|
愛媛大学大学院理工学研究科の片岡智哉准教授、国立研究開発法人 海上・港湾・航空技術研究所 港湾空港技術研究所の田村仁・藤木峻、ORNIS株式会社／琉球大学名誉教授の藤井智史らの研究グループは、陸上に設置した短波海洋レーダの観測データから、沖合の「波」と「風」を人工知能（AI）で面的かつ同時に計測する手法を開発しました（図1）。 |
【研究成果のポイント】
- 陸上の短波海洋レーダ※1が捉える信号から、波のエネルギーが「どの周期・どの方向」に分布するか（波浪スペクトル※2）と、海上の風向・風速とを、沖合の広い海域にわたって面的かつ同時に推定する深層学習（CNN）モデルを開発しました。
- 従来、波の向きを正しく求めるには２基のレーダによる同時観測が必要でしたが、１基でも隣接する複数ビームの情報をまとめて入力することで、検証段階で２基と同等の波向精度（誤差約20度）を達成しました。
- 従来の物理モデルに基づく解析法（ベイズ法※3）と比べてノイズに強く安定した推定が可能で、計算時間は１地点・１時刻あたり約3.5秒から約30ミリ秒へと約100分の1に短縮されました。
- 周波数の異なる２海域のレーダ（日向灘13.5 MHz、紀伊水道24.515 MHz）に同一構造のモデルがそのまま適用できることを確認し、沿岸防災や洋上風力発電など海洋利用への展開が期待されます。
【研究成果の詳細】
短波海洋レーダは、陸上の送受信アンテナから海面に電波を照射し、波によって散乱されて戻ってくる電波を解析することで、沖合数十キロメートルの広い海域の流れ・波・風を昼夜問わず面的・連続的に観測できる、数少ない陸上設置型の遠隔計測技術です。古くから国内外で防災・海難救助・海洋利用のインフラとして導入が進んでいます。
しかし、レーダ信号から波や風の情報を取り出すことは技術的に難しい課題でした。反射信号（ドップラースペクトル※4）のうち、流れの計測に使われる強い「１次散乱」に対して、波や風の情報を含む「２次散乱※5」は強度が20〜40デシベルも低く、ノイズに埋もれやすいためです。従来手法では、この２次散乱を１次散乱から切り分けたうえで非線形積分方程式を解く必要があり、(1)波が高いときには両者が重なって分離できない、(2)電波干渉や船舶の反射などのノイズで結果が大きく乱れる、(3)波や風の向きを一意に決めるには２基のレーダによる同時観測が必要、(4)風速と信号強度の関係が強い非線形性をもつため風速の推定が難しい、という４つの壁がありました。
研究グループは、これらの壁を「信号を切り分けない」という発想で乗り越えました。レーダ信号全体を、１次散乱の強度を1、ノイズ水準を0とする対数正規化によって画像のような２次元データに変換し、画像認識で実績のあるVGG型の畳み込みニューラルネットワーク（CNN）※6に入力します。学習データには、宮崎県が運用する日向灘の２基（13.5 MHz、2019年・2020年の8〜11月）と、紀伊水道の２基（24.515 MHz、2013年8〜9月）のレーダ観測値、および波浪推算モデル※7WAVEWATCH IIIによる波浪スペクトルと気象モデルの海上風を用いました。出力層は波浪スペクトル（周期35×方向37）と東西・南北方向の風速の計1297項目で、波と風を一つのモデルで同時に推定します。
加えて本研究では、推定したい地点の信号だけを使う従来型（Single Point Selection）に対し、周囲４点の信号をまとめて入力する方式（Quad Point Selection）を考案しました。隣り合うレーダビーム同士の空間的なつながりを手掛かりとすることで、１基のレーダにつきまとう「波がどちら向きから来たのか決められない（180度の方向不確定性）」という問題を緩和できます。検証の結果、１基＋４点方式の波向誤差は約19.7度で、従来必要とされた２基構成（約18.0度）とほぼ同等でした。
学習に使っていない期間のデータ（日向灘：2021年8〜11月、紀伊水道：2014年9〜11月）とGPS波浪ブイ等の現地観測との比較では、日向灘において有意波高※8の誤差0.44メートル（相関係数※9 0.81）と良好な精度が得られました（図３）。また、従来の物理モデルに基づくベイズ法と比べると、本手法はノイズに起因する不自然な乱れが少ない安定した波浪スペクトルを与え、計算時間も１地点・１時刻あたり約3.5秒（CPU）から約30ミリ秒（GPU併用）へと約100分の1に短縮されました。さらに、周波数の異なる２海域のレーダに同一構造のモデルが適用できたことは、装置ごとの個別調整なしに全国のレーダ網へ展開できる可能性を示しています。
図３）波高と風速の時系列比較（黒：レーダ、青：観測値/気象庁モデル値）
一方で課題も残ります。風速の推定精度は相関係数0.47〜0.67にとどまり（図３）、今後の改良が必要です。また、学習データが２か月分と少なかった紀伊水道では波向の精度が低下しており、AIの性能が学習データの量と多様性に強く依存することも明らかになりました。研究グループは今後、複数年にわたる長期データによる学習と、AIが信号のどこに着目しているかを可視化する説明可能AI（XAI）※10の導入を進め、沿岸防災や洋上風力発電の海域調査に役立つ実用的な海象監視システムの構築を目指します。
【論文情報】
掲載誌：Scientific Reports
題名：Simultaneous retrieval of sea-surface waves and winds from high-frequency radar using a convolutional neural network
（参考和訳）畳み込みニューラルネットワークを用いた短波海洋レーダによる海面波浪と海上風の同時推定
著者：Tomoya Kataoka, Hitoshi Tamura, Takashi Fujiki, Satoshi Fujii
DOI：10.1038/s41598-026-76688-2
URL：https://doi.org/10.1038/s41598-026-76688-2
【研究サポート】
国土交通省 交通運輸技術開発推進制度（JPJ002223）
科学技術振興機構（JST）研究成果最適展開支援プログラム（START）プロジェクト推進型（SBIRフェーズ1支援）（JPMJST2459）
【用語解説】
※1 短波海洋レーダ（HFレーダ）：3MHz〜30MHzの短波帯の電波を陸上から海面に向けて発射し、海面で散乱されて戻ってくる電波を解析することで、
沖合数十km〜数百kmの海域の流れ・波・風を面的かつ連続的に測る遠隔計測装置。本研究では13.5 MHzと24.515 MHzの装置を用いました。
※2 波浪スペクトル：海面の波のエネルギーが、どの周期（波の繰り返しの速さ）とどの方向に、どれだけ分布しているかを表したもの。
有意波高などの代表値よりもはるかに多くの情報をもち、うねりと風浪が混ざり合った複雑な海の状態を表現できます。
※3 ベイズ法（ベイズ逆解析法）：観測されたレーダ信号から、確率論（ベイズ統計）に基づいて最もあり得る波の状態を逆算する従来手法。
非線形の方程式を繰り返し計算で解くため、ノイズが多い条件では解が不安定になりやすく、計算にも時間がかかります。
※4 ドップラースペクトル：戻ってきた電波の周波数のずれ（ドップラー偏移）ごとに、どれだけの強さの信号が含まれるかを表したグラフ。
１次散乱と２次散乱は、このグラフ上の大小のピークとして現れます。
※5 １次散乱・２次散乱（ブラッグ散乱）：電波の波長の半分の波長をもつ海の波が電波を強く反射する現象をブラッグ散乱といい、この強い反射が「１次散乱」で、
海面の流れの計測に使われます。一方、複数の波の相互作用によって生じる弱い反射が「２次散乱」で、波や風の情報を含みますが、強度が１次散乱より
20〜40デシベルも低く（1次散乱強度の100分の1〜10000分の1に相当）、ノイズに埋もれやすいため、海象情報の抽出に難しさがあります。
※6 畳み込みニューラルネットワーク（CNN）：多層のニューラルネットワークに大量のデータを学習させ、入力と出力の複雑な対応関係を自動的に獲得させる
人工知能技術（深層学習）の一種。画像の局所的な模様を段階的に捉えることが得意で、画像認識で広く使われています。
本研究では、レーダ信号を画像のように扱うためにCNNを用いました。
※7 波浪推算モデル（WAVEWATCH III）：米国海洋大気庁（NOAA）が開発・公開している、風から波の発生・発達・伝播を計算する数値モデル。
本研究では、AIに学習させるとして、このモデルが計算した波のデータを利用しました。
※8 有意波高：ある時間内に観測された波のうち、高いほうから数えて3分の1の波を平均した波高。人が目で見て感じる波の大きさに近く、
波浪予報などで一般に用いられる指標です。
※9 相関係数：２つのデータがどれだけ連動して変化するかを−1〜1の値で表す指標。1に近いほど、推定値と実測値がよく一致していることを示します。
※10説明可能AI（XAI）：AIが「なぜその答えを出したのか」を人が理解できる形で示す技術。本研究では、AIがレーダ信号のどの部分に着目して波や風を推定
しているかを可視化する手法（Grad-CAMなど）の導入を検討しています。
