JP6906769B2 - 高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム - Google Patents
高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム Download PDFInfo
- Publication number
- JP6906769B2 JP6906769B2 JP2018084055A JP2018084055A JP6906769B2 JP 6906769 B2 JP6906769 B2 JP 6906769B2 JP 2018084055 A JP2018084055 A JP 2018084055A JP 2018084055 A JP2018084055 A JP 2018084055A JP 6906769 B2 JP6906769 B2 JP 6906769B2
- Authority
- JP
- Japan
- Prior art keywords
- spatial data
- target
- particle size
- spatial
- resolution
- 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
Images
Description
まず、本発明の実施形態の概要について説明する。
[参考文献1]T. Hengl, G. B. M. Heuvelink and A. Stein, “A Generic Framework for Spatial Prediction of Soil Variables based on Regression-Kriging”, Geoderma, volume 120, issues 11-2, 2004, pages 75-93.
[参考文献2]C. E. Rasmussen and C. K. I. Williams, Gaussian Processes for Machine Learning, MIT Press, 2006.
図1を参照して、本発明の実施の形態に係る高解像度化装置10の構成について説明する。図1は、本発明の実施の形態に係る高解像度化装置10の構成を示すブロック図である。
を、様々な粒度を持つ空間データに補間するためのドメインsにおける空間データに関するハイパーパラメータを求めた後、粒度毎に、各ドメインsにおける連続表現(予測分布)として、ターゲット粒度エリア中心格納部110に格納された各エリア中心での平均(予測値)及び分散を推定する。
はある点
の周りへの点への相関の範囲を決めるスケールパラメータであり、
は相関の大きさ(magnitude)を決める分散パラメータである。式(1)はsquared−exponential kernelと呼ばれ、空間座標におけるあるデータの類似度を測るためにも最もよく用いられる相関関数の一つである。
を求める。ここで、最適化手法は何を用いてもよいが、例えば、BFGS法(参考文献3)を用いることができる。
[参考文献3]D.C. Liu and J. Nocedal, “On the Limited Memory BFGS Method for Large Scale Optimization”, Mathematical Programming, vol. 45, 1989, pp. 503-528.
を用いて、粒度毎に、ターゲット粒度エリア中心格納部110に格納された各エリアjの中心座標
での予測分布を計算する。
を、あるターゲット粒度のテストデータとしたとき、各テストサンプル
における予測値
の結合予測分布は、下記式(6)となる。
を推定し、ターゲットとする粒度毎に、平均
及び分散
を求めることにより、ドメインsの補助的な空間データを、ターゲットとする粒度の当該補助的な空間データに補間する。
はクロネッカーのデルタ関数であり、A=Bのとき1の値を、それ以外のとき0の値をとる関数である。また、上記式(13)の2行目における第2項は、
の回帰残差に対する分散を表す。ここに、
が加えられていることに注目する。各ドメインsにおける補助的な空間データを用いて、空間補間部150により求められた平均
に対する分散
が
の回帰残差に対する分散に影響する。これにより、補助的な空間データを用いて推定した予測の信頼度、すなわち、空間補間の信頼度を加味しつつ、重みパラメータ
を推定することができる。
及び空間相関を制御するパラメータ
を推定する。最適化手法は何を用いてもよいが、例えば、BFGS法(参考文献3)を用いることができる。
、空間補間部150により求められた各ドメインにおける補助的な空間データの平均
及び分散
、及びターゲット粒度エリア中心格納部110に格納されたターゲットとする粒度のエリア集合に対する各エリアjの中心座標の集合
と、粒度エリア対応表格納部130に格納された対応表
と、パラメータ推定部160で推定された重みパラメータ
及び空間相関を制御するパラメータ
とを用いて、ターゲットとする粒度の変換対象の空間データである高解像度データ
の予測分布
を求めることにより、高解像度データ
を算出する。
の平均
を、高解像度データ格納部180から検索する。
図3は、本発明の実施の形態に係る高解像度化処理ルーチンを示すフローチャートである。
ステップS110において、高解像度化装置10が、1番目のターゲット粒度IDを選択する。
の平均
及び相関行列
を、高解像度データ格納部180に格納しておく構成としたが、ターゲット粒度IDが入力される度に学習済みモデルで高解像度化して出力する構成としてもよい。
及びターゲット粒度IDを受け付け、これを変換対象空間データ格納部120に格納し、入力されたターゲット粒度IDの粒度をターゲットとする粒度として、変換対象となる空間データを高解像度化し、これを出力する構成としてもよい。
100 補助的空間データ格納部
110 ターゲット粒度エリア中心格納部
120 変換対象空間データ格納部
130 粒度エリア対応表格納部
140 操作部
150 空間補間部
160 パラメータ推定部
170 高解像度データ算出部
180 高解像度データ格納部
190 入力部
200 検索部
210 出力部
Claims (7)
- 空間を分割するエリアの単位を示す粒度でのエリアごとに紐付く値からなる変換対象の空間データを、値の種類が異なる補助的な空間データを用いてターゲットとする前記粒度の前記変換対象の空間データに変換するための回帰モデルを学習する高解像度化装置であって、
前記値の種類を示す複数のドメインの各々について、前記ドメインの前記補助的な空間データを、任意の空間補間法を用いて前記ターゲットとする前記粒度の前記補助的な空間データに補間する空間補間部と、
前記変換対象の空間データと、前記複数のドメインの各々についての前記ターゲットとする前記粒度の前記補助的な空間データの各々とに基づいて、前記回帰モデルのパラメータを推定するパラメータ推定部と、
を含む高解像度化装置。 - 前記空間補間部は、前記複数のドメインの各々について、前記空間補間法としてガウス過程回帰を用いて、前記ターゲットとなる前記粒度の前記補助的な空間データとして、前記ターゲットとする前記粒度でのエリアごとに前記ドメインの値の平均及び分散を求め、
前記パラメータ推定部は、前記変換対象の空間データと、前記空間補間部により前記複数のドメインの各々について求められた、前記ターゲットとする前記粒度でのエリア毎に前記ドメインの値の平均及び分散とに基づいて、前記回帰モデルのパラメータを推定する
請求項1記載の高解像度化装置。 - 前記変換対象の空間データと、前記複数のドメインの各々についての前記ターゲットとする前記粒度の前記補助的な空間データの各々と、前記回帰モデルとに基づいて、前記ターゲットとする前記粒度の前記変換対象の空間データを算出する高解像度データ算出部
を更に含む請求項1又は2記載の高解像度化装置。 - 空間を分割するエリアの単位を示す粒度でのエリアごとに紐付く値からなる変換対象の空間データを、値の種類が異なる補助的な空間データを用いてターゲットとする前記粒度の前記変換対象の空間データに変換するための回帰モデルを学習する高解像度化方法であって、
空間補間部が、前記値の種類を示す複数のドメインの各々について、前記ドメインの前記補助的な空間データを、任意の空間補間法を用いて前記ターゲットとする前記粒度の前記補助的な空間データに補間し、
パラメータ推定部が、前記変換対象の空間データと、前記複数のドメインの各々についての前記ターゲットとする前記粒度の前記補助的な空間データの各々とに基づいて、前記回帰モデルのパラメータを推定する
高解像度化方法。 - 前記空間補間部は、前記複数のドメインの各々について、前記空間補間法としてガウス過程回帰を用いて、前記ターゲットとなる前記粒度の前記補助的な空間データとして、前記ターゲットとする前記粒度でのエリアごとに前記ドメインの値の平均及び分散を求め、
前記パラメータ推定部は、前記変換対象の空間データと、前記空間補間部により前記複数のドメインの各々について求められた、前記ターゲットとする前記粒度でのエリア毎に前記ドメインの値の平均及び分散とに基づいて、前記回帰モデルのパラメータを推定する
請求項4記載の高解像度化方法。 - 高解像度データ算出部が、前記変換対象の空間データと、前記複数のドメインの各々についての前記ターゲットとする前記粒度の前記補助的な空間データの各々と、前記回帰モデルとに基づいて、前記ターゲットとする前記粒度の前記変換対象の空間データを算出する
請求項4又は5記載の高解像度化方法。 - コンピュータを、請求項1〜3の何れか1項記載の高解像度化装置の各部として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018084055A JP6906769B2 (ja) | 2018-04-25 | 2018-04-25 | 高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018084055A JP6906769B2 (ja) | 2018-04-25 | 2018-04-25 | 高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019191936A JP2019191936A (ja) | 2019-10-31 |
JP6906769B2 true JP6906769B2 (ja) | 2021-07-21 |
Family
ID=68391398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018084055A Active JP6906769B2 (ja) | 2018-04-25 | 2018-04-25 | 高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6906769B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7176371B2 (ja) * | 2018-11-21 | 2022-11-22 | 日本電信電話株式会社 | 推定装置、推定方法及びプログラム |
WO2021100180A1 (ja) * | 2019-11-21 | 2021-05-27 | 日本電信電話株式会社 | 空間データ高解像度化方法、空間データ高解像度化装置及びプログラム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010044618A (ja) * | 2008-08-13 | 2010-02-25 | Hitachi Ltd | 欠落データの補間方法、その実行プログラム、及びデータ収集装置 |
WO2010031128A1 (en) * | 2008-09-19 | 2010-03-25 | The University Of Sydney | A method and system of data modelling |
JP6562883B2 (ja) * | 2016-09-20 | 2019-08-21 | 株式会社東芝 | 特性値推定装置および特性値推定方法 |
-
2018
- 2018-04-25 JP JP2018084055A patent/JP6906769B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019191936A (ja) | 2019-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102063358B1 (ko) | 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치 | |
Harris et al. | A generative deep learning approach to stochastic downscaling of precipitation forecasts | |
Raje et al. | A comparison of three methods for downscaling daily precipitation in the Punjab region | |
Tan et al. | Comparing training-image based algorithms using an analysis of distance | |
Albani* et al. | The choice of window size in approximating topographic surfaces from digital elevation models | |
Morzfeld et al. | What the collapse of the ensemble Kalman filter tells us about particle filters | |
Zhang et al. | An improved logistic regression model based on a spatially weighted technique (ILRBSWT v1. 0) and its application to mineral prospectivity mapping | |
Seo | Conditional bias-penalized kriging (CBPK) | |
Sommerfeld et al. | Confidence regions for spatial excursion sets from repeated random field observations, with an application to climate | |
JP6906769B2 (ja) | 高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム | |
Saha et al. | BRISC: bootstrap for rapid inference on spatial covariances | |
Zhao et al. | A modification of HASM for interpolating precipitation in China | |
Iturbide et al. | Tackling Uncertainties of Species Distribution Model Projections with Package mopa. | |
Kyriakidis et al. | On the prediction error variance of three common spatial interpolation schemes | |
Guhaniyogi et al. | Multivariate spatial meta kriging | |
Zhang et al. | Can the spatial prediction of soil organic matter be improved by incorporating multiple regression confidence intervals as soft data into BME method? | |
Yamanaka et al. | Data assimilation for three-dimensional phase-field simulation of dendritic solidification using the local ensemble transform Kalman filter | |
Ansa Thasneem et al. | Assessment of nonstationarity and uncertainty in precipitation extremes of a river basin under climate change | |
JP2017033198A (ja) | 時空間変数予測装置及びプログラム | |
Crosby et al. | Embedding road networks and travel time into distance metrics for urban modelling | |
Mojiri et al. | Comparison of predictions by kriging and spatial autoregressive models | |
Flaxman | A general approach to prediction and forecasting crime rates with Gaussian processes | |
McDermott et al. | A hierarchical spatiotemporal analog forecasting model for count data | |
Santibanez et al. | Performance analysis of machine learning algorithms for regression of spatial variables. A case study in the real estate industry | |
Craigmile et al. | A loss function approach to identifying environmental exceedances |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180427 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200616 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210531 |
|
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: 20210615 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210621 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6906769 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |