特許 7102106 機械学習方法、及び地表変動判定方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2022-07-08

(45)【発行日】2022-07-19

(54)【発明の名称】機械学習方法、及び地表変動判定方法

(51)【国際特許分類】

   G01S 13/90 20060101AFI20220711BHJP

【ＦＩ】

G01S13/90 127

【請求項の数】 4

(21)【出願番号】P 2017097563

(22)【出願日】2017-05-16

(65)【公開番号】P2018194404

(43)【公開日】2018-12-06

【審査請求日】2020-05-11

(73)【特許権者】

【識別番号】000135771

【氏名又は名称】株式会社パスコ

(74)【代理人】

【識別番号】110000154

【氏名又は名称】特許業務法人はるか国際特許事務所

(72)【発明者】

【氏名】根本 佳介

(72)【発明者】

【氏名】今泉 友之

(72)【発明者】

【氏名】彦坂 修平

【審査官】佐藤 宙子

(56)【参考文献】

【文献】特開２０１０－１７５３８１（ＪＰ，Ａ）

【文献】特表２００３－５００６５８（ＪＰ，Ａ）

【文献】特開２００９－２８９１１１（ＪＰ，Ａ）

【文献】特開２００６－３３０２（ＪＰ，Ａ）

【文献】国際公開第２００８／０１６０３４（ＷＯ，Ａ１）

【文献】米国特許出願公開第２０１６／００１９４５８（ＵＳ，Ａ１）

【文献】米国特許第５８３５０５５（ＵＳ，Ａ）

【文献】津田 覚之，"合成開口レーダ情報のニューラルネットワークによる構造化の提案"，電子情報通信学会技術研究報告，Vol.115,No.200，日本，一般社団法人電子情報通信学会，2015年08月20日，pp.31-36

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｓ ７／００－ ７／４２

Ｇ０１Ｓ １３／００－１３／９５

Ｇ０６Ｔ １／００－１９／２０

Ｇ０６Ｎ ２０／００－２０／２０

(57)【特許請求の範囲】

【請求項1】

飛翔体に搭載された合成開口レーダーにより得た２時期の地表についてのＳＡＲ画像同士を干渉処理して得た干渉ＳＡＲ画像の各画素の位相差θ_Ｓに基づいて画素値が定義されたｎ種類（ｎは２以上の所定数である。）の成分画像を生成する成分画像生成ステップと、
所定の地表の変動についてのユーザの判読結果を取得し、複数のサンプル領域について、前記ｎ種類の成分画像と前記判読結果とを組み合わせた学習用データを生成する学習用データ生成ステップと、
前記学習用データを用いて機械学習により変動判定モデルを生成するモデル生成ステップと、を有し、
第ｋ（ｋはｎ以下の任意の自然数である。）の前記成分画像は関数ｐ_ｋ（θ）のθ＝θ_Ｓでの値を画素値とし、
前記各関数ｐ_ｋ（θ）は、前記位相差の範囲に対応した幅２πラジアンの区間Ｄを［α－π，α＋π］として、Ｄで連続、かつｐ_ｋ（α－π）＝ｐ_ｋ（α＋π）であり、さらに全ｋについての前記ｐ_ｋ（θ）の組で定義される座標をＰ（θ）と表すと、Ｄの両端同士以外のθ_１≠θ_２なる∀θ_１，θ_２∈Ｄに対してＰ（θ_１）≠Ｐ（θ_２）であること、
を特徴とする機械学習方法。

【請求項2】

請求項１に記載の機械学習方法において、
前記ｎは２であり、前記関数はｓｉｎθ及びｃｏｓθであること、を特徴とする機械学習方法。

【請求項3】

請求項１又は請求項２に記載の機械学習方法において、
前記変動判定モデルは畳み込みニューラルネットワークで構成されること、を特徴とする機械学習方法。

【請求項4】

請求項１から請求項３のいずれか１つに記載の機械学習方法により生成された前記変動判定モデルを用い対象領域における地表変動を判定する方法であって、
前記対象領域について生成された前記干渉ＳＡＲ画像から各画素における位相差θＴを抽出し、前記関数の値ｐ_ｋ（θ_Ｔ）（ｋは前記ｎ以下の任意の自然数である。）を画素値とする前記ｎ種類の成分画像を生成するステップと、
前記対象領域についての前記ｎ種類の成分画像を含む入力データを前記変動判定モデルに入力して、当該対象領域について前記変動の有無の判定結果を得るステップと、
を有することを特徴とする地表変動判定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、合成開口レーダー（Synthetic Aperture Radar：ＳＡＲ）により得た２時期のＳＡＲ複素画像同士を干渉させて生成された干渉ＳＡＲ画像に基づいて地表の変動を判定するシステムに用いるモデルを生成する機械学習方法、及び当該モデルを用いた地表変動判定方法に関する。

【背景技術】

【0002】

干渉ＳＡＲ解析（Interferometric SAR）は、それに用いるレーダーの波長より小さい地表の変位を測定することができ、例えば、ミリメートル単位の地表変動をモニタリングする上で有用な解析手法である。差分干渉ＳＡＲ解析による解析結果は、一般的に、位相差を虹色の縞で示した干渉画像（インターフェログラム）で表され、人が当該干渉画像を目視し、例えば、地滑りなどの地表の変動を判読する。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２００４－３０９１７８号公報

【文献】特表２００３－５００６５８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

干渉画像にて目的とする地表変動による変動縞を抽出するには判読者の熟練を要する。そのため、判読のための人的資源の確保が容易ではなく、判読に要するコスト、処理時間が大きくなる。また、目視判読では抽出基準が定性的にならざるを得ないため、判読結果にばらつきが生じ易く、品質の確保が容易ではない。そして以上の課題は、広域で地表変動をモニタリングすることを難しくしている。

【0005】

本発明は上記問題点を解決するためになされたものであり、干渉ＳＡＲ画像に基づく地表変動の有無の判定の自動化を可能とする機械学習方法、及び地表変動判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】

【0006】

（１）本発明に係る機械学習方法は、飛翔体に搭載された合成開口レーダーにより得た２時期の地表についてのＳＡＲ画像同士を干渉処理して得た干渉ＳＡＲ画像の各画素の位相差θ_Ｓに基づいて画素値が定義されたｎ種類（ｎは２以上の所定数である。）の成分画像を生成する成分画像生成ステップと、所定の地表の変動についてのユーザの判読結果を取得し、複数のサンプル領域について、前記ｎ種類の成分画像と前記判読結果とを組み合わせた学習用データを生成する学習用データ生成ステップと、前記学習用データを用いて機械学習により変動判定モデルを生成するモデル生成ステップと、を有し、第ｋ（ｋはｎ以下の任意の自然数である。）の前記成分画像は関数ｐ_ｋ（θ）のθ＝θ_Ｓでの値を画素値とし、前記各関数ｐ_ｋ（θ）は、前記位相差の範囲に対応した幅２πラジアンの区間Ｄを［α－π，α＋π］として、Ｄで連続、かつｐ_ｋ（α－π）＝ｐ_ｋ（α＋π）であり、さらに全ｋについての前記ｐ_ｋ（θ）の組で定義される座標をＰ（θ）と表すと、Ｄの両端同士以外のθ_１≠θ_２なる∀θ_１，θ_２∈Ｄに対してＰ（θ_１）≠Ｐ（θ_２）である。

【0007】

（２）上記（１）に記載の機械学習方法において、前記ｎは２であり、前記関数はｓｉｎθ及びｃｏｓθである構成とすることができる。

【0008】

（３）上記（１）又は（２）に記載の機械学習方法において、前記変動判定モデルは畳み込みニューラルネットワークで構成することができる。

【0010】

（４）本発明に係る地表変動判定方法は、上記（１）～（３）のいずれか１つに記載の機械学習方法により生成された前記変動判定モデルを用い対象領域における地表変動を判定する方法であって、前記対象領域について生成された前記干渉ＳＡＲ画像から各画素における位相差θ_Ｔを抽出し、前記関数の値ｐ_ｋ（θ_Ｔ）（ｋは前記ｎ以下の任意の自然数である。）を画素値とする前記ｎ種類の成分画像を生成するステップと、前記対象領域についての前記ｎ種類の成分画像を含む入力データを前記変動判定モデルに入力して、当該対象領域について前記変動の有無の判定結果を得るステップと、を有する。

【発明の効果】

【0011】

本発明によれば、干渉ＳＡＲ画像に基づく地表変動の有無の判定の自動化が可能となる。

【図面の簡単な説明】

【0012】

【図1】本発明の実施形態に係る学習システムの概略の構成を示すブロック図である。

【図2】本発明の実施形態における地表の変動判定モデルの機械学習の概略の流れを示す模式図である。

【図3】干渉ＳＡＲ画像から成分画像を生成する変換関数の他の例を示すグラフである。

【図4】本発明の実施形態に係る地表変動判定システムの概略の構成を示すブロック図である。

【図5】本発明の実施形態における地表の変動判定処理の概略の流れを示す模式図である。

【発明を実施するための形態】

【0013】

以下、本発明の実施の形態（以下実施形態という）である学習システム２、及び地表変動判定システム４について、図面に基づいて説明する。学習システム２は、干渉ＳＡＲ画像により得られる位相差情報に基づいて、地表変動判定システム４に用いる変動判定モデルを本発明に係る機械学習方法により生成するシステムである。一方、地表変動判定システム４は、本発明に係る地表変動判定方法により、学習システム２で生成された変動判定モデルを用いて対象領域における地表変動を判定するシステムである。本システムにより例えば、地滑りや地盤沈下などによる地表変動を判定、検出することができる。

【0014】

［学習システム］
図１は、実施形態に係る学習システム２の概略の構成を示すブロック図である。学習システム２は、学習操作部２０、学習記憶部２１、学習制御部２２及び学習出力部２３を含んで構成される。学習操作部２０、学習記憶部２１及び学習出力部２３は学習制御部２２と接続される。

【0015】

学習操作部２０は学習制御部２２への入力を行うためのユーザインターフェース装置であり、キーボード、マウス等からなる。学習操作部２０はユーザにより操作され、サンプル領域についての変動有無の判読結果を学習制御部２２に入力するほか、学習開始指示や生成された変動判定モデルの出力指示を学習制御部２２に与える。

【0016】

学習記憶部２１はＲＯＭ、ＲＡＭ、ハードディスク等の記憶装置であり、学習制御部２２で使用されるプログラムやデータを記憶する。学習記憶部２１はこれらプログラム、データを学習制御部２２との間で入出力する。本実施形態では学習記憶部２１に記憶されるデータには、干渉ＳＡＲ画像データ２１１、地形画像データ２１２、判読結果（ＧＴデータ）２１３及び変動判定モデル２１４が含まれる。

【0017】

干渉ＳＡＲ画像データ２１１は、飛翔体に搭載された合成開口レーダーにより得た２時期のＳＡＲ複素画像（ＳＡＲ画像）同士を干渉させて生成された干渉ＳＡＲ画像のデータである。

【0018】

地形画像データ２１２は、数値標高モデル（Digital Elevation Model：ＤＥＭ）や、地形図などの地形を表す二次元情報である。

【0019】

判読結果２１３は正解データ（Ground Truth：ＧＴ）であり、例えば、ユーザが干渉ＳＡＲ画像データ２１１を判読して生成される。

【0020】

干渉ＳＡＲ画像データ２１１及び地形画像データ２１２は学習システム２による学習に際して予め学習記憶部２１に記憶される。判読結果２１３は本実施形態では、学習システム２における学習用データの生成処理にて取得する構成としているが、学習システム２による学習処理に先行して取得して学習記憶部２１に記憶してもよい。

【0021】

変動判定モデル２１４は、学習システム２により生成される学習モデルであり、学習制御部２２が機械学習にて複数のサンプル領域の学習用データを順次処理するのに合わせて更新される。

【0022】

学習制御部２２は、例えば、ＣＰＵ（Central Processing Unit）等の演算装置を用いて構成される。また、学習制御部２２を構成する演算装置はＣＰＵに代えて、ＭＰＵ（Micro-Processing Unit）や、画像処理を高速に実行するＧＰＵ（Graphics Processing Unit）等を用いてもよい。例えばＧＰＵの機能を画像処理以外の用途に転用する技術であるＧＰＧＰＵ（General-Purpose computing on Graphics Processing Units）を利用して、本実施形態に係る各機能を実現してもよい。具体的には学習制御部２２はコンピュータであり、当該コンピュータは学習記憶部２１からプログラムを読み出して実行し、後述する成分画像生成手段２２１、学習用データ生成手段２２２、モデル生成手段２２３として機能する。これら学習制御部２２の各手段については学習制御部２２の処理に沿って後述する。

【0023】

学習出力部２３は、学習により生成された変動判定モデルを学習システム２の外部へ出力するＵＳＢ端子、ＣＤドライブ、ネットワークアダプタ等のインターフェース回路、及びそれぞれのドライバ・プログラムからなる。本実施形態では、変動判定モデルは学習出力部２３を介して地表変動判定システム４へ渡される。また、学習出力部２３は、ディスプレイ、プリンタなど、ユーザが学習制御部２２の動作及びその結果を把握することを可能とするユーザインターフェース装置を含み得る。

【0024】

図２は、地表の変動判定モデルの機械学習の概略の流れを示す模式図である。２時期のＳＡＲ画像３００から干渉ＳＡＲ解析処理３０４により干渉ＳＡＲ画像が生成され、干渉ＳＡＲ画像データ２１１として学習記憶部２１に記憶される。

【0025】

ここで、干渉ＳＡＲ解析処理３０４では、干渉ＳＡＲ画像から地表の変動による位相変化（変動縞）以外の影響を除去する処理を行うことができる。具体的には、干渉ＳＡＲ画像には、変動縞に加え、２時期の衛星の軌道が一致しないために生じる位相変化（軌道縞および地形縞）が重畳する。そこで、干渉ＳＡＲで地表変動を求める場合、軌道縞、地形縞を除去して変動縞だけを取り出す処理が行われる。例えば、地形縞はＤＥＭからシミュレートして除去することができ、このために干渉ＳＡＲ解析処理３０４にてＤＥＭ３０２を用いる。

【0026】

また、大域誤差を除去フィルターなどを用いて除去するなど、干渉ＳＡＲ画像からさらに誤差、ノイズを除去する処理を行ってもよい。

【0027】

学習制御部２２は成分画像生成手段２２１として機能し、干渉ＳＡＲ画像データ２１１の各画素の位相差θ_Ｓに基づいて画素値が定義されたｎ種類（ｎは２以上の所定数である。）の成分画像を生成し、学習用データ生成手段２２２に渡す。本実施形態では、成分画像生成手段２２１は、位相差θ_Ｓをｓｉｎθ_Ｓ，ｃｏｓθ_Ｓに変換する処理３０６を行い、当該変換済みの干渉画像３０８を成分画像とする。具体的には、画素値がｓｉｎθ_Ｓで定義されるｓｉｎ画像と、画素値がｃｏｓθ_Ｓで定義されるｃｏｓ画像との２種類の成分画像が生成される。

【0028】

学習制御部２２は学習用データ生成手段２２２として機能し、干渉ＳＡＲ画像データ２１１が得られている領域内にて設定した複数の小領域それぞれについて学習用パッチ画像を切り出す処理３１０を行い、学習用データ３１２を生成する。

【0029】

ここで、学習用パッチ画像を切り出す当該小領域をサンプル領域と称している。サンプル領域は例えば、ユーザにより設定される。ちなみに、サンプル領域の数は学習により十分な精度の変動判定モデルが得られる程度の比較的多数に設定される。また、基本的に各サンプル領域の大きさ・形状は共通とされる。

【0030】

学習用データ３１２は各サンプル領域について、ｎ種類の成分画像である変換済み干渉画像３０８と、地表変動の有無についてのユーザの判読結果とを組み合わせて生成される。そのために、学習用データ生成手段２２２は当該判読結果を取得する処理３１４を行う。具体的には、ユーザ判読処理３１４として、例えば、干渉ＳＡＲ画像データ２１１の領域全体を学習出力部２３のディスプレイに表示させて、ユーザに変動の有無を判読させ、学習操作部２０から判読結果２１３を取得する。当該判読処理３１４では、干渉ＳＡＲ画像データ２１１のほか、地形画像データ２１２やその他、ＬｉＤＡＲ（Light Detection and Ranging）などの高精度のセンサにより得られたデータや現地でのＧＰＳ（Global Positioning System）を用いた計測により得られたデータなどをユーザに判断材料のデータ３１６として提示することができる。これらデータは、例えば、干渉ＳＡＲ画像２１１と地形画像データ２１２等とを組み合わせるなど、併用して判読処理３１４を行うことができる。また、ＬｉＤＡＲやＧＰＳなどにより干渉ＳＡＲより高度な計測データが得られる場合は、当該データを単体で判読処理３１４に用いて判読結果２１３を生成することもできる。ユーザは例えば、これらデータの表示倍率の拡大・縮小等の操作をしながら、変動のある箇所をマークし判読結果（ＧＴデータ）を生成する。生成された判読結果２１３は学習記憶部２１に記憶される。

【0031】

判読結果２１３が得られると、学習用データ生成手段２２２は、干渉ＳＡＲ画像データ２１１に対応した領域にて得られている、ｎ種類の成分画像である変換済み干渉画像３０８と判読結果２１３とから各サンプル領域に対応する部分のデータをそれぞれパッチ画像として切り出して学習用データ３１２を生成する。なお、学習用データ３１２には、変動の解析に有用な他の情報も組み合わせることができ、例えば、本実施形態では、地形画像データ２１２のパッチ画像を学習用データ３１２に含める。

【0032】

学習制御部２２はモデル生成手段２２３として機能し、多数のサンプル領域について生成された学習用データ３１２を用いて機械学習により変動判定モデル２１４を生成する。具体的には、本実施形態における機械学習は、畳み込みニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）を用いた深層学習３１８で行われ、学習済みのＣＮＮが変動判定モデル２１４となる。なお、ＣＮＮではサンプル領域は基本的に矩形とされる。

【0033】

学習システム２の特徴の一つは、干渉ＳＡＲ画像データ２１１をそのまま機械学習に用いるのではなく、干渉ＳＡＲ画像データ２１１を成分画像に変換する前処理を行い、当該成分画像を用いて学習処理を行う点にある。

【0034】

ここで、干渉ＳＡＲ画像データ２１１の各画素値における位相差θを第ｋ（ｋはｎ以下の任意の自然数である。）の成分画像の画素値に変換する関数をｐ_ｋ（θ）と表すと、上述の実施形態では、ｓｉｎ画像を第１の成分画像として、ｐ_１（θ）＝ｓｉｎθであり、ｃｏｓ画像を第２の成分画像として、ｐ_２（θ）＝ｃｏｓθである。

【0035】

位相θ_１とθ_２との差が２πラジアン〔ｒａｄ〕である２つの位相状態η_１，η_２は物理的に同じであるところ、干渉ＳＡＲ画像データ２１１を用いた学習では、θ_１とθ_２とが異なる値であることから位相状態η_１とη_２とは区別して扱われてしまう。これに対し、成分画像を用いた学習では、位相差θに対応付けられる関数値の組（ｓｉｎθ，ｃｏｓθ）は、（ｓｉｎθ_１，ｃｏｓθ_１）＝（ｓｉｎθ_２，ｃｏｓθ_２）であり、位相状態η_１，η_２が物理的に同じであることが考慮される点で好適であり、当該学習により生成される変動判定モデルでは判定精度の向上が図られる。

【0036】

このような前処理の効果が得られるｎ種類（上述したようにｎ≧２）の成分画像の関数ｐ_ｋ（θ）は基本的に以下の特徴（１）～（３）を有する。ここで、位相差θを定義する幅２πｒａｄの範囲［α－π，α＋π］を区間Ｄとする。例えば、θを０～２πで定義する場合には、α＝πとして、Ｄ＝［０，２π］であり、θを－π～πで定義する場合には、α＝０として、Ｄ＝［－π，π］となる。

【0037】

（１）各関数ｐ_ｋ（θ）は区間Ｄで連続であること（関数の連続性）
（２）各関数ｐ_ｋ（θ）は区間Ｄの両端で同じ値となる、つまりｐ_ｋ（α－π）＝ｐ_ｋ（α＋π）であること（関数の周期性）
（３）全ｋについてのｐ_ｋ（θ）の組で定義される座標をＰ（θ）と表すと、区間Ｄの両端同士を除いて区間Ｄ内の異なるθの値に対してＰ（θ）は一致しない、つまりθ_１＝α－πかつθ_２＝α＋πである場合を除いてθ_１＜θ_２なる∀θ_１，θ_２∈Ｄに対してＰ（θ_１）≠Ｐ（θ_２）であること（関数の単射性）。

【0038】

なお、特徴（２）については、θが区間Ｄの一方端から他方端へ変化する際に、ｐ_ｋ（θ）の値が元に戻るという意味で「周期性」と述べている。よって、関数ｐ_ｋ（θ）が周期２πの周期関数であれば当該特徴を有する一方、関数ｐ_ｋ（θ）は区間Ｄで定義されれば足り、区間Ｄ外で定義される必要はないので、関数ｐ_ｋ（θ）は周期２πの周期関数ではない場合もある。

【0039】

図３は上述の特徴（１）～（３）を有する関数ｐ_ｋ（θ）の例を示すグラフであり、当該例に示す関数ｐ_ｋ（θ）の組を用いてｎ種類の成分画像を定義することもできる。図３（ａ）に示す例はｎ＝２の場合であり、ｐ_１（θ）及びｐ_２（θ）は次式で表される。なお０＜β＜πである。

【数1】

【0040】

図３（ｂ）はｎ＝３の場合の一例を示しており、ｐ_１（θ）～ｐ_３（θ）は次式で表される。
ｐ_１（θ）＝ｓｉｎ２θ
ｐ_２（θ）＝ｓｉｎ３θ
ｐ_３（θ）＝ｃｏｓθ

【0041】

なお、上述の実施形態では、学習用データはｎ種類の成分画像と判読結果とに加え地形画像データ２１２を含む例を示した。この構成は、生成される変動判定モデルの精度が向上することが期待できる。その一方、学習用データは地形画像データ２１２を含まない構成とすることもできる。

【0042】

また、上述の実施形態では機械学習はＣＮＮを用いる例を述べたが、他のアルゴリズムであってもよい。

【0043】

［地表変動判定システム］
図４は、実施形態に係る地表変動判定システム４の概略の構成を示すブロック図である。地表変動判定システム４は、入力部４０、記憶部４１、制御部４２及び出力部４３を含んで構成される。入力部４０、記憶部４１及び出力部４３は制御部４２と接続される。

【0044】

入力部４０は制御部４２への入力を行うためのユーザインターフェース装置であり、キーボード、マウス等からなる。ユーザは入力部４０を操作し、例えば、変動判定を行わせるデータや対象領域を指定し制御部４２に指示する。また、入力部４０は変動判定モデル２１４を学習システム２から入力するＵＳＢ端子、ＣＤドライブ、ネットワークアダプタ等のインターフェース回路、及びそれぞれのドライバ・プログラムを含む。

【0045】

記憶部４１はＲＯＭ、ＲＡＭ、ハードディスク等の記憶装置であり、制御部４２で使用されるプログラムやデータを記憶する。記憶部４１はこれらプログラム、データを制御部４２との間で入出力する。本実施形態では記憶部４１に記憶されるデータには、干渉ＳＡＲ画像データ４１１、地形画像データ４１２及び変動判定モデル４１３が含まれる。

【0046】

干渉ＳＡＲ画像データ４１１は学習システム２で用いた干渉ＳＡＲ画像データ２１１と同様、干渉ＳＡＲ画像のデータであり、変動判定を行う対象領域を含む地表範囲のデータである。

【0047】

地形画像データ４１２は学習システム２の地形画像データ２１２と同様、ＤＥＭや地形図などの地形を表す二次元情報であり、変動判定を行う対象領域を含む地表範囲のデータである。

【0048】

これら干渉ＳＡＲ画像データ４１１及び地形画像データ４１２は地表変動判定システム４による変動判定に際して予め記憶部４１に記憶される。

【0049】

変動判定モデル４１３は、学習システム２により生成される学習モデルであり、学習記憶部２１に記憶される変動判定モデル２１４を導入して用いる。

【0050】

制御部４２は、例えば、ＣＰＵ等の演算装置を用いて構成される。また、制御部４２を構成する演算装置はＣＰＵに代えて、ＭＰＵやＧＰＵ等を用いてもよい。また、例えばＧＰＧＰＵを利用して、本実施形態に係る各機能を実現してもよい。具体的には制御部４２はコンピュータであり、当該コンピュータは記憶部４１からプログラムを読み出して実行し、後述する成分画像生成手段４２１、判定手段４２２として機能する。これら制御部４２の各手段については制御部４２の処理に沿って後述する。

【0051】

出力部４３は、ディスプレイ、プリンタなど、ユーザが制御部４２の動作及びその結果を把握することを可能とするユーザインターフェース装置である。

【0052】

図５は、地表変動判定システム４を用いた地表の変動判定処理の概略の流れを示す模式図である。２時期のＳＡＲ画像５００及びＤＥＭ５０２から干渉ＳＡＲ解析処理５０４により干渉ＳＡＲ画像データ４１１を生成する処理は、基本的に学習システム２に関し図２を用いて説明した干渉ＳＡＲ画像データ２１１を生成する処理と同じとすることができる。本実施形態では地表変動判定システム４は、このように生成された干渉ＳＡＲ画像データ４１１を処理対象データとして与えられるものとするが、地表変動判定システム４にてＳＡＲ画像５００から干渉ＳＡＲ画像データ４１１を生成する処理を行ってもよい。

【0053】

制御部４２は成分画像生成手段４２１として機能し、干渉ＳＡＲ画像データ４１１の各画素の位相差θ_Ｔに基づいて画素値が定義されたｎ種類の成分画像を生成する。この成分画像生成手段４２１における処理内容は、変動判定モデル４１３を生成した学習制御部２２の成分画像生成手段２２１の処理内容と共通である。つまり、成分画像生成手段４２１における成分画像を生成する際の位相差θに対する変換処理（関数ｐ_ｋ（θ））及び成分画像の種類の数ｎは、変動判定モデル４１３を生成した学習システム２の成分画像生成手段２２１と共通とされる。本実施形態では、成分画像生成手段２２１が位相差θ_Ｓをｓｉｎθ_Ｓ，ｃｏｓθ_Ｓに変換する図２の処理３０６に対応して、成分画像生成手段４２１は干渉ＳＡＲ画像データ４１１の位相差θ_Ｔをｓｉｎθ_Ｔ，ｃｏｓθ_Ｔに変換する処理５０６を行い、成分画像となる変換済み干渉画像５０８として、画素値がｓｉｎθ_Ｔで定義されるｓｉｎ画像と、画素値がｃｏｓθ_Ｔで定義されるｃｏｓ画像との２種類を生成する。

【0054】

成分画像生成手段４２１は成分画像（変換済み干渉画像５０８）から変動の有無を判定する対象領域の部分をパッチ画像５１２として切り出す処理５１０を行う。ここで、学習システム２での学習用データに地形画像データ２１２を含めた場合には、切り出し処理５１０にて、地形画像データ４１２についてのパッチ画像５１２も生成される。対象領域の指定に関しては、例えば、干渉ＳＡＲ画像データ４１１が与えられた地表範囲内の特定箇所をユーザが指定することもできるし、制御部４２が当該地表範囲の全体に順次、対象領域を指定する処理を行ってもよい。

【0055】

制御部４２は判定手段４２２として機能し、対象領域における所定の地表の変動の有無を判定する。具体的には判定手段４２２は対象領域のパッチ画像５１２を変動判定モデル４１３の入力データとして判定処理５１４を行い、その出力に基づいて判定対象とする変動である地滑りの有無を判定し、例えば、地滑り候補箇所マップ５１６を生成する。

【符号の説明】

【0056】

２ 学習システム、４ 地表変動判定システム、２０ 学習操作部、２１ 学習記憶部、２２ 学習制御部、２３ 学習出力部、４０ 入力部、４１ 記憶部、４２ 制御部、４３ 出力部、２１１，４１１ 干渉ＳＡＲ画像データ、２１２，４１２ 地形画像データ、２１３ 判読結果、２１４，４１３ 変動判定モデル、２２１，４２１ 成分画像生成手段、２２２ 学習用データ生成手段、２２３ モデル生成手段、４２２ 判定手段。

【図1】

【図2】

【図3】

【図4】

【図5】