JP7235111B2 - データ解析装置、データ解析方法、及びプログラム - Google Patents
データ解析装置、データ解析方法、及びプログラム Download PDFInfo
- Publication number
- JP7235111B2 JP7235111B2 JP2021528631A JP2021528631A JP7235111B2 JP 7235111 B2 JP7235111 B2 JP 7235111B2 JP 2021528631 A JP2021528631 A JP 2021528631A JP 2021528631 A JP2021528631 A JP 2021528631A JP 7235111 B2 JP7235111 B2 JP 7235111B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- group
- analysis device
- classification model
- specific region
- 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
- 238000007405 data analysis Methods 0.000 title claims description 106
- 238000000034 method Methods 0.000 title claims description 57
- 238000013145 classification model Methods 0.000 claims description 106
- 238000009826 distribution Methods 0.000 claims description 43
- 238000010801 machine learning Methods 0.000 claims description 27
- 230000004044 response Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 22
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 18
- 229910052802 copper Inorganic materials 0.000 description 18
- 239000010949 copper Substances 0.000 description 18
- 238000003860 storage Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 6
- 241000132092 Aster Species 0.000 description 5
- 229910052500 inorganic mineral Inorganic materials 0.000 description 5
- 239000011707 mineral Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 239000002028 Biomass Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 240000006829 Ficus sundaica Species 0.000 description 2
- 241000519995 Stachys sylvatica Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させる、整列部と、
前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成する、分類モデル作成部と、
前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、回帰モデル作成部と、
を備えている、ことを特徴とする。
(a)特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させる、ステップと、
(b)前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成する、ステップと、
(c)前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、ステップと、
を有する、ことを特徴とする。
コンピュータに、
(a)特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させる、ステップと、
(b)前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成する、ステップと、
(c)前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、ステップと、
を実行させることを特徴とする。
以下、本発明の実施の形態1における、データ解析装置、データ解析方法、及びプログラムについて、図1~図5を参照しながら説明する。
最初に、本実施の形態1におけるデータ解析装置の構成について説明する。図1は、本発明の実施の形態1におけるデータ解析装置の構成を概略的に示すブロック図である。
図1に示す本実施の形態1におけるデータ解析装置10は、特定領域の特性を示すデータを解析するための装置である。図1に示すように、データ解析装置10は、整列部11と、分類モデル作成部12と、回帰モデル作成部13とを備えている。
次に、図4及び図5を用いて、本発明の実施の形態1におけるデータ解析装置10の動作について説明する。また、後述するように、本実施の形態1において、データ解析装置10は、キャリブレーション動作と推定動作とを行う。また、以下の説明においては、適宜図1~図3を参照する。また、本実施の形態1では、データ解析装置10を動作させることによって、データ解析方法が実施される。従って、本実施の形態におけるデータ解析方法の説明は、以下のデータ解析装置10の動作説明に代える。
以上のように、本実施の形態1では、地球科学データをグルーピングする分類モデルと、グループ毎に衛星データとの関係を規定する回帰モデルとが作成される。このため、本実施の形態1によれば、特異的な分布を持つ地球科学データであっても、衛星データから高精度に推定することが可能となる。
本実施の形態1におけるプログラムは、コンピュータに、図4に示すステップA1~A7、及び図5に示すステップB1~B7を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態1におけるデータ解析装置10とデータ解析方法とを実現することができる。この場合、コンピュータのプロセッサは、整列部11、分類モデル作成部12、回帰モデル作成部13、データ推定部14及び表示部18として機能し、処理を行なう。
次に、本発明の実施の形態2における、データ解析装置、データ解析方法、及びプログラムについて説明する。
以上のように、本実施の形態2では、組データをグルーピングするための閾値が精度良く自動的に設定される。よって、本実施の形態2によれば、精度の高い分類モデルが作成されるので、推定精度の向上が図られる。
本実施の形態2におけるプログラムは、コンピュータに、図6に示すステップC1~C10、図4に示すステップA3~A7、及び図5に示すステップB1~B7を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態2におけるデータ解析装置10とデータ解析方法とを実現することができる。この場合、コンピュータのプロセッサは、整列部11、分類モデル作成部12、回帰モデル作成部13、データ推定部14、及び表示部18として機能し、処理を行なう。
次に、本発明の実施の形態3における、データ解析装置、データ解析方法、及びプログラムについて説明する。
以上のように、本実施の形態3でも、実施の形態2と同様に、組データをグルーピングするための閾値が精度良く自動的に設定される。よって、本実施の形態3による場合も、精度の高い分類モデルが作成されるので、推定精度の向上が図られる。
本実施の形態3におけるプログラムは、コンピュータに、図10に示すステップD1~D8、図4に示すステップA3~A7、及び図5に示すステップB1~B7を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態3におけるデータ解析装置とデータ解析方法とを実現することができる。この場合、コンピュータのプロセッサは、整列部11、分類モデル作成部12、回帰モデル作成部13、データ推定部14、及び表示部18として機能し、処理を行なう。
ここで、実施の形態1~3におけるプログラムを実行することによって、データ解析装置を実現するコンピュータについて図12を用いて説明する。図12は、本発明の実施の形態1~3におけるデータ解析装置を実現するコンピュータの一例を示すブロック図である。
特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させる、整列部と、
前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成する、分類モデル作成部と、
前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、回帰モデル作成部と、
を備えている、ことを特徴とするデータ解析装置。
付記1に記載のデータ解析装置であって、
前記特定領域以外の領域における前記第2のデータを、前記分類モデル及び前記回帰モデルに適用して、前記特定領域以外の領域における前記第1のデータを推定する、データ推定部を、更に備えている、
ことを特徴とするデータ解析装置。
付記1または2に記載のデータ解析装置であって、
前記分類モデル作成部が、整列後の前記第1のデータの順序分布に基づき、前記第1のデータの一部に対して線形回帰を実行して、近似直線を算出し、更に、算出した近似直線を用いて、前記グルーピングのための閾値を設定し、そして、設定した前記閾値を用いて前記グルーピングを行う、
ことを特徴とするデータ解析装置。
付記3に記載のデータ解析装置であって、
前記分類モデル作成部が、
複数の前記閾値を設定し、複数の前記閾値それぞれ毎に、前記グルーピングを行って、前記分類モデルを作成し、更に、
前記回帰モデル作成部に、複数の前記閾値それぞれ毎に、前記グルーピングで得られたグループそれぞれについての前記回帰モデルを作成させ、続いて、
前記データ推定部に、複数の前記閾値それぞれ毎に、作成された前記分類モデル及び前記回帰モデルに、前記第2のデータのサンプルデータを適用して、前記特定領域以外の領域における前記第1のデータの推定を行わせ、
その後、複数の前記閾値それぞれ毎に、前記第1のデータの推定の結果から、作成された前記回帰モデルの性能を評価する評価指標を求め、求めた前記閾値毎の前記評価指標を用いて、前記閾値の最適値を決定する、
ことを特徴とするデータ解析装置。
付記2に記載のデータ解析装置であって、
前記特定領域における第1のデータと、推定された前記特定領域以外の領域における前記第1のデータとを、画面上に重ねて表示する、表示部を、更に備えている、
ことを特徴とするデータ解析装置。
付記1~5のいずれかに記載のデータ解析装置であって、
前記整列部が、前記第1のデータとして、前記特定領域の特性を示す地球科学データを取得し、前記第2のデータとして、前記特定領域の別の特性を示す衛星データを取得する、
ことを特徴とするデータ解析装置。
付記6に記載のデータ解析装置であって、
前記地球科学データが、前記特定領域における特定の物質の存在を示すデータであり、
前記衛星データが、前記特定領域における特定波長の光の反射率の分布を示すデータである、
ことを特徴とするデータ解析装置。
(a)特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させる、ステップと、
(b)前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成する、ステップと、
(c)前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、ステップと、
を有する、ことを特徴とするデータ解析方法。
付記8に記載のデータ解析方法であって、
(d)前記特定領域以外の領域における前記第2のデータを、前記分類モデル及び前記回帰モデルに適用して、前記特定領域以外の領域における前記第1のデータを推定する、ステップを、更に有する、
ことを特徴とするデータ解析方法。
付記8または9に記載のデータ解析方法であって、
前記(b)のステップにおいて、整列後の前記第1のデータの順序分布に基づき、前記第1のデータの一部に対して線形回帰を実行して、近似直線を算出し、更に、算出した近似直線を用いて、前記グルーピングのための閾値を設定し、そして、設定した前記閾値を用いて前記グルーピングを行う、
ことを特徴とするデータ解析方法。
付記10に記載のデータ解析方法であって、
前記(b)のステップにおいて、
複数の前記閾値を設定し、複数の前記閾値それぞれ毎に、前記グルーピングを行って、前記分類モデルを作成し、
複数の前記閾値それぞれ毎に、前記グルーピングで得られたグループそれぞれについての前記回帰モデルを作成し、
複数の前記閾値それぞれ毎に、作成された前記分類モデル及び前記回帰モデルに、前記第2のデータのサンプルデータを適用して、前記特定領域以外の領域における前記第1のデータの推定を行い、
その後、複数の前記閾値それぞれ毎に、前記第1のデータの推定の結果から、作成された前記回帰モデルの性能を評価する評価指標を求め、求めた前記閾値毎の前記評価指標を用いて、前記閾値の最適値を決定する、
ことを特徴とするデータ解析方法。
付記9に記載のデータ解析方法であって、
(e)前記特定領域における第1のデータと、推定された前記特定領域以外の領域における前記第1のデータとを、画面上に重ねて表示する、ステップを、更に有する、
ことを特徴とするデータ解析方法。
付記8~12のいずれかに記載のデータ解析方法であって、
前記(a)のステップにおいて、前記第1のデータとして、前記特定領域の特性を示す地球科学データを取得し、前記第2のデータとして、前記特定領域の別の特性を示す衛星データを取得する、
ことを特徴とするデータ解析方法。
付記13に記載のデータ解析方法であって、
前記地球科学データが、前記特定領域における特定の物質の存在を示すデータであり、
前記衛星データが、前記特定領域における特定波長の光の反射率の分布を示すデータである、
ことを特徴とするデータ解析方法。
コンピュータに、
(a)特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させる、ステップと、
(b)前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成する、ステップと、
(c)前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、ステップと、
を実行させる、プログラム。
付記15に記載のプログラムであって、
前記コンピュータに、
(d)前記特定領域以外の領域における前記第2のデータを、前記分類モデル及び前記回帰モデルに適用して、前記特定領域以外の領域における前記第1のデータを推定する、ステップを更に実行させる、
ことを特徴とするプログラム。
付記15または16に記載のプログラムであって、
前記(b)のステップにおいて、整列後の前記第1のデータの順序分布に基づき、前記第1のデータの一部に対して線形回帰を実行して、近似直線を算出し、更に、算出した近似直線を用いて、前記グルーピングのための閾値を設定し、そして、設定した前記閾値を用いて前記グルーピングを行う、
ことを特徴とするプログラム。
付記17に記載のプログラムであって、
前記(b)のステップにおいて、
複数の前記閾値を設定し、複数の前記閾値それぞれ毎に、前記グルーピングを行って、前記分類モデルを作成し、
複数の前記閾値それぞれ毎に、前記グルーピングで得られたグループそれぞれについての前記回帰モデルを作成し、
複数の前記閾値それぞれ毎に、作成された前記分類モデル及び前記回帰モデルに、前記第2のデータのサンプルデータを適用して、前記特定領域以外の領域における前記第1のデータの推定を行い、
その後、複数の前記閾値それぞれ毎に、前記第1のデータの推定の結果から、作成された前記回帰モデルの性能を評価する評価指標を求め、求めた前記閾値毎の前記評価指標を用いて、前記閾値の最適値を決定する、
ことを特徴とするプログラム。
付記16に記載のプログラムであって、
前記コンピュータに、
(e)前記特定領域における第1のデータと、推定された前記特定領域以外の領域における前記第1のデータとを、画面上に重ねて表示する、ステップを更に実行させる、
ことを特徴とするプログラム。
付記15~19のいずれかに記載のプログラムであって、
前記(a)のステップにおいて、前記第1のデータとして、前記特定領域の特性を示す地球科学データを取得し、前記第2のデータとして、前記特定領域の別の特性を示す衛星データを取得する、
ことを特徴とするプログラム。
付記20に記載のプログラムであって、
前記地球科学データが、前記特定領域における特定の物質の存在を示すデータであり、
前記衛星データが、前記特定領域における特定波長の光の反射率の分布を示すデータである、
ことを特徴とするプログラム。
11 整列部
12 分類モデル作成部
13 回帰モデル作成部
14 データ推定部
15 記憶部
16 分類モデル
17 回帰モデル
18 表示部
30 データベース
110 コンピュータ
111 CPU
112 メインメモリ
113 記憶装置
114 入力インターフェイス
115 表示コントローラ
116 データリーダ/ライタ
117 通信インターフェイス
118 入力機器
119 ディスプレイ装置
120 記録媒体
121 バス
Claims (9)
- 特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させる、整列手段と、
前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成する、分類モデル作成手段と、
前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、回帰モデル作成手段と、
を備えている、ことを特徴とするデータ解析装置。 - 請求項1に記載のデータ解析装置であって、
前記特定領域以外の領域における前記第2のデータを、前記分類モデル及び前記回帰モデルに適用して、前記特定領域以外の領域における前記第1のデータを推定する、データ推定手段を、更に備えている、
ことを特徴とするデータ解析装置。 - 請求項2に記載のデータ解析装置であって、
前記分類モデル作成手段が、整列後の前記第1のデータの順序分布に基づき、前記第1のデータの一部に対して線形回帰を実行して、近似直線を算出し、更に、算出した近似直線を用いて、前記グルーピングのための閾値を設定し、そして、設定した前記閾値を用いて前記グルーピングを行う、
ことを特徴とするデータ解析装置。 - 請求項3に記載のデータ解析装置であって、
前記分類モデル作成手段が、
複数の前記閾値を設定し、複数の前記閾値それぞれ毎に、前記グルーピングを行って、前記分類モデルを作成し、更に、
前記回帰モデル作成手段に、複数の前記閾値それぞれ毎に、前記グルーピングで得られたグループそれぞれについての前記回帰モデルを作成させ、続いて、
前記データ推定手段に、複数の前記閾値それぞれ毎に、作成された前記分類モデル及び前記回帰モデルに、前記第2のデータのサンプルデータを適用して、前記特定領域以外の領域における前記第1のデータの推定を行わせ、
その後、複数の前記閾値それぞれ毎に、前記第1のデータの推定の結果から、作成された前記回帰モデルの性能を評価する評価指標を求め、求めた前記閾値毎の前記評価指標を用いて、前記閾値の最適値を決定する、
ことを特徴とするデータ解析装置。 - 請求項2に記載のデータ解析装置であって、
前記特定領域における第1のデータと、推定された前記特定領域以外の領域における前記第1のデータとを、画面上に重ねて表示する、表示手段を、更に備えている、
ことを特徴とするデータ解析装置。 - 請求項1~5のいずれかに記載のデータ解析装置であって、
前記整列手段が、前記第1のデータとして、前記特定領域の特性を示す地球科学データを取得し、前記第2のデータとして、前記特定領域の別の特性を示す衛星データを取得する、
ことを特徴とするデータ解析装置。 - 請求項6に記載のデータ解析装置であって、
前記地球科学データが、前記特定領域における特定の物質の存在を示すデータであり、
前記衛星データが、前記特定領域における特定波長の光の反射率の分布を示すデータである、
ことを特徴とするデータ解析装置。 - (a)特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させ、
(b)前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成し、
(c)前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、
ことを特徴とするデータ解析方法。 - コンピュータに、
(a)特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させる、ステップと、
(b)前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成する、ステップと、
(c)前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、ステップと、
を実行させる、プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/024831 WO2020255413A1 (ja) | 2019-06-21 | 2019-06-21 | データ解析装置、データ解析方法、及びコンピュータ読み取り可能な記録媒体 |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2020255413A1 JPWO2020255413A1 (ja) | 2020-12-24 |
JPWO2020255413A5 JPWO2020255413A5 (ja) | 2022-03-15 |
JP7235111B2 true JP7235111B2 (ja) | 2023-03-08 |
Family
ID=74040173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021528631A Active JP7235111B2 (ja) | 2019-06-21 | 2019-06-21 | データ解析装置、データ解析方法、及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220308260A1 (ja) |
JP (1) | JP7235111B2 (ja) |
WO (1) | WO2020255413A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11946921B2 (en) * | 2018-11-09 | 2024-04-02 | Stefan Metzger | Systems and methods for improving the performance of environmental measurements |
CN113378473B (zh) * | 2021-06-23 | 2024-01-12 | 中国地质科学院水文地质环境地质研究所 | 一种基于机器学习模型的地下水砷风险预测方法 |
CN115170694B (zh) * | 2022-06-27 | 2023-06-16 | 西安中科天塔科技股份有限公司 | 一种面源碳通量分布图的生成方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000002769A (ja) | 1998-06-17 | 2000-01-07 | Nippon Koei Co Ltd | 地質構造の空間分布を予測して地質図を作成する方法及び装置 |
WO2012086443A1 (ja) | 2010-12-24 | 2012-06-28 | 日本電気株式会社 | 監視データ分析装置、監視データ分析方法および監視データ分析プログラム |
WO2018216623A1 (ja) | 2017-05-25 | 2018-11-29 | 日本電気株式会社 | 地球科学データ解析装置、地球科学データ解析方法、及びコンピュータ読み取り可能な記録媒体 |
-
2019
- 2019-06-21 US US17/617,993 patent/US20220308260A1/en active Pending
- 2019-06-21 WO PCT/JP2019/024831 patent/WO2020255413A1/ja active Application Filing
- 2019-06-21 JP JP2021528631A patent/JP7235111B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000002769A (ja) | 1998-06-17 | 2000-01-07 | Nippon Koei Co Ltd | 地質構造の空間分布を予測して地質図を作成する方法及び装置 |
WO2012086443A1 (ja) | 2010-12-24 | 2012-06-28 | 日本電気株式会社 | 監視データ分析装置、監視データ分析方法および監視データ分析プログラム |
WO2018216623A1 (ja) | 2017-05-25 | 2018-11-29 | 日本電気株式会社 | 地球科学データ解析装置、地球科学データ解析方法、及びコンピュータ読み取り可能な記録媒体 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2020255413A1 (ja) | 2020-12-24 |
WO2020255413A1 (ja) | 2020-12-24 |
US20220308260A1 (en) | 2022-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10664702B2 (en) | Method and system for crop recognition and boundary delineation | |
Prins et al. | Crop type mapping using LiDAR, Sentinel-2 and aerial imagery with machine learning algorithms | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
Collins et al. | Change detection using the Gramm-Schmidt transformation applied to mapping forest mortality | |
Van Niekerk | A comparison of land unit delineation techniques for land evaluation in the Western Cape, South Africa | |
JP7235111B2 (ja) | データ解析装置、データ解析方法、及びプログラム | |
dos Santos Luciano et al. | Empirical model for forecasting sugarcane yield on a local scale in Brazil using Landsat imagery and random forest algorithm | |
Berendes et al. | Convective cloud identification and classification in daytime satellite imagery using standard deviation limited adaptive clustering | |
Shahi et al. | Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery | |
Savin et al. | Modern trends and problems of soil mapping | |
Peters et al. | Synergy of very high resolution optical and radar data for object-based olive grove mapping | |
Munyati | Optimising multiresolution segmentation: delineating savannah vegetation boundaries in the Kruger National Park, South Africa, using Sentinel 2 MSI imagery | |
Hamedianfar et al. | Large-scale urban mapping using integrated geographic object-based image analysis and artificial bee colony optimization from worldview-3 data | |
Ayanlade | Remote sensing approaches for land use and land surface temperature assessment: a review of methods | |
CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、系统及介质 | |
CN117710833B (zh) | 基于云计算的测绘地理信息数据采集方法及相关装置 | |
Sameh et al. | Automated mapping of urban heat Island to predict land surface temperature and land use/cover change using machine learning algorithms: Mansoura city | |
Putri | Analysis of land cover classification results using ann, svm, and rf methods with r programming language (case research: Surabaya, Indonesia) | |
KR102239393B1 (ko) | 원격탐사 기반 수종 분류 시스템 및 방법 | |
WO2018216623A1 (ja) | 地球科学データ解析装置、地球科学データ解析方法、及びコンピュータ読み取り可能な記録媒体 | |
CN116579521A (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
Álvarez-Martínez et al. | Can training data counteract topographic effects in supervised image classification? A sensitivity analysis in the Cantabrian Mountains (Spain) | |
Osei et al. | Long term monitoring of Ghana’s forest reserves Using Google Earth Engine | |
CN115062815A (zh) | 一种利用热辐射数据测度企业生产经营状况的方法及系统 | |
Xu et al. | A stratified environmental reference system for better understanding of the relationship between remote sensing observations and ground monitoring of karst rocky desertification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211221 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211221 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221115 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230112 |
|
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: 20230124 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230206 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7235111 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |