本プロンプトセットは、樹木の年輪データ（リング幅測定値）を解析し、その地点における過去数十年から数世紀の微気候変動を読み解くためのワークフローを提供する。 ### 1. 解析の準備：データセットの構造化プロンプト 樹木年輪データは、単なる数値の羅列ではない。「地層」としての時系列をAIに認識させるためのデータ構造化用プロンプトである。 【入力用プロンプト】 あなたは森林生態学および樹木年輪年代学の専門家です。以下のCSV形式のデータセットを読み込み、解析可能な状態に整形してください。 データセットの構造： - Column A: 年代 (Year) - Column B: 年輪幅 (Ring Width, mm単位) - Column C: サンプル木ID (Tree ID) - Column D: 標高 (Elevation) タスク： 1. 各Tree IDごとに年輪幅を正規化し、個体差による成長曲線の偏りを補正せよ。 2. 3年移動平均を用いて、短期的なノイズを除去したトレンドラインを生成せよ。 3. 成長の「急激な変化（スパイク）」が観測された年を抽出し、その前後の変化率を算出せよ。 [ここにデータを貼り付け] --- ### 2. 気候変動の解読：相関分析プロンプト 年輪幅の変化から、気温や降水量の変動を推論する思考フレームワークである。 【解析用プロンプト】 提供された年輪データと、当該地域の気象庁観測データ（過去100年分）をクロスリファレンスせよ。以下の手順で解析を行い、レポートを出力すること。 ステップ1：相関分析 - 年輪幅と「平均気温」「月間降水量」の相関関係を計算せよ。 - 最も相関が高い季節（例：前年秋から当春の降水量）を特定し、その理由を生態学的に考察せよ。 ステップ2：気候シグナルの分離 - 樹齢による成長衰退トレンド（バイオロジカル・トレンド）をDetrending処理によって除去し、気候変動由来の信号のみを抽出せよ。 ステップ3：局所気候の再構築 - 以下の項目について、過去のデータから推定される変動傾向を論理的に記述せよ。 - 異常乾燥イベントの発生頻度 - 冷夏・猛暑が成長に与えた影響の持続期間 - 局所的な微気候のレジリエンス（回復力）の強弱 --- ### 3. Pythonによる自動解析スクリプト 実務で即座に使える、年輪幅の標準化および気候相関算出用のコードスニペットである。 ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt from scipy.stats import pearsonr # データ読み込み df = pd.read_csv('tree_rings.csv') # 1. Detrending (ガウスフィルターによる平滑化を用いたトレンド除去) from scipy.ndimage import gaussian_filter1d df['detrended_width'] = df['ring_width'] / gaussian_filter1d(df['ring_width'], sigma=10) # 2. 局所気候データとの相関算出関数 def calculate_climate_correlation(tree_data, climate_data): correlations = {} for month in range(1, 13): # 該当月との相関を計算 r, p = pearsonr(tree_data['detrended_width'], climate_data[f'month_{month}']) correlations[month] = r return correlations # 3. 解析結果の可視化 plt.figure(figsize=(12, 6)) plt.plot(df['year'], df['detrended_width'], label='Detrended Ring Width') plt.title('Locally Adjusted Climate Proxy') plt.xlabel('Year') plt.ylabel('Growth Index') plt.show() ``` --- ### 4. 異常気象イベントの特定ツール 樹木が記録している「ストレス」を読み取るための、異常値検出ロジックである。 【指示セット：異常値特定プロンプト】 以下の基準に従い、年輪データから「気候的ストレスイベント」を特定し、表形式で出力せよ。 判断基準： - 成長抑制：前年比で年輪幅が20%以上減少した年。 - 回復速度：減少した翌年以降、元の成長水準に何年で戻ったか。 - 複合的ストレス：連続して3年以上成長が平均を下回った期間。 出力フォーマット： | 発生年 | 成長抑制率(%) | 継続年数 | 推定される気候事象 | 信頼度（高・中・低） | | :--- | :--- | :--- | :--- | :--- | | [Year] | [Value] | [Count] | [Event] | [Score] | --- ### 5. 森林の知見を統合する「トポグラフィー解釈」の補助質問 樹木は環境の「解剖学的な記録装置」である。解析結果を深掘りするために、以下の問いをAIに投げかけ、考察を深めよ。 1. 「この樹木が記録している成長の滞りは、単なる気温低下か、それとも土壌の水分不足（乾燥）が原因か？ 降水量データとのラグから判断せよ。」 2. 「標高差のある複数のサンプル木を比較した場合、気候変動の影響を先に受けているのはどの標高帯か？」 3. 「この樹木の年輪幅に見られる『急激な成長回復』は、どのような環境変化（例：林冠の開放、急激な降雨）を示唆しているか？」 4. 「鉄の骨格（人工構造物）が森に還るように、樹木の死と再生のサイクルが、この時系列データにどう反映されているか？」 --- ### 6. 解析精度を向上させるためのヒント 解析を成功させるために、データ提供時に以下の情報を付記すること。 - **樹種:** 樹種によって「感度（気候への反応しやすさ）」が異なるため、必ず明記する。 - **立地条件:** 斜面の向き（日照量）、土壌の深さ（保水力）などの環境変数をメタデータとして含めることで、AIの推論精度は飛躍的に向上する。 - **欠損値の扱い:** 年輪が不明瞭な年（False RingやMissing Ring）がある場合は、その旨を注釈として入れ、「NaN」または「0」として定義しておくこと。 以上のプロセスを組み合わせることで、単なる数値分析を超えた、その土地に刻まれた「静かな生命の循環」を読み解くことが可能となる。解析結果は必ず現地の植生調査や過去の記録と照らし合わせ、多角的な検証を行うこと。