予測手法に関する資料

本手法は、数値予報資料および観測データを入力とし、 サポートベクターマシン回帰モデル（SVM-SVR）および 分位マッピング手法を用いて、対象地点における降水量、気温および地上風の予測値を算出するものです。

（1）使用データ

学習用データ

メソ数値予報モデルGPV（MSM）
全球数値予報モデルGPV（日本域）
解析雨量

予報用データ

メソアンサンブル数値予報モデルGPV（MEPS）
1か月アンサンブル数値予報モデルGPV（日本域）（EPSC）

（2）解析手法

本手法では、数値予報値と実況値の関係を学習したSVMモデルにより、予測値の空間補正・ダウンスケーリングを行います。さらに分位マッピング手法を適用して量的補正を行います。

処理の流れは以下のとおりです。

数値予報データの取得
特徴量生成（降水量、気温、地上風）
学習済みSVRモデルによる推定（空間補間処理、補正値の算出）
地点値への変換（空間補間処理）
分位マッピング手法の適用（量的補正処理）

適用のフローチャートについては、図1および図2を参照してください。

（3）モデルの概要

手法：サポートベクターマシン（回帰：SVR）
カーネル：RBFカーネル
学習方法：教師あり学習
ハイパーパラメータ：過去データを用いた交差検証により決定
更新頻度：定期的に再学習（年1回程度）
分位マッピング：CDF-t法
基礎となる手法： Yoshikane and Yoshimura (2022, 2023)^1,2 をベースとしたダウンスケーリング・バイアス補正手法を適用

モデル学習データ

MEPSを入力データとして使用するモデルを作成するための説明変数と目的変数は以下のとおりです。

降水モデル（MEPS）

説明変数： MSM-GPVの3時間積算降水量（推定対象時間帯の前後3時間を含む）

目的変数： 解析雨量の1時間値

EPSCを入力データとして使用するモデルを作成するための説明変数と目的変数は以下のとおりです。

降水モデル（EPSC）

説明変数： GSM-GPVの3時間積算降水量（推定対象時間帯の前後3時間を含む）

目的変数： 解析雨量の1時間値

気温モデル

説明変数： GSM-GPVの気温（3時間毎、推定対象時間帯の前後3時間を含む）

目的変数： MSM-GPVの気温（1時間毎、解析値・予報値^*）

地上風モデル

説明変数： GSM-GPVの地上風（東西・南北成分、3時間毎、推定対象時間帯の前後3時間を含む）

目的変数： MSM-GPVの地上風（東西・南北成分、1時間毎、解析値・予報値^*）

＊MSM-GPVの目的変数について

MSM-GPVは3時間毎に更新されるため、例えば0 UTCを初期時刻とした場合、目的変数では0 UTC（解析値）、1 UTC（予報値）、2 UTC（予報値）が用いられます。

3 UTCを初期時刻とした場合は、3 UTC（解析値）、4 UTC（予報値）、 5 UTC（予報値）を用います。

つまり、予報誤差の影響をなるべく小さくするため、できる限り初期時刻に近いデータを採用しています。

モデル学習期間

学習期間

2008～2018年（各月ごとにモデルを学習）

推論用入力とその出力データの解像度

モデル	入力	出力	処理内容
MEPS用モデル	MEPS-GPV 0.05°・3時間値	0.05°・1時間値	時間ダウンスケーリング
EPSC用モデル	EPSC-GPV 0.4°・3時間値	0.05°・1時間値	空間・時間ダウンスケーリング

雨雪判別

雨雪判別は、「水環境の気象学」近藤純正著 P49の計算式に基づき実施しています。

T > Tc ：雨
T ≦ Tc ：雪

Tc = 11.01 -1.5e

ただし、Tcは臨界温度、Tは地上気温、eは地上の⽔蒸気圧を表します。地上気温、地上⽔蒸気圧は、MEPS-GPV データを⽤い、降⽔は、本モデルを⽤いて出⼒したデータを⽤いて計算します。(eは925hPaの相対湿度を用いて水蒸気圧一定を仮定して推定しています。実際の水蒸気圧と誤差が生じる場合があります。)

時間ダウンスケーリング

MEPS-GPVおよびEPSC-GPVの3時間間隔のデータから、 1時間間隔の気象要素を推定する時間ダウンスケーリング手法の概要を図3に示します。

降水量については、推定対象となる1時間の時間帯を基準として、その前後3時間におけるMEPS-GPVおよびEPSC-GPVのデータを入力として用います。

一方、気温および地上風については、推定対象時刻を基準として、その前後3時間におけるEPSC-GPVのデータを入力として用います。

時間ダウンスケーリングの考え方

目的変数には、降水量については推定対象となる1時間の積算降水量を、気温および地上風については推定対象時刻における1時間間隔の値を用います。

これにより、3時間間隔で提供されるMEPS-GPVおよびEPSC-GPVの情報から、降水量、気温および地上風について1時間間隔の気象要素を推定します。

（4）出力内容

メソアンサンブル数値予報モデルGPV（MEPS-GPV）を入力値とした場合

出力要素

降水量、空間分布（0.05度四方）

予報期間

初期時刻の6時間先から（発表時刻の）30時間先まで（前1時間積算値を1時間ごと、計30時間）

例えば、初期時刻が2026年7月1日00 UTCの場合、推定対象となる時間帯は2026年7月1日06 UTCから 7月2日12 UTCまでです（前1時間積算値の計30時間）。

ただし、配信時間および計算時間を考慮し、予報の発表時刻は06 UTCとします。そのため、初期時刻から6時間未満の時間帯は発表時点ですでに過去となっており、実際に予測情報として利用するのは6–7 UTCからとなります。

06 UTC発表時の実際の予報対象

06 UTCに発表する予報では、 7月1日06–07 UTCから7月2日11–12 UTCまでの30時間について、 1時間ごとの降水量を予測します。

最後の予報値は7月2日11–12 UTCとなります（図4）。

一方、自社モデルでは、3時間間隔で更新されるMEPS-GPVのデータを用いて、予報発表前から計算を開始します。

MEPS-GPVの時間関係（例：2026年7月1日00 UTC初期時刻）

7/1 00 UTC　初期時刻

7/1 03–04 UTC　手法適用開始（予報発表前）
…
…

予報時間　｜　予報発表時刻からの時間数
--------------------------------
7/1 06–07 UTC　｜　1
7/1 07–08 UTC　｜　2
…
…
7/2 10–11 UTC　｜　29
7/2 11–12 UTC　｜　30

予報発表前の手法適用開始 7/1 03–04 UTCから7/2 11–12 UTCまで、 33時間を評価対象としています。

1か月アンサンブル数値予報モデルGPV（EPSC-GPV、日本域）を入力値とした場合

出力要素

降水量、気温、地上風（東西風・南北風）、空間分布（0.05度四方）

予報期間

初期時刻の2日間先（初期時刻の48時間後）から 28日間先まで（1時間毎）

例えば、初期時刻が2026年7月14日00 UTCの場合、予報対象は以下のとおりです。

要素	予報対象期間	時間数
降水量	7月16日00–01 UTC ～8月12日23–24 UTC	675時間
気温・地上風	7月16日00 UTC ～8月12日23 UTC	675時間

配信時間と計算時間を考慮し、発表時刻は48時間後とします。そのため、初期時刻から48時間未満の時間帯は発表時点ですでに過去となり、実際に予測として利用するのは16日00–01 UTC（降水）および 16日00 UTC（気温、地上風）からになります。

Webサイトで公開する予報

初期時刻から2日後の16日00–01 UTCにWebサイトに予報を発表し、 16日00–01 UTCから8月13日02–03 UTCまで（降水）、および16日00 UTCから8月13日02 UTCまで（気温、地上風）の 675時間を1時間ごとに予測します。

評価期間について

評価期間は、すでに過去になった期間を含めて720時間（30日間）とします。

降水： 7月14日03–04 UTC～8月13日02–03 UTC

気温・地上風： 7月14日03 UTC～8月13日02 UTC

EPSC-GPVの時間関係（例：2026年7月14日00 UTC初期時刻）

7/14 00 UTC　初期時刻

7/14 03–04 UTC　手法適用開始（予報発表前）
…
…

予報時間　｜　予報発表時刻からの時間数
--------------------------------
7/16 00–01 UTC　｜　1（予報発表開始）
7/16 01–02 UTC　｜　2
…
…
8/13 01–02 UTC　｜　674
8/13 02–03 UTC　｜　675

太字部分について

太字の予報時間は、気温および地上風の予報時間を示します。

降水：予報発表前の手法適用開始7/14 03–04 UTCから 8/13 02–03 UTCまで720時間を評価します。

気温・地上風：予報発表前の手法適用開始7/14 03 UTCから 8/13 02 UTCまで720時間を評価します。

評価指標

統計量（累積積算値、期間平均値、日数など）や過去データとの比較により、予測値の特性や精度を評価します。

（5）気象予報士の関与

学習データおよび特徴量の妥当性確認
モデル出力の精度検証

（6）参考文献

Yoshikane, T., & Yoshimura, K. (2022). A bias correction method for precipitation through recognizing mesoscale precipitation systems corresponding to weather conditions. PLOS Water, 1(5), e0000016.
Yoshikane, T., & Yoshimura, K. (2023). A downscaling and bias correction method for climate model ensemble simulations of local-scale hourly precipitation. Scientific Reports, 13, 9412.
https://doi.org/10.1038/s41598-023-36489-3

手法のフローチャート・適用方法

図1：手法のフローチャート（MEPS-GPVを適用するケース）

図2：手法のフローチャート（EPSC-GPVを適用するケース）

図3：MEPS-GPV及びEPSC-GPVから本手法を用いて推定する方法（時間ダウンスケーリング）。

図4：MEPS-GPVを用いた本手法の適用方法の詳細。本手法の降水量推定値と解析雨量値の前1時間値を比較評価します。

図5：EPSC-GPVを用いた本手法への適用方法の詳細。本手法の降水量推定値と解析雨量値の前1時間値を、気温および地上風（東西および南北）は1時間毎のMSM-GPVと比較評価します。

本手法の概要

数値予報資料と観測・解析データの関係をSVM-SVRにより学習し、空間・時間ダウンスケーリングおよびバイアス補正を行うことで、高解像度の降水量、気温および地上風の予測値を作成します。