2023 年 101 巻 1 号 p. 79-95
観測演算子（OO: Observation Operator）は、データ同化（DA: Data Assimilation）において必要不可欠であり、モデル変数から観測値相当量を導出する。衛星DAでは、衛星マイクロ波輝度温度（BT: Brightness Temperature）のOOは、通常、放射伝達モデル（RTM: Radiative Transfer Model）に基づき、バイアス補正の手続きを用いる。物理ベースのRTMを用いずにOOを得る可能性を探るため、本研究では機械学習（ML: Machine Learning）をOOとして適用し（ML-OO）、晴天条件における海上の改良型マイクロ波探査計（AMSU-A: Advanced Microwave Sounding Unit-A) チャンネル6，7および陸海両上のチャンネル8のBTを同化した。非静力学正二十面体大気モデル（NICAM）と局所アンサンブル変換カルマンフィルタ（LETKF）からなる参照システムを使用した。TOVSのための放射伝達（RTTOV: Radiative Transfer for TOVS）をOOとしてシステムに実装し、独立したバイアス補正手続きを組み合わせた(RTTOV-OO)。参照システムを使って従来型観測とBTを同化するDA実験を1ヶ月間行った。この実験で得られたモデル予報は、MLモデルを学習させML-OOを得るための観測と対にした。さらに、3つのDA実験を行い、ML-OOを用いた従来型観測とBTのDAは、RTTOV-OOのそれと比べて若干劣るが、従来型観測のみに基づく同化よりも良いことを明らかにした。また、ML-OOはバイアスを内部で処理し、それによりシステム全体の枠組みを簡略化した。提案されたML-OOは、(1)衛星特性に大きな変化がある場合にバイアスを現実的に扱えない、(2)多くのチャンネルに適用できない、(3)精度や計算速度においてRTTOV-OOと比較して性能が低下する、(4)物理ベースのRTMを依然として学習用に使用していることによる制限がある。今後の研究により、これらの欠点を軽減し、それにより提案されたML-OOを改善することが可能である。
