---
title: 寄り回り波を予測するニューラルネットワークの感度解析による過去事例の分析
tags:  #高波 #寄り回り波 #ニューラルネットワーク  
author: [Ninomiya Lab, Kanazawa Univ](https://www.docswell.com/user/airsea)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/5EGL5GPWJL.jpg?width=480
description: 海岸工学講演会2019
published: June 08, 26
canonical: https://www.docswell.com/s/airsea/ZPRG28-2026-06-08-113938
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/5EGL5GPWJL.jpg)

寄り回り波を予測するニューラル
ネットワークの感度解析による
過去事例の分析
金沢大学大学院
金沢大学
金沢大学
増田
二宮
斎藤
和輝〇
順一
武久
1


# Page. 2

![Page Image](https://bcdn.docswell.com/page/4JQYZX2Q7P.jpg)

研究背景・手法
2/10
波浪推算モデルによる富山湾の高波浪（寄り回り波）の再現は難しく，
誤差の要因について明らかになってない
どの地点の気圧・風速が波高に影響しているか把握する必要がある
・富山湾沿岸の寄り回り波を予測するニューラルネットワーク（NN）を構築
⇒ 感度解析を行い入出力関係の影響度を定量的に評価
極端現象を取り扱った入力ユニットの多いNNに対して感度解析を行っている
例は多くない
・複数の種類の感度解析手法を用いて解析結果の比較
⇒ 極端現象の予測を行う大規模なネットワークでの感度解析の適用性


# Page. 3

![Page Image](https://bcdn.docswell.com/page/K74W36LYE1.jpg)

3/10
ネットワークの構成
斎藤ら(2016)とTraceyら(2018)にならい階層型NNを用いる
入力：JRA-55 - 日本海上40地点の気圧・風速
出力：NOWPHAS観測値 - 富山・波高
表
学習イベント
教師データには観測開始時期から2008年2月
以前に発生した寄り回り波発生期間を利用
波高：Hs
気圧/東西風速/南北風速
40x3 = 120
気象データと波高データ間にリードタイムを設ける


# Page. 4

![Page Image](https://bcdn.docswell.com/page/LJ1Y1VLNEG.jpg)

4/10
NNによる過去事例の解析結果-リードタイム毎の学習精度
表
解析対象
2008年2月以降に発生した有義波高5.0 m以上の
高波を対象にNNの精度検証を行った(4ケース)
- 相関係数・ピーク波高差
図
リードタイム毎の学習精度の比較（左図：イベントA, 中図：イベントB, 右図：イベントC）
●点は中央値，上下左右＋点は第一，第三四分位数を示す
イベントA, B, Dは相関係数&ピーク波高差ともに13hが最も精度が良い
イベントCでは11hが最も精度が良い結果に


# Page. 5

![Page Image](https://bcdn.docswell.com/page/GJWG8LQM72.jpg)

NNによる過去事例の解析結果-教師データ毎の学習精度
図
5/10
教師データの学習精度比較（左からイベントAのピーク波高差と相関係数，イベントCのピーク波高差と
相関係数を示す．箱上下線は第一，第三四分位数，箱の中央線は中央値，＋は外れ値，ひげの上下線は
第一，第三四分位数＋四分位数範囲×1.5内にある最大値及び最小値を示す．また，赤枠は精度の良い
学習結果，青枠は悪い学習結果を示す．）
教師データに用いたイベントごとにNNの
学習の違いを比較（箱ひげ図）
イベントA, B, DはNo.4, イベントCではNo.2,11を
教師データに含むモデルの精度が良くなる


# Page. 6

![Page Image](https://bcdn.docswell.com/page/4EZL8MWM73.jpg)

6/10
感度解析手法
表
NNモデルの予測結果
精度検証よりそれぞれの
過去事例の予測に適したモデル
⇒ 感度解析よる経験則の抽出
感度解析手法
感度係数法
結合荷重法
𝑤
𝑆
∑
𝑤
𝑆
𝑡
𝑇
𝑡
𝑤
𝑡
𝑡
(1)
𝑎
(2)
𝜕𝑦
𝜕𝑥
(3)
𝑥 ∶ 入力データ
𝑤 ∶ 結合荷重
結合荷重の評価を組織的に
入出力の影響を比率で表示
𝑤
𝐹
𝑥
𝜃
基準値代入法
(4)
𝑟
𝐻
𝐻′
𝐻
(6)
𝐻 ∶ 基準値代入前の出力波高
𝐹′ 𝑎 𝑤
𝐹′𝑥 𝑤
(5)
𝜃 ∶ バイアス値
𝐹 ∶ 伝達関数
NNのパフォーマンスより
入出力関係の偏微分を算出
波高ピーク時の値を入力
𝐻 ∶ 基準値代入後の出力波高
各入力の基準値を代入
各入力成分の影響を取り
除いた出力値を算出
学習結果変化の大きさから
入力成分の影響度を評価


# Page. 7

![Page Image](https://bcdn.docswell.com/page/Y76WPNG57V.jpg)

7/10
感度解析法の比較
結合荷重法
図
感度係数法
基準値代入法
学習済みNNの感度解析結果の比較 - 南北風速（赤が濃いほど出力に対しての寄与が大きい）
結合荷重法は影響の大きい地点が広範囲に存在
⇒ 結合荷重のみで影響を表すため，常時波浪時の入出力関係の影響も
解析結果に反映されたと考えられる
感度解析法と基準値代入法は時刻を考慮可能
⇒ 寄り回り波発生時の学習状況を評価できる&同様な結果を示す
時系列を扱うNNの極端現象の評価に対して感度係数法と基準値代入法が適切


# Page. 8

![Page Image](https://bcdn.docswell.com/page/G75MK5VG74.jpg)

入出力関係の評価
図
学習済みNNの感度解析結果―基準値代入法・南北風速（左から順にイベントA, B, C, D）
それぞれの過去事例で共通して日本海沿岸の南北風速に強く影響
海面更生気圧は風速に比べて影響が低くなった
イベントA, B, Dでは北緯41度，東経137度付近（青枠）
イベントCは他の事例の共通点と異なった地点（緑枠）の影響が大きい
8/10


# Page. 9

![Page Image](https://bcdn.docswell.com/page/9J29WN3DER.jpg)

NNの感度解析から得た寄り回り波を引き起こす爆弾低気圧の特性
NNを用いた精度検証と感度解析の結果
⇒ 寄り回り波の事例に応じて予測に適したNNの学習条件が異なる
（＝イベントA, B, DとイベントCは同一モデルで学習できない）
表
爆弾低気圧の経路特性（複数の経路の平均値）
最大発達率地点
Type
1
2
寿命
[h]
58.8
80.0
移動距離
[km]
3693
2708
平均移動速度
[km/h]
62.5
34.5
Type 1 イベントA, B, DとNo.3, 4
東経
[deg]
140.2
145.4
北緯
[deg]
37.0
39.1
Type 2 : イベントCとNo.2, 11
- 精度検証より精度向上に寄与する教師データの事例も用いた
Type 1 の低気圧は日本海周辺や日本列島上で発達する経路が多く
Type 2 は太平洋の海上で発達する経路が多い
9/10


# Page. 10

![Page Image](https://bcdn.docswell.com/page/DEY4LP1MJM.jpg)

10/10
まとめ
本研究は富山湾沿岸の寄り回り波を予測するNNモデルを構築し，
過去事例を対象に精度検証と感度解析を行った．
1）
時系列データを扱うNNモデルの極端現象評価に対して，
時刻を考慮できる感度係数法と基準値代入法は適切
2)
リードタイム11-13 hが相関係数とピーク波高値の再現に適した学習条件
寄り回り波発生から到達に11-13 hかかる現象だと考えられる．
3)
日本海沿岸の南北風速が共通して高い影響を示す．
特に北緯40 ~ 42度，東経137 ~ 139度付近の南北風速で影響が大きい．
4) 日本海周辺や日本列島上で発達する経路と太平洋海上で発達する経路と
分けて学習する必要がある．