グローバル マップが開きます。 [コンテンツ] ウィンドウには、次の 4 つのフィーチャクラスが用意されています。

• Global ocean measurements - 水深 90 メートルまでの海洋計測値を含む、Ecological Marine Unit ポイント データ。
• USA seagrass - 海草の存在についてのポリゴン データ。 USA seagrass 内の各ポリゴンは、識別されている海草生息地です。
• USA shallow waters - モデル トレーニングの分析範囲として使用される米国大陸の浅瀬の海底地形ポリゴン。
• Global shallow waters - 全世界の海草の予測に使用される全世界の浅瀬の海底地形ポリゴン。

データ レイヤーは、Equal Earth 投影座標系に含まれており、グローバル解析に適しています。

ライト ブルーのエリアは、海草の生育を可能にする水深である世界中の浅瀬の海底地形ゾーンを表しています。

明るい緑色のエリアは、海草生息地が特定された場所です。 米国大陸周辺で海草が存在する既知の場所に関する情報を使用して、海草生息地が存在する可能性がある世界中の場所について予測します。 これは地球的規模の予測であるため、海草が存在する可能性が最も高い特定の湾内の場所を特定するなど、小さなエリアの海草生息地の特定には適していません。 後で、その他の予測シナリオでモデルを再利用する方法について学習します。

これらの [Global ocean measurements] ポイントは Ecological Marine Units (EMU) の 10 年間の平均、50 年平均、データ値を示しています。 ほとんどのデータは、海草観測レイヤーの外側にあります。 Presence-only 予測ツールを使用して適切な予測モデルを作成するには、既知の海草エリア内にある多数のポイントと対応する海洋計測値データが必要です。 海草ポリゴン内にある EMU_Global_90m ポイントのサブサンプルだけを使用すると、観測データがかなり少なくなります。

この問題を解決するには、既知の海草生息地内に一連のランダム ポイントを作成して、モデルをトレーニングします。 また、Global ocean measurements 変数からサーフェスを内挿し、ランダムな海草生息地ポイントを使用して、内挿された計測値の値をサンプリングします。 [Global ocean measurement] 変数は、 temp (温度)、salinity、dissO2 (溶存酸素)、nitrate、phosphate、silicate、srtm30 (深度) です。

まず、米国の海草ポリゴンを単一のマルチパート フィーチャにディゾルブして、海草が存在する既知のエリア内に 5,000 個のランダム ポイントを作成します。

ツールが完了すると、新しいフィーチャ レイヤー [USAseagrass_Dissolve] がマップに追加され、[コンテンツ] ウィンドウにリストされます。 このバージョンの海草レイヤーを使用するので、ワークスペースを片付け、混乱を避けるために元のレイヤーを削除することをお勧めします。

次に、海草が存在する場所のランダム ポイントを生成します。

ランダム ポイントがマップに表示されます。

これで、米国沿岸周辺の既知の海草生息地内に収まる 5,000 個のポイントを含む新しいフィーチャクラスが作成されました。Presence-only 予測モデルのトレーニングにこれを使用します。 現時点では、これらの場所に関連付けられた環境変数はありません。 その情報は [Global ocean measurements] ポイントの場所に格納されます。 これに対処するには、Global ocean measurements ポイントでサンプリングされた環境変数の連続内挿サーフェスを作成します。

[バッチ経験ベイズ クリギング] ページが表示されます。

フィールドのリストが表示されます。

[追加] をクリックすると、フィールドがツール ウィンドウに追加されます。

これにより、フィールドごとに EBK_ plus というフィールド名を持つラスターが作成されます。

これらの設定により、各モデル内のポイント数とセミバリオグラムのシミュレーション回数を制限することで EBK 予測の速度を上げることができます。 これらの値を増やすと予測の精度が高まりますが、ツールの処理時間も増加します。 これらのパラメーターの理解を深めるには、「経験ベイズ クリギングとは？」ヘルプ ページをご参照ください。

標準円形の検索近傍を使用すると、ツールの処理時間が短くなります。 最小近傍要件を制限すると、近傍数が非常に少ない場合でも未知の場所の値を予測できるようになります。 これらを含むパラメーターの詳細については、「Empirical Bayesian Kriging」ツールのドキュメントをご確認ください。

このツールはバッチ モードで実行し、7 つのグローバル内挿ラスターを生成するため、実行にしばらく時間がかかります (約 5 分)。

ツールは、いくつかのフィーチャで NODATA 値が無視されたことを示す警告とともに完了します。 これは問題ではありません。

[Batch Empirical Bayesian Kriging] ツールが完了したら、各海洋計測サーフェスがマップに追加されます。 以下の図のように表示されます。以下の図は、硝酸濃度の EBK モデルを示しています。

ラスター レイヤーのリストが表示されます。

[追加] をクリックすると、ラスターがツール ウィンドウに追加されます。

これらはすべて連続計測ラスターなので、[カテゴリ] チェックボックスはオフにします。 ツールはカテゴリ値のトレーニング変数も使用できます。その場合はこのチェックボックスをオンにする必要があります。

基底関数は、説明変数を変換 (または展開) して、海草の存在と対象の変数のより複雑なリレーションシップの形態をモデルに組み込みます。 複数の基底関数の選択には、モデルに変換されたバージョンの変数がすべて含まれます。正規化を使用して、そこから最もパフォーマンスが高い変数が選択されます。 この場合、Discrete ステップ オプションを除くすべてのオプションを選択します。Smoothed ステップと Discrete ステップは比較的同じであり、1 つだけ選択すると処理時間が短くなるためです。 各基底関数の詳細については、ツールのドキュメントをご確認ください。

[ノット数] は、変数の最小値と最大値の間の等間隔数を指定する [Smoothed step (Hinge)] 基底関数に関連する設定で、フォワード ヒンジの変換済み変数とリバース ヒンジの変換済み変数の両方が作成されます。 [凸包] の設定は、分析範囲がすべての入力トレーニング ポイントの凸包として指定されることを意味します。 ツールは、存在ポイントを含まない分析範囲のエリア内に、海草が不在である可能性を表す背景ポイントを生成します。

これらの設定により、エリアが空間的に過剰にサンプリングされないように特定の距離内にある存在ポイントと背景ポイントを減らすことで、可能性があるサンプル バイアスを最小限に抑えることができます。 背景ポイント間の距離は説明ラスターの空間解像度の影響を受けるので、この場合、2 キロメートルの距離を使用すると、海草が存在するエリアよりも過剰な背景ポイントのサンプリングを回避できます。 複数回の間引きの反復を使用すると、ツールは間引き処理時に複数回試行して、トレーニング ポイントを最も多く保持するオプションを選択できます。

後で解析を共有するためにモデル ファイルを保存しますが、モデルがうまく機能することを確認してからに限られます。

[存在から背景までの相対ウェイト] の値が 100 の場合、ツールが生成した背景ポイントの位置に海草が存在するかどうかは不明です。

海草は位置の点について不明確さがわずかである (つまり、海草には考慮すべき移動性や移動がない) ため、このシナリオでは [存在確率変換] に [C-log-log] を使用することをお勧めします。 [存在確率のカットオフ] が 0.5 の場合、0.5 より大きい確率を持つ位置が存在として分類されます。

これは、モデルの生成に使用されるトレーニング済みフィーチャ (この場合、存在ポイントと背景ポイント) を含む出力フィーチャクラスになります。

[出力応答曲線テーブル] と [出力感度テーブル] は、モデルのパフォーマンスを把握するのに役立ちます。

これは、海草生息地が存在する可能性についてのモデルの予測を表示する出力ラスターになります。

前に米国沿岸のデータ ポイント上でモデルをトレーニングするための説明ラスターを指定しました。ここでは、同じラスターを使用してグローバルな予測を実施します。 場合によっては、異なる説明ラスターを使用して予測を行うこともあります。 たとえば、同じ海洋計測変数を使用するが、今後 50 年間の投影値を使用して、気候変動が海草生息地と範囲にどれだけ影響するかを評価します。

米国沿岸のデータだけを使用してモデルをトレーニングしているため、世界全体の予測を行うには、データの範囲外での予測を許可する必要があります。

条件が米国海岸とは大きく異なる場所 (南極など) の予測結果を後で調べる際には、この点に注意してください。

これらのパラメーターは、ツールにモデルの K 分割交差検証を実行するよう指示します。

ツールを実行する準備がもう少しで完了します。 [環境] 設定を追加して、実行する前に処理されるエリアを制限します。

海草は浅瀬で成長するため、処理対象のエリアを浅瀬に制限すると時間の節約になります。

ツールの実行にはしばらく時間がかかります (約 2 分)。

マップには予測された海草生息地のエリアが示され、海草が存在する可能性が最も高いエリアを表す濃い紫色でシンボル表示されます。 説明変数がトレーニングに使用された範囲から外れている特定のエリア (南極など) では、予測が正確でない可能性があります。

グレーと緑のポイントは、海草生息地が存在するまたは存在しない可能性がある場所のデータを収集するためにツールが作成した背景トレーニング ポイントを表します。

これらのデータ ポイントには大きな問題があります。 大半が土地を覆っており、海草生息地を予測するモデルには適していません。 これはモデルの概念的な問題です。ここでは、モデルが正しく指定されるようにするためにドメイン固有の知識を持つことと各ツール パラメーターを理解することの重要性について説明します。

次に、モデル診断を確認して、モデルがどのように実行されたかを確認します。

[詳細] ウィンドウには、作成したモデルとそのパフォーマンスに関する重要な情報が表示されます。 また、ツールの実行からの警告も含まれます。 この場合、警告は解析の問題ではありません。

このテーブルには、指定された存在確率のカットオフ (この場合、0.5) 未満のモデルのオミッション率と AUC 値が表示されています。 AUC とは ROC (Receiver Operating Characteristic) 曲線下面積で、真陽性と偽陽性の割合を比較することによりモデルのパフォーマンスを計測します。 オミッション率が低く AUC 値が 1 に近いほど、良いモデルのパフォーマンスが示されます。

モデルの AUC (1 に近い) は非常に高く、望ましい値ですが、オミッション率 (0.15 より大きい) も少し高い値です。 また、モデルの理解を深めるために、[詳細] ウィンドウでその他の情報 (回帰係数や交差検証の概要など) も確認できます。

[交差検証の概要] テーブルは、[% 存在 - 正しく分類] が 82 ～ 86% の範囲であることを示しています。

評価するモデルの最後の側面は、応答曲線テーブルと感度テーブルです。

[連続変数の部分的な応答] チャートは、各説明変数の値の変化が存在確率に及ぼす影響を視覚化し、その他のすべての変数は一定に保持します。

小さいチャートをクリックすると、右側の大きなチャートで変数が見やすくなります。 [EBK_SALINITY] チャートは、塩分濃度値の狭い範囲で、海草生息地の存在確率が急激に最大になることを示しています。

この 2 つのチャートは、前に確認したオミッション率と AUC 診断に追加のコンテキストを提供します。

0.5 のカットオフ値は、モデルで使用したデフォルト値です。

クリックおよびドラッグしてオミッション率チャート上のポイントを選択することにより、存在確率のカットオフの変更が背景ポイントの分類にどのように影響するかを調査できます。

カットオフ値を低くすると、存在の可能性として分類された背景ポイントの比率が増加します。

モデルの結果を確認し、コンテキスト診断データを調査しました。 次に、土地の上にトレーニング ポイントがあることの概念的な問題を処理するようモデルを調整します。

この方法でツールを開くと、前のすべてのパラメーターが入力されたままの状態でツールが開きます。

いくつかのツール パラメーターだけを変更します。

ツール検証が完了したら、新しいパラメーターが表示されます。

これにより、候補の海草生息地存在および不在テスト ロケーションのエリアを米国大陸周辺の浅瀬沿岸エリアに制限します。

しばらくすると、プロジェクト フォルダー構造内のパスが設定され、.ssm ファイル拡張子がモデル名に追加されます。

チュートリアルの次のセクションで、このモデル ファイルを操作します。

• [出力トレーニング済みフィーチャ]: trainfeatures2
• [出力応答曲線テーブル]: rc2
• [出力感度テーブル]: sensitivity2

• [出力予測ラスター]: seagrass_predict2

ツールの実行にはしばらく時間がかかります (約 2 分)。

ツールの処理が完了すると、レイヤーが [コンテンツ] ウィンドウに追加されます。

トレーニング フィーチャ (存在ロケーションおよび背景ロケーション) が土地以外の沿岸エリアに適切に配置されます。

[オミッション率] と [AUC] の値を確認します。 [AUC] は前のモデルとほぼ同じですが、オミッション率ははるかに低く、モデルのパフォーマンスが向上したことを示しています。

[交差検証の概要] テーブルは、[% 存在 - 正しく分類] が 95 ～ 96% の範囲であることを示しています。

このモデルの感度チャートと応答曲線チャートを探索し、前のモデルと比較することもできます。

リボンに [ラスター レイヤー] コンテキスト タブが表示されます。 このタブは、ラスター レイヤーが [コンテンツ] ウィンドウで選択されている場合に使用可能になります。

[スワイプ] ツールは、選択したレイヤーを対話的に非表示にして、そのレイヤーの下にあるレイヤーを表示します。 このツールを使用すると、1 つ目の予測と 2 つ目の予測の違いを調査できます。

バルト海周辺の違いに注目します。 最初のモデルでは、バルト海 (特にデンマークのコペンハーゲン周辺など) に海草生息地が存在する確率はとても低いと予測されました。 2 つ目のモデルでは、予測確率はこの地域で増加しました。 海草藻場はバルト海 (特にデンマーク周辺の保護された湾) で重要な二酸化炭素のホット スポットであるため、これは、新しいモデルのパフォーマンスの信頼性を高めるのに役立ちます。

通常どおり、引き続きモデルの予測を調べて、米国沿岸水域外にある他に知られている海草の場所と比較することもできますが、このチュートリアルの目的では、モデルの共有に進む準備ができました。

モデル タイプや予測対象変数など、モデルに関する基本情報を提供する情報メッセージが表示されます。

モデルが作成された日付、モデルのタイプ、予測因子と応答、モデル特製と診断 ([AUC] や [オミッション率] など) を含むモデルに関する多数の詳細が提供されます。

重要なのは、モデル ファイルでは入力位置と値が開示されないため、鳥類の絶滅危惧種の営巣地など、入力データの機密性が高い場合でもモデルを共有できます。

予測対象変数と説明トレーニング ラスターの [説明] フィールドと [単位] フィールドの情報はありません。 各変数が表しているものとその単位を理解しないと、他のユーザーはこのモデルを利用することができません。 実際は摂氏単位で測定されている場合にこのモデルの温度が華氏単位で測定されたとユーザーが想定したとすると、予測が不正確になります。

次に、この不足している情報を入力します。

モデルで使用される変数名とラスター名がリストされます。 [説明] ボックスと [単位] ボックスでは、モデルのドキュメントに情報を追加できます。

• [EBK_DISSO2] の [説明]: Dissolved oxygen、[単位]: ml/l
• [EBK_NITRATE] の [説明]: Nitrates、[単位]: μmol/l
• [EBK_PHOSPHATE] の [説明]: Phosphates、[単位]: μmol/l
• [EBK_SALINITY] の [説明]: Salinity、[単位]: None
• [EBK_SILICATE] の [説明]: Silicates、[単位]: μmol/l
• [EBK_SRTM30] の [説明]: Depth、[単位]: Meters
• [EBK_TEMP] の [説明]: Temperature、[単位]: °C

これにより、入力して変数の整合チェックが実行されます。 ツールの実行前にツールの整合チェックを実行しないと、これらの値が失われることがあります。

ツールはフィールドが更新されたことをレポートします。

詳細が更新されます。

変数の説明と単位が正しくドキュメント化され、モデル ファイルを電子メール、共有ドライブ、またはオンラインで共有する準備が整っていることを確認しました。 このモデル ファイルを維持して、今後、別の予測を実行したり、追加の予測を実行する他のユーザーと共有したりすることができます。 たとえば、この予測では Ecological Marine Units (EMU) 10 年間の平均 (50 年平均) データを使用しましたが、別の研究者は投影海洋計測値を使用して予測を行い、温暖化する海洋条件下で海草の分布がどのように変化するかを把握できます。