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

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 ）

View Slide

1
Copyright（C） NRI Digital, Ltd. All rights reserved.
GISで多くの特徴量を生成⇒機械学習でモデル化
特徴
GIS 機械学習
⚫ QGIS、PostGISをフル活用して
約500個の新しい特徴量を生成
⚫ LightGBMで手軽にモデル構築
＆チューニング

View Slide

2
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

View Slide

3
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

View Slide

4
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

View Slide

5
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

View Slide

6
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%～
陸地連結図形
調査地点＋陸地連結境界

View Slide

7
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
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

View Slide

8
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。

View Slide

9
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

View Slide

10
コンペティションを終えて
感想
◼GISを活用した可視化・数値化により、
イメージがし易い特徴量を生成。
⇒比較的解釈性が高く、他の方への説明が
しやすいモデル作りを実現。
◼大変興味深い課題をご提供いただいた
主催者の皆様に感謝いたします。
ありがとうございました。

View Slide

View Slide

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

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

STAIR Lab

More Decks by STAIR Lab

Other Decks in Technology

Featured

Transcript