| Project/Area Number |
23K26203
|
|---|
| Project/Area Number (Other) |
23H01509 (2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 22040:Hydroengineering-related
|
|---|
| Research Institution | Institute of Science Tokyo |
|---|
Principal Investigator |
鼎 信次郎 東京工業大学, 環境・社会理工学院, 教授 (20313108)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
佐々木 織江 東京工業大学, 環境・社会理工学院, 助教 (20968474)
平林 由希子 芝浦工業大学, 工学部, 教授 (60377588)
吉川 沙耶花 長崎大学, 工学研究科, 准教授 (60785492)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥18,720,000 (Direct Cost: ¥14,400,000、Indirect Cost: ¥4,320,000)
Fiscal Year 2025: ¥5,850,000 (Direct Cost: ¥4,500,000、Indirect Cost: ¥1,350,000)
Fiscal Year 2024: ¥5,850,000 (Direct Cost: ¥4,500,000、Indirect Cost: ¥1,350,000)
Fiscal Year 2023: ¥7,020,000 (Direct Cost: ¥5,400,000、Indirect Cost: ¥1,620,000)
|
|---|
| Keywords | 水面 / 積雪面 / 水資源 / GEE / 深層学習 |
|---|
| Outline of Research at the Start |
柔軟で適切な水資源管理への期待は今まで以上に高まっている。一方で、AI・ビッグデータなどの最新ハイテク手法の進展は著しい。これらの融合として、世界の水資源のデジタルツイン構築への期待は大きいが、数値モデルだけでなく、面的に観測された初期条件や境界条件面的に大いに依存するため、観測困難地域を含めた世界各地の観測情報の面的取得が必須である。本研究では、アジアにとって重要な貯水池と積雪というwater storage（貯留）に着目し、きわめて多量の衛星データと最新AI技術を駆使して、過去から現在の貯水池水面変動と積雪面変動の高時空間解像度データをアジアを対象として構築したい。
|
| Outline of Annual Research Achievements |
情報を有するダム貯水池（タイなど）を対象とし手法開発を行った。ここでの開発目標は水平30m解像度での貯水面変動データの作成である。まず、Landsat-8（可視光、赤外）, Sentinel-1（マイクロ波SAR）, Sentinel-2（可視光、赤外）等の複数の高解像度衛星データの解像度・位置調整を行った。しかし、そのままでは、衛星軌道によって貯水池の一部分しか撮影していないこともあれば、雲が遮っていることも多い。このように貯水池水面の部分情報しか得られない場合についても、昨今大いに進展したAIの画像修復技術（U型ネットワークを用いたEncoderとDecoderからなるInpainting技術）を改良・応用して、観測されていない水面の広がりを推測し、水面変動について最適推定を行った。直接的な衛星観測以外の情報の利用が、全体的な推定精度向上につながる可能性があり、衛星画像以外のデータも取り込む構造とした。Landsat、Sentinel-1, Sentinel-2等の可視光、赤外線、マイクロ波SARなどのデータについては、GEE上での確認を進め、加えてJavascriptやPythonによるプログラムでの解像度変換、位置合わせなどの作業を進めた。また、人工衛星以外のデータ収集、すなわち全球の降水量・気温データ、河川流量データ、土壌水分データ、高解像度標高データなどをDeep Learningによる推定アルゴリズムの一部として使用するための収集を行った。また、Deep LearningのU型ネットワークも構築した。また、ヒマラヤの1シーン領域を対象として、同様の手法が積雪域に対しても応用可能であるかテストを行った。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
Landsat-8（可視光、赤外）, Sentinel-1（マイクロ波SAR）, Sentinel-2（可視光、赤外）等の複数の高解像度衛星データの解像度・位置調整を予定通り行った。また、それらの画像に対してのAIの画像修復技術（U型ネットワークを用いたEncoderとDecoderからなるInpainting技術）の応用による水面変動についての最適推定も予定通り実施できた。人工衛星以外のデータ収集、すなわち全球の降水量・気温データ、河川流量データ、土壌水分データ、高解像度標高データなどの収集も行えた。Deep LearningのU型ネットワークも構築し、貯水面変動データも可能とした。このように当初の予定通りの進展を得たため、このような区分の評価とした。ただ、様々な実行上の科学技術的な問題も現れてきており、来年度からは一層の工夫を必要とする予定である。
|
| Strategy for Future Research Activity |
情報を有するアジアの幾つかの代表的なダム貯水池を対象とし、手法開発を行う。ここでの開発目標は、水平30m解像度での貯水面変動データの作成である。まず、Landsat-8（可視光、赤外）, Sentinel-1（マイクロ波SAR）, Sentinel-2（可視光、赤外）等の複数の高解像度衛星データの利用を前提とし、世界の各地域において、直接的に衛星データを用いる場合、最短のインターバル日数が何日であるかのグローバルマップを作る。雲などの遮りがなければ、全ての衛星を用いれば理論上3日に1度の観測が可能と考えられる。しかし、現実には雲などの遮りのため、そのような高頻度観測は無理である。ここでは雲に遮られないSARデータをベースとして、光学衛星をvirtual constellationとして活用することによって、このグローバルマップを作製する。次に、雲の遮りに対し、AIの画像修復技術を改良・応用して、観測されていない水面の広がりを推測し、日単位の水面変動について最適推定を行う。Deep Learningによる推定の際、直接的な衛星観測以外の情報の利用が、全体的な推定精度向上につながる可能性がある。そのため、今回提案するDeep Learning構造においては、衛星画像以外のデータも取り込む構造とする。
その上で、上記で開発した手法の検証を行う。まず、フル画像が得られている時期に対して、人工的に雲を想定した被覆を行い、フル画像を再現できるかを調べることによって、開発したアルゴリズムの検証が可能である。また、積雪域の変動を捉えるために、ここまでに開発した手法を転用する。水面で成功したものと細部まで同じかは分からず、そこはトライ／エラーによる改変が必要となる。
|
