特許 7560088 谷間型土石流の降雨閾値予測システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2024-09-24

(45)【発行日】2024-10-02

(54)【発明の名称】谷間型土石流の降雨閾値予測システム

(51)【国際特許分類】

   E02D 17/20 20060101AFI20240925BHJP

【ＦＩ】

E02D17/20 106

【請求項の数】 10

(21)【出願番号】P 2024114103

(22)【出願日】2024-07-17

【審査請求日】2024-07-17

【早期審査対象出願】

(73)【特許権者】

【識別番号】518398497

【氏名又は名称】成都理工大学

(74)【代理人】

【識別番号】110002262

【氏名又は名称】ＴＲＹ国際弁理士法人

(72)【発明者】

【氏名】魏 振磊

(72)【発明者】

【氏名】範 宣梅

(72)【発明者】

【氏名】楊 杰

【審査官】柿原 巧弥

(56)【参考文献】

【文献】特許第７４２１８３１（ＪＰ，Ｂ１）

【文献】特開２０２２－１０００９３（ＪＰ，Ａ）

【文献】特開２０２２－０５６２２３（ＪＰ，Ａ）

【文献】特開２０１３－２２１８００（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｅ０２Ｄ １７／２０

Ｇ０６Ｎ ２０／００

Ｇ０８Ｂ ２１／１０

(57)【特許請求の範囲】

【請求項1】

谷間型土石流の降雨閾値予測システムであって、サンプルセット構築モジュール１００においてモニタリング対象流域のサンプルセットＳを構築し、モデル訓練モジュール２００においてサンプルセットＳを利用して谷間型土石流発生の識別モデルＲＤＭを訓練して構築し、予測モジュール３００において識別モデルＲＤＭを利用してモニタリング対象流域の谷間型土石流発生の降雨強度閾値を予測し、

前記モデル訓練モジュール２００は、サンプルセットＳを利用して訓練セット、検証セット、試験セットに分け、機械学習を経て識別モデルＲＤＭを訓練して生成し、
前記予測モジュール３００は、異なる降雨再現期の降雨強度条件における降雨データと流域表面流出量データを入力として、前記識別モデルＲＤＭを利用して土石流が発生するかどうかを判断し、さらに谷間型土石流の降雨強度閾値を構築し、

式において、Ｈ-流域地表産流深さであり、ｍｍであり、
Ｐ-降雨強度であり、ｍｍであり、流域降雨イベントサンプルにおける降雨分布データによって決定し、

【請求項2】

前記モデル訓練モジュール２００は、ローカル計算層２１０と、グローバル計算層２２０とを含み、

前記グローバル計算層２２０は、Ｃｏｎｃａｔ層２２１と、グローバルＳｉｇｍｏｉｄ層２２２とを含む、ことを特徴とする請求項１に記載の谷間型土石流の降雨閾値予測システム。

【請求項3】

前記特徴抽出ユニットＣＴ１００は、ＣＮＮ層ＣＴ１１０と、補強計算層ＣＴ１２０と、加算器ＣＴ１３０と、ＭａｘＰｏｏｌ層ＣＴ１４０とを含み、

前記補強計算層ＣＴ１２０は、２補強計算チャンネルＥＴを含み、補強計算チャンネルＥＴの入力端は、ＣＮＮ層ＣＴ１１０に接続され、ＣＮＮ層ＣＴ１１０からのデータの補強計算を実行し、出力端は、加算器ＣＴ１３０に接続され、
前記ＭａｘＰｏｏｌ層ＣＴ１４０の出力端は、Ｍ１乗算器ＣＴ２００に接続される、ことを特徴とする請求項２に記載の谷間型土石流の降雨閾値予測システム。

【請求項4】

前記補強計算チャンネルＥＴは、ＡｖｇＰｏｏｌ層ＥＴ１００と、Ｃｏｎｖ層ＥＴ２００と、ＲｅＬＵ層ＥＴ３００と、Ｃｏｎｖ層ＥＴ４００と、Ｓｏｆｔｍａｘ層ＥＴ５００と、Ｍ２乗算器ＥＴ６００とを含み、前記ＡｖｇＰｏｏｌ層ＥＴ１００の入力端は、ＣＮＮネットワークＣＴ１１０に接続され、前記Ｍ２乗算器ＥＴ６００の入力端は、ＣＮＮ層ＣＴ１１０とＳｏｆｔｍａｘ層ＥＴ５００に接続され、出力端は、加算器ＣＴ１３０に接続され、

【請求項5】

前記ローカルＳｉｇｍｏｉｄ層ＣＴ３００は、式３によって表され、

ｎ－正の整数であり、
Ｓｉｇｍｏｉｄ－アクティブ化関数であり、
前記グローバルＳｉｇｍｏｉｄ層２２２は、式４によって表され、

式において、Ｆｓ－グローバルＳｉｇｍｏｉｄ層２２２により出力される谷間型土石流発生確率であり、

Ｎ－ローカルＳｉｇｍｏｉｄ層ＣＴ３００の出力特徴数である、ことを特徴とする請求項２に記載の谷間型土石流の降雨閾値予測システム。

【請求項6】

【請求項7】

ことを特徴とする請求項１～６のいずれか１項に記載の谷間型土石流の降雨閾値予測システム。

【請求項8】

サンプルセット構築モジュール１００において、研究対象流域に対してモニタリングシステムを構築し、流域降雨イベントサンプルを収集する、ことを特徴とする請求項７に記載の谷間型土石流の降雨閾値予測システム。

【請求項9】

前記サンプルセット構築モジュール１００の流域降雨イベントサンプルは、モニタリング対象流域に対して構築されたモニタリングシステムのモニタリング収集及び／又はモニタリング対象流域に対する現場調査の整理収集からのものである、ことを特徴とする請求項８に記載の谷間型土石流の降雨閾値予測システム。

【請求項10】

前記予測モジュール３００において、予測して決定された谷間型土石流発生の降雨強度閾値に基づいて閾値系統を構築する、ことを特徴とする請求項８に記載の谷間型土石流の降雨閾値予測システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、自然災害防除技術に関し、特に谷間型土石流発生閾値予測技術に関し、機械学習を利用して実現される地質災害閾値条件のスマート予測技術分野に属する。

【背景技術】

【0002】

谷間型土石流は、一般的には坂道浸食を主とする土石流タイプを指し、山間地帯流域の雨季によく見られている土石流タイプである。谷間における超強力な水力条件は、谷間型土石流の主な誘因であり、水力の補給が降雨であるため、降雨条件は、谷間型土石流の発生可能性を直接に反映することができる。既定の土石流流域に対して精確な降雨条件閾値を構築して流域における土石流のモニタリング早期警報能力を高めることができる。

【0003】

降雨が谷間型土石流を誘発する直接な原因は、降雨が地表を押し流して浸食し、土体内部の安定的な構造を破壊して地面の超量表面流出を形成し、最終的に土石流を形成することである。従って、降雨データと表面流出データにより連携して駆動される谷間型土石流予測モデルは、比較的理想的な土石流防除工具である。しかしながら、降雨条件は、表面流出規模及び変化を決めるが、両方の間に比較的強い非線形関係が存在し、それによって予測モデルの表現形式及び構造設計は、鍵になる。ニューラルネットワークは、非常に良い非線形判別優位性を有し、降雨と表面流出との二つの要素により連携して駆動される谷間型土石流発生予測モデルを構築するために用いることができ、さらに土石流発生の降雨閾値を予測するために用いられる。

【発明の概要】

【0004】

谷間型土石流の降雨閾値予測システムは、サンプルセット構築モジュール１００においてモニタリング対象流域のサンプルセットＳを構築し、モデル訓練モジュール２００においてサンプルセットＳを利用して谷間型土石流発生の識別モデルＲＤＭを訓練して構築し、予測モジュール３００において識別モデルＲＤＭを利用してモニタリング対象流域の谷間型土石流発生の降雨強度閾値を予測し、
前記サンプルセット構築モジュール１００は、モニタリング対象流域の降雨イベントサンプルを収集し、流域降雨イベントサンプルからサンプル特徴ＸとラベルＹを抽出してサンプルセットＳを構築し、サンプルセットＳは、サンプルセットＴＰＳとサンプルセットＴＮＳとを含み、前記流域降雨イベントサンプルには土石流発生がある降雨イベントサンプルＰＳと、土石流発生がない降雨イベントサンプルＮＳとが含まれ、前記サンプル特徴Ｘは、ｊ個の降雨特徴Ｘ_１と、ｋ個の流域表面流出量特徴Ｘ₂とを含み、降雨イベントサンプルＰＳからサンプル特徴Ｘを抽出し且つ正サンプルラベル＋Ｙにマッチングし、真のサンプルセットＴＰＳを構築し、降雨イベントサンプルＮＳからサンプル特徴Ｘを抽出し且つ負サンプルラベル－Ｙにマッチングし、真の負サンプルセットＴＮＳを構築し、
前記モデル訓練モジュール２００は、サンプルセットＳを利用して訓練セット、検証セット、試験セットに分け、機械学習を経て識別モデルＲＤＭを訓練して生成し、
前記予測モジュール３００は、異なる降雨再現期の降雨強度条件における降雨データと流域表面流出量データを入力として、前記識別モデルＲＤＭを利用して土石流が発生するかどうかを判断し、さらに土石流の降雨強度閾値を構築することを特徴とする。

【0005】

上記谷間型土石流の降雨閾値予測システムの最適化は、以下の二つの態様を含んでもよい。

【0006】

最適化１：流域表面流出量計算モデルを導入し、モニタリング流域の降雨データを基礎として、流域表面流出量計算モデルを利用して流域の表面流出量データを計算することによって、サンプルセット構築モジュール１００において流域表面流出量特徴Ｘ₂を取得するという問題、及び／又は予測モジュール３００において流域表面流出量データを取得するという問題を解決する。この最適化方案の好ましい実現方式は、実施例２を参照してもよい。

【0007】

【0008】

最適化３：モデル訓練モジュール２００において、多層多チャンネルのニューラルネットワークを採用して識別モデルＲＤＭを訓練して生成する。この最適化方案の好ましい実現方式は、それぞれ実施例４、実施例５、実施例６を参照してもよい。

【0009】

従来の技術と比べ、本発明の有益な効果は、以下のとおりである。
（１）土石流流域の極端降雨分布特徴、土石流形成領域の水力条件を関連付け、モニタリングされる土石流流域に対して、降雨と表面流出との二つの要素により連携して駆動される谷間型土石流発生予測システムを構築し、土石流発生の降雨閾値を予測するために用いられる。予測システムは、土石流形成発生の水力結合メカニズムにより合致する。

（３）多層多チャンネルのニューラルネットワーク構造のモデル訓練モジュールは、土石流形成メカニズムの降雨条件と表面流出条件との間の非線形特徴に高度に適する。
（４）予測システムは、運行に必要なパラメータが少なく、パラメータが取得しやすく、計算正確度が高く、前期大量の実地調査作業が欠ける場合における谷間型土石流の降雨閾値の迅速な確立に適用できる。

【図面の簡単な説明】

【0010】

【図1】谷間型土石流の降雨閾値予測システムフローを例示的に表示する。

【図2】サンプルセットＳのデータ構造を例示的に表示する。

【図3】流域表面流出量計算モデルの利用を例示的に表示する。

【図4】流域表面流出量計算モデルを利用して得られた流域表面流出量プロセス曲線の一群の例である。

【図5】流域降雨イベントサンプルの降雨データ統計図である。

【図6】谷間型土石流発生の識別モデルＲＤＭの一つの構造を例示的に表示する。

【図7】特徴抽出層ＣＴ１００の一つの構造を例示的に表示する。

【図8】補強計算チャンネルＥＴの一つの構造を例示的に表示する。

【図9】異なる再現期の降雨流域表面流出量プロセス曲線である。

【図10】土石流の降雨強度閾値系統である。

【発明を実施するための形態】

【0011】

以下では、図面を結び付けながら、本発明の好ましい実施例をさらに記述する。

【0012】

＜実施例１＞
先ずモニタリング対象流域を中国ＬＤ県のある土石流の小さな流域として決定した。この小さな流域には地形の特徴で降雨型土石流が極めて発生しやすく、この小さな流域の土石流災害モニタリング早期警報を効果的に実施するために、本発明方法を利用してこの領域の谷間型土石流の降雨閾値指標系統を構築した。

【0013】

谷間型土石流の降雨閾値予測システムは、サンプルセット構築モジュール１００と、モデル訓練モジュール２００と、予測モジュール３００とを含む（図１）。

【0014】

１、サンプルセット構築モジュール１００
サンプルセット構築モジュール１００は、モニタリング対象流域の降雨イベントサンプルを収集した。流域降雨イベントサンプルは、異なる方式と結びつけて収集してもよく、例えば、研究対象流域においてモニタリングシステムを構築し、流域降雨イベントサンプルをモニタリングして収集すること、又は研究対象流域において現場調査を行って流域降雨イベントサンプルを整理して収集することを含む。いわゆる現場調査は、モニタリング対象流域の現場に対する様々な地質実地調査、実地踏査、測量と製図、測定作業、及び分野における従来のシミュレーション実験、試験実験、観測実験、分析実験、及び災害履歴の取得、及び関連技術規範、及び参照と参考作用がある経験方法及びデータ取得などを含む。

【0015】

流域降雨イベントサンプルからサンプル特徴ＸとラベルＹを抽出してサンプルセットＳを構築し、サンプルセットＳは、サンプルセットＴＰＳとサンプルセットＴＮＳとを含む。

【0016】

流域降雨イベントサンプルには土石流発生がある降雨イベントサンプルＰＳと、土石流発生がない降雨イベントサンプルＮＳとが含まれた。降雨イベントサンプルＰＳからサンプル特徴Ｘを抽出し且つ正サンプルラベル＋Ｙにマッチングし、真のサンプルセットＴＰＳを構築し、降雨イベントサンプルＮＳからサンプル特徴Ｘを抽出し且つ負サンプルラベル－Ｙにマッチングし、真の負サンプルセットＴＮＳを構築した。サンプル特徴Ｘは、降雨特徴Ｘ_１と、流域表面流出量特徴Ｘ₂とを含む（図２）。

【0017】

２、モデル訓練モジュール２００
モジュール１００により構築されたサンプルセットＳを利用して訓練セット、検証セット、試験セット訓練に分け、機械学習を経て識別モデルＲＤＭを訓練して生成した。

【0018】

モジュール２００により使用される機械学習モデルは、任意の降雨特徴Ｘ_１と流域表面流出量特徴Ｘ₂のデータに適するモデルを採用してもよかった。

【0019】

３、予測モデル３００
予測モジュール３００は、異なる降雨再現期の降雨強度条件における降雨データと流域表面流出量データを入力として、モジュール２００により生成された識別モデルＲＤＭを利用して土石流が発生するかどうかを判断し、さらに土石流の降雨強度閾値を予測した。

【0020】

＜実施例２＞
本実施例は、谷間型土石流の降雨閾値予測システム内に流域表面流出量計算モデルを導入し且つ利用することを表示した。

【0021】

各流域降雨イベントサンプルに対して、流域表面流出量計算モデルを導入することによって降雨データを利用して流域表面流出量データを計算した。

【0022】

流域表面流出量計算モデルは、式１、式２によって表され、

式において、Ｈ-流域地表産流深さであり、ｍｍであり、
Ｐ-降雨強度であり、ｍｍであり、流域降雨イベントサンプルにおける降雨分布データによって決定し、
Ｓ_２-流域地表の最大潜在貯水量であり、ｍｍであり、
Ｃ_ｎ-モニタリング対象流域の表面流出曲線数である。

【0023】

流域表面流出量計算モデルの具体的な利用は、流域降雨イベントサンプルの降雨強度Ｐを降雨継続時間に沿って展開し、降雨強度時間シーケンス［Ｐ］を得、流域表面流出量計算モデルを利用して流域地表産流深さＨを見積もり、時間シーケンス［Ｈ］を得ることである（図３、図４）。

【0024】

＜実施例３＞

【0025】

【0026】

【0027】

【0028】

＜実施例４＞
本実施の形態では、モデル訓練モジュール２００の機械学習モデルは、ニューラルネットワークを採用し、多層多チャンネルのニューラルネットワークとして最適に設計され、識別モデルＲＤＭを訓練して生成するために用いられた。

【0029】

モデル訓練モジュール２００は、ローカル計算層２１０と、グローバル計算層２２０とを含む。ローカル計算層２１０は、２特徴計算チャンネルＣＴを含み、特徴計算チャンネルＣＴは、特徴抽出ユニットＣＴ１００と、Ｍ１乗算器ＣＴ２００と、ローカルＳｉｇｍｏｉｄ層ＣＴ３００とを含み、２特徴抽出ユニットＣＴ１００は、それぞれサンプルセットＳの降雨特徴Ｘ_１、流域表面流出量特徴Ｘ₂を入力し、２ローカルＳｉｇｍｏｉｄ層ＣＴ３００の出力端は、グローバル計算層２２０に接続された。グローバル計算層２２０は、Ｃｏｎｃａｔ層２２１と、グローバルＳｉｇｍｏｉｄ層２２２とを含む（図６）。

【0030】

ローカルＳｉｇｍｏｉｄ層ＣＴ３００は、式３によって表された。

【0031】

【0032】

グローバルＳｉｇｍｏｉｄ層２２２は、式４によって表された。

【0033】

【0034】

本実施の形態では、特徴抽出ユニットＣＴ１００に対する最適化設計をさらに含む。特徴抽出ユニットＣＴ１００は、ＣＮＮ層ＣＴ１１０と、補強計算層ＣＴ１２０と、加算器ＣＴ１３０と、ＭａｘＰｏｏｌ層ＣＴ１４０とを含む。ＣＮＮ層ＣＴ１１０は、それぞれサンプルセットＳの降雨特徴Ｘ_１、流域表面流出量特徴Ｘ₂を入力し、補強計算層ＣＴ１２０は、２補強計算チャンネルＥＴを含み、補強計算チャンネルＥＴの入力端は、ＣＮＮ層ＣＴ１１０に接続され、ＣＮＮ層ＣＴ１１０からのデータの補強計算を実行し、出力端は、加算器ＣＴ１３０に接続され、ＭａｘＰｏｏｌ層ＣＴ１４０の出力端は、Ｍ１乗算器ＣＴ２００に接続された（図７）。

【0035】

【0036】

＜実施例５＞
本実施の形態では、実施例４による最適化された補強計算チャンネルＥＴ構造である。

【0037】

補強計算チャンネルＥＴは、ＡｖｇＰｏｏｌ層ＥＴ１００と、Ｃｏｎｖ層ＥＴ２００と、ＲｅＬＵ層ＥＴ３００と、Ｃｏｎｖ層ＥＴ４００と、Ｓｏｆｔｍａｘ層ＥＴ５００と、Ｍ２乗算器ＥＴ６００とを含み、ＡｖｇＰｏｏｌ層ＥＴ１００の入力端は、ＣＮＮネットワークＣＴ１１０に接続され、Ｍ２乗算器ＥＴ６００の入力端は、ＣＮＮ層ＣＴ１１０とＳｏｆｔｍａｘ層ＥＴ５００に接続され、出力端は、加算器ＣＴ１３０に接続された（図８）。

【0038】

＜実施例６＞
実施例４、実施例５を結び付けたニューラルネットワークを採用してモデル訓練モジュール２００において実施例２、実施例３のデータを利用して谷間型土石流発生の識別モデルＲＤＭを訓練して生成した。予測モデル３００において土石流の降雨強度閾値を予測した。

【0039】

【0040】

【0041】

【表1】

【0042】

【0043】

異なる降雨再現期の降雨条件における降雨データと流域表面流出量データを入力として、識別モデルＲＤＭを利用して土石流が発生するかどうかを判断し、土石流の降雨強度閾値を予測した。予測して決定された谷間型土石流発生の降雨強度閾値に基づいて閾値系統を構築した（図１０）。

【要約】

本発明は、谷間型土石流の降雨閾値予測システムを開示する。選択されたモニタリング対象流域に対して、予測システムは、モジュール１００においてサンプルセットＳを構築し、モジュール２００においてサンプルセットＳを利用して谷間型土石流発生の識別モデルＲＤＭを訓練して構築し、モジュール３００において識別モデルＲＤＭを利用してモニタリング対象流域の谷間型土石流発生の降雨強度閾値を予測する。サンプルセットＳのサンプル特徴を降雨特徴と流域表面流出量特徴との二つの種類に指向することによって、モジュール２００は、降雨と表面流出との二つの要素により連携して駆動される識別モデルを構築する。モジュール２００において多層多チャンネルのニューラルネットワーク構造を構築することによって、モデルＲＤＭは、土石流形成メカニズムの降雨条件と表面流出条件との間の非線形特徴に高度に適する。
【選択図】図１

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】