Retrieval of Hurricane Rain Rate From SAR Images
 Based on Artificial Neural Network
 
 二村忠宏
 1 第2回 SatAI.challenge勉強会


目次 
 2 ● 自己紹介スライド
 ● 研究の1ページサマリ紹介 
 ● Introduction
 ● Data and Preprocessing 
 ● モデルに関して
 ● トレーニング結果・評価 
 ● 実際の事例に適用した結果・結論 


3 著者紹介 This image was generated by ChatGPT

4 二村　忠宏 スカパーJSAT株式会社スペースインテリジェンス事業部 過去の仕事：災害対応用衛星データ提供システム内自動解析アルゴリズム開発（CVベース、前々職） 　　　　 損害保険自動支払い用AI開発PoC（技術DD中心、前職） 小型SAR衛星コンステレーションの利用拡大に向けた実証（CV＋AI、現職） 研究(業務)テーマ ：実業務に向けた衛星解析手法の探求 　　　　　　　　　SAR画像の鮮明化（SARの原理から計算） SAR画像単画像からの土砂崩れ箇所の抽出 自己紹介 LinkedIn


5 1ページサマリ This image was generated by ChatGPT

Retrieval of Hurricane Rain Rate From SAR Images Based on Artificial Neural Network 
 6 ● SAR画像から従来の気象観測衛星よりも高分解能にハリケーンの降雨量分布を推定する 
 ● 従来はSAR画像処理から経験的な処理により実施されて来たが、ニューラルネットワークとモデルオーバー フィッティングをコントロールする遺伝的アルゴリズムにより、SARの後方散乱係数等の情報と雨量の相関を検 証することで全球的な雨量推定へつなげる 
 ● ハリケーンダグラスを例に実際のケースと比較すると同じような傾向が得られ、精度よく求まっていると思われる 
 
 SAR画像からニューラルネットワークを使用しハリケーンの雨分布を推定 
 Zhancai Liu et al. (2024), “Retrieval of Hurricane Rain Rate From SAR Images Based on Artificial Neural Network”, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol17, 2024. より引用 提案手法による解析結果と従来気象観測衛星による観測結果の比較 


7 論文紹介 This image was generated by ChatGPT

● SAR画像は全天候で高分解能に海上・地表面の情報を得るのに最適な手段 
 ● SAR画像でハリケーン等を観測すると下図のようにハリケーンの構造と思われる反射が観測できる 
 ⇒従来から海上風による違いと考えられてきた 
 ● 海上風と降雨量の相関については様々な論文で議論されてきた（機械学習に寄らない方法含め）が特に降雨量 が激しい箇所についてはかなり難しかった 
 Introduction 
 8 Sentinel-1による台風の観測画像（赤線は後述） 
 Zhancai Liu et al. (2024), “Retrieval of Hurricane Rain Rate From SAR Images Based on Artificial Neural Network”, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol17, 2024. より引用

● これらのデータに関して2016年～2022年の46個の東太平洋と大西洋のハリケーンで収集 
 ● SFMRとSentinel-1は計測時刻に差があるため、データマッチングとしてSFMRについて2時間のタイムウィンドウ かつ20秒平均した降水量を使用 
 Data and Preprocessing 
 9 Zhancai Liu et al. (2024), “Retrieval of Hurricane Rain Rate From SAR Images Based on Artificial Neural Network”, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol17, 2024. より引用 使用データ 種別 解像度 Sentinel-1 IW/EW dual-pol GRD SAR画像 20mx22m(IW), 93mx87m(EW) SFMR 航空機搭載型マイクロ波 放射計 前ページの赤線のライント ラック International Best Track Archive for Climate Stewardship（IBTrACS） ハリケーンのトラックデー タ GPM搭載DPR降雨データ（検証用 データ） DPRによる降雨3次元 データ 5㎞×5㎞×250m(Vertical)

● 全体的なフローとしては下図のようなデータ戦略で実施している 
 モデルに関して 
 10 Zhancai Liu et al. (2024), “Retrieval of Hurricane Rain Rate From SAR Images Based on Artificial Neural Network”, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol17, 2024. より引用

● ニューラルネットワークはCascaded-Feedfoward Neural Network(CFNN)を採用しており、構造としては以下 
 ● この構造を右図のような遺伝的アルゴリズムでトレーニングする 
 ● 評価指標としてはSFMRとのRMSEを小さくするようにしている 
 モデルに関して 
 11 Zhancai Liu et al. (2024), “Retrieval of Hurricane Rain Rate From SAR Images Based on Artificial Neural Network”, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol17, 2024. より引用

● 入力を変化させた場合の結果が左図 
 ○ SARのパラメータ（σ0(VV), σ0(VH), θ（入射角）, Φ（緯度））だけでなく、D（ハリケーン中心からの距 離）、ｖ（風速）などを入れた場合の方が精度がよいモデルとなっている 
 ● モデルセットの最終的な評価結果が右図 
 トレーニング結果・評価 
 12 Zhancai Liu et al. (2024), “Retrieval of Hurricane Rain Rate From SAR Images Based on Artificial Neural Network”, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol17, 2024. より引用

● ハリケーンダグラスに対して、本研究で作成したモデルを適用 
 ○ GPMという雨雲監視専用に設計された衛星とほぼ同様の結果であり、より高分解能な結果となっている 
 ○ SARにより高分解能な雨量推定ができることを示した。 
 ● 一方でSFMRで降水量が多い（15mm/hr）ケースは少ないため、その箇所を推定することは課題として残っている ので今後はその部分の改良に注力 
 実際の適用例、Conclusion 
 13 Zhancai Liu et al. (2024), “Retrieval of Hurricane Rain Rate From SAR Images Based on Artificial Neural Network”, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol17, 2024. より引用