WO2023068208A1

WO2023068208A1 - エアロゾル濃度の推測方法及びシステム

Info

Publication number: WO2023068208A1
Application number: PCT/JP2022/038452
Authority: WO
Inventors: 知紘佐藤; 健史村田; 和憲山本; 道治新見; 正典高林; 久洋高島; 昌憲石井
Original assignee: 国立研究開発法人情報通信研究機構
Priority date: 2021-10-20
Filing date: 2022-10-14
Publication date: 2023-04-27
Also published as: JP2023061680A

Abstract

【解決課題】　大掛かりな装置を必要としないエアロゾル濃度の推測方法やシステムを提供する。【解決手段】　コンピュータを用いた対象領域のエアロゾル濃度の推測方法であって，対象領域を撮影したサンプル画像から物理量を得る，物理量取得工程と，物理量を用いて，エアロゾル濃度を推測するための推定用数値を得る，推定用数値取得工程と，推定用数値を用いて，エアロゾル濃度を推測する，エアロゾル濃度推測工程と，を含むエアロゾル濃度の推測方法。

Description

エアロゾル濃度の推測方法及びシステム

　この発明は，エアロゾル濃度の推測方法及びシステムに関する。より詳しく説明すると，この発明は，撮影した画像に基づいて，エアロゾルの濃度を推測する方法やその方法のためのシステムに関する。

　特許第５０４６０７６号公報（特許文献１）には，特定物質を含むエアロゾルの遠隔選別画像計測法が記載されている。この方法は，光励起によって特定の物質から発生する特有の波長の光のみを画像として検出する。

　このエアロゾルの遠隔選別画像計測法を行うためには，光励起を行うために，レーザーレーダーといった大掛かりな装置が必要となる。このため，この方法では，エアロゾル濃度を観測できる地点が限られてしまうという問題がある。

特許第５０４６０７６号公報

　この明細書に記載されるある発明は，大掛かりな装置を必要とせずに，エアロゾル濃度を推測できる方法や，その方法を実装するためのシステムを提供することを目的とする。

　上記の発明は，基本的には，対象領域を撮影した画像を分析し，対象領域のサンプル画像から物理量を取得し，その物理量を用いて推定用の数値を求めることで，エアロゾル濃度を効果的に推測できるという知見に基づく。

　ある発明は，コンピュータを用いた対象領域のエアロゾル濃度の推測方法に関する。この方法は，物理量取得工程（Ｓ１０１）と，推定用数値取得工程（Ｓ１０２）と，エアロゾル濃度推測工程（Ｓ１０３）とを含む。
　物理量取得工程（Ｓ１０１）は，対象領域を撮影したサンプル画像から物理量を得るための工程である。
　推定用数値取得工程（Ｓ１０２）は，得られた物理量を用いて，エアロゾル濃度を推測するための推定用数値を得るための工程である。
　エアロゾル濃度推測工程（Ｓ１０３）は，その推定用数値を用いて，エアロゾル濃度を推測するための工程である。

　上記の方法の例は反射率を用いた対象領域のエアロゾル濃度の推測方法に関する。
　この方法は，輝度取得工程（Ｓ１０１’），反射率取得工程（Ｓ１０２’）と，エアロゾル濃度推測工程（Ｓ１０３’）とを含む。
　輝度取得工程（Ｓ１０１’）は，対象領域を撮影したサンプル画像からサンプル画像の物理量である輝度Ｉを得るための工程である。
　反射率取得工程（Ｓ１０２’）は，基準照度Ｌ_０と，対象領域を撮影したサンプル画像の輝度Ｉとを用いて，対象領域の反射率Ｒを求めるための工程である。
　エアロゾル濃度推測工程（Ｓ１０３’）は，反射率Ｒを用いて，エアロゾル濃度を推測するための工程である。
　そして，基準照度Ｌ_０の好ましい例は，サンプル画像と同じ撮影場所において撮影された対象領域の空間画像を用いて得られた照度である。サンプル画像は，空上層部分，空下層部分，地平線と境界部分，及び建物部分のいずれか１つ以上に領域された部分領域画像を含むものが好ましい。
　また，エアロゾル濃度推測工程（Ｓ１０３’）の好ましい例は，機械学習を用いて，反射率Ｒを用いてエアロゾル濃度を推測する工程である。反射率Ｒは，複数の色成分ごとの反射率を含むものが好ましい。エアロゾル濃度推測工程の別の例は，複数の色成分ごとの反射率の比を用いてエアロゾル濃度を推測する工程を含むものである。
　対象領域のサンプル画像から求めた対象領域の反射率は，エアロゾルによる光の散乱の波長依存性と相関があると考えられる。このため，対象領域の反射率を求めることにより，エアロゾル濃度を効果的に推測できると考えられる。

　上記の方法の例は画素の色ごとの値の比を用いた対象領域のエアロゾル濃度の推測方法に関する。
　この方法は，色値取得工程（Ｓ１０１’’），色比取得工程（Ｓ１０２’’）と，エアロゾル濃度推測工程（Ｓ１０３’’）とを含む。
　色値取得工程（Ｓ１０１’’）は，対象領域を撮影したサンプル画像からサンプル画像の画素ごとの色ごとの値を得るための工程である。
　色比取得工程（Ｓ１０２’’）は，色値取得工程（Ｓ１０１’’）で取得した色ごとの値の比を求めるための工程である。
　エアロゾル濃度推測工程（Ｓ１０３’’）は，色ごとの値の比を用いて，機械学習により，エアロゾル濃度を推測するための工程である。

　ある発明は，コンピュータを用いたエアロゾル濃度の推測システム１に関する。
　このシステム１は，撮影部３と，物理量取得部（例：輝度算出部）５と，推定用数値取得部（例：反射率取得部）７と，（第１の）エアロゾル濃度推測部９とを有する。
　撮影部３は，サンプル画像を撮影するための要素である。
　推定用数値取得部５は，サンプル画像から所定の物理量を得るための要素である。例えば，輝度算出部は，サンプル画像の輝度Ｉを求める。
　推定用数値取得部７は，物理量を用いて，エアロゾル濃度を推測するための推定用数値を得るための要素である。例えば，反射率取得部は，サンプル画像の輝度Ｉと，基準照度Ｌ_０とを用いて，サンプル画像が撮影された領域の反射率Ｒを求める。
　エアロゾル濃度推測部９は，推定用数値を用いて，エアロゾル濃度を推測するための要素である。

　上記の発明によれば，サンプル画像を撮影するだけで対象領域のエアロゾル濃度を求めることができる。このため，この明細書は，大掛かりな装置を必要とせずに，エアロゾル濃度を推測できる方法や，その方法を実装するためのシステムを提供できる。

図１は，対象領域のエアロゾル濃度の推測方法の例を示すフローチャートである。図２は，エアロゾル濃度の推測システムの例を示すブロック図である。図３は，エアロゾル濃度の推測システムの構成例を示す概念図である。図４は，反射率によりエアロゾル濃度を求める工程例を示すフローチャートである。図５は，パターンマッチングの例を示す概念図である。図６は，実施例１における処理工程を示す概念図である。図７は，撮影されたサンプル画像の例を示す図面に代わる写真である。図８は，反射率を導出する際の図面に代わるグラフである。図９は，実施例２における処理工程を示す概念図である。

　以下，図面を用いて本発明を実施するための形態について説明する。本発明は，以下に説明する形態に限定されるものではなく，以下の形態から当業者が自明な範囲で適宜修正したものも含む。

　図１は，対象領域のエアロゾル濃度の推測方法の例を示すフローチャートである。Ｓは，ステップ（工程）を示す。この明細書に記載されるある発明は，コンピュータを用いた対象領域のエアロゾル濃度の推測方法に関する。

　図２は，エアロゾル濃度の推測システムの例を示すブロック図である。このシステム１は，撮影部３と，物理量取得部５と，推定用数値取得部７と，エアロゾル濃度推測部９とを有する。このシステムは，コンピュータに基づくシステムであり，各処理はコンピュータにより行われる。コンピュータは，入力部，出力部，制御部，演算部及び記憶部を有しており，各要素は，バスなどによって接続され，情報の授受を行うことができるようにされている。例えば，記憶部には，制御プログラムが記憶されていてもよいし，各種情報が記憶されていてもよい。入力部から所定の情報が入力された場合，制御部は，記憶部に記憶される制御プログラムを読み出す。そして，制御部は，適宜記憶部に記憶された情報を読み出し，演算部へ伝える。また，制御部は，適宜入力された情報を演算部へ伝える。演算部は，受け取った各種情報を用いて演算処理を行い，記憶部に記憶する。制御部は，記憶部に記憶された演算結果を読み出して，出力部から出力する。このようにして，各種処理や各工程が実行される。この各種処理を実行するものが，各部や各手段である。

　図３は，エアロゾル濃度の推測システムの構成例を示す概念図である。このシステムは，インターネット又はイントラネットなどのネットワークと接続された端末と，ネットワークに接続されたサーバとを含むものであってもよい。もちろん，単体のコンピュータや携帯端末が，本発明の装置として機能してもよいし，複数のサーバが存在してもよい。図３の例では，入力端末３１，３３，３５，３７が，ネットワーク３９を介して，サーバ４１と接続されている。入力端末の例は，カメラ３１，スマートフォン３３，携帯用ゲーム機３５及びノート型パソコン３７である。これらのように撮影部を有するものであれば，このシステムの入力端末として機能しうる。撮影されたサンプル画像は，これら端末内において処理されてもよいし，サーバ４１へ送られて，サーバにおいて処理されてもよい。

　次に，コンピュータを用いた対象領域のエアロゾル濃度の推測方法の例について説明する。図１に示されるように，この方法は，物理量取得工程（Ｓ１０１）と，推定用数値取得工程（Ｓ１０２）と，エアロゾル濃度推測工程（Ｓ１０３）とを含む。この一連の，エアロゾル濃度を推定するためのアルゴリズムを，ＳＮＡＰ－ＣＩＩとよぶ。

　物理量取得工程（Ｓ１０１）は，対象領域を撮影したサンプル画像から物理量を得るための工程である。対象領域は，空間写真を撮影できる領域であればよい。対象領域は，ある地域であってもよいし，ある個所から撮影される領域であってもよい。物理量は，エアロゾル濃度推測工程においてエアロゾル濃度を推測するために用いられる推定用数値取を求めるために用いられる数値である。サンプル画像を得るためには，公知の撮影装置により撮影されたサンプル画像をコンピュータに入力すればよい。サンプル画像は，撮影装置により対象領域を撮影することにより得られた空間のデジタル画像であってもよい。物理量は，サンプル画像全体のものであってもよいし，画素ごとのものであってもよい。また，物理量は，サンプル画像の特定の領域のものであってもよい。物理量の例は，画素ごとの輝度Ｉ，画素ごとの色ごとの輝度Ｉ，画素ごとの色ごとの値，サンプル画像のある領域の輝度Ｉ，ある領域の色ごとの輝度，ある領域の色ごとの値，及び明度である。コンピュータは，記憶部からサンプル画像（又はサンプル画像の画素）を読み出し，読み出したサンプル画像を解析し，所定の物理量を求める。後述の通り，この発明は機械学習を用いてエアロゾル濃度を推測するので，サンプル画像から得られる物理量であればどのような物理量であっても，エアロゾル濃度を推測できる。特に，エアロゾル濃度により変化する物理量は，好ましい物理量である。求めた物理量は適宜記憶部に記憶される。

　推定用数値取得工程（Ｓ１０２）は，得られた物理量を用いて，エアロゾル濃度を推測するための推定用数値を得るための工程である。コンピュータは，記憶部から物理量取得工程で得た物理量を読み出す。そして，制御部は，プログラムの指令に基づき，適宜記憶部から必要な数値を読み出して，物理量と併せてその数値を用いて，演算部に推定用数値を求める演算を行う。この推定用数値は，実際のエアロゾル濃度と推測値とが関連することを機械学習などの手法を用いて確認できた値であれば，どのような値を用いてもよい。コンピュータは，得られた推定用数値を適宜記憶部に記憶する。

　エアロゾル濃度推測工程（Ｓ１０３）は，その推定用数値を用いて，エアロゾル濃度を推測するための工程である。コンピュータは，記憶部から推定用数値を読み出す。コンピュータの制御部は，プログラムの指令に基づき，推定用数値を用いて，エアロゾル濃度を推測する。コンピュータは，例えば，機械学習用エンジンを搭載しており，機械学習により，推定用数値を用いて，エアロゾル濃度を推測してもよい。求めたエアロゾル濃度は，記憶部に記憶されてもよい。また，コンピュータは，エアロゾル濃度を出力してもよい。また，コンピュータは，推測されたエアロゾル濃度を用いて，視界度，見晴らしのよさ，又は大気汚染度といった別の数値を求めてもよい。気象条件判定工程については，後述するものを適宜用いてもよい。

　図４は，反射率によりエアロゾル濃度を求める工程例を示すフローチャートである。

　事前準備工程
　事前準備工程は，対象領域のエアロゾル濃度を推測するために用いられる基準照度Ｌ_０を求めるための工程である。事前準備工程は，上記を達成できるものであれば特に限定されない。事前準備工程の例は，基準画像データ取得工程（Ｓ１１１），基準照度Ｌ_０導出工程（Ｓ１１２）及び基準照度Ｌ_０記憶工程（Ｓ１１３）と，を含む。

　基準画像データ取得工程（Ｓ１１１）
　基準画像データ取得工程は，対象領域の基準照度Ｌ_０を導出するために，基準となる画像データを取得するための工程である。この画像データの例は，撮影された画像データである。例えば，事前に，大気汚染の状況を推測しようとする対象領域を撮影できる地点から，カメラなどの撮影装置（撮影部３）を用いて，所定の方向に向けて対象領域を撮影する。このようにして，基準画像データを得ることができる。撮影装置は，ＣＣＤやスマートフォンのカメラのようなものであってもよい。最も，一定の方向に向けて対象領域を撮影できるように，撮影方向を制御するための撮影方向制御装置を用いてもよい。また，撮影装置の別の例は定点カメラである。コンピュータは，得られた基準画像データを，記憶部に適宜記憶してもよい。

　基準照度Ｌ_０導出工程（Ｓ１１２）
　基準照度Ｌ_０導出工程は，基準照度Ｌ_０を導出するための工程である。基準画像データは，通常複数の画素を含む。基準照度Ｌ_０は，基準画像データの画素ごとの照度Ｌ_０であることが好ましい。コンピュータの制御部は，記憶部から基準画像データを読み出し，プログラムの指令に基づき，演算部に画素ごとの輝度（Ｉ_０）を求める演算を行わせる。制御部は，プログラムの指令に基づき，基準画像データの画素ごとの輝度（Ｉ_０）から画素ごとの照度Ｌ_０を求める演算を行わせる。この演算処理の例はバイラテラルフィルタによる演算処理である。バイラテラルフィルタを用いた演算処理の例は，特開２０１９－１８０００２号公報や特開２０２１－０５７８６６号公報に記載されている通り公知である。基準照度Ｌ_０の好ましい例は，後述するサンプル画像と同じ撮影場所において撮影された，サンプル画像と同じ対象領域の空間画像を用いて得られた照度である。サンプル画像は，空上層部分，空下層部分，地平線と境界部分，及び建物部分のいずれか１つ以上に領域された部分領域画像を含むものが好ましい。もっとも，基準照度Ｌ_０は，近隣の対象領域における基準照度Ｌ_０から推測された値であってもよい。

　基準照度Ｌ_０記憶工程（Ｓ１１３）
　基準照度Ｌ_０記憶工程は，基準照度Ｌ_０を記憶部に記憶させるための工程である。コンピュータの制御部は，演算処理により求められた基準照度Ｌ_０を記憶部に記憶させる。このようにして，画像データに対してバイラテラルフィルタ処理を施すことで，画素ごとの基準照度Ｌ_０を求め，記憶部に記憶させることができる。
　なお，基準照度Ｌ_０を画像データのすべての画素について求める必要はない。画像データのうち，反射率を求めるために必要な部分に含まれる画素について基準照度Ｌ_０を求めてもよい。

　気象条件判定工程
　気象条件判定工程は，気象条件がエアロゾル濃度を推測するために相応しいか否か（撮影場所が晴天時条件に合致するか否か）を判定するための工程である。気象条件判定工程の別の例は，気象条件によりエアロゾル濃度を推測するための方法が異なる場合や，気象条件によりエアロゾル濃度を推測するためのパラメータが異なる場合に，それらの判断に用いられる気象条件を求めるための工程である。気象条件判定工程は，上記を達成できるものであれば，特に限定されない。この工程は，事前準備工程においても行ってもよい。

　気象条件判定工程の例は，気象条件入力工程（Ｓ１２１）と，条件判定工程（Ｓ１２２）とを含むものである。気象条件入力工程（Ｓ１２１）は，判断のために必要となる情報をコンピュータに入力するための工程であり，条件判定工程（Ｓ１２２）は入力された情報に基づいて，気象条件を判定するための工程である。気象条件判定工程の具体的な例は，全天日射量（ＧＳＩ）と散乱日射量（ＤＳＩ）とを用いて，気象条件を判定するものである。国際公開WO２０１８/１００９５７号パンフレットには，採光システムが記載されている。この採光システムの天候検出部は，直達日射量を検出する直達日射計と，全天日射量を検出する全天日射計とを含む。そして，このシステムは，全天日射量から直達日射量を減算することで，散乱日射量を算出し，直達日射量に対する散乱日射量の比を算出する。このように，直達日射計と全天日射計とを用いて，全天日射量や散乱日射量を求めるシステムは公知である。コンピュータは，直達日射計や全天日射計と接続されてもよいし，直達日射計と全天日射計との観測データを入力できるようにされていてもよい。

　気象条件判定工程の例は，ＧＳＩ＞５５０　Ｗ／m²，ＤＳＩ／ＧＳＩ　＜０．１５を晴天時の判定基準とするものである。この例では，システムに，全天日射量（ＧＳＩ）と散乱日射量（ＤＳＩ）とが入力される。システムは，入力された全天日射量（ＧＳＩ）と散乱日射量（ＤＳＩ）とを適宜記憶部に記憶する。制御部は，プログラムの指令に基づいて，記憶部から全天日射量（ＧＳＩ）と，閾値（例えば550 W/m²）を読み出す。制御部は，演算部に，全天日射量（ＧＳＩ）と閾値とを比較する演算を行わせ，全天日射量（ＧＳＩ）が閾値より大きい場合に，次のステップに進む。一方，制御部は，演算部に，全天日射量（ＧＳＩ）と閾値とを比較する演算を行わせ，全天日射量（ＧＳＩ）が閾値より小さい場合は，気候条件が晴天時ではないと判断する。次のステップでは，制御部は，記憶部から全天日射量（ＧＳＩ）と散乱日射量（ＤＳＩ）とを読み出し，プログラムの指令に基づいて，ＤＳＩ／ＧＳＩを求める演算処理を行わせる。この処理をハードウェアで行う場合は，リバース回路と乗算回路とを用いて，全天日射量（ＧＳＩ）から１／全天日射量（ＧＳＩ）を求め，求めた値を散乱日射量（ＤＳＩ）と乗算することで，ＤＳＩ／ＧＳＩを求めてもよい。制御部は，求めたＤＳＩ／ＧＳＩを記憶部に記憶する。制御部は，記憶部からＤＳＩ／ＧＳＩと閾値（例えば０．１５）を読み出して，プログラムの指令に基づいて，演算部にＤＳＩ／ＧＳＩと閾値を比較する演算を行わせる。その結果ＤＳＩ／ＧＳＩが閾値より小さい場合に，気候条件が晴天時であると判断すればよい。気候条件が晴天時であることを示す情報は，適宜記憶部に記憶されてもよいし，次の処理のために用いられてもよい。

　コンピュータの演算部は，サンプル画像を記憶部から読み出して，プログラムの指令に基づいてパターンマッチング処理を行い，サンプル画像について，晴天部分，雲部分，雨，建物，樹木及びその他に分類する演算を行わせ，得られた演算結果に基づいて，気象条件を判定してもよい。この際，例えば，記憶部から判定基準となる閾値を読み出して，閾値と比較することで，気象条件を判定してもよい。

　コンピュータの入力部から対象領域の気象条件が入力されて，記憶部に記憶されてもよい。そして，コンピュータの制御部は，プログラムの指令に基づき，演算部に適宜演算処理を行わせ，入力された気象条件（例えば，天候，温度，湿度，及び降水確率のいずれか１以上の条件）が，エアロゾル濃度を推定するために相応しいか否か判断させてもよい。また，入力された気象条件に基づいて，適宜エアロゾル濃度を求めるための係数が用いられ，後述するエアロゾル濃度を推定する工程において用いられてもよい。

　例えば，気象条件判定工程において，測定時の気象条件が，エアロゾル濃度を推定するために相応しいと判断された場合，以下説明するエアロゾル濃度を推定する工程が行われてもよい。

　対象領域のエアロゾル濃度の推測工程
　対象領域のエアロゾル濃度の推測工程は，コンピュータを用いて対象領域のエアロゾル濃度を推測する工程である。この工程は，輝度取得工程（Ｓ１０１’），反射率取得工程（Ｓ１０２’）と，エアロゾル濃度推測工程（Ｓ１０３’）とを含む。これらの工程の後にエアロゾル濃度出力工程（Ｓ１０４’）が続いてもよい。

　輝度取得工程（Ｓ１０１’）
　輝度取得工程（Ｓ１０１’）は，対象領域を撮影したサンプル画像の輝度Ｉを求めるための工程である。対象領域は，エアロゾル濃度を推測したいと考える地域の空間領域を意味する。撮影の意味は，先に説明した通りである。撮影部３は，サンプル画像を撮影するための要素である。撮影部３が，サンプル画像を撮影する。対象領域を撮影したサンプル画像は，コンピュータに入力され，適宜記憶部に記憶される。この際に，撮影場所（の識別情報），撮影時間及び撮影時の気象条件のいずれか１つ以上の情報も併せてコンピュータに入力され，適宜入力されたサンプル画像と関連を有する状態で記憶部に記憶されてもよい。　

　輝度算出工程
　輝度算出部５が，サンプル画像の輝度Ｉを求める。例えば，コンピュータの制御部，演算部及び記憶部が輝度算出部５として機能する。例えば，コンピュータの制御部は，プログラムの指令に基づいて，記憶部からサンプル画像を読み出し，サンプル画像の輝度（Ｉ_ｔｇｔ）を求める。この際，コンピュータは，サンプル画像の画素ごとに輝度（Ｉ_ｔｇｔ）を求めてもよい。この際に，ＲＧＢといった色ごとに輝度を求めてもよい。また，ＲＧＢといった色ごとの輝度の値は，ガンマ補正等の補正をしてもよい。また，色成分の３軸はＲＧＢに限らず，ＣＭYやＣＩＥＸＹＺ，ＣＩＥｘｙＹ，ＣＩＥｕ‘ｖ’Ｙ，ＣＩＥＬＵＶ，ＣＩＥＬＡＢ，ＣＩＥＬＣｈ等あらゆる３軸であってもよい。求められた輝度（Ｉ_ｔｇｔ）は，適宜記憶部に記憶されてもよい。

　輝度算出部５は，サンプル画像を複数の領域に分割し，エアロゾル濃度を推測するための領域を抽出するようにしてもよい。例えば，サンプル画像を，空上層部分，空下層部分，地平線と境界部分，及び建物部分のいずれか１つ以上に領域された部分領域画像に分割してもよい。また，サンプル画像を分析して，建物や樹木といった障害物がある領域を，エアロゾル濃度を求めるための領域から除いてもよい。さらに，空領域においては，雲の量を分析し，エアロゾル濃度を求めるための領域から除いてもよいし，エアロゾル濃度を求める際の係数や定数（補正値）を求めてもよい。

　図５は，パターンマッチングの例を示す概念図である。図５の例では，サンプル画像に含まれる各画素のＲＧＢ値から建物や樹木と推測される部分（障害物のある領域）を含む領域がエアロゾル濃度を推測するための領域から除去され，障害物のある領域の上部に存在するサンプル画像の領域がエアロゾル濃度を推測するための領域とされている。図５の例では，サンプル画像５１が，建物などの障害物があるためエアロゾル濃度を推測することに用いられない領域５３，その上部であり雲が存在しない領域５５，及びさらに上部であり雲が存在する領域５７に分類されている。

　反射率取得工程（Ｓ１０２’）
　反射率取得工程（Ｓ１０２’）は，基準照度Ｌ_０と，対象領域を撮影したサンプル画像の輝度Ｉとを用いて，対象領域の反射率Ｒを求めるための工程である。　反射率取得部７が，サンプル画像の輝度Ｉと，基準照度Ｌ_０とを用いて，サンプル画像が撮影された領域の反射率Ｒを求める。例えば，コンピュータの制御部，演算部及び記憶部が反射率取得部７として機能する。例えば，コンピュータの制御部は，記憶部から基準照度Ｌ_０とサンプル画像の輝度（Ｉ_ｔｇｔ）とを読み出し，演算部に反射率（Ｒ_ｔｇｔ）を求める演算処理を行わせる。反射率を求める演算処理の例は，Ｒ_ｔｇｔ＝Ｉ_ｔｇｔ／Ｌ_０である。反射率を求める演算処理は，時刻や気象条件に応じた係数や定数が適宜用いられてもよい。この際に，サンプル画像の複数の画素についてＲ_ｔｇｔが求められてもよい。また，ＲＧＢといった色ごとにＲ_ｔｇｔが求められてもよい。ＲＧＢといった色ごとの値は，ガンマ補正等の補正をしてもよい。色成分の３軸はＲＧＢに限らず，ＣＭYやＣＩＥＸＹＺ，ＣＩＥｘｙＹ，ＣＩＥｕ‘ｖ’Ｙ，ＣＩＥＬＵＶ，ＣＩＥＬＡＢ，ＣＩＥＬＣｈ等あらゆる３軸であってもよい。以下，ＲＧＢを例として説明する。好ましい例は，複数の画素について，また色ごとにＲ_ｔｇｔが求められるものである。複数のＲ_ｔｇｔは，Ｒ_ｔｇｔ［１］，Ｒ_ｔｇｔ［２］，Ｒ_ｔｇｔ［３］，・・・Ｒ_ｔｇｔ［ｎ］のように表記される。複数のＲ_ｔｇｔは，適宜記憶部に記憶される。

　エアロゾル濃度推測工程（Ｓ１０２）
　エアロゾル濃度推測工程（Ｓ１０２）は，反射率Ｒを用いて，エアロゾル濃度を推測するための工程である。エアロゾル濃度推測部９が，反射率Ｒを用いて，エアロゾル濃度を推測する。例えば，コンピュータの制御部，演算部及び記憶部がエアロゾル濃度推測部９として機能する。エアロゾル濃度推測工程（Ｓ１０２）の好ましい例は，機械学習を用いて，反射率Ｒを用いてエアロゾル濃度を推測する工程である。反射率Ｒは，複数の色成分ごとの反射率を含むものが好ましい。コンピュータは，好ましくは，機械学習エンジンを有する。この機械学習エンジンは，プログラムと記憶部とを含む。そして，機械学習エンジンは，Ｒ_ｔｇｔとエアロゾル濃度に関する多数の情報とを記憶している。そして，機械学習エンジンは，入力された反射率Ｒ（例えば，複数のＲ_ｔｇｔ）を用いて，エアロゾル濃度を推測する。なお，機械学習エンジンは，入力された反射率Ｒ（例えば，複数のＲ_ｔｇｔ）のみならず時刻や気象条件といった情報を用いて，エアロゾル濃度を推測するものであってもよい。このようにすれば，コンピュータが，反射率Ｒを用いて，エアロゾル濃度を推測できる。推測されたエアロゾル濃度は適宜記憶部に記憶される。

　エアロゾル濃度推測工程の別の例は，複数の色成分ごとの反射率の比を用いてエアロゾル濃度を推測する工程を含むものである。色成分ごとの反射率の例はＲＧＢ値ごとの反射率である。ＲＧＢといった色ごとの値は，ガンマ補正等の補正をしてもよい。色成分の３軸はＲＧＢに限らず，任意の色成分を用いることができる。以下では，ＲＧＢ値を例に説明する。色ごとの反射率の比の例は，Ｒ_Ｂ／Ｒ_Ｇ, Ｒ_Ｇ／Ｒ_Ｒ, 及びＲ_Ｒ／Ｒ_Ｂの値である。コンピュータの制御部は，サンプル画像のＲ_ＲＲ_ＧＲ_Ｂ値を用い，演算部にＲ_Ｂ／Ｒ_Ｇ, Ｒ_Ｇ／Ｒ_Ｒ, 及びＲ_Ｒ／Ｒ_Ｂを求める演算処理を行わせる。そして，コンピュータの制御部は，求めたＲ_Ｂ／Ｒ_Ｇ, Ｒ_Ｇ／Ｒ_Ｒ, 及びＲ_Ｒ／Ｒ_Ｂの値を適宜記憶部に記憶させる。エアロゾル濃度推測部は例えば機械学習エンジンを有している。そして，エアロゾル濃度推測部はＲ_Ｂ／Ｒ_Ｇ, Ｒ_Ｇ／Ｒ_Ｒ, 及びＲ_Ｒ／Ｒ_Ｂの値を用いて，エアロゾル濃度を推測する。このようにすれば，コンピュータが，複数の色成分ごとの反射率の比を用いて，エアロゾル濃度を推測できる。推測されたエアロゾル濃度は適宜記憶部に記憶される。

　エアロゾル濃度出力工程（Ｓ１０３）
　推測されたエアロゾル濃度は，適宜，出力されてもよい。例えば，複数の地点からエアロゾル濃度の推測値がサーバに出力される。すると，広域においてエアロゾル濃度に関する情報を集めることができる。その結果，例えば，ある工場付近において，エアロゾル濃度が高く，その工場から離れるについて，エアロゾル濃度が低い場合は，その工場が汚染源であると推測される。また，例えば，コンピュータが，ユーザの携帯端末（スマートフォン，携帯電話，及び腕時計を含む）である場合，携帯端末の表示部に，エアロゾル濃度が表示されてもよい。また，エアロゾル濃度は，コンピュータと情報の授受を行うことができるサーバに出力されてもよい。このようにすると，複数のユーザの携帯端末からエアロゾル濃度に関する情報が出力され，サーバに集約されることとなる。

　また，コンピュータは，推測されたエアロゾル濃度に基づいて大気汚染度を求めてもよい。この場合，制御部は，推測されたエアロゾル濃度を用いて，記憶部から閾値を読み出し，推測されたエアロゾル濃度と閾値とを比較することで，大気汚染度を求めればよい。求めた大気汚染度は，適宜記憶部に記憶されてもよいし，出力されてもよい。なお，コンピュータは，天気予報情報とともにエアロゾル濃度や大気汚染度を出力してもよい。

　この明細書は，コンピュータ（又はプロセッサ）を上記のエアロゾル濃度の推測システムとして機能させるためのプログラムや，そのようなプログラムを記憶したコンピュータが読み取ることのできる情報記録媒体をも提供する。
　そのようなプログラムは，コンピュータを，サンプル画像を撮影する撮影部と，サンプル画像の輝度Ｉを求める輝度算出部と，サンプル画像の輝度Ｉと，基準照度Ｌ_０とを用いて，サンプル画像が撮影された領域の反射率Ｒを求める反射率取得部と，反射率Ｒを用いて，エアロゾル濃度を推測する，エアロゾル濃度推測部と，を有するエアロゾル濃度の推測システムとして機能させるためのプログラムである。

　次に，サンプル画像の画素ごとの色ごとの値を用いてエアロゾル濃度を推測する発明を説明する。この発明は，基準照度Ｌ_０を用いずにエアロゾル濃度を推測できる。このため，定点カメラといった制御を必要としない。例えば，スマートフォンといった携帯端末にインストールできるアプリケーションといった利用を促進できるものである。すると，この発明は，エアロゾル濃度に関する情報を複数集めることができることとなり，環境汚染の状況などを迅速かつ広範囲において把握できることとなる。

　この発明も，コンピュータを用いたエアロゾル濃度の推測システムに関する。このシステムは，
　サンプル画像を撮影する撮影部サンプル画像を撮影する撮影部と，
　サンプル画像の画素ごとの色ごとの値（例えばＲＧＢ値）を求めるＲＧＢ値取得部と，
　サンプル画像の画素ごとのＲＧＢ値又はＲＧＢ値の比を用いて，エアロゾル濃度を推測するエアロゾル濃度推測部と，
　を有する。
　このシステムは，サンプル画像を撮影して撮影部サンプル画像を取得し，
　サンプル画像の画素ごとの色ごとの値（例えばＲＧＢ値）を求め，
　サンプル画像の画素ごとのＲＧＢ値又はＲＧＢ値の比を用いて，エアロゾル濃度を推測する。

　このシステムにおいても気象条件判定工程が行われてもよい。サンプル画像を撮影する撮影部は，先に説明したと同様である。

　ＲＧＢ値取得部が，サンプル画像の画素ごとの色ごとの値（例えばＲＧＢ値）を求める。ＲＧＢといった色ごとの値は，ガンマ補正等の補正をしてもよい。色成分の３軸はＲＧＢに限らず，任意の色成分を用いることができる。以下，簡単のためＲＧＢ値を例にしてこの発明を説明する。この際，すべての画素についてＲＧＢ値を求めてもよいし，一部の画素についてＲＧＢ値を求めてもよい。ＲＧＢは先に説明した通り，色ごとの例であり，補正を行った後の値でもよいし，他の色分類を用いても構わない。以下ではＲＧＢに分類するものを例に説明する。例えば，コンピュータの制御部，演算部及び記憶部がＲＧＢ値取得部として機能する。例えば，コンピュータの制御部は，プログラムの指令に基づいて，記憶部からサンプル画像を読み出し，サンプル画像の特定の領域について，画素ごとのＲＧＢ値を求める。求められたＲＧＢ値（Ｒ［１］，Ｒ［２］，Ｒ［３］，・・・Ｒ［ｎ］；Ｇ［１］，Ｇ［２］，Ｇ［３］，・・・Ｇ［ｎ］；Ｂ［１］，Ｂ［２］，Ｂ［３］，・・・Ｂ［ｎ］）は，適宜記憶部に記憶されてもよい。

　エアロゾル濃度推測部が，サンプル画像の画素ごとのＲＧＢ値を用いて，エアロゾル濃度を推測してもよい。例えば，コンピュータの制御部，演算部及び記憶部がエアロゾル濃度推測部として機能する。エアロゾル濃度推測工程の好ましい例は，機械学習を用いて，画素ごとのＲＧＢ値を用いてエアロゾル濃度を推測する工程である。コンピュータは，好ましくは，機械学習エンジンを有する。この機械学習エンジンは，プログラムと記憶部とを含む。そして，機械学習エンジンは，画素ごとのＲＧＢ値とエアロゾル濃度に関する多数の情報とを記憶している。そして，機械学習エンジンは，入力された画素ごとのＲＧＢ値を用いて，エアロゾル濃度を推測する。なお，機械学習エンジンは，入力された画素ごとのＲＧＢ値のみならず時刻や気象条件といった情報を用いて，エアロゾル濃度を推測するものであってもよい。このようにすれば，コンピュータが，画素ごとのＲＧＢ値を用いて，エアロゾル濃度を推測できる。推測されたエアロゾル濃度は適宜記憶部に記憶される。

　エアロゾル濃度推測部は，画素の色ごとの比を用いるものであってもよい。色ごとの比の例は，Ｂ／Ｇ, Ｇ／Ｒ, 及びＲ／Ｂの値である。コンピュータの制御部は，サンプル画像の画素ごとのＲＧＢ値を用い，演算部にＢ／Ｇ, Ｇ／Ｒ, 及びＲ／Ｂを求める演算処理を行わせる。そして，コンピュータの制御部は，求めたＢ／Ｇ, Ｇ／Ｒ, 及びＲ／Ｂの値を適宜記憶部に記憶させる。そして，エアロゾル濃度推測部はＢ／Ｇ, Ｇ／Ｒ, 及びＲ／Ｂの値を用いて，エアロゾル濃度を推測する。上記と同様，コンピュータは，機械学習エンジンを有しており，Ｂ／Ｇ, Ｇ／Ｒ, 及びＲ／Ｂの値を用いて，エアロゾル濃度を推測すればよい。

　図６は，実施例１における処理工程を示す概念図である。エアロゾルによる光の散乱の波長依存性を抽出するために，画像データから反射率（Ｒｅｆｌｅｃｔａｎｃｅ, Ｒ）を導出した。反射率Ｒは，画像データの輝度 (Ｉｎｔｅｎｓｉｔｙ, Ｉ) と光源からの照度（Ｉｌｌｕｍｉｎａｎｃｅ, Ｌ）の比により，Ｒ＝Ｉ／Ｌで記述される。対象となる画像データから反射率Ｒを導出し，この反射率Ｒを入力変数，エアロゾルの地上測定値を出力変数として，反射率Ｒからエアロゾル濃度を推定する機械学習モデルを作成した。

　実施例におけるアルゴリズムのフローを図６に示す。まず，エアロゾル濃度による画像の変化を高精度に抽出するため，日射量データを用いて雲による影響が大きい画像データを除去した。日射量データとして，全天日射量（ＧＳＩ）と散乱日射量（ＤＳＩ）の２変数を組み合わせ，ＧＳＩ > ５５０　Ｗ／ｍ^２，ＤＳＩ／ＧＳＩ＜０．１５を晴天時の判定基準とした。ある画角からの基準となる画像データにバイラテラルフィルタをかけることで基準となる照度Ｌ_０を導出し，サンプル画像の輝度ＩをＬ_０で割ることで，反射率Ｒを導出した。解析対象とする画像範囲を空上層部分，空下層部分，地平線との境界部分，建物部分等の狭い範囲に絞ることで，エアロゾルの光散乱波長依存性を反射率Rとして抽出した。さらにＲＧＢのカラー成分毎に解析し，1枚の画像データから複数の反射率Ｒを導出することに成功し，少ない教師データにより機械学習モデルの構築を可能とした。

　福岡市で撮影された２０２１年１月～２月の２ヶ月分の画像データで検証した。図７は，撮影されたサンプル画像の例を示す図面に代わる写真である。ここでは，エアロゾルの中で粒径が１０μｍ以下の浮遊粒子状物質（SPM）の濃度について，Ｋ－近傍法による２クラス分類を実施した。図８は，反射率を導出する際の図面に代わるグラフである。グラフの縦軸は反射率であり横軸はＳＰＭの粒径である。左上図は，図７の空（２）の領域における青色（Ｂ）の反射率と，ＳＰＭの粒径との相関を示すグラフである。右上図は，図７の空（１）の領域における緑色（Ｇ）の反射率と，ＳＰＭの粒径との相関を示すグラフである。下図は，全領域における赤色（Ｒ）の反射率と，ＳＰＭの粒径との相関を示すグラフである。クラス分けの閾値は，１月のSPM観測濃度の平均値２５ μｇ／ｍ^３とした。テスト１では，１月のデータをランダムに６：４の割合で学習用と試験用に分け，学習用のデータのみで構築したモデルを試験用データに適用し，その正解率を算出した。テスト２では，学習用に１月分のデータ，試験用に２月分のデータを使用した。また，それぞれのテストについて，画像範囲の選択肢７通り×カラー成分４通りの計２８通りの反射率を使った場合（「入力変数１」）と，RGB成分毎にSPM濃度と相関が最も高かった画像範囲の反射率の計３つを使った場合（「入力変数２」）を比較した。データの切り分け方法の２通り×入力変数の２通りの計４通りで正解率を計算した。その結果を下記の表に示す。最も実運用に近いテスト２と入力変数２の場合で正解率８６％であった。なお，ここではひまわり８号衛星観測から取得された日射量データから晴天時のみのデータを抽出して検証を行った。

　　　　　　入力変数１　　　入力変数２
　テスト１　　１００％　　　　　　９２％
　テスト２　　　８６％　　　　　　８６％

　この実施例により示された通り，天気予報などで使用されている定点カメラの画像データからエアロゾルの量を推定することが可能となる。カメラは，エアロゾルの光学的特性を利用した手法で使用する専門的測定器よりも入手しやすく，エアロゾル観測の観測範囲が飛躍的に広くなり，観測点数が飛躍的に向上すると考えられる。これは学術的な意義が大きく，時空間的に稠密なエアロゾル濃度の観測データを用いたビッグデータ解析等が可能となり，エアロゾル等大気汚染の予報への適用が期待される。さらに，定点カメラだけでなくスマホで撮影された画像への応用も実現できるので，国民の全員がエアロゾル観測をすることができるようになる。大気汚染に限らず地球大気観測についての一般市民の理解度・認知度を上げることが期待され，学術的な意義だけではなく，社会的な応用の可能性も高い。

　実施例２
　図９は，実施例２における処理工程を示す概念図である。この例では，サンプル画像を撮影するだけでエアロゾル濃度を求めることができることとなる。実施例１と同様，エアロゾル濃度による画像の変化を高精度に抽出するため，日射量データを用いて雲による影響が大きい画像データを除去した。日射量データとして，全天日射量（ＧＳＩ）と散乱日射量（ＤＳＩ）の２変数を組み合わせ，ＧＳＩ > ５５０　Ｗ／ｍ^２，ＤＳＩ／ＧＳＩ＜０．１５を晴天時の判定基準とした。解析対象とする画像範囲を空上層部分，空下層部分，地平線との境界部分，建物部分等の狭い範囲に絞った。サンプル画像を撮影するとともに，撮影時刻及び撮影場所に関する情報をシステムに入力した。これらの情報をサンプル画像と関連付けて記憶した。撮影したサンプル画像のうち解析対象領域の画素ごとにＲＧＢ値を求めた。求めたＲＧＢ値を用いて，これらの比（画素値比）を求めた。画素値比は，Ｂ／Ｇ，Ｇ／Ｒ，Ｒ／Ｂとして求めた。事前に撮影時刻及び撮影場所と関連して，画素値比とエアロゾル濃度の値との関係を記憶した。これらの情報を用いて，少ない教師データにより機械学習モデルの構築を可能とした。サンプル画像の対象領域を解析して得られた画素値比を用いて，機械学習エンジンを用いて，対象領域のエアロゾル濃度を求める。

　この発明は，気象予報などの分野で利用されうる。

１　システム
３　撮影部
５　物理量取得部（輝度算出部）
７　推定用数値取得部（反射率取得部）
９　エアロゾル濃度推測部

Claims

　コンピュータを用いた対象領域のエアロゾル濃度の推測方法であって，
　前記対象領域を撮影したサンプル画像から物理量を得る，物理量取得工程と，
　前記物理量を用いて，エアロゾル濃度を推測するための推定用数値を得る，推定用数値取得工程と，
　前記推定用数値を用いて，エアロゾル濃度を推測する，エアロゾル濃度推測工程と，
　を含むエアロゾル濃度の推測方法。
　請求項１に記載の方法であって，
　前記サンプル画像は，空上層部分，空下層部分，地平線と境界部分，及び建物部分のいずれか１つ以上に領域された部分領域画像を含む，方法。
　請求項１に記載の推測方法であって，
　前記物理量は，前記対象領域を撮影したサンプル画像の輝度であり，
　前記推定用数値は，基準照度と，前記対象領域を撮影したサンプル画像の輝度とを用いて求められた，前記対象領域の反射率であるエアロゾル濃度の推測方法。
　請求項３に記載の方法であって，
　前記基準照度は，前記サンプル画像と同じ撮影場所において撮影された前記対象領域の空間画像を用いて得られた照度であり，
　前記エアロゾル濃度推測工程は，機械学習を用いて，前記推定用数値を用いてエアロゾル濃度を推測する工程である，
　方法。
　請求項１に記載の方法であって，
　前記反射率Ｒは，複数の色成分ごとの反射率を含む，方法。
　請求項１に記載の方法であって，
　前記物理量は，画素ごとの色ごとの値であり，
　前記推定用数値は，前記色ごとの値の比であり，
　前記エアロゾル濃度推測工程は，機械学習を用いて，前記推定用数値を用いてエアロゾル濃度を推測する工程である，
反射率の比を用いてエアロゾル濃度を推測する工程を含む，方法。
　コンピュータを用いたエアロゾル濃度の推測システムであって，
　サンプル画像を撮影する撮影部と，
　前記サンプル画像から所定の物理量を得る物理量取得部と，
　前記物理量を用いて，エアロゾル濃度を推測するための推定用数値を得る推定用数値取得部，
　前記推定用数値を用いて，エアロゾル濃度を推測する，エアロゾル濃度推測部と，
　を有するエアロゾル濃度の推測システム。