JP4118352B2 - 気象判別方法およびその装置 - Google Patents
気象判別方法およびその装置 Download PDFInfo
- Publication number
- JP4118352B2 JP4118352B2 JP22845996A JP22845996A JP4118352B2 JP 4118352 B2 JP4118352 B2 JP 4118352B2 JP 22845996 A JP22845996 A JP 22845996A JP 22845996 A JP22845996 A JP 22845996A JP 4118352 B2 JP4118352 B2 JP 4118352B2
- Authority
- JP
- Japan
- Prior art keywords
- weather
- data
- past
- trend
- meteorological
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Description
【発明の属する技術分野】
本発明は、気温、気圧、路面温度などの気象状態の変化と関連の深い要因から、場所毎に癖を持った気象状態を正確に判別することのできる気象判別方法とその装置に関する。
【0002】
【従来の技術】
安全、かつ、円滑な道路交通を確保するためには、路面状況、視程、交通流、気象状態などの道路運転環境にかかわる要因を精度良く検出し、これらの情報を道路利用者や道路管理者に目的に応じた形で提供することが望まれる。路面状態、視程および交通流などの状態変化と気象状態の変化との間には相関関係があり、気象状態の検出は道路運転環境などにおいて重要な役割を担うものである。
【0003】
道路運転環境などにおいて特に知りたい気象情報は、道路利用者が現在おかれあるいは極めて近い将来におかれるであろう道路運転環境がいかなる気象状態にあるかという点であり、この意味で気象状態の判別は極めて重要である。
【0004】
従来、このような気象状態を判別するための手法として、気温、気圧、路面温度などの気象状態の変化と関連の深い要因と気象状態との間に線形性を仮定し、多変量解析に代表される統計的な解析手法を用いて判別しているのが一般的であった。
【0005】
【発明が解決しようとする課題】
しかし、気象状態の変化と、気温、気圧、路面温度などとの関係は必ずしも線形ではなく、非線形的な要素を含んでいる。特に、山間部や山麓部などの内陸部では、さほど距離が離れていないにもかかわらず、気象状態がまったく異なるというような現象が多々見られる。従来の統計的な解析手法では、このような局所的な気象状態の変化に対して十分に対処することができなかった。
【0006】
本発明は、上記のような問題を解決するためになされたもので、非線形処理が可能な階層型のニューラルネットワークを気象状態の判別に利用し、局所的な気象状態の判別が可能で、しかも精度の高い判別を行うことのできる気象判別方法とその装置を提供することを目的とする。
【0007】
【課題を解決するための手段】
前記課題を解決するために、本発明の気象判別方法は、観測場所における気象センサから得られた気温、気圧、路面温度等からなる気象データと、前記観測場所における気温または路面温度と気圧について、例えば、30分毎の如き所定時間毎の平均値からなる過去の推移傾向とを用いた階層型ニューラルネットワークであって、該階層型ニューラルネットワークの入力層に前記気象データと過去の推移傾向とを前記所定時間を合算した過去の推移傾向の合計時間に相当する回数分の前記所定時間毎の平均値を入力すると共に、前記入力層へ観測場所における実際の気象状態を与える教師データを用いて教師データとの判別誤差が最小となるように学習を行ったニューラルネットワークに、前記気象センサから得られた気象データと、気象データを得た前記合計時間前の過去の推移傾向とを入力することにより前記観測場所における気象状態を求めることを特徴とする。
【0008】
また、本発明の気象判別装置は、観測場所における気温、気圧、路面温度等からなる気象データを検出して出力する気象センサ部と、前記観測場所における気温または路面温度と気圧について、例えば、30分毎の如き所定時間毎の平均値からなる過去の推移傾向を出力する推移傾向出力部と、前記気象センサ部から出力される気象データと前記推移傾向出力部から出力された過去の推移傾向とを階層型ニューラルネットワークの入力層に前記所定時間を合算した過去の推移傾向の合計時間に相当する回数分の前記所定時間毎の平均値を入力すると共に、前記入力層へ観測場所における実際の気象状態を与える教師データを用いて教師データとの判別誤差が最小となるように学習を行ったニューラルネットワークに、前記気象センサ部から得られた気象データと、前記推移傾向出力部から得られた気象データを得た前記合計時間前の過去の推移傾向とを入力することにより前記観測場所における気象状態を求める気象判別部と、前記気象判別部の判別結果に応じて気象状態の表示を行う表示部とを備えたことを特徴とする。
【0010】
【発明の実施の形態】
以下、本発明の実施の形態について、図面を参照して説明する。
図1は、本発明方法を適用して構成した本発明に係る気象判別装置の一実施形態のブロック図である。
この気象判別装置は、気象センサ部1Aと、過去の推移傾向出力部1Bと、気象判別部2と、表示部3から構成されている。気象センサ部1Aは少なくとも、気温センサ11、気圧センサ12、路面温度センサ13などの気象状態の変化と関連の深い要因を検出するための複数のセンサを備えている。なお、現在の状態のみならず、過去の推移傾向も上述の非線形な要素を含む気象状態の変化と深い関係を持つと考えられるため、本発明では、前記各センサで得られた気温、気圧、路面温度などの物理量を平均処理などで加工し、この得られたデータを過去の推移傾向を示す信号として気象判別部2に出力する過去の推移傾向入力1Bとから構成している。
【0011】
気象判別部2は、図2にその詳細を示すように、入力層21、中間層22、出力層23からなる階層型のニューラルネットワークにより構成されている。前記気象センサ部1からの各信号は入力層21に入力され、この入力信号に基づいて気象状態の判別を行い、その結果が出力層23から表示部3へ出力される。
【0012】
前記判別を行うには、予め、ニューラルネットワークに入力教師信号と出力教師信号を与えて学習させ、各階層のニューロンを結ぶシナプスの結合係数を最適な値に設定しておく必要がある。この学習により、入出力間の関係がネットワーク内に構築され、気象の判別が可能となる。このとき、気象状態の判別を行いたい場所についての教師データを用いて学習を行えば、場所毎に異なる気象状態の癖を組み込んだネットワークが構築されるので、局所的な気象状態の判別が可能となる。
【0013】
前記学習方法としては、例えば、バックプロパゲーション法などの学習アルゴリズムを利用し、実際の気温、気圧、路面温度、過去の推移傾向などで構成された入力教師信号24と、この入力教師信号に対する実際の気象状態を与える出力教師信号25のデータの組を教師信号として用意し、その判別誤差26が最小となるように各層のニューロンを結ぶシナプスの結合係数を決定すればよい。
【0014】
上記のように教師データによって学習したニューラルネットワークの入力層21に、気象センサ部1Aにおいて実際に検出した現在の気温、気圧、路面温度および過去の推移傾向出力部1Bからの信号を入力してやることにより、出力層23から判別された気象状態が出力される。この判別される気象状態としては、「晴天」、「曇天」、「降雨」、「降雪」、「霧」などがある。表示部3では、気象判別部2から送られてくる判別結果を所望の表示形式でモニタ画面やプリンタなどに出力して表示する。
【0015】
【実施例】
前記図1および図2の構成になる気象判別装置を用い、実際のフィールドにおいて収集した実測データを用いて気象状態を判別した場合の具体的な実施例を以下に示す。
図3は学習データとなる実測データを示すもので、気圧,気温,路面温度からなる実測データ31と、これに対応する実際の気象状態32の変化状態を図示したものである。実測データ31は、15分毎の気温、気圧、路面温度を収集したものであり、その全サンプル数は1995年12月19日から12月21日における163サンプルである。気象状態32については、“降雪なし”と“降雪あり”の2つの事象に着目した。
【0016】
まず、上記図3の163サンプル中から、降雪のある場合について20サンプル、降雪のない場合について20サンプル、計40サンプルを取り出し、このサンプルデータを教師データとして図2のニューラルネットワークの学習を行う。図3中の符号33で示すエリアに、この学習に使用した教師データについての40個のサンプル位置を黒色の縦棒線で示した。
【0017】
前述したように、ニューラルネットワークに入力する気象状態の変化と関連のある要因としては、前記気温、気圧、路面温度に加え、これらの過去の推移傾向も重要な情報であると考えられる。この推移傾向に関しては、図3中の実測データ31を見れば、気温と路面温度はほぼ同様な推移傾向を示しているため、路面温度についての過去の推移傾向は不要とし、気温と気圧について図5のサンプリングの手法によって30分毎の平均値を過去6時間まで遡って各々12の入力情報を同時に与えるようにした。すなわち、本実施例の場合、気温、気圧、路面温度の実測データと、気温および気圧の過去の推移傾向により、“降雪あり”と“降雪なし”を判別するようにした。
【0018】
次に、上記のようにして学習した気象判別装置による実際の気象状態の判別結果について示す。前記学習後のニューラルネットワーク(気象判別部2)の入力層21に、前記図3の気温、気圧、路面温度、および気温と気圧についての過去の推移傾向を入力することにより、気象状態の判別を行った。図4は、図3に示した163サンプルの全サンプルについてその気象状態を判別した結果である。図4において、41は実際の気象状態、42は本発明の気象判別装置による判別結果を示している。また、下記の表1に、実際の気象状態と、本発明による気象状態の判別結果との一致度合いを全サンプル数に対する割合で表した判別正解率を示す。
【0019】
【表1】
【0020】
この表1に示すように、過去の推移傾向の情報を入力しない場合の82.2%に対して本発明の気象判別装置によるときは95.1%という高い判別正解率が得られた。これから、極めて精度の高い気象判別が実行されていることが分かる。また、図4において誤判別した個所は、“降雪あり”、“降雪なし”のどちらの状態とも言い難い部分に該当するものがほとんどであった。
【0021】
さらに、図4中の気象状態の変化する境界部分における判別結果に注目すると、いずれの場合も、時間的に少し早めに判別する傾向が見られ、予測効果を持った判別がなされていることが分かる。したがって、この予測結果を利用すれば、気象状態の変化に先立って、早め早めに対策を講ずることが可能となり、実際の道路交通などにおいて極めて有用なものとなる。
【0022】
なお、前記した実施の形態による他、前後のデータを微分処理によってデータの増減の変化を求め、過去所定時間の変化を変化量の推移傾向として気象判別部2に入力してもよい。
【0023】
【発明の効果】
以上説明したように、請求項1および2記載の気象判別方法によるときは、気温、気圧、路面温度等の現在の気象状態と、過去の前記気象状態の推移傾向とを入力層に入力し、階層型のニューラルネットワークを用いて気象状態の判別を行うようにしたので、気温、気圧、路面温度および過去の推移傾向などに基づいて非線形的な要素を含む気象状態の判別を精度良く行うことができる。また、その地域の学習データを用いて学習させることにより、局所的な気象判別を行うことができ、有用性と適応性に富んだ気象判別方法を提供することができる。
【0024】
請求項3および4記載の気象判別装置によるときは、気温、気圧、路面温度等の気象状態を検出して出力する気象センサ部と、過去の前記気象状態の推移傾向を出力する推移傾向出力部と、該気象センサ部から送られてくる信号を基に階層型のニューラルネットワークを用いて気象状態の判別を行う気象判別部と、該気象判別部の判別結果に応じて気象状態の表示を行う表示部とから構成したので、気温、気圧、路面温度および過去の推移傾向などに基づいて非線形的な要素を含む気象状態の判別を精度良く行うことができる。また、その地域の学習データを用いて学習させることにより、局所的な気象判別を行うことができ、有用性と適応性に富んだ気象判別装置を提供することができる。
【図面の簡単な説明】
【図1】本発明方法を適用して構成した本発明に係る気象判別装置の一実施例のブロック図である。
【図2】気象判別部を構成するニューラルネットワークの構成図である。
【図3】学習データとなる実測データを示す図である。
【図4】図1の気象判別装置による気象判別結果を示す図である。
【図5】過去の推移傾向を示す説明図である。
【符号の説明】
1A 気象センサ部
1B 過去の推移傾向出力部
2 気象判別部(ニューラルネットワーク)
3 表示部
11 気温センサ
12 気圧センサ
13 路面温度センサ
14 過去の推移傾向
21 入力層
22 中間層
23 出力層
24 入力学習信号
25 出力学習信号
26 判別誤差
Claims (2)
- 観測場所における気象センサから得られた気温、気圧、路面温度等からなる気象データと、前記観測場所における気温または路面温度と気圧について、例えば、30分毎の如き所定時間毎の平均値からなる過去の推移傾向とを用いた階層型ニューラルネットワークであって、
該階層型ニューラルネットワークの入力層に前記気象データと過去の推移傾向とを前記所定時間を合算した過去の推移傾向の合計時間に相当する回数分の前記所定時間毎の平均値を入力すると共に、前記入力層へ観測場所における実際の気象状態を与える教師データを用いて教師データとの判別誤差が最小となるように学習を行ったニューラルネットワークに、
前記気象センサから得られた気象データと、気象データを得た前記合計時間前の過去の推移傾向とを入力することにより前記観測場所における気象状態を求めることを特徴とする気象判別方法。 - 観測場所における気温、気圧、路面温度等からなる気象データを検出して出力する気象センサ部と、
前記観測場所における気温または路面温度と気圧について、例えば、30分毎の如き所定時間毎の平均値からなる過去の推移傾向を出力する推移傾向出力部と、
前記気象センサ部から出力される気象データと前記推移傾向出力部から出力された過去の推移傾向とを階層型ニューラルネットワークの入力層に前記所定時間を合算した過去の推移傾向の合計時間に相当する回数分の前記所定時間毎の平均値を入力すると共に、前記入力層へ観測場所における実際の気象状態を与える教師データを用いて教師データとの判別誤差が最小となるように学習を行ったニューラルネットワークに、前記気象センサ部から得られた気象データと、前記推移傾向出力部から得られた気象データを得た前記合計時間前の過去の推移傾向とを入力することにより前記観測場所における気象状態を求める気象判別部と、
前記気象判別部の判別結果に応じて気象状態の表示を行う表示部と、
を備えたことを特徴とする気象判別装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP22845996A JP4118352B2 (ja) | 1996-08-29 | 1996-08-29 | 気象判別方法およびその装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP22845996A JP4118352B2 (ja) | 1996-08-29 | 1996-08-29 | 気象判別方法およびその装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH1073670A JPH1073670A (ja) | 1998-03-17 |
JP4118352B2 true JP4118352B2 (ja) | 2008-07-16 |
Family
ID=16876825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP22845996A Expired - Fee Related JP4118352B2 (ja) | 1996-08-29 | 1996-08-29 | 気象判別方法およびその装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4118352B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180224859A1 (en) * | 2017-02-08 | 2018-08-09 | Ford Global Technologies, Llc | Tornado Detection Systems And Methods |
JP2019045403A (ja) | 2017-09-06 | 2019-03-22 | 国立研究開発法人宇宙航空研究開発機構 | 雷脅威情報の提供装置、雷脅威情報の提供方法及びプログラム |
JP7110004B2 (ja) * | 2018-06-19 | 2022-08-01 | 株式会社東芝 | 処理装置、処理方法、およびプログラム |
-
1996
- 1996-08-29 JP JP22845996A patent/JP4118352B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JPH1073670A (ja) | 1998-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948469B (zh) | 基于深度学习的巡检机器人仪表自动检测识别方法 | |
CN112149667B (zh) | 一种基于深度学习的指针式仪表的自动读数的方法 | |
CN111598098B (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
CN110849807B (zh) | 一种基于深度学习的适用于道路能见度的监测方法与系统 | |
CN112819093A (zh) | 基于小数据集与卷积神经网络的人机不同步识别方法 | |
CN110909652B (zh) | 纹理特征优选的农作物种植结构月尺度动态提取方法 | |
CN111896549A (zh) | 一种基于机器学习的建筑物裂缝监测系统和方法 | |
CN108732313A (zh) | 城市空气污染物浓度智能观测系统 | |
CN108876772A (zh) | 一种基于大数据的肺癌图像诊断系统及方法 | |
CN111291818B (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
JP4118352B2 (ja) | 気象判別方法およびその装置 | |
CN112418128A (zh) | 地表水监控管理系统及方法 | |
CN108645490A (zh) | 基于图像处理技术的冷水水表视觉检测系统及检测方法 | |
JPH0938631A (ja) | リモートセンシング応用広域水圏監視システム | |
Camuffo et al. | How the rain-gauge threshold affects the precipitation frequency and amount | |
KR101006652B1 (ko) | 영상정보분석에 의한 날씨감지장치 및 이를 이용한 날씨감지방법 | |
JP3500425B2 (ja) | 可視画像式路面状況把握装置における路面状況判定方法 | |
CN117037449A (zh) | 一种基于边缘计算的团雾监测方法及监测系统 | |
JPH11256665A (ja) | 流域管理マッピングシステム | |
CN116310263A (zh) | 一种指针式航空地平仪示数自动读取实现方法 | |
CN115578695A (zh) | 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 | |
JP3849420B2 (ja) | 界面計測装置 | |
JP2000076349A (ja) | 土地価格地図上サンプル取得システム | |
CN113065556A (zh) | 一种数字式仪表定位和数字识别方法、装置和计算机设备 | |
JPH09257787A (ja) | 水圏内微生物の広域監視システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20050808 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060314 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060511 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060801 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060929 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070814 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071015 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071022 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20071218 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080218 |
|
A072 | Dismissal of procedure [no reply to invitation to correct request for examination] |
Free format text: JAPANESE INTERMEDIATE CODE: A072 Effective date: 20080318 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20080415 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080423 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110502 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110502 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140502 Year of fee payment: 6 |
|
LAPS | Cancellation because of no payment of annual fees |