特開 2025-4358 浸水被害推定システム、浸水被害推定プログラム、及び、浸水被害推定方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2025004358

(43)【公開日】2025-01-15

(54)【発明の名称】浸水被害推定システム、浸水被害推定プログラム、及び、浸水被害推定方法

(51)【国際特許分類】

   G06Q 50/26 20240101AFI20250107BHJP

   G06Q 10/04 20230101ALI20250107BHJP

   G01W 1/00 20060101ALI20250107BHJP

【ＦＩ】

G06Q50/26

G06Q10/04

G01W1/00 Z

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2023103989

(22)【出願日】2023-06-26

【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り （１）刊行物により公開、米国Ｅｓｒｉ社、Ｅｓｒｉプレカンファレンスセミナーポスター、令和４年７月１１日～１５日 （２）電気通信回線を通じて公開、ｈｔｔｐｓ：／／ｍｉｄｏｐｌａｔ．ｂｏｓａｉ．ｇｏ．ｊｐ／ｗｅｂ／ｓｈｉｎｓｕｉ／ｉｎｄｅｘ．ｈｔｍｌ、令和４年７月９日 （３）集会により公開、世界銀行主催 カンボジア道路連結改善プロジェクトワークショップ、令和４年７月２６日 （４）学会により公開、Ｔｈｅ １２ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｆ ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｏｃｉｅｔｙ ｆｏｒ ｔｈｅ ＩＮＴＥＧＲＡＴＥＤ ＤＩＳＡＳＴＥＲ ＲＩＳＫ ＭＡＮＡＧＥＭＥＮＴ、令和４年９月２２日 （５）学会により公開、Ｔｈｅ ９ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｆｌｏｏｄ Ｍａｎａｇｅｍｅｎｔ、令和５年２月１９日

(71)【出願人】

【識別番号】501138231

【氏名又は名称】国立研究開発法人防災科学技術研究所

(74)【代理人】

【識別番号】100139103

【弁理士】

【氏名又は名称】小山 卓志

(74)【代理人】

【識別番号】100139114

【弁理士】

【氏名又は名称】田中 貞嗣

(74)【代理人】

【識別番号】100214260

【弁理士】

【氏名又は名称】相羽 昌孝

(74)【代理人】

【識別番号】100227455

【弁理士】

【氏名又は名称】莊司 英史

(72)【発明者】

【氏名】平野 洪賓

(72)【発明者】

【氏名】ピー・シー・シャクティ

(72)【発明者】

【氏名】飯塚 聡

【テーマコード（参考）】

5L010

5L049

5L050

【Ｆターム（参考）】

5L010AA04

5L049AA04

5L049CC35

5L050CC35

(57)【要約】      （修正有）

【課題】端末の簡単な操作で浸水範囲と浸水深さの分布を即時に推定する浸水被害推定システム、浸水被害推定方法及びプログラムを提供する。
【解決手段】浸水被害推定システム１は、ユーザが選択した地図情報上の参考地点の浸水深入力情報を取得するための浸水深情報入力装置２と、浸水深情報入力装置２が取得した浸水深入力情報に基づいて、参考地点の浸水深情報を推定する浸水深推定装置４と、浸水深推定装置４が推定した参考地点の浸水深情報、参考地点を含む対象範囲及び土地の標高を示す標高情報に基づいて、対象範囲内の水面の標高を示す水面標高を取得し、対象範囲内の浸水深分布を推定する浸水状況推定装置５と、浸水状況推定装置５が推定した浸水深分布を表示するユーザ端末装置８と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

ユーザが選択した地図情報上の参考地点の浸水深入力情報を取得するための浸水深情報入力装置と、
前記浸水深情報入力装置が取得した前記浸水深入力情報に基づいて、前記参考地点の浸水深情報を推定する浸水深推定装置と、
前記浸水深推定装置が推定した前記参考地点の前記浸水深情報、前記参考地点を含む対象範囲、及び、土地の標高を示す標高情報に基づいて、前記対象範囲内の水面の標高を示す水面標高を取得し、前記対象範囲内の浸水深分布を推定する浸水状況推定装置と、
前記浸水状況推定装置が推定した前記浸水深分布を表示するユーザ端末装置と、
を備える
ことを特徴とする浸水被害推定システム。

【請求項2】

前記浸水状況推定装置は、
前記浸水深情報入力装置において取得された前記参考地点の位置を前記地図情報に基づいて特定し、特定した位置情報を取得する参考地点取得部と、
前記浸水深推定装置が推定した前記参考地点の前記浸水深情報を取得する浸水深取得部と、
入力された前記対象範囲を取得する対象範囲取得部と、
前記浸水深情報及び前記標高情報に基づいて、前記対象範囲内の前記水面標高を取得し、前記対象範囲内の浸水深分布を推定する水面標高取得部と、
を有する
ことを特徴とする請求項１に記載の浸水被害推定システム。

【請求項3】

前記浸水状況推定装置が推定した前記浸水深分布及び社会的情報に基づいて、前記対象範囲内の道路冠水情報及び浸水建物棟数の少なくとも１つを含む浸水被害分布を推定する浸水被害推定装置を備え、
前記ユーザ端末装置は、前記浸水被害推定装置が推定した前記道路冠水情報及び前記浸水建物棟数の少なくとも１つを表示する
ことを特徴とする請求項１に記載の浸水被害推定システム。

【請求項4】

前記浸水被害推定装置が推定した前記浸水被害分布に含まれる前記道路冠水情報及び前記社会的情報に基づいて、前記ユーザが選択した前記地図情報上の出発地から前記地図情報上の目的地に向かう避難ルート及び救助ルートの少なくとも１つを推定するルート推定装置を備え、
前記ユーザ端末装置は、前記ルート推定装置が推定した前記避難ルート及び前記救助ルートの少なくとも１つを表示する
ことを特徴とする請求項３に記載の浸水被害推定システム。

【請求項5】

前記浸水深情報入力装置が取得した前記浸水深入力情報に対する機械学習の学習フェーズの主体として動作する機械学習装置を備え、
前記浸水深推定装置は、前記浸水深情報入力装置が入力した前記浸水深入力情報を前記機械学習装置から提供された学習モデルに入力することにより、前記参考地点の前記浸水深情報を推定する
ことを特徴とする請求項１に記載の浸水被害推定システム。

【請求項6】

前記浸水深入力情報は、画像データであり、
前記機械学習装置は、
入力データとしての前記画像データと、出力データとしての前記浸水深情報とで構成される複数の学習用データを取得する学習用データ取得部と、
前記複数の学習用データに含まれる前記画像データと前記浸水深情報との相関関係を前記学習モデルに学習させる機械学習部と、
を有する
ことを特徴とする請求項５に記載の浸水被害推定システム。

【請求項7】

前記浸水深推定装置は、
前記浸水深情報入力装置から前記画像データを取得する画像データ取得部と、
前記画像データ取得部により取得された前記画像データと前記学習モデルに基づいて前記浸水深情報を生成する浸水深情報生成部と、
を有する
ことを特徴とする請求項６に記載の浸水被害推定システム。

【請求項8】

コンピュータを請求項１乃至７のいずれか一項に記載の浸水被害推定システムとして機能させる浸水被害推定プログラム。

【請求項9】

ユーザが選択した地図情報上の参考地点の浸水深入力情報を取得するステップと、
前記浸水深入力情報に対する機械学習の学習フェーズを実行するステップと、
前記浸水深入力情報を前記機械学習の学習フェーズから提供された学習モデルに入力することにより、前記参考地点の浸水深情報を推定するステップと、
前記参考地点の前記浸水深情報、前記参考地点を含む対象範囲、及び、土地の標高を示す標高情報に基づいて、前記対象範囲内の水面の標高を示す水面標高を取得し、前記対象範囲内の浸水深分布を推定するステップと、
前記推定した前記浸水深分布を表示するステップと、
を有する
ことを特徴とする浸水被害推定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、浸水の被害状況を推定する浸水被害推定システム、浸水被害推定プログラム、及び、浸水被害推定方法に関する。

【背景技術】

【0002】

近年、地球温暖化に起因する豪雨の増加によって浸水被害が多発している。水害発生時の自治体の災害対応において、早期に浸水範囲を把握することは災害対応や被害軽減において重要である。

【0003】

従来、対象地域の地形及び降雨データを正しく且つリアルタイムに認識して演算処理することにより浸水状況と浸水被害状況を予測するシステムが開示されている（特許文献１参照）。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２００２－２９８０６３号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、特許文献１に記載の技術は、リアル浸水マップシステムを所持した利用者が、各種プログラムと各種プログラムに必要な各種データとが記憶された演算処理装置を用いて解析を行うものであり、システムを揃える必要があり、使用方法が難しく、演算量も多いものであった。

【0006】

本発明は、従来技術と比較して、ブラウザ上の簡単な操作で浸水範囲と浸水深分布を即時に推定することができる浸水被害推定システム、浸水被害推定プログラム、及び、浸水被害推定方法を提供することを目的とする。

【課題を解決するための手段】

【0007】

本発明にかかる浸水被害推定システムは、
ユーザが選択した地図情報上の参考地点の浸水深入力情報を取得するための浸水深情報入力装置と、
前記浸水深情報入力装置が取得した前記浸水深入力情報に基づいて、前記参考地点の浸水深情報を推定する浸水深推定装置と、
前記浸水深推定装置が推定した前記参考地点の前記浸水深情報、前記参考地点を含む対象範囲、及び、土地の標高を示す標高情報に基づいて、前記対象範囲内の水面の標高を示す水面標高を取得し、前記対象範囲内の浸水深分布を推定する浸水状況推定装置と、
前記浸水状況推定装置が推定した前記浸水深分布を表示するユーザ端末装置と、
を備える
ことを特徴とする。

【発明の効果】

【0008】

このような浸水被害推定システムによれば、ブラウザ上の簡単な操作で浸水範囲と浸水深分布を即時に推定することができる。

【図面の簡単な説明】

【0009】

【図1】本実施形態の浸水被害推定システム１の一例を示す全体構成図である。

【図2】本実施形態の機械学習装置３の一例を示すブロック図である。

【図3】本実施形態の学習モデル１０及び学習用データ１１の一例を示す図である。

【図4】本実施形態の機械学習装置３による機械学習方法の一例を示すフローチャートである。

【図5】本実施形態の浸水深推定装置４の一例を示すブロック図である。

【図6】本実施形態の浸水状況推定装置５の一例を示すブロック図である。

【図7】本実施形態の浸水被害推定装置６の一例を示すブロック図である。

【図8】本実施形態のルート推定装置７の一例を示すブロック図である。

【図9】本実施形態のユーザ端末装置８の一例を示すブロック図である。

【図10】本実施形態のコンピュータ９００の一例を示すハードウエア構成図である。

【図11】本実施形態の浸水被害推定方法の一例を示すフローチャート図である。

【図12】本実施形態の浸水被害推定方法で用いる参考地点９１の一例を示す。

【図13】本実施形態の浸水被害推定方法で用いる浸水深取得方法の一例を示す。

【図14】本実施形態の浸水被害推定方法で用いる対象範囲９２の一例を示す。

【図15】本実施形態の浸水被害推定方法で用いる浸水深分布９４の一例を示す。

【図16】本実施形態の浸水被害推定方法で用いる浸水被害分布９５の一例を示す。

【図17】本実施形態の浸水被害推定方法で用いる避難ルートの一例を示す。

【図18】浸水状況の把握にかかる時間を比較したグラフを示す。

【発明を実施するための形態】

【0010】

以下、図面を参照して本発明を実施するための実施形態について説明する。以下では、本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。

【0011】

（浸水被害推定システム１）
図１は、本実施形態の浸水被害推定システム１の一例を示す全体構成図である。

【0012】

本実施形態の浸水被害推定システム１は、ユーザが選択した地図情報上の参考地点９１の浸水深入力情報を取得するための浸水深情報入力装置２と、浸水深情報入力装置２が入力した浸水深入力情報に基づいて、参考地点９１の浸水深を推定する浸水深推定装置４と、浸水深推定装置４が推定した参考地点９１の浸水深情報１１２、参考地点９１を含む対象範囲９２、及び、土地の標高を示す標高情報５２２に基づいて、対象範囲９２内の水面の標高を示す水面標高９３を取得し、対象範囲９２内の浸水深分布９４を推定する浸水状況推定装置５と、浸水状況推定装置５が推定した浸水深分布９４を表示するユーザ端末装置８と、を備える。

【0013】

また、浸水被害推定装置６は、浸水状況推定装置５が推定した対象範囲９２内の浸水深分布９４、及び、道路や建物等の社会的情報６２３に基づいて、対象範囲９２内の道路冠水情報及び浸水建物棟数の少なくとも１つを含む浸水被害分布９５を推定する。さらに、ルート推定装置７は、浸水被害分布９５及び社会的情報６２３に基づいて、ユーザが選択した地図情報上の出発地から地図情報上の目的地に向かう避難ルート及び救助ルートの少なくとも１つを推定する。また、機械学習装置３は、浸水深情報入力装置２が入力した浸水深入力情報に対する機械学習の学習フェーズの主体として動作する。

【0014】

浸水深情報入力装置２、機械学習装置３、浸水深推定装置４、浸水状況推定装置５、浸水被害推定装置６、ルート推定装置７、及び、ユーザ端末装置８は、例えば、汎用又は専用のコンピュータ（後述の図８参照）で構成されるとともに、有線又は無線のネットワーク９に接続されて、各種のデータを相互に送受信可能に構成される。なお、浸水深情報入力装置２、機械学習装置３、浸水深推定装置４、浸水状況推定装置５、浸水被害推定装置６、ルート推定装置７、及び、ユーザ端末装置８の数やネットワーク９の接続数又は接続構成は、図１の例に限られず、適宜変更してもよい。例えば、それぞれの装置は、１つ又は複数のサーバを、共通に又は組み合わせて構成してもよい。

【0015】

（浸水深情報入力装置２）
浸水深情報入力装置２は、ユーザが選択した参考地点９１の浸水深入力情報を取得する。本実施形態の浸水深情報入力装置２は、カメラまたはビデオカメラ等の撮像装置であって、カメラ単体又はスマートフォン等に付属したカメラでもよい。本実施形態の浸水深入力情報は、カメラ等によって撮像された画像データ１１１でよい。浸水深情報入力装置２は取得した参考地点９１の浸水深入力情報を機械学習装置３に送信する。浸水深情報入力装置２は取得した時間も送信すると好ましい。

【0016】

（機械学習装置３）
図２は、本実施形態の機械学習装置３の一例を示すブロック図である。図３は、本実施形態の学習モデル１０及び学習用データ１１の一例を示す図である。機械学習装置３は、制御部３０、通信部３１、学習用データ記憶部３２、学習済みモデル記憶部３３、入力部３４、及び、出力部３５を備える。

【0017】

制御部３０は、学習用データ取得部３０１及び機械学習部３０２として機能する。通信部３１は、ネットワーク９を介して外部装置（例えば、浸水深情報入力装置２、浸水深推定装置４、浸水状況推定装置５、浸水被害推定装置６、ルート推定装置７、及び、ユーザ端末装置８等）と接続され、各種のデータを送受信する通信インターフェースとして機能する。入力部３４は、各種の入力操作を受け付けるとともに、出力部３５は、表示画面や音声を介して各種の情報を出力することで、ユーザインターフェースとして機能する。

【0018】

学習用データ取得部３０１は、入力データとしての画像データ１１１と、出力データとしての浸水深情報１１２で構成される学習用データ１１を取得する。学習用データ取得部３０１は、例えば、通信部３１及びネットワーク９を介して接続される外部装置と連携して学習用データ１１を取得してもよいし、入力部３４及び出力部３５を介して入力操作を受け付けることにより学習用データ１１を取得してもよい。学習用データ１１は、教師あり学習における教師データ（トレーニングデータ）、検証データ及びテストデータとして用いられるデータである。また、浸水深情報１１２は、教師あり学習における正解ラベルとして用いられるデータである。

【0019】

学習用データ記憶部３２は、学習用データ取得部３０１で取得した学習用データ１１を複数組記憶するデータベースである。なお、学習用データ記憶部３２を構成するデータベースの具体的な構成は適宜設計すればよい。

【0020】

機械学習部３０２は、学習用データ記憶部３２に記憶された複数組の学習用データ１１を用いて機械学習を実施する。すなわち、機械学習部３０２は、学習モデル１０に学習用データ１１を複数組入力し、学習用データ１１に含まれる画像データ１１１と浸水深情報１１２との相関関係を学習モデル１０に学習させることで、学習済みの学習モデル１０を生成する。

【0021】

学習済みモデル記憶部３３は、機械学習部３０２により生成された学習済みの学習モデル１０（具体的には、調整済みの重みパラメータ群）を記憶するデータベースである。学習済みモデル記憶部３３に記憶された学習済みの学習モデル１０は、ネットワーク９や記録媒体等を介して実システム（例えば、浸水深推定装置４）に提供される。なお、図２では、学習用データ記憶部３２と、学習済みモデル記憶部３３とが別々の記憶部として示されているが、これらは単一の記憶部で構成されてもよい。

【0022】

図３に示すように、学習モデル１０の機械学習に用いられる複数の学習用データ１１は、それぞれ画像データ１１１と浸水深情報１１２とで構成される。

【0023】

学習用データ１１を構成する画像データ１１１は、浸水深情報入力装置２により撮影されたものである。画像データ１１１は、参考地点９１が含まれており、少なくとも浸水深が０ｃｍの画像を含む。例えば、図３の上方の画像データ１１１ａは、浸水時の画像であり、図３の下方の画像データ１１１ｎは、浸水深が０ｃｍの浸水無しの画像である。この例のように、同じ参考点の浸水深が０ｃｍとその他の画像を学習することが好ましい。

【0024】

学習用データ１１を構成する浸水深情報１１２は、少なくとも対象物情報、対象部情報及び深さ情報を含む。対象物情報は、水面の高さを比較する際に対象となる物であって、例えば、電柱、建築物、塀、木、土手等の高さがわかる物であればよい。対象部情報は、水面又は地面である。水深情報は、水面の高さである。対象部情報が地面の時、水深情報は０ｃｍとなる。例えば、図３の上方の浸水深情報１１２ａは、対象物が電柱、対象部が水面、浸水深が５０ｃｍである。また、図３の下方の浸水深情報１１２ｎは、対象物が電柱、対象部が水面、浸水深が０ｃｍである。

【0025】

学習モデル１０は、例えば、ニューラルネットワークの構造を採用したものであり、入力層１０１、中間層１０２、及び、出力層１０３を備える。各層の間には、各ニューロンをそれぞれ接続するシナプス（不図示）が張られており、各シナプスには、重みがそれぞれ対応付けられている。各シナプスの重みからなる重みパラメータ群が、機械学習により調整される。

【0026】

入力層１０１は、入力データとしての画像データ１１１の最大ピクセル数に対応する数のニューロンを有し、各ピクセルの値が各ニューロンにそれぞれ入力される。出力層１０３は、出力データとしての浸水深情報１１２に対応する数のニューロンを有し、画像データ１１１に対する浸水深情報１１２の予測結果（推論結果）が、出力データとして出力される。

【0027】

なお、学習済みモデル記憶部３３に記憶される学習モデル１０の数は１つに限定されず、例えば、機械学習の手法、対象物の違い、浸水深情報入力装置２の仕様（解像度やイメージセンサの種類等）の違い、浸水深情報１１２に含まれるデータの種類等のように、条件が異なる複数の学習モデル１０が記憶されてもよい。その場合には、学習用データ記憶部３２には、条件が異なる複数の学習モデル１０にそれぞれ対応するデータ構成を有する複数種類の学習用データ１１が記憶されるようにすればよい。

【0028】

（機械学習方法）
図４は、本実施形態の機械学習装置３による機械学習方法の一例を示すフローチャートである。

【0029】

まず、ステップＳ１１０において、学習用データ取得部３０１は、機械学習を開始するための事前準備として、所望の数の学習用データ１１を取得し、その取得した学習用データ１１を学習用データ記憶部３２に記憶する。ここで準備する学習用データ１１の数は、最終的に得られる学習モデル１０に求められる推論精度を考慮して設定すればよい。

【0030】

次に、ステップＳ１２０において、機械学習部３０２は、機械学習を開始すべく、学習前の学習モデル１０を準備する。ここで準備する学習前の学習モデル１０は、ニューラルネットワークモデルで構成されており、各シナプスの重みが初期値に設定されている。

【0031】

次に、ステップＳ１３０において、機械学習部３０２は、学習用データ記憶部３２に記憶された複数組の学習用データ１１から、例えば、ランダムに１組の学習用データ１１を取得する。

【0032】

次に、ステップＳ１４０において、機械学習部３０２は、１組の学習用データ１１に含まれる入力データ（画像データ１１１）を、準備された学習前（又は学習中）の学習モデル１０の入力層１０１に入力する。その結果、学習モデル１０の出力層１０３から推論結果として出力データ（浸水深情報１１２）が出力されるが、当該出力データは、学習前（又は学習中）の学習モデル１０によって生成されたものである。そのため、学習前（又は学習中）の状態では、推論結果として出力された出力データは、学習用データ１１に含まれる正解ラベル（浸水深情報１１２）とは異なる情報を示す。

【0033】

次に、ステップＳ１５０において、機械学習部３０２は、ステップＳ１３０において取得された１組の学習用データ１１に含まれる正解ラベルと、ステップＳ１４０において出力層１０３から推論結果として出力された出力データとを比較し、各シナプスの重みを調整する処理（バックプロパゲーション）を実施することで、機械学習を実施する。これにより、機械学習部３０２は、入力データと出力データとの相関関係を学習モデル１０に学習させる。

【0034】

次に、ステップＳ１６０において、機械学習部３０２は、所定の学習終了条件が満たされたか否かを、例えば、学習用データ１１に含まれる正解ラベルと、推論結果として出力された出力データとに基づく誤差関数の評価値や、学習用データ記憶部３２内に記憶された未学習の学習用データ１１の残数に基づいて判定する。

【0035】

ステップＳ１６０において、機械学習部３０２が、学習終了条件が満たされておらず、機械学習を継続すると判定した場合（ステップＳ１６０でＮｏ）、ステップＳ１３０に戻り、学習中の学習モデル１０に対してステップＳ１３０～Ｓ１５０の工程を未学習の学習用データ１１を用いて複数回実施する。一方、ステップＳ１６０において、機械学習部３０２が、学習終了条件が満たされて、機械学習を終了すると判定した場合（ステップＳ１６０でＹｅｓ）、ステップＳ１７０に進む。

【0036】

そして、ステップＳ１７０において、機械学習部３０２は、各シナプスに対応付けられた重みを調整することで生成された学習済みの学習モデル１０（調整済みの重みパラメータ群）を学習済みモデル記憶部３３に記憶し、図１５に示す一連の機械学習方法を終了する。機械学習方法において、ステップＳ１１０が学習用データ記憶工程、ステップＳ１２０～Ｓ１６０が機械学習工程、ステップＳ１７０が学習済みモデル記憶工程に相当する。

【0037】

以上のように、本実施形態に係る機械学習装置３及び機械学習方法によれば、浸水深情報入力装置２により撮影された画像データ１１１から、浸水深情報１１２を予測（推論）することが可能な学習モデル１０を提供することができる。

【0038】

（浸水深推定装置４）
図５は、本実施形態の浸水深推定装置４の一例を示すブロック図である。浸水深推定装置４は、浸水深情報入力装置２が入力した浸水深入力情報を機械学習装置３から提供された学習モデル１０に入力することにより、参考地点９１の浸水深を推定する。浸水深推定装置４は、各種情報を取得、生成又は処理する制御部４０と、浸水深情報入力装置２、機械学習装置３、浸水状況推定装置５、浸水被害推定装置６、ルート推定装置７、及びユーザ端末装置８等と接続され、各種のデータを送受信する通信インターフェースとして機能する通信部４１と、浸水深推定装置４の動作で使用される各種のプログラム（オペレーティングシステムやユーザ端末プログラム等）やデータ（学習モデル１０）等の各種情報を記憶する記憶部４２と、を備える。

【0039】

制御部４０は、画像データ取得部４０１及び浸水深情報生成部４０２として機能する。入力部４４は、各種の入力操作を受け付けるとともに、出力部４５は、表示画面や音声を介して各種の情報を出力することで、ユーザインターフェースとして機能する。

【0040】

画像データ取得部４０１は、浸水深情報入力装置２により撮影された画像データ１１１を取得する。本実施形態では、画像データ取得部４０１は、浸水深情報入力装置２から通信部４１及びネットワーク９を介して画像データ１１１を取得（受信）する。

【0041】

浸水深情報生成部４０２は、画像データ取得部４０１により取得された画像データ１１１及び記憶部４２に記憶した学習モデル１０に基づいて、浸水深情報１１２を生成する。生成された浸水深情報１１２は、機械学習装置３の学習用データ記憶部３２に学習用データ１１として記憶する。

【0042】

記憶部４２は、浸水深推定装置４の動作で使用される各種のプログラム（オペレーティングシステムやユーザ端末プログラム等）やデータ（学習モデル１０）等の各種情報等を予め記憶している。また、浸水深情報生成部４０２により生成された浸水深情報１１２を作業が完了した記録として記憶する。記憶部４２は、外部コンピュータ（例えば、サーバ型コンピュータやクラウド型コンピュータ）の記憶部で代用されてもよく、その場合には、制御部４０は、当該外部コンピュータにアクセスすればよい。

【0043】

（浸水状況推定装置５）
図６は、本実施形態の浸水状況推定装置５の一例を示すブロック図である。浸水状況推定装置５は、ユーザが入力した参考地点９１、浸水深推定装置４が推定した参考地点９１の浸水深、ユーザが入力した対象範囲９２、並びに、地図情報５２１、標高情報５２２、社会的情報６２３等の各種情報に基づいて、対象範囲９２内の水面標高９３を取得し、対象範囲９２内の浸水深分布９４を推定する。

【0044】

浸水状況推定装置５は、各種情報を取得、生成又は処理する制御部５０と、浸水深情報入力装置２、機械学習装置３、浸水深推定装置４、浸水被害推定装置６、ルート推定装置７及びユーザ端末装置８等と接続され、各種のデータを送受信する通信インターフェースとして機能する通信部５１と、浸水状況推定装置５の動作で使用される各種のプログラム（オペレーティングシステムやユーザ端末プログラム等）やデータ（学習モデル１０）等の各種情報を記憶する記憶部５２と、を備える。

【0045】

制御部５０は、参考地点取得部５０１、浸水深取得部５０２、対象範囲取得部５０３、水面標高取得部５０４及び浸水深分布生成部５０５として機能する。入力部５４は、各種の入力操作を受け付けるとともに、出力部５５は、表示画面や音声を介して各種の情報を出力することで、ユーザインターフェースとして機能する。

【0046】

参考地点取得部５０１は、ユーザが浸水深情報入力装置２において入力した参考地点９１を記憶部５２に記憶された地図情報５２１に基づいて位置を特定し、特定した位置情報を取得する。位置情報は、緯度経度等でよい。また、参考地点取得部５０１は、地図情報５２１で位置を特定した複数の参考地点９１を予め記憶部５２に記憶させておき、複数の参考地点９１の中からユーザに１つの参考地点９１を選択させるようにしてもよい。

【0047】

浸水深取得部５０２は、浸水深推定装置４が推定した参考地点９１の浸水深情報１１２を取得する。なお、他の実施形態として、機械学習装置３及び浸水深推定装置４を用いない場合には、ユーザが浸水深情報入力装置２から直接浸水深を入力し、ユーザが入力した浸水深を浸水深情報１１２としてもよい。

【0048】

対象範囲取得部５０３は、ユーザが入力した対象範囲９２を取得する。対象範囲９２の入力は、ユーザが地図上でマウス等を用いて選択すればよく、例えば、画面に表示された地図をドラッグで囲む場合、又は、ハザードマップ等の事前に作成したポリゴンデータを利用する場合等でよい。

【0049】

水面標高取得部５０４は、浸水深情報１１２及び記憶部５２に記憶された標高情報５２２に基づいて、対象範囲９２内の浸水の水面標高９３を取得する。水面標高９３は、対象範囲９２内で一様に広がると仮定する。

【0050】

浸水深分布生成部５０５は、対象範囲９２内の浸水深分布９４を生成する。浸水深分布９４は、画面に表示された地図上に表示される。

【0051】

記憶部５２は、浸水状況推定装置５の動作で使用される各種のプログラム（オペレーティングシステムやユーザ端末プログラム等）やデータ（学習モデル１０）等の各種情報等を予め記憶している。また、浸水状況推定装置５により生成された浸水深分布９４を作業が完了した記録として記憶する。記憶部５２は、外部コンピュータ（例えば、サーバ型コンピュータやクラウド型コンピュータ）の記憶部５２で代用されてもよく、その場合には、制御部５０は、当該外部コンピュータにアクセスすればよい。

【0052】

地図情報５２１は、画面の背景に用いるものであり、参考地点９１及び対象範囲９２を設定及び確認できるものであれば何でもよく、例えば、国土地理院の地理院地図等でよい。標高情報５２２は、参考地点９１及び対象範囲９２内の標高を確認できるものであれば何でもよく、例えば、基盤地図情報数値標高５ｍメッシュモデル等を用いればよい。

【0053】

（浸水被害推定装置６）
図７は、本実施形態の浸水被害推定装置６の一例を示すブロック図である。浸水被害推定装置６は、浸水状況推定装置５の浸水深分布生成部５０５が生成した浸水深分布９４、地図情報６２１、標高情報６２２、社会的情報６２３等の各種情報に基づいて、道路の冠水や浸水した建物等の浸水被害を推定する。

【0054】

浸水被害推定装置６は、各種情報を取得、生成又は処理する制御部６０と、浸水深情報入力装置２、機械学習装置３、浸水深推定装置４、浸水状況推定装置５、ルート推定装置７及びユーザ端末装置８等と接続され、各種のデータを送受信する通信インターフェースとして機能する通信部５１と、浸水被害推定装置６の動作で使用される各種のプログラム（オペレーティングシステムやユーザ端末プログラム等）やデータ（学習モデル１０）等の各種情報を記憶する記憶部６２と、を備える。

【0055】

制御部６０は、浸水被害推定部６０１として機能する。入力部６４は、各種の入力操作を受け付けるとともに、出力部６５は、表示画面や音声を介して各種の情報を出力することで、ユーザインターフェースとして機能する。

【0056】

浸水被害推定部６０１は、浸水深情報１１２及び記憶部６２に記憶された社会的情報６２３に基づいて、対象範囲９２内の道路等における水面標高９３を取得し、対象範囲９２内の被害状況を推定する。社会的情報６２３は、道路、鉄道、水道、電力網、港湾、ダム等の産業基盤となる施設、及び、学校、病院等の生活基盤となる施設等を含むインフラ設備情報、並びに、人口等の統計情報を用いればよい。例えば、国土地理院が提供している数値地図（国土基本情報）の道路中心線データ又は国土地理院基盤地図情報建築物の外周線データ等を用いればよい。

【0057】

（ルート推定装置７）
図８は、本実施形態のルート推定装置７の一例を示すブロック図である。ルート推定装置７は、浸水被害推定装置６の浸水被害推定部６０１が推定した浸水被害分布９５、地図情報６２１、標高情報６２２、社会的情報６２３等の各種情報に基づいて、ユーザが指定した出発地点から目的地点までのアクセスルートを推定する。

【0058】

ルート推定装置７は、各種情報を取得、生成又は処理する制御部７０と、浸水深情報入力装置２、機械学習装置３、浸水深推定装置４、浸水状況推定装置５、浸水被害推定装置６及びユーザ端末装置８等と接続され、各種のデータを送受信する通信インターフェースとして機能する通信部７１と、ルート推定装置７の動作で使用される各種のプログラム（オペレーティングシステムやユーザ端末プログラム等）やデータ（学習モデル１０）等の各種情報を記憶する記憶部７２と、を備える。

【0059】

制御部７０は、避難ルート推定部７０１として機能する。入力部７４は、各種の入力操作を受け付けるとともに、出力部７５は、表示画面や音声を介して各種の情報を出力することで、ユーザインターフェースとして機能する。

【0060】

避難ルート推定部７０１は、浸水被害分布９５及び記憶部７２に記憶された社会的情報７２３に基づいて、ユーザが対象範囲９２内において指定した出発地点と目的地点とを結ぶ適切なアクセスルートを推定する。ユーザは、出発地点と目的地点として、地図上の所定の地点を指定してもよいし、予め記憶された避難所等の地点を選択してもよい。適切なアクセスルートは、時間、安全度、避難所の人数等の状況に基づいて、避難ルート推定部７０１が設定すればよい。

【0061】

（ユーザ端末装置８）
図９は、ユーザ端末装置８の一例を示すブロック図である。ユーザ端末装置８は、浸水被害を推定する際に使用し、浸水状況推定装置５、浸水被害推定装置６及びルート推定装置７等を作動させる。本実施形態のユーザ端末装置８は、据置型のパソコン、又は、携帯型のスマートフォン、タブレット等の装置である。ユーザ端末装置８は、制御部８０と、通信部８１と、記憶部８２と、画像撮影部８３と、入力部８４と、出力部８５と、を備える。

【0062】

制御部８０は、画像データ送信処理部８０１、浸水深情報処理部８０２、浸水被害情報処理部８０３として機能する。通信部８１は、ネットワーク９を介して外部装置（例えば、浸水深情報入力装置２、機械学習装置３、浸水深推定装置４、浸水状況推定装置５、浸水被害推定装置６、ルート推定装置７等）と接続され、各種のデータを送受信する通信インターフェースとして機能する。記憶部８２は、ユーザ端末装置８の動作で使用される各種のプログラム（オペレーティングシステムやユーザ端末プログラム等）やデータ等を記憶する。なお、本実施形態のユーザ端末装置８は、ネットワーク９のＷＥＢサイトを閲覧するためのブラウザを使用して、浸水被害推定システム１を操作することができる。

【0063】

画像撮影部８３は、所定の解像度（画素数）を有するＣＭＯＳセンサやＣＣＤセンサ等のカメラ（イメージセンサ）で構成される。このカメラによって参考地点９１を撮影することで、ユーザ端末装置８は、浸水深情報入力装置２として使用することが可能である。

【0064】

入力部８４は、キーボード、タッチパネル、音声入力用のマイク等でよく、各種の入力操作を受け付ける。本実施形態の入力部８４は、浸水深の数値、対象範囲９２の境界線等を入力する。出力部８５は、表示画面や音声を介して各種の情報を出力することで、ユーザインターフェースとして機能し、液晶又は有機ＥＬ等のディスプレイ、若しくは、スピーカー等でよい。出力部８５は、浸水状況推定装置５、浸水被害推定装置６及びルート推定装置７の操作画面及び推定結果等を表示する。

【0065】

画像データ送信処理部８０１は、画像撮影部８３により撮影された画像データ１１１を浸水深情報入力装置２に通信部８１及びネットワーク９を介して送信する。

【0066】

浸水深情報処理部８０２は、ユーザが入力部８４から浸水深情報１１２を入力した場合に、浸水深情報１１２を浸水深推定装置４に通信部８１及びネットワーク９を介して送信する。

【0067】

浸水被害情報処理部８０３は、浸水状況推定装置５、浸水被害推定装置６及びルート推定装置７から受信した推進被害情報を処理し、ユーザ端末装置８の出力部８５による音声や表示画面を介してユーザに通知する。

【0068】

（各装置のハードウエア構成）
図１０は、コンピュータ９００の一例を示すハードウエア構成図である。浸水深情報入力装置２、機械学習装置３、浸水深推定装置４、浸水状況推定装置５、浸水被害推定装置６、ルート推定装置７、及び、ユーザ端末装置８等は、汎用又は専用のコンピュータ９００により構成される。コンピュータ９００は、浸水被害推定プログラムによって、浸水被害推定システム１として機能する。

【0069】

コンピュータ９００は、図８に示すように、その主要な構成要素として、バス９１０、プロセッサ９１２、メモリ９１４、入力デバイス９１６、出力デバイス９１７、表示デバイス９１８、ストレージ装置９２０、通信Ｉ／Ｆ（インターフェース）部９２２、外部機器Ｉ／Ｆ部９２４、Ｉ／Ｏ（入出力）デバイスＩ／Ｆ部９２６、及び、メディア入出力部９２８を備える。なお、上記の構成要素は、コンピュータ９００が使用される用途に応じて適宜省略されてもよい。

【0070】

プロセッサ９１２は、１つ又は複数の演算処理装置（ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＮＰＵ（Ｎｅｕｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等）で構成され、コンピュータ９００全体を統括する制御部として動作する。メモリ９１４は、各種のデータ及びプログラム９３０を記憶し、例えば、メインメモリとして機能する揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ）、フラッシュメモリ等とで構成される。

【0071】

入力デバイス９１６は、例えば、キーボード、マウス、テンキー、電子ペン等で構成され、入力部として機能する。出力デバイス９１７は、例えば、音（音声）出力装置、バイブレーション装置等で構成され、出力部として機能する。表示デバイス９１８は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、電子ペーパー、プロジェクタ等で構成され、出力部として機能する。入力デバイス９１６及び表示デバイス９１８は、タッチパネルディスプレイのように、一体的に構成されていてもよい。ストレージ装置９２０は、例えば、ＨＤＤ、ＳＳＤ等で構成され、記憶部として機能する。ストレージ装置９２０は、オペレーティングシステムやプログラム９３０の実行に必要な各種のデータを記憶する。

【0072】

通信Ｉ／Ｆ部９２２は、インターネットやイントラネット等のネットワーク９４０（図１のネットワーク９と同じであってもよい）に有線又は無線により接続され、所定の通信規格に従って他のコンピュータとの間でデータの送受信を行う通信部として機能する。外部機器Ｉ／Ｆ部９２４は、カメラ、プリンタ、スキャナ、リーダライタ等の外部機器９５０に有線又は無線により接続され、所定の通信規格に従って外部機器９５０との間でデータの送受信を行う通信部として機能する。Ｉ／ＯデバイスＩ／Ｆ部９２６は、各種のセンサ、アクチュエータ等のＩ／Ｏデバイス９６０に接続され、Ｉ／Ｏデバイス９６０との間で、例えば、センサによる検出信号やアクチュエータへの制御信号等の各種の信号やデータの送受信を行う通信部として機能する。メディア入出力部９２８は、例えば、ＤＶＤドライブ、ＣＤドライブ等のドライブ装置、メモリカードスロット、ＵＳＢコネクタで構成され、ＤＶＤ、ＣＤ、メモリカード、ＵＳＢメモリ等のメディア（非一時的な記憶媒体）９７０に対してデータの読み書きを行う。

【0073】

上記構成を有するコンピュータ９００において、プロセッサ９１２は、ストレージ装置９２０に記憶されたプログラム９３０をメモリ９１４に呼び出して実行し、バス９１０を介してコンピュータ９００の各部を制御する。なお、プログラム９３０は、ストレージ装置９２０に代えて、メモリ９１４に記憶されていてもよい。プログラム９３０は、インストール可能なファイル形式又は実行可能なファイル形式でメディア９７０に記録され、メディア入出力部９２８を介してコンピュータ９００に提供されてもよい。プログラム９３０は、通信Ｉ／Ｆ部９２２を介してネットワーク９４０経由でダウンロードすることによりコンピュータ９００に提供されてもよい。また、コンピュータ９００は、プロセッサ９１２がプログラム９３０を実行することで実現する各種の機能を、例えば、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等のハードウエアで実現するものでもよい。

【0074】

コンピュータ９００は、例えば、据置型コンピュータや携帯型コンピュータで構成され、任意の形態の電子機器である。コンピュータ９００は、クライアント型コンピュータでもよいし、サーバ型コンピュータやクラウド型コンピュータでもよいし、例えば、制御盤、コントローラ（マイコン、プログラマブルロジックコントローラ、シーケンサを含む）等と呼ばれる組込型コンピュータでもよい。コンピュータ９００は、浸水深情報入力装置２、機械学習装置３、浸水深推定装置４、浸水状況推定装置５、浸水被害推定装置６、ルート推定装置７、及び、ユーザ端末装置８等以外の装置にも適用されてもよい。

【0075】

このように、本実施形態の浸水被害推定システム１によれば、端末の簡単な操作で浸水範囲と浸水深分布９４を即時に推定することができる。

【0076】

（浸水被害推定方法）
図１１は、本実施形態の浸水被害推定方法の一例を示すフローチャート図である。以下では、浸水被害推定システム１が浸水被害を推定する例として説明する。ユーザは、ユーザ端末装置８のブラウザを開き、浸水被害推定システム１を使用すればよい。

【0077】

まず、ステップＳＴ１において、浸水状況推定装置５は、参考地点９１を取得する（ＳＴ１）。参考地点９１は、ユーザが浸水深情報１１２を知りたい若しくは知っている位置である。参考地点９１は、ユーザがユーザ端末装置８のディスプレイに表示した地図上に入力することで位置を特定する。ユーザは、予め、住所又は地名等を入力し、画面の表示範囲を狭めてもよい。

【0078】

図１２は、本実施形態の浸水被害推定方法で用いる参考地点９１の一例を示す。本実施形態の参考地点９１は、地図上に×で示されるが、区別できる記号であれば何でもよい。参考地点９１は、ユーザがユーザ端末装置８のディスプレイに表示した地図にタッチすることで位置を特定すればよい。また、予め地図上に複数の参考地点９１の候補が表示されるように設定し、ユーザがそのうちの１つを選択するようにしてもよい。例えば、参考地点９１の候補は、カメラが設置された位置でよい。参考地点９１の位置は、タッチされた位置で特定してもよく、複数の参考地点９１の候補のうち、タッチされた位置から一番近い参考地点９１の位置に特定してもよい。

【0079】

さらに、ユーザがユーザ端末装置８で画像を撮影した地点を参考地点９１にしてもよい。この場合、ユーザ端末装置８が浸水深情報入力装置２として用いられ、ユーザ端末装置８の位置情報を用いて、参考地点９１の位置を特定してもよい。

【0080】

次に、ステップＳＴ２において、浸水状況推定装置５は、ステップ１で得られた参考地点９１の浸水深を取得する（ＳＴ２）。本実施形態の浸水状況推定装置５は、浸水深推定装置４が推定した浸水深を取得する。本実施形態の浸水深推定装置４は、ステップ１で得られた参考地点９１の画像に対して、機械学習装置３が学習した学習モデル１０を用いて、浸水深を推定する。

【0081】

図１３は、本実施形態の浸水被害推定方法で用いる浸水深取得方法の一例を示す。本実施形態の浸水深推定装置４は、浸水深情報入力装置２から入力された図１１（ａ）に示した参考地点９１の画像と図１１（ｂ）に示した浸水の無い画像に対して、学習モデル１０を用いて、浸水深を推定する。浸水深推定装置４によって推定された浸水深は、浸水状況推定装置５に送信される。

【0082】

次に、ステップＳＴ３において、浸水状況推定装置５は、対象範囲９２を取得する（ＳＴ３）。対象範囲９２は、ユーザが浸水深情報１１２を知りたい範囲である。対象範囲９２は、参考地点９１を囲むように設定される。参考地点９１の浸水深情報１１２に基づいて参考地点内の浸水深を推定することができる。

【0083】

図１４は、本実施形態の浸水被害推定方法で用いる対象範囲９２一例を示す。本実施形態の対象範囲９２は、ユーザがユーザ端末装置８のディスプレイに表示した地図の所定の範囲の外周をドラッグすることで、位置及び範囲を特定する。図１２では、参考地点９１を示す×印を囲むように形成された線が対象範囲９２の外周を示す。

【0084】

次に、ステップＳＴ４において、浸水状況推定装置５は、水面標高９３を取得する（ＳＴ４）。浸水状況推定装置５は、対象範囲９２の浸水深情報１１２、地図情報５２１及び標高情報５２２に基づいて対象範囲９２の水面標高９３を取得する。水面標高９３は、参考地点９１の浸水深情報１１２及び標高情報５２２に基づいて取得する。

【0085】

次に、ステップＳＴ５において、浸水深分布生成部５０５は、対象範囲９２の水面標高９３と標高情報５２２に基づいて浸水深分布９４を生成する（ＳＴ５）。

【0086】

図１５は、本実施形態の浸水被害推定方法で用いる浸水深分布９４の一例を示す。本実施形態の浸水深分布９４は、対象範囲内の浸水深を、深さに応じて色分け又は濃淡にして表示される。このように、浸水深分布９４を作成することで、一目で危険な場所が理解できる。

【0087】

次に、ステップＳＴ５において、浸水被害推定装置６は、浸水被害分布９５を取得する（ＳＴ５）。浸水被害推定装置６は、対象範囲９２の水面標高９３及び社会的情報６２３に基づいて浸水被害分布９５を取得する。浸水被害分布９５は、例えば、道路等が冠水しているか等、どのような状況にあるのか推定するものである。

【0088】

図１６は、本実施形態の浸水被害推定方法で用いる浸水被害分布９５の一例を示す。
本実施形態の浸水被害分布９５は、浸水被害推定装置６が推定した対象範囲９２内の道路上の浸水深を、深さに応じて色分け又は濃淡にして表示される。このように、浸水被害分布９５を作成することで、一目で危険な場所が理解できる。

【0089】

このように、本実施形態の浸水被害推定方法によれば、端末の簡単な操作で浸水範囲と浸水深分布９４を即時に推定することができる。また、浸水被害分布９５を推定することができる。浸水被害分布９５は、道路の冠水状況、浸水建物の棟数等を表示してもよい。さらに、経済損失の試算結果によって被害のランク分けを表示してもよい。

【0090】

図１７は、本実施形態の浸水被害推定方法で用いる避難ルート分布９６の一例を示す。
本実施形態の避難ルート分布９６は、ルート推定装置７が推定した対象範囲９２内において、ユーザが指定した出発地点から目的地点までのアクセスルートを表示する。このように、避難ルート分布９６を推定することで、ユーザが避難ルートを一目で理解できる。

【0091】

このように、本実施形態の浸水被害推定方法によれば、端末からブラウザを簡単に操作することで避難ルート分布９６を即時に推定することができる。ユーザは、出発地点と目的地点として、地図上の所定の地点を指定してもよいし、予め記憶された避難所等の地点を選択してもよい。適切なアクセスルートは、時間、安全度、避難所の人数等の状況に基づいて、避難ルート推定部７０１が設定すればよい。

【0092】

図１８は、浸水状況の把握にかかる時間を比較したグラフを示す。ドローンを利用した空中写真による浸水状況の把握は、天候等を考慮して最短でも３時間程度を要する。これに対して、本実施形態の浸水被害推定システム１において、場所を特定可能なＳＮＳを用いた場合、浸水状況の把握は２時間半で済み、ＧＰＳ情報付きのＳＮＳの場合、浸水状況の把握は１時間半で済む。また、位置情報が明確なＩｏＴカメラ等によって通報された場合には、１時間もかからず、数分から数十分以内に浸水状況を把握することができる。さらに、本実施形態の浸水被害推定システム１は、カメラ、ＳＮＳ等による通報を浸水の初動から被災調査の段階まで活用することができる。

【0093】

以上、本実施形態の浸水被害推定システム１は、ユーザが選択した地図情報５２１上の参考地点９１の浸水深入力情報を取得するための浸水深情報入力装置２と、浸水深情報入力装置２が入力した浸水深入力情報に基づいて、参考地点９１の浸水深情報１１２を推定する浸水深推定装置４と、浸水深推定装置４が推定した参考地点９１の浸水深情報１１２、参考地点９１を含む対象範囲９２、及び、土地の標高を示す標高情報５２２に基づいて、対象範囲９２内の水面の標高を示す水面標高９３を取得し、対象範囲９２内の浸水深分布９４を推定する浸水状況推定装置５と、浸水状況推定装置５が推定した浸水深分布９４を表示するユーザ端末装置８と、を備える。したがって、本実施形態の浸水被害推定システム１によれば、ブラウザ上の簡単な操作で浸水範囲と浸水深分布９４を即時に推定することができる。

【0094】

また、本実施形態の浸水被害推定システム１では、浸水状況推定装置５は、浸水深情報入力装置２が取得した参考地点９１の位置を地図情報５２１に基づいて特定し、特定した位置情報を取得する参考地点取得部５０１と、浸水深推定装置４が推定した参考地点９１の浸水深情報１１２を取得する浸水深取得部５０２と、入力された対象範囲９２を取得する対象範囲取得部５０３と、浸水深情報１１２及び標高情報５２２に基づいて、対象範囲内の水面標高９３を取得する水面標高取得部５０４と、対象範囲内の浸水深分布９４を推定する浸水深分布生成部５０５と、を有する。したがって、本実施形態の浸水被害推定システム１によれば、浸水深分布９４を迅速且つ適切に生成することができる。

【0095】

また、本実施形態の浸水被害推定システム１は、浸水状況推定装置５が推定した浸水深分布９４及び社会的情報６２３に基づいて、対象範囲内の道路冠水情報及び浸水建物棟数の少なくとも１つを含む浸水被害分布９５を推定する浸水被害推定装置６を備え、ユーザ端末装置８は、浸水被害推定装置６が推定した道路冠水情報及び浸水建物棟数の少なくとも１つを表示する。したがって、本実施形態の浸水被害推定システム１によれば、道路や建物の被害状況を迅速且つ適切に推定することができる。

【0096】

また、本実施形態の浸水被害推定システム１は、浸水被害推定装置６が推定した浸水被害分布９５及び道路冠水情報及び社会的情報７２３に基づいて、ユーザが選択した地図情報７２１上の出発地から地図情報７２１上の目的地に向かう避難ルート及び救助ルートの少なくとも１つを推定するルート推定装置７を備え、ユーザ端末装置８は、ルート推定装置７が推定した避難ルート及び救助ルートの少なくとも１つを表示する。したがって、本実施形態の浸水被害推定システム１によれば、避難ルート又は救助ルートを迅速且つ適切に推定することができる。

【0097】

また、本実施形態の浸水被害推定システム１では、浸水深情報入力装置２が取得した浸水深入力情報に対する機械学習の学習フェーズの主体として動作する機械学習装置３を備え、浸水深推定装置４は、浸水深情報入力装置２が取得した浸水深入力情報を機械学習装置３から提供された学習モデル１０に入力することにより、参考地点９１の浸水深情報１１２を推定する。したがって、本実施形態の浸水被害推定システム１によれば、機械学習により、浸水深を迅速且つ適切に推定することができる。

【0098】

また、本実施形態の浸水被害推定システム１では、浸水深入力情報は、画像データ１１１であり、機械学習装置３は、入力データとしての画像データ１１１と、出力データとしての浸水深情報１１２とで構成される複数の学習用データ１１を取得する学習用データ取得部３０１と、複数の学習用データ１１に含まれる画像データ１１１と浸水深情報１１２との相関関係を学習モデル１０に学習させる機械学習部３０２と、を有する。したがって、本実施形態の浸水被害推定システム１によれば、機械学習により、画像データ１１１から浸水深情報１１２を迅速且つ適切に推定することができる。

【0099】

また、本実施形態の浸水被害推定システム１では、浸水深推定装置４は、浸水深情報入力装置２から画像データ１１１を取得する画像データ取得部４０１と、画像データ取得部４０１により取得された画像データ１１１と学習モデル１０に基づいて浸水深情報１１２を生成する浸水深情報生成部４０２と、を有する。

【0100】

なお、この実施形態によって本発明は限定されるものではない。すなわち、実施形態の説明に当たって、例示のために特定の詳細な内容が多く含まれるが、当業者であれば、これらの詳細な内容に色々なバリエーションや変更を加えてもよい。

【0101】

例えば、本実施形態の浸水被害推定システム１は、シミュレーションとして使用することもできる。シミュレーションとして使用する場合、機械学習装置３及び浸水深推定装置４は用いず、ユーザが浸水深情報入力装置２に仮定した浸水深を入力し、ユーザが入力した浸水深を浸水深情報１１２とすればよい。

【符号の説明】

【0102】

１…浸水被害推定システム、２…浸水深情報入力装置、３…機械学習装置、４…浸水深推定装置、５…浸水状況推定装置、６…浸水被害推定装置、７…避難ルート推定装置、８…ユーザ端末装置、９…ネットワーク、
１０…学習モデル、１１…学習用データ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】