特許 7529059 浸水予測プログラム、浸水予測装置および機械学習方法

(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】2024-07-29

(45)【発行日】2024-08-06

(54)【発明の名称】浸水予測プログラム、浸水予測装置および機械学習方法

(51)【国際特許分類】

   G08B 31/00 20060101AFI20240730BHJP

   G01W 1/00 20060101ALI20240730BHJP

【ＦＩ】

G08B31/00 B

G01W1/00 Z

【請求項の数】 5

(21)【出願番号】P 2022581146

(86)(22)【出願日】2021-02-15

(86)【国際出願番号】 JP2021005495

(87)【国際公開番号】W WO2022172442

(87)【国際公開日】2022-08-18

【審査請求日】2023-05-18

(73)【特許権者】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】大石 裕介

(72)【発明者】

【氏名】新出 孝政

【審査官】飯島 尚郎

(56)【参考文献】

【文献】中国特許出願公開第１１１３８２７１６（ＣＮ，Ａ）

【文献】中国特許出願公開第１１１５０５７３８（ＣＮ，Ａ）

【文献】特許第６８１３８６５（ＪＰ，Ｂ１）

【文献】特開２００８－８４２４３（ＪＰ，Ａ）

【文献】国際公開第２０１９／１７６８２６（ＷＯ，Ａ１）

【文献】特開２０２２－０６５５２２（ＪＰ，Ａ）

【文献】特開２０１９－１３８７４２（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０８Ｂ ３１／００

Ｇ０１Ｗ １／００

(57)【特許請求の範囲】

【請求項1】

対象地区に関する観測情報を取得し、
前記観測情報を第１の機械学習モデルに入力することによって、前記対象地区における浸水状況の予測結果を示す第１の画像を生成し、
前記第１の画像を第２の機械学習モデルに入力することによって、前記第１の画像より解像度の高い第２の画像を生成し、
前記対象地区の浸水予測結果として前記第２の画像を出力する、
処理をコンピュータに実行させることを特徴とする浸水予測プログラム。

【請求項2】

前記第１の画像は、前記対象地区を俯瞰した各地点の浸水状況を示す地図画像である、
ことを特徴とする請求項１に記載の浸水予測プログラム。

【請求項3】

対象地区に関する観測情報を取得し、
前記観測情報を第１の機械学習モデルに入力することによって、前記対象地区における浸水状況の予測結果を示す第１の画像を生成し、
前記第１の画像を第２の機械学習モデルに入力することによって、前記第１の画像より解像度の高い第２の画像を生成し、
前記対象地区の浸水予測結果として前記第２の画像を出力する、
処理を実行する制御部を含むことを特徴とする浸水予測装置。

【請求項4】

対象地区に関する観測情報と対応する浸水予測画像をダウンサンプリングし、
ダウンサンプリングされた浸水予測画像と前記観測情報に基づいて第１の機械学習モデルを生成し、
前記ダウンサンプリングされた浸水予測画像と、前記浸水予測画像とに基づいて、前記第１の機械学習モデルの出力を入力とし、入力された画像を高解像度化した画像を出力する第２の機械学習モデルを生成する、
処理をコンピュータが実行することを特徴とする機械学習方法。

【請求項5】

前記ダウンサンプリングする処理は、前記浸水予測画像について、特定の領域に含まれる画素からダウンサンプリングする際に、当該領域に含まれる画素の中で浸水予測の評価が最も悪い画素をサンプリングする
ことを特徴とする請求項４に記載の機械学習方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、浸水予測技術に関する。

【背景技術】

【0002】

従来、降水量や台風の状況などの観測情報から、その後に発生する浸水予測を行う技術が知られている。この浸水予測に関する従来技術としては、過去の雨量・水位データなどを機械学習させることで最適なパラメータを導き出す数理モデルを構築する。そして、構築した数理モデルを用いて、現在までの雨量・水位データや気象関連機関から各自治体へ配信される数時間先の気象（降雨予測）データなどをもとに今後の水位を精度よく予測する技術がある。また、都市内水域の面的な浸水状況をリアルタイム予測し、解析格子を定型５ｍおよび１０ｍメッシュとした場合の評価結果を提示する従来技術がある。

【先行技術文献】

【非特許文献】

【0003】

【文献】過去の少ない雨量・水位データで河川の水位を予測できるAI技術を開発, 富士通株式会社 株式会社富士通研究所, PRESS RELEASE, インターネット＜URL:https://pr.fujitsu.com/jp/news/2019/08/16-2.html＞

【文献】木村誠; 城戸由能; 中北英一. 都市内水域における局所集中豪雨に対応したリアルタイム浸水予測手法に関する基礎的検討. 土木学会論文集 B1 (水工学), 2011, 67.4: I_931-I_936. インターネット＜URL:https://www.jstage.jst.go.jp/article/jscejhe/67/4/67_4_I_931/_pdf/-char/ja＞

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、上記の従来技術では、機械学習モデルによる精度のよい浸水予測をメッシュ（解析格子）を細かくして面的に高解像度で行おうとすると、処理に要するデータ量が大きくなり、必要なメモリや計算量が多大なものとなるという問題がある。

【0005】

１つの側面では、浸水予測の計算コストを低減することを目的とする。

【課題を解決するための手段】

【0006】

１つの案では、浸水予測プログラムは、取得する処理と、生成する処理と、出力する処理とをコンピュータに実行させる。取得する処理は、対象地区に関する観測情報を取得する。生成する処理は、観測情報を第１の機械学習モデルに入力することによって、対象地区における浸水状況の予測結果を示す第１の画像を生成し、第１の画像を第２の機械学習モデルに入力することによって、第１の画像より解像度の高い第２の画像を生成する。出力する処理は、対象地区の浸水予測結果として第２の画像を出力する。

【発明の効果】

【0007】

浸水予測の計算コストを低減できる。

【図面の簡単な説明】

【0008】

【図1】図１は、実施形態にかかる浸水予測の概要（機械学習時）を説明する説明図である。

【図2】図２は、ダウンサンプリングおよび超解像を説明する説明図である。

【図3】図３は、実施形態にかかる浸水予測の概要（予測時）を説明する説明図である。

【図4】図４は、実施形態にかかる情報処理装置の機能構成例を示すブロック図である。

【図5】図５は、実施形態にかかる情報処理装置の機械学習時の動作例を示すフローチャートである。

【図6】図６は、ダウンサンプリングの概要を説明する説明図である。

【図7】図７は、実施形態にかかる情報処理装置の機械学習時の動作例を示すフローチャートである。

【図8】図８は、実施形態にかかる情報処理装置の予測時の動作例を示すフローチャートである。

【図9】図９は、コンピュータ構成の一例を示すブロック図である。

【発明を実施するための形態】

【0009】

以下、図面を参照して、実施形態にかかる浸水予測プログラム、浸水予測装置および機械学習方法を説明する。実施形態において同一の機能を有する構成には同一の符号を付し、重複する説明は省略する。なお、以下の実施形態で説明する浸水予測プログラム、浸水予測装置および機械学習方法は、一例を示すに過ぎず、実施形態を限定するものではない。また、以下の各実施形態は、矛盾しない範囲内で適宜組みあわせてもよい。

【0010】

実施形態では、浸水予測の対象地区について、降水量、水位などの対象地区の浸水に関連する観測情報をもとに、機械学習モデルを用いて、各地点の浸水状況の予測値を示す予測地図を求める。なお、浸水予測の対象地区は、行政等で区切られた特定の地域（例えば市域、町域）などである。また、観測情報は、対象地区に関連する河川や海域の水位、流量、流入量、排出量、対象地区を含む地域一帯の降水量などである。

【0011】

具体的には、実施形態では、対象地区に関する観測情報と、この観測情報に対応する予測地図とをもとに、観測情報の入力に対して予測地図を正解として出力するように機械学習を行い、機械学習モデルを作成する。そして、予測時には、対象地区に関する実際の観測情報を機械学習モデルに入力することで、機械学習モデルの出力より予測地図を得る。

【0012】

図１は、実施形態にかかる浸水予測の概要（機械学習時）を説明する説明図である。図１に示すように、Ｓ１では、実施形態にかかる情報処理装置は、機械学習に用いる訓練データのセットを準備する。

【0013】

具体的には、Ｓ１において、情報処理装置は、対象地区に関する観測情報Ｄ１より、シミュレーションなどを行って（Ｓ１ａ）、メッシュを細かくして得られた面的に高解像度（例えば５ｍメッシュ）な予測地図である高解像度浸水予測データＤ２を取得する。

【0014】

なお、高解像度浸水予測データＤ２は、各メッシュに対応する各地点の浸水状況（地面からの水位、床下浸水、床上浸水の有無など）の予測値が示された、観測情報Ｄ１に対応する正解の予測地図である。また、高解像度浸水予測データＤ２における各画素の画素値は、対象地区における各地点の浸水状況の予測値に対応する。

【0015】

情報処理装置による高解像度浸水予測データＤ２の取得方法は、観測情報Ｄ１からのシミュレーションにより取得するものに限定するものではない。例えば、Ｓ１ａにおいて、情報処理装置は、実際の観測により得られた観測値（各地点の水位など）をもとに高解像度浸水予測データＤ２を取得してもよい。

【0016】

次いで、Ｓ１において、情報処理装置は、高解像度浸水予測データＤ２における予測地図についてダウンサンプリングを行うことで（Ｓ１ｂ）、高解像度浸水予測データＤ２よりも低解像度な低解像度浸水予測データＤ３を取得する。

【0017】

図２は、ダウンサンプリングおよび超解像を説明する説明図である。図２に示すように、例えば、情報処理装置は、５ｍメッシュの高解像度浸水予測データＤ２についてダウンサンプリングすることで、５０ｍメッシュの低解像度浸水予測データＤ３を得る。

【0018】

情報処理装置は、Ｓ１において、多様な事例における観測情報Ｄ１より、観測情報Ｄ１に対応する高解像度浸水予測データＤ２および低解像度浸水予測データＤ３のデータセットを訓練データとして準備する。

【0019】

次いで、情報処理装置は、準備した訓練データにおける観測情報Ｄ１と、低解像度浸水予測データＤ３とをもとにニューラルネットワークなどの回帰予測技術を用いた公知の機械学習を行うことで、第１の機械学習モデルＭ１を生成する（Ｓ２）。具体的には、情報処理装置は、観測情報Ｄ１を第１の機械学習モデルＭ１に入力した場合の第１の機械学習モデルＭ１からの出力が正解とする低解像度浸水予測データＤ３となるように、勾配法や誤差逆伝播法などの公知の手法を用いて第１の機械学習モデルＭ１のパラメータを設定する。

【0020】

また、情報処理装置は、準備した訓練データにおける低解像度浸水予測データＤ３と、高解像度浸水予測データＤ２とをもとにＣＮＮ（Convolutional Neural Network）などを用いた公知の超解像技術におけるモデルの機械学習を行うことで、第２の機械学習モデルＭ２を生成する（Ｓ３）。具体的には、第２の機械学習モデルＭ２は、１枚の画像から高解像度化（超解像）することで解像度をより高くした画像を得る単画像超解像手法を提供するＣＮＮである。情報処理装置は、低解像度浸水予測データＤ３を第２の機械学習モデルＭ２に入力した場合の第２の機械学習モデルＭ２からの出力が正解とする低解像度浸水予測データＤ３となるように、勾配法や誤差逆伝播法などの公知の手法を用いて第２の機械学習モデルＭ２のパラメータを設定する。

【0021】

一般の超解像手法では、様々な画像（サブグリッドスケールの構造が異なる）を対象に高解像度化するので、多数の訓練データ（事例）を用いて機械学習を行うこととなる。これに対し、実施形態の超解像手法では、対象地区（サブグリッドスケール内の地形・建物形状が同じ）における各地点の予測値（画素値）が高解像度化の対象である。したがって、第２の機械学習モデルＭ２の生成においては、一般の超解像よりも少ない訓練データ（事例）で十分である。

【0022】

図３は、実施形態にかかる浸水予測の概要（予測時）を説明する説明図である。図３に示すように、予測時（Ｓ４）おいて、実施形態の情報処理装置は、気象関連機関などから配信される情報や測定装置からの測定データを収集して対象地区に関する観測情報Ｄ１０を取得する。

【0023】

次いで、情報処理装置は、取得した観測情報Ｄ１０を第１の機械学習モデルＭ１に入力することにより、対象地区における浸水状況の予測結果（予測地図）を示す低解像度浸水予測データＤ１１を生成する。

【0024】

次いで、情報処理装置は、生成した低解像度浸水予測データＤ１１を第２の機械学習モデルＭ２に入力することにより、低解像度浸水予測データＤ１１より解像度の高い高解像度浸水予測データＤ１２を生成する。具体的には、図２に示すように、情報処理装置は、低解像度浸水予測データＤ１１を第２の機械学習モデルＭ２により高解像度化（超解像）して高解像度浸水予測データＤ１２を得る。これにより、情報処理装置は、面的に高解像度（例えば５ｍメッシュ）な浸水状況の予測地図である高解像度浸水予測データＤ１２を得ることができる。

【0025】

機械学習モデルにより観測情報Ｄ１０から高解像度な予測地図である高解像度浸水予測データＤ１２を直接求めようとすると（タスクＡ）、処理に要するデータ量が大きくなり、必要なメモリや計算量が多大なものとなる。この理由は、例えば、予測値をｙ、観測情報Ｄ１０に含まれる観測値をｘとすると、ｙ＝ｆ（ｘ）においてｙがｘに対して桁違いにデータの要素数が多いため、計算量が大きくなり、機械学習には膨大なデータ量を要するためである。

【0026】

そこで、実施形態の情報処理装置では、第１の機械学習モデルＭ１により観測情報Ｄ１０から高解像度浸水予測データＤ１２よりも解像度の粗い低解像度な予測地図である低解像度浸水予測データＤ１１を得る（タスクＢ）。次いで、実施形態の情報処理装置は、第２の機械学習モデルＭ２により低解像度浸水予測データＤ１１を高解像度化して高解像度浸水予測データＤ１２を得る（タスクＣ）。

【0027】

一例として、観測情報Ｄ１０から高解像度な予測地図である高解像度浸水予測データＤ１２を直接求めようとするタスク（Ａ）における機械学習時のデータ量（事例数）をＮ＿Ａとし、事例ごとのデータサイズをＳ＿Ａとする。また、観測情報Ｄ１０から高解像度な予測地図である低解像度浸水予測データＤ１１を求めようとするタスク（Ｂ）における機械学習時のデータ量（事例数）をＮ＿Ｂとし、事例ごとのデータサイズをＳ＿Ｂとする。また、低解像度浸水予測データＤ１１から高解像度浸水予測データＤ１２を求めようとするタスク（Ｃ）における機械学習時のデータ量（事例数）をＮ＿Ｃとし、事例ごとのデータサイズをＳ＿Ｃとする。

【0028】

タスク（Ｂ）は、多様な観測情報Ｄ１０からの浸水の起こり方を機械学習するため、事例数はタスク（Ａ）と同程度（Ｎ＿Ａ≒Ｎ＿Ｂ）となる。しかしながら、機械学習に用いる事例ごとのデータ量は、高解像度浸水予測データＤ２よりダウンサンプリングした低解像度浸水予測データＤ３であるため、Ｓ＿Ａ＞＞Ｓ＿Ｂとなる。

【0029】

タスク（Ｃ）は、低解像度浸水予測データＤ１１を高解像度化した高解像度浸水予測データＤ１２を求めるものであり、機械学習時には観測情報Ｄ１の違いは問題にならない。また、タスク（Ｃ）に関する機械学習では、同じ対象地区（サブグリッドスケール内の地形・建物形状が同じ）における各地点の予測値（画素値）が高解像度化の対象であるので、事例数は少なくてよい（Ｎ＿Ａ＞＞Ｎ＿Ｃ）。

【0030】

このため、タスク（Ｂ）＋タスク（Ｃ）における機械学習時のデータサイズ（事例数×事例ごとのデータ量）と、タスク（Ａ）における機械学習時のデータサイズとを比較すると次のとおりである。
Ｎ＿Ａ×Ｓ＿Ａ＞＞Ｎ＿Ｂ×Ｓ＿Ｂ＋Ｎ＿Ｃ×Ｓ＿Ｃ

【0031】

すなわち、タスク（Ｂ）＋タスク（Ｃ）の方が、タスク（Ａ）よりもデータサイズが小さくなる。具体的には、１００倍程度の差が出る場合がある。このため、実施形態の情報処理装置では、機械学習時におけるデータ量を抑え、計算量が大きくなることを抑止できる。

【0032】

図４は、実施形態にかかる情報処理装置の機能構成例を示すブロック図である。図４に示すように、情報処理装置１は、通信部１０、表示部１１、操作部１２、入出力部１３、記憶部１４および制御部１５を有する。この情報処理装置１は、浸水予測装置の一例であり、例えばＰＣ（Personal Computer）などを適用できる。

【0033】

通信部１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。通信部１０は、図示しないネットワークを介して他の情報処理装置と有線または無線で接続され、他の情報処理装置との間で情報の通信を司る通信インタフェースである。

【0034】

表示部１１は、各種情報を表示するための表示デバイスである。表示部１１は、例えば、表示デバイスとして液晶ディスプレイ等によって実現される。表示部１１は、制御部１５から入力された表示画面等の各種画面を表示する。

【0035】

操作部１２は、情報処理装置１のユーザから各種操作を受け付ける入力デバイスである。操作部１２は、例えば、入力デバイスとして、キーボードやマウス等によって実現される。操作部１２は、ユーザによって入力された操作を操作情報として制御部１５に出力する。なお、操作部１２は、入力デバイスとして、タッチパネル等によって実現されるようにしてもよく、表示部１１の表示デバイスと、操作部１２の入力デバイスとは、一体化されるようにしてもよい。

【0036】

入出力部１３は、例えば、メモリカードＲ／Ｗ（Reader/Writer）である。入出力部１３は、通信部１０で受信する観測情報１４１等の代わりに、メモリカードに記憶された観測情報１４１等を読み出して記憶部１４に格納するようにしてもよい。また、入出力部１３は、例えば、制御部１５から出力された予測結果をメモリカードに記憶する。なお、メモリカードとしては、例えばＳＤメモリカード等を用いることができる。

【0037】

記憶部１４は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、ハードディスクや光ディスク等の記憶装置によって実現される。記憶部１４は、観測情報１４１、訓練データ１４２、予測データ１４３、第１の機械学習モデル情報１４４および第２の機械学習モデル情報１４５などを格納する。

【0038】

観測情報１４１は、サーバなどより取得した、対象地区に関する観測情報であり、前述した観測情報Ｄ１、Ｄ１０に対応する。

【0039】

訓練データ１４２は、第１の機械学習モデルＭ１および第２の機械学習モデルＭ２の機械学習に用いるデータである。具体的には、訓練データ１４２は、機械学習に用いる事例ごとに、前述した観測情報Ｄ１と、観測情報Ｄ１に対応する高解像度浸水予測データＤ２および低解像度浸水予測データＤ３をセットとしたデータである。

【0040】

予測データ１４３は、観測情報Ｄ１０からの予測結果を示すデータである。具体的には、予測データ１４３は、観測情報Ｄ１０を第１の機械学習モデルＭ１に入力することにより得られた低解像度浸水予測データＤ１１、低解像度浸水予測データＤ１１を第２の機械学習モデルＭ２に入力することにより得られた高解像度浸水予測データＤ１２に対応する。

【0041】

第１の機械学習モデル情報１４４は、第１の機械学習モデルＭ１に関する情報であり、ニューラルネットワークなどの第１の機械学習モデルＭ１を構築するためのパラメータ等である。第２の機械学習モデル情報１４５は、第２の機械学習モデルＭ２に関する情報であり、ＣＮＮなどの第２の機械学習モデルＭ２を構築するためのパラメータ等である。

【0042】

制御部１５は、情報処理装置１の動作を統括する処理部である。制御部１５は、取得部１５１、訓練データ作成部１５２、第１の機械学習部１５３、第２の機械学習部１５４、推定部１５５および出力部１５６を有する。制御部１５は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）などによって実現できる。また、制御部１５は、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などのハードワイヤードロジックによっても実現できる。

【0043】

取得部１５１は、観測情報１４１を取得する処理部である。例えば、取得部１５１は、対象地区に関する観測情報１４１を提供する特定のサーバとの通信部１０を介した通信により観測情報１４１を取得する。取得部１５１は、取得した観測情報１４１を記憶部１４に格納する。

【0044】

訓練データ作成部１５２は、第１の機械学習モデルＭ１および第２の機械学習モデルＭ２の機械学習に用いる訓練データ１４２を作成する処理部である。具体的には、訓練データ作成部１５２は、観測情報Ｄ１（１４１）よりシミュレーションなどを行って、観測情報Ｄ１に対応する高解像度浸水予測データＤ２を得る。なお、訓練データ作成部１５２は、観測情報Ｄ１に含まれる観測値をそのまま適用して高解像度浸水予測データＤ２を得てもよい。

【0045】

次いで、訓練データ作成部１５２は、高解像度浸水予測データＤ２における予測地図についてダウンサンプリングを行うことで、高解像度浸水予測データＤ２よりも低解像度な低解像度浸水予測データＤ３を取得する。次いで、訓練データ作成部１５２は、観測情報Ｄ１と、この観測情報Ｄ１に対応する高解像度浸水予測データＤ２および低解像度浸水予測データＤ３とをセットとした訓練データ１４２を記憶部１４に格納する。訓練データ作成部１５２は、上記の処理を機械学習に用いる事例数分行うことで、事例数分の訓練データ１４２を作成する。

【0046】

第１の機械学習部１５３は、訓練データ１４２をもとに第１の機械学習モデルＭ１を生成する処理部である。具体的には、第１の機械学習部１５３は、訓練データ１４２に含まれる事例ごとに、観測情報Ｄ１および低解像度浸水予測データＤ３を読み出す。次いで、第１の機械学習部１５３は、読み出した観測情報Ｄ１を第１の機械学習モデルＭ１に入力した場合の第１の機械学習モデルＭ１からの出力が正解とする低解像度浸水予測データＤ３となるように第１の機械学習モデルＭ１のパラメータを設定（調整）する。

【0047】

次いで、第１の機械学習部１５３は、訓練データ１４２として準備された所定数の各事例について上記の処理を行った後、第１の機械学習モデルＭ１のパラメータを第１の機械学習モデル情報１４４として記憶部１４に格納する。

【0048】

第２の機械学習部１５４は、訓練データ１４２をもとに第２の機械学習モデルＭ２を生成する処理部である。具体的には、第２の機械学習部１５４は、訓練データ１４２に含まれる事例ごとに、低解像度浸水予測データＤ３および高解像度浸水予測データＤ２を読み出す。次いで、第２の機械学習部１５４は、読み出した低解像度浸水予測データＤ３を第２の機械学習モデルＭ２に入力した場合の第２の機械学習モデルＭ２からの出力が正解とする高解像度浸水予測データＤ２となるように第２の機械学習モデルＭ２のパラメータを設定（調整）する。

【0049】

次いで、第２の機械学習部１５４は、訓練データ１４２として準備された所定数の各事例について上記の処理を行った後、第２の機械学習モデルＭ２のパラメータを第２の機械学習モデル情報１４５として記憶部１４に格納する。

【0050】

推定部１５５は、対象地区の観測情報１４１（Ｄ１０）をもとに、対象地区における浸水状況の予測地図である高解像度浸水予測データＤ１２を推定する処理部である。具体的には、推定部１５５は、記憶部１４より読み出した第１の機械学習モデル情報１４４をもとに第１の機械学習モデルＭ１を構築する。次いで、推定部１５５は、観測情報Ｄ１０を第１の機械学習モデルＭ１に入力することで低解像度浸水予測データＤ１１を生成する。推定部１５５は、生成した低解像度浸水予測データＤ１１を予測データ１４３として記憶部１４に格納する。

【0051】

次いで、推定部１５５は、記憶部１４より読み出した第２の機械学習モデル情報１４５をもとに第２の機械学習モデルＭ２を構築する。次いで、推定部１５５は、低解像度浸水予測データＤ１１を第２の機械学習モデルＭ２に入力することで高解像度化した高解像度浸水予測データＤ１２を生成する。推定部１５５は、生成した高解像度浸水予測データＤ１２を予測データ１４３として記憶部１４に格納する。

【0052】

出力部１５６は、推定部１５５の推定結果を出力する処理部である。具体的には、出力部１５６は、記憶部１４より予測データ１４３に含まれる高解像度浸水予測データＤ１２を読み出し、高解像度浸水予測データＤ１２をもとに対象地区における各地点の浸水状況を示す予測地図の表示画面を生成する。次いで、出力部１５６は、生成した表示画面のデータを表示部１１に出力し、予測地図を表示デバイスに表示させる。

【0053】

なお、出力部１５６における出力先は、表示部１１に限定しない。例えば、出力部１５６は、記憶部１４より読み出した高解像度浸水予測データＤ１２を入出力部１３を介してメモリカードに出力してもよい。

【0054】

図５は、実施形態にかかる情報処理装置１の機械学習時の動作例を示すフローチャートである。なお、図５に示すフローチャートでは、観測情報Ｄ１をもとにしたシミュレーションにより訓練データ１４２を作成するものとする。

【0055】

図５に示すように、処理が開始されると、訓練データ作成部１５２は、訓練データ１４２（Ｄ１）をもとに、さまざまなタイプ（例えば気象条件などを異ならせる）のシミュレーションをＮ回実施し（Ｓ１０）、Ｎセットの高解像度浸水予測データＤ２を取得する。

【0056】

次いで、訓練データ作成部１５２は、Ｎセットの高解像度浸水予測データＤ２について、高解像度浸水予測データＤ２から低解像度浸水予測データＤ３をダウンサンプリングにより取得する（Ｓ１１）。

【0057】

図６は、ダウンサンプリングの概要を説明する説明図である。図６に示すように、訓練データ作成部１５２は、所定のスケール（例えば５ｍメッシュ→５０ｍメッシュ）でのダウンサンプリングを行うことで、高解像度浸水予測データＤ２より低解像度浸水予測データＤ３を取得する。

【0058】

ここで、訓練データ作成部１５２は、高解像度浸水予測データＤ２の特定の領域に含まれる画素からダウンサンプリングする際に、その領域に含まれる画素の中で浸水予測の評価が最も悪い画素をサンプリングすることで、低解像度浸水予測データＤ３を取得する。ここでいう、浸水評価の良し悪しは、地面からの水位の高さを意味するものであり、水位が高いほど評価が悪い（床下浸水より床上浸水の方が評価が悪い）ものとする。これにより、訓練データ作成部１５２は、ダウンサンプリングによって浸水予測の評価が最も悪い画素が除かれることを抑止する。

【0059】

具体的には、ケースＣ１では、特定の領域の高解像度浸水予測データＤ２ａにおいて、右斜めの網掛け部分（予測値ａ）と、左斜めの網掛け部分（予測値ｂ）とが含まれており、予測値ｂの方がａより評価が悪いものとする。この場合、訓練データ作成部１５２は、評価が悪い予測値ｂをサンプリングする。すなわち、訓練データ作成部１５２は、高解像度浸水予測データＤ２ａより予測値ｂを１画素分とする低解像度浸水予測データＤ３ａにダウンサンプリングする。

【0060】

同様に、ケースＣ２では、特定の領域の高解像度浸水予測データＤ２ｂにおいて、右斜めの網掛け部分（予測値ａ）と、左斜めの網掛け部分（予測値ｂ）とが含まれている。したがって、訓練データ作成部１５２は、高解像度浸水予測データＤ２ｂより予測値ｂを１画素分とする低解像度浸水予測データＤ３ｂにダウンサンプリングする。

【0061】

ケースＣ３では、特定の領域の高解像度浸水予測データＤ２ｃにおいて、右斜めの網掛け部分（予測値ａ）を含むが、左斜めの網掛け部分（予測値ｂ）が含まれていない。したがって、訓練データ作成部１５２は、高解像度浸水予測データＤ２ｃより予測値ａを１画素分とする低解像度浸水予測データＤ３ｃにダウンサンプリングする。

【0062】

次いで、訓練データ作成部１５２は、Ｎセットの観測情報Ｄ１と、低解像度浸水予測データＤ３を訓練データ１４２として準備する（Ｓ１２）。次いで、第１の機械学習部１５３は、Ｎセットの訓練データ１４２をＮ＝Ｎ＿ｔｒａｉｎ＋Ｎ＿ｔｅｓｔに分割する（Ｓ１３）。

【0063】

次いで、第１の機械学習部１５３は、Ｎ＿ｔｒａｉｎの観測情報Ｄ１と、低解像度浸水予測データＤ３の組で第１の機械学習モデルＭ１の機械学習を行う。また、第１の機械学習部１５３は、Ｎ＿ｔｅｓｔの観測情報Ｄ１と、低解像度浸水予測データＤ３の組で機械学習後の第１の機械学習モデルＭ１のバリデーション（検証）を行う。第１の機械学習部１５３は、バリデーションによって予測に含まれる誤差が所定範囲内と確認された第１の機械学習モデルＭ１を採用し、第１の機械学習モデルＭ１を構築する（Ｓ１４）。

【0064】

また、Ｓ１１に次いで、訓練データ作成部１５２は、Ｍセットの高解像度浸水予測データＤ２と、低解像度浸水予測データＤ３を訓練データ１４２として準備する（Ｓ１５）。次いで、第２の機械学習部１５４は、Ｍセットの訓練データ１４２をＭ＝Ｍ＿ｔｒａｉｎ＋Ｍ＿ｔｅｓｔに分割する（Ｓ１６）。なお、セット数については、Ｍ＜＜Ｎである。

【0065】

次いで、第２の機械学習部１５４は、Ｍ＿ｔｒａｉｎの高解像度浸水予測データＤ２と、低解像度浸水予測データＤ３の組で第２の機械学習モデルＭ２の機械学習を行う。また、第２の機械学習部１５４は、Ｍ＿ｔｅｓｔの高解像度浸水予測データＤ２と、低解像度浸水予測データＤ３の組で機械学習後の第２の機械学習モデルＭ２のバリデーション（検証）を行う。第２の機械学習部１５４は、バリデーションによって予測に含まれる誤差が所定範囲内と確認された第２の機械学習モデルＭ２を採用し、第２の機械学習モデルＭ２を構築する（Ｓ１７）。

【0066】

Ｓ１４、Ｓ１７に次いで、制御部１５は、構築した第１の機械学習モデルＭ１および第２の機械学習モデルＭ２に関する第１の機械学習モデル情報１４４および第２の機械学習モデル情報１４５を記憶部１４に格納し、処理を終了する。なお、第１の機械学習部１５３によるＳ１３、Ｓ１４の処理と、第２の機械学習部１５４によるＳ１６、Ｓ１７の処理は、並列に行ってもよい。

【0067】

図７は、実施形態にかかる情報処理装置１の機械学習時の動作例を示すフローチャートである。なお、図７に示すフローチャートでは、シミュレーションを行わず、観測情報Ｄ１に含まれる観測データを採用して訓練データ１４２を作成するものとする。

【0068】

図７に示すように、処理が開始されると、訓練データ作成部１５２は、さまざまなタイプの観測情報Ｄ１をＮ件準備する（Ｓ１０ａ）。ここで、観測情報Ｄ１には、高解像度浸水予測データＤ２に対応する高解像度浸水観測データ（実測の浸水状況地図）も含まれているものとする。

【0069】

訓練データ作成部１５２は、Ｎセットの観測情報Ｄ１について、高解像度浸水観測データから低解像度浸水観測データをダウンサンプリングする（Ｓ１１ａ）。次いで、訓練データ作成部１５２は、Ｎセットの観測情報Ｄ１と、低解像度浸水観測データを訓練データ１４２として準備する（Ｓ１２ａ）。以後、第１の機械学習部１５３は、準備した訓練データ１４２をもとに、前述したＳ１３、Ｓ１４と同様に処理を行い、第１の機械学習モデルＭ１を構築する。

【0070】

また、Ｓ１１ａに次いで、訓練データ作成部１５２は、Ｍセットの高解像度浸水観測データと、低解像度浸水観測データを訓練データ１４２として準備する（Ｓ１５ａ）。以後、第２の機械学習部１５４は、準備した訓練データ１４２をもとに、前述したＳ１６、Ｓ１７と同様に処理を行い、第２の機械学習モデルＭ２を構築する。

【0071】

図８は、実施形態にかかる情報処理装置１の予測時の動作例を示すフローチャートである。図８に示すように、処理が開始されると、取得部１５１は、対象地区に関する観測情報を提供する特定のサーバなどにより、災害発生時の観測情報Ｄ１０を取得する（Ｓ２０）。

【0072】

次いで、推定部１５５は、第１の機械学習モデル情報１４４より第１の機械学習モデルＭ１を構築する。次いで、推定部１５５は、取得した観測情報Ｄ１０を構築した第１の機械学習モデルＭ１に入力することで低解像度浸水予測データＤ１１を取得する（Ｓ２１）。

【0073】

次いで、推定部１５５は、第２の機械学習モデル情報１４５より第２の機械学習モデルＭ２を構築する。次いで、推定部１５５は、Ｓ２１で取得した低解像度浸水予測データＤ１１を構築した第２の機械学習モデルＭ２に入力することで高解像度浸水予測データＤ１２を取得する（Ｓ２２）。出力部１５６は、Ｓ２２で取得した高解像度浸水予測データＤ１２を表示部１１に出力し（Ｓ２３）、災害発生時の観測情報Ｄ１０に基づく予測地図の表示を行う。

【0074】

以上のように、情報処理装置１は、対象地区に関する観測情報Ｄ１０を取得する。情報処理装置１は、取得した観測情報Ｄ１０を第１の機械学習モデルＭ１に入力することによって、対象地区における浸水状況の予測結果を示す第１の画像（低解像度浸水予測データＤ１１）を生成する。情報処理装置１は、第１の画像を第２の機械学習モデルＭ２に入力することによって、第１の画像より解像度の高い第２の画像（高解像度浸水予測データＤ１２）を生成する。情報処理装置１は、対象地区の浸水予測結果として生成した第２の画像を出力する。

【0075】

これにより、情報処理装置１は、機械学習モデルを用いた精度のよい浸水予測を、処理に要するメモリや計算量の増加を抑えつつ、高解像度で行うことができる。このようにして、情報処理装置１は、浸水予測の高精度化を支援できる。

【0076】

情報処理装置１が生成する第１の画像は、対象地区を俯瞰した各地点の浸水状況を示す地図画像である。これにより、情報処理装置１では、対象地区を俯瞰した各地点の浸水状況のより高精細な地図画像を得ることができる。

【0077】

また、情報処理装置１は、対象地区に関する観測情報Ｄ１と対応する浸水予測画像（高解像度浸水予測データＤ２）をダウンサンプリングする。情報処理装置１は、ダウンサンプリングされた浸水予測画像（低解像度浸水予測データＤ３）と観測情報Ｄ１に基づいて第１の機械学習モデルＭ１を生成する。情報処理装置１は、ダウンサンプリングされた浸水予測画像（低解像度浸水予測データＤ３）と、もとの浸水予測画像（高解像度浸水予測データＤ２）とに基づいて、第１の機械学習モデルＭ１の出力を入力とし、入力された画像を高解像度化した画像を出力する第２の機械学習モデルＭ２を生成する。

【0078】

これにより、情報処理装置１は、処理に要するメモリや計算量の増加を抑えつつ、精度のよい浸水予測を高解像度で行う機械学習モデルを作成することができる。このようにして、情報処理装置１は、浸水予測の高精度化を支援できる。

【0079】

また、情報処理装置１は、浸水予測画像（高解像度浸水予測データＤ２）について、特定の領域に含まれる画素からダウンサンプリングする際に、その領域に含まれる画素の中で浸水予測の評価が最も悪い画素をサンプリングする。これにより、情報処理装置１では、ダウンサンプリングにより浸水予測の評価が最も悪い画素が除かれることを抑止できる。また、情報処理装置１は、このようにダウンサンプリングされた浸水予測画像（低解像度浸水予測データＤ３）を用いて第１の機械学習モデルＭ１を作成することで、第１の機械学習モデルＭ１を用いた浸水予測において評価が最も悪くなるようなワーストケースを的確に予測できるようになる。

【0080】

なお、図示した各装置の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、情報処理装置１における機械学習に関する機能構成（例えば、訓練データ作成部１５２、第１の機械学習部１５３および第２の機械学習部１５４）と、予測に関する機能構成（例えば、推定部１５５および出力部１５６）とは、分離した構成であってもよく、それぞれが独立した装置構成で実現してもよい。

【0081】

また、情報処理装置１で行われる各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ（Micro Controller Unit）等のマイクロ・コンピュータ）あるいはＧＰＵ（Graphics Processing Unit）上で、その全部または任意の一部を実行するようにしてもよい。また、各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ等のマイクロ・コンピュータ）あるいはＧＰＵで解析実行されるプログラム上、またはワイヤードロジックによるハードウエア上で、その全部または任意の一部を実行するようにしてもよいことは言うまでもない。また、情報処理装置１で行われる各種処理機能は、クラウドコンピューティングにより、複数のコンピュータが協働して実行してもよい。

【0082】

ところで、上記の実施形態で説明した各種の処理は、予め用意されたプログラムをコンピュータで実行することで実現できる。そこで、以下では、上記の実施形態と同様の機能を有するプログラムを実行するコンピュータ（ハードウエア）の一例を説明する。図９は、コンピュータ構成の一例を示すブロック図である。

【0083】

図９に示すように、コンピュータ２００は、各種演算処理を実行するＣＰＵ２０１と、画像処理や機械学習処理等の所定の演算処理に特化したＧＰＵ２０１ａと、データ入力を受け付ける入力装置２０２と、モニタ２０３と、スピーカ２０４とを有する。また、コンピュータ２００は、記憶媒体からプログラム等を読み取る媒体読取装置２０５と、各種装置と接続するためのインタフェース装置２０６と、有線または無線により外部機器と通信接続するための通信装置２０７とを有する。また、コンピュータ２００は、各種情報を一時記憶するＲＡＭ２０８と、ハードディスク装置２０９とを有する。また、コンピュータ２００内の各部（２０１～２０９）は、バス２１０に接続される。

【0084】

ハードディスク装置２０９には、上記の実施形態で説明した制御部１５における取得部１５１、訓練データ作成部１５２、第１の機械学習部１５３、第２の機械学習部１５４、推定部１５５および出力部１５６等における各種の処理を実行するためのプログラム２１１が記憶される。また、ハードディスク装置２０９には、プログラム２１１が参照する観測情報などの各種データ２１２が記憶される。入力装置２０２は、例えば、操作者から操作情報の入力を受け付ける。モニタ２０３は、例えば、操作者が操作する各種画面を表示する。インタフェース装置２０６は、例えば印刷装置等が接続される。通信装置２０７は、ＬＡＮ（Local Area Network）等の通信ネットワークと接続され、通信ネットワークを介した外部機器との間で各種情報をやりとりする。

【0085】

ＣＰＵ２０１あるいはＧＰＵ２０１ａは、ハードディスク装置２０９に記憶されたプログラム２１１を読み出して、ＲＡＭ２０８に展開して実行することで、取得部１５１、訓練データ作成部１５２、第１の機械学習部１５３、第２の機械学習部１５４、推定部１５５および出力部１５６等に関する各種の処理を行う。なお、プログラム２１１は、ハードディスク装置２０９に記憶されていなくてもよい。例えば、コンピュータ２００が読み取り可能な記憶媒体に記憶されたプログラム２１１を読み出して実行するようにしてもよい。コンピュータ２００が読み取り可能な記憶媒体は、例えば、ＣＤ－ＲＯＭやＤＶＤディスク、ＵＳＢ（Universal Serial Bus）メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ、ハードディスクドライブ等が対応する。また、公衆回線、インターネット、ＬＡＮ等に接続された装置にこのプログラム２１１を記憶させておき、コンピュータ２００がこれらからプログラム２１１を読み出して実行するようにしてもよい。

【符号の説明】

【0086】

１…情報処理装置
１０…通信部
１１…表示部
１２…操作部
１３…入出力部
１４…記憶部
１５…制御部
１４１…観測情報
１４２…訓練データ
１４３…予測データ
１４４…第１の機械学習モデル情報
１４５…第２の機械学習モデル情報
１５１…取得部
１５２…訓練データ作成部
１５３…第１の機械学習部
１５４…第２の機械学習部
１５５…推定部
１５６…出力部
２００…コンピュータ
２０１…ＣＰＵ
２０１ａ…ＧＰＵ
２０２…入力装置
２０３…モニタ
２０４…スピーカ
２０５…媒体読取装置
２０６…インタフェース装置
２０７…通信装置
２０８…ＲＡＭ
２０９…ハードディスク装置
２１０…バス
２１１…プログラム
２１２…各種データ
Ｃ１～Ｃ３…ケース
Ｄ１、Ｄ１０…観測情報
Ｄ２、Ｄ２ａ～Ｄ２ｃ、Ｄ１２…高解像度浸水予測データ
Ｄ３、Ｄ３ａ～Ｄ３ｃ、Ｄ１１…低解像度浸水予測データ
Ｍ１…第１の機械学習モデル
Ｍ２…第２の機械学習モデル

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】