| 研究課題/領域番号 |
22K04332
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分22040:水工学関連
|
|---|
| 研究機関 | 京都大学 |
|---|
研究代表者 |
Kim Sunmin 京都大学, 工学研究科, 准教授 (10546013)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2024年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2023年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2022年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
|
|---|
| キーワード | 機械学習・深層学習 / 降雨予測・水位予測 / ダムの洪水調節 / 洪水予測 / 降雨予測 / 機械学習 |
|---|
| 研究開始時の研究の概要 |
流域面積が100km2程度の小河川流域でも6時間先まで高い精度で洪水予測を実現することを目標として、機械学習に基づいた予測手法と既存の物理モデルに基づいた予測手法を融合した新たな概念のハイブリッド洪水予測システムを開発する。特に、必要な精度を出すことができなかった高解像度の降雨予測を実現するために、最新の機械学習手法と3次元気象レーダー観測情報を活用した降雨予測モデルを開発する。
|
| 研究実績の概要 |
1)機械学習を活用した降雨予測モデルの開発
Convolutional Encoder-DecoderアルゴリズムとConvolutional-LSTMアルゴリズムを利用し、XバンドMPレーダー観測情報を入力とした短期降雨予測モデルの開発を行った。Convolutional Encoder-Decoderアルゴリズムを用いたモデルに対して安定的な学習ができてモデル化に成功したが、精度の高い学習を行うためには多くの観測データ（降雨事例）を用いた学習テストが必要であり、モデル化の効率性を考慮して既存の物理基盤モデルとの運用を模索している。
2)機械学習を活用した水位・流量予測モデルの検証
ANN基盤の水位予測モデルに対して様々な組み合わせの入力情報をテストし、モデルの予測精度を最適化することができる入力情報と学習条件を調査した。また、淀川流域の任意の水位地点に対して自動的に関連データを取得して機械学習を行うことが可能なアルゴリズムを開発中である。開発中のアルゴリズムは初心者のユーザーでもウェブ上で基本的な水位・流量予測のための機械学習モデルを簡単に作成できることを目指している。
3)気象変数との相関を考慮した中長期降雨予測モデルの開発
効率的なダム操作など洪水対策の一環として数日から数週間の降雨予測が可能な、気象変数を入力として機械学習モデルを作成した。作成したモデルに対して必要な気象変数を厳密に調査するために、再解析モデルからの気象変数情報を使用して入力データに対するFeature Selection Testを実施した。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
機械学習アルゴリズムを用いて降雨予測モデルおよび水位・流量予測モデルを開発し、モデルの予測精度を向上させるために入力変数や学習条件などを検証した。また、効率的なダム操作など洪水対策の一環として数日から数週間の降雨予測が可能な機械学習モデルの作成も進めている。
|
| 今後の研究の推進方策 |
1)機械学習を活用した降雨予測モデルの改良
XバンドMPレーダーからの3次元観測情報を入力情報として、CNNおよびConvolutional-LSTMの機械学習アルゴリズムを活用し、6時間先まで降雨の時空間情報を推定できる短期降雨予測モデルの開発を続く。AMEDAS地上観測情報およびひまわり衛星観測情報を入力情報として活用し、降雨予測モデルの精度向上を目指す。検証では、最近10年間観測された多数の降雨事例に対して開発モデルをテストし、実用化まで視野に入れる。
2)物理モデルと人工知能モデルを融合した予測システムの構築
最近10年間観測された多数の洪水事例に対して検証を行い、機械学習基盤の洪水予測モデルと物理基盤の洪水予測モデルの精度および効率に対して比較検討を行う。両モデルの特徴を考慮して各モデルの精度をさらに向上する方法を模索する。物理モデルと人工知能モデルのそれぞれの特徴と長所を生かしたハイブリッドシステムを構築する。例えば、3時間先までの降雨予測は物理基盤モデルを重視し、6時間先までの予測は人工知能モデルの予測を活用する。または、洪水警報基 準点の水位予測は人工知能モデルで行い、上流のダム流入量の予測は物理基盤の分布型流出モデルを活用する。
|
