自然災害を未然に防ぐAI研究 降雨量や斜面崩壊を“LSTM”で予測【土木×AI第10回】：“土木×AI”で起きる建設現場のパラダイムシフト（10）（1/2 ページ）

連載第10回は、自然災害の被害を未然に防ぐためのAI活用例として、水位や降雨量の予測などの最新研究を紹介します。

[阿部雅人（土木学会 構造工学でのAI活用に関する研究小委員会 副委員長），BUILT]

　AIは、将来予測にも用いられています。自然災害の問題で、AIを用いた予測について考えてみましょう。

河川水位の上昇を機械学習で算定

　自然災害への対応では、原因となる気象現象など、予測の精度やタイミングが極めて重要になります。例えば、水害の際に有効な水防活動や避難行動を行うには、河川水位をあらかじめ想定しておくことがカギになります。下図は、大淀川に予測地点を設け、水位上昇を機械学習で算定した事例です※1。ここでは、地図中にある他観測所での過去の観測データを学習に活用することで、高い精度での予測に成功しています。

予測・観測地点と水位予測の結果例。■流域平均雨量、○予測地点の実測水位、ー予測水位　出典：※1

※1 「スタッキングの適用による河川水位の時系列予測」箱石健太,荒木健,一言正之／AI・データサイエンス論文集1巻J1号p453-458／「科学技術情報発信・流通総合システム（J-STAGE）」／2020年

　深層学習を将来予測に適用するには、ニューラルネットワークに工夫が必要となります。通常のニューラルネットワークは、下図左のように、“入力”と“出力”を関係付けるものです。将来予測をするには、過去の傾向を踏まえて、将来を推定する必要がありますが、そのままでは、過去の情報を使うことができません。

　そこで、中間の「隠れ層」に過去の情報を採り入れることで、時系列の問題にも適用できる「リカレントニューラルネットワーク（RNN：下図右）」が考案されました。なかでもRNNを発展させて、特殊な隠れ層を用いることで長期記憶を導入した「LSTM（Long Short Term Memory）」という手法が最近では活発に用いられています。

ニューラルネットワーク（NN）とリカレントニューラルネットワーク（RNN）

　LSTMを降雨予測に適用した事例が文献2「LSTMを用いた鹿児島市における集中豪雨イベントの再現」※2です。左図の赤で示した観測点のデータから、黄色の点の降雨量を推定した結果が右図の赤い色の線となります。集中豪雨のピークを完全には再現できていませんが、青色の線で示した数値予報モデルの結果と比べても、遜色のない結果が得られています。

観測地点（予測対象地点は黄色）と予測結果、…：観測値、ー：LSTM予測値、ー：気象庁メソ数値予報モデル　出典：※2

※2 「LSTMを用いた鹿児島市における集中豪雨イベントの再現」白澤元気,加古真一郎,中村啓彦／AI・データサイエンス論文集2巻J2号p893-901／「科学技術情報発信・流通総合システム（J-STAGE）」／2021年

★連載バックナンバー：

『“土木×AI”で起きる建設現場のパラダイムシフト』

本連載では、土木学会 構造工学でのAI活用に関する研究小委員会で副委員長を務める阿部雅人氏が、AIと土木の最新研究をもとに、今後の課題や将来像について考えていきます。