Development of an integrated method between deep learning and physical models in lowland drainage management with insufficient observed data

本研究では、深層学習による予測モデルについて、大規模洪水イベントのようなデータ量が少ない現象の場合でも、物理モデルなどで類似する仮想データを人工的に生成し、それらを予測モデルの学習データとして用い、事前学習モデルを構築した上で、実測値の特徴を取り込むようにモデルの一部を再学習させることで、予測精度の高い水位予測モデルを構築する。研究工程は、次の3つに分けられる。1）対象地区の選定とデータ収集・整理、2）仮想データを生成するための物理モデルなどの構築と深層学習モデルの構築、さらに深層学習と転移学習とをカップリングさせたプラットフォームの構築、3）転移学習を実装した水位予測手法による検証のための数値実験、並びに研究成果のまとめと論文などで公表することである。研究進捗では、上記のステップ毎に説明を行う。1)に関して、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（初年度）。2)に関して、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を、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実施した（２年目）。なお、確率・物理モデルの構築とパラメータ調整などを既に完了させ、仮想データについて、模擬的な３つの豪雨群（100，300，500㎜/72 hour）に対応する洪水イベントの水位データを、豪雨群毎に1000個の仮想データセットをそれぞれ作成した。さらに、水位予測に用いる深層学習モデルの構築も行った。3）について、汎用システムの構築を目指し、現地に実装可能な深層学習モデルのパラメータ調整と共に転移学習と連携可能なプラットフォームを構築している。成果では、本研究で構築された確率・物理モデル、深層学習、転移学習を全て連携させた水位予測モデルのプロトタイプを構築し、それに伴う試行計算の結果の一部を学術論文集などで公表した。

本研究では、深層学習による予測モデルについて、大規模洪水イベントのようなデータ量が少ない現象の場合でも、物理モデルなどで類似する仮想データを人工的に生成し、それらを予測モデルの学習データとして用い、事前学習モデルを構築した上で、実測値の特徴を取り込むようにモデルの一部を再学習させることで、予測精度の高い水位予測モデルを構築する。研究工程は、次の3つに分けられる。1）対象地区の選定とデータ収集・整理、2）仮想データを生成するための物理モデルなどの構築と深層学習モデルの構築、さらに深層学習と転移学習とをカップリングさせたプラットフォームの構築、3）転移学習を実装した水位予測手法による検証のための数値実験、並びに研究成果のまとめと論文などで公表することである。研究進捗では、上記のステップ毎に説明を行う。1)に関して、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（初年度）。2)に関して、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を、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実施した（２年目）。なお、確率・物理モデルの構築とパラメータ調整などを既に完了させ、仮想データについて、模擬的な３つの豪雨群（100，300，500㎜/72 hour）に対応する洪水イベントの水位データを、豪雨群毎に1000個の仮想データセットをそれぞれ作成した。さらに、水位予測に用いる深層学習モデルの構築も行った。3）について、汎用システムの構築を目指し、現地に実装可能な深層学習モデルのパラメータ調整と共に転移学習と連携可能なプラットフォームを構築している。成果では、本研究で構築された確率・物理モデル、深層学習、転移学習を全て連携させた水位予測モデルのプロトタイプを構築し、それに伴う試行計算の結果の一部を学術論文集などで公表した。