温室効果ガスの不確実性は、結果の横に添える形式的な注記ではない。炭素排出量の算定誤差の原因と大きさは、どのデータを補うか、現時点の結果でどのような判断をするかに影響する。『炭素削減を実証する技術とソリューション』第7章では、測定、サンプリング、モデルの不確実性をあわせて考える視点を示す。
概念と適用範囲をまず定める
不確実性の原因はそれぞれ異なる場合がある。装置の性能、空間・時間の代表性、活動データと排出係数、モデルの前提を分けて検討する必要がある。一つの部分の精度を高めても、全体の誤差が同じ割合で小さくなるとは限らない。結果を提出するときは、範囲を算定した方法と前提を記録する。感度分析、統計的不確実性、制度が求める保守的な処理を同じ概念として扱ってはならない。どの改善が実際の判断を変えるのかを確認することが、改善投資の基準となる。
排出係数に基づくベースラインも選択肢の一つである。IPCC Tier 1はデフォルト係数を用い、消化管内発酵のTier 2は飼養特性・総エネルギー摂取量・メタン転換率などをより詳細に反映する。平均係数だけでは個別農場の技術効果を捉えにくい場合があるが、係数を使うこと自体が報酬に不適切というわけではない。判断基準となるのは、適用方法論で認められた係数と活動データ、適用条件の確認、不確実性の処理、検証が備わっているかどうかである。
どの不確実性が支配的かは、測定条件によって異なる。自然換気の畜舎では換気量や空間代表性の寄与が大きい場合があり、小さな濃度差を読み取る場合は装置の再現性・ドリフト・バックグラウンド補正が重要になることがある。まず不確かさ予算を作り、各項目を低減する費用と最終判断の改善効果を比較する。高価なセンサーやサンプル数の増加が常に最善の投資とは限らない。
削減量には、測定のトレーサビリティと計算の追跡可能性の両方が必要である。測定値は、文書化された校正連鎖と不確かさを通じて基準に結び付ける。活動データと排出係数・モデルは、出典、バージョン、適用条件を通じて最終結果まで追跡する。すべての削減量が直接測定だけから得られるわけではない。確認者は計算を再現できるかに加え、使用したデータと方法が主張に適しているかも確認する必要がある。
濃度は空気中のガスの割合であり、排出率は単位時間当たりに排出される質量である。排出量を測定または推定するには、目的に合った濃度と流量、測定モデルを結び付ける必要がある。濃度が低下しても、空気の移動量が増えた場合、質量排出率も同じ方向に変化すると断定することはできない。時間ごとの排出率を排出量に結び付ける際は、測定期間と欠測区間の処理も必要となる。
現実的な発展の道筋は、濃度の観測と基準排出率の測定をあわせて蓄積し、換気・気象・頭数・飼料の情報を結び付けることである。モデル開発に使わなかった農場と期間で予測誤差を評価し、適用範囲を明記する必要がある。同時観測データが増えても、代表性に乏しい場合や共通の偏りがある場合には、モデルの信頼性が自動的に高まるわけではない。
現場で適用する際の条件と限界
センサーの精度は高いものの、換気量推定の根拠が弱い事業を想定しよう。センサーを追加設置する費用によって、結果の信頼性がどの程度高まるのかを検討する必要がある。誤差の主な原因が別のところにあれば、装置の数だけ増やしても判断は大きく改善しない可能性がある。改善投資は主要な誤差要因と結び付けるべきである。
非分散型赤外線（NDIR）は、メタンによる赤外線吸収を利用する方式である。触媒燃焼式のような酸素依存性や触媒被毒はないが、光学系の汚染や温度・圧力・水分の影響を受けないわけではない。原理だけで農場の長期観測に適していると判断せず、想定濃度や内外の濃度差に対して、検出限界・再現性・ドリフトが十分かどうかを製品ごとに確認する。
センサーを比較する際は、測定範囲と分解能、他のガスに対する交差感度、応答時間、ドリフトをあわせて確認する。温度・湿度・粉じんなどの環境条件と校正要件も検討する必要がある。小さな濃度差を見分ける必要がある場合、装置の表示単位と不確かさが目的に適しているかを、製品と運用モードごとに確認する。センサー原理の名称だけでは、これらの条件を代替できない。
AIは、異常の兆候を候補として検出したり、定められた条件下で短い欠測を推定したり、複数の変数間の関係を探索したりするために活用できる。データ整理や品質点検、報告書の草案作成を支援することもある。機能ごとに目的と失敗時のコストは異なるため、すべてを同じ性能指標で評価してはならない。どの入力と前提から結果を作成したかを明らかにし、推定値を直接観測値と区別する必要がある。
投資判断に必要な根拠
投資家は、報告された範囲が統計的不確実性なのか、事業シナリオなのか、制度上の保守的な調整なのかを区別する必要がある。異なる概念を一つの割引率で処理すれば、意味が曖昧になる。小数点以下まで精密に表示しても、入力データの品質を補うことはできない。
AIの評価資料は、利用目的に応じて分ける。将来の運転状態を予測するなら時間順の分割を、別の農場に展開するなら農場単位の分割を検討する。モデル選択に使うデータと、最後の性能確認に使うデータも分ける。単純な基準モデルと比較し、平均誤差だけでなく、農場・季節ごとの偏りや失敗条件も確認しなければ、実際の利用範囲を説明できない。
失敗した場合の対応も記載する。校正の有効期限切れ、通信欠落、評価していない飼料・季節・換気条件では、出力に制限を表示するか、利用を停止して担当者に引き継ぐ。再学習しただけで直ちに再利用してはならない。変更後のモデルを独立した評価データで確認し、適用時点と承認者を記録する。モデルによる判断支援と削減量の外部検証は別の業務である。
判断に残すべき基準
不確実性の管理は、できるだけ多くの数値を集める作業ではない。結論に敏感な入力を見つけ、データを補う価値と費用を比べる過程である。結果の範囲と利用上の限界を説明できてこそ、確認者の判断も具体的になる。
著者紹介
イ・ボンジュンは、西江大学校の技術経営大学院（MOT）を修了。Infitron Co., Ltd.で7年、Honeywellで20年、ガス計測分野に27年間従事し、サービスエンジニア、技術営業、チャネル管理の業務を担当した。現在はAI Safety Korea Co., Ltd.の創業者として、センサー・AI・データ分析を活用した畜産メタンモニタリングと測定・報告・検証（MRV）の仕組みを研究している。