人工知能を用いて気候実験データから熱帯低気圧のタマゴを高精度に検出する新手法を開発

＜研究の背景＞

台風やハリケーンなどのような熱帯低気圧の発生予測は、衛星観測による雲の発達具合の監視や、観測データを入力した気象モデルによるシミュレーションによって行われています。しかし、一般に大気現象は非線形性が強いため、気象モデルによって遠い将来を予測しようとすればするほど予測結果のばらつきは大きくなります。

他方、近年のＡＩ技術の発展は目覚ましく、ビッグデータ中に潜む特定のパターンを反復的に機械学習し特定の事象を検出するディープラーニングが、さまざまな分野（機械音声認識、車両の障害物センサー、癌の検出、マーケティングの自動化など）でイノベーションを起こしており、不確実性の高い気象分野においても今後の応用が期待されています。

そこでＪＡＭＳＴＥＣの松岡 大祐　技術研究員らは、画像認識の専門家である九州大学 大学院システム情報科学研究院の内田 誠一　主幹教授と研究グループを構成し、ディープラーニングを用いて大量のシミュレーションデータから熱帯低気圧発生の予兆となる状態（タマゴ）を検出するというＤａｔａ－ｄｒｉｖｅｎなアプローチを試み、その検出精度を検討しました。

ディープラーニングを用いて優れた識別精度を得るためには、１種類あたり数千枚を超える膨大な量のデータが必要となります。本研究では、まず、ＮＩＣＡＭによる２０年分の気候実験データに対して熱帯低気圧の追跡アルゴリズムを適用することで、熱帯低気圧のタマゴおよび発達中の熱帯低気圧の雲画像５万枚を生成しました。さらに、熱帯低気圧に発達しなかった低気圧の雲画像１００万枚と合わせて計１０５万枚の画像から学習データのセットを１０組作成し（図１）、深層畳み込みニューラルネットワーク注５）を用いた機械学習によって、特徴の異なる計１０種類の識別器を生成しました。そして、１０種類の識別器による結果を総合的に評価することで最終的な判断を行うアンサンブル識別器を構築しました（図２）。

＜研究の内容＞

構築したアンサンブル識別器を、未学習のデータ１０年分に適用し、熱帯低気圧およびタマゴがどの程度正しく検出できるか検証を行いました。実験結果の評価指標には、対象とするデータ中に存在する熱帯低気圧またはタマゴのうち、どの程度を正しく検出できたかを表す捕捉率と、熱帯低気圧・タマゴと予測した結果のうち、どの程度が間違えていたかを表す空振り率を用いました。その結果、最も良い検出精度が得られた例の１つでは、９個の熱帯低気圧・タマゴのうち８個を正しく検出することに成功しつつ（捕捉率８８．９％）、熱帯低気圧・タマゴだと予測した８２領域のうち、誤検出であったのはわずか８領域（空振り率９．８％）でした（図３）。ここで、捕捉率は対象とするデータ中に存在する熱帯低気圧およびタマゴのうち、どの程度を正しく検出できたかを表し、空振り率は熱帯低気圧またはタマゴであると予測した結果のうち、どの程度が間違えていたかを表します。

また、海域ごとに検出性能を評価したところ、平均的には北西太平洋が最も検出性能が高く、北インド洋が最も低いという結果が得られましたが、海域ごとの検出性能は各海域における熱帯低気圧の寿命の長さや学習データの数に強く依存することが明らかになりました。特に北西太平洋の台風シーズン（７月～１１月）の熱帯低気圧・タマゴについては、捕捉率７９．０％－８９．１％という高い数値であるのに対し、空振り率は３２．８％－５３．４％と比較的低く、高い検出性能を得られることが分かりました（図４）。熱帯低気圧のタマゴは時刻を遡るにつれて捕捉率は低くなりますが、北西太平洋では１０年間の平均で、発生２日前、５日前、７日前のタマゴのうち９１．２％、７７．８％、７４．８％を検出することに成功しました（図５）。

＜今後の展望＞

本成果によって、ＮＩＣＡＭによる気候実験データを用いた熱帯低気圧のタマゴの検出に限っては、高い検出性能が得られました。一方で、現実の熱帯低気圧の発生を事前に予測するためには、データ同化を行ったシミュレーションデータや、衛星観測によって得られた雲画像に対しても同程度以上の検出性能が得られるよう、最先端の情報科学または統計数理的な手法を取り入れ、引き続き検討を進める予定です。

本研究において用いたディープラーニングは、画像認識だけでなく株価や乗客数の将来予測といた時系列変化に関する研究も盛んに進んでおり、台風の経路予測や強度予測、集中豪雨の発生予測などにも応用することが可能であると考えられます。今後、ディープラーニングに代表される人工知能技術を、他の応用分野からいち早く取り入れることによって、Ｄａｔａ－ｄｒｉｖｅｎな手法とＭｏｄｅｌ－ｄｒｉｖｅｎな手法を融合させた新しい海洋地球ビッグデータ解析の展開が期待されます。

＜参考＞

• 「地球温暖化が台風の活動と構造に及ぼす影響―強風域拡大の可能性を示唆―」（２０１７年９月１４日プレスリリース）
  
  

  地球温暖化が台風の活動と構造に及ぼす影響 ―強風域拡大の可能性を示唆―＜プレスリリース＜海洋研究開発機構 | JAMSTEC

  

  www.jamstec.go.jp
• 「全球高解像度シミュレーションにより台風予測精度が向上―複数のモデルと多数の事例で高解像度化の効果を定量的に確認―」（２０１７年３月３１日プレスリリース）
  
  

  全球高解像度シミュレーションにより台風予測精度が向上 ―複数のモデルと多数の事例で高解像度化の効果を定量的に確認―＜プレスリリース＜海洋研究開発機構 | JAMSTEC

  

  www.jamstec.go.jp
• 「台風発生の２週間予測が実現可能であることを実証―台風発生予測の実用化に向けた第一歩―」（２０１５年１月２０日プレスリリース）
  
  

  台風発生の2週間予測が実現可能であることを実証 ―台風発生予測の実用化に向けた第一歩― ＜プレスリリース＜海洋研究開発機構 | JAMSTEC

  

  www.jamstec.go.jp

＜参考図＞

＜用語解説＞

注１）ディープラーニング

多層化したニューラルネットワーク（ディープニューラルネットワーク）を用いた機械学習の一手法であり、画像認識、音声認識、言語理解、行動認識などのさまざまな分野において従来の性能を圧倒する大きなブレイクスルーを起こしている。近年のインターネットやコンピューター技術の普及による膨大な量のデータの蓄積に加えて、複雑なタスクを可能とするニューラルネットワークの多層化技術の革新、それらの処理の高速化を実現するための計算機技術（特にＧＰＵ）の発展がベースとなり、２０１２年以降、第３次人工知能ブームの火付け役として、近年、大きな注目を集めている。

注２）ＮＩＣＡＭ

地球全体で雲の発生・挙動を直接計算することにより高精度の計算を実現した全球気象モデル。従来の全球気象モデルでは、高気圧・低気圧のような大規模な大気循環と雲システムの関係について、なんらかの仮定が必要とされ、不確実性の大きな要因となっていた。ＮＩＣＡＭは主に水平解像度８７０ｍから１４ｋｍの範囲で運用されており、８７０ｍ～３．５ｋｍの超高解像度を用いる場合は全球雲解像モデル、７ｋｍ～１４ｋｍの解像度を用いる場合は全球雲システム解像モデルと呼ばれる。台風の再現性能が高く、これまでに台風の研究で数々の成果をあげている。本研究において使用した気候実験データは、文部科学省のＨＰＣＩ戦略プログラム分野３「防災・減災に資する地球変動予測」のもと、理化学研究所のスーパーコンピューター「京」を利用して得られたものである（課題番号：ｈｐ１２０２７９、ｈｐ１３００１０、ｈｐ１４０２１９）。

注３）Ｍｏｄｅｌ－ｄｒｉｖｅｎ（モデル駆動）

理論に基づいて自然現象をモデル化した物理モデルを用い、演繹的に解を導こうとする手法を指す。物理方程式に基づくシミュレーションモデルであるＮＩＣＡＭなどが該当し、気象学などの自然科学分野では主流の研究手法として用いられてきた。

注４）Ｄａｔａ－ｄｒｉｖｅｎ（データ駆動）

Ｍｏｄｅｌ－ｄｒｉｖｅｎとは逆に、得られたデータに対して統計数理的な処理を施すことによって、現象を支配している法則や関係式を帰納的に導こうとする手法を指す。本研究では、Ｍｏｄｅｌ－ｄｒｉｖｅｎな手法によって得られたシミュレーションデータに対して、Ｄａｔａ－ｄｒｉｖｅｎな手法を適用している。

注５）畳み込みニューラルネットワーク

特に画像認識に特化したディープニューラルネットワークのモデルの１つであり、画像中に写った顔や物体の認識、自動運転技術や工場生産における異常検知、ＣＴスキャンデータからのがん細胞検出にも応用されている。従来の画像認識では、認識したい対象物を表す特徴量（画像の濃淡パターンなど）を人間が与える必要があったが、ディープラーニングでは、大量のデータを用いることで、特徴量そのものをデータから自動的に学習でき、それにより大幅に認識性能を向上させることが可能となった。

＜論文情報＞

＜お問い合わせ先＞