17:15 〜 18:30
[PEM13-P15] 深層学習を用いたオーロラの自動検出システム：ノルウェー・トロムソにおけるリアルタイム運用
キーワード：機械学習、オーロラ、デジカメ観測、統計解析
コンピュータの計算能力の向上に伴い，家庭用の汎用計算機においても，大量の計算を伴う深層学習技術が手軽に利用できるようになりつつある。深層学習技術は，しばしばオーロラの物理学にも役立てられるようになってきている。オーロラの地上光学観測は，天候やオーロラの発生に関わらず，一晩中データを取得することが一般的である。したがって，観測画像には，オーロラの科学的研究にとって利用価値の低いものが大量に含まれている。これらの観測画像を分類することは，オーロラの統計解析を行う上で有用なことである。Clausen and Nickisch (2018) は，カナダ，アラスカに設置されている全天カメラ群 Time History of Events and Macroscale Interactions During Substorms (THEMIS) All-Sky Imager (ASI) により観測された画像に対し，深層学習を用いてオーロラの自動検出を試みた。画像は arc，discrete，diffuse，cloudy，moon，clear の 6 クラスに分類され，学習結果は，検証データに対し 82% の精度を示した。THEMIS ASI による観測画像は，色の情報を持たない白黒の画像だが，Kvammen et al. (2020) は，デジタルカメラにより観測されたオーロラのカラー画像を 7 クラスに分類した。様々な画像分類のタスクで高い精度を達成している ResNet-50 (He et al., 2016) を用いた学習結果は，92% の適合率を示したが，彼らのモデルは，オーロラの写っていない画像を入力の対象としていない。従って，デジタルカメラにより撮影された膨大なデータから，オーロラが含まれている画像を抽出するというタスクは達成されていない。そこで，本研究では，ResNet-50 を用いて全てのカラー画像を入力できる検出器を作成した。画像のクラスは，arc，discrete，diffuse，aurora+moon，aurora+cloud，clear，cloudy，dusk/dawn の 8 クラスとし，学習結果は検証データに対し 92 % の適合率を示した。これらの学習に用いた教師データや、統計解析の結果を公開するウェブサイトを作成した。また、観測画像の分類をリアルタイムに行い、オーロラの発生を通知する機能を実装した。発表では，ウェブサイトの詳細な利用方法や，2009 年からの 10 シーズンにわたる観測データの統計解析結果を紹介する予定である。