[A-CG41] 衛星による地球環境観測

[ACG41-P17] 静止気象衛星画像を用いた大気追跡風のためのAIの利用

*品川 優輝¹、石井 昌憲¹、竹中 秀樹¹、岡部 いづみ²、林 修吾²、岡本 幸三² (1.東京都立大学、2.気象庁気象研究所)

キーワード：地球観測衛星、大気追跡風、静止気象衛星ひまわり、畳み込みニューラルネットワーク

近年，気候変動にともなう気象災害が深刻化し，より精度の高い数値天気予報が求められている．数値天気予報に与える初期条件のうち，十分な精度をもたない変数の1つが風である．風は，高度によって風速・風向が異なるので，全球で風の分布情報を得ることが重要である．ラジオゾンデは精度の高い風データを提供するが，観測地点の多くが陸地にあり，海上の観測は非常に限定されるため，全球観測には衛星観測が不可欠である．静止気象衛星は雲や水蒸気画像から大気追跡風（Atmospheric Motion Vector，以下AMV）を推定し，海洋上の風データを提供している．しかし，AMVは特定の層（2，3層）に限られ風を提供する，また，高度推定精度に課題がある．AMVの風観測データを高精度化するために，AI技術を用いる研究開発が活発に行われるようになっている．
本研究は，ディープラーニングを活用したAIモデルを開発し，衛星画像からのAMV推定を改善することで，従来の手法の限界を克服することを目指す研究である．AIモデルを開発し，衛星画像からのAMV推定するために，ワイオミング大学で提供されているラジオゾンデの観測データ（ゾンデデータ）と静止気象衛星ひまわりの観測データ（ひまわりデータ）を統合し，CNN（畳み込みニューラルネットワーク）ベースのAIモデルを構築した．ゾンデデータは緯度，経度，気圧高度，風向・風速であり，ひまわりデータは雲や水蒸気の画像とAMV（ひまわりAMV）である．本研究では，これらのデータを組み合わせ2023年に日本国内16地点で観測された7,357個のデータセットが作成された．提供された画像を，回転や反転することによって，データ数を増強し，データセットを7,357から58,856へデータ数を拡張した．学習データは稚内を除く全15地点，検証データは稚内の5,528サンプルである．入力データは33×33ピクセルの連続した2枚の衛星画像からなり，教師データはゾンデの風データである．評価指標として，風向精度を表すコサイン類似度C，風速精度を表す長さの一致度L，総合スコアS（= C / 2 + L / 2，満点を1）を定義した（詳細については発表日に報告予定）．別々のCNNモデルを用いて，風向と風速の推定が行われた．
風向と風速を推定する初期実験の結果から，AI技術を用いて推定したAMVの風向は，C>0.9を示すデータの割合が高く，推定精度が高いことが示され，ひまわりAMVを上回る結果が得られた．一方，風速推定は，L>0.9となるデータの割合は少なく，十分な優位性が見られなかったため，さらなるCNNモデルの改良を必要とすることがわかった．初期実験結果から，AI技術を用いてAMVのデータ質を向上できる可能性が示された．今後は，風ライダーを搭載した衛星Aeolusの高度データを取り入れたり，異なる高度範囲に合わせたAIモデルを開発したりすることで，初期実験で明らかになった課題を克服して行く予定である．