GPM全球降水マップのデータ同化手法の研究
JAXAスーパーコンピュータシステム利用成果報告(2016年4月~2017年3月)
報告書番号: R16J0091
- 責任者: 古川 欣司(第一宇宙技術部門 GPM/DPRプロジェクトチーム)
- 問い合わせ先: 久保田拓志(kubota.takuji@jaxa.jp)
- メンバ: 寺崎康児,八代尚,小槻峻司,三好建正,金丸佳矢
- 利用分類: 宇宙分野(衛星利用)
概要
地球観測衛星により得られる観測データを,高度なデータ同化手法を利用して数値天気予報システムに取り込み,数値天気予報の精度を改善する.さらに,全球データ同化システムを利用した新しい降水データセットを作成する.
目的
GPM/DPRやその他の衛星観測データを,先端的のアンサンブルデータ同化手法により数値天気予報モデルに取り込み,大気客観解析及びこれを初期値とした予報に改善をもたらすと共に,衛星観測データと数値モデルの双方を活かした新たな降水プロダクトの可能性を切り拓く.
目標
http://www.eorc.jaxa.jp/GPM/index_j.htm 参照。
参照URL
http://www.eorc.jaxa.jp/GPM/index_j.htm 参照。
スパコンの用途
全球大気データ同化システム(NICAM-LETKF)による衛星観測データ同化及び予測計算を行う.
スパコンの必要性
大規模な全球大気モデル計算,及び,アンサンブルデータ同化を行うために,スパコンは必須である.
今年度の成果
(1) NICAM-LETKFのインフレーション手法の改良
昨年度の研究では,データ同化の誤差分散の膨張手法が原因となり,長期実験でNICAM-LETKFが不安定となることが分かっていた.今回新たに,Relaxation To Prior Perturbation (RTPP; Zhang et al. 2004, MWR)及びRelaxation To Prior Spread (RTPS; Whitaker and Hamill 2012, MWR)と呼ばれる誤差分散膨張法のパラメータを動的に見積もる手法を開発し(adaptive-RTPS法とadaptive-RTPP法),実際のNICAM-LETKFシステムで安定的に動作することを確認した.新たに開発した動的な誤差分散膨張法により,予報誤差が全球に渡って改善した (Fig. 1).
(2) NICAM-LETKFの長期実行
改良した誤差分散膨張手法を用いて,複数のNICAM-LETKFの長期実験を遂行した.具体的には,ラジオゾンデ等の従来型観測データに加えて,衛星降水観測データGSMaP,及び,衛星マイクロ波放射計AMSU-Aの輝度温度データを同化することの効果を調査した.AMSU-A輝度温度データの同化によって全般的な改善が得られ,さらに追加して降水観測データを同化することで,水蒸気の大気場が改善する良好な結果が得られた(Fig. 2).
(3) パラメータ推定
NICAM-LETKFによる降水予報精度の改善を図るために,モデル自身を改良するパラメータ推定システムを開発した.大規模凝結スキームのパラメータ1つを選び,GSMaPを用いてデータ同化の中で見積もった結果,モデルの予報する降水分布が観測に近くなり,NICAMによる降水予報精度が改善されることを確認した(Fig. 3).
(4) 観測誤差相関に関する理論的研究
衛星観測データには誤差相関があることが知られており,誤差相関を陽に考慮して数値天気予報を改善することは世界最先端の研究分野である.誤差相関を持つ観測データを同化するためによく用いられる既存の方法として,観測の間引きや,誤差を大きくする処置がある.NICAMを用いて,誤差相関を持つ観測システムを想定した観測システムシミュレーション実験OSSE(observing system simulation experiment)を実施し,既存の方法と,誤差相関を陽に考慮する場合の違いを調査した.その結果,誤差相関を陽に考慮する場合に最も良い精度が得られることを得た(Fig. 4).

Fig. 1:500hPa気圧面の気温の第一推定値のERA Interim再解析に対する全球平均RMSD(K; 棒グラフ)とアンサンブルスプレッド(K; 赤ドット).灰色・黄土色・緑の棒グラフはそれぞれadaptive-multiplicative法,adaptive-RTPS法,adaptive-RTPP法を示す.GL, NH, TR, SHはそれぞれ全球平均,北半球平均,熱帯域平均,南半球平均を表す.Kotsuki et al. (2017b;submitted to QJRMS)より転載.

Fig. 2:水蒸気混合比の解析場のERA Interim再解析に対する全球平均RMSD(g/kg)の鉛直分布の時系列.縦軸は鉛直気圧高度(hPa)をしめす.(a):PREPBUFRのみ,(b):AMSU-Aを同化した場合,(c):AMSU-AとGSMaPを同化した場合,(d):(c)と(b)の差.負値はGSMaPの同化による改善に対応.Terasaki et al. (2017a;submitted to JMSJ)より転載.

Fig. 3:2014年6月16日0000UTCにおける降水分布の比較 (mm 6h-1).左:パラメータ推定無しの実験,中:パラメータ推定有りの実験,右:GSMaP_Gauge観測.Kotsuki et al. (2017c; in preparation)より転載.

Fig. 4:観測誤差が相関を持つ観測データを同化するNICAM-LETKF-OSSE実験の気温の解析RMSE(K)の比較.CTRLは対角のRを仮定した実験,EXP1は観測誤差を陽に考慮した実験,EXP2は誤差を大きくした対角のRを用いた実験,EXP3は観測の間引きを行った実験をそれぞれ示す.Terasaki and Miyoshi (2017b; in preparation)より転載.
成果の公表
査読付論文
1) Kotsuki, S., T. Miyoshi, K. Terasaki, G.-Y. Lien, and E. Kalnay, 2017a: Assimilating the Global Satellite Mapping of Precipitation Data with the Nonhydrostatic Icosahedral Atmospheric Model NICAM. J. Geophys.Res. Atmos., 122, 1-20. doi:10.1002/2016JD025355
招待講演
1) 2016/7/6 T. Miyoshi, `Big Data perspective on assimilating dense observations with spatially correlated errors’RMetS/NCAS Conference 2016 High Impact Weather and Climate, Manchester, UK
2) 2016/7/11 T. Miyoshi, `Big Data,supercomputing, and Data Assimilation’, Data Assimilation Research Centre Meetings, Reading, UK
3) 2016/7/19 T. Miyoshi, `’Big Data Assimilation’: Progress and Plans’, ISDA2016, Reading, UK
4) 2016/8/22 三好 建正, ‘アンサンブルカルマンフィルタの基礎と応用,「京」を使った最先端研究の紹介’, 海洋データ夏の学校, 青森県むつ市
5) 2017/1/27 小槻峻司,三好建正,「予測モデルのためのデータ同化」,PSTEP研究集会,名古屋
6) 2017/1/24 T. Miyoshi, K. Terasaki, S. Kotsuki, K. Kondo, T. Honda, G. Y. Lien, Y. Sawada, and K. Okamoto, ‘Challenges and Advances in Satellite Data Assimilation: From Vertical Covariance Localization to Every-10-Minute Himawari-8 All-Sky IR Radiances’, ,97th AMS Annual Meeting, Seattle, USA
計算情報
- 並列化手法: ハイブリッド並列
- プロセス並列手法: MPI
- スレッド並列手法: 自動並列
- プロセス並列数: 400
- プロセスあたりのスレッド数: 4
- 使用ノード数: 100
- 1ケースあたりの経過時間(時間): 10
- 実行ケース数: 713
利用量
総仮想利用経費(円): 49,052,567
内訳
計算システム名 | コア時間(コア・h) | 仮想利用経費(円) |
---|---|---|
SORA-MA | 27,698,662.86 | 45,076,854 |
SORA-PP | 0.06 | 0 |
SORA-LM | 0.00 | 0 |
SORA-TPP | 0.00 | 0 |
ファイルシステム名 | ストレージ割当量(GiB) | 仮想利用経費(円) |
---|---|---|
/home | 1,449.59 | 13,673 |
/data | 410,251.80 | 3,869,918 |
/ltmp | 9,765.63 | 92,119 |
アーカイバシステム名 | 利用量(TiB) | 仮想利用経費(円) |
---|---|---|
J-SPACE | 0.00 | 0 |
注記: 仮想利用経費=2016年度設備貸付費用の単価を用いて算出した場合の経費
JAXAスーパーコンピュータシステム利用成果報告(2016年4月~2017年3月)