JP2003270357A

JP2003270357A - 視程学習装置

Info

Publication number: JP2003270357A
Application number: JP2002069051A
Authority: JP
Inventors: Susumu Shiraishi; 將白石
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2002-03-13
Filing date: 2002-03-13
Publication date: 2003-09-25

Abstract

(57)【要約】【課題】視程計を利用すれば、視程計設置場所におけ
る視程をリアルタイムに計測することができる。しか
し、視程を知りたい地点が多数存在する場合、多くの視
程計を設置しなければならず、不経済である課題があっ
た。【解決手段】観測時刻が同一時刻のエコー強度分布と
視程フラグから視程判別用の判別関数を生成し、その判
別関数を表現するパラメータを視程推定装置に出力す
る。これにより、多くの視程計を設置することなく、視
程推定装置による視程の推定精度を高めることができる
視程学習装置を得ることができる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は、注目地点の視程
の良否を推定する視程推定装置に対して、判別関数を表
現するパラメータを提供する視程学習装置に関するもの
である。

【０００２】

【従来の技術】霧に起因する視程の悪化は交通障害の原
因となる。従って、肉眼で認め得る視程の測定や予測を
正確に実施することが望まれている。視程を計測する測
器としては、広く視程計が利用されており、視程計設置
地点における視程を計測することができる。

【０００３】一方、霧の観測手段としてはミリ波帯の電
波を使用するレーダが開発されており、この種のレーダ
によれば、広い範囲での霧の分布の様子をリアルタイム
に観測することができる。ミリ波レーダは電波をパルス
的に特定方向に放射して、空気中の細かい水滴などの目
標に反射して戻ってきた電波の受信電力を処理すること
により、目標の方向及び距離を測定する。また、気象レ
ーダ方程式を利用することにより、受信電力から目標の
特性であるエコー強度を算出する。

【０００４】ここで、エコー強度と霧水量（空気中に浮
いている水の量）の間と、霧水量と視程の間には、下記
に示すような相関があることが分かっている。Ｚ＝０．１５Ｗ^１．５（１）ＶＩＳ＝−ｌｎ（０．０２）／１４４．７Ｗ^０．８８（２）ただし、Ｚはエコー強度、Ｗは霧水量（単位は［ｇ／ｍ
^３］）、ＶＩＳは視程（単位は［Ｋｍ］）である。

【０００５】式（１）は柳沢らによる文献「ミリ波レー
ダーによる海霧の観測」（天気、Ｖｏｌ．３３，Ｎｏ．
１１，ｐｐ．６０３−６１２，１９８６、以下、参考文
献１と呼ぶ）に開示され、式（２）はＢｒｕｃｅＡ．
Ｋｕｎｋｅｌによる論文“Ｐａｒａｍｅｔｅｒｉｚａｔ
ｉｏｎｏｆＤｒｏｐｌｅｔＴｅｒｍｉｎａｌＶｅ
ｌｏｃｉｔｙａｎｄＥｘｔｉｎｃｔｉｏｎＣｏｅ
ｆｆｉｃｉｅｎｔｉｎＦｏｇＭｏｄｅｌｓ”（Ｊｏ
ｕｒｎａｌｏｆＣｌｉｍａｔｅａｎｄＡｐｐｌ
ｉｅｄＭｅｔｅｏｒｏｌｏｇｙ，ｖｏｌ．２３，ｐ
ｐ．３４−４１，Ｊａｎｕａｒｙ，１９８４、以下、参
考文献２と呼ぶ）に示されている。従って、式（１）と
式（２）を使えば、ミリ波レーダで得られたエコー強度
から視程を算出することができる。

【０００６】しかし、エコー強度より視程を求める算出
式は水滴の状態により異なる。そこで、雨の場合と霧の
場合とを区別し、その結果に基づいて視程算出式を変え
る視程推定装置が特開２００１−２０１５７２公報に記
載されている（以下、従来技術文献と呼ぶ）。

【０００７】

【発明が解決しようとする課題】従来の視程推定装置は
以上のように構成されているので、視程計を利用すれ
ば、視程計設置場所における視程をリアルタイムに計測
することができる。しかし、視程を知りたい地点が多数
存在する場合、多くの視程計を設置しなければならず、
不経済である課題があった。

【０００８】また、従来技術文献に記載されている視程
推定装置は、観測対象が霧と判定された場合、同じ式を
用いてエコー強度から視程を算出するようにしている。
しかし、同じ霧であっても、それを構成する水滴の大き
さの分布によって、エコー強度と視程の関係が大きく変
わってくる。つまり、式（１）や式（２）は、厳密には
特定のタイプの霧のみに適用可能な式である。従って、
異なるタイプの霧が発生する場合、従来技術文献による
方式では、精度の高い視程の推定を実施することができ
ない課題があった。

【０００９】この発明は上記のような課題を解決するた
めになされたもので、視程推定装置による視程の推定精
度を高めることができる視程学習装置を得ることを目的
とする。

【００１０】

【課題を解決するための手段】この発明に係る視程学習
装置は、強度分布観測手段により観測されたエコー強度
分布と視程測定手段の二値化結果である視程フラグから
視程判別用の判別関数を生成し、その判別関数を表現す
るパラメータを出力するようにしたものである。

【００１１】この発明に係る視程学習装置は、エコー強
度分布を構成するエコー強度の値を順番に並べてできる
ベクトルを特徴ベクトルとし、そのエコー強度分布に対
応する視程フラグを考慮して、その特徴ベクトルにより
構成される多次元特徴空間の視程の良否を判別する判別
関数を生成するようにしたものである。

【００１２】この発明に係る視程学習装置は、注目地点
の気象データを測定し、その気象データを考慮して視程
判別用の判別関数を生成するようにしたものである。

【００１３】この発明に係る視程学習装置は、注目地点
のエコー頂高度を測定し、そのエコー頂高度を考慮して
視程判別用の判別関数を生成するようにしたものであ
る。

【００１４】この発明に係る視程学習装置は、強度分布
観測手段により観測されたエコー強度分布と視程測定手
段により測定された視程の対応関係を学習し、その対応
関係を示す非線形関数を表現するパラメータを出力する
ようにしたものである。

【００１５】この発明に係る視程学習装置は、階層型ニ
ューラルネットワークを用いて学習手段を構成するよう
にしたものである。

【００１６】この発明に係る視程学習装置は、注目地点
の気象データを測定し、強度分布観測手段により観測さ
れたエコー強度分布の他に、その気象データも学習対象
事例に含めるようにしたものである。

【００１７】この発明に係る視程学習装置は、注目地点
のエコー頂高度を測定し、強度分布観測手段により観測
されたエコー強度分布の他に、そのエコー頂高度も学習
対象事例に含めるようにしたものである。

【００１８】

【発明の実施の形態】以下、この発明の実施の一形態を
説明する。実施の形態１．図１はこの発明の実施の形態１による視
程学習装置を適用する視程推定装置を示す構成図であ
り、図において、１は少なくとも１以上の地点に関する
視程判別用パラメータを出力する視程学習装置、２は視
程学習装置１から出力された視程判別用パラメータを利
用して、ユーザが指定する注目地点の視程の良否を判別
する視程推定装置である。

【００１９】１１は電磁波をパルス的に空気中の特定方
向に放射して、空気中の水滴などの目標に反射して戻っ
てきた電磁波の受信電力を処理することにより、目標の
方向及び距離を測定するとともに、気象レーダ方程式を
利用して、その電磁波の受信電力から目標の特性である
エコー強度を算出し、観測対象地域のエコー強度分布を
出力するレーダ、１２はレーダ１１から出力されるエコ
ー強度分布のうち、ユーザが指定する注目地点を含む周
辺領域のエコー強度分布を抽出するデータ抽出部であ
る。

【００２０】１３は視程学習装置１から出力された視程
判別用パラメータを保持する視程判別用パラメータ保持
部、１４は視程判別用パラメータ保持部１３に保持され
ている視程判別用パラメータのうち、注目地点に関する
視程判別用パラメータを入力して判別関数を特定し、デ
ータ抽出部１２により抽出されたエコー強度分布に対応
する特徴ベクトルを当該判別関数に代入して判別関数値
を算出する判別関数算出部、１５は判別関数算出部１４
により算出された判別関数値と所定の閾値を比較して、
注目地点の視程の良否を判別する視程判定部である。

【００２１】図２はこの発明の実施の形態１による視程
学習装置を示す構成図であり、図において、２１は電磁
波をパルス的に空気中の特定方向に放射して、空気中の
水滴などの目標に反射して戻ってきた電磁波の受信電力
を処理することにより、目標の方向及び距離を測定する
とともに、気象レーダ方程式を利用して、その電磁波の
受信電力から目標の特性であるエコー強度を算出し、観
測対象地域のエコー強度分布を出力するレーダ、２２は
レーダ２１から出力されるエコー強度分布のうち、ユー
ザが指定する注目地点を含む周辺領域のエコー強度分布
を抽出するデータ抽出部である。なお、レーダ２１及び
データ抽出部２２から強度分布観測手段が構成されてい
る。

【００２２】２３はユーザが指定する注目地点の視程を
測定する視程測定部、２４は視程測定部２３により測定
された視程を二値化し、その二値化結果を視程フラグと
して出力する視程二値化部である。なお、視程測定部２
３及び視程二値化部２４から視程測定手段が構成されて
いる。２５は観測時刻が同一時刻のエコー強度分布と視
程フラグを対にして出力する学習用データ生成部、２６
は観測時刻が同一時刻のエコー強度分布と視程フラグか
ら視程判別用の判別関数を生成し、その判別関数を表現
するパラメータを出力する判別関数生成部である。な
お、学習用データ生成部２５及び判別関数生成部２６か
ら判別関数生成手段が構成されている。

【００２３】次に動作について説明する。視程推定装置
２が注目地点の視程の良否を判別するに際して、予め、
視程学習装置１が少なくとも１以上の地点に関する視程
判別用パラメータを学習して視程推定装置２に提供す
る。以下、視程学習装置１の動作を具体的に説明する。

【００２４】まず、視程学習装置１のレーダ２１は、電
磁波をパルス的に空気中の特定方向に放射して、空気中
の水滴などの目標に反射して戻ってきた電磁波を受信す
る。そして、レーダ２１は、その電磁波の受信電力を処
理することにより、目標の方向及び距離を測定するとと
もに、気象レーダ方程式を利用して、その電磁波の受信
電力から目標の特性であるエコー強度を算出する。

【００２５】なお、空中の水滴からのエコーを検出して
水滴の観測を行う気象レーダは、一般にセンチ波レーダ
が用いられているが、この実施の形態１では、レーダ２
１として、ミリ波帯の電波を利用するミリ波レーダを使
用する。ミリ波レーダを用いれば、従来の気象レーダで
は観測できなかった極めて小さい水滴を観測することが
できるので、雨だけでなく、霧や靄をも探知することが
できる。

【００２６】また、レーダ２１の送信パルスの放射方向
の制御方法としては、仰角を固定して方位角を時間変化
させる方法（以下、「ＰＰＩ方式」と呼ぶ）や、方位角
を固定して仰角を時間変化させる方法（以下、「ＲＨＩ
方式」と呼ぶ）がある。さらに、ＰＰＩ方式における仰
角やＲＨＩ方式における方位角を所与の角度刻みで時間
変化させることによって、エコー強度の３次元的な空間
分布を求めることが可能になる。エコー強度の３次元的
な空間分布のことを、以下、「エコー強度分布」と呼
ぶ。レーダ２１は送信パルスの放射方向を適切に制御す
ることにより、観測対象地域のエコー強度分布を求めて
出力する。

【００２７】ここで、エコー強度は、送信パルスのパル
ス幅やビーム幅によって定まる目標体積に対して求めら
れる。図３は目標体積を表す模式図である。送信パルス
の放射方向が、仰角を変えながらのＰＰＩ方式や方位角
を変えながらのＲＨＩ方式に基づいて制御されることを
考慮すると、結局、エコー強度は、レーダ２１を中心と
する球座標系において、距離方向・方位角方向・仰角方
向のそれぞれについて別途定められる刻み幅の間隔で算
出されることになる。しかし、このままでは扱いにくい
ので、表現を直交座標系に変換することが多い。この実
施の形態１でも、レーダ２１は、３次元直交座標系にお
いて、各軸毎に別途定められる刻み幅の間隔で設けられ
る点におけるエコー強度の値の並びとして、エコー強度
分布を出力するものとする。なお、エコーがない点で
は、エコーがないことを表す特別な数値を設定すればよ
い。

【００２８】視程学習装置１のデータ抽出部２２は、上
記のようにしてレーダ２１が観測対象地域のエコー強度
分布を出力すると、観測対象地域のエコー強度分布のう
ち、ユーザが指定する注目地点を含む周辺領域のエコー
強度分布を抽出して出力する。なお、データ量を減らし
て後の処理の負荷を軽くするため、その抽出したエコー
強度分布に空間的な平均化処理を適用した上で出力する
ようにしてもよい。

【００２９】一方、視程学習装置１の視程測定部２３
は、ユーザが指定する注目地点の視程を測定する。そし
て、視程二値化部２４は、視程測定部２３により測定さ
れた視程を二値化し、その二値化結果を視程フラグとし
て出力する。具体的には、視程測定部２３により測定さ
れた視程と所定の閾値を比較して、その視程を二値化す
るが、例えば、所定の閾値が“５００ｍ”と設定され、
視程測定部２３により測定された視程が“３００ｍ”で
あれば、悪視程を示す視程フラグを出力し、その視程が
“１０００ｍ”であれば、良視程を示す視程フラグを出
力する。

【００３０】視程学習装置１の学習用データ生成部２５
は、データ抽出部２２が注目地点を含む周辺領域のエコ
ー強度分布を出力し、視程二値化部２４が視程フラグを
出力すると、観測時刻が同一時刻のエコー強度分布と視
程フラグを対にして出力する。以下、当該対データを学
習用データと称する。

【００３１】視程学習装置１の判別関数生成部２６は、
学習用データ生成部２５から学習用データを受けると、
例えば、ＳＶＭ（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａ
ｃｈｉｎｅ）を利用して、その学習用データから視程判
別用の判別関数を生成し、その判別関数を表現する視程
判別用パラメータを視程推定装置２に出力する。ＳＶＭ
の具体的な内容については、例えば、「発見科学とデー
タマイニング」（共立出版、２０００年）に収められて
いる。高須による「ＳｕｐｐｏｒｔＶｅｃｔｏｒＭ
ａｃｈｉｎｅによる分類」（上記書籍のｐｐ．１１８−
１２７）には詳細な記述がある。

【００３２】ここで、視程判別用パラメータとは、ユー
ザが指定する注目地点におけるエコー強度分布と視程フ
ラグの関係を表現するパラメータである。即ち、視程判
別用パラメータは、エコー強度分布を構成するエコー強
度の値を順番に並べて出来るベクトルを特徴ベクトル
（特徴ベクトルは多次元の特徴空間を構成する）とする
場合、この特徴ベクトルが「良視程」であるのか、「悪
視程」であるのかを判別するための判別関数を表現する
ようなパラメータとなる。以下、このパラメータをｗと
表し、パラメータｗが決まると、判別関数が一意に定ま
ることを前提とする。

【００３３】なお、図４は特徴空間が２次元である場合
の判別関数の一例を示す説明図である。図４の例では、
特徴ベクトルをｘ、判別関数をｆ（ｘ）で表しており、
例えば、０＜ｆ（ｘ）ならば、「悪視程」、それ以外の
場合は、「良視程」と判別される。図４のような場合、
判別関数は以下の形式で表される。ｆ（ｘ）＝ｗ_０・ｘ＋ｗ_１（３）ここで、“・”は内積を示す演算記号、ｗ_０は特徴空間
が２次元の場合には２次元ベクトルである。この場合、
ｗ_０，ｗ_１の値が判別関数を表現する視程判別用パラメ
ータとなる。なお、特徴空間が一般のｎ次元の場合、ｘ
はｎ次元ベクトルであり、ｗ_０もｎ次元ベクトルとな
る。

【００３４】上記のようにして、視程学習装置１から出
力された視程判別用パラメータは、視程推定装置２の視
程判別用パラメータ保持部１３に保持されるが、視程判
別用パラメータ保持部１３には少なくとも１以上の地点
に関する視程判別用パラメータが保持される。以下、視
程推定装置２の動作を具体的に説明する。

【００３５】まず、視程推定装置２のレーダ１１は、視
程学習装置１のレーダ２１と同様に、電磁波をパルス的
に空気中の特定方向に放射して、空気中の水滴などの目
標に反射して戻ってきた電磁波を受信する。そして、レ
ーダ１１は、その電磁波の受信電力を処理することによ
り、目標の方向及び距離を測定するとともに、気象レー
ダ方程式を利用して、その電磁波の受信電力から目標の
特性であるエコー強度を算出する。

【００３６】なお、レーダ１１は、送信パルスの放射方
向を適切に制御することにより、観測対象地域のエコー
強度分布を求めて出力する。この実施の形態１では、視
程学習装置１と視程推定装置２の双方がレーダを搭載し
ているものについて示しているが、１つのレーダを視程
学習装置１と視程推定装置２が共用するようにしてもよ
い。

【００３７】視程推定装置２のデータ抽出部１２は、レ
ーダ１１が観測対象地域のエコー強度分布を出力する
と、観測対象地域のエコー強度分布のうち、ユーザが指
定する注目地点を含む周辺領域のエコー強度分布を抽出
して出力する。なお、視程学習装置１のデータ抽出部２
２が、エコー強度分布に空間的な平均化処理を適用して
いる場合には、データ形式を同一にするため、視程推定
装置２のデータ抽出部１２も、その抽出したエコー強度
分布に空間的な平均化処理を適用した上で出力するよう
にする。

【００３８】視程推定装置２の判別関数算出部１４は、
視程判別用パラメータ保持部１３に保持されている各地
点の視程判別用パラメータのうち、注目地点に関する視
程判別用パラメータを入力して判別関数を特定する。即
ち、注目地点に関する視程判別用パラメータｗ_０，ｗ_１
を上述した式（３）に適用して、判別関数ｆ（）を特定
する。そして、判別関数算出部１４は、データ抽出部１
２により抽出されたエコー強度分布に対応する特徴ベク
トルｘを判別関数ｆ（）に代入して判別関数値ｆ（ｘ）
を算出する。

【００３９】視程推定装置２の視程判定部１５は、判別
関数算出部１４が判別関数値ｆ（ｘ）を算出すると、そ
の判別関数値ｆ（ｘ）と所定の閾値ａ（例えば、ａ＝
０）を比較して、注目地点の視程の良否を判別する。具
体的には、ｆ（ｘ）＞ａならば悪視程であると判別し、
ｆ（ｘ）≦ａならば良視程であると判別する。視程判定
部１５は、注目地点に関する視程の判別結果を視程フラ
グとして出力する。

【００４０】以上で明らかなように、この実施の形態１
によれば、観測時刻が同一時刻のエコー強度分布と視程
フラグから視程判別用の判別関数を生成し、その判別関
数を表現するパラメータを出力するように構成したの
で、視程推定装置２による視程の推定精度を高めること
ができる視程学習装置１を得ることができる効果を奏す
る。

【００４１】なお、従来例のように、エコー強度から予
め与えられた算出式に基づいて視程を算出する方法で
は、視程を知りたい地点におけるピンポイントのエコー
強度を知る必要がある。しかし、レーダによる観測では
地形の影響によって、視程を知りたい地点におけるピン
ポイントのエコー強度が分からない場合がある。そのよ
うな場合でも、この実施の形態１の方法によれば、視程
を知りたい地点の周辺のエコー強度分布が分かれば、視
程を知りたい地点での視程が「悪視程」あるか、あるい
は、「良視程」あるかを推定することができるという効
果を奏する。

【００４２】ただし、厳密には、視程学習装置１から出
力される視程判別用パラメータは、データ抽出部２２及
び視程測定部２３において、ユーザが指定する地点につ
いてのみ適用可能である。しかし、地形の状況などが類
似している地点については、同じパラメータを適用して
も大きな誤差はない。従って、得られたパラメータを地
形の状況などが類似する他の地点に適用することによ
り、学習対象とした地点以外の地点でも「悪視程」か
「良視程」かの推定が可能になる。

【００４３】最後に、エコー強度分布から視程を推定で
きる根拠について述べる。上述したように、同じ霧であ
っても、それを構成する水滴の大きさの分布によって、
エコー強度と視程との関係は大きく変わってくる。従っ
て、視程を知りたい地点におけるエコー強度だけが分か
っても、その地点における視程を高い信頼度で知ること
ができない。しかし、エコー強度分布のパターンと、霧
の粒径分布や視程の間に強い相関があることを示唆する
観測結果がこれまでに得られている。例えば、参考文献
１には、釧路の海霧について、エコー頂高度が高いタイ
プと低いタイプとがあり、タイプによって粒径分布、ま
た視程の傾向が異なっていたとの観測例が記載されてい
る。従って、エコー強度の空間分布と視程との間には強
い相関があると考えられ、エコー強度分布が分かれば、
視程を推定できると結論付けられるのである。

【００４４】実施の形態２．図５はこの発明の実施の形
態２による視程学習装置を示す構成図であり、図におい
て、図２と同一符号は同一または相当部分を示すので説
明を省略する。２７は気温，露点温度，湿度，風向，風
速及び降水量の組み合わせから構成される気象データを
測定する気象データ測定部、２８は観測時刻が同一時刻
のエコー強度分布及び気象データと視程フラグを対にし
て出力する学習用データ生成部、２９は観測時刻が同一
時刻のエコー強度分布及び気象データと視程フラグから
視程判別用の判別関数を生成し、その判別関数を表現す
るパラメータを出力する判別関数生成部である。なお、
気象データ測定部２７、学習用データ生成部２８及び判
別関数生成部２９から判別関数生成手段が構成されてい
る。

【００４５】上記実施の形態１では、学習用データ生成
部２５がエコー強度分布と視程フラグを対にして学習用
データを生成するものについて示したが、エコー強度分
布と観測時刻が同一時刻の気象データも学習用データに
含めるようにしてもよい。具体的には、学習用データ生
成部２８が観測時刻が同一時刻のエコー強度分布と気象
データの組み合せと、視程フラグとを対にして出力する
ようにする。これにより、判別関数生成部２９から出力
される視程判別用パラメータは、各地点におけるエコー
強度分布と気象データとの組み合わせと、視程フラグと
の関係を表現するパラメータになる。即ち、視程判別用
パラメータは、エコー強度分布を構成するエコー強度の
値及び気象データを構成する値を順番に並べて出来るベ
クトルを特徴ベクトルとする場合、この特徴ベクトルが
「良視程」であるのか、「悪視程」であるのかを判別す
るための判別関数を表現するようなパラメータとなる。

【００４６】なお、気温と露点温度の差や湿度は空気の
湿り具合を表すが、空気の湿り具合は霧の状態に大きな
影響を及ぼすものである。風向・風速など風の状態は、
空気の安定度と関係があり、これも霧の状態に影響を及
ぼすものである。さらに、降雨がある場合には視程が良
くなる傾向があることが分かっている。従って、注目地
点の周辺領域のエコー強度分布の他に、注目地点の気象
データを学習用データに含めて、視程フラグとの関係を
示す判別関数を生成することにより、視程推定装置２に
よる視程の推定精度を更に高めることができる効果を奏
する。

【００４７】実施の形態３．図６はこの発明の実施の形
態３による視程学習装置を示す構成図であり、図におい
て、図２と同一符号は同一または相当部分を示すので説
明を省略する。３０はレーダ２１から出力された観測対
象地域のエコー強度分布から注目地点のエコー頂高度を
算出するエコー頂高度算出部である。なお、エコー頂高
度とは、図７に示すように、レーダ２１の位置を基準に
して、レーダ２１から放射された送信パルスに対して反
射エコーが存在する高度の上限を測定した値のことであ
る。

【００４８】３１は観測時刻が同一時刻のエコー強度分
布及びエコー頂高度と視程フラグを対にして出力する学
習用データ生成部、３２は観測時刻が同一時刻のエコー
強度分布及びエコー頂高度と視程フラグから視程判別用
の判別関数を生成し、その判別関数を表現するパラメー
タを出力する判別関数生成部である。なお、エコー頂高
度算出部３０、学習用データ生成部３１及び判別関数生
成部３２から判別関数生成手段が構成されている。

【００４９】上記実施の形態１では、学習用データ生成
部２５がエコー強度分布と視程フラグを対にして学習用
データを生成するものについて示したが、エコー強度分
布と観測時刻が同一時刻のエコー頂高度も学習用データ
に含めるようにしてもよい。具体的には、学習用データ
生成部３１が観測時刻が同一時刻のエコー強度分布とエ
コー頂高度の組み合せと、視程フラグとを対にして出力
するようにする。これにより、判別関数生成部３２から
出力される視程判別用パラメータは、各地点におけるエ
コー強度分布とエコー頂高度との組み合わせと、視程フ
ラグとの関係を表現するパラメータになる。即ち、視程
判別用パラメータは、エコー強度分布を構成するエコー
強度の値及びエコー頂高度を構成する値を順番に並べて
出来るベクトルを特徴ベクトルとする場合、この特徴ベ
クトルが「良視程」であるのか、「悪視程」であるのか
を判別するための判別関数を表現するようなパラメータ
となる。

【００５０】なお、エコー頂高度が霧の特徴を表す重要
な量であることが、例えば、若山らによる文献「Ｋａバ
ンド気象ドップラレーダによる霧観測」（信学技報ＳＡ
ＮＥ９９−１０２，ｐｐ．４５−５２，Ｊａｎ．２００
０）に述べられている。従って、注目地点の周辺領域の
エコー強度分布の他に、注目地点のエコー頂高度を学習
用データに含めて、視程フラグとの関係を示す判別関数
を生成することにより、視程推定装置２による視程の推
定精度を更に高めることができる効果を奏する。

【００５１】実施の形態４．図８はこの発明の実施の形
態４による視程学習装置を適用する視程推定装置を示す
構成図であり、図９はこの発明の実施の形態４による視
程学習装置を示す構成図である。図において、図１及び
図２と同一符号は同一または相当部分を示すので説明を
省略する。１６は視程判別用パラメータ保持部１３に保
持されている視程判別用パラメータのうち、注目地点に
関する視程判別用パラメータをユニット間の結合の重み
として利用し、データ抽出部１２により抽出されたエコ
ー強度分布を構成するエコー強度値を入力層に入力する
ことにより、出力層から視程の推定値を出力する階層型
ニューラルネットワークである。

【００５２】３３はデータ抽出部２２により観測された
エコー強度分布と視程測定部２３により測定された視程
の測定結果を対にして出力する学習用データ生成部、３
４はエコー強度分布と視程の測定結果との対応関係を学
習し、その対応関係を示す非線形関数を表現するパラメ
ータを出力する階層型ニューラルネットワークである。
なお、学習用データ生成部３３及び階層型ニューラルネ
ットワーク３４から学習手段が構成されている。

【００５３】上記実施の形態１では、観測時刻が同一時
刻のエコー強度分布と視程フラグから視程判別用の判別
関数を生成し、その判別関数を表現するパラメータを出
力するものについて示したが、階層型ニューラルネット
ワーク３４が、観測時刻が同一時刻のエコー強度分布と
視程の対応関係を学習し、その対応関係を示す非線形関
数を表現するパラメータを出力するようにしてもよい。

【００５４】具体的には、学習用データ生成部３３は、
データ抽出部２２が注目地点を含む周辺領域のエコー強
度分布を出力し、視程測定部２３が視程の観測結果を出
力すると、観測時刻が同一時刻のエコー強度分布と視程
の測定結果を対にして出力する。以下、当該対データを
学習用データと称する。

【００５５】階層型ニューラルネットワーク３４は、学
習用データ生成部３３が学習用データを出力すると、注
目地点を含む周辺領域のエコー強度分布を学習対象事例
（階層型ニューラルネットワーク３４の入力層に入力す
る事例）として、観測時刻が同一時刻のエコー強度分布
と視程の対応関係を学習し、その対応関係を示す非線形
関数を表現するパラメータを出力する。

【００５６】即ち、階層型ニューラルネットワーク３４
は、図１０に示すように、学習対象事例を構成する数値
の並びを入力して、出力が視程の測定結果を近似するよ
うに、ユニット間の結合の重みの値を少しずつ変えるこ
とによって学習を行う。図１０の例では、学習対象事例
として（ｘ_１，ｘ_２，・・・，ｘ_６）が入力層に入力さ
れ、入力層のユニット数が６になっている。また、隠れ
層のユニット数が５になっている。隠れ層のユニット数
は予めユーザが指定しておくものである。この例では、
推定対象が視程だけであるので、出力層のユニット数は
１となっている。

【００５７】図１０において、黒丸で表されるユニット
は、そこに入力される値をそのまま出力する役割を有
し、この種のユニットは、入力層のユニットの他に、常
に１を出力するものがあり、図１０の入力層の右端と隠
れ層の右端に記載している。図１０において、白丸で表
されるユニットの機能を説明する。例えば、図１１に示
すように、ｎ個のユニットからの出力（ａ_１，ａ_２，・
・・，ａ_ｎ）が注目しているユニットに入力される場
合、ユニット間を結合する線には重み（ｗ_１，ｗ_２，・
・・，ｗ_ｎ）が与えられ、注目しているユニットの出力
ｃは、下記のように算出される。

【００５８】

【数１】ただし、ｇ（）は各ユニットに対して予め定められてい
る関数であり、隠れ層のユニットに対しては、通常、以
下のような形式のシグモイド関数が適用されることが多
い。

【数２】

【００５９】なお、上記のシグモイド関数は、０から１
までの範囲の数しか出力することができないため、この
実施の形態１のように、０から１までの範囲以外の数値
を最終的に出力させたい場合には、出力層のユニットに
対しては線形な関数が適用されることが多い。

【００６０】階層型ニューラルネットワーク３４による
学習結果は、ユニット間の重みとして表され、ユニット
間の重みが非線形関数を表現するパラメータとして視程
推定装置２に提供される。階層型ニューラルネットワー
ク３４の具体的な学習の方法としては、誤差逆伝播アル
ゴリズムを用いる。誤差逆伝播アルゴリズムについて
は、例えば、麻生による「ニューラルネットワーク情報
処理」（産業図書，１９８８）のｐｐ．５０−５４に説
明がある。

【００６１】以上から明らかなように、この実施の形態
４によれば、上記実施の形態１と同様の効果を奏するこ
とができる。なお、注目地点の周辺領域のエコー強度分
布と視程との関係は、一般的には非線形であるが、階層
型ニューラルネットワーク３４を用いることにより、そ
のエコー強度分布と視程との関係を適切に学習すること
ができる効果を奏する。

【００６２】実施の形態５．図１２はこの発明の実施の
形態５による視程学習装置を示す構成図であり、図にお
いて、図５と同一符号は同一または相当部分を示すので
説明を省略する。３５はデータ抽出部２２により観測さ
れたエコー強度分布と気象データ測定部２７により測定
された気象データを学習対象事例とし、その学習対象事
例と視程測定部２３により測定された視程の測定結果を
対にして出力する学習用データ生成部、３６は学習対象
事例と視程の測定結果との対応関係を学習し、その対応
関係を示す非線形関数を表現するパラメータを出力する
階層型ニューラルネットワークである。なお、気象デー
タ測定部２７、学習用データ生成部３５及び階層型ニュ
ーラルネットワーク３６から学習手段が構成されてい
る。

【００６３】上記実施の形態４では、データ抽出部２２
により観測されたエコー強度分布を学習対象事例とし、
その学習対象事例と視程の測定結果との対応関係を学習
するものについて示したが、気象データ測定部２７が注
目地点の気象データを測定し、データ抽出部２２により
観測されたエコー強度分布の他に、その気象データも学
習対象事例に含めて学習するようにしてもよい。これに
より、上記実施の形態２と同様に、視程推定装置２によ
る視程の推定精度を更に高めることができる効果を奏す
る。

【００６４】実施の形態６．図１３はこの発明の実施の
形態６による視程学習装置を示す構成図であり、図にお
いて、図６と同一符号は同一または相当部分を示すので
説明を省略する。３７はデータ抽出部２２により観測さ
れたエコー強度分布とエコー頂高度算出部３０により算
出されたエコー頂高度を学習対象事例とし、その学習対
象事例と視程測定部２３により測定された視程の測定結
果を対にして出力する学習用データ生成部、３８は学習
対象事例と視程の測定結果との対応関係を学習し、その
対応関係を示す非線形関数を表現するパラメータを出力
する階層型ニューラルネットワークである。なお、エコ
ー頂高度算出部３０、学習用データ生成部３７及び階層
型ニューラルネットワーク３８から学習手段が構成され
ている。

【００６５】上記実施の形態４では、データ抽出部２２
により観測されたエコー強度分布を学習対象事例とし、
その学習対象事例と視程の測定結果との対応関係を学習
するものについて示したが、エコー頂高度算出部３０が
注目地点のエコー頂高度を算出し、データ抽出部２２に
より観測されたエコー強度分布の他に、そのエコー頂高
度も学習対象事例に含めて学習するようにしてもよい。
これにより、上記実施の形態３と同様に、視程推定装置
２による視程の推定精度を更に高めることができる効果
を奏する。

【００６６】

【発明の効果】以上のように、この発明によれば、強度
分布観測手段により観測されたエコー強度分布と視程測
定手段の二値化結果である視程フラグから視程判別用の
判別関数を生成し、その判別関数を表現するパラメータ
を出力するように構成したので、視程推定装置による視
程の推定精度を高めることができる効果がある。

【００６７】この発明によれば、エコー強度分布を構成
するエコー強度の値を順番に並べてできるベクトルを特
徴ベクトルとし、そのエコー強度分布に対応する視程フ
ラグを考慮して、その特徴ベクトルにより構成される多
次元特徴空間の視程の良否を判別する判別関数を生成す
るように構成したので、構成の複雑化を招くことなく、
視程判別用の判別関数を生成することができる効果があ
る。

【００６８】この発明によれば、注目地点の気象データ
を測定し、その気象データを考慮して視程判別用の判別
関数を生成するように構成したので、視程推定装置によ
る視程の推定精度を更に高めることができる効果があ
る。

【００６９】この発明によれば、注目地点のエコー頂高
度を測定し、そのエコー頂高度を考慮して視程判別用の
判別関数を生成するように構成したので、視程推定装置
による視程の推定精度を更に高めることができる効果が
ある。

【００７０】この発明によれば、強度分布観測手段によ
り観測されたエコー強度分布と視程測定手段により測定
された視程の対応関係を学習し、その対応関係を示す非
線形関数を表現するパラメータを出力するように構成し
たので、視程推定装置による視程の推定精度を高めるこ
とができる効果がある。

【００７１】この発明によれば、階層型ニューラルネッ
トワークを用いて学習手段を構成するように構成したの
で、エコー強度分布と視程との関係を適切に学習するこ
とができる効果がある。

【００７２】この発明によれば、注目地点の気象データ
を測定し、強度分布観測手段により観測されたエコー強
度分布の他に、その気象データも学習対象事例に含める
ように構成したので、視程推定装置による視程の推定精
度を更に高めることができる効果がある。

【００７３】この発明によれば、注目地点のエコー頂高
度を測定し、強度分布観測手段により観測されたエコー
強度分布の他に、そのエコー頂高度も学習対象事例に含
めるように構成したので、視程推定装置による視程の推
定精度を更に高めることができる効果がある。

【図面の簡単な説明】

【図１】この発明の実施の形態１による視程学習装置
を適用する視程推定装置を示す構成図である。

【図２】この発明の実施の形態１による視程学習装置
を示す構成図である。

【図３】目標体積を表す模式図である。

【図４】特徴空間が２次元である場合の判別関数の一
例を示す説明図である。

【図５】この発明の実施の形態２による視程学習装置
を示す構成図である。

【図６】この発明の実施の形態３による視程学習装置
を示す構成図である。

【図７】エコー頂高度を示す説明図である。

【図８】この発明の実施の形態４による視程学習装置
を適用する視程推定装置を示す構成図である。

【図９】この発明の実施の形態４による視程学習装置
を示す構成図である。

【図１０】階層型ニューラルネットワークの構成例を
示す説明図である。

【図１１】ユニット間の関係を示す説明図である。

【図１２】この発明の実施の形態５による視程学習装
置を示す構成図である。

【図１３】この発明の実施の形態６による視程学習装
置を示す構成図である。

【符号の説明】

１視程学習装置、２視程推定装置、１１レーダ、
１２データ抽出部、１３視程判別用パラメータ保持
部、１４判別関数算出部、１５視程判定部、１６
階層型ニューラルネットワーク、２１レーダ（強度分
布観測手段）、２２データ抽出部（強度分布観測手
段）、２３視程測定部（視程測定手段）、２４視程
二値化部（視程測定手段）、２５学習用データ生成部
（判別関数生成手段）、２６判別関数生成部（判別関
数生成手段）、２７気象データ測定部（判別関数生成
手段、学習手段）、２８学習用データ生成部（判別関
数生成手段）、２９判別関数生成部（判別関数生成手
段）、３０エコー頂高度算出部（判別関数生成手段、
学習手段）、３１学習用データ生成部（判別関数生成
手段）、３２判別関数生成部（判別関数生成手段）、
３３学習用データ生成部（学習手段）、３４階層型
ニューラルネットワーク（学習手段）、３５学習用デー
タ生成部（学習手段）、３６階層型ニューラルネット
ワーク（学習手段）、３７学習用データ生成部（学習
手段）、３８階層型ニューラルネットワーク（学習手
段）。

Claims

【特許請求の範囲】

【請求項１】空間中に電磁波を放射して、空気中の粒
子に反射された電磁波を受信し、その電磁波から注目地
点を含む領域のエコー強度分布を観測する強度分布観測
手段と、注目地点の視程を測定し、その測定結果を二値
化する視程測定手段と、上記強度分布観測手段により観
測されたエコー強度分布と上記視程測定手段の二値化結
果である視程フラグから視程判別用の判別関数を生成
し、その判別関数を表現するパラメータを出力する判別
関数生成手段とを備えた視程学習装置。
【請求項２】判別関数生成手段は、エコー強度分布を
構成するエコー強度の値を順番に並べてできるベクトル
を特徴ベクトルとし、そのエコー強度分布に対応する視
程フラグを考慮して、その特徴ベクトルにより構成され
る多次元特徴空間の視程の良否を判別する判別関数を生
成することを特徴とする請求項１記載の視程学習装置。
【請求項３】判別関数生成手段は、注目地点の気象デ
ータを測定し、その気象データを考慮して視程判別用の
判別関数を生成することを特徴とする請求項１または請
求項２記載の視程学習装置。
【請求項４】判別関数生成手段は、注目地点のエコー
頂高度を測定し、そのエコー頂高度を考慮して視程判別
用の判別関数を生成することを特徴とする請求項１また
は請求項２記載の視程学習装置。
【請求項５】空間中に電磁波を放射して、空気中の粒
子に反射された電磁波を受信し、その電磁波から注目地
点を含む領域のエコー強度分布を観測する強度分布観測
手段と、注目地点の視程を測定する視程測定手段と、上
記強度分布観測手段により観測されたエコー強度分布と
上記視程測定手段により測定された視程の対応関係を学
習し、その対応関係を示す非線形関数を表現するパラメ
ータを出力する学習手段とを備えた視程学習装置。
【請求項６】階層型ニューラルネットワークを用いて
学習手段を構成することを特徴とする請求項５記載の視
程学習装置。
【請求項７】学習手段は、注目地点の気象データを測
定し、強度分布観測手段により観測されたエコー強度分
布の他に、その気象データも学習対象事例に含めること
を特徴とする請求項５または請求項６記載の視程学習装
置。
【請求項８】学習手段は、注目地点のエコー頂高度を
測定し、強度分布観測手段により観測されたエコー強度
分布の他に、そのエコー頂高度も学習対象事例に含める
ことを特徴とする請求項５または請求項６記載の視程学
習装置。