Successfully reported this slideshow.
Your SlideShare is downloading. ×

データで見る琵琶湖の環境問題の現状

Ad
Ad
Ad
Ad
Ad
Ad
Ad
Ad
Ad
Ad
Upcoming SlideShare
LiBRA 01.2021 /総集編#1
LiBRA 01.2021 /総集編#1
Loading in …3
×

Check these out next

1 of 35 Ad
Advertisement

More Related Content

Slideshows for you (20)

Similar to データで見る琵琶湖の環境問題の現状 (20)

Advertisement

More from E2D3.org (20)

Recently uploaded (20)

Advertisement

データで見る琵琶湖の環境問題の現状

  1. 1. データで見る琵琶湖の環境問題の現状 滋賀データ活用コミュニティ キックオフイベント 2021年1月11日 代表 五十嵐康伸、博士(理学)
  2. 2. これまでの発表を見てきてた人 向けのまとめ
  3. 3. 人工知能学会 2020/11 滋賀データ活用1 2021/1、NG 滋賀データ活用2 2021/1、OK CfJS 2020/10 temp = 水温(℃) do (mg/l) 溶存酸素量 tn (mg/l) 窒素 tp (mg/l) りん tmn (mg/l) マンガン x 1000倍 予測
  4. 4. 1 はじめに
  5. 5. 北湖では全層循環が起こっている 滋賀県琵琶湖環境科学研究センター: 琵琶湖の全層循環 https://www.lberi.jp/setting/learn/jikken/junkan
  6. 6. 琵琶湖の北湖の今津沖にある第一湖盆の水深は90mを超え、全層循環が起こ っている。日本で全層循環が起こっている湖は琵琶湖と、鹿児島県の池田湖 だけである。 気温の変化は、深層の水温よりも、表層の水温へ急速にかつ大きく影響を与 える。春から夏にかけて表層の水温は大きく上がる。北湖では、春から初冬 にかけて、表層と深層の間に水温が急激に変わる水温躍層(すいおんやくそ う)が形成される。表層水は温度が上がることで低密度になり、沈みにくく なる。水温躍層が形成されると、表層と深層の間で水の対流が減り、上下方 向に湖水が混ざりにくくなる。表層水は酸素を多く含んでいるが、その酸素 が底層に届かなくなる。底層では、溶存酸素(DO)が供給されず、溶存酸素 の消費が進む。晩秋に底層のDOは最も低くなる。 秋から冬にかけて表層の水温は大きく下がる。水温躍層は緩和し、冬に無く なる。表層水は温度が下がることで高密度になり、沈みやすくなる。表層か ら深層に向かって湖水の混合が進む。湖水の混合が底層まで進むことにより、 底層まで酸素が届きDOが回復し、冬には表層から底層まで水温とDOが一様 に近くなる。この現象を「全層循環」と言う。底層の生物が住みやすい環境 になるので、「琵琶湖の深呼吸」とも呼ばれる。
  7. 7. 今回の研究テーマ • 平成30年度と令和元年度の冬に、2年連続で北湖の一部水域で全層 循環が完了しなかった。 • DOが2を下回ると琵琶湖の下の生物が死ぬ、可能性がある。 ← 「予測 1 in 人工知能学会」 • 琵琶湖表層の水温は、気温と同様に上昇傾向にあり、約40年間で 約1.5℃の上昇 ← 「予測2 in 滋賀データ活用」 • 北湖今津沖中央の底層の水温が、これまで概ね7~8℃台で 推移していたが、近年9℃付近まで上昇。 ← 「予測2 in 滋賀データ活 用」 • 平成27 年(2015 年)には、晩秋の11 月にアオコの発生が見られた。 • 平成30 年度の夏には、7月の豪雨の後、8月には少雨酷暑 となるような極端な降雨の影響により、琵琶湖の水が停滞。 これが原因で、南湖で植物プランクトンが大増殖し、CODや 窒素が観測史上最高濃度を記録するなど、琵琶湖南湖の水質が悪化。 琵琶湖環境科学研究センター 環境監視部門 平成30年度琵琶湖水質変動の特徴 &令和元年度 琵琶湖水質変動の特徴 h,ps://www.pref.shiga.lg.jp/ippan/kankyoshizen/kankyou/306170.html h,ps://www.pref.shiga.lg.jp/ippan/kankyoshizen/kankyou/313082.html
  8. 8. 2 材料と方法
  9. 9. 2.1 測定者 • 滋賀県琵琶湖環境科学研究センターが測定し たDOと水温のデータを用いた。 1. 滋賀県 環境白書 資料編 https://www.pref.shiga.lg.jp/ippan/kankyoshizen/kankyou/11319.html 2. 北湖底層DO調査結果 https://www.pref.shiga.lg.jp/ippan/kankyoshizen/biwako/300014.html 3. マザーレイク21計画関連指標オープンデータ、水質 https://www.pref.shiga.lg.jp/ippan/kankyoshizen/biwako/306153.html
  10. 10. 2.2 測定場所 • 位置は北湖にある今津沖の第一湖盆の中央に 限定して用いた。 • 深さは水面から深さ0.5m・湖底上1mの2点に 限定して用いた。
  11. 11. 2.3 測定時期 • 測定は毎月1〜4回実施されていた。月内のデ ータを平均化して用いた。 • 期間は1979年4月から2020年3月の492ヶ月・41 年に限定して用いた。
  12. 12. 2.4 測定方法 • DO:JIS K0102 • 水温:上水試験方法-2011 Ⅱ-3 1 • 令和2年度 公 共 用 水 域 ・ 地 下 水 水 質 測 定 計 画、滋 賀 県 • https://www.pref.shiga.lg.jp/ippan/kankyoshizen/ biwako/311000.html
  13. 13. 2.5 分析方法 • プログラミング言語 • Python 3.8.3 • データ分析アルゴリズム • 自己相関 • SARIMAモデル もものきとデータ解析をはじめよう t.ly/MkZs
  14. 14. 3 結果
  15. 15. 3.1 DO理解
  16. 16. DO [mg/l] 溶存酸素量
  17. 17. • この図はDOの時系列データと、それを分解したトレンド、 季節性、残差を示しています。 • 分解の計算には、PythonのライブラリーStatsModelsを用い ました。 • DOの時系列データからは、年々右下がりに減っている • そして、季節によって周期的に振動している • ように読み取れます。 • このデータで右下がり減っている傾向を『トレンド』 • 周期的な変動は『季節性』、英語だと『Seasonality』と • と呼びます • 時系列データから、トレンドと季節性を除いた成分を『残 差』、英語で表現すると『Residual』と呼びます。 • 残差の成分は誤差やノイズとも表現されます。
  18. 18. トレンドと季節性と残差足し合わせると オジリナルの時系列と一致
  19. 19. 月別の平均値
  20. 20. • DOが何月に大きくなり、何月に小さくなって いるのかを明らかにするために、月別の平均 値を計算しました。 • 平均だと、3月が高くて、10-11月が低いこと がわかりました。
  21. 21. DOの時系列の自己相関 青:95%信頼区間 信頼区間の領域を超えてプロットされているデータは 統計的に有意差がある値とみなされます。
  22. 22. • DOの時系列の自己相関を計算しました • 自己相関分析は過去の値が現在のデータにどれくらい影響しているか?の関係性を調べ ることです。 • 普通の相関分析だと異なるデータ同士の関係性を調べますが • 自己相関の場合はキホン的に一種類のデータを使い、自分自身のデータをズラして関係 性を分析します • 月次データだったら、一つズラして自己相関を確認すれば、一ヶ月前の値が今月にどれ くらい影響しているかが分かります。 • ズラしたデータのステップ数をラグ(lag)と呼ぶます。 • 相関の強さは相関係数という値で出ます。 • 自己相関係数といって値の範囲は-1~1、正負の関係や絶対値が1に近いほど相関が強い ことを示します。 • 普通の相関係数を求めるときと同様に、自己相関係数も(自己)共分散をもとにして計 算します。 • 横軸がラグ数で、縦軸が自己相関係数です。 • 波みたいな形でラグ数が増えると自己相関係数の値が小さくなっています。 • DOはラグ12のところで強い相関が確認できたので、1年(12カ月)周期の変動傾向があ ることがわかりました。
  23. 23. <データ> • 学習(訓練、モデル作成用)用データ:1979-04〜2019-03: 40年分 • テスト用データ:2019-04〜2020-3、1年分 <モデル> • SARIMA:Seasonal AutoRegressive Integrated Moving Average(季節自己回帰 和分移動平均) • S(季節)、AR(自己回帰)、I(和分)とMA(移動平均) • SARIMAモデルは、一派的にSARIMA(p, d, q)(P, D, Q)[s]と表記 <AIC最適化> • p:AR(自己回帰) 3 in 1〜5 • d :差分の次数 0 in 0〜2 • q : MA(移動平均)の次数 3 in 0〜5 • P,D,Q:季節調整に適用する次数=(1,1,2)in ( 0〜2, 0〜2, 0〜2) • S:季節調整に適用する周期=12 <Pythonのライブラリー> • StatsModelsのSARIMAX
  24. 24. テスト期間学習期間 テスト期間 の拡大図 緑:95%信頼区間
  25. 25. 3.2 DO予測
  26. 26. <データ> • 学習(訓練、モデル作成用)用データ:1979-04〜2020-03: 41年分 • 予測用データ:2020-03〜2022-3、2年分 <モデル> • SARIMA:Seasonal AutoRegressive Integrated Moving Average(季節自己回帰 和分移動平均) • S(季節)、AR(自己回帰)、I(和分)とMA(移動平均) • SARIMAモデルは、一派的にSARIMA(p, d, q)(P, D, Q)[s]と表記 <AIC最適化> • p:AR(自己回帰) 3 in 1〜5 • d :差分の次数 0 in 0〜2 • q : MA(移動平均)の次数 3 in 0〜5 • P,D,Q:季節調整に適用する次数=(1,1,2)in ( 0〜2, 0〜2, 0〜2) • S:季節調整に適用する周期=12 <Pythonのライブラリー> • StatsModelsのSARIMAX
  27. 27. Applied for 学習期間 Applied for 予測期間 DOが2を下回ると 琵琶湖の下の生物が死ぬ
  28. 28. 3-3 TEMP理解
  29. 29. 表層 temp_05 トレンドは 約1.5℃上昇 季節性大 ±10 ℃ 規則性が強い
  30. 30. 底層 temp_1m 表層より 規則性が弱い トレンドは 約1.5℃上昇 表層より 季節性小 ±0.3 ℃
  31. 31. 3-4 TEMP予測
  32. 32. Applied for 予測期間 学習:1979-04〜2020-03: 41年分 予測:2020-03〜2022-3:2年分 表層:temp_05 Applied for 学習期間 学習:1979-04〜2020-03: 41年分 予測:1979-04〜2020-03: 41年分 ±10℃
  33. 33. Applied for 予測期間 学習:1979-04〜2020-03: 41年分 予測:2020-03〜2022-3:2年分 底層:temp_1m Applied for 学習期間 学習:1979-04〜2020-03: 41年分 予測:1979-04〜2020-03: 41年分 ±1℃
  34. 34. 表層:temp_05 - 底層:temp_1m Applied for 予測期間 学習:1979-04〜2020-03: 41年分 予測:2020-03〜2022-3:2年分 表層:temp_05 - 底層:temp_1m Applied for 予測期間 学習:1979-04〜2020-03: 41年分 予測:2020-03〜2022-3:2年分
  35. 35. 4. まとめ <結果> ・DO:後1年は2 [mg/l]を下回らないだろう ・温度 トレンド:表層、底層共に:約40年間で約1.5℃上昇 季節性:表層±10 ℃、底層±0.3 ℃ 表層の水温が下がらなければ、温度差が開くというロジックは納得 <今後の課題> ・気温変化と表層の水温変化の時間差をどう分析? ・表層と底層の温度差の最大、最小どこを見るべき?

×