地点 |
降水の有無の 適中率[%] |
最高気温の 予測誤差(RMS)[C] |
最低気温の 予測誤差(RMS)[C] |
東京都 東京 | 75.92 | 3.27 | 2.73 |
北海道 稚内 | 69.76 | 3.25 | 2.96 |
秋田県 秋田 | 65.54 | 3.38 | 2.80 |
新潟県 新潟 | 65.98 | 3.27 | 2.57 |
滋賀県 彦根 | 66.62 | 3.51 | 3.11 |
和歌山県 潮岬 | 69.93 | 3.53 | 3.59 |
香川県 高松 | 74.86 | 3.86 | 3.64 |
島根県 松江 | 66.55 | 4.22 | 3.86 |
沖縄県 那覇 | 69.91 | 3.56 | 3.81 |
地点 |
降水の有無の 適中率[%] |
最高気温の 予測誤差(RMS)[C] |
最低気温の 予測誤差(RMS)[C] |
東京都 東京 | 72.56 | 3.44 | 2.89 |
北海道 稚内 | 62.42 | 3.35 | 3.02 |
秋田県 秋田 | 56.87 | 3.65 | 3.04 |
新潟県 新潟 | 65.34 | 3.33 | 2.69 |
滋賀県 彦根 | 63.77 | 3.49 | 3.05 |
和歌山県 潮岬 | 67.82 | 3.59 | 3.67 |
香川県 高松 | 72.32 | 3.91 | 3.70 |
島根県 松江 | 64.38 | 4.30 | 3.97 |
沖縄県 那覇 | 67.26 | 3.61 | 3.88 |
地点 |
降水の有無の 適中率[%] |
最高気温の 予測誤差(RMS)[C] |
最低気温の 予測誤差(RMS)[C] |
東京都 東京 | 75.98 | 2.73 | 1.97 |
北海道 稚内 | 71.09 | 2.46 | 2.14 |
秋田県 秋田 | 66.02 | 2.71 | 2.02 |
新潟県 新潟 | 66.41 | 2.66 | 1.88 |
滋賀県 彦根 | 66.62 | 2.99 | 2.49 |
和歌山県 潮岬 | 70.13 | 3.22 | 3.23 |
香川県 高松 | 74.78 | 3.55 | 3.30 |
島根県 松江 | 66.40 | 3.80 | 3.36 |
沖縄県 那覇 | 70.20 | 3.20 | 3.39 |
地点 |
降水の有無の 適中率[%] |
最高気温の 予測誤差(RMS)[C] |
最低気温の 予測誤差(RMS)[C] |
東京都 東京 | 74.54 | 2.77 | 2.05 |
北海道 稚内 | 68.95 | 2.51 | 2.20 |
秋田県 秋田 | 64.22 | 2.76 | 2.07 |
新潟県 新潟 | 65.75 | 2.69 | 1.93 |
滋賀県 彦根 | 63.77 | 3.01 | 2.52 |
和歌山県 潮岬 | 68.20 | 3.22 | 3.23 |
香川県 高松 | 72.25 | 3.57 | 3.32 |
島根県 松江 | 63.81 | 3.84 | 3.39 |
沖縄県 那覇 | 67.68 | 3.22 | 3.41 |
地点 |
降水の有無の 適中率[%] |
最高気温の 予測誤差(RMS)[C] |
最低気温の 予測誤差(RMS)[C] |
東京都 東京 | 65.47 | 4.61 | 5.07 |
北海道 稚内 | 68.28 | 3.14 | 2.70 |
秋田県 秋田 | 65.26 | 3.23 | 2.70 |
新潟県 新潟 | 65.73 | 3.20 | 2.46 |
滋賀県 彦根 | 63.06 | 3.77 | 3.31 |
和歌山県 潮岬 | 64.99 | 4.38 | 4.46 |
香川県 高松 | 68.06 | 4.80 | 4.63 |
島根県 松江 | 63.72 | 5.09 | 4.71 |
沖縄県 那覇 | 65.47 | 4.61 | 5.07 |
今回使用した11個のデータに対して、 すべて同じように0〜1000の間で正規化した予測結果を表5.8に、 降水量のデータだけに1.4の係数をかけた予測結果を表5.9に、 気温のデータだけに2の係数をかけた予測結果を表5.10に、 降水量に1.4、気温に2の係数をかけた予測結果を表5.11に示す。 また、データの推移のパターンからの予測方法を用いて、 降水量に1.4、気温に2の係数をかけた予測結果を表5.12に示す。 また、表5.8から表5.11の 降水の有無の適中率の結果を棒グラフで比較したものを図5.4に、 最高気温の予測誤差を比較したものを図5.5に、 最低気温の予測誤差を比較したものを図5.6に示す。 ただし、グラフの横軸の(1)から(9)は表の東京から沖縄までの地点を順に示し、 縦軸は図5.4は%を、図5.5と図5.6はCを表す。 また、(a)は表5.8の結果を、 (b)は表5.9の結果を、 (c)は表5.10の結果を、 (d)は表5.11の結果を表す。
表5.8と5.9を比べると、 降水量のデータに比重を重くしたが、降水の有無の適中率は下がってしまった。 また、気温の予測誤差は気温の比重が軽くなってしまったのでこちらも悪くなった。 次に表5.8と5.10を比べると、 降水の有無の適中率は少し良くなったがほぼ変化はなく、 気温の予測誤差は、比重が重くなったため良くなった。 また、この二つの変化を同時に行った表5.11では 表5.9よりよくなり、表5.10よりは悪くなったので、 このことより降水量のデータに比重を置くと予測結果は悪くなり、 気温のデータに比重を置くと予測結果は良くなると言える。
このことより、第5.4項でも述べたように マップ上では降水量による振れ幅と1年を通した気温の振れ幅が同じなので、 1日の変化量で見ると降水量による振れ幅のほうが圧倒的に大きい。 それによって、この実験で降水量の変化の振れ幅を大きくして さらに差を広げてしまうと結果は悪くなり、 逆に差を縮めるように変換したときは良くなったと考えられる。
入力データを変換する前と比べると、降水の有無の適中率は 表5.12に示した予測結果が一番改善された。 これは、このマップ上でのデータの推移を見る、という予測方法が 座標の動きをより重要とする予測方法なので、 その幅を縮めることでよりよい結果になったと考えられる。
これらのことより、入力の変換で一番良い結果を出すには 1日あたりの気温の変化量と降水ありのときとなしのときの変化量が 同じくらいになるように他のデータより比重を重く設定するのがいいと考えられる。