10:45 〜 11:15
[SCG51-07] 畳み込みニューラルネットワークによる観測データからのエンドツーエンド津波浸水予測
★招待講演
キーワード：津波、リアルタイム予測、機械学習
津波の発生から短時間で詳細な津波の浸水状況を予測し、迅速に情報を提供することができれば、適切な避難行動を支援する効果的な防災情報になりうる。震災以降、日本近海の津波観測網の強化に伴って、リアルタイム津波浸水予測の研究が進められている。逆解析による津波波源推定（e.g., Tsushima et al., 2014）や、データ同化等による波動場の推定（e.g., Maeda et al., 2015）ののち、スパコンによる高速計算によって津波を予測するもの（e.g., Oishi et al., 2015）や、事前に計算されたデータベースからのマッチングによって津波を予測するもの（e.g., Yamamoto et al., 2016）などが提案されているが、観測データからの短時間での津波波源推定の難しさや、予測にあたって比較的大きな計算資源を必要とするといった課題がある。本研究では、非常に小規模な計算資源であっても高速に予測を行うことのできる畳み込みニューラルネットワーク（CNN）を用いて、観測データから予測点の津波浸水波形を直接予測する方法を提案する。
本研究では、東北沖の地震津波を想定し、仙台平野の荒浜小学校付近の浸水波形を予測する問題を設定して、提案手法の検証を行った。2011年の津波の波源逆解析（Fujii et al., 2013）の断層形状を採用し、小断層のすべり量をランダムに与えることで地震シナリオを生成した。断層パラメータからOkada （1992）の方法で初期水位変動を与え、TUNAMI-N2（Goto et al., 1997）で津波の伝播を計算し、 CNNの学習に使うデータを生成した。合計12,000件のシミュレーションを実施し、10,000件をTraining、1,000件をValidation、1,000件をTestに割り当てた。入力として、予測点を囲む海域の津波観測点と陸域の地殻変動観測点を設定し、津波観測点では観測機器に応じた津波波形が、地殻変動観測点ではその場所の地盤高が得られるとした。CNNは畳み込み層12層と全結合層3層からなるものを採用した。今回は観測時間によってCNNの構造を変更しなかったため、観測時間に比例して中間特徴量が増加する。津波のシグナルと同じ長さの地盤高の定数ベクトルを入力とし、0.5 Hzでサンプリングされた予測点の2時間分の正解波形と予測波形のMSEをロス関数としてCNNの学習を行った。
はじめに、人工的に生成した1,000件のTestシナリオの予測性能を確認した。津波の観測データのみを用いた場合、CNNの予測精度は観測時間の増加に伴って増加するが、これに地盤高の情報を加えることで5分程度の短時間の観測でも、津波のみを30分観測するのと同等の誤差で浸水波形を予測できることが分かった。予測精度の向上は主に地盤高の推定精度に対応していることを確認した。最大津波高さと津波の到達時間の予測誤差は数%であり、推論に必要な時間は、1ノードのCPUを使用してI/Oを含めて数秒以内であった。また、特定の観測点からの入力を意図的に欠落させ、その際の予測の変化量で観測点の感度分析を行ったところ、CNNが津波の伝播に合わせて重視する観測点を自動で変えていることや、広く与えた観測点からの入力に対して、予測点周辺の観測点からの情報のみを予測に使っていることがわかった。予測にあたって全体の波源を推定する必要がない手法の特徴が表れている結果と考えられる。
次に、同様の10,000件の地震シナリオと2011年当時の観測網のもとでデータを生成し、そのデータを学習したCNNに当時の観測データを入力して実イベントを想定した予測性能を検証した。検証では荒浜小学校付近の浸水予測のほかに、浸水痕跡の不確かさを補うために、時系列データが得られている仙台新港での海域の波形予測も実施した。観測時間を10分から40分まで変化させた場合の予測の変化を確認したところ、35分程度の観測以降、CNNは陸上・海域の痕跡の両方に整合する津波高を予測した。到達時間については、避難の判断に資する精度で予測したものの、予測された津波の到達は痕跡よりも数分程度、早まる傾向が確認された。この誤差は学習データ生成において、断層の破壊伝播等を考慮していないことが一因であると考えられる。今後、様々な津波のシナリオを学習させることで、十分な速度をもった、より精度のよい津波浸水予測が可能になると考えられる。
本研究では、東北沖の地震津波を想定し、仙台平野の荒浜小学校付近の浸水波形を予測する問題を設定して、提案手法の検証を行った。2011年の津波の波源逆解析（Fujii et al., 2013）の断層形状を採用し、小断層のすべり量をランダムに与えることで地震シナリオを生成した。断層パラメータからOkada （1992）の方法で初期水位変動を与え、TUNAMI-N2（Goto et al., 1997）で津波の伝播を計算し、 CNNの学習に使うデータを生成した。合計12,000件のシミュレーションを実施し、10,000件をTraining、1,000件をValidation、1,000件をTestに割り当てた。入力として、予測点を囲む海域の津波観測点と陸域の地殻変動観測点を設定し、津波観測点では観測機器に応じた津波波形が、地殻変動観測点ではその場所の地盤高が得られるとした。CNNは畳み込み層12層と全結合層3層からなるものを採用した。今回は観測時間によってCNNの構造を変更しなかったため、観測時間に比例して中間特徴量が増加する。津波のシグナルと同じ長さの地盤高の定数ベクトルを入力とし、0.5 Hzでサンプリングされた予測点の2時間分の正解波形と予測波形のMSEをロス関数としてCNNの学習を行った。
はじめに、人工的に生成した1,000件のTestシナリオの予測性能を確認した。津波の観測データのみを用いた場合、CNNの予測精度は観測時間の増加に伴って増加するが、これに地盤高の情報を加えることで5分程度の短時間の観測でも、津波のみを30分観測するのと同等の誤差で浸水波形を予測できることが分かった。予測精度の向上は主に地盤高の推定精度に対応していることを確認した。最大津波高さと津波の到達時間の予測誤差は数%であり、推論に必要な時間は、1ノードのCPUを使用してI/Oを含めて数秒以内であった。また、特定の観測点からの入力を意図的に欠落させ、その際の予測の変化量で観測点の感度分析を行ったところ、CNNが津波の伝播に合わせて重視する観測点を自動で変えていることや、広く与えた観測点からの入力に対して、予測点周辺の観測点からの情報のみを予測に使っていることがわかった。予測にあたって全体の波源を推定する必要がない手法の特徴が表れている結果と考えられる。
次に、同様の10,000件の地震シナリオと2011年当時の観測網のもとでデータを生成し、そのデータを学習したCNNに当時の観測データを入力して実イベントを想定した予測性能を検証した。検証では荒浜小学校付近の浸水予測のほかに、浸水痕跡の不確かさを補うために、時系列データが得られている仙台新港での海域の波形予測も実施した。観測時間を10分から40分まで変化させた場合の予測の変化を確認したところ、35分程度の観測以降、CNNは陸上・海域の痕跡の両方に整合する津波高を予測した。到達時間については、避難の判断に資する精度で予測したものの、予測された津波の到達は痕跡よりも数分程度、早まる傾向が確認された。この誤差は学習データ生成において、断層の破壊伝播等を考慮していないことが一因であると考えられる。今後、様々な津波のシナリオを学習させることで、十分な速度をもった、より精度のよい津波浸水予測が可能になると考えられる。