1 / 26

地球温暖化に伴う 降水生起確率の変化

地球温暖化に伴う 降水生起確率の変化. 沖・鼎研究室 36020 　齊田渉. 出典：アジア航測. 研究背景. 昨今の状況. ・ 2004 年日本：福井豪雨や新潟豪雨など水害が続発. ・地球温暖化と絡めて「異常気象が頻発？」という指摘. 一般には 過去に経験した気候状態から大きく外れた気象を 意味し 、 台風や低気圧に伴う大雨や強風などの数日程度の激しい現象から、干ばつや日照不足など数ヵ月程度の現象が含まれる。. 異常気象の定義. また、それぞれの 地点で過去 30 年間に観測されなかったような値 を観測した場合 （ 気象庁）.

caroun
Download Presentation

地球温暖化に伴う 降水生起確率の変化

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 地球温暖化に伴う降水生起確率の変化 沖・鼎研究室 36020　齊田渉 出典：アジア航測

  2. 研究背景 昨今の状況 ・2004年日本：福井豪雨や新潟豪雨など水害が続発 ・地球温暖化と絡めて「異常気象が頻発？」という指摘 一般には過去に経験した気候状態から大きく外れた気象を意味し、台風や低気圧に伴う大雨や強風などの数日程度の激しい現象から、干ばつや日照不足など数ヵ月程度の現象が含まれる。 異常気象の定義 また、それぞれの地点で過去30年間に観測されなかったような値を観測した場合 （気象庁） ほんとうに異常気象が頻発しているの？頻発しているならばそれはどの程度か？ TOPIC 研究内容 ・降水生起確率に着目した気候変動予測の分析 　分析 ・確率分布推定精度の向上 分析ツール開発 －新たな判定規準の試用 －37通りの組み合わせを適用

  3. 使用したデータ 　作成者　 CCSR　：　東京大学気候システム研究センター NIES　 ：　国立環境研究所 FRCGC: 海洋研究開発機構地球環境フロンティア 研究センター 　モデル 高解像度大気海洋結合気候モデル（K-1モデル） by CCSR、NIES、FRCGC 期間 1900年－2100年 　水文量 降水量

  4. 確率分布推定手法 Data P.D.F 　母数推定 判定規準 Normal Dist Moment法 SLSC Observation Log Normal Dist 2Para 　年降水 PWM法 Log Normal Dist 3Para 　月降水 MLM(最尤法) Inverse Gaussian Dist 　日降水 　岩井法など PearsonⅢ型1Para Log Likelihood 年最大日降水 PearsonⅢ型2Para 無降水日数 AIC PearsonⅢ型3Para Cross Validation Log PearsonⅢ型3Para Model 　年降水 Exponential SQRT Exponential-type 　月降水 Jackknife SQRT Exponential-type of Max 　日降水 Bootstrap Gumbel Dist 年最大日降水 Weibull Dist 無降水日数 Generalized Extreme Value Dist

  5. 　物理的距離 　情報量的距離 AIC 分布全体 SLSC 対数尤度 推定分布の適合度 クオンタイル推定のbias, RMSE 分布の端 Jackknife 推定分布の安定性 Bootstrap 判定規準 情報量(ビット) 例えば確率1/2 :1bit 例えば確率1/1024：10bit エントロピー 情報全体の不確実性 相対エントロピー 真の分布Qと予測分布Pの距離 物理的距離 ・二乗誤差 ・視覚 AIC モデルの複雑さも加味 最尤推定にしか使えない！ 真の分布で決まる 対数尤度 『推定が良い⇔真の分布と推定分布が近い⇔対数尤度が大』

  6. なぜなら Cross Validation 全標本から分布を推定すると・・・ 標本全体から母分布を推定した後，推定を評価する際に標本全体を用いることになり，評価にバイアスが入ってしまう． AICの(2×パラメータ数)ももともとこのバイアスを補正していた． 対数尤度をさらにCross Validationで． 実際に Cross Validationを使うとN=100ならば99個の100組の標本から100回母数推定することになる．

  7. 手法集積の効果 より多くの分布推定法を試すことで，いかなる規準に対しても，分布推定精度を上げることが出来る．

  8. Result：年降水量，東京 Cross Validation-Log likelihood 20c Ave 1995.9861 SD 229.737 21c Ave 2186.3234 SD 314.833 t検定によると有意度99.8%で平均は増加 20C 21C

  9. Result：東京の21世紀の降水量 20c Ave 1995.9861 SD20 229.737 21c Ave 2186.3234 SD21 314.833 Ave21-Ave20=190.34 SD21/SD20=1.37倍

  10. Result：年最大日降水量，東京 Cross Validation-Log likelihood 20c Ave 44.91579 21c Ave 49.45664 t検定により99.6%で平均は増加 20C 21C

  11. Result： 20世紀に30年に一度の降水は21世紀にX年に一度 （PearsonⅢ型2Parameterのmoment法） 21世紀に何年に一度か？ 21世紀の年降水量/20世紀の年降水量 たとえ年降水量の割合変化が少ない地域においても，現在30年に一度の年最大日降雨量がより高い確率で起こる傾向にある．

  12. Result：年降水量

  13. 確率分布推定手法の2/36の一部分 PearsonⅢ型3母数のPWM解ではこれを計算する． Bはベータ関数， B13は不完全ベータ関数．Γはガンマ関数 GEV分布のPWM解の計算の一部

  14. Result:PearsonⅢ2Parameter moment法で分布推定した結果 20世紀の年最大日降雨量 21世紀の年最大日降雨量－20世紀 SD(21世紀の年最大日降雨量) CVP(21世紀の年最大日降雨量) SD(20世紀の年最大日降雨量) CVP(20世紀の年最大日降雨量)

  15. Result:30年に一度の降水は何年に一度起こるか？Result:30年に一度の降水は何年に一度起こるか？ 計算中

  16. Result：年最大日降水量，東京 Cross Validation-Log likelihood

  17. 渇水基準 洪水基準 面積 頻度 降水量 Δ(面積) 降水量 降水量 1.3確率分布、AIC ・正規分布型（ガウス分布型） 1， 正規分布 2,2母数対数正規分布 3,3母数対数正規分布 4, 逆ガウス分布 ・ピアソン分布型（ガンマ分布型） 5,1母数ピアソンⅢ型分布 6,2母数ピアソンⅢ型分布 7,3母数ピアソンⅢ型分布 8,3母数対数ピアソンⅢ型分布 ・指数分布型 9,指数分布 10,平方根指数分布 11,平方根指数最大値分布 ・極値分布型 12,ワイブル分布 13,ガンベル分布 14,ガンベル分布タイプ2 15,一般化極値分布 1.3.1　各地域の年、月、日降水量には　　　どの分布が最適かAICで判定 1.3.2　（20cと21c）、（20c前と20c後21c前21c後）で確率分布の変化 1.3.3降水量別寄与度（とその変化） 　

  18. time 1.1.1900、2000年代のSampleの平均分散比 latitude longitude 19.05% 65.40% 11.45% 4.10%

  19. time latitude latitude 図1.1 time longitude longitude 図1.2 1.1.1900、2000年代のSampleの平均分散変化 1.2.時系列解析（1地点＊320＊160） 1.2.1降水量増加or減少予報（Mann-Kendall検定） 例えば（135,35）は85%の確率で降水量が増加するとか 　　　　　地球温暖化予報マップ 1.2.2時系列をトレンド、周期、確率項にスペクトル分解 トレンド：Mann-Kendall検定＋回帰直線 　　　　周期：エルニーニョ等 　　　　確率項　 1.2.3時系列同士のClustering 1.3確率分布、AIC 1.3.1各地域の年、月、日降水量にはどの分布が最適か判定 1.3.2（20cと21c）、（20c前と20c後21c前21c後）で確率分布の変化 1.3.3降水量別寄与度（とその変化） 目次 2.3.3降水量別寄与度（とその変化） モデル→観測の変換式を作る （1900年代の地域ごとのデータを用いる　Ex,樫田2003） モデル 観測

  20. Result2：年降水量，東京

  21. ツール Data P.D.F 　母数推定 判定規準 Normal Dist Moment法 SLSC Observation Log Normal Dist 2Para 　年降水 PWM法 Log Normal Dist 3Para 　月降水 MLM(最尤法) Log Likelihood Inverse Gaussian Dist 　日降水 　岩井法など AIC PearsonⅢ型1Para 年最大日降水 Cross Validation PearsonⅢ型2Para 無降水日数 PearsonⅢ型3Para Log PearsonⅢ型3Para Model Jackknife 　年降水 Exponential Bootstrap SQRT Exponential-type 　月降水 SQRT Exponential-type of Max 　日降水 Gumbel Dist 年最大日降水 Weibull Dist 無降水日数 Generalized Extreme Value Dist

  22. N－1個から推定した分布 対数尤度で評価 残りの1つの確率変数

More Related