04 — 論文 / やさしい解説
草丈や茎の数を見積もってから、
イネの重さを推定するAI
形の大きく違う24品種で検証した、新しい推定のしくみ
イネの育ち具合は、刈り取った葉と茎を乾かして量る重さ(地上部バイオマス)で表すのが基本です。私たちは、この重さを、上空から撮った画像で刈り取らずに推定する方法を研究しています。今回は、ニューラルネットワーク「MTOC-NN」を作りました。葉の広がりを表す葉面積指数(LAI)と、草丈、茎の数を先に推定し、その値を手がかりに重さを求めるしくみです。形の大きく違う24品種で試すと、比べた9つの方法のなかで誤差が最も小さくなりました。重さを左右する形質(草丈や茎の数などの性質)が、品種によって違うことも見えてきました。
この研究のポイント
- 画像から重さを一気に求めるのではなく、間に一段階をはさみました。まずLAI・草丈・茎の数を推定し、その値を手がかりに葉と茎の重さを求めます。
- 形の大きく違う24品種で試したところ、比べた9つの方法のなかで誤差(RMSE)が最も小さくなりました。ただし、2番目の方法(ランダムフォレスト)との差はわずかです。
- 重さの推定で大事になる形質は、品種によって違いました。背の高い品種では草丈が、背が低く茎の多い品種ではLAIと茎の数が、大事になる傾向がありました。
イネの重さを、刈り取らずに知りたい
田んぼのイネがどれだけ育ったかを知ることは、生育の診断や収量の予測に欠かせません。栽培の方法を変えたときに、その効果を確かめるのにも役立ちます。
その目安になるのが、植物の体の量を表すバイオマスです。この研究で使ったのは地上部バイオマスで、刈り取った葉と茎を乾かして量った重さです。重さを知るには株を刈り取って調べる必要があり、多くの時間と手間がかかります。
そこで、上空から撮った画像で重さを推定する研究が進んできました。画像から色や高さなどの数値を取り出し、機械学習で重さと結びつけます。機械学習とは、たくさんの例から、入力と答えの関係をコンピューターに学ばせる方法です。
ただ、課題が2つ残っていました。1つめは、形の違いへの対応です。イネは品種によって、背の高さも茎の数も大きく違います(図1)。ところが、これまでのモデルは、数品種を数段階の肥料の条件で育てたデータだけで作られていました。
2つめは、結果の読み解きにくさです。精度の高い機械学習の多くは、中の計算が見えにくい「ブラックボックス」です。画像のどの数値が効いたかは調べられても、草丈や茎の数といったイネの性質との結びつきまでは、わかりませんでした。
24品種を育て、画像と実測をそろえる
形の違う24品種を、2年間育てる
実験は、東京農工大学の水田(東京都府中市)で、2020年と2021年に行いました。
育てたのは24品種です。そのうち21品種は、「世界のイネ・コアコレクション」から選びました。イネの遺伝的な多様性の90%以上をカバーする、69品種のセットです。残りの3品種は、世界で最も多く栽培されているIR64、香りのよいバスマティ370、株全体が紫色の紫イネです。
各品種を2つの区画に植え(図2)、田植えのあとは、穂が出る前まで毎週調べました。
画像から取り出した数値と、実際に測った値
調査の日には、まず上空から撮影しました。2020年はドローンで高さ30 mから撮りました。2021年は長さ7 mの竿の先にカメラを付け、高さ約5 mから撮りました。
使ったのは、ふつうのカラーカメラと、目に見えない近赤外線まで写すマルチスペクトルカメラの2種類です。画像からは、42の数値を取り出しました(図3)。光の反射率、それを組み合わせて茂り具合を表す植生指数、3次元の形から求めた草の高さ、画像の細かな模様(テクスチャ)などです。
撮影のあと、各区画から2株を刈り取りました。株とは、田植えで1か所に植えた苗が育った、イネのまとまりです。茎の数は手で数え、草丈は葉を上に伸ばして定規で測りました。葉の緑の濃さは、SPAD計という計器で測りました。
さらに、葉の面積を測り、株が占める地面の面積で割って、葉面積指数(LAI)を求めました。葉と茎は分けて80 °Cで72時間以上乾かし、それぞれの重さを量りました。集めたデータは、合わせて1,600点です。
まず形質を、次に重さを推定する
ふつうの機械学習は、画像の数値から重さを一気に推定します。私たちは、その間に一段階をはさみました(図4)。まず、画像の数値からLAI・草丈・茎の数を推定します。次に、その推定値と画像の数値を合わせて葉と茎の重さを推定し、2つを足して全体の重さとします。
イネの重さは、草丈や茎の数など、さまざまな形質と結びついていることが知られています。そうした形質を先に見積もっておけば、形の違う品種がまざっていても、重さを推定しやすくなると考えました。
このしくみは、2つの考え方を組み合わせたものです。1つは、複数の値を一緒に学ばせる「マルチタスク学習」です。もう1つは、ある推定の結果を次の推定の手がかりに加えていく「回帰の連鎖」です。上空からの画像で作物を調べる研究で回帰の連鎖を使った例は、私たちの知る限り、これまでありませんでした。
このしくみには、もう1つ利点があります。重さの推定で、どの形質がどれだけ効いたかを調べられることです。途中で推定する形質の候補には葉の緑の濃さ(SPAD値)も入れ、どの組み合わせが最もよいかも比べました。
9つの方法で、精度を比べる
MTOC-NNと比べたのは、よく使われる機械学習の6つの方法(重回帰やランダムフォレストなど)と、重さだけを出すニューラルネットワークです。ニューラルネットワークは、脳の神経のつながりをまねた計算のしくみです。さらに、形質と重さを同時に推定するものの、推定した形質を次の段階で使わない「MTO-NN」も作りました。合わせて9つの方法です。
2020年のR1(図2)のデータは確かめ用に取っておき、残りのデータで学ばせました。精度は主に、推定値と実測値のずれの大きさを表すRMSE(二乗平均平方根誤差)で比べました。値が小さいほど正確です。
誤差は最も小さく、品種による違いも見えた
9つの方法のなかで、誤差が最も小さかった
全体の重さを推定したとき、MTOC-NNのRMSEは0.616で、9つの方法のなかで最も小さくなりました(図5)。誤差を実測値の平均で割った割合(RRMSE)も0.243で、最も小さい値でした。
ただし、差はわずかです。2番目のランダムフォレストは0.619でした。また、ほかの2つの指標、平均絶対誤差(MAE)と決定係数(R²)では、MTOC-NNは2位でした。
形質と重さを同時に推定するだけのMTO-NNは0.644で、ランダムフォレストなどにわずかに及びませんでした。同時に学ぶしくみに、推定した形質を次の段階へつなぐしくみを組み合わせたことが、役に立ったと考えられます。
途中で推定する形質は、選び方が大切
4つの形質の候補を、重さとの関係が強い順に並べると、LAI、草丈、茎の数、SPAD値となりました。そこで、関係の弱いものから1つずつ外して比べました(図6)。
最も正確だったのは、LAI・草丈・茎の数の3つを使ったときです。SPAD値を加えると、誤差はかえって大きくなりました。
SPAD値は重さとの関係が弱く、画像からの推定の精度も、ほかの形質より低めでした。そのずれが、重さの推定に持ち込まれたと考えられます。重さとの関係が強く、画像から正確に推定できる形質を選ぶことが大切だといえます。ここから先の分析は、LAI・草丈・茎の数の3つを使ったモデルで行いました。
葉と茎では、効く形質が違った
どの手がかりが効いたかは、「並べかえ重要度」で調べました(図7)。ある手がかりの値だけを、データの間でばらばらに入れかえてから、推定し直します。精度が大きく落ちるほど、その手がかりは重要だったことになります。
調べると、LAI・草丈・茎の数の3つは、画像から取り出した42の数値のほとんどより重要でした。葉の重さでは、3つとも画像のどの数値よりも重要でした。途中で推定した形質が、重さの推定に大きく役立っていたことになります。
3つの形質のなかでは、葉の重さではLAIと茎の数が、茎の重さでは草丈が、より重要でした。LAIと茎の数は、葉が増えて広がることに関わる形質です。草丈は、上へ伸びることに関わります。
背の高い品種と茎の多い品種で、重さの決まり方が違う
品種ごとに同じ分析をすると、3つの形質の重要度の割合は、品種によって大きく違いました。そのなかで、LAIと茎の数の重要度はそろって上がり下がりし、草丈の重要度はその逆に動く傾向がありました。
ここから、重さの決まり方には、草丈で決まる型と、LAIと茎の数で決まる型があると考えられます。その中間の品種もありました(図8)。背の高い品種は草丈で決まる型に、背の低い品種はLAIと茎の数で決まる型に近い傾向がありました。
たとえば葉の重さでは、品種の草丈と「草丈の重要度」の相関係数は0.572、「LAIの重要度」とは−0.597でした。相関係数は、2つの値がそろって増えるほど1に、逆向きに動くほど−1に近づく値です。
背の低いイネほど茎が多くなりやすいことは、以前から知られています。この研究でも草丈と茎の数には負の相関があり、この関係が型の違いにつながった可能性があります。
品種の研究にどう役立つか、何が残っているか
この研究でわかったこと
MTOC-NNは、形の大きく違う品種がまざっていても、イネの重さを精度よく推定できました。そのうえで、重さを決める形質が品種によってどう違うかを、数値で示せます。これまでの研究では画像の数値の重要度しか調べられず、こうした作物学の視点からの読み解きは、ほとんどできませんでした。
どこで役に立つか
作物の研究では、多くの品種や系統(品種の候補)について、さまざまな形質を手作業で測ることがよくあります。MTOC-NNを使えば、手間のかかる刈り取り調査に頼らずに、品種ごとの重さの決まり方を読み解ける可能性があります。大事な形質を見つける研究を、より速く、より深く進める助けになると考えています。
まだわかっていないこと
MTOC-NNを作るには、重さに加えてLAI・草丈・茎の数も実際に測る必要があり、これまでの方法よりデータ集めに手間がかかります。一部の形質のデータが欠けている場合の扱いも、これからの課題です。
この研究のデータは、東京都府中市の1つの水田で、2020年と2021年に集めたものです。対象は田植えから穂が出る前までで、確かめ用のデータも同じ水田のものでした。ほかの地域や栽培条件、穂が出たあとの時期でも同じように使えるかは、まだ確かめていません。
また、モデルを簡潔に保つため、今回は形質を推定する順番を検討していません。
これから
欠けたデータを補うために、モデルの推定値を仮の答えとして学習に使う「疑似ラベル」の利用を考えています。
最後に推定する値を収量にして、葉の角度や光の受け方など、収量に関わる形質を途中に加える形も考えられます。形質を推定する順番を工夫すれば、精度や読み解きやすさが上がる可能性もあります。
画像の反射率から生育の値を計算する物理モデル(PROSAILなど)を、MTOC-NNの前半に組み込む方法もあります。そうすれば、学習用のデータを増やさずに、読み解ける形質を増やせるかもしれません。
用語の解説
- 地上部バイオマス
- イネの地上に出ている部分を乾かして量った重さを、面積あたりで表した値です。この研究では、刈り取った葉と茎の重さを、1ヘクタールあたりのトン数で表しました。
- 茎の数(茎数)
- 1株から出ている茎の数です。イネは根もとから新しい茎(分げつ)を出して増えます。この研究では、1 m²あたりの本数で表しました。
- 葉面積指数(LAI)
- 葉の面積(片面)の合計が、地面の面積の何倍あるかを表す値です。葉の茂り具合の目安になります。
- SPAD値
- 葉の緑色の濃さを表す値です。専用の計器で葉をはさんで測ります。
- ニューラルネットワーク
- 脳の神経のつながりをまねた計算のしくみです。たくさんの例から、入力と答えの関係を学びます。
- 回帰の連鎖
- ある値を推定し、その結果を次の推定の入力に加えていく方法です。MTOC-NNの「C」は、この連鎖(chained)を表します。
- 並べかえ重要度
- ある入力の値だけをデータの間で入れかえ、推定の精度がどれだけ落ちるかで、その入力の重要さを測る方法です。
- RMSE(二乗平均平方根誤差)
- 推定値と実測値のずれの大きさを表す指標です。ずれを2乗して平均し、その平方根をとります。小さいほど正確です。
- 相関係数
- 2つの値がどれだけそろって動くかを、−1〜1の範囲で表す値です。一方が増えると他方も増えるなら正、減るなら負になります。
論文の情報
Tomoaki Yamaguchi & Keisuke Katsura (2024). A novel neural network model to achieve generality for diverse morphologies and crop science interpretability in rice biomass estimation. Computers and Electronics in Agriculture, 218, 108653. https://doi.org/10.1016/j.compag.2024.108653
オープンアクセスの論文で、誰でも無料で読めます。ライセンスはCC BY 4.0(クリエイティブ・コモンズ 表示 4.0 国際)です。このページで使った論文の図も、このライセンスにもとづいています。