Recommended
More Related Content
What's hot
What's hot (20)
Similar to 環境分野における統計学の活用(20170822v1)
Similar to 環境分野における統計学の活用(20170822v1) (15)
環境分野における統計学の活用(20170822v1)
- 4. 環境問題における統計の役割 その環境は 人が生活するのに 心地よいのか？ 人を不快にし または命を脅かすものは なにか？ その要因は 人為的なものか 自然のものか？ 人為的 （または自然の） 要因について 詳しく知りたい その要因は 人間（生き物）に どう影響するのか？ その要因の 正体は？ ○疫学的な調査 ○動物実験 など ○化学分析 ○実態調査 など 集められた膨大なデータから 分かったことはなんなのか？ 統計が、データの要約を行う 4
- 8. そもそも、統計とは 名古屋市内の空気中の窒素酸化物濃度を測定したい。 ⇒ 空気をすべて集めてきて、窒素酸化物の量を測定すればいい・・・不可能 日本人の平均身長を求めたい。 ⇒ 国民全員の身長のデータを測定・・・・・現実的？ 工場で作ったパンの重さの平均値を知りたい。 でも、衛生上の問題から重さをはかったパンは廃棄します。 ⇒ 当然、すべてのパンを測定できない。できるだけ測定数を少なくしたい。 8
- 10. 環境分野（大気）で頻出の統計手法 • 平均値を計算する。 • パーセンタイル値を計算する。 • パーセンタイル値？：全体を100として、小さいほうから何番目の数に該 当するか、を示すもの。 • 例えば、98パーセンタイル値というのは、測定値100個のうち小さいほう から数えて98番目のものがいくらになるか、を示すもの。 • 98パーセンタイル値を、データの最大値のように比較することも多い。 （なぜか？） 環境のデータは様々な要因に左右されるため、統計で扱うにはふさわしく ない例外的なケースが、ときどき存在するため。 10
- 11. 平均値とは何か？ • 平均値を計算する。 ？？ そもそも、平均値とは何なのか？ ☆データの総和を、データ数で割り算したもの （相加平均） 一般的に、平均値はデータの代表性を持っているとして データの要約に使われる。 ex. 年間の平均、クラスの平均、10代女性の平均、日本人の平均 平均値の持つイメージ：たくさんのデータの中心、真ん中 多くのデータがその数字の近くの値になる 11
- 12. 平均値とはなにか？ 地点A 100 112 103 111 86 107 96 105 108 104 97 106 95 96 99 地点B 73 89 109 114 78 86 108 93 85 83 88 55 49 92 105 地点AおよびBにて、ある化学物質の濃度を30日間（1日1回）測定した。（と仮定） 地点A 103 94 88 84 92 105 97 91 100 99 84 97 109 101 90 地点B 100 100 88 134 92 104 47 111 85 66 69 70 116 64 71 地点AとBの、どちらが化学物質に汚染されているか？ 12
- 13. 平均値とはなにか？ 地点A 100 112 103 111 86 107 96 105 108 104 97 106 95 96 99 地点B 73 89 109 114 78 86 108 93 85 83 88 55 49 92 105 地点AおよびBにて、ある化学物質の濃度を30日間（1日1回）測定した。（と仮定） 地点A 103 94 88 84 92 105 97 91 100 99 84 97 109 101 90 地点B 100 100 88 134 92 104 47 111 85 66 69 70 116 64 71 地点AとBの、どちらが化学物質に汚染されているか？ ＜平均値を計算＞ 地点A：９９、地点B：８７ ⇒ 地点Aの方が汚染されている！！ 13
- 14. 平均値とはなにか？ 地点A 100 112 103 111 86 107 96 105 108 104 97 106 95 96 99 地点B 73 89 109 114 78 86 108 93 85 83 88 55 49 92 105 地点AおよびBにて、ある化学物質の濃度を30日間（1日1回）測定した。（と仮定） 地点A 103 94 88 84 92 105 97 91 100 99 84 97 109 101 90 地点B 100 100 88 134 92 104 47 111 85 66 69 70 116 64 71 地点AとBの、どちらが化学物質に汚染されているか？ ＜平均値を計算＞ 地点A：９９、地点B：８７ ⇒ 地点Aの方が汚染されている！！ そこで終わって、いいのでしょうか？ 例えば、地点Bでは、１３４という大きな数字が、観測されました。 本当に、地点Bの方が綺麗だと言えるのでしょうか？ 14
- 15. ヒストグラムで考える • 表のデータは、見にくい。 ⇒ 図（グラフ）にすることで特徴を把握できる。 • 沢山の数字があるデータは、まずヒストグラムにしてみるのが おススメ。 ヒストグラムとは？ 数字のデータが、どの範囲に何個あるのか、をグラフにしたもの。 ニュースなどでも、年代ごとの人口、収入で分けた世帯数、等で多 用されています。 15
- 21. 平均値と類似の統計パラメータ 21 平均値：データの総和を データ数で割った値 中央値：データを並べて、 ちょうど真ん中に相当す る値 最頻値：該当するデータ が最も多い値（範囲） 0 10 20 30 40 50 60 70 0 2.5 5 7.5 10 12.5 15 17.5 20 22.5 25 27.5 30 32.5 35 37.5 40 42.5 45 47.5 50 2015年度元塩公園局 PM2.5 （日平均値）
- 22. 平均値と類似の統計パラメータ 22 平均値：データの総和を データ数で割った値 １５．０ 中央値：データを並べて、 ちょうど真ん中に相当す る値 最頻値：該当するデータ が最も多い値（範囲） 0 10 20 30 40 50 60 70 0 2.5 5 7.5 10 12.5 15 17.5 20 22.5 25 27.5 30 32.5 35 37.5 40 42.5 45 47.5 50 2015年度元塩公園局 PM2.5 （日平均値）
- 23. 平均値と類似の統計パラメータ 23 平均値：データの総和を データ数で割った値 １５．０ 中央値：データを並べて、 ちょうど真ん中に相当す る値 １３．２ 最頻値：該当するデータ が最も多い値（範囲） 0 10 20 30 40 50 60 70 0 2.5 5 7.5 10 12.5 15 17.5 20 22.5 25 27.5 30 32.5 35 37.5 40 42.5 45 47.5 50 2015年度元塩公園局 PM2.5 （日平均値）
- 24. 平均値と類似の統計パラメータ 24 平均値：データの総和を データ数で割った値 １５．０ 中央値：データを並べて、 ちょうど真ん中に相当す る値 １３．２ 最頻値：該当するデータ が最も多い値（範囲） １２．５～１５ 0 10 20 30 40 50 60 70 0 2.5 5 7.5 10 12.5 15 17.5 20 22.5 25 27.5 30 32.5 35 37.5 40 42.5 45 47.5 50 2015年度元塩公園局 PM2.5 （日平均値）
- 27. 統計の怖さ • 統計データは、扱うのも、見るのも注意が必要です。 • 「統計でうそをつく」「統計に騙されない」のような書籍やHPを見ます が、基礎を知っていないとデータの本質を見失います。 • “統計の専門家”ではない“理系の専門家”が、実際に統計的に間 違った手法で学会発表していたり、論文書いたりしている例は、現実 にあります。 • だからといって、統計的な作業（例の平均値を求めるようなものも含 めて）から、避けることはほぼ不可能。 • 様々な統計手法を用いて、多角的に見ることでデータの本質を探る 必要がある。 27
- 30. 大気汚染物質の基礎 ○大きく、2種類に分けることができます。 • 気体 窒素酸化物（NOｘ）、二酸化硫黄（SO2) トルエンやベンゼンなどの有機化合物 • 粒子（固体または液体） SPM、PM2.5 化学的に単一の成分 化学組成が明確 様々な化学物質の混合物 様々な化学組成を持つ。 化学組成をはっきりさせないと 原因などが解らない。 30
- 32. PM2.5の成分測定 • イオン成分(ナトリウム、アンモニウム、塩化物、硫酸など） • 炭素成分（元素状炭素（煤）、有機化合物） • 無機（金属）成分（アルミニウム、鉄、銅、鉛、ヒ素、マンガンなど） 例えば、中国大陸から汚染物質が飛来してくる場合 イオン成分のうち硫酸イオンが多くなり 地域（名古屋市内など）の影響が強くなると イオン成分のうち硝酸イオンが増える。 また、ディーゼル車の影響が大きいと 炭素成分のうちの元素状炭素が増える。 32
- 34. PM2.5の成分 • PM2.5の成分は場所によって異なります。 • 例えば、東京・新潟・名古屋・金沢・大阪・福岡、などの各都市で採 取されたPM2.5の成分は、それぞれの特徴があります。 • どことどこの特徴が似ていて、どこが違うのかが解れば、PM2.5が何 に影響を受けているのかが解ります。 ex. もし、東京・大阪・名古屋に共通の特徴があれば、大都市で共通する 影響がある。 もし、新潟・金沢・福岡に共通の特徴があれば、日本海側に共通した 影響がある。 34
- 35. 共通する傾向を見出すには • どの地点が似ていて、どの地点が似ていないのか。 • もし似ているのなら、どのように似ているのか。 • もし似ているのなら、なぜ似ているのか（共通する原因があるの か？） それらを解析する統計的な手法の一つに 因子分析というものがあります。 35
- 36. 因子分析による解析 • 因子分析とは多くのデータの背後に潜む少数の原因を導き出す手 法。心理学や社会学などの分野で多く用いられる。 国語 社会 数学 理科 英語 Aさん 81 72 44 46 71 Bさん 87 77 37 40 73 Cさん 70 62 38 39 62 Dさん 51 44 82 76 61 Eさん 45 38 90 82 59 Fさん 44 37 85 77 56 Gさん 50 43 64 60 54 36
- 37. 国語 社会 数学 理科 英語 Aさん 81 72 44 46 71 Bさん 87 77 37 40 73 Cさん 70 62 38 39 62 Dさん 51 44 82 76 61 Eさん 45 38 90 82 59 Fさん 44 37 85 77 56 Gさん 50 43 64 60 54 因子分析による解析 • 因子分析とは多くのデータの背後に潜む少数の原因を導き出す手 法。心理学や社会学などの分野で多く用いられる。 文系科目が得意 ⇒文系能力が高そう 理系科目が得意 ⇒理系能力が高そう 英語とGさんに対する評価は、不明瞭 37
- 38. 仮定を考える • 人間の能力には“文系能力”と“理系能力”があり、それぞれが各教 科に対して影響している。 • それぞれの人に対して、“文系能力”と“理系能力”のどちらが大きい のかを調べてみたい。 • 直観的に、ではなく数学的に • その手法が因子分析 38
- 40. 因子分析による解析 国語 社会 数学 理科 英語 文系能力 0.62 0.60 -0.01 0.06 1.10 理系能力 -0.45 -0.46 0.99 1.04 0.15 *数字の絶対値が大きいほど、影響力が大きい。 読み取れること ○文系能力は、国語、社会、英語にプラスの影響を与える。 ○理系能力は、数学、理科に大きくプラスの影響を与える。 ○理系の能力は、国語や社会にマイナスの影響を与える。 40
- 41. 因子分析による解析 国語 社会 数学 理科 英語 文系能力 0.62 0.60 -0.01 0.06 1.10 理系能力 -0.45 -0.46 0.99 1.04 0.15 *数字の絶対値が大きいほど、影響力が大きい。 読み取れること ○文系能力は、国語、社会、英語にプラスの影響を与える。 ○理系能力は、数学、理科に大きくプラスの影響を与える。 ○理系の能力は、国語や社会にマイナスの影響を与える。 41
- 42. 因子分析による解析 国語 社会 数学 理科 英語 文系能力 0.62 0.60 -0.01 0.06 1.10 理系能力 -0.45 -0.46 0.99 1.04 0.15 *数字の絶対値が大きいほど、影響力が大きい。 読み取れること ○文系能力は、国語、社会、英語にプラスの影響を与える。 ○理系能力は、数学、理科に大きくプラスの影響を与える。 ○理系の能力は、国語や社会にマイナスの影響を与える。 42
- 43. 因子分析による解析 国語 社会 数学 理科 英語 文系能力 0.62 0.60 -0.01 0.06 1.10 理系能力 -0.45 -0.46 0.99 1.04 0.15 *数字の絶対値が大きいほど、影響力が大きい。 読み取れること ○文系能力は、国語、社会、英語にプラスの影響を与える。 ○理系能力は、数学、理科に大きくプラスの影響を与える。 ○理系の能力は、国語や社会にマイナスの影響を与える。 43
- 44. 因子分析による解析 文系能力 理系能力 Aさん 1.40 0.26 Bさん 1.53 0.04 Cさん -1.7 -2.35 Dさん 0.82 1.46 Eさん 0.71 1.72 Fさん -0.46 0.59 Gさん -2.31 -1.71 *数字の絶対値が大きいほど、影響力が大きい。 読み取れること ○Aさん、Bさん、Cさんは文系能力の方が 理系能力よりも高い。 ○Dさん、Eさん、Fさんは、理系能力の方が 文系能力よりも高い。 ○Gさんは、やや理系能力の方が高い。 44
- 45. 因子分析による解析 英語はどちらの能力の影響を受けているのか？ Gさんは、どちらの能力が高そうなのか？ 国語 社会 数学 理科 英語 Aさん 83 92 55 61 78 Bさん 95 88 65 63 80 Cさん 79 85 48 70 70 Dさん 63 59 98 89 73 Eさん 67 68 83 79 59 Fさん 72 61 73 94 71 Gさん 75 69 72 65 72 ・英語は、文系能力が高いほうが高い ・Gさんは、文系能力と理系能力に差はほ とんどない。 このようなことを、表を見た直観で理解するのではなく 数学的な理論に基づいて、述べることができます。 45
- 50. 対策の具体化 • 成分の分析では、その高濃度の原因が何かを明確にすることはで きません。 • しかし、何の影響かを探ることができれば、対策を具体的に検討す ることができます。 ex. 自動車・工場・野焼き • そのための一つの解析手法が、因子分析。 50
- 51. 因子分析の適応 • よく使われるのがPMF（positive matrix factorization)法 • アメリカ合衆国環境保護庁が無料で公開しているソフトを利用 • 因子分析の手法を用いて、環境データの分析に適した形に特化した もの。 • ただし、あくまでも統計的な推定であり、必ずしも答えが明確に出る わけではない。 • 成分だけではなく、気象などの条件も踏まえて、多角的に考える必 要がある。 51
- 54. CWT解析とは • 汚染物質の濃度と、風向の関係を見て、その発生源がどこにあるの かを探る。 0 5 10 15 20 25 ある架空のデータ (Conditional Probability Function) 54
- 56. CWT解析とは 0 5 10 15 20 25 データが13以上になった時を高濃度とすると データ数 高濃度の データ数 高濃度になる 割合 全体 １５０ ５２ ３５％ 北風 ６２ ４８ ７７％ 北風以外 ８８ ４ ５％ やはり北風の時に、高濃度になる傾向があった。 ということは、測定場所の北に、何かしらの化学物質の発生源があるのでは？56
- 57. CWT解析とは • 実際には、もう少し多い風向で調べます。 • 具体的には16方位について調べ、図を描くことが多いです。 方位 高濃度の 割合 方位 高濃度の 割合 北 18% 南 9% 北北東 34% 南南西 5% 北東 38% 南西 64% 東北東 40% 西南西 93% 東 92% 西 31% 東南東 35% 西北西 65% 南東 0% 北西 86% 南南東 34% 北北西 60% 0 0.2 0.4 0.6 0.8 1 N NNE NE ENE E ESE SE SSE S SSW SW WSW W WNW NW NNW 57
- 58. 0 0.2 0.4 0.6 0.8 1 N NNE NE ENE E ESE SE SSE S SSW SW WSW W WNW NW NNW CPF解析について • CPF解析とは CPF（Conditional Probability Function)解析は、高濃 度が観測されるときの風向を調べ、頻度の高い風 向の風上に発生源があると推定する方法。 i : 風向 Wi : i方向からの全風向の数 ni : i方向からの高濃度時の 風向の数 CPFi = ni Wi 例 発生源があると疑われる方向 58
- 59. CPFの不確かさについて 0 0.2 0.4 0.6 0.8 1 N NNE NE ENE E ESE SE SSE S SSW SW WSW W WNW NW NNW例 E = 0.90 WSW = 0.92 NW = 0.87 いずれも高い数字だが・・・・ 実際の風の数をみると E = 450 / 500 WSW = 3220 / 3500 NW = 13 / 15 59
- 63. 確率、の基本 • 自分でサイコロを作製。６回振ったら＜１，２，３，４，５，１＞の目が出た。 → 「このサイコロは1が出やすくて、6がほとんど出ない」と 考えるでしょうか？ • でも、このサイコロを600回振って、以下のように目が出たら？ → 「このサイコロは1が出やすくて、6がほとんど出ない」と 多くの人が、考えるでしょう。 目の数 １ ２ ３ ４ ５ ６ 出た回数 180 98 105 94 103 20 63
- 64. CPFの不確かさについて 0 0.2 0.4 0.6 0.8 1 N NNE NE ENE E ESE SE SSE S SSW SW WSW W WNW NW NNW例 E = 0.90 WSW = 0.92 NW = 0.87 いずれも高い数字だが・・・・ 実際の風の数をみると E = 450 / 500 WSW = 3220 / 3500 NW = 13 / 15 評価に使った風の数が、風向によって大きく異なる。 ⇒ 同列に（同じグラフで）扱っていいのか？ 64
- 65. フィールド観測データの弱点 • しかし、風向（条件）を人間がコントロールすることはできない。 • どのように考えれば、解決するのか？ • その一つの方法が、ベイズ統計を用いる方法 65
- 66. ベイズ統計による解析 • ベイズ統計とは、以下のベイズの定理を元とする統計学 P(B | A) = P(A | B) P(B) P(A) P(B | A) ： Aという事象が起きた時に Bという事象が起きる確率 2000年ごろより活用が始まる。 スパムメールの振り分け、人工知能、マーケティングなどさまざ まな分野で応用 P(A) ： Aという事象が 起きる確率 66
- 67. ベイズ統計の特徴 ○従来からの統計学は“頻度論的統計学”と呼ばれる。 データ パラメータ 頻度論的統計学 確率的な数字 確定した数字 ベイズ統計学 確定した数字 確率的な数字 このようなベイズ統計の特徴があることで 従来の頻度論的統計学では不可能だった計算が 行えるようになり 統計学の活用の場が広がった。 67
- 69. 頻度論とベイズの比較 コインを投げて、表が出る確率について考える 69 いまここに、表の出る確率がxであるコインがある。 このコインを４回投げたとき 表 ・ 表 ・ 裏 ・ 裏 の順に出た。 このとき、表の出る確率xを求めよ。
- 70. 頻度論とベイズの比較 頻度論的統計学 4回中、2回が表なので 表が出る確率は ２／４ ＝ ５０% 「初め、表が2回出たのは偶然。投げた回数が少ないのが原因」 サイコロの目について考える 70
- 71. 頻度論とベイズの比較 ベイズ統計学 1回目：表が出た → 「このコインは表しか出ない！このコインが “裏しか出ないコインである”確率は消えた。」 2回目：表が出た → 「やっぱり、このコインは表しか出ない！！」 3回目：裏が出た → 「表が出やすいけど、裏が出る場合もある。 “表しか出ない”、という可能性は消えた。」 4回目：裏が出た → 「表と裏が、同じくらい出やすい」 サイコロの目について考える 71
- 74. 欠測とはなにか？ 地点A 100 112 103 111 86 × 96 105 108 104 97 106 × 96 99 地点B 73 89 109 114 78 86 108 93 85 × 88 55 49 92 105 地点AおよびBにて、ある化学物質の濃度を30日間（1日1回）測定した。（と仮定） 地点A 103 × 88 84 92 105 97 91 100 99 84 97 109 × 90 地点B 100 100 88 134 92 104 47 × 85 66 69 70 116 × 71 74
- 75. 欠測とはなにか？ 地点A 100 112 103 111 86 × 96 105 108 104 97 106 × 96 99 地点B 73 89 109 114 78 86 108 93 85 × 88 55 49 92 105 地点AおよびBにて、ある化学物質の濃度を30日間（1日1回）測定した。（と仮定） 地点A 103 × 88 84 92 105 97 91 100 99 84 97 109 × 90 地点B 100 100 88 134 92 104 47 × 85 66 69 70 116 × 71 75 頻度論的統計学では、解析手法によっては 上の緑の部分が、使えないデータになってしまう。 もったいない！！
- 76. 欠測とはなにか？ 地点A 100 112 103 111 86 × 96 105 108 104 97 106 × 96 99 地点B 73 89 109 114 78 86 108 93 85 × 88 55 49 92 105 地点AおよびBにて、ある化学物質の濃度を30日間（1日1回）測定した。（と仮定） 地点A 103 × 88 84 92 105 97 91 100 99 84 97 109 × 90 地点B 100 100 88 134 92 104 47 × 85 66 69 70 116 × 71 76 ベイズ統計学なら、使えないデータは 測定していないところだけ。 データを最大限に生かせる！！
- 77. 外れ値とはなにか？ 地点A 100 112 103 111 86 107 96 105 108 104 97 106 95 96 99 地点B 73 89 109 114 78 86 108 93 85 83 88 55 49 92 105 地点AおよびBにて、ある化学物質の濃度を30日間（1日1回）測定した。（と仮定） 地点A 103 94 88 84 92 105 97 91 100 99 84 97 109 101 90 地点B 100 100 88 500 92 104 47 111 85 66 69 70 116 64 71 77 500は、おそらく何らかの測定ミスだと考えられるが もしかしたら、本当に500なのかもしれない。 500は怪しいと思いつつ、一応、データとして そのまま解析を行うことができるのも ベイズ統計の特徴
- 81. 話を元に戻します • 風向により、PM2.5の汚染源の場所を探る（CPF） • 風向が方角によってまちまちで、データの信頼性がばらつく • なにか、他の方法を検討している • ベイズ統計を紹介 ← いまここ 次に、統計的モデルについて考えます。 81
- 83. 統計的手法のためのモデル • モデルとは、あるデータの成り立ちを数式で説明したもの。 ☆ ある商品の売り上げ ＝ デザイン ＋ 機能 ＋ 広告効果 ＋ 価格設定 ＋ ・・・・・ ☆ スポーツ成功度 ＝ 素質 ＋ 努力 ＋ 運 ＋ ・・・・・・ ☆ 大気汚染濃度 ＝ 汚染物質発生量 ＋ 汚染発生源との距離 ＋ 風 ＋ ・・・・・・ 83
- 84. 統計モデルを考える • いま求めたいのはPM2.5の環境濃度への影響 • 考えられるモデルは PM2.5 ＝ 要因１ ＋ 要因２ ＋ 要因３ ＋ ・・・・・・・・ • 話題にしているのは、風向の話 • 考えられる単純なモデルは PM2.5 ＝ 風向に影響される量 ＋ 風向に影響されない量 84
- 85. モデルの意味するところ 85 by avaxhome.ws A 濃度上昇 PM2.5 ＝ 風向に影響される量 ＋ 風向に影響されない量
- 86. モデルの意味するところ 86 by avaxhome.ws A 濃度上昇しない PM2.5 ＝ 風向に影響される量（０） ＋ 風向に影響されない量
- 87. ベイズ統計の方法 使用ソフト：WinBUGS + R 今回採用したモデル(風の影響についてみたモデル） PM2.5質量濃度 ＝ 風向の影響を受けない月ごとの平均値 ＋ 風向の影響値 解析するためには、PM2.5質量濃度の変動に対して 何が影響しているのかを、自分で設定しなければいけない。 予備検討の結果・・・・ 87
- 90. 風向の影響値の信頼性について 0 5 10 15 20 25 30 1 10 100 1000 10000 95％確信区間幅(μg/m3) 風向の数 平成23年度 元塩 平成24年度 元塩 平成23年度 八幡 平成24年度 八幡 前ページ グラフ 風向の影響値の信頼性（95％確信区間の幅）は 風向の数と関係がある。 90
- 91. ベイズ統計を用いた結果 • CPF解析で得られたのと同様な結果が得られた。 別の方法で同じような結果 ⇒結果の頑強性が高い 結果の信頼性が高い • それに加え、結果の信頼性を評価するための数字も得られた。 • さらに、信頼性と風の数についての知見も得られ、今後の実験を計 画する上での方針決定にも役立つ。 91
- 93. 研究の背景 • PM2.5の環境基準が平成21年9月に定められた。 • 常時監視データとしてPM2.5の採取を目的に応じて ２通りの方法で行っている。 自動測定 成分分析測定 目的 環境基準適不適の判断 成分の把握 測定項目 質量濃度の測定 質量濃度と成分濃度の測定 年間データ数 365日×24時間×17地点 4季節×14日×6地点 メリット データ数が多い 成分が詳細に明らかになる デメリット PM2.5の成分の詳細は 不明 分析コストがかかり サンプル数を増やせない 93
- 94. 自動測定 成分分析測定 目的 環境基準適不適の判断 成分の把握 測定項目 質量濃度の測定 質量濃度と成分濃度の測定 年間データ数 365日×24時間×17地点 4季節×14日×6地点 メリット データ数が多い 成分が詳細に明らかになる デメリット PM2.5の成分の詳細は 不明 分析コストがかかり サンプル数を増やせない 研究の背景 【PM2.5の調査・研究の目的】 PM2.5の発生源等の影響を明らかにして 有効な削減策へと繋げる（高濃度化の要因を探る）。 94
- 95. 自動測定 成分分析測定 目的 環境基準適不適の判断 成分の把握 測定項目 質量濃度の測定 質量濃度と成分濃度の測定 年間データ数 365日×24時間×17地点 4季節×14日×6地点 メリット データ数が多い 成分が詳細に明らかになる デメリット PM2.5の成分の詳細は 不明 分析コストがかかり サンプル数を増やせない 研究の背景 【PM2.5の調査・研究の目的】 PM2.5の発生源等の影響を明らかにして 有効な削減策へと繋げる（高濃度化の要因を探る）。 違った視点からの 解析が、できないか？ 95
- 99. １．広域的な影響 A B C D 全地点で、同じ期間（オレンジ色の四角）に 同じように高濃度となる現象が観測された。 ↓ 広域的に共通した原因が存在する。 観測された PM2.5濃度の日変動 99
- 102. by avaxhome.ws ○大規模な発生源の影響 地域的な影響の例 ○密集した複数の発生源の 影響 by avaxhome.ws ○交通量の多い道路の影響 102
- 107. 解析対象データ ＜広域的な影響＞ 右の地図全体に共通した 影響 ＜地域的な影響＞ 0.1度×0.1度(約9×11km) の四角に共通した影響 ＜局所的な影響＞ 測定局（赤い丸）のみへの 影響 107
- 109. 名古屋市近辺の区分け 109
- 111. 測定値のモデル ln [PM] d, r, c, p, m ~ N ([mPM] d, r, c, p, m , s ) [mPM] d, r, c, p, m <- [PM.0]m + [a.effect]r, c + [p.effect]p [a.effect]r, c ~ car.normal(Adj[], Weight[], Num[], s’) c c + Δc r + Δr r 測定局p ある日(d) の測定値。 この日はm月であった。 真の値は 、 月平均 地域的な影響 局所的な影響 の合計。 [mPM] d, r, c, p, m [PM.0] m [a.effect] r, c [p.effect] p 111
- 114. 推定結果 - 広域的な影響の値（月変動）- 8 10 12 14 16 18 20 4月 5月 6月 7月 8月 9月 10月 11月 12月 1月 2月 3月 PM2.5濃度(μg/m3) 推定された値 実測値の平均値 推定された値（広域的な影響の値）に、以降で示す 地域的な影響や局所的な影響が加わって実測値となる。 （2012、2013年度） 114
- 116. • 広域的な影響に対する、 相対的な影響値を示す。 • 名古屋港周辺から北の 地域にかけて高い値が 示された。 • 全体的には南西側で高 く、北東側で低い値と なった。 計算結果 -地域的な影響- 116
- 124. 一般局 自排局 測定局名 地域的な 影響 局所的な 影響 測定局名 地域的な 影響 局所的な 影響 愛知工業高校（北） 1.08 1.00 上下水道局北営 業所（北） 1.11 1.12 中村保健所（中村） 1.18 0.95 名塚中学校（西） 1.23 1.16 滝川小学校（昭和） 1.11 1.01 テレビ塔（中） 1.11 1.08 八幡中学校（中川） 1.18 1.00 熱田神宮公園（熱 田） 1.11 0.95 富田支所（中川） 1.18 0.98 港陽（港） 1.18 1.00 惟信高校（港） 1.18 1.09 千竃（南） 1.11 1.04 白水小学校（南） 1.21 1.04 元塩公園（南） 1.21 1.24 守山保健所（守山） 1.08 0.97 大高北小学校（緑） 1.21 0.97 天白保健所（天白） 1.11 0.97 影響の推定値（名古屋市内） 124
- 125. 一般局 自排局 測定局名 地域的な 影響 局所的な 影響 測定局名 地域的な 影響 局所的な 影響 愛知工業高校（北） 1.08 1.00 上下水道局北営 業所（北） 1.11 1.12 中村保健所（中村） 1.18 0.95 名塚中学校（西） 1.23 1.16 滝川小学校（昭和） 1.11 1.01 テレビ塔（中） 1.11 1.08 八幡中学校（中川） 1.18 1.00 熱田神宮公園（熱 田） 1.11 0.95 富田支所（中川） 1.18 0.98 港陽（港） 1.18 1.00 惟信高校（港） 1.18 1.09 千竃（南） 1.11 1.04 白水小学校（南） 1.21 1.04 元塩公園（南） 1.21 1.24 守山保健所（守山） 1.08 0.97 大高北小学校（緑） 1.21 0.97 天白保健所（天白） 1.11 0.97 影響の推定値（名古屋市内） 125
- 126. 一般局 自排局 測定局名 地域的な 影響 局所的な 影響 測定局名 地域的な 影響 局所的な 影響 愛知工業高校（北） 1.08 1.00 上下水道局北営 業所（北） 1.11 1.12 中村保健所（中村） 1.18 0.95 名塚中学校（西） 1.23 1.16 滝川小学校（昭和） 1.11 1.01 テレビ塔（中） 1.11 1.08 八幡中学校（中川） 1.18 1.00 熱田神宮公園（熱 田） 1.11 0.95 富田支所（中川） 1.18 0.98 港陽（港） 1.18 1.00 惟信高校（港） 1.18 1.09 千竃（南） 1.11 1.04 白水小学校（南） 1.21 1.04 元塩公園（南） 1.21 1.24 守山保健所（守山） 1.08 0.97 大高北小学校（緑） 1.21 0.97 天白保健所（天白） 1.11 0.97 影響の推定値（名古屋市内） 126
- 127. 排出量データ：EAGrid2000-JAPAN1) とは？ • EAGrid2000-Japanは、2000年度を対象とした大気汚染物質排出デー タである。 • 日本国内の様々なデータ（固定発生源種類・規模、発電量、廃棄物 処理量、自動車交通量、船舶航行データなど）から、1km2ごとでの 排出量を推定した総合的な排出量データ。 • この中から、今回はPM2.5の排出に係るデータを取り出し、結果の比 較を行った。 1) Kannari, A., Tonooka, Y., Baba, T., Murano, K.:Development of multiple-species 1 km×1 km resolution hourly basis emissions inventory for Japan, Atmospheric Environment, 41, 3428‒3439 (2007). 127