忘年会があったようです。
私の周りの方々は参加されませんでしたが、他のフロアの方々を中心にバス2台でホテルへ向かわれていました。
勤め先の支店では、緊急事態宣言中も、その前後のテレワークが推奨されている期間も、基本、テレワークなしの出社体制を貫かれてきました。この支店のみのようなので理由は不明ですが、おそらく地域的な業務特性？を優先された結果だと想像します。
と思いきや、今月、昼食のための会議室利用が禁止さました。これまで使われていた方々は文句を言われていましたが、これは理解できます。が、今頃？という意見にも同感。
リモートはダメで全員出社を強いるのに、昼の少人数の集合はダメ、忘年会のような大人数会食はOKで、少人数会食はダメというように見えてしまう方針は、批判されても仕方ないでしょう。
なんだか、バランスが悪いですね。
引き続き、週末は計算を回しながら細々したメンテナンスを継続。
・自転車のブレーキ交換
シュー、ワイヤー交換。快調です。
・自動車のタイヤ交換
冬タイヤへ。ハブの錆が少し進んでいたので清掃。
・自転車チューブ交換
パンクしたので開けてみると、異なるサイズのチューブが入っていました。即交換。
・大型ごみ搬出
ヒーター、ストーブ、スキー、スノボ等々。
・図書整理
配置換えとともに、不要なものを資源ごみへ。
・室外機のホース交換
配管テープが破れていたので新品に巻きなおし。ついでに割れていたホース交換。
・Switch Joy-Con ステック交換
代用品の DUALSHOCK3 がダメになり、壊れていた純正品を修理。パーツ交換で復活。
あとはバッテリーが気になるくらい。まだもつかな？
今年は仕事が暇で、土日を完全に休めています。このような年末は初めて。おかげで今までサボっていた身の回りの整理がはかどっています。晴耕雨読ではありませんが、日中動いて、夜文献整理。既に大掃除にも半分終わり。年末年始はゆっくりできそうです。
初めて3次元で DEM を扱っています。
理論は連続体に比べて単純。小さなモデルは特に問題なく流せました。
が、数万～数十万の粒子を扱いだしてから、パッキングで躓きました。結果が初期状態に大きく依存するのです。パラメータよりも、影響が大きいのかもしれません。
パッキングについて具体的なノウハウが書かれている図書、文献は見当たりません。手元の資料で関連する記述があったのは以下の通り。
伯野元彦「破壊のシミュレーション」よりDEM のパッキング方法です。
a） 規則的に配置する方法
b) ランダムに配置する方法
1. 棄却法
2. 局所移動法
3. 割込法
4. 落下法
5. 成長法
Catherine O'Sullivan 原著「粒子個別要素法」より
1. ランダム生成（半径拡大法、段階圧縮法）
2. 構築法
3. 三角分割
4. 重力堆積法
高橋ほか「個別要素法によるアスファルト混合物解析の要素パッキングに関する一検討」
https://www.jstage.jst.go.jp/article/journalpe1996/2/0/2_0_229/_article/-char/ja/
規則的にパッキングする場合、配置条件によって変形に方向性が現われやすい。
規則的な配置では、単一粒子径が望ましい。
粒子分割の粗密、すなわち粒子半径も解析結果に影響する。その程度は要素モデルによって異なる。
必要とする精度を満足する範囲で最も大きい粒子径を選定するのがよい。
要素モデルの組成(バネ要素とダッシュポット要素の組み合わせ)と、その物理定数のみではなく、パッキング方法も含めて個別要素の集合体モデルを構築しなければならない。
パッキング状態によって結果が大きく異なる事象は、DEM 界では良く知られているようです。この、「何とでもなる」という自由度が辛い。地盤を DEM で適切に模擬するのは、連続体で初期応力状態をつくるよりもかなり難しいと感じます。選択するパッキング方法、その組み合わせ、ノウハウは技術者の経験で培われているといえるでしょう。
が、逆に以下のような考え方もあるようです。
地盤工学のための個別要素法_7_パラメータの設定と土と地盤の作り方(その2)
「その作業ができるところがDEM解析の強みでもある。解析者はその地盤作成の深淵を感じながらも、速く、効率的に解析対象となる供試体や地盤をつくる必要がある。」
経験を積んで深淵を俯瞰できるようになりたいものです。
**************************************
20211217
粒子個別要素法の記述を追記。
こちらは地すべり分布図と PSInSAR の組み合わせ。
前者はDEM＋RF。その精度を高めるのに後者を使用。
Andrea Ciampalini et al. (2016)
Landslide susceptibility map refinement using PSInSAR data
https://www.sciencedirect.com/science/article/pii/S0034425716302759
Landslide Susceptibility Map
The landslide susceptibility map (LSM) of Messina Province was produced by implementing a Random Forests (RF) algorithm in Matlab (Catani et al., 2013).
To avoid subjectivity in the choice of explanatory variables, several parameters were considered among the DEM-derived products: Aspect, Planar Curvature, Profile Curvature, Curvature s.s., Elevation, Flow Accumulation, Topographic Wetness Index (TWI), Log Flow Accumulation and Slope.
The choice of parameters depends on the map unit resolution (MUR) (Catani et al., 2013). Among the possible parameters, we used those suggested for a map unit resolution of 100 m.
Using this MUR, the expected Area Under the Curve (AUC) value is 0.81. A training set was created by randomly selecting 10% of the landslide database.
The DEM had a 20 by 20 m spatial resolution. In the LSM, the average value inside a 100 by 100 m cell was calculated.
Each pixel was classified using four susceptibility classes:
(i) low to null (0–0.3)
(ii) moderate (0.3–0.55)
(iii) high (0.55–0.75)
(iv) very high (0.75–1)
PSInSAR
SqueeSAR: TRE ALTAMIRA, detection of millimetre surface displacements, improving previous PSInSAR algorithm.
Xband COSMO-SkyMed (CSK) in Stripmap mode (40 × 40 km in the range and azimuth directions and 3 × 3 m ground resolution) in both ascending and descending geometry
Integration
The VSlope intervals were determined based on the standard deviation (σ = 7 mm/year) of VSlope for the whole PSI data set after merging the ascending and descending data sets. The matrix in Table 3 shows the correction factors for each considered case. The velocity intervals were determined to increase the susceptibility degree from level 1 to 4. For example, an area characterized by a susceptibility degree of 1 will increase by 1 degree if its VSlope falls within 1 σ to 2 σ of the stability threshold (7–14 in this case), 2 degrees if the VSlope is between 2 σ and 3 σ and so on. The higher the ground deformation velocity, the higher the susceptibility degree. A cell characterized by the maximum susceptibility degree cannot increase further.
Discussion
To improve the PS/DS detection, L-band SAR sensors can be used because their wavelength (30–15 cm) is more suitable to investigate densely vegetated areas.
Both the landslide susceptibility map and the ground deformation velocity map can be used in different ways to forecast landslide occurrence in a selected area. Combining them may improve the reliability associated with predicting these types of phenomena, particularly for slow moving landslides
PSInSAR の活用のお話。
技術者が時間を割くのは PSInSAR 自体ではなく、その結果をどう問題に応用するかというところ。活用例として見本になるような文献でしたので要点を( ..)φメモメモ。
Kamila Pawluszek-Filipiak et al. (2021)
Multi-temporal landslide activity investigation by spaceborne SAR interferometry: The case study of the Polish Carpathians
https://www.sciencedirect.com/science/article/pii/S2352938521001658
However, due to the high temporal decorrelation resulting from vegetative cover and short wavelengths (X-band), it was only partially successful (Perski et al., 2009; Perski et al. (2011). This is mostly related to the low PS density due to the application of TerraSAR-X data. Therefore, the exploitation of C-band (Sentinel-1) and L-band (ALOS PALSAR) data can present more advantages, especially in rural areas.
The PSInSAR approach is based on the following steps:
(1)interferogram generation with respect to a common master image
(2) PS candidate selection based on amplitude dispersion index
(3) first estimation of atmospheric phase screen (atmospheric influence) and topographical and displacement components
(4) second estimation of interferometric components and final PS points selection
For a precise description of the algorithms applied within each step, see Ferretti et al. (2000; 2001).
The interferograms are then generated for each slave image always using the same master image.
Amplitude dispersion index of 0.25 was utilized as a threshold for PS candidate selection, and the final PSs were extracted with a coherence value higher than 0.75.
SARscape® software was used for SAR data processing (Sahraoui et al., 2006).
Persistent scattering (PS) postprocessing
R index: > 0.33
cosβ: >0.3
Moreover, we discarded PS points which showed Vslope>0 because positives values represent uphill movements and it is not representative for small landslide movements, even though positive values exist within landslides, especially in the toe area.
three categories based on PSI velocities :negligible, extremely slow, and very slow
It is worth emphasizing that the reality of the PSInSAR velocity estimation itself is not assessed due to the lack of external field measurements, but this measurement may be related to landslide activity. For this reason, field verification was performed.
In general, applying the PSI approach in rural areas is challenging. However, the results of this study prove that increasing the temporal sampling rate in view of launching the second Sentinel 1 satellite, provides a higher PS density and, therefore, this technique can deliver useful information for landslide activity assessment.
From another point of view, the application of two Sentinel datasets from ascending and descending orbits, using only one Sentinel satellite (C band), allows us to achieve a similar PS density in comparison to the one ascending dataset of ALOS PALSAR (L-band).
勤め先でも、ようやくSAR の利用を考え 始めたようです。
といっても、担当はまだ本気ではないようで、
「使うための問題点や課題をこれから抽出します」
「社員の現状はこうでした」
といった報告をされていました。
SAR に関する私の要望はPSI一択です。実務なら数百万のソフトを買っていただく必要があります。手法の区別がつかない executives に承認権があるため、技術者も含めたそれらの方々の変化を待っている状態です。が、まだ時間がかかりそう。残念。
土木分野で見かける手法は以下の3種でしょうか。
強度画像（振幅のみ利用）
pros：RGB画像の合成のみなので、技術力や知識を必要としない。簡単。
cons：変位量が得られない。
DInSAR(differential interferometry SAR)
pros：広域の変位情報が得られる。
cons：土木構造物に対しては空間解像度が粗い。
MTInSAR (multi-temporal interferometric SAR)
SBAS (small baseline subset)
pros：広域の変位情報が得られる。変位の時間変化を把握できる。
cons：土木構造物に対しては空間解像度が粗い。
PSInSAR (Persistent Scatterer Interferometry)
pros：ピンポイントの変位情報を高精度で得られる。変位の時間変化を把握できる。
cons：欲しい位置の情報が必ずしもえられるとは限らない。
その他、TRE ALTAMIRA 社の SqueeSAR の利用を見かけます。精度が良いと謳われていますが、内容を知りません。パスコさんはじめ、国内でも提携する会社があるようですね。今後、報告が増えてくるでしょう。 楽しみです。
この年になると、新たなソフトの使い方を覚えるのが億劫になってきます。
できるだけシンプルに良いツールのみを使い続けられると楽なのですが、時間と人は止まってくれません。
今回は GMT。
OpenSWPCの結果が NetCDF で提供されており、図化に何を使用するか探っていました。
ArcGIS pro 2.8 から NetCDF を Basic でも扱えるようになりましたので、まずはこれで。
はい、読めませんでした。XYだと読めましたが、緯度経度ではダメ。後で中身を確認すると、後者の並びがダメでした。
で、Python で geotiff に変換。
これは Arc で読めましたが、全時間ステップを読み込んで動画を作成するのは手間でした。
Arc に持ち込まず、Folium 上にてプロットしようかと考えましたが、数が多いので却下。
https://phreeqc.blogspot.com/2020/02/folium.html
最終的には、Forium のかわりに PyGMT を使用。
地図、観測局、波形（NetCDF）、テキスト等を重ね合わせて図化。それを動画に変換して保存。計算後にスクリプトを動かすと動画が作成されるようにしました。
PyGMT は初めてだったのですが、Python っぽい書き方のためか違和感なく作業ができました。
今回は Ubuntu で環境を構築しましたが、Win 版も配布されていました。一昔前だと、Cygwin が必要だったように思います。ユーザーは増えているのかな？
得られた結果はイマイチ。
カラーマップを調整して何度かトライしましたがダメ。
OpenSWPC のソースを見ると、RGB の前2つに P,S が割り当てられていました。うーん、最初に見ておけば良かった。
