処理が複雑になるという問題点があった。In the conventional statistical and physical road surface freezing prediction method as described above, when the weather information is not measured at the road surface freezing target point, the input weather information is the nearest one. There is a problem that it is not possible to accurately predict the road surface temperature at the target point of road surface freezing because the data of the weather station is used. Also, in the method of determining the prediction of freezing mainly based only on the road surface temperature, there is a problem that the road surface moisture cannot be predicted with high accuracy because the element of the road surface moisture is not included. In the method added to the above determination, a snowfall (precipitation) prediction program must be separately created in addition to the prediction of the road surface temperature, so that in such a case, there is a problem that the prediction process becomes complicated.
【００１４】さらに、従来の統計的な路面凍結予測方法
では、過去の気象データをもとに路面凍結対象地点の路
面温度に関する回帰式を作成し路面凍結を予測する方法
であるので、過去の事象以外の予測は困難になり、突発
的な事象には対応できないという問題点があった。ま
た、気象データが測定されていない路面凍結対象地点で
は、回帰式作成に必要なデータを収集するために数シー
ズン時間が必要となるという問題点があった。Further, the conventional statistical road surface freezing prediction method is a method of predicting road surface freezing by creating a regression equation relating to the road surface temperature at a road surface freezing target point based on past weather data. Other than that, it became difficult to make predictions, and there was a problem that sudden events could not be handled. In addition, there is a problem that at a road surface freezing point where weather data is not measured, several seasons are required to collect data necessary for preparing a regression equation.
【００１５】一方、物理的手法では、例として上述した
熱収支法を考えると、（１）式から路面温度が計算でき
るが、（１）式中には路面温度の時間変化（時間微分）
の項が入っていないので、（１）式だけでは路面温度の
時間変化の予測はできず、図７に示したように通常は路
面温度の時間変化を予測するために、路面温度の上限、
下限予測曲線を設定する必要がある。この予測曲線は通
常過去のデータから求めるため、物理的方法もまた統計
的方法と同様、上限、下限予測曲線作成に必要なデータ
を収集するために数シーズン時間が必要となり、突発的
な事象にも対応できないという問題点があった。On the other hand, in the physical method, considering the heat balance method described above as an example, the road surface temperature can be calculated from the equation (1). In the equation (1), the time change (time derivative) of the road surface temperature is calculated.
Is not included, the time change of the road surface temperature cannot be predicted only by the equation (1), and as shown in FIG. 7, the road surface temperature is normally predicted in order to predict the time change of the road surface temperature.
It is necessary to set a lower prediction curve. Since this prediction curve is usually obtained from past data, the physical method, like the statistical method, requires several seasons to collect the data required to create the upper and lower prediction curves. There was a problem that it could not cope.
【００１６】また、文献３）に説明されているような大
気の運動を物理法則（運動方程式、質量保存則など）に
したがってシミュレートする気象モデルを用いて路面温
度を予測する方法では、このモデルから得られる地表面
温度は、モデル格子間隔当たりの平均値として与えられ
るので、路面凍結対象地点の路面温度とは一致しないと
いう問題点があった。In the method for predicting the road surface temperature using a weather model which simulates the motion of the atmosphere according to the laws of physics (such as the equation of motion, the law of conservation of mass, etc.) as described in reference 3), this model is used. Is given as an average value per model grid interval, there is a problem that it does not coincide with the road surface temperature at the road surface freezing target point.
【００１７】[0017]
【課題を解決するための手段】本発明に係る路面凍結予
測方法は、道路表面の路面温度と路面情報から路面の凍
結予測を行う路面凍結予測方法において、予め特定され
た地点で測定された複数の気象データと路面凍結対象地
点付近の地形データを気象数値予報モデルに入力して、
路面凍結対象地点付近の複数の気象を予測し、予測した
路面凍結対象地点付近の複数の気象の予測値に基づい
て、路面凍結対象地点の路面温度を予測し、予測した路
面温度及び気象データから予測された路面情報に基づい
て、路面凍結対象地点の路面凍結の有無と凍結開始時間
を判定するものである。A road surface freezing prediction method according to the present invention is a road surface freezing prediction method for performing road surface freezing prediction based on road surface temperature and road surface information on a road surface. The weather data and topographic data near the road surface freezing point are input to the weather forecast model,
Predicts multiple weather conditions near the road surface freeze target point, predicts the road surface temperature at the road surface freeze target point based on the predicted values of multiple weather conditions near the predicted road surface freeze target point, and estimates the road surface temperature and weather data. On the basis of the predicted road surface information, the presence / absence of road surface freezing at the road surface freezing target point and the freezing start time are determined.
【００１８】[0018]
実施の形態１．図１は実施の形態１の路面凍結予測の流
れを示す図である。まず、アメダス、高層気象データ、
ＧＰＶ（Grid Point Value）などの気象データ（１１）
と、路面凍結対象地点付近の地形データ（１２）（路面
凍結対象地点付近の標高、傾斜など）を、気象モデル
（１３）に入力する。この気象モデル（１３）は格子間
隔１ｋｍ以下のモデルであり、文献３）に挙げたような
大気の運動を物理法則（運動方程式、質量保存則など）
に従ってシミュレートするものである。Embodiment 1 FIG. FIG. 1 is a diagram showing a flow of road surface freezing prediction according to the first embodiment. First, AMeDAS, high-level weather data,
Weather data such as GPV (Grid Point Value) (11)
And the topographical data (12) near the road surface freezing target point (altitude, inclination, etc. near the road surface freezing target point) are input to the weather model (13). This meteorological model (13) is a model with a grid spacing of 1 km or less, and describes the motion of the atmosphere as described in Ref.
Is simulated in accordance with
【００１９】そして、気象モデル（１３）から予測され
た気象値（気温、気圧、風速、地表面温度など）を路面
凍結対象地点の路面温度の重回帰式（１４）に代入し、
路面温度（１５）を予測する。ただし、この重回帰式
（１４）は気象モデル（１３）から予測された気象値
（気温、気圧、風速、地表面温度など）を説明変数と
し、過去の路面温度のデータと気象モデル（１３）から
得られた気象値から作成された式である。Then, the weather values (temperature, air pressure, wind speed, ground surface temperature, etc.) predicted from the weather model (13) are substituted into the multiple regression equation (14) of the road surface temperature at the road surface freezing target point,
The road surface temperature (15) is predicted. However, this multiple regression equation (14) uses weather values (temperature, pressure, wind speed, ground surface temperature, etc.) predicted from the weather model (13) as explanatory variables, and uses past road surface temperature data and the weather model (13). This is an equation created from the weather values obtained from.
【００２０】また、アメダス、高層気象データ、ＧＰＶ
などの気象データ（１１）から未来の時刻における路面
凍結対象地点の路面情報（１６）（降水、積雪等による
路上水分の有無など）を予測する。そして、重回帰式
（１４）から予測される路面温度（１５）と気象データ
（１１）から予測される路面情報（１６）を合わせて考
慮し、路面凍結対象地点の路面凍結の有無及び凍結開始
時間を判定する（１７）。Also, AMeDAS, high-level weather data, GPV
From the weather data (11), road surface information (16) (presence of water on the road due to precipitation, snow, etc.) at a future time is predicted at a future time. Then, considering the road surface temperature (15) predicted from the multiple regression equation (14) and the road surface information (16) predicted from the weather data (11), the presence / absence of the road surface freezing at the road surface freezing target point and the start of freezing are considered. The time is determined (17).
【００２１】図１に示すように、この実施の形態で必要
な気象データ（１１）は主にアメダス、高層データ、Ｇ
ＰＶである。アメダスでは気温、風、日照時間、降水量
の地上観測データ（１時間間隔）、高層データでは気球
（ゾンデ）から得られる温度、風、湿度、地上気圧の観
測データである。ＧＰＶは気象庁の領域モデルＲＳＭに
よる気象の予測データである。ＧＰＶから得られるデー
タにはＧＰＶ上層とＧＰＶ地上があり、その一覧を以下
の表１に示す。As shown in FIG. 1, the weather data (11) required in this embodiment is mainly composed of AMeDAS, high-rise data, G
PV. In AMeDAS, temperature, wind, daylight hours, and precipitation data are observed on the ground (one hour intervals). In high-rise data, temperature, wind, humidity, and ground pressure are obtained from balloons (sondes). GPV is weather prediction data based on the area model RSM of the Japan Meteorological Agency. The data obtained from GPV includes the upper layer of GPV and the surface of GPV, and the list is shown in Table 1 below.
【００２２】[0022]
【表１】 [Table 1]
【００２３】表１に示すように、ＧＰＶ上層データから
得られる気象値は２２種類であり、９２５，８５０，７
００，５００ｈＰａの各気圧面における高度Ｚ、風速
Ｕ，Ｖ、気温Ｔ、露点温度Ｔ−Ｔd 、７００ｈＰａの気
圧面における鉛直Ｐ速度（ｈＰａ／ｈｒ）、そして海面
更正気圧Ｐs である。予測時間は５１時間予測（３時間
間隔）で、グリッドの格子間隔は東西３０’、南北２
４’であり、日本付近の緯度で４０ｋｍ×４０ｋｍの格
子間隔になる。As shown in Table 1, there are 22 types of weather values obtained from the GPV upper layer data, and 925, 850, 7
The altitude Z, the wind speeds U and V, the air temperature T, the dew point temperature T-Td, the vertical P speed (hPa / hr) at the pressure plane of 700 hPa, and the sea level correction pressure Ps at each pressure plane of 00 and 500 hPa. The prediction time is 51 hours prediction (3 hours interval), grid interval of east and west 30 ', north and south 2
4 ′, which is 40 km × 40 km at the latitude near Japan.
【００２４】また、ＧＰＶ地上データから得られる気象
値は６種類であり、地表面上１０ｍの風速Ｕ，Ｖ、地表
面上１．５ｍの気温Ｔと露点温度Ｔ−Ｔd 、前１時間の
降水量Ｒａｉｎ、そしてモデル上層、中層、下層の雲量
Ｃｌｄである。予測時間は５１時間予測（１時間間隔）
で、グリッドの格子間隔は東西１５’、南北１２’であ
り、日本付近の緯度では約２０ｋｍ×２０ｋｍの格子間
隔になる。There are six types of meteorological values obtained from GPV ground data: wind speeds U and V at 10 m above the ground surface, temperature T and dew point temperature T-Td at 1.5 m above the ground surface, and precipitation for the last hour. The amount Rain and the cloud amount Cld of the upper, middle, and lower layers of the model. Prediction time is 51 hours prediction (1 hour interval)
The grid spacing of the grid is 15 'east-west and 12' north-south, and at latitudes near Japan, the grid spacing is about 20 km × 20 km.
【００２５】ここで、ＧＰＶは気象モデルから予測され
たデータではあるが、ＧＰＶ地上データの水平方向の格
子間隔は約２０ｋｍ×２０ｋｍであるので、ＧＰＶを路
面凍結のような非常に局所的な現象の予測に直接適用す
るには格子間隔が大きすぎる。そこで、この実施の形態
では、路面凍結対象地点付近において、格子間隔が１ｋ
ｍ以下となる気象モデル（１３）を適用し、この気象モ
デル（１３）にアメダス、高層データ、ＧＰＶの気象デ
ータ（１１）及び路面凍結対象地点の地形データ（１
２）を入力し、路面凍結対象地点付近のより正確な気象
値を予測するようになっている。Here, GPV is data predicted from a meteorological model. However, since the horizontal grid spacing of GPV ground data is about 20 km × 20 km, GPV is a very local phenomenon such as road surface freezing. Grid spacing is too large to apply directly to the prediction of. Therefore, in this embodiment, the grid spacing is 1 k near the road surface freezing target point.
m, and AMeDAS, high-rise data, GPV weather data (11), and terrain data (1)
2) is input, and more accurate weather values near the road surface freezing target point are predicted.
【００２６】また、気象モデル（１３）は大気の運動を
物理法則（運動方程式、質量保存則など）にしたがって
シミュレートするものであり、文献３）の説明されてい
るように、気象モデル（１３）から直接地表面温度を予
測することもできる。しかし、気象モデル（１３）から
得られる地表面温度は、モデル格子間隔当たりの平均値
として与えられるので、路面凍結対象地点の路面温度と
は通常一致しない。The weather model (13) simulates the motion of the atmosphere in accordance with the laws of physics (the equation of motion, the law of conservation of mass, etc.), and as described in reference 3), the weather model (13). ) Can be used to directly predict the ground surface temperature. However, since the ground surface temperature obtained from the weather model (13) is given as an average value per model grid interval, it does not usually match the road surface temperature at the road surface freezing target point.
【００２７】このため、この実施の形態では、より正確
な路面凍結対象地点の路面温度を求めるために、気象モ
デル（１３）から予測された気象値（気温、風、湿度、
地表面温度など）を路面温度の重回帰式（１４）に入力
し路面温度（１５）の予測を行っている。そして、この
とき使用する重回帰式（１４）は気象モデル（１３）か
ら予測された気象値（気温、気圧、風速、地表面温度な
ど）を説明変数とするものである。For this reason, in this embodiment, in order to obtain a more accurate road surface temperature at the road surface freezing target point, the weather values (air temperature, wind, humidity,
The ground surface temperature is input to the multiple regression equation (14) of the road surface temperature to predict the road surface temperature (15). The multiple regression equation (14) used at this time uses weather values (temperature, pressure, wind speed, ground surface temperature, etc.) predicted from the weather model (13) as explanatory variables.
【００２８】また、アメダス、高層データ、ＧＰＶなど
の気象データ（１１）から路面凍結対象地点の未来の路
面情報（１６）（降水、積雪等による路上水分の有無な
ど）を予測する。このようにして予測された路面温度
（１５）と路面情報（１６）を考慮して路面凍結対象地
点の路面凍結の有無及び凍結開始時間の判定を行うよう
になっている。Further, future road surface information (16) (presence of water on the road due to precipitation, snow, etc.) of the road surface freezing target is predicted from weather data (11) such as AMeDAS, high-rise data, GPV and the like. In consideration of the road surface temperature (15) and the road surface information (16) predicted in this way, it is determined whether or not the road surface is to be frozen at the target road surface freezing point and the freezing start time.
【００２９】この実施の形態では、図１に示すように、
路面凍結対象地点の路面温度（１５）を予測する重回帰
式（１４）の説明変数には、路面凍結対象地点付近に適
用された格子間隔１ｋｍ以下の気象モデル（１３）から
予測される気象値を用い、そして、格子間隔の狭い気象
モデル（１３）を用いているので、測候所のデータより
路面凍結対象地点の気象状況を正確に求めることがで
き、正確な路面凍結予測が可能となる。さらに、路面凍
結の判定には重回帰式（１４）から予測される路面温度
（１５）だけでなく、ＧＰＶなどの気象データ（１１）
から予測される路面情報（１６）も判定要素に加えるの
で、より簡単に精度良く路面凍結の有無及び凍結開始時
間を判定することが可能となる。In this embodiment, as shown in FIG.
The explanatory variables of the multiple regression equation (14) for predicting the road surface temperature (15) at the road surface freezing point include weather values predicted from a weather model (13) with a grid spacing of 1 km or less applied near the road surface freezing point. Is used, and the weather model (13) with a narrow grid interval is used, so that the weather condition at the road surface freezing target point can be accurately obtained from the data of the weather station, and accurate road surface freezing prediction can be performed. Further, in determining the road surface freezing, not only the road surface temperature (15) predicted from the multiple regression equation (14) but also weather data (11) such as GPV.
Since the road surface information (16) predicted from is also added to the determination element, it is possible to more easily and accurately determine the presence or absence of road surface freezing and the freezing start time.
【００３０】実施の形態２．図２は実施の形態２の路面
凍結予測の流れを示す図である。まず、アメダス、高層
気象データ、ＧＰＶなどの気象データ（２１）と、路面
凍結対象地点付近の地形データ（２２）（標高、傾斜な
ど）を、気象モデル（２３）に入力する。この気象モデ
ル（２３）は、実施の形態１と同様に、格子間隔１ｋｍ
以下のモデルであり、文献３）に挙げたような大気の運
動を物理法則（運動方程式、質量保存則など）にしたが
ってシミュレートするものである。Embodiment 2 FIG. FIG. 2 is a diagram showing a flow of road surface freezing prediction according to the second embodiment. First, weather data (21) such as AMeDAS, high-rise weather data, GPV, etc., and terrain data (22) (elevation, inclination, etc.) near a road surface freezing target point are input to a weather model (23). This weather model (23) has a grid spacing of 1 km as in the first embodiment.
The following model simulates the motion of the atmosphere as described in the literature 3) according to the laws of physics (the equation of motion, the law of conservation of mass, etc.).
【００３１】そして、気象モデル（２３）から予測され
た気象値と気象データ（２１）から予測される路面情報
（２６）（降水、降雪等による路上水分の有無など）、
及び路面凍結対象地点付近の構造物（建築物や木など）
データ（２７）を、路面凍結対象地点の熱収支式（２
４）（（１）式参照））に入力し路面温度（２５）を予
測する。そして熱収支式（２４）から予測された路面温
度（２５）と気象データ（２１）から予測される路面情
報（２６）を考慮し、路面凍結の有無及び凍結開始時間
を判定する（２８）。Then, weather values predicted from the weather model (23) and road surface information (26) predicted from the weather data (21) (presence or absence of on-road moisture due to precipitation, snowfall, etc.),
And structures (such as buildings and trees) near the target point of road surface freezing
The data (27) is calculated using the heat balance equation (2
4) (see equation (1))) to predict the road surface temperature (25). Then, in consideration of the road surface temperature (25) predicted from the heat balance equation (24) and the road surface information (26) predicted from the weather data (21), the presence / absence of road surface freezing and the freezing start time are determined (28).
【００３２】図２に示すように、この実施の形態で必要
な気象データ（２１）は実施の形態１と同様に、主にア
メダス、高層データ、ＧＰＶである。そして、気象デー
タ（２１）と路面凍結対象地点付近の地形データ（２
２）を気象モデル（２３）に入力し、路面凍結対象地点
付近のより正確な気象値（気温、気圧、風速、地表面温
度など）を予測する。ただし、この実施の形態では、実
施の形態１と同様の理由から気象モデル（２３）には格
子間隔１ｋｍ以下のモデルを使用する。As shown in FIG. 2, the weather data (21) required in this embodiment is mainly AMeDAS, high-rise data, and GPV, as in the first embodiment. Then, the weather data (21) and the terrain data (2
2) is input to the weather model (23), and more accurate weather values (temperature, air pressure, wind speed, ground surface temperature, etc.) near the road surface freezing target point are predicted. However, in this embodiment, a model having a grid interval of 1 km or less is used for the weather model (23) for the same reason as in the first embodiment.
【００３３】また、この実施の形態では、気象モデル
（２３）から予測された気象値を路面凍結対象地点の熱
収支式（２４）に入力して路面温度（２５）を求める
際、気象データ（２１）から予測される路面情報（２
６）と路面凍結対象地点付近の構造物データ（２７）も
入力する。これは、路面情報（２６）（降水、積雪等に
よる路上水分の有無など）により熱収支式（２４）中の
各フラックス（Ｒn ，ＬＥ，Ｈ，Ｇ：（１）式参照）が
変化するので、正確な路面温度（２５）を求めるために
は路面情報（２６）が必要になるためである。Further, in this embodiment, when the weather value predicted from the weather model (23) is input to the heat balance equation (24) of the road surface freezing point and the road surface temperature (25) is obtained, the weather data (25) is obtained. 21) Road surface information predicted from (2)
6) and the structure data (27) near the road surface freezing target point are also input. This is because each flux (Rn, LE, H, G: see equation (1)) in the heat balance equation (24) changes depending on the road surface information (26) (presence or absence of on-road moisture due to precipitation, snow, etc.). This is because the road surface information (26) is required to obtain the accurate road surface temperature (25).
【００３４】また、路面凍結対象地点の周囲に構造物
（木、家など）がある場合には構造物による影の時間分
布が各フラックスに大きな影響を与えるので、路面凍結
対象地点の正確な路面温度（２５）を求めるためには、
路面凍結対象地点の周囲の構造物による影の時間分布の
データ（２７）も必要になる。また、アメダス、高層デ
ータ、ＧＰＶなどの気象データ（２１）から、実施の形
態１と同様に、未来の路面情報（２６）（降水、積雪等
による路上水分の有無など）を予測する。このように予
測された路面温度（２５）と路面情報（２６）を考慮し
て路面凍結の有無及び凍結開始時間の判定を行うように
なっている。When there is a structure (tree, house, etc.) around the road surface freezing point, the time distribution of the shadow due to the structure greatly affects each flux. To find the temperature (25),
The data (27) of the time distribution of the shadow by the structure around the road surface freezing point is also required. Further, from the weather data (21) such as AMeDAS, high-rise data, GPV, and the like, future road surface information (26) (presence of on-road moisture due to precipitation, snowfall, etc.) is predicted as in the first embodiment. The presence / absence of road surface freezing and the start time of freezing are determined in consideration of the road surface temperature (25) and the road surface information (26) thus predicted.
【００３５】この実施の形態では、図２に示すように、
路面凍結対象地点付近に適用された格子間隔１ｋｍ以下
の気象モデル（２３）から予測された気象値、気象デー
タ（２１）から予測された路面情報（２６）、及び路面
凍結対象地点付近の構造物データ（２７）を熱収支式
（２４）に入力し、路面温度を予測しており、格子間隔
の狭い気象モデル（２３）を用いているだけでなく、路
面凍結対象地点の路面情報６や構造部データ（２７）を
用いるので、測候所のデータより路面凍結対象地点の気
象状況を正確に求めることができ、より正確な路面凍結
予測が可能となる。In this embodiment, as shown in FIG.
Meteorological values predicted from a weather model (23) with a grid spacing of 1 km or less applied to the vicinity of the road surface freezing point, road surface information (26) predicted from the weather data (21), and structures near the road surface freezing target point The data (27) is input to the heat balance equation (24) to predict the road surface temperature. In addition to using the weather model (23) having a narrow grid spacing, the road surface information 6 and the structure of the road surface freezing target point are used. Since the section data (27) is used, the weather condition at the road surface freezing target point can be accurately obtained from the data of the weather station, and more accurate road surface freezing prediction can be performed.
【００３６】さらに、路面凍結の判定には熱収支式（２
４）から予測される路面温度（２５）だけでなく、ＧＰ
Ｖなどの気象データ（２１）から予測される路面情報
（２６）も判定要素に加えるので、より簡単に精度良く
路面凍結の有無及び凍結開始時間を判定することが可能
となる。また、この実施の形態で用いる気象モデル（２
３）では、ある一定の時間ステップごと（例えば１０ｍ
ｉｎ間隔）に計算された気象値が得られるので、同時に
その時間ステップごとに熱収支式（２４）を用いて路面
温度（２５）を計算することができる。従って、重回帰
式のような過去の蓄積データがなくても、路面温度（２
５）の時間変化が得られるので、過去にない突発的な現
象にも対応可能となる。Further, the determination of road surface freezing is performed by the heat balance equation (2).
Not only the road surface temperature (25) predicted from 4) but also the GP
Since the road surface information (26) predicted from the weather data (21) such as V is also added to the determination element, it is possible to more easily and accurately determine the presence or absence of road surface freezing and the freezing start time. Further, the weather model (2
In 3), every certain time step (for example, 10 m
Since the weather value calculated at (in interval) is obtained, the road surface temperature (25) can be calculated at the same time using the heat balance equation (24) for each time step. Therefore, even if there is no past accumulated data such as a multiple regression equation, the road surface temperature (2
Since the time change of 5) can be obtained, it is possible to cope with unexpected phenomena that have never occurred in the past.
【００３７】実施の形態３．図３は実施の形態３の路面
凍結予測の流れを示す図である。まず、実施の形態１と
同様に、アメダス、高層気象データ、ＧＰＶなどの気象
データ（３１）と、路面凍結対象地点付近の地形データ
（３２）を、気象モデル（３３）に入力する。ただし、
この実施の形態で用いる気象モデル（３３）は、格子間
隔１ｋｍ〜１０ｋｍ程度のモデルであり、また、気象モ
デル（３３）の地表面の境界条件で用いる地表面モデル
には格子領域内で複数の土地利用（森林、田畑、都市な
ど）を考慮したキャノピー層のモデルを導入している。
それ以外の部分は実施の形態１，２と同様に、文献３）
に挙げたような大気の運動を物理法則（運動方程式、質
量保存則など）にしたがってシミュレートする気象モデ
ルである。従って、この実施の形態では、モデル中の各
格子領域内の土地利用データ（３４）も気象モデル（３
３）に入力するようになっている。Embodiment 3 FIG. 3 is a diagram showing a flow of road surface freezing prediction according to the third embodiment. First, as in the first embodiment, weather data (31) such as AMeDAS, high-rise weather data, and GPV, and topographic data (32) near a road surface freezing target point are input to a weather model (33). However,
The weather model (33) used in this embodiment is a model having a grid interval of about 1 km to 10 km, and a ground surface model used in the boundary condition of the ground surface of the weather model (33) includes a plurality of models in a grid area. The model of the canopy layer which considered land use (forest, field, city, etc.) is introduced.
The other parts are the same as in the first and second embodiments, and the reference 3)
This is a weather model that simulates the motion of the atmosphere as described in (1) in accordance with the laws of physics (the equation of motion, the law of conservation of mass, etc.). Therefore, in this embodiment, the land use data (34) in each grid area in the model is also used for the weather model (3).
3) is input.
【００３８】そして、気象モデル（３３）から予測され
た路面凍結対象地点の気象値（気温、気圧、風速、地表
面温度など）を路面温度の重回帰式（３５）に代入し、
路面温度（３６）を予測する。ただし、実施の形態１と
同様に、重回帰式（３５）は気象モデル（３３）から予
測された気候値（気温、気圧、風速、地表面温度など）
を説明変数とし、過去の路面温度のデータと気象モデル
（３３）から得られた気象値から作成された式である。Then, the weather values (temperature, air pressure, wind speed, ground surface temperature, etc.) of the road surface freezing point predicted from the weather model (33) are substituted into the multiple regression equation (35) of the road surface temperature,
Predict the road surface temperature (36). However, as in Embodiment 1, the multiple regression equation (35) uses the climatic values (temperature, pressure, wind speed, ground surface temperature, etc.) predicted from the weather model (33).
Is an explanatory variable, and is an expression created from past road surface temperature data and weather values obtained from the weather model (33).
【００３９】また、アメダス、高層気象データ、ＧＰＶ
などの気象データ（３１）から路面凍結対象地点の未来
の路面情報（３７）（降水、積雪等による路上水分の有
無など）を予測する。そして、重回帰式（３５）から予
測された路面温度（３６）と気象データ（３１）から予
測される路面情報（３７）を合わせて考慮し、路面凍結
の有無及び凍結開始時間を判定する。Also, AMeDAS, high-level weather data, GPV
The future road surface information (37) (presence of water on the road due to precipitation, snow, etc.) of the road surface freezing target point is predicted from the weather data (31). Then, considering the road surface temperature (36) predicted from the multiple regression equation (35) and the road surface information (37) predicted from the weather data (31), the presence / absence of road surface freezing and the freezing start time are determined.
【００４０】図３に示すように、この実施の形態で必要
な気象データ１は主にアメダス、高層データ、ＧＰＶで
ある。そして、この実施の形態では、気象モデル（３
３）に気象データ（３１）と路面凍結対象地点付近の地
形データ（３２）だけでなく気象モデル（３３）中の各
格子領域内における土地利用（森林、田畑、都市など）
別のデータ（３４）も入力する。As shown in FIG. 3, the weather data 1 required in this embodiment is mainly AMeDAS, high-rise data, and GPV. In this embodiment, the weather model (3
3) Land use (forests, fields, cities, etc.) in each grid area in the weather model (33) as well as the weather data (31) and topographical data (32) near the road surface freezing point
Another data (34) is also input.
【００４１】ここで、この実施の形態で使用する気象モ
デル（３３）は格子間隔１〜１０ｋｍ程度のモデルであ
り、また、気象モデル（３３）の地表面の境界条件で用
いる地表面モデルには、格子領域内で複数の土地利用を
考慮したキャノピー層のモデルを導入している。Here, the meteorological model (33) used in this embodiment is a model with a grid interval of about 1 to 10 km. The ground surface model used in the boundary condition of the ground surface of the weather model (33) is In addition, a model of the canopy layer considering multiple land uses in the grid area is introduced.
【００４２】なお、この実施の形態で格子間隔１〜１０
ｋｍ程度の気象モデル（３３）を使用する理由は、実施
の形態１，２に比べて、気象モデル（３３）での計算量
を減らすためである。一般に気象モデルの計算量を減ら
す方法は他にもあるが、最も簡単で効果があるのが、格
子間隔を拡げて格子数を減らす方法である。そして、格
子間隔を拡げることにより気象モデル（３３）の地表面
の境界条件になる地表面モデルの取り扱いも変わってく
る。通常気象モデル内の地表面モデルには、従来の技術
で説明した熱収支式（（１）式））を用いる。このとき
各フラックス（Ｒn ，ＬＥ，Ｈ，Ｇ）は、地表面のアル
ベド、粗度長、地表面の蒸発効率等のパラメータに大き
く依存する。これらのパラメータは土地利用により異な
ってくる。以下の表２に土地利用別のパラメータを示
す。In this embodiment, the lattice spacing is 1 to 10
The reason why the weather model (33) of about km is used is to reduce the amount of calculation in the weather model (33) as compared with the first and second embodiments. In general, there are other methods for reducing the amount of calculation of the weather model, but the simplest and most effective method is to reduce the number of grids by increasing the grid spacing. The handling of the ground surface model, which becomes the boundary condition of the ground surface of the weather model (33), is also changed by increasing the grid interval. The heat balance equation (equation (1)) described in the related art is used for the ground surface model in the normal weather model. At this time, each flux (Rn, LE, H, G) greatly depends on parameters such as albedo on the ground surface, roughness length, and evaporation efficiency on the ground surface. These parameters vary with land use. Table 2 below shows the parameters for each land use.
【００４３】[0043]
【表２】 [Table 2]
【００４４】実施の形態１，２のように格子間隔が１ｋ
ｍ以下の気象モデルの場合には、格子領域が狭いので１
格子領域内で土地利用は均一であるとし、１種類の土地
利用で近似してもそれほど問題はないが、この実施の形
態のように、格子間隔を拡げる場合には１格子領域内で
複数の土地利用を考慮しなければならない。このような
場合、熱収支式において大きく影響をうけるフラックス
は顕熱フラックスＨと潜熱フラックスＥである。As in Embodiments 1 and 2, the lattice spacing is 1 k.
In the case of a meteorological model of m or less, 1
It is assumed that land use is uniform in the grid area, and there is not much problem even if approximation is made by one kind of land use. However, when the grid interval is increased as in this embodiment, a plurality of land uses are required in one grid area. Land use must be considered. In such a case, the fluxes greatly affected in the heat balance equation are the sensible heat flux H and the latent heat flux E.
【００４５】ここで、格子領域内で複数の土地利用を考
慮した場合の顕熱、潜熱フラックスの求め方を説明す
る。図４は、格子領域内で複数の土地利用を考慮した場
合の顕熱、潜熱フラックスの求め方を説明するための説
明図であり、１格子領域内に都市、裸地、森林が混在す
る場合の図を示している。Here, how to find the sensible heat and latent heat fluxes when considering a plurality of land uses in the grid area will be described. FIG. 4 is an explanatory diagram for explaining a method of obtaining sensible heat and latent heat flux in the case where a plurality of land uses are considered in a grid region. In a case where cities, bare land, and forests are mixed in one grid region. FIG.
【００４６】都市の影響のある鉛直方向の層領域を都市
キャノピー層、森林の影響がある層領域を植生キャノピ
ー層と一般には呼ばれている。図４に示すような複数の
土地利用が存在する格子領域における顕熱フラックスＨ
と潜熱フラックスＬＥは下式で与えられる。The vertical layer area affected by the city is generally called an urban canopy layer, and the layer area affected by a forest is generally called a vegetation canopy layer. Sensible heat flux H in a grid area where multiple land uses exist as shown in FIG.
And the latent heat flux LE are given by the following equation.
【００４７】Ｈ＝（１／Ａ）ΣＡi Ｈi …（２） ＬＥ＝（１／Ａ）ΣＡi ＬＥi …（３） ここでＡは１格子領域の面積であり、Ａi ，Ｈi ，ＬＥ
i （ｉ＝１，２，３）はそれぞれ各土地利用領域の面
積、顕熱フラックス、潜熱フラックスである。またアル
ベドも同様の形で与えられる。H = (1 / A) ΣA i H i (2) LE = (1 / A) ΣA i LE i (3) where A is the area of one lattice region, and A i , H i , LE
i (i = 1, 2, 3) is the area of each land use area, sensible heat flux, and latent heat flux, respectively. Albedo is also given in a similar form.
【００４８】以上の理由から、この実施の形態で用いる
気象モデル（３３）では、路面凍結対象地点の気象値を
精度良く予測するために各格子領域内の土地利用データ
（３４）が必要となる。格子間隔を拡げることと複数の
土地利用を考慮した地表面モデルを導入すること以外
は、実施の形態１，２と同様に、気象モデル（３３）は
大気の運動を物理法則（運動方程式、質量保存則など）
にしたがってシミュレートするものとなっている。For the above reasons, the weather model (33) used in this embodiment requires land use data (34) in each grid area to accurately predict the weather value of the road surface freezing target point. . The weather model (33) is similar to the first and second embodiments except that the grid spacing is increased and a land surface model taking into account a plurality of land uses is introduced. Conservation law)
Is simulated in accordance with
【００４９】そして、この後の路面凍結予測の処理は、
実施の形態１と同様であり、気象モデル（３３）から予
測された路面凍結対象地点の気象値（気温、風、湿度、
地表面温度など）を路面温度の重回帰式（３５）に入力
し路面温度（３６）の予測を行う。このとき使用する重
回帰式（３５）は気象モデル（３３）から予測された気
象値（気温、気圧、風速、地表面温度など）を説明変数
とするものである。Then, the processing of the road surface freezing prediction after this is as follows.
As in the first embodiment, the weather values (temperature, wind, humidity, humidity, etc.) of the road surface freezing target point predicted from the weather model (33)
The ground temperature is input to the multiple regression equation (35) of the road surface temperature to predict the road surface temperature (36). The multiple regression equation (35) used at this time uses weather values (temperature, pressure, wind speed, ground surface temperature, etc.) predicted from the weather model (33) as explanatory variables.
【００５０】また、アメダス、高層データ、ＧＰＶなど
の気象データ（３１）から、路面凍結対象地点の未来の
路面情報（３７）（降水、積雪などによる路上水分の有
無など）を予測する。このようにして予測された路面温
度（３６）と路面情報（３７）を考慮して路面凍結の有
無及び凍結開始時間の判定を行うようになっている。Further, future road surface information (37) (presence or absence of on-road moisture due to precipitation, snow, etc.) of the road surface freezing target point is predicted from weather data (31) such as AMeDAS, high-rise data, GPV and the like. The presence / absence of road surface freezing and the start time of freezing are determined in consideration of the road surface temperature (36) and the road surface information (37) thus predicted.
【００５１】この実施の形態では、図３に示すように、
モデル格子領域内で複数の土地利用を考慮した格子間隔
１〜１０ｋｍ程度の気象モデル（３３）を用いて、路面
凍結対象地点付近の正確な気象値を予測し、その気象値
を説明変数とする路面温度（３６）の重回帰式（３５）
に入力し路面凍結を予測するので、測候所の気象データ
より路面凍結対象地点の気象状況を正確に求めることが
でき、正確な路面凍結予測が可能となる。In this embodiment, as shown in FIG.
Using a weather model (33) with a grid spacing of about 1 to 10 km taking into account a plurality of land uses within the model grid area, predict accurate weather values near the road surface freezing target point and use the weather values as explanatory variables. Multiple regression equation (35) of road surface temperature (36)
To predict the road surface freezing, the weather condition of the road surface freezing target point can be accurately obtained from the weather data of the weather station, and accurate road surface freezing prediction is possible.
【００５２】さらに、この実施の形態では、実施の形態
１と同様に、路面凍結の判定には重回帰式（３５）から
予測される路面温度（３６）だけでなく、ＧＰＶなどの
気象データ（３１）から予測される路面情報（３７）の
判定要素に加えるので、より簡単に精度良く路面凍結の
有無及び凍結開始時間を判定することができる。また、
実施の形態１と異なり、この実施の形態で使用する気象
モデル（３３）では格子間隔を拡げているので、気象値
の計算量が減り、計算コストを下げることが可能にな
る。Further, in this embodiment, similarly to the first embodiment, the determination of the road surface freezing is performed not only on the road surface temperature (36) predicted from the multiple regression equation (35) but also on the weather data (GPV, etc.). Since it is added to the determination element of the road surface information (37) predicted from 31), the presence / absence of road surface freezing and the freezing start time can be determined more easily and accurately. Also,
Unlike the first embodiment, in the weather model (33) used in this embodiment, the grid interval is expanded, so that the calculation amount of the weather value is reduced, and the calculation cost can be reduced.
【００５３】実施の形態４．図５は実施の形態４の路面
凍結予測の流れを示す図である。まず、実施の形態２と
同様に、アメダス、高層気象データ、ＧＰＶなどの気象
データ（４１）と、路面凍結対象地点付近の地形データ
（４２）（路面凍結対象地点付近の標高、傾斜など）
を、気象モデル（４３）に入力する。ただし、この実施
の形態で用いる気象モデル３は、実施の形態３と同様
に、格子間隔が１ｋｍ〜１０ｋｍ程度のモデルであり、
また、気象モデルの地表面の境界条件で用いる地表面モ
デルには格子領域内で複数の土地利用（森林、田畑、都
市など）を考慮したキャノピー層のモデルを導入してい
る。それ以外の部分は、実施の形態１，２と同様に、文
献３）に挙げたような大気の運動を物理法則（運動方程
式、質量保存則など）にしたがってシミュレートする気
象モデルである。従って、この実施の形態では実施の形
態３と同様に、気象モデル（４３）で路面凍結対象地点
の気象値を予測する際に、モデル中の各格子領域内の土
地利用データ（４４）も入力する。Embodiment 4 FIG. 5 is a diagram showing a flow of road surface freezing prediction according to the fourth embodiment. First, similarly to the second embodiment, weather data (41) such as AMeDAS, high-rise weather data, and GPV, and topographic data (42) near the road surface freezing target point (altitude, inclination, etc. near the road surface freezing target point)
Is input to the weather model (43). However, the weather model 3 used in this embodiment is a model having a grid spacing of about 1 km to 10 km, as in the third embodiment.
In addition, a canopy layer model that takes into account a plurality of land uses (forests, fields, cities, etc.) in the grid area is introduced as the ground surface model used for the boundary condition of the ground surface of the weather model. The other part is a weather model that simulates the motion of the atmosphere as described in Reference 3) in accordance with the laws of physics (the equation of motion, the law of conservation of mass, etc.) as in the first and second embodiments. Therefore, in this embodiment, when the weather model (43) predicts the weather value at the road surface freezing point, the land use data (44) in each grid area in the model is also input, as in the third embodiment. I do.
【００５４】そして、気象モデル（４３）から予測され
た気象値と気象データ（４１）から予測される路面情報
（４７）（降水、積雪等による路上水分の有無など）、
及び路面凍結対象地点付近の構造物（建築物や木など）
データ（４８）を、熱収支式（４５）に入力し路面温度
（４６）を予測する。そして、熱収支式（４５）から予
測された路面温度（４６）と気象データ（４１）から予
測される路面情報（４７）を考慮し、路面凍結の有無及
び凍結開始時間を判定する。Then, the weather value predicted from the weather model (43) and the road surface information (47) predicted from the weather data (41) (the presence or absence of on-road moisture due to precipitation, snow, etc.),
And structures (such as buildings and trees) near the target point of road surface freezing
The data (48) is input to the heat balance equation (45) to predict the road surface temperature (46). Then, in consideration of the road surface temperature (46) predicted from the heat balance equation (45) and the road surface information (47) predicted from the weather data (41), the presence / absence of road surface freezing and the freezing start time are determined.
【００５５】図５に示すように、この実施の形態で必要
な気象データ（４１）は、実施の形態１〜３と同様に、
主にアメダス、高層データ、ＧＰＶである。そして、実
施の形態３と同様に、気象データ（４１）と路面凍結予
測対象地点付近の地形データ（４２）及び気象モデル
（４３）中の各格子領域内の土地利用データ（４４）を
気象モデル（４３）に入力し、対象地点付近の正確な気
象値（気温、気圧、風速、地表面温度など）を予測す
る。ただし、この実施の形態では、実施の形態３と同様
の理由から気象モデル（４３）には格子間隔１〜１０ｋ
ｍ程度のモデルを使用し、また、気象モデル（４３）中
の地表面の境界条件で用いる地表面モデルには格子領域
内で複数の土地利用（森林、田畑、都市など）を考慮し
たキャノピー層のモデル（図４を参照）を導入してい
る。As shown in FIG. 5, the weather data (41) required in this embodiment is the same as in the first to third embodiments.
Mainly AMeDAS, high-rise data, GPV. Then, as in the third embodiment, the weather data (41), the terrain data (42) near the road surface freezing prediction target point, and the land use data (44) in each grid area in the weather model (43) are converted into the weather model. Input to (43) to predict accurate weather values (temperature, air pressure, wind speed, ground surface temperature, etc.) near the target point. However, in this embodiment, for the same reason as in the third embodiment, the weather model (43) has a grid spacing of 1 to 10 k.
m, and the ground surface model used for the boundary condition of the ground surface in the meteorological model (43) includes a canopy layer considering a plurality of land uses (forests, fields, cities, etc.) within the grid area. (See FIG. 4).
【００５６】また、この実施の形態では気象モデル（４
３）から予測された路面凍結対象地点の気象値を熱収支
式（４５）に入力して路面温度（４６）を求める際、気
象データ（４１）から予測される路面情報（４７）と路
面凍結対象地点付近の構造物データ（４８）も入力す
る。路面情報（４７）（降水、積雪等による路上水分の
有無など）により熱収支式（４５）中の各フラックス
（Ｒn ，ＬＥ，Ｈ，Ｇ）が変化するので、路面凍結対象
地点の正確な路面温度（４６）を求めるためには路面情
報（４７）が必要になる。In this embodiment, the weather model (4
When the weather value of the road surface freezing point predicted from 3) is input to the heat balance equation (45) to obtain the road surface temperature (46), the road surface information (47) predicted from the weather data (41) and the road surface freezing are obtained. The structure data (48) near the target point is also input. Since each flux (Rn, LE, H, G) in the heat balance equation (45) changes according to the road surface information (47) (presence or absence of on-road moisture due to precipitation, snowfall, etc.), the exact road surface at the target point of road surface freezing is changed. To obtain the temperature (46), road surface information (47) is required.
【００５７】また、路面凍結対象地点の周囲に構造物
（木、家など）がある場合には構造物による影の時間分
布が各フラックスに大きな影響を与えるので、正確な路
面温度（４６）を求めるためには路面凍結対象地点の周
囲の構造物による影の時間変化のデータ（４８）も必要
になる。またアメダス、高層データ、ＧＰＶなどの気象
データ（４１）から、実施の形態１〜３と同様に、路面
凍結対象地点の未来の路面情報（４７）（降水、積雪等
による路上水分の有無など）を予測する。このようにし
て予測された路面温度（４６）と路面情報（４７）を考
慮して路面凍結の有無及び凍結開始時間の判定を行うよ
うになっている。If there is a structure (tree, house, etc.) around the road surface freezing point, the time distribution of the shadow by the structure greatly affects each flux. In order to obtain the data, the data (48) of the time change of the shadow due to the structure around the road surface freezing point is also required. In addition, from the weather data (41) such as AMeDAS, high-rise data, GPV, etc., similar to the first to third embodiments, future road surface information (47) of the road surface freezing target point (whether there is water on the road due to precipitation, snow, etc.) Predict. The presence or absence of road surface freezing and the start time of freezing are determined in consideration of the road surface temperature (46) and the road surface information (47) thus predicted.
【００５８】この実施の形態では、図５に示すように、
モデル格子領域内で複数の土地利用を考慮した格子間隔
１〜１０ｋｍ程度の気象モデル（４３）を用いて、路面
凍結対象地点付近のより正確な気象値を予測し、その予
測された気象値と気象データ（４１）から予測された路
面情報（４７）及び路面凍結対象地点付近の構造物デー
タ（４８）を熱収支式（４５）に入力し、路面温度（４
６）を予測するので、測候所のデータより路面凍結対象
地点の気象状況を正確に求めることができ、正確な路面
凍結予測が可能となる。In this embodiment, as shown in FIG.
Using a weather model (43) with a grid spacing of about 1 to 10 km taking into account a plurality of land uses within the model grid area, more accurate weather values near the target point of road surface freezing are predicted, and the predicted weather values and The road surface information (47) predicted from the weather data (41) and the structure data (48) near the road surface freezing target point are input to the heat balance equation (45), and the road surface temperature (4
Since 6) is predicted, the weather condition at the road surface freezing target point can be accurately obtained from the data of the weather station, and accurate road surface freezing prediction can be performed.
【００５９】さらに、この実施の形態では、実施の形態
２と同様に、路面凍結の判定には熱収支式（４５）から
予測される路面温度（４６）だけでなく、ＧＰＶなどの
気象データ（４１）から予測される路面情報（４７）の
判定要素に加えるので、より簡単に精度良く路面凍結の
有無及び凍結開始時間を判定することができる。また、
この実施の形態で用いる気象モデル（４３）ではある一
定の時間ステップごと（例えば１０ｍｉｎ間隔）に計算
された気象値が得られるので、同時にその時間ステップ
ごとに熱収支式（４５）を用いて路面温度（４６）を予
測することができる。従って、この実施の形態では重回
帰式のように過去の蓄積データがなくても、路面温度
（４６）の時間変化が得られるので、過去にない突発的
な現象にも対応可能である。Further, in this embodiment, as in the second embodiment, the determination of road surface freezing is performed not only on the road surface temperature (46) predicted from the heat balance equation (45) but also on the weather data (GPV, etc.). Since it is added to the determination element of the road surface information (47) predicted from 41), the presence / absence of road surface freezing and the freezing start time can be determined more easily and accurately. Also,
In the weather model (43) used in this embodiment, weather values calculated at certain time steps (for example, at 10-minute intervals) are obtained. At the same time, the road surface is calculated using the heat balance equation (45) at each time step. The temperature (46) can be predicted. Therefore, in this embodiment, the time change of the road surface temperature (46) can be obtained even if there is no past accumulated data as in the multiple regression equation.
【００６０】また、この実施の形態では、実施の形態２
と異なり、使用する気象モデル（４３）の格子間隔を拡
げているので、気象値の計算量が減り、計算コストを下
げることが可能になる。In this embodiment, the second embodiment is used.
Unlike this, since the grid spacing of the weather model (43) to be used is expanded, the calculation amount of weather values is reduced, and the calculation cost can be reduced.
【００６１】なお、実施の形態１〜４では、格子間隔１
ｋｍを境にして、気象モデル（１３，２３，３３．４
３）内に複数の土地利用を考慮した地表面モデルの導入
の有無について説明したが、この格子間隔境界値１ｋｍ
は土地の利用状況により変化する値で、例えば、広範囲
の領域（数十ｋｍ×数十ｋｍ）に渡って土地利用が均一
であれば、気象モデルの格子間隔を拡げても（実施の形
態３，４の気象モデルでも）複数の土地利用を考慮する
必要はなく、実施の液体１，２の方法を適用しても、以
上の実施例と同様の効果が得られる。In the first to fourth embodiments, the lattice spacing 1
km, the weather model (13, 23, 33.4)
In 3), it was explained whether or not a ground surface model considering plural land uses was introduced.
Is a value that changes depending on the land use situation. For example, if land use is uniform over a wide area (several tens km × several tens km), even if the grid spacing of the weather model is increased (Embodiment 3) , 4), there is no need to consider a plurality of land uses, and even if the method of the liquids 1 and 2 of the embodiment is applied, the same effect as in the above embodiment can be obtained.
【００６２】逆に非常に狭い領域（数ｋｍ×数ｋｍ）で
も土地利用が複数混在する地域では、実施の形態１，２
の気象モデル（１３，２３）のように格子間隔が狭くて
も、実施の形態３，４のように複数の土地利用を考慮し
たキャノピー層の地表面モデルを考慮する必要がある。
従って実施の形態１〜４で用いた格子間隔境界値１ｋｍ
は一例にすぎず、この値は土地の利用状況により変動す
るものである。しかし、土地の利用状況が実施の形態１
〜４と異なる場合でも境界値が変わるだけで、その他
は、実施の形態１〜４の方法をそのまま利用することが
でき、同様の効果が得られる。On the other hand, even in a very narrow area (several km × several km), in a region where a plurality of land uses coexist, the first and second embodiments are used.
Even if the grid spacing is narrow as in the weather model (13, 23), it is necessary to consider the ground surface model of the canopy layer considering a plurality of land uses as in the third and fourth embodiments.
Therefore, the lattice spacing boundary value 1 km used in the first to fourth embodiments is used.
Is only an example, and this value varies depending on the land use situation. However, the land use situation is
In the other cases, only the boundary value changes, and otherwise, the methods of Embodiments 1 to 4 can be used as they are, and the same effects can be obtained.
【００６３】また、実施の形態１〜４では、路面凍結予
測方法で説明したが、路面凍結予測モデルと同じような
非常に局所的な気象モデルを使用して気象予報を行う方
法においても実施の形態１〜４の方法は同様に適用可能
であり、同様の効果が得られる。Although the first to fourth embodiments have been described with reference to the road surface freezing prediction method, the present invention is also applicable to a method of performing a weather forecast using a very local weather model similar to the road surface freezing prediction model. The methods of Embodiments 1 to 4 are similarly applicable, and similar effects can be obtained.
【００６４】[0064]
【発明の効果】以上のように本発明によれば、予め特定
された地点で測定された複数の気象データと路面凍結対
象地点付近の地形データを気象数値予報モデルに入力し
て、路面凍結対象地点付近の複数の気象を予測し、予測
した路面凍結対象地点付近の複数の気象の予測値に基づ
いて、路面凍結対象地点の路面温度を予測し、予測した
路面温度及び気象データから予測された路面情報に基づ
いて、路面凍結対象地点の路面凍結の有無と凍結開始時
間を判定するようにしたので、測候所などからのデータ
から路面凍結対象地点の気象状況を正確に求めることが
でき、正確な路面温度の予測を行うことができ、正確な
路面凍結の予測を行うことができるという効果を有す
る。As described above, according to the present invention, a plurality of meteorological data measured at a point specified in advance and terrain data near a road surface freezing target point are input to a weather numerical forecast model, and the road surface Predicting multiple weather conditions near the point, predicting the road surface temperature at the target road surface freeze based on the predicted values of the multiple weather conditions near the target road surface freeze target, and predicting the road surface temperature and weather data from the predicted road surface temperature and weather data Based on the road surface information, the presence / absence of road surface freezing and the start time of freezing of the road surface freezing target are determined, so that the weather condition of the road surface freezing target point can be accurately obtained from data from weather stations, etc. This has the effect that the road surface temperature can be predicted and the road surface freezing can be accurately predicted.
【図１】実施の形態１の路面凍結予測の流れを示す図で
ある。FIG. 1 is a diagram showing a flow of road surface freezing prediction according to a first embodiment.
【図２】実施の形態２の路面凍結予測の流れを示す図で
ある。FIG. 2 is a diagram showing a flow of road surface freezing prediction according to a second embodiment.
【図３】実施の形態３の路面凍結予測の流れを示す図で
ある。FIG. 3 is a diagram showing a flow of road surface freezing prediction according to a third embodiment.
【図４】顕熱、潜熱フラックスの求め方を説明するため
の説明図である。FIG. 4 is an explanatory diagram for explaining how to obtain sensible heat and latent heat flux.
【図５】実施の形態４の路面凍結予測の流れを示す図で
ある。FIG. 5 is a diagram showing a flow of road surface freezing prediction according to a fourth embodiment.
【図６】従来の路面温度予測方法の一覧を示す図であ
る。FIG. 6 is a diagram showing a list of conventional road surface temperature prediction methods.
【図７】熱収支法による予測の流れを示す図である。FIG. 7 is a diagram showing a flow of prediction by a heat balance method.
Claims (6)
の凍結予測を行う路面凍結予測方法において、 予め特定された地点で測定された複数の気象データと路
面凍結対象地点付近の地形データを気象数値予報モデル
に入力して、路面凍結対象地点付近の複数の気象を予測
し、 予測した路面凍結対象地点付近の複数の気象の予測値に
基づいて、路面凍結対象地点の路面温度を予測し、 前記予測した路面温度及び前記気象データから予測され
た路面情報に基づいて、路面凍結対象地点の路面凍結の
有無と凍結開始時間を判定することを特徴とする路面凍
結予測方法。1. A road surface freezing prediction method for predicting road surface freezing from road surface temperature and road surface information on a road surface, the method comprising: collecting a plurality of meteorological data measured at a point specified in advance; By inputting to the numerical forecast model, predicting multiple weathers near the road surface freeze target point, predicting the road surface temperature at the road surface freeze target point based on the predicted values of multiple weather conditions near the predicted road surface freeze target point, A road surface freezing prediction method, comprising: determining whether or not a road surface is to be frozen and a freezing start time at a road surface freezing target point based on the predicted road surface temperature and road surface information predicted from the weather data.
の凍結予測を行う路面凍結予測方法において、 予め特定された地点で測定された複数の気象データと路
面凍結対象地点付近の地形データを気象数値予報モデル
に入力して、路面凍結対象地点付近の複数の気象を予測
し、 予測した路面凍結対象地点付近の複数の気象の予測値の
それぞれを説明変数した重回帰式に基づいて、路面凍結
対象地点の路面温度を予測し、 前記予測した路面温度及び前記気象データから予測され
た路面情報に基づいて、路面凍結対象地点の路面凍結の
有無と凍結開始時間を判定することを特徴とする路面凍
結予測方法。2. A road surface freezing prediction method for predicting road surface freezing from road surface temperature and road surface information on a road surface, the method comprising: collecting a plurality of meteorological data measured at a previously specified point; By inputting to the numerical forecast model, multiple weather forecasts near the road surface freeze target point are predicted, and the road surface freeze is calculated based on the multiple regression equation that uses each of the predicted weather values near the road freeze target point as an explanatory variable. A road surface which predicts a road surface temperature at a target point, and determines whether or not the road surface is to be frozen and a freezing start time at a road surface freezing target point based on the predicted road surface temperature and road surface information predicted from the weather data. Freezing prediction method.
の凍結予測を行う路面凍結予測方法において、 予め特定された地点で測定された複数の気象データと路
面凍結対象地点付近の地形データを気象数値予報モデル
に入力して、路面凍結対象地点付近の複数の気象を予測
し、 予測した路面凍結対象地点付近の複数の気象の予測値、
路面凍結対象地点付近の構造物に関する構造物データ、
及び前記気象データから予測された未来の路面情報を用
いた路面の熱収支式に基づいて、路面凍結対象地点の路
面温度を予測し、 前記予測した路面温度及び前記気象データから予測され
た未来の路面情報に基づいて、路面凍結対象地点の路面
凍結の有無と凍結開始時間を判定することを特徴とする
路面凍結予測方法。3. A road surface freezing prediction method for predicting road surface freezing based on road surface temperature and road surface information on a road surface, wherein a plurality of meteorological data measured at a point specified in advance and topographical data near a target surface of the road surface freezing target are collected. Input to the numerical forecast model to predict multiple weather conditions near the road surface freeze target point, predict multiple weather values near the predicted road surface freeze target point,
Structural data on structures near the road surface freezing target point,
And, based on the heat balance equation of the road surface using the future road surface information predicted from the weather data, to predict the road surface temperature of the road surface freezing target point, the future predicted from the predicted road surface temperature and the weather data A road surface freezing prediction method characterized by determining the presence or absence of road surface freezing and the start time of freezing at a road surface freezing target point based on road surface information.
の凍結予測を行う路面凍結予測方法において、 予め特定された地点で測定された複数の気象データと路
面凍結対象地点付近の地形データを、モデル格子領域内
で複数の土地利用を考慮した地表面モデルを導入した気
象数値予報モデルに入力して、路面凍結対象地点付近の
複数の気象を予測し、 予測した路面凍結対象地点付近の複数の気象の予測値に
基づいて、路面凍結対象地点の路面温度を予測し、 前記予測した路面温度及び前記気象データから予測され
た路面情報に基づいて、路面凍結対象地点の路面凍結の
有無と凍結開始時間を判定することを特徴とする路面凍
結予測方法。4. A road surface freezing prediction method for performing road surface freezing prediction based on road surface temperature and road surface information on a road surface, wherein a plurality of weather data measured at a previously specified point and topographic data near a road surface freezing target point are obtained. By inputting to the numerical weather forecast model that introduces a land surface model that takes into account multiple land uses within the model grid area, it predicts multiple weather conditions near the road surface Predicting the road surface temperature of the road surface freezing target point based on the predicted value of the weather, based on the predicted road surface temperature and the road surface information predicted from the weather data, whether or not the road surface is to be frozen and the start of freezing. A road surface freezing prediction method characterized by determining a time.
の凍結予測を行う路面凍結予測方法において、 予め特定された地点で測定された複数の気象データと路
面凍結対象地点付近の地形データを、モデル格子領域内
で複数の土地利用を考慮した地表面モデルを導入した気
象数値予報モデルに入力して、路面凍結対象地点付近の
複数の気象を予測し、 予測した路面凍結対象地点付近の複数の気象の予測値の
それぞれを説明変数した重回帰式に基づいて、路面凍結
対象地点の路面温度を予測し、 前記予測した路面温度及び前記気象データから予測され
た路面情報に基づいて、路面凍結対象地点の路面凍結の
有無と凍結開始時間を判定することを特徴とする路面凍
結予測方法。5. A road surface freezing prediction method for performing road surface freezing prediction based on road surface temperature and road surface information of a road surface, wherein a plurality of weather data measured at a point specified in advance and topographic data near a target surface of the road surface freezing are obtained. By inputting to the numerical weather forecast model that introduces a land surface model that takes into account multiple land uses within the model grid area, it predicts multiple weather conditions near the road surface Based on the multiple regression equation using the explanatory variables as explanatory variables for each of the weather forecast values, the road surface temperature of the road surface freezing target point is predicted, and the road surface freezing target is predicted based on the predicted road surface temperature and the road surface information predicted from the weather data. A road surface freezing prediction method characterized by determining the presence or absence of road surface freezing at a point and a freezing start time.
の凍結予測を行う路面凍結予測方法において、 予め特定された地点で測定された複数の気象データと路
面凍結対象地点付近の地形データを、モデル格子領域内
で複数の土地利用を考慮した地表面モデルを導入した気
象数値予報モデルに入力して、路面凍結対象地点付近の
複数の気象を予測し、 予測した路面凍結対象地点付近の複数の気象の予測値、
路面凍結対象地点付近の構造物に関する構造物データ、
及び前記気象データから予測された未来の路面情報を用
いた路面の熱収支式に基づいて、路面凍結対象地点の路
面温度を予測し、 前記予測した路面温度及び前記気象データから予測され
た未来の路面情報に基づいて、路面凍結対象地点の路面
凍結の有無と凍結開始時間を判定することを特徴とする
路面凍結予測方法。6. A road surface freezing prediction method for performing road surface freezing prediction based on road surface temperature and road surface information of a road surface, wherein a plurality of weather data measured at a point specified in advance and topographical data near a target surface of the road surface freezing are obtained. By inputting to the numerical weather forecast model that introduces a land surface model that takes into account multiple land uses within the model grid area, it predicts multiple weather conditions near the road surface Weather forecasts,
Structural data on structures near the road surface freezing target point,
And, based on the heat balance equation of the road surface using the future road surface information predicted from the weather data, to predict the road surface temperature of the road surface freezing target point, the future predicted from the predicted road surface temperature and the weather data A road surface freezing prediction method characterized by determining the presence or absence of road surface freezing and the start time of freezing at a road surface freezing target point based on road surface information.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22472397A JPH1164537A (en) | 1997-08-21 | 1997-08-21 | Freezing road surface predictive method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22472397A JPH1164537A (en) | 1997-08-21 | 1997-08-21 | Freezing road surface predictive method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH1164537A true JPH1164537A (en) | 1999-03-05 |
Family
ID=16818245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP22472397A Pending JPH1164537A (en) | 1997-08-21 | 1997-08-21 | Freezing road surface predictive method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH1164537A (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006017501A (en) * | 2004-06-30 | 2006-01-19 | Japan Weather Association | Road surface temperature prediction system, method, and program |
| CN105158823A (en) * | 2015-08-15 | 2015-12-16 | 大连天岛海洋科技有限公司 | Hanging waveguide monitoring-forecasting system and method |
| KR20200068055A (en) * | 2018-11-26 | 2020-06-15 | 디토닉 주식회사 | System and Method for Predicting Road Surface State |
| JP2022089779A (en) * | 2020-12-04 | 2022-06-16 | ナショナル インスティチュート オブ ミティオロロジカル サイエンシズ | Method and device for producing ground vegetation input document for performing whole earth climate change prediction model |
| JP2022132945A (en) * | 2021-03-01 | 2022-09-13 | 株式会社東芝 | Prediction method and prediction program and predictor |
-
1997
- 1997-08-21 JP JP22472397A patent/JPH1164537A/en active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006017501A (en) * | 2004-06-30 | 2006-01-19 | Japan Weather Association | Road surface temperature prediction system, method, and program |
| CN105158823A (en) * | 2015-08-15 | 2015-12-16 | 大连天岛海洋科技有限公司 | Hanging waveguide monitoring-forecasting system and method |
| KR20200068055A (en) * | 2018-11-26 | 2020-06-15 | 디토닉 주식회사 | System and Method for Predicting Road Surface State |
| JP2022089779A (en) * | 2020-12-04 | 2022-06-16 | ナショナル インスティチュート オブ ミティオロロジカル サイエンシズ | Method and device for producing ground vegetation input document for performing whole earth climate change prediction model |
| JP2022132945A (en) * | 2021-03-01 | 2022-09-13 | 株式会社東芝 | Prediction method and prediction program and predictor |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102076426B1 (en) | System for managing detailed weather prediction information in real time and method to use for impact forecasting of heat-wave and tropical night using the system | |
| Milbrandt et al. | The pan-Canadian high resolution (2.5 km) deterministic prediction system | |
| Murphy | An evaluation of statistical and dynamical techniques for downscaling local climate | |
| Christensen et al. | Very high-resolution regional climate simulations over Scandinavia—Present climate | |
| Pastor et al. | Torrential rains on the Spanish Mediterranean coast: Modeling the effects of the sea surface temperature | |
| Sass | A numerical forecasting system for the prediction of slippery roads | |
| Bosilovich et al. | Simulation of water sources and precipitation recycling for the MacKenzie, Mississippi, and Amazon River basins | |
| Arthur et al. | Topographic effects on radiation in the WRF Model with the immersed boundary method: Implementation, validation, and application to complex terrain | |
| Husain et al. | The multibudget Soil, Vegetation, and Snow (SVS) scheme for land surface parameterization: Offline warm season evaluation | |
| Market et al. | Precipitation efficiency of warm-season Midwestern mesoscale convective systems | |
| CN112785024A (en) | Runoff calculation and prediction method based on watershed hydrological model | |
| Choi et al. | Seasonality and El Niño diversity in the relationship between ENSO and western North Pacific tropical cyclone activity | |
| Tiwari et al. | Sensitivity of the Himalayan orography representation in simulation of winter precipitation using Regional Climate Model (RegCM) nested in a GCM | |
| Shukla et al. | Evaluation of extreme dust storm over the northwest Indo-Gangetic plain using WRF-Chem model | |
| CN114154705A (en) | Data processing method, device, equipment and medium applied to precipitation forecast | |
| Casallas-García et al. | Understanding convective storms in a tropical, high-altitude location with in-situ meteorological observations and GPS-derived water vapor | |
| Fan et al. | Modeling study of the impact of complex terrain on the surface energy and hydrology over the Tibetan Plateau | |
| Shin et al. | The role of an advanced land model in seasonal dynamical downscaling for crop model application | |
| Fu et al. | Evaluation of TOPMODEL-based land surface–atmosphere transfer scheme (TOPLATS) through a soil moisture simulation | |
| Kim et al. | Representation of tropical cyclones by the Modern-Era Retrospective Analysis for Research and Applications version 2 | |
| JPH1164537A (en) | Freezing road surface predictive method | |
| Yesubabu et al. | Impact of variational assimilation technique on simulation of a heavy rainfall event over Pune, India | |
| Shu et al. | A 10-year climatology of midlevel mesoscale vortices in China | |
| JPH10282250A (en) | Method and device for prediction of freezing on road surface | |
| Bakketun et al. | Using a Reanalysis-Driven Land Surface Model for Initialization of a Numerical Weather Prediction System |