Pacific saury fishing forecasting by using random

See discussions, stats, and author profiles for this publication at:
https://www.researchgate.net/publication/272437053

Pacific saury fishing forecasting by using
random forest
Article in NIPPON SUISAN GAKKAISHI · February 2015
DOI: 10.2331/suisan.81.2

CITATIONS

READS

0

46

2 authors, including:
Takashi Matsuishi

Hokkaido University, Hakodate

82 PUBLICATIONS 580 CITATIONS
SEE PROFILE

All content following this page was uploaded by Takashi Matsuishi on 31 August 2015.
The user has requested enhancement of the downloaded file.

81点1為, 29 点2015為

Nippon Suisan Gakkaishi

ン

ム

を用い

サンマ来遊量

馬 場 真 哉，1 松 石

予測

隆2

点2014 年 2 月 21 日受付，2014 年 8 月 5 日受理為
1北海道大学大学院水産科学院，2北海道大学大学院水産科学研究院

Paciˆc saury ˆshing forecasting by using random forest
SHINYA BABA1 AND TAKASHI MATSUISHI2
1Graduate

School of Fisheries Sciences, Hokkaido University, Hakodate, Hokkaido 0418611, 2Faculty of Fish-

eries Sciences, Hokkaido University, Hakodate, Hokkaido 0418611, Japan

In Japan, Paciˆc saury ˆshing forecasts are indispensable information for ˆsheries. In this study, the abundance of Paciˆc saury in ˆshing grounds was predicted by using random forest and the forecast was evaluated by
the Monte Carlo re-sampling method. A Paciˆc saury abundance index with three categories was used for the
response variables. A total of 186 explanatory variables from 22 indices of marine environments from 1972 to
2011 were used. After variable selection by random forest, only four kinds of variable were chosen as explanatory

variables. The hitting ratio became approximately 62 and exceeded the accuracy of present posted forecasts. By
using random forest, the explanatory variables can be compressed and accurate forecasts can be made by using
many explanatory variables.

キーワー

漁況予報

証研究

的

関す

操業

安定す

。4為

，漁業管理
勘

変わ

予測

在予測精度

安定し

予測

基礎を人間
式

高

勘

Cololabis saira

うえ

経験

改善

経験

こ

頼

し

し

出せ

，漁業者

可欠

い

。こ

こ
経営

予測を行うこ
変わ

，将来的
可能性

漁業者

く

処理方

サンマ

。7為 さ

サンマ

営漁方針を立

，人材や

習法を適用す 対象 し ，サンマ 適し い

う。

経験

い安定し

，

ー

予測を行うこ

あ

知見

漁況

機械学

138405505．Emailca1201＠ˆsh.hokudai.ac.jp
Tel81

象

ン

多数含ま

ッ

，

ッ

，モン

行うこ

良いこ

頑健

ン

ン

を含

い

サ

ム

を目的

し

。

値

い

。10為

ム

予測
低

し

予測

寄

け

種類

し

くい，

特徴

あ

，水温や気

，サンマ来

を構築し

法を用い

を用い

ン

説明変数

し

説明変数
ン

。

速く，外

，分類問題

くい，

モ

ム

を提案す

を用い

多種類

サンプ

ン

予測能力

し

水準を予測す
ム

あ

，結果

ン

あ

計算速度

知

，サンプ

遊資源量指数
推定し，

相対的

使用

。11為

本研究

学習方式

対し

，予測

い

い変数

一種

来遊資源量予測モ

相対的

あ

。6為 日本

豊富

性能

ーバー

し

高い

ー

ム



を

ニー

う

やノ

ム

，機械学習法

。将来へ

豊富

予報

実証研究

い

ン

ン

9為を使用し

あ

予測を出す人

を用い

ュー

本論文

多く

コン

い

こ

，

数

人材

重要

安定す

ン

多く，現

，経験豊富
こ

，計画

防止さ

予報す

。5為

サンプ

，実

多く，4,8為

そ

関す

あ

望ま

漁況予報

必要

漁海況予報

，値崩

重要

精度ま

い予測

移行させ

役立

，来遊量を事前

極

現状

長く続け

漁況予報を利用す

こ

考え

向け

研究

数多い。13為

効率的

魚価

機械学習，漁況予測，サンマ，モン

。そし

予測分布を
精度評価を

材料と方法
応答変数
サンマ

本研究

東北区水産研究所

来遊資源量指数（旬別 30 分桝目

発表し

1 網あ

い

ン
均漁獲量

。本研究

を

水準

3

い

前年並

水準を

。12為

用し

回

定性的

，予報
。そ

（夏目，

水準

理

明確

し

前年

高

わせ

複雑

あ

回

行動を変え

時，中

研究本部（マ

し

用い

ン

中

，現行

あ

，現行

，現行
定義

く

前年を

こ

予報

予報
さ

異

前年

い

い

， 前年を

予報

し

出さ

あ

時，低

あ

。

予

し

回

。具体的

あ

し

，

時

合

い

く

水準

，北海道立総合研究機構水産

ッ

，意思決定

北海道 http: もも www.ˆshexp.

hro.or.jp も exp も central も kanri も SigenHyoka も index.asp ，

北海道立総合研究機構水産研究本部，2012年 7 月 7 日
を参考

し

分割し

水準を，分割

け

基準

。

高

Yo
Y
˜

け

k を使

し， Y
˜

Yo
Y
˜

均値

い

点 1為

本研究

情報量を
111

大

来遊資源量指数

水準を分け
う

す

大

あ

い

低

状態

log p 点 li 為

し

情報
0

。 Yo

示さ

13為

，情報

。ここ

。

ン

，情報

1

来遊資源量指数

予報

，各水準

ー14為

ン

ー

水準

高

，実際

定義し

定義さ

高

。 H 点 Level 為

ー

あ

。対数

中

水準

変数

あ

，

し

0

時 p 点 li 為

2 を使用し

1

あ

サンマ

し

い

来遊量

庁（気象庁

時

ー

大

く影

高

来遊資源量指数

環境

ー

，環境

ー

ま

。

同

値を使用

k

，本研究

（Table 1 。

ーム

， H 点 Level 為

いう前年

あ

条件

範囲内を 0.001

1

い

， 21 項目 185 種類

え

点3為

，海洋環境

。15為 そこ

低

え

シ

設定さ

k

，そ

，

kentropy

p点liブk為 log p点liブk為

，0

際

。

す

。本研究

， 22 項目 186 種類

説明

使用し

説明変数
気象

http:ももwww.jma.go.jpもjmaも，

気象庁，2012 年 7 月 10 日

NOAA 点Climate Predic-

tion Centerhttp:ももwww.cpc.ncep.noaa.govも，NOAA，
2012 年 7 月 12 日

気象

ー

ンマ

生息域

う

。各変数

，前年

し

ー

限

1月

年

年

。

黒潮流路

全

洋

月

あ

補間を行

い

水温

い

，漁期

，本研究

洋亜熱
ー

モー

月

を使用し

均値

親潮

量指数
ン

ー

欠測

。

ム

ム

。

あ

公開さ

，1996 年

概要を解説す

い

。

，詳
ン

ム

ン

ム

参考文献16為

関し

プ

，サンプ

。

定義

均値
3

い

，2000

あ

来遊量予測モ

9為 を使用し

。

水温， NPI ，

， 1972 年

。

当年 6

，本研究

年

う

従

例年 7 月

使用し

期間

限

，Fig. 1

40 年間分を使用し

定義

区間を指し，例え

説明変数及び応答変数

年ま

均値

を使用

前年

し

水

サ

全

合わせ

を説明変数

海洋，

明

を除い

2000 年 12 月

。

，広域

気象庁及び NOAA

12 月

2000 年 1 月

欠損値

い

定義

ー

親潮面積，親潮
け

，

合致し

。12為 そ

環境

い

公開さ

来遊量予報

発表さ

ム

来遊資源量指数

， p 点 li 為
底

低

i

基準

考え

中

中

水準を示す（li∈Level 。
（ l1, l2, l 3

ン

させ

説明変数

響す

点 2為

確率を表す。Level

水準

年

定

，o 年

3

i

k

k

。

37

∑p点li為 log p点li為

各々来遊資源量指数
水準

う

k を設定し

来遊資源量指数
あ

し

いう観

出現す

H点Level為

し，p点為

す

均値

基準を全

定義

， Baba and Matsuishi

計算さ

来遊資源量指

サ∑
3

分割

変

値

し

大

。

arg max

表さ

bit

各水準を表す。 k

刻

月ま

。北海道立総合研究機構水産研究本部

，こ

定義し

， liブk

元

3

ーを

し， PDO や北

2011 年ま

，本研究

う

kentropy

し

1972 年

あ

分

k

1

以

ン

う。サンマ

来遊資源量指数を表す。

以

う

k

1

，Y
˜ を過去 20 年間

統一させ

を

以

o

低

持

来遊資源量指数

ブ YY˜ 1ブk

中

数

。o 年

，情報量

情報

合わ

，意思決定

水準

いう予報

しまう

来遊資源量指数

予測

予報

，来遊資源量指数

前年を

。こ

信， 2011 年 。ま

いう前年比較

くい

分け

予測す

いう言葉

あ

指標

サンマ来遊量予測

，来遊資源量指数を， 高

来遊量を定量的

回
せ

い

低

報

を来遊量

積値12為

ム

ン

2011

来遊資源

サ
し

ン

譲

，そ

，分類回

木法（Classiˆcation and Regression Trees: CART 法

を基礎

持

ンサン

測を出力す

。本論文

ン

学習器

ンサン

学習器

，多く

学習法

あ

基本学習器

一種

あ

結果を統合し

CART 法を概説し

バ

ン

。

を解説し

樹

ンサ

うえ

，

予

馬場，松石

4

Table 1 List of data sets used for the random forest
No.

Name
PDO: Paciˆc Decadal Oscillation 点annual average為
SOI: Southern Oscillation Index 点monthly average為

1
2

n

Period
Previous year

Note

1

Previous year and until June in this year

18

3

Sea temperature of subtropical mode water in
the north Paciˆc 点annual average為

Previous year

1

4

Cross-sectional area of tropical water in the
north Paciˆc 点seasonal average為
NPI: North Paciˆc Index 点annual average為

Summer and Winter in previous year and Winter in this year

3

5
7

SST in the north Paciˆc 点monthly average為
SST in the Kushiro area 点seasonal average為

8

SST in the Sanriku area 点seasonal average為

9

SST in the eastern Kanto area 点seasonal average為

6

11
12

Flow of Kuroshio 点seasonal average為

13

Area of Oyashio 点annual average為
Southern limit of Oyashio 点annual average為

14

16

PNA: Paciˆc-North American pattern 点monthly average為
WP: West Paciˆc 点monthly average為

17
18

EP-NP: East Paciˆc-North Paciˆc 点monthly
average為
PT: Paciˆc Transition 点monthly average為

19
20

PE: Polarも Eurasia 点monthly average為

21

18

Winter, Spring, Summer and Autumn in previous year and Winter and Spring in this year

6

Winter, Spring, Summer and Autumn in previous year and Winter and Spring in this year

6

Winter, Spring, Summer and Autumn in previous year and Winter and Spring in this year

6

Winter, Spring, Summer and Autumn in previous year and Winter and Spring in this year

6

Previous year and until June in this year

18 interpolated

Summer and Winter in previous year and Winter in this year

3

Previous year

1

1 interpolated 点data in 1971
was used for interpolation為

Previous year

TNH: Tropical North Hemisphere 点monthly
average為
AO: Arctic Oscillation 点monthly average為

15

1

Previous year and until June in this year

SST in the southern Kanto area 点seasonal average為
Kuroshio path 点monthly average為

10

Previous year

January, February and December in previous
year and January and February in this year

5

Previous year and until June in this year

18

Previous year and until June in this year

18

Previous year and until June in this year

18

Previous year and until June in this year 17
点without December為
Previous year 点only August and September為
2
Previous year and until June in this year

18

Note: The data from lines 1 to 14 were from the Japan Meteorological Agency 点http:ももwww.jma.go.jpもjmaも, 10 July 2012為. The data from lines 15 to 21
were from the Climate Prediction Centre 点http:ももwww.cpc.ncep.noaa.govも, 26 July 2012為. n is the number of kinds of each data.

ン

ム

ー

へ

回

問題

CART 法17為

あ

高

い

こ

変数
呼

値

。

，ま

分岐

対す

適用可能

，本論文

を扱う
あ

分岐規則を満
別

閾値以

。こ
しt

否

い

せ

ン

い

基準

。こ

。

分け

時，

水準

評価基準

均一性

，分岐さ
測度

rc点t為

用い

こ

あ

記

。

し

均一性

i

1

均一性

均一性 R点t為
ここ

R 点 t為

ー

割合

け

分岐規則を作成す

，こ

応答
測度

st

う

サンプ

す

あ

サ

，

しt

， N 点 t 為も N
こ

し，

しt

均一性

N

い

考え

く。 DR

以

減少量を表す。

。

対す

属す

計算さ

再代用推定値を

arg maxサDR点st, t為シ

集合を S

，

定義さ

st点t為

si ∈ S

点5為

尺度 rc 点 t 為 を用い

p点t為rc点t為

， p 点 t為

。

p点liブt為為

，以

を N点t為

点 4為
そ

∑p点liブt為点1
3

し

li を

しt

arg maxサp点liブt為シ
li

ム

中

部分集合を

Gini 係数を使用し

し

来遊資源量

せ

，分岐規則

来遊資源量指数

う

，

全

いう分岐規則を策定す

，分岐させ

定義す

。

分岐規則を満

分類さ

以

l i点t為

。

予測値を返す。ここ

確率を p 点 li ブ t 為

予測値

移

分類問題

，あ

低

を意味す

説明

しt

しt

サンプ

大

計算さ

点6為
サ

属す

。 CART 法

く減少させ
。

点7 為
う

す

示す

う

分岐規則
，

しt

ン

ム

サンマ来遊量予測
本を作製す

各



ー

B を満

ン

し，

ここ
tL

バ

DR点st, t為

R点t為

，満

け

，

ン

木モ
ム

18為

く接近法

し

，バ

ン

。

，以



各



す

法

本を作製す

ン
ン

要素を
推定


，本研究
同様

分類さ

ップ標本

ム

ン

，

ン

入し

安定性

ムを概説す

重複可能

こ
ム

バ

ム

ー

ップ標

，標本選択

い

高ま
以

。こ

抽出

。

流

一部変更

ン

い

こ
をく

ー

え

分類木

相関

う

ム

，B 個

。

ー

，

解析手

え

ム性を

分岐変数選択
ン

。16為

い

い

ップ標
ン
減

定

値

環境要因

，
ム
，

ム

，
す

1 を指定し

可視

し

計算さ

け

。11為 変数

評価す
さ





い

， pl 1

重要度

使用す
数

樹木を作成し
ー

ッ

数

を作成

高

あ

。 OOB

い

。変数

重要度

，以

，

ー

ー
バ

ップ標本

ー

を

を作成し，そ
計算
～
err oob
p

p 番目

時

ン

ップ標本

点9 為

い

ー
ー

対し
。

ム

ン

定義さ

し
。

来

。

ム

変数選択を行
ー

ー

含ま

へ

ョン
ップ

， OOB

，樹
，

予測精度を
代用

ー

計算

へ

説明変数値 xpo点n為, n

え OOB
～
oob
予測誤差 err p を算出す

予測誤差

水

構成さ

を使うこ

入

，説明変数 xp

err oob

示

，資源量指数

， OOB 点 out-of-bag

算出さ

使わ

以

変数

，分類問題

重要度を使用し

予測誤差 err oob を算出す

誤分類率

う

変数

作成時

，本研究

ー

分岐

ストによる変数選択

ー

以

い

来遊資源量指数

部分従属度

際

各 OOB

安定

報告さ

1 3
∑log サpl1点zc為シ
3 i 1

を指す。9為 OOB

2, つ , N

。

水準 li

こ
。

あ

zc

予測精度

サンプ

予測結果

し

い値を示す

確率を表す。こ

ンダムフォ

多数決を

水準

やすく

変数

遊資源量指数

分岐

部分従属性 PD 
推定値を以
1

高

属す

準 li

端

，あ

ま

，部分従属プ

場合， PD 
大
1

あ

く複雑

来遊資源量指数

1

PD 
log サpl1点zc為シ
1

興味

し

使用さ

，

。

P個

数 N点t為

予測結果

作成

。

さく

個数 B を 5000 ，

。ま

例

Impp

ップ標

ン

相関を減

場合（ i

水準

モ

多数決を

値

得

数 P を，モ

す。こ

ー

高い予測精度を示す例

ップ標本

。16為

しt内

。

規則 A,

樹木を作成す

ン

， Uriate and Andres11為

木を作成す

， CART 法

こ

ン

ン

計算さ

統合す

予測確度を

多く

学習法

す

比

方根

。樹

ップを踏

樹木を構築し

樹木

。

ップ法

予測結果

。

せ

ー

。

得

す

い

選択さ

樹木

相対的

各樹木間

し

点 8為

あ

使用さ

対し

。

樹木

一

ンサン

，B 個

，予測値

本を使用す
さ

。

仮定し

学習法

用し

抽出

ー

分岐規則 st を満

3

樹木を作成す

あ

。バ

ン

R点tR為

送

ンサン
あ

重複可能

一

ー

tR

種類



バ

属す

を基本学習器

いく

バ

しt

さ

R点 t L 為

ム

。

本研究

Fig. 1 Result of interpolation. The broken line is interpolated data. The deˆnition of each index followed that
of the Japan Meteorological Agency 点http:ももwww.
jma.go.jpもjmaも, 10 July 2012為.

，

規定さ

，予測値

変数

，以

端

を続け

。16為

対し

を用い

す

バ

ップ標本

分岐

変数

す

。

す CART 法

しt



5

1,

ー

重要度を求

。

。

点10為

誤分類率を使用し

。

馬場，松石

6
err oob



，以

全

ップ

変数を入
ー

OOB

重要度
数





を作成し，新

 を繰

返す。

率を算出す

。

，重要度

常

を
ま



を説明変数

入

枠組

し

誤分類率

さく

変数

場合

算出し

。1 回

1割

あ

重複し

い

す

く

ま

を

誤分類

を使用す
繰

。

返す。

い

け，そ

モ

尺度

，こ

まま用い

情報

ン

kentropy

析

し

用い
水準

ー

あ

洋水温

ッ

時

明瞭

，Fig. 2
SOI

関係

時 PNA

負

見い

う
せ

低く，黒潮

やや高い傾向

見

い

。そ

北偏し
。ま

。水準
以外

。水準
，SOI

，北

Table 2 Separated ˆsh abundance index

Large

1974

Medium

1994

Large

説明変数

1975

Large

1995

Medium

1976

Small

1996

No data

1977

Medium

1997

Large

1978

Large

1998

Small

1979

Small

1999

Small

1980

Small

2000

Small

1981

Small

2001

Medium

1982

Small

2002

Small

1983

Small

2003

Medium

1984

Small

2004

Medium

1985

Small

2005

Large

，

数

こ

，多く

可能

。ま

予測をす
合わせを

少

いモ

必要

，誤分類率

候

変数

，すく

い

高く

さ

説明変数を使用し

用す

評価

，全変数を使

。

く

ングによる予測精度の評価

モン

サンプ
4

う

誤分類率

抜い

ン

ー

サンプ

ン

を

用

，全

，評価を行

ー

（N

。19為

ー

解析環境 R version 3.0.1 点R
作成

を使用し

，

ッ

ー

。

を用い，変数

ー

求

使用し

。

均一性

い

をそ

果
大

す

kentropy を

。本研究

， 高

， 低

水準

水準

分

索し

し

12
15

，k

結果を解

ー

ー

結

， 中

中

負

標準偏差を算出し，1 標準偏差内

来遊資源量指数を水準

12

あ

Medium

ーを

。こ

部分従属プ

高

，PNA

1993

ッ

0.23

。

値

1992

結
果 ， kentropy

重要度

Medium

varSelRF20為を使用し

。

SOI 点 SOI. Jan

推定さ

そ 34.5, 30.3, 21.6, 14.9

高く

変数

け

洋水温

Large

Rnews ス 2002-3.pdf ， 2014 年 1 月 17 日

ー

。各変数

黒潮流路

北

1973

モ

ッ

，

選

Year

randomForest 点 http: もも cran.r-project.org も doc も Rnews も

選択

（ North. Paciˆc. Sep ，前年 1 月

， OOB

誤分類率

前 年 11 月

，前年9月

（ Kurohio. path. Nov

。前年 11

1972

ー

ム

モ

PNA 点 PNA. Nov

う

Abundance

Development Core Team, Wien, Austria

ン

100

結果， Table 3

Year

サンプ

，500 回

予測分布

（仮

月

変数選択

Abundance

予測精度

モンテカ

計算

組

ー

OOB

し

中

，

過学習を避け

モ

。

を使用す

を作

。

を使用し

合わせを見

あ

択す

けを選び出すこ

37

組

。

，そ

算出さ

モ

20 個を排除す

誤分類を比較し，

，誤分類率

モ

，重要度



さい説明変数
択す

ム

ー

（Table 2 。

。11為

説明変数

ッ

場合

ン

す

を使用し

ー

い

， OOB

排除

作成さ

ー

補

い

け排除し

点11為

。同時

誤分類率を求

説明変数を使用し
。そし



ム

重要度を算出す

を使用し

作成す

こ

実行さ

さい説明変数を，使用さ

20 分

個

従

ン

成し，説明変数



こ

p点l i点t為ブt為

1

変数選択

1986

Medium

2006

Medium

1987

Small

2007

Large

1988

Large

2008

Large

1989

Small

2009

Medium

1990

Small

2010

Large

1991

Medium

2011

Large

Table 3 Result of variable selection
Variable name
PNA.Nov

Importance index
34.5

Kuroshio.path.Nov

30.3

North.Paciˆc.Sep

21.6

SOI.Jan

14.9

Note: Importance index was calculated by random forest.PNA.Nov
means PNA index in November of the previous year. Kuroshio.path.
Nov means interpolated Kuroshio path in November of the previous
year. North.Paciˆc.Sep means SST in the north Paciˆc in September of the previous year. SOI.Jan means SOI in January of the previous year. The deˆnition of each index follows those of the Japan
Meteorological Agency 点http:ももwww.jma.go.jpもjmaも, 10 July 2012為
and Climate Prediction Centre 点http:ももwww.cpc.ncep.noaa.govも, 26
July 2012為.

ン

ム

サンマ来遊量予測

7

Fig. 2 Partial dependency plot. Partial dependency was calculated by Eq. 点9為, and expresses the relative frequency of each ˆsh
abundance level. PNA. Nov means PNA index in November of the previous year. Kuroshio. path. Nov means interpolated
Kuroshio path in November of the previous year. North. Paciˆc. Sep means SST in the north Paciˆc in September of the previous year. SOI. Jan means SOI in January of the previous year. The deˆnition of each index follows those of the Japan Meteorological Agency 点http:ももwww.jma.go.jpもjmaも, 10 July 2012為 and Climate Prediction Centre 点http:ももwww.cpc.ncep.noaa.govも,
26 July 2012為.

考

Table 4 Result of forecast evaluation by Monte Carlo
resampling
Actual ˆshing level

Forecast

あ

Large

Medium

Small

Large

436

98

143

677

Medium

55

251

115

421

Small

138

212

552

902

Sum

629

561

810

2000

時

中

低

あ

北

洋水温

関係

見い

500 回 ー
Table 4

，現行

あ

せ

時

くい傾向

低

う

， PNA

ップ

。SOI

回

低

。水準

偏し

明瞭

予測精度評価 結果 ，

。的中率

予報（ 1972 年

5820為をやや

。

高く，黒潮

2009 年ま

。

予報

そ 62 

あ

的中率

62

的中率

やや高い値

Sum

こ

わ

手

東北区水産研究所
参照し

え
し

異

入

い

実施し

い

い。現行

。そ

厳密

。

，そ

漁期前調査

後調査

く，モ
ー

，予測精度

増え

こ

広さ

考慮し

い。ま

現行

2003 年

を作成す

蓄積さ
向

，現況

指数

。ま

す

い

予報
い

勘や経験

，サンマ漁業
予報

漁期前調査

本研究

予報

予測

比

開始さ
モ

際

使用し

向

同

形態

込

今後

来遊量

考

ー

。今

こ

う。

ー

検討課題

来遊資源量指数

，厳密

い

しい

い

あ

，

結果12為

高い精度を

使用し
組

基

使わ

前年比を予測し

可能性

あ

予報

比較を行うこ

予測精度

，本研究

人間

環境要因し

，資源量水準を予測し

少

し

あ

。本手法

予測を出すこ
以前

察

乖

漁場
す

馬場，松石

8

可能性

あ

寄

本研究

理

ー

，

プ

。補間さ
考え

く

を整理し，

応答変数を選

う。
用し

。

くい

ー

年数

方海域

，21為 北

関わ

。栗

わ

い

高

量

，

22為

選

知

ー

頑健

考え

，モ

う

，本手法

サンプ
対し

要

考え

す

こ

複数回行うこ

ン

。ま

ン

来遊量を連続変数

こ

可能

知

仮
少

連続

い

あ

，

し

い

手法

ー

予報さ

へ

く，来遊資源量指数

確

大

す

。

東

水温
し

多く
置

来遊量

い

産

関

結果

そ

ー

あ

を

い

相対的

サンプ
評価す

結果

こ

，選

こ

モ

し，

ー

あ

へ

ン

い独立

あ

容易

ノン
あ

予報さ

い

時

こ

。一方

を繰

返す

，誤分類率

討課題
測モ

し

新

こ

縮し
こ

16為

影響

供

こ

ム

，

ー

作成さ
ー

重
あ

，

考え

い説明変数

う。

選
そ

言え

。ま

ン

こ

ム

させ

を使用し
作成

今後
際

経済価値

ン

そ

全

，操業

ノン

考え

わ

年

漁期

予測結果を返すこ

，予報を出す人員
，本手法を用い

こ

交代

，Table 4
い

こ

，操業計画を策定す

け

謝
研究を進

あ

際

可能

手

1

ッ

数値を代

際，厳密

う。

性

前年

式を示すこ

各説明変数

予報

意見

を作成す

，予測結果を計算す

，分割表形式

あ

成果

。23為 新しい予測手法を適用す
うえ

検

，予

優

予報を出すこ

評価さ

来遊

環境要因を

こ

う。

ン

精度を出せ

，数多く

説明変数

作

評価

必要

研究者

以

ム

モ

ン

サンプ

モ

ム

多数

ー

ン

ム

精度

う

影響を受け

比較検討す

い，早期

ム

ップ標本を

ン

手法を使用し

ン

予報

ップ標本

意思決定を行う際

予報

検討

わ

けを使用し

あ

，容易

く

ン

同

ン

。学習能力を向

入し

望まし

水準を予測す

樹木

モ

，

定量的

付けをし
ー

こ

こ

す

樹木構辫接近法

代表さ

，多く

用い

，作成さ

少

方

使用

。す

予測結果

予報を用い

。

ン

水準を予測す

予測を行うこ
ッ

変え

意性検定や，予測モ

分割表形式
あ

さ

い。ま

あ

こ

械的

ー

いう特徴

。変数選択

しい

予測

。

を使用し

樹木を

こ

ー

特徴を

来遊資源量指数

過去

大

現行

手法
入す

迚い

，本研究

あ

予報

情報を用い，多く

少

月

応

考え

評価方法を

う。

調査船

価をし

過大

ー

量資源量指数

，

多

ン

製す

ム

高い性能を示す

目的

ー

ー

こ

やバ

い

う。定量的

く CART 法を使用し

際

損失を避

， 来遊資源量指数

過少推定さ

。

多い

CART 樹木を作成す

重

評価を

い

ム

作製す

入手

精度を検証

予測

こ

あ

を示す結果

，情報

ン

同

く

変数を

あ

サンマ

ン

少

適用可能

い。し

い

を用い

し，乱数発生

以

優

変数選択

必要

評価をす

す

う

へ過剰適合し

，変数選択

あ

う。

こ

予測

，こ

一種

変数を使用し

う。し

方

程度

洋水

，予測精度をモン

問題

あ

う。

い

困

本研究

前処

，サンマ来遊

ップ結果

，

あ

15為

変数

ー

使用し

予測
中

低け

ップ

し

い

黒潮

中

う。
，回

必要

産卵数

評価手法を

ー

影響

関

，大量

186

関係

厳密

。10為 ま

時

こ

いえ

いモ

分類問題

予測分布をモン
ッ

い

い

日本

，本研究

ー

ー
ム

分類問題へ適用し
こ

う

，

本研究

用

を一部使

混合域

結果，変数

い。11為 本研究

頑健
こ

作成時

。多く

ムを多用し

言い

，あま

け

さ

時期

4

的中率を

適

知

来遊量

。SOI

。説明変数

へ

こ

再生産

を用い

選

。 PNA

一尾あ

い

示唆さ

。

終的

い

発这し

こ

ム

，

際

う

推定さ

，こうい

。黒潮流路

やすい傾向

す

を使用す

黒潮域

，サンマ
あ

ー

， PNA ，北

サンマ

示唆さ

意思決定

課題

可能

影響す

，黒潮域

可能性

容易

くく

こ

，秋季

ニーニョ

増

ン

。

こ

。こ

を支持し

縮

さ

い

い

大

ー

4 種類

海面水温偏差
洋水温

い

蓄積さ

温，黒潮流路， SOI

卵場

多く

，今後欠損

結果選

，今後

ン補間を行

す影響を評価す

変数選択

漁業者

こ

。機

大
う

重要

精度評

精度を公開す

情報を提

辞
益

コ

ン

を賜

東北区

水産研究所巣山哲博士，中神

ン

ム

康博士，柴

泰

サンマ来遊量予測
博士，

統計数理研究所島谷健一郎准教授，北海道大学大学院水
産科学研究院
表します。

井泰憲教授，和
文

1為
2為

3為

4為
5為
6為
7為
8為
9為
10為
11為

哲准教授

感謝

意を

献

青木一郎， 松輝久．ニュー
ッ
マ ワ
成魚漁獲量 予測．水産海洋研究 1992; 56: 113
120.
Watanabe K, Tanaka E, Yamada S, Kitakado T. Spatial
and temporal migration modeling for stock of Paciˆc saury Cololabis saira 点Brevoort為, incorporating eŠect of sea
surface temperature. Fish. Sci. 2006; 72: 11531165.
Rupp DE, Wainwright TC, Lawson PW, Peterson WT.
Marine environment-based forecasting of coho salmon
点Oncorhynchus kisutch為 adult recruitment. Fish. Oceanogr.
2012; 21: 119.
石日出男，花岡 明，四宮 博．
初期 操業 ー
暖水塊
ー
サンマ漁況予測．水産海洋
研究 1997; 61: 1822.
湯 祖恪， 本和美，和 時 ，北原 武，原 泰志．
道東沖マ ワ 漁況
推論
予測．日本水
産学会誌 1992; 58: 18731881.
青山恒雄． 短期漁海況予測手法開発検討委員会
け
課題 展望．水産海洋研究 1984; 46: 2753.
高杉 知．聞
調査 得
サンマ漁海況予報
利用状況．サンマ等 型浮魚資源研究会議報告．青森．
1989; 37: 262268.
渡邉一 ，斉藤克弥， 石日出男， 坂 淳．時系列解
析
サンマ漁場 水温分布予測．水産海洋研究
1999; 63: 6167.
Breiman L. Random forests. Mach. Learn. 2001; 45: 532.
杉本知之， 川敏雄，後藤昌司．樹木構辫接近法
近
発展．計算機統計学 2007; 18: 123164.
Dáƒaz-Uriarte R, De Andres SA. Gene selection and clas-

View publication stats

12 為
13為
14為
15為
16為
17為
18為
19為

20為
21為

22為
23為

9

siˆcation of microarray data using random forest. BMC
Bioinformatics 2006; 7: 3.
第 60, 61 回サンマ等 型浮魚資源研究会議報告．東北区
水産研究所資源海洋部．2012, 2013.
Baba S, Matsuishi T. Evaluation of the predictability of
ˆshing forecasts using information theory. Fish. Sci. 2014;
80: 427434.
Shannon CE. A mathematical theory of communication.
Bell. Syst. Tech. J. 1984; 27: 379423, 623656.
永軍，赤嶺这郎，須 真木．北西
洋
け サ
ンマ資源 長期変動特性 気候変 ．水産海洋研究
2002; 66: 1625.
川敏雄，杉本知之，後藤昌司． 樹木構辫接近法R
学
ー サ
ン 9 共立出版，東京．2013.
Breiman L, Friedman JH, Olshen RA, Stone CJ. Classiˆcation and regression trees. Wadsworth & Brooks, Monterey. 1984.
Breiman L. Bagging predictors. Mach. learn. 1996; 24:
123140.
Lee YW, Megrey BA, Macklin SA. Evaluating the performance of Gulf of Alaska walleye pollock 点Theragra chalcogramma為 recruitment forecasting models using a Monte
Carlo resampling strategy. Can. J. Fish. Aquat. Sci. 2009;
66: 367381.
Diaz-Uriarte R. GeneSrF and varSelRF: a web-based tool
and R package for gene selection and classiˆcation using
random forest. BMC Bioinformatics 2007; 8: 328.
Hanawa K, Watanabe T, Iwasaka N, Suga T, Toba Y.
Surface thermal conditions in the western North Paciˆc
during the ENSO events. J. Meteorol. Soc. Jpn. 1988; 66:
445456.
栗
豊．サンマ 産卵場及び産卵量 季節変 ．サン
マ資源研究会議報告．青森．2001; 49: 203
205.
立 良 ． 気象予報
意思決定
確実情報 経済
価値 東京堂出版，東京．1999.