マイクロ波による衛星水循環観測データを利用した陸域データ同化システム 澤田洋平 東京大学工学系研究科 博士課程 2015/10/28 気象学会秋季大会 統合的陸域圏研究連絡会

1. Introduction

1.1. Motivation -“Ecohydrological drought （生態水文学的干ばつ）” とは？- Natural climate variability Precipitation deficiency, high temperature etc… Soil water deficiency Plant water stress, reduced biomass and yield Reduced stream flow, inflow to reservoirs, Groundwater deficiency, …… Economic, Social, and Environmental impacts [from National Drought Mitigation Center, University of Nebraska-Lincoln, USA] See also [Mishra and Singh, 2010] meteorological Agricultural Hydrological 水文過程と生態系のダメージを陽に解いて干ばつをシミュレートする。水文過程と 生態系の相互作用に注目して干ばつの進行メカニズムを精緻に明らかにする

1.2. データ同化は数値モデル・観測・同化手法の３段構え 数値モデル 生態水文モデル：Ecohydro-SiB 観測 水循環変動観測衛星 GCOMW1/AMSR2 (AQUA/AMSR-E) データ同化システム Coupled Land and Vegetation Data Assimilation System(CLVDAS)

2. 水文－陸上生態系結合モデリング 数値モデル 生態水文モデル：Ecohydro-SiB 観測 水循環変動観測衛星 GCOMW1/AMSR2 (AQUA/AMSR-E) データ同化システム Coupled Land and Vegetation Data Assimilation System(CLVDAS)

2.1. 生態水文モデル: EcoHydro-SiB hydro-SiB [Wang et al., 2009] Dynamic Vegetation Model (DVM) [Sawada et al., 2014, Water Resour. Res.] ＋ EcoHydro-SiB GBHM(river model) (optional) ＋

2.2.1. Model Verification (1) - River Discharge - River Discharge at Jendouba site Blue: Simulated river discharge Red: Observed river discharge Bar: Rainfall Nash = 0.66 R = 0.80  19年分の河川流量を比較して、水収支があっているかどうか検証 [Sawada et al. 2014 Water Resour. Res.]

2.2.2. Model Verification (3) - Leaf Area Index - Model Satellite Nov Jan Dec Feb Mar Apr  モデルは衛星観測によるLAIの分布を再現できる。 19-year averaged monthly leaf area index [Sawada et al. 2014 Water Resour. Res.]

2.2.3. Model Verification (3) Agricultural Drought Index 干ばつ指標 (SA index; Jaranilla-Sanchez et al. [2011] ) Green:simulated annual peak LAI and Orange:nationwide crop production  モデルが計算したLAIから作った過去の干ばつ指標は、流域の穀物生産量の偏差と よく一致する。  シミュレートされた1988-1989, 1994-1995年の干ばつはFAOのレポートなどでも報告 されている。 R =0.89 Drought [Sawada et al. 2014 Water Resour. Res.]

2.3. 1988-1989年干ばつの解析 干ばつ指標 Blue: River discharge Gray: Groundwater level Green: Leaf Area Index Drought Agricultural Drought Hydrological Drought  農業的干ばつは水文学的干ばつよりもレスポンスが早く、水文学的干ばつは 穀物生産量が回復した後も続く [Sawada et al. 2014 Water Resour. Res.]

3. マイクロ波による水循環・生態系リモートセンシング 数値モデル 生態水文モデル：Ecohydro-SiB 観測 水循環変動観測衛星 GCOMW1/AMSR2 (AQUA/AMSR-E) データ同化システム Coupled Land and Vegetation Data Assimilation System(CLVDAS)

3.1. 受動型マイクロ波観測輝度温度の有用性 マイクロ波領域における放射伝達 土壌からの放射  土壌水分に依存 キャノピーによる減衰 キャノピーからの放射  植物水分量に依存 • マイクロ波放射輝度温度は土壌水分・植物水分量・表面温度に対して感度が高い [e.g., Paloscia and Pampaloni, 1988] • 低周波のマイクロ波は大気の影響をほとんど受けない。

3.2. AMSR-Eマイクロ波観測による表層土壌水分観測 [Fujii et al., 2009] チベット高原での検証結果 [Jackson et al., 2010]  同じAMSR-Eの輝度温度を用いていても、リトリーバルアルゴリズム 次第で推定精度は大きく異なる。

3.3. AMSR-Eマイクロ波観測による植生動態観測 [Jones et al., 2011]  よく使われる指標は Vegetation Optical Depth (VOD)  VODと植物水分量 は線形の関係

3.4. AMSR2観測輝度温度による土壌水分・植生動態同時検証 Black: before roughness correction, Blue: after roughness correction, Green: LPRM, Purple: JAXA standard, Red: in-situ observation  マイクロ波輝度温度データは水と植物両方に感度がある オーストラリアでの集中観測の結果 [Sawada et al. in prep.]

3.5.1. マイクロ波による生態系観測の適用例(1) 全球陸上炭素量推定 1993-2012年の間のaboveground biomass carbonの変化 [Liu et al., 2015]  キャノピーをより強く透過するマイクロ波の方が、可視・近赤外よりも、 陸上の全炭素量の推定には適している

3.5.2. マイクロ波による生態系観測の適用例(2) 山火事後の森林の復活を監視 [Jones et al., 2013]  マイクロ波VODと可視近赤外NDVIの 性質の差を利用する  山火事後にはNDVIの回復の方が早く、 VODの回復には時間がかかる

3.6. 利用できる（受動型）マイクロ波放射計(2000年以降) 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]

4. 水文－陸上生態系結合系のデータ同化 数値モデル 生態水文モデル：Ecohydro-SiB 観測 水循環変動観測衛星 GCOMW1/AMSR2 (AQUA/AMSR-E) データ同化システム Coupled Land and Vegetation Data Assimilation System(CLVDAS)

4.1. 何のためにデータ同化をするのか？ 観測 観測 初期値改善 パラメータ 最適化 時間 (例えば）土壌水分  予報のための初期値と未知パラメータを得たい。  地上観測の少ないところでは非常に困難。

4.2.1. パラメータと初期値を得るための水文データ同化の方法(1) dual EnKFによる同時解析 未知パラメータを土壌水分などと同じ「状態量」とみなして、時間変化を許し、 同化の解析対象に含めてしまう。 最適化されたパラメータを用いた 河川流量シミュレーション パラメータの時間変化 [Moradkhani et al., 2005] 批判：時間変化することを許したパラメータが収束することは保証されていない （収束しない場合のほうが多い）[Vrugt et al., 2013]

4.2.2. パラメータと初期値を得るための水文データ同化の方法(2) dual-pass data assimilation [Yang et al., 2009]  まず長い期間（～１年)で の計算結果全体を使って モデルのパラメータを 推定  その後短い期間(数日)で 逐次的にデータ同化を 行って初期値を得ていく

4.3. Coupled Land and Vegetation Data Assimilation System (CLVDAS) EcoHydro-SiB [Sawada et al., 2014 WRR] [Sawada and Koike, 2014 JGR-A] Soil moisture Vegetation(LAI) Temperature Forward-RTM Estimated TB Core-Model Pass0: Parameter Selection Parameter ensemble Core-Model TB TB TB TB Sensitivity analysis of each parameter Pass1: Parameter Optimization Parameter Core-Model Estimated TB Satellite observed TB Schuffled Complex Evolution COST Pass2: Data Assimilation ~1year Soil Moisture, LAI ensemble Core-Model Estimated TB ~5days Satellite observed TB COST Genetic Particle Filter

4.4.1. Global Sensitivity Analysis (GSA) [Saltelli et al., 2010]            j i k j i n ijk ij i i Y V V V V V .... 12 ....... → モデル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。パラメータ間の相互作用を考慮し ているのが特徴。 Parameter ensemble A Parameter ensemble B Parameter ensemble AB(1) para A1 para A2 para A3 para A4 para A1 para A2 para A3 para A4 para A1 para A2 para A3 para A4 para A1 para A2 para A3 para A4 para A1 para A2 para A3 para A4 para A1 para A2 para A3 para A4 para A1 para A2 para A3 para A4 para A1 para A2 para A3 para A4 para B1 para B2 para B3 para B4 para B1 para B2 para B3 para B4 para B1 para B2 para B3 para B4 para B1 para B2 para B3 para B4 para B1 para B2 para B3 para B4 para B1 para B2 para B3 para B4 para B1 para B2 para B3 para B4 para B1 para B2 para B3 para B4 VA VB para A2 para A3 para A4 para B1 para A2 para A3 para A4 para B1 para A2 para A3 para A4 para B1 para A2 para A3 para A4 para B1 para A2 para A3 para A4 para B1 para A2 para A3 para A4 para B1 para A2 para A3 para A4 para B1 para A2 para A3 para A4 para B1 VAB(1)

4.4.2. Results (1) 輝度温度に対するパラメータの感度(18.7GHz Horizontal) Blue：West Africa (Hot and dry) Orange：Mongolia (cold and dry) Gray：California (US) (temperate) 水文パラメータ （e.g., 透水係数） 生態系パラメータ（e.g. Rubisco最大効率） → 乾燥した地域では水文パラ メータの調整のみでモデルの 精度を上げることができる。 → 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。 [Sawada and Koike, 2014 J. Geophys. Res.]

4.5.1. パラメータ最適化手法  CLVDASはモデル推定輝度温度が衛星観測輝度温度に近くなるようなパラメータを 探索する。 EcoHydro-SiB （陸面モデル） Simulated Brightness temperature (6.9GHz HV, 18.7GHz HV) Observed Brightness Temperature from AMSR-E, AMSR2 COST Soil Moisture Vegetation Temperature Radiative Transfer Model (放射伝達モデル) Schuffled Complex Evolution (SCE) Parameters

4.5.2. Results (2) Parameter Optimization @ West Africa Calibration Validation LAI Surface Soil Moisture Green: Optimized, Black：Default, Red：Observed, Yellow：Observed (Microwave VOD (NASA LPRM)) [Sawada and Koike, 2014 J. Geophys. Res.]  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。

4.6.1. 粒子フィルタを用いたデータ同化 Vertical distribution of soil moisture & LAI Core-Model obs × × × × Selection & Resample Mutation Core-Model T = 1 T = 2 モデル推定輝度温度と衛星観測輝度温度の「距離」にもとづいて、粒 子のresampleを行い、より良い初期値のアンサンブルメンバーを得る。

4.6.2. Results (3) Data Assimilation @ Yanco, AUS Grey: Open loop Blue: Genetic Particle Filter Red: observation  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 Leaf Area Index 10-15cm Soil Moisture  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 [Sawada et al., 2015 J. Geophys. Res.]

5. 干ばつ予報への応用

5.1. Horn of Africa drought [FAO, 2011] [Anderson et al., 2012]  地上観測が十分に得られない地域で、数値モデルと衛星観測を使って どこまで予報が可能か？？

5.2. 干ばつ予報のフレームワーク 2003 2004 2005 2006 2007 2008 2009 2010 2011 Observed meteorological forcings Microwave land observation CLVDAS (Reanalysis) CLVDAS (Perfect Prediction) Drought CLVDAS (Ensemble Stream Prediction) CLVDAS (Real Predicion) NOAA GFDL Meteorological forecast

5.3.1. Results (1) 2010-2011 drought in reanalysis LAI anomaly of 2010-2011 droughts in “reanalysis”.

5.3.2. Results (2) Predictions: starting from 1 Sep 2010 Gray: Climatorogy Green: Horn of Africa drought (reanalysis) CLVDAS (Perfect Prediction) Leaf Area Index timeseries CLVDAS (Ensemble Stream Prediction) CLVDAS (Real Predicion)

5.3.2. Results (2) Predictions: starting from 1 Nov 2010 Gray: Climatorogy Green: Horn of Africa drought (reanalysis) CLVDAS (Perfect Prediction) Leaf Area Index timeseries CLVDAS (Ensemble Stream Prediction) CLVDAS (Real Predicion)

5.3.2. Results (2) Predictions: starting from 1 Jan 2011 Gray: Climatorogy Green: Horn of Africa drought (reanalysis) CLVDAS (Perfect Prediction) Leaf Area Index timeseries CLVDAS (Ensemble Stream Prediction) CLVDAS (Real Predicion)

5.3.2. Results (2) Predictions: starting from 1 Mar 2011 Gray: Climatorogy Green: Horn of Africa drought (reanalysis) CLVDAS (Perfect Prediction) Leaf Area Index timeseries CLVDAS (Ensemble Stream Prediction) CLVDAS (Real Predicion)

5.3.2. Results (2) Predictions: starting from 1 May 2011 Gray: Climatorogy Green: Horn of Africa drought (reanalysis) CLVDAS (Perfect Prediction) Leaf Area Index timeseries CLVDAS (Ensemble Stream Prediction) CLVDAS (Real Predicion)

6. 今後の展開

6.1.1. 陸域モデリングは「超高解像度」の世界へ(1) 水平解像度1kmの地下水位シミュレーション [Fan et al., 2013]

6.1.2 陸域モデリングは「超高解像度」の世界へ(2) 水平解像度1kmの地下水位シミュレーション [Condon and Maxwell, 2015]

6.2. 「超高解像度」陸域モデリングにおけるデータ同化とは？？ • 超高解像度陸域モデリングの世界は、もはや鉛直１次元ではない。 隣り合うグリッドが因果関係を持っている。 • いままでの鉛直１次元に対する同化手法は見直しが必要 • 特定の地点での観測が水平方向にどのくらい波及するか？ • 大量の衛星観測・地上観測からなるビックデータをどうやって活かし きるか？？ • 陸域モデルはもはや「軽く」ない。計算コストとの兼ね合いをきちんと 考えてアンサンブル同化をする必要がある。

7. まとめ • 水文－陸上生態系結合系を解くことで干ばつのモニタリング・予報を目指す。 • マイクロ波衛星観測は水文量だけでなく、生態系に対しても感度のあるデータ。 • CLVDASは陸域の土壌水分とLAIの推定値を同時に改善することができる。パラメータ 推定から初期値の取得までを１つのシステムでできる。 • 陸域モデリングは「超高解像度」の世界へ。モデリングだけでなくデータ同化のあり方も 見直す必要がある。