メタンセンサーの適合性は、製品仕様書に記載された精度という一項目だけでは判断できません。安全警報、メタン濃度の測定、排出量の推定では、必要な測定範囲と代表性が異なります。『炭素削減を実証する技術とソリューション』第8章では、センサー選びを使用目的と設置条件の問題として扱っています。
概念と適用範囲を先に定める
求める性能は、想定される濃度範囲と、見分けるべき変化の大きさから考えます。応答時間がデータ収集の間隔に合っているか、温度や湿度の変化が与える影響をどう確認するかも検討する必要があります。仕様書の数値は、適用条件の範囲内で読むべきです。長期運用では、校正と点検の方法が費用を左右することがあります。現場校正ができるか、回収して点検する必要があるか、異常が見つかった期間のデータをどう扱うかを定めます。装置の購入とデータ品質の維持計画を合わせて評価する必要があります。
測定（M）はデータを作ります。何を、どこで、どの頻度で、どの装置を使って観測するかを定めて実行します。成果物は一次データと、その解釈に必要なメタデータ（校正履歴、装置仕様、設置条件、欠測区間）です。
削減量には、測定の遡及可能性と計算の追跡可能性の両方が必要です。測定値は文書化された校正の連鎖と不確かさを通じて基準に結び付け、活動データや排出係数・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します。すべての削減量が直接測定だけから得られるわけではありません。レビュー担当者は、計算を再現できるかに加え、使っ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ります。
濃度は空気中に占めるガスの割合で、排出率は単位時間当たりに排出される質量です。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ります。濃度が下がっても、空気の移動量が増えていれば、質量排出率も同じ方向に変わるとは限りません。時間ごとの排出率を排出量につなげる際には、測定期間と欠測区間の扱いも必要です。
機械換気の畜舎では、ファンの定格だけでなく、静圧や稼働状態、汚れ・摩耗による実風量の変化を確認します。自然換気では、風向・風速、温度差、開口部の状態を調べる必要があります。換気量の推定に伴う不確かさが排出率にどの程度影響するかは、測定モデルの中で評価します。
現実的な発展経路は、濃度観測と基準となる排出率の測定を合わせて蓄積し、換気、気象、頭数、飼料の情報を結び付けることです。モデル開発に使っていない農場や期間で予測誤差を評価し、適用範囲を明記する必要があります。同時観測データが増えても、代表性が不足していたり共通の偏りがあったりすれば、モデルの信頼性が自動的に高まるわけではありません。
触媒燃焼式（ペリスター）は、可燃性ガスが触媒上で反応するときに生じる熱を利用し、酸素を必要とします。主に爆発下限界に対する濃度（%LEL）など、安全用途に使われます。その仕様が、畜産分野における小さなppm差の定量に十分かどうかは、別途確認が必要です。被毒・抑制や粉じんなどの環境影響で応答が低下することがあるため、定期点検が必要です。
現場適用の条件と限界
可燃性ガスの危険を知らせる装置を、低濃度の差の定量に使おうとする状況を想定します。表示単位、分解能、ドリフトが分析目的に合っているかを確認しなければなりません。装置が正常に動作していても、必要な変化を見分けられないことがあります。測定原理と製品ごとの性能は分けて検討します。
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す。触媒燃焼式のような酸素依存性や触媒被毒はありませんが、光学系の汚れや温度・圧力・水分の影響を受けないわけではありません。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、検出限界・再現性・ドリフトが十分かを製品ごとに確認します。
校正間隔は、使用環境、メーカーの手順、実際のドリフト記録、求められる不確かさに基づいて決めます。現場校正に対応しない装置でも、定期的な基準器との比較、回収校正、点検用ガスの確認を組み合わせて管理できます。重要なのは一律の間隔ではなく、校正の間の性能を裏付ける記録と、異常時のデータ処理ルールです。
センサーを比較するときは、測定範囲と分解能、他のガスへの交差感度、応答時間、ドリフトを合わせて確認します。温度・湿度・粉じんなどの環境条件や校正要件も検討が必要です。小さな濃度差を見分ける目的なら、装置の表示単位と不確かさがその目的に合っているかを、製品と運用モードごとに調べます。センサー原理の名称だけでこれらの条件を代用することはできません。
投資審査に必要な根拠
投資家はセンサーを保有しているかではなく、該当環境で要求性能を確認したデータを検討する必要があります。粉じん、水分、温度変化、保守方法がデータ品質に与える影響を評価したか、確認が必要です。検出できるという説明と、目的に合う形で定量化できるという説明は異なります。
AIの評価データは、使用目的に応じて分けて考えます。将来の稼働を予測するなら時間順序を、別の農場に展開するなら農場単位での分離を検討します。モデル選択に使うデータと、最終的な性能確認に使うデータも分けます。単純なベースラインモデルと比較し、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、実際の適用範囲を説明できません。
データ系譜とは、最終数値がどの一次データから、どのような変換を経て得られたかを示す経路です。装置やチャンネル、生成時刻とともに、単位変換・補正・フィルタリング・集計のルールを記録します。誰が実行し承認したか、その後何をなぜ修正したかも残す必要があります。一次データが保存されていることと、適格なレビュー担当者が処理過程を再確認できることは、合わせて点検すべき条件です。
判断に残しておくべき基準
装置の選定は、目的、濃度範囲、現場条件、品質管理費用を結び付けるプロセスです。実際に見分ける必要がある変化の大きさを先に定めてこそ、仕様の比較に意味が生まれます。設置後の点検と記録まで含めて、計測計画が完成します。
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。