WO2021199245A1 - 分析装置、分析方法及び記憶媒体 - Google Patents

分析装置、分析方法及び記憶媒体 Download PDF

Info

Publication number
WO2021199245A1
WO2021199245A1 PCT/JP2020/014752 JP2020014752W WO2021199245A1 WO 2021199245 A1 WO2021199245 A1 WO 2021199245A1 JP 2020014752 W JP2020014752 W JP 2020014752W WO 2021199245 A1 WO2021199245 A1 WO 2021199245A1
Authority
WO
WIPO (PCT)
Prior art keywords
geospatial information
displacement
height
value
information
Prior art date
Application number
PCT/JP2020/014752
Other languages
English (en)
French (fr)
Inventor
翔平 大野
孝和 石井
奈緒 赤川
寛道 平田
Original Assignee
日本電気株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to JP2022512969A priority Critical patent/JP7375915B2/ja
Priority to US17/788,007 priority patent/US20230042178A1/en
Priority to PCT/JP2020/014752 priority patent/WO2021199245A1/ja
Publication of WO2021199245A1 publication Critical patent/WO2021199245A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9023—SAR image post-processing techniques combined with interferometric techniques

Definitions

  • the present disclosure relates to a technique for analyzing the displacement of the ground surface height, and more particularly to a technique for analyzing the ground surface height measured by SAR (Synthetic Aperture Radar).
  • SAR Synthetic Aperture Radar
  • Patent Document 1 describes a surface change determination method for determining the presence or absence of surface change based on an interference SAR image using a change determination model generated by machine learning.
  • the purpose of the present disclosure is to provide an analyzer that can determine the factors of fluctuations in the height of the ground surface.
  • the analyzer is based on a plurality of types of geospatial information representing at least one of a state of the ground surface and an underground state of the ground surface, at each of a plurality of points on the ground surface.
  • the combination of the first extraction means for extracting the value of the geospatial information and the geospatial information that the determination model contributes to the displacement of the height is determined based on at least a part of the values of the geospatial information.
  • the analyzer is based on a plurality of types of geospatial information representing at least one of a state of the ground surface and an underground state of the ground surface, at each of a plurality of points on the ground surface. Height displacement at the plurality of points so that the first extraction means for extracting the value of the geospatial information and the determination model predict the displacement of the height based on at least a part of the values of the geospatial information.
  • the analysis method is based on a plurality of types of geospatial information representing at least one of a state of the ground surface and an underground state of the ground surface, at each of a plurality of points on the ground surface.
  • the plurality of geospatial information values are extracted so that the determination model determines the combination of the geospatial information that contributes to the height displacement based on at least a portion of the geospatial information values.
  • the determination model is learned based on the displacement of the height at the point and the extracted value of the geospatial information.
  • the analysis method is based on a plurality of types of geospatial information representing at least one of a state of the ground surface and an underground state of the ground surface, at each of a plurality of points on the ground surface.
  • the determination model is learned based on the value of the geospatial information.
  • the storage medium is based on a plurality of types of geospatial information representing at least one of a state of the ground surface and an underground state of the ground surface, at each of a plurality of points on the ground surface.
  • the combination of the first extraction process for extracting the value of the geospatial information and the geospatial information in which the determination model contributes to the displacement of the height is determined based on at least a part of the values of the geospatial information.
  • a program for causing a computer to execute a learning process for learning the determination model based on the displacement of the height at the plurality of points and the extracted value of the geospatial information is stored.
  • the storage medium is based on a plurality of types of geospatial information representing at least one of a state of the ground surface and an underground state of the ground surface, at each of a plurality of points on the ground surface.
  • the first extraction process for extracting the value of the geospatial information and the displacement of the height at the plurality of points so that the determination model predicts the displacement of the height based on at least a part of the values of the geospatial information.
  • a learning process for learning the determination model based on the extracted values of the geospatial information and a program for causing the computer to execute the learning process are stored.
  • One aspect of the present disclosure is also realized by the program stored in the above-mentioned storage medium.
  • This disclosure has the effect of being able to determine the factors that cause fluctuations in the height of the ground surface.
  • FIG. 1 is a block diagram showing an example of the configuration of the analyzer according to the first and second embodiments of the present disclosure.
  • FIG. 2 is a flowchart showing an example of the operation of the analyzer 10 according to the first embodiment of the present disclosure.
  • FIG. 3 is a block diagram showing a configuration of an analysis system of a modification of the first and second embodiments of the present disclosure.
  • FIG. 4 is a block diagram showing an example of a detailed configuration of a learning device, an analysis device, and a geospatial information storage device included in the analysis system of the modified examples of the first and second embodiments of the present disclosure.
  • FIG. 5 is a flowchart showing an example of the operation of the analyzer according to the first embodiment of the present disclosure.
  • FIG. 6 is a diagram showing an example of the configuration of the analyzer according to the third and fourth embodiments of the present disclosure.
  • FIG. 7 is a flowchart showing an example of the operation of the analyzer according to the third and fourth embodiments of the present disclosure.
  • FIG. 8 is a diagram showing an example of the hardware configuration of the computer according to the embodiment of the present disclosure.
  • FIG. 9 is a diagram showing an example of the type of embankment land.
  • FIG. 10 is a diagram showing an example of surface geology.
  • FIG. 11 is a diagram showing a riverbed.
  • FIG. 1 is a block diagram showing an example of the configuration of the analyzer 10 according to the first embodiment of the present disclosure.
  • the analyzer 10 includes a first receiving unit 111, a first extracting unit 112, a learning unit 113, a second receiving unit 121, a second extracting unit 122, and a determination unit 123. It includes an output unit 124, a model storage unit 125, and a geospatial information storage unit 131.
  • the analyzer 10 may be realized as a combination of two or more devices that are communicably connected to each other.
  • a terminal device for the user to input data to the analysis device 10 may be communicably connected to the analysis device 10 via, for example, a communication network.
  • a communication network for example, a communication network.
  • First receiving unit 111 receives data representing the displacement of the height of the ground surface as learning data.
  • the user may use the terminal device described above to input data representing the displacement of the height of the ground surface to the first receiving unit 111.
  • the first receiving unit 111 receives data representing the displacement of the height of the ground surface from the terminal device.
  • the height displacement represents, for example, the transition of height at the same point (or a point considered to be the same) on the ground surface obtained by observations at multiple time points in the past. Height displacement is sometimes referred to as height variation.
  • the height is, for example, the height at a point on the ground surface obtained by observation using a radar mounted on a flying object such as an artificial satellite or an aircraft as a synthetic aperture radar (SAR). In the following description, such observations will be referred to as observations by Synthetic Aperture Radar (SAR).
  • SAR Synthetic Aperture Radar
  • the transition of the height may be represented by data that can specify, for example, a plurality of values representing the height obtained by observations at a plurality of past time points and the order in which the heights are observed.
  • the data representing the transition of the height may be, for example, data including a plurality of combinations of a value representing the height and data representing the time point at which the height is obtained by observation.
  • the unit of data representing the time point may be appropriately determined.
  • the data representing the time point may represent a date, or may represent a date and a time.
  • the unit of time may also be set as appropriate.
  • the displacement data may include information (eg, latitude and longitude information) representing the position of a point on the ground surface where the displacement of the height represented by the displacement data has been measured.
  • the information representing the position may be other information that can identify the position on the ground surface.
  • the information indicating the position of the point is referred to as the point information.
  • the above-mentioned displacement of the height of the ground surface may represent the displacement of the height at each of a plurality of points on the ground surface.
  • the data representing the displacement of the height of the ground surface is referred to as the ground surface displacement data.
  • the ground surface displacement data may be a combination of displacement data at a plurality of points.
  • the data representing the displacement of the height of the ground surface received by the first receiving unit 111 as learning data is referred to as learning displacement data.
  • the training displacement data is data (aging displacement map) that represents the time-series displacement of the ground surface of the region obtained by analyzing the observation data obtained by observing the same region many times at multiple times. Also written). The transition of displacement in time series is referred to as aged displacement.
  • the first receiving unit 111 sends the received learning displacement data to the first extracting unit 112.
  • the first extraction unit 112 receives the learning displacement data from the first receiving unit 111. For example, the first extraction unit 112 extracts the point information of the point where the transition of the height represented by the displacement data included in the learning displacement data is observed from the learning displacement data. The first extraction unit 112 extracts the value of the geospatial information at the point whose position is represented by the extracted point information from the geospatial information stored in the geospatial information storage unit 131 described later.
  • the geospatial information is, for example, information representing at least one of the state of the ground surface and the underground state of the ground surface.
  • the geospatial information may be at least one of the information obtained from a so-called geographic information system (Geographic Information System).
  • Geographic Information System Geographic Information System
  • the geospatial information may be data obtained by observation from an artificial satellite, an aircraft, or the like.
  • the geospatial information may be data obtained by a field survey.
  • the geospatial information may be information representing the result of analysis based on the data obtained by measurement or survey.
  • the geospatial information may be artificially determined information based on the data obtained by measurement or survey.
  • the geospatial information may be referred to as GIS (Geographic Information System) data.
  • the geospatial information may be acquired from the geospatial information system in advance and stored in the geospatial information storage unit 131.
  • a plurality of types of geospatial information may be stored in the geospatial information storage unit 131.
  • the geospatial information may be represented in a format in which the value of the geospatial information of the point specified by the point information (for example, latitude and longitude) can be specified. Specific examples of geospatial information will be described in detail later.
  • the first extraction unit 112 may extract the value of the predetermined type of geospatial information at the point specified by the point information.
  • the first extraction unit 112 may extract the values of all types of geospatial information stored in the geospatial information storage unit 131 at the points specified by the point information.
  • the first extraction unit 112 does not have to extract the value of the geospatial information.
  • the first extraction unit 112 sets the value of the geospatial information to a value indicating that the value does not exist (for example, 0, etc.). It may be set.
  • the first extraction unit 112 extracts the learning displacement data (in other words, the aged displacement map) and the area where the learning displacement data represents the aged displacement (specifically, a plurality of points in the area).
  • the value of the geospatial information is sent to the learning unit 113.
  • Geospatial Information Storage 131 stores geospatial information.
  • the geospatial information is stored in the geospatial information storage unit 131 in a form capable of identifying the state of the ground surface at a designated point.
  • the geospatial information may be represented by, for example, a value representing a state for each mesh in which the ground surface is divided.
  • the first extraction unit 112 extracts the value of the geospatial information representing the state in the mesh including the position specified by the point information as the value of the geospatial information of the point specified by the point information. do.
  • the size and shape of the mesh may be determined for each type of geospatial information.
  • the geospatial information may be represented in other formats.
  • the geospatial information may be represented, for example, by a boundary line between regions having different states and a value representing a state within the region separated by the boundary line.
  • the first extraction unit 1120 extracts a value representing a state in the area including the position specified by the point information as a value of the geospatial information of the point specified by the point information.
  • the format of the geospatial information may be defined for each type of geospatial information.
  • Specific geospatial information includes, for example, type of embankment site, average slope angle, average precipitation (for example, average annual precipitation), surface geology, steep slope designation, sediment disaster warning area designation, liquefaction risk, etc. It may be whether or not a rainwater infiltration basin is possible, easiness of shaking during an earthquake, lowland where drainage is difficult, land use in urban areas, natural terrain classification, artificial terrain classification, surface geology, riverbed, facility information (presence or absence of construction, etc.).
  • the type of embankment construction site may represent the method of embankment, which is determined by the shape of the ground surface on which the embankment was made.
  • the types of embankment construction sites are, for example, “valley-filled embankment”, which is an embankment in which valleys and swamps are filled with embankment, and "belly-type embankment”, which is an embankment made on slopes.
  • the type of embankment site may further represent the scale of the embankment.
  • the type of embankment satisfying the standard for example, embankment having an area of 3000 square meters or more
  • the type of embankment that does not meet the criteria may be "valley-filled embankment”.
  • the angle of the embankment that meets the standard is 20 degrees or more with respect to the horizontal plane, and the height of the embankment is 5.
  • the type of embankment that is greater than or equal to a meter may be a large-scale embankment.
  • the type of embankment that does not meet the criteria may be "belly-type embankment".
  • the value of the type of embankment construction site may be any one of different numerical values, which are appropriately assigned in advance to, for example, "valley-filled embankment” and "belly-filled embankment”.
  • FIG. 9 is a diagram showing an example of the type of embankment land. The example shown in FIG. 9 shows the distribution of the embankment land on the ground surface for each type of embankment land.
  • the average inclination angle may be, for example, data of the average inclination angle of the ground surface calculated in mesh units.
  • the value of the average inclination angle may be the calculated average inclination angle of the ground surface.
  • the average precipitation may be, for example, data of the average precipitation on the ground surface calculated in mesh units.
  • the average precipitation value may be the calculated average precipitation on the ground surface.
  • the surface geology may be data representing the surface geology (in other words, the type of geology) on the surface of the earth.
  • the type of geology may be predetermined. Different numerical values may be assigned to each type of geology in advance.
  • the value of the surface geology may be any one of the numerical values appropriately assigned to the geology in advance.
  • the steep slope designation may be data indicating whether or not it is designated as a steep slope by, for example, a local government.
  • the value of the steep slope designation may be, for example, a numerical value indicating that the slope is designated as a steep slope, or a numerical value indicating that the slope is not designated as a steep slope. As these numerical values, numerical values different from each other may be appropriately determined in advance.
  • the sediment-related disaster warning area designation may indicate whether or not it has been designated as a sediment-related disaster warning area by, for example, a local government.
  • the value of the sediment-related disaster warning area designation may be, for example, a numerical value indicating that it is designated as a sediment-related disaster warning area, or a numerical value indicating that it is not designated as a sediment-related disaster warning area. As these numerical values, numerical values different from each other may be predetermined.
  • the liquefaction risk may be, for example, data indicating the degree of risk of land liquefaction.
  • the liquefaction risk value may be a numerical value indicating the degree of liquefaction risk of the land.
  • the value of the liquefaction risk may be any one of a plurality of different numerical values representing different degrees. A numerical value indicating the degree of risk may be appropriately determined in advance.
  • Whether or not a rainwater infiltration basin can be installed is information indicating whether or not an infiltration facility can be installed based on the "infiltration facility installation judgment map" that indicates the result of determining whether or not an infiltration facility can be installed based on, for example, topography, soil quality, and groundwater level. It's okay.
  • the value of whether or not the rainwater infiltration basin can be installed may be a numerical value indicating that the installation is possible or a numerical value indicating that the installation is not possible. As these numerical values, numerical values different from each other may be appropriately determined in advance.
  • the easiness of shaking at the time of an earthquake may be, for example, data indicating the degree of easiness of shaking of the ground surface when an earthquake occurs.
  • the value of easiness of shaking at the time of an earthquake may be a numerical value indicating the degree of easiness of shaking of the ground surface in the event of an earthquake.
  • the value of easiness of shaking at the time of an earthquake may be any one of a plurality of numerical values indicating the degree of easiness of shaking of the ground surface in the event of an earthquake.
  • a numerical value indicating the degree of easiness of shaking of the ground surface may be appropriately determined in advance.
  • the difficult-to-drain lowland may represent, for example, whether or not the land is a difficult-to-drain lowland estimated from the altitude of the land or the difference in altitude from the surroundings.
  • the value of the lowland where drainage is difficult may be a numerical value indicating that the lowland is difficult to drain, or a numerical value indicating that the lowland is not difficult to drain. These numerical values may be appropriately determined in advance.
  • Urban land use may be a type of land use in the area designated as a city.
  • the type of land use in urban land use may be read, for example, from satellite images.
  • a land use type selected from a plurality of predetermined types may be set for an area included in an urban area. Different numerical values may be appropriately assigned to each of the plurality of predetermined types.
  • the value of the land use type set for the area may be the numerical value assigned to the type.
  • the natural terrain classification may be, for example, a type of terrain in a place that is not a building built by humans.
  • a plurality of terrain types that can be set as natural terrain classification may be appropriately determined in advance.
  • the terrain type selected from a plurality of terrain types predetermined as the types that can be set as the natural terrain classification may be set.
  • Different numerical values may be assigned to each of the plurality of types.
  • the terrain value in the natural terrain classification set in the area may be a numerical value assigned to the terrain type set in the area.
  • the artificial terrain classification may be, for example, a type of terrain in a place where a human has modified the terrain or a place where a building is built by a human.
  • a plurality of terrain types that can be set as artificial terrain classification may be appropriately determined in advance.
  • the terrain type selected from a plurality of terrain types predetermined as the types that can be set as the artificial terrain classification may be set.
  • Different numerical values may be assigned to each of the plurality of types.
  • the terrain value in the artificial terrain classification set in the area may be a numerical value assigned to the type of terrain set in the area.
  • the surface geology may represent, for example, the type of soil on the surface of the earth.
  • a plurality of soil types may be appropriately determined in advance.
  • different numerical values which are appropriately determined in advance, may be assigned to each of the plurality of soil types.
  • the type of soil based on the results of the survey may be set for the area.
  • the surface geological value of the area may be a numerical value assigned to the type of soil set in the area.
  • FIG. 10 is a diagram showing an example of surface geology.
  • FIG. 10 shows the distribution of geology in the surface layer including the ground surface.
  • the riverbed may be information indicating whether or not the area is a riverbed.
  • a numerical value indicating that it is a riverbed in other words, a numerical value indicating a riverbed
  • another numerical value indicating that it is not a riverbed in other words, a numerical value indicating a non-riverbed
  • a numerical value representing the riverbed may be set in the area that is the riverbed.
  • Numerical values representing non-river beds may be set in areas that are not riverbeds.
  • the value of the riverbed of the area may be a numerical value indicating the riverbed or a numerical value representing a non-riverbed set in the area.
  • FIG. 11 is a diagram showing a riverbed. In FIG. 11, the area determined to be the riverbed and the other areas are drawn.
  • Facility information represents information about the facility.
  • the facility information may represent any of various information about the facility, which is predetermined.
  • the facility information indicates whether or not construction is underway.
  • a numerical value indicating that construction is underway and another numerical value indicating that construction is not underway may be appropriately set in advance.
  • Facility information indicating that construction is underway may be set for the area under construction.
  • Facility information indicating that construction is not underway may be set for an area that is not under construction.
  • a numerical value indicating that the construction is underway may be set.
  • a numerical value indicating that it is not under construction may be set.
  • the learning unit 113 receives the learning displacement data and the extracted geospatial information value of the region where the learning displacement data represents the secular displacement from the first extraction unit 112.
  • the learning unit 113 performs learning using the received displacement data for learning and the value of the geospatial information. In this learning, the learning unit 113 determines a combination of geospatial information that contributes to the displacement of the height at the target point based on at least a part of the values of the geospatial information of the target point. , Learn the judgment model.
  • the determination model of the present embodiment represents, for example, a parameter of a program that receives a value of geospatial information and outputs a combination of geospatial information that contributes to height displacement according to the value of the received geospatial information. It's okay.
  • the determination model is, for example, when the value of the received geospatial information satisfies the condition for at least a part of the values of the geospatial information, the geography that contributes to the displacement of the height according to the condition. It may represent a parameter of a program that outputs a combination of spatial information.
  • the judgment model is a combination of a condition that the received geospatial information value is for at least a part of the geospatial information value and a geospatial information that contributes to the height displacement when the condition is satisfied. Represented by. It should be noted that a plurality of conditions may exist.
  • Each of the plurality of conditions may be a condition for at least a part of geospatial information that is not necessarily the same.
  • a processor and a computer including such a processor) that executes the above-mentioned program using the above-mentioned parameters is also referred to as a determiner below.
  • the learning unit 113 uses heterogeneous mixed learning as the learning algorithm.
  • the learning algorithm is another algorithm that can learn a judgment model that receives the value of the geospatial information and outputs the combination of the geospatial information that contributes to the displacement of the height according to the condition for the value of the geospatial information.
  • multivariate analysis may also be used for multiple regression analysis and the like.
  • Heterogeneous mixture learning is described, for example, in the following references.
  • Heterogeneous mixture learning refers to learning of a heterogeneous mixture prediction model that makes predictions by combining prediction models based on a combination of different explanatory variables.
  • the heterogeneous mixture prediction model is represented by, for example, a plurality of sets of a combination of conditional expressions and a prediction formula when all the conditional expressions included in the combination are satisfied.
  • Each conditional expression is, for example, a conditional expression for the value of any one explanatory variable.
  • the combination of conditional expressions includes one or more conditional expressions.
  • Each prediction formula is represented by a linear form of explanatory variables that are not necessarily the same.
  • the learning unit 113 performs heterogeneous mixed learning so as to predict future height displacement, for example, height displacement after a predetermined period, using, for example, height displacement as an objective variable and geospatial information as an explanatory variable. conduct.
  • the predetermined period may be appropriately set in advance.
  • the learning unit 113 can obtain a plurality of sets of a combination of conditional expressions and a prediction expression when all the conditional expressions included in the combination are satisfied.
  • Each of the conditional expressions represents a condition for a value of one geospatial information that is not necessarily the same.
  • the combination of conditional expressions includes one or more conditional expressions as described above. The combination of these conditional expressions is referred to as a case classification condition.
  • the prediction formula is a formula for predicting the displacement of the height.
  • Each of the prediction formulas is represented by the linear form (linear sum) of one or more explanatory variables.
  • Each of the explanatory variables represents any one geospatial information. It can be said that the geospatial information represented by the explanatory variables included in the prediction formula is the geospatial information that contributes to the displacement of the height.
  • the case classification condition is satisfied means that all the conditional expressions included in the case classification condition are satisfied.
  • the prediction formula for the case classification condition represents the prediction formula when the case classification condition is satisfied.
  • the learning unit 113 determines the geospatial information represented by the explanatory variables included in the prediction formula for the case classification condition as the geospatial information that contributes to the displacement of the height. To generate.
  • the determination model outputs the information of the geospatial information determined as the geospatial information that contributes to the displacement of the height.
  • "generating a judgment model” refers to learning the judgment model and generating data representing the judgment model obtained by the learning.
  • the learning unit 113 stores the obtained determination model (in other words, data representing the obtained determination model) in the model storage unit 125.
  • Second receiving unit 121 receives information (for example, latitude and longitude information) that identifies the position of a point on the ground surface.
  • information for example, latitude and longitude information
  • the user may use the terminal device described above to input information for identifying the position of a point on the ground surface into the second receiving unit 121.
  • the second receiving unit 121 receives information for identifying the position of a point on the ground surface from the terminal device.
  • the point information received by the second receiving unit 121 is referred to as target point information.
  • a point whose position is specified by the target point information is referred to as a target point.
  • the target point information may represent the position of one target point. In that case, the target point information may include, for example, one combination of information representing latitude and information representing longitude.
  • the target point information may represent the positions of a plurality of target points. In that case, the target point information may include, for example, a plurality of combinations of information representing latitude and information representing longitude.
  • the target point information may represent, for example, the positions of a plurality of points (also referred to as grid points) that are regularly arranged in the area.
  • the target point information may include information for specifying the area and information for specifying the target point in the area.
  • the information for specifying the region is, for example, when the shape of the region is rectangular, for example, the latitude and longitude of one vertex and two vectors (first vector) representing the two sides of the rectangle starting from that vertex. It may include a vector and a second vector).
  • the information for identifying the target point in the region may be, for example, an interval in which the target point exists in the direction of the first vector and an interval in which the target point exists in the direction of the second vector.
  • the target point information is not limited to these examples.
  • each part described below may repeat the operation for one target point for the plurality of target points.
  • the second receiving unit 121 sends the received target point information to the second extracting unit 122.
  • Second extraction unit 122 receives the target point information from the second receiving unit 121.
  • the second extraction unit 122 extracts the value of the geospatial information at the target point specified by the received target point information from the geospatial information stored in the geospatial information storage unit 131.
  • the second extraction unit 122 may extract a predetermined value of the geospatial information from all the geospatial information stored in the geospatial information storage unit 131. In this case, for example, the geospatial information that has no relation to the condition for the value of the geospatial information and is confirmed in advance not to contribute to the displacement of the height may be excluded from the target of the value extraction. If there is geospatial information for which a value has not been set at the target point, the second extraction unit 122 may set the value of the geospatial information to a numerical value (for example, 0) indicating that the value does not exist. good.
  • a numerical value for example, 0
  • the second extraction unit 122 sends the received target point information and the extracted value of the geospatial information at the target point to the determination unit 123.
  • the determination unit 123 receives the value of the geospatial information at the target point from the second extraction unit 122.
  • the determination unit 123 may receive the target point information from the second extraction unit 122.
  • the determination unit 123 determines the combination of geospatial information that contributes to the height displacement at the target point according to the determination model stored in the model storage unit 125. Specifically, the determination unit 123 specifies, for example, the condition satisfied by the received value of the geospatial information at the target point among the plurality of conditions included in the determination model. The determination unit 123 determines that the combination of geospatial information that contributes to the height displacement when the specified condition is satisfied is the combination of the geospatial information that contributes to the height displacement at the target point. The combination of geospatial information that contributes to the displacement of the height at the target point can be regarded as the cause of the fluctuation in height. The number of types of geospatial information included in the combination of geospatial information may be one. The number of types of geospatial information included in the combination of geospatial information may be two or more.
  • the determination unit 123 sends the determined information of the combination of geospatial information that contributes to the displacement of the height at the target point to the output unit 124.
  • Output unit 124 receives from the determination unit 123 information on a combination of geospatial information that contributes to the displacement of the height at the target point.
  • the output unit 124 outputs the received information of the combination of geospatial information that contributes to the displacement of the height at the target point.
  • the output unit 124 may display, for example, a combination of geospatial information that contributes to the displacement of the height at the target point on a display or the like.
  • the output unit 124 may send a combination of geospatial information that contributes to the displacement of the height at the target point to another information processing device, the terminal device described above, or the like.
  • FIG. 2 is a flowchart showing an example of the operation of the analyzer 10 of the present embodiment.
  • the first receiving unit 111 receives the displacement and the position of the height at a plurality of points on the ground surface (step S101). Specifically, the first receiving unit 111 receives information on displacement of height at a plurality of points on the ground surface and point information representing the positions of the plurality of points as learning displacement data. As mentioned above, the height displacement is, for example, the height displacement obtained by observation by SAR. The first receiving unit 111 sends the received height displacements and positions at a plurality of points on the ground surface to the first extracting unit 112.
  • the first extraction unit 112 extracts the value of the geospatial information at a plurality of points (step S102). That is, the first extraction unit 112 stores the value of the geospatial information at the position indicated by the point information of each of the plurality of points received by the first receiving unit 111 in the geospatial information storage unit 131. Extract from spatial information. The first extraction unit 112 obtains the data received as the displacement data for learning (that is, the displacement of the height at a plurality of points on the ground surface and the point information of the plurality of points) and the value of the extracted geospatial information. , Is sent to the learning unit 113.
  • the displacement data for learning that is, the displacement of the height at a plurality of points on the ground surface and the point information of the plurality of points
  • the learning unit 113 learns the determination model (step S103). Specifically, the learning unit 113 receives the displacement of the height at a plurality of points on the ground surface, the point information of the plurality of points, and the value of the extracted geospatial information from the first extraction unit 112. .. The learning unit 113 learns the above-mentioned determination model by using the displacement of the height and the value of the geospatial information at each of the plurality of points. The learning unit 113 stores the determination model obtained as a result of learning in the model storage unit 125.
  • the analyzer 10 may perform the above operations from step S101 to step S103 in advance. It is not necessary to perform the operation of step S104 following step S103.
  • step S104 the second receiving unit 121 receives the position of the target point (that is, the target point information).
  • the second receiving unit 121 sends the received target point information to the second extracting unit 122.
  • the second extraction unit 122 extracts the value of the geospatial information at the target point (step S105).
  • the second extraction unit 122 may extract the value of the geospatial information at the position specified by the received target point information.
  • the determination unit 123 determines the combination of geospatial information that contributes to the displacement of the height at the target point by the determination model (step S106).
  • the output unit 124 outputs the obtained combination of geospatial information (step S107).
  • the analyzer 10 may perform the operations from step S104 to step S107 for each of the plurality of target points, for example.
  • step S104 the analyzer 104 may collectively receive the displacements and positions of the heights of the plurality of target points. Then, the analyzer 104 may perform the operations of step S105 and step S106 for each of the plurality of target points.
  • step S107 the analyzer 104 may collectively output a combination of geospatial information of a plurality of target points.
  • This embodiment has the effect of being able to determine the factors that cause fluctuations in the height of the ground surface.
  • the reason is that the learning unit 113 contributes to the displacement of the height at the position of the target point as a factor of the fluctuation of the height based on at least a part of the values of the geodata information at the position of the target point. This is because the determination model for determining the combination of is learned.
  • the determination model generated by the learning unit 113 of this modification outputs a value indicating the magnitude of the contribution of the geospatial information in addition to the information of the geospatial information that contributes to the displacement of the height.
  • the learning unit 113 uses, for example, the displacement of the height as the objective variable and the geospatial information as the explanatory variable to perform heterogeneous mixed learning, thereby performing the case classification condition and the prediction formula for the case classification condition. You can get multiple pairs of. Prior to learning, the learning unit 113 of the present embodiment converts the value of each geospatial information so that the range of the geospatial information is the same for each geospatial information (for example, 0 or more and 1 or less). ..
  • the case classification condition is a combination of conditional expressions.
  • the prediction formula for the case classification condition is a prediction formula when all the conditional expressions included in the case classification condition are satisfied.
  • the prediction formula is represented by the linear form of the explanatory variables.
  • Explanatory variables represent geospatial information.
  • the learning unit 113 considers the geospatial information represented by the explanatory variables included in the prediction formula as the geospatial information that contributes to the displacement of the height. Then, the learning unit 113 considers the coefficient of the explanatory variable representing the geospatial information as the magnitude of the contribution of the geospatial information in the prediction formula.
  • the learning unit 113 generates the following determination model.
  • the judgment model determines the geospatial information represented by the explanatory variables included in the prediction formula for the case classification condition as the geospatial information that contributes to the displacement of the height.
  • the judgment model also uses the coefficients of the explanatory variables included in the prediction formula for the case classification conditions when the case classification conditions are satisfied, and the magnitude of the contribution to the displacement of the height of the geospatial information represented by the explanatory variables. Judge as a sword.
  • the determination model outputs the information of the geospatial information determined as the geospatial information contributing to the displacement of the height and the information indicating the magnitude of the contribution of the geospatial information to the displacement of the height.
  • the determination unit 123 refers to a combination of geospatial information that contributes to the height displacement at the target point and the geospatial information included in the combination with respect to the height displacement according to the determination model stored in the model storage unit 125. Determine the magnitude of the contribution. Specifically, the determination unit 123 specifies, for example, a condition satisfied by the value of the received geospatial information among a plurality of conditions included in the determination model. The determination unit 123 determines that the combination of geospatial information that contributes to the height displacement when the specified condition is satisfied is the combination of the geospatial information that contributes to the height displacement at the target point.
  • the determination unit 123 determines that the magnitude of the contribution of the geospatial information to the height displacement, which contributes to the height displacement when the specified condition is satisfied, is the height of the geospatial information at the target point. It is determined that it is the magnitude of the contribution to the displacement.
  • the determination unit 123 sends to the output unit 124 information on the combination of geospatial information that contributes to the displacement of the height at the target point and information indicating the magnitude of the contribution of the geospatial information included in the combination.
  • Output unit 124 receives from the determination unit 123 information on the combination of geospatial information that contributes to the displacement of the height at the target point and information indicating the magnitude of the contribution of the geospatial information included in the combination.
  • the output unit 124 outputs the received information on the combination of geospatial information that contributes to the displacement of the height at the target point and the information indicating the magnitude of the contribution of the geospatial information included in the combination.
  • the output unit 124 may display, for example, a combination of geospatial information that contributes to the displacement of the height at the target point and the magnitude of the contribution on a display or the like.
  • the output unit 124 may send out the combination of geospatial information that contributes to the displacement of the height at the target point and the magnitude of the contribution to another information processing device, the terminal device described above, or the like.
  • FIG. 3 is a block diagram showing the configuration of the analysis system 1 of the modified example of the first embodiment.
  • the analysis system 1 includes a learning device 11, an analysis device 21, a geospatial information storage device 31, and a terminal device 51.
  • the learning device 11, the analyzer 21, the geospatial information storage device 31, and the terminal device 51 are communicably connected to each other by the network 40, which is a communication network.
  • the analysis system 1 realizes the functions of the analysis device 10 of the first embodiment by the learning device 11, the analysis device 21, and the geospatial information storage device 31.
  • the terminal device 51 is the terminal device described above.
  • FIG. 4 is a block diagram showing an example of a detailed configuration of the learning device 11, the analysis device 21, and the geospatial information storage device 31 included in the analysis system 1 of this modified example.
  • the transfer of data between the components of the learning device 11, the analyzer 21, and the geospatial information storage device 31 realized by the network 40 of FIG. 3 is drawn by a line connecting the components. ing.
  • the learning device 11 includes a first receiving unit 111, a first extracting unit 112, a learning unit 113, a first reading unit 114, and a transmitting unit 115.
  • the first receiving unit 111, the first extraction unit 112, and the learning unit 113 are the same as the units of the first embodiment having the same name and having the same reference numerals.
  • the first reading unit 114 reads the geospatial information from the geospatial information storage unit 131 of the geospatial information storage device 31 via the input / output unit 132. Specifically, the first reading unit 114 transmits a request for geospatial information to the input / output unit 132 of the geospatial information storage device 31, and is read from the geospatial information storage unit 131 by the input / output unit 132. , The requested geospatial information may be received from the input / output unit 132.
  • the request for geospatial information may include point information that identifies the point (eg, latitude and longitude information).
  • the requested geospatial information refers to the value of the geospatial information at the point specified by the point information.
  • the transmission unit 115 transmits the determination model (in other words, the parameter of the determination device) learned by the learning unit 113 to the analyzer 21.
  • the analyzer 21 includes a second receiving unit 121, a second extracting unit 122, a determination unit 123, an output unit 124, a model storage unit 125, a second reading unit 126, and a receiving unit 127.
  • the second receiving unit 121, the second extraction unit 122, the determination unit 123, the output unit 124, and the model storage unit 125 are the same as the units of the first embodiment having the same name and having the same reference numerals. be.
  • the second reading unit 126 reads the geospatial information from the geospatial information storage unit 131 of the geospatial information storage device 31 via the input / output unit 132. Specifically, the second reading unit 126 transmits a request for geospatial information to the input / output unit 132 of the geospatial information storage device 31, and is read from the geospatial information storage unit 131 by the input / output unit 132. , The requested geospatial information may be received from the input / output unit 132.
  • the request for geospatial information may include point information that identifies the point (eg, latitude and longitude information).
  • the request for geospatial information generated and transmitted by the second reading unit 126 may include type information that specifies the type of geospatial information.
  • a plurality of types of type information may be specified.
  • the input / output unit 132 sets the values of all types of geospatial information specified by the type information at the points specified by the point information, as described later. , Is sent to the second reading unit 126.
  • the receiving unit 127 receives the determination model from the transmitting unit 115 of the learning device 11.
  • the receiving unit 127 stores the received determination model in the model storage unit 125.
  • the geospatial information storage device 31 includes a geospatial information storage unit 131 and an input / output unit 132.
  • the geospatial information storage unit 131 is the same as the geospatial information storage unit 131 of the first embodiment.
  • the input / output unit 132 receives a request for geospatial information.
  • the source of the request for geospatial information is the first reading unit 114 or the second reading unit 126.
  • the request for geospatial information may include information that identifies the location.
  • the input / output unit 132 extracts the value of the geospatial information of the point specified by the information for specifying the point included in the request for the geospatial information from the geospatial information stored in the geospatial information storage unit 131. ..
  • the input / output unit 132 may extract the values of all types of geospatial information at the specified points.
  • the request for geospatial information may include information that identifies the type of geospatial information.
  • the input / output unit 132 may extract the values of all types of geospatial information included in the request for geospatial information, which are specified by the information that specifies the type of geospatial information.
  • the input / output unit 132 transmits the extracted geospatial information value to the source of the geospatial information request.
  • the operation of the analysis system 1 of this modification is the same as the operation of the analysis device 10 of the first embodiment shown in FIG. 2, except for the following differences.
  • the above-mentioned difference is that, for example, the reading of the geospatial information is performed via the first reading unit 114 and the input / output unit 132, or via the second reading unit 126 and the input / output unit 132, and the determination model. Is a point where the delivery is performed via the transmission unit 115 and the reception unit 127.
  • FIG. 1 is a diagram showing a configuration of an analyzer 10 according to a second embodiment of the present disclosure.
  • the configuration of the analyzer 10 of the present embodiment is the same as the configuration of the analyzer 10 of the first embodiment.
  • the components of the analyzer 10 of the present embodiment are the same as the components of the analyzer 10 of the first embodiment, which are given the same name and reference numeral, except for the differences described below.
  • the learning unit 113 of the present embodiment learns a determination model different from the determination model learned by the learning unit 113 of the first embodiment.
  • the learning unit 113 of the present embodiment is the same as the learning unit 113 of the first embodiment.
  • the learning unit 113 of the present embodiment receives the learning displacement data and the region in which the learning displacement data represents the secular displacement from the first extraction unit 112. Receives the extracted geospatial information values.
  • the learning unit 113 of the present embodiment stores the determination model obtained by learning in the model storage unit 125.
  • the learning unit 113 of the present embodiment also performs heterogeneous mixed learning so as to predict, for example, the height displacement after a predetermined period, for example, using the height displacement as the objective variable and the geospatial information as the explanatory variable.
  • the learning unit 113 can obtain a plurality of sets of a combination of conditional expressions and a prediction expression when all the conditional expressions included in the combination are satisfied.
  • each of the conditional expressions represents a condition for one geospatial information value that is not necessarily the same.
  • the combination of conditional expressions includes one or more conditional expressions as described above. The combination of these conditional expressions is referred to as a case classification condition.
  • the prediction formula is a formula for predicting the displacement of the height.
  • Each of the prediction formulas is represented by the linear form of one or more explanatory variables.
  • Each of the explanatory variables represents any one geospatial information. It can be said that the geospatial information represented by the explanatory variables included in the prediction formula is the geospatial information that contributes to the displacement of the height.
  • the case classification condition is satisfied means that all the conditional expressions included in the case classification condition are satisfied.
  • the prediction formula for the case classification condition represents the prediction formula when the case classification condition is satisfied.
  • the learning unit 113 of the present embodiment When the case classification condition is satisfied, the learning unit 113 of the present embodiment generates a determination model that predicts the height displacement by the prediction formula for the case classification condition.
  • the determination model outputs information on the displacement at the predicted height.
  • the determination unit 123 of the present embodiment receives the value of the geospatial information at the target point from the second extraction unit 122, similarly to the determination unit 123 of the first embodiment.
  • the determination unit 123 may receive the target point information from the second extraction unit 122.
  • the determination unit 123 of the present embodiment predicts the displacement of the height at the target point according to the determination model stored in the model storage unit 125. Specifically, the determination unit 123 specifies, for example, the condition satisfied by the received value of the geospatial information at the target point among the plurality of conditions included in the determination model. The determination unit 123 predicts the displacement of the height by using the prediction formula when the specified condition is satisfied.
  • the determination unit 123 sends information indicating the displacement of the predicted height to the output unit 124.
  • Output unit 124 receives information representing the predicted height displacement from the determination unit 123.
  • the output unit 124 outputs the received information representing the displacement of the height.
  • the output destination of the output unit 124 is the same as the output unit of the output unit 124 of the first embodiment.
  • FIG. 5 is a flowchart showing an example of the operation of the analyzer 10 of the present embodiment.
  • steps S101 and S102 shown in FIG. 5 are the same as the operations of steps S101 and S102 of the analyzer 10 of the first embodiment shown in FIG.
  • step S203 the learning unit 113 of the present embodiment generates the above-mentioned determination model for predicting the displacement of the height.
  • the analyzer 10 of the present embodiment does not need to perform the operations after step S104 after step S101, step S102, and step S203.
  • steps S104 and S105 are the same as the operations of steps S104 and S105 of the analyzer 10 of the first embodiment shown in FIG.
  • step S206 the determination unit 123 predicts the height displacement at the target point by the determination model.
  • step S207 the output unit 124 outputs the displacement at the predicted height.
  • This embodiment has the effect of being able to predict fluctuations in the height of the ground surface.
  • the reason is that the learning unit 113 learns a determination model that predicts the height displacement at the position of the target point based on at least a part of the values of the geospatial information at the position of the target point.
  • the learning unit 113 may generate a plurality of determination models that individually predict the displacement of the height after each of the plurality of periods by performing heterogeneous mixed learning for each of the plurality of periods.
  • the length of each of the plurality of periods may be, for example, a multiple of a predetermined length of a predetermined period.
  • the length of each of the plurality of periods may be determined according to appropriately determined rules.
  • the length of each of the plurality of periods may be specified by the user, for example.
  • the learning unit 113 stores the generated plurality of determination models in the model storage unit 125.
  • Each determination model may be configured to predict height displacement and output information representing the predicted height displacement and information representing the period.
  • the determination unit 123 reads out a plurality of determination models stored in the model storage unit 125.
  • the determination unit 123 predicts the displacement of the height after different periods have elapsed, respectively, according to the plurality of determined determination models read out.
  • the determination unit 123 sends out the prediction of the displacement of the height after the lapse of different periods and each period to the output unit 124.
  • the output unit 124 outputs a prediction of height displacement after each of a plurality of periods has elapsed.
  • the output unit 124 may output information representing a plurality of periods and a prediction of height displacement after each period has elapsed.
  • the learning unit 113 of this modification predicts the height displacement after a predetermined period elapses by the prediction formula for the case classification condition, and further contributes to the height displacement.
  • the judgment model analyzes the geospatial information that contributes to the height displacement, and as described above, the geospatial information represented by the explanatory variables included in the prediction formula that predicts the height displacement, the height displacement. It is done by analyzing it as geospatial information that contributes to.
  • the determination model outputs the information of the geospatial information analyzed as the geospatial information that contributes to the height displacement.
  • the determination unit 123 predicts the height displacement and analyzes the geospatial information that contributes to the height displacement by the determination model.
  • the determination unit 123 sends information representing the predicted height displacement and information representing the geospatial information contributing to the height displacement to the output unit 124.
  • the output unit 124 outputs information representing the predicted height displacement and information representing the geospatial information that contributes to the height displacement.
  • the second modification of the second embodiment can be configured like the first modification of the second embodiment.
  • the learning unit 113 of the present modification may generate the same determination model as the determination model of the second modification of the second embodiment for each of the plurality of different periods. Specifically, the learning unit 113 generates a plurality of determination models for predicting the displacement of the height after the lapse of different periods and determining the cause of the displacement. As mentioned above, the factor is either geospatial information.
  • the determination unit 123 predicts the displacement of the height after a plurality of different periods have elapsed at the target point and determines the factors contributing to the displacement of the height by the generated plurality of determination models.
  • the determination unit 123 provides the output unit 124 with information indicating a predicted height displacement and information indicating a factor contributing to the height displacement after a plurality of different periods have elapsed at the target point. Send out.
  • the output unit 124 outputs information representing the predicted displacement of the height and information representing the factors contributing to the displacement of the height.
  • This modification is an example in which the second modification of the second embodiment is modified like the first modification of the first embodiment.
  • the learning unit 113 of the present modification may generate a determination model for determining the magnitude of the contribution of the factor in addition to predicting the displacement of the height and determining the factor.
  • the determination unit 123 of this modification determines the cause of the height displacement and the magnitude of the contribution of the factor.
  • the determination unit 123 of this modification may send information indicating the displacement of the predicted height and information indicating the determined factor and the magnitude of the contribution of the factor to the output unit 124.
  • the output unit 124 may output information representing the displacement of the predicted height and information representing the determined factor and the magnitude of the contribution of the factor.
  • This modification is an example in which the third modification of the second embodiment is modified like the first modification of the first embodiment.
  • the learning unit 113 of this modified example predicts the displacement of the height after a different period elapses and determines the factor of the displacement of the height, and in addition, the contribution of the factor is large. Generate multiple judgment models to judge the height.
  • the determination unit 123 of the present modification uses a plurality of determination models to predict the displacement of the height after different periods have elapsed, and determine the factors of the displacement of the height and the magnitude of the contribution of the factors.
  • the determination unit 123 may send information indicating the displacement of the predicted height and information indicating the determined factor and the magnitude of the contribution of the factor to the output unit 124.
  • the output unit 124 outputs information representing the displacement of the predicted height and information representing the determined factor and the magnitude of the contribution of the factor.
  • a sixth modification of the second embodiment is a combination of a plurality of devices as in the second modified example of the first embodiment. Can be achieved by.
  • FIG. 6 is a diagram showing an example of the configuration of the analyzer 12 of the present embodiment.
  • the analyzer 12 includes a first extraction unit 112 and a learning unit 113.
  • the first extraction unit 112 extracts the geospatial information at each of the plurality of points on the ground surface from a plurality of types of geospatial information representing at least one of the state of the ground surface and the underground state of the ground surface. Extract the value of.
  • the learning unit 113 determines the combination of the geospatial information that the determination model contributes to the displacement of the height based on at least a part of the values of the geospatial information. The determination model is learned based on the displacement and the extracted value of the geospatial information.
  • the first extraction unit 112 and the learning unit 113 of the present embodiment function in the same manner as the first extraction unit 112 and the learning unit 113 of the first embodiment, respectively.
  • FIG. 7 is a flowchart showing an example of the operation of the analyzer 12 of the present embodiment.
  • the first extraction unit 112 extracts the value of the geospatial information at these plurality of points (step S102). Then, the learning unit 103 learns the determination model (step S103). The learning unit 103 of the present embodiment learns a determination model similar to the determination model of the first embodiment, similarly to the learning unit 103 of the first embodiment.
  • FIG. 6 is a diagram showing an example of the configuration of the analyzer 12 of the present embodiment.
  • the analyzer 12 includes a first extraction unit 112 and a learning unit 113.
  • the first extraction unit 112 extracts the geospatial information at each of the plurality of points on the ground surface from a plurality of types of geospatial information representing at least one of the state of the ground surface and the underground state of the ground surface. Extract the value of.
  • the learning unit 113 detects the height displacement at the plurality of points and the extracted value of the geospatial information so that the determination model predicts the height displacement based on at least a part of the values of the geospatial information. The determination model is learned based on the above.
  • the first extraction unit 112 and the learning unit 113 of the present embodiment function in the same manner as the first extraction unit 112 and the learning unit 113 of the second embodiment, respectively.
  • FIG. 7 is a flowchart showing an example of the operation of the analyzer 12 of the present embodiment.
  • the first extraction unit 112 extracts the value of the geospatial information at these plurality of points (step S102). Then, the learning unit 103 learns the determination model (step S103). The learning unit 103 of the present embodiment learns a determination model similar to the determination model of the second embodiment, similarly to the learning unit 103 of the second embodiment.
  • Each of the analyzer 10, the learning device 11, the analyzer 12, and the analyzer 21 according to the embodiment of the present disclosure includes a memory in which a program read from a storage medium is loaded, and a processor that executes the program. It can be realized by a computer.
  • Each of the analyzer 10, the learning device 11, the analyzer 12, and the analyzer 21 according to the embodiment of the present disclosure can also be realized by dedicated hardware.
  • Each of the analyzer 10, the learning device 11, the analyzer 12, and the analyzer 21 according to the embodiment of the present disclosure can also be realized by a combination of the above-mentioned computer and dedicated hardware.
  • FIG. 8 is a diagram showing an example of a hardware configuration of a computer 1000 capable of realizing each of the analyzer 10, the learning device 11, the analyzer 12, and the analyzer 21 according to the embodiment of the present disclosure.
  • the computer 1000 includes a processor 1001, a memory 1002, a storage device 1003, and an I / O (Input / Output) interface 1004.
  • the computer 1000 can access the storage medium 1005.
  • the memory 1002 and the storage device 1003 are storage devices such as a RAM (Random Access Memory) and a hard disk, for example.
  • the storage medium 1005 is, for example, a storage device such as a RAM or a hard disk, a ROM (Read Only Memory), or a portable storage medium.
  • the storage device 1003 may be a storage medium 1005.
  • the processor 1001 can read and write data and programs to the memory 1002 and the storage device 1003.
  • Processor 1001 can access other devices, for example, via the I / O interface 1004.
  • Processor 1001 can access the storage medium 1005.
  • the storage medium 1005 stores a program that causes the computer 1000 to operate as any one of the analyzer 10, the learning device 11, the analyzer 12, and the analyzer 21 according to the embodiment of the present disclosure.
  • the processor 1001 is a program stored in the storage medium 1005 that causes the computer 1000 to operate as any one of the analyzer 10, the learning device 11, the analyzer 12, and the analyzer 21 according to the embodiment of the present disclosure. Load to. Then, when the processor 1001 executes the program loaded in the memory 1002, the computer 1000 uses the computer 1000 as the analyzer 10, the learning device 11, the analyzer 12, or the analyzer according to the embodiment of the present disclosure. Operates as 21.
  • the first receiving unit 111, the first extracting unit 112, the learning unit 113, the first reading unit 114, and the transmitting unit 115 are, for example, by a processor 1001 that executes a program loaded into the memory 1002 from the storage medium 1005 that stores the program. It can be realized.
  • the second receiving unit 121, the second extracting unit 122, the determining unit 123, the output unit 124, the second reading unit 126, and the receiving unit 127 execute, for example, a program loaded into the memory 1002 from the storage medium 1005 that stores the program. It can be realized by the processor 1001.
  • the input / output unit 132 can be realized by, for example, a processor 1001 that executes a program loaded into the memory 1002 from the storage medium 1005 that stores the program.
  • the model storage unit 125 and the geospatial information storage unit 131 can be realized by the memory 1002 included in the computer 1000 and the storage device 1003 such as a hard disk device.
  • a part or all of the first receiving unit 111, the first extraction unit 112, the learning unit 113, the first reading unit 114, and the transmitting unit 115 can be realized by a dedicated circuit that realizes the functions of each unit.
  • a part or all of the geospatial information storage unit 131 and the input / output unit 132 can also be realized by a dedicated circuit that realizes the functions of each unit.
  • Appendix 1 A first method of extracting the value of the geospatial information at each of the plurality of points on the ground surface from a plurality of types of geospatial information representing at least one of the state of the ground surface and the underground state of the ground surface. Extraction means and The height displacement at a plurality of points is extracted so that the determination model determines the combination of the geospatial information that contributes to the height displacement based on at least a part of the values of the geospatial information. A learning means for learning the determination model based on the value of the geospatial information, and An analyzer equipped with.
  • Appendix 2 A second extraction means for extracting the value of the geospatial information at the target point, and A determination means for determining a combination of geospatial information that contributes to the target displacement, which is a height displacement at the target point, based on the value of the geospatial information at the target point by the determination model.
  • An output means that outputs a combination of the geospatial information that contributes to the target displacement, and The analyzer according to Appendix 1.
  • the learning means learns the determination model so as to further determine the magnitude of each contribution of the combination of geospatial information that the determination model contributes to the height displacement.
  • the determination means determines the magnitude of the contribution of geospatial information that contributes to the target displacement by the determination model.
  • the analyzer according to Appendix 2, wherein the output means further outputs the determined magnitude of the contribution.
  • the learning means extracts the height displacements at the plurality of points so that the determination model further predicts future height displacements based on at least some values of the geospatial information.
  • the determination model is learned based on the value of the geospatial information, and the determination model is learned.
  • the determination means further predicts the target displacement based on the value of the geospatial information at the target point by the determination model.
  • the analyzer according to Appendix 2 or 3, wherein the output means outputs a prediction of the target displacement.
  • the learning means derives a condition for each value of at least a part of the geospatial information and a prediction formula for predicting the displacement of the future height when all of the conditions are satisfied.
  • the prediction formula is represented by a linear sum of variables representing the geospatial information.
  • the determination model determines that the combination of the geospatial information represented by the variable in the prediction formula when all the conditions are satisfied is the combination of the geospatial information that contributes to the displacement of the height.
  • the analyzer according to any one of the above items.
  • Extraction means and The height displacement at the plurality of points and the extracted geospatial information value are used so that the determination model predicts the height displacement based on at least a part of the geodata information values.
  • Learning means to learn the judgment model and An analyzer equipped with.
  • Appendix 7 A second extraction means for extracting the value of the geospatial information at the target point, and A determination means for predicting a target displacement, which is a height displacement at the target point, based on the value of the geospatial information at the target point by the determination model. An output means for outputting the predicted target displacement and The analyzer according to Appendix 6.
  • the value of the geospatial information at each of the plurality of points on the ground surface is extracted from a plurality of types of geospatial information representing at least one of the state of the ground surface and the underground state of the ground surface.
  • the height displacement at a plurality of points is extracted so that the determination model determines the combination of the geospatial information that contributes to the height displacement based on at least a part of the values of the geospatial information.
  • the determination model is learned based on the value of the geospatial information. Analytical method.
  • the determination model is trained so that the determination model further determines the magnitude of each contribution of the combination of geospatial information that contributes to the height displacement. Using the determination model, the magnitude of the contribution of geospatial information that contributes to the target displacement is determined. Further, the analysis method according to Appendix 9, which outputs the determined magnitude of the contribution.
  • a condition for each value of at least a part of the geospatial information and a prediction formula for predicting the displacement of the future height when all the conditions are satisfied are derived.
  • the prediction formula is represented by a linear sum of variables representing the geospatial information.
  • the determination model determines that the combination of the geospatial information represented by the variable in the prediction formula when all the conditions are satisfied is the combination of the geospatial information that contributes to the displacement of the height.
  • the value of the geospatial information at each of the plurality of points on the ground surface is extracted from a plurality of types of geospatial information representing at least one of the state of the ground surface and the underground state of the ground surface.
  • the height displacement at the plurality of points and the extracted geospatial information value are used so that the determination model predicts the height displacement based on at least a part of the geodata information values. Learn the decision model, Analytical method.
  • Appendix 14 Extract the value of the geospatial information at the target point and The determination model predicts the target displacement, which is the displacement of the height at the target point, based on the value of the geospatial information at the target point. Output the predicted target displacement, The analysis method according to Appendix 13.
  • Appendix 16 The program The second extraction process that extracts the value of the geospatial information at the target point, and A determination process for determining a combination of geospatial information that contributes to the target displacement, which is a height displacement at the target point, based on the value of the geospatial information at the target point by the determination model.
  • Output processing that outputs a combination of the geospatial information that contributes to the target displacement, and The storage medium according to Appendix 15, which further causes a computer to execute the above.
  • the learning process trains the determination model so as to further determine the magnitude of each contribution of the combination of geospatial information that the determination model contributes to the height displacement.
  • the magnitude of the contribution of the geospatial information that contributes to the target displacement is determined by the determination model.
  • the storage medium according to Appendix 16, wherein the output process further outputs the determined magnitude of the contribution.
  • the learning process extracts the height displacements at the plurality of points so that the determination model further predicts future height displacements based on at least some values of the geospatial information.
  • the determination model is learned based on the value of the geospatial information, and the determination model is learned.
  • the determination process further predicts the target displacement based on the value of the geospatial information at the target point by the determination model.
  • the learning process derives a condition for each value of at least a part of the geospatial information and a prediction formula for predicting the displacement of the future height when all of the conditions are satisfied.
  • the prediction formula is represented by a linear sum of variables representing the geospatial information.
  • the determination model determines that the combination of the geospatial information represented by the variable in the prediction formula when all the conditions are satisfied is the combination of the geospatial information that contributes to the displacement of the height.
  • the storage medium according to any one of the above items.
  • Appendix 20 A first method of extracting the value of the geospatial information at each of the plurality of points on the ground surface from a plurality of types of geospatial information representing at least one of the state of the ground surface and the underground state of the ground surface. Extraction process and The height displacement at the plurality of points and the extracted geospatial information value are used so that the determination model predicts the height displacement based on at least a part of the geodata information values. Learning process to learn the judgment model and A storage medium that stores a program that causes a computer to execute a program.
  • Appendix 21 The program The second extraction process that extracts the value of the geospatial information at the target point, and The determination process for predicting the target displacement, which is the displacement of the height at the target point, based on the value of the geospatial information at the target point by the determination model. Output processing that outputs the predicted target displacement and 20.
  • Analysis system 10 Analysis device 11 Learning device 12 Analysis device 21 Analysis device 31 Geospatial information storage device 40 Network 51 Terminal device 111 1st receiving unit 112 1st extraction unit 113 Learning unit 114 1st reading unit 115 Transmitting unit 121 2nd Receiving unit 122 Second extraction unit 123 Judging unit 124 Output unit 125 Model storage unit 126 Second reading unit 127 Receiving unit 131 Geospatial information storage unit 132 Input / output unit 1000 Computer 1001 Processor 1002 Memory 1003 Storage device 1004 I / O interface 1005 Storage medium

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

地表面の高さの変動の要因を判定することができる分析装置などを提供する。　本開示の一態様に係る分析装置１２は、地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出する第１抽出部１１２と、判定モデルが高さの変位を前記地理空間情報の少なくとも一部の値に基づいて予測するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する学習部１１３と、を備える。

Description

分析装置、分析方法及び記憶媒体
　本開示は、地表面の高さの変位に関して分析する技術に関し、特に、ＳＡＲ（Ｓｙｎｔｈｅｔｉｃ　Ａｐｅｒｔｕｒｅ　Ｒａｄａｒ）によって測定した地表面の高さに関して分析する技術に関する。
　特許文献１には、機械学習によって生成した変動判定モデルによって、干渉ＳＡＲ画像に基づく地表変動の有無の判定を行う地表変動判定方法が記載されている。
特開２０１８－１９４４０４号公報
　特許文献１に記載の技術では、地表面の変動の有無を判定できる。しかし、特許文献１に記載の技術によって、地表面の高さの変動の要因を判定することはできない。
　本開示の目的は、地表面の高さの変動の要因を判定することができる分析装置などを提供することにある。
　本開示の一態様に係る分析装置は、地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出する第１抽出手段と、判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせを前記地理空間情報の少なくとも一部の値に基づいて判定するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する学習手段と、を備える。
　本開示の一態様に係る分析装置は、地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出する第１抽出手段と、判定モデルが高さの変位を前記地理空間情報の少なくとも一部の値に基づいて予測するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する学習手段と、を備える。
　本開示の一態様に係る分析方法は、地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出し、判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせを前記地理空間情報の少なくとも一部の値に基づいて判定するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する。
　本開示の一態様に係る分析方法は、地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出し、判定モデルが高さの変位を前記地理空間情報の少なくとも一部の値に基づいて予測するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する。
　本開示の一態様に係る記憶媒体は、地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出する第１抽出処理と、判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせを前記地理空間情報の少なくとも一部の値に基づいて判定するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する学習処理と、をコンピュータに実行させるプログラムを記憶する。
　本開示の一態様に係る記憶媒体は、地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出する第１抽出処理と、判定モデルが高さの変位を前記地理空間情報の少なくとも一部の値に基づいて予測するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する学習処理と、をコンピュータに実行させるプログラムを記憶する。
　本開示の一態様は、上述の記憶媒体に格納されたプログラムによっても実現される。
　本開示には、地表面の高さの変動の要因を判定することができるという効果がある。
図１は、本開示の第１及び第２の実施形態に係る分析装置の構成の例を表すブロック図である。 図２は、本開示の第１の実施形態の分析装置１０の動作の一例を表すフローチャートである。 図３は、本開示の第１及び第２の実施形態の変形例の分析システムの構成を表すブロック図である。 図４は、本開示の第１及び第２の実施形態の変形例の分析システムが含む学習装置、分析装置、及び、地理空間情報記憶装置の詳細な構成の例を表すブロック図である。 図５は、本開示の第１の実施形態の分析装置の動作の例を表すフローチャートである。 図６は、本開示の第３及び第４の実施形態の分析装置の構成の例を表す図である。 図７は、本開示の第３及び第４の実施形態の分析装置の動作の例を表すフローチャートである。 図８は、本開示の実施形態に係るコンピュータのハードウェア構成の一例を表す図である。 図９は、盛土造成地のタイプの例を表す図である。 図１０は、表層地質の例を表す図である。 図１１は、河川敷を表す図である。
　以下では、本開示の実施形態について、図面を参照して詳細に説明する。
　＜第１の実施形態＞
　＜構成＞
　図１は、本開示の第１の実施形態に係る分析装置１０の構成の例を表すブロック図である。図１に示す例では、分析装置１０は、第１受取部１１１と、第１抽出部１１２と、学習部１１３と、第２受取部１２１と、第２抽出部１２２と、判定部１２３と、出力部１２４と、モデル記憶部１２５と、地理空間情報記憶部１３１とを含む。なお、分析装置１０は、互いに通信可能に接続されている２つ以上の装置の組み合わせとして実現されていてもよい。また、ユーザがデータの分析装置１０への入力などを行う端末装置が、例えば通信ネットワークを介して分析装置１０に通信可能に接続されていてもよい。分析装置１０が、互いに通信可能に接続されている３つの装置の組み合わせとして実現されている例は、変形例として後述される。
　＜＜第１受取部１１１＞＞
　第１受取部１１１は、地表面の高さの変位を表すデータを、学習用のデータとして受け取る。例えば、ユーザが、上述の端末装置を使用して、地表面の高さの変位を表すデータを、第１受取部１１１に入力してもよい。この場合、第１受取部１１１は、地表面の高さの変位を表すデータを、その端末装置から受け取る。
　高さの変位は、例えば、過去の複数の時点における観測によって得られた、地表面上の同じ地点（または同じとみなされる地点）における高さの推移を表す。高さの変位を、高さの変動と表記することもある。高さは、例えば、人工衛星や航空機などの飛翔体に搭載されたレーダーを合成開口レーダー（ＳＡＲ）として使用する観測によって得られた、地表面上の地点における高さである。以下の説明では、このような観測を、合成開口レーダー（ＳＡＲ）による観測と表記する。高さの推移は、例えば、過去の複数の時点における観測によって得られた高さを表す複数の値と、その高さが観測された順と、を特定できるデータによって表されていてよい。
　高さの推移を表すデータは、例えば、高さを表す値と、その高さが観測によって得られた時点を表すデータとの組み合わせを複数含むデータであってよい。時点を表すデータの単位は、適宜定められていてよい。例えば、時点を表すデータは、日付を表していてもよく、日付及び時刻を表していてもよい。時刻の単位も、適宜定められていてよい。
　地表面上の点における高さの変位を表すデータを、以下では、変位データと表記する。変位データは、その変位データが表す高さの変位が測定された、地表面上の地点の位置を表す情報（例えば、緯度及び経度の情報）を含んでいてよい。位置を表す情報は、地表面上の位置を特定できる他の情報であってもよい。以下では、地点の位置を表す情報を、地点情報と表記する。
　上述の、地表面の高さの変位は、地表面上の複数の地点の各々における、高さの変位を表していてよい。地表面の高さの変位を表すデータを、地表面変位データと表記する。地表面変位データは、複数の地点における変位データの組み合わせであってよい。
　第１受取部１１１が学習用のデータとして受け取る、地表面の高さの変位を表すデータを、学習用変位データと表記する。学習用変位データは、同一の領域を多時期に多数回ＳＡＲによって観測することによって得られた観測データの解析によって得られた、その領域の地表面の時系列の変位を表すデータ（経年変位マップとも表記）であってよい。なお、時系列の変位の推移を、経年変位と表記する。
　第１受取部１１１は、受け取った学習用変位データを、第１抽出部１１２に送出する。
　＜＜第１抽出部１１２＞＞
　第１抽出部１１２は、第１受取部１１１から学習用変位データを受け取る。第１抽出部１１２は、例えば、学習用変位データから、その学習用変位データに含まれる変位データによって表される高さの推移が観測された地点の地点情報を抽出する。第１抽出部１１２は、抽出した地点情報によって位置が表される地点における、地理空間情報の値を、後述の地理空間情報記憶部１３１に格納されている地理空間情報から抽出する。
　本実施形態では、地理空間情報は、例えば、地表面の状態及びその地表面の地下の状態の少なくとも一方を表す情報である。地理空間情報は、いわゆる地理情報システム（Ｇｅｏｇｒａｐｈｉｃ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｙｓｔｅｍ）から得られる情報の少なくともいずれかであってもよい。地理空間情報は、人工衛星や航空機などから観測によって得られたデータであってもよい。地理空間情報は、現地調査によって得られたデータであってもよい。地理空間情報は、計測や調査によって得られたデータに基づく分析の結果を表す情報であってもよい。地理空間情報は、計測や調査によって得られたデータに基づいて、人為的に定められた情報であってもよい。地理空間情報は、ＧＩＳ（Ｇｅｏｇｒａｐｈｉｃ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｙｓｔｅｍ）データと表記されることもある。
　地理空間情報は、あらかじめ、地理情報システムから取得され、地理空間情報記憶部１３１に格納されていてよい。複数の種類の地理空間情報が、地理空間情報記憶部１３１に格納されていてよい。地理空間情報は、地点情報（例えば緯度及び経度）によって特定される地点の、地理空間情報の値を特定できる形式で表されていてよい。地理空間情報の具体例については、後で詳細に説明する。
　第１抽出部１１２は、あらかじめ定められている種類の地理空間情報の、地点情報によって特定される地点における値を抽出してよい。第１抽出部１１２は、地理空間情報記憶部１３１に格納されている全ての種類の地理空間情報の、地点情報によって特定される地点における値を抽出してもよい。地点情報によって特定される地点における値が存在しない地理空間情報が存在する場合、第１抽出部１１２は、その地理空間情報の値を抽出しなくてもよい。地点情報によって特定される地点における値が存在しない地理空間情報が存在する場合、第１抽出部１１２は、その地理空間情報の値を、値が存在しないことを表す値（例えば、０等）に設定してもよい。
　第１抽出部１１２は、学習用変位データ（言い換えると、経年変位マップ）と、その学習用変位データが経年変位を表す領域（具体的には、その領域内の複数の地点）における、抽出された地理空間情報の値を、学習部１１３に送出する。
　＜＜地理空間情報記憶部１３１＞＞
　地理空間情報記憶部１３１は、地理空間情報を記憶する。地理空間情報は、指定された地点における地表面の状態を特定できる形で、地理空間情報記憶部１３１に格納されている。
　地理空間情報は、例えば、地表面が区切られたメッシュごとの、状態を表す値によって表されていてもよい。この場合、第１抽出部１１２は、地点情報によって特定される位置が含まれるメッシュの中における状態を表す、地理空間情報の値を、地点情報によって特定される地点の地理空間情報の値として抽出する。メッシュのサイズや形状は、地理空間情報の種類ごとに定められていてよい。
　地理空間情報は、他の形式で表されていてもよい。地理空間情報は、例えば、状態が異なる領域の間の境界線と、境界線によって区切られる領域内における状態を表す値とによって表されていてよい。この場合、第１抽出部１１２0は、地点情報によって特定される位置が含まれる領域内における状態を表す値を、地点情報によって特定される地点の地理空間情報の値として抽出する。地理空間情報の形式は、地理空間情報の種類ごとに定められていてよい。
　具体的な地理空間情報は、例えば、盛土造成地のタイプ、平均傾斜角度、平均降水量（例えば、平均年間降水量）、表層地質、急傾斜地指定、土砂災害警戒区域指定、液状化危険度、雨水浸透桝の可否、地震時の揺れ易さ、排水困難低地、都市域土地利用、自然地形分類、人工地形分類、表層地質、河川敷、施設情報（工事の有無等）であってよい。
　盛土造成地のタイプは、盛土がなされた地表面の形状によって定まる、土の盛り方を表していてよい。盛土造成地のタイプは、例えば、谷や沢を盛土によって埋めた盛土である「谷埋め型盛土」や、傾斜地に行われた盛土である「腹付け型盛土」である。
　盛土造成地のタイプは、さらに、盛土の規模を表していてもよい。この場合、例えば、谷や沢を盛土によって埋めた盛土のうち、基準を満たす盛土（例えば、面積が３０００平方メートル以上の盛土）のタイプは、「大規模谷埋め型盛土」であってよい。この場合、谷や沢を盛土によって埋めた盛土のうち、基準を満たさない盛土のタイプが、「谷埋め型盛土」であってよい。また、傾斜地に行われた盛土のうち、基準を満たす盛土（例えば、盛土をする前の地盤面（原地盤面とも呼ばれる）の水平面に対する角度が２０度以上で、かつ、盛土の高さが５メートル以上である盛土）のタイプは、大規模腹付け型盛土であってよい。この場合、傾斜地に行われた盛土のうち、基準を満たさない盛土のタイプが、「腹付け型盛土」であってよい。
　盛土造成地のタイプの値は、例えば、「谷埋め型盛土」や「腹付け型盛土」などにあらかじめそれぞれ適宜割り振られた、互いに異なる数値のいずれか１つであってもよい。
　図９は、盛土造成地のタイプの例を表す図である。図９に示す例は、盛土造成地の地表面における分布を、盛土造成地のタイプごとに表す。
　平均傾斜角度は、例えば、メッシュ単位で算出された、地表面の平均の傾斜角度のデータであってよい。平均傾斜角度の値は、算出された地表面の平均の傾斜角度であってよい。
　平均降水量は、例えば、メッシュ単位で算出された、地表面の平均の降水量のデータであってよい。平均降水量の値は、算出された地表面の平均の降水量であってよい。
　表層地質は、地表面の表層の地質（言い換えると、地質の種類）を表すデータであってよい。地質の種類は、あらかじめ定められていてよい。地質の種類の各々には、あらかじめ互いに異なる数値が割り当てられていてよい。表層地質の値は、地質にあらかじめそれぞれ適宜割り当てられている数値のいずれか１つであってよい。
　急傾斜地指定は、例えば自治体などによって、急傾斜地として指定されているか否かを表すデータであってよい。急傾斜地指定の値は、例えば、急傾斜地として指定されていることを表す数値、または、急傾斜地として指定されていないことを表す数値であってよい。これらの数値として、互いに異なる数値があらかじめ適宜決められていてよい。
　土砂災害警戒区域指定は、例えば自治体などによって、土砂災害警戒区域として指定されているか否かを表していてよい。土砂災害警戒区域指定の値は、例えば、土砂災害警戒区域として指定されていることを表す数値、又は、土砂災害警戒区域として指定されていないことを表す数値であってよい。これらの数値として、互いに異なる数値があらかじめ決められていてよい。
　液状化危険度は、例えば、土地が液状化する危険性の程度を表すデータであってよい。液状化危険度の値は、土地が液状化する危険性の程度を表す数値であってよい。液状化危険度の値は、それぞれ異なる程度を表す異なる複数の数値のいずれか１つであってよい。危険性の程度を表す数値は、あらかじめ適宜定められていてよい。
　雨水浸透桝の可否は、例えば、地形、土質、地下水位に基づいて浸透施設の設置が可能か否かについて判断された結果を表す「浸透施設設置判断マップ」に基づく設置可否を表す情報であってよい。雨水浸透桝の可否の値は、設置が可能であることを表す数値、又は、設置が可能でないことを表す数値であってよい。これらの数値として、互いに異なる数値があらかじめ適宜決められていてよい。
　地震時の揺れ易さは、例えば、地震が発生した場合の地表面の揺れ易さの程度を表すデータであってよい。地震時の揺れ易さの値は、地震が発生した場合の地表面の揺れ易さの程度を表す数値であってよい。地震時の揺れ易さの値は、地震が発生した場合の地表面の揺れ易さの程度を表す、複数の数値のいずれか１つであってよい。地表面の揺れ易さの程度を表す数値は、あらかじめ適宜定められていてよい。
　排水困難低地は、例えば、土地の標高や周囲との標高差等によって推定された、その土地が排水困難低地であるか否かを表していてよい。排水困難低地の値は、排水困難低地であることを表す数値、又は、排水困難低地でないことを表す数値であってよい。これらの数値は、あらかじめ適宜定められていてよい。
　都市域土地利用は、都市として指定されている地域における土地利用の種別であってよい。都市域土地利用における、土地利用の種別は、例えば衛星写真から判読されてもよい。あらかじめ定められた複数の種別から選択された土地利用の種別が、都市の地域に含まれる領域に対して設定されてよい。あらかじめ定められた複数の種別には、それぞれ、異なる数値があらかじめ適宜割り当てられていてよい。領域に対して設定される土地利用の種別の値は、その種別に割り当てられている数値であってよい。
　自然地形分類は、例えば、人間によって建造された建造物ではない場所における、地形の種別であってよい。自然地形分類として設定可能な、複数の地形の種別が、あらかじめ適宜定められていてよい。自然地形分類が設定される領域に対して、自然地形分類として設定可能な種別としてあらかじめ定められている複数の地形の種別から選択された地形の種別が設定されてよい。それらの複数の種別に対して、それぞれ異なる数値が割り当てられていてよい。領域に設定される自然地形分類における地形の値は、その領域に設定されている地形の種別に割り当てられている数値であってよい。
　人工地形分類は、例えば、人間が地形を改変した場所や人間によって建造された建造物である場所における、地形の種別であってよい。人工地形分類として設定可能な、複数の地形の種別が、あらかじめ適宜定められていてよい。人工地形分類が設定される領域に対して、人工地形分類として設定可能な種別としてあらかじめ定められている複数の地形の種別から選択された地形の種別が設定されてよい。それらの複数の種別に対して、それぞれ異なる数値が割り当てられていてよい。領域に設定される人工地形分類における地形の値は、その領域に設定されている地形の種別に割り当てられている数値であってよい。
　表層地質は、例えば、地表における土壌の種類を表していてよい。複数の土壌の種類が、あらかじめ適宜定められていてよい。そして、あらかじめ適宜定められている異なる数値が、それらの複数の土壌の種類に、それぞれ割り当てられていてよい。例えば調査の結果に基づく土壌の種類が、領域に対して設定されてよい。領域の表層地質の値は、その領域に設定されている土壌の種類に割り当てられている数値であってよい。
　図１０は、表層地質の例を表す図である。図１０には、地表面を含む表層における地質の分布が描かれている。
　河川敷は、領域が河川敷であるか否かを表す情報であってよい。河川敷であることを表す数値（言い換えると河川敷を表す数値）と、河川敷でないことを表す他の数値（言い換えると、非河川敷を表す数値）とが、あらかじめ適宜定められていてよい。そして、河川敷である領域に、河川敷を表す数値が設定されていてよい。河川敷でない領域に、非河川敷を表す数値が設定されていてよい。領域の河川敷の値は、その領域に設定されている、河川敷を表す数値または非河川敷を表す数値であってよい。
　図１１は、河川敷を表す図である。図１１には、河川敷と判定された領域と、それ以外の領域とが描かれている。
　施設情報は、施設に関する情報を表す。施設情報は、施設に関する様々な情報のうち、あらかじめ定められているいずれかを表していてよい。本実施形態では、施設情報は、工事中であるか否かを表す。工事中であることを表す数値と、工事中でないこと表す他の数値とが、あらかじめ適宜設定されていてよい。工事中である領域に対して、工事中であることを表す施設情報が設定されていてよい。工事中でない領域に対して、工事中ではないことを表す施設情報が設定されていてよい。具体的には、工事中である領域の施設情報の値として、工事中であることを表す数値が設定されていてよい。工事中ではない領域の施設情報として、工事中でないことを表す数値が設定されていてよい。
　＜＜学習部１１３＞＞
　学習部１１３は、第１抽出部１１２から、学習用変位データと、その学習用変位データが経年変位を表す領域の、抽出された地理空間情報の値と、を受け取る。
　学習部１１３は、受け取った学習用変位データと、地理空間情報の値とを使用した学習を行う。学習部１１３は、この学習において、学習部１１３は、対象地点の地理空間情報の少なくとも一部の値に基づいて、その対象地点における高さの変位に寄与する、地理空間情報の組み合わせを判定する、判定モデルを学習する。本実施形態の判定モデルは、例えば、地理空間情報の値を受け取り、受け取った地理空間情報の値に応じた、高さの変位に寄与する地理空間情報の組み合わせを出力するプログラムのパラメータを表していてよい。
　具体的には、判定モデルは、例えば、受け取った地理空間情報の値が、地理空間情報の少なくとも一部の値に対する条件を満たす場合に、その条件に応じた、高さの変位に寄与する地理空間情報の組み合わせを出力するプログラムのパラメータを表していてよい。この場合、判定モデルは、受け取った地理空間情報の値が、地理空間情報の少なくとも一部の値に対する条件と、その条件が満たされる場合の高さの変位に寄与する地理空間情報の組み合わせと、によって表される。なお、複数の条件が存在していてよい。複数の条件は、それぞれ、地理空間情報の、必ずしも同一でない少なくとも一部に対する条件であってよい。上述のプログラムを、上述のパラメータを使用して実行するプロセッサ（及び、そのようなプロセッサを含むコンピュータ）を、以下では、判定器とも表記する。
　本実施形態では、学習部１１３は、学習のアルゴリズムとして、異種混合学習を使用する。ただし、学習のアルゴリズムは、地理空間情報の値を受け取り、地理空間情報の値に対する条件に応じた、高さの変位に寄与する地理空間情報の組み合わせを出力する判定モデルを学習できる他のアルゴリズムであってもよい。例えば、多変量解析は、重回帰分析なども使用される場合がある。異種混合学習については、例えば、以下の参考文献に記載されている。
（参考文献）” Fully-Automatic Bayesian Piecewise Sparse Linear Models”, Riki Eto, Ryohei Fujimaki, Satoshi Morinaga, Hiroshi Tamano, Proceedings of the Seventeenth International Conference on Artificial Intelligence and Statistics, PMLR 33, pp. 238-246, 2014.
　異種混合学習は、異なる説明変数の組み合わせによる予測モデルを組み合わせて予測を行う異種混合予測モデルの学習を指す。異種混合予測モデルは、例えば、条件式の組み合わせと、その組み合わせに含まれるすべての条件式が満たされる場合の予測式と、の複数の組によって表される。それぞれの条件式は、例えば、いずれか１つの説明変数の値に対する条件式である。条件式の組み合わせは、１つ以上の条件式を含む。それぞれの予測式は、必ずしも同一ではない説明変数の線形式によって表される。
　学習部１１３は、例えば、高さの変位を目的変数とし、地理空間情報を説明変数として、将来の高さの変位、例えば、所定期間後の高さの変位を予測するように異種混合学習を行う。所定期間は、あらかじめ適宜定められていてよい。学習部１１３は、異種混合学習を行うことによって、条件式の組み合わせと、その組み合わせに含まれる全ての条件式が満たされる場合の予測式と、の複数の組を得ることができる。条件式の各々は、必ずしも同一ではない、１つの地理空間情報の値に対する条件を表す。条件式の組み合わせは、上述のように、１つ以上の条件式を含む。この条件式の組み合わせを、場合分け条件と表記する。予測式は、高さの変位を予測する式である。予測式の各々は、１つ以上の説明変数の線形式（線形和）によって表される。説明変数の各々は、いずれか１つの地理空間情報を表す。予測式に含まれる説明変数が表す地理空間情報は、高さの変位に寄与する地理空間情報であると言える。
　以下の説明において、「場合分け条件が満たされる」は、場合分け条件に含まれるすべての条件式が満たされることを表す。場合分け条件に対する予測式は、その場合分け条件が満たされる場合の予測式を表す。
　学習部１１３は、場合分け条件が満たされる場合に、その場合分け条件に対する予測式に含まれる説明変数によって表される地理空間情報を、高さの変位に寄与する地理空間情報として判定する判定モデルを生成する。判定モデルは、高さの変位に寄与する地理空間情報として判定した地理空間情報の情報を出力する。本実施形態の説明及び以下の説明において、「判定モデルを生成する」は、判定モデルを学習し、学習によって得られた判定モデルを表すデータを生成することを指す。
　学習部１１３は、得られた判定モデル（言い換えると、得られた判定モデルを表すデータ）を、モデル記憶部１２５に格納する。
　＜＜第２受取部１２１＞＞
　第２受取部１２１は、地表面上の地点の位置を特定する情報（例えば、緯度及び経度の情報）を受け取る。例えば、ユーザが、上述の端末装置を使用して、地表面上の地点の位置を特定する情報を、第２受取部１２１に入力してもよい。この場合、第２受取部１２１は、地表面上の地点の位置を特定する情報を、その端末装置から受け取る。
　上述のように、地点の位置を特定する情報は、地点情報と表記される。第２受取部１２１が受け取る地点情報を、対象地点情報と表記する。対象地点情報によって位置が特定される地点を、対象地点と表記する。対象地点情報は、１つの対象地点の位置を表していてもよい。その場合、対象地点情報は、例えば、緯度を表す情報と経度を表す情報との組み合わせを１つ含んでいてよい。対象地点情報は、複数の対象地点の位置を表していてもよい。その場合、対象地点情報は、例えば、緯度を表す情報と経度を表す情報との組み合わせを複数含んでいてもよい。対象地点情報は、例えば、領域内に規則的に並んでいる複数の点（格子点とも表記）の位置を表していてもよい。その場合、対象地点情報は、領域を特定する情報と、領域内の対象地点を特定する情報とを含んでいてよい。この場合、領域を特定する情報は、例えば領域の形状が矩形である場合、例えば、１つの頂点の緯度及び経度と、その頂点を起点とし、矩形の２辺を表す２つのベクトル（第１のっベクトル及び第２のベクトルと表記）とを含んでいてもよい。領域内の対象地点を特定する情報は、例えば、第１のベクトルの方向において対象地点が存在する間隔と、第２のベクトルの方向において対象地点が存在する間隔と、であってよい。対象地点情報は、これらの例に限られない。
　以下では、対象地点が１つである場合について説明する。複数の対象地点が存在する場合、以下で説明する各部は、１つの対象地点に対する動作を複数の対象地点に対して繰り返してよい。
　第２受取部１２１は、受け取った対象地点情報を、第２抽出部１２２に送出する。
　＜＜第２抽出部１２２＞＞
　第２抽出部１２２は、第２受取部１２１から、対象地点情報を受け取る。第２抽出部１２２は、受け取った対象地点情報によって特定される対象地点における、地理空間情報の値を、地理空間情報記憶部１３１に格納されている地理空間情報から抽出する。第２抽出部１２２は、地理空間情報記憶部１３１に格納されている全ての地理空間情報のうち、あらかじめ定められている地理空間情報の値を抽出してもよい。この場合、例えば、地理空間情報の値に対する条件に関係が無く、高さの変位に寄与しないことがあらかじめ確かめられている地理空間情報を、値の抽出の対象から除外されていてよい。対象地点における値が設定されていない地理空間情報が存在する場合、第２抽出部１２２は、その地理空間情報の値を、値が存在しないことを表す数値（例えば０など）に設定してもよい。
　第２抽出部１２２は、受け取った対象地点情報と、抽出した、対象地点における地理空間情報の値とを、判定部１２３に送出する。
　＜＜判定部１２３＞＞
　判定部１２３は、対象地点における地理空間情報の値を、第２抽出部１２２から受け取る。判定部１２３は、対象地点情報を第２抽出部１２２から受け取ってもよい。
　判定部１２３は、モデル記憶部１２５に格納されている判定モデルに従って、対象地点における高さの変位に寄与する地理空間情報の組み合わせを判定する。具体的には、判定部１２３は、例えば、判定モデルに含まれる複数の条件のうち、受け取った、対象地点における地理空間情報の値によって満たされる条件を特定する。判定部１２３は、特定した条件が満たされる場合の、高さの変位に寄与する地理空間情報の組み合わせが、対象地点における高さの変位に寄与する地理空間情報の組み合わせであると判定する。なお、対象地点における高さの変位に寄与する地理空間情報の組み合わせが、高さの変動の要因であるとみなすことができる。地理空間情報の組み合わせに含まれる地理空間情報の種類の数は、１つであってもよい。地理空間情報の組み合わせに含まれる地理空間情報の種類の数は、２つ以上であってもよい。
　判定部１２３は、判定した、対象地点における高さの変位に寄与する地理空間情報の組み合わせの情報を、出力部１２４に送出する。
　＜＜出力部１２４＞＞
　出力部１２４は、判定部１２３から、対象地点における高さの変位に寄与する地理空間情報の組み合わせの情報を受け取る。出力部１２４は、受け取った、対象地点における高さの変位に寄与する地理空間情報の組み合わせの情報を出力する。出力部１２４は、例えば、ディスプレイなどに、対象地点における高さの変位に寄与する地理空間情報の組み合わせを表示してもよい。出力部１２４は、対象地点における高さの変位に寄与する地理空間情報の組み合わせを、他の情報処理装置や上述の端末装置などに送出してもよい。
　＜動作＞
　次に、第１の実施形態の分析装置１０の動作について、図面を参照して詳細に説明する。
　図２は、本実施形態の分析装置１０の動作の一例を表すフローチャートである。
　図２に示す例では、まず、第１受取部１１１が、地表面の複数の地点における高さの変位と位置とを受け取る（ステップＳ１０１）。具体的には、第１受取部１１１は、地表面の複数の地点における高さの変位の情報と、それらの複数の地点の位置を表す、地点情報とを、学習用変位データとして受け取る。上述のように、高さの変位は、例えば、ＳＡＲによる観測によって得られた高さの変位である。第１受取部１１１は、受け取った、地表面の複数の地点における高さの変位と位置とを、第１抽出部１１２に送出する。
　次に、第１抽出部１１２が、複数の地点における地理空間情報の値を抽出する（ステップＳ１０２）。すなわち、第１抽出部１１２は、第１受取部１１１が受け取った、複数の地点の各々の地点情報が示す位置における、地理空間情報の値を、地理空間情報記憶部１３１に格納されている地理空間情報から抽出する。第１抽出部１１２は、学習用変位データとして受け取ったデータ（すなわち、地表面の複数の地点における高さの変位と、その複数の地点の地点情報）と、抽出した地理空間情報の値とを、学習部１１３に送出する。
　次に、学習部１１３が、判定モデルの学習を行う（ステップＳ１０３）。具体的には、学習部１１３は、地表面の複数の地点における高さの変位と、その複数の地点の地点情報と、抽出された地理空間情報の値とを、第１抽出部１１２から受け取る。学習部１１３は、複数の地点の各々における、高さの変位と、地理空間情報の値と、を使用して、上述の判定モデルの学習を行う。学習部１１３は、学習の結果として得られた判定モデルを、モデル記憶部１２５に格納する。
　分析装置１０は、以上のステップＳ１０１からステップＳ１０３までの動作を、あらかじめ行っていてよい。ステップＳ１０３に続けて、ステップＳ１０４の動作を行う必要はない。
　ステップＳ１０４において、第２受取部１２１が、対象地点の位置（すなわち、対象地点情報）を受け取る。第２受取部１２１は、受け取った、対象地点情報を、第２抽出部１２２に送出する。
　第２抽出部１２２は、対象地点における地理空間情報の値を抽出する（ステップＳ１０５）。第２抽出部１２２は、受け取った対象地点情報によって特定される位置における、地理空間情報の値を抽出してよい。
　そして、判定部１２３は、対象地点における高さの変位に寄与する地理空間情報の組み合わせを、判定モデルによって判定する（ステップＳ１０６）。
　出力部１２４は、得られた、地理空間情報の組み合わせを出力する（ステップＳ１０７）。
　複数の対象地点が存在する場合、分析装置１０は、例えば、ステップＳ１０４からステップＳ１０７までの動作を、複数の対象地点の各々について行ってよい。分析装置１０４は、ステップＳ１０４において、複数の対象地点の高さの変位と位置とを、まとめて受け取ってもよい。そして、分析装置１０４は、ステップＳ１０５とステップＳ１０６の動作を、複数の対象地点の各々について行ってよい。分析装置１０４は、ステップＳ１０７において、複数の対象地点の地理空間情報の組み合わせを、まとめて出力してもよい。
　＜効果＞
　本実施形態には、地表面の高さの変動の要因を判定することができるという効果がある。その理由は、学習部１１３が、対象地点の位置における地理空間情報の少なくとも一部の値に基づいて、高さの変動の要因として、対象地点の位置における高さの変位に寄与する地理空間情報の組み合わせを判定する判定モデルを学習するからである。
　＜＜第１の実施形態の第１の変形例＞＞
　次に、第１の実施形態の第１の変形例について説明する。本変形例の分析装置１０の構成は、第１の実施形態の分析装置１０の構成と同じである。本変形例の分析装置１０の機能及び動作は、以下の相違点を除いて、第１の実施形態の分析装置１０の機能及び動作と同じである。
　＜＜学習部１１３＞＞
　本変形例の学習部１１３が生成する判定モデルは、高さの変位に寄与する地理空間情報の情報に加えて、地理空間情報の寄与の大きさを表す値を出力する。
　上述のように、学習部１１３は、例えば、高さの変位を目的変数とし、地理空間情報を説明変数として異種混合学習を行うことによって、場合分け条件と、その場合分け条件に対する予測式と、の複数の組を得ることができる。本実施形態の学習部１１３は、学習の前に、地理空間情報の値域がそれぞれの地理空間情報で同じ（例えば、０以上１以下）になるように、それぞれの地理空間情報の値を変換する。上述のように、場合分け条件は、条件式の組み合わせである。場合分け条件に対する予測式は、その場合分け条件に含まれる条件式がすべて満たされる場合の予測式である。予測式は、説明変数の線形式によって表される。説明変数は、地理空間情報を表す。学習部１１３は、予測式に含まれる説明変数が表す地理空間情報を、高さの変位に寄与する地理空間情報とみなす。そして、学習部１１３は、予測式において、地理空間情報を表す説明変数の係数を、その地理空間情報の寄与の大きさとみなす。
　学習部１１３は、以下のような判定モデルを生成する。判定モデルは、場合分け条件が満たされる場合に、その場合分け条件に対する予測式に含まれる説明変数によって表される地理空間情報を、高さの変位に寄与する地理空間情報として判定する。判定モデルは、また、場合分け条件が満たされる場合に、その場合分け条件に対する予測式に含まれる説明変数の係数を、その説明変数によって表される地理空間情報の高さの変位に対する寄与の大きさとして判定する。判定モデルは、高さの変位に寄与する地理空間情報として判定した地理空間情報の情報と、その地理空間情報の高さの変位に対する寄与の大きさを表す情報とを出力する。
　＜＜判定部１２３＞＞
　判定部１２３は、モデル記憶部１２５に格納されている判定モデルに従って、対象地点における高さの変位に寄与する地理空間情報の組み合わせと、その組み合わせに含まれる地理空間情報の、高さの変位に対する寄与の大きさとを判定する。具体的には、判定部１２３は、例えば、判定モデルに含まれる複数の条件のうち、受け取った地理空間情報の値によって満たされる条件を特定する。判定部１２３は、特定した条件が満たされる場合の、高さの変位に寄与する地理空間情報の組み合わせが、対象地点における高さの変位に寄与する地理空間情報の組み合わせであると判定する。さらに、判定部１２３は、特定した条件が満たされる場合の高さの変位に寄与する地理空間情報の高さの変位に対する寄与の大きさが、それらの地理空間情報の、対象地点における高さの変位に対する寄与の大きさであると判定する。
　判定部１２３は、対象地点における高さの変位に寄与する地理空間情報の組み合わせの情報と、組み合わせに含まれる地理空間情報の寄与の大きさを表す情報とを、出力部１２４に送出する。
　＜＜出力部１２４＞＞
　出力部１２４は、判定部１２３から、対象地点における高さの変位に寄与する地理空間情報の組み合わせの情報と、組み合わせに含まれる地理空間情報の寄与の大きさを表す情報とを受け取る。出力部１２４は、受け取った、対象地点における高さの変位に寄与する地理空間情報の組み合わせの情報と、組み合わせに含まれる地理空間情報の寄与の大きさを表す情報とを出力する。出力部１２４は、例えば、ディスプレイなどに、対象地点における高さの変位に寄与する地理空間情報の組み合わせと寄与の大きさとを表示してもよい。出力部１２４は、対象地点における高さの変位に寄与する地理空間情報の組み合わせと寄与の大きさとを、他の情報処理装置や上述の端末装置などに送出してもよい。
　＜＜第１の実施形態の第２の変形例＞＞
　図３は、第１の実施形態の変形例の分析システム１の構成を表すブロック図である。図３に示す例では、分析システム１は、学習装置１１と、分析装置２１と、地理空間情報記憶装置３１、端末装置５１とを含む。学習装置１１、分析装置２１、地理空間情報記憶装置３１、及び、端末装置５１は、通信ネットワークであるネットワーク４０によって、通信可能に互いに接続されている。分析システム１は、第１の実施形態の分析装置１０の機能を、学習装置１１と、分析装置２１と、地理空間情報記憶装置３１とによって実現する。端末装置５１は、上述の端末装置である。
　図４は、本変形例の分析システム１が含む学習装置１１、分析装置２１、及び、地理空間情報記憶装置３１の詳細な構成の例を表すブロック図である。図４では、図３のネットワーク４０によって実現される、学習装置１１、分析装置２１、及び、地理空間情報記憶装置３１の構成要素の間のデータの受け渡しが、構成要素間をつなぐ線によって描かれている。
　学習装置１１は、第１受取部１１１と、第１抽出部１１２と、学習部１１３と、第１読出部１１４と、送信部１１５とを含む。第１受取部１１１、第１抽出部１１２、及び、学習部１１３は、それぞれ、第１の実施形態の、同じ符号が付与された同じ名称の部と同じである。
　第１読出部１１４は、地理空間情報記憶装置３１の地理空間情報記憶部１３１から、入出力部１３２を介して、地理空間情報を読み出す。具体的には、第１読出部１１４は、地理空間情報記憶装置３１の入出力部１３２に、地理空間情報の要求を送信し、入出力部１３２によって地理空間情報記憶部１３１から読み出された、要求された地理空間情報を、入出力部１３２から受け取ってよい。地理空間情報の要求は、地点を特定する地点情報（例えば、緯度及び経度の情報）を含んでいてよい。要求された地理空間情報は、地点情報によって特定される地点の、地理空間情報の値を指す。
　送信部１１５は、学習部１１３によって学習された判定モデル（言い換えると、判定器のパラメータ）を、分析装置２１に送信する。
　分析装置２１は、第２受取部１２１と、第２抽出部１２２と、判定部１２３と、出力部１２４と、モデル記憶部１２５と、第２読出部１２６と、受信部１２７とを含む。第２受取部１２１、第２抽出部１２２、判定部１２３、出力部１２４、及び、モデル記憶部１２５は、それぞれ、第１の実施形態の、同じ符号が付与された同じ名称の部と同じである。
　第２読出部１２６は、地理空間情報記憶装置３１の地理空間情報記憶部１３１から、入出力部１３２を介して、地理空間情報を読み出す。具体的には、第２読出部１２６は、地理空間情報記憶装置３１の入出力部１３２に、地理空間情報の要求を送信し、入出力部１３２によって地理空間情報記憶部１３１から読み出された、要求された地理空間情報を、入出力部１３２から受け取ってよい。地理空間情報の要求は、地点を特定する地点情報（例えば、緯度及び経度の情報）を含んでいてよい。第２読出部１２６によって生成され送信される地理空間情報の要求は、地理空間情報の種類を特定する種類情報を含んでいてもよい。種類情報は、複数の種類を特定してもよい。地理空間情報の要求に種類情報が含まれる場合、後述されるように、入出力部１３２は、地点情報によって特定される地点の、種類情報によって特定される全ての種類の地理空間情報の値を、第２読出部１２６に送出する。
　受信部１２７は、学習装置１１の送信部１１５から、判定モデルを受け取る。受信部１２７は、受け取った判定モデルを、モデル記憶部１２５に格納する。
　地理空間情報記憶装置３１は、地理空間情報記憶部１３１と、入出力部１３２とを含む。地理空間情報記憶部１３１は、第１の実施形態の地理空間情報記憶部１３１と同じである。
　入出力部１３２は、地理空間情報の要求を受け取る。地理空間情報の要求の送信元は、第１読出部１１４又は第２読出部１２６である。上述のように、地理空間情報の要求は、地点を特定する情報を含んでいてよい。入出力部１３２は、地理空間情報の要求に含まれる、地点を特定する情報によって特定される地点の地理空間情報の値を、地理空間情報記憶部１３１に格納されている地理空間情報から抽出する。入出力部１３２は、特定される地点の全ての種類の地理空間情報の値を抽出してもよい。地理空間情報の要求は、地理空間情報の種類を特定する情報を含んでいてもよい。その場合、入出力部１３２は、地理空間情報の要求に含まれる、地理空間情報の種類を特定する情報によって特定される、全ての種類の地理空間情報の値を抽出してもよい。入出力部１３２は、抽出した地理空間情報の値を、地理空間情報の要求の送信元に送信する。
　本変形例の分析システム１の動作は、次の相違点を除いて、図２に示す、第１の実施形態の分析装置１０の動作と同様である。上述の相違点は、例えば、地理空間情報の読出しを、第１読出部１１４及び入出力部１３２を介して、又は、第２読出部１２６及び入出力部１３２を介して行う点と、判定モデルの受け渡しを送信部１１５及び受信部１２７を介して行う点である。
　＜第２の実施形態＞
　図１は、本開示の第２の実施形態の分析装置１０の構成を表す図である。本実施形態の分析装置１０の構成は、第１の実施形態の分析装置１０の構成と同じである。本実施形態の分析装置１０の構成要素は、以下で説明する相違点を除いて、同一の名称及び符号が付与されている、第１の実施形態の分析装置１０の構成要素と同じである。
　＜＜学習部１１３＞＞
　本実施形態の学習部１１３は、第１の実施形態の学習部１１３が学習する判定モデルと異なる判定モデルを学習する。その他の点において、本実施形態の学習部１１３は、第１の実施形態の学習部１１３と同じである。例えば、第１の実施形態の学習部１１３と同様に、本実施形態の学習部１１３は、第１抽出部１１２から、学習用変位データと、その学習用変位データが経年変位を表す領域の、抽出された地理空間情報の値と、を受け取る。第１の実施形態の学習部１１３と同様に、本実施形態の学習部１１３は、学習によって得られた判定モデルを、モデル記憶部１２５に格納する。
　本実施形態の学習部１１３も、例えば、高さの変位を目的変数とし、地理空間情報を説明変数として、例えば所定期間後の高さの変位を予測するように、異種混合学習を行う。学習部１１３は、異種混合学習を行うことによって、条件式の組み合わせと、その組み合わせに含まれる全ての条件式が満たされる場合の予測式と、の複数の組を得ることができる。上述のように、条件式の各々は、必ずしも同一ではない、１つの地理空間情報の値に対する条件を表す。条件式の組み合わせは、上述のように、１つ以上の条件式を含む。この条件式の組み合わせを、場合分け条件と表記する。予測式は、高さの変位を予測する式である。予測式の各々は、１つ以上の説明変数の線形式によって表される。説明変数の各々は、いずれか１つの地理空間情報を表す。予測式に含まれる説明変数が表す地理空間情報は、高さの変位に寄与する地理空間情報であると言える。
　以下の説明において、「場合分け条件が満たされる」は、場合分け条件に含まれるすべての条件式が満たされることを表す。場合分け条件に対する予測式は、その場合分け条件が満たされる場合の予測式を表す。
　本実施形態の学習部１１３は、場合分け条件が満たされる場合に、その場合分け条件に対する予測式によって高さの変位の予測を行う、判定モデルを生成する。判定モデルは、予測された高さの変位の情報を出力する。
　＜＜判定部１２３＞＞
　本実施形態の判定部１２３は、第１の実施形態の判定部１２３と同様に、対象地点における地理空間情報の値を、第２抽出部１２２から受け取る。判定部１２３は、対象地点情報を第２抽出部１２２から受け取ってもよい。
　本実施形態の判定部１２３は、モデル記憶部１２５に格納されている判定モデルに従って、対象地点における高さの変位の予測を行う。具体的には、判定部１２３は、例えば、判定モデルに含まれる複数の条件のうち、受け取った、対象地点における地理空間情報の値によって満たされる条件を特定する。判定部１２３は、特定した条件が満たされる場合の予測式を使用して、高さの変位の予測を行う。
　判定部１２３は、予測した高さの変位を表す情報を、出力部１２４に送出する。
　＜＜出力部１２４＞＞
　出力部１２４は、予測された高さの変位を表す情報を判定部１２３から受け取る。出力部１２４は、受け取った、高さの変位を表す情報を出力する。出力部１２４の出力先は、第１の実施形態の出力部１２４の出力部と同様である。
　＜動作＞
　次に、本実施形態の分析装置１０の動作について説明する。
　図５は、本実施形態の分析装置１０の動作の例を表すフローチャートである。
　図５に示すステップＳ１０１及びＳ１０２の動作は、図２に示す、第１の実施形態の分析装置１０のステップＳ１０１及びＳ１０２の動作と同じである。
　ステップＳ２０３において、本実施形態の学習部１１３は、上述の、高さの変位を予測する判定モデルを生成する。
　本実施形態の分析装置１０は、ステップＳ１０４以降の動作を、ステップＳ１０１、ステップＳ１０２、及び、ステップＳ２０３に続けて行う必要はない。
　ステップＳ１０４及びＳ１０５の動作は、図２に示す、第１の実施形態の分析装置１０のステップＳ１０４及びＳ１０５の動作と同じである。
　ステップＳ２０６において、判定部１２３は、対象地点における高さの変位の予測を、判定モデルによって行う。ステップＳ２０７において、出力部１２４は、予測された高さの変位を出力する。
　＜効果＞
　本実施形態には、地表面の高さの変動を予測することができるという効果がある。その理由は、学習部１１３が、対象地点の位置における地理空間情報の少なくとも一部の値に基づいて、対象地点の位置における高さの変位の予測を行う判定モデルを学習するからである。
　＜＜第２の実施形態の第１の変形例＞＞
　次に、第２の実施形態の第１の変形例について説明する。本変形例の分析装置１０の構成は、図１に示す、第２の実施形態の分析装置１０の構成と同じである。
　学習部１１３は、複数の期間の各々について異種混合学習を行うことによって、それらの期間が経過した後の高さの変位をそれぞれ個別に予測する、複数の判定モデルを生成してよい。複数の期間のそれぞれの長さは、例えば、あらかじめ定められた所定期間の長さの倍数であってもよい。複数の期間のそれぞれの長さは、適宜定められた規則に従って決められていてもよい。複数の期間のそれぞれの長さは、例えば、ユーザによって指定されてもよい。学習部１１３は、生成した複数の判定モデルを、モデル記憶部１２５に格納する。それぞれの判定モデルは、高さの変位の予測を行い、予測された高さの変位を表す情報と、期間を表す情報を出力するよう構成されてもよい。
　判定部１２３は、モデル記憶部１２５に格納されている複数の判定モデルを読み出す。判定部１２３は、読み出した複数の判定モデルによって、異なる期間が経過した後の高さの変位の予測をそれぞれ行う。判定部１２３は、異なる期間が経過した後の高さの変位の予測と、それぞれの期間とを出力部１２４に送出する。
　出力部１２４は、複数の期間のそれぞれが経過した後の高さの変位の予測を出力する。出力部１２４は、複数の期間を表す情報と、それぞれの期間が経過した後の高さの変位の予測を出力してもよい。
　＜＜第２の実施形態の第２の変形例＞＞
　次に、第２の実施形態の第２の変形例について説明する。本変形例の分析装置１０の構成は、図１に示す、第２の実施形態の分析装置１０の構成と同じである。
　本変形例の学習部１１３は、場合分け条件が満たされる場合に、その場合分け条件に対する予測式によって所定期間が経過した後の高さの変位の予測を行い、さらに、高さの変位に寄与する地理空間情報の分析を行う判定モデルを生成する。判定モデルは、高さの変位に寄与する地理空間情報の分析を、上述のように、高さの変位を予測する予測式に含まれる説明変数によって表される地理空間情報を、高さの変位に寄与する地理空間情報として分析することによって行う。判定モデルは、高さの変位の予測に加えて、高さの変位に寄与する地理空間情報として分析した地理空間情報の情報を出力する。
　判定部１２３は、判定モデルによって、高さの変位の予測と、高さの変位に寄与する地理空間情報の分析を行う。判定部１２３は、予測された高さの変位を表す情報と、高さの変位に寄与する地理空間情報を表す情報とを、出力部１２４に送出する。
　出力部１２４は、予測された高さの変位を表す情報と、高さの変位に寄与する地理空間情報を表す情報とを出力する。
　＜＜第２の実施形態の第３の変形例＞＞
　次に、第２の実施形態の第３の変形例について説明する。本変形例の分析装置１０の構成は、図１に示す、第２の実施形態の分析装置１０の構成と同じである。
　第２の実施形態の第２の変形例を、第２の実施形態の第１の変形例のように構成することもできる。本変形例の学習部１１３は、異なる複数の期間の各々について、第２の実施形態の第２の変形例の判定モデルと同じ判定モデルを生成してもよい。具体的には、学習部１１３は、それぞれ、異なる期間が経過した後の高さの変位の予測と変位の要因の判定とを行う複数の判定モデルを生成する。前述のように、要因は、地理空間情報のいずれかである。
　判定部１２３は、生成された複数の判定モデルによって、対象地点における、異なる複数の期間が経過した後の高さの変位の予測とその高さの変位に寄与する要因の判定とを行う。判定部１２３は、対象地点における、異なる複数の期間が経過した後の、予測された高さの変位を表す情報と、その高さの変位に寄与する要因を表す情報とを、出力部１２４に送出する。
　出力部１２４は、予測された高さの変位を表す情報と、その高さの変位に寄与する要因を表す情報とを出力する。
　＜＜第２の実施形態の第４の変形例＞＞
　次に、第２の実施形態の第４の変形例について説明する。本変形例の分析装置１０の構成は、図１に示す、第２の実施形態の分析装置１０の構成と同じである。
　本変形例は、第２の実施形態の第２の変形例を、第１の実施形態の第１の変形例のように変形した例である。言い換えると、本変形例の学習部１１３は、高さの変位の予測と、要因の判定とを行うのに加えて、その要因の寄与の大きさとを判定する判定モデルを生成してよい。本変形例の判定部１２３は、高さの変位の予測に加えて、高さの変位の要因とその要因の寄与の大きさを判定する。本変形例の判定部１２３は、予測した高さの変位を表す情報と、判定した要因とその要因の寄与の大きさとを表す情報とを、出力部１２４に送出してよい。出力部１２４は、予測された高さの変位を表す情報と、判定された要因とその要因の寄与の大きさとを表す情報とを出力してよい。
　＜＜第２の実施形態の第５の変形例＞＞
　次に、第２の実施形態の第５の変形例について説明する。本変形例の分析装置１０の構成は、図１に示す、第２の実施形態の分析装置１０の構成と同じである。
　本変形例は、第２の実施形態の第３の変形例を、第１の実施形態の第１の変形例のように変形した例である。言い換えると、本変形例の学習部１１３は、異なる期間が経過した後における高さの変位の予測と、その高さの変位の要因の判定とを行うのに加えて、その要因の寄与の大きさとを判定する、複数の判定モデルを生成する。本変形例の判定部１２３は、複数の判定モデルによって、異なる期間が経過した後における高さの変位の予測と、その高さの変位の要因とその要因の寄与の大きさを判定する。判定部１２３は、予測した高さの変位を表す情報と、判定した要因とその要因の寄与の大きさとを表す情報とを、出力部１２４に送出してよい。出力部１２４は、予測された高さの変位を表す情報と、判定された要因とその要因の寄与の大きさとを表す情報とを出力する。
　＜＜第２の実施形態の第６の変形例＞＞
　第２の実施形態、及び、第２の実施形態の第１から第５の変形例の分析装置１０の機能は、第１の実施形態の第２の変形例のような、複数の装置の組み合わせによって実現できる。
　＜第３の実施形態＞
　次に、本開示の第３の実施形態について、図面を参照して詳細に説明する。
　＜構成＞
　図６は、本実施形態の分析装置１２の構成の例を表す図である。
　図６に示す、本開示の一態様に係る分析装置１２は、第１抽出部１１２と、学習部１１３と、を備える。第１抽出部１１２は、地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出する。学習部１１３は、判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせを前記地理空間情報の少なくとも一部の値に基づいて判定するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する。本実施形態の第１抽出部１１２、及び、学習部１１３は、それぞれ、第１の実施形態の第１抽出部１１２、及び、学習部１１３と同様に機能する。
　＜動作＞
　図７は、本実施形態の分析装置１２の動作の例を表すフローチャートである。
　図７に示す例では、第１抽出部１１２は、これらの複数の地点における地理空間情報の値を抽出する（ステップＳ１０２）。そして、学習部１０３は、判定モデルの学習を行う（ステップＳ１０３）。本実施形態の学習部１０３は、第１の実施形態の学習部１０３と同様に、第１の実施形態の判定モデルと同様の判定モデルを学習する。
　＜効果＞
　本実施形態には、第１の実施形態と同じ効果がある。その理由は、第１の実施形態の効果が生じる理由と同じである。
　＜第４の実施形態＞
　次に、本開示の第４の実施形態について、図面を参照して詳細に説明する。
　＜構成＞
　図６は、本実施形態の分析装置１２の構成の例を表す図である。
　図６に示す、本開示の一態様に係る分析装置１２は、第１抽出部１１２と、学習部１１３と、を備える。第１抽出部１１２は、地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出する。学習部１１３は、判定モデルが高さの変位を前記地理空間情報の少なくとも一部の値に基づいて予測するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する。本実施形態の第１抽出部１１２、及び、学習部１１３は、それぞれ、第２の実施形態の第１抽出部１１２、及び、学習部１１３と同様に機能する。
　＜動作＞
　図７は、本実施形態の分析装置１２の動作の例を表すフローチャートである。
　図７に示す例では、第１抽出部１１２は、これらの複数の地点における地理空間情報の値を抽出する（ステップＳ１０２）。そして、学習部１０３は、判定モデルの学習を行う（ステップＳ１０３）。本実施形態の学習部１０３は、第２の実施形態の学習部１０３と同様に、第２の実施形態の判定モデルと同様の判定モデルを学習する。
　＜効果＞
　本実施形態には、第２の実施形態と同じ効果がある。その理由は、第１の実施形態の効果が生じる理由と同じである。
　＜他の実施形態＞
　本開示の実施形態に係る分析装置１０、学習装置１１、分析装置１２、分析装置２１の各々は、記憶媒体から読み出されたプログラムがロードされたメモリと、そのプログラムを実行するプロセッサとを含むコンピュータによって実現することができる。本開示の実施形態に係る分析装置１０、学習装置１１、分析装置１２、分析装置２１の各々は、専用のハードウェアによって実現することもできる。本開示の実施形態に係る分析装置１０、学習装置１１、分析装置１２、分析装置２１の各々は、前述のコンピュータと専用のハードウェアとの組み合わせによって実現することもできる。
　図８は、本開示の実施形態に係る分析装置１０、学習装置１１、分析装置１２、分析装置２１の各々を実現することができる、コンピュータ１０００のハードウェア構成の一例を表す図である。図８を参照すると、コンピュータ１０００は、プロセッサ１００１と、メモリ１００２と、記憶装置１００３と、Ｉ／Ｏ（Ｉｎｐｕｔ／Ｏｕｔｐｕｔ）インタフェース１００４とを含む。また、コンピュータ１０００は、記憶媒体１００５にアクセスすることができる。メモリ１００２と記憶装置１００３は、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ハードディスクなどの記憶装置である。記憶媒体１００５は、例えば、ＲＡＭ、ハードディスクなどの記憶装置、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、可搬記憶媒体である。記憶装置１００３が記憶媒体１００５であってもよい。プロセッサ１００１は、メモリ１００２と、記憶装置１００３に対して、データやプログラムの読み出しと書き込みを行うことができる。プロセッサ１００１は、Ｉ／Ｏインタフェース１００４を介して、例えば、他の装置にアクセスすることができる。プロセッサ１００１は、記憶媒体１００５にアクセスすることができる。記憶媒体１００５には、コンピュータ１０００を、本開示の実施形態に係る分析装置１０、学習装置１１、分析装置１２、分析装置２１のいずれかとして動作させるプログラムが格納されている。
　プロセッサ１００１は、記憶媒体１００５に格納されている、コンピュータ１０００を、本開示の実施形態に係る分析装置１０、学習装置１１、分析装置１２、分析装置２１のいずれかとして動作させるプログラムを、メモリ１００２にロードする。そして、プロセッサ１００１が、メモリ１００２にロードされたプログラムを実行することにより、コンピュータ１０００は、コンピュータ１０００を、本開示の実施形態に係る分析装置１０、学習装置１１、分析装置１２、又は、分析装置２１として動作する。
　第１受取部１１１、第１抽出部１１２、学習部１１３、第１読出部１１４、送信部１１５は、例えば、プログラムを記憶する記憶媒体１００５からメモリ１００２にロードされたプログラムを実行するプロセッサ１００１により実現することができる。第２受取部１２１、第２抽出部１２２、判定部１２３、出力部１２４、第２読出部１２６、受信部１２７は、例えば、プログラムを記憶する記憶媒体１００５からメモリ１００２にロードされたプログラムを実行するプロセッサ１００１により実現することができる。入出力部１３２は、例えば、プログラムを記憶する記憶媒体１００５からメモリ１００２にロードされたプログラムを実行するプロセッサ１００１により実現することができる。また、モデル記憶部１２５、地理空間情報記憶部１３１は、コンピュータ１０００が含むメモリ１００２やハードディスク装置等の記憶装置１００３により実現することができる。
　第１受取部１１１、第１抽出部１１２、学習部１１３、第１読出部１１４、送信部１１５の一部又は全部を、各部の機能を実現する専用の回路によって実現することもできる。第２受取部１２１、第２抽出部１２２、判定部１２３、出力部１２４、モデル記憶部１２５、第２読出部１２６、受信部１２７の一部又は全部を、各部の機能を実現する専用の回路によって実現することもできる。地理空間情報記憶部１３１、入出力部１３２の一部又は全部を、各部の機能を実現する専用の回路によって実現することもできる。
　また、上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下に限られない。
　（付記１）
　地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出する第１抽出手段と、
　判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせを前記地理空間情報の少なくとも一部の値に基づいて判定するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する学習手段と、
　を備える分析装置。
　（付記２）
　対象地点における前記地理空間情報の値を抽出する第２抽出手段と、
　前記判定モデルによって、前記対象地点における前記地理空間情報の値に基づく、前記対象地点における高さの変位である対象変位に寄与する地理空間情報の組み合わせを判定する判定手段と、
　前記対象変位に寄与する前記地理空間情報の組み合わせを出力する出力手段と、
　を備える付記１に記載の分析装置。
　（付記３）
　前記学習手段は、前記判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせの各々の寄与の大きさをさらに判定するように、前記判定モデルを学習し、
　前記判定手段は、前記判定モデルによって、前記対象変位に寄与する地理空間情報の寄与の大きさを判定し、
　前記出力手段は、さらに、判定された前記寄与の大きさを出力する
　付記２に記載の分析装置。
　（付記４）
　前記学習手段は、前記判定モデルが、前記地理空間情報の少なくとも一部の値に基づいて将来の高さの変位の予測をさらに行うように、前記複数の地点における前記高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習し、
　前記判定手段は、前記判定モデルによって、前記対象地点における前記前記地理空間情報の値に基づく、前記対象変位の予測をさらに行い、
　前記出力手段は、前記対象変位の予測を出力する
　付記２または３に記載の分析装置。
　（付記５）
　前記学習手段は、前記地理空間情報の少なくとも一部の各々の値に対する条件と、当該条件の全てが満たされる場合において前記将来の高さの変位の予測を行う予測式とを導出し、
　前記予測式は、前記地理空間情報をそれぞれ表す変数の線形和によって表され、
　前記判定モデルは、前記条件がすべて満たされる場合における前記予測式の、前記変数が表す前記地理空間情報の組み合わせを、高さの変位に寄与する前記地理空間情報の組み合わせと判定する
　付記１乃至４のいずれか１項に記載の分析装置。
　（付記６）
　地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出する第１抽出手段と、
　判定モデルが高さの変位を前記地理空間情報の少なくとも一部の値に基づいて予測するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する学習手段と、
　を備える分析装置。
　（付記７）
　対象地点における前記地理空間情報の値を抽出する第２抽出手段と、
　前記判定モデルによって、前記対象地点における前記地理空間情報の値に基づく、前記対象地点における高さの変位である対象変位を予測する判定手段と、
　予測された前記対象変位を出力する出力手段と、
　を備える付記６に記載の分析装置。
　（付記８）
　地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出し、
　判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせを前記地理空間情報の少なくとも一部の値に基づいて判定するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する、
　分析方法。
　（付記９）
　対象地点における前記地理空間情報の値を抽出し、
　前記判定モデルによって、前記対象地点における前記地理空間情報の値に基づく、前記対象地点における高さの変位である対象変位に寄与する地理空間情報の組み合わせを判定し、
　前記対象変位に寄与する前記地理空間情報の組み合わせを出力する、
　付記８に記載の分析方法。
　（付記１０）
　前記判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせの各々の寄与の大きさをさらに判定するように、前記判定モデルを学習し、
　前記判定モデルによって、前記対象変位に寄与する地理空間情報の寄与の大きさを判定し、
　さらに、判定された前記寄与の大きさを出力する
　付記９に記載の分析方法。
　（付記１１）
　前記判定モデルが、前記地理空間情報の少なくとも一部の値に基づいて将来の高さの変位の予測をさらに行うように、前記複数の地点における前記高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習し、
　前記判定モデルによって、前記対象地点における前記前記地理空間情報の値に基づく、前記対象変位の予測をさらに行い、
　前記対象変位の予測を出力する
　付記９または１０に記載の分析方法。
　（付記１２）
　前記地理空間情報の少なくとも一部の各々の値に対する条件と、当該条件の全てが満たされる場合において前記将来の高さの変位の予測を行う予測式とを導出し、
　前記予測式は、前記地理空間情報をそれぞれ表す変数の線形和によって表され、
　前記判定モデルは、前記条件がすべて満たされる場合における前記予測式の、前記変数が表す前記地理空間情報の組み合わせを、高さの変位に寄与する前記地理空間情報の組み合わせと判定する
　付記８乃至１１のいずれか１項に記載の分析方法。
　（付記１３）
　地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出し、
　判定モデルが高さの変位を前記地理空間情報の少なくとも一部の値に基づいて予測するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する、
　分析方法。
　（付記１４）
　対象地点における前記地理空間情報の値を抽出し、
　前記判定モデルによって、前記対象地点における前記地理空間情報の値に基づく、前記対象地点における高さの変位である対象変位を予測し、
　予測された前記対象変位を出力する、
　付記１３に記載の分析方法。
　（付記１５）
　地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出する第１抽出処理と、
　判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせを前記地理空間情報の少なくとも一部の値に基づいて判定するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する学習処理と、
　をコンピュータに実行させるプログラムを記憶する記憶媒体。
　（付記１６）
　前記プログラムは、
　対象地点における前記地理空間情報の値を抽出する第２抽出処理と、
　前記判定モデルによって、前記対象地点における前記地理空間情報の値に基づく、前記対象地点における高さの変位である対象変位に寄与する地理空間情報の組み合わせを判定する判定処理と、
　前記対象変位に寄与する前記地理空間情報の組み合わせを出力する出力処理と、
　をさらにコンピュータに実行させる付記１５に記載の記憶媒体。
　（付記１７）
　前記学習処理は、前記判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせの各々の寄与の大きさをさらに判定するように、前記判定モデルを学習し、
　前記判定処理は、前記判定モデルによって、前記対象変位に寄与する地理空間情報の寄与の大きさを判定し、
　前記出力処理は、さらに、判定された前記寄与の大きさを出力する
　付記１６に記載の記憶媒体。
　（付記１８）
　前記学習処理は、前記判定モデルが、前記地理空間情報の少なくとも一部の値に基づいて将来の高さの変位の予測をさらに行うように、前記複数の地点における前記高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習し、
　前記判定処理は、前記判定モデルによって、前記対象地点における前記前記地理空間情報の値に基づく、前記対象変位の予測をさらに行い、
　前記出力処理は、前記対象変位の予測を出力する
　付記１６または１７に記載の記憶媒体。
　（付記１９）
　前記学習処理は、前記地理空間情報の少なくとも一部の各々の値に対する条件と、当該条件の全てが満たされる場合において前記将来の高さの変位の予測を行う予測式とを導出し、
　前記予測式は、前記地理空間情報をそれぞれ表す変数の線形和によって表され、
　前記判定モデルは、前記条件がすべて満たされる場合における前記予測式の、前記変数が表す前記地理空間情報の組み合わせを、高さの変位に寄与する前記地理空間情報の組み合わせと判定する
　付記１５乃至１８のいずれか１項に記載の記憶媒体。
　（付記２０）
　地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出する第１抽出処理と、
　判定モデルが高さの変位を前記地理空間情報の少なくとも一部の値に基づいて予測するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する学習処理と、
　をコンピュータに実行させるプログラムを記憶する記憶媒体。
　（付記２１）
　前記プログラムは、
　対象地点における前記地理空間情報の値を抽出する第２抽出処理と、
　前記判定モデルによって、前記対象地点における前記地理空間情報の値に基づく、前記対象地点における高さの変位である対象変位を予測する判定処理と、
　予測された前記対象変位を出力する出力処理と、
　をコンピュータに実行させる付記２０に記載の記憶媒体。
　以上、実施形態を参照して本発明を説明したが、本発明は上記実施形態に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　１　　分析システム
　１０　　分析装置
　１１　　学習装置
　１２　　分析装置
　２１　　分析装置
　３１　　地理空間情報記憶装置
　４０　　ネットワーク
　５１　　端末装置
　１１１　　第１受取部
　１１２　　第１抽出部
　１１３　　学習部
　１１４　　第１読出部
　１１５　　送信部
　１２１　　第２受取部
　１２２　　第２抽出部
　１２３　　判定部
　１２４　　出力部
　１２５　　モデル記憶部
　１２６　　第２読出部
　１２７　　受信部
　１３１　　地理空間情報記憶部
　１３２　　入出力部
　１０００　　コンピュータ
　１００１　　プロセッサ
　１００２　　メモリ
　１００３　　記憶装置
　１００４　　Ｉ／Ｏインタフェース
　１００５　　記憶媒体

Claims (21)

  1. 　地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出する第１抽出手段と、
    　判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせを前記地理空間情報の少なくとも一部の値に基づいて判定するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する学習手段と、
    　を備える分析装置。
  2. 　対象地点における前記地理空間情報の値を抽出する第２抽出手段と、
    　前記判定モデルによって、前記対象地点における前記地理空間情報の値に基づく、前記対象地点における高さの変位である対象変位に寄与する地理空間情報の組み合わせを判定する判定手段と、
    　前記対象変位に寄与する前記地理空間情報の組み合わせを出力する出力手段と、
    　を備える請求項１に記載の分析装置。
  3. 　前記学習手段は、前記判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせの各々の寄与の大きさをさらに判定するように、前記判定モデルを学習し、
    　前記判定手段は、前記判定モデルによって、前記対象変位に寄与する地理空間情報の寄与の大きさを判定し、
    　前記出力手段は、さらに、判定された前記寄与の大きさを出力する
    　請求項２に記載の分析装置。
  4. 　前記学習手段は、前記判定モデルが、前記地理空間情報の少なくとも一部の値に基づいて将来の高さの変位の予測をさらに行うように、前記複数の地点における前記高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習し、
    　前記判定手段は、前記判定モデルによって、前記対象地点における前記前記地理空間情報の値に基づく、前記対象変位の予測をさらに行い、
    　前記出力手段は、前記対象変位の予測を出力する
    　請求項２または３に記載の分析装置。
  5. 　前記学習手段は、前記地理空間情報の少なくとも一部の各々の値に対する条件と、当該条件の全てが満たされる場合において前記将来の高さの変位の予測を行う予測式とを導出し、
    　前記予測式は、前記地理空間情報をそれぞれ表す変数の線形和によって表され、
    　前記判定モデルは、前記条件がすべて満たされる場合における前記予測式の、前記変数が表す前記地理空間情報の組み合わせを、高さの変位に寄与する前記地理空間情報の組み合わせと判定する
    　請求項１乃至４のいずれか１項に記載の分析装置。
  6. 　地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出する第１抽出手段と、
    　判定モデルが高さの変位を前記地理空間情報の少なくとも一部の値に基づいて予測するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する学習手段と、
    　を備える分析装置。
  7. 　対象地点における前記地理空間情報の値を抽出する第２抽出手段と、
    　前記判定モデルによって、前記対象地点における前記地理空間情報の値に基づく、前記対象地点における高さの変位である対象変位を予測する判定手段と、
    　予測された前記対象変位を出力する出力手段と、
    　を備える請求項６に記載の分析装置。
  8. 　地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出し、
    　判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせを前記地理空間情報の少なくとも一部の値に基づいて判定するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する、
    　分析方法。
  9. 　対象地点における前記地理空間情報の値を抽出し、
    　前記判定モデルによって、前記対象地点における前記地理空間情報の値に基づく、前記対象地点における高さの変位である対象変位に寄与する地理空間情報の組み合わせを判定し、
    　前記対象変位に寄与する前記地理空間情報の組み合わせを出力する、
    　請求項８に記載の分析方法。
  10. 　前記判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせの各々の寄与の大きさをさらに判定するように、前記判定モデルを学習し、
    　前記判定モデルによって、前記対象変位に寄与する地理空間情報の寄与の大きさを判定し、
    　さらに、判定された前記寄与の大きさを出力する
    　請求項９に記載の分析方法。
  11. 　前記判定モデルが、前記地理空間情報の少なくとも一部の値に基づいて将来の高さの変位の予測をさらに行うように、前記複数の地点における前記高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習し、
    　前記判定モデルによって、前記対象地点における前記前記地理空間情報の値に基づく、前記対象変位の予測をさらに行い、
    　前記対象変位の予測を出力する
    　請求項９または１０に記載の分析方法。
  12. 　前記地理空間情報の少なくとも一部の各々の値に対する条件と、当該条件の全てが満たされる場合において前記将来の高さの変位の予測を行う予測式とを導出し、
    　前記予測式は、前記地理空間情報をそれぞれ表す変数の線形和によって表され、
    　前記判定モデルは、前記条件がすべて満たされる場合における前記予測式の、前記変数が表す前記地理空間情報の組み合わせを、高さの変位に寄与する前記地理空間情報の組み合わせと判定する
    　請求項８乃至１１のいずれか１項に記載の分析方法。
  13. 　地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出し、
    　判定モデルが高さの変位を前記地理空間情報の少なくとも一部の値に基づいて予測するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する、
    　分析方法。
  14. 　対象地点における前記地理空間情報の値を抽出し、
    　前記判定モデルによって、前記対象地点における前記地理空間情報の値に基づく、前記対象地点における高さの変位である対象変位を予測し、
    　予測された前記対象変位を出力する、
    　請求項１３に記載の分析方法。
  15. 　地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出する第１抽出処理と、
    　判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせを前記地理空間情報の少なくとも一部の値に基づいて判定するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する学習処理と、
    　をコンピュータに実行させるプログラムを記憶する記憶媒体。
  16. 　前記プログラムは、
    　対象地点における前記地理空間情報の値を抽出する第２抽出処理と、
    　前記判定モデルによって、前記対象地点における前記地理空間情報の値に基づく、前記対象地点における高さの変位である対象変位に寄与する地理空間情報の組み合わせを判定する判定処理と、
    　前記対象変位に寄与する前記地理空間情報の組み合わせを出力する出力処理と、
    　をさらにコンピュータに実行させる請求項１５に記載の記憶媒体。
  17. 　前記学習処理は、前記判定モデルが高さの変位に対して寄与する前記地理空間情報の組み合わせの各々の寄与の大きさをさらに判定するように、前記判定モデルを学習し、
    　前記判定処理は、前記判定モデルによって、前記対象変位に寄与する地理空間情報の寄与の大きさを判定し、
    　前記出力処理は、さらに、判定された前記寄与の大きさを出力する
    　請求項１６に記載の記憶媒体。
  18. 　前記学習処理は、前記判定モデルが、前記地理空間情報の少なくとも一部の値に基づいて将来の高さの変位の予測をさらに行うように、前記複数の地点における前記高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習し、
    　前記判定処理は、前記判定モデルによって、前記対象地点における前記前記地理空間情報の値に基づく、前記対象変位の予測をさらに行い、
    　前記出力処理は、前記対象変位の予測を出力する
    　請求項１６または１７に記載の記憶媒体。
  19. 　前記学習処理は、前記地理空間情報の少なくとも一部の各々の値に対する条件と、当該条件の全てが満たされる場合において前記将来の高さの変位の予測を行う予測式とを導出し、
    　前記予測式は、前記地理空間情報をそれぞれ表す変数の線形和によって表され、
    　前記判定モデルは、前記条件がすべて満たされる場合における前記予測式の、前記変数が表す前記地理空間情報の組み合わせを、高さの変位に寄与する前記地理空間情報の組み合わせと判定する
    　請求項１５乃至１８のいずれか１項に記載の記憶媒体。
  20. 　地表面の状態及び当該地表面の地下の状態の少なくともいずれかをそれぞれ表す、複数の種類の地理空間情報から、前記地表面の複数の地点の各々における前記地理空間情報の値を抽出する第１抽出処理と、
    　判定モデルが高さの変位を前記地理空間情報の少なくとも一部の値に基づいて予測するように、前記複数の地点における高さの変位と抽出した前記前記地理空間情報の値とに基づいて前記判定モデルを学習する学習処理と、
    　をコンピュータに実行させるプログラムを記憶する記憶媒体。
  21. 　前記プログラムは、
    　対象地点における前記地理空間情報の値を抽出する第２抽出処理と、
    　前記判定モデルによって、前記対象地点における前記地理空間情報の値に基づく、前記対象地点における高さの変位である対象変位を予測する判定処理と、
    　予測された前記対象変位を出力する出力処理と、
    　をコンピュータに実行させる請求項２０に記載の記憶媒体。
PCT/JP2020/014752 2020-03-31 2020-03-31 分析装置、分析方法及び記憶媒体 WO2021199245A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2022512969A JP7375915B2 (ja) 2020-03-31 2020-03-31 分析装置、分析方法及びプログラム
US17/788,007 US20230042178A1 (en) 2020-03-31 2020-03-31 Analysis device, analysis method, and storage medium
PCT/JP2020/014752 WO2021199245A1 (ja) 2020-03-31 2020-03-31 分析装置、分析方法及び記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/014752 WO2021199245A1 (ja) 2020-03-31 2020-03-31 分析装置、分析方法及び記憶媒体

Publications (1)

Publication Number Publication Date
WO2021199245A1 true WO2021199245A1 (ja) 2021-10-07

Family

ID=77928213

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/014752 WO2021199245A1 (ja) 2020-03-31 2020-03-31 分析装置、分析方法及び記憶媒体

Country Status (3)

Country Link
US (1) US20230042178A1 (ja)
JP (1) JP7375915B2 (ja)
WO (1) WO2021199245A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022014328A (ja) * 2020-07-06 2022-01-19 国立大学法人東北大学 液状化評価モデル生成装置、液状化評価装置、液状化評価モデル生成プログラム、液状化評価プログラム、液状化評価モデル生成方法及び液状化評価方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009087235A (ja) * 2007-10-02 2009-04-23 Toshiba Corp モデル構築装置並びにモデル構築のための方法およびプログラム
WO2015041295A1 (ja) * 2013-09-18 2015-03-26 国立大学法人東京大学 地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置
US20160321818A1 (en) * 2015-04-30 2016-11-03 Harris Corporation Geospatial imaging system providing segmentation and classification features and related methods
JP2018048898A (ja) * 2016-09-21 2018-03-29 日本電気株式会社 画像処理装置、画像処理方法及びプログラム
JP2018194404A (ja) * 2017-05-16 2018-12-06 株式会社パスコ 機械学習方法、及び地表変動判定方法
JP2019035598A (ja) * 2017-08-10 2019-03-07 株式会社パスコ 土地被覆学習データ生成装置、土地被覆学習データ、土地被覆分類予測装置及び土地被覆学習データ生成プログラム
CN109669184A (zh) * 2019-02-25 2019-04-23 电子科技大学 一种基于全卷积网络的合成孔径雷达方位模糊消除方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7059466B2 (ja) 2017-11-02 2022-04-26 国際航業株式会社 予測座標変動算出システム
JP7244794B2 (ja) 2018-08-03 2023-03-23 日本電気株式会社 Ｓａｒ画像解析システム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009087235A (ja) * 2007-10-02 2009-04-23 Toshiba Corp モデル構築装置並びにモデル構築のための方法およびプログラム
WO2015041295A1 (ja) * 2013-09-18 2015-03-26 国立大学法人東京大学 地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置
US20160321818A1 (en) * 2015-04-30 2016-11-03 Harris Corporation Geospatial imaging system providing segmentation and classification features and related methods
JP2018048898A (ja) * 2016-09-21 2018-03-29 日本電気株式会社 画像処理装置、画像処理方法及びプログラム
JP2018194404A (ja) * 2017-05-16 2018-12-06 株式会社パスコ 機械学習方法、及び地表変動判定方法
JP2019035598A (ja) * 2017-08-10 2019-03-07 株式会社パスコ 土地被覆学習データ生成装置、土地被覆学習データ、土地被覆分類予測装置及び土地被覆学習データ生成プログラム
CN109669184A (zh) * 2019-02-25 2019-04-23 电子科技大学 一种基于全卷积网络的合成孔径雷达方位模糊消除方法

Also Published As

Publication number Publication date
JPWO2021199245A1 (ja) 2021-10-07
US20230042178A1 (en) 2023-02-09
JP7375915B2 (ja) 2023-11-08

Similar Documents

Publication Publication Date Title
Sun et al. Modeling urban land use change and urban sprawl: Calgary, Alberta, Canada
Graham et al. A comparison of methods for mapping species ranges and species richness
Nduwayezu et al. Modeling urban growth in Kigali city Rwanda
Thiery et al. Application of expert rules in indirect approaches for landslide susceptibility assessment
Marques et al. Sea cliff instability susceptibility at regional scale: a statistically based assessment in the southern Algarve, Portugal
Marques et al. Statistically based sea cliff instability hazard assessment of Burgau-Lagos coastal section (Algarve, Portugal)
CN115147011B (zh) 一种地表水与林地损害鉴定评估方法及装置、设备和介质
US12062231B2 (en) Inundation and overflow prediction system using drone images and artificial intelligence
Gyasi-Agyei et al. Interpolation of daily rainfall networks using simulated radar fields for realistic hydrological modelling of spatial rain field ensembles
WO2021199241A1 (ja) 分析装置、分析方法及び記憶媒体
Shastry et al. Using steady‐state backwater analysis to predict inundated area from national water model streamflow simulations
Diodato et al. Communicating hydrological hazard-prone areas in Italy with geospatial probability maps
WO2021199245A1 (ja) 分析装置、分析方法及び記憶媒体
CN115600047B (zh) 一种基于栅格分析的小流域面平均降雨量测算方法和系统
Dehingia et al. Decadal Transformation of Land Use-Land Cover and Future Spatial Expansion in Bangalore Metropolitan Region, India: Open-Source Geospatial Machine Learning Approach
Romah Advanced methods in sea level rise vulnerability assessment
Shannon et al. LiDAR-based sinkhole detection and mapping in Knox County, Tennessee
WO2021199237A1 (ja) 分析装置、分析方法及び記憶媒体
CN115907357A (zh) 基于遥感和边坡失稳模型的输电杆塔选址优化系统及方法
JP7356070B2 (ja) 被害率曲線作成方法、被害率曲線作成装置、及びプログラム
Lin et al. Evaluation of a geospatial liquefaction model using land damage data from the 2016 Kaikoura earthquake
Kim et al. Urban flood inundation simulation based on high-precision 3D modeling
Bhardwaj et al. Landslide susceptibility mapping using probabilistic frequency ratio and Shannon entropy for Chamoli, Uttarakhand Himalayas
Williams et al. Geographic information system data considerations in the context of the enhanced bathtub model for coastal inundation
Nilsson A dynamic and spatially distributed rainfall runoff model-Developing a model for overland flow in GIS, based on a multiple flow direction algorithm

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20928280

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022512969

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20928280

Country of ref document: EP

Kind code of ref document: A1