Convolutional Neural Network with Multiple Atmospheric Variables to Emulate Dynamic Downscaling Process of RCM
-
- Shibata Masaharu
- Graduate School of Engineering, Kyoto University
-
- Kim Sunmin
- Graduate School of Engineering, Kyoto University
-
- Ichikawa Yutaka
- Graduate School of Engineering, Kyoto University
-
- Yorozu Kazuaki
- Graduate School of Engineering, Kyoto University
-
- Tanaka Tomohiro
- Graduate School of Engineering, Kyoto University
-
- Tachikawa Yasuto
- Graduate School of Engineering, Kyoto University
Bibliographic Information
- Other Title
-
- 複数大気変数を用いた畳み込みニューラルネットワークによるRCM力学的ダウンスケーリング過程のエミュレーションに関する研究
Abstract
<p>本研究では水文分野の研究で根源的な役割を果たしている大気循環モデル(GCM)のダウンスケーリング手法の一つとして畳み込みニューラルネットワーク(CNN)を用いたダウンスケーリングを提案する.この手法では,領域モデル(RCM)によるGCMの力学的ダウンスケーリングの過程を模倣することを目的として,ニューラルネットワークモデルの入力データと教師データにそれぞれGCM出力(MRI-AGCM3.2から得られるd4pdfデータ)とRCM出力(NHRCMから得られるd4pdfデータ)を用いて学習を行い,その精度を検証した.また,近年様々なCNNモデルが提案されているが,本研究ではRonnebergerら(2015)によって提案されたU-Netを適用した.U-NetはEncoder-Decoder構造を持ち,一度圧縮した情報を復元することで出力が画像データとして得られるという特徴を持っている.実験はモデルへの入力データセット,ハイパーパラメータ,ラベルデータセットをそれぞれ変更した条件でExp.1~Exp.3を行い,それぞれの条件の影響について考察した.その結果,Exp.1では降水量のない入力データセットの方が降水量のあるデータセットよりも優れている可能性が示され,Exp.2では実質的な畳み込み処理回数の増加が予測精度向上につながることが確認された.Exp.3では複数の変数を一度に予測できるだけでなく,ラベルデータセットに含まれる複数の変数が互いに予測を助け合う可能性が示された.応用にはさらなる検討が必要であるが,本研究はCNNを用いた効率的なダウンスケーリング手法の開発に十分に貢献するものだと考えられる.</p>
Journal
-
- Proceeding of Annual Conference
-
Proceeding of Annual Conference 34 (0), 296-, 2021
THE JAPAN SOCIETY OF HYDROLOGY AND WATER RESOURCES
- Tweet
Details 詳細情報について
-
- CRID
- 1390290559463021056
-
- NII Article ID
- 130008137938
-
- Text Lang
- ja
-
- Data Source
-
- JaLC
- CiNii Articles
-
- Abstract License Flag
- Disallowed