JPWO2006120724A1 - ニューラルネットワークを用いた地理情報システム - Google Patents
ニューラルネットワークを用いた地理情報システム Download PDFInfo
- Publication number
- JPWO2006120724A1 JPWO2006120724A1 JP2007526717A JP2007526717A JPWO2006120724A1 JP WO2006120724 A1 JPWO2006120724 A1 JP WO2006120724A1 JP 2007526717 A JP2007526717 A JP 2007526717A JP 2007526717 A JP2007526717 A JP 2007526717A JP WO2006120724 A1 JPWO2006120724 A1 JP WO2006120724A1
- Authority
- JP
- Japan
- Prior art keywords
- data
- neural network
- input
- teacher
- information system
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Description
人工衛星の観測データを用いた海表面温度(SST:Sea Surface Tempature) 推定が行われている。SSTを推定する手法として、さまざまな方法が提案されている。SSTにおいて、主に熱赤外放射計が扱われてきた。これは観測波長帯において、大気の影響が小さいためである。
熱赤外放射で扱われる放射伝達方程式より、熱赤外波長域に感度を持つi波長帯での観測輝度Ii は以下の式(1)で表される。
熱赤外放射計によるSST推定以外に、Split-Window法(以下、単にSW法とする)と呼ばれる手法がある。これは大気の影響が異なる観測波長帯ごとの観測データと、観測波長帯ごとのパラメータからなる回帰式を利用する重回帰解析である。これは、ある海域についてパラメータを逆問題的に求めてしまえば、後は容易にSST推定が行える。
観測した周波数帯の数をnとして、i波長帯(i≦n)の輝度温度をBi(T)、それに対応するパラメータをCiとすれば、求める地球表面温度Toは次の回帰式(2)の通りになる。
しかしながら、地球表面の7割を占める海面について、最適なパラメータを求めるには、データ量と計算量があまりにも膨大になるという課題を有する。また、計算を回避して、安易な手段として特定海域で求めたパラメータを他の海域に用いることもできるが、無視できない程の誤差が生じるという課題を有する。
また、本発明はSST推定の実施に限らず、SST推定のための空間データ以外の空間データを用いた他の推定を広範囲に実施することができることも目的としている。
ニューラルネットワーク(NN)の中でもバックプロパゲーション(BP)が回帰式の対応に適している。NNは、くり返しデータを与えることで、経験的に誤差の少ない解を得るように学習する。SW法では海面での実測値と衛星データからパラメータを求める。BPでは、海面での実測値を教師データとして、衛星データからの推定値と比較し内部のパラメータを自動的に修正することができる。NNの導入により精度向上と、自動化が計られる。
さらにGISにより、パラメータの最適化が可能になる。SSTは極局所的に推定され、気候、経度、緯度に依存する。逆に言えば、気候、緯度、経度といった地理情報が一致するならば、一括にパラメータを取り扱うことができる。適切なパラメータを利用することで、他の海域のSST推定の向上を計ることができる。そのために、それら、地理情報の統合的な検索、管理に適したデータベースの作成が求められる。
本発明を用いることで、GISによるパラメータ検索によるSST情報を利用して、SST推定シミュレーション行うシステムを提供できる。また、本発明を用いることで、地理情報システムを用いてニューラルネットワークを構築し、地理的情報を有する画像情報を入力とした場合の解析方法及びパラメータの推定をニューラルネットワークによって行い、地理的条件による解析パラメータの最適化を容易に行うことができる。
本発明に係るニューラルネットワークを用いた地理情報システムは、位置に関する情報を持ったデータである空間データを記録する記録部と、当該記録部の空間データを分析する分析手段とを備え、分析手段において、入力層に教師セットの入力データを読み込み、前向き演算させ、演算結果の出力層の出力データと教師セットの教師データとにより後ろ向き演算して学習させることで位置毎に構築されるニューラルネットワークの入力層に、入力データを読み込み、読み込んだ入力データの推定結果を求めるものである。このように本発明においては、地理情報システムにおいて、教師セットを与え学習させてニューラルネットワークを構築した後に、入力データを入力して推定しているので、地理情報システムにおいては大量の空間データから使用者が推定式のアルゴリズムを適用することなく、教師セットを入力し学習させることで以後の推定を行うことができ、容易に分析結果を得ることができる。特に、入力データが地理情報システムの記録部に記録され、出力データを同記録部に記録することで、ニューラルネットワークと地理情報システムとを有機的に一体化したシステムを構築し、迅速な分析を可能としてる。
従来のように、非線形の式を用いたり、回帰式を用いてSSTを求めると、アルゴリズムが複雑になり、計算量も多くなる。従来と比べ、本発明は平易なアルゴリズムとなって推定結果を迅速に得ることができる。
本発明に係るニューラルネットワークを用いた地理情報システムは必要に応じて、時空間検索を行う時空間検索手段を備え、ある位置のある時期の推定を、昨年以前の同一位置の同一時期の重みを用いて推定するものである。このように本発明においては、時空間検索手段で指定された位置と同一位置の同一時期の重みが存在しないか否かを検索し、合致する重みがある場合にかかる重みを用いることで、学習することなく推定を実行することができる。重みは、結合荷重、荷重と呼ばれることもある。ここでは、昨年以前とは、昨年より前ということであり、昨年を含む意味で用いている。
本発明に係るニューラルネットワークを用いた地理情報システムは必要に応じて、使用者が指定する検出条件に合致した領域を類似領域として検出する類似領域検出手段を備え、前記記録部に検出条件の対象とするデータを空間データとして記録し、類似領域の一部が既に学習済みとなっている場合に、学習済みで既に構築されているニューラルネットワークを用いて類似領域内の他の部分に対して推定するものである。このように本発明においては、類似領域検出手段が検出条件に合致する類似領域を検出するので、既に類似領域の一部が学習済みである場合には、ほかの類似領域では学習をすることなく、推定することができる。また、類似領域において学習済みでない場合であっても、類似領域の一部分に関して学習するだけで、類似領域の推定を効率的に行うことができる。また、重みの初期値としては、所定の初期値を与えるのがニューラルネットワークおいては一般的な方法であるが、類似領域においてそのまま既存のニューラルネットワークの重みを使用するのではなく、重みの初期値として既存のニューラルネットワークの重みを使用することもでき、教師セットによる重みの収束を迅速に行うことができると共に、そのまま既存のニューラルネットワークの重みを使用した推論と比べ、精度の高い推論を行うことができる。
本発明に係るニューラルネットワークを用いた地理情報システムは必要に応じて、前記類似領域を検出するための検出条件を調整することができるものである。このように本発明においては、類似領域検出のための検出条件を調整することができるので、使用者が自由に類似領域と精度を調整することができる。すなわち、精度を要しなければ検出条件を緩くし類似領域を拡大し、精度を要する場合には検出条件を厳しくし類似領域が縮小する。例えば、「陸から50[km]ないし70[km]離れた領域であって、黒潮又は対馬海流であって、緯度が20ないし50であって、経度が120ないし150である」という検出条件があった場合に、数値条件の値を変更したり、数値条件以外の場合には条件自体を無くしたりして調整することができる。調整を容易にするために、使用者に対して表示部に検出結果の類似領域を提示すると共に、前に検出した類似領域との比較を容易にするためにレイヤ表示を行うようにすることが好ましい。
本発明に係るニューラルネットワークを用いた地理情報システムは、求めた各類似領域から少なくとも1つのサンプルポイントを検出し、サンプルポイントに対する教師セットの入力を受け、入力された教師セットの入力データに対して既に構築されているニューラルネットワークを用いて推論を行い、出力データと教師セットの教師データを比較し、その誤差が閾値内であるか否かにより類似領域とみなすか否かを決定するものである。このように本発明においては、使用者が設定した検出条件に基づいて類似領域を検出するだけでなく、類似領域として検出された領域に対してサンプルポイントを検出し、かかるサンプルポイントに対する教師セットを使用者に要求し、使用者が要求に応えて入力された教師セットの入力データに対して既存のニューラルネットワークを用いて推論し、出力データと教師データを比較し、誤差が閾値内であれば類似領域としてみなすので、類似領域として適格性を確認しており、誤った類似領域に対する推論を未然に防ぐことができる。
本発明に係るニューラルネットワークを用いた地理情報システムは、人工衛星によるリモートセンシングにより得られる位置と対応付いた遠赤外線画像を空間データとして記録する記憶部と、当該記憶部の空間データを分析する分析手段とを備え、分析手段において、入力層にある位置の遠赤外線画像を与え、前向き演算させ、演算結果の出力層の海表面温度と教師データとなる海表面温度とにより後ろ向き演算して学習させることで位置毎に構築されるニューラルネットワークの入力層に、遠赤外線画像を入力し、入力した遠赤外線画像の海表面温度を求めるものである。このように本発明においては、地理情報システムにおいて、遠赤外線画像を空間データとして記録部に記録し、分析手段において教師セットを用いて学習し、遠赤外線画像を入力することで、学習済みで構築されたニューラルネットワークを用いて適切な推定を実施して入力された遠赤外線画像に対応する海表面温度を求めることができる。
本発明に係るニューラルネットワークを用いた地理情報システムは必要に応じて、入力される遠赤外線画像が周波数帯域の異なる同一位置の2つの遠赤外線画像であり、教師データが遠赤外線画像と同一位置の海表面温度の実測データ又は衛星観測データであるものである。このように本発明においては、同一位置の周波数帯域の異なる遠赤外線画像を用いて海表面温度を求めているので、より精度高く求めることができる。
本発明に係るニューラルネットワークを用いた地理情報システムは必要に応じて、使用者が指定した位置と検出条件が合致する位置があった場合に、既に学習済みの位置のニューラルネットワークの推定を利用して海表面温度を求めるものである。このように本発明においては、使用者が海表面温度を求める場合に位置を指定したとき、該当する位置と検出条件が合致する他の位置で学習済みでニューラルネットワークが構築されている場合に、指定した位置に対して直接学習を行うことなく、検出条件が合致する他の位置のニューラルネットワークを用いて海表面温度を推定しているので、必要のない学習を行うことなく、迅速に海表面温度を推定することができる。
本発明に係るニューラルネットワークを用いた地理情報システムに適用する方法は、位置に関する情報を持ったデータである空間データを記録する記録部の空間データを分析する地理情報システムに適用する方法であって、入力層に教師セットの入力データを読み込み、前向き演算させる工程と、当該前向き演算させる工程の演算結果である出力層の出力データと教師セットの教師データとにより後ろ向き演算して学習する工程と、当該学習する工程後入力層に入力データを読み込み、推定結果を求める工程とを含むものである。
本発明に係るニューラルネットワークを用いた地理情報プログラムは、プロセッサが、位置に関する情報を持ったデータである空間データを記録する記録部の空間データを分析する地理情報プログラムであって、プロセッサが、入力層に教師セットの入力データを読み込み、前向き演算させる手順と、プロセッサが、当該前向き演算させる手順の演算結果である出力層の出力データと教師セットの教師データとにより後ろ向き演算して学習する手順と、プロセッサが、当該学習する手順後入力層に入力データを読み込み、推定結果を求める手順とを実行するものである。
20 制御部
21 表示手段
22 検索手段
23 解析手段
30 表示部
40 入力部
各実施形態では、主にシステムについて説明するが、所謂当業者であれば明らかな通り、本発明はコンピュータで使用可能なプログラム及び方法としても実施できる。また、本発明は、ハードウェア、ソフトウェア、または、ソフトウェア及びハードウェアの実施形態で実施可能である。プログラムは、ハードディスク、CD−ROM、DVD−ROM、光記憶装置または磁気記憶装置等の任意のコンピュータ可読媒体に記録できる。さらに、プログラムはネットワークを介した他のコンピュータに記録することができる。
本発明の第1の実施形態に係る地理情報システムについて、図に基づき説明する。
前記図1において本実施形態に係る地理情報システムは、人工衛星によるリモートセンシングにより得られる位置と対応付いた遠赤外線画像を空間データとして記録するデータベース10と、このデータベース10中の空間データを分析する分析手段23と、空間データを検索する検索手段22とを備え、分析手段23において、入力層にある位置の遠赤外線画像を与え、前向き演算させ、演算結果の出力層の海表面温度と教師データとなる海表面温度とにより後ろ向き演算して学習させることで位置毎に構築されるニューラルネットワークの入力層に、遠赤外線画像を入力し、入力した遠赤外線画像の海表面温度を求める構成である。
NOAAに搭載された光学センサはAVHRR(改良型高解像度放射計)である。その性能は、分解能1.1km、観測幅2800km、画素数2048pixel/line、濃度階調10bit、である。各チャンネルの観測波長帯と主な観測対象は次の表1のとおり。NOAA12とNOAA14ではチャンネル3Aを持たず、NOAA15、NOAA16、NOAA17はチャンネル3Aと3Bを昼夜で切替えて使用している。
以下、まず、ニューラルネットワークについて、続けてGISについてそれぞれ項目毎に順次説明する。
ニューラルネットワーク(NN)とは生物が持つ神経細胞をモデルに作られたものである。ニューロンと他のニューロンの結合部をシナプスと呼ぶ。それぞれのニューロンがシナプスで連結し、シナプスの結合荷重を更新することで各ニューロンが学習していく。
評価関数をあたえれば、NNが自動的に適当な出力を行うように学習するのが特徴である。
一般に知られる解法をプログラミングされたシステムとは違い、経験的に解法を習得する。
入力xiと各シナプスの結合荷重wiの積の総和をネット値(式3)と呼ぶ。
ネット値と閾値θからなる非線型な関数f(net)によりニューロンの出力yが決定される。
関数f(net)には様々なものがあるが、ほとんどが飽和特性を持ち、出力yの値が一定の範囲に収まるようになっている。
後述のバックプロパゲーション(BP)では連続的に変化する微分可能な応答関数が必要である。よって、連続単調増加形をしたシグモイド関数が用いられる。シグモイド関数として、具体的にはロジェスティック関数(式4)が使われる。
式6、8を一般化デルタ則と呼ぶ。
<構造による分類>ニューロンが各層ごとに含まれ、各層ごとに処理を行っていくNNを階層型ニューラルネットワークと呼ぶ。各層にわかれることなくニューロンが絡み合うように結合しているNNを相互結合型ニューラルネットワークと呼ぶ。
<入力信号の流れ>データを前向きにのみ流れるNNをフィードフォワード型ニューラルネットワークと呼ぶ。さらに後向きにデータが流れるNNをフィードバック型ニューラルネットワークと呼ぶ。
次に、パーセプトロンについて説明する。最初に開発されたニューラルネットワーク。教師信号あり、階層型、フィードフォワード処理を行う。図5のように、入力層、複数の中間層(隠れ層)、出力層によって、構成される。入力データは各層のニューロンを伝播して最終的に出力が決定される。教師信号があれば、出力とを比較して、出力層のニューロンがシナプスの結合荷重を更新する。シナプスの学習は教師信号に直接触れる出力層のニューロンのみであり、中間層では学習が行われない。そのため、学習を繰り返しても非線型問題を解くことはできない。
次に、入力ベクトルに対応した教師信号が出力層に与えられる。そして、誤差逆伝播による重みの学習が行われる。
出力層のニューロン数をKとし、あるニューロンkにおいて出力okと教師信号tkとする。出力層の出力と教師信号と誤差和を下記式と定義する。
GISは、主題図と呼ばれる特定のテーマに基づく地図を使い、各地のデータを整理し、複数の主題図からある現象について定量的な情報を取り出すものである(図8及び図9参照)。
国土交通省国土地理院では、「地理情報システム(GIS:Geographic Information System)は地理的値位置を手がかりに、位置に関する情報を持ったデータ(空間データ)を総合的に管理し、加工し、視覚的に表示し、高度な分析や迅速な判断を可能にする技術である。」と定義されている。それぞれの主題図を統合的に管理し解析するため、地理に関するさまざまな情報を格納するデータベースを構築する必要がある。
海面温度推定図の場合、各地域ごとの水温分布のみを扱う主題図、人工衛星からのリモートセンシングデータは遠赤外線画像を扱う主題図となる。
次に、データベースについて説明する。系統的に整理、蓄積されたデータを一元管理し、プログラムから呼出して利用できるようにしたものである。他のデータベースとリンクさせ複合的な解析および処理を可能にする。
地物に関する情報をデジタル化したものを、空間データと呼ぶ。全ての空間データは、空間的な位置に関する情報をなんらかの形で持つ。
空間データにおいて、空間的な位置と形状を表す情報を、図形データと呼ぶ。
また、図形データの他に、その地物に関連した様々な情報を、属性データと呼ぶ。
属性データは文字や数値形式のデータばかりでなく、写真や動画なども含めることができる。
GISではIDを介して、属性データを参照し、集計し、様々な解析を行う。今回、主題図をGISで扱う際には、空間上法において一致する緯度経度を重ねて扱う。
本実施形態では、各海域ごとのパラメータを格納する。
定義済み処理学習(ステップ200)は、まず、学習セットの観測データを読み込み(以降、図11参照。ステップ201)、学習データを読み込む(ステップ202)。読み込まれた観測データと入力層と中間層の重みとを積演算する(ステップ203)。積演算の結果を引数として、シグモイド関数の演算を実施する(ステップ204)。かかる演算結果と中間層と出力層の重みとを積演算する(ステップ205)。積演算の結果を引数として、シグモイド関数の演算を実施する(ステップ206)。演算結果(出力層の出力値)、中間層の出力値、教師データを引数にして、中間層と出力層との荷重の変化量を演算する(ステップ207)。続けて、出力層の出力値、中間層と出力層の重み、中間層の出力値、教師データを引数にして、入力層と中間層との荷重の変化量を演算する(ステップ208)。このステップ207及びステップ208より、新たな中間層と出力層との重み、入力層と中間層との重みを求め反映することができる。教師セットが最後か否かを判断し(ステップ209)、最後と判断した場合には定義済み処理学習を終了する。ステップ209で最後でないと判断した場合にはステップ201に移行する。
定義済み処理推定(ステップ300)は、ステップ201ないしステップ206を経ることで実施される。
本実施形態においては、推定で用いられる観測データ及び学習で用いられる教師セットは、数値データの集合であってもよいし、画像データであってもよい。画像データである場合には、所定の変換式で数値データに変換し、推定及び学習で用いられる。
本実施形態においては、リモートセンシングにおけるSSTの推定に関してニューラルネットワーク地理情報システムを適用したが、本発明はこの推定に限らず、他のリモートセンシングにも適用できるし、リモートセンシング以外の解析に用いることもできる。たとえば、植生、大気中の化学物質含有率等に適用することができる。ただし、推定するための入力データと、推定結果との間に何らかしらの関係がないといけない。たとえば、SSTと人口密度にはまったく関係がないため本発明を適用することができない。関係があるか否かは、経験則に発見できる場合もあるし、分析により何らかの関係を見い出す場合もある。一般的に関係が強い場合には中間層は1層でもよく、関係が希薄である場合には中間層を複数要する。
本実施形態においては、動作説明部分では、入力層のノードが2、中間層のノードが2、出力層のノードが1であったが、推定の方式によりノード数の変化する。例えば、入力層のノードが1、中間層のノードが1、出力層のノードが1の場合もある。
また、中間層は1層に限らず、多層構造であってもよい。精度の要する推定になればなるほど、中間層の数が一般的に増える傾向にある。
本実施形態においては、地理情報システムのレイヤと、ニューラルネットワークの層とを同一なものとして捉えることもでき、中間層の出力値を破棄することなく、地理情報システムの図形データ又は属性データとしてデータベース10に記録することもできる。また、重みの集合をレイヤとして取り扱うこともできる。重みの変化自体を解析対象とすることができる。
本実施形態においては、推定結果は数値演算後の数値データのみに言及しているが、使用者がより視覚的に比較・評価することができるように、数値データを可視化して表示部30に表示することもできる。
本発明の第2の実施形態に係る地理情報システムについて説明する。本実施形態に係る地理情報システムは、前記第1の実施形態と同様に構成され、同じニューラルネットワークの重みを用いて推定が可能な領域である類似領域を検出する類似領域検出手段を備える構成である。
SSTに関しては、陸から所定の距離にある領域、同じ海区では同様の推定方法でSSTを求めることが可能であることを経験的に発見している。したがって、陸からの距離、同じ海区であるか否かを検索することができれば、類似領域を検出することは可能であり、類似領域検出手段はかかる検索を行って類似領域の検出を実施している。ここで、陸からの距離、同じ海区であるか否かを判断するに必要なデータは、予めデータベース10に記録しておく必要がある。地理情報システム上のデータベースにこのデータを格納しておくことで、類似領域検出を迅速に行うことができる。
類似領域検出手段の検出条件を緩くすれば誤差が大きくなり精度が低くなり、検出条件を厳しくすれば誤差が小さくなり精度が高くなる。すなわち、検出条件と精度との間にはトレードオフの関係が成立している。
なお、本実施形態では、同じ海区であるか否かを検出条件としているため、日本国内でのみの使用に制限されるが、陸からの距離が同じで、類似する海流であることを検出条件とすれば全世界に類似領域検出を拡大することができる。
[SST以外への適用]
また、本実施形態では、SSTについて限定して説明しているが、類似領域はSSTに限ったことではなく、検出するための空間データがデータベース10に記録されており、検出条件が確立されていれば、類似領域を検出することは容易に行うことができる。
また、本実施形態では、既に学習済みの領域に関して類似領域検出を実施するとの説明を行ったが、学習済みでない領域に関しても類似領域検出を実施することもできる。かかる場合には、類似領域の総面積が大きいところから順に、学習を行っていくことで効率良く推定システムを構築することができる。
また、本実施形態では、類似領域を類似領域検出手段にて検出しているが、学習していないある位置又は領域を指定した場合に、かかる位置又は領域と既に学習済みの位置又は領域とが検出条件が合致するか否かを判断することもでき、使用者が必要としている位置又は領域のみに対して既に学習済みの位置又は領域の重みを適用することができ、余分な学習をすることなく、所望の位置又は領域の推定を実施することができる。
また、本実施形態では、類似領域検出をCPU使用率の低い場合にバックグランドで実施することもできる。類似領域検出の対象領域が広い場合には検出のための処理量が過大となるため、バックグラウンドで適宜行うことで円滑に類似領域を検出可能としている。一般的に、地理情報システムの動作は高負荷であるため、CPU使用率の低い場合に、類似領域検出を行うことが好ましい。
[時系列の変化が等価である場合の検出]
また、本実施形態では、検出条件として具体的にSST場合について述べたが、時系列で同じ変化をしている領域同士は類似領域としてみなすこともできる場合が多い。SSTの場合であっても、入力データとなる観測データ又は教師データが時間経過に伴う変化が同じである場合には、類似領域として検出することが可能となる。
使用者が空間データ中の設定可能な条件から検出条件を設定するとしたが、どのような属性データ又は地図データに対してどのような設定を行うことができるかは、データベース10にどのようなデータが記録されているかを知る必要があり、熟練者でなければ設定が困難である。そこで、使用者が指定した位置又は領域に関してデータベース10中にどのようなデータが記録されているかを選択可能に提示し、選択されたものに対しては条件を入力又は選択できる構成にする。例えば、データの属性を示し、それぞれの属性名の横位置にチェックボックスを配置し、チェックボックスを有効にすることで、テキストボックス又はプルダウンメニューが現れるウィンドウの構成とすることができる(他の対話部品(Dialog Parts)を使用しても良い。)。そうすると、本システムを利用し始めた初心者の使用者や分析対象とする位置又は領域にどのようなデータがデータベース10内に記録されているかを知らない使用者であっても、検出条件を容易に設定することができ、類似領域検出を円滑に行うことができる。
使用者が検出条件を設定する場合には使用者の優れた見識が必要となる場合が多い。したがって、使用者が設定した検出条件が適切で、類似領域として正しいのか否かを確認する術が必要となる。この確認方法としては、類似領域が複数の閉じた領域である場合には、各類似領域上のある位置の教師セットを使用者に求め、入力された教師セットの入力データで推論し、出力データと教師セットの教師データの差が所定の閾値内であれば類似領域としてみなすようにすることができる。逆に、閾値外であれば類似領域としてみなさず、使用者に現在の検出条件が適切でないことを報知する。類似領域が大きな一つの閉じた領域である場合には、例えば、類似領域を碁盤目をあて格子点又は格子中央をサンプルポイントとして求め、かかるサンプルポイントの教師セットを使用者に求め、入力された教師セットに基づき前記と同様に確認することができる。このような少ないサンプルポイントで確認し、類似領域であるか否かを判断することで、適切な類似領域を検出することができる。
海面温度推定に最適な海面温度推定式の係数は海域、季節により異なり、すべての海域、季節に適合する海面温度推定式による高精度な推定は不可能である。一方、地理情報システムは、複数の位置情報に関連付けられた地形図、主題図等との重ね合わせ表示が可能であり、かつ、空間検索、定量解析、シミュレーションが可能であると云う特徴を有する。特に、地理情報システムの、各層間を重み係数にて結合することにより、これを階層型ニューラルネットワークとして捉えることができる。これをニューラルネットワーク地理情報システム(NN ーGIS)と呼ぶ。このことから、地理情報システムの入力層にAVHRRのバンド4、5等の海面温度推定に必要な入力を設定し、また、出力層に正解値としてのトルースデータ(各海域にて得られたブイデータ等)を設定することにより、各海域に最適な重み係数が求められ、これを用いてその周辺海域のすべてのデータに対する海面温度推定を行うことができるようになる。また、海面温度の時間変化が急峻な沿岸海域では時間帯毎の、また、外洋の海面温度のように時間変化が緩やかな場合は、季節毎の推定式を求めておけば、時空間適応型の海面温度推定式を自動生成することができる。具体的な使用方法は、次の通りである。
NN ーGIS の入力層にAVHRRデータを設定し、表示する。当該海域にて得られているトルースデータを出力層に設定する。上述のデータによりNNーGISの重み係数を学習させる。トルースデータのある位置を含む周辺海域の海面温度推定を推定する。海域を変え、また、取得AVHRRの時間帯、季節を変え、上述の手順を繰り返す。これにより、すべての時間、海域に最適な海面温度推定ができるようになる。
NN-GISの機能を確認するため、2002年5月20日17時11分のデータと、2004年11月30日16時45分のデータを使用した。なお、実際には、メイン部分以外のモジュールを地理情報システムのメイン又はモジュールが呼び出す構成となる。
2002 年5 月20 日のデータと出力結果は図13ないし図15のようになる。5 月20 日のデータはチャンネル4(図13)とチャンネ5(図14)の画像、そして、正解値とするMCSST(図15)のそれぞれ小倉沖の(289,126)から16*16の画素を取り出して、以下の教師セット(表2)に基づいて計算する。その出力の二乗誤差は(図16)で示される。
また、それぞれ宮崎沖の(375,325) から16*16 の画素を取り出して、次の教師セット(表5)に基づいて計算する。その出力の二乗誤差は図17で示される。
一方、まず、2004 年11 月30 日のデータと出力結果は図18ないし図20のようになる。チャンネル4(図18) とチャンネ5(図19)の画像、そして、MCSST(図20)のそれぞれ小倉沖の(235,173)から16*16の画素を取り出して、(表4)の教師セットを基に計算し、出力の二乗誤差は(図21) で示される。
図21では、しばらく誤差は小さく、急激に0.1 まで上昇した後、最大で0.015 まで緩やかに上昇する。以降は400000 回までに滑らかに減少し、十分収束する。
また、それぞれ宮崎沖の(335,380) から16*16 の画素を取り出して、表5の教師セットを計算し、出力の二乗誤差は図22で示される。
図22では、最大誤差0.47以降急速に収束する。しかし、このデータの場合、十分な収束には、もっとも時間がかかる。
前章の実験結果から、各海域及び各時期によって取り出される教師セットや誤差の収束の変移が異なることが示される。また、いずれの実験結果も、学習の繰り返しにより、二乗誤差は十分に減少する。よって、NN-GIS により、各海域及び各時期において最適なSST推定式が自動的かつ容易に求められることがわかる。
学習における教師データは、漁船に衛星データ受信装置を設置することにより、現場で測定することが可能である。取得した教師データと衛星観測データによって、当該海域及び当該時期に最適な推定式を容易に得られる。
各海域ごとの気候条件、地理条件といった地理情報を入力データに加え、類似する海域ごとにニューラルネットワークの学習データを効率的に利用することができる。観測データの不足する海域においても、他の海域の観測データを利用して推定値のシミュレーションが可能になる。
図23ないし図29に本実施例で用いたプログラムリストを示す。
Claims (10)
- 位置に関する情報を持ったデータである空間データを記録する記録部と、当該記録部の空間データを分析する分析手段とを備え、
分析手段において、入力層に教師セットの入力データを読み込み、前向き演算させ、演算結果の出力層の出力データと教師セットの教師データとにより後ろ向き演算して学習させることで位置毎に構築されるニューラルネットワークの入力層に、入力データを読み込み、読み込んだ入力データの推定結果を求めるニューラルネットワークを用いた地理情報システム。 - 時空間検索を行う時空間検索手段を備え、
ある位置のある時期の推定を、昨年以前の同一位置の同一時期の重みを用いて推定する
前記請求項1に記載のニューラルネットワークを用いた地理情報システム。 - 使用者が指定する検出条件に合致した領域を類似領域として検出する類似領域検出手段を備え、前記記録部に検出条件の対象とするデータを空間データとして記録し、
類似領域の一部が既に学習済みとなっている場合に、学習済みで既に構築されているニューラルネットワークを用いて類似領域内の他の部分に対して推定する
前記請求項1に記載のニューラルネットワークを用いた地理情報システム。 - 前記類似領域を検出するための検出条件を調整することができる
前記請求項3に記載のニューラルネットワークを用いた地理情報システム。 - 求めた各類似領域から少なくとも1つのサンプルポイントを検出し、サンプルポイントに対する教師セットの入力を受け、入力された教師セットの入力データに対して既に構築されているニューラルネットワークを用いて推論を行い、出力データと教師セットの教師データを比較し、その誤差が閾値内であるか否かにより類似領域とみなすか否かを決定する
前記請求項3に記載のニューラルネットワークを用いた地理情報システム。 - 人工衛星によるリモートセンシングにより得られる位置と対応付いた遠赤外線画像を空間データとして記録する記憶部と、当該記憶部の空間データを分析する分析手段とを備え、
分析手段において、入力層にある位置の遠赤外線画像を与え、前向き演算させ、演算結果の出力層の海表面温度と教師データとなる海表面温度とにより後ろ向き演算して学習させることで位置毎に構築されるニューラルネットワークの入力層に、遠赤外線画像を入力し、入力した遠赤外線画像の海表面温度を求めるニューラルネットワークを用いた地理情報システム。 - 入力される遠赤外線画像が周波数帯域の異なる同一位置の2つの遠赤外線画像であり、教師データが遠赤外線画像と同一位置の海表面温度の実測データ又は衛星観測データである
前記請求項6に記載のニューラルネットワークを用いた地理情報システム。 - 使用者が指定した位置と検出条件が合致する位置があった場合に、既に学習済みの位置のニューラルネットワークの推定を利用して海表面温度を求める
前記請求項6に記載のニューラルネットワークを用いた地理情報システム。 - 位置に関する情報を持ったデータである空間データを記録する記録部の空間データを分析する地理情報システムに適用する方法であって、
入力層に教師セットの入力データを読み込み、前向き演算させる工程と、当該前向き演算させる工程の演算結果である出力層の出力データと教師セットの教師データとにより後ろ向き演算して学習する工程と、当該学習する工程後入力層に入力データを読み込み、推定結果を求める工程とを含む方法。 - プロセッサが、位置に関する情報を持ったデータである空間データを記録する記録部の空間データを分析する地理情報プログラムであって、
プロセッサが、入力層に教師セットの入力データを読み込み、前向き演算させる手順と、プロセッサが、当該前向き演算させる手順の演算結果である出力層の出力データと教師セットの教師データとにより後ろ向き演算して学習する手順と、プロセッサが、当該学習する手順後入力層に入力データを読み込み、推定結果を求める手順とを実行する地理情報プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2005/008310 WO2006120724A1 (ja) | 2005-05-02 | 2005-05-02 | ニューラルネットワークを用いた地理情報システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2006120724A1 true JPWO2006120724A1 (ja) | 2008-12-18 |
JP4719893B2 JP4719893B2 (ja) | 2011-07-06 |
Family
ID=37396248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007526717A Active JP4719893B2 (ja) | 2005-05-02 | 2005-05-02 | 制御装置、制御方法、及びそのプログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP4719893B2 (ja) |
WO (1) | WO2006120724A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11238282B2 (en) | 2019-06-07 | 2022-02-01 | Pictometry International Corp. | Systems and methods for automated detection of changes in extent of structures using imagery |
US11694354B2 (en) | 2019-10-18 | 2023-07-04 | Pictometry International Corp. | Geospatial object geometry extraction from imagery |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102661811B (zh) * | 2012-04-13 | 2013-11-20 | 北京农业信息技术研究中心 | 遥感地表温度升尺度方法及系统 |
CN102955878B (zh) * | 2012-09-05 | 2015-07-29 | 环境保护部卫星环境应用中心 | 基于meris全分辨率影像数据的内陆水体光学分类方法 |
CA3020282A1 (en) * | 2016-06-27 | 2018-01-04 | Omniearth, Inc. | Systems and methods for utilizing property features from images |
CN107179145B (zh) * | 2017-07-01 | 2019-12-13 | 淮阴师范学院 | 海洋表面温度漂流浮标点观测空间代表性评价算法 |
US10943149B2 (en) | 2017-08-31 | 2021-03-09 | Omniearth, Inc. | Systems and methods for automatic estimation of object characteristics from digital images |
US11074479B2 (en) | 2019-03-28 | 2021-07-27 | International Business Machines Corporation | Learning of detection model using loss function |
CA3149080A1 (en) | 2019-09-20 | 2021-03-25 | Shadrian Strong | Roof condition assessment using machine learning |
US11527024B2 (en) | 2019-09-25 | 2022-12-13 | Pictometry International Corp. | Systems and methods for creating automated faux-manual markings on digital images imitating manual inspection results |
WO2021181585A1 (ja) * | 2020-03-11 | 2021-09-16 | 株式会社Synspective | 解析装置、解析方法及び解析プログラム |
CN113642764B (zh) * | 2021-06-30 | 2023-08-29 | 重庆大学 | 一种村镇聚落空间演化模拟预测方法及计算机设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002048878A (ja) * | 2000-08-02 | 2002-02-15 | Nagoya Electric Works Co Ltd | 路面温度または路面状態の予測方法およびその装置 |
JP2002312760A (ja) * | 2001-04-09 | 2002-10-25 | Earth Weather:Kk | 水温図作成方法とシステム |
-
2005
- 2005-05-02 JP JP2007526717A patent/JP4719893B2/ja active Active
- 2005-05-02 WO PCT/JP2005/008310 patent/WO2006120724A1/ja active Application Filing
Non-Patent Citations (1)
Title |
---|
JPN6010048222, GANAPATHY,V., "MTD method for better prediction of sea surface temprature", International Journal of REMOTE SENSING, 20020920, Vol.23,No.18, p.3725−3743, US, Remote Sensing and Photogrammetry Society * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11238282B2 (en) | 2019-06-07 | 2022-02-01 | Pictometry International Corp. | Systems and methods for automated detection of changes in extent of structures using imagery |
US11694354B2 (en) | 2019-10-18 | 2023-07-04 | Pictometry International Corp. | Geospatial object geometry extraction from imagery |
Also Published As
Publication number | Publication date |
---|---|
WO2006120724A1 (ja) | 2006-11-16 |
JP4719893B2 (ja) | 2011-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4719893B2 (ja) | 制御装置、制御方法、及びそのプログラム | |
CN112561146B (zh) | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 | |
Bihlo | A generative adversarial network approach to (ensemble) weather prediction | |
Atkinson | Issues of uncertainty in super-resolution mapping and their implications for the design of an inter-comparison study | |
Cammalleri et al. | A data fusion approach for mapping daily evapotranspiration at field scale | |
Kanungo et al. | Combining neural network with fuzzy, certainty factor and likelihood ratio concepts for spatial prediction of landslides | |
Ramirez et al. | Artificial neural network technique for rainfall forecasting applied to the Sao Paulo region | |
Eskelson et al. | The roles of nearest neighbor methods in imputing missing data in forest inventory and monitoring databases | |
Tang et al. | Spatio‐temporal urban landscape change analysis using the Markov chain model and a modified genetic algorithm | |
Singh et al. | Assessing the performance and uncertainty analysis of the SWAT and RBNN models for simulation of sediment yield in the Nagwa watershed, India | |
Thies et al. | Projecting land-use and land-cover changes in a tropical mountain forest of Southern Ecuador | |
Liu et al. | Evaluating uncertainties in multi-layer soil moisture estimation with support vector machines and ensemble Kalman filtering | |
Gebreslasie et al. | Extracting structural attributes from IKONOS imagery for Eucalyptus plantation forests in KwaZulu-Natal, South Africa, using image texture analysis and artificial neural networks | |
Monteleoni et al. | Climate informatics | |
Harvey et al. | Quantifying marine mammal hotspots in British Columbia, Canada | |
Wang et al. | Forest above ground biomass estimation from remotely sensed imagery in the mount tai area using the RBF ANN algorithm | |
Li et al. | Assimilating process context information of cellular automata into change detection for monitoring land use changes | |
Wen et al. | Applying an artificial neural network to simulate and predict Chinese fir (Cunninghamia lanceolata) plantation carbon flux in subtropical China | |
Budamala et al. | Enhance the prediction of complex hydrological models by pseudo-simulators | |
Tiancheng et al. | Application of improved naive bayesian-CNN classification algorithm in sandstorm prediction in inner mongolia | |
Khan et al. | County-level corn yield prediction using supervised machine learning | |
Lee et al. | Estimation of maximum daily fresh snow accumulation using an artificial neural network model | |
Cruz-Cardenas et al. | Evaluation of four digital classifiers for automated cartography of local soil classes based on reflectance and elevation in Mexico | |
CN117131991A (zh) | 基于混合神经网络的城市降雨量预测方法及平台 | |
Maleki et al. | Wetland restoration prioritization using artificial neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100831 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20101029 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20101214 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110210 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20110308 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |