地球上のサンゴ礁は、気候変動による海水温の上昇によって脅かされています。異常に高い温度に長期間さらされると、多くのサンゴが白化し、死滅しますが、一部の種（あるいは同一種内の遺伝子型）は、顕著な気候変動耐性を維持しています。従来、私たちはこうした「スーパーサンゴ」を事後的に特定してきました。つまり、甚大な被害を受けたサンゴ礁の残骸の中から、生き残ったサンゴを探し出すという方法です。サンゴ礁の再生やその他の目的のためには、このような「干し草の山から針を探す」ようなアプローチよりも、気候変動に強いサンゴを特定するための、より的を絞った積極的な方法が望ましいでしょう。そこで、私はミクロネシアのパラオ共和国の最も人里離れた地域への1ヶ月にわたる調査旅行で得られた、豊富なサンゴの生態生理学的データセットを紹介します。基本的なデータ処理と可視化を行った後、JMP Pro 17を使用して、サンゴの回復力予測モデルを比較的容易に構築する方法を示します。次に、モデルの予測プロファイラから生成されたGUIをWebページに埋め込み、科学者が計画ツールとして利用できるようにする方法を実演します。具体的には、モデルベースのプロファイラを使用することで、研究者は生物探索調査中に回復力の高いサンゴを発見する可能性が最も高い環境条件（水深、サンゴ礁の種類、塩分濃度など）を予測できます。したがって、この分析ツールは、劣化したサンゴ礁の再生に向けた取り組みにおいて、気候変動に対する耐性の高いサンゴを特定し、増殖させる際に海洋生物学者を支援するでしょう。
みなさん、こんにちは。ご視聴ありがとうございます。アンダーソン・メイフィールドと申します。サンゴ礁科学者であり、JMPの長年のユーザーであり、その普及活動にも携わっています。これから30～35分かけて、パラオ共和国におけるサンゴ礁の回復力のモデリングについてお話しします。残念ながら、私が過去20年ほどサンゴ礁について行ってきた研究の根底にある動機は、サンゴ礁が美しく、見る者を魅了する素晴らしい場所であるという事実だけではなく、気候変動に伴う海水温の上昇などによって、サンゴ礁が深刻な脅威にさらされているという事実です。
何が起こっているかというと、海水温がサンゴにとって高すぎるのです。サンゴは細胞内に生息する渦鞭毛藻類と繊細な共生関係を築いていますが、水温が長時間高すぎると白化してしまい、事実上餓死してしまいます。残念ながら、まさに今この瞬間にも、世界規模のサンゴ白化現象4回目が進行中です。
コアサンゴ礁は実際にはあまり研究されていません。生物多様性が非常に高い地域であるにもかかわらず、海洋全体の面積の1%にも満たないのです。そのため、最もサンゴが豊富な地域がどこにあるのかさえ、正確には分かっていません。衛星画像に基づいて推測することはできますが、実際に水中に潜って、できればマスクとシュノーケル、もしくはスキューバ器材を装着して、何があるのかを確認する必要があります。しかし、地球上のすべてのサンゴ礁を包括的かつ総合的に調査する時間はすでに尽きています。特にサンゴが豊富な地域を見つける方法を早急に進める必要があります。
同様に、ほとんどのサンゴは高温に非常に敏感だと述べましたが、何らかの理由で海水質が悪化しても回復力を維持するサンゴも存在します。私たちはこれらのサンゴを見つけ出し、それらが他のサンゴと何が違うのかを理解する必要があります。サンゴを増殖させてサンゴ礁の再生を試みることはできますが、私たちの通常のアプローチは、いわば干し草の山から針を探すようなものです。ただ水中に潜り、瓦礫をふるいにかけて、運良くこれらのサンゴが見つかることを願うしかないのです。
気候変動に強いサンゴを特定するには、より的を絞ったデータ駆動型の方法が必要です。これは、私が JMP を使用して取り組もうとしてきた種類の質問です。私はこれを、JMP Pro で予測モデリングを使用して重要な知識のギャップに対処することと呼んでいます。ここでいくつか質問を挙げます。質問 3 と 4 は非常に重要で、私にとって非常に大切なものですが、今日はそれらに取り組む時間はありません。それらはスライド デッキと私の小さなウェブ ページで提供するデータに含まれているので、詳細を知りたい場合はメールでご連絡いただいても構いませんが、データ テーブルにはスクリプトが埋め込まれており、それらに答える方法についてのステップ バイ ステップ ガイドがあります。
代わりに、今日の講演では質問1と質問2に焦点を当てたいと思います。既存のデータを使って、生きたサンゴの割合が非常に高い他のサンゴ礁がどこにあるかを予測できるでしょうか？これらのサンゴ礁は、重要な魚種の生息地として、また波のエネルギーから海岸を守るという点で、より価値の高いものとなるでしょう。必ずしも最も強いサンゴ礁というわけではありませんが、おそらく最も価値のあるサンゴ礁と言えるでしょう。
一方、2つ目の質問は、こうした「スーパーサンゴ」をどこで見つけるかという点に焦点を当てています。つまり、何らかの理由で気候変動やその他のストレス要因に直面しても回復力を維持しているように見えるサンゴのことです。今日、私がこのパラオのデータセットに焦点を当てて話したい理由は、リビング・オーシャンズ財団との素晴らしい機会だったからです。私たちは、私が「分子から衛星まで」データセットと呼ぶものを収集するために、科学者の大規模なチームを編成しました。
つまり、あらゆる規模のデータを収集したということです。宇宙からの衛星データもありますし、船で横断調査や撮影を行い、海底の生物相を調査しました。私のようなスキューバダイバーがサンゴ礁に生息する生物を観察しました。そして私の主な任務は、サンゴのサンプルを採取して、その健康状態や回復力を把握することでした。これは非常に豊富なデータセットであり、私が提起したいくつかの疑問に答えるのに役立つと考えています。
私が「バイオプロスペクティング」という言葉を使ったのは、これらのデータを活用して、これまで調査していなかったサンゴ礁について予測を立てようとしているからです。私たちは1ヶ月間現地に滞在し、素晴らしいデータセットを得ましたが、それでもまだ、そこに存在するもののほんの一部しか把握できていません。そこで、予測モデリングを用いて、不足している情報を補完していくことにしました。
講演の前半、あるいは次の大きな部分では、サンゴ被覆率の高いエリアを特定することに焦点を当てます。これは、サンゴ礁を形成するサンゴ、つまり実際にサンゴ礁を作るサンゴが豊富に生息しているエリアを指します。私たちは、まだ発見されていないかもしれない、サンゴ被覆率の高いサンゴ礁を特定したいと考えています。私たちが使用する環境予測因子としては、海水質、空間的な位置、その他の生息環境パラメータなどが挙げられます。
念のため申し上げておきますが、なぜこのような作業をする必要があるのでしょうか？衛星画像を見たり、Googleマップでサンゴ礁の位置を推測したりすればいいのではないでしょうか？確かにその通りです。それでサンゴ礁のおおよその位置は分かりますが、実際に生きているサンゴ礁がどれなのかは分かりません。生きているサンゴ礁と死んだサンゴ礁は衛星画像では非常によく似ているため、何が生きているのか、何が死んでいるのかを確認するには、ダイバーのデータに頼る必要があるのです。
皆さんのほとんどはパラオをご存知ないかもしれませんが、ミクロネシアにある本当に美しい小さな島国です。西洋人がパラオを知っている唯一の理由は、ダイビングの楽園だからでしょう。そして、それは今も変わりません。すべてが瓦礫と化してしまった、などと悲観的な話をしたくはありませんが、一方で、これらのサンゴ礁は決して原始的な状態ではありません。世界中のサンゴ礁が直面しているのと同じ課題、特に高温による影響に直面しています。さて、前置きはこのくらいにして、いよいよJMPについてお話ししましょう。
私は JMP Pro 18 を使用しています。まず最初にやりたいことは、JMP が本当に得意としていることですが、データの探索です。この簡略化されたデータ テーブルには、実際には 5 つの列しかないことに気づくでしょう。サイトがあります。私たちは 86 か所のサンゴ礁サイトを訪れました。緯度と経度があります。すぐにお見せする代表的な写真があります。サンゴ被覆率があります。これは、後で最終的に予測しようとしているものです。
参考までに、地図上でパラオを表示してみましょう。グラフビルダーを開いてみましたが、緯度と経度を正しい軸に配置する必要がないことに気づくでしょう。JMPは直感的にそれらをどこに配置すればよいかを認識します。この行をオフにしてください。ただし、背景地図を追加していないため、まだパラオは表示されていません。現在サウジアラビアにいるため、一部のサーバーとの同期に問題が発生していますが、今のところはこのシンプルなストリートマップサーバーで十分だと思います。
これらの黒い点は、私たちのダイビングスポットを示しています。ここには多少の偏りがあることに気づくでしょう。風向きの関係で、私たちは国の西側しか横断できなかったので、その点は念頭に置いておく必要があります。次に、サンゴ被覆率のデータを地図上に重ね合わせたいと思います。このウィンドウは閉じますが、まだ目標には到達していません。
まず、凡例をオフにしていました。凡例をオンに戻しましょう。実は配色を変えたいんです。赤が目立つ場所ではなく、緑が目立つ場所にしたいんです。サンゴの被覆率が高いサンゴ礁が望ましい場所であることを強調したいからです。
ここで私が間違いを犯したことに気づくでしょう。実際には、緯度をプロットすることにはあまり興味がないので、このヒートマップをドラッグして、緯度だったポイントを削除します。ここでサンゴの被覆率に戻って、緑色を最高値に戻します。近づいてきましたが、ピクセルが大きすぎるため、島がほとんど見えなくなってしまいました。これは数年前に偶然見つけたトリックです。
ヒートマップを使用してデータをマップに重ね合わせる場合、増分を希望のサイズに変更してグリッド線をオンにすることで、グリッドを強制的に作成できます。これでうまくいきました。私が望むような、おそらく出版物に近いものができてきました。しかし、まだ線が多すぎるので、グリッド線をオフに戻します。もう少し中央に配置します。これはかなり良い感じです。軸をもう少し調整して、きれいにすることができます。
しかし、今の本当の目的は、いくつかの調査を行うことです。ここで気づくのは、北の方には赤やオレンジの色が少し多いということです。ここはサンゴの生息数が少ない地域です。こちらにはサンゴが少ない地域があります。そして、南の方にはかなり多様性、というか変動性が見られます。
サンゴ礁が最も豊富に見えるのは、この西から南西にかけての地域です。そのことを覚えておいてください。また、サンゴ被覆率、サンゴ被覆率、サンゴ被覆率と繰り返し言っていますが、海洋生物学者でない方には抽象的な概念かもしれません。そこで、いくつかの場所について、代表的な写真と思われるものをアップロードしました。ご覧のように、これはサンゴ被覆率が約46%のサンゴ礁です。これは、後ほど説明するように、全国平均とほぼ同じです。素人目にはサンゴで完全に覆われているように見えるので、このことを強調するのに最適な画像ではないかもしれませんが、実際には、これらのサンゴの中にはサンゴ礁を形成していないものもあります。この構造の構築に貢献していないものもあります。少し紛らわしいです。ここが美しい場所ではないと言っているわけではありませんが、後ほど説明するように、ここはサンゴが最も豊富な場所ではありません。
とりあえず、これはこれで終わりにしましょう。次に、より包括的なデータセットに移ります。こちらも86行で、緯度と経度、サンゴ被覆率のデータが含まれていますが、サンゴ被覆率に影響を与えると思われる追加の環境パラメータも含まれています。これについては後ほど詳しく説明します。例えば、海水質などです。
私の質問は、まだ見ていないサンゴ被覆率の高いエリアがどこにあるかを予測したいということです。地図上にプロットする以外にも、予測スクリーンと呼ばれる便利な機能を使ってこれを調査することができます。ここで私がやろうとしていることは、サンゴ被覆率をY軸とし、サンゴ被覆率に影響を与える可能性があると思われる環境要因のサブセットをX軸として選択することです。すると、非常に直感的で解釈しやすいプロットが得られます。サンゴ被覆率の変動に最も寄与した予測因子は緯度であり、これは理にかなっています。北部ではサンゴ被覆率が低く、南部では高くなっていました。最南端では低く、おそらく中間が最適な場所であり、これはこの予測スクリーンによって裏付けられています。
長年、私はこれを誤解していました。これは緯度によって説明される変動の割合だと考えていました。実際には、これは完全に正しいわけではありません。実際には、これはブーストツリーモデルに緯度が組み込まれた回数の割合だと私は考えています。これは、変動の33%が緯度によって説明されるという意味ではないかもしれませんが、例えば、緯度は温度の約2倍の影響力を持っていると言えます。私が事前に仮説を立てていたこれらのパラメータは、サンゴ被覆率の変動の重要な要因となるはずでしたが、実際には大きな影響力を持っていません。実際、これを強調するために、これは基本的にネガティブデータなので、ほとんどやらないつもりでしたが、とても便利な機能です。
先ほど見たものを視覚的に表現したい場合、地図を見る以外に、海底に生息する生物のデータを重ね合わせる方法があります。基本的に、ダイバーが見るものはすべて、硬質サンゴ、藻類、その他の無脊椎動物（スポンジなど）、そして不毛な基質という4つのカテゴリーに分類できます。不毛な基質というのは、実際には不毛ではありませんが、砂や岩など、生物が生息していない基質の部分です。これら4つを合計すると100%になります。
私がこれから行うのは、それらを積み重ねることです。積み重ねる理由は、これによって私が非常に説得力のあるグラフを作成できるからです。これらの底生生物データをすべて同じ列に積み重ねたので、それらをYとしてドラッグできます。このオーバーレイを作成します。凡例をオンにして、棒グラフに変換します。まだ完全には完了していません。これら4つのエンティティの合計が100%であることを強調したいからです。そこで、これを積み上げ棒グラフに変換します。合計は100になります。これは、私が以前に言及しなかったことを強調しています。
先ほども申し上げましたが、調査対象地点の平均サンゴ被覆率は45%です。これは国際基準から見ても非常に高い数値なので、パラオにとっては良いことです。パラオにはまだ多くの生きたサンゴが残っています。悪いニュースは、藻類被覆率も40%と非常に高いことです。サンゴ礁の基本的な海洋生態学をご存知であれば、サンゴと藻類の間には生存競争があることをご存知でしょう。両者とも生息空間を巡って争っています。サンゴ礁では藻類を減らしてサンゴを増やしたいものです。藻類が常に海洋で悪いものだというわけではありませんが、サンゴ礁では藻類はサンゴと競合しているので、この場合は良い面と悪い面の両方を受け入れなければなりません。私が皆さんにお見せしたかったのは、そういうことではありません。私が皆さんにお見せしたかったのは、私が関心を持っている様々な環境要因によって、この生物群集がどのように変化するかをいかに簡単に調べられるかということです。これにはほんの少ししかかかりませんでしたし、おそらくWord文書に貼り付けて論文と一緒に提出しても全く問題ないでしょう。
例えば、ここには3種類のサンゴ礁があります。サンゴ被覆率はこれらのサンゴ礁タイプすべてでほぼ同じ45%であることがわかります。これは予測画面で見たものと一致しています。サンゴ礁タイプは実際にはあまり有用な予測因子ではなく、露出も同様でした。これはサンゴ礁に当たる波のエネルギーです。保護されたサンゴ礁では藻類がはるかに少ないなど、他のものにも影響があることがわかります。これは実際には世界の多くの地域とは正反対です。生態学者にとって、この図は非常に豊富で非常に有益であり、作成に30秒かかったので、これはちょっとした余談です。これは本当にクールな機能だと思います。データを重ねて、私が底生生物群集プロットと呼ぶものを作成するために使用します。
覚えておいてください、私たちがこれらすべてを行っているのは、サンゴ被覆率のモデルを構築したいからです。データを少し調べて、変動要因を把握したら、JMP Pro の予測モデリング機能に移動し、数バージョン前に登場した、私がとても気に入っている機能、モデル画面を使用します。この機能を使うと、多数の異なるモデリングタイプを同時にテストできます。
私が予測しようとしているのはサンゴ被覆率です。検証用の列があり、86 地点を実質的に 75% のトレーニング データと 25% の検証データに分割しています。これらの追加オプションのいくつかをオンにします。二次関数のこれらの 2 方向の相互作用の中には意味をなさないものもあるかもしれませんが、今はオンにしておきましょう。以前に検討した、サンゴ被覆率に影響を与えると思われる予測因子があります。そのうちのいくつかは、あまり重要ではないため、すでに削除できたはずですが、今は気にしないでください。
検証R二乗を見てみましょう。これは、モデルが検証データセットのサンゴ被覆率をどれだけうまく予測できたかを示しています。まず気づくのは、あまりうまくいかなかったということです。R二乗は0.3前後で、これは複雑な機械学習モデリングタイプの場合によく見られます。モデルスクリーニングは、例えば論文に掲載するモデルを必ずしも提供することではなく、探求したい方向性を大まかに示すものです。このような非常に複雑な生態学的データセットの場合、ニューラルネットワークが非常にうまく機能する傾向があることは知っています。
事前に、私はニューラルネットワークを特定しました。これは、7 つの環境要因のみを特徴とするニューラルネットワークで、検証 R 二乗値は約 0.72 でした。海洋の予測を試みている場合、これは実際にはかなり良い数値だと思います。これには数秒かかるので、PowerPoint に戻ってこれをお見せしたいと思います。このモデルは、非常に賢いアドインのおかげで発見されました。このアドインは、非常に熱心で知識豊富な JMP ユーザーである Diedrich Schmidt によって開発されました。基本的に、ニューラルネットワークについて少しでも知っているなら、モデルのパフォーマンスに実際かなり大きな影響を与える可能性のある、いじることができるさまざまなハイパーパラメータがたくさんあることをご存知でしょう。彼は、これらのハイパーパラメータのさまざまな組み合わせを多数テストできる、非常に優れた汎用的な自動チューニング アドインを持っています。これらは、隠れ層の数、単一層の場合のブースティングの度合い、活性化ノードの種類などです。
では、このニューラルネットワークを少し詳しく見ていきましょう。少し気になる点として、トレーニングR二乗値が検証R二乗値よりもかなり低いことが挙げられます。検証R二乗値を見て、「生態学的データセットで0.88というのは素晴らしい」と思うかもしれません。これは確かに過学習の証拠となる可能性があります。しかし、今のところは、この実行が他の実行ほど上手くいかなかっただけだと考え、このモデルに満足しているふりをしましょう。なぜなら、私が本当に紹介したいのはいくつかのことだからです。
まず、予測プロファイルですが、これをやり直したいので、変数重要度評価をオフにします。これは基本的に、この場合、モデルにおける環境要因の影響度に応じて、環境要因を並べ替えるものです。出力は実際には予測子画面とかなり似たものになります。この場合、以前にこのモデルを実行したことがあるため、既にそのように並べ替えられています。しかし、この変数重要度分析を実行すると、予測プロファイラで予測子が、その合計効果の大きさに応じて実際に並べ替えられます。この場合、経度が緯度よりも大きな影響を与えていることがわかります。そのため、ここで上から下への順序は、ここでの順序と一致します。
驚いたことに、露出の影響は、先ほどのグラフではあまり見られなかったにもかかわらず、他のいくつかの項目よりも上位にランクインしており、これは興味深い点です。これは理にかなっていることがわかります。空間座標は、地図から確認した内容に基づいて理にかなっています。サンゴ礁の露出についてはあまり詳しく調べませんでしたが、簡単にグラフ化しました。サンゴ被覆率への影響は非常に小さく、これは国全体の平均値より少し低い値を示しています。
しかし、私がやりたいことは、このモデルに満足していて、過学習の兆候もなく、さまざまな基準を満たしているとしましょう。私がやりたいのは、そしてこれはとてもクールだと思うのですが、この望ましさ分析を行うことです。以前にも行ったことがあるので、これは記憶されていますが、JMPにサンゴ被覆率を最大化するように指示したいのです。少なくともこのモデルに基づいて、サンゴ被覆率が最大になると予想される条件を教えてください。次に、望ましさを最大化します。すると、その値は73%に跳ね上がりました。
スライドに戻りましょう。ここに分布図があります。国全体のサンゴ被覆率をプロットしました。先ほど述べた平均値は45ですが、実際の範囲は非常に広く、2～78%です。なぜモデルが78%のサンゴ礁に戻ることを推奨しなかったのか疑問に思うかもしれません。その理由は、モデルからサイト、この場合は島を削除したからです。これは、モデルに偏りを持たせたくないからです。国全体に一般化できるようにしたかったのです。
そうでなければ、単に場所や島などを追加するだけでは、サンゴ被覆率が最も高かった場所に戻るように指示される可能性が非常に高いです。それが正しい可能性が最も高いのですが、ここではまだ把握していない場所についての洞察を得るために、より汎用性の高いモデルを作成しようとしています。73%は驚くほど高いサンゴ被覆率ですが、全くあり得ないことではありません。私がこれを述べるのは、このような環境データを用いた望ましさ分析を行う場合、外挿は間違いなく懸念事項となるからです。
このケースでは、事前に検討しました。これらの条件はどれも私にとってはばかげたものではありません。これらはすべて海洋生物学者が「ほら、この平均水深でラグーンの外に露出した前礁が水面上に出ている様子は十分に想像できる」と言うような条件です。サンゴ礁であれば、それは確かにあり得ます。私がこれまで作成した他のモデルでは、外挿制御をオンにしないと、産業革命以前から地球上で経験されていないような条件が出てしまうものがありました。予測を行おうとする場合、特に動的なシステムでは、これらの外挿制御を使用するのが賢明です。警告をオンにしたときに警告は出ませんでしたが、オンにすることはできました。外挿に問題がある場合は、モデルを再実行することができます。
この場合は問題がないのでほとんど変わりませんが、ここで気づくのは、これらの線のいくつかが固定されたことです。サンゴ礁について少しでも知っているなら、前礁は常にラグーンの外側にあることを知っているはずです。これは「データセットに存在しない条件をシミュレートすることはできません」と言っているため、これをドラッグすることさえできません。または、この場合は、自然界には存在しません。これは実際にはとてもクールなことです。
もしこのモデルに満足したら、もう一度やることは…私が何をするかはお分かりでしょう。ズルをするつもりはありませんが、もう一度実行します。その理由はすぐに明らかになります。なぜなら、私がやりたいことは、このモデルを実際に自分のウェブサイトに掲載することだからです。望ましさ分析を行えば、基本的にこれらの条件は修正されることは分かっています。それは望ましいことかもしれませんが、私の場合は、他のユーザーがデータ、例えばチェックしたいサンゴ礁のデータを入力すると、サンゴ被覆率がどうなるかという出力が得られるようにしたいのです。
もう一つやろうと思っていたことがあります。ええと、いや、地図を削除しました。本当はあの座標を使って、パラオ国内のどの緯度経度座標が正確に該当するのか調べようと思っていたのですが、それはまた別の機会にしましょう。ただ、以前このシミュレーションを行った時は、国の南西部のどこかで、以前サンゴの被覆率が高い傾向にあることが分かっていたのを覚えています。
ご覧のとおり、このモデルの再実行結果はかなり似ています。しかし、ここではこのモデルに満足していると仮定します。実際には、JMP Public に公開したいのですが、すでにログインしているので、それほど時間はかからないはずです。JMP Discovery フォルダに保存します。ここに追加情報を追加することもできます。必要であれば、画像も添付できます。
では、これがどのように表示されるか見てみましょう。うまくいけば、インタラクティブになります。実行時に、サンゴ被覆率の最大化に関心があることを記憶している場合、望ましさ分析がオンのままになることがあります。これは、記憶されている場合はほとんどの場合素晴らしいのですが、インタラクティブな HTML を投稿したい場合は問題になることがあります。レポートの生成には少し時間がかかるので、後ほど戻って説明しますが、事前に作成してあるので、どのように表示されるかをお見せします。
これが私のウェブサイトです。パラオのセクションがあり、パラオ生物探査と名付けた独自のページがあります。そこでは基本的に…これは単にJMPの概念実証として行っているわけではありません。これらは実際に私が非常に興味を持っている発見です。ご覧のとおり、これはまったく同じモデルではありませんが、先ほど実行したモデルと似たモデルです。たとえば、パラオで活動している共同研究者や同僚が、「地図上でこのサンゴ礁を見つけました。ラグーン内の水没したサンゴ礁です。バックリーフ、あるいはラグーンパッチリーフとでも言いましょうか。浅いので、その場合は保護されているでしょう。この辺りで、この辺りの場所にあることがわかりました。」と言ったとします。
それはあまり良い例ではないかもしれません。なぜなら、それは国全体の平均値を示しているだけなので、モデルの推測は「あの場所をチェックしてみてください」となるからです。そこは他の場所と同じくらい良いサンゴ礁かもしれませんが、実際に見た量を入力することでモデルを最適化し、より良いトレーニングを行うことができます。
ここで私がやったことは、最適化された望ましさの静的なビューを実際に表示したことです。実行ごとに変化するので、少し違うことがわかります。しかし、この場合、これらは私のモデルに基づいて予測された条件であり、サンゴ被覆率67%の礁につながります。これもまた非常に高い値です。では、どうすればそれを実現できるのでしょうか？
これがその見た目です。繰り返しますが、モデルは少し違いますが、正しく投稿されました。インタラクティブになっています。あとは…これが邪魔にならないか見てみましょう。2つの方法があります。iframe の埋め込みコードを使うか、カードを使うかです。私は iframe の方が好きです。カードは基本的にここに小さなスタブを配置するだけで、これは基本的に JMP Public ページに移動する高機能なハイパーリンクで、必要なのはこれだけかもしれません。しかし、ユーザーがそこにアクセスして独自のデータを入力できる埋め込みウィンドウを実際に用意したい場合は、iframe を使用する必要があります。
私はSquarespaceを使っていますが、本当に簡単です。コードを書くか埋め込むか、どちらかを選んで、ここにコードを貼り付けるだけです。私はJMP Publicのウェブサイトからコードを貼り付けました。読み込みに数秒かかりますが、その後は保存してページを更新し、このリンクを同僚に送るだけです。同僚がJMPユーザーであれば、さらに詳しい情報を得ることができます。そうでなくても、この機能を使って仮説を検証したり、サンゴ被覆率などの推定値を取得したりすることができます。
これはおそらく何年も前から存在していて、JMPでは実現不可能だったことなのでしょうが、ウェブサイト上でこんなに簡単にインタラクティブな予測プロファイラーを利用できることに本当に驚きました。私がずっと答えたいと思っていたあらゆる疑問に答える、計り知れない可能性を秘めていると思います。
時間の都合上、スーパーコーラルの例については説明しません。そこに至るまでに数分かかることがお分かりいただけると思います。しかし、少しだけネタバレすると、基本的には全く同じプロセスです。予測モデリングを行う場合、サンゴ被覆率を見る代わりに、私が数年前に作成したこのサンゴ健康指数を使用します。どれだけの要素が関わっているかお分かりいただけるでしょう。これは非常に高解像度ですが、非常に高価でもあります。何百万ものサンゴについて、これらすべてを測定することは不可能です。
ここでも、予測モデリングを使用する必要があるのは、理想的には、これらの高度な分子レベルの測定に何千ドルも費やす代わりに、より安価な代替指標を用いて、「この例で99%の確率で『スーパーコーラル』となるサンゴが欲しい場合、それはサンゴ被覆率が非常に高く、サンゴの多様性が低い礁で、このサイズになるだろう」と教えてくれる予測モデルに頼っているからです。これは、JMP Proで別の疑問に取り組む際にも非常によく似た分析プロセスです。
これらのスーパーコーラルはどこで見つかるのでしょうか？それなら、私のウェブサイトに掲載すれば、人々の計画に役立つでしょう。現在、私が協力しているCord Appという機関は、パラオの人々と協力してプロジェクトを進めています。彼らは、サンゴ養殖場でこれらのスーパーコーラルを繁殖させたいと考えているため、その発見に関心を持っています。JMP Proで構築されたモデルから得られる予測プロファイラーは、これらのサンゴ礁がどこにあるかを絞り込むのに非常に役立つでしょう。
このトピックにご興味があれば、ぜひプレゼンテーションをご覧ください。スライドはいくつか省略していますが、JMPデータテーブルにすべてのスクリプトを収録しているので、ご自身で分析を行うことができます。サンゴ礁から得られるデータの種類を考えると、海洋保全計画の最適化など、非常に強力な取り組みが可能になると思います。
JMPを使いこなし、そのソフトウェアに慣れ親しむことで、私は本当に多くの恩恵を受けてきました。気候変動や地球の未来といった、核心に迫る大きな疑問に答える上で、JMPは非常に役立っています。JMP、特に予測モデルの構築を多く行うJMP Proを使いこなせるようになれば、まさに世界は自分の思いのままだと実感できるでしょう。ぜひ皆さんも積極的にJMPを使いこなし、これらの大きな疑問に取り組んでみてください。きっと想像以上の成果が得られるはずです。
これで今回の講演を締めくくりたいと思います。ご清聴ありがとうございました。もし講演内容についてご質問がありましたら、お気軽にメールでご連絡ください。ありがとうございました。
