AIコンペティション「ブルーカーボン・ダイナミクスを可視化せよ!」1位解法

by STAIR Lab

Slide 1

Slide 1 text

AIコンペティション「ブルーカーボン・ダイナミクスを可視化せよ！」成果報告会 2023年度人工知能学会全国大会 2023年6月9日株式会社NRIデジタルデータサイエンスＤＳ１グループ小川和広（ kazuhiro.O ）

Slide 2

Slide 2 text

Slide 3

Slide 3 text

2 Copyright（C） NRI Digital, Ltd. All rights reserved. 注目点海底地形の可視化・数値化特徴 ◼海藻の生育には、調査地点のピンポイント情報の他、周辺の海底地形も影響していると推測。 ⇒水深ラスタデータより周辺地形を可視化・数値化し、新たな特徴量を生成。調査地点被度 0%～ 5%～ 10%～ 15%～ 20%～ 250%～ 30%～ 35%～ 40%～ 45%～ 50%～陸地（水深ラスタより作成）調査地点＋水深ラスタ(depth)データ

Slide 4

Slide 4 text

3 Copyright（C） NRI Digital, Ltd. All rights reserved. 具体的な工夫点（一部のみご紹介）特徴 ◼モデル特徴量 ⚫水深境界からの距離 ⚫海底の傾斜方位 ⚫陸地連結図形からの距離 ◼モデル作成 ⚫調査地点同士の位置関係でモデルを分割 ⚫同一調査グループでGroupKFold ◼後処理 ⚫パターン別予測結果より、最小の値を採用 GIS GIS GIS GIS GIS

Slide 5

Slide 5 text

4 Copyright（C） NRI Digital, Ltd. All rights reserved. モデル特徴量① 水深境界からの距離解法 ◼水深が深い範囲の被度は低い傾向。深い海では太陽光や栄養分が不足するためと想定。 ⇒水深が浅い範囲を抽出。境界線と調査地点の距離を特徴量に追加。調査地点被度 0%～ 5%～ 10%～ 15%～ 20%～ 250%～ 30%～ 35%～ 40%～ 45%～ 50%～陸地（水深ラスタデータより作成）水深4m境界調査地点＋水深4m以下

Slide 6

Slide 6 text

5 Copyright（C） NRI Digital, Ltd. All rights reserved. モデル特徴量② 海底の傾斜方位解法 ◼海底の傾斜方位により被度の偏りが見られる。海流や太陽光による影響などと想定。 ⇒調査地点付近の海底の傾斜方位を算出し、特徴量に追加。 60% 53% 45% 42% 43% 55% 65% 60% 70% 56% 66% 73% 0% 20% 40% 60% 80% 0° 30° 60° 90° 120° 150° 180° 210° 240° 270° 300° 330° 傾斜方位別の被度平均東西北南東西北南

Slide 7

Slide 7 text

6 Copyright（C） NRI Digital, Ltd. All rights reserved. モデル特徴量③ 陸地連結図形からの距離解法 ◼湾内や島の間などは比較的被度が高い傾向。激しい海流による育成阻害が小さいためと想定。 ⇒一定距離内の陸地を連結した図形を生成。図形と調査地点との距離を特徴量に追加。調査地点被度 0%～ 5%～ 10%～ 15%～ 20%～ 250%～ 30%～ 35%～ 40%～ 45%～ 50%～陸地（水深ラスタデータより作成）陸地連結図形調査地点＋陸地連結境界

Slide 8

Slide 8 text

7 Copyright（C） NRI Digital, Ltd. All rights reserved. モデル作成の工夫① モデル分割解法 ◼調査地点の周辺環境が異なれば、藻場の被度に影響する要素も変わると想定。 ⇒周辺環境のパターン毎にモデルを構築。調査地点同士の位置関係より学習データを３パターン分割。 ⚫ パターン①：集中的に調査がされている地点 ⚫ パターン②：上記①以外で外洋に近い地点 ⚫ パターン③：上記①以外で外洋から遠い地点 ※ パターン①：調査年月が同一、かつ、調査地点同士が 60m以内にある調査地点をグルーピングし、同一グループが5地点以上ある地点群 ※ パターン②：上記①になく、調査地点と陸地を囲む範囲の境界から500m以内にある地点群 ※ パターン③：上記①になく、調査地点と陸地を囲む範囲の境界から500mより内側にある地点群陸地（水深ラスタデータより作成）外洋との境界（陸地＋調査地点より作成）調査地点同士の位置関係よりデータ分割

Slide 9

Slide 9 text

8 Copyright（C） NRI Digital, Ltd. All rights reserved. モデル作成の工夫② データセット分割解法 ◼調査年月が同一で距離が近い＝一連の調査と想定される地点同士は、被度が近い傾向。 ⇒調査年月×地点間距離で、同一調査グループを作成し、GroupKFoldでデータセット分割。調査地点を調査年月×距離毎にグループ化 ※ 調査年月が同一、かつ、調査地点同士が2km以内にある調査地点をグルーピング。

Slide 10

Slide 10 text

9 Copyright（C） NRI Digital, Ltd. All rights reserved. モデル全体構成解法 ◼パターン別に算出した各予測結果より、最小の値を最終予測結果として採用。 ⇒生育しない条件を予測するモデルとなっており、最も生育に厳しい条件の予測が実態に近いと想定。パターン③ パターン② パターン① モデル①_５モデル①_４モデル①_３モデル①_２モデル①_１モデル②_１学習データテストデータ予測結果①_１予測結果①_２予測結果①_３予測結果①_４予測結果①_５予測結果②_１～５予測結果③_１～５予測結果all_１～５予測結果 ① 予測結果 ② 予測結果 ③ 予測結果 all 最終予測結果平均平均平均平均最小予測予測予測予測学習データ全体でのモデルも構築テストデータは分割せず、全データを対象に各モデルで予測 GroupKFold：5分割 LightGBMでモデル作成モデルイメージ図モデル③_１モデルall_１