JP7233391B2

JP7233391B2 - 河川はん濫および被害予測装置

Info

Publication number: JP7233391B2
Application number: JP2020020324A
Authority: JP
Inventors: 博三溝口
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2020-02-10
Filing date: 2020-02-10
Publication date: 2023-03-06
Anticipated expiration: 2040-02-10
Also published as: JP2021125163A

Description

本願は、河川はん濫および被害予測装置に関するものである。

従来の河川水位監視に係わる特許文献１には、水位観測地点を設定し、水位データベースから水位観測地点における水位情報を取得し、一方、降水データベースから第１－第２の水位観測地点間の水の到達時間を特定して、水位情報、降水量情報および到達時間に基づいて、現在時刻から予測したい未来時刻に発生すべき第２の水位観測地点における水位情報を算出するものが記載されている。
すなわち、従来の河川水位監視は、重要地点に水位観測所を設置して、水位監視および予測を行っている。

特開２０１０－２３７７３２号公報（第６～１０頁、第１図）

従来の河川水位の監視のように、重要地点に水位観測所を設置して、水位監視および予測を行う場合、水位観測所が設置された箇所は、位置情報・堤防高情報により、はん濫予測が可能であるが、水位計が設置されていない場所は監視ができず、地形状況が変化する場合に堤防決壊の発生を予測できないという問題があった。

本願は、上記のような課題を解決するための技術を開示するものであり、河川流域のはん濫が発生する地点およびその被害範囲を的確に予測する河川はん濫および被害予測装置を提供することを目的とする。

本願に開示される河川はん濫および被害予測装置は、河川の堤防の標高データを含む河川流域の測量データを座標変換して、３Ｄ点群データを作成する３Ｄ点群データ生成部、河川の水位データおよび河川周辺の雨量データに基づき、河川を縦断する位置毎の水位および当該水位に達する時刻を予測する水位予測処理部、３Ｄ点群データおよび予測された河川を縦断する位置毎の水位および当該水位に達する時刻に基づき、はん濫発生地点および当該はん濫発生時刻を予測するとともに、別途作成されたハザードマップデータベースを参照して、予測されたはん濫発生地点から広がるはん濫の被害範囲および当該被害範囲に広がる時刻を予測する被害予測処理部を備えたものである。

本願に開示される河川はん濫および被害予測装置によれば、河川流域のはん濫が発生する地点およびその被害範囲を的確に予測することができる。

実施の形態１による河川はん濫および被害予測装置の概略構成を示すブロック図である。実施の形態１による河川はん濫および被害予測装置の動作フローを示す図である。実施の形態２による河川はん濫および被害予測装置の概略構成を示すブロック図である。実施の形態２による河川はん濫および被害予測装置の動作フローを示す図である。実施の形態３による河川はん濫および被害予測装置の概略構成を示すブロック図である。実施の形態３による河川はん濫および被害予測装置の動作フローを示す図である。実施の形態４による河川はん濫および被害予測装置の概略構成を示すブロック図である。実施の形態４による河川はん濫および被害予測装置の動作フローを示す図である。実施の形態５による河川はん濫および被害予測装置の概略構成を示すブロック図である。実施の形態５による河川はん濫および被害予測装置の動作フローを示す図である。実施の形態１～実施の形態５による河川はん濫および被害予測装置のハードウェア構成を示す図である。

実施の形態１．
図１は、実施の形態１による河川はん濫および被害予測装置の概略構成を示すブロック図である。
図１において、河川はん濫および被害予測装置１は、次のように構成されている。
３Ｄ（ｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌ）点群データ生成部１１は、航空測量データ、レーザー測量データなどの測量データ２より座標変換を行い、河川流域全体の３Ｄ点群データを作成し、３Ｄ点群データＤＢ（ｄａｔａｂａｓｅ）１２に登録する。
水位予測演算処理部１３（水位予測処理部）は、水位・雨量データ３を入力し、水位予測演算により河川縦断の位置毎の水位と、この水位に達する時刻情報を演算する。ここで、水位・雨量データ３は、テレメータデータからの水位・雨量データおよび気象庁からの予測雨量データを含むものとする。

被害予測演算処理部１４（被害予測処理部）は、３Ｄ点群データと、水位予測演算処理部１３により予測された予測水位とにより、はん濫発生地点およびはん濫発生時刻を予測するとともに、別途作成されたハザードマップＤＢ４を用いて、予測されたはん濫発生地点およびはん濫発生時刻に基づき、はん濫発生地点から広がるはん濫の被害範囲およびこの被害範囲に広がる時刻を予測する。

次に、動作について説明する。
実施の形態１は、河川堤防の標高データを３Ｄ点群データより高精度に把握し、テレメータデータ等により収集された水位・雨量データ３、および水位予測演算処理部１３の水位予測演算により、河川上流から下流までの縦断予測水位を予測演算する。
この予測結果を用いて、被害予測演算処理部１４が、河川はん濫の発生する地点およびその発生時刻を予測し、さらに、ハザードマップＤＢ４を用いて、はん濫発生地点から広がる被害範囲およびこの被害範囲に広がる時刻を予測するようにした。

次に、図２を用いて、河川はん濫および被害予測装置の処理の流れについて説明する。
まず、３Ｄ点群データ生成部１１にて、測量データ２より座標変換を行い、河川流域全体の３Ｄ点群データを作成し、３Ｄ点群データＤＢ１２に登録する（ステップＳ０１）。

次に、水位予測演算処理部１３にて、水位・雨量データ３を用いて、河川縦断水位予測演算により、河川縦断の位置毎の水位と、その水位に達する時刻情報を予測演算する（ステップＳ０２）。

次いで、被害予測演算処理部１４にて、３Ｄ点群データと、ステップＳ０２で予測された水位により、はん濫発生地点およびはん濫発生時刻を予測する（ステップＳ０３）。
さらに、被害予測演算処理部１４にて、ハザードマップＤＢ４、およびステップＳ０３で予測された、はん濫発生地点およびはん濫発生時刻に基づき、はん濫発生地点から広がる被害範囲およびその被害範囲に広がる時刻を予測する（ステップＳ０４）。

実施の形態１によれば、３Ｄ点群データによる地形状況を詳細に把握することで、はん濫発生個所の詳細な位置情報およびはん濫発生時刻を予想することができる。
また、はん濫が発生した場合の被害範囲も合わせて予測することで、周辺住民への避難警報を、事前に発報可能とし、防災・減災に寄与することができる。

実施の形態２．
図３は、実施の形態２による河川はん濫および被害予測装置の概略構成を示すブロック図である。
図３において、符号１～４、１１～１４は図１におけるものと同一のものである。図３では、河川はん濫および被害予測装置１に、河川カメラ映像取得部１５を設けている。河川カメラ映像取得部１５は、カメラにより現在の河川の映像を取得する。

次に、動作について説明する。
実施の形態１では、河川流域全体の３Ｄ点群データを作成し、河川縦断の位置毎の水位およびその水位に達する時刻を予測演算後に、３Ｄ点群データと予測水位により、はん濫発生地点およびはん濫発生時刻を予測し、さらにハザードマップＤＢ４を用いて、はん濫発生地点から広がる被害範囲およびその被害範囲に広がる時刻を予測する場合について述べた。
実施の形態２は、図３に示すように、カメラにより現在の河川の映像を取得する河川カメラ映像取得部１５を設け、この河川カメラ映像取得部１５により取得されたカメラ映像における現在の水位状況を、被害予測に利用するようにした。

次に、図４を用いて、実施の形態２の動作フローについて説明する。
ステップＳ０１～ステップＳ０３の処理は、図２におけるものと同一の処理である。
被害予測演算処理部１４にて、ハザードマップＤＢ４を用いて、ステップＳ０３で予測した、はん濫発生地点およびはん濫発生時刻に基づき、はん濫発生地点から広がる被害範囲およびその被害範囲に広がる時刻を予測する処理において、河川カメラ映像５における現在の河川の水位状況を利用して、予測するようにした（ステップＳ０５）。

実施の形態２によれば、ハザードマップＤＢ４を用いた、はん濫発生地点から広がる被害範囲およびその被害範囲に広がる時刻を予測する精度を向上させることができる。

実施の形態３．
図５は、実施の形態３による河川はん濫および被害予測装置の概略構成を示すブロック図である。
図５において、符号１～４、１１～１５は図３におけるものと同一のものである。図５では、河川はん濫および被害予測装置１にカメラ映像記録部１６を設けている。カメラ映像記録部１６は、河川カメラ映像取得部１５により取得された河川のカメラ映像を記録する。

次に、動作について説明する。
実施の形態２では、河川カメラにより現在の河川の映像を取得し、このカメラ映像から現在の水位状況を加味して、被害範囲を予測するようにした。
実施の形態３は、図５に示すように、カメラ映像記録部１６を設け、河川カメラ映像取得部１５により取得されたカメラ映像を記録して、過去に発生した被害あるいは被害予測に関連して、その時の河川カメラ映像を画面で表示し、視覚的に過去の被害状況を分析、把握するようにした。

図６を用いて、実施の形態３の動作フローについて説明する。
ステップＳ０１～ステップＳ０３の処理は、図２におけるものと同一の処理である。
被害予測演算処理部１４にて、ハザードマップＤＢ４を用いて、ステップＳ０３で予測した、はん濫発生地点およびはん濫発生時刻に基づき、はん濫発生地点から広がる被害範囲およびその被害範囲に広がる時刻を予測する処理において、過去の記録カメラ映像６を画面に表示することで、視覚的に過去の被害状況を分析、把握するようにした（ステップＳ０６）。

実施の形態３によれば、過去に発生した被害あるいは被害予測に関連して、その時の河川カメラ映像を画面に表示し、視覚的に過去の被害状況を分析、把握することができる。

実施の形態４．
図７は、実施の形態４による河川はん濫および被害予測装置の概略構成を示すブロック図である。
図７において、符号１～４、１１～１６は図５におけるものと同一のものである。図７では、河川はん濫および被害予測装置１にドローン映像取得部１７を設けている。ドローン映像取得部１７により取得されたドローン映像を画面に表示して、被害予測演算処理部１４による予測に利用し、かつカメラ映像記録部１６に記録する。

次に、動作について説明する。
実施の形態３では、カメラ映像記録部１６を設け、取得したカメラ映像を記録することで、過去に発生した被害あるいは被害予測に関連して、その時の河川カメラ映像を画面で表示し、視覚的に過去の被害状況を分析、把握する場合について述べた。
実施の形態４は、図７に示すように、ドローンを使用して上空から河川の被害状況を撮影し、ハザードマップＤＢ４を用いて、予測されたはん濫発生地点およびはん濫発生時刻から広がる被害範囲およびその被害範囲に広がる時刻を予測した結果に対して、上空からの立体的な映像を加味することができるようにした。

次に、図８を用いて、実施の形態４の動作フローについて説明する。
ステップＳ０１～ステップＳ０３の処理は、図２におけるものと同一の処理である。
被害予測演算処理部１４にて、ハザードマップＤＢ４を用いて、ステップＳ０３で予測した、はん濫発生地点およびはん濫発生時刻に基づき、はん濫発生地点から広がる被害範囲およびその被害範囲に広がる時刻を予測する処理において、ドローン映像７における上空の立体的な映像を画面に表示するようにした（ステップＳ０７）。
また、過去に発生した被害あるいは被害予測に関連して、その時の河川の上空からのカメラ映像を画面で表示することができ、視覚的に過去の被害状況を分析、把握できるようにした。

実施の形態４によれば、被害範囲およびその被害範囲に広がる時刻の予測結果に、上空からの立体的な映像を加味することで、予測精度を向上させ、視覚的に把握することができる。
さらに、カメラ映像記録部１６にて、カメラ映像を記録することで、過去に発生した被害あるいは被害予測に関連して、その時の河川の上空からのカメラ映像を画面に表示することができ、視覚的に過去の被害状況を分析、把握することできる。

実施の形態５．
図９は、実施の形態５による河川はん濫および被害予測装置の概略構成を示すブロック図である。
図９において、符号１～４、１１～１７は図７におけるものと同一のものである。図９では、河川はん濫および被害予測装置１に学習部１８を設け、過去の映像からはん濫した河川の水位を学習させるようにした。学習部１８は、ＡＩ（ａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅ）またはニューラルネットワークを用いている。

次に、動作について説明する。
実施の形態４では、ドローンを使用して上空から河川の被害状況を撮影し、ハザードマップＤＢ４を用いて、予測されたはん濫発生地点から広がる被害範囲およびその被害範囲に広がる時刻を予測した結果に関連して、上空からの立体的な映像を加味することで、予測精度を向上させる場合について述べた。
実施の形態５は、図９に示すように、取得した過去の映像から、はん濫した河川の水位を学習部１８により学習させるようにした。
これにより、被害予測演算処理部１４による被害予測の精度をさらに向上させることができるようになる。

次に、図１０を用いて、実施の形態５の動作フローについて説明する。
ステップＳ０１～ステップＳ０３の処理は、図２におけるものと同一の処理である。
被害予測演算処理部１４にて、ハザードマップＤＢ４を用いて、ステップＳ０３で予測した、はん濫発生地点およびはん濫発生時刻に基づき、はん濫発生地点から広がる被害範囲およびその被害範囲に広がる時刻を予測する処理において、過去の映像から、学習部１８による、はん濫した河川の水位の学習結果８を利用するようにした（ステップＳ０８）。

実施の形態５によれば、取得した過去の映像から、はん濫した河川の水位を学習部１８により学習させることで、さらに予測の精度を向上させることができる。

なお、河川はん濫および被害予測装置１は、ハードウェアの一例を図１１に示すように、プロセッサ１００と記憶装置１０１から構成される。記憶装置は図示していないが、ランダムアクセスメモリ等の揮発性記憶装置と、フラッシュメモリ等の不揮発性の補助記憶装置とを具備する。また、フラッシュメモリの代わりにハードディスクの補助記憶装置を具備してもよい。プロセッサ１００は、記憶装置１０１から入力されたプログラムを実行する。この場合、補助記憶装置から揮発性記憶装置を介してプロセッサ１００にプログラムが入力される。また、プロセッサ１００は、演算結果等のデータを記憶装置１０１の揮発性記憶装置に出力してもよいし、揮発性記憶装置を介して補助記憶装置にデータを保存してもよい。

本開示は、様々な例示的な実施の形態及び実施例が記載されているが、１つ、または複数の実施の形態に記載された様々な特徴、態様、及び機能は特定の実施の形態の適用に限られるのではなく、単独で、または様々な組み合わせで実施の形態に適用可能である。
従って、例示されていない無数の変形例が、本願明細書に開示される技術の範囲内において想定される。例えば、少なくとも１つの構成要素を変形する場合、追加する場合または省略する場合、さらには、少なくとも１つの構成要素を抽出し、他の実施の形態の構成要素と組み合わせる場合が含まれるものとする。

１河川はん濫および被害予測装置、２測量データ、３水位・雨量データ、
４ハザードマップＤＢ、５河川カメラ映像、６記録カメラ映像、
７ドローン映像、８学習結果、１１３Ｄ点群データ生成部、
１２３Ｄ点群データＤＢ、１３水位予測演算処理部、１４被害予測演算処理部、
１５河川カメラ映像取得部、１６カメラ映像記録部、１７ドローン映像取得部、
１８学習部、１００プロセッサ、１０１記憶装置

Claims

河川の堤防の標高データを含む上記河川流域の測量データを座標変換して、３Ｄ点群データを作成する３Ｄ点群データ生成部、
上記河川の水位データおよび上記河川周辺の雨量データに基づき、上記河川を縦断する位置毎の水位および当該水位に達する時刻を予測する水位予測処理部、
上記３Ｄ点群データおよび上記予測された上記河川を縦断する位置毎の水位および当該水位に達する時刻に基づき、はん濫発生地点および当該はん濫発生時刻を予測するとともに、別途作成されたハザードマップデータベースを参照して、上記予測された上記はん濫発生地点から広がる上記はん濫の被害範囲および当該被害範囲に広がる時刻を予測する被害予測処理部を備えたことを特徴とする河川はん濫および被害予測装置。
ドローンにより上空から撮影された上記河川のドローン映像を取得するドローン映像取得部を備え、
上記被害予測処理部により予測された上記被害範囲に関連する上記ドローン映像を画面に表示することを特徴とする請求項１に記載の河川はん濫および被害予測装置。
上記ドローン映像取得部により取得されたドローン映像を記録するカメラ映像記録部を備え、
上記被害予測処理部により予測された上記被害範囲に関連する過去の上記ドローン映像を、画面に表示することを特徴とする請求項２に記載の河川はん濫および被害予測装置。
上記カメラ映像記録部に記録された過去のドローン映像に基づき、はん濫した河川の水位を学習する学習部を備え、
上記学習部による学習結果を上記被害予測処理部による上記被害範囲の予測に利用することを特徴とする請求項３に記載の河川はん濫および被害予測装置。