解析手法に関する資料（事前確認結果）

ここでは、「1. 手法の検証」と「2. 実際に発表する予報の品質確認」に分けて、検証・確認を行いました。

1.   手法の検証

1.1  MEPS-GPVを用いた手法の検証

「予測手法に関する資料」で示した手法にMEPS-GPVを適用し、2022年の1月、4月、7月、10月を対象として検証を実施した。また、事例解析では、予測期間全体を対象として調査を行い、本手法の妥当性を評価した。

検証期間は、2022年の1月、4月、7月、10月とした。

MEPS-GPVでは、降水量について3時間積算値、気温および地上風について3時間間隔のデータが提供されている。これらの3時間間隔のデータに対して、本手法を適用し、1時間間隔の気象要素へ時間ダウンスケーリングを行った（図3）。

例えば降水量の場合、GPVで提供される0–3 UTC、3–6 UTC、6–9 UTCの3時間積算降水量を用いて、3–4 UTC、4–5 UTC、5–6 UTCの各1時間降水量を推定する。

MEPS-GPVは6時間ごとに更新されるため、各1時間値の推定には、できるだけ推定対象時刻に近い初期時刻のGPVデータを使用した。例えば、0 UTCを初期時刻とするGPVでは0–3 UTCおよび3–6 UTCの情報を使用し、6–9 UTCの推定には、0 UTCを初期時刻とするデータではなく、6 UTCを初期時刻とするGPVデータを使用した。

このように、各推定対象時刻に対して初期時刻に近いGPVデータを適用することで、予報時間の増加に伴う予報誤差の影響をできるだけ抑えた。以上の方法により、各対象月について連続した1か月間の1時間間隔の推定値を作成した（図６）。

降水：

図6：MEPS-GPVを用いた本手法の評価方法の詳細。対象時刻前後3時間のMEPS-GPVの3時間降水量（グレーの矢印）から本手法で1時間降水量を推定し（黄色の矢印）、解析雨量の前1時間降水量（黒の矢印）と比較した。MEPS-GPVは各解析時刻から次の解析時刻までの予報データを使用した。
図6　MEPS-GPVを用いた本手法の評価方法の詳細。対象時刻前後3時間のMEPS-GPVの3時間降水量（グレーの矢印）から本手法で1時間降水量を推定し（黄色の矢印）、解析雨量の前1時間降水量（黒の矢印）と比較した。MEPS-GPVは各解析時刻から次の解析時刻までの予報データを使用した。

なお、MEPS-GPVはアンサンブルの１つ（メンバー01）の結果を用いた。

図7：は、1月、4月、7月、10月における月平均降水量の空間分布について、相関係数およびRMSEを評価した結果を示す。相関係数は、本手法がすべての月でMEPS-GPVを上回った。特に寒候期の1月では、MEPS-GPVと比較して相関係数が明確に向上した。一方、暖候期の7月では、MEPS-GPVとほぼ同等の相関係数を示した。RMSEは、本手法で全体的にやや大きくなる傾向がみられた。これは、本手法では降水量をやや過大に推定する傾向があるためと考えられる。一方、暖候期において降水量の過大評価がみられるものの、降水量の空間分布の特徴は良好に再現されていた。また、寒候期の1月では、冬季モンスーンに伴う地形性降水の特徴がより適切に再現されており、本手法による地形性降水のバイアス補正効果が確認された。表1は、1月、4月、7月、10月における1 mm/h以上の降水を対象としたスレットスコア（TS）、見逃し率（MISS）および空振り率（FAR）を示す。本手法では、MEPS-GPVと比較してすべての月でMISSが低下し、FARは増加した。その結果、TSはいずれの月においても改善した。これらの結果から、本手法はMEPS-GPVと比較して降水を見逃す割合を低減できる一方、降水量をやや過大に、また降水域をやや広く推定する傾向があると考えられる。この特性が、MISS、FARおよびTSの評価結果に反映されたものと考えられる。
図7は、1月、4月、7月、10月における月平均降水量の空間分布について、相関係数およびRMSEを評価した結果を示す。相関係数は、本手法がすべての月でMEPS-GPVを上回った。特に寒候期の1月では、MEPS-GPVと比較して相関係数が明確に向上した。一方、暖候期の7月では、MEPS-GPVとほぼ同等の相関係数を示した。RMSEは、本手法で全体的にやや大きくなる傾向がみられた。これは、本手法では降水量をやや過大に推定する傾向があるためと考えられる。一方、暖候期において降水量の過大評価がみられるものの、降水量の空間分布の特徴は良好に再現されていた。また、寒候期の1月では、冬季モンスーンに伴う地形性降水の特徴がより適切に再現されており、本手法による地形性降水のバイアス補正効果が確認された。表1は、1月、4月、7月、10月における1 mm/h以上の降水を対象としたスレットスコア（TS）、見逃し率（MISS）および空振り率（FAR）を示す。本手法では、MEPS-GPVと比較してすべての月でMISSが低下し、FARは増加した。その結果、TSはいずれの月においても改善した。これらの結果から、本手法はMEPS-GPVと比較して降水を見逃す割合を低減できる一方、降水量をやや過大に、また降水域をやや広く推定する傾向があると考えられる。この特性が、MISS、FARおよびTSの評価結果に反映されたものと考えられる。
図7：各月の３年間平均降水量空間分布（1,4,7,10月）。数値は相関係数（R）とRMSEを示す。
図7　各月の３年間平均降水量空間分布（1,4,7,10月）。数値は相関係数（R）とRMSEを示す。
表1：1,4,7,10月の各降水強度以上のスレットスコア（TS）、見逃し率（MISS）、空振り率（FAR）。オレンジ色の枠は、本手法とMEPS-GPVのいずれか一方が、もう一方より優れた値を示した項目を示す。
表1　1,4,7,10月の各降水強度以上のスレットスコア（TS）、見逃し率（MISS）、空振り率（FAR）。オレンジ色の枠は、本手法とMEPS-GPVのいずれか一方が、もう一方より優れた値を示した項目を示す。

1.2 GSM-GPVを用いた手法の検証（EPSC-GPV適用に向けた事前調査）

将来的に、1か月アンサンブル数値予報モデルGPV（日本域）（EPSC-GPV）を本手法の入力データとして利用することを想定し、その適用可能性を検討するため、GSM-GPVを用いた手法の検証を実施した。EPSC-GPVについては利用可能なデータが1週間ごとであるため、長期間の検証には、GSM-GPVをEPSC-GPVと同じ解像度に変換したデータを使用した。この方法は既存研究でも用いられている検証方法である。また、使用するGPVが異なっても、入力データの解像度をそろえることで、手法の基本的な特性が概ね再現されることが既往研究で示されている。

2019年～2021年の1,4,7,10月

検証期間は、2019年から2021年までの各年の1月、4月、7月、10月とした。EPSC-GPVでは、降水量について3時間積算値、気温および地上風について3時間間隔のデータが提供されている。そこで、本手法を用いてこれらの3時間間隔のデータを1時間間隔の値に時間ダウンスケーリングした（図3）。検証では、EPSC-GPVの代わりに、GSM-GPVを0.4°格子に変換し、3時間間隔のデータとして用いた。図8に、入力として用いた説明変数、手法による推定値、および検証に用いた解析雨量との関係を示す。降水量については、例えば、変換したGSM-GPVの0–3 UTC、3–6 UTC、6–9 UTCの3時間積算降水量を入力として、3–4 UTC、4–5 UTC、5–6 UTCの各1時間降水量を推定する。また、EPSC-GPVは6時間ごとに更新されることを想定しているため、推定対象時刻にできるだけ近い初期時刻のデータを優先して使用した。例えば、6–9 UTCの降水量を推定する場合には、0 UTCを初期時刻とするデータではなく、6 UTCを初期時刻とするデータを使用した。このように、各推定対象時刻について、可能な限り初期時刻に近いデータを用いることで、予報時間の増加に伴う予報誤差の影響を抑えるようにした。気温および地上風については、変換したGSM-GPVの0 UTC、3 UTC、6 UTCのデータを用いて、3 UTC、4 UTC、5 UTCの各1時間値を推定する。これらについても、EPSC-GPVの更新間隔を考慮し、0 UTCの初期時刻、3 UTCのデータ、6 UTCの初期時刻のデータを順次使用し、推定対象時刻にできるだけ近いデータを入力とした。以上の方法により、各対象月について連続した1か月間の1時間間隔の推定値を作成した。

降水量については、以下の指標を用いて評価した。

気温については、以下の指標を用いて評価した。

地上風についても、以下の指標を用いて評価した。

なお、評価に際しては、0.4°格子のGSM-GPV補正値を0.05°格子に均等に割り当てた上で、各評価指標を計算した。

図8：GSM-GPVを用いた本手法の検証方法の詳細。本手法の降水量推定値と解析雨量値の前1時間値、気温および地上風（東西および南北成分）は1時間毎のMSM-GPVと比較検証。GSM-GPVの対象時刻前後3時間の3時間降水量および3時間毎の気温・地上風（東西・南北成分）（グレーの点と矢印）を用いて本手法により1時間毎に推定し（黄色の点と矢印）、降水量は解析雨量の前1時間値、気温および地上風は1時間毎のMSM-GPV（青の点と矢印）と比較検証した。
図8　GSM-GPVを用いた本手法の検証方法の詳細。本手法の降水量推定値と解析雨量値の前1時間値、気温および地上風（東西および南北成分）は1時間毎のMSM-GPVと比較検証。GSM-GPVの対象時刻前後3時間の3時間降水量および3時間毎の気温・地上風（東西・南北成分）（グレーの点と矢印）を用いて本手法により1時間毎に推定し（黄色の点と矢印）、降水量は解析雨量の前1時間値、気温および地上風は1時間毎のMSM-GPV（青の点と矢印）と比較検証した。
図9：は、本手法（0.05度）、GSM-GPVを変換したデータ（0.4度）、およびMSM-GPV（0.05度）について、1月、4月、7月、10月の3年間平均気温の空間分布を示す。本手法では、GSM-GPVでは十分に表現できない地形の影響を反映した、より詳細な気温分布が再現された。すべての月において、相関係数（R）はGSM-GPVを上回り、RMSEは低下しており、気温の空間分布の再現性が向上したことが確認された。図10は、1月、4月、7月、10月の3年間平均降水量の空間分布を示す。GSM-GPVでは、解析雨量と比較して降水量を全体的に過小評価する傾向がみられ、地形に対応した降水分布も十分に再現されていなかった。一方、本手法では、解析雨量に近い空間分布が再現され、GSM-GPVでみられた降水量の過小評価も改善された。相関係数およびRMSEについても、本手法による改善が確認された。表2は、1月、4月、7月、10月における各降水強度以上のスレットスコア（TS）、見逃し率（MISS）および空振り率（FAR）を示す。本手法（MLDS）は、すべての月においてTSを改善した。特に強雨を対象とした場合、MISSが低下する一方でFARが増加する傾向がみられた。このことから、本手法では、強雨を見逃す割合が低下する一方、実際には強雨でない地点を強雨と判定する割合が増加するものの、全体として強雨の検出性能が向上したことが示された。図11は、7月における3年間の各地域の1時間降水量の降水強度別頻度分布を示す。GSM-GPVでは、3時間降水量を単純に1時間値へ内挿しているため、弱雨を過大評価する一方、強雨を過小評価する傾向がみられた。特に、20 mm/h以上の強雨はほとんど再現されていない。一方、本手法では、観測値と比較して強雨をやや過小評価する傾向が残るものの、強雨の発生頻度をより良好に再現した。本手法では、GSM-GPVの7×7格子（約280 km四方）における降水分布パターンを学習し、広域的な降水システムの移動に伴う局地的な降水特性を推定している。このため、スコールラインのような自己増殖型の対流システムに伴う局地的な強雨を、機械学習のみで直接表現することには限界がある。そこで、本研究では、機械学習による推定値に分位マッピング（CDFt）を適用し、大規模擾乱に伴って発生するメソスケール降水の影響を統計的に補正することで、降水量の頻度分布、特に強雨の再現性を改善した。一般に、メソスケールの降水システムは大規模な気象擾乱に伴って形成されることが多いことから、このような統計的補正の考え方には一定の妥当性があると考えられる。図12および図13は、地上10 mにおける東西風および南北風の3年間平均の空間分布を示す。本手法では、GSM-GPVと比較して、地形の影響を反映したより詳細な風系構造が明瞭に再現された。また、相関係数は向上し、RMSEは低下しており、本手法が地上風の空間分布の再現に有効であることが示された。
図9は、本手法（0.05度）、GSM-GPVを変換したデータ（0.4度）、およびMSM-GPV（0.05度）について、1月、4月、7月、10月の3年間平均気温の空間分布を示す。本手法では、GSM-GPVでは十分に表現できない地形の影響を反映した、より詳細な気温分布が再現された。すべての月において、相関係数（R）はGSM-GPVを上回り、RMSEは低下しており、気温の空間分布の再現性が向上したことが確認された。図10は、1月、4月、7月、10月の3年間平均降水量の空間分布を示す。GSM-GPVでは、解析雨量と比較して降水量を全体的に過小評価する傾向がみられ、地形に対応した降水分布も十分に再現されていなかった。一方、本手法では、解析雨量に近い空間分布が再現され、GSM-GPVでみられた降水量の過小評価も改善された。相関係数およびRMSEについても、本手法による改善が確認された。表2は、1月、4月、7月、10月における各降水強度以上のスレットスコア（TS）、見逃し率（MISS）および空振り率（FAR）を示す。本手法（MLDS）は、すべての月においてTSを改善した。特に強雨を対象とした場合、MISSが低下する一方でFARが増加する傾向がみられた。このことから、本手法では、強雨を見逃す割合が低下する一方、実際には強雨でない地点を強雨と判定する割合が増加するものの、全体として強雨の検出性能が向上したことが示された。図11は、7月における3年間の各地域の1時間降水量の降水強度別頻度分布を示す。GSM-GPVでは、3時間降水量を単純に1時間値へ内挿しているため、弱雨を過大評価する一方、強雨を過小評価する傾向がみられた。特に、20 mm/h以上の強雨はほとんど再現されていない。一方、本手法では、観測値と比較して強雨をやや過小評価する傾向が残るものの、強雨の発生頻度をより良好に再現した。本手法では、GSM-GPVの7×7格子（約280 km四方）における降水分布パターンを学習し、広域的な降水システムの移動に伴う局地的な降水特性を推定している。このため、スコールラインのような自己増殖型の対流システムに伴う局地的な強雨を、機械学習のみで直接表現することには限界がある。そこで、本研究では、機械学習による推定値に分位マッピング（CDFt）を適用し、大規模擾乱に伴って発生するメソスケール降水の影響を統計的に補正することで、降水量の頻度分布、特に強雨の再現性を改善した。一般に、メソスケールの降水システムは大規模な気象擾乱に伴って形成されることが多いことから、このような統計的補正の考え方には一定の妥当性があると考えられる。図12および図13は、地上10 mにおける東西風および南北風の3年間平均の空間分布を示す。本手法では、GSM-GPVと比較して、地形の影響を反映したより詳細な風系構造が明瞭に再現された。また、相関係数は向上し、RMSEは低下しており、本手法が地上風の空間分布の再現に有効であることが示された。
図9：1,4,7,10月の3年間平均気温空間分布。GSM-GPV(0.4度:上図)。本手法による推定値（0.05度:中央図）、MSM-GPV(0.05度:下図)。数値は相関係数（R）とRMSEを示す。
図9　1,4,7,10月の3年間平均気温空間分布。GSM-GPV(0.4度:上図)。本手法による推定値（0.05度:中央図）、MSM-GPV(0.05度:下図)。数値は相関係数（R）とRMSEを示す。
図10：図9と同じ。ただし、降水分布。
図10　図9と同じ。ただし、降水分布。
表2：1月、4月、7月、10月における各降水強度以上のスレットスコア（TS）、見逃し率（MISS）および空振り率（FAR）。オレンジ色の枠は、本手法とGSM-GPVのいずれか一方が、もう一方より優れた値を示した項目を示す。
表2　1月、4月、7月、10月における各降水強度以上のスレットスコア（TS）、見逃し率（MISS）および空振り率（FAR）。オレンジ色の枠は、本手法とGSM-GPVのいずれか一方が、もう一方より優れた値を示した項目を示す。
図11：7月の３年間の各地域での1時間降水量頻度分布。オレンジ(本手法\:MLDS)、青（GSM-GPV）、グレー（解析雨量）を示す。
図11　7月の３年間の各地域での1時間降水量頻度分布。オレンジ(本手法\:MLDS)、青（GSM-GPV）、グレー（解析雨量）を示す。
図12：図9と同じ。ただし、10mの東西風。
図12　図9と同じ。ただし、10mの東西風。
図13：図9と同じ。ただし、10mの南北風。
図13　図9と同じ。ただし、10mの南北風。

2. 実際に発表する予報の品質確認

2.1 MEPS-GPVへの適用と再現性評価

「予測手法に関する資料」で示した手法をMEPS-GPVの39時間予報値に適用し、本手法とMEPS-GPVの空間分布特性や21アンサンブルメンバーによる球磨川河川流域での流域平均降水量の時系列の特性の違いについて調査を実施した。評価には、自社モデルによる推定値と時間的に対応する解析雨量を用いた（図4）。

2020年7月3日00 UTCを初期時刻とするMEPS-GPVを対象とし、2020年7月3日03–04 UTCから7月4日11–12 UTCまでの1時間降水量を評価対象とした（図4）。また、本手法による1時間降水量推定値との比較対象として、MEPS-GPVの3時間積算降水量を各1時間に均等に配分して作成した1時間降水量を用いた。本手法の推定値と比較するため、降水は3時間積算値を各１時間値に均等に割り当てた1時間値を用いた。

2020年7月3日00 UTCを初期時刻とし、初期時刻から4時間後にあたる03–04 UTC、および球磨川流域周辺で強い降水域が確認された11時間後にあたる11–12 UTCの1時間降水量の空間分布を、それぞれ図14および図15に示す。本手法では、入力データであるMEPS-GPVの降水分布に対応して1時間降水量を推定する。また、MEPS-GPVにみられる強雨の過小評価傾向を補正する特性を有する。一方で、本手法では降水量をやや過大に推定し、降水域の幅をやや広く推定する傾向がみられた。この傾向は、本手法の学習特性に起因すると考えられる。学習に用いた解析雨量とMSM-GPVとの間には、降水帯の位置や発生時刻にずれが存在するため、これらのずれを含む学習データの影響により、本手法が降水帯の幅をやや広く推定した可能性がある。図16は、球磨川流域周辺における領域平均降水量の時系列を示したものであり、左図に本手法による推定値、右図にMEPS-GPVによる予報値を示す。比較対象として、各予報時刻に対応する解析雨量を用いた。MEPS-GPVでは、アンサンブル全体で降水量を過小評価する傾向がみられた。一方、本手法では、アンサンブル予測の幅が解析雨量を含むケースが増加し、MEPS-GPVにみられた降水量の過小評価が改善されていることが確認された。

図14：2020年7月3日0UTC(初期時刻)から4時間後の前１時間降水量の空間分布。MEPS-GPV（上段）、本手法の推定値（中段）、解析雨量（下段）。メンバー01(左図)、メンバー02(中央図)、メンバー03（右図）。
図14　2020年7月3日0UTC(初期時刻)から4時間後の前１時間降水量の空間分布。MEPS-GPV（上段）、本手法の推定値（中段）、解析雨量（下段）。メンバー01(左図)、メンバー02(中央図)、メンバー03（右図）。
図15：図14と同じ。ただし、11時間後。
図15　図14と同じ。ただし、11時間後。
図16：球磨川流域周辺での領域平均降水量の時系列。本手法推定値（左図）、MEPS-GPV（右図）。棒グラフは観測値（解析雨量）、実線は各21アンサンブル（細線）とアンサンブル平均値（太線）を示す。
図16 球磨川流域周辺での領域平均降水量の時系列。本手法推定値（左図）、MEPS-GPV（右図）。棒グラフは観測値（解析雨量）、実線は各21アンサンブル（細線）とアンサンブル平均値（太線）を示す。

2.2  EPSC-GPVへの適用と再現性評価

「予測手法に関する資料」で示した方法にEPSC-GPVを適用し、2026年7月14日00 UTCを初期時刻とした7月14日03 UTC から30日間を評価した。予測期間全体を通して様々な指標を用いた調査を実施し、本手法による予報の品質確認について調査を実施した。

2026年7月14日0 UTCを初期時刻とした7月14日3 UTC から30日間 (720時間)

降水：

気温：

地上風：

本手法の推定値と比較するため、EPSC-GPVの降水は3時間積算値を各１時間値に均等に割り当て、気温と地上風は、線形内挿した1時間値を用いた。また、EPSC-GPVの0.4度を0.05度に均等割り当てして計算した。

図17：は、2026年7月14日00 UTCを初期時刻とし、7月14日03 UTCから30日間の累積降水量について、25メンバーのアンサンブル平均値の空間分布を示す。図中には、解析雨量との相関係数（R）およびRMSEを示した。本手法では、EPSC-GPVと比較して相関係数が高くなった一方、RMSEは大きくなった。EPSC-GPVは空間解像度が低いため、地形の影響を受けた詳細な降水分布を十分に表現できないのに対し、本手法では、地形の影響を反映したより詳細な降水分布が推定された。このような空間分布の特徴が再現されたことが、相関係数の向上につながったと考えられる。一方、EPSC-GPVには降水量を全体的に過小評価する傾向がみられるのに対し、本手法では地形に対応した詳細な降水量分布が推定された。しかし、30日先までの長期予報であることを考慮すると、東日本で降水量が多く、西日本、特に中国地方で少ないといった広域的な特徴を除き、詳細な降水分布を正確に予測することは困難である。そのため、本手法によって推定された詳細な降水分布が実際の分布と一致しない場合、その差が大きくなり、結果としてRMSEの増加につながった可能性がある。図18は、地上気温の結果を示す。RとRMSEはMSM-GPVの解析値との相関係数、RMSEである。気温は降水量と比較して地形の影響を受けた空間分布が明瞭に現れやすく、全体的に高い相関係数が得られた。本手法では、EPSC-GPVと比較して地形に対応した気温分布がより明瞭に再現されており、これが相関係数の向上につながったと考えられる。実際、東日本で気温が低く、西日本で高くなる空間分布は、MSM-GPVの解析値とも概ね一致していた。ただし、EPSC-GPVおよび本手法のいずれにおいても、気温を全体的に高く予測する傾向がみられ、実際の気温が低かったことから、広域的な気温偏差については十分に再現できていなかった。図19および図20は、それぞれ地上風の東西成分および南北成分の結果を示す。両成分とも、広域的な風の分布特性は概ね再現されており、気温と同様に、本手法では地形の影響を反映したより詳細な空間分布が表現された。このため、EPSC-GPVと比較して相関係数が高くなったと考えられる。また、RMSEについても、気温とは異なり、本手法では全体的に改善する傾向がみられた。これは、本手法によって地形に対応した局地的な風速分布を推定できた効果が強く反映されたものと考えられる。特に、陸域では地表面や地形の影響によって風速が弱くなるといった特徴が、本手法によってより適切に表現されたことが、RMSEの改善につながった可能性がある。ただし、量的評価については、予報誤差の影響を強く受けるため、必ずしもRMSEが改善されるわけではないことに留意する必要がある。
図17は、2026年7月14日00 UTCを初期時刻とし、7月14日03 UTCから30日間の累積降水量について、25メンバーのアンサンブル平均値の空間分布を示す。図中には、解析雨量との相関係数（R）およびRMSEを示した。本手法では、EPSC-GPVと比較して相関係数が高くなった一方、RMSEは大きくなった。EPSC-GPVは空間解像度が低いため、地形の影響を受けた詳細な降水分布を十分に表現できないのに対し、本手法では、地形の影響を反映したより詳細な降水分布が推定された。このような空間分布の特徴が再現されたことが、相関係数の向上につながったと考えられる。一方、EPSC-GPVには降水量を全体的に過小評価する傾向がみられるのに対し、本手法では地形に対応した詳細な降水量分布が推定された。しかし、30日先までの長期予報であることを考慮すると、東日本で降水量が多く、西日本、特に中国地方で少ないといった広域的な特徴を除き、詳細な降水分布を正確に予測することは困難である。そのため、本手法によって推定された詳細な降水分布が実際の分布と一致しない場合、その差が大きくなり、結果としてRMSEの増加につながった可能性がある。図18は、地上気温の結果を示す。RとRMSEはMSM-GPVの解析値との相関係数、RMSEである。気温は降水量と比較して地形の影響を受けた空間分布が明瞭に現れやすく、全体的に高い相関係数が得られた。本手法では、EPSC-GPVと比較して地形に対応した気温分布がより明瞭に再現されており、これが相関係数の向上につながったと考えられる。実際、東日本で気温が低く、西日本で高くなる空間分布は、MSM-GPVの解析値とも概ね一致していた。ただし、EPSC-GPVおよび本手法のいずれにおいても、気温を全体的に高く予測する傾向がみられ、実際の気温が低かったことから、広域的な気温偏差については十分に再現できていなかった。図19および図20は、それぞれ地上風の東西成分および南北成分の結果を示す。両成分とも、広域的な風の分布特性は概ね再現されており、気温と同様に、本手法では地形の影響を反映したより詳細な空間分布が表現された。このため、EPSC-GPVと比較して相関係数が高くなったと考えられる。また、RMSEについても、気温とは異なり、本手法では全体的に改善する傾向がみられた。これは、本手法によって地形に対応した局地的な風速分布を推定できた効果が強く反映されたものと考えられる。特に、陸域では地表面や地形の影響によって風速が弱くなるといった特徴が、本手法によってより適切に表現されたことが、RMSEの改善につながった可能性がある。ただし、量的評価については、予報誤差の影響を強く受けるため、必ずしもRMSEが改善されるわけではないことに留意する必要がある。
図17：25メンバーによる2026年7月14日4UTCから30日間のアンサンブル平均値の空間分布。EPSC-GPV(0.4度:左上図)。本手法による推定値（0.05度:右上図）、解析雨量 (0.05度:下図)。数値は相関係数（R）とRMSEを示す。
図17　25メンバーによる2026年7月14日4UTCから30日間のアンサンブル平均値の空間分布。EPSC-GPV(0.4度:左上図)。本手法による推定値（0.05度:右上図）、解析雨量 (0.05度:下図)。数値は相関係数（R）とRMSEを示す。
図18：図17と同じ。ただし、気温分布。
図18　図17と同じ。ただし、気温分布。
図19：図17と同じ。ただし、地上風分布（東西成分）。
図19　図17と同じ。ただし、地上風分布（東西成分）。
図20：図17と同じ。ただし、地上風分布（南北成分）。
図20　図17と同じ。ただし、地上風分布（南北成分）。

30日間のアンサンブル平均値については、EPSC-GPVおよび本手法による推定値のいずれにおいても、降水量、気温および地上風の空間分布特性（地域特性）が、解析雨量およびMSM-GPVの解析値と概ね一致していた。一方、各地点における量的な評価では、両者の間に明確な違いがみられた。特に気温については、EPSC-GPVおよび本手法のいずれも全体的に解析値より高温となっており、30日先までの予報では、予報誤差の影響を強く受けることが確認された。このことから、スレットスコア（TS）、空振り率（FAR）、見逃し率（MISS）などの評価指標やその他の統計量については、予報誤差の影響を考慮した上で評価する必要がある。表3は、25メンバーのうち50%以上のメンバーが30日間積算降水量100 mm以上または200 mm以上となった場合を「イベントあり」として、本手法による推定値とEPSC-GPVのスレットスコア（TS）、空振り率（FAR）および見逃し率（MISS）を比較した結果を示す。具体的には、25メンバーのうち13メンバー以上が100 mm以上となった場合を「100 mm以上のイベントあり」、13メンバー未満の場合を「イベントなし」として各指標を算出した。100 mm以上の降水については、見逃し率（MISS）を除き、すべての指標で本手法がEPSC-GPVを上回る結果となった。また、200 mm以上の降水では、EPSC-GPVの性能が著しく低下するのに対し、本手法では性能の低下が比較的小さく、強雨に対する検出性能が相対的に維持されることが確認された。表4は、適中数、適中率（POD）およびBiasを示す。これらの指標から、100 mm以上の降水ではEPSC-GPVがやや過大に予報する傾向がみられる一方、200 mm以上では顕著な過小予報となっていることが分かる。このことから、EPSC-GPVでは降水量が多くなるにつれて強雨の予測性能が低下する傾向が示された。これは、本手法の特性を考慮すると合理的な結果である。表5は、2026年7月14日00 UTCを初期時刻とした720時間予報について、7月14日03–04 UTCから8月13日02–03 UTCまでの30日間を対象とした、東京における30日間積算降水量、1日最大降水量、3日最大降水量および雨日数を示す。雨日数については、各アンサンブルメンバーで算出した日数の平均値を示した。また、平均値、中央値、最大値および最小値は、25アンサンブルメンバーを用いて算出した。本手法およびEPSC-GPVのいずれにおいても、アンサンブルメンバー間のばらつきが大きく、各メンバーにおける前線の有無、台風の襲来数、太平洋高気圧の強さなどの予測の違いが、30日間の降水量や最大降水量などに大きく影響することが示唆された。特に、特定地点における30日間の積算降水量などの評価では、このようなアンサンブル間の不確実性が大きくなると考えられる。一方、解析値は、本手法およびEPSC-GPVのいずれについてもアンサンブル予測の範囲内に含まれており、さらにアンサンブル中央値に近い値を示していた。このことから、個々のアンサンブルメンバーでは予測値と解析値の差が大きい場合でも、25メンバーによるアンサンブル予測では、解析値を含む不確実性の範囲を表現できていることが確認された。

表3：25アンサンブルメンバーで50%以上が積算雨量100mm, 200mm以上になった場合の手法の推定値とEPSC-GPVのスレットスコア(TS)、空振り率(FAR)、見逃し率(MISS)。太字は推定値で改善した場合を示す。
表３　25アンサンブルメンバーで50%以上が積算雨量100mm, 200mm以上になった場合の手法の推定値とEPSC-GPVのスレットスコア(TS)、空振り率(FAR)、見逃し率(MISS)。太字は推定値で改善した場合を示す。
表4：25アンサンブルメンバーで50%以上が積算雨量100mm, 200mm以上になった場合の手法の推定値とEPSC-GPVの適中数(Hits)、POD(Probability of Detection)、Biasを示す。
表4　25アンサンブルメンバーで50%以上が積算雨量100mm, 200mm以上になった場合の手法の推定値とEPSC-GPVの適中数(Hits)、POD(Probability of Detection)、Biasを示す。
表5：東京における2026年7月14日0UTCを初期時刻とした720時間（7月14日3\~4UTCから8月13日2\~3UTC）の30日間累積降水量、1日最大降水量、3日最大降水量、雨日数（各アンサンブルメンバーでの日数を平均）。
表5　東京における2026年7月14日0UTCを初期時刻とした720時間（7月14日3~4UTCから8月13日2~3UTC）の30日間累積降水量、1日最大降水量、3日最大降水量、雨日数（各アンサンブルメンバーでの日数を平均）。

気温および地上風については、25アンサンブル平均値においても明瞭な空間分布特性が確認された。そこで、気温について、地形との関係を含めた詳細な解析を実施した。表6は、25アンサンブル平均値について、標高別に算出した相関係数（R）およびRMSEを示す。気温の標高別の評価では、標高200 m以下では本手法とEPSC-GPVの性能に大きな違いはみられなかった。一方、標高が高くなるにつれてEPSC-GPVの相関係数は低下し、RMSEも増加する傾向がみられた。これに対し、本手法では標高が高い地域においても相関係数およびRMSEの低下・増加が比較的小さく、EPSC-GPVと比較して高標高域における気温の空間分布の再現性が向上していることが確認された。表7は、25アンサンブル平均値について、水平温度勾配の平均値、相関係数（R）およびRMSEを示す。水平温度勾配の平均値は、本手法の方がEPSC-GPVよりもMSM-GPVの解析値に近い値を示した。また、相関係数およびRMSEについても、本手法で明確な改善が確認された。EPSC-GPVでは、0.4°格子への平滑化によって地形の起伏が平均化されるため、地形に伴う気温の空間変化を十分に表現することが困難であると考えられる。一方、本手法を適用することで、地形に対応した気温の空間分布が推定され、水平的な気温勾配についてもより適切に再現できることが示された。特に、高標高域や地形の変化が大きい地域において、本手法による時間ダウンスケーリングの効果が明瞭に現れた。表8は、2026年7月14日00 UTCを初期時刻とした720時間予報について、7月14日03 UTCから8月13日02 UTCまでの30日間を対象とした東京における平均気温、最高気温、真夏日日数（日最高気温が30℃以上）、猛暑日日数（日最高気温が35℃以上）および熱帯夜日数（日最低気温が25℃以上）を示す。真夏日日数、猛暑日日数および熱帯夜日数については、各アンサンブルメンバーで算出した日数の平均値を示した。また、平均値、中央値および予報範囲の下限・上限は、25アンサンブルメンバーを用いて算出した。東京における30日間の気温については、全体として解析値が本手法による推定値に近い値を示した。一方、EPSC-GPVでは、本手法と比較して低温となる傾向がみられた。これは、EPSC-GPVの0.4°格子による平滑化によって、都市部における気温特性や周辺地域との気温差が平均化され、東京のような局地的な気温特性が不明瞭になったためと考えられる。ただし、熱帯夜日数については、本手法で解析値よりやや多く推定される傾向がみられた。このことから、本手法では平均的な気温分布の再現性が向上する一方、特定の閾値を用いた極端現象の評価では、個別の指標によって過大・過小評価が生じる可能性があることが示された。

表6：気温の25アンサンブル平均値の標高別でのR(相関係数)とRMSE
表6　気温の25アンサンブル平均値の標高別でのR(相関係数)とRMSE
表725：アンサンブル平均値の水平温度勾配の平均値、R（相関係数）、RMSE
表７25アンサンブル平均値の水平温度勾配の平均値、R（相関係数）、RMSE
表8：東京2026年7月14日0UTCを初期時刻とした720時間（7月14日3UTCから8月13日2UTC）の30日間の平均気温、最高気温、真夏日日数（日最高気温が30度以上）、猛暑日日数（日最高気温が35度以上）、熱帯夜日数（日最低気温が25度以上）（各アンサンブルでの日数を平均）を示す。平均、中央値、予報範囲の下限、上限は25アンサンブルメンバーを用いて算出した。
表８ 東京2026年7月14日0UTCを初期時刻とした720時間（7月14日3UTCから8月13日2UTC）の30日間の平均気温、最高気温、真夏日日数（日最高気温が30度以上）、猛暑日日数（日最高気温が35度以上）、熱帯夜日数（日最低気温が25度以上）（各アンサンブルでの日数を平均）を示す。平均、中央値、予報範囲の下限、上限は25アンサンブルメンバーを用いて算出した。

気温と同様に、地上風についても25アンサンブル平均値を用いて詳細な解析を実施した。表9および表11は、それぞれ地上風の東西成分および南北成分について、25アンサンブル平均値から算出した標高別の相関係数（R）およびRMSEを示す。地上風についても、気温と同様に、標高による性能の違いが確認された。特に、標高が高くなるにつれてEPSC-GPVでは相関係数が低下し、RMSEが増加する傾向がみられた。一方、本手法では高標高域においても地形の影響を反映した風の空間分布が再現され、EPSC-GPVと比較して相関係数およびRMSEが改善した。表10および表12は、それぞれ地上風の東西成分および南北成分について、水平風速勾配の平均値、相関係数（R）およびRMSEを示す。いずれの成分においても、本手法で明確な性能向上が確認された。EPSC-GPVでは、0.4°格子への平滑化によって地形の起伏が平均化されるため、地形に伴う風速の空間変化を十分に表現することが困難であると考えられる。一方、本手法を適用することで、地形に対応した風速の空間分布が推定され、水平的な風速勾配についてもより適切に再現できることが示された。これらの結果から、本手法は低解像度のEPSC-GPVでは十分に表現できない地形に伴う局地的な風の分布特性を補完する上で有効であると考えられる。表13は、2026年7月14日00 UTCを初期時刻とした720時間予報について、7月14日03 UTCから8月13日02 UTCまでの30日間を対象とした東京における平均風速、最大風速、95パーセンタイル、および強風日数を示す。強風日数は、日最大風速が10 m/s以上、15 m/s以上および20 m/s以上となった日数を対象とした。また、10 m/s以上および15 m/s以上の強風については、最大連続日数も示した。各統計量の予報範囲は、25アンサンブルメンバーを用いて算出した。東京における30日間の風速については、本手法による推定値、EPSC-GPVともに解析値と比較して全体的に過大となる傾向がみられた。このことから、地上風についても30日先までの予報では、予報誤差の影響が大きく、地点における風速の絶対値や強風日数などの量的な予測には限界があることが示唆された。一方、前述の空間分布の評価では、本手法によって地形に対応した風の分布特性が改善されていることから、長期予報においては、地点ごとの絶対値だけでなく、アンサンブルによる不確実性や広域的な分布特性を併せて評価することが重要である。

表9：地上風（東西）の25アンサンブル平均値の標高別でのR(相関係数)とRMSE
表9 地上風（東西）の25アンサンブル平均値の標高別でのR(相関係数)とRMSE
表10：25アンサンブル平均値の地上風（東西）の水平風速勾配の平均値、R（相関係数）、RMSE
表10 25アンサンブル平均値の地上風（東西）の水平風速勾配の平均値、R（相関係数）、RMSE
表11：地上風（南北）の25アンサンブル平均値の標高別でのR(相関係数)とRMSE
表11地上風（南北）の25アンサンブル平均値の標高別でのR(相関係数)とRMSE
表12：25アンサンブル平均値の地上風（南北）の水平風速勾配の平均値、R（相関係数）、RMSE
表12　25アンサンブル平均値の地上風（南北）の水平風速勾配の平均値、R（相関係数）、RMSE
表13：東京における2026年7月14日00 UTCを初期時刻とした720時間（7月14日03 UTCから8月13日03 UTC）の30日間を対象として、平均風速、最大風速、95パーセンタイル、強風日数（10 m/s以上、15 m/s以上、20 m/s以上）および強風の最大連続日数（10 m/s以上、15 m/s以上）を示す。各統計量の予報範囲は、25アンサンブルメンバーを用いて算出した。
表13　東京における2026年7月14日00 UTCを初期時刻とした720時間（7月14日03 UTCから8月13日03 UTC）の30日間を対象として、平均風速、最大風速、95パーセンタイル、強風日数（10 m/s以上、15 m/s以上、20 m/s以上）および強風の最大連続日数（10 m/s以上、15 m/s以上）を示す。各統計量の予報範囲は、25アンサンブルメンバーを用いて算出した。

実施に、特定地点における予報誤差が予報期間の経過に伴ってどのように変化するかを確認するため、25アンサンブルメンバーの時系列を調査した。図21は、東京における2026年7月14日00 UTCを初期時刻とした720時間について、7月14日03–04 UTCから8月13日02–03 UTCまでの30日間の日降水量の時系列を示す。上段に本手法による推定値、下段にEPSC-GPVを示し、細線は各アンサンブルメンバー、太線はアンサンブル平均値、棒グラフは解析雨量を示す。本手法およびEPSC-GPVのいずれにおいても、降水イベントの発生に伴って予報値と解析雨量との差が大きくなる傾向がみられた。また、予報期間の経過に伴ってアンサンブルメンバー間のばらつきが拡大し、予報の不確実性が増加する様子が確認された。特に、本手法ではEPSC-GPVと比較してアンサンブル間のばらつきが大きくなる傾向がみられた。これは、本手法が地形の影響を反映した降水量の量的補正を行うため、入力となるEPSC-GPVの予測誤差が地形効果とともに局地的な降水量の差として強く現れたためと考えられる。また、前線や台風などの大規模な気象擾乱は、特定地点における降水量に大きな影響を及ぼすため、各アンサンブルメンバーにおける降水イベントの発生時期や有無の違いが、予報値のばらつきに大きく影響したと考えられる。図22は、東京における同期間の日平均気温の時系列を示す。上段に本手法による推定値、下段にEPSC-GPVを示し、細線は各アンサンブルメンバー、太線はアンサンブル平均値、棒グラフはMSM-GPVの解析値を示す。全体として、本手法とEPSC-GPVでは類似した時間変動特性がみられ、大規模な循環場の変動が東京の気温変化に強く影響していることが示唆された。また、予報期間の経過に伴って予報誤差が拡大する傾向も、両者で概ね共通していた。一方、本手法ではEPSC-GPVと比較してやや高温となる傾向がみられた。これは、本手法によって都市部の気温特性や周辺地域との気温差が反映されたためと考えられる。図23は、東京における同期間の地上風の日平均値の時系列を示し、左図に東西成分、右図に南北成分を示す。上段に本手法による推定値、下段にEPSC-GPVを示し、細線は各アンサンブルメンバー、太線はアンサンブル平均値、棒グラフはMSM-GPVの解析値を示す。気温と同様に、本手法とEPSC-GPVでは概ね同様の時間変動特性がみられ、予報期間の経過に伴う予報誤差の拡大も両者で確認された。一方、解析値では30日間を通して比較的小さな変動であったのに対し、本手法およびEPSC-GPVでは予報期間後半にアンサンブルメンバー間のばらつきが大きくなった。特に、一部のアンサンブルメンバーでは、大規模な気象擾乱の影響を強く受け、風速が大きく変化するケースがみられた。その結果、本手法およびEPSC-GPVでは、東京における風速を解析値と比較して全体的にやや過大に予測する傾向がみられた。以上の結果から、気温や地上風については、大規模循環場に対応した時間変動特性を比較的良好に再現できる一方、予報期間が長くなるにつれてアンサンブル間の不確実性が増加し、特定地点における量的な予測精度には限界があることが示された。

図21：東京における2026年7月14日0UTCを初期時刻とした720時間（7月14日3\~4UTCから8月13日2\~3UTC）の30日間の日降水量の時系列。上が本手法の推定値、下がEPSCで、細線が各アンサンブル、太線がアンサンブル平均値、棒グラフが実測（解析雨量）を示す。
図21 東京における2026年7月14日0UTCを初期時刻とした720時間（7月14日3~4UTCから8月13日2~3UTC）の30日間の日降水量の時系列。上が本手法の推定値、下がEPSCで、細線が各アンサンブル、太線がアンサンブル平均値、棒グラフが実測（解析雨量）を示す。
図22：東京における2026年7月14日0UTCを初期時刻とした720時間（7月14日3UTCから8月13日2UTC）の30日間の日平均気温の時系列。上が本手法の推定値、下がEPSCで、細線が各アンサンブル、太線がアンサンブル平均値、棒グラフが実測（MSM-GPV）を示す。
図22東京における2026年7月14日0UTCを初期時刻とした720時間（7月14日3UTCから8月13日2UTC）の30日間の日平均気温の時系列。上が本手法の推定値、下がEPSCで、細線が各アンサンブル、太線がアンサンブル平均値、棒グラフが実測（MSM-GPV）を示す。
図23：東京における2026年7月14日0UTCを初期時刻とした720時間（7月14日3UTCから8月13日2UTC）の30日間の地上風日平均値（左が東西、右が南北）の時系列。上が本手法の推定値、下がEPSCで、細線が各アンサンブル、太線がアンサンブル平均値、棒グラフが実測（MSM-GPV）を示す。
図23 東京における2026年7月14日0UTCを初期時刻とした720時間（7月14日3UTCから8月13日2UTC）の30日間の地上風日平均値（左が東西、右が南北）の時系列。上が本手法の推定値、下がEPSCで、細線が各アンサンブル、太線がアンサンブル平均値、棒グラフが実測（MSM-GPV）を示す。

まとめ

・MEPS-GPVへの適用について

本手法をMEPS-GPVに適用することで、解析値に近い降水量の空間分布特性を推定できることが確認された。また、MEPS-GPVでみられた降水量の過小評価が改善され、特に強雨イベントでは検出性能の向上が確認された。一方で、本手法には、降水量をやや多く推定し、降水域をやや広く推定する傾向も確認された。これは、本手法が学習によって得た降水量の特性によるものと考えられる。したがって、実際の予報情報として利用する際には、このような本手法固有の特性を考慮するとともに、利用者に対して適切に説明することが重要である。

・EPSC-GPVへの適用について

EPSC-GPVに本手法を適用した場合も、MEPS-GPVの場合と同様に、降水量について解析値に近い空間分布特性が推定され、特に強雨イベントについて改善傾向が確認された。また、気温および地上風については、本手法を適用することで、EPSC-GPVでは十分に表現できない地形の影響を反映した、より詳細な空間分布を推定できることが確認された。特に、標高による気温や風速の違い、地形に伴う水平的な変化について、本手法による詳細化が確認された。一方、1か月アンサンブル予報では、予報時間が長くなるにつれて予報誤差やアンサンブルメンバー間のばらつきが大きくなる。また、前線や台風などの大規模な気象現象では、その発生時期や進路の違いによって、特定地点における降水量や風速などの予測値が大きく変化する場合がある。このため、1か月先までの予測情報を利用する際には、単一の予測値のみを示すのではなく、複数のアンサンブルメンバーによる予測幅や確率など、不確実性を含めて情報を提示することが重要である。利用者に対しても、長期予報にはこのような不確実性が存在することを適切に周知する必要がある。

・総括

以上の結果から、MEPS-GPVおよびEPSC-GPVのいずれに本手法を適用した場合でも、推定結果は入力となる数値予報モデルが表現する大規模な気象場に強く依存することが確認された。本手法は、数値予報モデルが予測する大規模な気象場の時間変化を引き継ぎながら、学習によって得られた地形や地域特性を反映することで、低解像度の数値予報から、より詳細な局地気象情報へ時間・空間的にダウンスケーリングする手法である。そのため、入力となる数値予報モデルが持つ予報誤差を本手法のみで完全に除去することはできず、予報時間の増加に伴う不確実性も引き継がれる。したがって、本手法の特性を考慮することで、上記の結果でみられた推定結果と入力となる数値予報モデル(GPV)との共通点および相違点は、整合的に説明できる。一方で、複数のアンサンブルメンバーを用いることで、この不確実性を予測幅や確率として表現することが可能である。以上から、本手法によるダウンスケーリングとアンサンブル予報を組み合わせることで、低解像度の数値予報では十分に表現できない地形効果や地域特性を反映した、より詳細な局地気象の確率予報情報を提供できる可能性が示された。また、手法の検証だけでなく、実際に発表する予報値についても、予報値に異常がないか、入力データとの対応関係に問題がないか、空間的・時間的に不自然な変化が生じていないか、本手法による補正・ダウンスケーリングが想定した特性を示しているかなどを確認した。手法の適用過程に問題がある場合には、これらの項目において入力データとの整合性を欠く結果や、空間的・時間的に不自然な分布が生じることが想定される。しかし、実際の予報値について確認した結果、これらの観点から特に問題となる事象は確認されなかった。以上の結果から、実際の予報情報を作成・提供するための適用過程についても、適切に機能していることを確認した。今後は、予報精度のさらなる向上に向けて本手法の改良を進めるとともに、長期予報に伴う不確実性や本手法固有の予測特性を利用者が適切に理解できるよう、確率予報を含めた予測情報の提示方法についても改善を進める予定である。