説明
Disaster Resilience Science Team (https://aip.riken.jp/labs/goalorient_tech/disaster_resilience/) at RIKEN AIP
*第1, 2, 3セッションは日本語で行います。第4セッションは英語で行います。(同時通訳はございません。)
Speaker 1: 上田修功 (35 min)
Title: 防災科学チームの概要と気象予測について
Abstract: 防災科学チームでは防災科研や気象庁と連携し、人工知能技術による大地震によるインフラ被害の事前推定や、気象の高精度な予測など、自然災害による被害を最小限に食い止めるための技術を構築しています。今回は、防災科学チームの概要と気象予測を中心にお話しします。
Speaker 2: 市村強 (25 min)
Title: 高性能計算による地震の超大規模シミュレーションとそのニューラルネットワークによる高速化
Abstract: 地震シミュレーションの対象は規模が大きく、かつ、必要分解能が高くなるため，超大規模問題を解く必要が生じる。本講演では、この超大規模問題を解くために開発を進めているfast scalable implicit solverにより京や富岳などのスーパーコンピュータ上で行われた高性能計算に基づく地震の超大規模シミュレーションと更なる高速化のためのニューラルネットワークを用いた検討について概説する。
Speaker 3: 岡崎智久 (25 min)
Title: データ駆動による地震動強さの予測式
Abstract: 将来想定される地震に対して各地点の揺れ（地震動）を予測する地震動予測式が、ハザードマップ作成など地震防災に活用されている。同程度の規模・距離の地震であっても、各地点の地盤特性により地震動が大きく変化することが知られている。本発表では、過去の地震記録から地盤特性をニューラル・ネットワークを用いて機械学習することで、安定して高い予測性能を示すモデルを構築した研究を紹介する。
Speaker 4: Bahareh Kalantar (25 min)
英語での講演となります
Title: Assessment of Convolutional Neural Network Architectures for Earthquake-Induced Building Damage Detection based on Pre- and Post-Event Orthophoto Images
Abstract: In recent years, remote-sensing (RS) technologies have been used together with image processing and traditional techniques in various disaster-related works. Among these is detecting building damage from orthophoto imagery that was inflicted by earthquakes. Automatic and visual techniques are considered as typical methods to produce building damage maps using RS images. The visual technique, however, is time-consuming due to manual sampling. The automatic method is able to detect the damaged building by extracting the defect features. However, various design methods and widely changing real-world conditions, such as shadow and light changes, cause challenges to the extensive appointing of automatic methods. As a potential solution for such challenges, this research proposes the adaption of deep learning (DL), specifically convolutional neural networks (CNN), which has a high ability to learn features automatically, to identify damaged buildings from pre- and post-event RS imageries. In this work, we focus on RS imageries from orthophoto imageries for damaged-building detection, specifically for (i) background, (ii) no damage, (iii) minor damage, and (iv) debris classifications. The gist is to uncover the CNN architecture that will work best for this purpose. To this end, three CNN models, namely the twin model, fusion model, and composite model, are applied to the pre- and post-orthophoto imageries collected from the 2016 Kumamoto earthquake, Japan. According to the obtained results, the twin model achieved higher accuracy (OA = 76.86%; F1 score = 0.761) compare to the fusion model (OA = 72.27%; F1 score = 0.714) and composite (OA = 69.24%; F1 score = 0.682) models.
