2km Local Forecast Model; LFM Local Analysis; LA 2010 11 2.1.1 2010a LFM 2.1.1 2011 3 11 2.1.1 2011 5 2010 6 1 8 3 1 LFM LFM MSM LFM FT=2 2009; 2010 MSM RMSE RMSE MSM RMSE 2010 1 8 3 2010 6 2010 6 8 2010 9 11 2010 12 2011 2 2011 3 5 1 2.1.1 2.1.2 2.1.3, 2.1.5 2.1.4 2.1.1 1 8 2010 LFM LFM LFM LFM 2.1.1 2010 LFM 2.1.1 40km 37
LFM 1 8 3 2010 6 2011 5 1 LFM 5 2915 SPAS LFM 6 2002............... 2.1.2 6... 6 2.1.2 2915 2.1.1 LFM 1 2.1.3 20km 20mm/h FT FT=3 BI ETS 20mm/h FT BI 2.1.3 BI FT=3 BI BI 2009 2010 FT=3 BI 2.1.3 FT=3 BI 4 BI 20mm/h 10 20mm/h LFM BI ETS FT 2.1.3 2.1.3 2.1.1 2010 6 1 2011 5 31...... 461 683 751 559 361 100 2915 38
5mm/h BI 1 ETS ETS 1mm/h 15mm/h LFM MSM ETS 2mm/h LFM MSM 2.1.4 LFM MSM 20mm/h BI ETS 20km 18JST LFM BI 1 ETS BI ETS MSM BI ETS MSM 20mm/h LFM MSM LFM LFM MSM 5km 40km 2.1.5 10mm/h MSM 0.05 MSM LFM LFM 10mm/h MSM LFM MSM 2.1.3 20km 1 20mm/h FT FT=3 95% 39
LFM 2010 11 MSM KF MSM 2010 2.1.4 MSM BI LFM LFM LFM 2010 6 1 2011 5 31 1 6 LFM 1 LFM MSM LFM MSM ETS 2.1.4 20mm/h LFM MSM 95% LFM MSM LFM 2010 8 2.1.5 FT=3 LFM MSM 5km 40km 95% 40
24 17JST LFM,MSM 24 03UTC FT=5 2.1.6 LFM MSM MSM 5km Kain-Fritsch Kain and Fritsch 1990; Kain 2004 2008 LFM MSM LFM MSM 2.1.6 26 1 MSM,LFM 2 1km 2.1.7 LFM,MSM 0.4mm/h 20mm/h 21,00UTC MSM 0.4mm/h 20mm/h 0 2 MSM LFM 0.4mm/h 20mm/h MSM LFM LFM MSM [ mm/h ] 2.1.6 2010 8 24 17JST LFM 24 03UTC FT=5 MSM 24 03UTC FT=5 1 41
0.4mm/h 20mm/h 2.1.7 0.4mm/h 20mm/h LFM MSM 21UTC 00UTC 0 1 JST LFM 3 9 LFM (1) 26 2.1.1 2.1.2 10km 20mm/h 3 2.1.8 FT BI 17JST LFM 00UTC FT=2 03UTC 15JST BI 1 06,09UTC 2.1.9 03,06,09UTC 21JST 20mm/h 50mm/h LFM 2.1.8 BI 10km 20mm/h 00UTC 03UTC 06UTC 09UTC FT=1 9 BI 95% FT=3 3 10km 20mm/h LFM LFM 20mm/h 10km 10km 42
LFM 2010 LFM LFM 4 2.1.10 LFM FT=0 FT=1 00,03UTC 1 06,09UTC LFM MSM 00,03UTC 06,09UTC 00,03UTC 06,09UTC 2011 8 7 2.1.11 15JST LFM 8 6 21UTC FT=9 8 7 03UTC FT=3 6 21UTC 7 03UTC 50mm/h 2.1.9 21JST 10km 20mm/h 50mm/h 03UTC FT=9 06UTC FT=6 09UTC FT=3 2.1.10 00UTC 03UTC 06UTC 09UTC FT=0 9 ; ; 43
6 21UTC FT=9 7 03UTC FT=3 B A D C [mm/h] 6 21UTC FT=9 7 03UTC FT=3 [ ] 2.1.11 2011 8 7 15JST 1 6 21UTC FT=9 7 03UTC FT=3 A D 13JST CAPE 2.1.2 6 21UTC FT=9 7 03UTC FT=3 13JST 7 03UTC CAPE 7 03UTC 2.1.2 7 03UTC MSM 2.1.2 2.1.11 A D 13JST CAPE(J/kg) 900hPa 6 21UTC 7 03UTC A 853 1789 B 212 1652 C 94 562 D 0 64 LFM LFM LFM 2010 2010 2010 6-8 2009 12-2010 2 LFM 12-21UTC MSM LA LFM 2010 44
2005 LFM 2010 1-12 LFM MSM 4 METAR 2010 2.1.12 2010 kt LFM MSM 2.1.12 LFM MSM LFM MSM 1 2010 LFM MSM 2010 2010 2.1.13 LFM MSM LFM MSM 2010 4 2010 4 LFM 2 MSM 3 2.1.14 LFM MSM 2.1.13 2.1.12 2010 UTC 2.1.14 LFM MSM 4 0.5 (m) 45
2.1.16 2.1.15 4 2.1.15 2.1.15 2.1.12 4 kt LFM MSM 2.1.12 4 2.1.15 2.1.16 2010 LA LFM,MSM 2010 LA LFM 2010 2.1.15 1 LFM MSM LFM MSM MSM 2.1.12 MSM LFM MSM LFM LFM MSM 30 30 60 3kt LFM 2010 1-12 1 LFM 9 65 MSM 22 248 LFM 421 SPECI LFM 38 MSM 17 LFM MSM LFM MSM LFM MSM LFM MSM 46
2009 LFM LFM LA LFM MSM 2008 2010 7 24 06UTC 2.1.17 27kt 2.1.18 LFM 12UTC MSM MSM 2.1.19a 2.1.19c LFM 2.1.19b 2.1.17 2010 7 24 9 2.1.18 2010 7 24 06-15UTC 10kt 5kt :METAR G SPECI :LFM :MSM (a) (b) (c) OBS LFM MSM 2.1.19 2010 7 24 12UTC (a) 1 mm/h (b) LFM( 2010 7 24 06UTC,FT=6) ( ) 1 (c) MSM( 2010 7 24 06UTC,FT=6) ( ) 1 10kt 5kt 47
LFM 2.1.20 2010 9 8 03UTC 9 2.1.21 LFM 07-08UTC 09-10UTC 2010 9 8 08UTC 2.1.22a LFM 2.1.22b MSM 2.1.22c MSM LFM 2.1.20 2010 9 8 9 2.1.21 2010 9 8 03-12UTC 10kt 5kt :METAR /SPECI G SPECI V :LFM :MSM (a) (b) (c) OBS LFM MSM 2.1.22 2.1.19 2010 9 8 08UTC (a) 1 mm/h (b) LFM(2010 9 8 03UTC,FT=5) (c) MSM(2010 9 8 03UTC,FT=5) 48
LFM LFM MSM LFM MSM LFM LFM LA 1 8 LFM LA 2010b 2010 LA, LFM, 2009:. 21,, 90-96.,,,,,,,,, 2010a:. 22,, 1-3.,,,, 2010b:. 22,, 25-27., 2005:. 17,, 21-23.,, 2008:. 54,, 199-202., 2008:. 54,, 75-80.,, 2010:. 22,, 53-61., 2010:. 22,, 4-10.,, 2010:. 56,, 68-72.,, 2002:,, 275pp. Kain, J.S., 2004: The Kain-Fritsch convective parameterization: An Update. J. Appl. Meteor., 43, 170 181. Kain, J.S. and J.M. Fritsch, 1990: A one-dimensional entraining/detraining plume model and its application in convective parameterization. J. Atmos. Sci., 47, 2784 2802. 49
2.2 観測データ未入電時におけるガイダンスの精度 1 2.2.1 はじめに平成 23 年 (2011 年 ) 東日本大震災の際に東北地方の太平洋沿岸のアメダス地点の多くが被災し 長期にわたって観測値が欠測となった ガイダンスには観測値を元に予測式を日々最適化しているものが多くある ( 付録 A を参照 ) 観測データが途絶えるとこれらのガイダンスの予測式は最適化されず 観測データが途絶える前の予測式を用いた予測を継続することとなる このことがガイダンスの精度にどの程度影響するかが懸念される 観測データが未入電となることによるガイダンスの精度への影響を調べるため 東日本大震災と同じ季節にあたる平成 22 年 (2010 年 ) の 3 月から翌年 7 月までの 16 か月間 全国のアメダス地点の観測デー タが未入電となったと仮定した実験を行った 本節ではその結果を報告する 2.2.2 調査方法実験では 平成 22 年 (2010 年 )3 月 11 日以降 全国のアメダス地点のデータが未入電となったと仮定して平成 23 年 (2011 年 )7 月までの16か月間のガイダンスを作成した 風ガイダンス (MSM 定時風ガイダンス MSM 最大風速ガイダンス ) 気温ガイダンス (MSM 最高 最低気温ガイダンス ) を対象に 同期間のルーチンのガイダンスの結果との精度を比較した 以降 実験の結果をtest ルーチンの結果をcntlとする 検証結果は03UTC 初期値の結果を紹介する 図 2.2.1 定時風ガイダンスの風速の初期時刻別の RMSE の時系列図 赤は test 青は cntl 緑は mdl(msm の予測値 ) を表示している 太線は 30 日移動平均 縦軸の単位は m/s a は 2010 年 5 月 1 日 b は 2010 年 10 月 1 日 c は 2011 年 5 月 1 日を示す 図 2.2.2 定時風ガイダンスの風向の初期時刻別の RMSE の時系列図 赤は test 青は cntl 緑は mdl(msm の予測値 ) を表示している 太線は 30 日移動平均 縦軸の単位は度 a は 2010 年 5 月 1 日 b は 2010 年 10 月 1 日 c は 2011 年 5 月 1 日を示す 1 小泉友延 後藤尚親 50
図 2.2.3 最高気温の RMSE 時系列グラフ 赤は test 青は cntl 緑は mdl(msm の予測値 ) を表示している 太線は 30 日移動平均 縦軸の単位は a は 2010 年 6 月 1 日 b は 2010 年 10 月 1 日 c は 2011 年 6 月 1 日を示す 図 2.2.4 最低気温の RMSE 時系列グラフ 赤は test 青は cntl 緑は mdl(msm の予測値 ) を表示している 太線は 30 日移動平均 縦軸の単位は a は 2010 年 6 月 1 日 b は 2010 年 10 月 1 日 c は 2011 年 6 月 1 日を示す 2.2.3 調査結果 (1) 風ガイダンス風ガイダンスでは 初期時刻ごとに全アメダス地点のFT=1~24までの予測と観測結果から風向と風速のRMSEを求めて精度を検証した 図 2.2.1は 定時風ガイダンスとMSM 地上風の風速のRMSEの時系列グラフである 同様に図 2.2.2は風向のRMSEの時系列グラフである なお MSM 地上風はアメダス地点に最も近い格子の値で検証した 風速 風向ともに 観測データが未入電となってからしばらくはcntlとtestとの差はほとんど見られないが 季節の変わり目となる5 月頃 ( 図 2.2.1 図 2.2.2のa) からtestとcntlとの精度の差が大きくなった 季節が夏から秋に変わり10 月 ( 図 2.2.1 図 2.2.2のb) になると再びtestとcntlとの精度の差は小さくなり 翌年の5 月頃 ( 図 2.2.1 図 2.2.2のc) になるとまたtestとcntlとの精度の差が大きくなった こ のように test と cntl との精度の差に季節変化が見られたが実験期間を通じて test は MSM の予測値よりも精度はよかった 最大風速ガイダンスについても同様の結果であった ( 図は省略 ) test と cntl との精度の差に季節変化が見られたのは 観測データが途絶えて予測式の最適化が停止したことにより 予測式がモデルのバイアスの季節変化に対応できなくなったためと考えられる 一方 予測式の最適化が正常に行われていた cntl は モデルのバイアスの季節変化に対応し 1 年を通じて良い精度を維持することができた (2) 気温ガイダンス気温ガイダンスでは 初期値ごとに全アメダス地点の翌日の予測と観測結果から最高気温と最低気温の RMSE を求めて精度を検証した 図 2.2.3 は 最高気温の RMSE の時系列グラフである 同様に図 2.2.4 は最低気温の RMSE の時系列グラ 51
フである なお MSM 地上気温はアメダス地点に最も近い周囲 4 格子を内挿した値で検証した 最高気温 最低気温ともに 観測データが未入電となってから季節の変わり目となる 5 月頃までは test は mdl に比べて精度が高いことを確認出来たが 6 月頃 ( 図 2.2.3 図 2.2.4 の a) になると test の精度が mdl の精度より悪くなった 季節が夏から秋に変わり 10 月 ( 図 2.2.3 図 2.2.4 の b) になると再び test の精度が mdl の精度を上回るようになり 翌年の 6 月頃 ( 図 2.2.3 図 2.2.4 の c) になると再び test は mdl に比べて精度が悪くなった この実験のように test の精度に季節変化が見られたのは 予測式の係数が固定されているため モデルの気温や風系のバイアス傾向が変化することに対応できず 精度が悪くなったことが考えられる 一方 係数更新が正常に行われている cntl については季節変化に伴い係数を適切に更新するため 1 年を通じて良い精度を維持していることも確認できた 2.2.4 まとめ調査の結果から 観測データが未入電となった場合のガイダンスの精度は データが未入電となった期間よりも季節に依存することがわかった 観測データが未入電となっても 季節に変化がない期間であればガイダンスはある程度の精度を維持するが 季節が変わると精度が悪くなり 気温ガイダンスでは MSM の予測値よりも精度が悪くなる時期があった これは観測データが未入電となることによりガイダンスの予測式の日々の最適化ができなくなり ガイダンスの予測式が数値予報モデルのバイアスの季節変化に対応できなくなったためと考えられる 実験のように 1 年以上にわたって観測データが未入電となることは想定し難いことであるが 短期間であっても季節の変わり目を含む場合はガイダンスの精度が維持されない場合がある 観測データが継続して未入電となっている地点がある場合は 周辺の地点の予測値と比較することにより該当地点のガイダンスの予測値が妥当であるかを確認しながら利用することが望ましい 52
(FLOPS) FLOPS 60 200 LSI 2 TOP500 Green500 GPU 2.3.1 2.3.1 1 K 1,000 M 1,000,000 G 1,000,000,000 T 1,000,000,000,000 P 1,000,000,000,000,000 E 1,000,000,000,000,000,000 GPU Graphics Processing Unit 3 GPU GPU GPGPU (General-Purpose computing on GPUs) GPU GPGPU GPU GPU 2.3.1 CPU GPU GPU 1TFLOPS 2.3.1 GPU CPU NVIDIA 2011 53
PCI Express GPU GPU GPU asuca 2011 GPU TSUBAME 2.0 2011, 2.3.2 TSUBAME 2.0 2010 11 TOP500 4 2011 6 5 Green500 4 GPU 2.3.2 TSUBAME2.0 GSM JMA-NHM GPU GPU GPU GPU GPU GPU GPU WRF GPU (Michalakes, J. and M. Vachharajani 2008) GPU GPU CUDA (Compute Unified Device Architecture) C C asuca Fortran Fortran CUDA Fortran C C CUDA Fortran GPU GPU asuca GPU TSUBAME 2.0 3990 GPU 145TFLOPS (MSM) 0.7TFLOPS MSM 500m 4792 4696 48 54
2.3.3 500m asuca 2011 TSUBAME2.0 437GPU ( 2011; Shimokawabe et al. 2011) 2.3.3 GPU GPU GPU GPU GPU GPU GPU GPU GPU GPU GPU CUDA C Fortran Fortran GPU GPU CPU GPU GPU CPU 2011: TSUBAME 2.0 NVIDIA, 2011: CUDA Programming Guide Version 4.0 Shimokawabe, T., T. Aoki, T., J. Ishida, J., K. Kawano, K., and C. Muroi, C, 2011: 145 TFlops performance on 3990 GPUs of TSUBAME 2.0 supercomputer for an operational weather prediction., First International Workshop on Advances in High-Performance Computational Earth Sciences: Applications and Frameworks (IHPCES), Singapore. Michalakes, J. and M. Vachharajani, 2008: GPU Acceleration of Numerical Weather Prediction. Parallel Processing Letters 18, No. 4., 531--548. 55