データで見る琵琶湖の環境問題の現状
- 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
- 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
- 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
- 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. <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
- 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
- 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