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

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．

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．