「ビッグデータ同化」で ゲリラ豪雨に挑む

「ビッグデータ同化」で
ゲリラ豪雨に挑む
みよし たけまさ
三好 建正
Ph.D. (Meteorology)
データ同化研究者
理化学研究所
計算科学研究機構
データ同化研究チーム
略歴
大学卒業
↓
気象庁（2年+1年3ヶ月）
↓
メリーランド大学大学院留学（2年）
↓
気象庁（3年6ヶ月）
↓
メリーランド大学（4年）
↓
理化学研究所（～3年）
©JAMSTEC・AORI (SPIRE Field3), RIKEN/AICS
Visualized by Ryuji Yoshida
TEDxSannomiyaより
http://tedxsannomiya.com/speakers/takemasa-miyoshi/
New
radar
technology
+
=
=
+
In 2020,
Post “K”
Super computer
+
New
technologies
データ同化
観測・実験データ
1
シミュレーション
データ同化
+
>2
1
数値天気予報のしくみ
予報
モデル
シミュレーション
解析
予報
解析
観測
解析
観測
予報解析サイクル：過去の観測の情報を
真の状態（未知） 時間方向に積み重ねる。→4次元同化
time
６時間で集まる観測データ
（気象庁より）
大気には国境がない。天気の観測は、国際協力の賜物。
６時間で集まる観測データ
（気象庁より）
NWP has been pioneering “Big Data” science!
We consider the evolution of PDF
Analysis ensemble mean
Analysis w/ errors
T=t0
R
Obs.
FCST ensemble mean
T=t1
T=t2
最先端のシミュレーション (Miyamoto et al. 2013)
「京」による全球870メートル世界最高解像度のシミュレーション
©JAMSTEC・AORI (SPIRE Field3), RIKEN/AICS
Visualized by Ryuji Yoshida
Computers getting more powerful…
• With the “post-K” supercomputer (~2020), we can afford
100 members of global 870-m simulation.
• Two directions:
– High resolution
– Large ensemble
The Japanese 10-Peta-Flops K computer
Advantage of large ensemble
100 members
(Miyoshi, Kondo, Imamura 2014)
10240 members
Sampling noise reduced
High-precision probabilistic
representation
今後20年を考える
“ビッグデータ同化”の時代へ
データ量の爆発
有効利用が可能に
大容量データ
大容量データ
高精細シミュレーション
高精細観測
計算機性能の向上
観測技術の高度化
次世代静止気象衛星
ひまわり8号：H26.10.7打ち上げ、H27.7.7観測開始
ひまわり9号：H28打ち上げ予定
30秒毎の挟領域撮像
（次世代衛星としては世界初）
スーパーラピッドスキャン
Full Disk
10分毎
約50倍のデータ量!
2.5分毎
ラピッドスキャン
30秒毎
スーパーラピッドスキャン
（気象庁より）
高解像度衛星画像による豪雨の検知
積乱雲の発達の早期検知
衛星で捉えた積乱雲の短時間連続画像
短時間間隔で取得される衛星画像を分析処理し、
積乱雲を発生段階からレーダーよりもいち早く
監視・検出し、集中豪雨や突風等の発生に対する
早期警戒情報を提供する。
12
高度
（km）
「Chisholm, A. J. and Renick, J. H. (1972)」をもとに加工
：気象レーダー探知可能強雨域
9
6
3
0
10
衛星画像：
雲の発生段階から
捕捉・監視
15
20
衛星画像：
急速な発達を自動解析
→早期警戒情報
25
30
時間（分）
気象レーダー：
既に豪雨を降らせる状態
になってから探知
（気象庁より）
次世代型フェーズドアレイレーダー
（NICTより）
パラボラアンテナによる
３次元立体観測（５～１０分）
～１５仰角
フェーズドアレイレーダーによる
３次元立体観測（１０～３０秒）
１００仰角
 次世代に普及する新しいレーダー技術。
 現在日本では3基が稼働中（大阪、神戸、沖縄）。
 2基は神戸市を探知範囲に含む。
Phased Array Weather Radar (PAWR)
（NICTより）
データ量
3-dim measurement using
a parabolic antenna (150 m,
15 EL angles in 5 min)
100倍!!
10x more data
in a 1/10 period
3-dim measurement using a phased array antenna
(100 m, 100 EL angles in 30 sec)
23
阪大・神戸ＰＡＷＲ観測範囲
大阪大学吹田キャンパス
（Osaka Univ.）
NICT未来ICT研究所
（NICT Kobe）
60km
60km
Dual-Doppler
解析範囲
24
ビッグデータ同化によるゲリラ豪雨予測
研究のねらい：高精細シミュレーションと次世代高精細観測の
ビッグデータ同化により、ゲリラ豪雨の30分予測に道筋を。
革新的な超高速30秒更新天気予報
観測データ
処理・転送
観測データ
処理・転送
~2GB
~2GB
30秒
30秒
データ同化 380GB
データ同化
380GB アンサンブル 2.5TB デー
アンサンブル 2.5TB
計算
計
計算
予測計算
予測計算
（4.5PFLOP）
（4.5P
（4.5PFLOP）
（2.6PFLOP）
（2.6PFLOP）
2GB
2GB
30分予測計算（1.6PFLOP）
-10
0
10
30分予測計算（1.6PFLO
20
30
現在の毎時更新システムよりも
120倍高速
40
時間（秒）
過去の事例で実験： 2013年7月13日京都
15:06:00 JST after the 12th assimilation
NO DA
WITH DA Observation
Forecasts
Initialized at
15:06:00 JST
10-min fcst
15:16:00 JST
20-min fcst
15:26:00 JST
30-min fcst
15:36:00 JST
NO DA
WITH DA Observation
将来構想、夢
• “ビッグデータ同化”の30秒更新100mメッシュ気象予測
– 10年先の「未来の天気予報」を切り拓く
– ポスト「京」スーパーコンピュータは、2020年目標
“Tokyo 2020” 夏季オリンピックでポスト「京」スパコンを使ったデモ
• “ビッグデータ” ＋ “ビッグシミュレーション”
– 新時代を切り拓く 「コデザイン」
さらに幅広い応用へ
AFES
JMA GSM
Atmosphere
JMA MSM
CFES
Ocean
WRF-ROMS
NICAM
WRF
OFES
ROMS
データ同化
GFS
SPEEDY CO2
CAM
MOM
Mars GCM
JAMSTEC Chem
U.Tokyo Aerosol
MRI Chem
Chemistry
DA with SEIB-DGVM
(Arakida et al. 2015)
With the REAL MODIS LAI data
Without DA
Particles
Mean
10-90%
0-100%
Real Observation
MODIS LAI
MODIS SD
With DA
Particles
Mean
10-90%
0-100%
Real Observation
MODIS LAI
MODIS SD
(Arakida et al. 2015)
Unobserved variables
GPP
Respiration
NEE
Biomass
Without DA
With DA
Particles
Mean
10-90%
0-100%
(Arakida et al. 2015)
Summary: DA as the 5th paradigm
Observations
Numerical models
Data Assimilation
©Vaisala
part of scientific literacy?
• Science
1. theory
2. experiment /observation
3. simulation (computational science)
• The 4th paradigm: data-intensive science
– Big Data Analytics
• DA integrating (3) simulation and (4) data
– The 5th paradigm, potentially a part of scientific literacy