JP4701371B2 - 災害発生確率評価システムとそのプログラム - Google Patents
災害発生確率評価システムとそのプログラム Download PDFInfo
- Publication number
- JP4701371B2 JP4701371B2 JP2009122624A JP2009122624A JP4701371B2 JP 4701371 B2 JP4701371 B2 JP 4701371B2 JP 2009122624 A JP2009122624 A JP 2009122624A JP 2009122624 A JP2009122624 A JP 2009122624A JP 4701371 B2 JP4701371 B2 JP 4701371B2
- Authority
- JP
- Japan
- Prior art keywords
- occurrence
- disaster
- probability
- learning data
- rbfn
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims description 119
- 230000006870 function Effects 0.000 claims description 221
- 238000004458 analytical method Methods 0.000 claims description 123
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000000611 regression analysis Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 30
- 239000000284 extract Substances 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 description 34
- 238000007689 inspection Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 239000013049 sediment Substances 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000010276 construction Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 230000014509 gene expression Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000002360 preparation method Methods 0.000 description 7
- 230000002265 prevention Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 241000270295 Serpentes Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000220317 Rosa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Description
そこで従来、例えば、防災・補修事業計画の立案支援などのために実際の災害・事故・補修の発生あるいは非発生に関するデータをコンピュータ処理することで精度の高い情報を得る研究を実施して、本発明者らは既に、がけ崩れの発生予測に用いられる発生降雨、非発生降雨の判別境界線であるがけ崩れの発生限界線や、避難基準線、警戒基準線を設定する方法について非特許文献1に示されるように発表している。
非特許文献1では、複雑な自然現象を直線近似せず、高精度の発生限界線等を設定することを目的として、非線形判別に優れた放射状基底関数ネットワーク手法(Radial Basis Function Network:以下、RBFNという場合がある)を用い、地域毎の非線形がけ崩れ発生限界雨量線を設定する方法を提案している。本非特許文献1に開示される技術では、RBFNを用いて、その学習機能を利用して最適な中間層と出力層の重みを決定することによって非線形がけ崩れ発生限界雨量線を設定している。
本特許文献1に開示される災害対策支援システムは、基本的にはif−then形式で、予め発生する事象とそれに対応する対策を関連付けて格納された対策リストを読み出して、対応するものである。災害時に精神的、時間的、人的に余裕のない状況で、的確な判断を可能とすべくなされたものである。また、標準的な作業時間と実働時に要した作業時間及び対策可能な残り時間を表示することで、対策進捗状況をリアルタイムに把握することが可能であると同時に、重要度の高い対策と低い対策を取捨選択するためにも用いることができる。
このようにして得られたCLを用いることで、信頼性の高い警戒避難支援システムを提供することが可能である。
さらに、非特許文献2には、地形・地質要因(以下、地形要因という。)と降雨要因を用いて、ラフ集合により土石流の発生・非発生ルールの作成を行い、災害発生の起因となった要因の追求を行う研究が開示されている。この研究は、数理的な手法を導入することにより客観的な災害発生条件を探求するものである。
また、土砂災害の予測手法についても約30年前から研究が進められており、平成17年度に「国土交通省と気象庁の連携による土砂災害警戒避難基準雨量の設定手法(案)」が取りまとめられた。これに伴い、土砂災害警戒情報の提供が全国的に展開され、本格運用を始めた地方自治体も増加し、検証事例が蓄積され始めている。
現在、先の土砂災害警戒避難基準雨量の設定手法(案)では、過去の非発生降雨を基本にRBFネットワーク手法による統計解析を行い、客観的かつ予測精度の高い非線形のCLが設定されている。また、避難勧告等の発令の判断に利用される予測雨量についても、気象庁を中心に日々精度を高めるための研究開発が行われている。
例えば、(1)非発生降雨の密度分布を表すRBFN値自体の意味が災害の危険性を示すものではないため、行政担当者や住民が理解しにくい点が挙げられる。このことは、この設定手法(案)以外の場合においても課題として挙げられる。すなわち、解析手法にRBFNを用いた場合のみならず、CLなどの災害発生基準線を求める解析全般、あるいはRBFN以外であっても解析によって得られたCL等の災害発生基準線といわゆるスネークラインとの関係が災害の危険性を直接示すものではないということにも関係がある。次に、(2)CLなど災害発生基準線の超過予測に用いられる予測雨量の精度は向上しているものの、雨量などの自然災害発生要因との関係で時々刻々と変動する避難準備情報の経時変化に対する信頼性に欠ける点などが挙げられる。さらに、災害が発生するよりも早く避難行動をとることを目的として、気象庁の配信する予測雨量を用いた試みがなされてきたが、予測雨量の精度が十分ではなく、実用上は問題を残した状態であった点も挙げられる。
このような課題は、すでに公開されている非特許文献1及び特許文献1においても同様である。これらに開示された発明でも、災害の発生限界線や、避難基準線、警戒基準線を設定することに主眼を置いており、ある特定の地域あるいは一定の条件毎にまとめられた地域グループにおいて、短期降雨指標や長期降雨指標等の自然災害発生要因における指標がどの程度に至れば災害の発生の危険性があるのかを客観的に評価することに留まっていた。
これでは、客観的、定量的な評価であっても、災害の発生限界線や、避難基準線、警戒基準線に関するものとなり、これらから実際に自然災害に対する要因が時々刻々と変化している状態、たとえば雨が降っている状態における災害の発生確率のような定量的な評価、あるいはこの定量的な評価の経時変化の信頼性を担保することが困難であるという課題があった。
ルールが多様過ぎては、精度は高くなっても、効率的に評価を実施することが難しくなってしまう。すなわち、その各々のルールでカバーできる地点や箇所が少なくなってしまい、結局災害の発生・非発生に関する評価を行うことが難しくなるのである。すなわち、災害の発生・非発生に対する高精度かつ効率的な評価を実施することができないという課題があった。このことは、非特許文献1及び特許文献1においても同様であった。
前記解析条件設定部において設定された前記式[1]〜[4]を用いて、前記RBFN値に対する災害発生確率を演算するための前記災害発生確率関数(P)を回帰分析する関数分析部と、この関数分析部で得られた前記災害発生確率関数(P)に、前記データベースから読み出される前記災害の発生要因毎に観測される観測データに対応するRBFN値のピーク値を入力して災害発生確率を演算する災害発生確率演算部と、を有することを特徴とするものである。
なお、本願発明において「災害の発生・非発生」は、いずれか一方のみの場合も含む概念である。すなわち、災害の発生・非発生に関する学習データには、災害の非発生のみに関する学習データや災害の発生のみに関する学習データも含まれる。請求項1に記載される発明のみならず、この後の請求項に記載される発明及びそれらに対する実施例においても同様である。
前記解析条件設定部において設定された前記式[5]〜[8]を用いて、前記RBFN値に対する災害発生基準線の超過確率を演算するための前記基準線超過確率関数(Q)を回帰分析する関数分析部と、この関数分析部で得られた前記基準線超過確率関数(Q)に、前記データベースから読み出される前記災害の発生要因毎に観測される観測データに対応するRBFN値を入力して基準線超過確率を演算する基準線超過確率演算部と、を有することを特徴とするものである。
なお、本願発明において「災害発生基準線」は、土砂災害の発生の危険性を判断する基準線や警戒・避難活動の判断に必要な基準線を意味し、例えば、災害発生危険基準線(CL)や避難基準線(EL)、警戒基準線(WL)などが該当するが、特にこれらの基準線に限定するものではなく、災害発生に関係する基準線であればよい。請求項3に記載される発明のみならず、この後の請求項に記載される発明及びそれらに対する実施例においても同様である。
前記関数分析部は、前記災害発生確率関数に加えて、前記解析条件設定部において設定された前記式[5]〜[8]を用いて、前記RBFN値に対する災害発生基準線の超過確率を演算するための前記基準線超過確率関数(Q)を回帰分析し、この関数分析部で得られた前記基準線超過確率関数(Q)に、前記データベースから読み出される前記災害の発生要因毎に観測される観測データに対応するRBFN値を入力して基準線超過確率を演算する基準線超過確率演算部と、を有することを特徴とするものである。
この関数モデル分析工程で得られた前記災害発生確率関数(P)に、前記データベースから読み出される前記災害の発生要因毎に観測される観測データに対応するRBFN値のピーク値を入力して災害発生確率を演算する災害発生確率演算工程とを実行させることを特徴とするものである。
前記観測学習データと,前記災害の発生・非発生に関する学習データと,前記観測対象箇所における前記予め観測された観測学習データに対応する予め定められた災害発生基準線の超過の有無に関する学習データとを基準線超過学習データとし、前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,回帰関数データを読み出しつつ、この回帰関数データに,前記災害発生基準線の超過の有無に関する前記学習データと前記RBFN値学習データとを前記入力部又は前記データベースから読み出して代入し、式[8]で示される基準線超過確率関数(Q)を回帰分析するための式[5]〜[8]を設定し、これらを用いて、前記RBFN値に対する災害発生基準線の超過確率を演算するための前記基準線超過確率関数(Q)を回帰分析する第2の関数モデル分析工程と、
前記第1の関数モデル分析工程で得られた前記災害発生確率関数(P)に、前記データベースから読み出される前記災害の発生要因毎に観測される観測データに対応するRBFN値のピーク値を入力して災害発生確率を演算する災害発生確率演算工程と、前記第2の関数モデル分析工程で得られた前記基準線超過確率関数(Q)に、前記データベースから読み出される前記災害の発生要因毎に観測される観測データに対応するRBFN値を入力して基準線超過確率を演算する基準線超過確率演算工程と、を実行させることを特徴とするものである。
また、災害発生に対する確率のみならず、災害発生基準線を超過する確率を予測可能とすることで、自然災害の発生要因が時々刻々と変化している場合に、この基準線の超過確率を用いて避難準備情報として取り扱うことが可能であり、この避難準備情報の重要性を経時的かつ定量的に示すことが可能である。
図1は災害発生確率評価システムの構成図であり、図2は災害発生確率評価システムにおいて実行される演算の工程を示すフローチャートである。
図1において、災害発生確率評価システム1は、大きくいうと、入力部2、関数分析部3、第1データベース4、第1解析部5、第2解析部6、第2データベース7、評価部8及び出力部9から構成されている。
入力部2は、第1データベース4や第2データベース7に格納されるRBFN値学習データ12や災害発生学習データ13a及び基準線超過学習データ13bあるいは回帰関数データ14、観測・点検データ19等、第1データベース4及び第2データベース7内に示される各データを予め入力して読み出し可能に格納しておくために用いられる。この入力部2から入力されるそれぞれのデータは、図1には矢印として示されていないものの直接第1データベース4や第2データベース7へ入力が可能となっている。また、関数分析部3に対して、RBFN値学習データ12、災害発生学習データ13a及び基準線超過学習データ13bあるいは回帰関数データ14を直接入力するためにも用いられる。入力部2としての具体例には、キーボード、マウス、ペンタブレット、光学式の読み取り装置あるいは、コンピュータ等の解析装置や計測機器等から通信回線を介してデータを受信する受信装置など複数種類の装置からなり目的に応じた使い分け可能な装置が考えられる。
また、出力部9としては、具体的にはCRT、液晶、プラズマあるいは有機ELなどによるディスプレイ装置、あるいはプリンタ装置などの表示装置、さらには外部装置への伝送を行うためのトランスミッタなどの発信装置などが考えられる。
関数分析部3は、解析条件設定部10及び回帰分析部11から構成されるものである。
この関数分析部3は、第1解析部5や第2解析部6において実行される災害発生確率や基準線超過確率を演算するためのロジスティック回帰分析関数を求めるために設けられるものであり、解析条件設定部10でロジスティック回帰分析関数を求めるための解析条件を設定し、回帰分析部11では解析条件設定部10で設定された解析条件に基づいてロジスティック回帰分析を実施して関数を求める。
なお、本実施の形態における基準線超過確率とは、土砂災害の発生の危険性を判断する基準線や警戒・避難活動の判断に必要な基準線のうち、少なくとも1つ以上の基準線を越える確率を意味する。
実施例においては、基準線の代表例として、災害発生危険基準線(CL)を用いて説明しているが、CLに限定するものではなく、避難基準線(EL)や警戒基準線(WL)でもよく、あるいはその他の基準線でもよい。
実施例ではそれぞれの基準線についての実施例は説明しないものの、それぞれの基準が異なるだけで解析の手法などは共通しているため、CLを解析することでその他の基準線については容易に類推することが可能である。
現行手法によるRBFN値は非発生降雨の発現確率を表し、図3のように設定される。また、RBFN値は災害発生の危険性を直接に表しているものではない。そこで、本願発明においては、土砂災害発生の危険性を表す指標としては確率値による表現が有効であると考え、ロジスティック回帰分析を用いることとしたのである。
ロジスティック回帰分析とはベルヌーイ分布に従う変数の統計的回帰モデルの一種で、独立変数が量的、従属変数が質的な変数の場合に用いられる二値変数に対する回帰分析である。一般にある現象の発生する確率Pをその現象の生起を説明するために観測された変数群(式(1))で説明しようとする場合、この変数群(式(1))という状態のもとで、現象が発生するという条件付き確率をP(x)で表し、これを多くの場合、式(2)で表すような関数Fを用いてモデル化する。
関数分析部3の解析条件設定部10では、予め入力部2を用いて第1データベース4に格納された回帰関数データ14を第1データベース4から読み出し、あるいは入力部2を介して直接読み込み、解析条件を設定する。解析条件の具体例としては、第1データベース4から選択されるRBFN値学習データ12、災害発生学習データ13aあるいは基準線超過学習データ13bの決定がある。すなわち、いずれの地域及び時期におけるRBFN値学習データ12、災害発生学習データ13aあるいは基準線超過学習データ13bを選択、決定するかを解析条件設定部10において設定するものである。
これらのRBFN値学習データ12、災害発生学習データ13aあるいは基準線超過学習データ13bについても予め入力部2を介して第1データベース4に入力されるが、関数分析部3の解析時に入力部2から直接関数分析部3へ入力されてもよい。その際には解析条件設定部10では、その入力されたRBFN値学習データ12及び災害発生学習データ13aあるいは基準線超過学習データ13bが解析条件として設定されることになる。
関数分析部3の回帰分析部11で解析された災害発生確率関数及び基準線超過確率関数は、合成関数の係数、すなわち災害発生確率関数係数データ20と基準線超過確率関数係数データ21として第2データベース7に格納される。
第1解析部5は、解析関数設定部15及び災害発生確率演算部16から構成されるものであり、ある地域における災害発生確率を演算するものである。
解析関数設定部15は、関数分析部3によって解析された災害発生確率関数を設定するものであり、具体的には、第2データベース7に格納された災害発生確率関数係数データ20を読み出して解析に用いる関数を選択・決定する。また、解析関数設定部15は災害発生確率を演算する地域を特定して、その地域における観測・点検データ19を第2データベース7から読み出して、解析に用いる関数を選択・決定する。
次に、災害発生確率演算部16では、解析関数設定部15で設定された災害発生確率関数と解析地域における観測・点検データ19を用いて災害発生確率を演算するものである。
災害発生確率演算部16で解析された災害発生確率については、災害発生確率演算部16が災害発生確率データ22として、第2データベース7に読み出し可能に格納される。
第2解析部6は、解析関数設定部17及び基準線超過確率演算部18から構成されるものであり、ある地域のある時間における基準線超過確率を演算するものである。第1解析部5と同様に、解析関数設定部17は関数分析部3によって解析された基準線超過確率関数を設定するものであり、具体的には、第2データベース7に格納された基準線超過確率関数係数データ21を読み出して解析に用いる関数を選択・決定する。また、解析関数設定部17は災害発生確率を演算する地域を特定して、その地域における観測・点検データ19を第2データベース7から読み出して、解析に用いる関数を選択・決定する。
基準線超過確率演算部18で解析された基準線超過確率については、基準線超過確率演算部18が基準線超過確率データ23として、第2データベース7に読み出し可能に格納される。
次に、評価部8について説明する。
評価部8は、第1解析部5及び第2解析部6で解析された災害発生確率あるいは基準線超過確率に対して、それぞれの評価用しきい値と比較することで、評価を実施するものである。災害発生確率及び基準線超過確率はそれ自体定量値であることから、本実施の形態に係る災害発生確率評価システムのユーザーに対してある程度量的な判断が可能となっているが、さらに、それらの確率に対する評価を実施することでより客観的で量的な判断を可能とするものである。
評価用しきい値は、第2データベース7に評価用しきい値データ24として格納されているので、評価部8はこれを読み出して、災害発生確率演算部16あるいは基準線超過確率演算部18で演算された確率値と比較し、比較の結果に対応させて評価を出力するものである。
具体的には、評価部8は、災害発生確率データ22あるいは基準線超過確率データ23を第2データベース7から読み出して、同じく読み出した評価用しきい値データ24と比較する。比較によって災害発生確率データ22が評価用しきい値データ24よりも大きい場合と小さい場合において、それぞれ対応する評価を予め評価部8に含めておくことで、その結果を出力部9へ送信することが可能である。
また、評価用しきい値データ24は、1つの値である必要はなく、レンジを持たせたデータとして、そのレンジに含まれる場合に所望の評価を該当させて災害発生に関する利用者の量的な判断・理解を容易としてもよい。
なお、評価部8は必ずしも設ける必要はなく、第1解析部5の災害発生確率演算部16あるいは第2解析部6の基準線超過確率演算部18で演算された結果である災害発生確率と基準線超過確率を出力部9を介して表示したり、あるいは他の外部装置あるいは他所のシステムにデータを転送するものでもよい。
以上説明したとおり、本実施の形態に係る災害発生確率評価システムにおいては、降雨を誘因として斜面あるいは渓流で発生する土砂災害、あるいは地震や火山活動によって発生する災害や河川災害あるいは道路災害など自然災害に対して、RBFNを用いた分析自体の精度を向上することではなく、RBFN値に関する分析をベースに災害発生の危険性を確率という定量的な尺度で表現することで、ユーザーに対して理解の促進を図ることが可能である。
また、災害発生に対する確率のみならず、災害発生基準線を超過する確率を予測可能とすることで、自然災害の発生要因が時々刻々と変化している場合に、この基準線の超過確率を用いて避難準備情報として取り扱うことが可能であるため、時間と共に変化する自然災害の危険性を経時的かつ定量的に示すことが可能である。従って、災害発生による犠牲者の発生防止をより精度高く実行することが可能である。また、避難勧告などの意思決定を適切なタイミングで精度よく実施することができる。
これまで図1を参照しながら説明した災害発生確率評価システムはシステム発明であるが、図1に示されるシステムを汎用のコンピュータと捉え、これを動作させるプログラムとして、図2に示すフローチャートの工程を実行させることを考えるものである。
図2において、点線で囲んだ部分はそれぞれ図1の災害発生確率評価システムの構成要素を示すものであり、図1に示す構成要素と同一の構成要素については同一の符号を付している。
最初の工程は、ステップS0として示される入力工程である。前述のとおり、第1データベース4にはRBFN値学習データ12、災害発生学習データ13a、基準線超過学習データ13b、回帰関数データ14及び観測・点検データ19が格納されるが、この工程を示すものである。ステップS0としているのは、特にこの工程を含まないものであってもよいことを意味するものである。入力工程は必要であるものの、災害発生確率評価プログラムという発明の本質としては、入力工程を含まないものとしてステップS1から開始することも可能であるという意味である。
これらの工程は図2に示されるとおり、災害発生確率評価システムの第1解析部5あるいは第2解析部6で発揮される機能を実行するものである。ステップS3,4の実行には、演算で得られた災害発生確率と基準線超過確率をそれぞれ第2データベース7に読み出し可能に格納することも含まれる。これらの点の具体的、詳細な内容については災害発生確率評価システムの第1解析部5や第2解析部6を説明した際に述べたとおりである。
最後にステップS7で、ステップS3,4の実行によって得られた災害発生確率、基準線超過確率あるいはステップS5,6の実行によって得られた災害発生に関する評価、基準線超過に関する評価を表示あるいは出力する。この工程は災害発生確率評価システムにおける出力部9で発揮される機能の実行に他ならず、具体的、詳細な内容については出力部9の説明時に述べたとおりである。
このように構成される災害発生確率評価プログラムにおける作用、効果については、先に説明した災害発生確率評価システムの作用、効果と同様である。
なお、本実施の形態においては、災害の発生・非発生に対して放射状基底関数ネットワーク手法を用いて解析されたRBFN値を用い、また、RBFN値を災害発生基準線として用いているが、解析に用いられる計算手法としてこのRBFNを用いることなく、たとえばサポートベクターマシン(SVM)を用いて解析を行い、得られた値を災害発生基準線として用いるようにしてもよい。
まず、ロジスティック回帰分析を用いた関数を構築するにあたり、山口県の中でも土砂災害の危険箇所が多く分布する下関市を対象地域として設定した。その中でも最も災害の多い5kmメッシュ「33301814」を学習地域とした。また、下関市において災害が2番目、3番目に多い5kmメッシュ「33301914」、「33301915」をテスト地域とした。本実施例におけるこれらの検討地域を図5に示す。
学習地域とは、ロジスティック回帰分析によって得られる関数を設定するために用いるRBFN値学習データ12及び災害発生学習データ13a(RBFN値学習データ12及び災害発生学習データ13aを併せて表中における学習データである。)を取得した地域を意味し、テスト地域とは学習地域のRBFN値学習データ12及び災害発生学習データ13aを用いて得られた回帰関数の有効性を検証するためのデータ(表中におけるテストデータである。)を取得した地域を意味している。本実施例では本願発明の成立性を実証するために解析を実施しているので、テスト地域という言い方をしているが、実際の発明の実施ではこのテスト地域におけるデータが、災害発生確率や基準線超過確率について演算を行うための観測・点検データ19に相当するものである。
本実施例においては、自然災害のうち、土砂災害についてのケースを示し、災害発生要因としては、降雨としてその降雨データを用いて土砂災害の災害発生確率や、基準線超過確率のうち、1時間後のCL超過確率を演算するものとするが、土砂災害における災害発生要因としては他の要因、たとえば傾斜角度等の地形要因、あるいは地質要因などでもよい。また、以下の実施例では、災害発生基準線としては災害発生危険基準線(CL)の他、避難基準線(EL)、警戒基準線(WL)を用いてもよいし、他の災害発生に関する基準線を用いてもよい。その場合には、データや関数なども対応するようにしておく必要があることは言うまでもない。
さらに、自然災害であれば土砂災害に限定するものではなく、地震や火山活動によって発生する災害や河川災害あるいは道路災害などであってもよい。
また、CLの超過確率に基づく予測に用いる降雨データとしては下関観測所のアメダス10分間雨量を用いた。対象降雨の一覧を表1に示す。
本実施例では、まず、災害発生確率関数の構築を実施した。従来の災害発生予測手法として、背景技術のところで紹介した土砂災害警戒避難基準雨量の設定手法(案)によるCLが利用されており、これは毎時の降雨の軌跡であるいわゆるスネークラインがCLを超過すると、その降雨はいつ災害が起こってもおかしくない危険な状況であるといった判断をする。言い換えると、CLは、RBFN値のピーク値がCLを超過しているかどうかで、その後が安全なのか、危険なのかを精度よく判定していることになる。しかし、降雨の危険性はCLの超過にかかわらず変化しているものであり、先の土砂災害警戒避難基準雨量の設定手法(案)のCLでは時系列的に危険性の変化を表現できていないという課題があったことは既に説明のとおりである。
そこで、本実施例では回帰分析部11においてロジスティック回帰分析を実施することで、降雨の毎時の動きに対して確率値を算出することができる災害発生確率関数を構築している。
なお、本実施例及び本実施の形態におけるRBFN値あるいはRBFN値のピーク値とは、災害が発生した場合には、一連降雨において、その発生した時点と同時にピークとなっている値、あるいはそれよりも前にピークとなっている値を意味しており、災害が発生しない場合には、一連降雨においてピークとなっている値を意味している。
具体的に図6乃至図9を参照しながら説明する。これらの図では、縦軸に解析雨量(mm/hr)を示し、横軸に土壌雨量指数(mm)を示している。また、図中にはRBFN値を図示しており、三角印が災害発生時刻を示し、丸印が災害発生確率モデルの構築に用いる降雨ピークを示している。従って、この丸印のピークにおけるRBFN値がRBFN値のピーク値となる。
図6(a)には、一連降雨のピークで災害が発生した場合を示しており、その災害が発生した際のRBFN値を採用する。図6(b)、図7(a),(b)及び図8(a)では、災害発生時刻と降雨ピークがずれている場合である。災害発生時刻よりも前の降雨ピークが最もRBFN値が小さい場合には、そのRBFN値がピーク値となる。
一方、図7(b)や図8(a)に示されるように、災害発生時刻以降に降雨ピークが生じる場合もあるが、その場合には災害発生時刻前のRBFN値のピーク値が災害発生時刻以降のピーク値よりも小さくとも災害発生時刻前のRBFN値のピーク値を採用する。
さらに、図8(b)から図9(b)に示されるように災害非発生の場合には、複数のRBFN値のピークがあれば、その中で最小のRBFN値を与えるものを採用する。
この回帰分析部11では、第1データベース4から回帰関数データ14を読み出すが、この回帰関数データ14が先の式(4)なる関数をあらわすデータであり、これに対して、第1データベース4から読み出したRBFN値学習データ12からRBFN値のピーク値を、災害発生学習データ13aから災害の発生の有無をそれぞれ読み出してロジスティック回帰分析を実施するのである。
このことにより、CLでは、時間の変化による危険度を示すことができなかったが、ロジスティック回帰分析を用いた関数では、時間変化に対応した災害発生の確率値を算出することができようになった。この式(6)で示される関数は、回帰分析部11から第2データベース7に災害発生確率関数係数データ20として読み出し可能に格納される。そして、第1解析部5の解析関数設定部15で読み出されて、災害発生確率を評価する地域における観測・点検データ19を用いて、災害発生確率の演算を災害発生確率演算部16において実施するのである。災害発生確率演算部16で得られた災害発生確率は、災害発生確率演算部16によって、災害発生確率データ22として第2データベース7に読み出し可能に格納される。
このように、ロジスティック回帰分析を用いた関数により算出された災害発生確率P(x)は降雨の強さに応じた災害発生の実現象をよく捉えており、降雨による災害発生の危険性を確率値という連続値によって客観的かつ定量的に表現できたと言える。
これまで説明したとおり、構築したロジスティック回帰分析を用いた関数の妥当性を確認できた。しかし、ロジスティック回帰分析は、発生と非発生の過去のデータを用いて行うため、災害発生に関するデータを含めて観測・点検データ19が存在しない地域においては関数を構築することができない。そこで、本願発明者は、鋭意研究を進めていく段階で、他地域のロジスティック回帰分析を用いた関数が適用可能であることを確認することでその欠点を補うことができるとの考えに至ったのである。
そこで、学習地域で構築した関数モデルをテスト地域の5kmメッシュ「33301914」、「33301915」に適用し、災害発生確率P(x)と実際の発生率との比較を行うことでロジスティック回帰分析を用いた関数モデルの汎用性を確認した。比較結果を表3に示す。
比較の例として、表中に示すP(x)が80%〜90%の区間の実際の発生率は82.4%であり、ロジスティック回帰により算出される災害発生確率P(x)と実際の発生率との整合性が発揮されていることが確認できる。また、図11のように全体としての上昇傾向を確認することもできた。
よって、学習地域で構築したロジスティック回帰式は他地域においても、関数モデルと実現象との整合性に大きな差がなく汎用的であることが確認できた。これによって、災害データが存在しない地域であっても、他地域のロジスティック回帰分析を用いた関数を適用することで危険度評価を行えることが示せた。
しかし、警戒避難情報の発令を行うためには、発表をどのタイミングで行うか基準となるライン(CL)が必要となる。従来のシステムではRBFN値を基にCLを設定して運用しているが、RBFN値は、前述のとおりその値自体が災害発生の危険性を意味するものではない。そのため、行政担当者や住民にとってCLが持つRBFN値の意味合いが理解されづらいものとなっている。
次に、CL超過確率関数について構築する。災害が起こる前にその危険性を知ることや避難準備のための情報提供は極めて重要である。従来の運用においては降水ナウキャストや降水短時間予報データである予測雨量の精度は向上しているものの、避難準備情報としての信頼性に欠ける点が挙げられる。
そこで、実況雨量データを用いることで、ロジスティック回帰分析によるCL超過関数を用いて時々刻々と変化する自然災害に対する危険性を予測するシステムあるいはプログラムとしての成立性について検討した。
実施例2では、経時変化の時間間隔としてまず1時間を考え、1時間後のCL超過確率関数の構築を行った。但し、1時間後に超過する場合のみならず、例えばn時間(nは正数)経過後にCL超過する場合の確率関数としてもよい。具体的には、2時間後や3時間後の他、2.7時間後などでもよい。
学習地域においては既往の研究により、RBFN値0.7のCLが最も精度がよいとされている。このCLを超過する確率を予測するための関数を構築する。
構築にあたってはCL(0.7)の超過後に災害が発生した11降雨を検討の対象降雨として抽出し、どのような雨量であれば次の時間にCLを超過し易いのかということに着目して、超過1時間前までのRBFN値を説明変数xとして超過予測回帰関数を構築した。1時間後のCL超過確率π(x)を表す回帰式を式(8)に示す。
このロジスティック回帰分析によって得られた関数を用いることで、任意の時刻のRBFN値に対する1時間後のCL超過確率π(x)を算出できる。また、図13にはCL(0.7)の内側に、1時間後のCL超過確率π(x)=10%(内側)〜90%(外側)のラインを示す。この超過予測のラインを利用することで、降雨中の任意の時刻において、1時間後にはどのくらいCLを突破する確率があるかを判定できる。表5にはCL超過の予測結果をまとめているが、実際に、1時間後のCL超過確率π(x)の上位4降雨(降雨番号4,5,9,14)はCL超過1時間前から1時間後のCL超過確率π(x)が60%以上と高い値を示しており、CLを超過する可能性が高いことを示している。このことからCLの超過予測に対応したモデルを構築することができたと言える。
入手できた10分間雨量は2002年後半〜2005年前半のデータのため、対象とする降雨は、表5の中の降雨番号8〜15の降雨であり、9,14はすでに1時間後のCL超過確率π(x)が高い値を示していたため、検討からは除外した。10分間雨量を用いて60分間の積算雨量とRBFN値を10分更新で求め、超過予測モデルにより任意の時刻での1時間後のCL超過確率π(x)を算出した。結果を表6に示す。
図14の右側の縦軸が確率値を示しており、左側の縦軸は60分間積算雨量(mm/hr)を示している。また、横軸は時間を示している。なお、表4より、CL(0.7)超過は災害発生確率P(x)が36.0%より大きくなった時点とみなすことができる。
このような変動の結果をまとめる作用は評価部8が有している。評価部8では、評価用しきい値データ24と災害発生確率データ22あるいは基準線超過確率データ(ここでは1時間後のCL超過確率データ)23と比較することで評価を行うが、それだけでなく、時系列に沿って第2データベース7に蓄積される災害発生確率データ22や基準線超過確率データ(ここでは1時間後のCL超過確率データ)23のいずれか一方、あるいは両方を時系列で表示可能なように調整し、それぞれのピーク時にデータ取得時間や災害発生確率や1時間後のCL超過確率π(x)のデジタル値を示すように調整することも可能である。また、これら災害発生確率データ22や基準線超過確率データ(ここでは1時間後のCL超過確率データ)23と、観測・点検データ19に含まれるデータも同じ時系列上に表示可能としてもよいし、災害の発生の有無に関する情報が得られた場合には、災害発生有無に関する情報も同じ時系列上に表示するようにしてもよい。
8月9日の21時に注目してみると、まとまった降雨により災害発生確率P(x)は19.0%まで上昇し、1時間後のCL超過確率π(x)は50.0%まで上昇した。しかし、この後降雨は一旦落ち着くため、1時間後のCL超過確率π(x)は低下するが、災害発生確率P(x)はこれまでのRBFN値のピーク値を参照するため19.0%を維持したままである。
8月12日7時の時点で、降雨は再びCLに接近し、災害発生確率P(x)は33.1%、1時間後のCL超過確率π(x)は97.6%を示す。このことから現状はまだ土砂災害の災害発生確率は低いが、1時間後にCLを超過する可能性は非常に高く、警戒すべき状況であることが判断できる。実際にこの1時間後である8時に降雨はCLを超過、災害発生確率P(x)は77.1%まで上昇し、CL超過時刻に1件、2時間後の同日10時に災害は2件発生し、その後降雨は終息に向かった。
このように、ロジスティック回帰分析を行うことで自然災害発生やCL超過の可能性の毎時の変動を確率値という直接的かつ客観的に危険度を意味する指標で表現でき、的確で理解しやすい警戒避難情報の発信が可能となると考えられる。
また、本実施例においては、他地域のデータを用いて構築した関数モデルを用いることも可能とする汎用性が確認できたため、より広範な地域において災害発生確率と1時間後のCL超過確率π(x)の評価を実施することが可能である。
Claims (8)
- 入力部と、この入力部から入力されるデータを格納するデータベースとを有し、
前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,災害発生の観測対象箇所において災害の発生要因毎に予め観測された観測学習データと,前記観測対象箇所における前記予め観測された観測学習データに対応する災害の発生・非発生に関する学習データとを災害発生学習データとし、
災害の発生・非発生に対して放射状基底関数ネットワーク手法(以下、RBFNという。)を用いて,前記災害の発生要因毎に観測された前記観測学習データ及び災害の発生・非発生に関する前記学習データによって予め解析されて,前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,前記観測学習データに対応した災害の発生・非発生に関するRBFN値をRBFN値学習データとし、
前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,回帰関数データを読み出しつつ、この回帰関数データに,前記災害の発生・非発生に関する前記学習データと前記RBFN値学習データのピーク値とを前記入力部又は前記データベースから読み出して代入し、式[4]で示される災害発生確率関数(P)を回帰分析するための式[1]〜[4]を設定する解析条件設定部と、
(但し、x=(x1,x2,・・・xr)は発生確率をその現象の生起を説明するために観測された変数群であり、具体的には災害の発生・非発生に対して,前記観測学習データ及び災害の発生・非発生に関する学習データを用いて解析された前記RBFN値のピーク値を意味し、β0,β1,・・・,βrは係数である)
前記解析条件設定部において設定された前記式[1]〜[4]を用いて、前記RBFN値に対する災害発生確率を演算するための前記災害発生確率関数(P)を回帰分析する関数分析部と、
この関数分析部で得られた前記災害発生確率関数(P)に、前記データベースから読み出される前記災害の発生要因毎に観測される観測データに対応するRBFN値のピーク値を入力して災害発生確率を演算する災害発生確率演算部と、
を有することを特徴とする災害発生確率評価システム。 - 前記災害発生確率と、前記データベースに格納された,予め定めた少なくとも1つの評価用しきい値を読み出し比較して、前記評価用しきい値に対応させた評価を前記災害発生確率に対応する評価として選択抽出する評価部を有することを特徴とする請求項1記載の災害発生確率評価システム。
- 入力部と、この入力部から入力されるデータを格納するデータベースとを有し、
前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,災害発生の観測対象箇所において災害の発生要因毎に予め観測された観測学習データと,前記観測対象箇所における前記予め観測された観測学習データに対応する災害の発生・非発生に関する学習データと,前記観測対象箇所における前記予め観測された観測学習データに対応する予め定められた災害発生基準線の超過の有無に関する学習データとを基準線超過学習データとし、災害の発生・非発生に対してRBFNを用いて,前記災害の発生要因毎に観測された前記観測学習データ及び災害の発生・非発生に関する前記学習データによって予め解析されて,前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,前記観測学習データに対応した災害の発生・非発生に関するRBFN値をRBFN値学習データとし、
前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,回帰関数データを読み出しつつ、この回帰関数データに,前記災害発生基準線の超過の有無に関する前記学習データと前記RBFN値学習データとを前記入力部又は前記データベースから読み出して代入し、式[8]で示される基準線超過確率関数(Q)を回帰分析するための式[5]〜[8]を設定する解析条件設定部と、
(但し、x=(x1,x2,・・・xr)は災害発生基準線の超過、非超過に対する生起を説明するために観測された変数群であり、具体的には災害の発生・非発生に対して,前記観測学習データ及び災害の発生・非発生に関する学習データを用いて解析された前記RBFN値を意味し、β0,β1,・・・,βrは係数である)
前記解析条件設定部において設定された前記式[5]〜[8]を用いて、前記RBFN値に対する災害発生基準線の超過確率を演算するための前記基準線超過確率関数(Q)を回帰分析する関数分析部と、
この関数分析部で得られた前記基準線超過確率関数(Q)に、前記データベースから読み出される前記災害の発生要因毎に観測される観測データに対応するRBFN値を入力して基準線超過確率を演算する基準線超過確率演算部と、
を有することを特徴とする災害発生確率評価システム。 - 前記基準線超過確率と、前記データベースに格納された,予め定めた少なくとも1つの評価用しきい値を読み出し比較して、前記評価用しきい値に対応させた評価を前記基準線超過確率に対応する評価として選択抽出する評価部を有することを特徴とする請求項3記載の災害発生確率評価システム。
- 前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,前記観測学習データと,前記災害の発生・非発生に関する学習データと,前記観測対象箇所における前記予め観測された観測学習データに対応する予め定められた災害発生基準線の超過の有無に関する学習データとを基準線超過学習データとし、
前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,回帰関数データを読み出しつつ、この回帰関数データに,前記災害発生基準線の超過の有無に関する前記学習データと前記RBFN値学習データとを前記入力部又は前記データベースから読み出して代入し、式[8]で示される基準線超過確率関数(Q)を回帰分析するための式[5]〜[8]を設定し、
(但し、x=(x1,x2,・・・xr)は災害発生基準線の超過、非超過に対する生起を説明するために観測された変数群であり、具体的には災害の発生・非発生に対して,前記観測学習データ及び災害の発生・非発生に関する学習データを用いて解析された前記RBFN値を意味し、β0,β1,・・・,βrは係数である)
前記関数分析部は、前記災害発生確率関数に加えて、前記解析条件設定部において設定された前記式[5]〜[8]を用いて、前記RBFN値に対する災害発生基準線の超過確率を演算するための前記基準線超過確率関数(Q)を回帰分析し、
この関数分析部で得られた前記基準線超過確率関数(Q)に、前記データベースから読み出される前記災害の発生要因毎に観測される観測データに対応するRBFN値を入力して基準線超過確率を演算する基準線超過確率演算部と、
を有することを特徴とする請求項1に記載の災害発生確率評価システム。 - 前記災害発生確率と、前記データベースに格納された,予め定めた少なくとも1つの第1の評価用しきい値を読み出し比較して、前記第1の評価用しきい値に対応させた評価を前記災害発生確率に対応する第1の評価として選択抽出し、前記基準線超過確率と、前記データベースに格納された,予め定めた少なくとも1つの第2の評価用しきい値を読み出し比較して、前記第2の評価用しきい値に対応させた評価を前記基準線超過確率に対応する第2の評価として選択抽出する評価部を有することを特徴とする請求項5記載の災害発生確率評価システム。
- 入力部と、この入力部から入力されるデータを格納するデータベースとを有するコンピュータによって、災害発生確率を演算するために実行されるプログラムであって、
コンピュータに、前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,災害発生の観測対象箇所において災害の発生要因毎に予め観測された観測学習データと,前記観測対象箇所における前記予め観測された観測学習データに対応する災害の発生・非発生に関する学習データとを災害発生学習データとし、
災害の発生・非発生に対してRBFNを用いて,前記災害の発生要因毎に観測された前記観測学習データ及び災害の発生・非発生に関する前記学習データによって予め解析されて,前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,前記観測学習データに対応した災害の発生・非発生に関するRBFN値をRBFN値学習データとし、
前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,回帰関数データを読み出しつつ、この回帰関数データに,前記災害の発生・非発生に関する前記学習データと前記RBFN値学習データのピーク値とを前記入力部又は前記データベースから読み出して代入し、式[4]で示される災害発生確率関数(P)を回帰分析するための式[1]〜[4]を設定し、これらを用いて、前記RBFN値に対する災害発生確率を演算するための前記災害発生確率関数(P)を回帰分析する関数モデル分析工程と、
(但し、x=(x1,x2,・・・xr)は発生確率をその現象の生起を説明するために観測された変数群であり、具体的には災害の発生・非発生に対して,前記観測学習データ及び災害の発生・非発生に関する学習データを用いて解析された前記RBFN値のピーク値を意味し、β0,β1,・・・,βrは係数である)
この関数モデル分析工程で得られた前記災害発生確率関数(P)に、前記データベースから読み出される前記災害の発生要因毎に観測される観測データに対応するRBFN値のピーク値を入力して災害発生確率を演算する災害発生確率演算工程と
を実行させることを特徴とする災害発生確率評価プログラム。 - 入力部と、この入力部から入力されるデータを格納するデータベースとを有するコンピュータによって、災害発生確率及び基準線超過確率を演算するために実行されるプログラムであって、
コンピュータに、前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,災害発生の観測対象箇所において災害の発生要因毎に予め観測された観測学習データと,前記観測対象箇所における前記予め観測された観測学習データに対応する災害の発生・非発生に関する学習データとを災害発生学習データとし、
災害の発生・非発生に対してRBFNを用いて,前記災害の発生要因毎に観測された前記観測学習データ及び災害の発生・非発生に関する前記学習データによって予め解析されて,前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,前記観測学習データに対応した災害の発生・非発生に関するRBFN値をRBFN値学習データとし、
前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,回帰関数データを読み出しつつ、この回帰関数データに,前記災害の発生・非発生に関する前記学習データと前記RBFN値学習データのピーク値とを前記入力部又は前記データベースから読み出して代入し、式[4]で示される災害発生確率関数(P)を回帰分析するための式[1]〜[4]を設定し、これらを用いて、前記RBFN値に対する災害発生確率を演算するための前記災害発生確率関数(P)を回帰分析する第1の関数モデル分析工程と、
(但し、x=(x1,x2,・・・xr)は発生確率をその現象の生起を説明するために観測された変数群であり、具体的には災害の発生・非発生に対して,前記観測学習データ及び災害の発生・非発生に関する学習データを用いて解析された前記RBFN値のピーク値を意味し、β0,β1,・・・,βrは係数である)
前記観測学習データと,前記災害の発生・非発生に関する学習データと,前記観測対象箇所における前記予め観測された観測学習データに対応する予め定められた災害発生基準線の超過の有無に関する学習データとを基準線超過学習データとし、
前記入力部から入力されるか又は前記データベースに前記入力部を介して格納される,回帰関数データを読み出しつつ、この回帰関数データに,前記災害発生基準線の超過の有無に関する前記学習データと前記RBFN値学習データとを前記入力部又は前記データベースから読み出して代入し、式[8]で示される基準線超過確率関数(Q)を回帰分析するための式[5]〜[8]を設定し、これらを用いて、前記RBFN値に対する災害発生基準線の超過確率を演算するための前記基準線超過確率関数(Q)を回帰分析する第2の関数モデル分析工程と、
(但し、x=(x1,x2,・・・xr)は災害発生基準線の超過、非超過に対する生起を説明するために観測された変数群であり、具体的には災害の発生・非発生に対して,前記観測学習データ及び災害の発生・非発生に関する学習データを用いて解析された前記RBFN値を意味し、β0,β1,・・・,βrは係数である)
前記第1の関数モデル分析工程で得られた前記災害発生確率関数(P)に、前記データベースから読み出される前記災害の発生要因毎に観測される観測データに対応するRBFN値のピーク値を入力して災害発生確率を演算する災害発生確率演算工程と、
前記第2の関数モデル分析工程で得られた前記基準線超過確率関数(Q)に、前記データベースから読み出される前記災害の発生要因毎に観測される観測データに対応するRBFN値を入力して基準線超過確率を演算する基準線超過確率演算工程と、
を実行させることを特徴とする災害発生確率評価プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009122624A JP4701371B2 (ja) | 2009-05-21 | 2009-05-21 | 災害発生確率評価システムとそのプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009122624A JP4701371B2 (ja) | 2009-05-21 | 2009-05-21 | 災害発生確率評価システムとそのプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2010271877A JP2010271877A (ja) | 2010-12-02 |
JP4701371B2 true JP4701371B2 (ja) | 2011-06-15 |
Family
ID=43419860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009122624A Active JP4701371B2 (ja) | 2009-05-21 | 2009-05-21 | 災害発生確率評価システムとそのプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4701371B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019152567A (ja) * | 2018-03-05 | 2019-09-12 | 富士通株式会社 | 算出プログラム、算出方法、算出装置、及び表示プログラム |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012198886A (ja) * | 2011-03-10 | 2012-10-18 | Yamaguchi Univ | 火山活動度に応じた土砂災害発生危険度評価システムとそのプログラム |
JP6635296B2 (ja) * | 2016-01-29 | 2020-01-22 | 中国電力株式会社 | 土石流発生予測システムおよび土石流発生予測方法 |
DE102016122467A1 (de) * | 2016-11-22 | 2018-05-24 | Geo Explorers AG | Verfahren und Vorrichtung zur Einschätzung des Risikos eines natürlich verursachten Fels- oder/und Bergsturzes an einem Hang, insbesondere einem Gebirgshang |
CN109002907B (zh) * | 2018-06-25 | 2021-07-13 | 江苏智通交通科技有限公司 | 驾驶人危险度预测结果可靠性验证方法 |
JP7141309B2 (ja) * | 2018-10-31 | 2022-09-22 | 西日本技術開発株式会社 | 地盤変位に起因する災害発生危険度定量評価システムとその方法とそのプログラム |
CN111667187B (zh) * | 2020-06-10 | 2023-09-15 | 中交第二公路勘察设计研究院有限公司 | 基于多源遥感数据的公路滑坡危险性评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007035017A (ja) * | 2005-02-16 | 2007-02-08 | Yamaguchi Univ | 防災事業計画支援システム |
JP2007048226A (ja) * | 2005-08-12 | 2007-02-22 | Toshiba Corp | 確率モデル生成方法、確率モデル生成装置およびプログラム |
JP2007122418A (ja) * | 2005-10-28 | 2007-05-17 | Bioinformatics Institute For Global Good Inc | 予測方法、予測装置および予測プログラム |
JP2007323455A (ja) * | 2006-06-02 | 2007-12-13 | Fuji Xerox Co Ltd | 故障予防診断支援システム及び故障予防診断支援方法 |
-
2009
- 2009-05-21 JP JP2009122624A patent/JP4701371B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007035017A (ja) * | 2005-02-16 | 2007-02-08 | Yamaguchi Univ | 防災事業計画支援システム |
JP2007048226A (ja) * | 2005-08-12 | 2007-02-22 | Toshiba Corp | 確率モデル生成方法、確率モデル生成装置およびプログラム |
JP2007122418A (ja) * | 2005-10-28 | 2007-05-17 | Bioinformatics Institute For Global Good Inc | 予測方法、予測装置および予測プログラム |
JP2007323455A (ja) * | 2006-06-02 | 2007-12-13 | Fuji Xerox Co Ltd | 故障予防診断支援システム及び故障予防診断支援方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019152567A (ja) * | 2018-03-05 | 2019-09-12 | 富士通株式会社 | 算出プログラム、算出方法、算出装置、及び表示プログラム |
JP7052429B2 (ja) | 2018-03-05 | 2022-04-12 | 富士通株式会社 | 算出プログラム、算出方法、算出装置、及び表示プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2010271877A (ja) | 2010-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jena et al. | Integrated model for earthquake risk assessment using neural network and analytic hierarchy process: Aceh province, Indonesia | |
JP2012198886A (ja) | 火山活動度に応じた土砂災害発生危険度評価システムとそのプログラム | |
Abdulwahid et al. | Landslide vulnerability and risk assessment for multi-hazard scenarios using airborne laser scanning data (LiDAR) | |
JP4701371B2 (ja) | 災害発生確率評価システムとそのプログラム | |
van Westen et al. | Multi-hazard risk assessment and decision making | |
JP4595094B2 (ja) | 防災総合計画支援システムとそのプログラム | |
Pradhan | Laser scanning applications in landslide assessment | |
JP3975407B2 (ja) | 防災事業計画支援システム | |
JP2012174125A (ja) | 防災計画支援システムとそのプログラム | |
Albahri et al. | A systematic review of trustworthy artificial intelligence applications in natural disasters | |
Jaiswal | Landslide risk quantification along transportation corridors based on historical information | |
JP2020071138A (ja) | 地盤変位に起因する災害発生危険度定量評価システムとその方法とそのプログラム | |
Makhoul et al. | Seismic resilience of interdependent built environment for integrating structural health monitoring and emerging technologies in decision-making | |
JP3646726B1 (ja) | 防災事業支援システム | |
JP4817363B2 (ja) | 危険度評価システム | |
Greiving et al. | Introduction: the components of risk governance | |
Barclay et al. | Assessment of advanced LiDAR based tools for enhanced flood prediction | |
JP3674707B1 (ja) | 防災事業計画支援システムとその方法 | |
JP3656852B1 (ja) | 防災事業計画支援方法とそのシステム | |
Fabbri et al. | A software approach to spatial predictions of natural hazards and consequent risks | |
Hackl et al. | Estimating the risk related to networks: a methodology and an application on a road network | |
Buxó et al. | Development of a Rockfall Risk Mitigation Plan in the Montserrat Massif (Central Catalonia, Spain) | |
Pradhan et al. | Landslide risk assessment using multi-hazard scenario produced by logistic regression and LiDAR-Based DEM | |
Rohani et al. | IMGESA (Integrated Meteorological and Geohazard System Advisory) as Predictive Analytics Tool for Managing Geohazard Impacts to Pipeline | |
Rothwell | Determining Earthquake Impacts on Arkansas' Roadway Network: An Application of HAZUS. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20100826 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20100826 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20100827 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20101015 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20101022 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20101220 |
|
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: 20110114 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20110209 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4701371 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |