| Project/Area Number |
22K04635
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 25030:Disaster prevention engineering-related
|
|---|
| Research Institution | Yokohama City University |
|---|
Principal Investigator |
金 亜伊 横浜市立大学, 理学部, 准教授 (00633851)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥3,900,000 (Direct Cost: ¥3,000,000、Indirect Cost: ¥900,000)
Fiscal Year 2024: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2023: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000)
Fiscal Year 2022: ¥2,730,000 (Direct Cost: ¥2,100,000、Indirect Cost: ¥630,000)
|
|---|
| Keywords | リアルタイム震度 / 震度予測 / 震度の空間補完 / 機械学習 / 深層学習 / LSTM / IoT / 防災 / 加速度センサー |
|---|
| Outline of Research at the Start |
緊急地震速報や震度分布情報は, 地震発生時の緊急対応に重要な役割を果たす. 現在これらの空間的な解像度を上げるために様々な情報を用いた補完を用いている. しかしそれらの補完は先験的情報の量や質に大きく依存し, すべての場所で精度良く決定できているわけではない. 以上より, 本研究では安価で取り扱いの簡単なIoT化したMEMS加速度センサと機械学習を用いて, 先験的情報を一切用いず, 波形データのみから対象とする地点のリアルタイム震度の予測を目指す. IoTセンサに蓄積されたデータは次の地震時の予測精度向上のための教師データとなり, 進化し続ける防災減災システムとなることが期待される.
|
| Outline of Annual Research Achievements |
昨年度から継続して、ある予測観測点1点のリアルタイム震度の時系列を周辺4つの観測点のデータから予測する手法を開発してきた。ここでは学習するデータに基づいて3つのモデルを作成した。(1)観測実データのみでの学習では、1996年-2022年で5つすべての観測点で観測できたイベントの中で、Ｐ波が含まれているイベント（147イベント）の観測波形データを用いて学習を行う。(2)観測実データと模擬データの学習では、予測観測点と入力観測点4つのうち1つでも観測できたイベントの中で、Ｐ波が含まれているイベント（410イベント）の観測波形データを用いる。このイベントの中で観測できていない、もしくはＰ波が含まれていない地震は久保・功刀(2022)の手法を用いて模擬データを作成し補完した。(3)模擬データのみでの学習では、(2)と同じイベントを使用するが、すべて模擬データに置き換えたもので学習を行った。そしてそれぞれの手法で、0秒先予測と事前予測である8秒先予測を行った。予測結果の評価指標にはMAEとRMSEを使用し、8秒先予測では入力観測点の距離で重みづけした加重平均値、PLUM法を模した入力観測点の最大値も加えて比較を行った。(1)-(3)において、特に8秒先予測ではRMSE、MAEの値は加重平均値よりは低く、最大入力値とはほぼ同等の精度となった。また、過去に観測データがない地点での予測可能性を考慮し、シナリオ地震の検討を行った。ここでは既存の地震データの範囲で、震源の緯度、経度、深さ、マグニチュードのパラメータをランダムに決定してシナリオ地震を作成し、入力観測点で記録されたとした場合の模擬データを2000個作成した。この模擬データを学習データとして学習・予測をしたところ、上記(1)-(3)の方法とほぼ同等の精度となった。この結果により、教師データがない地点での予測の有効性が示唆された。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究の大きな目的は1. 深層学習を用いて高精度なリアルタイム震度の予測モデルを作成すること、及び2.過去に観測の無い地点（ 教師データの無い地点）でも予測可能かどうかの検証である。これら二つは現時点でほぼ達成しており、残りは精度のさらなる向上と実際のIoTセンサデータを用いた検証である。それらを今年度で行っていこうと考えている。
|
| Strategy for Future Research Activity |
今年度はモデルの精度向上のために、入力観測点の増加を試してみようと思ってる。またLSTM以外の深層学習モデルも試して、より精度の高いモデルの作成に挑戦する。
蓄積しているIoTセンサデータに本手法を適用しその性能について検証する。
|
