2022 Fiscal Year Research-status Report
発災後1時期の光学衛星画像とAIを用いた土砂災害の自動検出と分類
| Project/Area Number |
21K04606
|
|---|
| Research Institution | Chiba University |
|---|
Principal Investigator |
劉 ウェン 千葉大学, 大学院工学研究院, 助教 (60733128)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Keywords | 土砂災害 / 深層学習 / 衛星光学画像 |
|---|
| Outline of Annual Research Achievements |
本研究の目的は，深層学習というAI技術を用いて，発災後1時期の光学衛星画像から自動的に土砂災害を検出・分類することである。
本年度は2018年北海道胆振東部地震後に撮影したSPOT-7衛星画像を用いて，土砂崩壊箇所を検出する深層学習モデルを構築した．2018年10月4日に撮影した21km×20kmのパンシャープン画像（解像度1.5m/pixel）を192m×192mのメッシュに分割し，国土地理院が目視判読した土砂崩壊範囲を基づき，「崩壊あり」画像が5127枚，「崩壊なし」画像が2910枚に分類した．これらの画像を訓練データ，検証データ，テストデータと分け，モデルの学習と検証に用いた．
深層学習モデルVGG16をベースとしたモデルを構築し，訓練データを学習させて，検証データの損失関数が最も小さくなるモデルを選定した．テストデータに選定したモデルを適用し，90%崩壊あり画像が抽出され，正解率が92%であった．青・緑・赤の3バンドの画像データで構築したモデルと緑・赤・近赤外の3バンドの画像で構築したモデルを比較した．植生が強く反射する近赤外バンドを含めたデータセットで構築したモデルの精度が，可視光のみのモデルより2%以上高かった．植生の多い山間部では，近赤外バンドの有効性を示した．
また，2016年熊本地震前後南阿蘇村周辺のSPOT画像を購入し，熊本地震とその後の豪雨による土砂移動域のデータを整備した．多時期航空機レーザ計測データを入手し，標高変化から土砂移動域の特定を行った．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本年度実施予定のモデル構築は，2018年北海道胆振東部地震の厚真町の土砂崩壊データで行った．地震後1時期の光学衛星画像のみで，判別精度が90％以上のモデルが作成できた．
|
| Strategy for Future Research Activity |
今後では，整備した広島県と熊本県の土砂崩壊データを用いて，北海道胆振東部地震で構築したモデルに適用し，精度の検証を行う．さらに，異なる災害のデータを混合し，自動検出モデルの改善を試みる予定である．
|
| Causes of Carryover |
購入予定であるワークステーションがまだ未購入のため，物品費に未使用額が生じた．また，コロナの影響で国外の学会に参加できず，旅費が予定より少なかった．
今年度は深層学習を行うためのワークステーションを購入する予定である.また，積極的に国際学会に参加し，対象地域への現地調査を行う予定である．
|
Research Products
(3 results)
