04 — 論文 / やさしい解説
50年の稲作記録が教える、
季節ごとの収量の決め手
フィリピンの長期連作試験を、説明可能なAIで読み解きました
フィリピンの国際稲研究所(IRRI)では、1968年から同じ田んぼで1年に3回イネを育てる、長期連作試験が続いています。私たちは、この試験の約50年分の収量と天気の記録を、機械学習と説明可能なAIで解析しました。窒素肥料と日射はどの季節でも収量を支えていましたが、気温や病気、品種の古さの効き方は季節ごとに違っていました。季節に合わせた管理と、こまめな品種の入れ替えが大切なことを示す結果です。
この研究のポイント
- 同じ田んぼで年3回の稲作を続ける試験として、世界で最も長い記録(1968〜2017年)を機械学習で解析しました。
- 窒素肥料と日射、品種の入れ替えは、どの季節でも収量を支えていました。気温の効き方は季節で違い、乾季は涼しいほど、雨季前半は生育初期が暖かいほど、よくとれました。
- 雨季後半は、同じ品種を長く使うほど窒素肥料が効きにくくなりました。品種の入れ替えが、収量を保つうえで大切なことを示しています。
高い収量を長く保つことは、なぜ難しいのか
アジアの米の75%以上は、水を引いて育てる田んぼ(灌漑水田)で作られています。アジアには、同じ田んぼで1年に2〜3回イネを育てる地域が、約2,200万ヘクタールあります。
イネは、同じ場所で長く育て続けられる、主要な穀物では唯一の作物です。田んぼに水を張ると、養分が補われ、土の有機物が保たれ、雑草や病害虫も抑えられるからです。
それでも、高い収量を何十年も保つのは簡単ではありません。気候も、病気や害虫の勢いも、年とともに変わるからです。年3作の試験として世界で最も長く続く、IRRIの長期連作試験でも、1990年ごろまで収量が下がり続けました。
原因の候補には、イネが必要とする窒素の量と与える量のずれ、病害虫、日射の不足などが挙げられてきました。1990年代のはじめに、肥料の与え方、田んぼを休ませる期間(休閑)、病害の対策を見直すと、収量はいったん持ち直しました。
けれども、気候、品種、肥料の管理が、50年の間にどう絡み合って収量を動かしてきたのかは、まだ体系的には調べられていませんでした。要因が多く、互いに影響し合うため、ふつうの分析では切り分けにくいのです。そこで私たちは、データから関係を学ぶ機械学習で、この記録を読み解きました。
この試験では、1年を3つの季節に分けてイネを育てています(図1)。日射は乾季に最も多く、雨季後半に最も少なくなります。
50年分の収量と天気を、機械学習で解析する
試験のしくみ
試験の田んぼは、フィリピンのロスバニョスにある、IRRIの試験場にあります。田んぼは窒素肥料の量で4つの区に分かれ、それぞれで3〜6品種を育てています(図2)。窒素肥料を与えない区がF1、量を3段階に増やした区がF2〜F4です。
品種は、その時々で収量が高く、病気や害虫に強いものへと入れ替えてきました。1991年からは、窒素を増やして何回かに分けて与え、病害虫の対策も強めました。
収量は、イネが熟したときに各区画の10 m²を刈り取って量ります。解析には、初期の記録の乱れを避けるため、1971年以降のデータを使いました。
収量に関わりそうな要因をそろえる
天気には、気象庁の長期再解析データ(JRA-55)を使い、IRRIの観測値に合わせて補正しました。再解析データとは、過去の観測をもとに、天気を切れ目なく再現したものです。
1作の期間は、株が育つ時期、穂ができる時期、実る時期の3つに分け、それぞれの最高気温、最低気温、日射量を求めました。
対象にした病気は、葉いもち、ごま葉枯病、白葉枯病、紋枯病、ツングロ病の5つです。天気から計算した流行しやすさを、リスクの指標にしました。実際の発病を数えたものではありません。
このほか、窒素肥料の量、品種、品種の古さ、田んぼでイネを育てた通算の回数、休閑の長さ、前の作の収量なども加えました。品種の古さは、その品種が試験に入ってから何年たったかを表します。
機械学習で、収量を予測する
これらの要因から収量を予測するモデルを、ランダムフォレストという機械学習の方法で作りました(図3)。条件で枝分かれしながら答えを出す「決定木」をたくさん作り、その予測を平均する方法です。
モデルは、3つの季節をまとめたものと、季節ごとのものを作りました。1作ぶんのデータを隠して学習し、その作の収量を予測して実際と比べる確認も、くり返しました。
説明可能なAIで、予測の理由を読み解く
予測が当たるだけでは、なぜその収量になったのかはわかりません。そこで、説明可能なAI(XAI)の手法の1つである、SHAP(シャップ)を使いました。
SHAPは、一つ一つの予測について、各要因が収量をどれだけ押し上げ、押し下げたかを示します(図4)。値は収量と同じ単位(t/ha)で表されるので、効き方の大きさをそのまま比べられます。
すべての作についてこの値を集めると、どの要因がよく効いたのかが見えてきます。2つの要因の組み合わせで、効き方がどう変わるかも調べられます。
収量の決め手は、季節によって違っていた
乾季はよくとれ、雨季後半は伸び悩む
平均の収量は乾季が最も高く、窒素を最も多く与えたF4で6.86 t/haでした(図5)。1 t/haは、10 aあたり100 kgにあたります。雨季前半と雨季後半では、F4よりもF3のほうが高く、雨季後半の平均はどの区でも3.40 t/ha以下でした。
年ごとのばらつきは、乾季では窒素を増やすほど小さくなり、雨季では逆にやや大きくなる傾向がありました。収量の高さと安定性をあわせて見る「持続的収量指数」も、乾季が最も高く(0.23〜0.55)、雨季後半が最も低くなりました(0.19〜0.26)。
窒素を与えた区では、1990年か1992年を境に収量が一段上がりました。休閑の導入や肥料の与え方の見直しの時期と重なります。その後は、雨季後半のF4を除き、はっきりした増減はありませんでした。
ただ、こうした収量の移り変わりを見るだけでは、天気、品種、肥料のどれが効いたのかは分けられません。ここからは、機械学習の結果を見ていきます。
どの季節にも効いた、窒素と日射と品種の入れ替え
3つの季節をまとめたモデルでは、窒素肥料の量と品種の入れ替えが、主な要因に挙がりました。天気では、穂ができる時期と実る時期の日射、実る時期の最高気温、株が育つ時期の最低気温が効いていました。
日射と最高気温は収量を押し上げ、株が育つ時期の最低気温の高さは押し下げていました。ただし、季節ごとのモデルでは、気温の効き方が違っていました。
気温は、季節によって逆向きに効いた
乾季では、穂ができる時期と実る時期の最低気温が低いほど、収量が高い傾向がありました。穂ができる時期の最高気温も、低いほうが有利でした。
最低気温は、おおむね夜の気温にあたります。夜が暖かいと、イネが呼吸で使うエネルギーが増え、実に回る分が減るためと考えられます(図6の上)。
最低気温は1980年代の終わりまで上がり続けており、その時期は乾季の収量が下がった時期と重なります。これが以前の収量低下の一因だった可能性があります。ただし、持ち直した時期は管理の見直しとも重なり、気候と管理の両方が効いたと考えられます。
雨季前半では逆に、株が育つ時期の最高気温が高いほど、収量が高い傾向がありました。水を張った田んぼの土では、20〜35 °Cの範囲で温度が上がるほど、微生物が有機物を分解して窒素を出す働きが急速に強まります。生育初期の暖かさが、土からイネへの窒素の供給を増やしたと考えられます(図6の下)。
乾季では、病気のリスクが窒素の効きを左右した
乾季では、ツングロ病のリスクが低いことも、収量の高さと安定につながっていました。要因どうしで最も強く影響し合っていたのは、窒素肥料と、穂ができる時期のツングロ病のリスクでした。
モデルの予測では、窒素が0〜25 kg/haと少ないと、リスクにかかわらず収量は4.26 t/ha未満でした。リスクが低い年は、窒素100 kg/haで6.5 t/haに届きました。10 aあたりなら、窒素10 kgで収量650 kgです。ところが、リスクが高い年に同じ収量を得るには、175 kg/haが必要でした(図7)。病気が出やすい年は、肥料を増やしても収量に結びつきにくいのです。
雨季前半では、連作の積み重ねが窒素を助けた
雨季前半では、田んぼでイネを育てた通算の回数が多いほど、収量が高い傾向がありました。要因どうしで最も強く影響し合っていたのは、この通算の回数と窒素肥料でした。モデルでは、通算80作(約27年)を超えると、窒素肥料がよく効くようになっていました。
連作を重ねた田んぼほど土の窒素が増えることは、これまでの研究でも報告されています。この結果は、生育初期が暖かく、土からの窒素が多い雨季には、窒素肥料を減らせる可能性も示しています。
雨季後半では、品種の古さが効いた
雨季後半は日射が最も少なく、収量も低い季節です。ここでは、白葉枯病と紋枯病のリスクが低いほど、収量が高い傾向がありました。
さらに、同じ品種を長く使うほど窒素肥料が効きにくくなり、収量のばらつきも大きくなりました。使い始めて10〜15年を過ぎると、窒素への反応が大きく落ちていました(図8)。
病気の影響の積み重ねや、品種の勢いの衰えが関わっていると考えられます。以前の研究でも、品種IR8の収量が、もとの性能より15%以上落ちたと報告されています。フィリピンの農家が使う品種は、平均で約10年前のものです。環境の変化に合わせ、品種改良の成果を生かすには、それでは十分とはいえないかもしれません。
ここまでの結果を1枚にまとめると、図9のようになります。
季節に合わせて、品種と管理を変えていく
同じ田んぼでも、季節によって収量の決め手は違っていました。肥料、病害虫の対策、品種選びを、季節ごとに組み立てる必要があります。
すぐに試せること
年間の収量を高める手立てとして、品種をこまめに入れ替えることと、乾季と雨季で品種を使い分けることが見えてきました。どちらも、この試験ですぐに取り入れられる工夫です。
品種改良への手がかり
品種改良では、2つの方向が見えてきました。乾季に向けては、呼吸によるエネルギーの消耗が少ない品種です。雨季に向けては、湿度が高く日射の少ない環境に強い品種です。どちらも、品種改良の目標を定め、こうした性質の遺伝的な多様性を調べるところから始める必要があります。
長期試験の記録を生かす
50年続く試験の記録は、二度と取り直せない貴重なデータです。機械学習を使うと、収量の移り変わりを見るだけでは捉えきれない、要因の絡み合いを読み解けます。世界各地の長期試験にも、同じ方法が役立つと期待しています。
まだわかっていないこと
この結果は、熱帯にある1か所の灌漑水田から得たものです。熱帯の灌漑稲作には参考になりますが、ほかの地域や作物にそのまま当てはまるとは限りません。
病気のリスクは天気から計算した値で、実際の感染や、対策の効果は含みません。土の性質も直接は使わず、イネを育てた通算の回数で代わりに表しました。
また、機械学習が見つけるのは、データの中の結びつきです。ここで見えた関係は、これから田んぼで確かめていく仮説でもあります。今後は、病気の発生を田んぼで定期的に調べることや、保存してある土の試料を分析することが求められます。ほかの長期試験や作物にも、解析を広げる必要があります。
用語の解説
- 長期連作試験
- 同じ田んぼで同じ作物を何十年も育て、収量などを記録し続ける試験です。この研究では、IRRIで1968年から続く、年3作のイネの試験を指します。
- 機械学習
- データから規則やパターンを学び、予測などに使う方法です。式の形を前もって決めなくても、複雑な関係を学べます。
- ランダムフォレスト
- 条件で枝分かれして答えを出す「決定木」をたくさん作り、その予測を平均する方法です。表の形のデータでよく使われます。
- 説明可能なAI(XAI)
- AIの予測が、どの情報をもとに出てきたのかを、人が理解できる形で示す技術です。
- SHAP(シャップ)
- 一つ一つの予測について、各要因が結果をどれだけ押し上げ、押し下げたかを、予測と同じ単位で示す手法です。
- 生育の3つの時期
- 植えてから穂のもとができるまでが「株が育つ時期」、花が咲くまでが「穂ができる時期」、その後に熟すまでが「実る時期」です。
- 持続的収量指数
- 平均収量から年ごとのばらつき(標準偏差)を引き、最高収量で割った値です。1に近いほど、高い収量を安定して保てています。
- ツングロ病
- ウイルスによるイネの病気です。この研究では、天気から計算した流行しやすさで、リスクの大きさを表しました。
論文の情報
Tomoaki Yamaguchi, Olivyn Angeles, Toshichika Iizumi, Achim Dobermann, Keisuke Katsura & Kazuki Saito (2025). Machine learning reveals drivers of yield sustainability in five decades of continuous rice cropping. Field Crops Research, 333, 110114. https://doi.org/10.1016/j.fcr.2025.110114
この論文はオープンアクセスではありません。要旨は出版社のサイトで誰でも読めますが、本文を読むには購読が必要な場合があります。このページの図は、論文の数値をもとに新しく作ったものと、著者によるグラフィカルアブストラクトです。