[go: up one dir, main page]

WO2022162853A1 - 浸水深予測装置、浸水深予測学習装置、浸水深予測方法、及び浸水深予測学習方法 - Google Patents

浸水深予測装置、浸水深予測学習装置、浸水深予測方法、及び浸水深予測学習方法 Download PDF

Info

Publication number
WO2022162853A1
WO2022162853A1 PCT/JP2021/003135 JP2021003135W WO2022162853A1 WO 2022162853 A1 WO2022162853 A1 WO 2022162853A1 JP 2021003135 W JP2021003135 W JP 2021003135W WO 2022162853 A1 WO2022162853 A1 WO 2022162853A1
Authority
WO
WIPO (PCT)
Prior art keywords
inundation depth
unit
velocity value
inundation
depth prediction
Prior art date
Application number
PCT/JP2021/003135
Other languages
English (en)
French (fr)
Inventor
崇志 松本
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to CA3204136A priority Critical patent/CA3204136C/en
Priority to JP2022576358A priority patent/JP7229449B1/ja
Priority to PCT/JP2021/003135 priority patent/WO2022162853A1/ja
Priority to DE112021006190.9T priority patent/DE112021006190T5/de
Publication of WO2022162853A1 publication Critical patent/WO2022162853A1/ja
Priority to US18/213,037 priority patent/US20230333270A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/01—Measuring or predicting earthquakes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G01C13/002—Measuring the movement of open water
    • G01C13/006—Measuring the movement of open water horizontal movement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Definitions

  • the present disclosure relates to an inundation depth prediction device and an inundation depth prediction learning device.
  • Patent Literature 1 describes a tsunami prediction method for predicting a tsunami at a prediction target position.
  • a tsunami prediction database is created that includes tsunami wave source conditions such as wave height and tsunami predictions corresponding to the wave source conditions, and tsunamis at prediction target locations are predicted based on the created tsunami prediction database. .
  • the observed sea surface current velocity value is converted to wave height, and based on the converted wave height, the flood depth on the ground is predicted as a predicted value for the tsunami.
  • the predicted values contain errors in the two stages of conversion from current velocity values to wave height and prediction of inundation depth.
  • the present disclosure has been made to solve the above problems, and aims to provide technology for improving the accuracy of tsunami prediction based on current velocity values on the sea surface.
  • the inundation depth prediction device includes a current velocity value acquisition unit that acquires the current velocity value on the sea surface, and a learned inundation depth prediction model that predicts the inundation depth on the ground from the current velocity value on the sea surface. an inundation depth prediction unit that predicts the inundation depth on the ground by inputting the obtained flow velocity value.
  • the inundation depth prediction device includes a current velocity value acquisition unit that acquires a current velocity value on the sea surface, a maximum inundation depth labeled data acquisition unit that acquires data with a maximum inundation depth label indicating the maximum inundation depth on the ground, Inundation depth prediction that predicts the inundation depth on the ground from the current velocity value on the sea surface based on the current velocity value acquired by the current velocity value acquisition unit and the maximum inundation depth labeled data acquired by the maximum inundation depth labeled data acquisition unit. and a model generation unit that generates an inundation depth prediction model through learning.
  • FIG. 1 is a block diagram showing the configuration of a flood depth prediction system according to Embodiment 1;
  • FIG. 1 is a block diagram showing the configuration of a flood depth prediction device according to Embodiment 1;
  • FIG. 5 is a diagram for explaining time-series data showing flow velocity values at each time according to the specific example of Embodiment 1;
  • 4 is a flow chart showing a flood depth prediction method by a processing unit of the flood depth prediction device according to Embodiment 1;
  • 1 is a block diagram showing the configuration of an inundation depth prediction learning device according to Embodiment 1;
  • FIG. 5 is a flow chart showing a flood depth learning method by the flood depth prediction device according to Embodiment 1;
  • 7A is a block diagram showing a hardware configuration that implements the functions of the processing unit of the inundation depth prediction device according to Embodiment 1 and the functions of the inundation depth prediction learning device according to Embodiment 1.
  • FIG. 7B is a block diagram showing a hardware configuration for executing software that implements the functions of the processing unit of the inundation depth prediction device according to Embodiment 1 and the functions of the inundation depth prediction learning device according to Embodiment 1; FIG. .
  • FIG. 1 is a block diagram showing the configuration of a flood depth prediction system 1000 according to Embodiment 1.
  • FIG. 2 is a block diagram showing the configuration of the inundation depth prediction device 100 according to Embodiment 1.
  • a flood depth prediction system 1000 includes a flood depth prediction device 100 and a radar 101.
  • FIG. Note that the configuration shown in FIG. 1 is an example, and the number of devices and the like are not limited to this example.
  • FIG. 1 is an example, and the number of devices and the like are not limited to this example.
  • FIG. 1 is an example, and the number of devices and the like are not limited to this example.
  • the inundation depth prediction device 100 includes a processing section 1 , a storage section 2 and a display section 3 .
  • the processing unit 1 includes a flow velocity acquisition unit 10 , a data preprocessing unit 11 , and a flood depth prediction unit 12 .
  • the radar 101 measures current velocity values on the sea surface. Although not shown, the radar 101 has a communication interface and transmits the measured flow velocity value to the inundation depth prediction device 100 through the communication interface.
  • the radar 101 divides the sea surface into an arbitrary number of regions and measures the current velocity value for each region on the sea surface.
  • the current velocity value for each region on the sea surface is simply referred to as the current velocity value on the sea surface.
  • the radar 101 acquires time-series data indicating flow velocity values at each time by measuring flow velocity values over time.
  • the inundation depth prediction device 100 has a communication interface for receiving flow velocity values measured by the radar 101 .
  • the inundation depth prediction device 100 outputs the inundation depth caused by the tsunami on the ground as a predicted value by inputting the received flow velocity value into the machine learning model.
  • the inundation depth predicted by the inundation depth prediction device 100 is the inundation depth at the predicted point on the ground, the inundation depth in the predicted area on the ground, or the like.
  • the flow velocity value acquisition unit 10 of the processing unit 1 in the inundation depth prediction device 100 acquires the flow velocity value D1 on the sea surface.
  • the flow velocity value acquisition unit 10 outputs the acquired flow velocity value D ⁇ b>1 to the storage unit 2 . More specifically, in Embodiment 1, the flow velocity value acquiring unit 10 acquires the flow velocity value D1 measured by the radar 101 . More specifically, in Embodiment 1, the flow velocity value acquiring unit 10 acquires time-series data indicating the flow velocity value D1 at each time as the flow velocity value D1.
  • the storage unit 2 of the inundation depth prediction device 100 stores the flow velocity value D1 acquired by the flow velocity value acquisition unit 10.
  • the storage unit 2 outputs the stored flow velocity value D ⁇ b>1 to the data preprocessing unit 11 . More specifically, in Embodiment 1, the storage unit 2 stores the time-series data acquired by the flow velocity value acquisition unit 10 .
  • the data preprocessing unit 11 of the processing unit 1 preprocesses the flow velocity value D1 acquired by the flow velocity value acquisition unit 10 . More specifically, in the first embodiment, the data preprocessing unit 11 of the processing unit 1 performs at least one preprocessing of normalization or complementing missing data on the flow velocity value D1 acquired by the flow velocity value acquiring unit 10. I do.
  • the data preprocessing unit 11 outputs the preprocessed flow velocity value D ⁇ b>2 to the inundation depth prediction unit 12 .
  • the data preprocessing unit 11 reads the flow velocity value D1 from the storage unit 2, and performs at least one preprocessing of normalization or complementation of missing data on the read flow velocity value D1. I do. More specifically, in the first embodiment, the data preprocessing unit 11 reads from the storage unit 2 the time-series data indicating the flow velocity value D1 for each time, and normalizes or eliminates the read time-series data. Perform at least one preprocessing of data imputation.
  • the data preprocessing unit 11 standardizes the current velocity values for each region on the sea surface. For example, when the data preprocessing unit 11 complements the missing data for the current velocity value of each area on the sea surface, the current velocity value of the area around the area is used as the current velocity value of the area where the current velocity value is missing. use completion. Alternatively, for example, when the data preprocessing unit 11 complements the missing data for the current velocity values for each region on the sea surface, the current velocity value for the region where the current velocity value is missing is the total observed value of the current velocity value. Imputation is performed using random numbers generated from the mean or variance.
  • the inundation depth prediction unit 12 of the processing unit 1 inputs the flow velocity value acquired by the flow velocity value acquisition unit 10 to a learned inundation depth prediction model that predicts the inundation depth on the ground from the current velocity value on the sea surface. Predict flood depth.
  • the inundation depth prediction unit 12 inputs the flow velocity value acquired by the flow velocity value acquisition unit 10 to a learned inundation depth prediction model that predicts the inundation depth on the ground from the current velocity value on the sea surface, Output the inundation depth as a predicted value.
  • the inundation depth prediction unit 12 outputs the predicted inundation depth to the display unit 3 .
  • the storage unit 2 stores a learned inundation depth prediction model that predicts the inundation depth on the ground from the current velocity value on the sea surface.
  • the inundation depth prediction unit 12 reads the learned inundation depth prediction model from the storage unit 2, and inputs the flow velocity value acquired by the flow velocity value acquisition unit 10 to the read out learned inundation depth prediction model, thereby obtaining the inundation depth on the ground. to predict.
  • the inundation depth prediction unit 12 may predict a probability distribution indicating the occurrence probability for each inundation depth by inputting the flow velocity values acquired by the flow velocity value acquisition unit 10 into the learned inundation depth prediction model.
  • the learned inundation depth prediction model is a machine learning model that predicts a probability distribution indicating the occurrence probability for each inundation depth from the current velocity value on the sea surface.
  • the inundation depth prediction unit 12 may predict a value that uniquely indicates the inundation depth by inputting the flow velocity value acquired by the flow velocity value acquisition unit 10 into the learned inundation depth prediction model. That is, in this case, the learned inundation depth prediction model is a machine learning model that predicts a value that uniquely indicates the inundation depth from the current velocity value on the sea surface.
  • the inundation depth prediction unit 12 inputs the flow velocity value D2 preprocessed by the data preprocessing unit 11 to the learned inundation depth prediction model, thereby calculating the inundation depth on the ground. to predict.
  • the inundation depth prediction unit 12 inputs the time-series data preprocessed by the data preprocessing unit 11 to the learned inundation depth prediction model, thereby predicting the inundation depth on the ground. to predict.
  • the inundation depth prediction unit 12 uses the time-series data preprocessed by the data preprocessing unit 11 to obtain data necessary for predicting the inundation depth using the trained inundation depth prediction model. It is determined whether or not it is included. Then, when the inundation depth prediction unit 12 determines that the time-series data does not include the required amount of data, the data preprocessing unit 11 preprocesses the time-series data, complement the data.
  • the inundation depth prediction unit 12 includes a primary prediction unit 13 and a secondary prediction unit 14 .
  • the primary prediction unit 13 of the inundation depth prediction unit 12 predicts the primary prediction value of the inundation depth by inputting the flow velocity value acquired by the flow velocity value acquisition unit 10 into the learned inundation depth prediction model.
  • the primary prediction unit 13 outputs the predicted primary prediction value to the secondary prediction unit 14 .
  • the primary prediction unit 13 inputs the flow velocity value D2 preprocessed by the data preprocessing unit 11 to the learned inundation depth prediction model, thereby performing primary prediction of the inundation depth. Predict the value D3. More specifically, the primary prediction unit 13 inputs the time-series data preprocessed by the data preprocessing unit 11 to the learned inundation depth prediction model to predict the primary prediction value D3 of the inundation depth.
  • FIG. 3 is a diagram for explaining time-series data showing flow velocity values for each time according to the specific example of Embodiment 1.
  • FIG. 3 As shown in the diagram on the left side of FIG. 3, the radar 101 transmits radio waves from the ground toward the sea surface and receives the reflected waves to measure the current velocity value for each area on the sea surface. Then, the radar 101 acquires time-series data indicating the flow velocity value at each time by measuring the flow velocity value over time.
  • the primary prediction unit 13 treats the flow velocity values like image data by arranging them at positions corresponding to the irradiation points (azimuth direction and distance direction) of the radar 101 .
  • the primary prediction unit 13 may uniquely predict the primary prediction value of the inundation depth by solving the learned inundation depth prediction model to which the flow velocity value is input as a normal regression problem.
  • the primary prediction unit 13 may predict a probability distribution indicating the occurrence probability for each inundation depth by using a mixture density network or the like as a learned inundation depth prediction model.
  • the secondary prediction unit 14 calculates the secondary prediction value D4 of the inundation depth based on the primary prediction value D3 predicted by the primary prediction unit 13 and the past prediction value of the inundation depth predicted in the past.
  • the secondary prediction unit 14 outputs the calculated secondary prediction value D ⁇ b>4 to the display unit 3 and the storage unit 2 .
  • the storage unit 2 stores the secondary prediction value D4 calculated by the secondary prediction unit 14 .
  • the storage unit 2 stores the secondary prediction value D4 that the secondary prediction unit 14 calculated in the past.
  • the secondary prediction unit 14 reads the secondary prediction value D4 as the past prediction value from the storage unit 2, and combines the read secondary prediction value D4 as the past prediction value with the primary prediction value D3 predicted by the primary prediction unit 13. , the secondary predicted value D4 of the inundation depth for display is calculated. More specifically, in Embodiment 1, the secondary prediction unit 14 corrects the primary prediction value D3 predicted by the primary prediction unit 13 using the read secondary prediction value D4 as the past prediction value. , to calculate the secondary predicted value D4 of the inundation depth for display.
  • the secondary prediction unit 14 uses the primary prediction value predicted by the primary prediction unit 13 and the past prediction read from the storage unit 2 for outliers that depend on the observation environment, such as abnormal values caused by the radar 101. Countermeasures are taken using both secondary prediction values as values. More specifically, for example, the secondary prediction unit 14 removes the influence of outliers by calculating the median value between the primary prediction value and the past prediction value as the secondary prediction value of the inundation depth for display. A secondary predicted value D4 for display is calculated.
  • the display unit 3 displays the flood depth predicted by the flood depth prediction unit 12. More specifically, in Embodiment 1, the display unit 3 displays the secondary prediction value D4 calculated by the secondary prediction unit 14. FIG. For example, when the inundation depth prediction unit 12 predicts a probability distribution indicating the occurrence probability for each inundation depth, the display unit 3 displays the waveform of the probability distribution.
  • FIG. 4 is a flow chart showing a flood depth prediction method by the processing unit 1 of the flood depth prediction device 100 according to the first embodiment. Note that before each step described below, the radar 101 acquires time-series data indicating the flow velocity value at each time, the flow velocity value acquisition unit 10 acquires the time-series data acquired by the radar 101, and the storage unit 2 is stored.
  • the data preprocessing unit 11 reads the time-series data indicating the flow velocity value at each time from the storage unit 2, and standardizes the read time-series data or at least complements missing data. One preprocessing is performed (step ST1). The data preprocessing unit 11 outputs the preprocessed time-series data to the inundation depth prediction unit 12 .
  • the inundation depth prediction unit 12 reads the learned inundation depth prediction model from the storage unit 2 (step ST2). Next, the inundation depth prediction unit 12 determines whether the time-series data preprocessed by the data preprocessing unit 11 includes data necessary for predicting the inundation depth using the learned inundation depth prediction model. It is determined whether or not (step ST3).
  • step ST3 If the inundation depth prediction unit 12 determines that the time-series data does not include the required amount of data (NO in step ST3), it proceeds to step ST4, and if it determines that the time-series data includes the required amount of data. (YES in step ST3), the process proceeds to step ST5.
  • step ST4 the inundation depth prediction unit 12 supplements the missing data for the time-series data preprocessed by the data preprocessing unit 11.
  • step ST5 the inundation depth prediction unit 12 proceeds to step ST5.
  • step ST5 the primary prediction unit 13 of the inundation depth prediction unit 12 inputs the time-series data preprocessed by the data preprocessing unit 11 to the learned inundation depth prediction model to obtain a primary prediction value of inundation depth. to predict.
  • the primary prediction unit 13 outputs the predicted primary prediction value to the secondary prediction unit 14 .
  • the secondary prediction unit 14 of the inundation depth prediction unit 12 reads the secondary prediction value D4 as the past prediction value from the storage unit 2 (step ST6).
  • the secondary prediction unit 14 corrects the primary prediction value predicted by the primary prediction unit 13 using the read secondary prediction value as the past prediction value, thereby performing secondary prediction of the inundation depth for display.
  • a value is calculated (step ST7).
  • the secondary prediction unit 14 outputs the calculated secondary prediction value to the display unit 3 (step ST8).
  • the display unit 3 displays the secondary prediction values calculated by the secondary prediction unit 14 .
  • the secondary prediction unit 14 stores the calculated secondary prediction value in the storage unit 2 (step ST9).
  • FIG. 5 is a block diagram showing the configuration of the inundation depth prediction learning device 102 according to Embodiment 1.
  • the inundation depth prediction learning device 102 includes a learning section 4 , a storage section 5 and a display section 6 .
  • the learning unit 4 includes a flow velocity value acquisition unit 40 , a maximum inundation depth labeled data acquisition unit 41 , a data preprocessing unit 42 , a model generation unit 43 and an evaluation unit 44 .
  • the inundation depth prediction learning device 102 is assumed to be connected to the above-described inundation depth prediction device 100 .
  • the inundation depth prediction learning device 102 will be described as a device different from the above-described inundation depth prediction device 100, but the inundation depth prediction device 100 is the inundation depth prediction learning device 102 described below. It may further have a configuration.
  • the current velocity value acquisition unit 40 acquires a current velocity value D10 on the sea surface.
  • the current velocity value acquisition unit 40 outputs the acquired current velocity value D10 on the sea surface to the data preprocessing unit 42 .
  • the maximum inundation depth labeled data acquisition unit 41 acquires maximum inundation depth labeled data D11 indicating the maximum inundation depth on the ground.
  • the maximum inundation depth labeled data acquisition unit 41 outputs the acquired maximum inundation depth labeled data D ⁇ b>11 to the data preprocessing unit 42 .
  • the flow velocity value acquired by the flow velocity value acquisition unit 40 and the maximum inundation depth labeled data acquired by the maximum inundation depth labeled data acquisition unit 41 are each data created by simulation.
  • the simulation data created in the simulation are, for example, data with current velocity values and maximum inundation depth labels regarding tsunamis caused by earthquakes. More specifically, the simulation data is labeled data with flow velocity values and maximum inundation depth created by randomly setting the epicenter or displacement amount or direction of the fault. Alternatively, the simulation data is, for example, velocity values and maximum inundation depth labeled data relating to a tsunami caused by a landslide.
  • the data preprocessing unit 42 performs preprocessing for adding noise data to the flow velocity value D10 acquired by the flow velocity value acquisition unit 40 .
  • the noise data is the current velocity value on the sea surface during normal times.
  • the data preprocessing unit 42 may add some other value to the flow velocity value acquired by the flow velocity value acquiring unit 40 so as to make the data closer to the actual operation.
  • the data preprocessing unit 42 considers the characteristics of the radar that observes the current velocity values, and considers that the current velocity values may be missing due to missing radar observations.
  • the data preprocessing unit 42 performs interpolation using, for example, the flow velocity values of the areas around the area where the flow velocity values are missing as the flow velocity values of the area.
  • the data preprocessing unit 42 performs complementation using, for example, random numbers generated from the mean or variance of all observed values of the flow velocity as the flow velocity values of regions lacking flow velocity values.
  • the data preprocessing unit 42 performs complementation using a specific value such as 0 as the flow velocity value of a region lacking the flow velocity value, for example.
  • the data preprocessing unit 42 uses the flow velocity value D10 acquired by the flow velocity value acquisition unit 40 and the maximum inundation depth labeled data D11 acquired by the maximum inundation depth labeled data acquisition unit 41. From among them, the model generation unit 43 further performs preprocessing for selecting the learning data D12 to be used for generating the inundation depth prediction model. The data preprocessing unit 42 outputs the selected learning data D ⁇ b>12 to the model generation unit 43 .
  • the model generation unit 43 calculates the inundation on the ground from the current velocity value on the sea surface.
  • the inundation depth prediction model is generated by learning the inundation depth prediction that predicts the depth.
  • the inundation depth prediction model generated by the model generation unit 43 is a machine learning model that predicts the inundation depth on the ground from the current velocity value on the sea surface.
  • the inundation depth prediction model generated by the model generation unit 43 is a machine learning model that predicts the probability distribution indicating the occurrence probability for each inundation depth from the current velocity value on the sea surface.
  • the model generation unit 43 combines the flow velocity values preprocessed by the data preprocessing unit 42 and the maximum inundation depth labeled data acquired by the maximum inundation depth labeled data acquisition unit 41. and to generate an inundation depth prediction model.
  • the model generation unit 43 generates the inundation depth prediction model D13 based on the learning data D12 (flow velocity value and maximum inundation depth labeled data) selected by the data preprocessing unit 42.
  • the model generation unit 43 outputs the generated inundation depth prediction model D13 and the flow velocity value and the maximum inundation depth labeled data, which are the learning data D12 used for learning, to the evaluation unit 44 .
  • the evaluation unit 44 evaluates the learning result of inundation depth prediction based on the inundation depth prediction model D13 generated by the model generation unit 43. More specifically, in the first embodiment, the evaluation unit 44 compares the inundation depth prediction model D13 generated by the model generation unit 43 with the flow velocity value and maximum inundation depth labeled data used by the model generation unit 43 for learning. Based on this, the learning results of inundation depth prediction are evaluated.
  • the evaluation unit 44 includes the inundation depth prediction model D13 generated by the model generation unit 43 and the learning data D12 (flow velocity value and maximum inundation depth) used by the model generation unit 43 for learning. Evaluate the learning results of inundation depth prediction based on labeled data). The evaluation unit 44 outputs the evaluation result D14 to the data preprocessing unit 42 .
  • the evaluation unit 44 predicts the inundation depth on the ground by inputting the flow velocity value used for learning by the model generation unit 43 into the inundation depth prediction model generated by the model generation unit 43, and predicts the predicted inundation depth.
  • the learning result of inundation depth prediction is evaluated by calculating the ratio within the range.
  • the evaluation unit 44 evaluates the learning result of inundation depth prediction by calculating a regression error or a coefficient of determination based on the inundation depth prediction model generated by the model generation unit 43 .
  • the data preprocessing unit 42 described above further selects learning data based on the evaluation performed by the evaluation unit 44 . For example, when the evaluation unit 44 evaluates the learning result of inundation depth prediction by calculating the regression error as described above, the data preprocessing unit 42 performs data , and select learning data again using the set parameter values. The data preprocessing unit 42 then outputs the selected learning data to the model generation unit 43 .
  • the model generation unit 43 described above generates an inundation depth prediction model based on the learning data (flow velocity value and maximum inundation depth labeled data) further selected by the data preprocessing unit 42 .
  • the model generation unit 43 stores the generated learned inundation depth prediction model D15 in the storage unit 5 .
  • the model generating unit 43 predicts the flood depth on the ground by inputting the flow velocity value, which is the data for learning, into the generated flood depth prediction model.
  • the maximum inundation depth labeled data which is the used learning data D12, is output to the display unit 6.
  • FIG. The display unit 6 displays the acquired inundation depth and maximum inundation depth labeled data, so that the user can check the learning status.
  • the model generating unit 43 outputs the generated inundation depth prediction model to the above-described inundation depth prediction device 100 as a learned inundation depth prediction model.
  • the inundation depth prediction unit 12 of the processing unit 1 in the inundation depth prediction device 100 predicts the inundation depth on the ground by inputting flow velocity values into the learned inundation depth prediction model as described above. Further, the storage unit 2 of the inundation depth prediction device 100 stores the learned inundation depth prediction model.
  • FIG. 6 is a flow chart showing the inundation depth learning method by the inundation depth prediction device 100 according to the first embodiment. Note that before each step described below, the current velocity value acquisition unit 40 acquires the current velocity value on the sea surface, and the maximum inundation depth labeled data acquisition unit 41 acquires the maximum inundation depth label indicating the maximum inundation depth on the ground. It is assumed that the data with
  • the data preprocessing unit 42 selects the model generation unit from among the flow velocity value acquired by the flow velocity value acquisition unit 40 and the maximum inundation labeled data acquired by the maximum inundation depth labeled data acquisition unit 41. 43 performs preprocessing for selecting learning data to be used for generating the inundation depth prediction model (step ST10).
  • the data preprocessing unit 42 outputs the selected learning data to the model generation unit 43 .
  • the model generation unit 43 acquires the flow velocity value and the maximum inundation depth labeled data, which are the learning data selected by the data preprocessing unit 42 (step ST11).
  • the model generator 43 predicts the inundation depth on the ground from the current velocity value on the sea surface based on the learning data selected by the data preprocessing unit 42, namely the current velocity value and the maximum inundation depth labeled data.
  • a flood depth prediction model is generated (step ST12).
  • the model generation unit 43 outputs the generated inundation depth prediction model, the flow velocity value used in learning, and the data with the maximum inundation depth label to the evaluation unit 44 .
  • the evaluation unit 44 based on the inundation depth prediction model generated by the model generation unit 43, and the flow velocity value and the maximum inundation depth labeled data, which are learning data used for learning by the model generation unit 43, The deep prediction learning result is evaluated (step ST13).
  • the evaluation unit 44 outputs evaluation results to the data preprocessing unit 42 .
  • the data preprocessing unit 42 changes the parameter values related to data selection performed during learning based on the evaluation performed by the evaluation unit 44 (step ST14).
  • the inundation depth prediction learning device 102 repeatedly executes each process from step ST10 to step ST14 for the number of parameter searches. Thereby, the inundation depth prediction model is updated until the evaluation of the learning result of the inundation depth prediction becomes the best.
  • the model generation unit 43 predicts the inundation depth on the ground by inputting the flow velocity value, which is the data for learning, into the generated inundation depth prediction model.
  • the data with the inundation depth label is output to the display unit 6 (step ST15).
  • the display unit 6 displays the inundation depth and the maximum inundation depth labeled data, so that the user can check the learning status.
  • the model generation unit 43 stores the generated inundation depth prediction model in the storage unit 5 as a learned inundation depth prediction model (step ST16).
  • Each function of the flow velocity value acquisition unit 10, the data preprocessing unit 11, and the inundation depth prediction unit 12 in the processing unit 1 of the inundation depth prediction device 100, and the flow velocity value acquisition unit 40 in the learning unit 4 of the inundation depth prediction learning device 102 , maximum inundation depth labeled data acquisition unit 41, data preprocessing unit 42, model generation unit 43, and evaluation unit 44 are implemented by a processing circuit. That is, the processing unit 1 of the inundation depth prediction device 100 and the learning unit 4 of the inundation depth prediction learning device 102 have processing circuits for executing the processing of each step shown in FIGS. This processing circuit may be dedicated hardware, or may be a CPU (Central Processing Unit) that executes a program stored in memory.
  • CPU Central Processing Unit
  • FIG. 7A is a block diagram showing a hardware configuration that realizes the functions of the processing unit 1 of the inundation depth prediction device 100 and the functions of the learning unit 4 of the inundation depth prediction learning device 102.
  • FIG. 7B is a block diagram showing a hardware configuration for executing software that realizes the functions of the processing unit 1 of the inundation depth prediction device 100 and the functions of the learning unit 4 of the inundation depth prediction learning device 102. As shown in FIG.
  • the processing circuit 103 may be, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC (Application Specific Integrated Circuit), FPGA (Field-Programmable Gate Array), or a combination thereof.
  • ASIC Application Specific Integrated Circuit
  • FPGA Field-Programmable Gate Array
  • Each function of the flow velocity value acquisition unit 10, the data preprocessing unit 11, and the inundation depth prediction unit 12 in the processing unit 1 of the inundation depth prediction device 100, and the flow velocity value acquisition unit 40 in the learning unit 4 of the inundation depth prediction learning device 102 , the maximum inundation depth labeled data acquisition unit 41, the data preprocessing unit 42, the model generation unit 43, and the evaluation unit 44 may be realized by separate processing circuits, or these functions may be integrated into one process. It may be realized by a circuit.
  • the processing circuit is the processor 104 shown in FIG. 7B
  • Each function of the flow velocity acquisition unit 40, the maximum inundation depth labeled data acquisition unit 41, the data preprocessing unit 42, the model generation unit 43, and the evaluation unit 44 in the learning unit 4 of the learning device 102 is software, firmware or software. It is realized by combination with firmware. Software or firmware is written as a program and stored in the memory 105 .
  • the processor 104 reads out and executes a program stored in the memory 105 to perform the functions of the flow velocity acquisition unit 10, the data preprocessing unit 11, and the inundation depth prediction unit 12 in the processing unit 1 of the inundation depth prediction device 100. , and the functions of the flow velocity value acquisition unit 40, the maximum inundation depth labeled data acquisition unit 41, the data preprocessing unit 42, the model generation unit 43, and the evaluation unit 44 in the learning unit 4 of the inundation depth prediction learning device 102. . That is, the processing unit 1 of the inundation depth prediction device 100 and the learning unit 4 of the inundation depth prediction learning device 102 perform each step shown in FIGS.
  • a memory 105 is provided for storing the program that results in the process being executed.
  • a computer executes each procedure or method of the flow velocity value acquiring unit 40, the maximum inundation depth labeled data acquiring unit 41, the data preprocessing unit 42, the model generating unit 43, and the evaluating unit 44.
  • the memory 105 provides a computer with the functions of the flow velocity value acquisition unit 10, the data preprocessing unit 11, and the inundation depth prediction unit 12 in the processing unit 1 of the inundation depth prediction device 100, and the learning unit 4 of the inundation depth prediction learning device 102.
  • a computer-readable storage medium storing a program for functioning as each function of the flow velocity value acquisition unit 40, the maximum inundation depth labeled data acquisition unit 41, the data preprocessing unit 42, the model generation unit 43, and the evaluation unit 44 in There may be.
  • the processor 104 corresponds to, for example, a CPU (Central Processing Unit), a processing device, an arithmetic device, a processor, a microprocessor, a microcomputer, or a DSP (Digital Signal Processor).
  • a CPU Central Processing Unit
  • a processing device for example, a CPU (Central Processing Unit), a processing device, an arithmetic device, a processor, a microprocessor, a microcomputer, or a DSP (Digital Signal Processor).
  • DSP Digital Signal Processor
  • the memory 105 includes, for example, non-volatile or volatile semiconductor memories such as RAM (Random Access Memory), ROM (Read Only Memory), flash memory, EPROM (Erasable Programmable Read Only Memory), EEPROM (Electrically-EPROM), Magnetic discs such as hard disks and flexible discs, flexible discs, optical discs, compact discs, mini discs, CDs (Compact Discs), DVDs (Digital Versatile Discs), and the like.
  • RAM Random Access Memory
  • ROM Read Only Memory
  • flash memory EPROM (Erasable Programmable Read Only Memory)
  • EEPROM Electrically-EPROM
  • Magnetic discs such as hard disks and flexible discs, flexible discs, optical discs, compact discs, mini discs, CDs (Compact Discs), DVDs (Digital Versatile Discs), and the like.
  • Each function of the flow velocity value acquisition unit 10, the data preprocessing unit 11, and the inundation depth prediction unit 12 in the processing unit 1 of the inundation depth prediction device 100, and the flow velocity value acquisition unit 40 in the learning unit 4 of the inundation depth prediction learning device 102 , maximum inundation depth labeled data acquisition unit 41, data preprocessing unit 42, model generation unit 43, and evaluation unit 44 are partly realized by dedicated hardware and partly realized by software or firmware. good too.
  • the functions of the flow velocity value acquisition unit 10, the data preprocessing unit 11, and the inundation depth prediction unit 12 are realized by a processing circuit as dedicated hardware.
  • the flow velocity value acquisition unit 40, the maximum inundation depth labeled data acquisition unit 41, the data preprocessing unit 42, the model generation unit 43, and the evaluation unit 44 are obtained by the processor 104 reading and executing programs stored in the memory 105. function may be realized.
  • the processing circuitry may implement each of the above functions in hardware, software, firmware, or a combination thereof.
  • the inundation depth prediction device 100 includes the flow velocity value acquisition unit 10 that acquires the current velocity value on the sea surface, and the learned inundation depth that predicts the inundation depth on the ground from the current velocity value on the sea surface.
  • a flood depth prediction unit 12 for predicting the flood depth on the ground by inputting the flow velocity value acquired by the flow velocity acquisition unit 10 into the prediction model.
  • the inundation depth can be predicted directly by inputting the flow velocity value into the learned inundation depth prediction model. Therefore, prediction errors can be reduced, and accuracy of tsunami prediction based on current velocity values on the sea surface can be improved.
  • the wave height is estimated from the observed current velocity values on the sea surface, and the tsunami prediction is performed using the case with the highest correlation among the databases prepared in advance.
  • Tsunami simulations can be calculated using the finite element method by simulating topography or seafloor structures, but even large-scale computers are said to take several hours. This is because it is difficult to predict.
  • the configuration of the inundation depth prediction device 100 according to Embodiment 1 it is possible to predict the inundation depth due to the tsunami in real time from the sea surface current velocity value observed by the radar. As a result, effective information for disaster prevention and mitigation can be quickly provided.
  • the inundation depth prediction apparatus 100 further includes a data preprocessing unit 11 that performs at least one preprocessing of normalization or supplementation of missing data on the flow velocity values acquired by the flow velocity value acquisition unit 10.
  • the inundation depth prediction unit 12 predicts the inundation depth by inputting the flow velocity values preprocessed by the data preprocessing unit 11 into the learned inundation depth prediction model.
  • the inundation depth can be predicted with high accuracy by inputting the flow velocity value after preprocessing into the learned inundation depth prediction model. Therefore, it is possible to improve the accuracy of tsunami prediction based on current velocity values on the sea surface.
  • the inundation depth prediction unit 12 in the inundation depth prediction device 100 inputs the flow velocity value acquired by the flow velocity value acquisition unit 10 to the learned inundation depth prediction model, thereby obtaining the primary predicted value of the inundation depth.
  • a secondary predicted value of the inundation depth is calculated based on the predicted primary predicted value and the past predicted value of the inundation depth predicted in the past.
  • the inundation depth can be accurately predicted by calculating the secondary predicted value based on the predicted primary predicted value and the past predicted value. Therefore, it is possible to improve the accuracy of tsunami prediction based on current velocity values on the sea surface.
  • the flow velocity values acquired by the flow velocity value acquisition unit 10 in the inundation depth prediction device 100 according to Embodiment 1 are time-series data indicating the flow velocity values at each time, and the learned inundation depth prediction model used by the inundation depth prediction unit 12 is a convolutional neural network model.
  • the inundation depth prediction unit 12 in the inundation depth prediction device 100 uses the time-series data acquired by the flow velocity value acquisition unit 10 to predict the inundation depth using the learned inundation depth prediction model. If it is determined that the required amount of data is not included, the lacking data is complemented for the time-series data acquired by the flow velocity value acquiring unit 10. .
  • the time-series data does not contain the required amount of data, the lacking data is supplemented for the time-series data.
  • the prediction error can be reduced, so the accuracy of tsunami prediction based on the current velocity value on the sea surface can be improved.
  • the inundation depth prediction unit 12 in the inundation depth prediction device 100 inputs the flow velocity values acquired by the flow velocity value acquisition unit 10 to the learned inundation depth prediction model, thereby calculating the occurrence probability for each inundation depth. Predict the probability distribution shown.
  • the inundation depth prediction learning device 102 includes a flow velocity value acquisition unit 40 that acquires the current velocity value on the sea surface, and a maximum inundation depth labeled data that indicates the maximum inundation depth on the ground. Based on the data acquisition unit 41, the flow velocity value acquired by the flow velocity value acquisition unit 40, and the maximum inundation depth labeled data acquired by the maximum inundation depth labeled data acquisition unit 41, the water inundation on the ground is calculated from the current velocity value on the sea surface.
  • a model generation unit 43 that generates a flood depth prediction model by learning flood depth prediction that predicts depth.
  • a flood depth prediction model that predicts the flood depth on the ground from the current velocity value on the sea surface is generated.
  • the inundation depth can be directly predicted by inputting the flow velocity value into the generated inundation depth prediction model. Therefore, prediction errors can be reduced, and accuracy of tsunami prediction based on current velocity values on the sea surface can be improved.
  • the inundation depth prediction learning device 102 further includes an evaluation unit 44 that evaluates the learning result of inundation depth prediction based on the inundation depth prediction model generated by the model generation unit 43 .
  • the inundation depth prediction model that predicts the inundation depth on the ground from the current velocity value on the sea surface is evaluated.
  • it is possible to improve the accuracy of tsunami prediction based on the current velocity value on the sea surface.
  • the inundation depth prediction learning device 102 further includes a data preprocessing unit 42 that performs preprocessing for adding noise data to the flow velocity values acquired by the flow velocity value acquisition unit 40, and a model generation unit 43 generates an inundation depth prediction model based on the flow velocity values preprocessed by the data preprocessing unit 42 and the maximum inundation depth labeled data acquired by the maximum inundation depth labeled data acquisition unit 41 .
  • the inundation depth prediction model is generated based on the flow velocity value to which noise data is added.
  • the inundation depth prediction model it is possible to improve the accuracy of tsunami prediction based on the current velocity value on the sea surface.
  • the inundation depth prediction learning device 102 selects the model generation unit from among the flow velocity value acquired by the flow velocity value acquisition unit 40 and the maximum inundation labeled data acquired by the maximum inundation depth labeled data acquisition unit 41.
  • 43 further includes a data preprocessing unit 42 that performs preprocessing for selecting learning data used to generate the inundation depth prediction model, and the model generation unit 43, based on the learning data selected by the data preprocessing unit 42, Generate an inundation depth prediction model.
  • the inundation depth prediction model is generated based on the selected learning data.
  • the inundation depth prediction model by predicting the inundation depth using the generated inundation depth prediction model, it is possible to improve the accuracy of tsunami prediction based on the current velocity value on the sea surface.
  • the inundation depth prediction learning device 102 further includes an evaluation unit 44 that evaluates the learning result of inundation depth prediction based on the inundation depth prediction model generated by the model generation unit 43, and a data preprocessing unit. 42 further selects learning data based on the evaluation performed by the evaluation unit 44 .
  • the inundation depth prediction model is generated based on the learning data selected based on the evaluation of the learning result of the inundation depth prediction.
  • the inundation depth prediction model is generated based on the learning data selected based on the evaluation of the learning result of the inundation depth prediction.
  • the inundation depth prediction device and the inundation depth prediction learning device according to the present disclosure are suitable for use in general domains that can monitor sea surface conditions with, for example, radar.
  • the inundation depth prediction device according to the present disclosure such as a tsunami monitoring ocean radar, is a function to be added to a radar that can monitor the state of the sea surface several tens of kilometers from the land. It is possible to predict the depth of flooding and issue an alarm.

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Hydrology & Water Resources (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)

Abstract

浸水深予測装置（１００）は、海表面の流速値を取得する流速値取得部（１０）と、海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、流速値取得部（１０）が取得した流速値を入力することにより、地上における浸水深を予測する浸水深予測部（１２）と、を備えている。

Description

浸水深予測装置、浸水深予測学習装置、浸水深予測方法、及び浸水深予測学習方法
　本開示は、浸水深予測装置、及び浸水深予測学習装置に関する。
　津波を予測する技術では、地震発生の際に観測した観測値に基づいて、津波を予測する。
　例えば、特許文献１には、予測対象位置における津波を予測する津波予測方法が記載されている。当該津波予測方法では、波高等の津波の波源条件と、当該波源条件に対応する津波予測とを含む津波予測データベースを作成し、作成した津波予測データベースに基づいて、予測対象位置における津波を予測する。
特開２００５－２０８００１号公報
　上記のような津波予測方法では、例えば、観測した海表面の流速値を波高に変換し、変換した波高に基づいて、津波に関する予測値として地上における浸水深を予測する。しかし，このような津波予測方法では、流速値から波高への変換と、浸水深の予測との２つの段階で、予測値が誤差を含むことになるという問題がある。
　本開示は、上記のような問題点を解決するためになされたものであり、海表面の流速値に基づいた津波予測の精度を向上させる技術を提供することを目的とする。
　本開示に係る浸水深予測装置は、海表面の流速値を取得する流速値取得部と、海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、流速値取得部が取得した流速値を入力することにより、地上における浸水深を予測する浸水深予測部と、を備えている。
　本開示に係る浸水深予測装置は、海表面の流速値を取得する流速値取得部と、地上における最大浸水深を示す最大浸水深ラベル付きデータを取得する最大浸水深ラベル付きデータ取得部と、流速値取得部が取得した流速値と、最大浸水深ラベル付きデータ取得部が取得した最大浸水深ラベル付きデータとに基づいて、海表面の流速値から地上における浸水深を予測する浸水深予測を学習することにより、浸水深予測モデル を生成するモデル生成部と、を備えている。
　本開示によれば、海表面の流速値に基づいた津波予測の精度を向上させることができる。
実施の形態１に係る浸水深予測システムの構成を示すブロック図である。 実施の形態１に係る浸水深予測装置の構成を示すブロック図である。 実施の形態１の具体例に係る時刻毎の流速値を示す時系列データを説明するための図である。 実施の形態１に係る浸水深予測装置の処理部による浸水深予測方法を示すフローチャートである。 実施の形態１に係る浸水深予測学習装置の構成を示すブロック図である。 実施の形態１に係る浸水深予測装置による浸水深学習方法を示すフローチャートである。 図７Ａは、実施の形態１に係る浸水深予測装置の処理部の機能、及び実施の形態１に係る浸水深予測学習装置の機能を実現するハードウェア構成を示すブロック図である。図７Ｂは、実施の形態１に係る浸水深予測装置の処理部の機能、及び実施の形態１に係る浸水深予測学習装置の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。
　以下、本開示をより詳細に説明するため、本開示を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
　図１は、実施の形態１に係る浸水深予測システム１０００の構成を示すブロック図である。図２は、実施の形態１に係る浸水深予測装置１００の構成を示すブロック図である。図１が示すように、浸水深予測システム１０００は、浸水深予測装置１００、及びレーダー１０１を備えている。なお、図１が示す構成は一例であり、各機器の台数などはこの例に限定されない。図２が示すように、浸水深予測装置１００は、処理部１、記憶部２、及び表示部３を備えている。処理部１は、流速値取得部１０、データ前処理部１１、及び浸水深予測部１２を備えている。
　レーダー１０１は、海表面の流速値を測定する。図示しないが、レーダー１０１は、通信インターフェースを備え、測定した流速値を当該通信インターフェースによって浸水深予測装置１００に送信する。
　より詳細には、実施の形態１では、レーダー１０１は、海表面を任意の数の領域に分割し、海表面における領域毎の流速値を測定する。以下では、海表面における領域毎の流速値を、単に海表面の流速値と呼称する。
　さらに詳細には、実施の形態１では、レーダー１０１は、時間の経過とともに流速値を測定することにより、時刻毎の流速値を示す時系列データを取得する。
　図示しないが、浸水深予測装置１００は、レーダー１０１が測定した流速値を受信するための通信インターフェースを備えている。浸水深予測装置１００は、受信した流速値を機械学習モデルに入力することにより、地上において津波によって生じた浸水深を予測値として出力する。例えば、浸水深予測装置１００が予測する浸水深は、地上の予測地点における浸水深、又は地上の予測地域における浸水深等である。
　浸水深予測装置１００における処理部１の流速値取得部１０は、海表面の流速値Ｄ１を取得する。流速値取得部１０は、取得した流速値Ｄ１を記憶部２に出力する。
　より詳細には、実施の形態１では、流速値取得部１０は、レーダー１０１が測定した流速値Ｄ１を取得する。さらに詳細には、実施の形態１では、流速値取得部１０は、流速値Ｄ１として、時刻毎の流速値Ｄ１を示す時系列データを取得する。
　浸水深予測装置１００の記憶部２は、流速値取得部１０が取得した流速値Ｄ１を記憶する。記憶部２は、記憶した流速値Ｄ１をデータ前処理部１１に出力する。より詳細には、実施の形態１では、記憶部２は、流速値取得部１０が取得した時系列データを記憶する。
　処理部１のデータ前処理部１１は、流速値取得部１０が取得した流速値Ｄ１に対して、前処理を行う。より詳細には、実施の形態１では、処理部１のデータ前処理部１１は、流速値取得部１０が取得した流速値Ｄ１に対して、標準化、又は欠落データの補完の少なくとも１つの前処理を行う。データ前処理部１１は、前処理を行った流速値Ｄ２を浸水深予測部１２に出力する。
　より詳細には、実施の形態１では、データ前処理部１１は、記憶部２から流速値Ｄ１を読み込み、読み込んだ流速値Ｄ１に対して、標準化、又は欠落データの補完の少なくとも１つの前処理を行う。さらに詳細には、実施の形態１では、データ前処理部１１は、記憶部２から、時刻毎の流速値Ｄ１を示す時系列データを読み込み、読み込んだ時系列データに対して、標準化、又は欠落データの補完の少なくとも１つの前処理を行う。
　より具体的には、例えば、データ前処理部１１は、海表面における領域毎の流速値を標準化する。例えば、データ前処理部１１は、海表面における領域毎の流速値に対して欠落データの補完を行う場合、流速値が欠落している領域の流速値として、当該領域周辺の領域の流速値を用いる補完を行う。または、例えば、データ前処理部１１は、海表面における領域毎の流速値に対して欠落データの補完を行う場合、流速値が欠落している領域の流速値として、流速値の全観測値の平均又は分散から発生させた乱数を用いる補完を行う。
　処理部１の浸水深予測部１２は、海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、地上における浸水深を予測する。換言すれば、浸水深予測部１２は、海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、地上における浸水深を予測値として出力する。浸水深予測部１２は、予測した浸水深を表示部３に出力する。
　より詳細には、実施の形態１では、記憶部２は、海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルを記憶している。浸水深予測部１２は、記憶部２から学習済み浸水深予測モデルを読み込み、読み込んだ学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、地上における浸水深を予測する。
　例えば、浸水深予測部１２は、学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、浸水深毎の発生確率を示す確率分布を予測してもよい。つまり、その場合、当該学習済み浸水深予測モデルは、海表面の流速値から、浸水深毎の発生確率を示す確率分布を予測する機械学習モデルである。または、浸水深予測部１２は、学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、浸水深を一意に示す値を予測してもよい。つまり、その場合、当該学習済み浸水深予測モデルは、海表面の流速値から、浸水深を一意に示す値を予測する機械学習モデルである。
　さらに詳細には、実施の形態１では、浸水深予測部１２は、データ前処理部１１が前処理を行った流速値Ｄ２を、学習済み浸水深予測モデルに入力することにより、地上における浸水深を予測する。
　さらに詳細には、実施の形態１では、浸水深予測部１２は、データ前処理部１１が前処理を行った時系列データを、学習済み浸水深予測モデルに入力することにより、地上における浸水深を予測する。
　さらに詳細には、浸水深予測部１２は、データ前処理部１１が前処理を行った時系列データが、学習済み浸水深予測モデルを用いて浸水深を予測するために必要な分のデータを含むか否かを判定する。そして、浸水深予測部１２は、時系列データが必要な分のデータを含まないと判定した場合、データ前処理部１１が前処理を行った時系列データに対して、不足している分のデータを補完する。
　さらに詳細には、実施の形態１では、浸水深予測部１２は、一次予測部１３、及び二次予測部１４を備えている。
　浸水深予測部１２の一次予測部１３は、学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、浸水深の一次予測値を予測する。一次予測部１３は、予測した一次予測値を二次予測部１４に出力する。
　より詳細には、実施の形態１では、一次予測部１３は、学習済み浸水深予測モデルに、データ前処理部１１が前処理を行った流速値Ｄ２を入力することにより、浸水深の一次予測値Ｄ３を予測する。
　さらに詳細には、一次予測部１３は、学習済み浸水深予測モデルに、データ前処理部１１が前処理を行った時系列データを入力することにより、浸水深の一次予測値Ｄ３を予測する。
　図３は、実施の形態１の具体例に係る時刻毎の流速値を示す時系列データを説明するための図である。図３における左側の図が示すように、レーダー１０１は、地上から海表面に向けて電波を送信し、その反射波を受信することにより、海表面における領域毎の流速値を測定する。そして、レーダー１０１は、時間の経過とともに流速値を測定することにより、時刻毎の流速値を示す時系列データを取得する。
　図３における真ん中の図が示すように、当該具体例では、一次予測部１３は，データ前処理部１１から取得した時系列データが示す時刻毎の流速値を、それぞれ、レーダー１０１による観測地点の方位方向を幅とし且つ距離方向を高さとした畳み込みニューラルネットワーク（ＣＮＮ）の入力形式で、学習済み浸水深予測モデルとしての畳み込みニューラルネットワークモデルに入力する。つまり、一次予測部１３は、流速値を、レーダー１０１の照射ポイント（方位方向及び距離方向）に対応する位置に並べることにより画像データのように扱う。
　また、図３における右側の図が示すように、当該具体例では、一次予測部１３は、データ前処理部１１から取得した時系列データを、レーダー１０１による観測時刻をチャネル方向とした畳み込みニューラルネットワーク（ＣＮＮ）の入力形式で、学習済み浸水深予測モデルとしての畳み込みニューラルネットワークモデルに入力する。つまり、一次予測部１３は、過去から現在までの各流速値を、畳み込みニューラルネットワークに時系列入力する。
　例えば、一次予測部１３は、流速値を入力した学習済み浸水深予測モデルを、通常の回帰問題として解くことにより、浸水深の一次予測値を一意に予測してもよい。または，例えば、一次予測部１３は、学習済み浸水深予測モデルとして混合密度ネットワークなどを用いることにより、浸水深毎の発生確率を示す確率分布を予測してもよい。
　二次予測部１４は、一次予測部１３が予測した一次予測値Ｄ３と、過去に予測した浸水深の過去予測値とに基づいて、浸水深の二次予測値Ｄ４を算出する。二次予測部１４は、算出した二次予測値Ｄ４を表示部３及び記憶部２に出力する。記憶部２は、二次予測部１４が算出した二次予測値Ｄ４を記憶する。
　より詳細には、実施の形態１では、記憶部２は、二次予測部１４が過去に算出した二次予測値Ｄ４を記憶している。二次予測部１４は、記憶部２から過去予測値としての二次予測値Ｄ４を読み込み、読み込んだ過去予測値としての二次予測値Ｄ４と、一次予測部１３が予測した一次予測値Ｄ３とに基づいて、表示用の浸水深の二次予測値Ｄ４を算出する。さらに詳細には、実施の形態１では、二次予測部１４は、読み込んだ過去予測値としての二次予測値Ｄ４を用いて、一次予測部１３が予測した一次予測値Ｄ３を補正することにより、表示用の浸水深の二次予測値Ｄ４を算出する。
　例えば、二次予測部１４は、レーダー１０１に起因する異常値等の、観測環境に依存する外れ値に対して，一次予測部１３が予測した一次予測値と、記憶部２から読み込んだ過去予測値としての二次予測値との両方を用いて対策を行う。より詳細には、例えば、二次予測部１４は、表示用の浸水深の二次予測値として、一次予測値と過去予測値との中央値を算出することにより、外れ値の影響を除去した表示用の二次予測値Ｄ４を算出する。
　表示部３は、浸水深予測部１２が予測した浸水深を表示する。より詳細には、実施の形態１では、表示部３は、二次予測部１４が算出した二次予測値Ｄ４を表示する。例えば、表示部３は、浸水深予測部１２が浸水深毎の発生確率を示す確率分布を予測した場合、当該確率分布の波形を表示する。
　以下で、実施の形態１に係る浸水深予測装置１００の動作について図面を参照して説明する。図４は、実施の形態１に係る浸水深予測装置１００の処理部１による浸水深予測方法を示すフローチャートである。なお、以下で説明する各ステップの前に、レーダー１０１が時刻毎の流速値を示す時系列データを取得し、流速値取得部１０は、レーダー１０１が取得した時系列データを取得し、記憶部２に記憶させたものとする。
　図４が示すように、データ前処理部１１は、記憶部２から、時刻毎の流速値を示す時系列データを読み込み、読み込んだ時系列データに対して、標準化、又は欠落データの補完の少なくとも１つの前処理を行う（ステップＳＴ１）。データ前処理部１１は、前処理を行った時系列データを浸水深予測部１２に出力する。
　次に、浸水深予測部１２は、記憶部２から学習済み浸水深予測モデルを読み込む（ステップＳＴ２）。
　次に、浸水深予測部１２は、データ前処理部１１が前処理を行った時系列データが、学習済み浸水深予測モデルを用いて浸水深を予測するために必要な分のデータを含むか否かを判定する（ステップＳＴ３）。
　浸水深予測部１２は、時系列データが必要な分のデータを含まないと判定した場合（ステップＳＴ３のＮＯ）、ステップＳＴ４に進み、時系列データが必要な分のデータを含むと判定した場合（ステップＳＴ３のＹＥＳ）、ステップＳＴ５に進む。
　ステップＳＴ４において、浸水深予測部１２は、データ前処理部１１が前処理を行った時系列データに対して、不足している分のデータを補完する。次に、浸水深予測部１２は、ステップＳＴ５に進む。
　ステップＳＴ５において、浸水深予測部１２の一次予測部１３は、学習済み浸水深予測モデルに、データ前処理部１１が前処理を行った時系列データを入力することにより、浸水深の一次予測値を予測する。一次予測部１３は、予測した一次予測値を二次予測部１４に出力する。
　次に、浸水深予測部１２の二次予測部１４は、記憶部２から過去予測値としての二次予測値Ｄ４を読み込む（ステップＳＴ６）。
　次に、二次予測部１４は、読み込んだ過去予測値としての二次予測値を用いて、一次予測部１３が予測した一次予測値を補正することにより、表示用の浸水深の二次予測値を算出する（ステップＳＴ７）。
　次に、二次予測部１４は、算出した二次予測値を表示部３に出力する（ステップＳＴ８）。表示部３は、二次予測部１４が算出した二次予測値を表示する。
　次に、二次予測部１４は、算出した二次予測値を記憶部２に記憶させる（ステップＳＴ９）。
　以下で、実施の形態１に係る浸水深予測学習装置１０２の構成について図面を参照して説明する。図５は、実施の形態１に係る浸水深予測学習装置１０２の構成を示すブロック図である。図５が示すように、浸水深予測学習装置１０２は、学習部４、記憶部５、及び表示部６を備えている。学習部４は、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３、及び評価部４４を備えている。なお、図示しないが、浸水深予測学習装置１０２は、上述の浸水深予測装置１００と接続しているものとする。また、実施の形態１では、浸水深予測学習装置１０２を上述の浸水深予測装置１００とは別の装置として説明するが、浸水深予測装置１００が以下で説明する浸水深予測学習装置１０２の各構成をさらに有していてもよい。
　流速値取得部４０は、海表面の流速値Ｄ１０を取得する。流速値取得部４０は、取得した海表面の流速値Ｄ１０をデータ前処理部４２に出力する。
　最大浸水深ラベル付きデータ取得部４１は、地上における最大浸水深を示す最大浸水深ラベル付きデータＤ１１を取得する。最大浸水深ラベル付きデータ取得部４１は、取得した最大浸水深ラベル付きデータＤ１１をデータ前処理部４２に出力する。
　例えば、流速値取得部４０が取得する流速値、及び最大浸水深ラベル付きデータ取得部４１が取得する最大浸水深ラベル付きデータは、それぞれ、シミュレーションで作成されたデータである。当該シミュレーションで作成されたシミュレーションデータは、例えば、地震による津波に関する流速値及び最大浸水深ラベル付きデータである。より詳細には、当該シミュレーションデータは、震源地又は断層のずれ量又は方向などをランダムに設定することにより作成された流速値及び最大浸水深ラベル付きデータである。または、当該シミュレーションデータは、例えば、地滑りによる津波に関する流速値及び最大浸水深ラベル付きデータである。
　データ前処理部４２は、流速値取得部４０が取得した流速値Ｄ１０に対して、ノイズデータを付与する前処理を行う。例えば、当該ノイズデータは、平常時の海表面の流速値である。または、例えば、データ前処理部４２は、流速値取得部４０が取得した流速値に対して、より実運用時に近いデータになるように何か別の値を付与してもよい。例えば、データ前処理部４２は、平常時の海表面の流速値をノイズデータとして用いる場合、流速値を観測するレーダーの特性を考慮して、レーダーの観測抜けにより流速値の欠落が発生している観測ポイントに関して、データの補完を行う。その場合、データ前処理部４２は、例えば、流速値が欠落している領域の流速値として、当該領域周辺の領域の流速値を用いる補完を行う。または、データ前処理部４２は、例えば、流速値が欠落している領域の流速値として、流速値の全観測値の平均又は分散から発生させた乱数を用いる補完を行う。または、データ前処理部４２は、例えば、流速値が欠落している領域の流速値として、０等の特定の値を用いる補完を行う。
　より詳細には、実施の形態１では、データ前処理部４２は、流速値取得部４０が取得した流速値Ｄ１０、及び最大浸水深ラベル付きデータ取得部４１が取得した最大浸水深ラベル付きデータＤ１１のうちから、モデル生成部４３が浸水深予測モデルの生成に用いる学習用データＤ１２を選定する前処理をさらに行う。データ前処理部４２は、選定した学習用データＤ１２をモデル生成部４３に出力する。
　モデル生成部４３は、流速値取得部４０が取得した流速値と、最大浸水深ラベル付きデータ取得部４１が取得した最大浸水深ラベル付きデータとに基づいて、海表面の流速値から地上における浸水深を予測する浸水深予測を学習することにより、浸水深予測モデルを生成する。
　モデル生成部４３が生成する浸水深予測モデルは、海表面の流速値から地上における浸水深を予測する機械学習モデルである。例えば、モデル生成部４３が生成する浸水深予測モデルは、海表面の流速値から、浸水深毎の発生確率を示す確率分布を予測する機械学習モデルである。
　より詳細には、実施の形態１では、モデル生成部４３は、データ前処理部４２が前処理を行った流速値と、最大浸水深ラベル付きデータ取得部４１が取得した最大浸水深ラベル付きデータとに基づいて、浸水深予測モデルを生成する。
　さらに詳細には、モデル生成部４３は、データ前処理部４２が選定した学習用データＤ１２（流速値及び最大浸水深ラベル付きデータ）に基づいて、浸水深予測モデルＤ１３を生成する。モデル生成部４３は、生成した浸水深予測モデルＤ１３と、学習に用いた学習用データＤ１２である流速値及び最大浸水深ラベル付きデータとを評価部４４に出力する。
　評価部４４は、モデル生成部４３が生成した浸水深予測モデルＤ１３に基づいて、浸水深予測の学習結果を評価する。より詳細には、実施の形態１では、評価部４４は、モデル生成部４３が生成した浸水深予測モデルＤ１３と、モデル生成部４３が学習に用いた流速値及び最大浸水深ラベル付きデータとに基づいて、浸水深予測の学習結果を評価する。
　さらに詳細には、実施の形態１では、評価部４４は、モデル生成部４３が生成した浸水深予測モデルＤ１３と、モデル生成部４３が学習に用いた学習用データＤ１２（流速値及び最大浸水深ラベル付きデータ）とに基づいて、浸水深予測の学習結果を評価する。評価部４４は、評価結果Ｄ１４をデータ前処理部４２に出力する。
　例えば、評価部４４は、モデル生成部４３が生成した浸水深予測モデルに、モデル生成部４３が学習に用いた流速値を入力することにより地上における浸水深を予測し、予測した浸水深が予測範囲内に収まっている割合を算出することにより浸水深予測の学習結果を評価する。または、評価部４４は、モデル生成部４３が生成した浸水深予測モデルに基づいて、回帰誤差又は決定係数などを算出することにより浸水深予測の学習結果を評価する。
　上述のデータ前処理部４２は、評価部４４が行った評価に基づいて、学習用データをさらに選定する。例えば、評価部４４が上述のように回帰誤差を算出することにより浸水深予測の学習結果を評価した場合、データ前処理部４２は、当該回帰誤差が最小になるように、学習時に実施するデータの選定に関するパラメータ値を設定し，設定したパラメータ値を用いて、再度、学習用データの選定を実施する。そして、データ前処理部４２は、さらに選定した学習用データをモデル生成部４３に出力する。
　上述のモデル生成部４３は、データ前処理部４２がさらに選定した学習用データ（流速値及び最大浸水深ラベル付きデータ）に基づいて、浸水深予測モデルを生成する。モデル生成部４３は、学習が完了した場合、生成した学習済み浸水深予測モデルＤ１５を記憶部５に記憶させる。
　また、モデル生成部４３は、学習が完了した場合、生成した浸水深予測モデルに学習用データである流速値を入力することにより地上における浸水深を予測し、予測した浸水深Ｄ１６と、学習に用いた学習用データＤ１２である最大浸水深ラベル付きデータとを表示部６に出力する。表示部６は、取得した浸水深及び最大浸水深ラベル付きデータを表示することにより、ユーザは学習状況を確認することができる。
　また、モデル生成部４３は、学習が完了した場合、生成した浸水深予測モデルを学習済み浸水深予測モデルとして上述の浸水深予測装置１００に出力する。浸水深予測装置１００における処理部１の浸水深予測部１２は、上述のように、当該学習済み浸水深予測モデルに流速値を入力することにより、地上における浸水深を予測する。また、浸水深予測装置１００の記憶部２は、当該学習済み浸水深予測モデルを記憶する。
　以下で、実施の形態１に係る浸水深予測学習装置１０２の動作について図面を参照して説明する。図６は、実施の形態１に係る浸水深予測装置１００による浸水深学習方法を示すフローチャートである。なお、以下で説明する各ステップの前に、流速値取得部４０は、海表面の流速値を取得し、最大浸水深ラベル付きデータ取得部４１は、地上における最大浸水深を示す最大浸水深ラベル付きデータを取得したものとする。
　図６が示すように、データ前処理部４２は、流速値取得部４０が取得した流速値、及び最大浸水深ラベル付きデータ取得部４１が取得した最大浸水ラベル付きデータのうちから、モデル生成部４３が浸水深予測モデルの生成に用いる学習用データを選定する前処理を行う（ステップＳＴ１０）。データ前処理部４２は、選定した学習用データをモデル生成部４３に出力する。
　次に、モデル生成部４３は、データ前処理部４２が選定した学習用データである流速値及び最大浸水深ラベル付きデータを取得する（ステップＳＴ１１）。
　次に、モデル生成部４３は、データ前処理部４２が選定した学習用データである流速値及び最大浸水深ラベル付きデータに基づいて、海表面の流速値から地上における浸水深を予測する浸水深予測を学習することにより、浸水深予測モデルを生成する（ステップＳＴ１２）。モデル生成部４３は、生成した浸水深予測モデルと、学習に用いた流速値及び最大浸水深ラベル付きデータとを評価部４４に出力する。
　次に、評価部４４は、モデル生成部４３が生成した浸水深予測モデルと、モデル生成部４３が学習に用いた学習用データである流速値及び最大浸水深ラベル付きデータとに基づいて、浸水深予測の学習結果を評価する（ステップＳＴ１３）。評価部４４は、評価結果をデータ前処理部４２に出力する。
　次に、データ前処理部４２は、評価部４４が行った評価に基づいて、学習時に実施するデータの選定に関するパラメータ値を変更する（ステップＳＴ１４）。
　浸水深予測学習装置１０２は、上記のステップＳＴ１０からステップＳＴ１４の各処理を、パラメータ探索回数分、繰り返し実行する。これにより、浸水深予測の学習結果の評価が最良になるまで、浸水深予測モデルが更新される。
　モデル生成部４３は、学習が完了した場合、生成した浸水深予測モデルに学習用データである流速値を入力することにより地上における浸水深を予測し、予測した浸水深と、学習に用いた最大浸水深ラベル付きデータとを表示部６に出力する（ステップＳＴ１５）。そして、表示部６は、浸水深と、最大浸水深ラベル付きデータとを表示することにより、ユーザは学習状況を確認することができる。
　次に、モデル生成部４３は、生成した浸水深予測モデルを学習済み浸水深予測モデルとして記憶部５に記憶させる（ステップＳＴ１６）。
　浸水深予測装置１００の処理部１における、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の各機能、並びに浸水深予測学習装置１０２の学習部４における、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４の各機能は、処理回路により実現される。すなわち、浸水深予測装置１００の処理部１、及び浸水深予測学習装置１０２の学習部４は、図４及び図６に示した各ステップの処理を実行するための処理回路を備える。この処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）であってもよい。
　図７Ａは、浸水深予測装置１００の処理部１の機能、及び浸水深予測学習装置１０２の学習部４の機能を実現するハードウェア構成を示すブロック図である。図７Ｂは、浸水深予測装置１００の処理部１の機能、及び浸水深予測学習装置１０２の学習部４の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。
　上記処理回路が図７Ａに示す専用のハードウェアの処理回路１０３である場合、処理回路１０３は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）又はこれらを組み合わせたものが該当する。
　浸水深予測装置１００の処理部１における、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の各機能、並びに浸水深予測学習装置１０２の学習部４における、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４の各機能を別々の処理回路で実現してもよいし、これらの機能をまとめて１つの処理回路で実現してもよい。
　上記処理回路が図７Ｂに示すプロセッサ１０４である場合、浸水深予測装置１００の処理部１における、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の各機能、並びに浸水深予測学習装置１０２の学習部４における、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４の各機能は、ソフトウェア、ファームウェア又はソフトウェアとファームウェアとの組み合わせによって実現される。
　なお、ソフトウェア又はファームウェアは、プログラムとして記述されてメモリ１０５に記憶される。
　プロセッサ１０４は、メモリ１０５に記憶されたプログラムを読み出して実行することにより、浸水深予測装置１００の処理部１における、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の各機能、並びに浸水深予測学習装置１０２の学習部４における、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４の各機能を実現する。すなわち、浸水深予測装置１００の処理部１、及び浸水深予測学習装置１０２の学習部４は、これらの各機能がプロセッサ１０４によって実行されるときに、図４及び図６に示した各ステップの処理が結果的に実行されるプログラムを記憶するためのメモリ１０５を備える。
　これらのプログラムは、浸水深予測装置１００の処理部１における、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の各手順又は方法、並びに浸水深予測学習装置１０２の学習部４における、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４の各手順又は方法をコンピュータに実行させる。メモリ１０５は、コンピュータを、浸水深予測装置１００の処理部１における、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の各機能、並びに浸水深予測学習装置１０２の学習部４における、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４の各機能として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。
　プロセッサ１０４には、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、処理装置、演算装置、プロセッサ、マイクロプロセッサ、マイクロコンピュータ、またはＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）などが該当する。
　メモリ１０５には、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ－ＥＰＲＯＭ）などの不揮発性又は揮発性の半導体メモリ、ハードディスク、フレキシブルディスク等の磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＣＤ（Ｃｏｍｐａｃｔ　Ｄｉｓｃ）、ＤＶＤ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｃ）などが該当する。
　浸水深予測装置１００の処理部１における、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の各機能、並びに浸水深予測学習装置１０２の学習部４における、流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４の各機能について一部を専用のハードウェアで実現し、一部をソフトウェア又はファームウェアで実現してもよい。
　例えば、流速値取得部１０、データ前処理部１１及び浸水深予測部１２の機能は、専用のハードウェアとしての処理回路で機能を実現する。流速値取得部４０、最大浸水深ラベル付きデータ取得部４１、データ前処理部４２、モデル生成部４３及び評価部４４については、プロセッサ１０４がメモリ１０５に記憶されたプログラムを読み出して実行することにより機能を実現してもよい。
　このように、処理回路は、ハードウェア、ソフトウェア、ファームウェア又はこれらの組み合わせにより上記機能のそれぞれを実現することができる。
　以上のように、実施の形態１に係る浸水深予測装置１００は、海表面の流速値を取得する流速値取得部１０と、海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、地上における浸水深を予測する浸水深予測部１２と、を備えている。
　上記の構成によれば、学習済み浸水深予測モデルに流速値を入力することによって、直接、浸水深を予測できる。よって、予測誤差を軽減することができるため、海表面の流速値に基づいた津波予測の精度を向上させることができる。
　上述の従来の技術では，観測された海表面の流速値から波高を推定し、予め用意したデータベースの中から，最も相関が高いケースを用いて津波予測を行っている。これは、津波のシミュレーションは、地形又は海底の構造を模擬して有限要素法で計算することができるが、大規模コンピュータでも数時間かかるとされており，観測結果を基にリアルタイムに津波の被害予測をすることが困難であるためである。
　しかし、実施の形態１に係る浸水深予測装置１００の上記の構成によれば、レーダーが観測した海表面の流速値からリアルタイムに津波による浸水深の予測を行うことができる。これにより、防災及び減災に有効な情報を迅速に提供することができる。
　実施の形態１に係る浸水深予測装置１００は、流速値取得部１０が取得した流速値に対して、標準化、又は欠落データの補完の少なくとも１つの前処理を行うデータ前処理部１１をさらに備え、浸水深予測部１２は、データ前処理部１１が前処理を行った流速値を、学習済み浸水深予測モデルに入力することにより、浸水深を予測する。
　上記の構成によれば、学習済み浸水深予測モデルに前処理後の流速値を入力することによって、精度良く浸水深を予測できる。よって、海表面の流速値に基づいた津波予測の精度を向上させることができる。
　実施の形態１に係る浸水深予測装置１００における浸水深予測部１２は、学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、浸水深の一次予測値を予測し、予測した一次予測値と、過去に予測した浸水深の過去予測値とに基づいて、浸水深の二次予測値を算出する。
　上記の構成によれば、予測した一次予測値と過去予測値とに基づいて二次予測値を算出することによって、精度良く浸水深を予測できる。よって、海表面の流速値に基づいた津波予測の精度を向上させることができる。
　実施の形態１に係る浸水深予測装置１００における流速値取得部１０が取得する流速値は、時刻毎の流速値を示す時系列データであり、浸水深予測部１２が用いる学習済み浸水深予測モデルは、畳み込みニューラルネットワークモデルである。
　上記の構成によれば、畳み込みニューラルネットワークモデルの学習済み浸水深予測モデルに時刻毎の流速値を示す時系列データを入力することによって、直接、浸水深を予測できる。よって、予測誤差を軽減することができるため、海表面の流速値に基づいた津波予測の精度を向上させることができる。
　実施の形態１に係る浸水深予測装置１００における浸水深予測部１２は、流速値取得部１０が取得した時系列データが、学習済み浸水深予測モデルを用いて浸水深を予測するために必要な分のデータを含むか否かを判定し、必要な分のデータを含まないと判定した場合、流速値取得部１０が取得した時系列データに対して、不足している分のデータを補完する。
　上記の構成によれば、時系列データが必要な分のデータを含まない場合、時系列データに対して不足している分のデータを補完する。これにより、予測誤差を軽減することができるため、海表面の流速値に基づいた津波予測の精度を向上させることができる。
　実施の形態１に係る浸水深予測装置１００における浸水深予測部１２は、学習済み浸水深予測モデルに、流速値取得部１０が取得した流速値を入力することにより、浸水深毎の発生確率を示す確率分布を予測する。
　上記の構成によれば、浸水深の予測を回帰で一意に予測するのではなく、確率分布による予測を行うことで、予測が困難な状況でも複数のケースを予測して津波に対応することが可能となる。
　実施の形態１に係る浸水深予測学習装置１０２は、海表面の流速値を取得する流速値取得部４０と、地上における最大浸水深 を示す最大浸水深ラベル付きデータを取得する最大浸水深ラベル付きデータ取得部４１と、流速値取得部４０が取得した流速値と、最大浸水深ラベル付きデータ取得部４１が取得した最大浸水深ラベル付きデータとに基づいて、海表面の流速値から地上における浸水深を予測する浸水深予測を学習することにより、浸水深予測モデルを生成するモデル生成部４３と、を備えている。
　上記の構成によれば、海表面の流速値から地上における浸水深を予測する浸水深予測モデルを生成する。これにより、生成した浸水深予測モデルに流速値を入力することによって、直接、浸水深を予測できる。よって、予測誤差を軽減することができるため、海表面の流速値に基づいた津波予測の精度を向上させることができる。
　実施の形態１に係る浸水深予測学習装置１０２は、モデル生成部４３が生成した浸水深予測モデルに基づいて、浸水深予測の学習結果を評価する評価部４４をさらに備えている。
　上記の構成によれば、海表面の流速値から地上における浸水深を予測する浸水深予測モデルを評価する。これにより、浸水深予測の学習結果の評価に基づいて、浸水深予測モデルを更新することにより、海表面の流速値に基づいた津波予測の精度を向上させることができる。
　実施の形態１に係る浸水深予測学習装置１０２は、流速値取得部４０が取得した流速値に対して、ノイズデータを付与する前処理を行うデータ前処理部４２をさらに備え、モデル生成部４３は、データ前処理部４２が前処理を行った流速値と、最大浸水深ラベル付きデータ取得部４１が取得した最大浸水深ラベル付きデータとに基づいて、浸水深予測モデルを生成する。
　上記の構成によれば、ノイズデータが付与された流速値に基づいて、浸水深予測モデルを生成する。これにより、生成した浸水深予測モデルを用いて浸水深を予測することによって、海表面の流速値に基づいた津波予測の精度を向上させることができる。
　実施の形態１に係る浸水深予測学習装置１０２は、流速値取得部４０が取得した流速値、及び最大浸水深ラベル付きデータ取得部４１が取得した最大浸水ラベル付きデータのうちから、モデル生成部４３が浸水深予測モデルの生成に用いる学習用データを選定する前処理を行うデータ前処理部４２をさらに備え、モデル生成部４３は、データ前処理部４２が選定した学習用データに基づいて、浸水深予測モデルを生成する。
　上記の構成によれば、選定した学習用データに基づいて浸水深予測モデルを生成する。これにより、生成した浸水深予測モデルを用いて浸水深を予測することによって、海表面の流速値に基づいた津波予測の精度を向上させることができる。
　実施の形態１に係る浸水深予測学習装置１０２は、モデル生成部４３が生成した浸水深予測モデルに基づいて、浸水深予測の学習結果の評価を行う評価部４４をさらに備え、データ前処理部４２は、評価部４４が行った評価に基づいて、学習用データをさらに選定する。
　上記の構成によれば、浸水深予測の学習結果の評価に基づいて選定した学習用データに基づいて浸水深予測モデルを生成する。これにより、生成した浸水深予測モデルを用いて浸水深を予測することによって、海表面の流速値に基づいた津波予測の精度を向上させることができる。
　なお、実施の形態の任意の構成要素の変形、もしくは実施の形態の任意の構成要素の省略が可能である。
　本開示に係る浸水深予測装置及び浸水深予測学習装置は、例えば、レーダーなどで海表面の状況を監視することができるドメイン全般に対して用いられるのに適している。例えば、本開示に係る浸水深予測装置は、津波監視海洋レーダーなどのように、陸地から数十キロ先の海表面の状況を監視することができるレーダーに付加する機能として、観測したデータから津波による浸水深を予測して警報を出すことができる。
　１　処理部、２　記憶部、３　表示部、４　学習部、５　記憶部、６　表示部、１０　流速値取得部、１１　データ前処理部、１２　浸水深予測部、１３　一次予測部、１４　二次予測部、４０　流速値取得部、４１　最大浸水深ラベル付きデータ取得部、４２　データ前処理部、４３　モデル生成部、４４　評価部、１００　浸水深予測装置、１０１　レーダー１０２　浸水深予測学習装置、１０３　処理回路、１０４　プロセッサ、１０５　メモリ、１０００　浸水深予測システム。

Claims (13)

  1. 　海表面の流速値を取得する流速値取得部と、
    　前記海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、前記流速値取得部が取得した流速値を入力することにより、前記地上における浸水深を予測する浸水深予測部と、を備えていることを特徴とする、浸水深予測装置。
  2. 　前記流速値取得部が取得した流速値に対して、標準化、又は欠落データの補完の少なくとも１つの前処理を行うデータ前処理部をさらに備え、
    　前記浸水深予測部は、前記データ前処理部が前処理を行った流速値を、前記学習済み浸水深予測モデルに入力することにより、前記浸水深を予測することを特徴とする、請求項１に記載の浸水深予測装置。
  3. 　前記浸水深予測部は、前記学習済み浸水深予測モデルに、前記流速値取得部が取得した流速値を入力することにより、前記浸水深の一次予測値を予測し、予測した一次予測値と、過去に予測した浸水深の過去予測値とに基づいて、前記浸水深の二次予測値を算出することを特徴とする、請求項１に記載の浸水深予測装置。
  4. 　前記流速値取得部が取得する流速値は、時刻毎の流速値を示す時系列データであり、
    　前記浸水深予測部が用いる前記学習済み浸水深予測モデルは、畳み込みニューラルネットワークモデルであることを特徴とする、請求項１に記載の浸水深予測装置。
  5. 　前記浸水深予測部は、前記流速値取得部が取得した時系列データが、前記学習済み浸水深予測モデルを用いて前記浸水深を予測するために必要な分のデータを含むか否かを判定し、必要な分のデータを含まないと判定した場合、前記流速値取得部が取得した時系列データに対して、不足している分のデータを補完することを特徴とする、請求項４に記載の浸水深予測装置。
  6. 　前記浸水深予測部は、前記学習済み浸水深予測モデルに、前記流速値取得部が取得した流速値を入力することにより、浸水深毎の発生確率を示す確率分布を予測することを特徴とする、請求項１に記載の浸水深予測装置。
  7. 　海表面の流速値を取得する流速値取得部と、
    　地上における最大浸水深を示す最大浸水深ラベル付きデータを取得する最大浸水深ラベル付きデータ取得部と、
    　前記流速値取得部が取得した流速値と、前記最大浸水深ラベル付きデータ取得部が取得した最大浸水深ラベル付きデータとに基づいて、前記海表面の流速値から前記地上における浸水深を予測する浸水深予測を学習することにより、浸水深予測モデルを生成するモデル生成部と、を備えていることを特徴とする、浸水深予測学習装置。
  8. 　前記モデル生成部が生成した浸水深予測モデルに基づいて、前記浸水深予測の学習結果を評価する評価部をさらに備えていることを特徴とする、請求項７に記載の浸水深予測学習装置。
  9. 　前記流速値取得部が取得した流速値に対して、ノイズデータを付与する前処理を行うデータ前処理部をさらに備え、
    　前記モデル生成部は、前記データ前処理部が前処理を行った流速値と、前記最大浸水深ラベル付きデータ取得部が取得した最大浸水深ラベル付きデータとに基づいて、前記浸水深予測モデルを生成することを特徴とする、請求項７に記載の浸水深予測学習装置。
  10. 　前記流速値取得部が取得した流速値、及び前記最大浸水深ラベル付きデータ取得部が取得した最大浸水ラベル付きデータのうちから、前記モデル生成部が前記浸水深予測モデルの生成に用いる学習用データを選定する前処理を行うデータ前処理部をさらに備え、
    　前記モデル生成部は、前記データ前処理部が選定した学習用データに基づいて、前記浸水深予測モデルを生成することを特徴とする、請求項７に記載の浸水深予測学習装置。
  11. 　前記モデル生成部が生成した浸水深予測モデルに基づいて、前記浸水深予測の学習結果の評価を行う評価部をさらに備え、
    　前記データ前処理部は、前記評価部が行った評価に基づいて、前記学習用データをさらに選定することを特徴とする、請求項１０に記載の浸水深予測学習装置。
  12. 　海表面の流速値を取得する流速値取得ステップと、
    　前記海表面の流速値から地上における浸水深を予測する学習済み浸水深予測モデルに、前記流速値取得ステップで取得した流速値を入力することにより、前記地上における浸水深を予測する浸水深予測ステップと、を含むことを特徴とする、浸水深予測方法。
  13. 　海表面の流速値を取得する流速値取得ステップと、
    　地上における最大浸水深を示す最大浸水深ラベル付きデータを取得する最大浸水深ラベル付きデータ取得ステップと、
    　前記流速値取得ステップで取得した流速値と、前記最大浸水深ラベル付きデータ取得ステップで取得した最大浸水深ラベル付きデータとに基づいて、前記海表面の流速値から前記地上における浸水深を予測する浸水深予測を学習することにより、浸水深予測モデルを生成するモデル生成ステップと、を含むことを特徴とする、浸水深予測学習方法。
PCT/JP2021/003135 2021-01-29 2021-01-29 浸水深予測装置、浸水深予測学習装置、浸水深予測方法、及び浸水深予測学習方法 WO2022162853A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CA3204136A CA3204136C (en) 2021-01-29 2021-01-29 Inundation depth prediction device, and inundation depth prediction method
JP2022576358A JP7229449B1 (ja) 2021-01-29 2021-01-29 浸水深予測装置、浸水深予測学習装置、浸水深予測方法、及び浸水深予測学習方法
PCT/JP2021/003135 WO2022162853A1 (ja) 2021-01-29 2021-01-29 浸水深予測装置、浸水深予測学習装置、浸水深予測方法、及び浸水深予測学習方法
DE112021006190.9T DE112021006190T5 (de) 2021-01-29 2021-01-29 Überschwemmungstiefe-vorhersageeinrichtung und überschwemmungstiefe-vorhersageverfahren
US18/213,037 US20230333270A1 (en) 2021-01-29 2023-06-22 Inundation depth prediction device, and inundation depth prediction method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/003135 WO2022162853A1 (ja) 2021-01-29 2021-01-29 浸水深予測装置、浸水深予測学習装置、浸水深予測方法、及び浸水深予測学習方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/213,037 Continuation US20230333270A1 (en) 2021-01-29 2023-06-22 Inundation depth prediction device, and inundation depth prediction method

Publications (1)

Publication Number Publication Date
WO2022162853A1 true WO2022162853A1 (ja) 2022-08-04

Family

ID=82652765

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/003135 WO2022162853A1 (ja) 2021-01-29 2021-01-29 浸水深予測装置、浸水深予測学習装置、浸水深予測方法、及び浸水深予測学習方法

Country Status (5)

Country Link
US (1) US20230333270A1 (ja)
JP (1) JP7229449B1 (ja)
CA (1) CA3204136C (ja)
DE (1) DE112021006190T5 (ja)
WO (1) WO2022162853A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016085206A (ja) * 2014-10-22 2016-05-19 三菱電機株式会社 津波監視システム
WO2018037533A1 (ja) * 2016-08-25 2018-03-01 三菱電機株式会社 レーダ装置
JP6370525B1 (ja) * 2016-09-29 2018-08-08 三菱電機株式会社 浸水予測システム、予測方法、プログラム
JP2020056649A (ja) * 2018-10-01 2020-04-09 東電設計株式会社 津波予測装置、方法、及びプログラム
JP2020173160A (ja) * 2019-04-10 2020-10-22 中部電力株式会社 津波高及び津波到達時間予測システム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005208001A (ja) 2004-01-26 2005-08-04 Nomura Fooshiizu:Kk 津波の予測方法及び予測プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016085206A (ja) * 2014-10-22 2016-05-19 三菱電機株式会社 津波監視システム
WO2018037533A1 (ja) * 2016-08-25 2018-03-01 三菱電機株式会社 レーダ装置
JP6370525B1 (ja) * 2016-09-29 2018-08-08 三菱電機株式会社 浸水予測システム、予測方法、プログラム
JP2020056649A (ja) * 2018-10-01 2020-04-09 東電設計株式会社 津波予測装置、方法、及びプログラム
JP2020173160A (ja) * 2019-04-10 2020-10-22 中部電力株式会社 津波高及び津波到達時間予測システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHIMIZU SATOSHI, WAKURA MASATSUGU: "Empirical model estimate inundation depth", JOURNAL OF SOCIAL SAFETY SCIENCE, vol. 28, no. 5, 25 March 2016 (2016-03-25), pages 41 - 51, XP055960183 *

Also Published As

Publication number Publication date
CA3204136C (en) 2024-01-02
DE112021006190T5 (de) 2023-11-30
US20230333270A1 (en) 2023-10-19
JPWO2022162853A1 (ja) 2022-08-04
JP7229449B1 (ja) 2023-02-27
CA3204136A1 (en) 2022-08-04

Similar Documents

Publication Publication Date Title
US11774485B2 (en) Fault diagnosis method and apparatus for submarine cable, and device
CN117408536A (zh) 基于ai的水下测绘实时分析系统
KR101761707B1 (ko) 능동형 정보수집 스크립트 및 수치모형을 이용한 태풍해일 자동 예측 방법
US9544748B2 (en) Tsunami monitoring radar system including transmitting antenna for radiating transmission signal for detecting tsunami as radio wave toward sea
KR102661625B1 (ko) 월파 위험도 평가 시스템 및 방법
US11676375B2 (en) System and process for integrative computational soil mapping
JP6521777B2 (ja) 津波監視システム
Ricondo et al. HyWaves: Hybrid downscaling of multimodal wave spectra to nearshore areas
Balcilar et al. Date-stamping US housing market explosivity
Hassan et al. Improving artificial neural network based streamflow forecasting models through data preprocessing
Yosri et al. Deep learning rapid flood risk predictions for climate resilience planning
Neal et al. Adaptive space–time sampling with wireless sensor nodes for flood forecasting
Director et al. Probabilistic forecasting of the Arctic sea ice edge with contour modeling
WO2022162853A1 (ja) 浸水深予測装置、浸水深予測学習装置、浸水深予測方法、及び浸水深予測学習方法
Fitzgerald et al. Paying attention to wildfire: Using u-net with attention blocks on multimodal data for next day prediction
US10641133B2 (en) Managing water-supply pumping for an electricity production plant circuit
Pombo et al. Old forecasts vs actual shoreline evolution: Assessing model's performance and projections accuracy
CN118244276A (zh) 多波束测深雷达海洋测绘方法、装置及系统
Xu et al. Improving the robustness of fisheries stock assessment models to outliers in input data
CN116522796A (zh) 矿区开采沉陷预测方法、装置、电子设备及存储介质
Mares-Nasarre et al. A copula-based bayesian network to mdoel wave climate multivariate uncertainty in the alboran sea
Jung et al. Exploring the sensitivity of probabilistic surge estimates to forecast errors
KR20250083044A (ko) 시뮬레이션 객체 구성에 따른 실 객체 데이터 진단 장치 및 방법
CN119850049B (zh) 一种基于多源数据的桑树种植评价方法和系统
Saulter et al. Proposal of metrics for user focused verification of deterministic wave prediction systems

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: 21922869

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022576358

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 3204136

Country of ref document: CA

WWE Wipo information: entry into national phase

Ref document number: 112021006190

Country of ref document: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21922869

Country of ref document: EP

Kind code of ref document: A1