深層学習と植物物理学が融合し作物の非破壊的窒素モニタリングを改善 | Newswise

窒素は植物の成長に不可欠であり、タンパク質、クロロフィル、核酸の重要な構成要素です。葉内の窒素濃度は光合成能力や全体的な成長ポテンシャルの重要な指標となります。従来の窒素測定法は破壊的なサンプリングと化学分析を組み合わせており、時間とコストがかかります。これに対し、ハイパースペクトルセンシングは窒素に関連する生化学的特性と特定のスペクトル吸収特徴を結びつける非破壊的な代替手段を提供します。しかし、既存の方法には課題があります。経験的モデルは広範なフィールドデータを必要とし、訓練環境外での性能が低いことが多く、物理ベースのモデルは移植性が高いものの複雑な逆問題に苦戦します。ハイブリッド手法はこれらを融合しようとしますが、訓練に用いるシミュレーションスペクトルが実測値を正確に反映しない「ドメインシフト」問題に悩まされることが一般的です。\n\n2025年10月10日にPlant Phenomicsに発表された中国農業大学と精密農業研究室のDaoliang LiとKang Yuのチームによる最新研究は、複数の作物種にわたる葉窒素含有量（LNC）の迅速かつ非破壊的なモニタリングの新たな解決策を提示します。彼らのアプローチは植物の放射伝達理論と深層学習、ハイパースペクトル反射率データを統合し、窒素評価の信頼性と移植性の向上を目指しています。方法論は、シミュレーションされた方向性-半球反射率（DHRF）スペクトルと実測の双方向反射率係数（BRF）スペクトルを連続ウェーブレット変換（CWT）と一次微分（FD）で処理します。これらのスペクトル変換は、特に可視光および近赤外領域での鏡面反射やドメインシフトによる不一致を低減し、スペクトルの比較可能性を高め、窒素関連の重要な吸収特徴を強調します。\n\n変換後のスペクトルを用いて、研究チームはまず30の植生指数（VI）を組み込んだパラメトリック回帰モデルを適用しました。包括的なシミュレーションデータセットで訓練した場合、窒素配分モデル由来のいくつかのVI（GARI、GNDVI、GRVI、CI800,550など）は中程度の精度を示しましたが、特にタンパク質から窒素への変換式に依存するものは性能が低かったです。モデルをより代表的なシミュレーションサンプルのサブセット（T100データセット）で再調整すると、葉窒素推定の精度が著しく向上しました。例えば植生指数SR708,775はRMSE0.303 g/m²、R²0.494を達成し、パラメトリックモデリングにおいてデータセットの規模よりもサンプルの代表性が重要であることを示しました。\n\nさらに研究は、スペクトル変換と機械学習・深層学習モデルを組み合わせた非パラメトリックなハイブリッド手法を探求しました。深層学習モデル、特にConv-Transformerアーキテクチャは、従来の機械学習技術や物理ベースの逆問題解法を全シミュレーションデータセットで上回りました。T100サブセットでの訓練によりConv-Transformerの精度はさらに向上し、RMSE0.247 g/m²、R²0.665を達成しました。アブレーションスタディと作物間検証は、スペクトル類似性に基づくサンプル選択戦略と改良されたTransformerアーキテクチャの両方がこれらの性能向上に相乗効果をもたらしていることを明らかにしました。\n\n重要なのは、このフレームワークがトウモロコシ、小麦、稲、ソルガムなど多様な作物でLNC予測の精度と堅牢性を一貫して向上させた点です。これはドメインシフトを効果的に緩和し、高価な現地校正を必要とせずにデータが乏しい状況でも正確な窒素推定を可能にします。葉スケールの双方向反射率に依存しているため、積分球測定より実用的であり、日常的な農業モニタリングや技術移転に適しています。\n\n総じて、植物物理学、深層学習、ハイパースペクトルデータの統合は精密農業における重要な進歩を示します。タイムリーで正確な窒素診断は、作物収量を高めつつ環境汚染を最小限に抑える最適な施肥戦略を可能にします。本研究の成果は、持続可能な農業に不可欠なスケーラブルでコスト効果の高い移植可能な窒素モニタリングツールの道を開きます。