WO2022014229A1 - 可降水量推定モデルの学習システム、可降水量推定システム、方法及びプログラム - Google Patents

可降水量推定モデルの学習システム、可降水量推定システム、方法及びプログラム Download PDF

Info

Publication number
WO2022014229A1
WO2022014229A1 PCT/JP2021/022472 JP2021022472W WO2022014229A1 WO 2022014229 A1 WO2022014229 A1 WO 2022014229A1 JP 2021022472 W JP2021022472 W JP 2021022472W WO 2022014229 A1 WO2022014229 A1 WO 2022014229A1
Authority
WO
WIPO (PCT)
Prior art keywords
radio wave
frequencies
precipitable water
dimension reduction
input data
Prior art date
Application number
PCT/JP2021/022472
Other languages
English (en)
French (fr)
Inventor
太紀 岩堀
Original Assignee
古野電気株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 古野電気株式会社 filed Critical 古野電気株式会社
Priority to EP21843435.5A priority Critical patent/EP4184222A1/en
Priority to JP2022536180A priority patent/JPWO2022014229A1/ja
Priority to CN202180042479.3A priority patent/CN115812166A/zh
Publication of WO2022014229A1 publication Critical patent/WO2022014229A1/ja
Priority to US18/085,496 priority patent/US20230117091A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/14—Receivers specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
    • G01N22/04—Investigating moisture content
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/03—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers
    • G01S19/07—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers providing data for correcting measured positioning data, e.g. DGPS [differential GPS] or ionosphere corrections
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Definitions

  • This disclosure relates to a learning system, a precipitable water estimation system, a method and a program of a precipitable water estimation model.
  • Water vapor observation by the GNSS receiver uses multi-frequency radio waves radiated from satellites. If radio waves of two or more different frequencies and radio waves radiated from four or more satellites can be received, the delay amount of the radio waves can be captured. The delay amount of radio waves corresponds to the amount of water vapor, and the amount of water vapor can be observed.
  • Water vapor observation using GNSS Global Navigation Satellite System
  • GNSS Global Navigation Satellite System
  • Patent Document 1 describes water vapor observation by GNSS.
  • Water vapor observation with a microwave radiometer utilizes the fact that radio waves are radiated from water vapor in the atmosphere, and measures radio waves from water vapor and clouds. Due to the directivity of the antenna and horn of the receiver, it is possible to measure water vapor in a local range in the sky compared to water vapor observation by GNSS. However, periodic calibration with liquid nitrogen is required to prevent equipment drift and to measure the correct luminance temperature. Liquid nitrogen is difficult to transport and handle.
  • Patent Document 2 describes a microwave radiometer.
  • the present disclosure provides a technique for eliminating the need for calibration using liquid nitrogen and making it possible to observe a local range of precipitable water.
  • the learning system of the precipitable water estimation model of the present disclosure includes a radio wave intensity acquisition unit that acquires radio wave intensities of a plurality of frequencies among the radio waves received by the microwave radiator, and an atmospheric delay of the GNSS signal received by the GNSS receiver. Based on the precipitable water acquisition unit that acquires the precipitable water amount calculated based on, and the radio wave intensity of the plurality of frequencies at a plurality of time points in a predetermined period and the precipitable water amount, the radio wave intensity of the plurality of frequencies is obtained. It is provided with a learning unit that machine-learns an estimation model so as to output the precipitable water amount by using input data based on the input data.
  • the block diagram which shows the structure of the learning system of the precipitable water estimation model and the precipitable water estimation system of an embodiment.
  • FIG. 1 is a diagram showing the configurations of the learning system 4 and the precipitable water estimation system 5 of the precipitable water estimation model of the present embodiment.
  • the learning system 4 and the precipitable water estimation system 5 of the precipitable water estimation model are constructed on the same computer system, but can be operated independently. Is. That is, only the learning system 4 may be implemented, or only the precipitable water content estimation system 5 may be implemented.
  • the learning system 4 shown in FIG. 1 includes a radio wave intensity acquisition unit 40, a precipitable water content acquisition unit 41, and a learning unit 43.
  • the radio wave intensity acquisition unit 40 shown in FIG. 1 acquires the radio wave intensity of a plurality of frequencies among the radio waves received by the microwave radiometer 3.
  • the radio field strength acquisition unit 40 obtains radio wave strengths [p (f1), p (f2), ..., p (f29), p (f30)] of 30 different frequencies (f1, f2, ..., F29, f30). get.
  • the radio field intensity p (f) is shown, and f indicates the frequency.
  • the radio wave strengths of a plurality of frequencies acquired by the radio wave strength acquisition unit 40 are stored in the storage unit 42 as time-series data D2 of the radio wave strength.
  • the peak intensity of radio waves radiated from water vapor and cloud water in the sky is 22 GHz.
  • the reception intensity p (f) of the microwave radiometer 3 indicates the frequency.
  • a 22 GHz radio wave contains a precipitable water content, that is, a water vapor component and a cloud water component.
  • the cloud water component is calculated from the radio wave intensity of a frequency other than 22 GHz. Therefore, radio wave intensities of a plurality of frequencies different from each other are required.
  • N 30, but the number of N can be changed as appropriate.
  • the frequency range preferably includes 22 GHz or ⁇ 1 GHz before and after 22 GHz.
  • N 30, but the present invention is not limited to this.
  • N is preferably a natural number of 3 or more.
  • a blackbody is periodically passed through the reception range of the antenna of the microwave radiometer 3 by an actuator, and radio waves from the blackbody whose intensity is known and radio waves from the sky are received. ..
  • the reception intensity p (f) of the microwave radiometer 3 is the radio wave intensity ps (f) from the sky-the radio wave intensity pb (f) from the blackbody.
  • the microwave radiometer 3 is not limited to this, and the mirror may be moved periodically to receive radio waves from the blackbody.
  • the precipitable water acquisition unit 41 shown in FIG. 1 acquires the precipitable water calculated based on the atmospheric delay (strictly speaking, the tropospheric delay) of the GNSS signal received by the GNSS receiver 2. It is known that the precipitable water vapor (PWV) by GNSS can be calculated based on the GNSS signal, coordinate values such as altitude, temperature, and atmospheric pressure.
  • the precipitable water acquisition unit 41 acquires the GNSS precipitable water using the GNSS signal and altitude information obtained from the GNSS receiver 2 and the temperature and atmospheric pressure obtained from the meteorological sensor 1.
  • the GNSS precipitable water acquired by the precipitable water acquisition unit 41 is stored in the storage unit 42 as time-series data D1 of the GNSS precipitable water amount.
  • the learning unit 43 shown in FIG. 1 machine-learns the estimation model 43a based on the time-series data D1 of precipitable water and the time-series data D2 of radio wave intensity. Specifically, the learning unit 43 outputs the precipitable water amount by inputting the input data based on the radio wave intensity of the plurality of frequencies based on the radio wave intensity and the precipitable water of a plurality of frequencies at a plurality of time points in a predetermined period.
  • the estimation model 43a is machine-learned as described above.
  • the teacher data set used by the learning unit 43 includes the amount of precipitable water at a certain point in time t and the radio field intensities of a plurality of frequencies at the simultaneous point t [p (f1), p (f2), ..., P (f29), p (f30). )] Is the data associated with the input data.
  • the input data is data based on the radio wave strengths of a plurality of frequencies
  • the radio wave strengths of the plurality of frequencies themselves may be used, or the data may be data obtained by reducing the radio wave strengths of the plurality of frequencies.
  • various models such as linear regression, regression tree, random forest, support vector machine, neural network, and ensemble can be used as long as it is a supervised machine learning model. In this embodiment, which will be described in detail later, it is a polynomial regression using terms of degree 2 or higher, and a multiple regression having a plurality of types of variables is adopted, but the present embodiment is not limited to this.
  • the learning system 4 has a dimension reduction unit 44 that executes dimension reduction processing for radio wave intensities of a plurality of frequencies and calculates dimensionally reduced input data indicating the radio wave intensities of a plurality of frequencies.
  • a dimension reduction unit 44 executes dimension reduction processing for radio wave intensities of a plurality of frequencies and calculates dimensionally reduced input data indicating the radio wave intensities of a plurality of frequencies.
  • the dimension reduction method of the present embodiment is principal component analysis (PCA: Principal Component Analysis), but is not limited to this, for example, factor analysis, multifactor analysis, Autoencoder, independent component analysis, non-negative matrix factor analysis, etc. Other algorithms are available.
  • PCA Principal Component Analysis
  • the dimension reduction unit 44 uses principal component analysis to select the first principal component, the second principal component, and the third principal component as input data.
  • the input data may be only the first principal component of the principal component analysis, or may be the first and second principal components. That is, a predetermined number of principal components (any natural number of 1 or more) after the first rank are selected as input data. The predetermined number can be appropriately set according to the required accuracy.
  • the first principal component is always included because the reproducibility of the original features of the first principal component is the highest.
  • the standardization processing unit 45 shown in FIG. 1 has radio field intensities [p (f1), p (f2), ..., P (f29), p (p) at a plurality of frequencies at a plurality of time points before the dimension reduction processing by principal component analysis. f30)] is subjected to standardization processing.
  • the standardization processing unit 45 executes standardization processing on the time-series data D2 of the radio wave intensity stored in the storage unit 42, and stores the time-series data D3 of the standardized radio wave strength in the storage unit 42.
  • the standardization process is a process for performing centering in which the average value is set to 0 and scaling in which the standard deviation is set to 1.
  • the mean value and standard deviation are calculated for each of the radio field strengths at multiple time points, and the value obtained by subtracting the mean value from the original data is divided by the standard deviation to obtain the standardized radio field strength of each original radio field strength. Convert.
  • the calculated mean value and standard deviation are stored in the storage unit 42 as standardization parameters for use in the standardization process of the precipitable water estimation system 5 described later (see FIG. 1).
  • the learning system 4 of the present embodiment has a dimension reduction unit 44 and a standardization processing unit 45, which can be omitted.
  • the learning unit 43 shown in FIG. 1 constructs an estimation model 43a for calculating the precipitable water content (PWV) by using the first principal component PC1, the second principal component PC2, and the third principal component PC3 as input data.
  • the estimation model 43a is a transformation formula using multiple regression, and is expressed by the following formula (1). By fitting using the least squares method, to calculate the unknown coefficients S 1 ⁇ S 10 below, constructing the estimation model 43a.
  • the precipitable water content estimation system 5 shown in FIG. 1 has a radio wave intensity acquisition unit 40 and an estimation unit 50.
  • the estimation unit 50 uses the estimation model 43a constructed by the learning unit 43, inputs input data based on the radio field intensities of a plurality of frequencies acquired by the radio field intensity acquisition unit 40, and outputs the corresponding precipitable water amount.
  • Radio wave intensities [p (f1), p (f2), ..., p (f29), p (f30)] of a plurality of frequencies at the time of estimation may be input to the estimation unit 50, but the accuracy is improved. Therefore, it is preferable to provide a standardization processing unit 51 and a dimension reduction unit 52.
  • the standardization processing unit 51 shown in FIG. 1 executes standardization processing for radio wave intensities of a plurality of frequencies using predetermined parameters before the dimension reduction processing by the dimension reduction unit 52.
  • the standardization parameter is a parameter (mean value, standard deviation) calculated by the standardization processing unit 45 of the learning system 4.
  • the standardization processing unit 51 does not calculate the parameters (mean value, standard deviation), but the other processing is the same as the standardization processing unit 45 of the learning system 4.
  • the dimension reduction unit 52 shown in FIG. 1 executes dimension reduction processing for radio wave intensities of a plurality of frequencies, and calculates dimensionally reduced input data indicating the radio wave intensities of the plurality of frequencies.
  • the dimension reduction unit 52 uses the same parameters as the parameters calculated by the dimension reduction unit 44 of the learning system 4.
  • step ST100 the radio wave intensity acquisition unit 40 acquires the radio wave intensity of a plurality of frequencies among the radio waves received by the microwave radiometer.
  • step ST101 the precipitable water acquisition unit 41 acquires the precipitable water calculated based on the atmospheric delay of the GNSS signal received by the GNSS receiver. Steps ST100 and ST101 are in no particular order.
  • the standardization processing unit 45 executes standardization processing for radio wave intensities of a plurality of frequencies at a plurality of time points.
  • the dimension reduction unit 44 executes the dimension reduction processing for the radio wave intensities of a plurality of frequencies by the principal component analysis, and calculates the dimensionally reduced input data indicating the radio wave intensities of the plurality of frequencies.
  • the learning unit 43 outputs the precipitable water amount by inputting the input data based on the radio wave intensity of a plurality of frequencies based on the radio wave intensity and the precipitable water amount of a plurality of frequencies at a plurality of time points in a predetermined period. Let the estimation model be machine-learned to do so.
  • the radio wave intensity acquisition unit 40 acquires the radio wave intensity of a plurality of frequencies among the radio waves received by the microwave radiometer.
  • the standardization processing unit 51 executes standardization processing for radio wave intensities of a plurality of frequencies.
  • the dimension reduction unit 52 performs dimension reduction processing on the radio wave intensities of a plurality of frequencies by principal component analysis, and calculates dimensionally reduced input data indicating the radio wave intensities of the plurality of frequencies.
  • the estimation unit 50 uses the estimation model 43a machine-learned to output the amount of precipitation by inputting the input data based on the radio field strengths of the plurality of frequencies, and the estimation unit 50 of the plurality of frequencies acquired. Outputs the amount of precipitation corresponding to the input data based on the radio field strength.
  • FIG. 5 is a diagram showing a comparison between the precipitable water amount estimated by the estimation model and the precipitable water amount estimation system 5 constructed by the learning system 4 for a certain period and the precipitable water amount based on the Sonde data during the same period.
  • Sonde data is data released by the Japan Meteorological Agency, and is an actual meteorological observation value measured by flying a real balloon with a sensor attached to the sky.
  • the RMSE Root Mean Square Error
  • this method acquires the radio field strength of multiple frequencies, even if noise is included in the radio wave strength of some frequencies by adopting a general-purpose amplifier with a high noise temperature, multiple frequencies can be obtained. Since it is used, the influence of noise can be suppressed. Therefore, for example, it is considered to be more resistant to noise than the case where the precipitable water amount is estimated by a predetermined arithmetic expression using two specific frequencies. Conversely, even if some noise is included, it can be covered by multiple frequencies, so high performance is not always required for the equipment used, and it is possible to reduce the cost of the system.
  • the learning system 4 of the precipitation possible estimation model of the present embodiment has the radio wave intensity acquisition unit 40 that acquires the radio wave strength of a plurality of frequencies among the radio waves received by the microwave radiator 3 and the GNSS reception. Based on the precipitable amount acquisition unit 41 that acquires the measurable amount calculated based on the atmospheric delay of the GNSS signal received by the machine 2, and the radio wave intensity and the possible precipitation amount of a plurality of frequencies at a plurality of time points in a predetermined period.
  • the learning unit 43 is provided with a learning unit 43 for machine-learning the estimation model 43a so as to output the amount of precipitation by inputting input data based on radio wave intensities of a plurality of frequencies.
  • the learning method of the precipitation possible estimation model of the present embodiment is to acquire the radio wave intensities of a plurality of frequencies among the radio waves received by the microwave radiator 3 and to delay the atmosphere of the GNSS signal received by the GNSS receiver 2. It is possible to acquire the amount of precipitation calculated based on Includes machine-learning the estimation model 43a to output precipitation.
  • the radio wave intensity acquisition unit 40 that acquires the radio wave intensities of a plurality of frequencies and the input data based on the radio wave intensities of the plurality of frequencies are input.
  • the estimation unit 50 is provided with an estimation unit 50 that outputs the amount of precipitation corresponding to the input data based on the acquired radio wave intensities of a plurality of frequencies. ..
  • the method for estimating the amount of precipitation in the present embodiment is to acquire the radio wave intensities of a plurality of frequencies among the radio waves received by the microwave radiometer 3 and to input data based on the radio wave intensities of the plurality of frequencies as an input.
  • an estimation model 43a machine-trained to output the quantity it includes outputting the amount of precipitation corresponding to the input data based on the radio field intensities of the acquired multiple frequencies.
  • machine learning is performed using input data based on radio wave intensities of multiple frequencies, so that the radio wave intensity includes both the amount of water vapor and cloud water, so it is clarified at a single frequency.
  • the correlation between the radio field intensity and precipitable water that could not be achieved can be clarified by machine learning, and the amount of water vapor (precipitable water) can be estimated.
  • the absolute values match the local water vapor data for which there is no absolute value based on the microwave radiometer. It can be converted into reliable local water vapor data. Highly reliable data can be obtained without calibration with liquid nitrogen of the microwave radiometer.
  • dimension reduction units 44 and 52 that execute dimension reduction processing for radio wave intensities of a plurality of frequencies and calculate dimensionally reduced input data indicating the radio wave intensities of a plurality of frequencies. ..
  • the sensitive frequency processed in the part where the performance of the receiver is good is selected from the plurality of frequencies, so that estimation can be performed even by using a general-purpose inexpensive amplifier. That is, if dimensionality reduction is not performed, the insensitive frequency band processed in the poor performance part of the receiver is directly used for estimation, and the data in the insensitive frequency band adversely affects the estimation accuracy. .. Dimensionality reduction makes it possible to save the trouble of manually removing insensitive frequencies from multiple frequencies, and yet avoid deterioration of estimation accuracy.
  • the dimension reduction units 44 and 52 perform dimension reduction by principal component analysis and select a predetermined number of principal components after the first rank as input data.
  • principal component analysis it is preferable to use principal component analysis as a dimension reduction.
  • a standardization processing unit 45 that executes standardization processing for radio wave intensities of a plurality of frequencies at a plurality of time points before the dimension reduction processing by the dimension reduction unit 44.
  • the standardization processing is executed for the radio field strengths of a plurality of frequencies by using the predetermined standardization parameters. It is preferable to include a standardization processing unit 51. This makes it possible to appropriately reduce the dimensions and improve the estimation accuracy.
  • the radio field intensity acquisition unit 40 acquires radio wave strengths of N different frequencies
  • N is a natural number of 3 or more
  • the dimension reduction units 44 and 52 have radio wave strengths of N frequencies. Is preferably reduced to a number of input data smaller than N. In this way, by reducing the dimensions, it is possible to reduce the number of dimensions while reproducing the original features appearing in the radio field strength of N frequencies, and it is possible to reduce the calculation cost and avoid the curse of dimensionality (overfitting).
  • the program of this embodiment is a program that causes a computer (one or a plurality of processors) to execute the above method. Further, the temporary recording medium readable by the computer according to the present embodiment stores the above program.

Abstract

液体窒素を用いたキャリブレーションを不要とし、且つ局所的な範囲の水蒸気を観測可能な技術を提供する。　可降水量推定モデルの学習システム（４）は、マイクロ波放射計（３）が受信した電波のうち、複数の周波数の電波強度を取得する電波強度取得部（４０）と、ＧＮＳＳ受信機（２）が受信したＧＮＳＳ信号の大気遅延に基づいて算出される可降水量を取得する可降水量取得部（４１）と、所定期間における複数時点の複数の周波数の電波強度と可降水量とに基づいて、複数の周波数の電波強度に基づく入力データを入力として可降水量を出力するように推定モデル（４３ａ）を機械学習させる学習部（４３）と、を備える。

Description

可降水量推定モデルの学習システム、可降水量推定システム、方法及びプログラム
　本開示は、可降水量推定モデルの学習システム、可降水量推定システム、方法及びプログラムに関する。
　可降水量の観測、すなわち水蒸気観測には、ＧＮＳＳ受信機、マイクロ波放射計などを用いることが知られている。
　ＧＮＳＳ受信機による水蒸気観察は、衛星から放射される多周波数の電波を利用する。２つ以上の異なる周波数の電波であって４つ以上の衛星から放射された電波を受信できれば、電波の遅延量を捉えることができる。電波の遅延量は、水蒸気量に対応しており、水蒸気量を観測可能となる。ＧＮＳＳ（Global Navigation Satellite System；全球測位衛星システム）を用いた水蒸気観測は、キャリブレーションレスで安定して計測することができる。しかし、ＧＮＳＳにより全天の様々に配置されている衛星を使用するため、上空の広範囲の水蒸気の平均値を得ることができるが、局所的な範囲の水蒸気を観測することができない。なお、特許文献１には、ＧＮＳＳによる水蒸気観測について記載されている。
　マイクロ波放射計による水蒸気観測は、大気中の水蒸気から電波が放射されることを利用しており、水蒸気や雲からの電波を計測する。受信機のアンテナやホーンの指向性によりＧＮＳＳによる水蒸気観測に比べて上空の局所的な範囲の水蒸気を計測することができる。しかし、機器のドリフトの防止および正しい輝度温度を計測するために定期的に液体窒素を用いたキャリブレーションが必要となる。液体窒素は運搬や取り扱いが困難である。なお、特許文献２には、マイクロ波放射計についての記載がある。
特開２０１０－６０４４４号公報 米国特許出願公開第２０１４／００３５７７９号明細書
　本開示は、液体窒素を用いたキャリブレーションを不要とし、且つ局所的な範囲の可降水量を観測可能にするための技術を提供する。
　本開示の可降水量推定モデルの学習システムは、マイクロ波放射計が受信した電波のうち、複数の周波数の電波強度を取得する電波強度取得部と、ＧＮＳＳ受信機が受信したＧＮＳＳ信号の大気遅延に基づいて算出される可降水量を取得する可降水量取得部と、所定期間における複数時点の前記複数の周波数の電波強度と前記可降水量とに基づいて、前記複数の周波数の電波強度に基づく入力データを入力として前記可降水量を出力するように推定モデルを機械学習させる学習部と、を備える。
実施形態の可降水量推定モデルの学習システムおよび可降水量推定システムの構成を示すブロック図。 学習システムが実行する処理を示すフローチャート。 可降水量推定システムが実行する処理を示すフローチャート。 マイクロ波放射計が受信する電波強度の周波数スペクトラムを示す図。 可降水量推定システムが推定したある期間の可降水量と、同期間のＳｏｎｄｅデータによる可降水量との比較を示す図。
　以下、本開示の一実施形態を、図面を参照して説明する。
　図１は、本実施形態の可降水量推定モデルの学習システム４および可降水量推定システム５の構成を示す図である。
　図１に示すように本実施形態では、可降水量推定モデルの学習システム４および可降水量推定システム５が、同じコンピュータシステム上に構築されているが、個々に独立して運用することが可能である。すなわち、学習システム４のみを実装してもよく、可降水量推定システム５のみを実装してもよい。
　＜学習システム４＞
　図１に示す学習システム４は、電波強度取得部４０と、可降水量取得部４１と、学習部４３と、を有する。
　図１に示す電波強度取得部４０は、マイクロ波放射計３が受信した電波のうち、複数の周波数の電波強度を取得する。本実施形態では、１８ＧＨｚ以上且つ２６．５ＧＨｚのうち、Ｎ個（Ｎ＝３０）の異なる周波数の電波強度を取得している。電波強度取得部４０は、３０個の異なる周波数（ｆ１，ｆ２，…，ｆ２９，ｆ３０）の電波強度［ｐ（ｆ１），ｐ（ｆ２），…，ｐ（ｆ２９），ｐ（ｆ３０）］を取得する。ここで、電波強度ｐ（ｆ）と示し、ｆは周波数を示す。電波強度取得部４０が取得した複数の周波数の電波強度は、記憶部４２に電波強度の時系列データＤ２として記憶される。
　図３に示すように、上空の水蒸気及び雲水から放射される電波の強度のピークが２２ＧＨｚである。図３において、マイクロ波放射計３の受信強度ｐ（ｆ）と示し、ｆは周波数を示す。例えば、２２ＧＨｚの電波には、可降水量すなわち水蒸気成分と、雲水成分とが含まれる。２２ＧＨｚの電波に含まれる雲水量を除去するために、２２ＧＨｚ以外の周波数の電波強度から雲水成分を算出することになる。したがって、互いに異なる複数の周波数の電波強度が必要となる。なお、例示として、２２ＧＨｚを示したが、水蒸気成分と雲水成分は、２２ＧＨｚ以外の周波数にも含まれるために、周波数の組み合わせは、２２ＧＨｚと２２ＧＨｚ以外の周波数との組に限定されない。なお、本実施形態では、Ｎ＝３０としているが、Ｎの数は適宜変更可能である。また、周波数範囲は、２２ＧＨｚ又は２２ＧＨｚの前後±１ＧＨｚが含まれていることが好ましい。本実施形態では、Ｎ＝３０であるが、これに限定されない。水蒸気成分及び雲水成分の特定精度を向上させるために、Ｎは３以上の自然数であることが好ましい。
　なお、本実施形態では、マイクロ波放射計３のアンテナの受信範囲に黒体をアクチュエータで定期的に通過させ、強度が既知である黒体からの電波と、上空からの電波を受信している。マイクロ波放射計３の受信強度ｐ（ｆ）は、上空からの電波強度ｐｓ（ｆ）－黒体からの電波強度ｐｂ（ｆ）である。勿論、マイクロ波放射計３はこれに限定されず、ミラーを定期的に動かして、黒体からの電波を受信するようにしてもよい。
　図１に示す可降水量取得部４１は、ＧＮＳＳ受信機２が受信したＧＮＳＳ信号の大気遅延（厳密には対流圏遅延である）に基づいて算出される可降水量を取得する。ＧＮＳＳによる可降水量（ＰＷＶ；Precipitable Water Vapor）は、ＧＮＳＳ信号、高度などの座標値、気温、気圧に基づき算出可能であることが知られている。可降水量取得部４１は、ＧＮＳＳ受信機２から得られるＧＮＳＳ信号及び高度情報、気象センサ１から得られる気温及び気圧を用いてＧＮＳＳ可降水量を取得する。可降水量取得部４１が取得したＧＮＳＳ可降水量は、記憶部４２にＧＮＳＳの可降水量の時系列データＤ１として記憶される。
　図１に示す学習部４３は、可降水量の時系列データＤ１と電波強度の時系列データＤ２とに基づいて、推定モデル４３ａを機械学習させる。具体的には、学習部４３は、所定期間における複数時点の複数の周波数の電波強度と可降水量とに基づいて、複数の周波数の電波強度に基づく入力データを入力として可降水量を出力するように推定モデル４３ａを機械学習させる。学習部４３が用いる教師データセットは、ある時点ｔにおける可降水量と、同時点ｔにおける複数の周波数の電波強度［ｐ（ｆ１），ｐ（ｆ２），…，ｐ（ｆ２９），ｐ（ｆ３０）］に基づく入力データとが関連付けられたデータである。入力データは、複数の周波数の電波強度に基づくデータであれば、複数周波数の電波強度そのものでもよいし、複数周波数の電波強度を次元削減したデータでもよい。推定モデル４３ａは、教師有りの機械学習モデルであれば、線形回帰、回帰木、ランダムフォレスト、サポートベクターマシン、ニューラルネットワーク、アンサンブル等の種々のモデルが利用可能である。本実施形態では、後で詳細に説明するが、二次以上の項を用いた多項式回帰であり、複数種類の変数を有する重回帰を採用しているが、これに限定されない。
　図１に示すように、学習システム４は、複数の周波数の電波強度に対して次元削減処理を実行し、複数の周波数の電波強度を示す次元削減した入力データを算出する次元削減部４４を有することが好ましい。次元削減をすることによって、複数の周波数の電波強度に表れる元の特徴を再現しつつ次元数を低減でき、計算コストの低減と次元の呪い（過学習）の回避が可能となる。本実施形態の次元削減手法は、主成分分析（PCA:Principal Component Analysis）であるが、これに限定されず、例えば、因子分析、多因子分析、Autoencoder、独立成分分析、非負値行列因子分解などの他のアルゴリズムを利用可能である。
　本実施形態において次元削減部４４は、主成分分析を用い、第１主成分、第２主成分及び第３主成分を入力データとして選択している。勿論、これに限定されず、種々変更可能である。例えば、入力データを主成分分析の第１主成分のみとしてもよいし、第１及び第２主成分としてもよい。すなわち、第１順位以降の所定数（１以上の任意の自然数）の主成分が入力データとして選択される。所定数は、要求精度に応じて適宜設定可能である。第１主成分が必ず含まれるのは、第１主成分の元の特徴の再現度が最も高いからである。
　図１に示す標準化処理部４５は、主成分分析による次元削減処理の前に、複数時点の複数の周波数の電波強度［ｐ（ｆ１），ｐ（ｆ２），…，ｐ（ｆ２９），ｐ（ｆ３０）］に対して標準化処理を実行する。標準化処理部４５は、記憶部４２に記憶されている電波強度の時系列データＤ２に対して標準化処理を実行し、標準化された電波強度の時系列データＤ３を記憶部４２に記憶する。標準化処理は、平均値を０にするセンタリングと、標準偏差を１にするスケーリングと、を行うための処理である。標準化処理は、複数時点の電波強度それぞれについて平均値及び標準偏差を算出し、元データから平均値を引いた値を標準偏差で割ることで、各々の元の電波強度を標準化された電波強度に変換する。算出された平均値及び標準偏差は、後述する可降水量推定システム５の標準化処理で用いるための標準化パラメータとして記憶部４２に記憶される（図１参照）。
　なお、本実施形態の学習システム４は、次元削減部４４及び標準化処理部４５を有するが、これらは省略可能である。
　＜学習部４３及び推定モデル４３ａの具体例＞
　図１に示す学習部４３は、第１主成分ＰＣ１、第２主成分ＰＣ２及び第３主成分ＰＣ３を入力データとして、可降水量（ＰＷＶ）を算出するための推定モデル４３ａを構築する。推定モデル４３ａは、重回帰を用いた変換式であり、次に示す式（１）で表現される。最小二乗法を用いたフィッティングにより、下記の未知の係数Ｓ１～Ｓ１０を算出して、推定モデル４３ａを構築する。
Figure JPOXMLDOC01-appb-M000001
  
　＜可降水量推定システム５＞
　図１に示す可降水量推定システム５は、電波強度取得部４０と、推定部５０と、を有する。推定部５０は、学習部４３が構築した推定モデル４３ａを用い、電波強度取得部４０が取得した複数の周波数の電波強度に基づく入力データを入力し、対応する可降水量を出力する。推定部５０に対して、推定時点の複数の周波数の電波強度［ｐ（ｆ１），ｐ（ｆ２），…，ｐ（ｆ２９），ｐ（ｆ３０）］を入力してもよいが、精度向上のために、標準化処理部５１及び次元削減部５２を設けることが好ましい。
　図１に示す標準化処理部５１は、次元削減部５２による次元削減処理の前に、予め定められたパラメータを用いて、複数の周波数の電波強度に対して標準化処理を実行する。標準化パラメータは、学習システム４の標準化処理部４５が算出したパラメータ（平均値、標準偏差）である。標準化処理部５１は、パラメータ（平均値、標準偏差）を算出しないが、それ以外の処理は、学習システム４の標準化処理部４５と同じである。
　図１に示す次元削減部５２は、複数の周波数の電波強度に対して次元削減処理を実行し、複数の周波数の電波強度を示す次元削減した入力データを算出する。次元削減部５２は、学習システム４の次元削減部４４が算出したパラメータと同じバラメータを用いる。
　＜可降水量推定モデルの学習方法＞
　可降水量推定モデルの学習方法について図２を用いて説明する。図２に示すように、ステップＳＴ１００において、電波強度取得部４０は、マイクロ波放射計が受信した電波のうち、複数の周波数の電波強度を取得する。ステップＳＴ１０１において、可降水量取得部４１は、ＧＮＳＳ受信機が受信したＧＮＳＳ信号の大気遅延に基づいて算出される可降水量を取得する。ステップＳＴ１００及びＳＴ１０１は順不同である。
　次のステップＳＴ１０２において、標準化処理部４５は、複数時点の複数の周波数の電波強度に対して標準化処理を実行する。
　次のステップＳＴ１０３において、次元削減部４４は、主成分分析により、複数の周波数の電波強度に対して次元削減処理を実行し、複数の周波数の電波強度を示す次元削減した入力データを算出する。
　次のステップＳＴ１０４において、学習部４３は、所定期間における複数時点の複数の周波数の電波強度と可降水量とに基づいて、複数の周波数の電波強度に基づく入力データを入力として可降水量を出力するように推定モデルを機械学習させる。
　＜可降水量推定方法＞
　可降水量推定方法について図３を用いて説明する。図３に示すように、ステップＳＴ２０１において、電波強度取得部４０は、マイクロ波放射計が受信した電波のうち、複数の周波数の電波強度を取得する。
　次のステップＳＴ２０２において、標準化処理部５１は、複数の周波数の電波強度に対して標準化処理を実行する。
　次のステップＳＴ２０３において、次元削減部５２は、主成分分析により、複数の周波数の電波強度に対して次元削減処理を実行し、複数の周波数の電波強度を示す次元削減した入力データを算出する。
　次のステップＳＴ２０４において、推定部５０は、複数の周波数の電波強度に基づく入力データを入力として可降水量を出力するように機械学習された推定モデル４３ａを用いて、取得された複数の周波数の電波強度に基づく入力データに対応する可降水量を出力する。
　図５は、学習システム４で構築した推定モデル及び可降水量推定システム５が推定したある期間の可降水量と、同期間のＳｏｎｄｅデータによる可降水量との比較を示す図である。Ｓｏｎｄｅデータは、日本国気象庁によって公開されているデータであって、センサを取り付けた実気球を上空に飛ばして計測した実際の気象観測値である。図５に示すように、ＲＭＳＥ（Root Mean Square Error）が１．８ｍｍとなっており、ある程度の精度が得られていることが分かる。
　また、本手法は、複数の周波数の電波強度を取得するので、汎用の雑音温度が高いアンプリファイアを採用することによって一部の周波数の電波強度にノイズが含まれたとしても、複数の周波数を用いているので、ノイズの影響を抑えることができる。よって、例えば、特定の２つの周波数を用いて所定演算式により可降水量を推定する場合に比べて、ノイズに対して強くなると考えられる。逆に言えば、多少ノイズが含まれても、複数の周波数でカバーできるので、使用する機器に高い性能が必ずしも必要というわけではなく、システムの低コスト化を図ることが可能となる。
　以上のように、本実施形態の可降水量推定モデルの学習システム４は、マイクロ波放射計３が受信した電波のうち、複数の周波数の電波強度を取得する電波強度取得部４０と、ＧＮＳＳ受信機２が受信したＧＮＳＳ信号の大気遅延に基づいて算出される可降水量を取得する可降水量取得部４１と、所定期間における複数時点の複数の周波数の電波強度と可降水量とに基づいて、複数の周波数の電波強度に基づく入力データを入力として可降水量を出力するように推定モデル４３ａを機械学習させる学習部４３と、を備える。
　本実施形態の可降水量推定モデルの学習方法は、マイクロ波放射計３が受信した電波のうち、複数の周波数の電波強度を取得することと、ＧＮＳＳ受信機２が受信したＧＮＳＳ信号の大気遅延に基づいて算出される可降水量を取得することと、所定期間における複数時点の複数の周波数の電波強度と可降水量とに基づいて、複数の周波数の電波強度に基づく入力データを入力として可降水量を出力するように推定モデル４３ａを機械学習させることと、を含む。
　本実施形態の可降水量推定システムは、マイクロ波放射計３が受信した電波のうち、複数の周波数の電波強度を取得する電波強度取得部４０と、複数の周波数の電波強度に基づく入力データを入力として可降水量を出力するように機械学習された推定モデル４３ａを用いて、取得された複数の周波数の電波強度に基づく入力データに対応する可降水量を出力する推定部５０と、を備える。
　本実施形態の可降水量推定方法は、マイクロ波放射計３が受信した電波のうち、複数の周波数の電波強度を取得することと、複数の周波数の電波強度に基づく入力データを入力として可降水量を出力するように機械学習された推定モデル４３ａを用いて、取得された複数の周波数の電波強度に基づく入力データに対応する可降水量を出力することと、を含む。
　上記学習方法、推定方法及びシステムによれば、複数の周波数の電波強度に基づく入力データを用いて機械学習させるので、電波強度に水蒸気量と雲水との両方が含まれるために単一周波数では解明できなかった電波強度と可降水量の相関関係を、機械学習で明らかにすることができ、水蒸気量（可降水量）を推定可能となる。それでいて、所定期間における複数時点の電波強度とＧＮＳＳに基づく可降水量を用いているので、マイクロ波放射計に基づく絶対値があっていない局所的な水蒸気のデータを、絶対値が合致している信頼性のある局所的な水蒸気データに変換できる。マイクロ波放射計の液体窒素によるキャリブレーションをしなくても、信頼性の高いデータを取得可能となる。
　本実施形態のように、複数の周波数の電波強度に対して次元削減処理を実行し、複数の周波数の電波強度を示す次元削減した入力データを算出する次元削減部４４，５２を備えることが好ましい。
　このように次元削減によって、複数の周波数のうち、受信機の性能が良い部分で処理された感度の良い周波数が選び出されるので、汎用の安価なアンプを用いても推定が可能になる。すなわち、次元削減を行わない場合には、受信機の性能が悪い部分で処理された感度の悪い周波数帯が推定に直接利用され、感度の悪い周波数帯のデータは推定精度に悪影響を与えてしまう。次元削減によって、複数の周波数から感度の悪い周波数を手動で除くなどの手間を省くことが可能になり、それでいて、推定精度の悪化を回避可能となる。
　本実施形態のように、次元削減部４４，５２は、主成分分析により次元削減を行い、第１順位以降の所定数の主成分を入力データに選択することが好ましい。
　このように、次元削減として主成分分析を用いることが好適である。
　本実施形態の学習システム４のように、次元削減部４４による次元削減処理の前に、複数時点の複数の周波数の電波強度に対して標準化処理を実行する標準化処理部４５を備えることが好ましい。
　本実施形態の可降水量推定システム５のように、次元削減部５２による次元削減処理の前に、予め定められた標準化パラメータを用いて、複数の周波数の電波強度に対して標準化処理を実行する標準化処理部５１を備えることが好ましい。
　これにより、適切な次元削減が可能となり、推定精度を向上させることが可能となる。
　本実施形態のように、電波強度取得部４０は、Ｎ個の異なる周波数の電波強度を取得し、Ｎは３以上の自然数であり、次元削減部４４，５２は、Ｎ個の周波数の電波強度を、Ｎ個よりも小さい数の入力データに次元削減することが好ましい。
　このように、次元削減によって、Ｎ個の周波数の電波強度に表れる元の特徴を再現しつつ次元数を低減でき、計算コストの低減と次元の呪い（過学習）の回避が可能となる。
　本実施形態のプログラムは、上記方法をコンピュータ（１又は複数のプロセッサ）に実行させるプログラムである。また、本実施形態に係るコンピュータに読み取り可能な一時記録媒体は、上記プログラムを記憶している。
　以上、本開示の実施形態について図面に基づいて説明したが、具体的な構成は、これらの実施形態に限定されるものでないと考えられるべきである。本開示の範囲は、上記した実施形態の説明だけではなく特許請求の範囲によって示され、さらに特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれる。
　上記の各実施形態で採用している構造を他の任意の実施形態に採用することは可能である。
　各部の具体的な構成は、上述した実施形態のみに限定されるものではなく、本開示の趣旨を逸脱しない範囲で種々変形が可能である。
　４　　学習システム
　４０　電波強度取得部
　４１　可降水量取得部
　４３　学習部
　４４　次元削減部
　４５　標準化処理部
　５　　可降水量推定システム
　５０　推定部
　５１　標準化処理部
　５２　次元削減部
 

Claims (13)

  1. 　マイクロ波放射計が受信した電波のうち、複数の周波数の電波強度を取得する電波強度取得部と、
    　ＧＮＳＳ受信機が受信したＧＮＳＳ信号の大気遅延に基づいて算出される可降水量を取得する可降水量取得部と、
    　所定期間における複数時点の前記複数の周波数の電波強度と前記可降水量とに基づいて、前記複数の周波数の電波強度に基づく入力データを入力として前記可降水量を出力するように推定モデルを機械学習させる学習部と、
    　を備える、可降水量推定モデルの学習システム。
  2. 　請求項１に記載のシステムであって、
    　前記複数の周波数の電波強度に対して次元削減処理を実行し、前記複数の周波数の電波強度を示す次元削減した前記入力データを算出する次元削減部を備える、可降水量推定モデルの学習システム。
  3. 　請求項２に記載のシステムであって、
    　前記次元削減部は、主成分分析により前記次元削減を行い、第１順位以降の所定数の主成分を前記入力データに選択する、可降水量推定モデルの学習システム。
  4. 　請求項２又は３に記載のシステムであって、
    　前記次元削減部による前記次元削減処理の前に、前記複数時点の前記複数の周波数の電波強度に対して標準化処理を実行する標準化処理部を備える、可降水量推定モデルの学習システム。
  5. 　請求項２乃至４のいずれか一項に記載のシステムであって、
    　前記電波強度取得部は、Ｎ個の異なる周波数の電波強度を取得し、前記Ｎは３以上の自然数であり、
    　前記次元削減部は、前記Ｎ個の周波数の電波強度を、前記Ｎ個よりも小さい数の前記入力データに次元削減する、可降水量推定モデルの学習システム。
  6. 　マイクロ波放射計が受信した電波のうち、複数の周波数の電波強度を取得する電波強度取得部と、
    　前記複数の周波数の電波強度に基づく入力データを入力として可降水量を出力するように機械学習された推定モデルを用いて、前記取得された複数の周波数の電波強度に基づく入力データに対応する前記可降水量を出力する推定部と、
    　を備える、可降水量推定システム。
  7. 　請求項６に記載のシステムであって、
    　前記複数の周波数の電波強度に対して次元削減処理を実行し、前記複数の周波数の電波強度を示す次元削減した前記入力データを算出する次元削減部を備える、可降水量推定システム。
  8. 　請求項７に記載のシステムであって、
    　前記次元削減部は、主成分分析により前記次元削減を行い、第１順位以降の所定数の主成分を前記入力データに選択する、可降水量推定システム。
  9. 　請求項７又は８に記載のシステムであって、
    　前記次元削減部による前記次元削減処理の前に、予め定められた標準化パラメータを用いて、前記複数の周波数の電波強度に対して標準化処理を実行する標準化処理部を備える、可降水量推定システム。
  10. 　請求項７乃至９のいずれか一項に記載のシステムであって、
    　前記電波強度取得部は、Ｎ個の異なる周波数の電波強度を取得し、前記Ｎは３以上の自然数であり、
    　前記次元削減部は、前記Ｎ個の周波数の電波強度を、前記Ｎ個よりも小さい数の前記入力データに次元削減する、可降水量推定システム。
  11. 　マイクロ波放射計が受信した電波のうち、複数の周波数の電波強度を取得することと、
    　ＧＮＳＳ受信機が受信したＧＮＳＳ信号の大気遅延に基づいて算出される可降水量を取得することと、
    　所定期間における複数時点の前記複数の周波数の電波強度と前記可降水量とに基づいて、前記複数の周波数の電波強度に基づく入力データを入力として前記可降水量を出力するように推定モデルを機械学習させることと、
    　を含む、可降水量推定モデルの学習方法。
  12. 　マイクロ波放射計が受信した電波のうち、複数の周波数の電波強度を取得することと、
    　前記複数の周波数の電波強度に基づく入力データを入力として可降水量を出力するように機械学習された推定モデルを用いて、前記取得された複数の周波数の電波強度に基づく入力データに対応する前記可降水量を出力することと、
    　を含む、可降水量推定方法。
  13. 　請求項１１又は１２に記載の方法を１又は複数のプロセッサに実行させる、プログラム。
     
PCT/JP2021/022472 2020-07-14 2021-06-14 可降水量推定モデルの学習システム、可降水量推定システム、方法及びプログラム WO2022014229A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP21843435.5A EP4184222A1 (en) 2020-07-14 2021-06-14 Precipitable water estimation model learning system, precipitable water estimation system, method, and program
JP2022536180A JPWO2022014229A1 (ja) 2020-07-14 2021-06-14
CN202180042479.3A CN115812166A (zh) 2020-07-14 2021-06-14 可降水量推定模型的学习系统、可降水量推定系统、方法及程序
US18/085,496 US20230117091A1 (en) 2020-07-14 2022-12-20 Learning system of precipitable water vapor estimation model, precipitable water vapor estimation system, method, and computer-readable recording medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020120319 2020-07-14
JP2020-120319 2020-07-14

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/085,496 Continuation US20230117091A1 (en) 2020-07-14 2022-12-20 Learning system of precipitable water vapor estimation model, precipitable water vapor estimation system, method, and computer-readable recording medium

Publications (1)

Publication Number Publication Date
WO2022014229A1 true WO2022014229A1 (ja) 2022-01-20

Family

ID=79555451

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/022472 WO2022014229A1 (ja) 2020-07-14 2021-06-14 可降水量推定モデルの学習システム、可降水量推定システム、方法及びプログラム

Country Status (5)

Country Link
US (1) US20230117091A1 (ja)
EP (1) EP4184222A1 (ja)
JP (1) JPWO2022014229A1 (ja)
CN (1) CN115812166A (ja)
WO (1) WO2022014229A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022239417A1 (ja) * 2021-05-11 2022-11-17 古野電気株式会社 学習モデルの生成方法、コンピュータプログラム、マイクロ波放射計及び推定方法
WO2022239416A1 (ja) * 2021-05-11 2022-11-17 古野電気株式会社 学習モデルの生成方法、コンピュータプログラム、推定方法及び推定装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07146375A (ja) * 1993-11-25 1995-06-06 Nissin Electric Co Ltd 降雨量推定システム
JPH09257951A (ja) * 1996-03-22 1997-10-03 Nippon Telegr & Teleph Corp <Ntt> 気象予測装置
US5999121A (en) * 1995-03-28 1999-12-07 Salonen; Pentti Radiometer and water indicating method
JP2008014939A (ja) * 2006-06-07 2008-01-24 Eko Instruments Trading Co Ltd 日射計測システム、日射計測用のプログラム
JP2010060444A (ja) 2008-09-04 2010-03-18 Japan Weather Association 降水予測システム、方法及びプログラム
US20140035779A1 (en) 2012-07-31 2014-02-06 Radiometrics Corporation Highly accurate calibration of microwave radiometry devices
JP2017207459A (ja) * 2016-05-22 2017-11-24 淳一 古本 大気関連量導出装置、大気関連量導出プログラム、および大気関連量導出方法
JP2018072308A (ja) * 2016-10-24 2018-05-10 コリア メテオロロジカル アドミニストレーション エアロゾル、雲及び降雨の遠隔観測システム及び方法
JP2018197734A (ja) * 2017-05-22 2018-12-13 安田電機暖房株式会社 雨量測定装置
WO2020230501A1 (ja) * 2019-05-13 2020-11-19 古野電気株式会社 水蒸気観測システム及び水蒸気観測方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07146375A (ja) * 1993-11-25 1995-06-06 Nissin Electric Co Ltd 降雨量推定システム
US5999121A (en) * 1995-03-28 1999-12-07 Salonen; Pentti Radiometer and water indicating method
JPH09257951A (ja) * 1996-03-22 1997-10-03 Nippon Telegr & Teleph Corp <Ntt> 気象予測装置
JP2008014939A (ja) * 2006-06-07 2008-01-24 Eko Instruments Trading Co Ltd 日射計測システム、日射計測用のプログラム
JP2010060444A (ja) 2008-09-04 2010-03-18 Japan Weather Association 降水予測システム、方法及びプログラム
US20140035779A1 (en) 2012-07-31 2014-02-06 Radiometrics Corporation Highly accurate calibration of microwave radiometry devices
JP2017207459A (ja) * 2016-05-22 2017-11-24 淳一 古本 大気関連量導出装置、大気関連量導出プログラム、および大気関連量導出方法
JP2018072308A (ja) * 2016-10-24 2018-05-10 コリア メテオロロジカル アドミニストレーション エアロゾル、雲及び降雨の遠隔観測システム及び方法
JP2018197734A (ja) * 2017-05-22 2018-12-13 安田電機暖房株式会社 雨量測定装置
WO2020230501A1 (ja) * 2019-05-13 2020-11-19 古野電気株式会社 水蒸気観測システム及び水蒸気観測方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022239417A1 (ja) * 2021-05-11 2022-11-17 古野電気株式会社 学習モデルの生成方法、コンピュータプログラム、マイクロ波放射計及び推定方法
WO2022239416A1 (ja) * 2021-05-11 2022-11-17 古野電気株式会社 学習モデルの生成方法、コンピュータプログラム、推定方法及び推定装置

Also Published As

Publication number Publication date
US20230117091A1 (en) 2023-04-20
JPWO2022014229A1 (ja) 2022-01-20
CN115812166A (zh) 2023-03-17
EP4184222A1 (en) 2023-05-24

Similar Documents

Publication Publication Date Title
WO2022014229A1 (ja) 可降水量推定モデルの学習システム、可降水量推定システム、方法及びプログラム
EP3971618B1 (en) Water vapor observation system and water vapor observation method
US7558673B1 (en) Method and system for determining atmospheric profiles using a physical retrieval algorithm
US20100125347A1 (en) Model-based system calibration for control systems
US20190251215A1 (en) Accurate estimation of upper atmospheric density using satellite observations
JP2006349470A (ja) アップリンク干渉源位置特定装置及びその方法
Feng et al. Imaging with 3-D aperture synthesis radiometers
JP6862799B2 (ja) 信号処理装置、方位算出方法及び方位算出プログラム
Hoffman The effect of thinning and superobservations in a simple one-dimensional data analysis with mischaracterized error
Lindsley et al. Adapting the SIR algorithm to ASCAT
JP3081522B2 (ja) 受信信号処理装置
CN105182279B (zh) 基于空域稀疏优化的宽带信号超分辨测向误差校正方法
Hodyss et al. The treatment, estimation, and issues with representation error modelling
CN112861355B (zh) 海表净辐射估算方法和系统
Hu et al. The Spatial Resolution Enhancement of FY-4 Satellite MMSI Beam Scanning Measurements
Uspensky et al. Development of methods and instruments for remote temperature and humidity sensing of the Earth’s atmosphere
CN107560639B (zh) 用于大型传感器阵列的误差校正方法及装置
Jiménez et al. The role of spatial information in disentangling the irradiance–reflectance–transmittance ambiguity
Kühnert Lagged covariance and cross-covariance operators of processes in Cartesian products of abstract Hilbert spaces
US20240027649A1 (en) Non-transitory computer readable medium, estimation method, and estimation device
Gao et al. The impact and estimation of uncertainty correlation for multi-angle polarimetric remote sensing of aerosols and ocean color
US10215835B1 (en) Estimating location of source of signal of interest
Xiaochuan et al. Grid evolution: An iterative reweighted algorithm for off-grid DOA estimation with gain/phase uncertainties
CN117390593B (zh) 一种基于辐射计数据的海表参量确定方法以及设备
Schulz-Stellenfleth et al. A parametric scheme for ocean wave spectra retrieval from complex SAR data using prior information

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21843435

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022536180

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021843435

Country of ref document: EP

Effective date: 20230214