JP7052429B2 - 算出プログラム、算出方法、算出装置、及び表示プログラム - Google Patents

Description

本発明は、算出プログラム、算出方法、算出装置、及び表示プログラムに関する。

土砂災害分野では、短時間雨量と長時間雨量とを用いて、過去に同様の降雨をどの程度経験したかの指標を算出し、算出した指標と過去に発生した災害とに基づいて、降雨時の災害の発生又は非発生を判断している。指標の一例として、ニューラルネットワークであるＲＢＦＮ（Radial Basis Function Network）によって得られた出力値（ＲＢＦＮ出力値）が用いられている。

ＲＢＦＮ出力値に対する災害の発生確率を演算するための関数を回帰分析により求め、得られた関数と災害発生要因毎に観測される観測データとを読み出して、災害発生確率を演算する技術等が知られている。

特開２００４－００３２７４号公報 特開２０１０－１９７１８５号公報 特開２０１０－２７１８７７号公報 特開２００４－３４６６５３号公報 特開２０１５－２３２５３７号公報 特許第４７０１３７１号

土砂災害は現在までの積算雨量、過去の観測データ等に基づいて予測されている。しかしながら、予期せず継続する降雨、予期しない直後の豪雨等の積算雨量の更なる増加により、災害発生危険基準線（ＣＬ：Critical Line）を越えてしまうことがある。そのため、単位時間後にＣＬを超過する確率（以下、「超過確率」という）を事前に求めておくことが考えられる。

上述した技術では、予期せず継続する降雨、予期しない直後の豪雨等の可能性が考慮されず、同じＲＢＦＮ値であれば、同じ災害発生確率を示してしまう。すなわち、超過確率は同じ値を示すといった問題がある。

したがって、１つの側面では、災害発生に関する危険基準の判定に、降水帯の影響を適切に反映できることを目的とする。

一態様によれば、記憶部に蓄積された過去の降雨データより生成された、特定地点の上空に形成された降水帯の形状に関する情報と、前記過去の降雨データを学習して得られたニューラルネットワークの出力値と、を用いて、該特定地点における土砂災害に関する指標を算出する算出モデルを生成し、前記算出モデルを用いて、入力された降雨データより生成された、前記特定地点における降水帯の形状に関する情報より、前記土砂災害に関する前記指標を算出する処理をコンピュータに行わせる算出プログラムが提供される。

災害発生に関する危険基準の判定に、降水帯の影響を適切に反映できる。

災害発生危険基準線を用いた土砂災害の発生／非発生の判定について説明するための図である。 災害発生危険基準線を説明するための図である。 災害発生危険基準線の生成方法の概要を説明するための図である。 予想以上の雨量の場合の判定図の例を示す図である。 既存のＣＬ超過確率の求め方を説明するための図である。 線状降水帯の例を示した図である。 本実施例におけるＣＬ超過確率線の設定例を示す図である。 降水帯の形状と降雨の継続性との関係について説明するための図である。 上空の降雨分布画像の一例を示す図である。 降水帯の形状と、雨量及び土壌雨量指数それぞれとの関係を説明するための図である。 ＣＬ超過確率の算出結果のグラフ例を示す図である。 算出装置のハードウェア構成を示す図である。 算出装置の機能構成例を示す図である。 学習部による学習処理の全体を説明するためのフローチャート図である。 形状パラメータ算出部による形状パラメータ算出処理を説明するためのフローチャート図である。 モデル作成部によるモデル作成処理を説明するためのフローチャート図である。 ＣＬ超過確率線作成部によるＣＬ超過確率線作成処理の全体を説明するためのフローチャート図である。 更新部による更新処理を説明するためのフローチャート図である。 降水帯の考慮の有無の違いによるＣＬ超過確率の例を示す図である。 異なる降水帯に対するＣＬ超過確率線の表示に比較例を示す図である。

以下、本発明の実施の形態を図面に基づいて説明する。先ず、一般的な土砂災害予測について説明する。図１は、災害発生危険基準線を用いた土砂災害の発生／非発生の判定について説明するための図である。

図１に示す土砂災害の発生／非発生を判定するための判定図２ｇは、横軸に土壌雨量指数を示し、縦軸に積算雨量を示したグラフである。判定図２ｇでは、予め算出した災害発生危険基準線（以下、ＣＬ（Critical Line）３という）が示され、過去の所定時間毎（１時間毎等）の観測データ（雨量）を用いて算出した積算雨量と土壌雨量指数とを示す点４がプロットされている。

土壌雨量指数は、降雨により蓄えられた土壌中の水分量を表し、土砂災害危険度を示す指数として参照される。積算雨量は、一例として、６０分間積算雨量（mm/60min）が用いられる。積算雨量は、雨量観測局で得られた１０分間雨量データを６０分積算した値を示す。プロットされた点４では、実測値の推移は実線の矢印で示され、予測値の推移は点線の矢印で示されている。

ＣＬ３と、縦軸及び横軸とで囲まれた領域が土砂災害が発生し難い非発生領域であり、この非発生領域以上の領域が、土砂災害が発生し易い発生領域に相当する。このような判定図２ｇを参照することで、予測値がＣＬ３を超える発生領域に達すると、土砂災害が発生する可能性が高いと判断する。

図２は、災害発生危険基準線を説明するための図である。図２に示す判定図２ｈは、過去の観測データに基づいて値をプロットしたグラフであり、この判定図２ｈを用いて、災害発生危険基準線と、土砂災害の一例として崖崩れ発生／非発生について説明する。

判定図２ｈに示すＣＬ３は、過去の崖崩れ発生時の実測値と崖崩れ非発生の実測値とに基づいて、適切に設定された災害発生危険基準線である。また、実線の丸は次の単位時間後に崖崩れが発生した点を示し、破線の丸は次の単位時間後に崖崩れが発生しなかった点を示している。

このＣＬ３に対して非発生領域側に設定したＣＬ３ａでは、ＣＬ３とＣＬ３ａとの間の領域には多くの値が存在するが、実際に崖崩れが発生した件数は２件だけである。ＣＬ３ａを設定した場合、これらの多くの、実際に崖崩れが発生しない値に対して土砂災害が発生する可能性があると予測されるため、多くは空振りとなる（予測が外れる）。

また、ＣＬ３に対して発生領域側に設定したＣＬ３ｂでは、ＣＬ３とＣＬ３ｂとの間の領域に含まれる値は、ＣＬ３とＣＬ３ａとの間の領域に比べて非常に少ないが、この領域で実際に崖崩れが発生した件数は２件ある。ＣＬ３ｂを設定した場合、ＣＬ３で予測できた２件の崖崩れの発生を見逃してしまう。ＣＬ３に比べて、崖崩れの発生を見逃す可能性が大きいと言える。

図３は、災害発生危険基準線の生成方法の概要を説明するための図である。図３において、入力データ５として積算雨量及び土壌雨量指数の過去データを用いて、崖崩れの発生／非発生を学習させることにより、応答曲面５ｂを生成する。応答曲面５ｂは、過去データ４の積算雨量及び土壌雨量指数と、ニューラルネットワークにより得られたＲＢＦＮ（Radial Basis Function Network）の出力値（ＲＢＦＮ出力値）とで表される。応答曲面５ｂで、観測値がない箇所を補間し、災害発生危険基準線を定める。

応答曲面５ｂは、ｘ軸に土壌雨量指数を示し、ｙ軸にＲＢＦＮ出力値を示し、ｚ軸に積算雨量を示すグラフ２ｋで表され、長期間の非発生雨量の頻度分布に基づいて作成される３次元の曲面である。

ＲＢＦＮは、脳や神経回路をモデル化し、人間の評価をコンピュータで算出する技術であり、過去データから入力と出力との関係を学習し、崖崩れが発生するか否かを評価した値を出力する。ＲＢＦＮ出力値が１に近づく程、崖崩れが発生し難いことを示し、０に近づく程、崖崩れが発生し易いことを示す。

自治体（雨量観測局）等の対象地点ごとに、ＲＢＦＮを用いて応答曲面５ｂを生成し、ＣＬ３を決定する。ＲＢＦＮを用いた学習では、過去に降雨頻度が多い地域では、危険度が小さいと判断される。この例では、図２で説明したＣＬ３ａとＣＬ３ｂも参考のため示している。応答曲面５ｂでは、ＣＬ３ａはＣＬ３に対してＲＢＦＮ出力値が１の側に示され、ＣＬ３ｂはＣＬ３に対してＲＢＦＮ出力値が０の側に示される。

図４は、予想以上の雨量の場合の判定図の例を示す図である。災害発生危険基準線を用いた崖崩れの発生又は非発生の判断では、予想雨量に基づいて行われるため、予測以上の雨量となる場合がある。

図４において、次の単位時間での雨量を予測した予測雨量に基づいて得られた積算雨量と土壌雨量指数とから点４ａがＣＬ３に接近しているが非発生領域側にプロットされる。しかしながら実際の次の単位時間では、実測された雨量に基づく積算雨量と土壌雨量指数とから点４ｂが、ＣＬ３を超えて発生領域にプロットされる。

通常、対象地点における自治体では、雨量がＣＬ３の超過有無で対応が異なっている。このようにＣＬ３の超過が予測されていなかった場合には、事前に住民への連絡、および、災害時の準備を十分には行えない。自治体等においては、少なくともＣＬ３に接近している場合には、ＣＬ３を超える可能性がどの程度あるのかを事前に知っておくことが重要である。そのため、自治体ごとに定めたＣＬ３に対してＣＬ３を超過し災害の発生領域に入るＣＬ超過確率を算出して判定図２ｇに示すことが提案されている（特許文献６）。

図５は、既存のＣＬ超過確率の求め方を説明するための図である。図５（Ａ）は、横軸に過去データ４から学習して得られたＲＢＦＮ出力値を示し、縦軸にＣＬ超過確率を示す。一例として、ＲＢＦＮ出力値がＣＬを超過していない時点において、単位時間後にＣＬを超過する確率（ＣＬ超過確率）を算出する。一例として、ＲＢＦＮ出力値が０．８の点が過去に１０点あり、そのうち３点が次の単位時間後にＣＬを超過した場合、ＣＬ超過確率を３０％とする。

ＲＢＦＮ出力値ごとにＣＬ超過確率を得る回帰モデルを作成する。回帰モデルにより、ＣＬ超過確率が２５％、５０％、７５％等となるＣＬ超過確率線を求めるが、これらの値に限定されない。自治体等のユーザが適宜参照したいＣＬ超過確率を指定すればよい。

図５（Ｂ）では、回帰モデルにより得られた「２５％」、「５０％」、及び「７５％」のＣＬ超過確率線３－１、３－２及び３－３を判定図２ｇに点線で示すことで、災害準備の必要性をより理解し易くなる。

上述した既存の技術により、事前にＣＬ３を超過する確率を知ることができるようになった。しかしながら、この既存技術では、ＣＬ３を超える直前のＲＢＦＮ出力値を使用して回帰分析することでＣＬ３を超過するか又は超過しないかを統計的に分類している。ＲＢＦＮ出力値のみを利用してＣＬ超過確率を算出していたため、同じＲＢＦＮ出力値であっても、その後に雨が降り続けるのか、雨が止むのか等の降雨傾向を考慮していない。従って、異なる降雨傾向であっても、同じＲＢＦＮであれば次の単位時間後のＣＬ超過確率は一意的である。

発明者は、雨の継続のし易さ、豪雨のなり易さには線状降水帯が関わっていることに着目し、線状降水帯を考慮して単位時間後のＣＬ超過確率を求めることを発案した。先ず、線状降水帯について説明する。

線状降水帯は、複数の積乱雲が密集し、集中豪雨を引き起こし、規模は、一般的には、幅２０～５０キロメートル、長さ５０～２００キロメートル、長軸と横軸の比率は３対１程度と言われているが、明確な定義は存在しない。線状降水帯が形成されると、豪雨が発生して土砂災害が発生し易くなる。

図６は、線状降水帯の例を示した図である。図６において、線状降水帯８ｈは、前線の近くに出現する複数の積乱雲のかたまりで形成され、スコールライン型、バックビルディング型、バックアンドサイドビルディング型の３種類が代表的である。線状降水帯８ｈは、同様の地点に留まり、集中豪雨、長時間の降雨等を引き起こし、土砂災害が発生する確率が高くなることが知られている。

即ち、線状降水帯８ｈを形成している時としていない時では、単位時間後のＣＬ超過確率は異なる（変動する）はずである。従って、本実施例では、観測された最新の降水帯の形状の値に基づいて、ＣＬ超過確率線をリアルタイムに更新することで、ＣＬ超過確率の精度を向上させる。

図７は、本実施例におけるＣＬ超過確率線の設定例を示す図である。図７（Ａ）では、線状降水帯８ｈが存在する場合のＣＬ超過確率線３ａ－１、３ａ－２、及び３ａ－３を示している。線状降水帯８ｈが存在する場合には、豪雨が発生し易い。そのため、本実施例では、非発生領域において、ＣＬ超過確率線３ａ－１、３ａ－２、及び３ａ－３を下げて設定する。ＣＬ超過確率線３ａ－１、３ａ－２、及び３ａ－３はＣＬ３から遠ざかるように設定される。

図７（Ｂ）では、線状降水帯８ｈが存在しない場合のＣＬ超過確率線３ｂ－１、３ｂ－２、及び３ｂ－３を示している。線状降水帯８ｈが存在しない場合には、比較的豪雨が発生し難い。そのため、本実施例では、非発生領域において、ＣＬ超過確率線３ｂ－１、３ｂ－２、及び３ｂ－３を上げて設定する。ＣＬ超過確率線３ｂ－１、３ｂ－２、及び３ｂ－３はＣＬ３に近づくように設定される。

図７（Ａ）に示す積算雨量の遷移を示すパターン６ａの場合、積算雨量７ａの点４ｅを得た時点で、ＣＬ超過確率線３ａ－１以上となる。点４ｅの値を得た時点で、２５％の確率で、次の単位時間後にＣＬ３を超える可能性があると認識できる。次の単位時間後の点４ｆでは、ＣＬ３を超えない値ではあるが、ＣＬ超過確率線３ａ－３以上に位置し、７５％以上の確率で、次の単位時間後にＣＬ３を超える可能性がある。

このような状況では、次の単位時間後の予測点４ｇがＣＬ３を超えないとしても、ＣＬ超過確率線３ａ－３以上であるため、自治体等は、十分に警戒する必要があることを認識できる。

一方、図７（Ｂ）に示す積算雨量の遷移を示すパターン６ｂの場合、図７（Ａ）と同一の積算雨量７ａの点４ｐを得ても、ＣＬ超過確率線３ａ－１以下である。また、点４ｐの次の単位時間後の点４ｑは、図７（Ａ）と同一の積算雨量７ｂの値以上であるが、ＣＬ超過確率線３ｂ－１以下である。点４ｐ及び点４ｑのいずれにおいても、ＣＬ超過の可能性はほぼないと判断する。

更に次の単位時間後の点４ｒは、ＣＬ超過確率線３ｂ－２と３ｂ－３との間に位置し、５０％以上７５％以下でＣＬ３を超える可能性があると判断される。次の単位時間後では、ＣＬ超過確率線３ｂ－１と３ｂ－２との間で点４ｓが示される。点４ｓは、点４ｑとほぼ同じ積算雨量であるが、土壌雨量指数が点４ｑの土壌雨量指数より大きいため、ＣＬ超過確率線３ａ－１以上に位置する。

点４ｓから次の単位時間後の予測点は、点４ｔを示している。ＣＬ超過確率線３ｂ－１以下であるが、ＣＬ超過確率線３ｂ－１以上の点４ｓにより、土砂災害は２５％以上５０％以下の確率で発生し得ることを容易に知ることができ、土砂災害が発生した場合の準備を行える。

図７（Ａ）のパターン６ａと図７（Ｂ）のパターン６ｂとを比較した場合、パターン６ａの方が緩やかに積算雨量が上昇するが、積算雨量７ａに到達した時点で、土砂災害の可能性があることを知り得る。線状降水帯８ｈが形成されていない場合のパターン６ｂでは、初期には積算雨量が上昇したとしても、積算雨量７ａ以上の積算雨量７ｂに達しても、土砂災害の発生の確率は低いことを知り得る。

本実施例では、図７（Ａ）で説明したように、線状降水帯８ｈが形成されている場合は豪雨が発生しやすく、その影響を考慮しＣＬ超過確率を高くして可変とし、ＣＬ超過確率をより精度良く算出する。具体的には、線状降水帯８ｈの形状を表す形状パラメータを作成し、作成した形状パラメータとＲＢＦＮ出力値とを用いてＣＬ超過確率を求める。

線状降水帯８ｈの定義は明確でないため、以下の説明では、単に、「降水帯」といい説明する。先ず、図８で、降水帯の形状と降雨の継続性との関係について説明する。図８（Ａ）及び図８（Ｂ）において、降水帯８ａ及び８ｂは前線８ｆ及び風の流れに沿って形成され細長い形状を形成し、長辺と短辺とで大きさを概ね表すことが可能である。単純には、長辺が長い程、広範囲の領域に降雨をもたらし、短辺が広い程、降雨が継続して長期間に及ぶ。

この例では、図８（Ａ）及び図８（Ｂ）に示す自治体等の対象地点９ｐは、同一地点を表し、降水帯８ａ及び８ｂは、同一進行方向８ｅへ同様の速度で移動する。以下に、降水帯８ａ及び８ｂの長辺は同一とし、短辺の太さの違いによる降雨の継続性について概説する。

図８（Ａ）の降水帯８ａは、図８（Ｂ）の降水帯８ｂより短辺が狭い。対象地点９ｐは、降水帯８ａの領域に含まれてから、降水帯８ａの領域から外れるまでの移動距離８ｐの間は、降雨に曝される。

図８（Ｂ）の降水帯８ｂは、図８（Ａ）の降水帯８ａより短辺が広い。従って、対象地点９ｐが、降水帯８ｂの領域に含まれてから、降水帯８ｂの領域外となるまでの移動距離８ｑの間は、降水帯８ａの場合より長時間の間、降雨に曝される。

上述の説明より、発明者は、降水帯の形状により降雨による土砂災害の発生の可能性が異なるであろうと考え、降水帯の形状の情報をパラメータ（以下、「形状パラメータ」という）とし、形状パラメータを用いてＣＬ超過確率を算出する方法を見出した。

先ず、形状パラメータについて説明する。図９は、上空の降雨分布画像の一例を示す図である。図９において、土砂災害への影響が低い降雨量を閾値に予め定め、弱い雨の領域を検出しないようにし、一定強度以上の降雨の分布を作成する。一定強度の一例として、５０ｍｍ／３ｈ等が閾値となる。

図９に例示する降雨分布画像７ｇにおいて、連続した検出面積７ｄを囲む最小の外接矩形７ｃを取得する。取得した外接矩形７ｃから以下の情報を取得し、総称して形状パラメータという。得られるパラメータは、
・長辺と短辺の比率（長短比）
・面積
・外接矩形の長辺
・外接矩形の短辺
である。また、形状パラメータを取得する対象のデータであるが、以下のいずれのデータであってもよい。

・対象時刻のデータ（対象時刻：実施時なら最新値、学習時なら各時刻）
・予測データ（対象時刻の３０分後、１時間後など）
・過去データ（対象時刻の３０分前、１時間前など）
・時系列変化データ（対象時刻のｎ分前と対象時刻の差異など）

上述したようにして得られた形状パラメータをどのように利用するかについて、説明する。先ず、図１０を参照して、降水帯の形状と、雨量及び土壌雨量指数それぞれとの関係について以下に説明する。図１０では、積算雨量が一定以上（５０ｍｍ／３ｈ）の降水帯を対象とし、ある自治体における雨量及び土壌雨量指数それぞれを示している。

図１０（Ａ）のグラフでは、降水帯の長辺と雨量との関係を示している。図１０（Ｂ）のグラフでは、降水帯の長辺と土壌雨量指数との関係を示している。雨量及び土壌雨量指数共に、いずれのグラフも、緩やかな関連性を示している。即ち、降雨等の値の補正として降水帯の長辺を用いるには関連性が低く、精度を改善することができない。

しかしながら、発明者は、ＣＬ超過確率にＲＢＦＮ出力値に加えて形状パラメータを考慮した場合、ＲＢＦＮ出力値と形状パラメータとの間には関連性があることを見出した。発明者が、導いたＣＬ超過確率を求める近似曲線モデルは、

で表される。数１では、ｘはＲＢＦＮ出力値を示し、ｙは形状パラメータを示す。

図１１は、ＣＬ超過確率の算出結果のグラフ例を示す図である。図１１において、グラフ９ｇは、ｘ軸にＲＢＦＮ出力値を示し、ｙ軸にＣＬ超過確率を示し、ｚ軸に形状パラメータの値を示す。形状パラメータは、上述したように４つのパラメータ値を有し、多次元で表されるが、この例では、長辺を一例として示す。

図１１のグラフ９ｇでは、ＲＢＦＮ出力値が低い程、また、長辺が長い程、ＣＬ超過確率が高くなることが示されている。このように、数１を用いることで、形状パラメータを用いることで、降水帯の形状に応じてＣＬ超過確率を補正することが可能となる。

上述した実施例を実現する算出装置は、図１２に示すようなハードウェア構成を有する。図１２は、算出装置のハードウェア構成を示す図である。図１２において、算出装置１００は、コンピュータによって制御される情報処理装置であって、ＣＰＵ（Central Processing Unit）１１と、主記憶装置１２と、補助記憶装置１３と、入力装置１４と、表示装置１５と、通信Ｉ／Ｆ（インターフェース）１７と、ドライブ装置１８とを有し、バスＢに接続される。

ＣＰＵ１１は、主記憶装置１２に格納されたプログラムに従って算出装置１００を制御するプロセッサに相当する。主記憶装置１２には、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等が用いられ、ＣＰＵ１１にて実行されるプログラム、ＣＰＵ１１での処理に必要なデータ、ＣＰＵ１１での処理にて得られたデータ等を記憶又は一時保存する。

補助記憶装置１３には、ＨＤＤ（Hard Disk Drive）等が用いられ、各種処理を実行するためのプログラム等のデータを格納する。補助記憶装置１３に格納されているプログラムの一部が主記憶装置１２にロードされ、ＣＰＵ１１に実行されることによって、各種処理が実現される。主記憶装置１２、補助記憶装置１３、算出装置１００がアクセス可能な外部記憶装置等を総称して、記憶部１３０という。

入力装置１４は、マウス、キーボード等を有し、ユーザが算出装置１００による処理に必要な各種情報を入力するために用いられる。表示装置１５は、ＣＰＵ１１の制御のもとに必要な各種情報を表示する。入力装置１４と表示装置１５とは、一体化したタッチパネル等によるユーザインタフェースであってもよい。通信Ｉ／Ｆ１７は、有線又は無線などのネットワークを通じて通信を行う。通信Ｉ／Ｆ１７による通信は無線又は有線に限定されるものではない。

ドライブ装置１８は、ドライブ装置１８にセットされた記憶媒体１９（例えば、ＣＤ－ＲＯＭ（Compact Disc Read-Only Memory）等）と算出装置１００とのインターフェースを行う。

算出装置１００によって行われる処理を実現するプログラムは、例えば、ＣＤ－ＲＯＭ等の記憶媒体１９によって算出装置１００に提供される。記憶媒体１９に、後述される本実施の形態に係る種々の処理を実現するプログラムを格納し、この記憶媒体１９に格納されたプログラムは、ドライブ装置１８を介して算出装置１００にインストールされる。インストールされたプログラムは、算出装置１００により実行可能となる。

尚、プログラムを格納する記憶媒体１９はＣＤ－ＲＯＭに限定されず、コンピュータが読み取り可能な、構造（structure）を有する１つ以上の非一時的（non-transitory）な、有形（tangible）な媒体であればよい。コンピュータ読取可能な記憶媒体として、ＣＤ－ＲＯＭの他に、ＤＶＤ（Digital Versatile Disk）ディスク、ＵＳＢメモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリであっても良い。

図１３は、算出装置の機能構成例を示す図である。図１３において、算出装置１００は、主に、学習部２００と、ＣＬ超過確率線作成部３００とを処理部として有する。各処理部２００及び３００は、算出装置１００にインストールされたプログラムが、算出装置１００のＣＰＵ１１に実行させる処理により実現される。図１３中、実線は処理部間の関連を示し、破線は処理部とデータ間の関連を示している。

記憶部１３０は、降雨データ１３２、土壌雨量指数１３３、ＲＢＦＮ出力値１３４、形状パラメータ１３５、超過データ１３６、設定値１３７、モデル係数データ１３８等を記憶する。

学習部２００は、ＣＬ超過確率を算出するモデルを作成する処理部であり、更に、土壌雨量指数算出部２１０と、ＲＢＦＮ出力値算出部２２０と、超過データ抽出部２３０と、形状パラメータ算出部２４０と、モデル作成部２５０とを有する。

土壌雨量指数算出部２１０は、降雨データ１３２の全て又は一部を参照して、過去の全降雨について、土壌雨量指数１３３を計算する処理部である。計算された土壌雨量指数１３３が記憶部１３０に記録される。

ＲＢＦＮ出力値算出部２２０は、過去の降雨データ１３２の全て又は一部を参照して、ＲＢＦＮ出力値１３４を計算する処理部である。対象とした過去の降雨データ１３２ごとに、積算雨量が算出される。降雨データ１３２ごとの、土壌雨量指数と積算雨量とにより、ＲＢＦＮ出力値１３４が計算され記憶部１３０に記録される。記憶部１３０では、ＲＢＦＮ出力値１３４に対して、土壌雨量指数と積算雨量とが対応付けられる。

超過データ抽出部２３０は、超過していない状態から次の単位時間後に超過するＲＢＦＮ出力値１３４を抽出する処理部である。ＲＢＦＮ出力値算出部２２０により計算されたＲＢＦＮ出力値１３４から、設定値１３７が示すＲＢＦＮ出力値に対するＣＬ用閾値を用いて、次の単位時間後に超過するＲＢＦＮ出力値１３４が超過データ１３６として抽出され記憶部１３０に記憶される。

形状パラメータ算出部２４０は、設定値１３７が示す降雨データ１３２に対する閾値である形状抽出用閾値を用いて、降水帯の形状に関する４種類の値を算出する処理部である。算出した４種類の値を示す形状パラメータ１３５を記憶部１３０に記憶する。４種類の値は、前述したように、
・長辺と短辺の比率
・面積
・外接矩形の長辺
・外接矩形の短辺
である。

モデル作成部２５０は、近似曲線モデル（数１）の係数を決定する処理部であり、更に、分割間隔決定部２６０と、近似曲面算出部２７０とを有する。

分割間隔決定部２６０は、形状パラメータ１３５の分割数と、ＲＢＦＮ出力値１３４の分割数とを決定する処理部である。分割数の決定には、スタージェスの公式（Sturges’ rule）等を用いればよいが、特に限定されない。スタージェスの公式：

を用いる場合には、超過データ１３６の個数をｎとすることで、分割数ｋを求めることができる。分割数ｋで分割する際の間隔（分割間隔）は、形状パラメータ１３５及びＲＢＦＮ出力値１３４においても最小値から最大値を分割数ｋで割ることで求められる。形状パラメータ１３５では、上述した４種類の値のそれぞれに対して分割数ｋが得られる。

一方、予め設定値１３７に設定された分割数ｋを用いて、形状パラメータ１３５及びＲＢＦＮ出力値１３４を分割間隔を得てもよい。設定値１３７に分割数ｋ又はスタージェスの公式等の式が指定されていればよく、分割間隔決定部２６０は、設定値１３７の設定に対応する処理により定めた分割数を用いて、分割間隔を得ればよい。

近似曲面算出部２７０は、ＣＬ超過確率を表現する近似曲面を算出する処理部である。先ず、近似曲面算出部２７０は、形状パラメータ１３５（４次元）、ＲＢＦＮ出力値１３４、及びＣＬ超過率による多次元において、複数の分割数ｋによって形成されるグリッドごとにＣＬ超過確率を算出する。グリッドごとのＣＬ超過確率の算出は、

により求めればよい。

そして、近似曲面算出部２７０は、グリッドごとのＣＬ超過確率を用いて近似曲面を算出する。設定値１３７には、近似曲線モデル（数１）として指定され、近似曲面算出部２７０は、近似曲線モデル（数１）が最もグリッドごとのＣＬ超過確率に近似する係数ａ、ｂ、及びｃを求める。得られた係数ａ、ｂ、及びｃを示すモデル係数データ１３８が記憶部１３０に記憶される。

設定値１３７は、
・形状抽出用閾値
・ＣＬ用閾値
・分割数（数値又は式）
・近似曲線モデル（式）
・確率線の表示間隔（一例として、２５％間隔等）
を含んでいる。

上述したような学習処理において、学習部２００では、初回学習時には、降雨データ１３２を予め取得しておく。２回目以降の学習処理では、土壌雨量指数１３３、ＲＢＦＮ出力値１３４、及び形状パラメータ１３５のそれぞれの算出は、降雨データ１３２の未計算分のみを行えばよい。

ＣＬ超過確率線作成部３００は、学習部２００によって作成された近似曲線モデル（数１）を用いて、最新の降雨状況に応じたＣＬ超過確率線を作成する処理部であり、更に、データ受信部３１０と、土壌雨量指数算出部２１０と、ＲＢＦＮ出力値算出部２２０と、形状パラメータ算出部２４０と、更新部３５０とを処理部として有する。学習部２００に含まれる処理部と同様の処理部には同一符号を付し、詳細な説明を省略する。

データ受信部３１０は、所定時間間隔等によるイベントで、気象データ配信元４００から降雨データ１３２ｗを受信し、記憶部１３０に蓄積する処理部である。土壌雨量指数算出部２１０と、ＲＢＦＮ出力値算出部２２０とによって、降雨データ１３２ｗを用いて得られた土壌雨量指数とＲＢＦＮ出力値とによる判定図２ｇが作成され、表示装置１５のユーザ画面Ｇ９５に表示される。

更新部３５０は、判定図２ｇ上に表示するＣＬ超過確率線を更新する処理部であり、超過確率算出部３６０と、表示部３７０とを有する。超過確率算出部３６０は、設定値１３７とモデル係数データ１３８とで得られる近似曲線モデル（数２）における、形状パラメータ算出部２４０とによって得られた、降雨データ１３２ｗに基づく降水帯の形状パラメータの値での断面の式を算出する処理部である。

表示部３７０は、超過確率算出部３６０によって得られた断面の式を用いて、設定値１３７で指定される確率線の表示間隔に基づいて、ＣＬ超過確率線を算出する処理部である。算出されたＣＬ超過確率線は、ユーザ画面Ｇ９５に表示されている判定図２ｇ上に表示され、判定図２ｇを更新する。一例として、判定図２ｇに、２５％、５０％、及び７５％のＣＬ超過確率線が表示される。

本実施例では、最新の降雨データ１３２ｗに基づいて、ＣＬ超過確率線が更新されるため、ユーザは、降雨状況の変化に応じてＣＬ３を超えるか否かの判断を精度よく判定できる。以下に、学習部２００による学習処理を図１４～図１６で説明し、ＣＬ超過確率線作成部３００によるＣＬ超過確率線作成処理を図１７及び図１８で説明する。

図１４は、学習部による学習処理の全体を説明するためのフローチャート図である。図１４より、学習部２００では、先ず、土壌雨量指数算出部２１０が、過去の降雨データ１３２の全て又は１部を用いて、土壌雨量指数を計算し（ステップＳ２１１）、ＲＢＦＮ出力値算出部２２０が、過去の降雨データ１３２と土壌雨量指数１３３の全て又は１部を用いて、ＲＢＦＮ出力値を計算する（ステップＳ２１２）。

超過データ抽出部２３０は、ＲＢＦＮの閾値を入力する（ステップＳ２１３）。閾値は、ＣＬ３のＲＢＦＮ出力値を示す。ＲＢＦＮの閾値を入力すると、超過データ抽出部２３０は、ＲＢＦＮ出力値が超過しておらず、次の時刻に超過しているものデータを超過データ１３６として抽出する（ステップＳ２１４）。

次に、形状パラメータ算出部２４０は、降雨データ１３２から、設定値１３７の形状抽出用閾値以上の降水帯を特定し、特定した降水帯の形状から形状パラメータ１３５を算出する形状パラメータ算出処理を行う（ステップＳ２１５）。算出された形状パラメータ１３５は、記憶部１３０に記憶される。

そして、モデル作成部２５０によるモデル作成処理が行われ（ステップＳ２１６）、この学習処理を終了する。

図１５は、形状パラメータ算出部による形状パラメータ算出処理を説明するためのフローチャート図である。図１５において、形状パラメータ算出部２４０は、降雨データ１３２の雨量を用いて、各時刻の地理的な雨量分布を作成する（ステップＳ２３１）。

形状パラメータ算出部２４０は、作成した雨量分布から雨量が形状抽出用閾値以上の領域を抽出し（ステップＳ２３２）、抽出した領域に対して、面積が最小となるような外接矩形を当てはめる（ステップＳ２３３）。

形状パラメータ算出部２４０は、抽出した面積と、外接矩形の短辺及び長辺と、長短比とを形状パラメータ１３５として記憶部１３０に記録し（ステップＳ１３５）、この形状パラメータ算出処理を終了する。記憶部１３０には、各時刻の形状パラメータ１３５が記憶される。

図１６は、モデル作成部によるモデル作成処理を説明するためのフローチャート図である。図１６において、モデル作成部２５０では、分割間隔決定部２６０は、超過データ数を基準とし、形状パラメータ１３５の分割数を決定する（ステップＳ２５１）。同様に、分割間隔決定部２６０は、超過データ数を基準とし、ＲＢＦＮ出力値の分割数を決定する（ステップＳ２５２）。

そして、分割間隔決定部２６０は、パラメータごとに間隔値を決定する（ステップＳ２５３）。形状パラメータ１３５の４種類の値と、ＲＢＦＮ出力値とが、ここでいうパラメータに相当する。形状パラメータ１３５に対しては、４種類の値のそれぞれに対して、間隔値が設定される。間隔値は、各時刻のパラメータの最小値から最大値までを分割数で除算することにより得られる。

次に、近似曲面算出部２７０は、間隔値で区切られたグリッドごとの、
ＣＬ超過確率＝超過データ数／全データ数
を求める（ステップＳ２５４）。形状パラメータの４種類の値と、ＲＢＦＮ出力値と、ＣＬ超過確率とによる６次元空間において、ＣＬ超過確率が算出されるため、降水帯の形状が異なれば、ＲＢＦＮが同一であっても、異なるＣＬ超過確率を得る。

そして、近似曲面算出部２７０は、各グリッドのＣＬ超過確率を表現するための近似曲線（近似曲面）モデル（数１）を作成する（ステップＳ２５５）。近似曲線モデル（数１）の係数ａ、ｂ、及びｃが求まる。得られた係数ａ、ｂ、及びｃは、モデル係数データ１３８として記憶部１３０に記憶される。その後、モデル作成部２５０は、モデル作成処理を終了する。

図１７は、ＣＬ超過確率線作成部によるＣＬ超過確率線作成処理の全体を説明するためのフローチャート図である。図１７において、ＣＬ超過確率線作成部２００では、データ受信部３１０は、現時刻の降雨データ１３２を取得する（ステップＳ３１０）。気象データ配信元４００から現時刻の降雨データ１３２を取得する。

土壌雨量指数算出部２１０は、過去の降雨データ１３２の全て又は１部を用いて、土壌雨量指数を計算し（ステップＳ３１１）、ＲＢＦＮ出力値算出部２２０は、過去の降雨データ１３２と土壌雨量指数１３３の全て又は１部を用いて、ＲＢＦＮ出力値を計算する（ステップＳ３１２）。表示部３７０は、現在の積算雨量及び土壌雨量指数を判定図２ｇ上にプロットする（ステップＳ３１３）。

そして、形状パラメータ算出部２４０は、形状パラメータ算出処理を行い（ステップＳ３１４）、更新部３５０は、更新処理を行う（ステップＳ３１５）。上述したステップＳ３１０～Ｓ３１５の処理を、判定図２ｇの更新間隔ごとに繰り返す。形状パラメータ算出部２４０による形状パラメータ算出処理は、図１５で説明した通りであるため、その詳細な説明を省略する。

図１８は、更新部による更新処理を説明するためのフローチャート図である。図１８において、更新部３５０では、超過確率算出部３６０が算出した形状パラメータ１３４の値での近似曲面の断面式３ｐを求める（ステップＳ３３１）。

超過確率算出部３６０は、設定値１３７から近似曲線モデル（数１）を取得し、モデル係数データ１３８で得られる係数ａ、ｂ、及びｃの値を近似曲線モデルに設定し、使用する近似曲線モデルを特定する。

超過確率算出部３６０は、特定した近似曲線モデルの変数ｙに、図１７のステップＳ３１４にて、形状パラメータ算出部２４０によって得られた形状パラメータ１３５を与えることで、近似曲面の断面式３ｐを得る。

表示部３７０は、近似曲面の断面式３ｐを用いて、ＣＬ超過確率線を更新する（ステップＳ３３５）。表示部３７０は、近似曲面の断面式３ｐから、設定値１３７が指定する確率線の表示間隔の値に対応するＲＢＦＮ出力値を取得する。表示部３７０は、確率線の表示間隔ごとに、得られたＲＢＦＮ出力値相当となる積算雨量及び土壌雨量指数のデータに基づいて、ＣＬ超過確率線を算出する。一例として、ＣＬ超過確率「２５％」、「５０％」、及び「７５％」それぞれのＣＬ超過確率線を得る。表示部３７０は、得られたそれぞれのＣＬ超過確率線を表示中の判定図２ｇ上に表示する。ＣＬ超過確率線の表示が更新され、この更新処理は終了する。

図１９は、降水帯の考慮の有無の違いによるＣＬ超過確率の例を示す図である。図１９中、ＲＢＦＮ「０．８」のときをＣＬとし、このＣＬを超過する確率を、実データの確率分布を利用し、降水帯の長辺の考慮の有無で計算した結果を示している。

図１９（Ａ）では、降水帯を考慮しない既存技術におけるＣＬ超過確率を示している。図１９（Ａ）では、ｚ軸上に長辺を示しているが、降水帯の形状を何ら考慮しないため、長辺の長さの違いによるＣＬ超過確率に変化はない。つまり、ＲＢＦＮ出力値が同じであれば、同じＣＬ超過確率を示している。

一方、図１９（Ｂ）では、降水帯を考慮する本実施例におけるＣＬ超過確率を示している。降水帯の長辺の長さの違いにより、ＣＬ超過確率が異なり、ＲＢＦＮ出力値が同じであっても、異なるＣＬ超過確率が示される。

長辺が１００ｋｍ未満かつＲＢＦＮ「０．８」以上「０．８５」未満の場合、実データでは、２２点のうち２点が次の時間にＣＬを超過しており、ＣＬ超過確率は、２／２２＝０．１０であった。図１９（Ａ）を参照すると、ＣＬ超過確率は、０．２０を示し、過大評価されている。一方、図１９（Ｂ）を参照すると、ＣＬ超過確率は、０．０９であり、略実データに等しい。

長辺が２００ｋｍ以上４００ｋｍ未満かつＲＢＦＮ「０．８」以上「０．８５」未満の場合、実データでは、１６点のうち７点が次の時間にＣＬを超過しており、ＣＬ超過確率は、７／１６＝０．４４であった。図１９（Ａ）を参照すると、ＣＬ超過確率は、０．２０を示し、過小評価されている。一方、図１９（Ｂ）を参照すると、ＣＬ超過確率は、０．４４であり、実データに等しい。

また、降水帯の形状が考慮されない図１９（Ａ）の場合には、長辺の長さによるＣＬ超過確率の違いはなく一律に０．２０を示している。上述より、本実施例を用いることでＣＬ超過確率の精度を改善できる。

次に、対象地点を同じとし、本実施例の適用の有無によりＣＬ超過確率線の表示が異なる例について説明する。図２０は、異なる降水帯に対するＣＬ超過確率線の表示に比較例を示す図である。

図２０（Ａ）は、同じ対象地点９ｐの上空に形成された２つの異なる形状の降水帯１０ｅ及び１０ｆを示している。このような降水帯１０ｅ及び１０ｆに対して次の単位時間後にＣＬを超過する確率を示した判定図２ｇの例を図２０（Ｂ）及び図２０（Ｃ）で示す。図２０（Ｂ）及び図２０（Ｃ）では、一例として、２５％、５０％、及び７５％のＣＬ超過確率線３ｃ－１、３ｃ－２、及び３ｃ－３を示すが、これに限定されない。

図２０（Ｂ）では、本実施例の適用の無い場合のＣＬ超過確率線の表示例を示している。判定図２ｇ－１は、降水帯１０ｅの場合の表示例に相当する。判定図２ｇ－２は、降水帯１０ｆの場合の表示例に相当する。判定図２ｇ－１と判定図２ｇ－２とにおいて、ＣＬ超過確率線３ｃ－１、３ｃ－２、及び３ｃ－３の表示間隔に変化はない。降水帯の形状に係りなく、常に同じ間隔でＣＬ超過確率線３ｃ－１、３ｃ－２、及び３ｃ－３が表示される。

一方、図２０（Ｃ）では、本実施例を適用した場合のＣＬ超過確率線の表示例を示している。判定図２ｇ－３は、降水帯１０ｅの場合の表示例に相当する。判定図２ｇ－４は、降水帯１０ｆの場合の表示例に相当する。判定図２ｇ－３と判定図２ｇ－４とにおいて、ＣＬ超過確率線３ｃ－１、３ｃ－２、及び３ｃ－３の表示間隔が変化している。降水帯の形状に応じて、降水帯１０ｅ及び降水帯１０ｆとでは、異なる間隔でＣＬ超過確率線３ｃ－１、３ｃ－２、及び３ｃ－３が表示される。

上述したように本実施例では、降水帯の形状を考慮することで適切なＣＬ超過確率の評価を行える。本実施例においては、災害発生危険基準線（ＣＬ）を超えるか否かの確率（危険基準の超過確率）を指標として説明したが、指標として用いる情報はこれに限定されず、同様のものであればよい。また、上記記載の近似曲線モデルは算出モデルの一例であり、該学習部２００は生成部の一例であり、ＣＬ超過確率線作成部３００は算出部又は算出表示部の一例であり、算出装置１００は表示装置の一例である。

本発明は、具体的に開示された実施例に限定されるものではなく、特許請求の範囲から逸脱することなく、主々の変形や変更が可能である。

以上の実施例を含む実施形態に関し、更に以下の付記を開示する。
（付記１）
記憶部に蓄積された過去の降雨データより生成された、特定地点における降水帯の形状に関する情報と、該特定地点における長時間雨量及び短時間雨量とを用いて、該特定地点における土砂災害に関する指標を算出する算出モデルを生成し、
前記算出モデルを用いて、入力された降雨データより生成された、前記特定地点における降水帯の形状に関する情報より、前記土砂災害に関する前記指標を算出する
処理をコンピュータに行わせる算出プログラム。
（付記２）
付記１記載の算出プログラムであって、前記指標は危険基準の超過確率であることを特徴とする算出プログラム。
（付記３）
付記１又は２記載の算出プログラムであって、前記降水帯の形状に関する情報は、少なくとも降水帯の外接矩形の長辺を示すことを特徴とする算出プログラム。
（付記４）
付記３記載の算出プログラムであって、前記降水帯の形状に関する情報は、更に、短辺、面積、該長辺と短辺の長短比の１以上を示すことを特徴とする算出プログラム。
（付記５）
付記３記載の算出プログラムであって、前記算出モデルは、長時間雨量及び短時間雨量を入力値としてニューラルネットワークで得られた出力値が低い程、また、長辺が長い程、前記指標が高くなることを特徴とする算出プログラム。
（付記６）
付記３記載の算出プログラムであって、前記算出した前記指標を、前記長時間雨量と、前記短時間雨量との関係を示すグラフ上に表示し、降雨データを得る毎に算出された前記指標で該グラフの表示を更新することを特徴とする算出プログラム。
（付記７）
記憶部に蓄積された過去の降雨データより生成された、特定地点における降水帯の形状に関する情報と、該特定地点における長時間雨量及び短時間雨量とを用いて、該特定地点における土砂災害に関する指標を算出する算出モデルを生成し、
前記算出モデルを用いて、入力された降雨データより生成された、前記特定地点における降水帯の形状に関する情報より、前記土砂災害に関する前記指標を算出する
処理をコンピュータが行う算出方法。
（付記８）
記憶部に蓄積された過去の降雨データより生成された、特定地点における降水帯の形状に関する情報と、該特定地点における長時間雨量及び短時間雨量とを用いて、該特定地点における土砂災害に関する指標を算出する算出モデルを生成する生成部と、
前記算出モデルを用いて、入力された降雨データより生成された、前記特定地点における降水帯の形状に関する情報より、前記土砂災害に関する前記指標を算出する算出部と
を有する算出装置。
（付記９）
記憶部に蓄積された過去の降雨データより生成された、特定地点における降水帯の形状に関する情報と、該特定地点における長時間雨量及び短時間雨量とを用いて、該特定地点における土砂災害に関する指標を算出する算出モデルを生成し、
前記算出モデルを用いて、入力された降雨データより生成された、前記特定地点における降水帯の形状に関する情報より、前記土砂災害に関する前記指標を算出し、予め定めた前記危険基準と、算出した前記超過確率とを表示部に表示する
処理をコンピュータに行わせる表示プログラム。
（付記１０）
記憶部に蓄積された過去の降雨データを用いて得られる、特定地点における降水帯の形状に関する情報と、該特定地点における長時間雨量及び短時間雨量とを用いて、該特定地点における土砂災害に関する指標を算出する算出モデルを生成し、
降雨データから得られる、前記特定地点における降水帯の形状に関する情報を前記算出モデルに適用することで、前記土砂災害に関する前記指標を算出し、予め定めた前記危険基準と、算出した前記超過確率とを表示部に表示する
処理をコンピュータが行う表示方法。
（付記１１）
記憶部に蓄積された過去の降雨データを用いて得られる、特定地点における降水帯の形状に関する情報と、該特定地点における長時間雨量及び短時間雨量とを用いて、該特定地点における土砂災害に関する指標を算出する算出モデルを生成する生成部と、
降雨データから得られる、前記特定地点における降水帯の形状に関する情報を前記算出モデルに適用することで、前記土砂災害に関する前記指標を算出し、予め定めた前記危険基準と、算出した前記超過確率とを表示部に表示する算出表示部と
を有する表示装置。

１００ 算出装置
１３２ 降雨データ
１３３ 土壌雨量指数
１３４ ＲＢＦＮ出力値
１３５ 形状パラメータ
１３６ 超過データ
１３７ 設定値
１３８ モデル係数データ
２００ 学習部
２１０ 土壌雨量指数算出部
２２０ ＲＢＦＮ出力値算出部
２３０ 超過データ抽出部
２４０ 形状パラメータ算出部
２５０ モデル作成部
２６０ 分割間隔決定部
２７０ 近似曲面算出部
３００ ＣＬ超過確率線作成部
３１０ データ受信部
３５０ 更新部
３６０ 超過確率算出部
３７０ 表示部

Claims (8)

1. 記憶部に蓄積された過去の降雨データより生成された、特定地点の上空に形成された降水帯の形状に関する情報と、前記過去の降雨データを学習して得られたニューラルネットワークの出力値と、を用いて、該特定地点における土砂災害に関する指標を算出する算出モデルを生成し、
   前記算出モデルを用いて、入力された降雨データより生成された、前記特定地点における降水帯の形状に関する情報より、前記土砂災害に関する前記指標を算出する
   処理をコンピュータに行わせる算出プログラム。
2. 請求項１記載の算出プログラムであって、前記指標は危険基準の超過確率であることを特徴とする算出プログラム。
3. 請求項１又は２記載の算出プログラムであって、前記降水帯の形状に関する情報は、少なくとも降水帯の外接矩形の長辺を示すことを特徴とする算出プログラム。
4. 請求項３記載の算出プログラムであって、前記算出モデルは、前記ニューラルネットワークで得られた出力値が低い程、また、長辺が長い程、前記指標が高くなることを特徴とする算出プログラム。
5. 請求項３記載の算出プログラムであって、前記算出した前記指標を、積算雨量と土壌雨量指数との関係を示すグラフ上に表示し、降雨データを得る毎に算出された前記指標で該グラフの表示を更新することを特徴とする算出プログラム。
6. 記憶部に蓄積された過去の降雨データより生成された、特定地点の上空に形成された降水帯の形状に関する情報と、前記過去の降雨データを学習して得られたニューラルネットワークの出力値と、を用いて、該特定地点における土砂災害に関する指標を算出する算出モデルを生成し、
   前記算出モデルを用いて、入力された降雨データより生成された、前記特定地点における降水帯の形状に関する情報より、前記土砂災害に関する前記指標を算出する
   処理をコンピュータが行う算出方法。
7. 記憶部に蓄積された過去の降雨データより生成された、特定地点の上空に形成された降水帯の形状に関する情報と、前記過去の降雨データを学習して得られたニューラルネットワークの出力値と、を用いて、該特定地点における土砂災害に関する指標を算出する算出モデルを生成する生成部と、
   前記算出モデルを用いて、入力された降雨データより生成された、前記特定地点における降水帯の形状に関する情報より、前記土砂災害に関する前記指標を算出する算出部と
   を有する算出装置。
8. 記憶部に蓄積された過去の降雨データより生成された、特定地点の上空に形成された降水帯の形状に関する情報と、前記過去の降雨データを学習して得られたニューラルネットワークの出力値と、を用いて、該特定地点における土砂災害に関する指標を算出する算出モデルを生成し、
   前記算出モデルを用いて、入力された降雨データより生成された、前記特定地点における降水帯の形状に関する情報より、前記土砂災害に関する前記指標を算出し、予め定めた危険基準と、前記指標として算出した超過確率とを表示部に表示する
   処理をコンピュータに行わせる表示プログラム。

Images