JP4719893B2 - 制御装置、制御方法、及びそのプログラム - Google Patents

Description

本発明は、空間データを蓄積し、活用する地理情報システムに関し、特に、ニューラルネットワークを適用した地理情報システムに関する。

［海表面温度(SST)推定のための計算法：熱赤外放射計］
人工衛星の観測データを用いた海表面温度(SST:Sea Surface Tempature) 推定が行われている。SSTを推定する手法として、さまざまな方法が提案されている。SSTにおいて、主に熱赤外放射計が扱われてきた。これは観測波長帯において、大気の影響が小さいためである。

熱赤外光の場合、波長が長いので散乱の影響はさほど重要ではなく、方位方向の影響は考えなくともよい。
熱赤外放射で扱われる放射伝達方程式より、熱赤外波長域に感度を持つi波長帯での観測輝度Ii は以下の式（１）で表される。

ここで、Bi(t):分光プランク関数、Ts:地球表面温度[K]、τi:透過率、Z:大気上端高度、μ:観測角、z:高度、T(z):気温を表す。

式（１）は観測輝度Iiからその因子である地球表面温度Tsを求める逆問題を解くことでSSTを推定する方法がある。この場合、放射伝達式（１）は本質的に非線型である。線形逆問題であれば、解の発散を防ぎ逆問題を解くために、最小二乗法、直交展開して解くなどの方法がある。しかし、非線形逆問題の解法は解の範囲を限定して線形化して解くか、反復的に解くしかない。よって、１つのデータに関する計算が非常に複雑で計算量も多くなる。この式(１)を解く手法を毎回全海域の膨大なデータ量に対して用いるのは、あまりに困難である。

［海表面温度(SST)推定のための計算法：Split-Window法］
熱赤外放射計によるSST推定以外に、Split-Window法(以下、単にSW法とする)と呼ばれる手法がある。これは大気の影響が異なる観測波長帯ごとの観測データと、観測波長帯ごとのパラメータからなる回帰式を利用する重回帰解析である。これは、ある海域についてパラメータを逆問題的に求めてしまえば、後は容易にSST推定が行える。

各波長帯で大気の影響が異なるが地球表面温度は同じである。それにより、各波長帯での観測された輝度温度の差から、大気の影響が求められる。
観測した周波数帯の数をnとして、i波長帯(i≦n)の輝度温度をBi(T)、それに対応するパラメータをCiとすれば、求める地球表面温度Toは次の回帰式（２）の通りになる。

回帰式（２）において、Toに実際に観測された地球表面温度の値を、対応する観測データをBi(T)に代入して、最小自乗的にパラメータCiを求める逆問題を解く。それにより、既知のパラメータCiと、新たに観測されたBi(T)から未知のToを容易に求めることができる。

海域の位置や季節によってパラメータCiは変化するため、各海域と各時期によって適切なパラメータを求める必要がある。しかし、全地球において各海域のパラメータを求めるには計算量が非常に多くなる。よって、今までは特定海域で求めたパラメータを他の海域にも用いており、各海域で誤差が生じていた。
特開２００５−５２０４５号公報

各海域（緯度、経度）ごとに気象条件の違い(気候、海流等)から、そのパラメータには違いが生じる。そのため、各海域によってパラメータを求める必要がある。
しかしながら、地球表面の７割を占める海面について、最適なパラメータを求めるには、データ量と計算量があまりにも膨大になるという課題を有する。また、計算を回避して、安易な手段として特定海域で求めたパラメータを他の海域に用いることもできるが、無視できない程の誤差が生じるという課題を有する。

本発明は前記課題を解決するためになされたものであり、地理的な情報を有するSST推定のための観測データ及びパラメータを空間データとして有し、計算量と誤差を低減しつつSST推定を広範囲に実施できる地理情報システムを提供することを目的とする。
また、本発明はSST推定の実施に限らず、SST推定のための空間データ以外の空間データを用いた他の推定を広範囲に実施することができることも目的としている。

SW法の回帰式は、複数の入力データの相関から出力を求めるものである。そのためにSW法の処理に対して、GISにニューラルネットワーク(NN)を組み込む。
ニューラルネットワーク(NN)の中でもバックプロパゲーション(BP)が回帰式の対応に適している。NNは、くり返しデータを与えることで、経験的に誤差の少ない解を得るように学習する。SW法では海面での実測値と衛星データからパラメータを求める。BPでは、海面での実測値を教師データとして、衛星データからの推定値と比較し内部のパラメータを自動的に修正することができる。NNの導入により精度向上と、自動化が計られる。
さらにGISにより、パラメータの最適化が可能になる。SSTは極局所的に推定され、気候、経度、緯度に依存する。逆に言えば、気候、緯度、経度といった地理情報が一致するならば、一括にパラメータを取り扱うことができる。適切なパラメータを利用することで、他の海域のSST推定の向上を計ることができる。そのために、それら、地理情報の統合的な検索、管理に適したデータベースの作成が求められる。

また、それらのシステムを利用して、実測値や衛星データが未知の海域において、SST推定をシミュレーションを行うことを可能になる。実測値がなくとも、既にパラメータの判明した海域と地理的条件が一致するならば、そのパラメータを利用できるからである。
本発明を用いることで、GISによるパラメータ検索によるSST情報を利用して、SST推定シミュレーション行うシステムを提供できる。また、本発明を用いることで、地理情報システムを用いてニューラルネットワークを構築し、地理的情報を有する画像情報を入力とした場合の解析方法及びパラメータの推定をニューラルネットワークによって行い、地理的条件による解析パラメータの最適化を容易に行うことができる。

本発明に係る制御装置は、ＧＩＳ（Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ：地理情報システム）における位置と対応付いた情報を持ち、人工衛星によるリモートセンシングにより得られる所定の分解能を有する遠赤外線画像である空間データを用いて、海面の状態、植生、又は大気中の化学物質含有率を推定する階層型のニューラルネットワークの演算処理を制御する制御装置であって、前記空間データが記録された記録部から、前記遠赤外線画像において推定処理の対象となる対象地域内の１６×１６画素を読み出して、当該読み出された画素からなる空間データを解析する解析手段を備え、前記解析手段が、前記読み出した１６×１６画素における各画素の画素値を入力データ、前記空間データに基づく推定値の正解値として得られた正解値データを教師データとする教師セットを用いて、前記入力データの各画素値をニューラルネットワークにおける入力層に設定し、前記教師データを前記ニューラルネットワークにおける出力層に設定し、バックプロパゲーションにより前記ニューラルネットワークの階層間の結合係数を算出し、前記読み出した１６×１６画素の空間データが対応している対象地域ごとに階層型のニューラルネットワークを構築する定義済み処理学習部と、前記定義済み処理学習部で構築されたニューラルネットワークに、前記遠赤外線画像における前記対象地域内の１６×１６画素からなる空間データを読み込み、前記算出された結合係数を用いて、前記読み込まれた空間データに基づく推定値として、地域ごとに前記海面の状態、植生、又は大気中の化学物質含有率を求める推定処理を行う推定処理部とを有するものである。このように本発明においては、制御装置において、教師セットを与え学習させてニューラルネットワークを構築した後に、入力データを入力して推定しているので、地理情報システムを用いて大量の空間データから使用者が推定式のアルゴリズムを適用することなく、教師セットを入力し学習させることで以後の推定を行うことができ、容易に分析結果を得ることができる。特に、入力データが地理情報システムの記録部に記録され、出力データを同記録部に記録することで、ニューラルネットワークと地理情報システムとを有機的に一体化したシステムを構築し、迅速な分析を可能としてる。
従来のように、非線形の式を用いたり、回帰式を用いてＳＳＴを求めると、アルゴリズムが複雑になり、計算量も多くなる。従来と比べ、本発明は平易なアルゴリズムとなって推定結果を迅速に得ることができる。

本発明に係る制御装置は必要に応じて、前記空間データの地図データに対する検索を行うと共に、時間に関しての検索を行う検索手段を備え、前記解析手段が、使用者に指定された検索条件で前記検索手段が検索したある位置におけるある時期の推定を、推定年以前の同一位置における同一時期の重みを用いて推定するものである。このように本発明においては、検索手段で指定された位置と同一位置の同一時期の重みが存在しないか否かを検索し、合致する重みがある場合にかかる重みを用いることで、学習することなく推定を実行することができる。重みは、結合荷重、荷重と呼ばれることもある。

本発明に係る制御装置は必要に応じて、使用者が指定する学習済みの領域を指定領域とし、前記ＧＩＳにおいて前記指定領域に環境が類似している領域を類似領域として検出する類似領域検出手段を備え、前記解析手段が、前記指定領域において構築されているニューラルネットワークを用いて前記類似領域に対して推定処理を行うものである。このように本発明においては、類似領域検出手段が検出条件に合致する類似領域を検出するので、既に類似領域の一部が学習済みである場合には、ほかの類似領域では学習をすることなく、推定することができる。また、類似領域において学習済みでない場合であっても、類似領域の一部分に関して学習するだけで、類似領域の推定を効率的に行うことができる。また、重みの初期値としては、所定の初期値を与えるのがニューラルネットワークおいては一般的な方法であるが、類似領域においてそのまま既存のニューラルネットワークの重みを使用するのではなく、重みの初期値として既存のニューラルネットワークの重みを使用することもでき、教師セットによる重みの収束を迅速に行うことができると共に、そのまま既存のニューラルネットワークの重みを使用した推論と比べ、精度の高い推論を行うことができる。
また、類似領域検出のための検出条件を調整することができるようにしてもよい。すなわち、精度を要しなければ検出条件を緩くし類似領域を拡大し、精度を要する場合には検出条件を厳しくし類似領域が縮小する。例えば、「陸から５０［ｋｍ］ないし７０［ｋｍ］離れた領域であって、黒潮又は対馬海流であって、緯度が２０ないし５０であって、経度が１２０ないし１５０である」という検出条件があった場合に、数値条件の値を変更したり、数値条件以外の場合には条件自体を無くしたりして調整することができる。調整を容易にするために、使用者に対して表示部に検出結果の類似領域を提示すると共に、前に検出した類似領域との比較を容易にするためにレイヤ表示を行うようにすることが好ましい。

本発明に係る制御装置は、前記類似領域における少なくとも１つのサンプルポイントを検出し、前記指定領域における学習で用いた教師セットの入力データを、前記サンプルポイントで構築されているニューラルネットワークに入力して推定処理を行い、出力された推定値と教師データとを比較し、その誤差が閾値内であるか否かにより類似領域とみなすか否かを決定するものである。このように本発明においては、使用者が設定した検出条件に基づいて類似領域を検出するだけでなく、類似領域として検出された領域に対してサンプルポイントを検出し、かかるサンプルポイントに対する教師セットを使用者に要求し、使用者が要求に応えて入力された教師セットの入力データに対して既存のニューラルネットワークを用いて推論し、出力データと教師データを比較し、誤差が閾値内であれば類似領域としてみなすので、類似領域として適格性を確認しており、誤った類似領域に対する推論を未然に防ぐことができる。

本発明に係る制御装置は、前記推定値として海表面温度の情報が出力されるものである。このように本発明においては、遠赤外線画像を空間データとして記録部に記録し、解析手段において教師セットを用いて学習し、遠赤外線画像を入力することで、学習済みで構築されたニューラルネットワークを用いて適切な推定を実施して入力された遠赤外線画像に対応する海表面温度を求めることができる。

本発明に係る制御装置は必要に応じて、前記空間データが、同一位置における異なる複数の周波数帯域の遠赤外線画像であり、前記教師データが、前記遠赤外線画像と同一位置における海表面温度の実測データ又は衛星観測データであるものである。このように本発明においては、同一位置の周波数帯域の異なる遠赤外線画像を用いて海表面温度を求めているので、より精度高く求めることができる。

本発明に係る制御方法は、 ＧＩＳ（Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａｔｉｏｎ
Ｓｙｓｔｅｍ：地理情報システム）における位置と対応付いた情報を持ち、人工衛星によるリモートセンシングにより得られる所定の分解能を有する遠赤外線画像である空間データを用いて、海面の状態、植生、又は大気中の化学物質含有率を推定する階層型のニューラルネットワークの演算処理を制御する制御方法であって、前記空間データが記録された記録部から、前記遠赤外線画像において推定処理の対象となる対象地域内の１６×１６画素を読み出して、当該読み出されたた画素からなる空間データを解析する解析手段が、前記読み出した１６×１６画素における各画素の画素値を入力データ、前記空間データに基づく推定値の正解値として得られた正解値データを教師データとする教師セットを用いて、前記入力データの各画素値をニューラルネットワークにおける入力層に設定し、前記教師データを前記ニューラルネットワークにおける出力層に設定し、バックプロパゲーションにより前記ニューラルネットワークの階層間の結合係数を算出し、前記読み出した１６×１６画素の空間データが対応している対象地域ごとに階層型のニューラルネットワークを構築する定義済み処理学習ステップと、前記定義済み処理学習ステップで構築されたニューラルネットワークに、前記遠赤外線画像における前記対象地域内の１６×１６画素からなる空間データを読み込み、前記算出された結合係数を用いて、前記読み込まれた空間データに基づく推定値として、地域ごとに前記海面の状態、植生、又は大気中の化学物質含有率を求める推定処理を行う推定処理ステップとを実行するものである。

本発明に係る制御プログラムは、ＧＩＳ（Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ：地理情報システム）における位置と対応付いた情報を持ち、人工衛星によるリモートセンシングにより得られる所定の分解能を有する遠赤外線画像である空間データを用いて、海面の状態、植生、又は大気中の化学物質含有率を推定する階層型のニューラルネットワークの演算処理を制御する制御プログラムであって、前記空間データ
が記録された記録部から、前記遠赤外線画像において推定処理の対象となる対象地域内の１６×１６画素を読み出して、当該読み出された画素からなる空間データを解析する解析手段としてコンピュータを機能させ、前記解析手段が、前記読み出した１６×１６画素における各画素の画素値を入力データ、前記空間データに基づく推定値の正解値として得られた正解値データを教師データとする教師セットを用いて、前記入力データの各画素値をニューラルネットワークにおける入力層に設定し、前記教師データを前記ニューラルネットワークにおける出力層に設定し、バックプロパゲーションにより前記ニューラルネットワークの階層間の結合係数を算出し、前記読み出した１６×１６画素の空間データが対応している対象地域ごとに階層型のニューラルネットワークを構築する定義済み処理学習手段と、前記定義済み処理学習部で構築されたニューラルネットワークに、前記遠赤外線画像における前記対象地域内の１６×１６画素からなる空間データを読み込み、前記算出された結合係数を用いて、前記読み込まれた空間データに基づく推定値として、地域ごとに前記海面の状態、植生、又は大気中の化学物質含有率を求める推定処理を行う推定処理手段とを有するものである。

本発明の第１の実施形態に係る地理情報システムの構成ブロック図である。 本発明の第１の実施形態に係るニューロンモデルである。 本発明の第１の実施形態に係る階層型ニューラルネットワークの構造図である。 本発明の第１の実施形態に係る相互結合型ニューラルネットワークの構造図である。 本発明の第１の実施形態に係るパーセプトロンの構造図である。 本発明の第１の実施形態に係るバックプロパゲーションの前向き演算説明図である。 本発明の第１の実施形態に係るバックプロパゲーションの後向き演算説明図である。 本発明の第１の実施形態に係る地理情報システムによるSST推定の処理イメージ図である。 本発明の第１の実施形態に係る地理情報システムの説明図である。 本発明の第１の実施形態に係る地理情報システムの動作フローチャートである。 本発明の第１の実施形態に係る地理情報システムの動作フローチャートである。 本発明の第２の実施形態に係る地理情報システムの類似領域検出の説明図である。 ２００２年５月２０日１７時１１分におけるチャネル４の観測画像である。 ２００２年５月２０日１７時１１分におけるチャネル５の観測画像である。 ２００２年５月２０日１７時１１分におけるMCSSTである。 ２００２年５月２０日１７時１１分における小倉沖でのデータによる学習回数と出力の二重誤差である。 ２００２年５月２０日１７時１１分における宮崎沖でのデータによる学習回数と出力の二重誤差である。 ２００２年１１月３０日１６時４５分におけるチャネル４の観測画像である。 ２００２年１１月３０日１６時４５分におけるチャネル５の観測画像である。 ２００２年１１月３０日１６時４５分におけるMCSSTである。 ２００２年１１月３０日１６時４５分における小倉沖でのデータによる学習回数と出力の二重誤差である。 ２００２年１１月３０日１６時４５分における宮崎沖でのデータによる学習回数と出力の二重誤差である。 実施例に係るニューラルネットワークのモジュールのプログラムリストである。 実施例に係るニューラルネットワークのモジュールのプログラムリストである。 実施例に係るニューラルネットワークのモジュールのプログラムリストである。 実施例に係るニューラルネットワークのモジュールのプログラムリストである。 実施例に係るニューラルネットワークのモジュールのプログラムリストである。 実施例に係るニューラルネットワークのモジュールのプログラムリストである。 実施例に係るニューラルネットワークのモジュールのプログラムリストである。

符号の説明

１０ データベース
２０ 制御部
２１ 表示手段
２２ 検索手段
２３ 解析手段
３０ 表示部
４０ 入力部

本発明は多くの異なる形態で実施可能である。したがって、下記の各実施形態の記載内容のみで解釈すべきではない。また、各実施形態の全体を通して同じ要素には同じ符号を付けている。
各実施形態では、主にシステムについて説明するが、所謂当業者であれば明らかな通り、本発明はコンピュータで使用可能なプログラム及び方法としても実施できる。また、本発明は、ハードウェア、ソフトウェア、または、ソフトウェア及びハードウェアの実施形態で実施可能である。プログラムは、ハードディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、光記憶装置または磁気記憶装置等の任意のコンピュータ可読媒体に記録できる。さらに、プログラムはネットワークを介した他のコンピュータに記録することができる。

（本発明の第１の実施形態）
本発明の第１の実施形態に係る地理情報システムについて、図に基づき説明する。
前記図１において本実施形態に係る地理情報システムは、人工衛星によるリモートセンシングにより得られる位置と対応付いた遠赤外線画像を空間データとして記録するデータベース１０と、このデータベース１０中の空間データを分析する分析手段２３と、空間データを検索する検索手段２２とを備え、分析手段２３において、入力層にある位置の遠赤外線画像を与え、前向き演算させ、演算結果の出力層の海表面温度と教師データとなる海表面温度とにより後ろ向き演算して学習させることで位置毎に構築されるニューラルネットワークの入力層に、遠赤外線画像を入力し、入力した遠赤外線画像の海表面温度を求める構成である。

制御部２０には、検索手段２２及び分析手段２３の他、検索及び解析以外の場合に、利用者の入力部４０の操作を介してデータベース１０から空間データを読み出し、表示部３０に表示する表示手段２１を有する。検索手段２２の検索結果は、検索手段２２自体が表示部３０に表示してもよいし、表示手段２１に検索結果を渡して表示してもよい。分析手段２３も同様である。

検索手段２２は、属性検索、空間検索を行うことができる。属性検索とは、空間データ中属性データに対する検索のことで、利用者が入力部４０を操作して指定する検索式は属性により異なる。空間検索とは、空間データ中属性データ以外の地図データ等に対する検索のことである。また、属性検索、空間検索は、共に時間に関しても検索でき、特に、空間検索において時間も考慮して行う検索のことを時空間検索と呼んでいる。地理情報システムにおいて、これら属性検索、空間検索及び時空間検索は周知技術であって、所謂当業者であれば適宜システムに適用することができる。

解析手段２３は、ベクタオーバレイ解析、ポイントインポリゴン分析、バッファリング、地理的測定、ポイント操作、近隣操作、地形解析、ネットワーク解析、ボロノイ分割等を行うことができる。ベクタオーバレイ解析は、点、線、面の幾何要素に対してポリゴン処理を行う解析である。ポイントインポリゴン分析は、線、面を構成する点が、ポリゴンの内部に含まれるか否かの処理である。バッファリングは、特定の地物のまわりに必要なゾーンを生成することである。地理的測定は、ピタゴラスの定理によりユークリッド距離を測定する距離測定、面積測定、体積測定である。ポイント操作は、同じ位置にあるセルの属性値に対して数学的な演算（加算操作、乗算操作、最大値操作）を行うものである。近隣操作は、一のセルとかかるセルの近隣のセルに対して各種操作を行うものである。ボロノイ分割とは、勢力圏で領域を分割するものである。これら解析も周知技術であって、所謂当業者であれば適宜システムに適用することができる。

データベース１０は、空間データとして入力層の入力データ、中間層の中間データ、出力層の出力データ、教師セットを記録する。したがって、これらのデータに対しても地理情報システムの検索、分析を行うことができる。また、外部から外部データとしてデータを入力するのではなく、システム内のデータベース１０に記録しておくことにより、優れたパフォーマンスを発揮する。

次に、海表面温度(SST)推定に用いるデータについて説明する。前記SW法には複数の熱赤外観測波長帯データが必要である。アメリカ海洋大気庁(NOAA)が運用する気象観測衛星NOAAシリーズがある。NOAAシリーズにはNOAA12,NOAA14,NOAA15,NOAA16,NOAA17の5つがあり、様々な地球観測業務に利用されている。
NOAAに搭載された光学センサはAVHRR(改良型高解像度放射計)である。その性能は、分解能1.1km、観測幅2800km、画素数2048pixel/line、濃度階調10bit、である。各チャンネルの観測波長帯と主な観測対象は次の表１のとおり。NOAA12とNOAA14ではチャンネル3Aを持たず、NOAA15、NOAA16、NOAA17はチャンネル3Aと3Bを昼夜で切替えて使用している。

以上6チャンネルのうち、本発明ではチャンネル4および5を用いる。
以下、まず、ニューラルネットワークについて、続けてGISについてそれぞれ項目毎に順次説明する。

［ニューラルネットワーク(NN:Neural Network)］
ニューラルネットワーク(NN)とは生物が持つ神経細胞をモデルに作られたものである。ニューロンと他のニューロンの結合部をシナプスと呼ぶ。それぞれのニューロンがシナプスで連結し、シナプスの結合荷重を更新することで各ニューロンが学習していく。
評価関数をあたえれば、NNが自動的に適当な出力を行うように学習するのが特徴である。
一般に知られる解法をプログラミングされたシステムとは違い、経験的に解法を習得する。

次に、シナプスの学習について説明する。NNを構成するニューロンモデルは、図２のようになっている。
入力xiと各シナプスの結合荷重wiの積の総和をネット値（式３）と呼ぶ。

各ニューロンは閾値とよばれる値θを持つ。
ネット値と閾値θからなる非線型な関数f(net)によりニューロンの出力yが決定される。
関数f(net)には様々なものがあるが、ほとんどが飽和特性を持ち、出力yの値が一定の範囲に収まるようになっている。
後述のバックプロパゲーション(BP)では連続的に変化する微分可能な応答関数が必要である。よって、連続単調増加形をしたシグモイド関数が用いられる。シグモイド関数として、具体的にはロジェスティック関数（式４）が使われる。

シナプスの学習はHebの学習則「細胞Aが興奮したとき、細胞Bが常に興奮するならば、細胞AからBヘのシナプス荷重は大きくなる。」に基づいて行われる。学習の評価式として2乗誤差を用いる。教師信号がtとして、誤差Eは

となる。式３、４、５より、Eはwiの関数である。ニューラルネットワークの学習とは誤差Eが最小になるようにwiを求めることと等価である。よって、小さな正の定数ηを学習係数として、結合荷重の修正値Δwiを次式６とする。

このとき、式６において、f´(net)は式４より

よって、式６は、

となる。
式６、８を一般化デルタ則と呼ぶ。

次に、ニューラルネットワーク（NN）の分類と各種の特徴について説明する（図３、図４参照）。NNは改良がくり返され、いくつかの種類がある。NNの種類によって解法に適した問題がある。SW法と大量のデータを扱うこの発明にはバックプロパゲーションニューラルネットワークが適している。各NNは次の4つの特徴によりそれぞれ2つに分類される。

＜学習アルゴリズムによる分類＞学習の際に、出力データと比較する正解データを教師データと呼ぶ。教師データが用意されているかにより、教師信号あり、教師信号無しに分類される。
＜構造による分類＞ニューロンが各層ごとに含まれ、各層ごとに処理を行っていくNNを階層型ニューラルネットワークと呼ぶ。各層にわかれることなくニューロンが絡み合うように結合しているNNを相互結合型ニューラルネットワークと呼ぶ。
＜入力信号の流れ＞データを前向きにのみ流れるNNをフィードフォワード型ニューラルネットワークと呼ぶ。さらに後向きにデータが流れるNNをフィードバック型ニューラルネットワークと呼ぶ。

＜アナログとデジタル＞ハードウェア的にアナログ式とデジタル式のNNが存在する。しかし、現在はアナログ式はあまり利用されず、主流はデジタル式である。
次に、パーセプトロンについて説明する。最初に開発されたニューラルネットワーク。教師信号あり、階層型、フィードフォワード処理を行う。図５のように、入力層、複数の中間層(隠れ層)、出力層によって、構成される。入力データは各層のニューロンを伝播して最終的に出力が決定される。教師信号があれば、出力とを比較して、出力層のニューロンがシナプスの結合荷重を更新する。シナプスの学習は教師信号に直接触れる出力層のニューロンのみであり、中間層では学習が行われない。そのため、学習を繰り返しても非線型問題を解くことはできない。

次に、バックプロパゲーション(BP)について説明する。現在最も代表的なニューラルネットワークである。パーセプトロンに誤差逆伝播アルゴリズムを組み込みフィードバック型に改良したものである。入力に対する動作はパーセプトロンと同じでBPではとくに、前向き演算と呼ぶ（図６参照）。新たに可能になった中間層や入力層のニューロンの学習は、出力層から入力層に向かって行われ、後ろ向き演算とよぶ（図７参照）。学習には多くの入出力データが必要だが、パターン認識に適して、非線型の高次問題も解くことができる。

バックプロパゲーション(BP)の動作と学習としては、まず、入力があると、前向き演算が行われる。各層のシナプスが入力の総和に対してシグモイド関数によってニューロンの出力を決定し、次の層に伝える。
次に、入力ベクトルに対応した教師信号が出力層に与えられる。そして、誤差逆伝播による重みの学習が行われる。
出力層のニューロン数をKとし、あるニューロンkにおいて出力okと教師信号tkとする。出力層の出力と教師信号と誤差和を下記式と定義する。

ここで、

中間層と出力層の間のシナプス結合荷重の変化量は一般化デルタ則（式８）より、式１２となる。

同様にして

とすると中間層の間の重みの変化量は次のようにして求められる。

［地理情報システム(GIS:Geographic InformationSystem)］
GISは、主題図と呼ばれる特定のテーマに基づく地図を使い、各地のデータを整理し、複数の主題図からある現象について定量的な情報を取り出すものである（図８及び図９参照）。
国土交通省国土地理院では、「地理情報システム(GIS:Geographic Information System)は地理的値位置を手がかりに、位置に関する情報を持ったデータ（空間データ）を総合的に管理し、加工し、視覚的に表示し、高度な分析や迅速な判断を可能にする技術である。」と定義されている。それぞれの主題図を統合的に管理し解析するため、地理に関するさまざまな情報を格納するデータベースを構築する必要がある。

次に、主題図（thmatic maps）について説明する。植生、人工、鉄道網、宗教等と言ったある特定の主題について作られた、特殊な用途の地図のことを主題図とよぶ。複数の情報(土地利用、集落、主要建造物、交通網、行政区界、地名など)が盛りこまれ、様々な目的にかなう一般図(general map)とは区別される。
海面温度推定図の場合、各地域ごとの水温分布のみを扱う主題図、人工衛星からのリモートセンシングデータは遠赤外線画像を扱う主題図となる。
次に、データベースについて説明する。系統的に整理、蓄積されたデータを一元管理し、プログラムから呼出して利用できるようにしたものである。他のデータベースとリンクさせ複合的な解析および処理を可能にする。

地図上の道路や建造物、また、市町村境界等の空間的な位置を持つものを、地物と総称する。
地物に関する情報をデジタル化したものを、空間データと呼ぶ。全ての空間データは、空間的な位置に関する情報をなんらかの形で持つ。
空間データにおいて、空間的な位置と形状を表す情報を、図形データと呼ぶ。
また、図形データの他に、その地物に関連した様々な情報を、属性データと呼ぶ。
属性データは文字や数値形式のデータばかりでなく、写真や動画なども含めることができる。

属性データを図形データと関連づけるためには、一般にIDと呼ばれる記号が用いられる。リレーショナルモデルのデータベースを用いた場合には、例えば図面表（ＩＤ、左隅原点座標）、レイヤ表（レイヤＩＤ、レイヤ名）、海表面温度（ＩＤ、レイヤＩＤ、海表面温度、座標）、海流（ＩＤ、レイヤＩＤ、海流名、座標）、海岸（ＩＤ、レイヤＩＤ、チェーン座標）というスキーマとなる。ここで挙げたスキーマは一例であって、地理情報システムの分野における当業者であれば適宜修正、追加、削除を適宜行うことができる。
GISではIDを介して、属性データを参照し、集計し、様々な解析を行う。今回、主題図をGISで扱う際には、空間上法において一致する緯度経度を重ねて扱う。
本実施形態では、各海域ごとのパラメータを格納する。

次に、本実施形態に係る地理情報システムの動作について説明する。まず、通常の表示は例えば以下のように行われる。使用者がキーボード、マウス等の入力部４０を用いて指定した点（以下、要求点とする）を表示する場合には、まず、表示手段２１が、かかる要求点の座標を求め、かかる座標の属する図面区分ＩＤ（要求図面区分）を特定し、かかる要求図面区分に係る地図データ及び属性データ、さらには、この要求図面区分の隣接する図面区分に係る地図データ及び属性データをもデータベース１０から読み出してバッファに格納する。現在表示する必要があるのは要求点から求めることができる一定の距離の領域（表示領域）であるので、バッファから表示領域に対応する地理情報のみを表示画面に表示する（この表示するまでの一連の処理を表示処理とする）。以降、使用者が要求点を移動させる等した場合には同様な表示処理が行われる。ここで、要求点が移動してもバッファ中の地理情報でまかなえる場合にはデータベース１０にアクセスすることなく表示を行い、バッファ中の地理情報でまかなえない場合には再びデータベース１０にアクセスし必要となる図面区分に係る地図データ及び属性データを参照してバッファに格納する。使用者が表示の拡大又は縮小を要求した場合には、単に表示領域が拡大又は縮小したと捉えて処理することができる。一般的には使用者が表示の拡大を要求した場合には現在のバッファ中の地理情報でまかなえ、使用者が表示の縮小を要求した場合には現在のバッファ中の地理情報でまかなえないことが多い。

本発明の特徴となるニューラルネットワーク機能の動作は、使用者が始めに推定位置の指定を入力部４０を用いて行う（以下、図１０参照。ステップ１０１）。指定された推定位置に対して解析手段２３は学習済みか否かを判断する（ステップ１０２）。学習済みでないと判断した場合には、使用者に対して学習セットの要求を行う（ステップ１０３）。使用者は要求に応じて学習セットを指定する（ステップ１０４）。使用者からの学習セットの指定を受けると、解析手段２３は、かかる学習セットを入力データとして定義済み処理学習を行う（ステップ２００）。

ステップ１０２で、学習済みであると判断した場合、又は、ステップ２００の後に、観測データの要求を使用者に対して行う（ステップ１１１）。この要求に対して使用者は観測データを指定する（ステップ１１２）。観測データの指定を受けた後、学習済みのニューラルネットワークを用いて、解析手段２３が定義済み処理である推定を実施する（ステップ３００）。推定後に、推定結果を表示部３０に表示する（ステップ１２１）。
定義済み処理学習（ステップ２００）は、まず、学習セットの観測データを読み込み（以降、図１１参照。ステップ２０１）、学習データを読み込む（ステップ２０２）。読み込まれた観測データと入力層と中間層の重みとを積演算する（ステップ２０３）。積演算の結果を引数として、シグモイド関数の演算を実施する（ステップ２０４）。かかる演算結果と中間層と出力層の重みとを積演算する（ステップ２０５）。積演算の結果を引数として、シグモイド関数の演算を実施する（ステップ２０６）。演算結果（出力層の出力値）、中間層の出力値、教師データを引数にして、中間層と出力層との荷重の変化量を演算する（ステップ２０７）。続けて、出力層の出力値、中間層と出力層の重み、中間層の出力値、教師データを引数にして、入力層と中間層との荷重の変化量を演算する（ステップ２０８）。このステップ２０７及びステップ２０８より、新たな中間層と出力層との重み、入力層と中間層との重みを求め反映することができる。教師セットが最後か否かを判断し（ステップ２０９）、最後と判断した場合には定義済み処理学習を終了する。ステップ２０９で最後でないと判断した場合にはステップ２０１に移行する。
定義済み処理推定（ステップ３００）は、ステップ２０１ないしステップ２０６を経ることで実施される。

このように本実施形態に係る地理情報システムによれば、空間データを用いた表示、解析、検索の通常の地理情報システムの機能だけでなく、教師セットを与えることで学習を行い、学習後に観測データを入力することで優れたSSTの推定を、地理情報システム上で実施することができ、より迅速な推定を実施することができる。また、地理情報システム上には、SSTに関する画像データを表示することもでき、推定結果との比較も容易に行うことができる。さらに、データベース１０内に入力層の入力データ、中間層の中間データ、出力層の出力データ、教師セットを記録しており、迅速な学習及び推定が可能となっている。

［観測データ、教師セットのデータ形式］
本実施形態においては、推定で用いられる観測データ及び学習で用いられる教師セットは、数値データの集合であってもよいし、画像データであってもよい。画像データである場合には、所定の変換式で数値データに変換し、推定及び学習で用いられる。

［適用対象］
本実施形態においては、リモートセンシングにおけるSSTの推定に関してニューラルネットワーク地理情報システムを適用したが、本発明はこの推定に限らず、他のリモートセンシングにも適用できるし、リモートセンシング以外の解析に用いることもできる。たとえば、植生、大気中の化学物質含有率等に適用することができる。ただし、推定するための入力データと、推定結果との間に何らかしらの関係がないといけない。たとえば、SSTと人口密度にはまったく関係がないため本発明を適用することができない。関係があるか否かは、経験則に発見できる場合もあるし、分析により何らかの関係を見い出す場合もある。一般的に関係が強い場合には中間層は１層でもよく、関係が希薄である場合には中間層を複数要する。

［ニューラルネットワーク］
本実施形態においては、動作説明部分では、入力層のノードが２、中間層のノードが２、出力層のノードが１であったが、推定の方式によりノード数の変化する。例えば、入力層のノードが１、中間層のノードが１、出力層のノードが１の場合もある。
また、中間層は１層に限らず、多層構造であってもよい。精度の要する推定になればなるほど、中間層の数が一般的に増える傾向にある。

［中間層の出力値］
本実施形態においては、地理情報システムのレイヤと、ニューラルネットワークの層とを同一なものとして捉えることもでき、中間層の出力値を破棄することなく、地理情報システムの図形データ又は属性データとしてデータベース１０に記録することもできる。また、重みの集合をレイヤとして取り扱うこともできる。重みの変化自体を解析対象とすることができる。

［推定結果］
本実施形態においては、推定結果は数値演算後の数値データのみに言及しているが、使用者がより視覚的に比較・評価することができるように、数値データを可視化して表示部３０に表示することもできる。

（本発明の第２の実施形態）
本発明の第２の実施形態に係る地理情報システムについて説明する。本実施形態に係る地理情報システムは、前記第１の実施形態と同様に構成され、同じニューラルネットワークの重みを用いて推定が可能な領域である類似領域を検出する類似領域検出手段を備える構成である。
SSTに関しては、陸から所定の距離にある領域、同じ海区では同様の推定方法でSSTを求めることが可能であることを経験的に発見している。したがって、陸からの距離、同じ海区であるか否かを検索することができれば、類似領域を検出することは可能であり、類似領域検出手段はかかる検索を行って類似領域の検出を実施している。ここで、陸からの距離、同じ海区であるか否かを判断するに必要なデータは、予めデータベース１０に記録しておく必要がある。地理情報システム上のデータベースにこのデータを格納しておくことで、類似領域検出を迅速に行うことができる。

類似領域検出手段の動作は、使用者が学習済みの領域を指定し、類似領域を検出することを入力部４０を介して指示することで始動する。指定された領域と、陸からの距離が同じで、同じ海区である部分を属性検索又は空間検索する（ここでの検索に関し検索手段２２を用いてもよい）。検索結果となる領域を類似領域として類似領域検出手段は出力し、表示部３０に表示する。かかる類似領域に関しては、既に学習したニューラルネットワークを用いることができるため、学習セットを入力した学習が不要であり、推定に用いる観測データを地理情報システムに入力することで推定を実施することができる。したがって、学習時間を大幅に低減することができる。

例えば、図１２に示す教師セットを利用した学習済みの領域aがある場合に使用者がかかる位置を指定して類似領域検出を行った場合には、まず、学習済み領域を包含する領域に対して類似領域ｂを検出し、さらに、福岡沖だけでなく、宮崎沖も検出条件に合致すれば類似領域ｃとして検出されることになる。

そして、類似領域として検出された領域に対して、観測データがない場合には人工衛星を用いて観測データを収集し、観測データがある場合にはデータベース１０から読み出して、前記定義済み処理推定（ステップ３００）を実施することで、類似領域の海表面温度を求めることができる。海表面温度を求めて画像化し類似領域部分に対しても海表面温度の分布図を完成させる。これらの一連の動作は、使用者から検出条件の指定を受けた後は、全て自動化で行うことが望ましい。この構成によれば、使用者は検出条件を指定した後は、何もしなくとも、求め得る領域に関しては海表面温度を取得することができる。逆に、海表面温度を取得することができない部分があれば、かかる部分に対して学習を行わせるべく教師セットを用意し、学習させ使用者が検出条件を指定し、前記と同様に、求め得る部分に関して海表面温度を取得することができる。ここで、このような一連の動作を繰り返すことで、ある重みのニューラルネットワークと他の重みのニューラルネットワークとが重複部分に関してそれぞれ海表面温度を求めてしまうことがある。この場合には、既に求めている部分に関しては海表面温度を求めないようにすることができる他、画像処理分野で用いられるフィルタ行列又は加重平均フィルタ行列を適用し、取得される海表面温度の分布図を滑らかな画像とすることができる。そして、求めた海表面温度の分布図から逆に買い表面温度の値を求めることもできる。
類似領域検出手段の検出条件を緩くすれば誤差が大きくなり精度が低くなり、検出条件を厳しくすれば誤差が小さくなり精度が高くなる。すなわち、検出条件と精度との間にはトレードオフの関係が成立している。

以上類似領域検出手段で説明した検出条件は、属性検索又は空間検索の検索条件指定で同様なことが行われており、地理情報システムにおいては周知な技術であり、詳細な説明は略しているが、当業者で明らかであるように様々な指定を使用者が行うように構成することができる。また、フィルタ行列及び加重平均フィルタ行列による画像処理も、周知な技術であり、詳細な説明は略しているが、当業者で明らかであるように様々なフィルタ処理を適用することができる。

［検出対象］
なお、本実施形態では、同じ海区であるか否かを検出条件としているため、日本国内でのみの使用に制限されるが、陸からの距離が同じで、類似する海流であることを検出条件とすれば全世界に類似領域検出を拡大することができる。
［SST以外への適用］
また、本実施形態では、SSTについて限定して説明しているが、類似領域はSSTに限ったことではなく、検出するための空間データがデータベース１０に記録されており、検出条件が確立されていれば、類似領域を検出することは容易に行うことができる。

［学習済みでない位置又は領域の指定］
また、本実施形態では、既に学習済みの領域に関して類似領域検出を実施するとの説明を行ったが、学習済みでない領域に関しても類似領域検出を実施することもできる。かかる場合には、類似領域の総面積が大きいところから順に、学習を行っていくことで効率良く推定システムを構築することができる。
また、本実施形態では、類似領域を類似領域検出手段にて検出しているが、学習していないある位置又は領域を指定した場合に、かかる位置又は領域と既に学習済みの位置又は領域とが検出条件が合致するか否かを判断することもでき、使用者が必要としている位置又は領域のみに対して既に学習済みの位置又は領域の重みを適用することができ、余分な学習をすることなく、所望の位置又は領域の推定を実施することができる。

［CPU使用率の低い場合に検出］
また、本実施形態では、類似領域検出をCPU使用率の低い場合にバックグランドで実施することもできる。類似領域検出の対象領域が広い場合には検出のための処理量が過大となるため、バックグラウンドで適宜行うことで円滑に類似領域を検出可能としている。一般的に、地理情報システムの動作は高負荷であるため、CPU使用率の低い場合に、類似領域検出を行うことが好ましい。
［時系列の変化が等価である場合の検出］
また、本実施形態では、検出条件として具体的にSST場合について述べたが、時系列で同じ変化をしている領域同士は類似領域としてみなすこともできる場合が多い。SSTの場合であっても、入力データとなる観測データ又は教師データが時間経過に伴う変化が同じである場合には、類似領域として検出することが可能となる。

［検出条件の指定支援］
使用者が空間データ中の設定可能な条件から検出条件を設定するとしたが、どのような属性データ又は地図データに対してどのような設定を行うことができるかは、データベース１０にどのようなデータが記録されているかを知る必要があり、熟練者でなければ設定が困難である。そこで、使用者が指定した位置又は領域に関してデータベース１０中にどのようなデータが記録されているかを選択可能に提示し、選択されたものに対しては条件を入力又は選択できる構成にする。例えば、データの属性を示し、それぞれの属性名の横位置にチェックボックスを配置し、チェックボックスを有効にすることで、テキストボックス又はプルダウンメニューが現れるウィンドウの構成とすることができる（他の対話部品（Dialog Parts）を使用しても良い。）。そうすると、本システムを利用し始めた初心者の使用者や分析対象とする位置又は領域にどのようなデータがデータベース１０内に記録されているかを知らない使用者であっても、検出条件を容易に設定することができ、類似領域検出を円滑に行うことができる。

［類似領域の確認処理］
使用者が検出条件を設定する場合には使用者の優れた見識が必要となる場合が多い。したがって、使用者が設定した検出条件が適切で、類似領域として正しいのか否かを確認する術が必要となる。この確認方法としては、類似領域が複数の閉じた領域である場合には、各類似領域上のある位置の教師セットを使用者に求め、入力された教師セットの入力データで推論し、出力データと教師セットの教師データの差が所定の閾値内であれば類似領域としてみなすようにすることができる。逆に、閾値外であれば類似領域としてみなさず、使用者に現在の検出条件が適切でないことを報知する。類似領域が大きな一つの閉じた領域である場合には、例えば、類似領域を碁盤目をあて格子点又は格子中央をサンプルポイントとして求め、かかるサンプルポイントの教師セットを使用者に求め、入力された教師セットに基づき前記と同様に確認することができる。このような少ないサンプルポイントで確認し、類似領域であるか否かを判断することで、適切な類似領域を検出することができる。

以上の前記各実施形態により本発明を説明したが、本発明の技術的範囲は実施形態に記載の範囲には限定されず、これら各実施形態に多様な変更又は改良を加えることが可能である。そして、かような変更又は改良を加えた実施の形態も本発明の技術的範囲に含まれる。このことは、特許請求の範囲及び課題を解決するための手段からも明らかなことである。

［ニューラルネットワーク機能を備えた地理情報システム(NNーGIS)による時空間適応型海面温度推定パラメータの自動推定］
海面温度推定に最適な海面温度推定式の係数は海域、季節により異なり、すべての海域、季節に適合する海面温度推定式による高精度な推定は不可能である。一方、地理情報システムは、複数の位置情報に関連付けられた地形図、主題図等との重ね合わせ表示が可能であり、かつ、空間検索、定量解析、シミュレーションが可能であると云う特徴を有する。特に、地理情報システムの、各層間を重み係数にて結合することにより、これを階層型ニューラルネットワークとして捉えることができる。これをニューラルネットワーク地理情報システム(NN ーGIS)と呼ぶ。このことから、地理情報システムの入力層にAVHRRのバンド4、5等の海面温度推定に必要な入力を設定し、また、出力層に正解値としてのトルースデータ（各海域にて得られたブイデータ等）を設定することにより、各海域に最適な重み係数が求められ、これを用いてその周辺海域のすべてのデータに対する海面温度推定を行うことができるようになる。また、海面温度の時間変化が急峻な沿岸海域では時間帯毎の、また、外洋の海面温度のように時間変化が緩やかな場合は、季節毎の推定式を求めておけば、時空間適応型の海面温度推定式を自動生成することができる。具体的な使用方法は、次の通りである。
NN ーGIS の入力層にAVHRRデータを設定し、表示する。当該海域にて得られているトルースデータを出力層に設定する。上述のデータによりNNーGISの重み係数を学習させる。トルースデータのある位置を含む周辺海域の海面温度推定を推定する。海域を変え、また、取得AVHRRの時間帯、季節を変え、上述の手順を繰り返す。これにより、すべての時間、海域に最適な海面温度推定ができるようになる。

［実験］
NN-GISの機能を確認するため、2002年5月20日17時11分のデータと、2004年11月30日16時45分のデータを使用した。なお、実際には、メイン部分以外のモジュールを地理情報システムのメイン又はモジュールが呼び出す構成となる。
2002 年5 月20 日のデータと出力結果は図１３ないし図１５のようになる。5 月20 日のデータはチャンネル4（図１３）とチャンネ5（図１４）の画像、そして、正解値とするMCSST（図１５）のそれぞれ小倉沖の(289,126)から16*16の画素を取り出して、以下の教師セット（表２）に基づいて計算する。その出力の二乗誤差は（図１６）で示される。

レイヤー数INPUT=2 HIDDEN=2 OUTPUT=1 PATTERN=25 eta=2.4 alpha=0.8beta=0.8 ここで、eta,alpha は、それぞれ、最急降下法の重み係数を更新する際の係数であり、
のように次に進む解の空間における距離（変分）を現在の重み係数の変分と前回の重み係数の変分にeta およびalpha 倍して求めている。また、beta は、出力層における非線形関数(シグモイド) であり、1.0=(1.0+exp(-beta*u))で定義している。

図１６では、100000 回までに最大2.8 への急激な上昇と減少がある。200000 回まで0.01 程度の一定の状態が続き、以降、緩やかに減少する。700000 回までには十分収束する。
また、それぞれ宮崎沖の(375,325) から16*16 の画素を取り出して、次の教師セット（表５）に基づいて計算する。その出力の二乗誤差は図１７で示される。

図１７では、他のデータに比べて収束が非常に早く、30000 回程度で十分収束する。その後も誤差の上昇は見られず、非常に安定している。
一方、まず、2004 年11 月30 日のデータと出力結果は図１８ないし図２０のようになる。チャンネル4（図１８） とチャンネ5（図１９）の画像、そして、MCSST（図２０）のそれぞれ小倉沖の(235,173)から16*16の画素を取り出して、(表４)の教師セットを基に計算し、出力の二乗誤差は(図２１) で示される。

INPUT=2 HIDDEN=2 OUTPUT=1 PATTERN=22 eta=2.4 alpha=0.8 beta=0.8
図２１では、しばらく誤差は小さく、急激に0.1 まで上昇した後、最大で0.015 まで緩やかに上昇する。以降は400000 回までに滑らかに減少し、十分収束する。
また、それぞれ宮崎沖の(335,380) から16*16 の画素を取り出して、表５の教師セットを計算し、出力の二乗誤差は図２２で示される。

INPUT=2 HIDDEN=2 OUTPUT=1 PATTERN=53 eta=1.5 alpha=0.6 beta=0.8
図２２では、最大誤差0.47以降急速に収束する。しかし、このデータの場合、十分な収束には、もっとも時間がかかる。

［考察］
前章の実験結果から、各海域及び各時期によって取り出される教師セットや誤差の収束の変移が異なることが示される。また、いずれの実験結果も、学習の繰り返しにより、二乗誤差は十分に減少する。よって、NN-GIS により、各海域及び各時期において最適なSST推定式が自動的かつ容易に求められることがわかる。
学習における教師データは、漁船に衛星データ受信装置を設置することにより、現場で測定することが可能である。取得した教師データと衛星観測データによって、当該海域及び当該時期に最適な推定式を容易に得られる。
各海域ごとの気候条件、地理条件といった地理情報を入力データに加え、類似する海域ごとにニューラルネットワークの学習データを効率的に利用することができる。観測データの不足する海域においても、他の海域の観測データを利用して推定値のシミュレーションが可能になる。

今回は、物理量として海面温度を例としてＮＮ−ＧＩＳの効果を示したが、他の植生や大気中の化学物質含有率等の物理量でも同様に最適の物理量推定式を導出できる。
図２３ないし図２９に本実施例で用いたプログラムリストを示す。

Claims (8)

1. ＧＩＳ（Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ：地理情報システム）における位置と対応付いた情報を持ち、人工衛星によるリモートセンシングにより得られる所定の分解能を有する遠赤外線画像である空間データを用いて、海面の状態、植生、又は大気中の化学物質含有率を推定する階層型のニューラルネットワークの演算処理を制御する制御装置であって、
   前記空間データが記録された記録部から、前記遠赤外線画像において推定処理の対象となる対象地域内の１６×１６画素を読み出して、当該読み出された画素からなる空間データを解析する解析手段を備え、
   前記解析手段が、
   前記読み出した１６×１６画素における各画素の画素値を入力データ、前記空間データに基づく推定値の正解値として得られた正解値データを教師データとする教師セットを用いて、前記入力データの各画素値をニューラルネットワークにおける入力層に設定し、前記教師データを前記ニューラルネットワークにおける出力層に設定し、バックプロパゲーションにより前記ニューラルネットワークの階層間の結合係数を算出し、前記読み出した１６×１６画素の空間データが対応している対象地域ごとに階層型のニューラルネットワークを構築する定義済み処理学習部と、
   前記定義済み処理学習部で構築されたニューラルネットワークに、前記遠赤外線画像における前記対象地域内の１６×１６画素からなる空間データを読み込み、前記算出された結合係数を用いて、前記読み込まれた空間データに基づく推定値として、地域ごとに前記海面の状態、植生、又は大気中の化学物質含有率を求める推定処理を行う推定処理部とを有することを特徴とする制御装置。
2. 前記空間データの地図データに対する検索を行うと共に、時間に関しての検索を行う検索手段を備え、
   前記解析手段が、
   使用者に指定された検索条件で前記検索手段が検索したある位置におけるある時期の推定を、推定年以前の同一位置における同一時期の重みを用いて推定する
   前記請求項１に記載の制御装置。
3. 使用者が指定する学習済みの領域を指定領域とし、前記ＧＩＳにおいて前記指定領域に環境が類似している領域を類似領域として検出する類似領域検出手段を備え、
   前記解析手段が、
   前記指定領域において構築されているニューラルネットワークを用いて前記類似領域に対して推定処理を行う
   前記請求項１に記載の制御装置。
4. 前記類似領域における少なくとも１つのサンプルポイントを検出し、前記指定領域における学習で用いた教師セットの入力データを、前記サンプルポイントで構築されているニューラルネットワークに入力して推定処理を行い、出力された推定値と教師データとを比較し、その誤差が閾値内であるか否かにより類似領域とみなすか否かを決定する
   前記請求項３に記載の制御装置。
5. 前記推定値として海表面温度の情報が出力される
   前記請求項１ないし４のいずれかに記載の制御装置。
6. 前記空間データが、同一位置における異なる複数の周波数帯域の遠赤外線画像であり、前記教師データが、前記遠赤外線画像と同一位置における海表面温度の実測データ又は衛星観測データである
   請求項５に記載の制御装置。
7. ＧＩＳ（Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ：地理情報システム）における位置と対応付いた情報を持ち、人工衛星によるリモートセンシングにより得られる所定の分解能を有する遠赤外線画像である空間データを用いて、海面の状態、植生、又は大気中の化学物質含有率を推定する階層型のニューラルネットワークの演算処理を制御する制御方法であって、
   前記空間データが記録された記録部から、前記遠赤外線画像において推定処理の対象となる対象地域内の１６×１６画素を読み出して、当該読み出されたた画素からなる空間データを解析する解析手段が、
   前記読み出した１６×１６画素における各画素の画素値を入力データ、前記空間データに基づく推定値の正解値として得られた正解値データを教師データとする教師セットを用いて、前記入力データの各画素値をニューラルネットワークにおける入力層に設定し、前記教師データを前記ニューラルネットワークにおける出力層に設定し、バックプロパゲーションにより前記ニューラルネットワークの階層間の結合係数を算出し、前記読み出した１６×１６画素の空間データが対応している対象地域ごとに階層型のニューラルネットワークを構築する定義済み処理学習ステップと、
   前記定義済み処理学習ステップで構築されたニューラルネットワークに、前記遠赤外線画像における前記対象地域内の１６×１６画素からなる空間データを読み込み、前記算出された結合係数を用いて、前記読み込まれた空間データに基づく推定値として、地域ごとに前記海面の状態、植生、又は大気中の化学物質含有率を求める推定処理を行う推定処理ステップとを実行することを特徴とする制御方法。
8. ＧＩＳ（Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ：地理情報システム）における位置と対応付いた情報を持ち、人工衛星によるリモートセンシングにより得られる所定の分解能を有する遠赤外線画像である空間データを用いて、海面の状態、植生、又は大気中の化学物質含有率を推定する階層型のニューラルネットワークの演算処理を制御する制御プログラムであって、
   前記空間データが記録された記録部から、前記遠赤外線画像において推定処理の対象となる対象地域内の１６×１６画素を読み出して、当該読み出された画素からなる空間データを解析する解析手段としてコンピュータを機能させ、
   前記解析手段が、
   前記読み出した１６×１６画素における各画素の画素値を入力データ、前記空間データに基づく推定値の正解値として得られた正解値データを教師データとする教師セットを用いて、前記入力データの各画素値をニューラルネットワークにおける入力層に設定し、前記教師データを前記ニューラルネットワークにおける出力層に設定し、バックプロパゲーションにより前記ニューラルネットワークの階層間の結合係数を算出し、前記読み出した１６×１６画素の空間データが対応している対象地域ごとに階層型のニューラルネットワークを構築する定義済み処理学習手段と、
   前記定義済み処理学習部で構築されたニューラルネットワークに、前記遠赤外線画像における前記対象地域内の１６×１６画素からなる空間データを読み込み、前記算出された結合係数を用いて、前記読み込まれた空間データに基づく推定値として、地域ごとに前記海面の状態、植生、又は大気中の化学物質含有率を求める推定処理を行う推定処理手段とを有することを特徴とする制御プログラム。