JP2020173160A - Tsunami height and tsunami arrival time prediction system - Google Patents
Tsunami height and tsunami arrival time prediction system Download PDFInfo
- Publication number
- JP2020173160A JP2020173160A JP2019074842A JP2019074842A JP2020173160A JP 2020173160 A JP2020173160 A JP 2020173160A JP 2019074842 A JP2019074842 A JP 2019074842A JP 2019074842 A JP2019074842 A JP 2019074842A JP 2020173160 A JP2020173160 A JP 2020173160A
- Authority
- JP
- Japan
- Prior art keywords
- tsunami
- flow velocity
- height
- velocity distribution
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000009826 distribution Methods 0.000 claims abstract description 60
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 48
- 230000005540 biological transmission Effects 0.000 claims description 38
- 238000009434 installation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 55
- 238000004364 calculation method Methods 0.000 abstract description 21
- 238000005070 sampling Methods 0.000 description 25
- 238000000605 extraction Methods 0.000 description 22
- 238000011176 pooling Methods 0.000 description 17
- 238000000034 method Methods 0.000 description 15
- 238000007781 pre-processing Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000010606 normalization Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004088 simulation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
Description
本発明は、津波高及び津波到達時間予測システムに関する。 The present invention relates to a tsunami height and tsunami arrival time prediction system.
近年、海洋レーダによる津波観測システムが提案されている(特許文献1参照)。海洋レーダは、陸上に設置したアンテナから海面に電波を照射して、海面の波浪による後方散乱波を受信して周波数解析することにより、百Km程度の幅広い領域における海流、波浪等を測定できる。なお、海洋レーダは、アンテナから照射される電波の視線方向の海面流速成分のみしか計測することはできず、到来する津波の波高を直接計測することができない。 In recent years, a tsunami observation system using an ocean radar has been proposed (see Patent Document 1). The ocean radar can measure ocean currents, waves, etc. in a wide range of about 100 km by irradiating the sea surface with radio waves from an antenna installed on land, receiving backscattered waves due to waves on the sea surface, and performing frequency analysis. Note that the ocean radar can only measure the sea level velocity component in the line-of-sight direction of the radio waves emitted from the antenna, and cannot directly measure the wave height of the incoming tsunami.
特許文献1では、海洋レーダの電波照射領域を複数の領域に分割し、海洋レーダの送信信号(電波照射信号)と受信信号(反射波)との周波数差の周波数を有するビート信号に基づいて津波の海面の流速を検出する。そして、特許文献1では、算出した津波の海面の流速に基づいて津波の挙動のシミュレーションを計測サンプル周期毎に実行して各時刻での津波の波高を算出するようにしている。そして、特許文献1では、各時刻での津波の到達波高(津波高)に基づいて、津波に対する津波到達時間及び津波高を予測するようにしている。 In Patent Document 1, the radio wave irradiation region of the ocean radar is divided into a plurality of regions, and the tsunami is based on a beat signal having a frequency of the frequency difference between the transmission signal (radio wave irradiation signal) and the reception signal (reflected wave) of the ocean radar. Detects the velocity of the sea surface. Then, in Patent Document 1, a simulation of the behavior of the tsunami is executed for each measurement sample cycle based on the calculated flow velocity of the sea surface of the tsunami, and the wave height of the tsunami at each time is calculated. Then, in Patent Document 1, the tsunami arrival time and the tsunami height for the tsunami are predicted based on the tsunami arrival wave height (tsunami height) at each time.
ところで、この津波観測システムでは、算出した津波の海面の流速に基づいて津波の挙動のシミュレーションを計測サンプル周期毎に実行して各時刻での津波の波高を算出する等の処理を行うことから、計算に一定の時間を要する問題があり、すなわち、津波到達時間及び津波高が算出されるまでの予測時間が長くなる。また、計算が複雑となるため、誤差が生じやすい。 By the way, in this tsunami observation system, a simulation of tsunami behavior is executed for each measurement sample cycle based on the calculated tsunami sea surface velocity, and processing such as calculating the tsunami wave height at each time is performed. There is a problem that the calculation requires a certain amount of time, that is, the estimated time until the tsunami arrival time and the tsunami height are calculated becomes long. Moreover, since the calculation becomes complicated, an error is likely to occur.
本発明の目的は、上記課題を解決して、津波到達地点の津波高及び津波到達時間の計算時間を短縮化するとともに誤差の発生を少なくできる津波高及び津波到達時間予測システムを提供することにある。 An object of the present invention is to provide a tsunami height and tsunami arrival time prediction system that can solve the above problems, shorten the calculation time of the tsunami height and tsunami arrival time at the tsunami arrival point, and reduce the occurrence of errors. is there.
上記問題点を解決するために、本発明の津波高及び津波到達時間予測システムは、学習用の津波流速分布画像を予め学習して、測定津波流速分布画像を、津波が所定地点に達するときの津波到達時間及び津波高の組合せに分類する畳込みニューラルネットワーク部を備えた津波高及び津波到達時間予測システムであって、海洋レーダの観測結果に基づいて経時的に連続する3つの測定津波流速分布画像を生成する流速分布画像生成部を備え、前記畳込みニューラルネットワーク部は、前記3つの測定津波流速分布画像に基づいて、該3つの測定津波流速分布画像中、最新の測定津波流速分布画像を、前記所定地点に達するときの津波の到達時間及び津波高との組合せに分類するものである。 In order to solve the above problems, the tsunami height and tsunami arrival time prediction system of the present invention learns the tsunami flow velocity distribution image for learning in advance, and uses the measured tsunami flow velocity distribution image when the tsunami reaches a predetermined point. It is a tsunami height and tsunami arrival time prediction system equipped with a convolutional neural network unit that classifies tsunami arrival time and tsunami height combinations, and three continuous measurement tsunami flow velocity distributions over time based on the observation results of ocean radar. The convolutional neural network unit includes a flow velocity distribution image generation unit that generates an image, and the convolutional neural network unit obtains the latest measured tsunami flow velocity distribution image among the three measurement tsunami flow velocity distribution images based on the three measurement tsunami flow velocity distribution images. , The combination of the arrival time of the tsunami and the height of the tsunami when reaching the predetermined point is classified.
また、前記3つの測定津波流速分布画像は、1分間隔であってもよい。
また、前記所定地点は、前記海洋レーダの送受信アンテナの設置点としてもよい。
また、前記3つの測定津波流速分布画像は、前記畳込みニューラルネットワーク部のRGBの3チャンネルに入力されることが好ましい。
Further, the three measured tsunami flow velocity distribution images may be at 1-minute intervals.
Further, the predetermined point may be an installation point of the transmission / reception antenna of the ocean radar.
Further, it is preferable that the three measured tsunami flow velocity distribution images are input to the three RGB channels of the convolutional neural network unit.
本発明によれば、津波到達地点の津波高及び津波到達時間の計算時間を短縮化するとともに誤差の発生を少なくできる効果を奏する。 According to the present invention, it is possible to shorten the calculation time of the tsunami height and the tsunami arrival time at the tsunami arrival point and to reduce the occurrence of errors.
(第1実施形態)
以下、本発明を具体化した一実施形態の津波高及び津波到達時間予測システム(以下、単に予測システムという)を図1〜図11を参照して説明する。
(First Embodiment)
Hereinafter, a tsunami height and tsunami arrival time prediction system (hereinafter, simply referred to as a prediction system) according to an embodiment embodying the present invention will be described with reference to FIGS. 1 to 11.
予測システム10は、海洋レーダ20、予測装置30、及び表示装置50を備えている。
<海洋レーダ20>
本実施形態の予測システム10は、海洋レーダ20にて陸上に設置した送受信アンテナ22(図2(a)参照)から海面に電波を照射し、海面の波浪による後方散乱波を受信して周波数解析することにより、百Km程度の幅広い測定領域における海流、波浪、津波等の流速を測定する。そして、予測装置30にて、前記測定領域に関して測定津波流速分布画像を生成し、その測定津波流速分布画像と、所定地点としての津波到達地点における津波高と津波到達時間の組合せとを分類して、その結果を表示装置50に表示する。
The prediction system 10 includes an ocean radar 20, a prediction device 30, and a display device 50.
<Ocean radar 20>
The prediction system 10 of the present embodiment irradiates the sea surface with radio waves from a transmission / reception antenna 22 (see FIG. 2A) installed on land by the ocean radar 20, receives backscattered waves due to waves on the sea surface, and performs frequency analysis. By doing so, the flow velocity of sea currents, waves, tsunamis, etc. in a wide measurement area of about 100 km is measured. Then, the prediction device 30 generates a measured tsunami flow velocity distribution image for the measurement region, classifies the measured tsunami flow velocity distribution image, and a combination of the tsunami height and the tsunami arrival time at the tsunami arrival point as a predetermined point. , The result is displayed on the display device 50.
本実施形態では、津波到達地点は、海洋レーダ20の送受信アンテナ22が設置されている地点(設置点)としているが、海洋レーダ20の送受信アンテナ22が設置されている地点に限定するものではなく、他の地点であってもよい。 In the present embodiment, the tsunami arrival point is a point (installation point) where the transmission / reception antenna 22 of the ocean radar 20 is installed, but the tsunami arrival point is not limited to the point where the transmission / reception antenna 22 of the ocean radar 20 is installed. , May be at other points.
図2(a)に示すように、海洋レーダ20は、送受信アンテナ22、送受信部24、信号処理部26、及び演算部28を備えている。送受信アンテナ22は、例えば、HFレーダであって、一般的には陸上に設置されるが、送受信アンテナ22の配置は送信電波が海上を走査できるような位置であれば限定されない。例えば海に設置してもよい。また、図1において送受信アンテナ22の形状は円柱形状、線形状、アレー状のいずれであってもよい。また、送受信アンテナ22は送信アンテナと受信アンテナとが一体であっても、別体であってもよい。 As shown in FIG. 2A, the ocean radar 20 includes a transmission / reception antenna 22, a transmission / reception unit 24, a signal processing unit 26, and a calculation unit 28. The transmission / reception antenna 22 is, for example, an HF radar and is generally installed on land, but the arrangement of the transmission / reception antenna 22 is not limited as long as the transmission radio wave can scan the sea. For example, it may be installed in the sea. Further, in FIG. 1, the shape of the transmission / reception antenna 22 may be any of a cylindrical shape, a line shape, and an array shape. Further, the transmitting / receiving antenna 22 may have the transmitting antenna and the receiving antenna integrated or separate.
送受信部24は、所定の周波数を有する送信信号を発生し、当該送信信号を送受信アンテナ22に出力する信号発生回路等を含む。また、送受信部24は、送受信アンテナ22から受信信号を受信し、当該受信信号を信号処理部26に出力する受信手段を含む。なお、送受信部24は、送信部と受信部とが一体であってもよく、送信部と受信部とが分かれた構成としてもよい。 The transmission / reception unit 24 includes a signal generation circuit or the like that generates a transmission signal having a predetermined frequency and outputs the transmission signal to the transmission / reception antenna 22. Further, the transmission / reception unit 24 includes a reception unit that receives a reception signal from the transmission / reception antenna 22 and outputs the reception signal to the signal processing unit 26. The transmission / reception unit 24 may be integrated with the transmission unit and the reception unit, or may have a configuration in which the transmission unit and the reception unit are separated.
送受信アンテナ22は、津波を検出するための送信信号を海上(海面)に送信電波として放射し、海面上で強く後方散乱(ブラッグ散乱)された受信電波を受信信号として受信し、当該受信信号を送受信部24に出力する。 The transmission / reception antenna 22 radiates a transmission signal for detecting a tsunami to the sea (sea surface) as a transmission radio wave, receives a reception radio wave strongly backscattered (Bragg scattering) on the sea surface as a reception signal, and receives the reception signal. Output to the transmitter / receiver 24.
信号処理部26は、送受信部24が生成した送信信号と、送受信アンテナ22が受信した受信信号とを乗算し、当該乗算された結果の信号をビート信号として演算部28に出力する。すなわち、信号処理部26は、送信信号と受信信号との周波数差の周波数を有するビート信号を生成する。なお、受信電波はドップラー効果を受けて変調されており、その変調量は海面の流速に依存し、ビート信号として算出する。なお、信号処理部26は、送信信号と受信信号との乗算結果の信号からその高調波成分をフィルタリングで除去する。 The signal processing unit 26 multiplies the transmission signal generated by the transmission / reception unit 24 with the reception signal received by the transmission / reception antenna 22, and outputs the multiplied signal as a beat signal to the calculation unit 28. That is, the signal processing unit 26 generates a beat signal having a frequency having a frequency difference between the transmission signal and the reception signal. The received radio wave is modulated by the Doppler effect, and the amount of modulation depends on the flow velocity on the sea surface and is calculated as a beat signal. The signal processing unit 26 removes the harmonic component from the signal resulting from the multiplication of the transmitted signal and the received signal by filtering.
演算部28は、信号処理部26からビート信号を受信して、当該ビート信号に基づき、送受信アンテナ22が観測する例えば数十〜数百キロメートル四方の海域の観測点P(n,m)(図3参照)における津波の海面の流速を算出する。この津波の海面の流速の算出について詳述する。 The calculation unit 28 receives a beat signal from the signal processing unit 26, and based on the beat signal, the transmission / reception antenna 22 observes observation points P (n, m) in a sea area of, for example, tens to hundreds of kilometers square (FIG. Calculate the sea level velocity of the tsunami in (see 3). The calculation of the sea surface velocity of this tsunami will be described in detail.
図3は、海洋レーダ20が観測する全領域(海域)が図示されている。同図に示すよう送受信アンテナ22を中心に扇状に広がる複数の視線Ln(n=1、2、…)上に、送受信アンテナ22から離間する方向へ複数の観測点P(n,m)設定されている。なお、観測点P(n,m)のnは、視線Lnのnと同じであり、m(=1、2,…)は、同一の視線上において、送受信アンテナ22に近位側から遠位側に向かって付されるナンバーである。 FIG. 3 shows the entire area (sea area) observed by the ocean radar 20. As shown in the figure, a plurality of observation points P (n, m) are set in a direction away from the transmission / reception antenna 22 on a plurality of line-of-sight Ln (n = 1, 2, ...) Spreading in a fan shape around the transmission / reception antenna 22. ing. The n of the observation point P (n, m) is the same as the n of the line of sight Ln, and m (= 1, 2, ...) Is distal to the transmitter / receiver antenna 22 on the same line of sight. It is a number attached toward the side.
そして、送信電波が電波照射される全領域は、観測点P(n,m)毎に図4〜図7に示すように分割領域が設定されている。演算部28は、各分割領域の観測点P(n,m)のビート信号に基づいて当該分割領域の津波の海面の流速を算出する。 Then, in the entire area where the transmitted radio wave is irradiated, a divided area is set for each observation point P (n, m) as shown in FIGS. 4 to 7. The calculation unit 28 calculates the sea level velocity of the tsunami in the divided region based on the beat signal of the observation point P (n, m) in each divided region.
また、演算部28は、算出した各分割領域の流速を予測装置30に出力する。すなわち、演算部28は、送受信アンテナ22により海洋レーダ20が観測する全領域を1秒毎に観測しており、1秒毎に予測装置30に海洋レーダ20が観測する全領域について各分割領域の流速を出力する。 Further, the calculation unit 28 outputs the calculated flow velocity of each divided region to the prediction device 30. That is, the calculation unit 28 observes the entire area observed by the ocean radar 20 by the transmission / reception antenna 22 every second, and the prediction device 30 observes the entire area observed by the ocean radar 20 every second. Output the flow velocity.
<予測装置30>
図2(b)は、本実施形態に係る予測装置30のハードウェア構成を示している。同図に示すように、予測装置30は、CPU37、ROM38、RAM39、外部記憶装置(例えば、フラッシュメモリ)40、及び、外部装置やインターネットと通信を行う通信インターフェイス41を備えたコンピュータにより構成されている。
<Prediction device 30>
FIG. 2B shows the hardware configuration of the prediction device 30 according to the present embodiment. As shown in the figure, the prediction device 30 is composed of a computer including a CPU 37, a ROM 38, a RAM 39, an external storage device (for example, a flash memory) 40, and a communication interface 41 that communicates with an external device and the Internet. There is.
予測装置30は、下記で説明する各部の機能は、CPU37がROM38、RAM39または外部記憶装置40等に記憶された制御プログラム(例えば、画像処理プログラム)や各種データ(例えば、CNNのネットワーク構造及び学習済みのネットワークパラメータ等)を参照することによって実現される。 The function of each part described below in the prediction device 30 includes a control program (for example, an image processing program) and various data (for example, CNN network structure and learning) stored in the ROM 38, RAM 39, external storage device 40, or the like by the CPU 37. It is realized by referring to the completed network parameters, etc.).
なお、各部の機能の一部または全部は、CPU37による処理に代えて、または、これと共に、GPU(Graphics Processing Units)による処理によって実現してもよい。また、同様に、各機能の一部または全部は、ソフトウェアによる処理に代えて、または、これと共に、専用のハードウェア回路による処理によって行ってもよい。 In addition, a part or all of the functions of each part may be realized by the processing by GPU (Graphics Processing Units) in place of or together with the processing by CPU 37. Similarly, a part or all of each function may be performed by processing by a dedicated hardware circuit instead of or in combination with the processing by software.
上記のCPU37によって実現される各部について説明する。図1及び図8に示すように、予測装置30は、流速分布画像生成部31、正規化部32、前処理部33、CNN処理部34、学習部35及び学習データ入力部36、を備えている。 Each part realized by the CPU 37 will be described. As shown in FIGS. 1 and 8, the prediction device 30 includes a flow velocity distribution image generation unit 31, a normalization unit 32, a preprocessing unit 33, a CNN processing unit 34, a learning unit 35, and a learning data input unit 36. There is.
流速分布画像生成部31は、海洋レーダ20、または、学習データ入力部36から入力した前記全領域についての各分割領域の流速を、画像データとして流速分布画像を生成する。ここで、説明の便宜上、分割領域の特定には、当該分割領域の観測点に付した符号P(n,m)で代用するものとする。 The flow velocity distribution image generation unit 31 generates a flow velocity distribution image using the flow velocity of each divided region for the entire region input from the ocean radar 20 or the learning data input unit 36 as image data. Here, for convenience of explanation, the reference numeral P (n, m) attached to the observation point of the divided region is used as a substitute for specifying the divided region.
流速分布画像は、縦n×横mの画素群からなる画像データであり、各分割領域の流速が、各画素の輝度として扱われる。
流速分布画像生成部31は、1秒毎に入力した全領域について各分割領域の流速に基づいて1分毎に流速分布画像を生成する。
The flow velocity distribution image is image data composed of a pixel group of vertical n × horizontal m, and the flow velocity of each divided region is treated as the brightness of each pixel.
The flow velocity distribution image generation unit 31 generates a flow velocity distribution image every minute based on the flow velocity of each divided region for the entire region input every second.
ここで、流速分布画像生成部31は、学習データ入力部36からデータを入力した場合は、学習用の津波流速分布画像を生成し、海洋レーダ20からデータを入力した場合は、測定津波流速分布画像を生成する。 Here, the flow velocity distribution image generation unit 31 generates a tsunami flow velocity distribution image for learning when data is input from the learning data input unit 36, and a measured tsunami flow velocity distribution when data is input from the ocean radar 20. Generate an image.
正規化部32は、流速分布画像生成部31から出力された画像データの輝度(流速)を例えば、min−max法で、正規化する。min−max法は、輝度(流速)の最大値を「1」とし、最小値を「0」とするようにして他の流速を「1」と「0」との間の値にする処理である。なお、ここでの正規化は、min−max法に限定するものではなく、他の適宜の方法で行ってもよい。 The normalization unit 32 normalizes the brightness (flow velocity) of the image data output from the flow velocity distribution image generation unit 31 by, for example, the min-max method. The min-max method is a process in which the maximum value of the brightness (flow velocity) is set to "1", the minimum value is set to "0", and the other flow velocities are set to values between "1" and "0". is there. The normalization here is not limited to the min-max method, and may be performed by other appropriate methods.
前処理部33は、画像データの大きさ(縦×横)を所定の大きさに成形する。すなわち、正規化部32から入力される縦n×横mの大きさの画像データを、縦N×横Mの大きさとなるように0でパディングする。 The preprocessing unit 33 shapes the size (length x width) of the image data into a predetermined size. That is, the image data of the size of vertical n × horizontal m input from the normalization unit 32 is padded with 0 so as to have the size of vertical N × horizontal M.
前処理部33は、上記のように所定の大きさに形成した画像データを図示しないバッファに格納する。そして、バッファには、格納された順に画像データが蓄積される。
そして、前処理部33は、上記のように成形した画像データの内、最新の画像データD、最新の画像データの1分前に成形した画像データD1、及び最新のデータの2分前に成形した画像データD2を、前記バッファから読み出し、それぞれRGBの画像データとして、CNN処理部34に出力する。なお、本明細書でのRGBは、色についてのRGBではなく、単にチャンネルの識別のために使用している。
The preprocessing unit 33 stores the image data formed to a predetermined size as described above in a buffer (not shown). Then, image data is accumulated in the buffer in the order in which they are stored.
Then, the preprocessing unit 33 molds the latest image data D, the image data D1 molded 1 minute before the latest image data, and 2 minutes before the latest data among the image data molded as described above. The image data D2 is read from the buffer and output to the CNN processing unit 34 as RGB image data. Note that RGB in the present specification is not used for RGB for color, but is used only for channel identification.
CNN処理部34は、例えば、AlexNet型CNNである。CNN処理部34は、畳込みニューラルネットワーク部に相当する。
CNN処理部34は、RGBの各チャンネルにおいて、画像データD、D1、D2に対して、畳込みニューラルネットワークを用いて画像処理を行って、当該画像データD、D1、D2の結合画像データを、津波到達地点における津波高と津波到達時間の組合せに分類する。
The CNN processing unit 34 is, for example, an AlexNet type CNN. The CNN processing unit 34 corresponds to a convolutional neural network unit.
The CNN processing unit 34 performs image processing on the image data D, D1 and D2 using a convolutional neural network in each of the RGB channels, and obtains the combined image data of the image data D, D1 and D2. It is classified into a combination of tsunami height and tsunami arrival time at the tsunami arrival point.
学習データ入力部36は、CNN処理部34が参照する畳込みニューラルネットワークの学習処理を行うための学習データを入力する。
<CNN処理部34>
予測装置30が、畳込みニューラルネットワークを用いて、画像データD、D1、D2の結合画像データを、津波到達地点における津波高と津波到達時間の組合せに分類する処理について説明する。
The learning data input unit 36 inputs learning data for performing the learning process of the convolutional neural network referred to by the CNN processing unit 34.
<CNN processing unit 34>
A process in which the prediction device 30 classifies the combined image data of the image data D, D1 and D2 into a combination of the tsunami height and the tsunami arrival time at the tsunami arrival point will be described using a convolutional neural network.
図9に示すようにCNN処理部34は、畳込み部70と全結合部80とを有している。畳込み部70は、入力される画像から画像特徴を抽出する処理を施し、全結合部80が、抽出された画像特徴から画像データD、D1、D2の結合画像データを、津波到達地点における津波高と津波到達時間の組合せへの分類を行う。 As shown in FIG. 9, the CNN processing unit 34 has a folding unit 70 and a fully connected unit 80. The convolution unit 70 performs a process of extracting image features from the input image, and the fully connected unit 80 extracts the combined image data of the image data D, D1 and D2 from the extracted image features into the tsunami at the tsunami arrival point. Classify into a combination of high and tsunami arrival time.
畳込み部70は、RGBの3チャンネルを有していて、R画像(画像データD)、G画像(画像データD1)及びB画像(画像データD2)用の画像処理部170、270、370を備えている。 The convolution unit 70 has three channels of RGB, and includes image processing units 170, 270, and 370 for R image (image data D), G image (image data D1), and B image (image data D2). I have.
R画像(画像データD)の画像処理部170は、特徴量抽出層170−1、…、170−p(p=1、2、…)の複数の層が階層的に接続された構成となっている。特徴量抽出層170−1、…、170−pは、それぞれ畳込み層(Convolution Layer)172、及びプーリング層(Pooling Layer)173を備える。 The image processing unit 170 of the R image (image data D) has a configuration in which a plurality of layers of feature sampling layers 170-1, ..., 170-p (p = 1, 2, ...) Are hierarchically connected. ing. The feature amount extraction layers 170-1, ..., 170-p each include a convolution layer 172 and a pooling layer 173, respectively.
第1層目の特徴量抽出層170−1は、入力される画像を、ラスタスキャンにより所定サイズ毎に走査する。そして、走査したデータに対して、畳込み層172、及びプーリング層173によって特徴量抽出処理を施すことにより、R画像(画像データD)に含まれる特徴量を抽出する。 The feature amount extraction layer 170-1 of the first layer scans the input image for each predetermined size by raster scanning. Then, the scanned data is subjected to a feature amount extraction process by the folding layer 172 and the pooling layer 173 to extract the feature amount included in the R image (image data D).
第2層目の特徴量抽出層(図示しない)は、前階層の特徴量抽出層170−1から入力される画像(以下、「特徴マップ」とも称する)を、例えば、ラスタスキャンにより所定サイズ毎に走査する。そして、走査したデータに対して、同様に、畳込み層172、及びプーリング層173による特徴量抽出処理を施すことにより、入力画像に含まれる特徴量を抽出する。なお、第2層目以下の特徴量抽出層は、第1層目の特徴量抽出層170−1が抽出された複数の特徴量の位置関係などを考慮しながら統合させることで、より高次元の複合的な特徴量が抽出される。 The feature amount sampling layer (not shown) of the second layer is an image (hereinafter, also referred to as “feature map”) input from the feature amount sampling layer 170-1 of the previous layer, for each predetermined size by, for example, raster scanning. Scan to. Then, the scanned data is similarly subjected to the feature amount extraction process by the folding layer 172 and the pooling layer 173 to extract the feature amount included in the input image. It should be noted that the feature amount sampling layers below the second layer are integrated in consideration of the positional relationship of the plurality of feature amounts extracted by the feature amount sampling layer 170-1 of the first layer to have a higher dimension. Complex features of are extracted.
各特徴量抽出層170−1、…、170−pは、より具体的には、以下のような処理を実行している。畳込み層172は、例えば、走査した所定サイズの画像の各画素値に対して、重み係数(及びバイアス)が設定された特徴抽出フィルターを用いて畳込み演算を行う。そして、畳込み層172は、かかる演算処理を走査の毎に順に実行し、マッピングしていく。そして、畳込み層172は、前階層から入力される画像のそれぞれに対して、当該特徴抽出フィルターを用いて畳込み演算を行い、対応するマッピング位置に加算していくことによって、一の特徴マップを生成する。 More specifically, each feature amount extraction layer 170-1, ..., 170-p executes the following processing. The convolution layer 172 performs a convolution calculation using, for example, a feature extraction filter in which a weighting coefficient (and a bias) is set for each pixel value of a scanned image of a predetermined size. Then, the convolution layer 172 executes such arithmetic processing in order for each scan and maps it. Then, the convolution layer 172 performs a convolution operation for each of the images input from the previous layer using the feature extraction filter, and adds to the corresponding mapping position to obtain one feature map. To generate.
プーリング層は、前の層が出力する特徴マップに対して、所定サイズ毎(例えば、2×2画素毎)に、最大プーリング関数や平均プーリング関数を適用して、特徴量を圧縮する処理を実行する。 The pooling layer applies the maximum pooling function and the average pooling function to the feature map output by the previous layer for each predetermined size (for example, every 2 × 2 pixels) to perform a process of compressing the feature amount. To do.
各特徴量抽出層170−1、…、170−pは、畳込み層172、及びプーリング層173の一連の処理によって、次階層に出力する特徴マップを生成する。そして、各特徴量抽出層170−1、…、170−pは、重みパターンが異なる複数の特徴抽出フィルターを用いて、上記の処理を実行し、当該複数の特徴抽出フィルターのフィルター数分の特徴マップ(以下、「特徴マップ群」と称する)を生成する。 Each feature amount sampling layer 170-1, ..., 170-p generates a feature map to be output to the next layer by a series of processes of the folding layer 172 and the pooling layer 173. Then, each feature amount extraction layer 170-1, ..., 170-p executes the above processing using a plurality of feature extraction filters having different weight patterns, and features as many as the number of filters of the plurality of feature extraction filters. Generate a map (hereinafter referred to as "feature map group").
G画像(画像データD1)の画像処理部270は、特徴量抽出層270−1、…、270−p(p=1、2、…)の複数の層が階層的に接続された構成となっている。特徴量抽出層270−1、…、270−pは、それぞれ畳込み層(Convolution Layer)272、及びプーリング層(Pooling Layer)273を備える。 The image processing unit 270 of the G image (image data D1) has a configuration in which a plurality of layers of feature sampling layers 270-1, ..., 270-p (p = 1, 2, ...) Are hierarchically connected. ing. The feature amount extraction layers 270-1, ..., 270-p include a convolution layer 272 and a pooling layer 273, respectively.
第1層目の特徴量抽出層270−1は、入力される画像を、ラスタスキャンにより所定サイズ毎に走査する。そして、走査したデータに対して、畳込み層272、及びプーリング層273によって特徴量抽出処理を施すことにより、G画像(画像データD1)に含まれる特徴量を抽出する。 The feature amount extraction layer 270-1 of the first layer scans the input image for each predetermined size by raster scanning. Then, the scanned data is subjected to a feature amount extraction process by the folding layer 272 and the pooling layer 273 to extract the feature amount contained in the G image (image data D1).
第2層目の特徴量抽出層(図示しない)は、前階層の特徴量抽出層270−1から入力される特徴マップを、例えば、ラスタスキャンにより所定サイズ毎に走査する。そして、走査したデータに対して、同様に、畳込み層272、及びプーリング層273による特徴量抽出処理を施すことにより、入力画像に含まれる特徴量を抽出する。なお、第2層目以下の特徴量抽出層は、第1層目の特徴量抽出層270−1が抽出された複数の特徴量の位置関係などを考慮しながら統合させることで、より高次元の複合的な特徴量が抽出される。 The feature amount sampling layer (not shown) of the second layer scans the feature map input from the feature amount sampling layer 270-1 of the previous layer for each predetermined size by, for example, raster scanning. Then, the scanned data is similarly subjected to the feature amount extraction process by the folding layer 272 and the pooling layer 273 to extract the feature amount included in the input image. It should be noted that the feature amount sampling layers below the second layer are integrated in consideration of the positional relationship of the plurality of feature amounts extracted by the feature amount sampling layer 270-1 of the first layer to have a higher dimension. Complex features of are extracted.
各特徴量抽出層270−1、…、270−pの具体的な処理は、特徴量抽出層170−1、…、170−pと同様であるため、説明を省略する。
B画像(画像データD2)の画像処理部370は、特徴量抽出層370−1、…、370−p(p=1、2、…)の複数の層が階層的に接続された構成となっている。特徴量抽出層370−1、…、370−pは、それぞれ畳込み層(Convolution Layer)372、及びプーリング層(Pooling Layer)373を備える。
Since the specific processing of the feature quantity sampling layers 270-1, ..., 270-p is the same as that of the feature quantity sampling layers 170-1, ..., 170-p, the description thereof will be omitted.
The image processing unit 370 of the B image (image data D2) has a configuration in which a plurality of layers of feature amount sampling layers 370-1, ..., 370-p (p = 1, 2, ...) Are hierarchically connected. ing. The feature amount extraction layers 370-1, ..., 370-p include a convolution layer 372 and a pooling layer 373, respectively.
第1層目の特徴量抽出層370−1は、入力される画像を、ラスタスキャンにより所定サイズ毎に走査する。そして、走査したデータに対して、畳込み層372、及びプーリング層373によって特徴量抽出処理を施すことにより、B画像(画像データD2)に含まれる特徴量を抽出する。 The feature amount extraction layer 370-1 of the first layer scans the input image for each predetermined size by raster scanning. Then, the scanned data is subjected to a feature amount extraction process by the folding layer 372 and the pooling layer 373 to extract the feature amount contained in the B image (image data D2).
第2層目の特徴量抽出層(図示しない)は、前階層の特徴量抽出層370−1から入力される特徴マップを、例えば、ラスタスキャンにより所定サイズ毎に走査する。そして、走査したデータに対して、同様に、畳込み層372、及びプーリング層373による特徴量抽出処理を施すことにより、入力画像に含まれる特徴量を抽出する。なお、第2層目以下の特徴量抽出層は、第1層目の特徴量抽出層370−1が抽出された複数の特徴量の位置関係などを考慮しながら統合させることで、より高次元の複合的な特徴量が抽出される。 The feature amount sampling layer (not shown) of the second layer scans the feature map input from the feature amount sampling layer 370-1 of the previous layer for each predetermined size by, for example, raster scanning. Then, the scanned data is similarly subjected to the feature amount extraction process by the folding layer 372 and the pooling layer 373 to extract the feature amount included in the input image. It should be noted that the feature amount sampling layers below the second layer are integrated in consideration of the positional relationship of the plurality of feature amounts extracted by the feature amount sampling layer 370-1 of the first layer to have a higher dimension. Complex features of are extracted.
各特徴量抽出層370−1、…、370−pの具体的な処理は、特徴量抽出層170−1、…、170−pと同様であるため、説明を省略する。
なお、RGBの各チャンネルにおいて、畳込み層とプーリング層との間に活性化層があってもよい。この場合、活性化層は、畳込み層による畳込み演算後の特徴マップの各画素の画素値に対して、例えば、周知のロジスティックシグモイド関数やReLU関数(Rectified Linear Units)等を適用する処理を実行する。
Since the specific processing of the feature quantity sampling layers 370-1, ..., 370-p is the same as that of the feature quantity sampling layers 170-1, ..., 170-p, the description thereof will be omitted.
In each of the RGB channels, there may be an activation layer between the convolution layer and the pooling layer. In this case, the activation layer performs a process of applying, for example, a well-known logistic sigmoid function or ReLU function (Rectified Linear Units) to the pixel value of each pixel of the feature map after the convolution calculation by the convolution layer. Execute.
上記のようにして、畳込み部70は、RGBの各チャンネルにおいて、階層的に接続された複数の特徴量抽出層170−1、…、170−p、270−1…、270−p、370−1…、370−pによる特徴抽出処理を繰り返すことで、画像内の被写体の種々の特徴量を高次元に抽出していく。そして、畳込み部70は、複数の特徴量抽出層170−p、270−p、370−pの最後の層が生成する特徴マップ群を最終的な演算結果として、連結部75を介して全結合部80に出力する。 As described above, the convolution unit 70 includes a plurality of feature extraction layers 170-1, ..., 170-p, 270-1 ..., 270-p, 370 that are hierarchically connected in each RGB channel. -1 ... By repeating the feature extraction process by 370-p, various feature quantities of the subject in the image are extracted in a high dimension. Then, the convolution unit 70 uses the feature map group generated by the last layers of the plurality of feature quantity sampling layers 170-p, 270-p, and 370-p as the final calculation result, and all of them pass through the connecting portion 75. Output to the coupling unit 80.
全結合部80は、例えば、複数の全結合層80−1、…、80−q(Fully Connected)が階層的に接続された多層パーセプトロンによって構成される。なお、q=1、2、…である。 The fully connected portion 80 is composed of, for example, a multi-layer perceptron in which a plurality of fully connected layers 80-1, ..., 80-q (Fully Connected) are hierarchically connected. In addition, q = 1, 2, ...
全結合部80の入力側の全結合層は、連結部75から取得した特徴マップ群の各値に全結合し、その結合結果に対して重み係数を異ならせながら積和演算を行って出力する。なお、全結合部80の入力側の全結合層は、特徴マップ群の各値を特徴量ベクトルに変換するべく、特徴マップ群の各値と同数の素子が設けられる。 The fully connected layer on the input side of the fully connected unit 80 is fully connected to each value of the feature map group acquired from the connecting unit 75, and the product-sum operation is performed and output while making the weighting coefficient different for the combined result. .. The fully connected layer on the input side of the fully connected portion 80 is provided with the same number of elements as each value of the feature map group in order to convert each value of the feature map group into a feature amount vector.
全結合層80−1の次階層の全結合層は、前階層の全結合層の各素子が出力する値に全結合し、その結合結果に対して重み係数を異ならせながら積和演算を行う。全結合部80は、かかる処理によって、画像から得られる特徴に基づいて、画像内の識別対象の分類項目の識別結果を出力する。以下同様にして、下位の階層の全結合層80−qは、画像内の識別対象の分類項目の識別結果を出力する。 The fully coupled layer of the next layer of the fully coupled layer 80-1 is fully coupled to the value output by each element of the fully coupled layer of the previous layer, and the product-sum operation is performed while making the weighting coefficient different for the coupling result. .. The fully connected unit 80 outputs the identification result of the classification item of the identification target in the image based on the features obtained from the image by such processing. In the same manner below, the fully connected layer 80-q in the lower layer outputs the identification result of the classification item to be identified in the image.
なお、全結合部80は、例えば、多層パーセプトロンの出力層の各素子からの出力値に対して、ソフトマックス部81において、ソフトマックス関数等を適用する処理を実行し、複数の分類項目のうち、該当する分類項目について、積和演算による演算結果の値が大きくなるように分類結果を出力部82に出力する。すなわち、海洋レーダ20からのデータに基づく測定津波流速分布画像を、津波到達地点における到達時間及びその到達地点での津波高との組合せに分類する。 The fully coupled unit 80 executes a process of applying a softmax function or the like in the softmax unit 81 to the output value from each element of the output layer of the multi-layer perceptron, and among a plurality of classification items. , The classification result is output to the output unit 82 so that the value of the calculation result by the product-sum operation becomes large for the corresponding classification item. That is, the measured tsunami flow velocity distribution image based on the data from the ocean radar 20 is classified into a combination of the arrival time at the tsunami arrival point and the tsunami height at the arrival point.
畳込みニューラルネットワークは、正解である学習データを付した画像を用いて学習処理が施されることによって、ネットワークパラメータ(例えば、畳込み層の重み係数及びバイアス、全結合層の重み係数及びバイアス)が調整され、上記のように機能する。 The convolutional neural network is subjected to training processing using an image with training data that is the correct answer, so that network parameters (for example, weighting coefficient and bias of the convolutional layer, weighting coefficient and bias of the fully connected layer) are performed. Is adjusted and works as described above.
(実施形態の作用)
上記のように構成された予測システム10の作用を説明する。
<予測装置30の学習>
学習データは、シミュレータで予め作成されており、海洋レーダ20の視線Lnにおける分割領域(観測点)P(n,m)における流速のデータである。
(Action of Embodiment)
The operation of the prediction system 10 configured as described above will be described.
<Learning of prediction device 30>
The learning data is created in advance by the simulator and is data on the flow velocity in the divided region (observation point) P (n, m) in the line of sight Ln of the ocean radar 20.
すなわち、学習データは、津波をできるだけ沖で検知するために、第1波であるLeadingWaveを前記シミュレータで作成したものであり、本システムでは、この第1波であるLeadingWaveの津波高及び津波到達時間を予測するものである。なお、このLeading Waveは孤立波であり、水平方向の流速分布は、とくに伝播方向において、孤立波の前面で、流速が激しく変化する特徴をもつ。 That is, in the learning data, the first wave, Reading Wave, was created by the simulator in order to detect the tsunami as offshore as possible. In this system, the tsunami height and tsunami arrival time of this first wave, Reading Wave, are created. Is to predict. This Leading Wave is a solitary wave, and the flow velocity distribution in the horizontal direction has a characteristic that the flow velocity changes drastically in front of the solitary wave, particularly in the propagation direction.
学習データは、各分割領域において、津波到達時間から1,2、3、……、20数分前の流速が含まれている。ここで各分割領域の津波の流速が知られた場合、該流速に基づいて各分割領域における津波高を、公知の方法で算出が可能である。なお、津波高はその観測地域の海底の地形、沿岸流等の影響を受けるが、経験則等を踏まえた上で算出が可能である。 The learning data includes the flow velocities 1, 2, 3, ..., 20 minutes before the tsunami arrival time in each divided region. Here, when the flow velocity of the tsunami in each divided region is known, the tsunami height in each divided region can be calculated by a known method based on the flow velocity. The tsunami height is affected by the topography of the seabed and coastal currents in the observation area, but it can be calculated based on empirical rules.
学習データは、図10に示すように、津波発生から津波到達地点(本実施形態では、送受信アンテナ22に最も近い海岸)に到達するまでの1分毎のデータであって、視線Ln(図10では、視線No.)と、観測点P(n,m)(図10では、観測点No.)のマトリックスからなり、分割領域に相当する各欄には、流速が埋め込まれている。 As shown in FIG. 10, the learning data is data every minute from the occurrence of the tsunami to the arrival at the tsunami arrival point (in this embodiment, the coast closest to the transmission / reception antenna 22), and is the line-of-sight Ln (FIG. 10). Then, it is composed of a matrix of the line-of-sight No.) and the observation points P (n, m) (observation points No. in FIG. 10), and the flow velocity is embedded in each column corresponding to the divided region.
本実施形態の学習データは、津波高が、1m未満〜22m超えの津波高を有するm単位毎の種々の高さの津波高に関して、津波発生から前記津波到達地点までの1分毎のデータとなっている。 The learning data of the present embodiment includes data for every minute from the occurrence of the tsunami to the arrival point of the tsunami with respect to the tsunami heights of various heights in m units having a tsunami height of less than 1 m to more than 22 m. It has become.
図4〜図7は、上記データを、送受信アンテナ22で観測したと同様の例であって、20mを超える津波高を有する津波が発生し、前記津波到達地点に到達するまでの一例を示している。 FIGS. 4 to 7 show an example in which the above data is observed by the transmission / reception antenna 22, and an example is shown in which a tsunami having a tsunami height of more than 20 m is generated and reaches the tsunami arrival point. There is.
図4は、津波高20mを超える津波が視線L1上の分割領域P(1,20)に達した状態を示している。図5は、図4の状態から数分後に津波高20mを超える津波が同じく視線L1上の分割領域P(1,16)に到達した状態を示している。図6は、図5の状態から数分後に津波高20mを超える津波が同じく視線L1上の分割領域P(1,8)に到達した状態を示している。図7は、図6の状態から数分後に津波高20mを超える津波が同じく視線L1上の分割領域P(1,1)に到達した状態を示している。 FIG. 4 shows a state in which a tsunami having a tsunami height of more than 20 m reaches the divided region P (1,20) on the line of sight L1. FIG. 5 shows a state in which a tsunami having a tsunami height of more than 20 m reaches the divided region P (1, 16) on the line of sight L1 several minutes after the state of FIG. FIG. 6 shows a state in which a tsunami having a tsunami height of more than 20 m reaches the divided region P (1, 8) on the line of sight L1 several minutes after the state of FIG. FIG. 7 shows a state in which a tsunami having a tsunami height of more than 20 m reaches the divided region P (1,1) on the line of sight L1 several minutes after the state of FIG.
なお、図4〜図7では、他の分割領域における津波については、説明の便宜上、省略して図示されている。
上記のように、津波高が、1m未満〜22m超えの津波高(H)を有する津波に関して作成された学習データは、津波が発生した時刻から津波到達地点に到達するまでの経過時間(T)順に学習データ入力部36から学習部35に入力される。学習部35は、入力された学習データを流速分布画像生成部31に入力し、正規化部32及び前処理部33を介して生成されたデータを、図11のように津波到達地点における津波到達時間T及びその到達地点での津波高Hとの組合せに基づくラベルをCNN処理部34で深層学習させる。
In FIGS. 4 to 7, tsunamis in other divided regions are omitted for convenience of explanation.
As described above, the learning data created for a tsunami having a tsunami height (H) of less than 1 m to more than 22 m is the elapsed time (T) from the time when the tsunami occurred to the arrival at the tsunami arrival point. The data is sequentially input from the learning data input unit 36 to the learning unit 35. The learning unit 35 inputs the input learning data to the flow velocity distribution image generation unit 31, and receives the data generated via the normalization unit 32 and the preprocessing unit 33 to reach the tsunami at the tsunami arrival point as shown in FIG. The CNN processing unit 34 deeply learns the label based on the combination of the time T and the tsunami height H at the arrival point.
図11では、津波高Hは、H<1m、H<2m、…、H<20m、H>22mの項目と、津波到達時間Tが1分〜22分の分毎に区分された項目との組合せの各欄に、1〜374の分類が示されている。 In FIG. 11, the tsunami height H is the item of H <1 m, H <2 m, ..., H <20 m, H> 22 m, and the item of the tsunami arrival time T divided by 1 minute to 22 minutes. Each column of the combination shows the classification of 1-374.
いずれかの分類結果が出力部82に入力されると、出力部82は、この分類結果に基づいて、津波到達地点における津波到達時間T及びその到達地点での津波高Hとの組合せを表示装置50に表示させる。 When any of the classification results is input to the output unit 82, the output unit 82 displays a combination of the tsunami arrival time T at the tsunami arrival point and the tsunami height H at the arrival point based on the classification result. Display at 50.
従って、CNN処理部34は、学習データ(学習用)に基づく津波流速分布画像に基づいて、その学習データが、正解となるかを学習する。CNN処理部34は、1回目の学習を最初の学習データから始めて全ての学習データが使用されたときに学習を終了する。 Therefore, the CNN processing unit 34 learns whether the learning data is the correct answer based on the tsunami flow velocity distribution image based on the learning data (for learning). The CNN processing unit 34 starts the first learning from the first learning data and ends the learning when all the learning data are used.
ここで、前記正解が、実際の津波到達地点における津波到達時間T及びその到達地点での津波高Hとの組合せの分類結果と異なっていれば、学習部35は、ネットワークパラメータ(例えば、畳込み層の重み係数及びバイアス、全結合層の重み係数及びバイアス)を更新する。この深層学習における更新は、前記正解が、実際の津波到達地点における津波到達時間T及びその到達地点での津波高Hとの組合せの分類結果と合致するまで学習部35により、繰り返される。 Here, if the correct answer is different from the classification result of the combination of the tsunami arrival time T at the actual tsunami arrival point and the tsunami height H at the arrival point, the learning unit 35 may perform network parameters (for example, convolution). Layer weighting factors and biases, fully connected layer weighting factors and biases) are updated. This update in deep learning is repeated by the learning unit 35 until the correct answer matches the classification result of the combination of the tsunami arrival time T at the actual tsunami arrival point and the tsunami height H at the arrival point.
ここで、特徴的なのは、前処理部33からは、CNN処理部34に出力する画像データは、最新の画像データD、最新の画像データの1分前に成形した画像データD1、及び最新のデータの2分前に成形した画像データD2を、前記バッファから読み出し、それぞれRGBの画像データとして、CNN処理部34に出力することである。 Here, it is characteristic that the image data output from the preprocessing unit 33 to the CNN processing unit 34 is the latest image data D, the image data D1 formed one minute before the latest image data, and the latest data. The image data D2 formed 2 minutes before is read from the buffer and output to the CNN processing unit 34 as RGB image data.
この結果、CNN処理部34は、3つの画像データによって時間変化を認識することができ、CNN処理部34の分類精度を向上させている。なお、学習データが供給開始される前のCNN処理部34は、新規データセットを用意し、伝搬関数を制御してチューニングするものである。 As a result, the CNN processing unit 34 can recognize the time change from the three image data, and the classification accuracy of the CNN processing unit 34 is improved. The CNN processing unit 34 before the start of supply of the training data prepares a new data set and controls and tunes the propagation function.
<予測システム10の実際の観測>
上記のように学習データによる深層学習の学習が終了した予測装置30の作用について説明する。
<Actual observation of prediction system 10>
The operation of the prediction device 30 in which the learning of deep learning by the learning data is completed as described above will be described.
図1、図2(a)に示すように予測装置30は、海洋レーダ20が観測する全領域について各分割領域の流速を入力すると、流速分布画像生成部31が各分割領域の流速を、画像データとして流速分布画像を生成し、正規化部32に出力する。実際の観測結果に基づいて作成された流速分布画像は、測定津波流速分布画像に相当する。 As shown in FIGS. 1 and 2A, when the prediction device 30 inputs the flow velocity of each divided region for the entire region observed by the ocean radar 20, the flow velocity distribution image generation unit 31 displays the flow velocity of each divided region as an image. A flow velocity distribution image is generated as data and output to the normalization unit 32. The flow velocity distribution image created based on the actual observation results corresponds to the measured tsunami flow velocity distribution image.
図8に示す正規化部32は、流速分布画像生成部31から出力された画像データの輝度(流速)を例えば、min−max法で、正規化し、前処理部33に正規化後のデータを前処理部33に出力する。 The normalization unit 32 shown in FIG. 8 normalizes the brightness (flow velocity) of the image data output from the flow velocity distribution image generation unit 31 by, for example, the min-max method, and supplies the normalized data to the preprocessing unit 33. Output to the preprocessing unit 33.
前処理部33は、画像データの大きさ(縦×横)を所定の大きさに成形する。すなわち、正規化部32から入力される縦n×横mの大きさの画像データを、縦N×横Mの大きさとなるように0でパディングし、図示しないバッファに格納する。そして、前処理部33は、上記のように成形した画像データの内、最新の画像データD、最新の画像データの1分前に成形した画像データD1、及び最新のデータの2分前に成形した画像データD2を、前記バッファから読み出し、それぞれRGBの画像データとして、CNN処理部34に出力する。 The preprocessing unit 33 shapes the size (length x width) of the image data into a predetermined size. That is, the image data having a size of n × width m input from the normalization unit 32 is padded with 0 so as to have a size of N × width M and stored in a buffer (not shown). Then, the preprocessing unit 33 molds the latest image data D, the image data D1 molded 1 minute before the latest image data, and 2 minutes before the latest data among the image data molded as described above. The image data D2 is read from the buffer and output to the CNN processing unit 34 as RGB image data.
図9に示すCNN処理部34の畳込み部70は、RGBの各チャンネルにおいて、階層的に接続された複数の特徴量抽出層170−1、…、170−p、270−1、…、270−p、370−1、…、370−pによる特徴抽出処理を繰り返すことで、画像内の被写体の種々の特徴量を高次元に抽出していく。そして、畳込み部70は、複数の特徴量抽出層170−p、270−p、370−pの最後の層が生成する特徴マップ群を最終的な演算結果として、連結部75を介して全結合部80に出力する。 The folding section 70 of the CNN processing section 34 shown in FIG. 9 has a plurality of feature extraction layers 170-1, ..., 170-p, 270-1, ..., 270 connected hierarchically in each RGB channel. By repeating the feature extraction process by −p, 370-1, ..., 370-p, various feature quantities of the subject in the image are extracted in a high dimension. Then, the convolution unit 70 uses the feature map group generated by the last layers of the plurality of feature quantity sampling layers 170-p, 270-p, and 370-p as the final calculation result, and all of them pass through the connecting portion 75. Output to the coupling unit 80.
全結合部80は、各階層の全結合層は、前階層の全結合層の各素子が出力する値に全結合し、その結合結果に対して重み係数を異ならせながら積和演算を行う。全結合部80は、かかる処理によって、画像から得られる特徴に基づいて、画像内の識別対象の分類項目の識別結果をソフトマックス部81に出力する。 In the fully-coupled unit 80, the fully-coupled layers of each layer are fully coupled to the values output by each element of the fully-coupled layers of the previous layer, and the product-sum operation is performed with different weighting coefficients for the coupling results. The fully connected unit 80 outputs the identification result of the classification item to be identified in the image to the softmax unit 81 based on the features obtained from the image by such processing.
そして、ソフトマックス部81は、その出力値に対して、ソフトマックス関数等を適用する処理を実行し、複数の分類項目のうち、該当する分類項目について、積和演算による演算結果の値が大きくなるように分類結果を出力部82に出力する。出力部82は、分類結果に基づいて、津波到達地点における津波到達時間T及びその到達地点での津波高Hとの組合せを表示装置50に表示させる。 Then, the softmax unit 81 executes a process of applying the softmax function or the like to the output value, and among the plurality of classification items, the value of the calculation result by the product-sum operation is large for the corresponding classification item. The classification result is output to the output unit 82 so as to be. The output unit 82 causes the display device 50 to display the combination of the tsunami arrival time T at the tsunami arrival point and the tsunami height H at the arrival point based on the classification result.
このように、本実施形態では、海洋レーダ20の観測結果に基づいて経時的に連続する3つの測定津波流速分布画像を生成することにより、この測定津波流速分布画像中の最新の測定津波流速分布画像を、津波到達地点(所定地点)に達するときの津波の到達時間及び津波高との組合せに分類できる。この結果、早期に津波の到達地点の津波到達時間及び津波高を知ることができる。 As described above, in the present embodiment, the latest measured tsunami velocity distribution in the measured tsunami velocity distribution image is generated by generating three consecutive measured tsunami velocity distribution images over time based on the observation result of the ocean radar 20. Images can be classified into a combination of tsunami arrival time and tsunami height when reaching a tsunami arrival point (predetermined point). As a result, the tsunami arrival time and tsunami height at the tsunami arrival point can be known at an early stage.
なお、本明細書における「経時的に連続する」とは、本実施形態のように海洋レーダ20の観測データは、秒毎に得られるが、前処理部33において、画像データD、D1、D2の時間間隔(例えば1分間隔)をあけている場合だけを意味するのではない。 In the present specification, "continuous over time" means that the observation data of the ocean radar 20 is obtained every second as in the present embodiment, but the preprocessing unit 33 determines the image data D, D1, D2. It does not mean only when the time interval (for example, 1 minute interval) is set.
例えば、海洋レーダ20の観測データが、秒毎ではなく、分間隔、或いは数十秒間隔である場合は、前処理部33において、画像データD、D1、D2の時間間隔をその分間隔、或いは数十秒間隔をあけている場合も含む。 For example, when the observation data of the ocean radar 20 is not every second but at minute intervals or several tens of seconds, the preprocessing unit 33 sets the time interval of the image data D, D1 and D2 at that minute interval, or Including the case where the interval is several tens of seconds.
本実施形態では、下記の特徴を有する。
(1)本実施形態の予測システム10は、海洋レーダ20の観測結果に基づいて経時的に連続する3つの測定津波流速分布画像を生成する流速分布画像生成部31を備えている。また、予測システム10は、CNN処理部34(畳込みニューラルネットワーク部)は、3つの測定津波流速分布画像に基づいて、該3つの測定津波流速分布画像中、最新の測定津波流速分布画像を、津波到達地点(所定地点)に達するときの津波の到達時間及び津波高との組合せに分類する。
The present embodiment has the following features.
(1) The prediction system 10 of the present embodiment includes a flow velocity distribution image generation unit 31 that generates three measurement tsunami flow velocity distribution images that are continuous over time based on the observation results of the ocean radar 20. Further, in the prediction system 10, the CNN processing unit 34 (convolutional neural network unit) obtains the latest measured tsunami flow velocity distribution image among the three measured tsunami flow velocity distribution images based on the three measured tsunami flow velocity distribution images. It is classified into a combination of the tsunami arrival time and tsunami height when reaching the tsunami arrival point (predetermined point).
この結果、分類するまでの計算が簡略化され、波到達地点の津波高及び津波到達時間の計算時間を短縮化するとともに誤差の発生を少なくできる効果を奏する。また、本実施形態では、畳込みニューラルネットワーク技術により、事前学習させておくことから、本システムに入力した観測データは瞬時に分類判別を行うことができる。また、事前に数多くの検証を行うことにより、津波到達時間と到達時の津波高の精度を検証でき、津波判定の誤差も把握できる。 As a result, the calculation until classification is simplified, the calculation time of the tsunami height and the tsunami arrival time at the wave arrival point can be shortened, and the occurrence of error can be reduced. Further, in the present embodiment, since the observation data input to the system is pre-learned by the convolutional neural network technology, the observation data input to the system can be instantly classified and discriminated. In addition, by performing a number of verifications in advance, the accuracy of the tsunami arrival time and the tsunami height at the time of arrival can be verified, and the error of the tsunami judgment can be grasped.
(2)本実施形態の予測システム10では、3つの測定津波流速分布画像は、1分間隔としている。この結果、CNN処理部34(畳込みニューラルネットワーク部)は3つの画像データによって時間変化を認識することができ、CNN処理部34の分類精度を向上させることができる。 (2) In the prediction system 10 of the present embodiment, the three measured tsunami flow velocity distribution images are set at 1-minute intervals. As a result, the CNN processing unit 34 (convolutional neural network unit) can recognize the time change from the three image data, and the classification accuracy of the CNN processing unit 34 can be improved.
(3)本実施形態の予測システム10では、所定地点を、海洋レーダ20の送受信アンテナの設置点としている。この結果、送受信アンテナへ向かう津波の津波到達時間及び津波高について、上記(1)の効果を容易に得ることができる。 (3) In the prediction system 10 of the present embodiment, a predetermined point is set as an installation point of the transmission / reception antenna of the ocean radar 20. As a result, the effect of (1) above can be easily obtained with respect to the tsunami arrival time and the tsunami height of the tsunami toward the transmission / reception antenna.
(4)本実施形態の予測システム10では、3つの測定津波流速分布画像は、CNN処理部34(畳込みニューラルネットワーク部)のRGBの3チャンネルにそれぞれ入力されるようにしている。畳込みニューラルネットワーク部として、カラー画像を入力する畳込みニューラルネットワークを利用することができる。 (4) In the prediction system 10 of the present embodiment, the three measured tsunami flow velocity distribution images are input to each of the three RGB channels of the CNN processing unit 34 (convolutional neural network unit). As a convolutional neural network unit, a convolutional neural network for inputting a color image can be used.
なお、本発明の実施形態は前記実施形態に限定されるものではなく、下記のように変更しても良い。
・畳込みニューラルネットワーク部として、AlexNet型CNNとしたが、限定するものではない。例えば、畳込みニューラルネットワーク部として、下記の畳込みニューラルネットワークとしてもよい。
The embodiment of the present invention is not limited to the above embodiment, and may be changed as follows.
-Although the AlexNet type CNN was used as the convolutional neural network unit, it is not limited. For example, the convolutional neural network unit may be the following convolutional neural network.
BN−AlexNet、BN−NIN、ENeT、GoogleNET、ResNet−18、VGG−16、ResNet−50、ResNet−101、inception−v3、inception−v4。 BN-AlexNet, BN-NIN, ENeT, GoogleNET, ResNet-18, VGG-16, ResNet-50, ResNet-101, receipt-v3, receipt-v4.
・前記実施形態では、3つの測定津波流速分布画像は、1分間隔としたが、1分間隔に限定するものではない。例えば、30秒間隔等の数十秒間隔であってもよく、限定するものではない。 -In the above embodiment, the three measured tsunami flow velocity distribution images are set at 1-minute intervals, but are not limited to 1-minute intervals. For example, the interval may be several tens of seconds, such as an interval of 30 seconds, and is not limited.
10…予測システム、
20…海洋レーダ、22…送受信アンテナ、24…送受信部、
26…信号処理部、28…演算部、30…予測装置、
31…流速分布画像生成部、32…正規化部、33…前処理部、
34…CNN処理部、35…学習部、36…学習データ入力部、
37…CPU、38…ROM、39…RAM、40…外部記憶装置、
41…通信インターフェイス、60…統合処理部、70…畳込み部、
80…全結合部、80−1、…、80−q…全結合層、82…出力部、
170…画像処理部、170−1、…、170−p…特徴量抽出層、
172…畳込み層、173…プーリング層、
270…画像処理部、270−1、…、270−p…特徴量抽出層、
272…畳込み層、273…プーリング層、
370…画像処理部、370−1、…、370−p…特徴量抽出層、
372…畳込み層、373…プーリング層。
10 ... Prediction system,
20 ... Ocean radar, 22 ... Transmission / reception antenna, 24 ... Transmission / reception unit,
26 ... Signal processing unit, 28 ... Calculation unit, 30 ... Predictor,
31 ... Flow velocity distribution image generation unit, 32 ... Normalization unit, 33 ... Preprocessing unit,
34 ... CNN processing unit, 35 ... learning unit, 36 ... learning data input unit,
37 ... CPU, 38 ... ROM, 39 ... RAM, 40 ... external storage device,
41 ... Communication interface, 60 ... Integrated processing unit, 70 ... Folding unit,
80 ... fully connected part, 80-1, ..., 80-q ... fully connected layer, 82 ... output part,
170 ... Image processing unit, 170-1, ..., 170-p ... Feature sampling layer,
172 ... Folding layer, 173 ... Pooling layer,
270 ... Image processing unit, 270-1 ..., 270-p ... Feature sampling layer,
272 ... Folding layer, 273 ... Pooling layer,
370 ... Image processing unit, 370-1, ..., 370-p ... Feature sampling layer,
372 ... Folding layer, 373 ... Pooling layer.
Claims (4)
海洋レーダの観測結果に基づいて経時的に連続する3つの測定津波流速分布画像を生成する流速分布画像生成部を備え、
前記畳込みニューラルネットワーク部は、前記3つの測定津波流速分布画像に基づいて、該3つの測定津波流速分布画像中、最新の測定津波流速分布画像を、前記所定地点に達するときの津波の到達時間及び津波高との組合せに分類する津波高及び津波到達時間予測システム。 A tsunami height equipped with a convolutional neural network unit that learns a tsunami flow velocity distribution image for learning in advance and classifies the measured tsunami flow velocity distribution image into a combination of tsunami arrival time and tsunami height when the tsunami reaches a predetermined point. It is a tsunami arrival time prediction system,
It is equipped with a flow velocity distribution image generator that generates three measurement tsunami flow velocity distribution images that are continuous over time based on the observation results of the ocean radar.
Based on the three measured tsunami flow velocity distribution images, the convolutional neural network unit obtains the latest measured tsunami flow velocity distribution image among the three measured tsunami flow velocity distribution images, and the arrival time of the tsunami when the predetermined point is reached. And tsunami height and tsunami arrival time prediction system classified into combinations with tsunami height.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019074842A JP7265915B2 (en) | 2019-04-10 | 2019-04-10 | Tsunami height and tsunami arrival time prediction system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019074842A JP7265915B2 (en) | 2019-04-10 | 2019-04-10 | Tsunami height and tsunami arrival time prediction system |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020173160A true JP2020173160A (en) | 2020-10-22 |
JP7265915B2 JP7265915B2 (en) | 2023-04-27 |
Family
ID=72831002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019074842A Active JP7265915B2 (en) | 2019-04-10 | 2019-04-10 | Tsunami height and tsunami arrival time prediction system |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7265915B2 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022162853A1 (en) * | 2021-01-29 | 2022-08-04 | 三菱電機株式会社 | Inundation depth prediction device, inundation depth prediction learning device, inundation depth prediction method, and inundation depth prediction learning method |
WO2023100342A1 (en) | 2021-12-03 | 2023-06-08 | 三菱電機株式会社 | Tsunami learning device, tsunami learning method, tsunami prediction device, and tsunami prediction method |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007018291A (en) * | 2005-07-08 | 2007-01-25 | Port & Airport Research Institute | Tsunami information provision method and tsunami information provision system |
KR101610595B1 (en) * | 2015-07-16 | 2016-04-07 | 김승우 | Expedient Storm Surges Prediction System and Method |
JP2016085206A (en) * | 2014-10-22 | 2016-05-19 | 三菱電機株式会社 | Tsunami monitoring system |
JP2017208082A (en) * | 2016-04-27 | 2017-11-24 | コダー オーシャン センサーズ リミテッド | Coastal HF radar system for tsunami warning |
JP2018165948A (en) * | 2017-03-28 | 2018-10-25 | 国立大学法人神戸大学 | Image recognition device, image recognition method, computer program, and product monitoring system |
JP2018173944A (en) * | 2017-03-30 | 2018-11-08 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | Information processor and information processing method |
-
2019
- 2019-04-10 JP JP2019074842A patent/JP7265915B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007018291A (en) * | 2005-07-08 | 2007-01-25 | Port & Airport Research Institute | Tsunami information provision method and tsunami information provision system |
JP2016085206A (en) * | 2014-10-22 | 2016-05-19 | 三菱電機株式会社 | Tsunami monitoring system |
KR101610595B1 (en) * | 2015-07-16 | 2016-04-07 | 김승우 | Expedient Storm Surges Prediction System and Method |
JP2017208082A (en) * | 2016-04-27 | 2017-11-24 | コダー オーシャン センサーズ リミテッド | Coastal HF radar system for tsunami warning |
JP2018165948A (en) * | 2017-03-28 | 2018-10-25 | 国立大学法人神戸大学 | Image recognition device, image recognition method, computer program, and product monitoring system |
JP2018173944A (en) * | 2017-03-30 | 2018-11-08 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | Information processor and information processing method |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022162853A1 (en) * | 2021-01-29 | 2022-08-04 | 三菱電機株式会社 | Inundation depth prediction device, inundation depth prediction learning device, inundation depth prediction method, and inundation depth prediction learning method |
JP7229449B1 (en) * | 2021-01-29 | 2023-02-27 | 三菱電機株式会社 | Inundation depth prediction device, inundation depth prediction learning device, inundation depth prediction method, and inundation depth prediction learning method |
WO2023100342A1 (en) | 2021-12-03 | 2023-06-08 | 三菱電機株式会社 | Tsunami learning device, tsunami learning method, tsunami prediction device, and tsunami prediction method |
JPWO2023100342A1 (en) * | 2021-12-03 | 2023-06-08 | ||
JP7395084B2 (en) | 2021-12-03 | 2023-12-08 | 三菱電機株式会社 | Tsunami learning device, tsunami learning method, tsunami prediction device, and tsunami prediction method |
Also Published As
Publication number | Publication date |
---|---|
JP7265915B2 (en) | 2023-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110074813B (en) | Ultrasonic image reconstruction method and system | |
CN109932708B (en) | Method for classifying targets on water surface and underwater based on interference fringes and deep learning | |
CN108257121B (en) | Method, apparatus, storage medium and the terminal device that product defects detection model updates | |
US7831530B2 (en) | Optimizing method of learning data set for signal discrimination apparatus and signal discrimination apparatus capable of optimizing learning data set by using a neural network | |
US10943352B2 (en) | Object shape regression using wasserstein distance | |
US6304833B1 (en) | Hypothesis selection for evidential reasoning systems | |
Zhang et al. | A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data | |
CN102959354A (en) | Method and apparatus for for analyzing tree canopies with LiDAR data | |
CN109740639A (en) | A kind of wind and cloud satellite remote-sensing image cloud detection method of optic, system and electronic equipment | |
JP2020173160A (en) | Tsunami height and tsunami arrival time prediction system | |
CN112613504A (en) | Sonar underwater target detection method | |
Haralick et al. | A context classifier | |
CN117351321A (en) | Single-stage lightweight subway lining cavity recognition method and related equipment | |
Niu et al. | Deep learning for ocean acoustic source localization using one sensor | |
CN117897741A (en) | Method and apparatus for generating synthetic training data for an ultrasound sensor model | |
Narayanan et al. | Classification of SHOALS 3000 bathymetric LiDAR signals using decision tree and ensemble techniques | |
CN104685542A (en) | Methods and systems for detection and characterization of channel systems | |
CN111476078A (en) | Identity recognition method and system based on millimeter wave gait biological characteristics | |
CN112305493B (en) | Deep sea visual ranging method based on light beacon detection | |
CN115511011B (en) | Radar data correction method and system based on countermeasure generation network model | |
US11216952B2 (en) | Region extraction apparatus and region extraction method | |
CN117911852B (en) | Underwater target distance prediction method based on self-adaption in part of unsupervised field | |
KR102128006B1 (en) | Apparatus and method for classifying active pulse | |
RU2620727C2 (en) | Method of recognition of space appliances on reduced radar location images | |
KR20240076201A (en) | A method and system of recognizing hand movements that can be learned and inferred by perception distance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220330 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221216 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230104 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230217 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230404 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230417 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7265915 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |