JP7229449B1 - 浸水深予測装置、浸水深予測学習装置、浸水深予測方法、及び浸水深予測学習方法 - Google Patents

Abstract

浸水深予測装置（１００）は、海表面の流速値を取得する流速値取得部（１０）と、海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、流速値取得部（１０）が取得した流速値を入力することにより、地上における浸水深を予測する浸水深予測部（１２）と、を備えている。

Description

本開示は、浸水深予測装置、及び浸水深予測学習装置に関する。

津波を予測する技術では、地震発生の際に観測した観測値に基づいて、津波を予測する。
例えば、特許文献１には、予測対象位置における津波を予測する津波予測方法が記載されている。当該津波予測方法では、波高等の津波の波源条件と、当該波源条件に対応する津波予測とを含む津波予測データベースを作成し、作成した津波予測データベースに基づいて、予測対象位置における津波を予測する。

特開２００５－２０８００１号公報

上記のような津波予測方法では、例えば、観測した海表面の流速値を波高に変換し、変換した波高に基づいて、津波に関する予測値として地上における浸水深を予測する。しかし，このような津波予測方法では、流速値から波高への変換と、浸水深の予測との２つの段階で、予測値が誤差を含むことになるという問題がある。

本開示は、上記のような問題点を解決するためになされたものであり、海表面の流速値に基づいた津波予測の精度を向上させる技術を提供することを目的とする。

本開示に係る浸水深予測装置は、海表面の流速値を取得する流速値取得部と、海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、流速値取得部が取得した流速値を入力することにより、地上における浸水深を予測する浸水深予測部と、を備え、浸水深予測部は、学習済み浸水深予測モデルに、流速値取得部が取得した流速値を入力することにより、浸水深の一次予測値を予測し、予測した一次予測値と、過去に予測した浸水深の過去予測値とに基づいて、浸水深の二次予測値を算出する。
本開示に係る浸水深予測装置は、海表面の流速値を取得する流速値取得部と、海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、流速値取得部が取得した流速値を入力することにより、地上における浸水深を予測する浸水深予測部と、を備え、流速値取得部が取得する流速値は、時刻毎の流速値を示す時系列データであり、浸水深予測部が用いる学習済み浸水深予測モデルは、畳み込みニューラルネットワークモデルであり、浸水深予測部は、流速値取得部が取得した時系列データが、学習済み浸水深予測モデルを用いて浸水深を予測するために必要な分のデータを含むか否かを判定し、必要な分のデータを含まないと判定した場合、流速値取得部が取得した時系列データに対して、不足している分のデータを補完する。
本開示に係る浸水深予測装置は、海表面の流速値を取得する流速値取得部と、海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、流速値取得部が取得した流速値を入力することにより、地上における浸水深を予測する浸水深予測部と、を備え、浸水深予測部は、学習済み浸水深予測モデルに、流速値取得部が取得した流速値を入力することにより、浸水深毎の発生確率を示す確率分布を予測する。

本開示によれば、海表面の流速値に基づいた津波予測の精度を向上させることができる。

実施の形態１に係る浸水深予測システムの構成を示すブロック図である。 実施の形態１に係る浸水深予測装置の構成を示すブロック図である。 実施の形態１の具体例に係る時刻毎の流速値を示す時系列データを説明するための図である。 実施の形態１に係る浸水深予測装置の処理部による浸水深予測方法を示すフローチャートである。 実施の形態１に係る浸水深予測学習装置の構成を示すブロック図である。 実施の形態１に係る浸水深予測装置による浸水深学習方法を示すフローチャートである。 図７Ａは、実施の形態１に係る浸水深予測装置の処理部の機能、及び実施の形態１に係る浸水深予測学習装置の機能を実現するハードウェア構成を示すブロック図である。図７Ｂは、実施の形態１に係る浸水深予測装置の処理部の機能、及び実施の形態１に係る浸水深予測学習装置の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。

以下、本開示をより詳細に説明するため、本開示を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
図１は、実施の形態１に係る浸水深予測システム１０００の構成を示すブロック図である。図２は、実施の形態１に係る浸水深予測装置１００の構成を示すブロック図である。図１が示すように、浸水深予測システム１０００は、浸水深予測装置１００、及びレーダー１０１を備えている。なお、図１が示す構成は一例であり、各機器の台数などはこの例に限定されない。図２が示すように、浸水深予測装置１００は、処理部１、記憶部２、及び表示部３を備えている。処理部１は、流速値取得部１０、データ前処理部１１、及び浸水深予測部１２を備えている。

レーダー１０１は、海表面の流速値を測定する。図示しないが、レーダー１０１は、通信インターフェースを備え、測定した流速値を当該通信インターフェースによって浸水深予測装置１００に送信する。

より詳細には、実施の形態１では、レーダー１０１は、海表面を任意の数の領域に分割し、海表面における領域毎の流速値を測定する。以下では、海表面における領域毎の流速値を、単に海表面の流速値と呼称する。
さらに詳細には、実施の形態１では、レーダー１０１は、時間の経過とともに流速値を測定することにより、時刻毎の流速値を示す時系列データを取得する。

図示しないが、浸水深予測装置１００は、レーダー１０１が測定した流速値を受信するための通信インターフェースを備えている。浸水深予測装置１００は、受信した流速値を機械学習モデルに入力することにより、地上において津波によって生じた浸水深を予測値として出力する。例えば、浸水深予測装置１００が予測する浸水深は、地上の予測地点における浸水深、又は地上の予測地域における浸水深等である。

浸水深予測装置１００における処理部１の流速値取得部１０は、海表面の流速値Ｄ１を取得する。流速値取得部１０は、取得した流速値Ｄ１を記憶部２に出力する。
より詳細には、実施の形態１では、流速値取得部１０は、レーダー１０１が測定した流速値Ｄ１を取得する。さらに詳細には、実施の形態１では、流速値取得部１０は、流速値Ｄ１として、時刻毎の流速値Ｄ１を示す時系列データを取得する。

浸水深予測装置１００の記憶部２は、流速値取得部１０が取得した流速値Ｄ１を記憶する。記憶部２は、記憶した流速値Ｄ１をデータ前処理部１１に出力する。より詳細には、実施の形態１では、記憶部２は、流速値取得部１０が取得した時系列データを記憶する。

処理部１のデータ前処理部１１は、流速値取得部１０が取得した流速値Ｄ１に対して、前処理を行う。より詳細には、実施の形態１では、処理部１のデータ前処理部１１は、流速値取得部１０が取得した流速値Ｄ１に対して、標準化、又は欠落データの補完の少なくとも１つの前処理を行う。データ前処理部１１は、前処理を行った流速値Ｄ２を浸水深予測部１２に出力する。

より詳細には、実施の形態１では、データ前処理部１１は、記憶部２から流速値Ｄ１を読み込み、読み込んだ流速値Ｄ１に対して、標準化、又は欠落データの補完の少なくとも１つの前処理を行う。さらに詳細には、実施の形態１では、データ前処理部１１は、記憶部２から、時刻毎の流速値Ｄ１を示す時系列データを読み込み、読み込んだ時系列データに対して、標準化、又は欠落データの補完の少なくとも１つの前処理を行う。

より具体的には、例えば、データ前処理部１１は、海表面における領域毎の流速値を標準化する。例えば、データ前処理部１１は、海表面における領域毎の流速値に対して欠落データの補完を行う場合、流速値が欠落している領域の流速値として、当該領域周辺の領域の流速値を用いる補完を行う。または、例えば、データ前処理部１１は、海表面における領域毎の流速値に対して欠落データの補完を行う場合、流速値が欠落している領域の流速値として、流速値の全観測値の平均又は分散から発生させた乱数を用いる補完を行う。

処理部１の浸水深予測部１２は、海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、地上における浸水深を予測する。換言すれば、浸水深予測部１２は、海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、地上における浸水深を予測値として出力する。浸水深予測部１２は、予測した浸水深を表示部３に出力する。

より詳細には、実施の形態１では、記憶部２は、海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルを記憶している。浸水深予測部１２は、記憶部２から学習済み浸水深予測モデルを読み込み、読み込んだ学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、地上における浸水深を予測する。

例えば、浸水深予測部１２は、学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、浸水深毎の発生確率を示す確率分布を予測してもよい。つまり、その場合、当該学習済み浸水深予測モデルは、海表面の流速値から、浸水深毎の発生確率を示す確率分布を予測する機械学習モデルである。または、浸水深予測部１２は、学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、浸水深を一意に示す値を予測してもよい。つまり、その場合、当該学習済み浸水深予測モデルは、海表面の流速値から、浸水深を一意に示す値を予測する機械学習モデルである。

さらに詳細には、実施の形態１では、浸水深予測部１２は、データ前処理部１１が前処理を行った流速値Ｄ２を、学習済み浸水深予測モデルに入力することにより、地上における浸水深を予測する。

さらに詳細には、実施の形態１では、浸水深予測部１２は、データ前処理部１１が前処理を行った時系列データを、学習済み浸水深予測モデルに入力することにより、地上における浸水深を予測する。

さらに詳細には、浸水深予測部１２は、データ前処理部１１が前処理を行った時系列データが、学習済み浸水深予測モデルを用いて浸水深を予測するために必要な分のデータを含むか否かを判定する。そして、浸水深予測部１２は、時系列データが必要な分のデータを含まないと判定した場合、データ前処理部１１が前処理を行った時系列データに対して、不足している分のデータを補完する。

さらに詳細には、実施の形態１では、浸水深予測部１２は、一次予測部１３、及び二次予測部１４を備えている。
浸水深予測部１２の一次予測部１３は、学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、浸水深の一次予測値を予測する。一次予測部１３は、予測した一次予測値を二次予測部１４に出力する。

より詳細には、実施の形態１では、一次予測部１３は、学習済み浸水深予測モデルに、データ前処理部１１が前処理を行った流速値Ｄ２を入力することにより、浸水深の一次予測値Ｄ３を予測する。
さらに詳細には、一次予測部１３は、学習済み浸水深予測モデルに、データ前処理部１１が前処理を行った時系列データを入力することにより、浸水深の一次予測値Ｄ３を予測する。

図３は、実施の形態１の具体例に係る時刻毎の流速値を示す時系列データを説明するための図である。図３における左側の図が示すように、レーダー１０１は、地上から海表面に向けて電波を送信し、その反射波を受信することにより、海表面における領域毎の流速値を測定する。そして、レーダー１０１は、時間の経過とともに流速値を測定することにより、時刻毎の流速値を示す時系列データを取得する。

図３における真ん中の図が示すように、当該具体例では、一次予測部１３は，データ前処理部１１から取得した時系列データが示す時刻毎の流速値を、それぞれ、レーダー１０１による観測地点の方位方向を幅とし且つ距離方向を高さとした畳み込みニューラルネットワーク（ＣＮＮ）の入力形式で、学習済み浸水深予測モデルとしての畳み込みニューラルネットワークモデルに入力する。つまり、一次予測部１３は、流速値を、レーダー１０１の照射ポイント（方位方向及び距離方向）に対応する位置に並べることにより画像データのように扱う。

また、図３における右側の図が示すように、当該具体例では、一次予測部１３は、データ前処理部１１から取得した時系列データを、レーダー１０１による観測時刻をチャネル方向とした畳み込みニューラルネットワーク（ＣＮＮ）の入力形式で、学習済み浸水深予測モデルとしての畳み込みニューラルネットワークモデルに入力する。つまり、一次予測部１３は、過去から現在までの各流速値を、畳み込みニューラルネットワークに時系列入力する。

例えば、一次予測部１３は、流速値を入力した学習済み浸水深予測モデルを、通常の回帰問題として解くことにより、浸水深の一次予測値を一意に予測してもよい。または，例えば、一次予測部１３は、学習済み浸水深予測モデルとして混合密度ネットワークなどを用いることにより、浸水深毎の発生確率を示す確率分布を予測してもよい。

二次予測部１４は、一次予測部１３が予測した一次予測値Ｄ３と、過去に予測した浸水深の過去予測値とに基づいて、浸水深の二次予測値Ｄ４を算出する。二次予測部１４は、算出した二次予測値Ｄ４を表示部３及び記憶部２に出力する。記憶部２は、二次予測部１４が算出した二次予測値Ｄ４を記憶する。

より詳細には、実施の形態１では、記憶部２は、二次予測部１４が過去に算出した二次予測値Ｄ４を記憶している。二次予測部１４は、記憶部２から過去予測値としての二次予測値Ｄ４を読み込み、読み込んだ過去予測値としての二次予測値Ｄ４と、一次予測部１３が予測した一次予測値Ｄ３とに基づいて、表示用の浸水深の二次予測値Ｄ４を算出する。さらに詳細には、実施の形態１では、二次予測部１４は、読み込んだ過去予測値としての二次予測値Ｄ４を用いて、一次予測部１３が予測した一次予測値Ｄ３を補正することにより、表示用の浸水深の二次予測値Ｄ４を算出する。

例えば、二次予測部１４は、レーダー１０１に起因する異常値等の、観測環境に依存する外れ値に対して，一次予測部１３が予測した一次予測値と、記憶部２から読み込んだ過去予測値としての二次予測値との両方を用いて対策を行う。より詳細には、例えば、二次予測部１４は、表示用の浸水深の二次予測値として、一次予測値と過去予測値との中央値を算出することにより、外れ値の影響を除去した表示用の二次予測値Ｄ４を算出する。

表示部３は、浸水深予測部１２が予測した浸水深を表示する。より詳細には、実施の形態１では、表示部３は、二次予測部１４が算出した二次予測値Ｄ４を表示する。例えば、表示部３は、浸水深予測部１２が浸水深毎の発生確率を示す確率分布を予測した場合、当該確率分布の波形を表示する。

以下で、実施の形態１に係る浸水深予測装置１００の動作について図面を参照して説明する。図４は、実施の形態１に係る浸水深予測装置１００の処理部１による浸水深予測方法を示すフローチャートである。なお、以下で説明する各ステップの前に、レーダー１０１が時刻毎の流速値を示す時系列データを取得し、流速値取得部１０は、レーダー１０１が取得した時系列データを取得し、記憶部２に記憶させたものとする。

図４が示すように、データ前処理部１１は、記憶部２から、時刻毎の流速値を示す時系列データを読み込み、読み込んだ時系列データに対して、標準化、又は欠落データの補完の少なくとも１つの前処理を行う（ステップＳＴ１）。データ前処理部１１は、前処理を行った時系列データを浸水深予測部１２に出力する。

次に、浸水深予測部１２は、記憶部２から学習済み浸水深予測モデルを読み込む（ステップＳＴ２）。
次に、浸水深予測部１２は、データ前処理部１１が前処理を行った時系列データが、学習済み浸水深予測モデルを用いて浸水深を予測するために必要な分のデータを含むか否かを判定する（ステップＳＴ３）。

浸水深予測部１２は、時系列データが必要な分のデータを含まないと判定した場合（ステップＳＴ３のＮＯ）、ステップＳＴ４に進み、時系列データが必要な分のデータを含むと判定した場合（ステップＳＴ３のＹＥＳ）、ステップＳＴ５に進む。

ステップＳＴ４において、浸水深予測部１２は、データ前処理部１１が前処理を行った時系列データに対して、不足している分のデータを補完する。次に、浸水深予測部１２は、ステップＳＴ５に進む。

ステップＳＴ５において、浸水深予測部１２の一次予測部１３は、学習済み浸水深予測モデルに、データ前処理部１１が前処理を行った時系列データを入力することにより、浸水深の一次予測値を予測する。一次予測部１３は、予測した一次予測値を二次予測部１４に出力する。

次に、浸水深予測部１２の二次予測部１４は、記憶部２から過去予測値としての二次予測値Ｄ４を読み込む（ステップＳＴ６）。
次に、二次予測部１４は、読み込んだ過去予測値としての二次予測値を用いて、一次予測部１３が予測した一次予測値を補正することにより、表示用の浸水深の二次予測値を算出する（ステップＳＴ７）。

次に、二次予測部１４は、算出した二次予測値を表示部３に出力する（ステップＳＴ８）。表示部３は、二次予測部１４が算出した二次予測値を表示する。
次に、二次予測部１４は、算出した二次予測値を記憶部２に記憶させる（ステップＳＴ９）。

以下で、実施の形態１に係る浸水深予測学習装置１０２の構成について図面を参照して説明する。図５は、実施の形態１に係る浸水深予測学習装置１０２の構成を示すブロック図である。図５が示すように、浸水深予測学習装置１０２は、学習部４、記憶部５、及び表示部６を備えている。学習部４は、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３、及び評価部４４を備えている。なお、図示しないが、浸水深予測学習装置１０２は、上述の浸水深予測装置１００と接続しているものとする。また、実施の形態１では、浸水深予測学習装置１０２を上述の浸水深予測装置１００とは別の装置として説明するが、浸水深予測装置１００が以下で説明する浸水深予測学習装置１０２の各構成をさらに有していてもよい。

流速値取得部４０は、海表面の流速値Ｄ１０を取得する。流速値取得部４０は、取得した海表面の流速値Ｄ１０をデータ前処理部４２に出力する。
最大浸水深ラベル付きデータ取得部４１は、地上における最大浸水深を示す最大浸水深ラベル付きデータＤ１１を取得する。最大浸水深ラベル付きデータ取得部４１は、取得した最大浸水深ラベル付きデータＤ１１をデータ前処理部４２に出力する。

例えば、流速値取得部４０が取得する流速値、及び最大浸水深ラベル付きデータ取得部４１が取得する最大浸水深ラベル付きデータは、それぞれ、シミュレーションで作成されたデータである。当該シミュレーションで作成されたシミュレーションデータは、例えば、地震による津波に関する流速値及び最大浸水深ラベル付きデータである。より詳細には、当該シミュレーションデータは、震源地又は断層のずれ量又は方向などをランダムに設定することにより作成された流速値及び最大浸水深ラベル付きデータである。または、当該シミュレーションデータは、例えば、地滑りによる津波に関する流速値及び最大浸水深ラベル付きデータである。

データ前処理部４２は、流速値取得部４０が取得した流速値Ｄ１０に対して、ノイズデータを付与する前処理を行う。例えば、当該ノイズデータは、平常時の海表面の流速値である。または、例えば、データ前処理部４２は、流速値取得部４０が取得した流速値に対して、より実運用時に近いデータになるように何か別の値を付与してもよい。例えば、データ前処理部４２は、平常時の海表面の流速値をノイズデータとして用いる場合、流速値を観測するレーダーの特性を考慮して、レーダーの観測抜けにより流速値の欠落が発生している観測ポイントに関して、データの補完を行う。その場合、データ前処理部４２は、例えば、流速値が欠落している領域の流速値として、当該領域周辺の領域の流速値を用いる補完を行う。または、データ前処理部４２は、例えば、流速値が欠落している領域の流速値として、流速値の全観測値の平均又は分散から発生させた乱数を用いる補完を行う。または、データ前処理部４２は、例えば、流速値が欠落している領域の流速値として、０等の特定の値を用いる補完を行う。

より詳細には、実施の形態１では、データ前処理部４２は、流速値取得部４０が取得した流速値Ｄ１０、及び最大浸水深ラベル付きデータ取得部４１が取得した最大浸水深ラベル付きデータＤ１１のうちから、モデル生成部４３が浸水深予測モデルの生成に用いる学習用データＤ１２を選定する前処理をさらに行う。データ前処理部４２は、選定した学習用データＤ１２をモデル生成部４３に出力する。

モデル生成部４３は、流速値取得部４０が取得した流速値と、最大浸水深ラベル付きデータ取得部４１が取得した最大浸水深ラベル付きデータとに基づいて、海表面の流速値から地上における浸水深を予測する浸水深予測を学習することにより、浸水深予測モデルを生成する。

モデル生成部４３が生成する浸水深予測モデルは、海表面の流速値から地上における浸水深を予測する機械学習モデルである。例えば、モデル生成部４３が生成する浸水深予測モデルは、海表面の流速値から、浸水深毎の発生確率を示す確率分布を予測する機械学習モデルである。

より詳細には、実施の形態１では、モデル生成部４３は、データ前処理部４２が前処理を行った流速値と、最大浸水深ラベル付きデータ取得部４１が取得した最大浸水深ラベル付きデータとに基づいて、浸水深予測モデルを生成する。

さらに詳細には、モデル生成部４３は、データ前処理部４２が選定した学習用データＤ１２（流速値及び最大浸水深ラベル付きデータ）に基づいて、浸水深予測モデルＤ１３を生成する。モデル生成部４３は、生成した浸水深予測モデルＤ１３と、学習に用いた学習用データＤ１２である流速値及び最大浸水深ラベル付きデータとを評価部４４に出力する。

評価部４４は、モデル生成部４３が生成した浸水深予測モデルＤ１３に基づいて、浸水深予測の学習結果を評価する。より詳細には、実施の形態１では、評価部４４は、モデル生成部４３が生成した浸水深予測モデルＤ１３と、モデル生成部４３が学習に用いた流速値及び最大浸水深ラベル付きデータとに基づいて、浸水深予測の学習結果を評価する。

さらに詳細には、実施の形態１では、評価部４４は、モデル生成部４３が生成した浸水深予測モデルＤ１３と、モデル生成部４３が学習に用いた学習用データＤ１２（流速値及び最大浸水深ラベル付きデータ）とに基づいて、浸水深予測の学習結果を評価する。評価部４４は、評価結果Ｄ１４をデータ前処理部４２に出力する。

例えば、評価部４４は、モデル生成部４３が生成した浸水深予測モデルに、モデル生成部４３が学習に用いた流速値を入力することにより地上における浸水深を予測し、予測した浸水深が予測範囲内に収まっている割合を算出することにより浸水深予測の学習結果を評価する。または、評価部４４は、モデル生成部４３が生成した浸水深予測モデルに基づいて、回帰誤差又は決定係数などを算出することにより浸水深予測の学習結果を評価する。

上述のデータ前処理部４２は、評価部４４が行った評価に基づいて、学習用データをさらに選定する。例えば、評価部４４が上述のように回帰誤差を算出することにより浸水深予測の学習結果を評価した場合、データ前処理部４２は、当該回帰誤差が最小になるように、学習時に実施するデータの選定に関するパラメータ値を設定し，設定したパラメータ値を用いて、再度、学習用データの選定を実施する。そして、データ前処理部４２は、さらに選定した学習用データをモデル生成部４３に出力する。

上述のモデル生成部４３は、データ前処理部４２がさらに選定した学習用データ（流速値及び最大浸水深ラベル付きデータ）に基づいて、浸水深予測モデルを生成する。モデル生成部４３は、学習が完了した場合、生成した学習済み浸水深予測モデルＤ１５を記憶部５に記憶させる。

また、モデル生成部４３は、学習が完了した場合、生成した浸水深予測モデルに学習用データである流速値を入力することにより地上における浸水深を予測し、予測した浸水深Ｄ１６と、学習に用いた学習用データＤ１２である最大浸水深ラベル付きデータとを表示部６に出力する。表示部６は、取得した浸水深及び最大浸水深ラベル付きデータを表示することにより、ユーザは学習状況を確認することができる。

また、モデル生成部４３は、学習が完了した場合、生成した浸水深予測モデルを学習済み浸水深予測モデルとして上述の浸水深予測装置１００に出力する。浸水深予測装置１００における処理部１の浸水深予測部１２は、上述のように、当該学習済み浸水深予測モデルに流速値を入力することにより、地上における浸水深を予測する。また、浸水深予測装置１００の記憶部２は、当該学習済み浸水深予測モデルを記憶する。

以下で、実施の形態１に係る浸水深予測学習装置１０２の動作について図面を参照して説明する。図６は、実施の形態１に係る浸水深予測装置１００による浸水深学習方法を示すフローチャートである。なお、以下で説明する各ステップの前に、流速値取得部４０は、海表面の流速値を取得し、最大浸水深ラベル付きデータ取得部４１は、地上における最大浸水深を示す最大浸水深ラベル付きデータを取得したものとする。

図６が示すように、データ前処理部４２は、流速値取得部４０が取得した流速値、及び最大浸水深ラベル付きデータ取得部４１が取得した最大浸水ラベル付きデータのうちから、モデル生成部４３が浸水深予測モデルの生成に用いる学習用データを選定する前処理を行う（ステップＳＴ１０）。データ前処理部４２は、選定した学習用データをモデル生成部４３に出力する。

次に、モデル生成部４３は、データ前処理部４２が選定した学習用データである流速値及び最大浸水深ラベル付きデータを取得する（ステップＳＴ１１）。
次に、モデル生成部４３は、データ前処理部４２が選定した学習用データである流速値及び最大浸水深ラベル付きデータに基づいて、海表面の流速値から地上における浸水深を予測する浸水深予測を学習することにより、浸水深予測モデルを生成する（ステップＳＴ１２）。モデル生成部４３は、生成した浸水深予測モデルと、学習に用いた流速値及び最大浸水深ラベル付きデータとを評価部４４に出力する。

次に、評価部４４は、モデル生成部４３が生成した浸水深予測モデルと、モデル生成部４３が学習に用いた学習用データである流速値及び最大浸水深ラベル付きデータとに基づいて、浸水深予測の学習結果を評価する（ステップＳＴ１３）。評価部４４は、評価結果をデータ前処理部４２に出力する。
次に、データ前処理部４２は、評価部４４が行った評価に基づいて、学習時に実施するデータの選定に関するパラメータ値を変更する（ステップＳＴ１４）。

浸水深予測学習装置１０２は、上記のステップＳＴ１０からステップＳＴ１４の各処理を、パラメータ探索回数分、繰り返し実行する。これにより、浸水深予測の学習結果の評価が最良になるまで、浸水深予測モデルが更新される。

モデル生成部４３は、学習が完了した場合、生成した浸水深予測モデルに学習用データである流速値を入力することにより地上における浸水深を予測し、予測した浸水深と、学習に用いた最大浸水深ラベル付きデータとを表示部６に出力する（ステップＳＴ１５）。そして、表示部６は、浸水深と、最大浸水深ラベル付きデータとを表示することにより、ユーザは学習状況を確認することができる。
次に、モデル生成部４３は、生成した浸水深予測モデルを学習済み浸水深予測モデルとして記憶部５に記憶させる（ステップＳＴ１６）。

浸水深予測装置１００の処理部１における、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の各機能、並びに浸水深予測学習装置１０２の学習部４における、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４の各機能は、処理回路により実現される。すなわち、浸水深予測装置１００の処理部１、及び浸水深予測学習装置１０２の学習部４は、図４及び図６に示した各ステップの処理を実行するための処理回路を備える。この処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）であってもよい。

図７Ａは、浸水深予測装置１００の処理部１の機能、及び浸水深予測学習装置１０２の学習部４の機能を実現するハードウェア構成を示すブロック図である。図７Ｂは、浸水深予測装置１００の処理部１の機能、及び浸水深予測学習装置１０２の学習部４の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。

上記処理回路が図７Ａに示す専用のハードウェアの処理回路１０３である場合、処理回路１０３は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）又はこれらを組み合わせたものが該当する。

浸水深予測装置１００の処理部１における、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の各機能、並びに浸水深予測学習装置１０２の学習部４における、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４の各機能を別々の処理回路で実現してもよいし、これらの機能をまとめて１つの処理回路で実現してもよい。

上記処理回路が図７Ｂに示すプロセッサ１０４である場合、浸水深予測装置１００の処理部１における、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の各機能、並びに浸水深予測学習装置１０２の学習部４における、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４の各機能は、ソフトウェア、ファームウェア又はソフトウェアとファームウェアとの組み合わせによって実現される。
なお、ソフトウェア又はファームウェアは、プログラムとして記述されてメモリ１０５に記憶される。

プロセッサ１０４は、メモリ１０５に記憶されたプログラムを読み出して実行することにより、浸水深予測装置１００の処理部１における、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の各機能、並びに浸水深予測学習装置１０２の学習部４における、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４の各機能を実現する。すなわち、浸水深予測装置１００の処理部１、及び浸水深予測学習装置１０２の学習部４は、これらの各機能がプロセッサ１０４によって実行されるときに、図４及び図６に示した各ステップの処理が結果的に実行されるプログラムを記憶するためのメモリ１０５を備える。

これらのプログラムは、浸水深予測装置１００の処理部１における、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の各手順又は方法、並びに浸水深予測学習装置１０２の学習部４における、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４の各手順又は方法をコンピュータに実行させる。メモリ１０５は、コンピュータを、浸水深予測装置１００の処理部１における、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の各機能、並びに浸水深予測学習装置１０２の学習部４における、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４の各機能として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。

プロセッサ１０４には、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、処理装置、演算装置、プロセッサ、マイクロプロセッサ、マイクロコンピュータ、またはＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）などが該当する。

メモリ１０５には、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ－ＥＰＲＯＭ）などの不揮発性又は揮発性の半導体メモリ、ハードディスク、フレキシブルディスク等の磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）などが該当する。

浸水深予測装置１００の処理部１における、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の各機能、並びに浸水深予測学習装置１０２の学習部４における、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４の各機能について一部を専用のハードウェアで実現し、一部をソフトウェア又はファームウェアで実現してもよい。

例えば、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の機能は、専用のハードウェアとしての処理回路で機能を実現する。流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４については、プロセッサ１０４がメモリ１０５に記憶されたプログラムを読み出して実行することにより機能を実現してもよい。
このように、処理回路は、ハードウェア、ソフトウェア、ファームウェア又はこれらの組み合わせにより上記機能のそれぞれを実現することができる。

以上のように、実施の形態１に係る浸水深予測装置１００は、海表面の流速値を取得する流速値取得部１０と、海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、地上における浸水深を予測する浸水深予測部１２と、を備えている。

上記の構成によれば、学習済み浸水深予測モデルに流速値を入力することによって、直接、浸水深を予測できる。よって、予測誤差を軽減することができるため、海表面の流速値に基づいた津波予測の精度を向上させることができる。

上述の従来の技術では，観測された海表面の流速値から波高を推定し、予め用意したデータベースの中から，最も相関が高いケースを用いて津波予測を行っている。これは、津波のシミュレーションは、地形又は海底の構造を模擬して有限要素法で計算することができるが、大規模コンピュータでも数時間かかるとされており，観測結果を基にリアルタイムに津波の被害予測をすることが困難であるためである。
しかし、実施の形態１に係る浸水深予測装置１００の上記の構成によれば、レーダーが観測した海表面の流速値からリアルタイムに津波による浸水深の予測を行うことができる。これにより、防災及び減災に有効な情報を迅速に提供することができる。

実施の形態１に係る浸水深予測装置１００は、流速値取得部１０が取得した流速値に対して、標準化、又は欠落データの補完の少なくとも１つの前処理を行うデータ前処理部１１をさらに備え、浸水深予測部１２は、データ前処理部１１が前処理を行った流速値を、学習済み浸水深予測モデルに入力することにより、浸水深を予測する。

上記の構成によれば、学習済み浸水深予測モデルに前処理後の流速値を入力することによって、精度良く浸水深を予測できる。よって、海表面の流速値に基づいた津波予測の精度を向上させることができる。

実施の形態１に係る浸水深予測装置１００における浸水深予測部１２は、学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、浸水深の一次予測値を予測し、予測した一次予測値と、過去に予測した浸水深の過去予測値とに基づいて、浸水深の二次予測値を算出する。

上記の構成によれば、予測した一次予測値と過去予測値とに基づいて二次予測値を算出することによって、精度良く浸水深を予測できる。よって、海表面の流速値に基づいた津波予測の精度を向上させることができる。

実施の形態１に係る浸水深予測装置１００における流速値取得部１０が取得する流速値は、時刻毎の流速値を示す時系列データであり、浸水深予測部１２が用いる学習済み浸水深予測モデルは、畳み込みニューラルネットワークモデルである。

上記の構成によれば、畳み込みニューラルネットワークモデルの学習済み浸水深予測モデルに時刻毎の流速値を示す時系列データを入力することによって、直接、浸水深を予測できる。よって、予測誤差を軽減することができるため、海表面の流速値に基づいた津波予測の精度を向上させることができる。

実施の形態１に係る浸水深予測装置１００における浸水深予測部１２は、流速値取得部１０が取得した時系列データが、学習済み浸水深予測モデルを用いて浸水深を予測するために必要な分のデータを含むか否かを判定し、必要な分のデータを含まないと判定した場合、流速値取得部１０が取得した時系列データに対して、不足している分のデータを補完する。

上記の構成によれば、時系列データが必要な分のデータを含まない場合、時系列データに対して不足している分のデータを補完する。これにより、予測誤差を軽減することができるため、海表面の流速値に基づいた津波予測の精度を向上させることができる。

実施の形態１に係る浸水深予測装置１００における浸水深予測部１２は、学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、浸水深毎の発生確率を示す確率分布を予測する。

上記の構成によれば、浸水深の予測を回帰で一意に予測するのではなく、確率分布による予測を行うことで、予測が困難な状況でも複数のケースを予測して津波に対応することが可能となる。

実施の形態１に係る浸水深予測学習装置１０２は、海表面の流速値を取得する流速値取得部４０と、地上における最大浸水深 を示す最大浸水深ラベル付きデータを取得する最大浸水深ラベル付きデータ取得部４１と、流速値取得部４０が取得した流速値と、最大浸水深ラベル付きデータ取得部４１が取得した最大浸水深ラベル付きデータとに基づいて、海表面の流速値から地上における浸水深を予測する浸水深予測を学習することにより、浸水深予測モデルを生成するモデル生成部４３と、を備えている。

上記の構成によれば、海表面の流速値から地上における浸水深を予測する浸水深予測モデルを生成する。これにより、生成した浸水深予測モデルに流速値を入力することによって、直接、浸水深を予測できる。よって、予測誤差を軽減することができるため、海表面の流速値に基づいた津波予測の精度を向上させることができる。

実施の形態１に係る浸水深予測学習装置１０２は、モデル生成部４３が生成した浸水深予測モデルに基づいて、浸水深予測の学習結果を評価する評価部４４をさらに備えている。
上記の構成によれば、海表面の流速値から地上における浸水深を予測する浸水深予測モデルを評価する。これにより、浸水深予測の学習結果の評価に基づいて、浸水深予測モデルを更新することにより、海表面の流速値に基づいた津波予測の精度を向上させることができる。

実施の形態１に係る浸水深予測学習装置１０２は、流速値取得部４０が取得した流速値に対して、ノイズデータを付与する前処理を行うデータ前処理部４２をさらに備え、モデル生成部４３は、データ前処理部４２が前処理を行った流速値と、最大浸水深ラベル付きデータ取得部４１が取得した最大浸水深ラベル付きデータとに基づいて、浸水深予測モデルを生成する。

上記の構成によれば、ノイズデータが付与された流速値に基づいて、浸水深予測モデルを生成する。これにより、生成した浸水深予測モデルを用いて浸水深を予測することによって、海表面の流速値に基づいた津波予測の精度を向上させることができる。

実施の形態１に係る浸水深予測学習装置１０２は、流速値取得部４０が取得した流速値、及び最大浸水深ラベル付きデータ取得部４１が取得した最大浸水ラベル付きデータのうちから、モデル生成部４３が浸水深予測モデルの生成に用いる学習用データを選定する前処理を行うデータ前処理部４２をさらに備え、モデル生成部４３は、データ前処理部４２が選定した学習用データに基づいて、浸水深予測モデルを生成する。

上記の構成によれば、選定した学習用データに基づいて浸水深予測モデルを生成する。これにより、生成した浸水深予測モデルを用いて浸水深を予測することによって、海表面の流速値に基づいた津波予測の精度を向上させることができる。

実施の形態１に係る浸水深予測学習装置１０２は、モデル生成部４３が生成した浸水深予測モデルに基づいて、浸水深予測の学習結果の評価を行う評価部４４をさらに備え、データ前処理部４２は、評価部４４が行った評価に基づいて、学習用データをさらに選定する。

上記の構成によれば、浸水深予測の学習結果の評価に基づいて選定した学習用データに基づいて浸水深予測モデルを生成する。これにより、生成した浸水深予測モデルを用いて浸水深を予測することによって、海表面の流速値に基づいた津波予測の精度を向上させることができる。
なお、実施の形態の任意の構成要素の変形、もしくは実施の形態の任意の構成要素の省略が可能である。

本開示に係る浸水深予測装置及び浸水深予測学習装置は、例えば、レーダーなどで海表面の状況を監視することができるドメイン全般に対して用いられるのに適している。例えば、本開示に係る浸水深予測装置は、津波監視海洋レーダーなどのように、陸地から数十キロ先の海表面の状況を監視することができるレーダーに付加する機能として、観測したデータから津波による浸水深を予測して警報を出すことができる。

１ 処理部、２ 記憶部、３ 表示部、４ 学習部、５ 記憶部、６ 表示部、１０ 流速値取得部、１１ データ前処理部、１２ 浸水深予測部、１３ 一次予測部、１４ 二次予測部、４０ 流速値取得部、４１ 最大浸水深ラベル付きデータ取得部、４２ データ前処理部、４３ モデル生成部、４４ 評価部、１００ 浸水深予測装置、１０１ レーダー１０２ 浸水深予測学習装置、１０３ 処理回路、１０４ プロセッサ、１０５ メモリ、１０００ 浸水深予測システム。

Claims (7)

1. 海表面の流速値を取得する流速値取得部と、
   前記海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、前記流速値取得部が取得した流速値を入力することにより、前記地上における浸水深を予測する浸水深予測部と、を備え、
   前記浸水深予測部は、前記学習済み浸水深予測モデルに、前記流速値取得部が取得した流速値を入力することにより、前記浸水深の一次予測値を予測し、予測した一次予測値と、過去に予測した浸水深の過去予測値とに基づいて、前記浸水深の二次予測値を算出することを特徴とする、浸水深予測装置。
2. 海表面の流速値を取得する流速値取得部と、
   前記海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、前記流速値取得部が取得した流速値を入力することにより、前記地上における浸水深を予測する浸水深予測部と、を備え、
   前記流速値取得部が取得する流速値は、時刻毎の流速値を示す時系列データであり、
   前記浸水深予測部が用いる前記学習済み浸水深予測モデルは、畳み込みニューラルネットワークモデルであり、
   前記浸水深予測部は、前記流速値取得部が取得した時系列データが、前記学習済み浸水深予測モデルを用いて前記浸水深を予測するために必要な分のデータを含むか否かを判定し、必要な分のデータを含まないと判定した場合、前記流速値取得部が取得した時系列データに対して、不足している分のデータを補完することを特徴とする、浸水深予測装置。
3. 海表面の流速値を取得する流速値取得部と、
   前記海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、前記流速値取得部が取得した流速値を入力することにより、前記地上における浸水深を予測する浸水深予測部と、を備え、
   前記浸水深予測部は、前記学習済み浸水深予測モデルに、前記流速値取得部が取得した流速値を入力することにより、浸水深毎の発生確率を示す確率分布を予測することを特徴とする、浸水深予測装置。
4. 前記流速値取得部が取得した流速値に対して、標準化、又は欠落データの補完の少なくとも１つの前処理を行うデータ前処理部をさらに備え、
   前記浸水深予測部は、前記データ前処理部が前処理を行った流速値を、前記学習済み浸水深予測モデルに入力することにより、前記浸水深を予測することを特徴とする、請求項１から請求項３の何れか１項に記載の浸水深予測装置。
5. 流速値取得部及び浸水深予測部を備えている浸水深予測装置による浸水深予測方法であって、
   前記流速値取得部が、海表面の流速値を取得する流速値取得ステップと、
   前記浸水深予測部が、前記海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、前記流速値取得ステップで取得した流速値を入力することにより、前記地上における浸水深を予測する浸水深予測ステップと、を含み、
   前記浸水深予測部は、前記浸水深予測ステップにおいて、前記学習済み浸水深予測モデルに、前記流速値取得部が前記流速値取得ステップにおいて取得した流速値を入力することにより、前記浸水深の一次予測値を予測し、予測した一次予測値と、過去に予測した浸水深の過去予測値とに基づいて、前記浸水深の二次予測値を算出することを特徴とする、浸水深予測方法。
6. 流速値取得部及び浸水深予測部を備えている浸水深予測装置による浸水深予測方法であって、
   前記流速値取得部が、海表面の流速値を取得する流速値取得ステップと、
   前記浸水深予測部が、前記海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、前記流速値取得ステップで取得した流速値を入力することにより、前記地上における浸水深を予測する浸水深予測ステップと、を含み、
   前記流速値取得部が前記流速値取得ステップにおいて取得する流速値は、時刻毎の流速値を示す時系列データであり、
   前記浸水深予測部が前記浸水深予測ステップにおいて用いる前記学習済み浸水深予測モデルは、畳み込みニューラルネットワークモデルであり、
   前記浸水深予測部は、前記浸水深予測ステップにおいて、前記流速値取得部が前記流速値取得ステップにおいて取得した時系列データが、前記学習済み浸水深予測モデルを用いて前記浸水深を予測するために必要な分のデータを含むか否かを判定し、必要な分のデータを含まないと判定した場合、前記流速値取得部が前記流速値取得ステップにおいて取得した時系列データに対して、不足している分のデータを補完することを特徴とする、浸水深予測方法。
7. 流速値取得部及び浸水深予測部を備えている浸水深予測装置による浸水深予測方法であって、
   前記流速値取得部が、海表面の流速値を取得する流速値取得ステップと、
   前記浸水深予測部が、前記海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、前記流速値取得ステップで取得した流速値を入力することにより、前記地上における浸水深を予測する浸水深予測ステップと、を含み、
   前記浸水深予測部は、前記浸水深予測ステップにおいて、前記学習済み浸水深予測モデルに、前記流速値取得部が前記流速値取得ステップにおいて取得した流速値を入力することにより、浸水深毎の発生確率を示す確率分布を予測することを特徴とする、浸水深予測方法。

Images