2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 生態水文モデリングと衛星データ同化による陸域再解析 澤田洋平*1, 小池俊雄2, Jeffrey P. Walker3, 筒井浩行2 1 気象庁気象研究所 2 土木研究所 水災害・リスクマネジメント国際センター 3 Monash University

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 1. Introduction

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 1.1. Motivation: 干ばつにおける陸域生態系のレスポンスの解明 transpiration rainfall intercept evaporation soil moisture transfer ground water photosynthesis growth runoff 生態水文モデル EcoHydro-SiB [Sawada et al. 2014 WRR] Vegetation dynamics is explicitly solved. 土壌水分・蒸散・植物の成長と枯死等を精緻に解くことで、 干ばつにおける陸域生態系のレスポンスを理解したい。 例えば、 • 干ばつが表層土壌から根茎層、植生動態へ波及する 様子の解析[Sawada et al. 2014 WRR] • オーストラリアのミレニアム干ばつにおいて陸域生態系 がどのような頑健性を示したか[Sawada and Koike. 2016 JGR]

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 1.2.1. なぜデータ同化か？ （数値計算）モデル 観測 長所:なんだって（一応）計算できる 短所:(一般的には) あまり正確でない 長所:(一般的には)正確 短所: • 広大な地球システムのほんの 一部しか見ることができない • 未来は観測できない  データ同化でモデルと観測を統合することで、両者の欠点を補い合いたい！

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 1.2.2. 陸面データ同化で何ができるのか？ データ同化はある種の逆問題。 モデルをうまく使って観測されているものから観測されていないものを どうやって推定するかがポイント。 人工衛星で観測できるものの例 • 表層土壌水分 • 葉面積指標(LAI) • Total Water Storage データ同化で求めたいものの例 • モデルの未知パラメータ [Moradkhani et al. 2005 AWR; Yang et al. 2009 JHM; Verbeeck et al. 2011 JGR; Sawada and Koike 2014 JGR; Bacour et al. 2015 JGR] • 根茎層土壌水分 [Kumar et al. 2009 JHM; Tran et al. 2014 WRR; Sawada et al. 2015 JGR] • フラックス [Jarlan et al. 2008 JGR; Martens et al. 2017 GMD] etc…

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 1.3.1. 受動型マイクロ波リモートセンシング (1) 陸面からの射出 植生による 減衰 植生キャノピー からの射出 低周波マイクロ波領域の放射伝達 大気に対してはほぼ透明！ 表層土壌水分に依存 植物水分量に依存 マイクロ波輝度温度は土壌水分・植物水分量・地温 に依存し、大気の影響はあまり受けない。 [Paloscia and Pampaloni 1992 RSE; Owe et al. IEEE TGRS; Njoku et al. 2003 IEEE TGRS; Sawada et al. 2017 IEEE TGRS] →生態水文学の研究にはぴったりなデータ！

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 1.3.2. 受動型マイクロ波リモートセンシング (2) time 1997 2014 TRMM/TMI: 植生観測に利用可能[Liu et al., 2011] 土壌水分リトリーバルにも使える 2003 2011 AQUA/AMSR-E: 植生・土壌水分の推定精度が 共によく検証されている 2012 GCOM-W/AMSR2 2007 SMOS: 土壌水分観測に適しており、電波干渉の 少ないL-bandの観測 2015 SMAP: 能動型・受動型の観測を組み合わせて土壌水分を推定 する（ただし能動型のレーダは既に故障してしまっている） [写真はJAXA, ESA, NASA のHPより] 陸面観測・データ同化に利用できる衛星マイクロ波放射計

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 1.4. 研究の目的 生態水文モデリングとマイクロ波衛星観測の融合により、陸域の土壌水分と植生動態 の監視・予測のための基盤技術を開発する。

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 2. 生態水文データ同化システム Coupled Land and Vegetation Data Assimilation System (CLVDAS) の紹介

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ Data assimilation Toolkits 1. Parameter Sensitivity Analysis 2. Parameter Optimization 3. Particle Filter 2.1. CLVDAS Coupled Land and Vegetation Data Assimilation System (CLVDAS) Meteorological forcings [Sawada and Koike 2014 JGR-A] [Sawada et al. 2015 JGR-A] Land Surface Model Radiative Transfer Model in microwave region Rain, radiation,….. Soil moisture, vegetation water content,….. Simulated Microwave brightness temperature Satellite Observed Microwave brightness temperature Soil moisture, LAI, parameter

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ Data assimilation Toolkits 1. Parameter Sensitivity Analysis 2. Parameter Optimization 3. Particle Filter 2.2. 陸面モデル EcoHydro-SiB Coupled Land and Vegetation Data Assimilation System (CLVDAS) Meteorological forcings [Sawada and Koike 2014 JGR-A] [Sawada et al. 2015 JGR-A] Land Surface Model Radiative Transfer Model in microwave region Rain, radiation,….. Soil moisture, vegetation water content,….. Simulated Microwave brightness temperature Satellite Observed Microwave brightness temperature Soil moisture, LAI, parameter transpiration rainfall intercept evaporation soil moisture transfer ground water photosynthesis growth runoff EcoHydro-SiB [Sawada et al. 2014 WRR] Vegetation dynamics is explicitly solved.

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ Data assimilation Toolkits 1. Parameter Sensitivity Analysis 2. Parameter Optimization 3. Particle Filter 2.3. 放射伝達モデル Coupled Land and Vegetation Data Assimilation System (CLVDAS) Meteorological forcings [Sawada and Koike 2014 JGR-A] [Sawada et al. 2015 JGR-A] Land Surface Model Radiative Transfer Model in microwave region Rain, radiation,….. Soil moisture, vegetation water content,….. Simulated Microwave brightness temperature Satellite Observed Microwave brightness temperature Soil moisture, LAI, parameter RTM [Kuria et al. 2007 IEEE TGARS; Sawada et al. 2017 RS] Radiation from soil  Surface Soil Moisture Attenuation by canopy Radiation from canopy Vegetation water content Microwave brightness temperature is sensitive to both surface soil moisture and vegetation water content.

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ Data assimilation Toolkits 1. Parameter Sensitivity Analysis 2. Parameter Optimization 3. Particle Filter 2.4.1. データ同化その１ －モデルパラメータ感度解析－ Coupled Land and Vegetation Data Assimilation System (CLVDAS) Meteorological forcings [Sawada and Koike 2014 JGR-A] [Sawada et al. 2015 JGR-A] Land Surface Model Radiative Transfer Model in microwave region Rain, radiation,….. Soil moisture, vegetation water content,….. Simulated Microwave brightness temperature Satellite Observed Microwave brightness temperature Soil moisture, LAI, parameter            j i k j i n ijk ij i i Y V V V V V .... 12 ....... パラメータの変化によって生じる出力の変化全体 を個別のパラメータの寄与に分解する。大域的な パラメータの感度が求まることが特徴 [Saltelli et al. 2010 Comp. Phys. Comm.] Global Sensitivity Analysis 上式の分散を大量のアンサンブル計算で近似 するため、非常に多くのパラメータの組み合わ せでモデルを時間積分する必要がある。。

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 2.4.2. データ同化その１ －モデルパラメータ感度解析－ 結果 輝度温度に対するパラメータの感度(6.9GHz 水平偏波) Blue：West Africa (Hot and dry) Orange：Mongolia (cold and dry) Gray：California (US) (temperate)  感度解析によって、調整の必要な パラメータの数を絞り込むことが可能。  モデル開発にもヒントを与えること ができるか？？ [Sawada and Koike 2014 JGR] 水文パラメータ （透水係数など） 生態系パラメータ （Rubisco最大効率など）

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ Data assimilation Toolkits 1. Parameter Sensitivity Analysis 2. Parameter Optimization 3. Particle Filter 2.5.1. データ同化その2 －モデルパラメータ最適化－ Coupled Land and Vegetation Data Assimilation System (CLVDAS) Meteorological forcings [Sawada and Koike 2014 JGR-A] [Sawada et al. 2015 JGR-A] Land Surface Model Radiative Transfer Model in microwave region Rain, radiation,….. Soil moisture, vegetation water content,….. Simulated Microwave brightness temperature Satellite Observed Microwave brightness temperature Soil moisture, LAI, parameter Shuffled Complex Evolution [Duan et al. 1992 WRR] による最適化 パラメータ モデルを1年くらい計算 推定輝度温度 観測輝度温度 コスト関数  モデル推定と観測の差が十分小さくなるまで モデルの長期積分を繰り返す。

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 2.5.2. データ同化その2 －モデルパラメータ最適化－ 結果 Calibration Validation LAI Surface Soil Moisture Green: 最適化したパラメータ, Black：デフォルトのパラメータ, Red：観測 [Sawada and Koike 2014 JGR]  パラメータ最適化は植生動態と表層土壌水分の推定精度を同時に向上させることが できる。 西アフリカ観測サイトでの検証

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ Data assimilation Toolkits 1. Parameter Sensitivity Analysis 2. Parameter Optimization 3. Particle Filter 2.6.1. データ同化その3 －粒子フィルタによる逐次同化－ Coupled Land and Vegetation Data Assimilation System (CLVDAS) Meteorological forcings [Sawada and Koike 2014 JGR-A] [Sawada et al. 2015 JGR-A] Land Surface Model Radiative Transfer Model in microwave region Rain, radiation,….. Soil moisture, vegetation water content,….. Simulated Microwave brightness temperature Satellite Observed Microwave brightness temperature Soil moisture, LAI, parameter Model obs × × × × Selection & Resample Mutation Model T = 1 LAIとすべての層の土壌水分を観測を 同化して5日おきに補正する 低LAI, 低RSM 高LAI, 高RSM RSM: Root-zone soil moisture  各粒子がすべてのモデルの状態量を保持する ことで、直接観測されない量も補正できる。

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 2.6.2. データ同化その3 －粒子フィルタによる逐次同化－ 結果 Grey: 同化なし Blue: 同化あり Red: 観測 Leaf Area Index 20cm Soil Moisture [Sawada et al., 2015 JGR] オーストラリア観測サイトでの検証  データ同化によりLAIの推定不確実性を大幅に低減できる  陸面の植生動態の同化によって、直接観測できない根茎層の土壌水分にも影響 をあたえることができる

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 3. CLVDASの応用例1: 干ばつ監視・予測システム

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 3.1. 解析－予報サイクルによる生態水文学的干ばつ予測システム 観測気象外力 CLVDAS マイクロ波衛星観測 time 解析 T=現在 GCMによる季節予測 予報 T=現在 1ヵ月後…. 観測気象外力 CLVDAS マイクロ波衛星観測 解析 GCMによる季節予測 予報

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 3.2. 「アフリカの角」干ばつ (2010-2011) [FAO, 2011] CLVDASの解析によって得られた LAIの偏差 2010年 12月 2011年 04月  解析で干ばつの植生への影響が 見えている。

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 3.3. LAI予報 Gray: LAIの気候値, Green: 干ばつ時の解析LAI, Blue: 予報 10ヶ月前 5ヶ月前 3ヶ月前  10ヶ月前から予測可能  たとえ大気の季節予測の精度が不十分でも、データ同化で正確な初期値を得ることで予 測精度が改善することも確認 [Sawada and Koike 2016 JGR; Sawada et al. submitted]

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 4. CLVDASの応用例2: 生態水文学的陸域再解析プロジェクト

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ Particle Filter (Sampling importance Resampling filter) 4.1. CLVDASを利用した陸域土壌水分・植生水分量の再解析 ECoHydrological Land Analysis(ECHLA) Meteorological forcings Land Surface Model Radiative Transfer Model in microwave region Rain, radiation,….. Soil moisture, vegetation water content,….. Simulated Microwave brightness temperature Satellite Observed Microwave brightness temperature Soil moisture, LAI Meteorological Forcings: GLDAS Microwave observation: AMSR-E Period: 2003-2011/9 Study Area: Global snow-free region 現状ではパラメータ推定は省略 (計算コスト低減のため)

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 4.2. 精度検証 対MODIS LAIの相関係数（青だと良い) 同化ありとなしの差(青だと改善) 同化でLAIの季節サイクルの再現性が改善 （RMSEはやや悪化。。。) 対ESA CCI土壌水分のRMSE(赤いと悪い) 同化ありとなしの差(青だと改善) 植生の少ないところでは改善 [Sawada, submitted]

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 4.3. 干ばつカタログを作りたい！ 収穫期にLAIが大きな負偏差を生じたイベントをグリッドごとに抽出 [Sawada, submitted]

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 4.3. 干ばつカタログを作りたい！ 収穫期にLAIが大きな負偏差を生じたイベントをグリッドごとに抽出 全3499イベントのLAIと4層の土壌水分のコンポジット  時空間的に均一な土壌水分・植生動態データを作り、それを解析することで 災害カタログを作りたい。 [Sawada, submitted]

2018/4/19 次世代陸モデル開発・応用・社会実装に関する合同ワークショップ 5. まとめ • 陸域データ同化は逆問題。観測されている情報から観測し得ない情報をモデルを使って いかにうまく取り出すか。 • 受動型マイクロ波リモートセンシングは土壌水分と植物水分量の両方に感度を持つため、 生態水文過程を把握するのにうってつけの観測。 • Coupled Land and Vegetation Data Assimilation System (CLVDAS) は生態水文モデルの未 知パラメータと状態量を効率よく推定できる。 • 天気予報では日々行われている解析と予報のサイクルを生態水文モデルにおいても回 し、生態水文過程に注目したリアルタイム干ばつ予測を実現させたい。 • 陸域の生態水文過程に注目した再解析 ECoHydrological Land Analysis (ECHLA) を 作成中。干ばつ解析、モデル検証用データセット、等に利用できるよう、信頼性の高い データセットの構築・公開を目指したい。 発表資料は、澤田のspeaker deck https://speakerdeck.com/ysawada にあります。