2023 Fiscal Year Annual Research Report
Development of an integrated method between deep learning and physical models in lowland drainage management with insufficient observed data
| Project/Area Number |
21K05838
|
|---|
| Research Institution | National Agriculture and Food Research Organization |
|---|
Principal Investigator |
木村 延明 国立研究開発法人農業・食品産業技術総合研究機構, 農村工学研究部門, 上級研究員 (40706842)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Keywords | 少ないデータ量 / 深層学習 / 水位予測手法 / 物理モデル / 転移学習 |
|---|
| Outline of Annual Research Achievements |
本研究では、河川や農業水利施設（例：排水機場）の大規模洪水イベントを対象に、水位・流量予測を行うための深層学習によるAI予測モデルを構築することが目的であった。大規模洪水イベントのようなデータサンプル数が少ない事象の場合に、AI予測モデルはデータドリブン型モデルのために十分な能力が発揮できない。そこで、まず、物理モデル（例：流出解析モデル）等で大規模洪水イベントに匹敵する仮想データを人工的に多く生成し、それらをAI予測モデルの学習データとして用いて、事前学習モデルを構築する。次に、実測値の特徴を取り込むために、少ないサンプル数の実測値を用いて事前学習モデルの一部を再学習させること（転移学習）で、予測精度を向上させる予測手法を確立した。
本研究の達成状況について、次の３つの工程に基づき説明する。1）初年度に、低平地の排水機場の調整池で観測されたデータの収集と整理・解析を実施した。2）2年目に転移学習の機能を利用するために必要な仮想データの生成は、モンテカルロ手法に基づく降雨確率モデルと対象流域で構築された流出解析モデルを用いて行われた。仮想データについて、模擬的な複数の豪雨イベント（100～500㎜/72時間）に対応する洪水データを作成した。さらに、転移学習に用いるAI予測モデルを構築した。3）最終年に、予測手法を汎用的に利用できるプラットフォームを構築し、対象流域に適用を行い、転移学習がない場合と比較して、予測精度の向上を確認した。さらに、物理モデルを利用せずに、簡易的に転移学習を行うために、気象・水文情報が類似する流域のデータを事前学習モデルの学習データとして用いた場合にも、同様に良好な予測精度が得られた。同時に、AI予測モデル自体の高度化を図り、予測精度の不確実性も考慮できる機能を追加した。
|
