20251006_02-6

Transcript

1. iRICフォーラム2025＠帯広 2025/10/6 水工分野における AI・データサイエンスの発展と データ公開への期待 1 日本工営株式会社 一言 正之（ひとこと まさゆき）
2. コンテンツ ① イントロダクション ② 水工学分野におけるAI ③ 社会実装・サービス展開 ④ おわりに 2
3. 3 自己紹介 ※現在のChatGPT（GPT-4.5）は、 2024年6月までの情報を学習済み ChatGPT 2025年版 Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved.
4. 4 AIモデルの急激な進化 モデルのパラメータ数 学習に要した計算量 15年で 約120億倍 （毎年4.7倍） 15年で 約10万倍 （毎年2.2倍） https://epoch.ai/data/ai-models 指数関数的に進化が続いている。 Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved.
5. 5 東大理科Ⅲ類（医学部）も合格レベルに 共同通信 https://www.4 7news.jp/1240 8242.html • 問題を画像データとして直接読み込ませて、各教科を解答。 • （画像→テキストの変換もAIが対応。教科ごとのチューニングも不要。） Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved.
6. 6 人間を凌駕していくAI https://time.com/630 0942/ai-progress- charts/ 画像 認識 手書き文 字認識 音声認識 文章 理解 言語 理解 常識 理解 小学校 算数 プログ ラミング 人間のレベル 次々と人間のレ ベルをAIが凌駕 Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved.
7. コンテンツ ① イントロダクション ② 水工学分野におけるAI ③ 社会実装・サービス展開 ④ おわりに 7
8. 8 降雨予測 流入量予測 異常検知 洪水調節 ドローン 地震時点検 水位予測 大潮・高潮対策 （堰操作） 堤体モニタリング （クラック、漏水等） アオコ予測 潮位予測 渇水期間・予防法 施設制御支援 日常管理効率化 防災体制通知 情報集約 関係機関へのFAX ：洪水時 ：渇水時 ：平常時・その他 不審者判定 洪水初期操作 後放流 長期降雨予測 避難支援 巡視点検 異常検知 人物判定 機器の維持管理 河川・ダム管理におけるAI活用 低水 予測 Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved. 氾濫域 予測 植生判断 植生予測
9. 水位予測・ダム流入量予測 9
10. 大淀川流域（宮崎県）、 樋渡（ひわたし）地点 1990～2014年の上位24 洪水から学習。 氾濫危険水位（9.2m）を 超えた4洪水で精度検証。 →AI（深層学習）モデル が、他のモデルを上回る 精度となった。 予測地点 10 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1時間予測 2時間予測 3時間予測 4時間予測 5時間予測 6時間予測 RMSE (m) 分布型, スライド補正 分布型, 粒子フィルタ ＡＮＮ（3層，深層学習なし） 水位相関 深層学習 0 20 40 60 80 100 0 3 6 9 12 15 1990/9/28 21:00 1990/9/29 3:00 1990/9/29 9:00 1990/9/29 15:00 1990/9/29 21:00 1990/9/30 3:00 1990/9/30 9:00 雨量（mm/h） 水位（m） 0 20 40 60 80 100 0 3 6 9 12 15 1990/9/28 21:00 1990/9/29 3:00 1990/9/29 9:00 1990/9/29 15:00 1990/9/29 21:00 1990/9/30 3:00 1990/9/30 9:00 雨量（mm/h） 水位（m） 0 20 40 60 80 100 0 3 6 9 12 15 1990/9/28 21:00 1990/9/29 3:00 1990/9/29 9:00 1990/9/29 15:00 1990/9/29 21:00 1990/9/30 3:00 1990/9/30 9:00 雨量（mm/h） 水位（m） 流域平均雨量 樋渡実績水位 予測水位 0 20 40 60 80 100 0 3 6 9 12 15 1990/9/28 21:00 1990/9/29 3:00 1990/9/29 9:00 1990/9/29 15:00 1990/9/29 21:00 1990/9/30 3:00 1990/9/30 9:00 雨量（mm/h） 水位（m） 精度評価は 点線区間内 0 20 40 60 80 100 0 3 6 9 12 15 1990/9/28 21:00 1990/9/29 3:00 1990/9/29 9:00 1990/9/29 15:00 1990/9/29 21:00 1990/9/30 3:00 1990/9/30 9:00 雨量（mm/h） 水位（m） 0 20 40 60 80 100 0 3 6 9 12 15 1990/9/28 21:00 1990/9/29 3:00 1990/9/29 9:00 1990/9/29 15:00 1990/9/29 21:00 1990/9/30 3:00 1990/9/30 9:00 雨量（mm/h） 水位（m） 分布型 + 粒子フィルタ ANN（3層） 深層学習 分布型 + スライド補正 線形相関 深層学習モデル （誤差が最小） Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved. 一言正之, 櫻庭雅明, 清雄一： 深層学習を用いた河川水位予測 手法の開発，土木学会論文集 B1（水工学）, 72(4), pp.187-192, 2015. 洪水予測モデル（ディープラーニング） AI（深層学習） が、他のモデル の精度を上回っ た。
11. 11 AI研究を支えている国交省データベース データ公開が 研究を支えている Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved. HQ式も あれば…
12. 12 ダム管理におけるAI活用（国交省検討会） 気候変動に対応したダム の機能強化のあり方に関 する懇談会（2023.11） https://www.mlit.go.jp/river/shinngi kai_blog/dam_kondankai/dai03kai /02_shiryo02.pdf Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved. AIダム流入量予測 導入済み・検討中 のダムが半数以上 ※現在はもっと多い
13. 高度化① 未経験規模の洪水でのAI予測の精度向上 • AIによるダム流入量予測は、物理モデルの精度を超えるものと期待されている。 • （課題）未経験規模の降雨において、AI予測の精度が低下する場合がある。 • 従来のモデル例：学習規模（過去の洪水）を上回る未経験の大洪水を表現できていない。 0 20 40 60 80 100 120 140 160 180 0 200 400 600 800 1000 1200 1400 1600 1800 2018/7/4 7:00 2018/7/5 7:00 2018/7/6 7:00 2018/7/7 7:00 2018/7/8 7:00 2018/7/9 7:00 時間雨量（mm/h） 流入量（m3/s） 雨量 観測値 通常 0 20 40 60 80 100 120 140 160 180 0 200 400 600 800 1000 1200 1400 1600 1800 2018/7/4 7:00 2018/7/5 7:00 2018/7/6 7:00 2018/7/7 7:00 2018/7/8 7:00 2018/7/9 7:00 時間雨量（mm/h） 流入量（m3/s） 雨量 観測値 データ拡張 通常 流域界 河川 雨量観測所 【凡例】 野村ダム 本研究の結果：仮想の大洪水 を学習データに加えることで、 大洪水での予測精度が向上。 1. 一言 正之, 荒木 健, 箱石 健太, 遠藤 優斗：深層学習を用いたダム流入量予測における学習データ拡張方法の提案—未経験規模の出水に対する適用性の向上—, 河川技術論文集, 28 巻, 2022. 2. 一言 正之, 荒木 健, 箱石 健太, 遠藤 優斗：深層学習を用いたダム流入予測における学習データ拡張の適用性検証, 土木学会論文集B1（水工学）, 78(2), I_175-I_180, 2022. 13 Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved.
14. 高度化② XAI（説明可能なAI）による予測根拠の可視化 14 ① ② ③ ①立ち上が り ②ピーク ③低減 2D- CNN 特徴量をマスクしても、予測できればそのマスクした 特徴量は予測に寄与していない。と言える。 流入量 x,y,zの組合せのうち、任意の 特徴量をマスクし、予測する。 予測〇 → 寄与× 予測× → 寄与〇 この組合せ計算を行い、特徴量の寄与度を算出 ダム 流域の 解析雨 量 SHAP：協力ゲーム理論に 基づいた寄与の算出 対象流域：土師ダム Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved. ① 洪水の立ち上がり時。 AIは現在の雨に強く着目 ② 洪水のピーク時。 AIは過去3時間の雨に強 く着目。 ③洪水の低減時。 AIは過去24～48時間の 雨に強く着目 入力雨量による洪水への寄 与は、水文的な解釈と矛盾 しないことが確認できた。 （入力データの影響を可視 化できた。） →意思決定や、モデルの精 度向上に有益。 箱石 健太, 一言 正之, 善光寺 慎悟, 西口 亮太：畳 み込みニューラルネットワークを用いた流入量予測 モデルにおけるXAIの考察, AI・データサイエンス 論文集, 4 巻 , 3 号, 2023.
15. Googleによる洪水予測（Flood Hub） 15 https://ai.googleblog.com/2019/09/an-inside-look-at-flood-forecasting.html • 日流量を7日先まで予測。（地域によ って氾濫域も予測？） • 地形データ（衛星画像の処理）、計算 高速化にもAIを活用。AI用の大規模 計算機資源を活用。 日本には未上陸 自国の技術・デー タでシステムを持っ ておくことは重要 Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved.
16. AIによる氾濫浸水予測 16
17. 氾濫浸水域の推定AI 0 0.5 1 1.5 2 2.5 3 越流水深 経過時間 越流水深(1-250) • 氾濫シミュレーション（物理モデル）を1000ケ ース実施。12時間後の浸水深予測を出力。 • 次元圧縮により、約22万メッシュ（22万次元） の浸水データを、わずか10次元程度に圧縮。 氾濫シミュレーションによる学習・検証データの作成 河 川 水 位 予 測 氾 濫 シ ミ ュ レ ー シ ョ ン 面 的 な 浸 水 深 予 測 荒川 隅田川 破堤地点 越流 地点 × ←404メッシュ→ ← ５ ４ ８ メ ッ シ ュ → 予測水位（1000ケース） 特徴量1 特徴量2 特徴量3 特徴量4 特徴量5 特徴量6 特徴量7 特徴量8 特徴量9 特徴量10 • 右図：次元圧縮によって得 られた10個の特徴量。こ れら10パターンの組み合 わせで、1000ケースの浸 水分布が再現できる。 • 試行した次元圧縮手法： ①特異値分解、 ②非負値 行列因子展開、③オートエ ンコーダ 17 Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved. 浸 水 深 分 布 の 次 元 圧 縮 河 川 水 位 予 測 圧 縮 さ れ た 各 次 元 の 係 数 面 的 な 浸 水 深 FFNN 次元復元 正解画像 （シミュレーション結果） 予測画像 （FFNN予測の復元） 深層学習と次元復元による、12時間後の浸水分布の予測 1 4 3 2 ・ ・ ・ 12 ・・・ 中間層 ・・・ ・・・ 次 元 圧 縮 さ れ た 係 数 ベ ク ト ル を 出 力 越 流 地 点 の 水 位 時 系 列 を 入 力 中山龍也，羽物裕人，一言正之，樫山和男：次元圧縮と深層学習を用いた反教師あり学習による浸水域予測モデルの構築，AI・データサイエンスシンポジウム，2024． 中山龍也，山口歓太，一言正之，樫山和男：次元圧縮を適用した深層学習に基づくリアルタイム浸水域予測の高度化，AI・データサイエンスシンポジウム，2025． • 深層学習モデルにより、越流地点 の河川水位から、浸水分布の特徴 量を予測。 • 次元圧縮によりデータ量を削減す ることで、AIの学習が格段に容易 となる。 • 河川水位予測AIと、浸水予測AI の組み合わせにより、瞬時の浸水 予測システムが実現可能。 堤防・河道断面データ が公開されれば、技術 段階が一気に上がる。
18. AIによるダム操作 18
19. 19 AIによる洪水時のダム操作 治水計画に基づく操作規則がある完璧ではない。深層強化学習 によるダム操作が研究されている。 石尾将太、一言正之、島本卓三、 房前和朋：深層強化学習を用いた ダム操作モデルによる洪水調節 ，河川技術論文集, 2019． 放流ゲートを 〇〇cm開こう 貯水位（現在) xxx 流入量の増加状況 xxx 流入量（現在） xxx 流入量（1h後） xxx 流入量（2h後） xxx 流入量（3h後） xxx ・ ・ 12:00 の状況 ダム操作の サポートに AIを活用。 操作 規則 Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved. AI ・ダムに洪水を貯留すると報酬。 ・下流の洪水が増大したら罰則。 ダム流入量、放流量、貯水位など 環境 （ダム諸量、気象状況、 水文条件など） エージェント （ダム操作モデル） a :行動 r :報酬 罰則 s :状態 方策 に従って 放流量を決定 π 最大の報酬を もらいたい！ AI 仮想洪水を大量に作成し、うまく操作できるようにAIを学習。
20. ダム操作AIの学習結果 設定項目 設定内容 入力データ ・流入量（現時刻） ・放流量（10分前） ・貯水位（10分前） ・上限水位と貯水位との差（10分前） ・10分前からの放流量変化 ・予測流入量（1時間後～6時間後） 出力データ ・0～最大可能放流量を15段階に区分した値 280 288 296 304 312 320 328 336 344 0 1,000 2,000 3,000 4,000 5,000 6,000 7,000 8,000 7/11 10:00 7/11 13:00 7/11 16:00 7/11 19:00 7/11 22:00 7/12 1:00 7/12 4:00 7/12 7:00 7/12 10:00 7/12 13:00 7/12 16:00 7/12 19:00 7/12 22:00 7/13 1:00 7/13 4:00 7/13 7:00 7/13 10:00 7/13 13:00 7/13 16:00 7/13 19:00 7/13 22:00 7/14 1:00 7/14 4:00 7/14 7:00 7/14 10:00 7/14 13:00 7/14 16:00 7/14 19:00 7/14 22:00 7/15 1:00 7/15 4:00 7/15 7:00 7/15 10:00 7/15 13:00 貯水位（m） 流入量・放流量（m3/s） H24.7.13洪水 下筌ダム引き伸ばし流入量 下筌ダム放流量 下筌ダム貯水位 -80000 -70000 -60000 -50000 -40000 -30000 -20000 -10000 0 10000 -16,000 -14,000 -12,000 -10,000 -8,000 -6,000 -4,000 -2,000 0 2,000 7/11 10:00 7/11 13:00 7/11 16:00 7/11 19:00 7/11 22:00 7/12 1:00 7/12 4:00 7/12 7:00 7/12 10:00 7/12 13:00 7/12 16:00 7/12 19:00 7/12 22:00 7/13 1:00 7/13 4:00 7/13 7:00 7/13 10:00 7/13 13:00 7/13 16:00 7/13 19:00 7/13 22:00 7/14 1:00 7/14 4:00 7/14 7:00 7/14 10:00 7/14 13:00 7/14 16:00 7/14 19:00 7/14 22:00 7/15 1:00 7/15 4:00 7/15 7:00 7/15 10:00 7/15 13:00 得点 H24.7.13洪水 得点 総得点 280 288 296 304 312 320 328 336 344 7/11 13:00 7/11 16:00 7/11 19:00 7/11 22:00 7/12 1:00 7/12 4:00 7/12 7:00 7/12 10:00 7/12 13:00 7/12 16:00 7/12 19:00 7/12 22:00 7/13 1:00 7/13 4:00 7/13 7:00 7/13 10:00 7/13 13:00 7/13 16:00 7/13 19:00 7/13 22:00 7/14 1:00 7/14 4:00 7/14 7:00 7/14 10:00 7/14 13:00 7/14 16:00 7/14 19:00 7/14 22:00 7/15 1:00 7/15 4:00 7/15 7:00 7/15 10:00 7/15 13:00 貯水位（m） H24.7.13洪水 下筌ダム引き伸ばし流入量 下筌ダム放流量 下筌ダム貯水位 280 288 296 304 312 320 328 336 344 0 1,000 2,000 3,000 4,000 5,000 6,000 7,000 8,000 7/11 10:00 7/11 13:00 7/11 16:00 7/11 19:00 7/11 22:00 7/12 1:00 7/12 4:00 7/12 7:00 7/12 10:00 7/12 13:00 7/12 16:00 7/12 19:00 7/12 22:00 7/13 1:00 7/13 4:00 7/13 7:00 7/13 10:00 7/13 13:00 7/13 16:00 7/13 19:00 7/13 22:00 7/14 1:00 7/14 4:00 7/14 7:00 7/14 10:00 7/14 13:00 7/14 16:00 7/14 19:00 7/14 22:00 7/15 1:00 7/15 4:00 7/15 7:00 7/15 10:00 7/15 13:00 貯水位（m） 流入量・放流量（m3/s） H24.7.13洪水 下筌ダム引き伸ばし流入量 下筌ダム放流量 下筌ダム貯水位 得点 総得点 得点 総得点 操作規則による シミュレーション AIによる シミュレーション 下流への急 激な放流 AIにより リスク低減 AIにより リスク低減 20 ダム天端か らの越流 流入量 放流量 貯水位 0 1,000 2,000 3,000 4,000 5,000 6,000 7,000 8,000 7/11 10:00 7/11 13:00 7/11 16:00 7/11 19:00 7/11 22:00 7/12 1:00 7/12 4:00 7/12 7:00 7/12 10:00 7/12 13:00 7/12 16:00 7/12 19:00 7/12 22:00 7/13 1:00 7/13 4:00 7/13 7:00 流入量・放流量（m3/s） H 下筌ダム引き伸ばし流入量 下筌ダム放流量 下筌ダム貯水位 -6,000 -4,000 -2,000 0 2,000 得点 H 得点 総得点 入出力の設定 設定データ 学習エポック数 250 （22洪水, 8679データを250回くりかえし学習） 学習アルゴリズム DQN（Deep Q NetWork） 行動選択 ε-greedy-annealed法 ε=0.5（開始時）、ε=0.001（200エポック以降） 報酬の設定 • 洪水調節量（流入量－放流量）に応じて加点 • 異常洪水時防災操作の開始水位超過に応じて減点 • 上限水位（＝設計洪水位）の超過に応じて減点 • 放流量の振動（前ステップとの差）に応じて減点 仮想降雨の作成 ① 操作規則では対応が難しい仮想降雨を作成（28洪水）。 ② 上記の仮想降雨から、貯留関数モデルでダム流入量を算出。 一言正之、澤谷拓海、植西清：深層強化学習を用いたダム操作モデルの予測流入量誤差に対 する影響評価，AI・データサイエンス論文集，2020．（AI・データサイエンス奨励賞） 澤谷拓海、一言正之、植西清：ダム下流の危険度を考慮した深層強化学習におけるダム操作 モデルの構築，土木学会論文集B1(水工学), 2020． 一言ほか：特別防災操作や本則操作の運用ルールを踏まえた深層強化学習によるダム操作， 土木学会論文集B1(水工学), 2025．（採択済） ほか Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved. ダムのHV・操作規則 などが公開されれば、さ らに事例検討が進む
21. コンテンツ ① イントロダクション ② 水工学分野におけるAI ③ 社会実装・サービス展開 ④ おわりに 21
22. Manesus(災害版) 災害時情報共有システム Preview －予測雨量閲覧システム 防すけ® －災害対応等支援システム 準備 Prepare 行動 Act 共有 Share ・予測雨量 , 潮位を情報収集 ・防災対応の準備 , 体制確保 ・災害対応 , 防災行動 , 避難行動 ・災害リスク , 現地情報等を収集 ・伝達 , 集約 , 共有 , 連携を一元化 ・受付～措置～完了の進捗管理 平時 切迫時 復旧時 ダム諸量の実績値 降水短時間予報(15時間先まで) LFM局地予報(18時間先まで) MSMガイダンス(78時間先まで) GSMガイダンス(84時間先まで) GSM全球アンサンブル (264時間先まで) MSMメソアンサンブル (39時間先まで) 1 解析雨量（実績） 実績データ 予測雨量 データ スマホから登録 道路巡回支援 から登録 ＜一覧表画面＞ ＜マップ画面＞ ＜個票画面＞ ＜集計画面＞ 苦情報告書類や日報，写真 台帳等がExcel出力可能 進捗管理可能 検索・抽出表示可能 項目別，進捗別，地区別などの リアルタイム集計可能 スマホで作業報告， 写真登録が可能 ①一元的な情報集約と迅速な判断・行動を支援 ②地域の課題解決に必要な情報・機能を具備 ③水位,浸水の予測情報、Iot機器の現地情報等 ④フェーズフリー、地域の基盤となるプラットフォーム ＜防すけ：商標登録第6573085号＞ ①災害情報の共有や進捗管理を一元化 ②報告様式の自動作成等による効率化 ③現地の情報や作業の報告をスマホ登録 ④平時にはインフラ管理に活用 ①気象庁提供の予測情報を一元監視 ②視覚的に理解しやすい（特許技術） ③降雨の強さや豪雨発生時間帯が把握可能 ④防災対策の心構えや準備、体制構築に活用 ＜特許登録番号：7588194＞ 22 ➢ 自然災害に関する平時・切迫時・復旧時の各ステージに必要となる情報を一元化・集約したクラウドサービスを提供しています。 防災マネジメント支援システム “Stage(ステージ)” Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved.
23. コンテンツ ① イントロダクション ② 水工学分野におけるAI ③ 社会実装・サービス展開 ④ おわりに 23
24. 以上 ご清聴ありがとうございました 24 • データ公開が、AI・データサイエンスの研究開発を支えて いる。 • ダムや河道内データなどの公開が進めば、さらなる技術開 発・サービス開発が進む。 • 今後も我々は、水工分野でのデータ活用を進めていきたい。 Copyright Ⓒ NIPPON KOEI Co., Ltd. All Rights Reserved.