2017 Fiscal Year Research-status Report
ビッグデータによる統計的機械学習を利用した南九州の漁業予測・赤潮予測モデルの開発
| Project/Area Number |
16K07847
|
|---|
| Research Institution | Kagoshima University |
|---|
Principal Investigator |
庄野 宏 鹿児島大学, 共通教育センター, 准教授 (30344328)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
大富 潤 鹿児島大学, 農水産獣医学域水産学系, 教授 (10253915)
増田 育司 鹿児島大学, 農水産獣医学域水産学系, 教授 (70107861) [Withdrawn]
|
|---|
| Project Period (FY) |
2016-04-01 – 2019-03-31
|
| Keywords | 赤潮予測 / スパースモデリング / 統計モデル / CPUE / キビナゴ / クロマグロ幼魚 / 機械学習 / ディープラーニング |
|---|
| Outline of Annual Research Achievements |
本研究では、短期の気象データなどを長期間に渡り蓄積したビッグデータ、標本数よりも未知パラメータ数の方が多い高次元母数データなどに斬新な機械学習理論（ディープラーニングを含む）や統計モデルを利用して、八代海および鹿児島湾における赤潮発生の有無および規模の予測、鹿児島周辺海域におけるクロマグロ幼魚の来遊量予測、鹿児島近海におけるキビナゴの資源解析等を行い、これらの課題に対する統計手法や数理モデルの開発および改良を目的とする。
2017年度は、主に以下の3種類の研究を実施した。
経済的要因を取り入れた鹿児島近海におけるキビナゴの漁獲効率解析を行い、キビナゴの水揚単価（1kg当たりの水揚金額）が漁獲量変動に対して比較的頑健であること、漁法による水揚単価の違いがそれほど大きくないこと、統計解析の結果としてブランド魚として知られる甑島で漁獲されたキビナゴの水揚げ単価が他の地域の単価よりも低くなることが確認された。
鹿児島周辺海域におけるクロマグロ幼魚の来遊量予測では、これまでに実施したTweedie回帰分析およびサポートベクター回帰に加えて、複数の中間層を持つ教師付きニューラルネットワークであるディープラーニング（深層学習）により予測を試みたが、現状では上記2つのモデルに比べて精度が劣るため、今後ニューラルネットワークの内部構造も含めたモデルの改良を行う予定である。
八代海におけるシャトネラ・アンティーカによる赤潮の発生予測では、過去に出力変数として利用していた被害の規模を表す指標が今後利用出来ない可能性が高いため、養殖業の被害金額や赤潮発生から終息までの経過日数など、代替指標を利用した予測を実施した。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
鹿児島周辺海域におけるクロマグロ幼魚の来遊量予測では、一般に性能が良いと言われているディープラーニングの予測精度が、他の手法と比較すると、現状では高くなっていない。モデル構築に際して、本質的な分析の仮定やニューラルネットワークの設定などを逐次変更しているが、毎回の計算に多大な時間を要するため、難しさも感じている。
八代海における赤潮の発生予測について、過去に出力変数として利用していた被害規模を示す指標が入手出来ておらず、公開データによる代替指標の探索を行っているが、現状では予測精度の高い指標が見つかっていない。
|
| Strategy for Future Research Activity |
鹿児島周辺海域におけるクロマグロ幼魚の来遊量予測について、これまでに行ったTweedie回帰モデルやサポートベクター回帰よりも高い予測精度を得ることを目標として、ディープラーニング（深層学習）のモデルを改良するとともに、水産庁が新たに導入したクロマグロの漁獲量規制の影響評価にも取り組んでいきたい。
八代海および鹿児島湾におけるシャトネラ・アンティーカによる赤潮の発生予測では、出力変数として利用可能な赤潮被害の規模を表す指標の探索、および赤潮発生によるブリ養殖業への被害の影響評価を試みるとともに、レコード数の多い気象データなどに基づく赤潮予測モデルの実装を予定している。
また、経済要因を組み込んだ資源量指数を利用して鹿児島湾におけるキビナゴの資源評価を行い、資源の将来予測手法についても検討していきたい。
なお、実データに基づくバリデーションを通じて上記の統計モデルや機械学習手法の性能評価を実施し、必要に応じて計算機シミュレーション実験を行う予定である。
|
| Causes of Carryover |
(理由)
2017年度に高性能グラフィックボードを持つ（ディープラーニングのGPU計算用の）デスクトップPCを購入する予定でしたが、ニューラルネットワークのモデルの改良に時間を要し、結果的にCPUによる計算を主に実施したため、PC購入を2018年度に延期しました。
（使用計画）
上記の高性能デスクトップPC（約450,000円）の導入を予定していますが、その他の使用計画について、大幅な変更点はありません。
|
