[S-TT39] 合成開口レーダーとその応用

[STT39-03] Sentinel-1強度画像を用いた機械学習および深層学習による土砂移動の検出の試み

*伊藤 奎政¹、木下 陽平¹ (1.筑波大学)

キーワード：土砂移動、合成開口レーダー、機械学習、Sentinel-1、強度画像

地震や豪雨などの自然災害時には，土砂移動が発生する恐れがある．土砂移動が発生すると，家屋やインフラへのダメージに加え，集落の孤立や避難，救助の遅れを招き，人的・経済的にも深刻な被害をもたらす．そのため，発災後には被害地域の迅速な把握が必要となる．衛星SARは時間帯や天候に関わらず地表面広域を観測可能であり，被害地域の迅速な把握にも有用である．また近年，衛星画像に対する機械学習の適用が活発に行われており，SARのような視覚的判読が容易でなく，土砂移動による影響も地形や観測条件によって複雑に変化するデータにおいても，機械学習を用いた定量的な検出手法の作成は効果的であると考える．本研究ではCバンド衛星SARであるSentinel-1の強度画像に対し，深層学習を含めた機械学習を用いて土砂移動箇所を検出するモデルを作成し，過去の災害事例を対象にモデルの効果を検証した．
本研究では，Sentinel-1強度画像を用いて作成した災害前後での強度差分画像をはじめとして，地形データも加えた複数の特徴量を用いた教師あり学習を行った．学習はGradient Boosting Decision Treeを用いたピクセルベースでの機械学習と，U-Netモデルを用いたオブジェクトベースでの深層学習をそれぞれ行い，精度を比較した．U-NetはSemantic segmentationモデルの一つであり，通常のFCN（fully convolution network）に比べ，より位置情報を失わずに特徴を学習できる．また，1辺を数百m程度の解像度にダウンスケールした場合の検出結果も確認した．これは，元の解像度における検出結果にはスペックルなどの微小なノイズが無視できず，また土砂移動の詳細な形状や大きさは，発災直後の行政や自治体での実用にはあまり重要ではないと考えたためである．モデルの学習および検出結果の評価は，2018年北海道胆振東部地震と2017年九州北部豪雨の2つの事例で行った．
Gradient Boosting Decision Tree を用いて機械学習を行った結果，2018年北海道胆振東部地震の事例における検出精度はRecall12.01%，Precision58.87%，Kappa係数0.20であり，比較的大きな規模の土砂移動を中心とした一部の被害箇所を検出することに成功した．一方で，2017年九州北部豪雨の事例では土砂移動の誤検出が多く確認された．これは土砂移動以外の箇所でも強い降雨による地表および散乱特性の急激な変化が生じたためであると考えられる．同様にU-Netモデルを用いて深層学習を行うと，2018年北海道胆振東部地震の事例ではKappa係数0.48であり，ピクセルベースでの機械学習に比べ検出精度が大幅に改善した．2017年九州北部豪雨事例においても深層学習を用いることで精度の改善が確認できたが，依然として誤検出は多く存在した．