JP2020134300A - Prediction method, prediction program and information processing apparatus - Google Patents

Prediction method, prediction program and information processing apparatus Download PDF

Info

Publication number
JP2020134300A
JP2020134300A JP2019027747A JP2019027747A JP2020134300A JP 2020134300 A JP2020134300 A JP 2020134300A JP 2019027747 A JP2019027747 A JP 2019027747A JP 2019027747 A JP2019027747 A JP 2019027747A JP 2020134300 A JP2020134300 A JP 2020134300A
Authority
JP
Japan
Prior art keywords
rainfall
water level
river
prediction
rain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2019027747A
Other languages
Japanese (ja)
Inventor
悠太 渡邉
Yuta Watanabe
悠太 渡邉
鈴木　貴志
Takashi Suzuki
貴志 鈴木
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
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 Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2019027747A priority Critical patent/JP2020134300A/en
Publication of JP2020134300A publication Critical patent/JP2020134300A/en
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

To prevent prediction precision of a water level of a river, predicted from rainfall data measured actually by a rain gauge when it rains locally and heavily and a learning model, from decreasing.SOLUTION: There is provided a prediction method that causes a computer to: acquire a plurality of pieces of rainfall information measured by a plurality of rain gauges corresponding to an object river for which a learning model is used to predict a water level; determine, based upon the plurality of pieces of rainfall information having been acquired, whether it rained locally and heavily in a region where the riber flows; use, when it is determined that it rained locally and heavily, at least one of the plurality of pieces of rainfall information to correct the plurality of respective pieces of rainfall information to larger values; and use the plurality of pieces of rainfall information having been corrected and the learning model to predict the water level of the river.SELECTED DRAWING: Figure 1

Description

本開示は、予測方法、予測プログラム及び情報処理装置に関する。 The present disclosure relates to prediction methods, prediction programs and information processing devices.

雨量計により計測された雨量データ及び水位計により計測された河川の水位データを用いて河川の水位予測のための学習モデル（以下、「河川の水位予測モデル」ともいう。）を作成することが行われている。非特許文献１、２は、計測された雨量データ及び水位データを入力し、ニューラルネットワーク又は深層学習を用いて河川の水位予測モデルを作成する技術を提案する。 It is possible to create a learning model for river water level prediction (hereinafter, also referred to as "river water level prediction model") using the rainfall data measured by the rain gauge and the river water level data measured by the water level gauge. It is done. Non-Patent Documents 1 and 2 propose a technique for inputting measured rainfall data and water level data and creating a river water level prediction model using a neural network or deep learning.

REAL-TIME RIVER-STAGE PREDICTION WITH ARTIFICIAL NEURAL NETWORK BASED ON ONLY UPSTREAM OBSERVATION DATA，Annual Journal of Hydraulic Engineering, JSCE，Vol．62，2018（Sunmin KIM et．Al，2018）REAL-TIME RIVER-STAGE PREDICTION WITH ARTIFICIAL NEURAL NETWORK BASED ON ONLY UPSTREAM OBSERVATION DATA, Annual Journal of Hydraulic Engineering, JSCE, Vol. 62, 2018 (Sunmin KIM et. Al, 2018) 一言正之，櫻庭雅明，清雄一：深層学習を用いた河川水位予測手法の開発，土木学会論文集Ｂ１（水工学）、Vol.72，No．4，pp．187-192，2016．Masayuki Ichigo, Masaaki Sakuraba, Yuichi Kiyoichi: Development of River Water Level Prediction Method Using Deep Learning, JSCE Proceedings B1 (Water Engineering), Vol.72, No. 4, pp. 187-192, 2016.

ところで、河川の水位予測モデルの作成においては、河川のある領域の周辺の複数の地点に設置された雨量計により計測した雨量データと、前記河川に設置された水位計により計測した水位データと、が必要である。また、さまざまなタイプの降雨に対して河川の水位を精度良く予測することが可能な河川の水位予測モデルを作成するためには、様々な雨の降り方に対応する学習用の雨量データ及び水位データが大量に必要である。 By the way, in creating a river water level prediction model, rainfall data measured by rain gauges installed at a plurality of points around a certain area of the river, water level data measured by a water level gauge installed in the river, and water level data are used. is necessary. In addition, in order to create a river water level prediction model that can accurately predict river water levels for various types of rainfall, it is necessary to learn rainfall data and water levels corresponding to various rainfall methods. A large amount of data is needed.

しかしながら、河川の水位予測モデル作成時に学習に利用する雨量データに、同様の局地的大雨に関する雨量データが含まれている可能性は低く、局地的大雨に関する学習用データが収集し難い。 However, it is unlikely that the rainfall data used for learning when creating a river water level prediction model includes the same rainfall data for localized heavy rainfall, and it is difficult to collect learning data for localized heavy rainfall.

その一つ目の理由としては、局地的大雨の元になる積乱雲（降水セル）のサイズは水平方向に５〜１５ｋｍと言われ、積乱雲が最低サイズであれば５ｋｍ／１００＝５０ｍごとに雨量計が必要になる。雨量計を５０ｍごとに配置するためには、現在、雨量計が１３００か所設置されているのに対して、これを１０万倍にする必要があり、コスト面で現実的でない。二つ目の理由としては、特定の観測所に限ってみると、局地的大雨の発生頻度はそれほど高くはない。このため、局地的大雨を捉えたという学習用データが収集し難い。 The first reason is that the size of cumulonimbus clouds (precipitation cells), which is the source of localized heavy rain, is said to be 5 to 15 km in the horizontal direction, and if the cumulonimbus clouds are the smallest size, the amount of rainfall is every 5 km / 100 = 50 m. You need a total. In order to arrange rain gauges every 50 m, it is necessary to increase the number of rain gauges by 100,000 times compared to the current 1,300 rain gauges, which is not realistic in terms of cost. The second reason is that the frequency of localized heavy rainfall is not so high when limited to specific observatories. For this reason, it is difficult to collect learning data that captures localized heavy rain.

三つ目の理由としては、気象庁のデータ（https://www.data.jma.go.jp/cpdinfo/extreme/extreme_p.html）によると、局地的大雨など極端現象が年単位のスケールで増加している傾向が明らかとなっている。機械学習では、学習したモデルを用いて予測を行う、すなわち過去のトレンドが未来に続くことが前提となる。よって、長期的に変動している局地的大雨の場合、同じ状況での多くの学習用データを長期的に取得しなければならない。このため、局地的大雨を捉えたという学習用データが収集し難い。これらの理由から局地的大雨を捉えたという学習用データが収集し難いために、河川の水位予測モデルでは、局地的大雨が発生したときの河川の水位の予測精度が低下する。 The third reason is that, according to the data of the Japan Meteorological Agency (https://www.data.jma.go.jp/cpdinfo/extreme/extreme_p.html), extreme phenomena such as localized heavy rain occur on an annual scale. It is clear that the trend is increasing. Machine learning is based on the premise that predictions are made using the learned model, that is, past trends continue into the future. Therefore, in the case of localized heavy rain that fluctuates over the long term, it is necessary to acquire a lot of learning data in the same situation over the long term. For this reason, it is difficult to collect learning data that captures localized heavy rain. For these reasons, it is difficult to collect learning data that captures local heavy rains, so the river water level prediction model reduces the accuracy of river water level prediction when local heavy rains occur.

このとき、河川の水位の予測精度の低下は、過大方向に低下するのか又は過小方向に低下するのかについては、局地的大雨の場合、局所的に大量の雨が降るため、雨量計により計測された雨量データは局地的大雨の中心を捉えていない状況が生じ易い。その結果、雨量計により計測された雨量データは、実際に振っている雨量よりも少ない雨量を測定する傾向にある。これにより、河川の水位予測モデルでは、局地的大雨が発生したときの河川の水位の予測精度が過小方向に低下する。 At this time, whether the decrease in the prediction accuracy of the river water level decreases in the excessive direction or the under-direction is measured by a rain gauge because a large amount of rainfall occurs locally in the case of localized heavy rainfall. It is easy for the rainfall data to not capture the center of localized heavy rainfall. As a result, the rainfall data measured by the rain gauge tends to measure less rainfall than the actual rainfall. As a result, in the river water level prediction model, the prediction accuracy of the river water level when a local heavy rain occurs decreases in the under-direction.

そこで、一つの側面では、本開示は、局地的大雨が発生したときに実際に雨量計が計測した雨量データと学習モデルとから予測される河川の水位の予測精度が、過小方向に低下することを防ぐ予測方法、予測プログラム及び情報処理装置を提供する。なお、学習モデルは、雨量計により計測された雨量データ及び河川の水位データを含む学習用データに基づき生成され、河川の水位予測のために用いられるモデルである。 Therefore, on one aspect, in the present disclosure, the prediction accuracy of the river water level predicted from the rainfall data actually measured by the rain gauge and the learning model when a localized heavy rain occurs decreases in the under-direction. Provided are a prediction method, a prediction program, and an information processing device to prevent such a situation. The learning model is a model that is generated based on learning data including rainfall data measured by a rain gauge and river water level data, and is used for river water level prediction.

一つの形態では、学習モデルを使って水位予測を行う対象の河川に応じた複数の雨量計により計測された複数の降雨量情報を取得し、取得した前記複数の降雨量情報に基づき、前記河川が流れる地域に局地的大雨が発生したかを判定し、前記局地的大雨が発生したと判定した場合、前記複数の降雨量情報のそれぞれを、前記複数の降雨量情報のうちの少なくとも一つの降雨量情報を用いて、より大きい値に補正し、補正した前記複数の降雨量情報および前記学習モデルを用いて、前記河川の前記水位予測を実行する、ことをコンピュータが実行する予測方法が提供される。 In one form, a learning model is used to acquire a plurality of rainfall information measured by a plurality of rain gauges according to the target river for which the water level is predicted, and the river is based on the acquired plurality of rainfall information. When it is determined whether or not a local heavy rainfall has occurred in the area where the river flows, and when it is determined that the local heavy rainfall has occurred, each of the plurality of rainfall information is subjected to at least one of the plurality of rainfall information. A prediction method in which a computer executes the prediction of the water level of the river by using one rainfall information, correcting it to a larger value, and using the corrected plurality of rainfall information and the learning model. Provided.

一つの側面では、本開示は、局地的大雨が発生したときに実際に雨量計が計測した雨量データと学習モデルとから予測される河川の水位の予測精度が、過小方向に低下することを防ぐことができる。 On one side, the present disclosure shows that the accuracy of river water level prediction predicted from the rainfall data actually measured by the rain gauge and the learning model when a localized heavy rain occurs decreases in the under-direction. Can be prevented.

一実施形態に係るシステムの全体構成の一例を示す図。The figure which shows an example of the whole structure of the system which concerns on one Embodiment. 一実施形態に係るサーバの機能構成の一例を示す図。The figure which shows an example of the functional structure of the server which concerns on one Embodiment. 一実施形態に係る水位データベースの一例を示す図。The figure which shows an example of the water level database which concerns on one Embodiment. 一実施形態に係る雨量データベースの一例を示す図。The figure which shows an example of the rainfall database which concerns on one Embodiment. 一実施形態に係る流域河川データベースの一例を示す図。The figure which shows an example of the basin river database which concerns on one Embodiment. 一実施形態に係る水位観測所データベースの一例を示す図。The figure which shows an example of the water level observatory database which concerns on one Embodiment. 一実施形態に係る雨量観測所データベースの一例を示す図。The figure which shows an example of the rainfall observatory database which concerns on one Embodiment. 一実施形態に係るサーバのハードウェア構成の一例を示す図。The figure which shows an example of the hardware configuration of the server which concerns on one Embodiment. 局地的大雨が発生した場合の河川の水位を予測する際の課題を説明するための図。Diagram to explain the challenges in predicting river water levels in the event of localized heavy rainfall. 河川の水位の算出に用いる雨量計の決定方法の一例を示す図。The figure which shows an example of the determination method of the rain gauge used for the calculation of the water level of a river. 水位観測所と雨量観測所の組の一例を示す図。The figure which shows an example of the set of a water level observatory and a rainfall observatory. 水位観測所と雨量観測所の組毎に計測された雨量データと水位データの一例を示す図。The figure which shows an example of the rainfall data and the water level data measured for each group of a water level observatory and a rainfall observatory. 一実施形態に係る予測処理の一例を示すフローチャート。The flowchart which shows an example of the prediction processing which concerns on one Embodiment. 一実施形態に係る雨量データの補正の一例を示す図。The figure which shows an example of the correction of the rainfall data which concerns on one Embodiment. 雨量データの補正に使用する雨量計間の距離に応じた重みの一例を示す図。The figure which shows an example of the weight according to the distance between rain gauges used for correction of rainfall data. 一実施形態に係る予測処理による河川の水位を予測した結果の一例を示す図。The figure which shows an example of the result of predicting the water level of a river by the prediction processing which concerns on one Embodiment. 一実施形態に係る予測処理の結果を表示する画面例。An example of a screen for displaying the result of prediction processing according to one embodiment. 一実施形態に係る予測処理の効果の一例を示す図。The figure which shows an example of the effect of the prediction processing which concerns on one Embodiment.

以下、一実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省く。 Hereinafter, one embodiment will be described with reference to the accompanying drawings. In the present specification and the drawings, components having substantially the same functional configuration are designated by the same reference numerals to omit duplicate explanations.

［システムの全体構成］
まず、一実施形態に係るシステムの全体構成の一例について、図１を参照しながら説明する。図１は、一実施形態に係るシステムの全体構成の一例を示す図である。本実施形態に係るシステムはサーバ１０及びスマートフォン２０を有し、サーバ１０は、ネットワーク４０を介してスマートフォン２０に接続されている。 [Overall system configuration]
First, an example of the overall configuration of the system according to the embodiment will be described with reference to FIG. FIG. 1 is a diagram showing an example of the overall configuration of the system according to the embodiment. The system according to this embodiment has a server 10 and a smartphone 20, and the server 10 is connected to the smartphone 20 via a network 40.

図１の例では、水位を予測する対象の河川Ｒに対して、河川Ｒの流域周辺に各雨量計Ａ〜Ｄ及び水位計ａが配置されている。サーバ１０は、ネットワーク４０を介して雨量計Ａにより計測された雨量データを収集する雨量観測所の端末（以下、「第１雨量観測所１０１」という。）に接続されている。また、サーバ１０は、雨量計Ｂにより計測された雨量データを収集する雨量観測所の端末（以下、「第２雨量観測所１０２」という。）に接続されている。また、サーバ１０は、雨量計Ｃにより計測された雨量データを収集する雨量観測所の端末（以下、「第３雨量観測所１０３」という。）に接続されている。また、サーバ１０は、雨量計Ｄにより計測された雨量データを収集する雨量観測所の端末（以下、「第４雨量観測所１０４」という。）に接続されている。また、サーバ１０は、水位計ａにより計測された河川の水位データを収集する水位観測所の端末（以下、「第１水位観測所２００」という。）に接続されている。 In the example of FIG. 1, for the river R for which the water level is predicted, rain gauges A to D and a water level gauge a are arranged around the basin of the river R. The server 10 is connected to a terminal of a rainfall observatory (hereinafter referred to as "first rainfall observatory 101") that collects rainfall data measured by the rain gauge A via a network 40. Further, the server 10 is connected to a terminal of a rainfall observatory (hereinafter, referred to as "second rainfall observatory 102") that collects rainfall data measured by the rain gauge B. Further, the server 10 is connected to a terminal of a rainfall observatory (hereinafter referred to as "third rainfall observatory 103") that collects rainfall data measured by the rain gauge C. Further, the server 10 is connected to a terminal of a rainfall observatory (hereinafter, referred to as "fourth rainfall observatory 104") that collects rainfall data measured by the rain gauge D. Further, the server 10 is connected to a terminal of a water level observatory (hereinafter referred to as "first water level observatory 200") that collects water level data of a river measured by a water level gauge a.

［機能構成］
次に、一実施形態に係るサーバ１０の機能構成の一例について、図２を参照しながら説明する。図２は、一実施形態に係るサーバ１０の機能構成の一例を示す図である。一実施形態に係るサーバ１０は、記憶部１１、予測処理部１２、表示部１８及び通信部１９を有する。 [Functional configuration]
Next, an example of the functional configuration of the server 10 according to the embodiment will be described with reference to FIG. FIG. 2 is a diagram showing an example of the functional configuration of the server 10 according to the embodiment. The server 10 according to one embodiment has a storage unit 11, a prediction processing unit 12, a display unit 18, and a communication unit 19.

記憶部１１は、水位データベース１１１、雨量データベース１１２、流域河川データベース１１３、水位観測所データベース１１４及び雨量観測所データベース１１５を記憶する。 The storage unit 11 stores the water level database 111, the rainfall database 112, the basin river database 113, the water level observatory database 114, and the rainfall observatory database 115.

図３は、一実施形態に係る水位データベース１１１の一例を示す。水位データベース１１１は、所定時間毎の各水位観測所が水位計から取得する水位データを蓄積する。水位データは、各水位観測所により実測された河川の水位を示す。 FIG. 3 shows an example of the water level database 111 according to the embodiment. The water level database 111 accumulates water level data acquired from the water level gauge by each water level observatory at predetermined time intervals. The water level data shows the water level of the river measured by each water level observatory.

図４は、一実施形態に係る雨量データベース１１２の一例を示す。雨量データベース１１２は、所定時間毎の各雨量観測所が各雨量計から取得する雨量データを蓄積する。雨量データは、各雨量観測所の雨量計により計測された降雨量情報に相当する。 FIG. 4 shows an example of the rainfall database 112 according to the embodiment. The rainfall database 112 accumulates rainfall data acquired from each rain gauge by each rainfall observatory at predetermined time intervals. The rainfall data corresponds to the rainfall information measured by the rain gauges of each rainfall observatory.

図５は、一実施形態に係る流域河川データベース１１３の一例を示す。流域河川データベース１１３は、地理情報（北端緯度、南端緯度、西端経度、東端経度）と、その地理情報で示される領域に属している対象河川情報とを蓄積する。 FIG. 5 shows an example of the basin river database 113 according to the embodiment. The basin river database 113 accumulates geographical information (north-end latitude, south-end latitude, west-end longitude, east-end longitude) and target river information belonging to the area indicated by the geographic information.

図６は、一実施形態に係る水位観測所データベース１１４の一例を示す。水位観測所データベース１１４は、水位観測所毎の位置情報（緯度情報、経度情報）と、観測している河川情報と、水位観測所の水位計により計測された水位データとを蓄積する。 FIG. 6 shows an example of the water level observatory database 114 according to the embodiment. The water level observatory database 114 accumulates position information (latitude information, longitude information) for each water level observatory, river information being observed, and water level data measured by a water level gauge at the water level observatory.

図７は、一実施形態に係る雨量観測所データベース１１５の一例を示す。雨量観測所データベース１１５は、雨量観測所毎の位置情報（緯度情報、経度情報）と、観測している河川情報と、雨量観測所の雨量計により計測された雨量データとを蓄積する。 FIG. 7 shows an example of the rainfall observatory database 115 according to the embodiment. The rainfall observatory database 115 accumulates position information (latitude information, longitude information) for each rainfall observatory, river information being observed, and rainfall data measured by a rain gauge at the rainfall observatory.

図２に戻り、予測処理部１２は、対象河川の水位の予測処理を実行する。予測処理部１２は、取得部１３、算出部１４、判定部１５、補正部１６及び予測実行部１７を有する。 Returning to FIG. 2, the prediction processing unit 12 executes the prediction processing of the water level of the target river. The prediction processing unit 12 includes an acquisition unit 13, a calculation unit 14, a determination unit 15, a correction unit 16, and a prediction execution unit 17.

取得部１３は、水位を予測する河川に応じた複数の雨量計により計測された複数の雨量データを取得する。図１の例では、取得部１３は、雨量計Ａ〜Ｄにより計測された複数の雨量データを取得する。また、取得部１３は、水位計ａにより計測された水位を予測する河川の水位データを取得する。 The acquisition unit 13 acquires a plurality of rainfall data measured by a plurality of rain gauges according to the river for which the water level is predicted. In the example of FIG. 1, the acquisition unit 13 acquires a plurality of rainfall data measured by the rain gauges A to D. In addition, the acquisition unit 13 acquires the water level data of the river that predicts the water level measured by the water level gauge a.

算出部１４は、取得部１３により取得された複数の雨量データの平均値から偏差を算出する。判定部１５は、算出した偏差に基づき、対象河川が流れる地域に局地的大雨が発生したかを判定する。 The calculation unit 14 calculates the deviation from the average value of the plurality of rainfall data acquired by the acquisition unit 13. Based on the calculated deviation, the determination unit 15 determines whether local heavy rainfall has occurred in the area where the target river flows.

補正部１６は、局地的大雨が発生したと判定した場合、対象河川の水位の予測に用いる複数の雨量データのそれぞれを、複数の雨量データのうちの少なくとも一つの降雨量情報を用いてより大きい値に補正する。本実施形態では、複数の降雨量情報のうちの少なくとも一つの降雨量情報の一例として、特定の降雨量情報、つまり、複数の雨量データの最大値を使用するがこれに限らない。例えば、２つの雨量計の平均を使って、対象河川の水位の予測に用いる複数の雨量データのそれぞれを補正してもよい。これによっても、局所的大雨が降ったと判定した場合に、予測に使う降雨量情報をより大きい値に補正することができる。 When the correction unit 16 determines that a localized heavy rainfall has occurred, it uses the rainfall information of at least one of the plurality of rainfall data to obtain each of the plurality of rainfall data used for predicting the water level of the target river. Correct to a large value. In the present embodiment, specific rainfall information, that is, the maximum value of a plurality of rainfall data is used as an example of at least one of the plurality of rainfall information, but the present embodiment is not limited to this. For example, the average of two rain gauges may be used to correct each of the plurality of rainfall data used to predict the water level of the target river. This also makes it possible to correct the rainfall information used for prediction to a larger value when it is determined that a local heavy rainfall has occurred.

予測実行部１７は、補正後の複数の雨量データのそれぞれを用いて対象河川の水位を予測する。 The prediction execution unit 17 predicts the water level of the target river by using each of the corrected rainfall data.

表示部１８は、予測した河川の水位を表示する。表示部１８は、予測した河川の水位とともに局地的大雨の発生の有無を表示してもよい。表示部１８は、予測した河川の水位をディスプレイ等の表示装置に表示してもよいし、プリンタ等の出力装置に出力してもよい。 The display unit 18 displays the predicted water level of the river. The display unit 18 may display the presence or absence of local heavy rainfall together with the predicted river water level. The display unit 18 may display the predicted river water level on a display device such as a display, or may output it to an output device such as a printer.

通信部１９は、水位データ、雨量データ等の各種のデータを、これらのデータを配信する機器から受信する。例えば、通信部１９は、水位データ及び雨量データを、水位観測所及び雨量観測所から直接取得してもよいし、水位観測所及び雨量観測所を経由して自治体等の機器から取得してもよい。 The communication unit 19 receives various data such as water level data and rainfall data from a device that distributes these data. For example, the communication unit 19 may acquire the water level data and the rainfall data directly from the water level observatory and the rainfall observatory, or may acquire the water level data and the rainfall data from the equipment of the local government or the like via the water level observatory and the rainfall observatory. Good.

［ハードウェア構成］
次に、一実施形態に係るサーバ１０のハードウェア構成の一例について、図８を参照しながら説明する。サーバ１０は、入力装置２０１、表示装置２０２、外部Ｉ／Ｆ２０３を有する。また、サーバ１０は、ＲＡＭ２０４、ＲＯＭ２０５、ＣＰＵ２０６、通信Ｉ／Ｆ２０７及びＨＤＤ２０８を有し、それぞれがバスＢで相互に接続されている。 [Hardware configuration]
Next, an example of the hardware configuration of the server 10 according to the embodiment will be described with reference to FIG. The server 10 has an input device 201, a display device 202, and an external I / F 203. Further, the server 10 has a RAM 204, a ROM 205, a CPU 206, a communication I / F 207, and an HDD 208, each of which is connected to each other by a bus B.

入力装置２０１は、キーボードやマウスなどを含み、サーバ１０に各操作信号を入力するために用いられる。表示装置２０２は、ＬＣＤ（Liquid Crystal Display）モニタ等のディスプレイ、プリンタ、ＣＲＴ（Cathode Ray Tube）などを含み、各種の処理結果を表示する。 The input device 201 includes a keyboard, a mouse, and the like, and is used to input each operation signal to the server 10. The display device 202 includes a display such as an LCD (Liquid Crystal Display) monitor, a printer, a CRT (Cathode Ray Tube), and the like, and displays various processing results.

外部Ｉ／Ｆ２０３は、外部装置とのインターフェースである。外部装置には、例えば記録媒体２０３ａがある。これにより、サーバ１０は、外部Ｉ／Ｆ２０３を介して記録媒体２０３ａの読み取り及び／又は書き込みを行う。記録媒体２０３ａは、ＣＤ（Compact Disk）、ＤＶＤ（Digital Versatile Disk）であってもよい。記録媒体２０３ａは、ＳＤメモリカード（SD Memory card）やＵＳＢメモリ（Universal Serial Bus memory）等であってもよい。 The external I / F 203 is an interface with an external device. The external device includes, for example, a recording medium 203a. As a result, the server 10 reads and / or writes the recording medium 203a via the external I / F 203. The recording medium 203a may be a CD (Compact Disk) or a DVD (Digital Versatile Disk). The recording medium 203a may be an SD memory card, a USB memory (Universal Serial Bus memory), or the like.

ＲＡＭ２０４は、データを一時保持する揮発性の半導体メモリであり、予測プログラムを一時的に保持してもよい。ＲＯＭ２０５は、電源を切っても内部データを保持することができる不揮発性の半導体メモリである。ＲＯＭ２０５には、基本プログラム及びデータが格納されている。 The RAM 204 is a volatile semiconductor memory that temporarily holds data, and may temporarily hold a prediction program. The ROM 205 is a non-volatile semiconductor memory that can retain internal data even when the power is turned off. The basic program and data are stored in the ROM 205.

ＨＤＤ２０８は、プログラムやデータを格納している不揮発性の記憶装置である。ＨＤＤ２０８に格納されるプログラムやデータには、サーバ１０の全体を制御するプログラム、河川の水位を予測する予測プログラム及びこれらのプログラムで使用するデータ等がある。ＨＤＤ２０８には、上記各種のデータベースが格納されてもよい。 The HDD 208 is a non-volatile storage device that stores programs and data. The programs and data stored in the HDD 208 include a program for controlling the entire server 10, a prediction program for predicting the water level of a river, and data used in these programs. The HDD 208 may store the above-mentioned various databases.

ＣＰＵ２０６は、ＨＤＤ２０８又はＲＯＭ２０５などの記憶装置から、基本プログラム、予測プログラム及び各種のデータをＲＡＭ２０４上に読み出し、所定の処理を実行することで、装置全体の制御や搭載機能を実現する演算装置である。 The CPU 206 is an arithmetic unit that realizes control and on-board functions of the entire device by reading a basic program, a prediction program, and various data from a storage device such as the HDD 208 or the ROM 205 onto the RAM 204 and executing a predetermined process. ..

通信Ｉ／Ｆ２０７は、サーバ１０をネットワーク４０に接続するインターフェースである。これにより、サーバ１０は、所定時間間隔で通信Ｉ／Ｆ２０７を介して水位データ及び雨量データを取得する。取得した水位データは、水位観測所ＩＤ及び時刻に対応して水位データベース１１１に記憶され、取得した雨量データは、雨量観測所ＩＤ及び時刻に対応して雨量データベース１１２に記憶される。 The communication I / F 207 is an interface for connecting the server 10 to the network 40. As a result, the server 10 acquires the water level data and the rainfall data via the communication I / F 207 at predetermined time intervals. The acquired water level data is stored in the water level database 111 corresponding to the water level observatory ID and time, and the acquired rainfall data is stored in the rainfall database 112 corresponding to the rainfall observatory ID and time.

予測処理部１２の機能は、予測プログラムがＣＰＵ２０６に実行させる予測処理により実現される。表示部１８の機能は、表示装置２０２により実現される。通信部１９の機能は、通信Ｉ／Ｆ２０７により実現される。 The function of the prediction processing unit 12 is realized by the prediction processing that the prediction program causes the CPU 206 to execute. The function of the display unit 18 is realized by the display device 202. The function of the communication unit 19 is realized by the communication I / F 207.

記憶部１１の機能は、例えば、ＲＡＭ２０４、ＲＯＭ２０５及びＨＤＤ２０８により実現される。記憶部１１に記憶されているデータベースの各種のデータは、サーバ１０内のＲＡＭ２０４、ＲＯＭ２０５、ＨＤＤ２０８に格納されるが、これに限られず、サーバ１０に接続されるクラウド上の記憶装置に格納されてもよい。 The function of the storage unit 11 is realized by, for example, the RAM 204, the ROM 205, and the HDD 208. Various data of the database stored in the storage unit 11 are stored in the RAM 204, ROM 205, and HDD 208 in the server 10, but are not limited to this, and are stored in the storage device on the cloud connected to the server 10. May be good.

なお、サーバ１０は、情報処理装置の一例であり、情報処理装置は、これに限られず、パーソナルコンピュータ、クラウドコンピュータであってもよい。また、情報処理装置は、タブレット型端末、スマートフォン、ＰＤＡ（Personal Digital Assistants）であってもよい。また、情報処理装置は、ＨＭＤ（Head Mount Display）、ＦＭＤ（Face Mount Display）、腕時計型のウェアラブルデバイスであってもよい。情報処理装置は、予測プログラムのアプリケーションをスマートフォン２０又はその他のモバイル機器にインストールすることにより、予測処理を実行してもよい。 The server 10 is an example of an information processing device, and the information processing device is not limited to this, and may be a personal computer or a cloud computer. The information processing device may be a tablet terminal, a smartphone, or a PDA (Personal Digital Assistants). Further, the information processing device may be an HMD (Head Mount Display), an FMD (Face Mount Display), or a wristwatch-type wearable device. The information processing device may execute the prediction process by installing the prediction program application on the smartphone 20 or other mobile device.

［局地的大雨が発生した場合の河川の水位を予測］
局地的大雨が発生した場合の河川の水位を予測する際の課題について説明する。機械学習では、雨量計により計測された雨量データ及び水位計により計測された河川の水位データを用いて河川の水位予測モデルを作成する。 [Predicting river water level in the event of localized heavy rain]
The challenges in predicting river water levels in the event of localized heavy rainfall will be described. In machine learning, a river water level prediction model is created using the rainfall data measured by the rain gauge and the river water level data measured by the water level gauge.

河川の水位予測モデルの作成においては、河川のある領域の周辺の複数の地点に設置された雨量計により計測した雨量データと、前記河川に設置された水位計により計測した水位データとが必要である。また、さまざまなタイプの降雨に対して河川の水位を精度良く予測することが可能な河川の水位予測モデルを作成するためには、様々な雨の降り方に対応する学習用の雨量データ及び水位データが大量に必要である。 In creating a river water level prediction model, it is necessary to have rainfall data measured by rain gauges installed at multiple points around a certain area of the river and water level data measured by water level gauges installed in the river. is there. In addition, in order to create a river water level prediction model that can accurately predict river water levels for various types of rainfall, it is necessary to learn rainfall data and water levels corresponding to various rainfall methods. A large amount of data is needed.

しかしながら、河川の水位予測モデル作成時に学習に利用する雨量データに、同様の局地的大雨に関する学習用データが含まれている可能性は低く、局地的大雨に関する学習用データが収集し難い。 However, it is unlikely that the rainfall data used for learning when creating a river water level prediction model includes similar learning data on localized heavy rainfall, and it is difficult to collect learning data on localized heavy rainfall.

その一つ目の理由としては、特定の観測所に限ってみると、局地的大雨の発生頻度はそれほど高くはないためである。例えば、気象庁のデータによると、１時間の降水量が５０ｍｍを超える地点は近年では年間で約２５０か所である（https://www.data.jma.go.jp/cpdinfo/extreme/extreme_p.html、２０１８年１２月１９日検索）。この約２５０か所の観測所は、１３００地点のアメダス観測地点のうちの約２０％であり、すなわち特定地点で局地的大雨が観測されるのは約５年に一度となる。雨量計の間隔を小さくすれば、どこかで局地的大雨をとらえる確率は上がるが、水位予測に用いられる特定の雨量計において局地的大雨を観察するのは概ね数年に一度となる。このため、特定の雨量計において局地的大雨を捉えたという学習用データが収集し難い。 The first reason is that the frequency of localized heavy rainfall is not so high when limited to specific observatories. For example, according to data from the Japan Meteorological Agency, there are about 250 places in recent years where the amount of precipitation per hour exceeds 50 mm (https://www.data.jma.go.jp/cpdinfo/extreme/extreme_p. html, searched on December 19, 2018). These 250 observatories account for about 20% of the 1300 AMeDAS observatories, that is, local heavy rainfall is observed at specific points about once every five years. If the intervals between the rain gauges are reduced, the probability of catching local heavy rains somewhere increases, but local heavy rains are observed approximately once every few years with the specific rain gauges used for water level prediction. For this reason, it is difficult to collect learning data that a specific rain gauge has captured local heavy rainfall.

学習用データが収集し難い二つ目の理由について説明する。局地的大雨の元になる積乱雲（降水セル）のサイズは水平方向に５〜１５ｋｍと言われている（小倉義光『一般気象学』第２版、東京大学出版会、1999年ISBN 978-4-13-062706-1参照）。この雨の中心を数％の位置誤差でとらえようとすると、例えば積乱雲サイズの１／１００、すなわち積乱雲が最低サイズであれば５ｋｍ／１００＝５０ｍごとに雨量計が必要になる。 The second reason why it is difficult to collect learning data will be explained. The size of cumulonimbus clouds (precipitation cells) that cause localized heavy rain is said to be 5 to 15 km in the horizontal direction (Yoshimitsu Ogura "General Meteorology" 2nd edition, University of Tokyo Press, 1999 ISBN 978-4. -13-062706-1). If the center of the rain is to be captured with a position error of several percent, for example, a rain gauge is required every 1/100 of the cumulonimbus cloud size, that is, if the cumulonimbus cloud is the minimum size, every 5 km / 100 = 50 m.

１９７４年から運用を開始した現状のアメダスは約１７ｋｍおきに、全国約１３００か所ある（https://www.jma.go.jp/jma/kishou/know/amedas/kaisetsu.html、２０１８年１２月１９日検索）。雨量計を５０ｍごとに配置するためには、１３００×（１７／０．５）２＝１５０万個、すなわち現状の個数の１０万倍の雨量計が必要になる。現在、雨量計が１３００か所設置されているのに対して、これを１０万倍にすることは設置、運用を考えたコスト面で現実的でない。このため、局地的大雨を捉えたという学習用データが収集し難い。 The current AMeDAS, which started operation in 1974, is located at about 1300 locations nationwide every 17 km (https://www.jma.go.jp/jma/kishou/know/amedas/kaisetsu.html, December 2018). Search on 19th of March). In order to arrange the rain gauges every 50 m, 1300 x (17 / 0.5) 2 = 1.5 million rain gauges, that is, 100,000 times the current number of rain gauges is required. Currently, there are 1,300 rain gauges installed, but multiplying them by 100,000 is not realistic in terms of cost considering installation and operation. For this reason, it is difficult to collect learning data that captures localized heavy rain.

学習用データが収集し難い三つ目の理由について説明する。前記気象庁のデータ（https://www.data.jma.go.jp/cpdinfo/extreme/extreme_p.html）によると、局地的大雨など極端現象が年単位のスケールで増加している傾向が明らかとなっている。機械学習では、学習したモデルを用いて予測を行う、すなわち過去のトレンドが未来に続くことが前提となっている。しかし、長期的に変動している局地的大雨の場合、同じ状況での多くの学習用データを長期的に取得しなければデータが集まらない。このため、局地的大雨を捉えたという学習用データが収集し難い。 The third reason why it is difficult to collect learning data will be explained. According to the data from the Japan Meteorological Agency (https://www.data.jma.go.jp/cpdinfo/extreme/extreme_p.html), it is clear that extreme phenomena such as localized heavy rains are increasing on an annual scale. It has become. Machine learning is based on the premise that predictions are made using the learned model, that is, past trends continue into the future. However, in the case of localized heavy rain that fluctuates over the long term, data cannot be collected unless a lot of learning data in the same situation is acquired over the long term. For this reason, it is difficult to collect learning data that captures localized heavy rain.

以上の要因から、河川の水位予測モデルでは、局地的大雨が発生したときの河川の水位の予測精度が低下する。次に、河川の水位の予測精度が過大方向に低下するのか又は過小方向に低下するのかについて説明する。 Due to the above factors, the river water level prediction model reduces the accuracy of river water level prediction when a localized heavy rain occurs. Next, it will be described whether the accuracy of predicting the water level of the river decreases in the excessive direction or the insufficient direction.

たとえば、図９に示すように、局地的大雨の中心Ｏに対して最も激しく雨が降っている範囲に雨量計が設置されて可能性は高くない。図９の例では、局地的大雨に最も近い雨量計Ｂでさえ、計測される雨量データは３０ｍｍ/ｈであり、最も激しく雨が降っている範囲の５０ｍｍ／ｈの雨量を捉えられていない。雨量計が局地的大雨の中心を捉えられないと、雨量計により測定された雨量データは、局地的大雨の最も激しく雨が降っている範囲の実際の雨量よりも小さい値を示す。その結果、局地的大雨の実際の雨量が３０ｍｍ/ｈであると測定した雨量データを入力データに用いて、河川の水位予測モデルが作成される。作成された河川の水位予測モデルでは、局地的大雨が発生したときの河川の水位の予測精度が過小方向に低下する。 For example, as shown in FIG. 9, it is unlikely that the rain gauge is installed in the range where it is raining the most with respect to the center O of the localized heavy rain. In the example of FIG. 9, even the rain gauge B closest to the localized heavy rainfall has the measured rainfall data of 30 mm / h, and does not capture the rainfall of 50 mm / h in the most heavily rained range. .. If the rain gauge cannot capture the center of the localized heavy rainfall, the rainfall data measured by the rain gauge will show a value smaller than the actual rainfall in the region where the local heavy rainfall is the most heavily rained. As a result, a river water level prediction model is created by using the rainfall data measured that the actual rainfall of the localized heavy rainfall is 30 mm / h as the input data. In the created river water level prediction model, the prediction accuracy of the river water level when a localized heavy rain occurs decreases in the under-direction.

一方で、雨量計の間隔を密にすれば、雨量計により計測された雨量データが局地的大雨の中心を捉える可能性が高くなるが、コストの面から現実的でない。 On the other hand, if the intervals between the rain gauges are increased, the rainfall data measured by the rain gauges is more likely to capture the center of localized heavy rainfall, but this is not realistic in terms of cost.

そこで、以下では、雨量データ及び河川の水位データから作成した河川の水位予測のための学習モデル（水位予測モデル）を用いて、局地的大雨の発生時に実際に雨量計が計測した雨量データから河川の水位を予測する際の予測方法について説明する。本予測方法によれば、局地的大雨の発生時に実際に雨量計が計測した雨量データから予測される河川の水位の予測精度が過小方向に低下することを防止できる。 Therefore, in the following, using a learning model (water level prediction model) for river water level prediction created from rainfall data and river water level data, from the rainfall data actually measured by the rain gauge when a localized heavy rain occurs. The prediction method when predicting the water level of a river will be described. According to this prediction method, it is possible to prevent the prediction accuracy of the river water level predicted from the rainfall data actually measured by the rain gauge when a localized heavy rain occurs from decreasing in the under-direction.

（１）サーバ１０は、ある河川に設置された水位計と、その河川流域に設置された雨量計との組を決定する。
（２）サーバ１０は、入力値として用いるデータ（説明変数）を決定する。説明変数の一例としては、過去の雨量データ、過去の水位データ、現在の雨量データ、現在の水位データ、予報雨量データが挙げられる。
（３）サーバ１０は、水位計と雨量計とにより計測された過去の水位データ及び雨量データを用いて手順（２）で決定した説明変数を入力データとして用いて、所定時間（例えば１時間）後の河川の水位を出力する水位予測モデルを回帰分析などで計算し、作成する。
（４）サーバ１０は、現在時刻における手順（２）で決定した説明変数を、手順（３）で作成したモデルに入力し、所定時間後の水位を予測し、例えばスマートフォン２０等の機器に出力する。 (1) The server 10 determines a set of a water level gauge installed in a certain river and a rain gauge installed in the river basin.
(2) The server 10 determines data (explanatory variable) to be used as an input value. Examples of explanatory variables include past rainfall data, past water level data, current rainfall data, current water level data, and forecast rainfall data.
(3) The server 10 uses the explanatory variables determined in the procedure (2) as input data using the past water level data and the rain gauge data measured by the water level gauge and the rain gauge, and uses the explanatory variables as input data for a predetermined time (for example, 1 hour). A water level prediction model that outputs the water level of the river afterwards is calculated and created by regression analysis or the like.
(4) The server 10 inputs the explanatory variables determined in the procedure (2) at the current time into the model created in the procedure (3), predicts the water level after a predetermined time, and outputs it to a device such as a smartphone 20. To do.

なお、手順（３）は、機械学習の過去の水位データ及び雨量データを入力し、河川の水位予測モデルを作成する「学習モード」である。手順（４）は、現在の雨量データを入力し、手順（３）にて作成した水位予測モデルを用いて河川の水位を予測する「予測モード」である。 The procedure (3) is a "learning mode" in which the past water level data and the rainfall data of machine learning are input to create a river water level prediction model. The procedure (4) is a "prediction mode" in which the current rainfall data is input and the water level of the river is predicted using the water level prediction model created in the procedure (3).

本実施形態では、サーバ１０が本予測方法の手順（１）〜（４）を実行する。ただし、これに限られず、手順（３）は、サーバ１０で実行せずに他の機械学習器で実行してもよい。同様に、手順（４）は、サーバ１０で実行せずに他の機械学習器で実行してもよい。 In the present embodiment, the server 10 executes the procedures (1) to (4) of the present prediction method. However, the present invention is not limited to this, and the procedure (3) may be executed by another machine learning device without being executed by the server 10. Similarly, the procedure (4) may be executed by another machine learning device without being executed by the server 10.

手順（１）の水位の計算に用いる雨量計の組を決めるティーセン法の一例について、図１０を参照して説明する。ティーセン法は、まず、ある河川の流域内の雨量観測点及び流域に隣接する雨量観測点を結ぶ三角網を作り、各辺の垂直二等分線を引く。そうすると、それぞれ１つの観測点を内部に含む多数の多角形が描ける。図１０の例では、河川rの流域５００（水位計４０１の上流にあたる流域）内の雨量観測点Ａ３０１、Ｂ３０２及び流域５００に隣接する雨量観測点Ｃ３０３〜雨量観測点Ｉ３０９を結ぶ三角網（図１０の点線）が作成される。そして、各辺の垂直二等分線（図１０の実線）が引かれ、それぞれ１つの雨量観測点を内部に含む多数の多角形が描かれる。 An example of the Teisen method for determining the set of rain gauges used for calculating the water level in the procedure (1) will be described with reference to FIG. In the Triangulated irregular network, first, a triangular network connecting rainfall observation points in a river basin and rainfall observation points adjacent to the basin is created, and vertical bisectors are drawn on each side. Then, many polygons including one observation point can be drawn. In the example of FIG. 10, a triangular network connecting rainfall observation points A301 and B302 in the river basin 500 (the basin upstream of the water level gauge 401) and rainfall observation points C303 to I309 adjacent to the basin 500 (FIG. 10). Dotted line) is created. Then, a vertical bisector of each side (solid line in FIG. 10) is drawn, and a large number of polygons each containing one rainfall observation point are drawn.

次に、水位計４０１の上流にあたる流域５００と交わっている多角形が特定される。この特定された多角形の内部にある雨量観測点を水位予測に用いる。その結果、図１０の例では、雨量観測点Ａ３０１〜雨量観測点Ｉ３０９が、河川rの水位予測に用いられる。このようにして、水位計と雨量計との組が決定される。ただし、水位計算に用いる雨量計を決める方法はこれに限られず、他の方法を用いることもできる。 Next, a polygon intersecting the basin 500 upstream of the water level gauge 401 is identified. The rainfall station inside this identified polygon is used for water level prediction. As a result, in the example of FIG. 10, the rainfall observation points A301 to I309 are used for predicting the water level of the river r. In this way, the set of the water level gauge and the rain gauge is determined. However, the method for determining the rain gauge used for water level calculation is not limited to this, and other methods can also be used.

図１１は、以上の方法により決定された、河川に設置された水位計とその河川流域に設置された雨量計との組の一例を示す。図１１の例では、第１水位観測所と、第１雨量観測所〜第４雨量観測所とが組になっている。決定した水位観測所及び雨量観測所の組のデータは記憶部１１に記憶される。 FIG. 11 shows an example of a set of a water level gauge installed in a river and a rain gauge installed in the river basin determined by the above method. In the example of FIG. 11, the first water level observatory and the first rainfall observatory to the fourth rainfall observatory are paired. The data of the determined set of the water level observatory and the rainfall observatory is stored in the storage unit 11.

また、図１２は、決定した水位観測所及び雨量観測所の組の各観測所から取得した、所定時間毎の水位データ及び雨量データの一例を示す。サーバ１０は、組として決定した水位観測所及び雨量観測所の各観測所から所定時間毎に水位データ及び雨量データを取得し、図１２に示すように、各時刻の水位データ及び雨量データの組として記憶部１１に記憶する。 In addition, FIG. 12 shows an example of water level data and rainfall data at predetermined time intervals acquired from each of the determined water level observatories and rainfall observatories. The server 10 acquires water level data and rainfall data at predetermined time intervals from each of the water level observation station and the rainfall observation station determined as a group, and as shown in FIG. 12, a set of water level data and rainfall data at each time. Is stored in the storage unit 11.

［予測処理］
次に、一実施形態に係る予測処理の一例について、図１３を参照しながら説明する。図１３は、一実施形態に係る予測処理の一例を示したフローチャートである。 [Prediction processing]
Next, an example of the prediction process according to the embodiment will be described with reference to FIG. FIG. 13 is a flowchart showing an example of the prediction process according to the embodiment.

本処理が開始されると、取得部１３は、水位を予測する河川に対応する水位観測所及び雨量観測所の組の水位計及び雨量計が計測した水位データ及び雨量データを取得する（ステップＳ１）。取得部１３は、水位観測所及び雨量観測所の組の水位データ及び雨量データを、水位データベース１１１及び雨量データベース１１２から取得する。 When this process is started, the acquisition unit 13 acquires the water level data and the rainfall data measured by the water level gauges and the rain gauges of the group of the water level observatory and the rainfall observatory corresponding to the river that predicts the water level (step S1). ). The acquisition unit 13 acquires the water level data and the rainfall data of the set of the water level observatory and the rainfall observatory from the water level database 111 and the rainfall database 112.

次に、算出部１４は、雨量データの偏差を算出する（ステップＳ２）。ある時刻tにおける観測所ｉの雨量をＸｔｉとすると、算出部１４は、複数の観測所において観測された雨量の平均値を式（１）により算出する。Ｎは、雨量計の観測所の数を示す。 Next, the calculation unit 14 calculates the deviation of the rainfall data (step S2). Assuming that the rainfall at the observatory i at a certain time t is X ti , the calculation unit 14 calculates the average value of the rainfall observed at the plurality of observatories by the equation (1). N indicates the number of rain gauge observatories.

Figure 2020134300
Figure 2020134300

次に、算出部１４は、式（２）により、各観測所の雨量データの偏差を算出する。 Next, the calculation unit 14 calculates the deviation of the rainfall data of each observatory by the equation (2).

Figure 2020134300
Figure 2020134300

次に、判定部１５は、観測所ごとの偏差のうちの最大値が閾値Ｔｈよりも大きいかを判定する（ステップＳ３）。雨量データの取得間隔をＴ（ｈ）、設定する雨の強さをＳ（ｍｍ／ｈ）とすると、閾値Ｔｈは、Ｔｈ＝Ｔ×Ｓで表される。 Next, the determination unit 15 determines whether the maximum value of the deviations for each observatory is larger than the threshold Th (step S3). Assuming that the rainfall data acquisition interval is T (h) and the rain intensity to be set is S (mm / h), the threshold value Th is represented by Th = T × S.

判定部１５は、偏差の最大値が閾値Ｔｈよりも大きいと判定すると、局地的大雨が発生したと判定し、補正部１６は、計算に用いた雨量データの最大値を、組となったすべての雨量計の雨量データに加算する（ステップＳ４）。ステップＳ４の処理は、局地的大雨が発生したと判定した場合に、組となったすべての雨量計の雨量データを補正する処理に相当する。 When the determination unit 15 determines that the maximum value of the deviation is larger than the threshold value Th, it determines that a localized heavy rain has occurred, and the correction unit 16 sets the maximum value of the rainfall data used in the calculation as a set. Add to the rainfall data of all rain gauges (step S4). The process of step S4 corresponds to the process of correcting the rainfall data of all the rain gauges in the set when it is determined that the local heavy rainfall has occurred.

たとえば、図１に示すように、雨量計Ａ〜雨量計Ｄのうち、雨量計Ｂが設置された位置周辺で局地的大雨が発生した場合について説明する。この場合、算出部１４は、図１４（ａ）に一例を示すように、雨量計Ａ〜雨量計Ｄが計測した雨量データのうちの最大値、つまり、雨量計Ｂが計測した雨量をすべての雨量計Ａ〜雨量計Ｄに加算する。加算した後の雨量計Ａ〜雨量計Ｄの雨量データ、すなわち、補正後の雨量データの一例を図１４（ｂ）に示す。 For example, as shown in FIG. 1, a case where a local heavy rain occurs around the position where the rain gauge B is installed among the rain gauges A to D will be described. In this case, as shown in FIG. 14A as an example, the calculation unit 14 sets all the maximum values of the rainfall data measured by the rain gauges A to D, that is, the rainfall measured by the rain gauge B. Add to the rain gauges A to D. FIG. 14 (b) shows an example of the rainfall data of the rain gauges A to D after the addition, that is, the corrected rainfall data.

図１３に戻り、ステップＳ３において、偏差の最大値が閾値Ｔｈ以下であると判定すると、局地的大雨が発生していないと判定し、ステップＳ５に進む。ステップＳ５において、予測実行部１７は、補正後の雨量データを入力データとして与え、作成した河川の水位予測モデルを用いて河川の水位を予測する。次に、表示部１８は、予測した水位をスマートフォン２０又はその他の機器に表示する（ステップＳ６）。次に、取得部１３は、所定時間が経過したかを判定する（ステップＳ７）。取得部１３は、所定時間が経過したと判定すると、ステップＳ１に戻り、ステップＳ１以降の処理を実行する。 Returning to FIG. 13, if it is determined in step S3 that the maximum value of the deviation is equal to or less than the threshold value Th, it is determined that no localized heavy rainfall has occurred, and the process proceeds to step S5. In step S5, the prediction execution unit 17 gives the corrected rainfall data as input data, and predicts the water level of the river using the created river water level prediction model. Next, the display unit 18 displays the predicted water level on the smartphone 20 or other device (step S6). Next, the acquisition unit 13 determines whether the predetermined time has elapsed (step S7). When the acquisition unit 13 determines that the predetermined time has elapsed, the acquisition unit 13 returns to step S1 and executes the processes after step S1.

たとえば、図１に示す雨量計Ｂが設置された位置周辺で３：３０に局地的大雨が発生した場合について、図１５を参照して説明する。図１５の例では、３：１５に雨量計Ａ〜Ｄが計測した雨量データ（mm/15min）は、「２.０」、「１.５」、「３.０」、「１.０」であった。 For example, a case where a local heavy rain occurs at 3:30 around the position where the rain gauge B shown in FIG. 1 is installed will be described with reference to FIG. In the example of FIG. 15, the rainfall data (mm / 15min) measured by the rain gauges A to D at 3:15 is "2.0", "1.5", "3.0", and "1.0". Met.

その後、３：３０に雨量計Ａ〜Ｄが計測した雨量データ（mm/15min）は、「７.５」、「１８.５」、「４.５」、「８.０」であった。３：３０の雨量データから算出された偏差の最大値が閾値Ｔｈよりも大きいと判定されたため、雨量計Ｂの雨量データの最大値「１８.５」が雨量計Ａ〜Ｄの雨量データに加算された。その結果、雨量計Ａ〜Ｄの雨量データが、「２６.０」、「３７.０」、「２３.０」、「２６.５」に補正された。補正後の雨量計Ａ〜Ｄの雨量データを入力データとして与えて、水位予測モデルを用いて所定時間（図１５の例では１時間）後の水位計ａが計測する河川の水位が「８０.０」（ｃｍ）と予測された。 After that, the rainfall data (mm / 15min) measured by the rain gauges A to D at 3:30 were "7.5", "18.5", "4.5", and "8.0". Since it was determined that the maximum value of the deviation calculated from the rainfall data at 3:30 was larger than the threshold Th, the maximum value "18.5" of the rainfall data of the rain gauge B was added to the rainfall data of the rain gauges A to D. Was done. As a result, the rainfall data of the rain gauges A to D was corrected to "26.0", "37.0", "23.0", and "26.5". The river water level measured by the water level gauge a after a predetermined time (1 hour in the example of FIG. 15) using the water level prediction model by giving the corrected rainfall data of the rain gauges A to D as input data is "80. It was predicted to be 0 "(cm).

予測した水位は、スマートフォン２０等に表示される。図１６は、その際の画面例を示す。図１６では、モードの表示部品２１１が示す「通常降雨モード」と「局地的大雨モード」とに画面が切り替えて表示される。しかしながら、これに限られず、モード毎に一画面を分割して予測した水位を表示してもよい。 The predicted water level is displayed on the smartphone 20 or the like. FIG. 16 shows an example of the screen at that time. In FIG. 16, the screen is switched between the “normal rainfall mode” and the “local heavy rainfall mode” indicated by the mode display component 211. However, the present invention is not limited to this, and the predicted water level may be displayed by dividing one screen for each mode.

現在の時刻が画面の固定位置に表示されるように、時間の経過に応じてグラフを右から左に移動させて表示してもよい。表示部品２１４の現在時刻及びそれよりも左側が水位曲線２１３の実測水位２１３ａである。また、表示部品２１４の現在時刻よりも右側が水位曲線２１３の予測水位２１３ｂである。予測水位２１３ｂの表示色を実測水位２１３ａの表示色と変えたり、線種を変えたりしてユーザに明示しても良い。また、対象河川と水位観測所を示す表示部品２１２により地理情報がユーザに明示されても良い。 The graph may be moved from right to left as time passes so that the current time is displayed at a fixed position on the screen. The current time of the display component 214 and the left side of the current time are the measured water level 213a of the water level curve 213. Further, the predicted water level 213b of the water level curve 213 is on the right side of the current time of the display component 214. The display color of the predicted water level 213b may be changed from the display color of the measured water level 213a, or the line type may be changed to clearly indicate to the user. In addition, the geographic information may be clearly shown to the user by the display component 212 indicating the target river and the water level observatory.

水位曲線２１３のグラフの右側には、雨量計毎の雨量が表示される。これにより、ユーザに降雨状況を認識させ、現在のモード選択が正しいことを確認させることができる。また、局地的大雨と判断した雨量計の雨量データの色を変えて表示しても良い。これにより、モードが局地的大雨モードに変わった根拠となる雨量を明示することができる。 On the right side of the graph of the water level curve 213, the amount of rainfall for each rain gauge is displayed. This makes it possible for the user to recognize the rainfall situation and confirm that the current mode selection is correct. In addition, the color of the rainfall data of the rain gauge determined to be locally heavy rainfall may be changed and displayed. This makes it possible to clarify the amount of rainfall that is the basis for changing the mode to the localized heavy rain mode.

更に、対象河川の水位に影響する流域範囲を表示しても良い。これにより、対象河川の水位の予測を視覚的に示すことができるとともに、対象河川の水位の増加による影響をより容易に把握できる。 Furthermore, the basin range that affects the water level of the target river may be displayed. As a result, the prediction of the water level of the target river can be visually shown, and the influence of the increase in the water level of the target river can be more easily grasped.

以上、一実施形態に係る予測方法によれば、雨量計により計測された雨量データ及び河川の水位データから作成した河川の水位予測モデルを用いて局地的大雨が発生したときの河川の水位を予測する。その際、実際に雨量計が計測した雨量データをより大きい値に補正した補正後の雨量データを入力データとして水位予測モデルに与えて、河川の水位を予測する。これにより、予測される河川の水位の予測精度が過小方向に低下することを防ぐことができる。例えば、図１８の例では、曲線Ｕは河川の水位の実測値を示す。これに対して、雨量計により計測された雨量データを補正せずに入力データとして水位予測モデルに与えて河川の水位を予測した予測値を示す従来手法の曲線Ｖでは、３：３０に局地的大雨が発生した場合について４：３０の予測値が実測値よりも小さい。つまり、従来手法の場合、実際に雨量計が計測した雨量データから予測される河川の水位の予測精度が過小方向に低下している。 As described above, according to the prediction method according to one embodiment, the water level of the river when a local heavy rain occurs is determined by using the water level prediction model of the river created from the rainfall data measured by the rain gauge and the water level data of the river. Predict. At that time, the corrected rainfall data obtained by correcting the rainfall data actually measured by the rain gauge to a larger value is given to the water level prediction model as input data to predict the water level of the river. As a result, it is possible to prevent the prediction accuracy of the predicted river water level from decreasing in the under-direction. For example, in the example of FIG. 18, the curve U shows the measured value of the water level of the river. On the other hand, in the curve V of the conventional method showing the predicted value of predicting the water level of the river by giving it to the water level prediction model as input data without correcting the rainfall data measured by the rain gauge, the local area is 3:30. The predicted value at 4:30 is smaller than the measured value when heavy rainfall occurs. That is, in the case of the conventional method, the prediction accuracy of the river water level predicted from the rainfall data actually measured by the rain gauge is decreasing in the under-direction.

一方、雨量計により計測された雨量データを補正して入力データとして水位予測モデルに与えて河川の水位を予測した予測値を示す本実施形態の曲線Wでは、３：３０に局地的大雨が発生した場合について４：３０の予測値が実測値に近似する。つまり、本実施形態に係る予測方法の場合、実際に雨量計が計測した雨量データから予測される河川の水位の予測精度が過小方向に低下することを防止し、河川の水位の予測精度を高めることができる。 On the other hand, in the curve W of the present embodiment, which shows the predicted value of predicting the water level of the river by correcting the rainfall data measured by the rain gauge and giving it to the water level prediction model as input data, local heavy rain occurs at 3:30. When it occurs, the predicted value at 4:30 approximates the measured value. That is, in the case of the prediction method according to the present embodiment, it is prevented that the prediction accuracy of the river water level predicted from the rain amount data actually measured by the rain gauge is lowered in the under-direction, and the prediction accuracy of the river water level is improved. be able to.

なお、上記実施形態では、判定部１５は、図１３のステップＳ３において、雨量データの偏差の最大値が予め定められた閾値（第２の閾値）を越える場合、河川が流れる地域に局地的大雨が発生したと判定した。 In the above embodiment, when the maximum value of the deviation of the rainfall data exceeds a predetermined threshold value (second threshold value) in step S3 of FIG. 13, the determination unit 15 is localized in the area where the river flows. It was determined that heavy rainfall had occurred.

しかし、これに限られず、判定部１５は、組となった複数の雨量計により計測された複数の雨量データの少なくともいずれかが、予め定められ第１の閾値を越える場合、河川が流れる地域に局地的大雨が発生したと判定してもよい。 However, the present invention is not limited to this, and when at least one of the plurality of rainfall data measured by the plurality of rain gauges in a set exceeds a predetermined first threshold value, the determination unit 15 determines the area where the river flows. It may be determined that a local heavy rain has occurred.

また、局地的大雨が発生したと判定された場合、補正部１６は、組となった複数の雨量計により計測された雨量データの最大値をすべての雨量計の雨量データのそれぞれに加算し、すべての雨量計の雨量データをより大きい値に補正した。 Further, when it is determined that a local heavy rain has occurred, the correction unit 16 adds the maximum value of the rain amount data measured by a plurality of set rain amount meters to each of the rain amount data of all the rain amount meters. , Corrected the rainfall data of all rain meters to larger values.

しかし、これに限られず、補正部１６は、組となった複数の雨量計により計測された複数の雨量データのうち第１の閾値を越える雨量データの少なくともいずれかを特定の雨量データとして用いて、すべての雨量計の雨量データをより大きい値に補正しても良い。 However, the present invention is not limited to this, and the correction unit 16 uses at least one of the rainfall data exceeding the first threshold value as the specific rainfall data among the plurality of rainfall data measured by the plurality of rain gauges in a set. , The rainfall data of all rain gauges may be corrected to a larger value.

また、局地的大雨が発生したと判定された場合、算出部１４は、複数の雨量計が計測した雨量データの最大値に、雨量データの最大値を計測した雨量計と複数の雨量計のそれぞれとの距離に応じた重みを掛けた値を算出してもよい。この場合、補正部１６は、雨量データの最大値に重みを掛けた値を用いて複数の雨量データのそれぞれをより大きい値に補正しても良い。 Further, when it is determined that a local heavy rain has occurred, the calculation unit 14 adds the maximum value of the rainfall data measured by the plurality of rain gauges to the maximum value of the rainfall data and the rain gauge and the plurality of rain gauges. A value multiplied by a weight according to the distance from each may be calculated. In this case, the correction unit 16 may correct each of the plurality of rainfall data to a larger value by using a value obtained by weighting the maximum value of the rainfall data.

たとえば、ある時刻tにおける観測所ｉの雨量をＸｔｉとし、閾値をＴｈ、重みをＷとした時、Ｍａｘ（Ｘｔｉ）＞Ｔｈのとき、加算する雨量Xaddは、
加算雨量Xadd＝ＷMax（Ｘｔｉ）
で示される。 For example, when the rainfall at the observatory i at a certain time t is X ti , the threshold value is Th, and the weight is W, and Max (X ti )> Th, the rainfall X add to be added is
Add rainfall X add = WMax (X ti )
Indicated by.

よって、ある時刻tにおける観測所ｉの補正後の雨量Ｘ’tiは、
補正雨量Ｘ’ti＝Ｘｔｉ＋Xadd
となる。 Therefore, the corrected rainfall X'ti of the observatory i at a certain time t is
Corrected rainfall X'ti = X ti + X add
Will be.

これによれば、地形的要因を考慮して雨量計間の距離に応じた重みを用いて補正した、補正後の雨量が水位予測モデルの入力データになる。これにより、局地的大雨が発生したときに実際に雨量計が計測した雨量データから予測される河川の水位の予測精度が過小方向に低下することを防ぐことができる。 According to this, the corrected rainfall amount corrected by using the weight according to the distance between the rain gauges in consideration of the topographical factors becomes the input data of the water level prediction model. As a result, it is possible to prevent the prediction accuracy of the river water level predicted from the rainfall data actually measured by the rain gauge when a local heavy rain occurs from decreasing in the under-direction.

なお、気象レーダー画像やＸバンドレーダなどから雨量データを取得し、取得した雨量データを雨量計の雨量データの代わりに使用してもよい。 Rainfall data may be acquired from a weather radar image, an X-band radar, or the like, and the acquired rainfall data may be used instead of the rainfall data of the rain gauge.

以上、予測方法、予測プログラム及び情報処理装置を上記実施形態により説明したが、本開示に係る予測方法、予測プログラム及び情報処理装置は上記実施形態に限定されるものではなく、本開示の範囲内で種々の変形及び改良が可能である。また、上記実施形態及び変形例が複数存在する場合、矛盾しない範囲で組み合わせることができる。 Although the prediction method, the prediction program and the information processing device have been described above by the above-described embodiment, the prediction method, the prediction program and the information processing device according to the present disclosure are not limited to the above-described embodiment and are within the scope of the present disclosure. Various modifications and improvements are possible. Further, when a plurality of the above-described embodiments and modifications exist, they can be combined within a consistent range.

以上の説明に関し、更に以下の項を開示する。
（付記１）
学習モデルを使って水位予測を行う対象の河川に応じた複数の雨量計により計測された複数の降雨量情報を取得し、
取得した前記複数の降雨量情報に基づき、前記河川が流れる地域に局地的大雨が発生したかを判定し、
前記局地的大雨が発生したと判定した場合、前記複数の降雨量情報のそれぞれを、前記複数の降雨量情報のうちの少なくとも一つの降雨量情報を用いて、より大きい値に補正し、
補正した前記複数の降雨量情報および前記学習モデルを用いて、前記河川の前記水位予測を実行する、
ことをコンピュータが実行する予測方法。
（付記２）
前記複数の雨量計により計測された前記複数の降雨量情報のうち最大値が第１の閾値を越える場合、又は前記複数の降雨量情報のそれぞれの偏差のうちの最大値が第２の閾値を越える場合、前記河川が流れる地域に局地的大雨が発生したと判定する、
付記１に記載の予測方法。
（付記３）
前記局地的大雨が発生したと判定した場合、前記複数の雨量計により計測された前記複数の降雨量情報のうちの最大値を用いて、前記複数の降雨量情報のそれぞれをより大きい値に補正する、
付記１又は２に記載の予測方法。
（付記４）
前記局地的大雨が発生したと判定した場合、前記複数の雨量計により計測された前記複数の降雨量情報のうちの最大値と、前記最大値に対応する降雨量を計測した雨量計と前記複数の雨量計のそれぞれとの距離に応じた重みとの乗算値を用いて、前記複数の降雨量情報のそれぞれをより大きい値に補正する、
付記１又は２に記載の予測方法。
（付記５）
前記河川の前記水位予測の結果及び前記局地的大雨が発生したか否かの少なくとも一方を出力する、
付記１〜４のいずれか一項に記載の予測方法。
（付記６）
学習モデルを使って水位予測を行う対象の河川に応じた複数の雨量計により計測された複数の降雨量情報を取得し、
取得した前記複数の降雨量情報に基づき、前記河川が流れる地域に局地的大雨が発生したかを判定し、
前記局地的大雨が発生したと判定した場合、前記複数の降雨量情報のそれぞれを、前記複数の降雨量情報のうちの少なくとも一つの降雨量情報を用いて、より大きい値に補正し、
補正した前記複数の降雨量情報および前記学習モデルを用いて、前記河川の前記水位予測を実行する、
処理をコンピュータに実行させる予測プログラム。
（付記７）
前記複数の雨量計により計測された前記複数の降雨量情報のうち最大値が第１の閾値を越える場合、又は前記複数の降雨量情報のそれぞれの偏差のうちの最大値が第２の閾値を越える場合、前記河川が流れる地域に局地的大雨が発生したと判定する、
付記６に記載の予測プログラム。
（付記８）
前記局地的大雨が発生したと判定した場合、前記複数の雨量計により計測された前記複数の降雨量情報のうちの最大値を用いて、前記複数の降雨量情報のそれぞれをより大きい値に補正する、
付記６又は７に記載の予測プログラム。
（付記９）
前記局地的大雨が発生したと判定した場合、前記複数の雨量計により計測された前記複数の降雨量情報のうちの最大値と、前記最大値に対応する降雨量を計測した雨量計と前記複数の雨量計のそれぞれとの距離に応じた重みとの乗算値を用いて、前記複数の降雨量情報のそれぞれをより大きい値に補正する、
付記６又は７に記載の予測プログラム。
（付記１０）
前記河川の前記水位予測の結果及び前記局地的大雨が発生したか否かの少なくとも一方を出力する、
付記６〜９のいずれか一項に記載の予測プログラム。
（付記１１）
学習モデルを使って水位予測を行う対象の河川に応じた複数の雨量計により計測された複数の降雨量情報を取得する取得部と、
取得した前記複数の降雨量情報に基づき、前記河川が流れる地域に局地的大雨が発生したかを判定する判定部と、
前記局地的大雨が発生したと判定した場合、前記複数の降雨量情報のそれぞれを、前記複数の降雨量情報のうちの少なくとも一つの降雨量情報を用いて、より大きい値に補正する補正部と、
補正した前記複数の降雨量情報および前記学習モデルを用いて、前記河川の前記水位予測を実行する予測実行部と、
を有する情報処理装置。
（付記１２）
前記判定部は、
前記複数の雨量計により計測された前記複数の降雨量情報のうち最大値が第１の閾値を越える場合、又は前記複数の降雨量情報のそれぞれの偏差のうちの最大値が第２の閾値を越える場合、前記河川が流れる地域に局地的大雨が発生したと判定する、
付記１１に記載の情報処理装置。
（付記１３）
前記補正部は、
前記局地的大雨が発生したと判定した場合、前記複数の雨量計により計測された前記複数の降雨量情報のうちの最大値を用いて、前記複数の降雨量情報のそれぞれをより大きい値に補正する、
付記１１又は１２に記載の情報処理装置。
（付記１４）
前記補正部は、
前記局地的大雨が発生したと判定した場合、前記複数の雨量計により計測された前記複数の降雨量情報のうちの最大値と、前記最大値に対応する降雨量を計測した雨量計と前記複数の雨量計のそれぞれとの距離に応じた重みとの乗算値を用いて、前記複数の降雨量情報のそれぞれをより大きい値に補正する、
付記１１又は１２に記載の情報処理装置。
（付記１５）
前記河川の前記水位予測の結果及び前記局地的大雨が発生したか否かの少なくとも一方を出力する表示部を有する、
付記１１〜１４のいずれか一項に記載の情報処理装置。 Regarding the above description, the following sections are further disclosed.
(Appendix 1)
Obtain multiple rainfall information measured by multiple rainfall meters according to the target river for which water level prediction is performed using the learning model.
Based on the acquired plurality of rainfall information, it is determined whether or not local heavy rainfall has occurred in the area where the river flows.
When it is determined that the local heavy rainfall has occurred, each of the plurality of rainfall information is corrected to a larger value by using at least one of the plurality of rainfall information.
Using the corrected precipitation information and the learning model, the water level prediction of the river is executed.
A predictive method that a computer does.
(Appendix 2)
When the maximum value of the plurality of rainfall information measured by the plurality of rain gauges exceeds the first threshold value, or the maximum value of each deviation of the plurality of rainfall information sets the second threshold value. If it exceeds, it is determined that local heavy rainfall has occurred in the area where the river flows.
The prediction method described in Appendix 1.
(Appendix 3)
When it is determined that the local heavy rainfall has occurred, the maximum value of the plurality of rainfall information measured by the plurality of rain gauges is used to increase each of the plurality of rainfall information to a larger value. to correct,
The prediction method according to Appendix 1 or 2.
(Appendix 4)
When it is determined that the local heavy rainfall has occurred, the maximum value of the plurality of rainfall information measured by the plurality of rain gauges, the rain gauge that measures the rainfall corresponding to the maximum value, and the above. Correct each of the plurality of rainfall information to a larger value by using a multiplication value with a weight according to the distance to each of the plurality of rain gauges.
The prediction method according to Appendix 1 or 2.
(Appendix 5)
Outputs at least one of the result of the water level prediction of the river and whether or not the local heavy rain has occurred.
The prediction method according to any one of Appendix 1 to 4.
(Appendix 6)
Obtain multiple rainfall information measured by multiple rain gauges according to the target river for which water level prediction is performed using the learning model.
Based on the acquired plurality of rainfall information, it is determined whether or not local heavy rainfall has occurred in the area where the river flows.
When it is determined that the local heavy rainfall has occurred, each of the plurality of rainfall information is corrected to a larger value by using at least one of the plurality of rainfall information.
Using the corrected precipitation information and the learning model, the water level prediction of the river is executed.
A prediction program that lets a computer perform processing.
(Appendix 7)
When the maximum value of the plurality of rainfall information measured by the plurality of rain gauges exceeds the first threshold value, or the maximum value of each deviation of the plurality of rainfall information sets the second threshold value. If it exceeds, it is determined that local heavy rainfall has occurred in the area where the river flows.
The prediction program described in Appendix 6.
(Appendix 8)
When it is determined that the local heavy rainfall has occurred, the maximum value of the plurality of rainfall information measured by the plurality of rain gauges is used to increase each of the plurality of rainfall information to a larger value. to correct,
The prediction program according to Appendix 6 or 7.
(Appendix 9)
When it is determined that the local heavy rainfall has occurred, the maximum value of the plurality of rainfall information measured by the plurality of rain gauges, the rain gauge that measures the rainfall corresponding to the maximum value, and the above. Correct each of the plurality of rainfall information to a larger value by using a multiplication value with a weight according to the distance to each of the plurality of rain gauges.
The prediction program according to Appendix 6 or 7.
(Appendix 10)
Outputs at least one of the result of the water level prediction of the river and whether or not the local heavy rain has occurred.
The prediction program according to any one of Appendix 6 to 9.
(Appendix 11)
An acquisition unit that acquires multiple rainfall information measured by multiple rain gauges according to the target river for which water level prediction is performed using a learning model.
Based on the acquired plurality of rainfall information, a determination unit for determining whether a local heavy rainfall has occurred in the area where the river flows, and a determination unit.
When it is determined that the local heavy rainfall has occurred, the correction unit that corrects each of the plurality of rainfall information to a larger value by using at least one of the plurality of rainfall information. When,
A prediction execution unit that executes the water level prediction of the river by using the corrected rainfall information and the learning model.
Information processing device with.
(Appendix 12)
The determination unit
When the maximum value of the plurality of rainfall information measured by the plurality of rain gauges exceeds the first threshold value, or the maximum value of each deviation of the plurality of rainfall information sets the second threshold value. If it exceeds, it is determined that local heavy rainfall has occurred in the area where the river flows.
The information processing device according to Appendix 11.
(Appendix 13)
The correction unit
When it is determined that the local heavy rainfall has occurred, the maximum value of the plurality of rainfall information measured by the plurality of rain gauges is used to increase each of the plurality of rainfall information to a larger value. to correct,
The information processing device according to Appendix 11 or 12.
(Appendix 14)
The correction unit
When it is determined that the local heavy rainfall has occurred, the maximum value of the plurality of rainfall information measured by the plurality of rain gauges, the rain gauge that measures the rainfall corresponding to the maximum value, and the above. Correct each of the plurality of rainfall information to a larger value by using a multiplication value with a weight according to the distance to each of the plurality of rain gauges.
The information processing device according to Appendix 11 or 12.
(Appendix 15)
It has a display unit that outputs at least one of the result of the water level prediction of the river and whether or not the local heavy rain has occurred.
The information processing device according to any one of Supplementary note 11 to 14.

１０ サーバ
１１ 記憶部
１２ 予測処理部
１３ 取得部
１４ 算出部
１５ 判定部
１６ 補正部
１７ 予測実行部
１８ 表示部
１９ 通信部
２０ スマートフォン
１０１ 第１雨量観測所
１０２ 第２雨量観測所
１０３ 第３雨量観測所
１０４ 第４雨量観測所
１１１ 水位データベース
１１２ 雨量データベース
１１３ 流域河川データベース
１１４ 水位観測所データベース
１１５ 雨量観測所データベース
２００ 第１水位観測所

10 Server 11 Storage unit 12 Prediction processing unit 13 Acquisition unit 14 Calculation unit 15 Judgment unit 16 Correction unit 17 Prediction execution unit 18 Display unit 19 Communication unit 20 Smartphone 101 1st rainfall observation station 102 2nd rainfall observation station 103 3rd rainfall observation Station 104 4th Rainfall Observatory 111 Water Level Database 112 Rainfall Database 113 Basin River Database 114 Water Level Observatory Database 115 Rainfall Observatory Database 200 1st Water Level Observatory

Claims (7)

学習モデルを使って水位予測を行う対象の河川に応じた複数の雨量計により計測された複数の降雨量情報を取得し、
取得した前記複数の降雨量情報に基づき、前記河川が流れる地域に局地的大雨が発生したかを判定し、
前記局地的大雨が発生したと判定した場合、前記複数の降雨量情報のそれぞれを、前記複数の降雨量情報のうちの少なくとも一つの降雨量情報を用いて、より大きい値に補正し、
補正した前記複数の降雨量情報および前記学習モデルを用いて、前記河川の前記水位予測を実行する、
ことをコンピュータが実行する予測方法。 Obtain multiple rainfall information measured by multiple rain gauges according to the target river for which water level prediction is performed using the learning model.
Based on the acquired plurality of rainfall information, it is determined whether or not local heavy rainfall has occurred in the area where the river flows.
When it is determined that the local heavy rainfall has occurred, each of the plurality of rainfall information is corrected to a larger value by using at least one of the plurality of rainfall information.
Using the corrected precipitation information and the learning model, the water level prediction of the river is executed.
A predictive method that a computer does. 前記複数の雨量計により計測された前記複数の降雨量情報のうち最大値が第１の閾値を越える場合、又は前記複数の降雨量情報のそれぞれの偏差のうちの最大値が第２の閾値を越える場合、前記河川が流れる地域に局地的大雨が発生したと判定する、
請求項１に記載の予測方法。 When the maximum value of the plurality of rainfall information measured by the plurality of rain gauges exceeds the first threshold value, or the maximum value of each deviation of the plurality of rainfall information sets the second threshold value. If it exceeds, it is determined that local heavy rainfall has occurred in the area where the river flows.
The prediction method according to claim 1. 前記局地的大雨が発生したと判定した場合、前記複数の雨量計により計測された前記複数の降雨量情報のうちの最大値を用いて、前記複数の降雨量情報のそれぞれをより大きい値に補正する、
請求項１又は２に記載の予測方法。 When it is determined that the local heavy rainfall has occurred, the maximum value of the plurality of rainfall information measured by the plurality of rain gauges is used to increase each of the plurality of rainfall information to a larger value. to correct,
The prediction method according to claim 1 or 2. 前記局地的大雨が発生したと判定した場合、前記複数の雨量計により計測された前記複数の降雨量情報のうちの最大値と、前記最大値に対応する降雨量を計測した雨量計と前記複数の雨量計のそれぞれとの距離に応じた重みとの乗算値を用いて、前記複数の降雨量情報のそれぞれをより大きい値に補正する、
請求項１又は２に記載の予測方法。 When it is determined that the local heavy rainfall has occurred, the maximum value of the plurality of rainfall information measured by the plurality of rain gauges, the rain gauge that measures the rainfall corresponding to the maximum value, and the above. Correct each of the plurality of rainfall information to a larger value by using a multiplication value with a weight according to the distance to each of the plurality of rain gauges.
The prediction method according to claim 1 or 2. 前記河川の前記水位予測の結果及び前記局地的大雨が発生したか否かの少なくとも一方を出力する、
請求項１〜４のいずれか一項に記載の予測方法。 Outputs at least one of the result of the water level prediction of the river and whether or not the local heavy rain has occurred.
The prediction method according to any one of claims 1 to 4. 学習モデルを使って水位予測を行う対象の河川に応じた複数の雨量計により計測された複数の降雨量情報を取得し、
取得した前記複数の降雨量情報に基づき、前記河川が流れる地域に局地的大雨が発生したかを判定し、
前記局地的大雨が発生したと判定した場合、前記複数の降雨量情報のそれぞれを、前記複数の降雨量情報のうちの少なくとも一つの降雨量情報を用いて、より大きい値に補正し、
補正した前記複数の降雨量情報および前記学習モデルを用いて、前記河川の前記水位予測を実行する、
処理をコンピュータに実行させる予測プログラム。 Obtain multiple rainfall information measured by multiple rain gauges according to the target river for which water level prediction is performed using the learning model.
Based on the acquired plurality of rainfall information, it is determined whether or not local heavy rainfall has occurred in the area where the river flows.
When it is determined that the local heavy rainfall has occurred, each of the plurality of rainfall information is corrected to a larger value by using at least one of the plurality of rainfall information.
Using the corrected precipitation information and the learning model, the water level prediction of the river is executed.
A prediction program that lets a computer perform processing. 学習モデルを使って水位予測を行う対象の河川に応じた複数の雨量計により計測された複数の降雨量情報を取得する取得部と、
取得した前記複数の降雨量情報に基づき、前記河川が流れる地域に局地的大雨が発生したかを判定する判定部と、
前記局地的大雨が発生したと判定した場合、前記複数の降雨量情報のそれぞれを、前記複数の降雨量情報のうちの少なくとも一つの降雨量情報を用いて、より大きい値に補正する補正部と、
補正した前記複数の降雨量情報および前記学習モデルを用いて、前記河川の前記水位予測を実行する予測実行部と、
を有する情報処理装置。 An acquisition unit that acquires multiple rainfall information measured by multiple rain gauges according to the target river for which water level prediction is performed using a learning model.
Based on the acquired plurality of rainfall information, a determination unit for determining whether a local heavy rainfall has occurred in the area where the river flows, and a determination unit.
When it is determined that the local heavy rainfall has occurred, the correction unit that corrects each of the plurality of rainfall information to a larger value by using at least one of the plurality of rainfall information. When,
A prediction execution unit that executes the water level prediction of the river by using the corrected rainfall information and the learning model.
Information processing device with.
JP2019027747A 2019-02-19 2019-02-19 Prediction method, prediction program and information processing apparatus Pending JP2020134300A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019027747A JP2020134300A (en) 2019-02-19 2019-02-19 Prediction method, prediction program and information processing apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019027747A JP2020134300A (en) 2019-02-19 2019-02-19 Prediction method, prediction program and information processing apparatus

Publications (1)

Publication Number Publication Date
JP2020134300A true JP2020134300A (en) 2020-08-31

Family

ID=72262937

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019027747A Pending JP2020134300A (en) 2019-02-19 2019-02-19 Prediction method, prediction program and information processing apparatus

Country Status (1)

Country Link
JP (1) JP2020134300A (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113672864A (en) * 2021-07-15 2021-11-19 中国电波传播研究所（中国电子科技集团公司第二十二研究所） Weighted algorithm applied to rain attenuation statistical prediction for annual average rain top height
JP2022065522A (en) * 2020-10-15 2022-04-27 大成建設株式会社 Learning device, learning method and prediction device
WO2022104709A1 (en) * 2020-11-19 2022-05-27 中山大学 Monthly-scale rainfall forecast correction method coupled with gamma and gaussian distribution
WO2024018534A1 (en) * 2022-07-19 2024-01-25 日本電信電話株式会社 Water level prediction device, water level prediction method, and water level prediction program

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022065522A (en) * 2020-10-15 2022-04-27 大成建設株式会社 Learning device, learning method and prediction device
JP7397781B2 (en) 2020-10-15 2023-12-13 大成建設株式会社 Learning device, learning method and prediction device
WO2022104709A1 (en) * 2020-11-19 2022-05-27 中山大学 Monthly-scale rainfall forecast correction method coupled with gamma and gaussian distribution
CN113672864A (en) * 2021-07-15 2021-11-19 中国电波传播研究所（中国电子科技集团公司第二十二研究所） Weighted algorithm applied to rain attenuation statistical prediction for annual average rain top height
CN113672864B (en) * 2021-07-15 2023-08-15 中国电波传播研究所（中国电子科技集团公司第二十二研究所） Annual average roof height weighting algorithm applied to statistical prediction of rain attenuation
WO2024018534A1 (en) * 2022-07-19 2024-01-25 日本電信電話株式会社 Water level prediction device, water level prediction method, and water level prediction program
WO2024018754A1 (en) * 2022-07-19 2024-01-25 日本電信電話株式会社 Water-level forecasting device, water-level forecasting method, and water-level forecasting program

Similar Documents

Publication Publication Date Title
JP2020134300A (en) Prediction method, prediction program and information processing apparatus
CN105488316B (en) System and method for predicting air quality
CN105740991A (en) Climate change prediction method and system for fitting various climate modes based on modified BP neural network
CN110008301A (en) Regional susceptibility of geological hazards prediction technique and device based on machine learning
JP6960168B2 (en) Local information assimilation equipment and methods and programs for real-time flood hazard mapping
CN113570122B (en) Method, device, computer equipment and storage medium for predicting wind speed
JP2009225550A (en) Power demand predicting method and system, and power generation prediction method
KR20120104805A (en) Decision method for spillway discharge of hydroelectronic power plant at a flood season
EP3709250A1 (en) Prediction device, prediction method, and computer program
CN110737876A (en) Regional power grid photovoltaic power prediction optimization method and device
JP2010054266A (en) System for predicting inundation
JP2018194497A (en) Weather forecasting system, weather forecasting method, and weather forecasting program
Meng et al. Tropical cyclone intensity probabilistic forecasting system based on deep learning
US20200389026A1 (en) Electric power generation prediction method based on expected value calculation, electric power generation prediction system based on expected value calculation, and electric power generation prediction program based on expected value calculation
Mahmood et al. Constraining low-frequency variability in climate projections to predict climate on decadal to multi-decadal timescales–a poor man's initialized prediction system
JP2021023177A (en) Crop characteristics prediction system, crop characteristics prediction method, and crop characteristics prediction program
JP2020066909A (en) Cut slope collapse prediction device, cut slope collapse prediction method, and cut slope collapse prediction program
CN117388951A (en) Plum rain prediction method, apparatus and equipment
CN116186493B (en) Meteorological forecasting method, device, equipment and medium based on numerical mode correction
CN115453661B (en) Weather forecasting method, weather forecasting device, weather forecasting equipment and storage medium
JP6178121B2 (en) Simulated rainfall data generation apparatus, generation method, and program
JP2020149209A (en) Residual characteristic estimation model creation method and residual characteristic estimation model creation system
US20220076060A1 (en) Information processing apparatus, information processing method, and non-transitory computer readable medium
JP2020060810A (en) System for supporting inspections of infrastructure facilities, method and program for supporting inspections of infrastructure facilities
JP5405535B2 (en) Landslide maintenance management system and landslide maintenance management method