| 研究課題/領域番号 |
22H01695
|
|---|
| 配分区分 | 補助金 |
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
ソーントン ブレア 東京大学, 生産技術研究所, 准教授 (60526789)
|
|---|
| 研究分担者 |
長野 和則 東京大学, 生産技術研究所, 特任研究員 (40869426)
西田 祐也 九州工業大学, 大学院生命体工学研究科, 准教授 (60635209)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2025-03-31
|
| キーワード | マルチモーダル機械学習 / Inferance / 機械学習 / メタデータ / 環境モニタリング / AUV / ROV |
|---|
| 研究実績の概要 |
サンゴ礁・海藻帯や海底鉱物資源であるコバルトリッチクラストの分布の理解について、高精度な分布情報が得られるが調査範囲が限られる海底画像・衛星写真と、一度に広い面積を調査できるが解像度が低いため詳細な分布情報が得られないライダー地形とを統合するマルチ・モーダルなデータ解析手法に関する研究を本年度より開始した。最初に関係する研究者間の打ち合わせで、対象となるターゲットについて検討を行い、1）衛星を用いたAUVが取得したサンゴや海草、泥、砂、岩などの底質の分類/推定、2）クラストが賦存する海底の底質の分類 /推定（クラスト、ノジュール、堆積物）では、物理的パラメタであるソナーデータ（SSS)で取得した広域音響データとホバリング型AUVが取得した画像+音響データを用いたSVMによる機械学習による分類と推定、3）航行型AUV、ホバリング型AUV、ROVが取得したデータと船から取得したソナーデータを用いた海山全体の広域海底底質の分類と推定を対象として、マルチモーダルな機械学習を行うことにした。
藻場やサンゴ礁には衛星データが有効であるが、深海底データには衛星データが使えない。一方、物理的パラメタである広域ソナーデータ（SSS)で取得した情報は、深海底データだけでなく藻場やサンゴ礁の地形等の情報取得にも有効である。このため、物理的パラメタである広域ソナーデータ（SSS)で取得した情報を上記3ターゲットに応用するとともに、2022年度に開発した深度などの地形データを組み込んだGeoreference Contrastive Learningによる機械学習をそれぞれの手法に導入し、データ解析により精度検証を行った。この結果、十分な精度が実証されたため、本手法をインフェランスに導入することとした。
|
| 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
高精度な分布情報が得られるが調査範囲が限られる海底画像・衛星写真と、一度に広い面積を調査できるが解像度が低いため詳細な分布情報が得られないライダー地形とを統合するマルチ・モーダルなデータ解析手法のために衛星データのみならず、物理的パラメタであるソナーデータ（SSS)を活用することにしたことで、扱うデータの幅が広がった。また、深度などの地形データを組み込んだGeoreference Contrastive Learningによる機械学習を開発・確立した。一方、実際に扱うデータについては、コロナの影響もあり、実データ取得と研究者間の情報交換が少し遅れたため、データ取得の一部を2023年度に持ち越す必要があった。
|
| 今後の研究の推進方策 |
、1）衛星を用いたAUVが取得したサンゴや海草、泥、砂、岩などの底質の分類/推定では、物理的パラメタであるソナーデータ（SSS)と深度などの地形データを組み込んだGeoreference Contrastive Learningによる機械学習を導入する。2）クラストが賦存する海底の底質の分類 /推定（クラスト、ノジュール、堆積物）では、物理的パラメタであるソナーデータ（SSS)で取得した広域音響データとホバリング型AUVが取得した画像+音響データを用いたSVMによる機械学習+深度などの地形データを組み込んだGeoreference Contrastive Learningを導入する、3）航行型AUV、ホバリング型AUV、ROVが取得したデータと船から取得したソナーデータを用いた海山全体の広域海底底質の分類と推定を対象として、マルチモーダルな機械学習を推進する。それぞれの解析結果について、Grand Truthから精度の評価を行い、モデルを構築する。
|
