WO2022239416A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2022239416A1
WO2022239416A1 PCT/JP2022/009542 JP2022009542W WO2022239416A1 WO 2022239416 A1 WO2022239416 A1 WO 2022239416A1 JP 2022009542 W JP2022009542 W JP 2022009542W WO 2022239416 A1 WO2022239416 A1 WO 2022239416A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
measurement data
water vapor
altitude
learning model
Prior art date
Application number
PCT/JP2022/009542
Other languages
English (en)
French (fr)
Inventor
太紀 岩堀
昌裕 箕輪
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 JP2023520840A priority Critical patent/JPWO2022239416A1/ja
Priority to EP22807123.9A priority patent/EP4339655A1/en
Publication of WO2022239416A1 publication Critical patent/WO2022239416A1/ja
Priority to US18/480,491 priority patent/US20240027649A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

  • GNSS Global Navigation Satellite System
  • the precipitation prediction system described in Patent Literature 1 calculates the amount of precipitable water based on the zenith atmospheric delay calculated from the received GPS (GNSS) data and satellite orbit information.
  • the microwave measurement unit 15 includes, for example, a radio wave window, a black body, a receiving horn, and an AD conversion circuit. converted to radio wave intensity (dB).
  • the microwaves to be measured are, for example, about 40 channels (frequencies) in the range from 16 GHz to 26 GHz, and the radio wave intensity (dB) of each of the 40 channels is measured.
  • the peak of the intensity of radio waves radiated from water vapor and cloud water in the sky is at 22 GHz. can improve the accuracy of identification.
  • the storage unit 12 includes a volatile storage area such as SRAM (Static Random Access Memory), DRAM (Dynamic Random Access Memory), flash memory, etc., and a non-volatile storage area such as EEPROM or hard disk.
  • the storage unit 12 stores in advance a program P and data to be referred to during processing.
  • the program P stored in the storage unit 12 may be a program P (program product) read from the recording medium 120 readable by the control unit 11 .
  • the program P (program product) may be downloaded from an external computer (not shown) connected to a communication network (not shown) and stored in the storage unit 12 .
  • the storage unit 12 stores entity files that constitute learning models (precipitable water amount model 121 and water vapor altitude distribution model 122). These entity files may be configured as part of the program P.
  • FIG. 3 is an explanatory diagram showing an example of observation data from the microwave radiometer 1.
  • the acquisition unit 111 associates the acquired radio wave intensity (first measurement data) and measured values such as temperature (climate data) with the time points at which these data were acquired (measurement time points), for example, in a table format (observation data table). is stored in the storage unit 12 by .
  • the observation data table includes, as management items (fields), time, radio wave intensity from the black body, radio wave intensity from the sky, temperature, humidity, atmospheric pressure, and amount of rainfall.
  • the acquisition unit 111 acquires from the external server G the temperature, humidity, and atmospheric pressure (sonde data) for each altitude measured by the radiosonde.
  • the sonde data and observation data correspond geographically and temporally.
  • the training data generation unit 112 generates (learns) the water vapor altitude distribution model 122 from the problem data and answer data consisting of the water vapor density at each altitude (water vapor altitude distribution) generated based on the sonde data. Generate training data for altitude distribution model 122 .
  • the training data generation unit 112 performs training for the precipitable water quantity model 121 for generating (learning) the precipitable water quantity model 121 from the question data and answer data composed of the precipitable water quantity generated based on the sonde data. Generate data.
  • the precipitable water model 121 is configured by, for example, a DNN (Deep Neural Network), and includes an input layer that receives observation data input, an intermediate layer that extracts the feature amount of the observation data, and an output of the precipitable water amount. and an output layer.
  • the input layer has a plurality of neurons that receive inputs of values such as radio wave intensity and temperature included in the observed data, and passes the input values to the intermediate layer.
  • the intermediate layer is defined using an activation function such as a ReLu function or a sigmoid function, has a plurality of neurons for extracting features of each input value, and passes the extracted features to the output layer. Parameters such as weighting factors and bias values of the activation function are optimized using backpropagation.
  • the output layer is composed of, for example, a fully connected layer, and outputs the amount of precipitable water based on the feature amount output from the intermediate layer.
  • FIG. 7 is a flowchart showing an example of a processing procedure (at the time of learning) in the control unit 11 of the microwave radiometer 1.
  • the control unit 11 of the microwave radiometer 1 receives an operator's operation using, for example, a keyboard connected to the input/output I/F 14, and performs the following processing based on the received operation.
  • the control unit 11 of the microwave radiometer 1 acquires the second measurement data measured by the radiosonde (S3).
  • the control unit 11 of the microwave radiometer 1 accesses the external server G (sonde data server) via the communication unit 13, and receives the sonde data (second measurement data).
  • FIG. 8 is a functional block diagram illustrating functional units (during operation) included in the control unit 11 of the microwave radiometer 1.
  • the control unit 11 of the microwave radiometer 1 functions as an acquisition unit 111 , an input data generation unit 114 and an output unit 115 by executing the program P stored in the storage unit 12 .
  • the input data generation unit 114 generates input data to be input to the precipitable water amount model 121 and the water vapor altitude distribution model 122 based on the observation data acquired by the acquisition unit 111 .
  • the radio wave intensity included in the input data may be indicated by a difference value (sky-bb) obtained by subtracting the radio wave intensity of a black body (bb) from the sky radio wave intensity (sky).
  • the output unit 115 converts the precipitable water amount estimated by the precipitable water amount model 121 and the water vapor density (water vapor altitude distribution) for each altitude estimated by the water vapor altitude distribution model 122 into image data in a graph format, for example, and the image Data is output to the display device 16 .
  • the output unit 115 may use the amount of precipitable water and the water vapor density (water vapor altitude distribution) at each altitude at a plurality of consecutive observation points to convert them into image data in the form of a graph showing changes over time.
  • FIG. 10 is an explanatory diagram (water vapor altitude distribution graph) showing an example of a graphed water vapor altitude distribution.
  • the water vapor altitude distribution graph is an example of a graph showing temporal changes in water vapor density (water vapor altitude distribution) for each altitude at a plurality of continuous observation points.
  • the horizontal axis of the water vapor altitude distribution graph indicates the time point of observation by the microwave radiometer 1 .
  • the vertical axis indicates the altitude of the sky (atmosphere in the vertical direction) at the observation point of the microwave radiometer 1 .
  • the water vapor density is indicated by a contour diagram with different shades of color corresponding to the density amount.
  • FIG. 11 is a flow chart showing an example of a processing procedure (at the time of operation) by the control unit 11 of the microwave radiometer 1.
  • the control unit 11 of the microwave radiometer 1 receives an operator's operation using, for example, a keyboard connected to the input/output I/F 14, and performs the following processing based on the received operation.
  • the control unit 11 of the microwave radiometer 1 acquires first measurement data measured by the microwave radiometer 1 (microwave measurement unit 15) (S101).
  • the control unit 11 of the microwave radiometer 1 acquires climate data of the point where the microwave radiometer 1 is installed (S102).
  • the control unit 11 of the microwave radiometer 1 performs the processing from S101 to S102 in the same manner as the processing from S1 to S2.
  • the control unit 11 of the microwave radiometer 1 inputs the input data to the water vapor altitude distribution model 122 and acquires the water vapor density (water vapor altitude distribution) for each altitude (S104).
  • the control unit 11 of the microwave radiometer 1 inputs the input data to the water vapor altitude distribution model 122 and acquires the water vapor density (water vapor altitude distribution) for each altitude estimated by the precipitable water amount model 121 .
  • the control unit 11 of the microwave radiometer 1 outputs the water vapor density (water vapor altitude distribution) for each altitude (S105).
  • the control unit 11 of the microwave radiometer 1 graphs information about water vapor density (water vapor altitude distribution) for each altitude and outputs the information to the display device 16 .
  • the control unit 11 of the microwave radiometer 1 inputs the input data to the precipitable water amount model 121 and acquires the precipitable water amount (S106).
  • the control unit 11 of the microwave radiometer 1 inputs the input data to the precipitable water model 121 and acquires the precipitable water estimated by the precipitable water model 121 .
  • the control unit 11 of the microwave radiometer 1 outputs the amount of precipitable water (S107).
  • the control unit 11 of the microwave radiometer 1 outputs information about the amount of precipitable water to a display device 16, for example, as a graph.
  • control unit 11 of the microwave radiometer 1 converts a plurality of input data generated from a plurality of time-series observation data (first measurement data and climate data) into a learning model (precipitable water model 121, water vapor By sequentially inputting to the altitude distribution model 122), it is possible to acquire the (multiple time-series) precipitable water amount and water vapor altitude distribution at multiple points in time.
  • the controller 11 of the microwave radiometer 1 acquires the radio wave intensity (first measurement data) and climate data when generating input data, but the present invention is not limited to this.
  • the control unit 11 of the microwave radiometer 1 inputs data based on only the radio field intensity (first measurement data) or part of the climate data such as temperature, humidity and atmospheric pressure in addition to the radio field intensity (first measurement data) and input the input data to the precipitable water amount model 121 and the water vapor altitude distribution model 122 to acquire the precipitable water amount and the water vapor altitude distribution.
  • the training data for learning the learning model uses the first measurement data measured by the microwave radiometer 1 as problem data, radio The water vapor density or the amount of precipitable water for each altitude obtained from the second measurement data measured by the sonde is used as response data.
  • the estimation accuracy of the learning model can be improved.
  • the plurality of frequencies included in one measurement data are, for example, about 40 channels (frequencies) in the range from 16 GHz to 26 GHz, and the radio wave intensity (dB) of each of the 40 channels is stored in the storage unit 12 stored in The control unit 11 reduces the number of dimensions of the first measurement data (problem data) included in the training data by performing dimension reduction processing on the acquired and stored radio wave intensities of each of the 40 channels, thereby reducing the calculation cost. reduction can be achieved.
  • the microwave radiometer 1 of Embodiment 2 outputs the measured observation data (radio field intensity and climate data) to the center server S.
  • the center server S is an information processing device such as a cloud server connected to the Internet, for example, and includes a control unit S1, a storage unit S2, and a communication unit S3. It functions as an observation data aggregation server that aggregates measured (observed) observation data.
  • the storage unit S2 of the center server S stores a precipitable water amount model 121 and a water vapor altitude distribution model 122 similar to those of the first embodiment. Similar to the control unit 11 of the microwave radiometer 1 of the first embodiment, the control unit S1 of the center server S controls each of the observation data output (transmitted) from the plurality of microwave radiometers 1 installed at each location. Based on this, input data for each point is generated. The control unit S1 of the center server S inputs the generated input data for each point to the precipitable water amount model 121 and the water vapor altitude distribution model 122, thereby outputting the precipitable water amount and water vapor altitude distribution for each point.
  • FIG. 13 is a flowchart showing an example of a processing procedure by the control unit S1 of the center server S.
  • the center server S routinely performs the following processing, for example, when starting up its own server.
  • the control unit S1 of the center server S acquires climate data of multiple points where each microwave radiometer 1 is installed (S202).
  • the control unit S1 of the center server S acquires climate data, including temperature, humidity, air pressure, and rainfall, from the microwave radiometers 1 installed at multiple locations. do.
  • the control unit S1 of the center server S inputs the input data for each point to the water vapor altitude distribution model 122 and acquires the water vapor density for each altitude (S204).
  • the control unit S1 of the center server S outputs the water vapor density (water vapor altitude distribution) for each altitude for each point (S205).
  • the control unit S1 of the center server S inputs the input data for each point to the precipitable water amount model 121 and acquires the precipitable water amount (S206).
  • the control unit S1 of the center server S outputs the amount of precipitable water for each point (S207).
  • the control unit S1 of the center server S performs the processing of S104 to S107 and the processing of S204 to S207 for each input data for each point (each microwave radiometer 1). After the processing of S207, the control unit S1 of the center server S performs loop processing to execute the processing from S201 again, as in the first embodiment.
  • FIG. 14 is an explanatory diagram showing an example of observation states (superimposed on map information) at multiple points.
  • the explanatory diagram (multi-point multi-view screen) is an example of screen data output by the center server S.
  • FIG. The center server S acquires map information specifying a plurality of points where a plurality of microwave radiometers 1 are installed, and superimposes the water vapor density or the amount of precipitable water per altitude at each of the plurality of points on the acquired map information. Output to the display device 16 or a mobile terminal or the like.
  • the multi-point multi-view screen is a map area that displays map information specifying each point where multiple microwave radiometers 1 are installed, and observation data measured (observed) by each microwave radiometer 1 in a list format. Contains the list display area to display. In the map area, the points at which the microwave radiometers 1 are installed are indicated by diagrams, and the water vapor density and the amount of precipitable water per altitude measured at each point are superimposed. In the list display area, a list of the radio wave intensity measured at each point and the water vapor density for each altitude is displayed.
  • the control unit S1 of the center server S controls the observation data (first measurement data, climate data), input the observation data for each point into the learning model (water vapor altitude distribution model 122, precipitable water amount model 121), and obtain water vapor density (water vapor altitude distribution) or precipitable water amount for each altitude at each of multiple points to output
  • the control unit S1 of the center server S makes it possible to compare the water vapor density (water vapor altitude distribution) or the amount of precipitable water for each altitude at each of these points in a table format or a graph format, etc., and via the communication unit S3, for example, a mobile terminal etc., it is possible to efficiently provide the information to meteorologists and the like.
  • External server (sonde data server) 1 microwave radiometer 11 control unit 111 acquisition unit 112 training data generation unit 113 learning unit 114 input data generation unit 115 output unit 12 storage unit 120 recording medium 121 precipitable water amount model 122 water vapor altitude distribution model P program 13 communication unit 14 input Output I/F 141 temperature sensor 142 humidity sensor 143 atmospheric pressure sensor 144 rain sensor 15 microwave measuring unit 16 display device S center server S1 control unit S2 storage unit S3 communication unit

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Hydrology & Water Resources (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Radiation Pyrometers (AREA)

Abstract

高度毎の水蒸気密度又は可降水量を効率的に推定することができる学習モデルの生成方法等を提供する。　学習モデルの生成方法は、マイクロ波放射計により計測された第１計測データ、及びラジオゾンデにより計測された第２計測データにより得られた高度毎の水蒸密度、又は可降水量を含む訓練データを取得し、取得した前記訓練データに基づき、第１計測データを入力した場合に高度毎の水蒸気密度、又は可降水量を出力する学習モデルを生成する。

Description

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
　本発明は、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（Global Navigation Satellite System；全球測位衛星システム）受信機による水蒸気観測は、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（例えば、特許文献１）。特許文献１に記載の降水予測システムは、受信したＧＰＳ（ＧＮＳＳ）データ及び衛星の軌道情報から算出した天頂大気遅延量に基づき可降水量を算出する。
特開２０１０－６０４４４号公報
　しかしながら、特許文献１の降水予測システムは、ＧＮＳＳデータに基づき可降水量を算出にあたり、衛星の軌道情報についても要するため、可降水量を算出する際の時間的分解能を向上させることが困難である。また、ＧＮＳＳデータによっては、高度毎の水蒸気密度を算出することができない。
　本発明は、斯かる事情に鑑みてなされたものであり、高度毎の水蒸気密度又は可降水量を効率的に推定することができる学習モデルの生成方法等を提供することを目的とする。
　本態様に係る学習モデルの生成方法は、マイクロ波放射計により計測された第１計測データ、及びラジオゾンデにより計測された第２計測データにより得られた高度毎の水蒸気密度、又は可降水量を含む訓練データを取得し、取得した前記訓練データに基づき、第１計測データを入力した場合に高度毎の水蒸気密度、又は可降水量を出力する学習モデルを生成する。
　本態様に係るコンピュータプログラムは、マイクロ波放射計により計測された第１計測データを取得し、第１計測データを入力した場合に高度毎の水蒸気密度、又は可降水量を出力する学習モデルに、取得した前記第１計測データを入力し高度毎の水蒸気密度、又は可降水量を出力する処理をコンピュータに実行させる。
　本態様に係る推定方法は、コンピュータにマイクロ波放射計により計測された第１計測データを取得し、第１計測データを入力した場合に高度毎の水蒸気密度、又は可降水量を出力する学習モデルに、取得した前記第１計測データを入力し高度毎の水蒸気密度、又は可降水量を推定する処理をコンピュータに実行させる。
　本態様に係る推定装置は、マイクロ波放射計により計測された第１計測データを取得する取得部と、第１計測データを入力した場合に高度毎の水蒸気密度、又は可降水量を出力
する学習モデルに、取得した前記第１計測データを入力し高度毎の水蒸気密度、又は可降水量を推定する推定部とを備える。
　本発明によれば、高度毎の水蒸気密度又は可降水量を効率的に推定することができる学習モデルの生成方法等を提供することができる。
実施形態１に係るマイクロ波放射計の構成の一例を示すブロック図である。 マイクロ波放射計の制御部に含まれる機能部（学習時）を例示する機能ブロック図である。 マイクロ波放射計による観測データの一例を示す説明図である。 観測データに含まれるマイクロ波（sky-bb）の電波強度の一例を示す説明図である。 可降水量モデルの機械学習による生成方法の一例を示す模式図である。 水蒸気高度分布モデルの機械学習による生成方法の一例を示す模式図である。 マイクロ波放射計の制御部に処理手順（学習時）の一例を示すフローチャートである。 マイクロ波放射計の制御部に含まれる機能部（運用時）を例示する機能ブロック図である。 グラフ化した可降水量の変化情報の一例を示す説明図（可降水量変化グラフ）である。 グラフ化した水蒸気高度分布の一例を示す説明図（水蒸気高度分布グラフ）である。 マイクロ波放射計の制御部による処理手順（運用時）の一例を示すフローチャートである。 実施形態２（複数地点）に係るマイクロ波放射計によるシステム構成の一例を示すブロック図である。 センターサーバの制御部による処理手順の一例を示すフローチャートである。 複数地点における観測状態（地図情報に重畳）の一例を示す説明図である。
（実施形態１）
　以下、本発明の実施の形態について説明する。図１は、実施形態１に係るマイクロ波放射計１の構成の一例を示すブロック図である。マイクロ波放射計１は、インターネット等の外部ネットワークを介し、ラジオゾンデによって計測された高度毎の温度、湿度及び気圧（ゾンデデータ）が保存される外部サーバＧ（ゾンデデータサーバ）と通信可能に接続されている。
　マイクロ波放射計１は、外部サーバＧから取得した高度毎の温度等のゾンデデータと、当該ゾンデデータを観測するためのラジオゾンデが放球された観測地点において計測したマイクロ波の電波強度とに基づき訓練データを生成する。外部サーバＧから取得した高度毎の温度等のゾンデデータは、第２計測データに相当し、ラジオゾンデが放球された観測地点においてマイクロ波放射計１が計測したマイクロ波の電波強度は、第１計測データに相当する。
　詳細は後述するが、マイクロ波放射計１は、生成した訓練データを用いて、例えばニュ
ーラルネットワークのパラメータを学習し、可降水量モデル１２１、水蒸気高度分布モデル１２２、又は両モデルを生成する学習モデル生成装置として機能する。更にマイクロ波放射計１は、当該マイクロ波放射計１が設置した地点において計測したマイクロ波の電波強度を、生成した可降水量モデル１２１に入力することにより、当該地点にて鉛直方向の上空における可降水量を推定する可降水量推定装置（水蒸気観測装置）として機能する。マイクロ波放射計１は、当該マイクロ波放射計１が設置した地点において計測したマイクロ波の電波強度を、生成した水蒸気高度分布モデル１２２に入力することにより、当該地点にて鉛直方向の上空における高度毎の水蒸気密度（水蒸気高度分布）を推定する水蒸気高度分布推定装置（水蒸気観測装置）として機能する。
　マイクロ波放射計１は、計測したマイクロ波の電波強度に基づき、学習モデル（可降水量モデル１２１、水蒸気高度分布モデル１２２）を生成するための訓練データを生成するとしたがこれに限定されない。マイクロ波放射計１は、マイクロ波の電波強度に加え、当該マイクロ波を計測した地点における温度、湿度、気圧及び降雨量に基づき生成した訓練データにより、学習モデルを生成するものであってもよい。
　マイクロ波放射計１は、計測したマイクロ波の電波強度に基づき、学習モデル（可降水量モデル１２１、水蒸気高度分布モデル１２２）の入力データを生成するとしたがこれに限定されない。マイクロ波放射計１は、マイクロ波の電波強度に加え、当該マイクロ波を計測した地点における温度、湿度、気圧及び降雨量に基づき生成した入力データを、学習モデル（可降水量モデル１２１、水蒸気高度分布モデル１２２）に入力し、可降水量又は水蒸気高度分布を取得するものであってもよい。
　外部サーバＧは、例えばインターネット等に接続されるクラウドサーバ等により構成され、ラジオゾンデを運用する公的機関（日本国気象庁）により管理されている。外部サーバＧには、各観測地にて放球されたラジオゾンデが計測（観測）した高度毎の温度、湿度（相対湿度）、及び気圧等のゾンデデータが、観測地点及び観測された日時と関連付けられて保存されている。当該ゾンデデータは、外部サーバＧにアクセスすることにより、取得することができる。
　マイクロ波放射計１は、大気から放射されるマイクロ波を計測するマイクロ波計測部１５及び、マイクロ波放射計１が設置された地点における気候データを取得するための温度センサ１４１、湿度センサ１４２、気圧センサ１４３及び感雨センサ１４４を備える。更にマイクロ波放射計１は、これらセンサ群が取得した各種計測データを処理又は加工するための制御部１１、記憶部１２、通信部１３、及び入出力Ｉ／Ｆ１４を備える。
　マイクロ波計測部１５は、例えば電波窓、黒体、受信ホーン及びＡＤ変換回路を含み、電波窓を介して入射されたマイクロ波を受信ホーンにより受信し、受信したマイクロ波をＡＤ変換回路によって周波数毎の電波強度（ｄＢ）に変換する。本実施形態においては、計測するマイクロ波は、例えば１６ＧＨｚから２６ＧＨｚの範囲における４０程度のチャネル（周波数）であり、当該４０チャネルそれぞれの電波強度（ｄＢ）が計測される。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は２２ＧＨｚとなるところ、１６ＧＨｚから２６ＧＨｚの範囲における４０程度のチャネル（周波数）の電波強度を取得（計測）することにより、水蒸気成分及び雲水成分の特定精度を向上させることができる。
　マイクロ波放射計１は、受信ホーンの受信範囲に、モータ等を用いて黒体を定期的に通過させ、上空に対し受信ホーンを覆うように定期的に黒体を位置させることにより、黒体から放射されるマイクロ波と、上空から放射されるマイクロ波とを交互に取得する。当該黒体は、例えばベンタブラック等により構成され、基準用電波吸収体に相当する。このようにマイクロ波放射計１は、基準用電波吸収体（黒体）からのマイクロ波を例えば１０秒
測定した後、上空からのマイクロ波を例えば１０秒測定する処理を繰り返す。マイクロ波放射計１は、４０程度のチャネル（周波数）それぞれにおいて、上空からのマイクロ波の電波強度(sky[dB])から、黒体からのマイクロ波の電波強度（bb[dB]）を減算した差分値
（sky-bb[dB]）を、計測したマイクロ波の電波強度として取得する。
　マイクロ波放射計１は、黒体及び上空からのマイクロ波を計測（測定）するにあたり、アナログ機器のリニアリティ等を自動で校正（Detector校正）するものであってもよい。マイクロ波放射計１は、受信ホーンに接続されるアッテネータを切り替えて、ＡＤ変換回路による変換後のデジタル値が、変換前のアナログ値に対しリニア（理想直線を基準とした比例関係）となっているかを確認し、ＡＤ変換後のデジタル値が誤差許容範囲を超える場合は、アナログ系リニアリティ校正を行うものであってもよい。
　温度センサ１４１は、例えばサーミスタ等により構成され、マイクロ波放射計１が設置された地点における気温を検出する。湿度センサ１４２は、例えば静電容量変化型又は抵抗変化側の電気式センサであり、マイクロ波放射計１が設置された地点における周辺空気中の水蒸気量を検知して電気信号に変換する。気圧センサ１４３は、例えば受圧素子により構成され、マイクロ波放射計１が設置された地点における気圧（大気圧）を検出する。感雨センサ１４４は、例えば降雨量に基づき出力する電圧値をリニアに変化させるセンサであり、マイクロ波放射計１が設置された地点における降雨量を検知して電気信号に変換する。
　これらマイクロ波計測部１５、温度センサ１４１、湿度センサ１４２、気圧センサ１４３及び感雨センサ１４４は、例えば入出力Ｉ／Ｆ１４又は内部バスにより、制御部１１及び記憶部１２と通信可能に接続される。マイクロ波計測部１５及び温度センサ１４１等により計測された計測データは、計測された時点を示す時刻情報と関連付けられ、例えば、時系列のデータとしてテーブル形式（図３参照）にて記憶部１２に記憶される。
　制御部１１は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等、計時機能を備えた演算処理装置を有し、記憶部１２に記憶されたプログラムＰを読み出して実行することにより、種々の情報処理及び、マイクロ波計測部１５等に対する制御処理等を行う。
　記憶部１２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等の揮発性記憶領域及び、ＥＥＰＲＯＭ又はハー
ドディスク等の不揮発性記憶領域を含む。記憶部１２には、プログラムＰ及び処理時に参照するデータがあらかじめ記憶してある。記憶部１２に記憶されたプログラムＰは、制御部１１が読み取り可能な記録媒体１２０から読み出されたプログラムＰ（プログラム製品）を記憶したものであってもよい。また、図示しない通信網に接続されている図示しない外部コンピュータからプログラムＰ（プログラム製品）をダウンロードし、記憶部１２に記憶させたものであってもよい。記憶部１２には、学習モデル（可降水量モデル１２１、水蒸気高度分布モデル１２２）を構成する実体ファイルが保存されている。これら実体ファイルは、プログラムＰの一部位として構成されるものであってもよい。
　通信部１３は、有線又は無線により、外部サーバＧ（ゾンデデータサーバ）と通信するための通信モジュール又は通信インターフェイスであり、例えばWi-Fi（登録商標）、Ｂ
ｌｕｅｔｏｏｔｈ（登録商標）等の狭域無線通信モジュール、又は４Ｇ、５Ｇ等の広域無線通信モジュールである。制御部１１は、通信部１３を介し、例えばインターネット等の外部ネットワークを通じて外部サーバＧと通信する。
　入出力Ｉ／Ｆ１４は、例えばＵＳＢ等の通信規格に準拠した通信インターフェイス又は
、内部バスに接続するためのコネクタ等を含む。入出力Ｉ／Ｆ１４には、マイクロ波計測部１５、温度センサ１４１、湿度センサ１４２、気圧センサ１４３及び感雨センサ１４４が接続されるものであってもよい。入出力Ｉ／Ｆ１４には、更に液晶ディスプレイ等の表示装置１６が接続されるものであってもよい。
　本実施形態において、マイクロ波放射計１は、マイクロ波計測部１５及び各種センサと、データ処理を行うための制御部１１等を含むとしたが、これに限定されない。データ処理を行うための制御部１１等はマイクロ波放射計１とは別体のコンピュータに含まれ、マイクロ波放射計１及びコンピュータが通信可能に接続され、マイクロ波放射計１が計測した各種データを当該コンピュータが処理することにより、学習モデルの生成及び当該学習モデルを用いた推定処理を行うものであってもよい。当該コンピュータは、ラジオゾンデによって観測される複数の観測地点に設置されたマイクロ波放射計１それぞれから、観測データ（電波強度及び気候データ）を取得（受信）し、これら観測地点毎の観測データ及びゾンデデータに基づき、訓練データを生成するものであってもよい。このように複数の観測地点における観測データ及びゾンデデータによって学習された学習モデル（可降水量モデル、水蒸気高度分布モデル）が個々のマイクロ波放射計１に適用され、個々のマイクロ波放射計１は、当該学習モデルを用いた推定処理を行うものであってもよい。
　図２は、マイクロ波放射計１の制御部１１に含まれる機能部（学習時）を例示する機能ブロック図である。マイクロ波放射計１の制御部１１は、記憶部１２に記憶されているプログラムＰを実行することにより、取得部１１１、訓練データ生成部１１２、学習部１１３として機能する。
　取得部１１１は、マイクロ波計測部１５から、例えば１６ＧＨｚから２６ＧＨｚの範囲における４０程度のチャネル（周波数）それぞれにおける電波強度（第１計測データ）を取得する。取得部１１１は、温度センサ１４１、湿度センサ１４２、気圧センサ１４３、及び感雨センサ１４４から出力された温度等の計測値（気候データ）を取得する。取得部１１１が、これら電波強度（第１計測データ）及び温度等の計測値（気候データ）を取得するにあたり、マイクロ波放射計１は、ラジオゾンデの観測が実施される地点（地域）に設置されている。更に取得部１１１が、これら電波強度（第１計測データ）及び計測値（気候データ）を取得する時間帯は、当該ラジオゾンデによる観測が行われる時間帯と同じ時間帯となる。すなわち、当該取得部１１１によって取得される電波強度（第１計測データ）及び温度等の計測値（気候データ）は、ラジオゾンデによって観測（計測）されるゾンデデータと地理的及び時間的に対応している。
　図３は、マイクロ波放射計１による観測データの一例を示す説明図である。取得部１１１は、取得した電波強度（第１計測データ）及び温度等の計測値（気候データ）と、これらデータを取得した時点（計測時点）とを関連付けて、例えばテーブル形式（観測データテーブル）にて記憶部１２に記憶する。観測データテーブルは、管理項目（フィールド）として、時刻、黒体からの電波強度、上空からの電波強度、温度、湿度、気圧、及び降雨量を含む。
　時刻の管理項目（フィールド）には、観測データ（電波強度及び気候データ）の観測時点（取得時点）を示す日付及び時刻を示す日時情報が格納される。黒体からの電波強度の管理項目（フィールド）には、黒体から放射される、例えば１６ＧＨｚから２６ＧＨｚの範囲における４０程度のチャネル（周波数）の電波強度それぞれが、校正時観測データとして格納される。上空からの電波強度の管理項目（フィールド）には、上空から放射される、例えば１６ＧＨｚから２６ＧＨｚの範囲における４０程度のチャネル（周波数）の電波強度それぞれが、上空観測データとして格納される。
　本実施形態においては、黒体及び上空からの電波強度それぞれをテーブル形式にて保存するとしたが、これに限定されず、各周波数それぞれにおける、上空の電波強度（sky）
から黒体の電波強度（bb）を減算した差分値（sky-bb）を保存するものであってもよい。図４は、観測データに含まれるマイクロ波（sky-bb）の電波強度の一例を示す説明図である。当該説明図において、縦軸は差分値（sky-bb）の電波強度を示し、横軸はチャネル（周波数）を示す。黒体（基準用電波吸収体）は常温（高温）のため、上空よりも放射の強度が強いため、上空の電波強度（sky）から黒体の電波強度（bb）を減算した差分値（sky-bb）は、例えば０ｄＢから－５ｄＢ程度の負の値となる。
　温度の管理項目（フィールド）には、マイクロ波放射計１が設置された地点における気温が格納される。湿度の管理項目（フィールド）には、マイクロ波放射計１が設置された地点における絶対湿度又は相対湿度が格納される。気圧の管理項目（フィールド）には、マイクロ波放射計１が設置された地点における気圧（大気圧）が格納される。降雨量の管理項目（フィールド）には、マイクロ波放射計１が設置された地点における降雨量を示す電圧値が格納される。
　取得部１１１は、外部サーバＧから、ラジオゾンデによって計測された高度毎の温度、湿度及び気圧（ゾンデデータ）を取得する。上述のとおり、当該ゾンデデータと、観測データ（電波強度及び気候データ）とは、地理的及び時間的に対応している。
　訓練データ生成部１１２は、マイクロ波放射計１が計測した観測データ（電波強度及び気候データ）、及び外部サーバＧから取得したゾンデデータに基づき、可降水量モデル１２１及び水蒸気高度分布モデル１２２を生成する（学習させる）ための訓練データを生成する。当該訓練データは、観測データ（電波強度及び気候データ）に基づき生成される問題データと、ゾンデデータに基づき生成される回答データを含む。当該電波強度は、各周波数における、上空の電波強度（sky）から黒体の電波強度（bb）を減算した差分値（sky-bb）にて示される。
　マイクロ波放射計１が計測した観測データ（電波強度及び気候データ）は、ゾンデデータと時間的に対応している。訓練データ生成部１１２は、当該ゾンデデータが観測（計測）された時間帯に含まれる複数時点にて計測された複数の観測データ（電波強度及び気候データ）に基づき、問題データを生成するものであってもよい。訓練データ生成部１１２は、当該複数時点の観測データ（電波強度及び気候データ）を平均化処理、標準化処理又は正規化処理することにより、平均化、標準化又は正規化された観測データ（電波強度及び気候データ）に基づき、問題データを生成するものであってもよい。すなわち、訓練データ生成部１１２は、観測データを標準化等する標準化部を含むものであってもよい。
　訓練データ生成部１１２は、例えば１６ＧＨｚから２６ＧＨｚの範囲における４０程度のチャネル（周波数）それぞれの電波強度から成る第１計測データに対し次元削減処理を行い、次元削減処理がされた第１計測データに基づき、問題データを生成するものであってもよい。すなわち、訓練データ生成部１１２は、観測データを次元削減処理する次元削減部を含むものであってもよい。次元削減処理は、複数の周波数それぞれにおける電波強度に対し、例えば主成分分析（ＰＣＡ：Principal Component Analysis）により次元削減を行うものであり、第１順位以降の所定数の主成分を、学習モデルを生成（学習）するための第１計測データとするものであってもよい。次元削減処理は、主成分の所定数を例えば３個とし、第１主成分、第２主成分及び第３主成分を選択するものであってもよい。主成分分析は、ＰＣＡ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、又は非負値行列因子分解等のアルゴリズムを用いるものであってもよい。
　本実施形態において、訓練データ生成部１１２は、マイクロ波放射計１が計測した電波強度及び気候データ（温度、湿度、気圧及び降雨量）に基づき、問題データを生成するとしたが、これに限定されない。訓練データ生成部１１２は、マイクロ波放射計１が計測した電波強度のみに基づき、問題データを生成するものであってもよい。又は、訓練データ生成部１１２は、当該電波強度に加え、温度、湿度及び気圧に基づき問題データを生成するものであってもよい。すなわち、訓練データ生成部１１２は、当該電波強度に加え、気候データに含まれる一部のデータに基づき問題データを生成するものであってもよい。
　訓練データ生成部１１２は、取得したゾンデデータに基づき、公知の手法を用いて算出した各層（高度）における水蒸気の総量（1/g*((r[i]+r[i+1])/2 * (P[i]-P[i+1])))*0.1；「g=9.81m/s^2、r=混合比、P=気圧」）を、高度方向に対して微分することにより各高
度の水蒸気密度を算出し、高度方向に対して積分することにより可降水量を算出する。各高度の水蒸気密度（水蒸気高度分布）は、水蒸気高度分布モデル１２２を生成する（学習させる）ための回答データに相当する。可降水量は、可降水量モデル１２１を生成する（学習させる）ための回答データに相当する。観測データ（電波強度及び気候データ）に基づき生成した問題データは、可降水量モデル１２１及び水蒸気高度分布モデル１２２を生成する（学習させる）にあたり、共通のデータ（問題データ）となる。
　訓練データ生成部１１２は、当該問題データと、ゾンデデータに基づき生成した各高度の水蒸気密度（水蒸気高度分布）から成る回答データとにより、水蒸気高度分布モデル１２２を生成する（学習させる）ための水蒸気高度分布モデル１２２用の訓練データを生成する。訓練データ生成部１１２は、当該問題データと、ゾンデデータに基づき生成した可降水量から成る回答データとにより、可降水量モデル１２１を生成する（学習させる）ための可降水量モデル１２１用の訓練データを生成する。
　図５は、可降水量モデル１２１の機械学習による生成方法の一例を示す模式図である。学習部１１３は、可降水量モデル１２１用の訓練データを用いて、ニューラルネットワークを学習させ、観測データ（電波強度及び気候データ）を入力とし、可降水量を出力とする可降水量モデル１２１を生成する。訓練データを用いて学習されたニューラルネットワーク（可降水量モデル１２１）は、人工知能ソフトウェアの一部であるプログラムＰモジュールとして利用が想定される。可降水量モデル１２１は、上述のごとく制御部１１（ＣＰＵ等）及び記憶部１２を備えるマイクロ波放射計１にて用いられるものであり、このように演算処理能力を有するマイクロ波放射計１にて実行されることにより、ニューラルネットワークシステムが構成される。
　可降水量モデル１２１は、例えば、ＤＮＮ（Deep Neural Network）にて構成され、観
測データの入力を受け付ける入力層と、当該観測データの特徴量を抽出する中間層と、可降水量を出力とする出力層とを有する。入力層は、観測データに含まれるそれぞれの電波強度又は温度等の値の入力を受け付ける複数のニューロンを有し、入力された値を中間層に受け渡す。中間層は、ReLu関数又はシグモイド関数等の活性化関数を用いて定義され、入力されたそれぞれの値の特徴量を抽出する複数のニューロンを有し、抽出した特徴量を出力層に受け渡す。当該活性化関数の重みづけ係数及びバイアス値等のパラメータは、誤差逆伝播法を用いて最適化される。出力層は、例えば全結合層により構成され、中間層から出力された特徴量に基づいて可降水量を出力する。
　なお、本実施形態では、可降水量モデル１２１は、ＤＮＮであるとしたがこれに限定されず、ＤＮＮ以外のニューラルネットワーク、ＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long-short term model）、ＣＮＮ、ＳＶＭ（Support Vector Machine）、ベイ
ジアンネットワーク、線形回帰、回帰木、重回帰、ランダムフォレスト、アンサンブルなど、他の学習アルゴリズムで構築された学習モデルであってよい。例えば、複数種類の変
数を有する重回帰を用いた場合、可降水量モデル１２１は、多項式回帰による変換式によって示されるものであってもよい。この場合、主成分分析された観測データ（電波強度及び気候データ）の次元数（ｎ）と同数となる未知の係数（Ｓ１からＳｎ）と、当該主成分分析された観測データとのベクトルの内積により当該変換式は定義され、これら係数（Ｓ１からＳｎ）は例えば最小二乗法を用いたフィッテイングにより算出される。
　図６は、水蒸気高度分布モデル１２２の機械学習による生成方法の一例を示す模式図である。学習部１１３は、水蒸気高度分布モデル１２２用の訓練データを用いて、ニューラルネットワークを学習させ、観測データ（電波強度及び気候データ）を入力とし、各高度の水蒸気密度（水蒸気高度分布）を出力とする水蒸気高度分布モデル１２２を生成する。
　水蒸気高度分布モデル１２２は、例えば、ＤＮＮ（Deep Neural Network）にて構成さ
れ、観測データの入力を受け付ける入力層と、当該観測データの特徴量を抽出する中間層と、各高度の水蒸気密度を出力とする出力層とを有する。又は、水蒸気高度分布モデル１２２は、複数種類の変数を有する重回帰を用いた多項式回帰による変換式によって示されるものであってもよい。このように水蒸気高度分布モデル１２２は可降水量モデル１２１と同様の構成であり、学習部１１３は、可降水量モデル１２１と同様に水蒸気高度分布モデル１２２を生成する。
　図７は、マイクロ波放射計１の制御部１１に処理手順（学習時）の一例を示すフローチャートである。マイクロ波放射計１の制御部１１は、例えば入出力Ｉ／Ｆ１４に接続されるキーボード等による操作者の操作を受付け、当該受け付けた操作に基づき、以下の処理を行う。
　マイクロ波放射計１の制御部１１は、マイクロ波放射計１（マイクロ波計測部１５）により計測された第１計測データを取得する（Ｓ１）。マイクロ波放射計１の制御部１１は、例えば１６ＧＨｚから２６ＧＨｚの範囲における４０程度のチャネル（周波数）それぞれにおける電波強度（第１計測データ）を取得する。マイクロ波放射計１の制御部１１は、これらチャネル（周波数）それぞれにおいて、上空の電波強度（sky）から黒体の電波
強度（bb）を減算した差分値（sky-bb）を第１計測データとするものであってもよい。
　マイクロ波放射計１の制御部１１は、マイクロ波放射計１が設置された地点の気候データを取得する（Ｓ２）。マイクロ波放射計１の制御部１１は、温度センサ１４１、湿度センサ１４２、気圧センサ１４３、及び感雨センサ１４４から出力された温度等の計測値（気候データ）を取得する。これら電波強度（第１計測データ）及び温度等の計測値（気候データ）は、ラジオゾンデによって計測されるゾンデデータと地理的及び時間的に対応している。気候データの取得はマイクロ波放射計１が備える温度センサ１４１等のセンサからの取得に限定されず、マイクロ波放射計１の制御部１１は、例えば通信部１３を介し、インターネット等に接続された気候データサーバから、マイクロ波放射計１が設置された地点の気候データを取得するものであってもよい。
　マイクロ波放射計１の制御部１１は、ラジオゾンデにより計測された第２計測データを取得する（Ｓ３）。マイクロ波放射計１の制御部１１は、通信部１３を介して外部サーバＧ（ゾンデデータサーバ）にアクセスし、ラジオゾンデにより計測された高度毎の温度、湿度及び気圧を含むゾンデデータ（第２計測データ）を取得する。
　マイクロ波放射計１の制御部１１は、第１計測データ、気候データ及び第２計測データに基づき、高度毎の水蒸気密度を出力する水蒸気高度分布モデル１２２（学習モデル）を学習するための訓練データを生成する（Ｓ４）。マイクロ波放射計１の制御部１１は、マイクロ波放射計１が計測した観測データ（電波強度及び気候データ）、及び外部サーバＧ
から取得したゾンデデータに基づき、水蒸気高度分布モデル１２２用の訓練データを生成する。マイクロ波放射計１の制御部１１は、当該訓練データを生成するにあたり、複数時点の観測データ（電波強度及び気候データ）に対する標準化処理等、又は次元削減処理を行うものであってもよい。
　マイクロ波放射計１の制御部１１は、訓練データを用いて学習することにより、水蒸気高度分布モデル１２２（学習モデル）を生成する（Ｓ５）。マイクロ波放射計１の制御部１１は、水蒸気高度分布モデル１２２用の訓練データを用いて、例えばニューラルネットワークを学習させることにより、水蒸気高度分布モデル１２２（学習モデル）を生成する。
　マイクロ波放射計１の制御部１１は、第１計測データ、気候データ及び第２計測データに基づき、可降水量を出力する可降水量モデル１２１（学習モデル）を学習するための訓練データを生成する（Ｓ６）。マイクロ波放射計１の制御部１１は、マイクロ波放射計１が計測した観測データ（電波強度及び気候データ）、及び外部サーバＧから取得したゾンデデータに基づき、可降水量モデル１２１用の訓練データを生成する。マイクロ波放射計１の制御部１１は、当該訓練データを生成するにあたり、複数時点の観測データ（電波強度及び気候データ）に対する標準化処理等、又は次元削減処理を行うものであってもよい。
　マイクロ波放射計１の制御部１１は、訓練データを用いて学習することにより、可降水量モデル１２１（学習モデル）を生成する（Ｓ７）。マイクロ波放射計１の制御部１１は、可降水量モデル１２１用の訓練データを用いて、例えばニューラルネットワークを学習させることにより、可降水量モデル１２１（学習モデル）を生成する。
　本実施形態において、マイクロ波放射計１の制御部１１は、観測データとして、電波強度（第１計測データ）及び気候データを取得するとしたがこれに限定されない。マイクロ波放射計１の制御部１１は、電波強度（第１計測データ）のみ、又は電波強度（第１計測データ）に加え温度、湿度及び気圧等の気候データの一部のデータに基づき訓練データを生成し、可降水量モデル１２１及び水蒸気高度分布モデル１２２を生成するものであってもよい。
　マイクロ波放射計１の制御部１１は、学習モデル（可降水量モデル１２１、水蒸気高度分布モデル１２２）を生成した以降、更に第１計測データ及び第２計測データ等を含む訓練データを再取得し、当該再取得した訓練データに基づき、既に生成されている学習モデルを再学習させるものであってもよい。これにより、学習モデル（可降水量モデル１２１、水蒸気高度分布モデル１２２）の推定精度を更に向上させることができる。学習モデル（可降水量モデル１２１、水蒸気高度分布モデル１２２）の再学習は、再取得した訓練データを用いて、既に生成されている学習モデルを例えばファインチューニング又は転移学習させるものに限定されず、以前に用いた訓練データに、再取得した訓練データを追加した訓練データを用いて、未学習のニューラルネットワークを学習させて再生成するものであってもよい。マイクロ波放射計１の制御部１１は、生成した学習モデルの運用時においても、当該生成した学習モデルの再学習を行うものであってもよい。この場合、マイクロ波放射計１の制御部１１は、学習モデルにより推定された可降水量等と、ゾンデデータに基づき算出した可降水量等との差異を導出し、当該差異が所定値を超えた場合、当該学習モデルを再学習するものであってもよい。
　図８は、マイクロ波放射計１の制御部１１に含まれる機能部（運用時）を例示する機能ブロック図である。マイクロ波放射計１の制御部１１は、記憶部１２に記憶されているプログラムＰを実行することにより、取得部１１１、入力データ生成部１１４、及び出力部
１１５として機能する。
　取得部１１１は、マイクロ波計測部１５から、例えば１６ＧＨｚから２６ＧＨｚの範囲における４０程度のチャネル（周波数）それぞれにおける電波強度（第１計測データ）を取得する。取得部１１１は、温度センサ１４１、湿度センサ１４２、気圧センサ１４３、及び感雨センサ１４４から出力された温度等の計測値（気候データ）を取得する。取得部１１１によって取得された電波強度及び気候データから成る観測データは、これらデータを取得した時点（計測時点）とを関連付けて、例えばテーブル形式（観測データテーブル）にて記憶部１２に記憶される。
　入力データ生成部１１４は、取得部１１１によって取得された観測データに基づき、可降水量モデル１２１及び水蒸気高度分布モデル１２２に入力する入力データを生成する。入力データに含まれる電波強度は、上空の電波強度（sky）から黒体の電波強度（bb）を
減算した差分値（sky-bb）にて示されるものであってもよい。
　入力データ生成部１１４は、所定の時間帯における複数時点にて計測された複数の観測データに基づき、入力データを生成するものであってもよい。入力データ生成部１１４は、上述した訓練データ生成部１１２と同様に、当該複数時点の観測データに対する標準化処理等又は、次元削減処理を行うことにより入力データを生成するものであってもよい。
　入力データ生成部１１４は、生成した入力データを、可降水量モデル１２１及び水蒸気高度分布モデル１２２に入力する。このように可降水量モデル１２１及び水蒸気高度分布モデル１２２に入力する入力データは、共通化されているものであってもよい。
　可降水量モデル１２１は、入力された入力データに基づき可降水量を推定する。水蒸気高度分布モデル１２２は、入力された入力データに基づき高度毎の水蒸気密度（水蒸気高度分布）を推定する。
　出力部１１５は、可降水量モデル１２１が推定した可降水量、及び水蒸気高度分布モデル１２２が推定した高度毎の水蒸気密度（水蒸気高度分布）を、例えばグラフ形式の画像データに変換し、当該画像データを表示装置１６に出力する。出力部１１５は、連続する複数の観測時点における可降水量及び高度毎の水蒸気密度（水蒸気高度分布）を用いて、時刻変化を示すグラフ形式の画像データに変換するものであってもよい。
　図９は、グラフ化した可降水量の変化情報の一例を示す説明図（可降水量変化グラフ）である。当該可降水量変化グラフは、連続する複数の観測時点における可降水量の時刻変化を示すグラフの一例である。可降水量変化グラフの横軸は、マイクロ波放射計１による観測時点を示す。縦軸は、マイクロ波放射計１による観測地点における上空（鉛直方向の大気）の可降水量（ＰＷＶ）を示す。
　図１０は、グラフ化した水蒸気高度分布の一例を示す説明図（水蒸気高度分布グラフ）である。当該水蒸気高度分布グラフは、連続する複数の観測時点における高度毎の水蒸気密度（水蒸気高度分布）の時刻変化を示すグラフの一例である。水蒸気高度分布グラフの横軸は、マイクロ波放射計１による観測時点を示す。縦軸は、マイクロ波放射計１による観測地点における上空（鉛直方向の大気）の高度を示す。水蒸気密度は、当該密度量に対応して色調の濃淡を異ならせたコンター図によって示される。
　図１１は、マイクロ波放射計１の制御部１１による処理手順（運用時）の一例を示すフローチャートである。マイクロ波放射計１の制御部１１は、例えば入出力Ｉ／Ｆ１４に接続されるキーボード等による操作者の操作を受付け、当該受け付けた操作に基づき、以下
の処理を行う。
　マイクロ波放射計１の制御部１１は、マイクロ波放射計１（マイクロ波計測部１５）により計測された第１計測データを取得する（Ｓ１０１）。マイクロ波放射計１の制御部１１は、マイクロ波放射計１が設置された地点の気候データを取得する（Ｓ１０２）。マイクロ波放射計１の制御部１１は、処理Ｓ１からＳ２と同様に、Ｓ１０１からＳ１０２の処理を行う。
　マイクロ波放射計１の制御部１１は、第１計測データ及び気候データに基づき、入力データを生成する（Ｓ１０３）。入力データに含まれる電波強度は、上空の電波強度（sky
）から黒体の電波強度（bb）を減算した差分値（sky-bb）にて示されるものであってもよい。マイクロ波放射計１の制御部１１は、所定の時間帯における複数時点にて計測された複数の観測データに基づき、入力データを生成するものであってもよい。マイクロ波放射計１の制御部１１は、当該複数時点の観測データに対する標準化処理等又は、次元削減処理を行うことにより入力データを生成するものであってもよい。
　マイクロ波放射計１の制御部１１は、入力データを水蒸気高度分布モデル１２２に入力し、高度毎の水蒸気密度（水蒸気高度分布）を取得する（Ｓ１０４）。マイクロ波放射計１の制御部１１は、入力データを水蒸気高度分布モデル１２２に入力し、可降水量モデル１２１が推定した高度毎の水蒸気密度（水蒸気高度分布）を取得する。
　マイクロ波放射計１の制御部１１は、高度毎の水蒸気密度（水蒸気高度分布）を出力する（Ｓ１０５）。マイクロ波放射計１の制御部１１は、高度毎の水蒸気密度（水蒸気高度分布）に関する情報を、例えばグラフ化し表示装置１６に出力する。
　マイクロ波放射計１の制御部１１は、入力データを可降水量モデル１２１に入力し、可降水量を取得する（Ｓ１０６）。マイクロ波放射計１の制御部１１は、入力データを可降水量モデル１２１に入力し、可降水量モデル１２１が推定した可降水量を取得する。
　マイクロ波放射計１の制御部１１は、可降水量を出力する（Ｓ１０７）。マイクロ波放射計１の制御部１１は、可降水量に関する情報を、例えばグラフ化し表示装置１６に出力する。
　マイクロ波放射計１の制御部１１は、Ｓ１０７の処理後、再度Ｓ１０１からの処理を実行すべくループ処理を行う。このようにＳ１０１からＳ１０７の処理を繰り返すことにより、マイクロ波放射計１によって継続して行われた観測結果に基づき、時系列に変化する可降水量及び水蒸気高度分布に関する情報を、追加又は更新して継続的に出力することができる。マイクロ波放射計１の制御部１１は、時系列に変化する可降水量及び水蒸気高度分布に関する情報を継続的にグラフ化し表示装置１６に出力することにより、当該表示装置１６にて表示されるグラフを定期的に更新するものであってもよい。すなわち、マイクロ波放射計１の制御部１１は、時系列となる複数の観測データ（第１計測データ及び気候データ）にて生成された複数の入力データを学習モデル（可降水量モデル１２１、水蒸気高度分布モデル１２２）に順次、入力することにより、複数時点における（時系列となる複数の）可降水量及び水蒸気高度分布を取得することができる。
　本実施形態において、マイクロ波放射計１の制御部１１は、入力データを生成するにあたり、電波強度（第１計測データ）及び気候データを取得するとしたがこれに限定されない。マイクロ波放射計１の制御部１１は、電波強度（第１計測データ）のみ、又は電波強度（第１計測データ）に加え温度、湿度及び気圧等の気候データの一部のデータに基づき入力データを生成し、可降水量モデル１２１及び水蒸気高度分布モデル１２２に当該入力
データを入力して、可降水量及び水蒸気高度分布を取得するものであってもよい。
　本実施形態によれば、学習モデル（可降水量モデル１２１、水蒸気高度分布モデル１２２）を学習するための訓練データは、マイクロ波放射計１により計測された第１計測データを問題データとし、ラジオゾンデにより計測された第２計測データにより得られた高度毎の水蒸気密度、又は可降水量を回答データとする。これにより、ラジオゾンデにより計測された第２計測データを用いて学習した学習モデルを効率的に生成することができ、当該学習モデルを用いて、マイクロ波放射計１により計測された第１計測データに基づき、高度毎の水蒸気密度、又は可降水量を効率的に出力することができる。上空からのマイクロ波の計測値と、黒体等の基準用電波吸収体からのマイクロ波の計測値との差分値を第１計測データとすることにより第１計測データの計測精度を向上させ、当該第１計測データを含む訓練データを用いることにより学習モデルの推定精度を向上させることができる。
　本実施形態によれば、１計測データに含まれる複数の周波数は、例えば１６ＧＨｚから２６ＧＨｚの範囲における４０程度のチャネル（周波数）であり、当該４０チャネルそれぞれの電波強度（ｄＢ）が、記憶部１２に記憶される。制御部１１は、取得及び記憶した当該４０チャネルそれぞれの電波強度に対し、次元削減処理を行うことにより、訓練データに含まれる第１計測データ（問題データ）の次元数を削減し、計算コストの低減を図ることができる。
　本実施形態によれば、訓練データに含まれる問題データは、マイクロ波放射計１により計測された第１計測データに加え、更にマイクロ波放射計１が設置された地点における気候データを含む。当該気候データは、温度、湿度（絶対湿度又は相対湿度）、気圧、及び降雨量の少なくとも１つを含むものであり、これら物理量を全て含むものであってもよい。このような問題データを用いて学習することにより、学習モデルの推定精度を向上させることができる。
（実施形態２）
　図１２は、実施形態２（複数地点）に係るマイクロ波放射計１によるシステム構成の一例を示すブロック図である。実施形態２においては、各地点に設置される複数のマイクロ波放射計１と、当該複数のマイクロ波放射計１と通信可能に接続されるセンターサーバＳとにより、水蒸気観測システムが構成される。
　実施形態２のマイクロ波放射計１は、計測した観測データ（電波強度及び気候データ）をセンターサーバＳに出力する。センターサーバＳは、例えばインターネット上に接続されるクラウドサーバ等の情報処理装置であり、制御部Ｓ１、記憶部Ｓ２及び通信部Ｓ３を備え、各地点に設置された複数のマイクロ波放射計１が計測（観測）した観測データを集約する観測データ集約サーバとして機能する。
　センターサーバＳの記憶部Ｓ２には、実施形態１と同様の可降水量モデル１２１及び水蒸気高度分布モデル１２２が記憶されている。センターサーバＳの制御部Ｓ１は、実施形態１のマイクロ波放射計１の制御部１１と同様に、各地点に設置された複数のマイクロ波放射計１から出力（送信）された観測データそれぞれに基づき、地点毎の入力データを生成する。センターサーバＳの制御部Ｓ１は、これら生成した地点毎の入力データを可降水量モデル１２１及び水蒸気高度分布モデル１２２に入力することにより、地点毎の可降水量及び水蒸気高度分布を出力する。
　図１３は、センターサーバＳの制御部Ｓ１による処理手順の一例を示すフローチャートである。センターサーバＳは、例えば自サーバの起動時において定常的に以下の処理を行う。
　センターサーバＳの制御部Ｓ１は、各マイクロ波放射計１により計測された複数地点の第１計測データを取得する（Ｓ２０１）。センターサーバＳの制御部Ｓ１は、複数地点に設置された各マイクロ波放射計１から、それぞれのマイクロ波放射計１により計測された複数地点の電波強度（第１計測データ）を取得する。当該電波強度は、上空からのマイクロ波の電波強度(sky[dB])から、黒体からのマイクロ波の電波強度（bb[dB]）を減算した
差分値（sky-bb[dB]）であってもよい。
　センターサーバＳの制御部Ｓ１は、各マイクロ波放射計１が設置された複数地点の気候データを取得する（Ｓ２０２）。センターサーバＳの制御部Ｓ１は、複数地点に設置された各マイクロ波放射計１から、それぞれのマイクロ波放射計１が設置された複数地点の温度、湿度、気圧及び雨量を含む気候データを取得する。
　センターサーバＳの制御部Ｓ１は、第１計測データ及び気候データに基づき、地点毎の入力データを生成する（Ｓ２０３）。センターサーバＳの制御部Ｓ１は、地点毎（マイクロ波放射計１毎）の第１計測データ及び気候データに基づき、Ｓ１０３の処理と同様に、地点毎の入力データを生成する。
　センターサーバＳの制御部Ｓ１は、地点毎の入力データを水蒸気高度分布モデル１２２に入力し、高度毎の水蒸気密度を取得する（Ｓ２０４）。センターサーバＳの制御部Ｓ１は、地点毎の高度毎の水蒸気密度（水蒸気高度分布）を出力する（Ｓ２０５）。センターサーバＳの制御部Ｓ１は、地点毎の入力データを可降水量モデル１２１に入力し、可降水量を取得する（Ｓ２０６）。センターサーバＳの制御部Ｓ１は、地点毎の可降水量を出力する（Ｓ２０７）。センターサーバＳの制御部Ｓ１は、地点毎（マイクロ波放射計１毎）における入力データそれぞれに対し、Ｓ１０４からＳ１０７の処理を同様にＳ２０４からＳ２０７の処理を行う。センターサーバＳの制御部Ｓ１は、実施形態１と同様にＳ２０７の処理後、再度Ｓ２０１からの処理を実行すべくループ処理を行う。
　図１４は、複数地点における観測状態（地図情報に重畳）の一例を示す説明図である。当該説明図（複数地点マルチビュー画面）は、センターサーバＳによって出力される画面データの一例である。センターサーバＳは、複数のマイクロ波放射計１が設置された複数地点を特定する地図情報を取得し、取得した地図情報に、複数地点それぞれにおける高度毎の水蒸気密度又は可降水量を重畳させて表示装置１６又は携帯端末等に出力する。
　複数地点マルチビュー画面は、複数のマイクロ波放射計１が設置された各地点を特定した地図情報を表示する地図エリア、マイクロ波放射計１それぞれが計測（観測）した観測データをリスト形式にて表示するリスト表示エリアを含む。地図エリアにおいて、マイクロ波放射計１それぞれが設置された地点が線図により示され、各地点にて計測された高度毎の水蒸気密度及び可降水量が重畳表示される。リスト表示エリアには、各地点にて計測された電波強度及び高度毎の水蒸気密度がリスト表示される。リスト表示エリアには、例えばハイパーリングが設定されたボタン又はアイコン等が配置され、当該ボタンをクリックすることにより、選択された地点における可降水量変化グラフ又は水蒸気高度分布グラフを表示する子画面がポップアップ表示されるものであってもよい。更に当該ボタンをクリックすることにより、選択された地点における電波強度（sky-bb）の時刻変化を示すグラフ（電波強度変化グラフ）を表示する子画面がポップアップ表示されるものであってもよい。
　本実施形態によれば、センターサーバＳの制御部Ｓ１は、無線通信を介して、複数地点に設置されたマイクロ波放射計１それぞれにて計測された地点毎の観測データ（第１計測データ、気候データ）を取得し、地点毎の観測データを学習モデル（水蒸気高度分布モデ
ル１２２、可降水量モデル１２１）に入力し、複数地点それぞれにおける高度毎の水蒸気密度（水蒸気高度分布）又は可降水量を出力する。センターサーバＳの制御部Ｓ１は、これら各地点の高度毎の水蒸気密度（水蒸気高度分布）又は可降水量を、表形式又はグラフ形式等にして対比可能にし、通信部Ｓ３を介して例えば携帯端末等に出力するため、当該情報を気象関係者等に効率的に提供することができる。
　今回開示された実施の形態は全ての点で例示であって、制限的なものではないと考えられるべきである。各実施例にて記載されている技術的特徴は互いに組み合わせることができ、本発明の範囲は、特許請求の範囲内での全ての変更及び特許請求の範囲と均等の範囲が含まれることが意図される。
　Ｇ　外部サーバ（ゾンデデータサーバ）
　１　マイクロ波放射計
　１１　制御部
　１１１　取得部
　１１２　訓練データ生成部
　１１３　学習部
　１１４　入力データ生成部
　１１５　出力部
　１２　記憶部
　１２０　記録媒体
　１２１　可降水量モデル
　１２２　水蒸気高度分布モデル
　Ｐ　プログラム
　１３　通信部
　１４　入出力Ｉ／Ｆ
　１４１　温度センサ
　１４２　湿度センサ
　１４３　気圧センサ
　１４４　感雨センサ
　１５　マイクロ波計測部
　１６　表示装置
　Ｓ　センターサーバ
　Ｓ１　制御部
　Ｓ２　記憶部
　Ｓ３　通信部

Claims (19)

  1. 　マイクロ波放射計により計測された第１計測データ、及びラジオゾンデにより計測された第２計測データにより得られた高度毎の水蒸気密度、又は可降水量を含む訓練データを取得し、
    　取得した前記訓練データに基づき、第１計測データを入力した場合に高度毎の水蒸気密度、又は可降水量を出力する学習モデルを生成する
    　学習モデルの生成方法。
  2. 　前記第１計測データは、複数の周波数それぞれにおける電波強度である
    　請求項１に記載の学習モデルの生成方法。
  3. 　前記第１計測データに含まれる前記複数の周波数それぞれにおける電波強度は、次元削減処理が行われている
    　請求項２に記載の学習モデルの生成方法。
  4. 　前記第１計測データは、上空からのマイクロ波の計測値と、基準用電波吸収体からのマイクロ波の計測値との差分値を含む
    　請求項２又は請求項３に記載の学習モデルの生成方法。
  5. 　前記訓練データは、前記マイクロ波放射計が設置された地点における温度、湿度、気圧、及び降雨量の少なくとも１つを含む気候データを更に含み、
    　取得した前記訓練データに基づき、第１計測データ及び気候データを入力した場合に高度毎の水蒸気密度、又は可降水量を出力する学習モデルを生成する
    　請求項１から請求項４のいずれか１項に記載の学習モデルの生成方法。
  6. 　前記訓練データを再取得し、
    　再取得した前記訓練データに基づき、前記学習モデルを再学習させる
    　請求項１から請求項５のいずれか１項に記載の学習モデルの生成方法。
  7. 　前記学習モデルが出力した水蒸気密度又は可降水量と、ラジオゾンデにより計測された第２計測データにより得られた高度毎の水蒸気密度又は可降水量との差異を導出し、
    　前記差異が所定値を超える場合、前記学習モデルを再学習させる
    　請求項６に記載の学習モデルの生成方法。
  8. 　マイクロ波放射計により計測された第１計測データを取得し、
    　第１計測データを入力した場合に高度毎の水蒸気密度、又は可降水量を出力する学習モデルに、取得した前記第１計測データを入力し高度毎の水蒸気密度、又は可降水量を出力する
    　処理をコンピュータに実行させるプログラム。
  9. 　前記第１計測データは、複数の周波数それぞれにおける電波強度である
    　請求項８に記載のプログラム。
  10. 　前記第１計測データに含まれる前記複数の周波数それぞれにおける電波強度を次元削減処理し、
    　次元削減処理された電波強度を含む第１計測データを、前記学習モデルに入力する
    　請求項９に記載のプログラム。
  11. 　前記学習モデルは、第１計測データ及び、ラジオゾンデにより計測された第２計測デー
    タにより得られた高度毎の水蒸気密度、又は可降水量を含む訓練データにより学習されている
    　請求項８から請求項１０のいずれか１項に記載のプログラム。
  12. 　前記訓練データは、前記マイクロ波放射計が設置された地点における温度、湿度、気圧、及び降雨量の少なくとも１つを含む気候データを更に含み、
    　前記第１計測データ及び前記気候データを前記学習モデルに入力し、高度毎の水蒸気密度、又は可降水量を出力する
    　請求項１１に記載のプログラム。
  13. 　前記マイクロ波放射計により複数時点において計測された複数の第１計測データを取得し、
    　前記学習モデルが出力した複数時点における高度毎の水蒸気密度それぞれに基づき、水蒸気高度分布の変化情報を生成し、
    　生成した前記水蒸気高度分布の変化情報を出力する
    　請求項８から請求項１２のいずれか１項に記載のプログラム。
  14. 　前記マイクロ波放射計により複数時点において計測された複数の第１計測データを取得し、
    　前記学習モデルが出力した複数時点における可降水量それぞれに基づき、可降水量の変化情報を生成し、
    　生成した前記可降水量の変化情報を出力する
    　請求項８から請求項１３のいずれか１項に記載のプログラム。
  15. 　複数地点に設置された前記マイクロ波放射計それぞれにて計測された地点毎の第１計測データを取得し、
    　取得した地点毎の第１計測データを前記学習モデルに入力し、前記複数地点それぞれにおける高度毎の水蒸気密度、又は可降水量を出力する
    　請求項８から請求項１４のいずれか１項に記載のプログラム。
  16. 　複数の前記マイクロ波放射計が設置された複数地点を特定する地図情報を取得し、
    　取得した前記地図情報に、前記複数地点それぞれにおける高度毎の水蒸気密度、又は可降水量を重畳させて表示する
    　請求項１５に記載のプログラム。
  17. 　複数の前記マイクロ波放射計が設置された前記複数地点それぞれにおける温度、湿度、気圧、及び降雨量の少なくとも１つを含む気候データを取得し、
    　取得した前記複数地点毎の第１計測データ及び気候データを前記学習モデルに入力する
    　請求項１５又は請求項１６に記載のプログラム。
  18. 　マイクロ波放射計により計測された第１計測データを取得する取得部と、
    　第１計測データを入力した場合に高度毎の水蒸気密度、又は可降水量を出力する学習モデルに、取得した前記第１計測データを入力し高度毎の水蒸気密度、又は可降水量を推定する推定部とを備える
    　推定装置。
  19. 　コンピュータに
    　マイクロ波放射計により計測された第１計測データを取得し、
    　第１計測データを入力した場合に高度毎の水蒸気密度、又は可降水量を出力する学習モデルに、取得した前記第１計測データを入力し高度毎の水蒸気密度、又は可降水量を推定
    する
    　処理をコンピュータに実行させる推定方法。
PCT/JP2022/009542 2021-05-11 2022-03-04 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 WO2022239416A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2023520840A JPWO2022239416A1 (ja) 2021-05-11 2022-03-04
EP22807123.9A EP4339655A1 (en) 2021-05-11 2022-03-04 Generation method for learning model, computer program, estimation method, and estimation device
US18/480,491 US20240027649A1 (en) 2021-05-11 2023-10-03 Non-transitory computer readable medium, estimation method, and estimation device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021080522 2021-05-11
JP2021-080522 2021-05-11

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/480,491 Continuation US20240027649A1 (en) 2021-05-11 2023-10-03 Non-transitory computer readable medium, estimation method, and estimation device

Publications (1)

Publication Number Publication Date
WO2022239416A1 true WO2022239416A1 (ja) 2022-11-17

Family

ID=84029136

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/009542 WO2022239416A1 (ja) 2021-05-11 2022-03-04 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

Country Status (4)

Country Link
US (1) US20240027649A1 (ja)
EP (1) EP4339655A1 (ja)
JP (1) JPWO2022239416A1 (ja)
WO (1) WO2022239416A1 (ja)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20110218734A1 (en) * 2010-03-08 2011-09-08 Radiometrics Corporation Methods and apparatus for passive tropospheric measurments utilizing a single band of frequencies adjacent to a selected millimeter wave water vapor line
JP2019211342A (ja) * 2018-06-05 2019-12-12 株式会社東芝 気象解析装置、気象解析方法、およびプログラム
CN111060992A (zh) * 2019-12-27 2020-04-24 国家卫星气象中心(国家空间天气监测预警中心) 星载微波双氧探测通道等权重共轭的降水检测方法及系统
CN111220986A (zh) * 2020-02-28 2020-06-02 中国民航大学 回波功率筛选与dlcd辅助的低空风切变风速估计方法
CN111638565A (zh) * 2020-06-09 2020-09-08 云南电网有限责任公司电力科学研究院 一种山区暴雨监测方法
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
CN112232554A (zh) * 2020-09-28 2021-01-15 中国科学院空天信息创新研究院 一种基于bp神经网络的局域短临降水预报模型的构建方法
CN112462369A (zh) * 2020-10-30 2021-03-09 国家卫星气象中心(国家空间天气监测预警中心) 一种用于微波成像仪反演海上大气可降水的方法及装置
WO2022014229A1 (ja) * 2020-07-14 2022-01-20 古野電気株式会社 可降水量推定モデルの学習システム、可降水量推定システム、方法及びプログラム

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20110218734A1 (en) * 2010-03-08 2011-09-08 Radiometrics Corporation Methods and apparatus for passive tropospheric measurments utilizing a single band of frequencies adjacent to a selected millimeter wave water vapor line
JP2019211342A (ja) * 2018-06-05 2019-12-12 株式会社東芝 気象解析装置、気象解析方法、およびプログラム
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
CN111060992A (zh) * 2019-12-27 2020-04-24 国家卫星气象中心(国家空间天气监测预警中心) 星载微波双氧探测通道等权重共轭的降水检测方法及系统
CN111220986A (zh) * 2020-02-28 2020-06-02 中国民航大学 回波功率筛选与dlcd辅助的低空风切变风速估计方法
CN111638565A (zh) * 2020-06-09 2020-09-08 云南电网有限责任公司电力科学研究院 一种山区暴雨监测方法
WO2022014229A1 (ja) * 2020-07-14 2022-01-20 古野電気株式会社 可降水量推定モデルの学習システム、可降水量推定システム、方法及びプログラム
CN112232554A (zh) * 2020-09-28 2021-01-15 中国科学院空天信息创新研究院 一种基于bp神经网络的局域短临降水预报模型的构建方法
CN112462369A (zh) * 2020-10-30 2021-03-09 国家卫星气象中心(国家空间天气监测预警中心) 一种用于微波成像仪反演海上大气可降水的方法及装置

Also Published As

Publication number Publication date
US20240027649A1 (en) 2024-01-25
EP4339655A1 (en) 2024-03-20
JPWO2022239416A1 (ja) 2022-11-17

Similar Documents

Publication Publication Date Title
Jiang et al. Quantitative assessment of soil salinity using multi-source remote sensing data based on the support vector machine and artificial neural network
Aires et al. A regularized neural net approach for retrieval of atmospheric and surface temperatures with the IASI instrument
US20170255720A1 (en) Simulation device, simulation method, and memory medium
Ukhurebor et al. Analyzing the uncertainties between reanalysis meteorological data and ground measured meteorological data
KR101970098B1 (ko) 정지궤도 인공위성의 자외선 및 가시광선 영역의 관측 자료를 이용한 지표면 반사도 및 방향성 반사도 함수 결정 방법 및 시스템
CN109271605B (zh) 高空间分辨率遥感地表温度数据计算方法与装置
Cardinali Forecast sensitivity observation impact with an observation‐only based objective function
Lupu et al. Evaluation of the impact of observations on analyses in 3D-and 4D-Var based on information content
Ajil et al. A new technique for temperature and humidity profile retrieval from infrared-sounder observations using the adaptive neuro-fuzzy inference system
Bhuiyan et al. A nonparametric statistical technique for modeling overland TMI (2A12) rainfall retrieval error
CN115629388B (zh) 一种基于红外和微波成像仪数据的雷达回波模拟方法
Blackwell et al. A neural network retrieval technique for high-resolution profiling of cloudy atmospheres
Wang et al. An alternative split-window algorithm for retrieving land surface temperature from Visible Infrared Imaging Radiometer Suite data
Xu et al. Soil moisture estimation with SVR and data augmentation based on alpha approximation method
Yeom et al. Improved estimation of surface solar insolation using a neural network and MTSAT-1R data
Anh et al. River discharge estimation based on satellite water extent and topography: An application over the Amazon
Maggioni et al. The efficiency of assimilating satellite soil moisture retrievals in a land data assimilation system using different rainfall error models
WO2022239416A1 (ja) 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
Prates et al. Assimilation of transformed retrievals obtained from clear‐sky IASI measurements
Grecu et al. Combining satellite microwave radiometer and radar observations to estimate atmospheric heating profiles
Barber et al. Speckle noise and soil heterogeneities as error sources in a Bayesian soil moisture retrieval scheme for SAR data
Nirala Multi‐sensor data fusion of aerosol optical thickness
Norris et al. Monte Carlo Bayesian inference on a statistical model of sub‐gridcolumn moisture variability using high‐resolution cloud observations. Part 1: Method
Cheng et al. Hierarchical Bayesian nearest neighbor co-kriging Gaussian process models; an application to intersatellite calibration
Menemenlis et al. Error estimates for an ocean general circulation model from altimeter and acoustic tomography data

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: 22807123

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023520840

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 2022807123

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022807123

Country of ref document: EP

Effective date: 20231211