WO2022239417A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2022239417A1
WO2022239417A1 PCT/JP2022/009543 JP2022009543W WO2022239417A1 WO 2022239417 A1 WO2022239417 A1 WO 2022239417A1 JP 2022009543 W JP2022009543 W JP 2022009543W WO 2022239417 A1 WO2022239417 A1 WO 2022239417A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
microwave
precipitable water
learning model
amount
Prior art date
Application number
PCT/JP2022/009543
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 JP2023520841A priority Critical patent/JPWO2022239417A1/ja
Publication of WO2022239417A1 publication Critical patent/WO2022239417A1/ja

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
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • 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

  • the present invention relates to a learning model generation method, a computer program, a microwave radiometer, and an estimation method.
  • 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.
  • Patent Document 1 calculates the amount of precipitable water based on GNSS data, it is difficult to calculate the amount of local precipitable water.
  • the present invention has been made in view of such circumstances, and aims to provide a learning model generation method and the like that can efficiently estimate the amount of precipitable water.
  • the learning model generation method includes microwave measurement data, which is data obtained by measuring microwaves emitted from the atmosphere by a microwave radiometer, and microwave measurement data received by a GNSS receiver provided in the microwave radiometer. Acquiring training data including the amount of precipitable water obtained based on GNSS signals, generating a learning model that outputs the amount of precipitable water when microwave measurement data is input based on the acquired training data, and Continue to acquire training data including the amount of precipitable water obtained from the GNSS signal received by the microwave measurement data measured by the microwave radiometer and the GNSS receiver, and based on the continuously acquired training data, Re-learning of the learning model is repeated.
  • the computer program according to this aspect is based on microwave measurement data, which is data obtained by measuring microwaves emitted from the atmosphere by a microwave radiometer, and a GNSS signal received by a GNSS receiver provided in the microwave radiometer.
  • microwave measurement data which is data obtained by measuring microwaves emitted from the atmosphere by a microwave radiometer, and a GNSS signal received by a GNSS receiver provided in the microwave radiometer.
  • Acquire training data including the amount of precipitable water obtained based on generate a learning model that outputs the amount of precipitable water when microwave measurement data is input based on the obtained training data, and further, the microwave Continue to acquire training data including microwave measurement data measured by a radiometer and the amount of precipitable water obtained from the GNSS signal received by the GNSS receiver, and based on the continuously acquired training data, the learning model
  • the computer is caused to repeat the re-learning process.
  • the microwave radiometer includes a microwave measurement unit that measures microwave measurement data that is data obtained by measuring microwaves emitted from the atmosphere, a GNSS receiver that receives a GNSS signal, and microwave measurement data and a re-learning unit for re-learning the learning model, wherein the re-learning unit further includes microwave measurement data measured by the microwave measurement unit Further, acquisition of training data including the amount of precipitable water obtained from the GNSS signals received by the GNSS receiver is continued, and re-learning of the learning model is repeated based on the continuously acquired training data.
  • the estimation method acquires microwave measurement data, which is data obtained by measuring microwaves emitted from the atmosphere by a microwave radiometer, in a computer, and outputs the amount of precipitable water when the microwave measurement data is input.
  • the microwave measurement data measured by the acquired microwave radiometer is input to the learning model, the precipitable water content is output, and the microwave measurement data measured by the microwave radiometer and the microwave Continuous acquisition of training data including the amount of precipitable water obtained based on the GNSS signal received by the GNSS receiver provided in the wave radiometer, and re-training of the learning model based on the continuously acquired training data.
  • the computer executes the process of repeating
  • FIG. 1 is a block diagram showing an example of a configuration of a microwave radiometer according to Embodiment 1;
  • FIG. 3 is a functional block diagram illustrating functional units (during learning) included in a control unit of the microwave radiometer;
  • FIG. 4 is an explanatory diagram (observation data table) showing an example of observation data obtained by a microwave radiometer;
  • FIG. 4 is an explanatory diagram showing an example of radio wave intensity of microwaves (sky-bb) included in observation data;
  • FIG. 4 is an explanatory diagram (GNSS data table) showing an example of the amount of precipitable water derived based on GNSS signals and the like (GNSS data);
  • GNSS data GNSS data table
  • It is a schematic diagram which shows an example of the production
  • FIG. 4 is a flow chart showing an example of a processing procedure (at the time of learning) of the control unit of the microwave radiometer;
  • FIG. 3 is a functional block diagram illustrating functional units (re-learning/operational) included in a control unit of the microwave radiometer; It is explanatory drawing (precipitable water amount change graph) which shows an example of the change information of the graphed amount of precipitable water.
  • FIG. 11 is an explanatory diagram (relearning history table) exemplifying a relearning history (update history) of a precipitable water model (learning model);
  • 4 is a flow chart showing an example of a processing procedure (at the time of operation) by a control unit of the microwave radiometer;
  • FIG. 1 is a block diagram showing an example of the configuration of a microwave radiometer 1 according to Embodiment 1.
  • the microwave radiometer 1 communicates with an external server G (satellite orbit data server) that stores orbit information (almanac data) of GNSS satellites that transmit GNSS (global navigation satellite system) signals via an external network such as the Internet. connected as possible.
  • G switchlite orbit data server
  • GNSS global navigation satellite system
  • the microwave radiometer 1 Based on the GNSS signal received from the GNSS satellite, the orbital information (calendar data) of the GNSS satellite, and the climate data at the reception point of the GNSS signal, the microwave radiometer 1 measures the amount of precipitable water in the vertical direction at the reception point Calculate The microwave radiometer 1 uses the precipitable water volume calculated based on the received GNSS signal etc. as response data, and the training data with the microwave radio wave intensity etc. measured at the receiving point as problem data (first measurement data). Generate.
  • the microwave radiometer 1 functions as a learning model generation device that uses the generated training data to learn, for example, neural network parameters and generates a precipitable water model 121 (learning model). Furthermore, the microwave radiometer 1 inputs the microwave radio wave intensity measured at the point where the microwave radiometer 1 is installed to the generated precipitable water amount model 121, so that It functions as a precipitable water vapor estimator (water vapor observation device) that estimates the amount of precipitable water. Furthermore, in parallel with the process of estimating the amount of precipitable water using the precipitable water amount model 121, the microwave radiometer 1 measures the radio wave intensity of microwaves and calculates the amount of precipitable water based on the received GNSS signal. to generate training data for re-learning for re-learning the precipitable water quantity model 121 . The microwave radiometer 1 re-learns (regenerates) the precipitable water model 121 using the generated training data for re-learning.
  • the microwave radiometer 1 re-learns (regenerates) the precipitable water model
  • the microwave radiometer 1 generates training data for generating the precipitable water model 121 based on the measured microwave field intensity, it is not limited to this.
  • the microwave radiometer 1 learns (generates) the precipitable water model 121 using training data generated based on the temperature, humidity, atmospheric pressure, and rainfall at the point where the microwave was measured, in addition to the radio wave intensity of the microwave. It may be re-learned (regenerated).
  • the microwave radiometer 1 generates input data for the precipitable water model 121 based on the measured microwave field intensity, it is not limited to this.
  • the microwave radiometer 1 inputs input data generated based on the temperature, humidity, atmospheric pressure, and rainfall amount at the point where the microwave was measured in addition to the radio wave intensity of the microwave to the precipitable water amount model 121, It may be something that acquires the amount.
  • the external server G (satellite orbit data server) is composed of, for example, a cloud server connected to the Internet.
  • the external server G stores orbit information (satellite almanac data) of satellites that transmit GNSS signals.
  • the microwave radiometer 1 can acquire orbit information (satellite almanac data) of satellites that transmit GNSS signals.
  • the microwave radiometer 1 includes a microwave measurement unit 15 for measuring microwaves emitted from the atmosphere, a GNSS receiver 17, and a temperature sensor 141 for acquiring climate data at the point where the microwave radiometer 1 is installed. , a humidity sensor 142 , an atmospheric pressure sensor 143 and a rain sensor 144 . Furthermore, the microwave radiometer 1 includes a control unit 11, a storage unit 12, a communication unit 13, and an input/output I/F 14 for processing or processing various measurement data acquired by these sensors.
  • 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 microwave radiometer 1 uses a motor or the like to periodically pass the black body through the receiving range of the receiving horn, and periodically positions the black body so as to cover the receiving horn with respect to the sky.
  • the microwaves radiated from and the microwaves radiated from the sky are alternately acquired.
  • the black body is made of, for example, Vantablack, and corresponds to a reference electromagnetic wave absorber.
  • the microwave radiometer 1 repeats the process of measuring microwaves from the reference electromagnetic wave absorber (black body) for 10 seconds, for example, and then measuring microwaves from the sky for 10 seconds, for example.
  • the microwave radiometer 1 subtracts the radio wave intensity of microwaves from the black body (bb[dB]) from the radio wave intensity of microwaves from the sky (sky[dB]) in each of about 40 channels (frequencies).
  • the resulting difference value (sky-bb [dB]) is obtained as the radio wave intensity of the measured microwave.
  • the microwave radiometer 1 may automatically calibrate (detector calibration) the linearity and the like of analog devices when measuring (measuring) microwaves from a black body and the sky.
  • the microwave radiometer 1 switches the attenuator connected to the receiving horn, and the digital value after conversion by the AD conversion circuit becomes linear (proportional relationship based on the ideal straight line) with respect to the analog value before conversion. If the digital value after AD conversion exceeds the allowable error range, analog system linearity calibration may be performed.
  • the GNSS receiver 17 includes a GNSS antenna and a GNSS receiver that receives spectrum-spread GNSS signals.
  • the microwave radiometer 1 can acquire the GNSS signal at the point (observation point) where the microwave radiometer 1 is installed by receiving the GNSS signal using the GNSS receiver 17 .
  • the temperature sensor 141 is composed of, for example, a thermistor or the like, and detects the temperature at the point where the microwave radiometer 1 is installed.
  • the humidity sensor 142 is, for example, a capacitance change type or resistance change electric sensor, detects the amount of water vapor in the surrounding air at the point where the microwave radiometer 1 is installed, and converts it into an electric signal.
  • the atmospheric pressure sensor 143 is composed of, for example, a pressure receiving element, and detects the atmospheric pressure (atmospheric pressure) at the point where the microwave radiometer 1 is installed.
  • the rain sensor 144 is a sensor that linearly changes the output voltage value based on the amount of rainfall, for example, and detects the amount of rainfall at the point where the microwave radiometer 1 is installed and converts it into an electric signal.
  • microwave measurement unit 15, GNSS receiver 17, temperature sensor 141, humidity sensor 142, atmospheric pressure sensor 143 and rain sensor 144 communicate with control unit 11 and storage unit 12 via input/output I/F 14 or internal bus, for example. Connected as possible.
  • the measurement data measured by the microwave measurement unit 15, the temperature sensor 141, etc. is associated with time information indicating the time point of measurement, and is stored in the storage unit 12 in a table format (see FIG. 3) as time-series data, for example. remembered.
  • the amount of precipitable water is calculated based on the GNSS signal received by the GNSS receiver 17 and the orbital information (calendar data) of the GNSS satellites acquired via the communication unit 13 .
  • the amount of precipitable water calculated based on the GNSS signal or the like is stored in the storage unit 12 in the form of a table (see FIG. 5), for example, as time-series data.
  • the control unit 11 has one or more CPU (Central Processing Unit), MPU (Micro-Processing Unit), GPU (Graphics Processing Unit), etc., an arithmetic processing unit with a timing function, and is stored in the storage unit 12 By reading out and executing the program P, various information processing and control processing for the microwave measuring unit 15 and the like are performed.
  • CPU Central Processing Unit
  • MPU Micro-Processing Unit
  • GPU Graphics Processing Unit
  • the storage unit 12 includes a volatile storage area such as SRAM (Static Random Access Memory), DRAM (Dynamic Random Access Memory), and flash memory, 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 form a learning model (precipitable water model 121). These entity files may be configured as part of the program P.
  • the communication unit 13 is a communication module or communication interface for communicating with an external server G (satellite orbit data server) by wire or wirelessly.
  • a short-range wireless communication module such as Bluetooth (registered trademark) or a wide-area wireless communication module such as 4G or 5G.
  • the control unit 11 communicates with the external server G through an external network such as the Internet through the communication unit 13 .
  • the input/output I/F 14 includes, for example, a communication interface conforming to communication standards such as USB, or a connector for connecting to an internal bus.
  • the input/output I/F 14 may be connected to the microwave measurement unit 15, the GNSS receiver 17, the temperature sensor 141, the humidity sensor 142, the atmospheric pressure sensor 143, and the rain sensor 144.
  • a display device 16 such as a liquid crystal display may be further connected to the input/output I/F 14 .
  • the microwave radiometer 1 includes the microwave measurement unit 15, various sensors, and the control unit 11 for data processing, but is not limited to this.
  • the control unit 11 and the like for performing data processing are included in a computer separate from the microwave radiometer 1, the microwave radiometer 1 and the computer are communicably connected, and various data measured by the microwave radiometer 1 are may be processed by the computer to generate a learning model and perform an estimation process using the learning model.
  • the computer acquires observation data (radio field intensity and climate data), GNSS signals, etc. from each of the microwave radiometers 1 installed at multiple observation points, and based on the observation data and GNSS signals, etc. for each observation point , to generate the training data.
  • the precipitable water model 121 learned by training data using observation data and GNSS signals at a plurality of observation points is applied to each microwave radiometer 1, and each microwave radiometer 1 An estimation process using the precipitable water model 121 may be performed.
  • FIG. 2 is a functional block diagram illustrating functional units (during learning) 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 , a training data generation unit 112 and a learning unit 113 by executing the program P stored in the storage unit 12 .
  • the acquiring unit 111 acquires the radio wave intensity (first measurement data) in each of about 40 channels (frequencies) in the range of 16 GHz to 26 GHz, for example, from the microwave measuring unit 15 .
  • the acquisition unit 111 acquires measured values (climate data) such as temperature output from the temperature sensor 141 , the humidity sensor 142 , the atmospheric pressure sensor 143 , and the rain sensor 144 .
  • the acquisition unit 111 acquires GNSS signals from the GNSS receiver 17 .
  • the acquisition unit 111 acquires the microwave field intensity (first measurement data), the climate data and the GNSS signal at the point (observation point) where the microwave radiometer 1 is installed, and in the same time period These data acquired by The acquisition unit 111 acquires the orbital information (calendar data) of the GNSS satellite corresponding to the transmission time point of the GNSS signal from the external server G (satellite orbital data server) via the communication unit 13 .
  • 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 time management item (field) stores date and time information indicating the date and time of observation (radio field intensity and climate data) at the time of observation (acquisition time).
  • the radio wave intensity of about 40 channels (frequencies) emitted from the black body for example, in the range of 16 GHz to 26 GHz
  • the radio wave intensity of about 40 channels (frequencies) emitted from the sky for example, in the range of 16 GHz to 26 GHz, is stored as aerial observation data.
  • the radio wave intensity from the black body and the sky are stored in a table format, but the present invention is not limited to this.
  • a difference value (sky-bb) obtained by subtracting the radio wave intensity (bb) of a black body from the above may be stored.
  • FIG. 4 is an explanatory diagram showing an example of radio wave intensity of microwaves (sky-bb) included in observation data.
  • the vertical axis indicates the radio wave intensity of the difference value (sky-bb)
  • the horizontal axis indicates the channel (frequency). Since the black body (reference radio wave absorber) is at room temperature (higher than the sky), the radiation intensity is stronger than in the sky.
  • the value (sky-bb) is a negative value from 0 dB to -5 dB, for example.
  • the temperature control item (field) stores the temperature at the point where the microwave radiometer 1 is installed.
  • the humidity control item (field) stores the absolute humidity or relative humidity at the point where the microwave radiometer 1 is installed.
  • the atmospheric pressure management item (field) stores the atmospheric pressure (atmospheric pressure) at the point where the microwave radiometer 1 is installed.
  • the rainfall amount management item (field) stores a voltage value indicating the rainfall amount at the point where the microwave radiometer 1 is installed.
  • the training data generation unit 112 is based on the observation data (radio field intensity and climate data) measured by the microwave radiometer 1, the GNSS signal received by the GNSS receiver 17, and the orbital information of the GNSS satellites obtained from the external server G , to generate training data for generating (learning) the precipitable water model 121 .
  • the training data includes problem data generated based on observation data (radio field intensity and climate data) and response data (precipitable water content) generated based on GNSS signals, orbital information and climate data.
  • the radio wave intensity is indicated by a difference value (sky-bb) obtained by subtracting the radio wave intensity (bb) of the black body from the sky radio wave intensity (sky) at each frequency.
  • the training data generation unit 112 generates problem data based on a plurality of observation data (radio field intensity and climate data) measured at a plurality of points in time within a predetermined time period corresponding to the GNSS signal reception period. There may be.
  • the training data generation unit 112 averages, standardizes, or normalizes the observation data (radio field strength and climate data) at multiple points in time, thereby averaging, standardizing, or normalizing the observation data (radio field strength and
  • the problem data may be generated based on climate data). That is, the training data generation unit 112 may include a standardization unit that standardizes observation data.
  • the training data generation unit 112 performs dimension reduction processing on the first measurement data composed of radio wave intensities of about 40 channels (frequencies) in the range of, for example, 16 GHz to 26 GHz, and performs dimension reduction processing on the first measurement data. Based on this, question data may be generated. That is, the training data generation unit 112 may include a dimension reduction unit that performs dimension reduction processing on observation data. Dimensional reduction processing is to perform dimensionality reduction by, for example, principal component analysis (PCA: Principal Component Analysis) on the radio field intensity at each of a plurality of frequencies, and a predetermined number of principal components after the first order are used as a learning model. It may be the first measurement data to be generated (learned).
  • PCA Principal Component Analysis
  • the dimension reduction process may be such that the predetermined number of principal components is, for example, three, and the first principal component, the second principal component and the third principal component are selected.
  • Principal component analysis is not limited to PCA, and may use algorithms such as factor analysis, multiple factor analysis, Autoencoder, independent component analysis, or non-negative matrix factorization.
  • the training data generation unit 112 generates problem data based on the radio wave intensity and climate data (temperature, humidity, atmospheric pressure, and rainfall) measured by the microwave radiometer 1, but the present invention is not limited to this. .
  • the training data generator 112 may generate problem data based only on the radio wave intensity measured by the microwave radiometer 1 .
  • the training data generation unit 112 may generate problem data based on temperature, humidity and atmospheric pressure in addition to the radio wave intensity. That is, the training data generator 112 may generate problem data based on some data included in the climate data in addition to the radio field intensity.
  • the training data generation unit 112 calculates the amount of precipitable water using a known method based on the acquired GNSS signals, GNSS satellite orbit information, and climate data.
  • the training data generator 112 calculates the zenith atmospheric delay amount based on the GNSS signal received by the GNSS receiver 17 and the orbit information of the GNSS satellites acquired from the external server G (satellite orbit data server).
  • the training data generation unit 112 calculates the zenith hydrostatic pressure delay amount from the atmospheric pressure (at the observation value point) included in the climate data.
  • the training data generator 112 calculates the zenith moisture delay amount by subtracting the zenith hydrostatic pressure delay amount from the zenith atmospheric delay amount.
  • the training data generation unit 112 calculates the amount of precipitable water by converting the zenith moisture delay amount using a proportional constant determined based on the atmospheric pressure and temperature included in the climate data.
  • the precipitable water amount corresponds to response data for generating the precipitable water amount model 121 .
  • FIG. 5 is an explanatory diagram (GNSS data table) showing an example of the amount of precipitable water derived based on GNSS signals (GNSS data).
  • the acquisition unit 111 associates the precipitable water amount calculated based on the acquired GNSS signal and GNSS data such as the orbit information of the GNSS satellite with the reception time point of the GNSS signal, and stores it in a table format (GNSS data table), for example.
  • GNSS data table includes, as management items (fields), for example, time, zenith atmospheric delay amount, zenith hydrostatic pressure delay amount, zenith wet delay amount, and precipitable water amount.
  • the time management item (field) stores date and time information indicating the date and time when the GNSS signal was received (reception time).
  • the zenith atmosphere delay amount management item (field) includes the GNSS signal received by the GNSS receiver 17 and the zenith atmosphere delay calculated based on the orbit information of the GNSS satellites obtained from the external server G (satellite orbit data server). quantity is stored.
  • the zenith hydrostatic pressure delay amount management item (field) stores the zenith hydrostatic pressure delay amount calculated based on the climate data including the atmospheric pressure obtained via the atmospheric pressure sensor 143 or the like.
  • the management item (field) of the zenith moisture delay amount stores the zenith moisture delay amount calculated by subtracting the zenith hydrostatic pressure delay amount from the zenith atmospheric delay amount.
  • the management item (field) for the amount of precipitable water stores the amount of precipitable water converted from the zenith humidity delay amount using a proportional constant determined based on the atmospheric pressure and temperature included in the climate data.
  • the GNSS data table includes the time, the zenith atmospheric delay amount, the zenith hydrostatic pressure delay amount, the zenith wet delay amount, and the amount of precipitable water. It may include only the amount of precipitable water.
  • the training data generation unit 112 uses the problem data generated based on the observation data (radio field intensity and climate data) and the answer data consisting of the precipitable water amount calculated based on the GNSS signal etc. (GNSS data) to create the precipitable water amount model 121 Generate training data for the precipitable water amount model 121 for generating (learning).
  • the response data (precipitable water content) labeled with the problem data (radio field intensity and climate data) should be arranged so that the time of observation of microwaves, etc. and the time of reception of GNSS signals are substantially at the same point in time or in the same time zone. Corresponding in time.
  • FIG. 6 is a schematic diagram showing an example of a method of generating the precipitable water model 121 (learning model) by machine learning.
  • the learning unit 113 uses the training data for the precipitable water quantity model 121 to learn the neural network, inputs the observation data (radio field intensity and climate data), and outputs the precipitable water quantity model 121. Generate.
  • a neural network (precipitable water model 121) learned using training data is assumed to be used as a program module that is part of artificial intelligence software.
  • the precipitable water model 121 is used in the microwave radiometer 1 having the control unit 11 (CPU, etc.) and the storage unit 12 as described above.
  • a neural network system is constructed by executing
  • 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.
  • the precipitable water model 121 is a DNN, but is not limited to this. It may be a learning model built with other learning algorithms such as SVM (Support Vector Machine), Bayesian network, linear regression, regression tree, multiple regression, random forest, ensemble, and the like. For example, when multiple regression having multiple types of variables is used, the precipitable water amount model 121 may be represented by a conversion formula based on polynomial regression.
  • the inner product of the vector of the unknown coefficients (S1 to Sn) that have the same number of dimensions (n) as the number of dimensions (n) of the observed data (radio intensity and climate data) subjected to principal component analysis and the observed data subjected to principal component analysis and these coefficients (S1 to Sn) are calculated by fitting using, for example, the method of least squares.
  • 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 first measurement data measured by the microwave radiometer 1 (microwave measurement unit 15) (S1).
  • the control unit 11 of the microwave radiometer 1 acquires the radio wave intensity (first measurement data) in each of about 40 channels (frequencies) in the range of 16 GHz to 26 GHz, for example.
  • the control unit 11 of the microwave radiometer 1 calculates the difference value (sky-bb) obtained by subtracting the radio wave intensity (bb) of the black body from the radio wave intensity (sky) of the upper sky in each of these channels (frequencies) as the first measurement data. It may be
  • the control unit 11 of the microwave radiometer 1 acquires climate data at the point where the microwave radiometer 1 is installed (S2).
  • the control unit 11 of the microwave radiometer 1 acquires measured values (climate data) such as temperature output from the temperature sensor 141 , the humidity sensor 142 , the atmospheric pressure sensor 143 and the rain sensor 144 .
  • Acquisition of climate data is not limited to acquisition from sensors such as the temperature sensor 141 provided in the microwave radiometer 1, and the control unit 11 of the microwave radiometer 1 is connected to the Internet or the like via the communication unit 13, for example.
  • the climate data of the point where the microwave radiometer 1 is installed may be acquired from the climate data server.
  • the control unit 11 of the microwave radiometer 1 acquires the GNSS signal (S3).
  • the control unit 11 of the microwave radiometer 1 acquires the GNSS signal received by the GNSS receiver 17 provided in the microwave radiometer 1 .
  • the control unit 11 of the microwave radiometer 1 acquires the orbital information of the GNSS satellites (S4).
  • the control unit 11 of the microwave radiometer 1 accesses the external server G (satellite orbit data server) via the communication unit 13 and acquires orbit information (calendar data) of satellites (GNSS satellites) that transmit GNSS signals. .
  • the control unit 11 of the microwave radiometer 1 generates training data for learning a precipitable precipitation model 121 (learning model) that outputs precipitation based on the first measurement data, climate data, GNSS signals, and orbit information. (S5).
  • the control unit 11 of the microwave radiometer 1 generates problem data based on the observation data (radio field intensity and climate data) measured by the microwave radiometer 1, and responds data consisting of the amount of precipitable water calculated based on GNSS signals and the like. and labeling the question data with answer data (precipitable water) to generate training data.
  • the control unit 11 of the microwave radiometer 1 may perform standardization processing or the like or dimensionality reduction processing on observation data (radio field intensity and climate data) at multiple points in time.
  • the control unit 11 of the microwave radiometer 1 generates a precipitable water amount model 121 (learning model) by learning using the training data (S6).
  • the control unit 11 of the microwave radiometer 1 generates the precipitable water model 121 (learning model) by learning parameters of a neural network, for example, using training data for the precipitable water model 121 .
  • the control unit 11 of the microwave radiometer 1 acquires radio wave intensity (first measurement data) and climate data as observation data, but is not limited to this.
  • the control unit 11 of the microwave radiometer 1 generates training data based on only radio wave intensity (first measurement data), or part of climate data such as temperature, humidity, and atmospheric pressure in addition to radio wave intensity (first measurement data). and the precipitable water amount model 121 may be generated.
  • FIG. 8 is a functional block diagram illustrating functional units (re-learning/operation) included in the control unit 11 of the microwave radiometer 1.
  • the control unit 11 of the microwave radiometer 1 By executing the program P stored in the storage unit 12, the control unit 11 of the microwave radiometer 1 performs an acquisition unit 111, an input data generation unit 114, an output unit 115, a precipitable water amount calculation unit 116, and data storage. It functions as a unit 117 and a relearning unit 118 .
  • the acquiring unit 111 acquires the radio wave intensity (first measurement data) in each of about 40 channels (frequencies) in the range of 16 GHz to 26 GHz, for example, from the microwave measuring unit 15 .
  • the acquisition unit 111 includes a temperature sensor 141, a humidity sensor 142, an atmospheric pressure sensor 143, Measured values (climate data) such as temperature output from the rain sensor 144 are acquired.
  • the acquisition unit 111 outputs the acquired radio wave intensity (first measurement data) and climate data to the input data generation unit 114 .
  • the input data generation unit 114 generates input data to be input to the precipitable water model 121 based on the observation data (radio field intensity (first measurement data) and climate 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 input data generation unit 114 may generate input data based on a plurality of observation data measured at a plurality of points in time within a predetermined time period.
  • the input data generation unit 114 may generate input data by performing standardization processing or the like or dimensionality reduction processing on the observation data at the plurality of time points, similarly to the training data generation unit 112 described above.
  • the input data generation unit 114 inputs the generated input data to the precipitable water model 121.
  • the precipitable water amount model 121 estimates the amount of precipitable water based on the inputted input data.
  • the output unit 115 converts the precipitable water amount estimated by the precipitable water amount model 121 into image data in, for example, a graph format, and outputs the image data to the display device 16 .
  • the output unit 115 may use the amount of precipitable water at a plurality of consecutive observation points and convert it into image data in the form of a graph showing changes over time.
  • FIG. 9 is an explanatory diagram (precipitable water amount change graph) showing an example of graphed change information on the amount of precipitable water.
  • the graph of change in the amount of precipitable water is an example of a graph showing temporal changes in the amount of precipitable water at a plurality of continuous observation points.
  • the horizontal axis of the graph of changes in the amount of precipitable water indicates the time point of observation by the microwave radiometer 1 .
  • the vertical axis indicates the amount of precipitable water (PWV) in the sky (atmosphere in the vertical direction) at the observation point by the microwave radiometer 1 .
  • PWV precipitable water
  • the acquisition unit 111 further acquires the GNSS signal from the GNSS receiver 17, and orbit information (calendar data) of the GNSS satellite at the time of transmission of the GNSS signal from an external server G (satellite orbit data server) via the communication unit 13. to get The acquisition unit 111 outputs the acquired GNSS signal, orbit information, and climate data to the precipitable water amount calculation unit 116 .
  • the precipitable water amount calculation unit 116 calculates the precipitable water amount based on the GNSS signal, orbit information, and climate data output from the acquisition unit 111 . Similar to the training data generation unit 112 described above, the precipitable water amount calculation unit 116 calculates the precipitable water amount using a known method based on the acquired GNSS signals, GNSS satellite orbit information, and climate data.
  • the data storage unit 117 stores the observation data (radio field intensity and climate data) output from the input data generation unit 114 in the storage unit 12 in association with the observation time.
  • the data storage unit 117 may store the observation data in, for example, an observation data table.
  • the data storage unit 117 stores the precipitable water amount calculated by the precipitable water amount calculation unit 116 in the storage unit 12 in association with the reception time point of the GNSS signal.
  • the data storage unit 117 also stores interim data such as the zenith atmospheric delay amount, the zenith hydrostatic pressure delay amount, and the zenith moisture delay amount calculated based on the GNSS signal or the like when calculating the precipitable water amount. It may be stored in a GNSS data table.
  • the data storage unit 117 stores the observation data and the amount of precipitable water (stored in the storage unit 12) in parallel with the output (estimation) of the amount of precipitable water by the precipitable water amount model 121 described above.
  • the re-learning unit 118 generates training data for re-learning the precipitable water amount model 121 based on the observation data and the amount of precipitable water stored in the storage unit 12 by the data saving unit 117, and uses the training data.
  • the precipitable water model 121 is re-learned (regenerated).
  • the relearning unit 118 refers to the scheduled relearning date and time (relearning schedule) stored in advance in the storage unit 12, and when the scheduled relearning date and time is reached, the observation data stored in the storage unit 12 and Training data is generated based on the amount of precipitable water, and the precipitable water amount model 121 is re-learned (regenerated).
  • the relearning unit 118 determines the scheduled relearning date and time based on a predetermined cycle (relearning cycle) stored in advance in the storage unit 12, and when the scheduled relearning date and time is reached, the storage unit 12 Training data may be generated based on the observation data and the amount of precipitable water stored in , and the precipitable water amount model 121 may be re-learned (regenerated).
  • the re-learning unit 118 presumes the difference (difference amount) between the precipitable water amount estimated by the currently operated precipitable water amount model 121 and the precipitable water amount calculated (derived) based on the GNSS signal. When it becomes equal to or more than a predetermined value (threshold value or more), training data may be generated and the precipitable water amount model 121 may be re-learned (regenerated).
  • Re-learning by the precipitable water model 121 is not limited to, for example, fine tuning or transfer learning of an already generated learning model using the training data saved (stored) by the data storage unit 117. All the previously used training data is stored in the storage unit 12, and the re-learning unit 118 uses the previously used training data and the training data added in the current re-learning to The parameters of the learning neural network may be learned to regenerate the precipitable water amount model 121 .
  • the re-learning unit 118 replaces (updates) the re-learned (regenerated) precipitable water amount model 121 with the precipitable water amount model 121 (current precipitable water amount model 121) that has been used up to the present time. Application of the learned precipitable water amount model 121 is started. As a result, thereafter, the latest precipitable water amount model 121 re-learned with the latest training data outputs (estimates) the amount of precipitable water.
  • the relearning unit 118 may generate and output relearning history information and store it in the storage unit 12 when the precipitable water model 121 is relearned.
  • the relearning unit 118 may store the relearning history information in the storage unit 12 in a table format (relearning history table).
  • FIG. 10 is an explanatory diagram (relearning history table) exemplifying the relearning history (update history) of the precipitable water model 121 (learning model).
  • the re-learning history table includes, as management items (fields), for example, the cumulative number of re-learnings, the re-learning date and time (update application date and time), and the observation period of the original data.
  • the management item (field) for the cumulative number of relearnings stores the cumulative number of times each relearning was performed. From the cumulative number of times, it is possible to grasp the number of times of re-learning that has been performed up to the present time. The accumulated number of times corresponds to the version number of the re-learned precipitable water amount model 121 .
  • the date and time when re-learning was performed that is, the date and time when the re-learned precipitable water model 121 was applied is stored.
  • the observation period of the original data In the management item (field) of , an observation period (reception period) of original data such as observation data and GNSS signals used to generate training data added for re-learning is stored.
  • FIG. 11 is a flowchart showing an example of a processing procedure (during 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 at an observation point where the microwave radiometer 1 is installed, and responds to the received operation. Based on this, the following processing is continuously performed.
  • 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 associates the acquired first measurement data (radio field intensity) and climate data with the observation time point of these data, and stores them in the observation data table stored in the storage unit 12. can be anything.
  • the control unit 11 of the microwave radiometer 1 generates input data based on the first measurement data and the climate data (S103).
  • 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 control unit 11 of the microwave radiometer 1 may generate input data based on a plurality of observation data measured at a plurality of points in time within a predetermined time period.
  • the control unit 11 of the microwave radiometer 1 may generate input data by performing standardization processing or the like or dimensionality reduction processing on the observation data at the plurality of time points.
  • 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 (S104).
  • 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 (S105).
  • 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.
  • the control unit 11 of the microwave radiometer 1 After the processing of S105, the control unit 11 of the microwave radiometer 1 performs loop processing to execute the processing from S101 again. By repeating the processing from S101 to S105 in this way, based on the observation results continuously performed by the microwave radiometer 1, the information on the amount of precipitable water that changes in time series is added or updated continuously. can be output.
  • the control unit 11 of the microwave radiometer 1 continuously graphs information about the amount of precipitable water that changes in time series and outputs it to the display device 16, so that the graph displayed on the display device 16 is periodically displayed. It may be updated. That is, the control unit 11 of the microwave radiometer 1 sequentially inputs a plurality of input data generated from a plurality of time-series observation data (first measurement data and climate data) to the precipitable water model 121. Thus, it is possible to acquire (a plurality of time-series) precipitable water amounts at a plurality of points in time.
  • the control unit 11 of the microwave radiometer 1 acquires radio wave intensity (first measurement data) and climate data when generating input data, but 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 to acquire the precipitable water amount.
  • the control unit 11 of the microwave radiometer 1 acquires a GNSS signal (S111).
  • the control unit 11 of the microwave radiometer 1 acquires the orbital information of the GNSS satellites (S112).
  • the control unit 11 of the microwave radiometer 1 acquires the GNSS signal via the GNSS receiver 17, and at the time when the GNSS signal is transmitted from the external server G (satellite orbit data server) via the communication unit 13. orbital information of GNSS satellites.
  • the control unit 11 of the microwave radiometer 1 calculates the amount of precipitable water based on the acquired GNSS signal and the like (S113).
  • the control unit 11 of the microwave radiometer 1 calculates the amount of precipitable water based on the obtained GNSS signal, orbital information, and climate data including atmospheric pressure and the like obtained in S102.
  • the control unit 11 of the microwave radiometer 1 may store the calculated precipitable water content in the GNSS data table stored in the storage unit 12 in association with the reception time of the GNSS signal.
  • the control unit 11 of the microwave radiometer 1 performs loop processing to execute the processing from S111 again.
  • the control unit 11 of the microwave radiometer 1 determines whether or not to relearn the precipitable water amount model 121 (learning model) (S121). For example, when the precipitable water model 121 is re-learned at a predetermined cycle, the control unit 11 of the microwave radiometer 1 determines that a predetermined period corresponding to the cycle has passed with respect to the date and time of the previous re-learning. Whether or not to re-learn may be determined according to whether or not.
  • Information about the predetermined period (predetermined period) is stored in the storage unit 12. For example, if the predetermined period (predetermined period) is one week, the control unit 11 of the microwave radiometer 1 stores the re-learning history By referring to the table, the last (most recent) re-learning date and time is acquired, and whether or not re-learning is necessary is determined based on whether or not one week (predetermined period) has passed since the re-learning date and time. If the predetermined period has passed, the control unit 11 of the microwave radiometer 1 determines that re-learning is necessary, and if the predetermined period has not passed, the control unit 11 of the microwave radiometer 1 determines that re-learning is unnecessary. do.
  • the predetermined period may be stored in the storage unit 12 as information that can be changed by the operator of the microwave radiometer 1 or the like.
  • the control unit 11 of the microwave radiometer 1 receives, for example, an operator's operation using a keyboard or the like connected to the input/output I/F 14 and based on the operation, or based on the change instruction data received via the communication unit 13 , the predetermined cycle (predetermined period) may be changed.
  • control unit 11 of the microwave radiometer predetermines the difference (difference amount) between the precipitable water amount estimated by the precipitable water amount model 121 and the precipitable water amount derived based on the GNSS signal. It may be determined that the precipitable water amount model 121 should be re-learned when it becomes equal to or greater than the predetermined value.
  • the control unit 11 of the microwave radiometer 1 in parallel with the process of outputting (estimating) the precipitable water amount using the precipitable water amount model 121, based on the received GNSS signal and orbit information, the precipitable water amount is continuously calculated and stored, and the comparison between the precipitable water amount by the precipitable water amount model 121 and the precipitable water amount by the GNSS signal or the like is continuously performed.
  • the control unit 11 of the microwave radiometer 1 determines that re-learning is to be performed, and the absolute value of the difference (difference amount) is If it is less than the predetermined value, the control unit 11 of the microwave radiometer 1 may determine not to perform re-learning.
  • the control unit 11 of the microwave radiometer 1 When re-learning is not performed (S121: NO), the control unit 11 of the microwave radiometer 1 performs loop processing to perform the processing of S121 again.
  • the control unit 11 of the microwave radiometer 1 When re-learning (S121: YES), the control unit 11 of the microwave radiometer 1 re-learns the precipitable water model 121 that outputs precipitation based on the first measurement data, climate data, GNSS signals, and orbit information.
  • Generate training data for learning (S122).
  • the control unit 11 of the microwave radiometer 1 refers to, for example, an observation data table and a GNSS data table stored in the storage unit 12, and generates problem data based on the observation data (radio field intensity and climate data) and GNSS signals.
  • the training data for re-learning is generated from the answer data consisting of the amount of precipitable water calculated based on the GNSS data.
  • the control unit 11 of the microwave radiometer 1 regenerates the precipitable water model 121 by re-learning using the training data (S123).
  • the control unit 11 of the microwave radiometer 1 starts applying the re-learned (regenerated) precipitable water amount model 121 (S124).
  • the control unit 11 of the microwave radiometer 1 replaces (updates) the re-learned (regenerated) precipitable water amount model 121 with the precipitable water amount model 121 (current precipitable water amount model 121) used up to the present time. By doing so, application of the re-learned precipitable water amount model 121 is started.
  • the latest precipitable water amount model 121 re-learned with the latest training data outputs (estimates) the amount of precipitable water.
  • the control unit 11 of the microwave radiometer 1 outputs re-learning history information (S125).
  • the control unit 11 of the microwave radiometer 1 generates and outputs re-learning history information, and stores the history information in the storage unit 12 by storing it in a re-learning history table.
  • the control unit 11 of the microwave radiometer 1 may retain the pre-re-learning precipitable water model 121 as a backup.
  • the controller 11 of the microwave radiometer 1 periodically re-learns the precipitable water model 121, so that the precipitable water model 121 is updated (upgraded) according to the number of times of re-learning.
  • the control unit 11 of the microwave radiometer 1 assigns a version number or re-learning (updated) date and time to each of these precipitable water models 121, Not only the latest precipitable water model 121 but also the precipitable water model 121 used in the past may be stored.
  • control unit 11 of the microwave radiometer 1 may perform version management of a plurality of precipitable water quantity models 121 generated (updated) by repeated re-learning.
  • control unit 11 of the microwave radiometer 1 relearns the precipitable water model 121 and generates the latest precipitable water model 121, it verifies the adequacy of the latest precipitable water model 121, and the verification result is negative, recovery processing may be performed to restore the precipitable water amount model 121 before re-learning, which is saved as a backup.
  • the control unit 11 of the microwave radiometer 1 performs a series of processes from S101 to S105, a series of processes from S111 to S112, and a series of processes from S121 to S125 using, for example, multi-process or multi-thread. in parallel.
  • observation data at the observation point where the microwave radiometer 1 is installed and Reception of GNSS signals can continue.
  • training data based on the observation point can be generated in real time, and re-learning of the precipitable water amount model 121 using the training data can be continuously implemented (repeated).
  • the local precipitable water quantity at the observation point can be efficiently estimated.
  • the precipitable water model 121 (learning model) generated by the training data is mounted on the microwave radiometer 1, and at the point where the microwave radiometer 1 is installed, the microwave radiation Using training data including the first measurement data (radio field intensity: sky-bb) measured by the total 1 and the amount of precipitable water based on the GNSS signal received by the GNSS receiver 17 included in the microwave radiometer 1 , is re-learned.
  • the training data for the re-learning is the first measurement data measured by the microwave radiometer 1 on which the precipitable water model 121 (learning model) is mounted, and the GNSS reception provided in the microwave radiometer 1 Since the data is based on the GNSS signal received by the microwave radiometer 17, re-learning suitable for the installation environment of the microwave radiometer 1 can be performed.
  • the controller 11 of the microwave radiometer 1 controls the precipitable water model 121 ( Since the relearning of the learning model) is repeated, flexible signal processing is possible, such as being applicable to the latest data. This eliminates the need to calibrate the blackbody using liquid nitrogen, and the microwave radiometer 1 can always be operated with the latest calibration results.
  • the control unit 11 of the microwave radiometer 1 outputs (estimates) the precipitable water amount using the precipitable water amount model 121, in parallel with the output (estimated) precipitable water amount
  • the amount is continuously compared with the amount of precipitable water obtained by the GNSS signal corresponding to the measurement time point of the first measurement data input to the learning model.
  • the control unit 11 of the microwave radiometer 1 detects, for example, the difference (difference amount) between the precipitable water amount estimated by the precipitable water amount model 121 and the precipitable water amount derived based on the GNSS signal.
  • the precipitable water amount model 121 is re-learned when it becomes equal to or greater than a predetermined value. As a result, excessive re-learning and an unnecessary increase in the calculation load of the control unit 11 of the microwave radiometer 1 can be suppressed.
  • the relearning history information is generated and stored in the storage unit 12.
  • the data may be output (transmitted) to a cloud server or the like (observation data aggregation server) connected to the Internet via the communication unit 13 .
  • the re-learning history information includes, for example, the cumulative number of re-learning times, the date and time when re-learning was performed, and the acquisition period (observation period) of the first measurement data and the GNSS signal included in the training data used for re-learning. include.
  • the state of the learning model applied to the microwave radiometer 1 installed at the observation point can be A manager or the like of the wave radiometer 1 can be notified in a timely manner.
  • 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 problem data included in the training data includes climate data at the location where the microwave radiometer 1 is installed, in addition to the first measurement data measured by the microwave radiometer 1.
  • the climate data includes at least one of temperature, humidity (absolute humidity or relative humidity), atmospheric pressure, and amount of rainfall, and may include all of these physical quantities.
  • External server (satellite orbit 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 116 precipitable water amount calculation unit 117 data storage unit 118 re-learning unit 12 storage unit 120 recording medium 121 precipitable water quantity model (learning model) P program (program product) 13 communication unit 14 input/output I/F 141 temperature sensor 142 humidity sensor 143 atmospheric pressure sensor 144 rain sensor 15 microwave measurement unit 16 display device 17 GNSS receiver

Abstract

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大気から放射されるマイクロ波を計測したデータであるマイクロ波計測データ、及び前記マイクロ波放射計に設けられたＧＮＳＳ受信機が受信したＧＮＳＳ信号に基づいて得られた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、マイクロ波計測データを入力した場合に可降水量を出力する学習モデルを生成し、更に、前記マイクロ波放射計により計測されたマイクロ波計測データ及び前記ＧＮＳＳ受信機が受信したＧＮＳＳ信号により得られた可降水量を含む訓練データの取得を継続し、継続して取得した訓練データに基づき、前記学習モデルの再学習を繰り返す。

Description

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
　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、マイクロ波放射計及び推定方法に関する。
　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するため、局所的な可降水量の算出が困難である。
　本発明は、斯かる事情に鑑みてなされたものであり、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大気から放射されるマイクロ波を計測したデータであるマイクロ波計測データ、及び前記マイクロ波放射計に設けられたＧＮＳＳ受信機が受信したＧＮＳＳ信号に基づいて得られた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、マイクロ波計測データを入力した場合に可降水量を出力する学習モデルを生成し、更に、前記マイクロ波放射計により計測されたマイクロ波計測データ及び前記ＧＮＳＳ受信機が受信したＧＮＳＳ信号により得られた可降水量を含む訓練データの取得を継続し、継続して取得した訓練データに基づき、前記学習モデルの再学習を繰り返す。
　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大気から放射されるマイクロ波を計測したデータであるマイクロ波計測データ、及び前記マイクロ波放射計に設けられたＧＮＳＳ受信機が受信したＧＮＳＳ信号に基づいて得られた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、マイクロ波計測データを入力した場合に可降水量を出力する学習モデルを生成し、更に、前記マイクロ波放射計により計測されたマイクロ波計測データ及び前記ＧＮＳＳ受信機が受信したＧＮＳＳ信号により得られた可降水量を含む訓練データの取得を継続し、継続して取得した訓練データに基づき、前記学習モデルの再学習を繰り返す処理をコンピュータに実行させる。
　本態様に係るマイクロ波放射計は、大気から放射されるマイクロ波を計測したデータで
あるマイクロ波計測データを計測するマイクロ波計測部と、ＧＮＳＳ信号を受信するＧＮＳＳ受信機と、マイクロ波計測データを入力した場合に可降水量を出力する学習モデルと、前記学習モデルを再学習させる再学習部とを備え、前記再学習部は、更に、前記マイクロ波計測部により計測されたマイクロ波計測データ及び、前記ＧＮＳＳ受信機が受信したＧＮＳＳ信号により得られた可降水量を含む訓練データの取得を継続し、継続して取得した訓練データに基づき、前記学習モデルの再学習を繰り返す。
　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大気から放射されるマイクロ波を計測したデータであるマイクロ波計測データを取得し、マイクロ波計測データを入力した場合に可降水量を出力する学習モデルに、取得した前記マイクロ波放射計により計測されたマイクロ波計測データを入力し、可降水量を出力し、更に、前記マイクロ波放射計により計測されたマイクロ波計測データ、及び前記マイクロ波放射計に設けられたＧＮＳＳ受信機が受信したＧＮＳＳ信号に基づいて得られた可降水量を含む訓練データの取得を継続し、継続して取得した訓練データに基づき、前記学習モデルの再学習を繰り返す処理をコンピュータに実行させる。
　本発明によれば、可降水量を効率的に推定す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（観測データテーブル）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。 ＧＮＳＳ信号等（ＧＮＳＳデータ）に基づき導出した可降水量の一例を示す説明図（ＧＮＳＳデータテーブル）である。 可降水量モデル（学習モデル）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の処理手順（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（再学習時／運用）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。 可降水量モデル（学習モデル）の再学習履歴（更新履歴）を例示する説明図（再学習履歴テーブル）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、ＧＮＳＳ（global navigation satellite system）信号を送信するＧＮＳＳ衛星の軌道情報（暦データ）が保存される外部サーバＧ（衛星軌道データサーバ）と通信可能に接続されている。
　マイクロ波放射計１は、ＧＮＳＳ衛星から受信したＧＮＳＳ信号、当該ＧＮＳＳ衛星の軌道情報（暦データ）及びＧＮＳＳ信号の受信地点における気候データに基づき、当該受信地点での鉛直方向の上空における可降水量を算出する。マイクロ波放射計１は、受信したＧＮＳＳ信号等に基づき算出した可降水量を回答データとし、当該受信地点において計測したマイクロ波の電波強度等を問題データ（第１計測データ）とする訓練データを生成する。
　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（学習モデル）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を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。更にマイクロ波放射計１は、可降水量モデル１２１を用いて可降水量を推定する処理に並行して、マイクロ波の電波強度等の計測及び、受信したＧＮＳＳ信号等に基づく可降水量の算出を継続し、これにより可降水量モデル１２１を再学習するための再学習用の訓練データを生成する。マイクロ波放射計１は、生成した再学習用の訓練データを用いて、可降水量モデル１２１を再学習（再生成）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、可降水量モデル１２１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、可降水量モデル１２１を学習（生成）及び再学習（再生成）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、可降水量モデル１２１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、可降水量モデル１２１に入力し、可降水量を取得するものであってもよい。
　外部サーバＧ（衛星軌道データサーバ）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る。外部サーバＧには、ＧＮＳＳ信号を送信する衛星の軌道情報（衛星暦データ）が、保存されている。マイクロ波放射計１は、外部サーバＧにアクセスすることにより、ＧＮＳＳ信号を送信する衛星の軌道情報（衛星暦データ）を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、ＧＮＳＳ受信機１７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。
　ＧＮＳＳ受信機１７は、ＧＮＳＳアンテナ及び、スペクトラム拡散されたＧＮＳＳ信号を受信するＧＮＳＳ受信部とを含む。マイクロ波放射計１は、ＧＮＳＳ受信機１７を用いてＧＮＳＳ信号を受信することにより、当該マイクロ波放射計１が設置された地点（観測地点）におけるＧＮＳＳ信号を取得することができる。
　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、ＧＮＳＳ受信機１７、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。詳細は後述するが、ＧＮＳＳ受信機１７にて受信されたＧＮＳＳ信号と、通信部１３を介して取得したＧＮＳＳ衛星の軌道情報（暦データ）とに基づき、可降水量が算出される。ＧＮＳＳ信号等に基づき算出された可降水量は、例えば、時系列のデータとしてテーブル形式（図５参照）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予め記憶してある。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）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（衛星軌道データサーバ）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）、
Ｂｌｕｅｔｏｏｔｈ（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、ＧＮＳＳ受信機１７、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、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）、ＧＮＳＳ信号等を取得し、これら観測地点毎の観測データ及びＧＮＳＳ信号等に基づき、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ＧＮＳＳ信号等を用いた訓練データによって学習された可降水量モデル１２１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、当該可降水量モデル１２１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は、ＧＮＳＳ受信機１７からＧＮＳＳ信号を取得する。このように取得部１１１は、マイクロ波放射計１が設置された地点（観測地点）にて、マイクロ波の電波強度（第１計測データ）、気候データ及びＧＮＳＳ信号を取得し、同じ時間帯にて取得されたこれらデータは、時間的に対応している。取得部１１１は、通信部１３を介して、外部サーバＧ（衛星軌道データサーバ）からＧＮＳＳ信号の送信時点に対応するＧＮＳＳ衛星の軌道情
報（暦データ）を取得する。
　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（上空と比べ高温）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。
　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）、ＧＮＳＳ受信機１７にて受信したＧＮＳＳ信号、及び外部サーバＧから取得したＧＮＳＳ衛星の軌道情報に基づき、可降水量モデル１２１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、ＧＮＳＳ信号、軌道情報及び気候データに基づき生成される回答データ（可降水量）とを含む。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
。
　訓練データ生成部１１２は、ＧＮＳＳ信号の受信期間に対応する所定の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ＧＮＳＳ信号、ＧＮＳＳ衛星の軌道情報及び気候データに基づき、公知の手法を用いて可降水量を算出する。訓練データ生成部１１２は、ＧＮＳＳ受信機１７によって受信されたＧＮＳＳ信号と、外部サーバＧ（衛星軌道データサーバ）から取得したＧＮＳＳ衛星の軌道情報に基づき、天頂大気遅延量を算出する。訓練データ生成部１１２は、気候データに含まれる気圧（観測値点における気圧）から、天頂静水圧遅延量を算出する。訓練データ生成部１１２は、天頂大気遅延量から天頂静水圧遅延量を減算することにより、天頂湿潤遅延量を算出する。訓練データ生成部１１２は、気候データに含まれる気圧及び気温に基づき決定される比例定数によって、天頂湿潤遅延量を換算することにより、可降水量を算出する。当該可降水量は、可降水量モデル１２１を生成するための回答データに相当する。
　図５は、ＧＮＳＳ信号等（ＧＮＳＳデータ）に基づき導出した可降水量の一例を示す説明図（ＧＮＳＳデータテーブル）である。取得部１１１は、取得したＧＮＳＳ信号及びＧＮＳＳ衛星の軌道情報等のＧＮＳＳデータに基づき算出した可降水量と、ＧＮＳＳ信号の受信時点とを関連付けて、例えばテーブル形式（ＧＮＳＳデータテーブル）にて記憶部１２に記憶する。ＧＮＳＳデータテーブルは、管理項目（フィールド）として例えば、時刻、天頂大気遅延量、天頂静水圧遅延量、天頂湿潤遅延量及び可降水量を含む。
　時刻の管理項目（フィールド）には、ＧＮＳＳ信号の受信時点（受信時刻）を示す日付及び時刻を示す日時情報が格納される。天頂大気遅延量の管理項目（フィールド）には、ＧＮＳＳ受信機１７によって受信されたＧＮＳＳ信号と、外部サーバＧ（衛星軌道データサーバ）から取得したＧＮＳＳ衛星の軌道情報に基づき算出された天頂大気遅延量が格納される。天頂静水圧遅延量の管理項目（フィールド）には、気圧センサ１４３等を介して取得された気圧等を含む気候データに基づき算出された天頂静水圧遅延量が格納される。天頂湿潤遅延量及の管理項目（フィールド）には、天頂大気遅延量から天頂静水圧遅延量を減算することにより算出された天頂湿潤遅延量が格納される。可降水量の管理項目（フィールド）には、気候データに含まれる気圧及び気温に基づき決定される比例定数を用いて天頂湿潤遅延量から換算された可降水量が格納される。本実施形態において、ＧＮＳＳデータテーブルは、時刻、天頂大気遅延量、天頂静水圧遅延量、天頂湿潤遅延量及び可降
水量を含むとしたが、これは一例であり、ＧＮＳＳデータテーブルは、時刻及び可降水量のみを含むものであってもよい。
　訓練データ生成部１１２は、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と、ＧＮＳＳ信号等（ＧＮＳＳデータ）に基づき算出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。問題データ（電波強度及び気候データ）にラベル付けされる回答データ（可降水量）は、マイクロ波等の観測時点とＧＮＳＳ信号の受信時点とが実質的に同時点又は同時間帯となるように時間的に対応している。
　図６は、可降水量モデル１２１（学習モデル）の機械学習による生成方法の一例を示す模式図である。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。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、ＧＮＳＳ信号を取得する（Ｓ３）。マイクロ波放射計１の制御部１１は、マイクロ波放射計１に設けられたＧＮＳＳ受信機１７によって受信されたＧＮＳＳ信号を取得する。
　マイクロ波放射計１の制御部１１は、ＧＮＳＳ衛星の軌道情報を取得する（Ｓ４）。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（衛星軌道データサーバ）にアクセスし、ＧＮＳＳ信号を送信する衛星（ＧＮＳＳ衛星）の軌道情報（暦データ）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、ＧＮＳＳ信号及び軌道情報に基づき、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（Ｓ５）。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）に基づき問題データを生成し、ＧＮＳＳ信号等に基づき算出した可降水量から成る回答データを生成し、当該問題データに回答データ（可降水量）をラベル付けすることにより、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（Ｓ６）。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のパラメータ等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を生成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（再学習時／運用）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、出力部１１５、可降水量算出部１１６、データ保存部１１７、及び再学習部１１８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は、取得したこれら電波強度（第１計測データ）及び気候データを、入力データ生成部１１４に出力する。
　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（電波強度（第１計測データ）及び気候データ）に基づき、可降水量モデル１２１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に入力する。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。
　出力部１１５は、可降水量モデル１２１が推定した可降水量を、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。
　取得部１１１は、更にＧＮＳＳ受信機１７からＧＮＳＳ信号を取得し、通信部１３を介して外部サーバＧ（衛星軌道データサーバ）から、当該ＧＮＳＳ信号の送信時点におけるＧＮＳＳ衛星の軌道情報（暦データ）を取得する。取得部１１１は、取得したＧＮＳＳ信号、軌道情報及び気候データを、可降水量算出部１１６に出力する。
　可降水量算出部１１６は、取得部１１１から出力されたＧＮＳＳ信号、軌道情報及び気候データに基づき、可降水量を算出する。前述した訓練データ生成部１１２と同様に、可降水量算出部１１６は、取得したＧＮＳＳ信号、ＧＮＳＳ衛星の軌道情報及び気候データに基づき、公知の手法を用いて可降水量を算出する。
　データ保存部１１７は、入力データ生成部１１４から出力された観測データ（電波強度及び気候データ）を、観測時点と関連付けて、記憶部１２に記憶する。データ保存部１１７は、当該観測データを、例えば、観測データテーブルに格納するものであってもよい。データ保存部１１７は、可降水量算出部１１６によって算出された可降水量を、ＧＮＳＳ信号の受信時点と関連付けて、記憶部１２に記憶する。データ保存部１１７は、可降水量に加え、当該可降水量を算出するにあたりＧＮＳＳ信号等に基づき算出した天頂大気遅延量、天頂静水圧遅延量及び天頂湿潤遅延量等の途中データについても、例えばＧＮＳＳデータテーブルに格納するものであってもよい。データ保存部１１７による観測データ及び可降水量等の保存（記憶部１２に記憶）は、上述した可降水量モデル１２１による可降水量の出力（推定）と並行して行われる。
　再学習部１１８は、データ保存部１１７によって記憶部１２に記憶された観測データ及び可降水量に基づき、可降水量モデル１２１を再学習するための訓練データを生成し、当
該訓練データを用いて可降水量モデル１２１を再学習（再生成）する。
　再学習部１１８は、例えば、記憶部１２に予め記憶されている再学習予定日時（再学習スケジュール）を参照し、当該再学習予定日時に至った際、記憶部１２に記憶された観測データ及び可降水量に基づき訓練データを生成し、可降水量モデル１２１を再学習（再生成）する。又は、再学習部１１８は、例えば、記憶部１２に予め記憶されている所定の周期（再学習周期）に基づき再学習予定日時を決定し、当該再学習予定日時に至った際、記憶部１２に記憶された観測データ及び可降水量に基づき訓練データを生成し、可降水量モデル１２１を再学習（再生成）するものであってもよい。又は、再学習部１１８は、現状運用されている可降水量モデル１２１により推定された可降水量と、ＧＮＳＳ信号に基づき算出（導出）された可降水量との差分（差異量）が、予め定められた所定値以上（閾値以上）となった場合、訓練データを生成し、可降水量モデル１２１を再学習（再生成）するものであってもよい。
　可降水量モデル１２１による再学習は、データ保存部１１７によって保存（記憶）され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ない。記憶部１２には、以前に用いた訓練データの全てが記憶されており、再学習部１１８は、以前に用いた訓練データと、今回の再学習において追加される訓練データとを用いて、未学習のニューラルネットワークのパラメータを学習させて、可降水量モデル１２１を再生成するものであってもよい。
　再学習部１１８は、再学習（再生成）した可降水量モデル１２１を、現時点まで用いていた可降水量モデル１２１（現行の可降水量モデル１２１）に置き換える（更新する）ことにより、当該再学習した可降水量モデル１２１の適用を開始する。これにより、以降は、最新の訓練データによって再学習された最新の可降水量モデル１２１によって、可降水量の出力（推定）が行われる。
　再学習部１１８は、可降水量モデル１２１の再学習を行った際、再学習の履歴情報を生成及び出力し、記憶部１２に記憶するものであってもよい。再学習部１１８は、当該再学習の履歴情報をテーブル形式（再学習履歴テーブル）にて、記憶部１２に記憶するものであってもよい。
　図１０は、可降水量モデル１２１（学習モデル）の再学習履歴（更新履歴）を例示する説明図（再学習履歴テーブル）である。再学習履歴テーブルは、管理項目（フィールド）として例えば、再学習の累積回数、再学習日時（更新適用日時）、及び元データの観測期間を含む。
　再学習の累積回数の管理項目（フィールド）には、それぞれの再学習が行われた際の累積回数が、格納される。当該累積回数により、現時点までに行われた再学習の回数を把握することができる。当該累積回数は、再学習された可降水量モデル１２１のバージョン番号に相当する。
　再学習日時（更新適用日時）の管理項目（フィールド）には、再学習が実施された日時、すなわち再学習された可降水量モデル１２１が適用された日時が、格納される元データの観測期間の管理項目（フィールド）には、再学習用に追加された訓練データを生成するにあたり用いられた観測データ及びＧＮＳＳ信号等の元データの観測期間（受信期間）が、格納される。このように再学習履歴に関する情報を再学習履歴テーブルにて保存管理することにより、再学習される可降水量モデル１２１のトレーサビリティを確保することができる。
　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、当該マイクロ波放射計１が設置された観測地点において、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、継続的に以下の処理を行う。
　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、取得した第１計測データ（電波強度）及び気候データと、これらデータの観測時点とを関連付けて、記憶部１２に記憶されている観測データテーブルに格納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、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（Ｓ１０４）。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、マイクロ波放射計１の制御部１１は、可降水量を出力する（Ｓ１０５）。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、Ｓ１０５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Ｓ１０５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可降水量モデル１２１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に当該入力データを入力して、可降水量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、ＧＮＳＳ信号を取得する（Ｓ１１１）。マイクロ
波放射計１の制御部１１は、ＧＮＳＳ衛星の軌道情報を取得する（Ｓ１１２）。マイクロ波放射計１の制御部１１は、ＧＮＳＳ受信機１７を介してＧＮＳＳ信号を取得すると共に、通信部１３を介して外部サーバＧ（衛星軌道データサーバ）から、当該ＧＮＳＳ信号が送信された時点のＧＮＳＳ衛星の軌道情報を取得する。
　マイクロ波放射計１の制御部１１は、取得したＧＮＳＳ信号等に基づき可降水量を算出する（Ｓ１１３）。マイクロ波放射計１の制御部１１は、取得したＧＮＳＳ信号、軌道情報及び、Ｓ１０２にて取得した気圧等を含む気候データに基づき、可降水量を算出する。マイクロ波放射計１の制御部１１は、算出した可降水量を、ＧＮＳＳ信号の受信時刻と関連付けて、記憶部１２に記憶されているＧＮＳＳデータテーブルに格納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、Ｓ１１３の処理後、再度Ｓ１１１からの処理を実行すべくループ処理を行う。
　マイクロ波放射計１の制御部１１は、可降水量モデル１２１（学習モデル）の再学習を行うか否か判定する（Ｓ１２１）。マイクロ波放射計１の制御部１１は、例えば、所定の周期にて可降水量モデル１２１の再学習を行う場合、前回行った再学習に日時に対し、当該周期に対応する所定期間が経過したか否かに応じて、再学習を行うか否か判定するものであってもよい。
　所定の周期（所定期間）に関する情報は記憶部１２に記憶されており、例えば、当該所定の周期（所定期間）を１週間とした場合、マイクロ波放射計１の制御部１１は、再学習履歴テーブルを参照し、前回（直近）に行われた再学習日時を取得し、現時点において当該再学習日時から１週間（所定期間）経過したか否かに基づき、再学習の要否を判定する。所定期間を経過した場合、マイクロ波放射計１の制御部１１は再学習が必要と判定し、所定期間を経過していない場合、マイクロ波放射計１の制御部１１は再学習が不要と判定する。当該所定の周期（所定期間）は、マイクロ波放射計１の操作者等により、変更可能な情報として、記憶部１２に記憶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、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操作に基づき、又は通信部１３を介して受信した変更指示データに基づき、所定の周期（所定期間）を変更するものであってもよい。
　又は、マイクロ波放射計１の制御部１１は、例えば、可降水量モデル１２１により推定された可降水量と、ＧＮＳＳ信号に基づき導出された可降水量との差分（差異量）が、予め定められた所定値以上となった場合、可降水量モデル１２１の再学習を行うと判定するものであってもよい。上述のとおり、マイクロ波放射計１の制御部１１は、可降水量モデル１２１を用いた可降水量を出力（推定）する処理と並行して、受信したＧＮＳＳ信号及び軌道情報に基づき可降水量を継続的に算出及び記憶しており、可降水量モデル１２１による可降水量と、ＧＮＳＳ信号等による可降水量との比較を継続して行う。当該比較結果となる差分（差異量）の絶対値が所定値以上となった場合、マイクロ波放射計１の制御部１１は、再学習を行うと判定し、差分（差異量）の絶対値が所定値未満である場合、マイクロ波放射計１の制御部１１は、再学習を行わないと判定するものであってもよい。
　再学習を行わない場合（Ｓ１２１：ＮＯ）、マイクロ波放射計１の制御部１１は、再度Ｓ１２１の処理を実行すべく、ループ処理を行う。再学習を行う場合（Ｓ１２１：ＹＥＳ）、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、ＧＮＳＳ信号及び軌道情報に基づき、降水量を出力する可降水量モデル１２１を再学習するための訓練データを生成する（Ｓ１２２）。マイクロ波放射計１の制御部１１は、例えば記憶部１２に記憶されている観測データテーブル及びＧＮＳＳデータテーブルを参照し、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と、ＧＮＳＳ信号等（ＧＮＳＳデータ）に基づき算出した可降水量からから成る回答データとにより、再学習用の訓練デー
タを生成する。
　マイクロ波放射計１の制御部１１は、訓練データを用いて再学習することにより、可降水量モデル１２１を再生成する（Ｓ１２３）。マイクロ波放射計１の制御部１１は、再学習（再生成）された可降水量モデル１２１の適用を開始する（Ｓ１２４）。マイクロ波放射計１の制御部１１は、再学習（再生成）した可降水量モデル１２１を、現時点まで用いていた可降水量モデル１２１（現行の可降水量モデル１２１）に置き換える（更新する）ことにより、当該再学習した可降水量モデル１２１の適用を開始する。これにより、以降は、最新の訓練データによって再学習された最新の可降水量モデル１２１によって、可降水量の出力（推定）が行われる。
　マイクロ波放射計１の制御部１１は、再学習の履歴情報を出力する（Ｓ１２５）。マイクロ波放射計１の制御部１１は、再学習の履歴情報を生成及び出力し、再学習履歴テーブルに格納することにより、当該履歴情報を記憶部１２に記憶する。
　マイクロ波放射計１の制御部１１は、可降水量モデル１２１を再学習させた場合、再学習前の可降水量モデル１２１をバックアップとして保持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、周期的に可降水量モデル１２１を再学習することにより、可降水量モデル１２１は再学習の回数に応じて更新（バージョンアップ）されるものとなる。マイクロ波放射計１の制御部１１は、可降水量モデル１２１が再学習（更新）されるにあたり、例えば、これら可降水量モデル１２１それぞれにバージョン番号又は再学習（更新）日時等を付与し、最新の可降水量モデル１２１のみならず、過去に用いられた可降水量モデル１２１も保存するものであってもよい。このように、マイクロ波放射計１の制御部１１は、再学習が繰り返されることにより生成（更新）された複数の可降水量モデル１２１のバージョン管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、可降水量モデル１２１を再学習し、最新の可降水量モデル１２１を生成した際、当該最新の可降水量モデル１２１の適正性検証を行い、検証結果が否定的である場合は、バックアップとして保存してある再学習前の可降水量モデル１２１に戻すリカバリー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、Ｓ１０１からＳ１０５までの一連の処理と、Ｓ１１１からＳ１１２までの一連の処理と、Ｓ１２１からＳ１２５までの一連の処理とを、例えばマルチプロセス又はマルチスレッドを用いて並行して行う。これら各一連の処理を並行して行うことにより、可降水量モデル１２１による可降水量の出力（推定）する処理と並行して、マイクロ波放射計１が設置されている観測地点における観測データ及びＧＮＳＳ信号の受信を継続することができる。これにより当該観測地点に依拠した訓練データをリアルタイムに生成し、当該訓練データを用いた可降水量モデル１２１の再学習を継続的に実施する（繰り返す）ことができる。継続的に再学習される可降水量モデル１２１を用いることにより、観測地点における局所的な可降水量を効率的に推定することができる。
　本実施形態によれば、訓練データによって生成された可降水量モデル１２１（学習モデル）は、マイクロ波放射計１に実装され、当該マイクロ波放射計１が設置された地点において、当該マイクロ波放射計１により計測された第１計測データ（電波強度：sky-bb）と、マイクロ波放射計１に含まれるＧＮＳＳ受信機１７が受信したＧＮＳＳ信号に基づく可降水量とを含む訓練データを用いて、再学習される。当該再学習するための訓練データは、可降水量モデル１２１（学習モデル）が実装されたマイクロ波放射計１により計測された第１計測データ及び、当該マイクロ波放射計１に設けられたＧＮＳＳ受信機１７が受信したＧＮＳＳ信号に基づくデータであるため、マイクロ波放射計１の設置環境に適した再学習を行うことができる。当該再学習は例えば１週間又は１か月程度の所定の周期にて継続的に実施されるように、マイクロ波放射計１の制御部１１は、可降水量モデル１２１（
学習モデル）の再学習を繰り返すため、最新のデータに適用できる等、柔軟な信号処理が可能となる。これにより液体窒素による黒体の校正を不要とし、マイクロ波放射計１を常に最新の校正結果で運用することが可能となる。
　本実施形態によれば、マイクロ波放射計１の制御部１１は、可降水量モデル１２１を用いた可降水量を出力（推定）する処理と並行して、当該出力（推定）された可降水量と、学習モデルに入力された第１計測データの計測時点に対応するＧＮＳＳ信号により得られた可降水量との比較を継続して行う。マイクロ波放射計１の制御部１１は、当該比較結果として、例えば、可降水量モデル１２１により推定された可降水量と、ＧＮＳＳ信号に基づき導出された可降水量との差分（差異量）が、予め定められた所定値以上となった場合、可降水量モデル１２１の再学習を行う。これにより、再学習が過度に行われ、マイクロ波放射計１の制御部１１による計算負荷が不要に増加することを抑制することができる。
　本実施形態によれば、マイクロ波放射計１の制御部１１は、周期的に可降水量モデル１２１の再学習を繰り返すにあたり、当該再学習の履歴情報を生成し、記憶部１２に記憶すると共に、通信部１３を介してインターネットに接続されるクラウドサーバ等（観測データ集約サーバ）に出力（送信）するものであってもよい。再学習の履歴情報は、例えば、再学習の累積回数、再学習が実施された日時及び、再学習に用いられた訓練データに含まれる第１計測データ及びＧＮＳＳ信号の取得期間（観測期間）を含む。当該再学習の履歴情報をクラウドサーバ等（観測データ集約サーバ）に出力（送信）することにより、観測地点に設置されているマイクロ波放射計１に適用されている学習モデルの状態を、当該マイクロ波放射計１の管理者等にタイムリーに報知することができる。
　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、可降水量モデル１２１の推定精度を向上させることができる。
　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（衛星軌道データサーバ）
　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
　１１６　可降水量算出部
　１１７　データ保存部
　１１８　再学習部
　１２　記憶部
　１２０　記録媒体
　１２１　可降水量モデル（学習モデル）
　Ｐ　プログラム（プログラム製品）
　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
　１７　ＧＮＳＳ受信機

Claims (14)

  1. 　マイクロ波放射計により大気から放射されるマイクロ波を計測したデータであるマイクロ波計測データ、及び前記マイクロ波放射計に設けられたＧＮＳＳ受信機が受信したＧＮＳＳ信号に基づいて得られた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、マイクロ波計測データを入力した場合に可降水量を出力する学習モデルを生成し、
    　更に、前記マイクロ波放射計により計測されたマイクロ波計測データ及び前記ＧＮＳＳ受信機が受信したＧＮＳＳ信号により得られた可降水量を含む訓練データの取得を継続し、
    　継続して取得した訓練データに基づき、前記学習モデルの再学習を繰り返す
    　学習モデルの生成方法。
  2. 　前記訓練データに含まれる可降水量は、前記ＧＮＳＳ受信機が受信したＧＮＳＳ信号、該ＧＮＳＳ信号を送信する衛星の軌道情報、及び前記マイクロ波放射計が設置された地点の気候データに基づき導出される
    　請求項１に記載の学習モデルの生成方法。
  3. 　前記学習モデルの再学習は、前記学習モデルを用いた可降水量を出力する処理に並行して再学習を繰り返す
    　請求項1又は請求項２に記載の学習モデルの生成方法。
  4. 　前記継続して取得された訓練データに基づく前記学習モデルの再学習は、所定周期にて行われる
    　請求項１から請求項３のいずれか１項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、マイクロ波計測データ及び気候データを入力した場合に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. 　前記学習モデルが出力した可降水量と、前記ＧＮＳＳ受信機が受信したＧＮＳＳ信号に基づいて得られた可降水量との差分を導出し、
    　導出した前記差分が所定値以上となった場合、前記継続して取得した訓練データに基づき、前記学習モデルの再学習を行う
    　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. 　前記マイクロ波計測データは、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から請求項６のいずれか１項に記載の学習モデルの生成方法。
  8. 　前記マイクロ波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７に記載の学習モデルの生成方法。
  9. 　前記マイクロ波計測データは、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７又は請求項８に記載の学習モデルの生成方法。
  10. 　マイクロ波放射計により大気から放射されるマイクロ波を計測したデータであるマイク
    ロ波計測データ、及び前記マイクロ波放射計に設けられたＧＮＳＳ受信機が受信したＧＮＳＳ信号に基づいて得られた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、マイクロ波計測データを入力した場合に可降水量を出力する学習モデルを生成し、
    　更に、前記マイクロ波放射計により計測されたマイクロ波計測データ及び前記ＧＮＳＳ受信機が受信したＧＮＳＳ信号により得られた可降水量を含む訓練データの取得を継続し、
    　継続して取得した訓練データに基づき、前記学習モデルの再学習を繰り返す
    　処理をコンピュータに実行させるプログラム。
  11. 　前記学習モデルの再学習を行った履歴情報を生成し、
    　生成した前記履歴情報を出力する
    　請求項１０に記載のプログラム。
  12. 　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マイクロ波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１０又は請求項１１に記載のプログラム。
  13. 　大気から放射されるマイクロ波を計測したデータであるマイクロ波計測データを計測するマイクロ波計測部と、
    　ＧＮＳＳ信号を受信するＧＮＳＳ受信機と、
    　マイクロ波計測データを入力した場合に可降水量を出力する学習モデルと、
    　前記学習モデルを再学習させる再学習部とを備え、
    　前記再学習部は、
    　更に、前記マイクロ波計測部により計測されたマイクロ波計測データ及び、前記ＧＮＳＳ受信機が受信したＧＮＳＳ信号により得られた可降水量を含む訓練データの取得を継続し、
    　継続して取得した訓練データに基づき、前記学習モデルの再学習を繰り返す
    　マイクロ波放射計。
  14. 　コンピュータに
    　マイクロ波放射計により大気から放射されるマイクロ波を計測したデータであるマイクロ波計測データを取得し、
    　マイクロ波計測データを入力した場合に可降水量を出力する学習モデルに、取得した前記マイクロ波放射計により計測されたマイクロ波計測データを入力し、可降水量を出力し、
    　更に、前記マイクロ波放射計により計測されたマイクロ波計測データ、及び前記マイクロ波放射計に設けられたＧＮＳＳ受信機が受信したＧＮＳＳ信号に基づいて得られた可降水量を含む訓練データの取得を継続し、
    　継続して取得した訓練データに基づき、前記学習モデルの再学習を繰り返す
    　処理をコンピュータに実行させる推定方法。
PCT/JP2022/009543 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、マイクロ波放射計及び推定方法 WO2022239417A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023520841A JPWO2022239417A1 (ja) 2021-05-11 2022-03-04

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-080523 2021-05-11
JP2021080523 2021-05-11

Publications (1)

Publication Number Publication Date
WO2022239417A1 true WO2022239417A1 (ja) 2022-11-17

Family

ID=84029156

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/009543 WO2022239417A1 (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、マイクロ波放射計及び推定方法

Country Status (2)

Country Link
JP (1) JPWO2022239417A1 (ja)
WO (1) WO2022239417A1 (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
JPWO2022239417A1 (ja) 2022-11-17

Similar Documents

Publication Publication Date Title
US10474770B2 (en) Simulation device, simulation method, and memory medium
CN109902832B (zh) 机器学习模型的训练方法、异常预测方法及相关装置
US6801810B1 (en) Method and device for state estimation
Patra et al. Modeling of an intelligent pressure sensor using functional link artificial neural networks
US8473238B2 (en) Temperature measurement correction using multiple temperature sensors
KR101970098B1 (ko) 정지궤도 인공위성의 자외선 및 가시광선 영역의 관측 자료를 이용한 지표면 반사도 및 방향성 반사도 함수 결정 방법 및 시스템
JP2007511775A (ja) ラジオゾンデによる湿度観測結果の補正
US20180173823A1 (en) Simulation device, simulation method, and recording medium for storing program
Holdaway et al. Inclusion of linearized moist physics in NASA’s Goddard Earth Observing System data assimilation tools
Bhuiyan et al. A nonparametric statistical technique for modeling overland TMI (2A12) rainfall retrieval error
CN113992718A (zh) 一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统
Yeom et al. Improved estimation of surface solar insolation using a neural network and MTSAT-1R data
WO2022239417A1 (ja) 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
Hashmy et al. Modular air quality calibration and forecasting method for low-cost sensor nodes
EP3988964A1 (en) Method and device for time-of-flight estimate
Subramani et al. A new ensemble-based data assimilation algorithm to improve track prediction of tropical cyclones
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
Norris et al. Monte Carlo Bayesian inference on a statistical model of sub‐gridcolumn moisture variability using high‐resolution cloud observations. Part 1: Method
Chen et al. A transferable turbidity estimation method for estimating clear-sky solar irradiance
Ménard Bias estimation
Tao et al. Error variance estimation for individual geophysical parameter retrievals
JP6945029B2 (ja) スパースセンサ測定値を用いる機器の予測保守システム
US11488038B2 (en) Method and device for monitoring
WO2020208987A1 (ja) 位置推定装置、位置推定方法及びプログラム
Postolache et al. Water quality assessment through smart sensing and computational intelligence

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: 22807124

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023520841

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE