局所的な気候モデルアンサンブルシミュレーションのためのダウンスケーリングとバイアス補正方法

Scientific Reports volume 13、記事番号: 9412 (2023) この記事を引用

メトリクスの詳細

気候モデルのアンサンブルシミュレーションは、降水量に対する気候変動の影響を評価するために使用され、局所スケールでのダウンスケーリングが必要です。統計的ダウンスケーリング手法は、観測データとシミュレーションデータから日次および月次の降水量を推定するために使用されてきました。地域レベルでの極端な降水現象や関連災害をより正確に予測するには、短期降水量データのダウンスケーリングが必要です。本研究では、時間降水量の気候モデルシミュレーションのためのダウンスケーリング手法を開発し、その性能を調査しました。私たちの手法は、数値モデルと同じ解像度で表現できる時間変化する降水システムを認識するように設計されました。ダウンスケーリングにより、時間ごとの降水頻度、月平均、および 99 パーセンタイル値の空間分布の推定が改善されました。自然変動が観測値と比較するには大きすぎるにもかかわらず、推定降水量の 50 回のアンサンブル平均を使用して、降水量と頻度の気候変動がほぼすべての地域で示されました。降水量の変化はシミュレーションと一致しました。したがって、私たちのダウンスケーリング手法は、極端な降水現象の気候特性の評価を改善し、以前の手法では評価することが困難であった地形などの局所的要因の影響をより包括的に表現しました。

気候変動下での水関連災害のリスクと淡水水資源の利用可能性を正確に推定するには、地域の降水量の詳細な予測が必要です1。気候モデルには解像度が不足しているため、気候モデルの出力を使用して地域の気象の変化を推定するために、動的および統計的なダウンスケーリング手法が使用されます2。動的ダウンスケーリングでは、地球規模の気候モデルの出力結果を高解像度の数値モデルに適用しますが、これにはかなりの計算能力が必要です。統計手法は、降水量と大気変数の範囲の間で観察された線形回帰に基づいています1、2。統計手法は、動的ダウンスケーリング手法とは異なり、気候モデルシミュレーションに基づいて時間降水量を推定するのではなく、観測データとシミュレーションデータから日次または月次の降水量を推定するためによく使用されます。一般に、時間降水量は中規模の降水システムに関連しており、地形や時間とともに変化する大気場（地形的降雨など）などの局所的要因間の相互作用によって形成されます3,4。しかし、統計的手法は通常、降水システムの詳細な時間的パターンを認識することができず、時間ごとの降水頻度の空間分布を推定するのには適していません5,6。正確な推定がなければ、地域の降水パターンに対する気候変動の影響を正確に評価することは困難です5。

機械学習を使用したダウンスケーリング手法が最近開発されました7、8、9、10、11、12、13、14、15、16、17、18、19。これらの方法は、より複雑な説明変数に対応し、より高い精度で降水量を推定できます。ただし、これらの方法のほとんどでは、時間ごとの降水量を推定することはできません。通常、降水過程の非線形性により、大気場のわずかな違いでも降水量の分布が変化する可能性があるため、時間ごとの降水量を推定することは困難です。したがって、時間ごとの降水量を推定するには、気象パターンの微妙な違いを認識する方法が必要です。これは、予測モデルの出力と観測データを使用した機械学習手法で実現でき、気候モデルに応用できる可能性があります。ただし、予測モデルによって認識されるパターンが気候モデルに適用できるかどうかは、これらのモデル間の解像度やパラメーターの違いにより不明瞭です。したがって、予測モデルと気候モデルの両方に共通し、機械学習ベースのダウンスケーリング手法に適用できる現象を特定する必要があります。

一般に、数値モデルはグリッド間隔の 5 ～ 8 倍で気象現象を再現できます 20,21。たとえば、グリッド間隔が 20 km 以下のモデルでは、100 km2 を超える現象を再現できる可能性があります。天気予報に使用される数値モデルは、温暖前線や寒冷前線などの低気圧に関連する降水システムや、空間的に平均された降水量の時間的変化を再現できます22,23。一方で、データ解像度の低さなどに伴う推定バイアスを避けることはできません 1,5。この偏りは、シミュレーションされた降水システムと観測された降水システムの間の関係のパターンに基づいて軽減される可能性があります6。

本研究では、時変降水システムを認識することでモデルの偏りを低減できる機械学習ベースのダウンスケーリング手法を開発しました。私たちの手法は、同等以上の解像度を持つモデルが同じ特性の降水システムを再現できるという前提に基づいています。したがって、天気予報モデルによって生成される、観測された降水量分布とシミュレーションされた降水量分布の間の関係のパターンは、気候モデルなどの他のモデルに適用できる可能性があります。私たちは、認識されたパターンを将来の気候変動のための政策意思決定データベース (d4PDF) からの気候モデル製品に適用することにより、この方法のパフォーマンスを調査しました 24,25。 d4PDF プロジェクトは、自然変動の影響を軽減する多数のアンサンブル実行に基づいて、気候変動特性への影響を解明するために実施されました。このプロジェクトでは、地球規模の気候モデルを使用した歴史的気候シミュレーションにより、観測と同様に、1950 年から 2011 年までの気温の上昇傾向が確認されました。日本付近の降水特性を詳細に調べるために、解像度20kmの地域モデルを用いたダウンスケーリングを実施しました。しかし、観測に比べて、地形に応じた降水特性を再現することは困難です。

私たちのアプローチは最終的には、地域の降水量に対する気候変動の影響を正確に評価することを目的としていますが、水関連災害や淡水の利用可能性の予測を促進することも期待されています。この研究では、機械学習ダウンスケーリング手法を適用して、最近、激しい降水現象により多くの水関連災害が発生した西南日本（図 1）の局地的な降水量を推定しました26、27、28。そこで、日本周囲60kmからダウンスケーリングした日本周囲20kmのデータを使用し（「方法」および図S1）、ダウンスケーリングモデルの気候モデルへの適用を確認しました。私たちの方法のワークフローを図S2に示します。

局所性とダウンスケーリングバイアス補正を研究します。 (a) 入力データに必要な領域。 (b) 評価領域（破線）と説明変数の領域（太破線の斜線領域：シミュレーションの7×7格子点）。 (c) 0.18° から 0.06° にダウンスケーリングするためのグリッド構造。面積 0.18°四方の格子点（説明変数の中心グリッド）を、面積 0.06°四方（観測された降水分解能に相当）の 9 つの格子点（3 × 3 グリッド）に分割します。縮小した格子点における降水量は共通説明変数により推定した。マップは、python3-matplotlib (バージョン 3.7.1、https://matplotlib.org/) と cartopy (バージョン 0.21.1、https://scitools.org.uk/cartopy) を使用して作成されました。米国地質調査所 (USGS) (http://www.usgs.gov) と気象庁 (JMA) の地形データを使用しました。ナチュラルアースで作られています。無料のベクターおよびラスター地図データ @naturalearthdata.com。 (http://www.naturalearthdata.com/about/terms-of-use/)。

機械学習ベースのダウンスケーリング手法の前提が満たされているかどうかを評価するために、予測モデル 1 (FM1、グリッド間隔 5 km) によって予測された降水量分布パターンを予測モデル 2 (FM2、グリッド間隔 20 km) に適用し、気候を評価しました。モデル (CM、d4PDF) (「方法」)。 FM1、FM2は気象庁が開発した予報モデルで、それぞれ分解能5kmの非静水力モデルと分解能20kmの全球スペクトルモデルを用いた解析値を初期値として含む予測データを提供します。 FM1 の元のデータは、FM2 と CM の解像度に一致するように 0.18° にアップスケールされました。観測された降水量データを 0.06°にスケールアップして、計算効率の目的変数として使用しました (図 1)。まず、機械学習手法を使用して、シミュレートされた時間降水量の空間分布の偏りを修正しました。対象年の降水量は、年を除いた観測降水量を説明変数として、格子点を中心とした7×7格子点領域の観測降水量とFM1データを学習させることで推定した。次に、過小評価に対処し、定量的な補正を行うために、分位点マッピング手法が機械学習の推定値に適用されました。対象年を除く機械学習による推定値と観測値を用いて累積分布関数を作成し、CDF変換法を用いて対象年の降水量を推定した（MLQM-FM1）。アップスケールされた FM1 データを使用して作成された分類器のパフォーマンスを調査するために、FM2 データ (MLQM-FM2) を使用して推定が繰り返されました。最後に、気候モデルからの時間ごとの降水量データをFM1で作成された識別器に適用することによって得られた推定値は、FM1と観測からの機械学習推定値（MLQM-CM）を使用して作成されたCDFに適用されました（方法、図S1およびS2）。

私たちは、時間降水量の時間頻度、月平均、および 99 パーセンタイル値 (降雨強度に相当) の長期空間分布に焦点を当てました。 1 mm h−1 以上の降水事象のみを考慮しました。時間ごとの降水頻度の空間分布を使用して、機械学習ベースのダウンスケーリング手法のパフォーマンス (バイアス補正) を検証しました。時間当たりの降水量の 99 パーセンタイル値は、極端な降水イベントの強度の変化を評価するために使用されました。降水量は、降水イベントの頻度と強度の両方の影響を受けます29。

2008年から2018年7月までの調査地域におけるMLQM-FM1、MLQM-FM2、およびレーダー観測（OBS）を使用して、地域平均時間降水量の時間的変動を決定しました（図S3および「方法」）。 MLQM-FM1 および MLQM-FM2 の時間的変動は、OBS と比較して適切に推定されましたが、推定値はモデル間でわずかに異なりました。 MLQM-FM1 と MLQM-FM2 の時間別降水量頻度、月別降水量、および 99 パーセンタイル値の分布は、観測された分布と同等でした (図 S4)。したがって、ダウンスケーリング手法により推定バイアスが減少しました。図S5は、時間降水量頻度、月降水量、時間降水量の99パーセンタイル値の空間分布と、観測値と機械学習手法（MLQM-FM1およびMLQM-FM2）またはFM1のシミュレーションを使用して推定した値との関係を示しています。そしてFM2。若干過小評価される傾向があったものの、ダウンスケーリング法により推定降水量（MLQM-FM1 および MLQM-FM2）の精度が大幅に向上したことは、降水量積をアップスケーリングすることで他の予測モデルにも適用できることを示唆しています。モデルの解像度と同等です。

図2は、観測値、機械学習手法（MLQM-CM）による推定値、および気候モデル（CM）の時間降水頻度、月降水量、時間降水量の99パーセンタイル値の空間分布を示しています。シミュレーションでは、降水頻度は平地や山岳地帯の低地で高くなる傾向があり（図2d）、山岳地帯の高地では降水頻度が高くなる傾向がありました。一方、機械学習法によって推定された頻度分布は、観測の頻度分布と同等でした（図2c）。月ごとの降水量分布は、時間ごとの降水頻度の空間分布と同様の特性を示しましたが、シミュレーションにおける降水量は、機械学習の推定値と比較して全体的に過小評価されていました（図2f、h）。時間降水量の 99 パーセンタイル値の分布は CM によって大幅に過小評価されましたが (図 2i)、降水量の空間分布は機械学習ベースのダウンスケーリング手法によって適切に推定されました (図 2k)。図 S6 は、OBS と MLQM-CM または CM の間の、時間ごとの降水量の頻度、月ごとの降水量、および時間ごとの降水量の 99 パーセンタイル値の Q-Q プロットを示しています。 MLQM-CM の相関係数と二乗平均平方根誤差 (RMSE) は、CM のものよりそれぞれ大きく、小さくなりました。この結果は、シミュレーションされたモデルの出力が観測値と大きく異なる一方で、私たちの方法によって推定された降水量が観測値とよく一致していることを明確に確認しました。図 3 は、30 年間（1982 年から 2011 年）にわたる 26 の観測点（OBS 局）での観測の Q-Q プロットを示しています。推定降水量は各観測点から最も近い格子点を選択しました。 MLQM-CM の相関係数と RMSE は、CM よりもそれぞれ大きく、小さくなりました。すべてのアンサンブル実験 (30 年間のデータセット) について、OBS と MLQM-CM によって推定された降水量の間の相関係数は > 0.65 であり、降水量の長期分布が適切に推定されたことを示しています。 OBS ステーションと比較して、99 パーセンタイル値は相関係数の減少を示しましたが、月降水量と頻度は高い相関係数を示しました (図 S7)。

降水量の空間分布。 (a) 気象観測所 (OBS ステーション) からの観測。 (b) レーダー観測 (OBS)。 (c) 機械学習ベースのダウンスケーリング手法 (MLQM-CM) によって推定された値。 (d) 20 km グリッド (CM) を使用して d4PDF によってシミュレートされた値。 (e – h) 月間降水量。 (i – l) 時間降水量の 99 パーセンタイル値。 OBS の値を除くすべての値は、1982 年から 2011 年までの期間に関連付けられています。 OBSデータは2007年から2018年までのもので、期間を2.5倍に延長して頻度を調整しました。マップは、python3-matplotlib (バージョン 3.7.1、https://matplotlib.org/) と cartopy (バージョン 0.21.1、https://scitools.org.uk/cartopy) を使用して作成されました。米国地質調査所 (USGS) (http://www.usgs.gov) と気象庁 (JMA) の地形データを使用しました。ナチュラルアースで作られています。無料のベクターおよびラスター地図データ @naturalearthdata.com。 (http://www.naturalearthdata.com/about/terms-of-use/)。

30 年間にわたる気象観測所のデータを使用した推定降水量の検証。 30 年間にわたる 26 観測所での観測頻度と (a) MLQM-CM および (b) CM との関係。 (c、d) 月降水量と関連する関係。 (e、f) 1982 年から 2011 年までの時間降水量の 99 パーセンタイル値の関係。

d4PDFの過去60年間の気候シミュレーションデータを前半30年（1952年～1981年）と後半30年（1982年～2011年）に分け、前半30年と後半30年それぞれの気候値の降水量の変化を推定しました。。 d4PDF シミュレーションに示されているように、最初の 30 年間に比べて後半 30 年間の気温は明らかに上昇する傾向があるため、後半 30 年間の気温上昇が降水量に及ぼす影響を調べました。図 4 は、1952 年から 1981 年および 1982 年から 1982 年から 1982 年までの MLQM-CM および CM での観測と 50 回のアンサンブル実行間の降水量の 99 パーセンタイル、月平均、時間ごとの頻度の空間分布の違いに基づいて、降水量に対する気候変動の影響を示しています。 2011年。気候変動の下で、降水量の頻度と月平均はほぼすべての地域で大幅に増加し、99パーセンタイル値の地域の約30％で増加した。しかし、OBS 観測所の降水パターンに対する気候変動の影響は不明でした。観測値の増加率の変動は、MLQM-CM と CM の 50 アンサンブルの標準偏差にほぼ対応していました。 MLQM-CM の定量的特性は CM の特性とは多少異なりましたが、標準偏差の大きさは同等でした (図 S8)。

気候が変化した場合の降水量への影響。 1952 年から 1981 年および 1982 年から 2011 年の期間の MLQM-CM および CM における観測と 50 回のアンサンブル実行間の、99 パーセンタイル、月平均、降水頻度の空間分布の違い。(a、d、g) 観測された降水量26 サイト (OBS ステーション)、(b、e、h) MLQM-CM、および (c、f、i) CM。円のマーカーは、95 の信頼区間 (ウェルチの t 検定) を持つ 50 のアンサンブル平均値の統計的に有意な差を示します。パーセンテージは、全体から大きく異なるグリッドの割合を示します。マップは、python3-matplotlib (バージョン 3.7.1、https://matplotlib.org/) と cartopy (バージョン 0.21.1、https://scitools.org.uk/cartopy) を使用して作成されました。米国地質調査所 (USGS) (http://www.usgs.gov) と気象庁 (JMA) の地形データを使用しました。ナチュラルアースで作られています。無料のベクターおよびラスター地図データ @naturalearthdata.com。 (http://www.naturalearthdata.com/about/terms-of-use/)。

我々の方法によって推定された降水システムの代表的な空間スケールは、時間降水量の空間的自己相関によって推定されました。図 S9 は、自己相関 > 0.7 を持つグリッド点の総数を示しており、強い相関があることを示しています。 OBS の空間スケールは、FM1 の空間スケール (約 30 km2) とよく一致しました。 FM2 と CM のスケールは約 100 km2 に対応しました。 MLQM-FM1、MLQM-FM2、および MLQM-CM の空間スケールは、FM2 および CM の空間スケールよりわずかに大きかった。

降水システムの特性は、高解像度データ (FM1) と低解像度データ (FM2) の間で多少異なります。降水量推定に対するアップスケーリングされたデータの影響を調査するために、アンサンブル番号 1 で 1982 年から 2011 年までの FM2 データ（CM とほぼ同じ解像度）を使用して解析を繰り返しました（図 S10、表 S1、および「方法」）。。図 S11 は、MLQM-CM-FM1-ENS1 および MLQM-CM-FM2-ENS1 の降水量の頻度、月平均、99 パーセンタイル値を示しています。 MLQM-CM-FM2-ENS1 の 1 時間ごとの頻度、月平均、99 パーセンタイル値の空間分布は、MLQM-CM-FM1-ENS1 の分布と高い相関係数でよく一致していました (図 S12)。観察された。

降水頻度と月平均の空間分布と比較すると、99 パーセンタイル値の分布は多少異なります。降水頻度と月平均は低いものの、99 パーセンタイルが高い場所が多く観察されました。一般に、山の風下側では降水が抑制される下降流が生じやすく、逆に山の風上側では降水が促進されます。風下の山側の麓では風向きが変化し、降水量の抑制がより顕著であることを考慮すると、山間部では降水頻度が少ないのは合理的です。一方、大雨は降雨の頻度に関係なく、その地域の地形の特徴によって決まると考えられます。 MLQM-CM と OBS の間の 99 パーセンタイル値の強い相関は、この方法が降水量の空間分布パターンに基づいて各場所での降水量の抑制または増加を推定していることを示唆しています。ただし、MLQM-CM と OBS ステーション間の 99 パーセンタイル値の相関は比較的小さかった。地域的特徴が顕著であったため、5km の分解能が不十分であったこと、また豪雨の発生回数が少なかったことなどがこの誤差の原因と考えられます。しかし、OBSとOBSステーションの間には特に大きな差異はなく（図S6eと3e）、これは、地形との関連を明確に分析するにはサイトの数が少なすぎることを示している可能性があります（測候所はほとんどが山のふもとにありました）山、バイアスが生じます)。

降水量の空間分布は、時間ごとの頻度、月平均、および 99 パーセンタイル値の観測値と比較できました。これは、ダウンスケーリング手法が、気候モデルによって再現された降水システムに対応する局地的な降水量の時間的変動 (強度) を推定したことを示しています。分位点マッピング手法は、2008 年から 2018 年までの期間の機械学習推定 (予測モデルを使用) と観測によって生成された累積分布関数の適用に基づいています。そのため、降水量の時間的変化 (強度) が適切に推定されない場合、機械学習手法による長期降水特性には大きな誤差が生じます。この方法は、降水量の基本要素 (時間降水量の空間分布) を考慮することにより、降水量のパターンを認識するように設計されています。したがって、結果は、気候モデルが降水システムの頻度と大きさの気候特性を効果的に再現していることも示しました。

モデル間の自己相関の空間スケールの違いは、FM2 や CM などの 20 km グリッドモデルが、観測と FM1 で見つかったより小規模な降水システムを再現するのに効果が低いことを示しました。初夏には、対象地域にバックビルディングスコールラインが形成されることが多く、局地的な豪雨を引き起こします30,31。スコールラインは、周囲の大気場と相互作用する個々の積雲対流によって形成されます30、31、32。したがって、個々の積雲対流を正しく予測することで、スコールラインを正確に再現できるようになります。対照的に、我々の手法（MLQM-FM1、MLQM-FM2、およびMLQM-CM）で使用される空間スケールを代表する3000〜20,000 km2の範囲の大規模な降水システムは、大規模な降水システムの影響下で形成されます。 - モンスーン、熱帯低気圧、温帯低気圧、または準停滞前線などの規模の大気フィールド。降水系の空間スケールは、初夏に形成されることが多い大規模な擾乱に関連したメソβおよびメソαスケールの擾乱に相当します33,34。言い換えれば、私たちの方法は、スコールラインのような強い自己生成プロセスを伴うものよりも、大規模な擾乱に関連するより大きな降水システムのパターンをより明確に認識します。 ML-FM1 の代表的な自己相関スケールは、FM1 が小規模の降水システムの特性を効果的に再現する一方で、システムの固有の非線形性により、降水システムの位置、タイミング、強度が観測値と必ずしも一致しないことを示唆しています。分位マッピング法では、推定降水量の時間変化に応じて局所的な時間降水量を定量的に補正する。スコールラインがより大きな降水システムによって形成されることを考慮すると、推定された降水特性は妥当であると考えられます。

気候モデルは降水頻度の空間分布を再現できません。一般に、山の風上側と風下側では降水量の特徴が異なります（地形降水量）。分位点マッピング法のみでは、時間ごとの降水頻度は気候モデルのシミュレーションと一致しますが、降水量と頻度に大きな誤差が生じる可能性があります6。

MLQM-CM は、時間ごとの降水頻度、月平均、および 99 パーセンタイル値の空間分布の長期特性を効果的に推定しました (図 2 および S6)。また、観測された降水量に対して極端な過小評価や過大評価は見られず、推定降水量は観測値と同等でした。これは、CM によって 20 km の解像度で再現された降水システムの頻度と強さが、7 月の局地的な降水の主な要因であったことを示唆しています。つまり、本手法は、140 km2 の降水システムのパターンを認識し、局地的な降水量の時間変動を高精度に推定することができます。これは、気候モデルが降水システムを効果的に再現していることも示しています。この方法では、気候モデルに関連する温帯低気圧の嵐の軌跡など、大規模な大気循環場のバイアスは補正されません。したがって、この方法の適用可能性は、大気循環場と局所的な降水量に強く関連する大規模な擾乱を再現する気候モデルの能力に大きく依存します。

気候変動の影響の空間分布は大きく異なりましたが、推定降水量 (MLQM-CM) の気候変動特性はシミュレーション (CM) と一致していました。一方で、自然変動は過去60年間の観測と比較するには大きすぎました（図S8）。推定とシミュレーションの 50 のアンサンブル平均では、ほぼすべての場所で頻度と月平均の大幅な増加が示されましたが、99 パーセンタイル値は全エリアの約 30% でのみ増加しました (図 4)。地球規模の気候モデルにおける極端な降水量の増加は、クラウジウス・クラペイロン (CC) 関係式 (温暖化 1 度あたり 7% 増加) によって説明されます 35,36。しかし、最近の研究では、極端な降水量の増加には、スーパー・クルーシウス・クラペイロン・スケーリング（CC関係より上）とサブ・クルーシウス・クラペイロン・スケーリング（CC関係より下）が存在することも示されている37,38,39。サブクラウジウス - クラペイロンのスケーリングに関しては、山岳地帯における水蒸気の凝縮メカニズムに関連している可能性があります 37。ただし、山岳地帯における複雑な熱力学的影響を考慮するには、詳細な調査が必要です。

QM 法では、降水頻度はシミュレーション値に大きく依存します。シミュレーションで降水がなかった場合、観測で降水があったとしてもQMでは降水補正は行われません。したがって、モデルと現実の地形の違いにより降水量の空間分布特性が大きく異なる場合には、補正が適切でない可能性がある6,40。私たちの手法は、機械学習により降水量の空間分布を補正した上で、QM 手法を適用します。したがって、前述の QM 手法の問題を解決することなく、降水特性を推定することができます。

これまで観測されたことのない時間降水量の推定には、原則として機械学習手法を適用することはできません。また、稀な現象ほどサンプルサイズが小さくなり推定誤差が大きくなるため、正確な評価が困難となる場合があります。今回は99パーセンタイル値で評価しましたが、条件により適用限界は大きく異なります。評価を行う際には、実測データやシミュレーションデータと比較し、適用限界を検討する必要があります。

地形的降水の気候特性は、大気擾乱の頻度と強度に強く依存しており、大気擾乱は大規模な大気循環パターンによって支配されます41。この研究の結果は、私たちの方法が局所的な時間降水量の長期特性を効果的に推定するために使用できることを示しています。さらに、このダウンスケーリング手法により、複数の降水システムが関与する前例のないさまざまな極端現象パターンを再現できる気候モデルのアンサンブルシミュレーション（d4PDF）を活用することで、洪水などの水関連災害の予測が可能になると期待しています。または、大規模な降水帯または熱帯低気圧の長期停滞42、43。

この方法は、動的ダウンスケーリングと同様、気候モデルによって再現される大気フィールドの影響を強く受けます。したがって、積雲対流スキームなどの気候モデル間の物理プロセスの違いによって推定が影響を受けることが予想されます。したがって、この手法を適用する場合には、総観スケールの大気場の偏りが小さい気候モデルを選択する必要がある。

この研究では、20kmの解像度で数値モデルで表現された時変降水システムを識別することにより、気候モデルシミュレーションにリンクされた地域の時間降水量を推定する機械学習ベースのダウンスケーリング手法を開発しました。降水量の 1 時間ごとの頻度、月平均、強度 (99 パーセンタイル値) の空間分布は、気候モデルの出力を使用した方法によって適切に推定されました。また、推定値の気候特性が地域全体のシミュレーション結果と一致していることもわかりました。全体として、(1) 気候モデルは観測された降水システムの気候特性を再現できること、(2) 時間的に変動する降水量のダウンスケーリングとバイアス補正は地形などの局所的な条件を反映できることを発見しました。このことは、局地的な降水の気候特性が、短期的に変化する降水系の形成パターンに強く依存していることを示唆しています。したがって、私たちの方法は気候モデルのダウンスケーリングに適用でき、モデルの制限を考慮しながら、粗い空間的および時間的解像度で気候モデルの出力から局所的な降水量の空間分布を推定できます。今後は、本手法を気候モデルを用いた将来予測や気候再現に応用し、局地的な気候変動の影響やそのメカニズムの解明を目指します。

前述のように構築されたサポートベクターマシン回帰モデル (SVM-SVR)44 を使用しました6。 SVM は、データセットのサブセットを使用してサポートベクターから予測を取得する教師あり学習方法です。 SVM は、サポートベクトル間の距離を最大化することによって決定される最大マージン超平面を見つけることにより、最適な結果を得ようとします。ニューラルネットワークやランダムフォレストなどの他の ML 手法と比較して、SVM には多くの利点があります45、46、47、48。たとえば、SVR はサンプルサイズが小さい場合でも良好なパフォーマンスを示すことが示されています45。 SVM は、特に気象学、水文学、災害管理、水資源管理などのさまざまな分野で採用されており、まれな降水現象を認識するのに役立つことが証明されています 7,49,50。 scikit-learn 0.24.2 システムの scikit-learn システムのサポートベクターマシンライブラリ (Epsilon-Support Vector Regression) 51。 SVR メソッドでは、ハイパーパラメータガンマ、C、およびイプシロンを設定します。ガンマはガウス動径基底関数 (RBF) カーネルの幅を指定します。一方、C はペナルティ制約誤差、イプシロンは不感帯の幅です52。これらのハイパーパラメータの決定は、降水量推定の一般性を向上させるために非常に重要です。ハイパーパラメータは、ダウンスケーリング方法の各ポイントで構成できます。ただし、最適なパラメータを決定するには、かなりの計算リソースが必要です46,53。最適なハイパーパラメータをより効率的に取得するために、次の手順に従って、指定したハイパーパラメータ値をドメイン内のすべてのグリッドセルに適用しました。まず、ドメイン内のいくつかのグリッド点でランダム検索54によって最適なハイパーパラメータ値を推定しました。ガンマ、C、およびイプシロンの最適値は、それぞれ約 5 × 10–6、10、および 0.001 であることがわかりました。グリッド点間で大きく変化しないため、同じパラメータがすべてのグリッドセルに適用できると仮定しました。次に、49 個のグリッドセルの相関係数に基づいて降水量を推定する際のダウンスケーリング法のパフォーマンスを調査しました。係数は 10 グリッドごとに平均されました。まず、C (10) とイプシロン (0.001) の一時的な値を使用して、最適なガンマ値を推定しました。次に、最適なガンマ値と一時的なイプシロン値を使用して、最適な C 値が取得されました。第三に、最適なガンマ値と C 値の両方を使用して、最適なイプシロン値が取得されました。最後に、最適な C 値とイプシロン値の両方を使用して、最適なガンマが取得されました。パラメーターが最初の推定値に一致する場合、または相関係数が明らかに改善されない場合、パラメーターは最適であると見なされます。ガンマ、C、イプシロンの最適値はそれぞれ約 5 × 10–6、10、0.001 でした。したがって、最適なハイパーパラメータ値を使用してすべてのグリッドセルを構成しました。

0.06°にアップスケールされた観測降水量と、0.18°にアップスケールされた気象庁 (JMA) メソスケール数値モデル (MSM-GPV) からの降水量出力が入力データとして使用されました。この研究では、異なる空間解像度を持つ MSM-GPV22、GSM-GPV55、および d4PDF_RCM24、25 の数値モデルを使用して入力データを分析しました。説明変数の分解能は 0.18° に維持されました。 MSM-GPV と GSM-GPV は、それぞれ FM1 と FM2 として機械学習モデルのトレーニングデータと検証データとして使用されました。 d4PDF_RCM は、気候モデルシミュレーションのバイアス補正とダウンスケーリングに使用されました。観測データの空間分解能は約 1 km でしたが、計算効率を高めるために 0.06° に拡大されました。 2007年から2018年までの7月の時間降水量を使用し、試験年を除くすべての年を使用して訓練を実施しました（図S1）。たとえば、2007 年の降水量を推定するには、2008 年から 2018 年のデータをトレーニングに使用しました。訓練には、観測された降水量との対応を考慮して、解析時刻から3時間ごとの最初の1時間（協定世界時0、3、6、9、12、15、18、21時）までの累積降水量を使用しました。推論のために、7 月のシミュレートされた時間ごとの降水量データを使用しました。最適なグリッドサイズを見つけるために、降水量を推定する際の説明変数のパフォーマンスを評価しました。そこで、7×7格子点の領域（ほぼ140×140km2の面積）の降水量分布を説明変数（特徴ベクトル）として、その領域の中心に位置する格子点を3×3に分割しました。格子点を設定し、対応する観測された降水量を目的変数として割り当てました。機械学習に基づくダウンスケーリング手法を対象領域内のすべての観測格子点に適用しました（図1）。ハイパーパラメータは、ランダム探索により推定された値が対象領域内で変化しないことを確認した上で、対象領域全体で標準化した。さらに、分位点マッピング法を適用することにより、機械学習推定値に対して定量的なバイアス補正が行われました。 20 km グリッドの別の気象庁予測モデル出力 (GSM-GPV) を使用して、私たちの方法で推定された降水パターンを検証しました。

将来の気候変動のための政策意思決定のためのデータベース (d4PDF) は、気候変動の影響を評価するプロジェクトです 24,25。この研究では、地球規模の気候モデル d4PDF_GCM (解像度 60 km) を日本地域で 20 km の解像度で動的にダウンスケールしたバージョンである d4PDF_RCM を使用しました。 d4PDF における過去気候シミュレーションでは、下限条件として海面水温、海氷濃度、海氷厚が規定され、温室効果ガスの全球平均濃度、オゾンやエアロゾルの三次元分布が次のように規定されています。外部からの強制。計算は異なる初期値から開始され、海氷と海面水温に小さな摂動が追加されます。

天気予報モデル（MSM-GPV）22でシミュレーションした既知の降水量分布パターンと観測降水量（Radar-AMeDAS）56をd4PDFの時間降水量に適用し、バイアス補正と降水量のダウンスケーリングを行いました。 1982 年 7 月から 2011 年までの d4PDF_RCM の 50 回のアンサンブル実験からの時間ごとの降水量データを使用しました (図 S1)。天気予報モデルの認識されたパターンと一致するように、シミュレートされた降水量の解像度は 0.18° に調整されました。降水量は、天気予報モデルで使用されているものと同じハイパーパラメータと特徴範囲 (7 × 7 グリッドポイント) を使用して、細かいグリッド (3 × 3) にダウンスケールすることにより、0.06° の解像度で推定されました。 CDF 変換分位点マッピング手法 57 は、2008 年から 2018 年の機械学習ベースのダウンスケーリング手法による観測および推定降水量と、認識されたパターンを使用した d4PDF の推定降水量を使用して適用されました。

機械学習では、精度はサンプルサイズに大きく依存するため、豪雨イベントの推定が複雑になります。アンダーオーバーサンプリングなどの方法を使用して、不均衡なサンプリングを修正できます58。この研究では、調整が複雑であるため、アンダーサンプリングまたはオーバーサンプリング法の代わりに分位点マッピング法 (R の CDFt パッケージ)59 が使用されました。「CDFt」メソッドは、GCM 変数 (気温、降水量、風の強さなど) の CDF を、特定の気象観測所のローカルスケールの長期変数を表す CDF に変換できる変換 T が存在することを前提としています。。 FOh は過去の校正期間における気象観測所の観測データの CDF に相当し、FGh は同期間における気象観測所の GCM 出力を双線形補間した CDF です。 FOf および FGf は、それぞれ FOh および FGh と同等の CDF ですが、将来の (または単に異なる) 期間を対象としています。 FGf が既知であると仮定すると (将来の GCM 出力でモデル化できます)、変換 T は次のように計算できます。

T をモデル化するには、式 (1) の Gh の x を置き換えます。 (1) F(u) を使用します。ここで、u は [0, 1] です。次に、次のものを取得します。

したがって、関係 (4) が有効なままであると仮定すると、CDF は次のように提供されます。

CDFt パッケージでは、Eq. (1) FOh、FGh、FGf から FOf を再構成します。 (2) FOf と FGf から正しい Gf への分位点マッピングを実行します。実際には、FOh、FGh、および FGf は経験的な累積分布関数を使用して推定されます。ただし、CDFt 法は、Oh と Gh の観測値が同様の範囲にある場合にのみ正しく機能すると考えられます。この研究では、Oh と Gh の代わりに、2008 年から 2018 年の降水量の観測値とシミュレーション値を使用しました。次に、Gf の代わりに、1952 年から 2011 年までの d4PDF-org データを適用することにより、d4PDF の補正降水量を推定しました。

私たちのダウンスケーリング法によって推定された降水システムの平均空間スケールは、次の空間自己相関式を使用して推定されました60。

ここで、r はポイント k と l の間の空間的自己相関、n は時間別降水量データポイントの総数、x は時間別降水量データです。 OBS、FM1、MLQM-FM1、FM2、MLQM-FM2の降水量データは2008年から2018年7月までを使用し、CMとMLQM-CMのアンサンブル実験には1982年から2011年までの30年間のデータセットを使用しました。。

モデルのパフォーマンスに対する説明変数としてアップスケーリングされたデータを使用することの影響を評価するために、d4PDF データと同じ解像度の GSM-GPV データを使用して機械学習ベースの降水量推定を実行しました。気候モデルの機械学習ベースのダウンスケーリングに使用された方法とは異なり、降水量の推定はアンサンブル番号 1 の 1982 年から 2011 年のデータセットに対してのみ実行されました。各実験の詳細を表 S1 に示します。気象庁が GSM-GPV データの提供を開始したのは 2008 年からであるため、実験は 2008 年から 2018 年までの 11 年間のデータを使用して実施されました。

「将来の気候変動に向けた政策決定のためのデータベース」（d4PDF）のデータセットは、データ統合分析システム（DIAS）（https://diasjp.net/service/d4pdf-data-download/）から入手できます。 Radar-AMeDAS、MSM-GPV、GSM-GPVのデータセットは、公益財団法人気象業務支援センター（JMBSC）（http://www.jmbsc.or.jp/ja/index-e.html）から入手できます。気象庁の地表データポイント（SDP）のデータセットは、気象庁のWebサイト（https://www.jma.go.jp/jma/indexe.html）から入手できます。現在の研究中に使用および/または分析された他のデータセットは、合理的な要求に応じて責任著者から入手できます。

謝、SP 他。地域の気候変動の予測的理解に向けて。ナット。登る。チャンさん。 5、921–930 (2015)。

記事 ADS Google Scholar

Murphy, J. 統計的および動的ダウンスケーリング技術を使用したヨーロッパの気候変動の予測。内部。Ｊ．Ｃｌｉｍａｔｏｌ． 20、489–501 (2000)。

3.0.CO;2-6" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-0088%28200004%2920%3A5%3C489%3A%3AAID-JOC484%3E3.0.CO%3B2-6" aria-label="Article reference 2" data-doi="10.1002/(SICI)1097-0088(200004)20:53.0.CO;2-6">記事 Google Scholar

Broucke, SV、Wouters, H.、Demuzere, M. & van Lipzig, NP 極端な降水量の将来予測に対する対流を許容する地域気候モデリングの影響: 地形とタイムスケールへの依存性。登る。ディン。 52、5303–5324 (2019)。

記事 Google Scholar

グロース、MRら。中緯度山岳地帯の予測降水量変化における地形の役割。登る。ディン。 53、3675–3690 (2019)。

記事 Google Scholar

Maraun, D. et al. プロセスに基づいた気候変動シミュレーションのバイアス修正に向けて。ナット。登る。チャンさん。 7、764–773 (2017)。

記事 Google Scholar

吉兼哲・吉村和也：気象条件に応じたメソスケール降水系の認識による降水量のバイアス補正手法。プロスウォーター。 1(5)、e0000016。 https://doi.org/10.1371/journal.pwat.0000016 (2022)。

記事 Google Scholar

Sachindra, DA、Ahmed, K.、Rashid, MM、Shahid, S. & Perera, BJC 機械学習技術を使用した降水量の統計的ダウンスケーリング。アトモス。解像度 212、240–258 (2018)。

記事 Google Scholar

Najafi, MR、Moradkhani, H. & Wherry, SA 最適な予測子の選択による機械学習を使用した降水量の統計的ダウンスケーリング。Ｊ．ハイドロール。工学 16、650–664 (2011)。

記事 Google Scholar

Vandal, T.、Kodra, E. & Ganguly, AR 統計的ダウンスケーリングのための機械学習手法の相互比較: 毎日の降水量と極端な降水量のケース。理論。応用クリマトール。 137、557–570 (2019)。

記事 ADS Google Scholar

Chen, H.、Guo, J.、Xiong, W.、Guo, S. & Xu, CY スムーズサポートベクターマシン法を使用して GCM をダウンスケーリングし、漢江盆地における 1 日の降水量を予測します。上級アトモス。科学。 27、274–284 (2010)。

記事 Google Scholar

Nguyen-Le, D.、yamada, TJ、Tran-Anh, D. 気象パターン認識を使用した梅雨期の九州北部豪雨の分類と予測。アトモス。科学。レット。 18、324–329 (2017)。

記事 ADS Google Scholar

アーメド、K.ら。機械学習アルゴリズムを使用した、降水量と気温のマルチモデルアンサンブル予測。アトモス。解像度 236、104806 (2020)。

記事 Google Scholar

Li, H.、Sheffield, J. & Wood, EF 等距離分位数マッチングを使用した、気候変動に関する政府間パネル AR4 モデルからの月間降水量と気温フィールドのバイアス補正。Ｊ．Ｇｅｏｐｈｙｓ．解像度アトモス。 115、D10 (2010)。

Google スカラー

Ortiz-García, EG、Salcedo-Sanz, S. & Casanova-Mateo, C. サポートベクトル分類器を使用した正確な降水量予測: 新しい予測変数と観測データを含む研究。アトモス。解像度 139、128–136 (2014)。

記事 Google Scholar

Raje, D. & Mujumdar, PP パンジャブ地域における日降水量を削減するための 3 つの方法の比較。ハイドロール。プロセス。 25(23)、3575–3589 (2011)。

記事 ADS Google Scholar

Vandal, T.、Kodra, E. & Ganguly, AR 統計的ダウンスケーリングのための機械学習手法の相互比較: 毎日の降水量と極端な降水量のケース。理論。応用クリマトール。 137(1)、557–570 (2019)。

記事 ADS Google Scholar

ウォン、G.ら。極端な値を含む降水量のバイアス補正とダウンスケーリングのための確率モデル出力統計。 J.クライム。 27(18)、6940–6959 (2014)。

記事 ADS Google Scholar

Whan, K. & Schmeits, M. パラメトリックおよび機械学習統計後処理手法を使用した、(極端な) 局地降水量の地域確率予測の比較。月気象 Rev. 146(11)、3651–3673 (2018)。

記事 ADS Google Scholar

Gagne, DJ、McGovern, A. & Xue, M. 嵐規模のアンサンブルの確率的定量的降水量予測の機械学習の強化。天気予報。 29(4)、1024–1043 (2014)。

記事 ADS Google Scholar

Abdalla, S.、Isaksen, L.、Janssen, PAEM、Wedi, N. ECMWF 大気予測モデルの有効スペクトル分解能。 ECMWF ニュースレット。 137、19–22 (2013)。

Google スカラー

Hansen、SBK メソスケール風力マッピングに関するガイダンス。世界銀行。 132951、1–53 (2018)。

Google スカラー

斉藤和也ほか運用可能な気象庁の非静力学的メソスケールモデル。月 Weather Rev. 134、1266–1298 (2006)。

記事 ADS Google Scholar

Michalakes、J. et al. 次世代地域気象調査・予測モデルの開発。『テラコンピューティングの開発』、269–276 (2001)。

水田良ほか 60 km の地球規模と 20 km の地域的な大気モデルによる、5,000 年を超える将来の気候シミュレーションのアンサンブル。ブル。午前。流星。社会 98、1383–1398 (2017)。

記事 ADS Google Scholar

藤田正史ほか 60 km の全球および 20 km の地域大気モデルを使用した大規模アンサンブルシミュレーションから得られた、2-K の地表温暖化に伴う気候における降水量の変化。地球物理学。解像度レット。 46(1)、435–442 (2019)。

記事 ADS Google Scholar

Nayak, S. & Takemi, T. 2017 年と 2018 年 7 月に西日本で発生した極端な降水現象の大気駆動メカニズム。ディン。アトモス。オーシャンズ 93、101186 (2021)。

記事 Google Scholar

渋谷理、高藪裕、鎌堀博。アメダスと JRA-55 データを使用した広範囲にわたる極端な降水現象とそれに関連する大規模環境のダイナミクス。 J.クライム。 34(22)、8955–8970 (2021)。

ADS Google Scholar

宮島 J. & 藤部 F. さまざまな時間スケールにおける日本の極度の降水量の気候学。 SOLA 7、157–160 (2011)。

記事 ADS Google Scholar

Karl, TR & Knight, RW 米国における降水量、頻度、強度の長期的傾向。ブル。午前。流星。社会 79、231–242 (1998)。

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0477%281998%29079%3C0231%3ASTOPAF%3E2.0.CO%3B2" aria-label="Article reference 29" data-doi="10.1175/1520-0477(1998)0792.0.CO;2">記事 ADS Google Scholar

加藤哲也、1999 年 6 月 29 日に日本の九州北部で観測された豪雨を誘発する帯状降水システムの構造。J. Meteorol. 社会日本誌 84, 129–153 (2006)。

記事 ADS Google Scholar

ブルースタイン、HB、マルクス、GT、ジェイン、MH 中規模の降水線の形成: 春の間にオクラホマ州で激しくないスコール線。月 Weather Rev. 115(11)、2719–2727 (1987)。

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281987%29115%3C2719%3AFOMLOP%3E2.0.CO%3B2" aria-label="Article reference 31" data-doi="10.1175/1520-0493(1987)1152.0.CO;2">記事 ADS Google Scholar

ブラウニング、KA et al. 進化するひょう嵐の構造パート V: ひょうの成長と抑制に対する総合と影響。月 Weather Rev. 104(5)、603–610 (1976)。

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281976%29104%3C0603%3ASOAEHP%3E2.0.CO%3B2" aria-label="Article reference 32" data-doi="10.1175/1520-0493(1976)1042.0.CO;2">記事 ADS Google Scholar

二宮和也、1991 年 7 月 1 ～ 10 日の激しい降雨に伴うメイユ/梅雨前線の大規模およびメソαスケール特性。J. Meteorol。社会 Jpn II 78(2), 141–157 (2000)。

記事 ADS MathSciNet Google Scholar

Davidson, NE、Kurihara, K.、Kato, T.、Mills, G. & Puri, K. 日本の九州の梅雨前線における中規模の豪雨イベントのダイナミクスと予測。月 Weather Rev. 126(6)、1608–1629 (1998)。

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281998%29126%3C1608%3ADAPOAM%3E2.0.CO%3B2" aria-label="Article reference 34" data-doi="10.1175/1520-0493(1998)1262.0.CO;2">記事 ADS Google Scholar

Pall, P.、Allen, M. & Stone, D. CO2 温暖化下の極端な降水量の変化に関するクラウジウス - クラペイロン制約のテスト。登る。ディン。 28、351–363 (2007)。

記事 Google Scholar

Allen, MR & Ingram, WJ 気候と水文循環の将来の変化に対する制約。 Nature 419、224–232 (2002)。

論文 ADS CAS PubMed Google Scholar

ペイン、A.E. et al. 気候変動に対する大気中の河川の反応と影響。ナット。地球環境牧師。 1(3)、143–157 (2020)。

記事 ADS Google Scholar

Martinkova, M. & Kysely, J. 中緯度で観測された極度の降水量のクラウジウス - クラペイロンスケーリングの概要。アトモスフィア 11(8)、786 (2020)。

記事 ADS Google Scholar

Drobinski, P.、Alonzo, B.、Bastin, S.、Silva, ND & Muller, C. フランスの地中海地域における気温による降水量の極値のスケーリング: フック形状は何を説明しますか? Ｊ．Ｇｅｏｐｈｙｓ．解像度アトモス。 121(7)、3100–3119 (2016)。

記事 ADS Google Scholar

ying, G.、吉兼, T.、吉村, K.、山本, K. & 久保田, T. 日本のリアルタイムの時間降水量予測を改善するためのサポートベクターマシンベースの手法。Ｊ．ハイドロール． 612、128125。https://doi.org/10.1016/j.jhydrol.2022.128125 (2022)。

記事 Google Scholar

Roe、GH 地形的降水量。アンヌ。地球惑星牧師。科学。 33(1)、645–671 (2005)。

記事 ADS CAS Google Scholar

Chang, J.、Tanaka, T.、Tackawa, Y. d4PDF を使用した台湾の過去および将来の極端な降雨現象の頻度分析。日本社会土木工学 B 78(2)、457–462 (2022)。

Google スカラー

石井 M. & 森 N. d4PDF: 地球温暖化リスク評価のための大規模アンサンブルおよび高解像度気候シミュレーション。プログアースプラネットサイ 7(1)、1–22 (2020)。

記事 Google Scholar

Smola, AJ & Schölkopf, B. サポートベクター回帰に関するチュートリアル。統計計算します。 14、199–222 (2004)。

記事 MathSciNet Google Scholar

Al-Anazi、AF & Gates、ID 空隙率と透過性を予測するためのベクトル回帰をサポート: サンプルサイズの影響。計算します。地理学。 39、64–76 (2012)。

記事 ADS Google Scholar

Cherkassky, V. & Ma, Y. SVM パラメーターの実際的な選択と SVM 回帰のノイズ推定。ニューラルネットワーク。 17(1)、113–126。 https://doi.org/10.1016/S0893-6080(03)00169-2 (2004)。

論文 PubMed MATH Google Scholar

Liu, P.、Choo, KKR、Wang, L. & Huang, F. SVM それとも深層学習? リモートセンシング画像分類に関する比較研究。柔らかい。計算します。 21(23)、7053–7065。 https://doi.org/10.1007/s00500-016-2247-2 (2017)。

記事 Google Scholar

Sivapragasam, C.、Liong, SY & Pasha, MFK SSA-SVM アプローチによる降雨と流出の予測。Ｊ．ハイドロインフ． 3(3)、141–152。 https://doi.org/10.2166/hydro.2001.0014 (2001)。

記事 Google Scholar

Chen, H.、Chandrasekar, V.、Cifelli, R. & Xie, P. 衛星および地上レーダーネットワーク観測を使用した降水量推定のための機械学習システム。 IEEEトランス。地理学。 Remote Sens. 58(2)、982–994 (2019)。

記事 ADS Google Scholar

ファン、J.ら。湿潤な亜熱帯気候における気温と降水量を使用して毎日の全球太陽放射を予測するためのサポートベクターマシンと極端な勾配ブースティングの比較: 中国でのケーススタディ。エネルギー変換者。管理。 164、102–111。 https://doi.org/10.1016/j.enconman.2018.02.087 (2018)。

記事 Google Scholar

ペドレゴサ、F.ら。 Scikit-learn: Python での機械学習。 J.マッハ。学ぶ。解像度 12、2825–2830 (2011)。

MathSciNet MATH Google Scholar

Smets, K.、Verdonk, B.、Jordaan EM SVR ハイパーパラメータ選択のパフォーマンス評価。 2007 年、ニューラルネットワークに関する国際共同会議。 IEEE、637–642。 (2007)。 https://doi.org/10.1109/IJCNN.2007.4371031

Anguita, D.、Ghio, A.、Greco, N.、Oneto, L.、Ridella, S. サポートベクターマシンのモデル選択: 機械学習理論の長所と短所。 2010 年ニューラルネットワーク国際合同会議 (IJCNN)、スペイン、バルセロナ、1-8。（2010年）。 https://doi.org/10.1109/IJCNN.2010.5596450

Bergstra, J. & Bengio, Y. ハイパーパラメータ最適化のためのランダム検索。 J.マッハ。学ぶ。解像度 13(2)、281–305 (2012)。

MathSciNet MATH Google Scholar

水田良ほか JMA-GSMモデルを用いた20kmメッシュの全球気候シミュレーションは気候状態を平均化します。Ｊ．Ｍｅｔｅｏｒｏｌ．社会日本 II 84(1)、165–185 (2006)。

記事 ADS Google Scholar

牧原洋子、植清直樹、田端明生、安部由利子、レーダーアメダス降水量の精度。 IEEEトランス。共通。 79、751–762 (1996)。

Google スカラー

Lanzante、JR、Nath、MJ、Whitlock、CE、Dixon、KW、Adams-Smith、D。累積分布関数変換ダウンスケーリング法における裾の挙動の評価と改善。内部。Ｊ．Ｃｌｉｍａｔｏｌ． 39、2449–2460 (2019)。

記事 Google Scholar

Batuwita, R. & Palade, V. サポートベクターマシンのクラス不均衡学習方法。「不均衡な学習: 基礎、アルゴリズム、およびアプリケーション」。 83. (2013)。

Vrac, M.、ミケランジェリ, PA パッケージ「CDFt」。（2015年）。

友杉和也・辻裕子：豪雨の時間・空間分布に関する研究 (2) 時間降雨量の大圏データに基づく相関構造の解析。災害。前へ解像度研究所アンヌ。 25(B2)、141–161 (1982)。

Google スカラー

リファレンスをダウンロードする

本研究は、環境再生保全機構環境研究技術開発費S-20（JPMEERF21S12020）の支援を受けました。宇宙航空研究開発機構地球観測研究センターにおける水環境・資源研究事業（JX-PSPC-533980）環境省が提供する環境再生保全機構環境研究開発費（JPMEERF20222002）。 JSTみらいプログラム「新たな社会課題」ミッションエリア、地表水文予測システムを活用した流域洪水管理の先進的実践（JPMJMI21I6）。文部科学省からの気候モデル推進のための統合的研究プログラム（とうごう）（JPMXD0717935457）。内閣府の戦略的イノベーション創造プログラム（SIP）（https://www8.cao.go.jp/cstp/gaiyo/sip/）。 GSM-GPV および MSM-GPV データは、それぞれ東京大学生産技術研究所 (IIS) の沖/鼎研究室および喜連川研究室のアーカイブから取得されました。レーダー・アメダスデータは気象庁から提供されており、気象業務支援センター（JMBSC）（http://www.jmbsc.or.jp/ja/index-e.html）からオンラインで入手できます。データの元の解像度は水平方向 0.0125°、子午線方向 0.008333°でした。 MSM-GPV データは気象庁からも提供されており、JMBSC (http://www.jmbsc.or.jp/en/index-e.html) からオンラインで入手できます。データの元の解像度は水平方向 0.0625°、子午線方向 0.05°でした。 d4PDF データは、d4PDF の公式サイト (http://www.miroc-gcm.jp/~pub/d4PDF/index_en.html) から取得されており、https: の Data Integration and Analysis System (DIAS) からオンラインで入手できます。 //diasjp.net/ja/.

Institute of Industrial Science, The University of Tokyo, 5-1-5, Kashiwanoha, Kashiwa-Shi, Chiba, 277-8574, Japan

Takao Yoshikane & Kei Yoshimura

PubMed Google Scholar でこの著者を検索することもできます

TY が本文を書き、図はすべて TY が作成しました。著者全員が原稿をレビューしました。

吉兼隆夫氏への対応。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Yoshikane, T.、吉村, K. 局所スケールの時間降水量の気候モデルアンサンブルシミュレーションのためのダウンスケーリングとバイアス補正手法。 Sci Rep 13、9412 (2023)。 https://doi.org/10.1038/s41598-023-36489-3

引用をダウンロード

受信日: 2023 年 2 月 18 日

受理日: 2023 年 6 月 5 日

公開日: 2023 年 6 月 9 日

DOI: https://doi.org/10.1038/s41598-023-36489-3

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。