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
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 Download PDFInfo
- Publication number
- JP7229449B1 JP7229449B1 JP2022576358A JP2022576358A JP7229449B1 JP 7229449 B1 JP7229449 B1 JP 7229449B1 JP 2022576358 A JP2022576358 A JP 2022576358A JP 2022576358 A JP2022576358 A JP 2022576358A JP 7229449 B1 JP7229449 B1 JP 7229449B1
- Authority
- JP
- Japan
- Prior art keywords
- inundation depth
- velocity value
- flow velocity
- depth prediction
- unit
- 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
- 238000000034 method Methods 0.000 title claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 85
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009469 supplementation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 38
- 238000011156 evaluation Methods 0.000 description 33
- 230000006870 function Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 15
- 230000015654 memory Effects 0.000 description 12
- 238000004088 simulation Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/01—Measuring or predicting earthquakes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/002—Measuring the movement of open water
- G01C13/006—Measuring the movement of open water horizontal movement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Geophysics (AREA)
- Hydrology & Water Resources (AREA)
- Radar, Positioning & Navigation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
Abstract
Description
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。
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。
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。
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。
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。
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。
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)。
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記憶部2に記憶させる(ステップST9)。
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。
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、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)。
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)。
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。
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。
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。
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。
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。
Claims (7)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/003135 WO2022162853A1 (ja) | 2021-01-29 | 2021-01-29 | 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 |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2022162853A1 JPWO2022162853A1 (ja) | 2022-08-04 |
JP7229449B1 true JP7229449B1 (ja) | 2023-02-27 |
JPWO2022162853A5 JPWO2022162853A5 (ja) | 2023-03-15 |
Family
ID=82652765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022576358A Active JP7229449B1 (ja) | 2021-01-29 | 2021-01-29 | 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 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230333270A1 (ja) |
JP (1) | JP7229449B1 (ja) |
CA (1) | CA3204136C (ja) |
DE (1) | DE112021006190T5 (ja) |
WO (1) | WO2022162853A1 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016085206A (ja) * | 2014-10-22 | 2016-05-19 | 三菱電機株式会社 | 津波監視システム |
WO2018037533A1 (ja) * | 2016-08-25 | 2018-03-01 | 三菱電機株式会社 | レーダ装置 |
JP6370525B1 (ja) * | 2016-09-29 | 2018-08-08 | 三菱電機株式会社 | 浸水予測システム、予測方法、プログラム |
JP2020056649A (ja) * | 2018-10-01 | 2020-04-09 | 東電設計株式会社 | 津波予測装置、方法、及びプログラム |
JP2020173160A (ja) * | 2019-04-10 | 2020-10-22 | 中部電力株式会社 | 津波高及び津波到達時間予測システム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005208001A (ja) | 2004-01-26 | 2005-08-04 | Nomura Fooshiizu:Kk | 津波の予測方法及び予測プログラム |
-
2021
- 2021-01-29 WO PCT/JP2021/003135 patent/WO2022162853A1/ja active Application Filing
- 2021-01-29 JP JP2022576358A patent/JP7229449B1/ja active Active
- 2021-01-29 CA CA3204136A patent/CA3204136C/en active Active
- 2021-01-29 DE DE112021006190.9T patent/DE112021006190T5/de active Pending
-
2023
- 2023-06-22 US US18/213,037 patent/US20230333270A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016085206A (ja) * | 2014-10-22 | 2016-05-19 | 三菱電機株式会社 | 津波監視システム |
WO2018037533A1 (ja) * | 2016-08-25 | 2018-03-01 | 三菱電機株式会社 | レーダ装置 |
JP6370525B1 (ja) * | 2016-09-29 | 2018-08-08 | 三菱電機株式会社 | 浸水予測システム、予測方法、プログラム |
JP2020056649A (ja) * | 2018-10-01 | 2020-04-09 | 東電設計株式会社 | 津波予測装置、方法、及びプログラム |
JP2020173160A (ja) * | 2019-04-10 | 2020-10-22 | 中部電力株式会社 | 津波高及び津波到達時間予測システム |
Non-Patent Citations (2)
Title |
---|
清水智、若浦雅嗣,"津波浸水深の経験的予測手法",地域安全学会論文集,日本,地域安全学会,2016年03月25日,No.28,pp.41-51,https://doi.org/10.11314/jisss.28.41 |
清水智、若浦雅嗣: ""津波浸水深の経験的予測手法"", 地域安全学会論文集, JPN6021009969, 25 March 2016 (2016-03-25), JP, pages 41 - 51, ISSN: 0004966620 * |
Also Published As
Publication number | Publication date |
---|---|
CA3204136A1 (en) | 2022-08-04 |
DE112021006190T5 (de) | 2023-11-30 |
JPWO2022162853A1 (ja) | 2022-08-04 |
US20230333270A1 (en) | 2023-10-19 |
CA3204136C (en) | 2024-01-02 |
WO2022162853A1 (ja) | 2022-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11774485B2 (en) | Fault diagnosis method and apparatus for submarine cable, and device | |
Sikorska et al. | Estimating the uncertainty of hydrological predictions through data-driven resampling techniques | |
Daneshkhah et al. | Probabilistic modeling of flood characterizations with parametric and minimum information pair-copula model | |
JP6552928B2 (ja) | 気象予測装置、気象予測方法およびプログラム | |
Vanem | A regional extreme value analysis of ocean waves in a changing climate | |
CN117408536A (zh) | 基于ai的水下测绘实时分析系统 | |
Wang et al. | Study on wavelet neural network based anomaly detection in ocean observing data series | |
JP6370525B1 (ja) | 浸水予測システム、予測方法、プログラム | |
JP6521777B2 (ja) | 津波監視システム | |
CN103714045A (zh) | 面向异步多速率不均匀采样观测数据的信息融合估计方法 | |
CN104156612B (zh) | 基于粒子滤波的正向与逆向预测误差的故障预报方法 | |
Balcilar et al. | Date-stamping US housing market explosivity | |
Choi et al. | RNN-based integrated system for real-time sensor fault detection and fault-informed accident diagnosis in nuclear power plant accidents | |
Hassan et al. | Improving artificial neural network based streamflow forecasting models through data preprocessing | |
Lin et al. | An explainable probabilistic model for health monitoring of concrete dam via optimized sparse bayesian learning and sensitivity analysis | |
Wang et al. | Precisely modeling offshore jacket structures considering model parameters uncertainty using Bayesian updating | |
JP7229449B1 (ja) | 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 | |
Yousuf et al. | Runoff and soil loss estimation using hydrological models, remote sensing and GIS in Shivalik foothills: A review | |
Costa et al. | Enhancing the accuracy of metocean hindcasts with machine learning models | |
Zhang et al. | Multiscale spatiotemporal meteorological drought prediction: A deep learning approach | |
Silva-González et al. | Square Error Method for threshold estimation in extreme value analysis of wave heights | |
Rajabi-Kiasari et al. | Forecasting of absolute dynamic topography using deep learning algorithm with application to the Baltic Sea | |
US10641133B2 (en) | Managing water-supply pumping for an electricity production plant circuit | |
Xu et al. | Improving the robustness of fisheries stock assessment models to outliers in input data | |
EP3895014A1 (en) | Identifying faults in system data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221212 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221212 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20221212 |
|
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: 20230117 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230214 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7229449 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |