深層学習による衛星データの機械学習と土砂崩壊地の自動抽出

災害発生時の被災状況の早期把握のため、天候や昼夜によらず地表面の状態を観測可能な人工衛星搭載の合成開口レーダ(Synthetic Aperture Radar: SAR)データの活用が期待されている。本研究では、画像認識で成果を上げている深層学習を用いて災害前後のSARデータから土砂崩壊地を抽出することを目的とする。さらに、波長や観測方向および観測モードの異なるSARデータを用いることで土砂崩壊地抽出に適した手法を確立する。2022年度は2021年度に引き続きSARデータにCNN（Convolutional Neural Network）を適用して土砂崩壊地を抽出するための学習・検証用データを作成する方法について検討を行った。一般的にSARデータよりも光学衛星データの方が土地被覆状態の把握に適していることから、光学衛星データにCNNを適用して土砂崩壊地の教師データを作成する。北海道胆振東部地震の発生前後に観測されたSPOTデータに全層畳み込みニューラルネットワークの一つであるU-Netを適用して土砂崩壊地抽出を行った。この抽出における学習・検証用データは国土地理院が公開している斜面崩壊・堆積分布図のGeoJSONデータから作成した。CNNモデルへの入力は災害後のみのデータと災害前後のデータを使用して、それぞれの抽出精度の比較を行った。学習に使用していないテストデータを用いて検証した結果、災害前後のデータを使用した方がF値は高いが、災害後データのみでも高いF値を示した。これにより、光学衛星データにCNNを適用した土砂崩壊地抽出において、災害前後データを用いた方がF値はやや高くなるが災害後データのみの入力でもほぼ同等のF値が得られることが分かった。

災害発生時の被災状況の早期把握のため、天候や昼夜によらず地表面の状態を観測可能な人工衛星搭載の合成開口レーダ(Synthetic Aperture Radar: SAR)データの活用が期待されている。本研究では、画像認識で成果を上げている深層学習を用いて災害前後のSARデータから土砂崩壊地を抽出することを目的とする。さらに、波長や観測方向および観測モードの異なるSARデータを用いることで土砂崩壊地抽出に適した手法を確立する。2022年度は2021年度に引き続きSARデータにCNN（Convolutional Neural Network）を適用して土砂崩壊地を抽出するための学習・検証用データを作成する方法について検討を行った。一般的にSARデータよりも光学衛星データの方が土地被覆状態の把握に適していることから、光学衛星データにCNNを適用して土砂崩壊地の教師データを作成する。北海道胆振東部地震の発生前後に観測されたSPOTデータに全層畳み込みニューラルネットワークの一つであるU-Netを適用して土砂崩壊地抽出を行った。この抽出における学習・検証用データは国土地理院が公開している斜面崩壊・堆積分布図のGeoJSONデータから作成した。CNNモデルへの入力は災害後のみのデータと災害前後のデータを使用して、それぞれの抽出精度の比較を行った。学習に使用していないテストデータを用いて検証した結果、災害前後のデータを使用した方がF値は高いが、災害後データのみでも高いF値を示した。これにより、光学衛星データにCNNを適用した土砂崩壊地抽出において、災害前後データを用いた方がF値はやや高くなるが災害後データのみの入力でもほぼ同等のF値が得られることが分かった。