研究課題
「大型大気レーダー国際共同観測データと高解像大気大循環モデルの融合による大気階層構造の解明」

研究期間：2016年10月～2022年3月
研究代表者：佐藤 薫（東京大学大学院理学系研究科 教授）

テーマ3. 大気階層構造と南極大気固有現象の物理的解明
J. 機械学習を用いた重力波パラメタリゼーションの開発
（機械学習G、情報学Gとの共同）

研究のねらい

大気重力波の発生源については、大気力学理論を基礎にした研究により、山岳、対流、前線、ジェットなどがわかってきているものの、どの発生源からどのような波長、位相速度、振幅を持った重力波が出てくるのかという問題に対しては、特に発生源が複数存在する場合、記述は難しい。しかし、これを定式化し、重力波パラメタリゼーションに組み込む必要がある。そこで機械学習を用いて統計的ダウンスケーリングによりその記述を試みることにした。

実施方法・実施内容・成果

2018年度後半より、追加項目として行った。同研究領域の「さきがけ」研究者である松岡大祐氏との共同研究として、機械学習を用いて大規模な気象場から小規模な重力波を含む空間詳細な気象場を統計的に導くダウンスケーリング手法の研究開発を行った。
具体的には、水平解像度約60kmのJRA-55再解析データと、それを5km解像度領域気象モデルで力学的にダウンスケールしたDSJRA-55データの両方を深層学習の入力値として用い、下部成層圏における重力波パラメータを得る手法を開発した。学習に用いた入力値は300,700,850hPa面におけるJRA-55の東西風 (u) 、南北風 (v) 、気温 (T) 、比湿 (q) と、5km解像度の地形の合計13要素であり、出力値は100hPa面における5km解像度の重力波にともなう擾乱成分、東西風 (u') 、南北風 (v') 、鉛直風 (w') である。入力値は、地形性重力波の生成に影響する対流圏下層の風と安定度ならびにジェット - 前線システムから生じる非地形性重力波に影響する対流圏上層の風の場を考慮できるように決定した。出力値からは、重力波運動量フラックスの東西成分 (ρu'w') 、南北成分 (ρv'w') を求めることができる。深層学習手法についての詳細は投稿論文Matsuoka et al. (2020) を参照頂きたい。
図16は、ある事例の100hPa面の重力波風速擾乱三成分ならびに運動量フラックスの水平分布について、DSJRA-55データから求めた真値と深層学習による推定値との比較を示す。北海道の日高山脈の上空から南東方向の洋上に伸びる、地形性重力波に伴う風速擾乱三成分の縞状構造ならびに負の運動量フラックス成分のシグナルが精度よく推定されていることが分かる。

成果の位置づけや類似研究との比較

本研究成果を報告した投稿論文Matsuoka et al. (2020) は、米国地球物理学会のニュース誌EosにてResearch Spotlightとして取り上げられるなど、大きな注目を集めた。2021年度末に行われるSPARC Gravity Wave Symposiumでは、情報グループ代表者の渡辺が招待講演を行う予定である。
本研究で開発した手法は低気圧やジェット-前線システムから発生する非地形性重力波にも応用可能であり、低解像度の気象データから重力波パラメータを精度よく推定する枠組みとして様々な研究や予報への応用が期待できる。なお、本研究の類似研究は本稿執筆時点では報告されていないが、複雑で計算機負荷の高い重力波パラメタリゼーションのはたらきを機械学習させることによって、より計算機負荷の低いエミュレータを作成しようとする実用志向の研究が複数報告されており、本研究とは互いに相補的な関係に位置付けられる。