はい。同時出現を予測することができれば、被害を効率的に防げます。ＳＶＭの学習時に利用している気象情報と要素パラメータについて、同時出現時の傾向を分析してみたところ、天候、時間帯、曜日などに統計的にみて有意な差がみられることがわかりました。
　さらに予測を正確にするため、猿の出現のパターンを「近接」と「広域」に分けて「時間帯」「曜日」「天気」について、まとめてみました。図中の数字は通常の出現を1.0とした場合の出現倍率を示しています。赤い部分が値の大きいもの、青い部分が値の小さいものを示しています。これまで出現を一律に扱っていた時には見えなかった傾向が明らかになりました。

　ここでは３～６グループが同時に出現したデータについてまとめてあります。
　赤い部分は猿の出現率が高く、青い部分は低いことを示しています。縦軸の３Ｇとは発信機をつけた猿のグループが３つ同時に出現していること場合を示します。
　まず「曜日別」をご覧ください。概ね、広域では週の前半、近接では週の後半が赤くなっています。次に「天気別」についてみてみましょう。表の上段には、気象庁データベースに記載の、この地域での天気の割合を示してあります。近接、遠接とも「雨」の日に出現する確率が高まっています。細かく見てみると、雨の降り始めと振り終わった直後に、猿の出現が多いことがわかりました。また逆に晴れている時には同時出現の確率が低いこともわかりました。

　今回の出現予測では、２つの群に発信器を装着して、継続した２年分のデータを計測しました。これは非常に貴重なリッチデータといえます。発信器の電池寿命が約２年なので、継続して同じ猿を追跡することは難しいですが、今回、観測された特性が別の群でも同じ傾向があるかどうかは、今後の展開を左右する重要な要素といえます。同じ地域の別の群や、別の地域の群においても同様に観測することができれば、より精度の高い予測ができると思います。
　今後は、猿（グループ）や地域の特性を考慮にいれた推定を行い、出現予測確率を引き上げたいと思っています。また、最終的には猿に発信器を装着しない形で予測ができる手法を実現できればと考えています。