画像解析を用いた懸濁物質濃度の連続モニタリングと機械学習による固有の相関関係の導出

Continuous monitoring of suspended sediment concentrations using image analytics and deriving inherent correlations by machine learning.

• Mohammad Ali Ghorbani
• Rahman Khatibi
• Vijay P Singh
• Ercan Kahya
• Heikki Ruskeepää
• Mandeep Kaur Saggi
• Bellie Sivakumar
• Sungwon Kim
• Farzin Salmasi
• Mahsa Hasanpour Kashani
• Saeed Samadianfard
• Mahmood Shahabi
• Rasoul Jani

抄録

水路・河川における浮遊物質濃度（SSC）の連続モニタリングを開発するための障壁には、コストと技術的なギャップがあるが、本論文では、以下の方法で解決可能であることを示している。(i)容易に入手可能な高解像度画像を使用すること、(ii)画像を画像解析に変換してモデリングデータセットを作成すること、(iii)観測されたSSC値と画像解析の間の固有の相関関係を学習して予測モデルを構築すること、である。一連のSSC値を含む水の高解像度画像は、探査用樋を使用して撮影された。機械学習は、データセットをトレーニングセットとテストセットに分割して処理され、本論文では以下のモデルを使用しています。一般化線形機械(GLM)と分散ランダムフォレスト(DRF)である。結果は、各モデルが信頼性の高い予測が可能であることを示しているが、より高いSSCでの誤差は、モデル化だけでは十分に説明できないことを示している。ここでは、実践ガイドラインの作成を目的とした研究の次の段階に入る前に、水路での連続的な SSC モニタリング機能の実現可能性について十分な証拠を提供している。

The barriers for the development of continuous monitoring of Suspended Sediment Concentration (SSC) in channels/rivers include costs and technological gaps but this paper shows that a solution is feasible by: (i) using readily available high-resolution images; (ii) transforming the images into image analytics to form a modelling dataset; and (iii) constructing predictive models by learning inherent correlation between observed SSC values and their image analytics. High-resolution images were taken of water containing a series of SSC values using an exploratory flume. Machine learning is processed by dividing the dataset into training and testing sets and the paper uses the following models: Generalized Linear Machine (GLM) and Distributed Random Forest (DRF). Results show that each model is capable of reliable predictions but the errors at higher SSC are not fully explained by modelling alone. Here we offer sufficient evidence for the feasibility of a continuous SSC monitoring capability in channels before the next phase of the study with the goal of producing practice guidelines.