A breeder in the sky: scoring flowering with fewer flights

農業の世界において、タイミングはすべてを決める。新しいトウモロコシの品種を開発しようとしている育種家にとって、作物がいつ開花するかを正確に知ることは極めて重要である。この瞬間は、植物が地域の霜に耐えられるかどうか、収穫までにどれくらいの成長期間があるか、そして特定の地域でうまく育つかどうかを決定づける。伝統的に、この答えを見つけることは、労力を要する人間の作業であった。花は固定されたカレンダーの日付に基づいて咲くのではなく、天候や遺伝子に依存するため、研究者はフィールドを数日おきに歩き回り、花粉や絹糸（シルク）の最初の兆候を見守らなければならない。正確な各区画の平均を得るためには、最も早い開花時期から最も遅い時期まで、このプロセスを数週間にわたって繰り返す必要がある。この絶え間ないモニタリングは時間がかかり、コストも高く、一つのチームが一度に調査できるフィールドの数を制限してしまう。

これを解決するために、科学者たちはドローン、すなわち無人航空機を活用している。ドローンは空からフィールド全体の高解像度写真を撮影することができる。しかし、単に写真を撮るだけでは不十分である。開花時期を予測するためにこれらの画像を使用しようとするこれまでの試みでは、開花シーズン中に毎日、あるいは1〜2日おきに、同じフィールドの上空を何度も飛行して画像をキャプチャする必要があった。これは膨大なデータを生み出し、処理を困難にし、依然として頻繁でコストのかかる飛行を必要とした。課題は残っていた。コンピュータは、例えばわずか数枚の写真から、トウモロコシがいつ開花したかを正確に判別できるのだろうか。頻繁に上空を飛び回る必要もなく。

研究チームは、問題の捉え方を変える新しいアプローチによって、この問いに答えた。コンピュータに、単一のスナップショットの中で植物が「開花している」か「していない」かを判断させるのではなく、AIモデルに「タイムキーパー（時を刻む者）」として機能するよう訓練したのである。彼らはモデルに対し、トウモロコシの区画の写真を見て、その植物がピーク時の開花から何日離れているかを推定するように求めた。この数値は、植物がまだ開花していない場合は負の数になり、すでにその段階を過ぎている場合は正の数になる。開花を単純な「イエスかノーか」のスイッチではなく、連続的なタイムラインとして扱うことで、モデルは開花の前後の植物の外観の微妙な変化から学習することができた。

研究チームは、6年間にわたって収集された膨大なデータを用いてこのシステムを構築した。7つの異なる州でのフィールド試験から採取された20万枚以上のドローン画像を使用し、それらは1,200種類以上の異なるトウモロコシ・ハイブリッド（品種）を網羅している。これらの画像は、人間の観察者がフィールドを歩いて確認した、各区画の実際の開花記録と組み合わされている。チームは、複雑な視覚的パターンを理解するように設計された「ビジョン・トランスフォーマー（Vision Transformer）」と呼ばれる強力なタイプのAIを使用した。彼らは、コンピュータにトウモロコシの区画の画像と、その写真が撮られた時点と開花との正確な時間の差を提示した。時間をかけて、モデルは、花自体が目に見えるようになるずっと前から、上部の葉の向きや茎の微妙な伸長といった、植物が開花期に近づいていることを示す視覚的な手がかりを認識することを学んだのである。

結果は驚くほど効果的であった。チームは、システムが全く見たことのない場所や年を含むフィールド実験を用いてモデルをテストした。たとえモデルに、開花日の前後2週間以内のフィールドの画像をたった一枚与えただけでも、開花時期を平均して約3日の誤差で予測することができた。このレベルの精度は、フィールドを歩く人間の観察者の精密さに匹らぶものである。研究者が2、3回の飛行による予測を平均すると、誤差はさらに減少し、しばしば2日未満となった。これは、育種家が以前必要と考えられていたよりもはるかに少ないドローンの飛行回数で、非常に高い精度を実現できる可能性を示唆している。これにより、モニタリングのコストと労力を大幅に削減できる可能性がある。

この研究は、コンピュータがどのように植物を「見ている」のかについても明らかにした。モデルが画像のどの部分に注目しているかを可視化することで、研究者はAIの注意が植物の成長に伴ってダイナミックに変化することを発見した。花が現れる前、モデルは将来的に花が芽吹くであろう植物の中心部に集中していた。時間が経過するにつれ、その焦点は周囲の葉やキャノピー（樹冠）全体の形状へと移動した。これは、モデルが単に花を探しているのではなく、植物の発展の旅全体を理解していることを示している。モデルは、人間の目には何も違いが見えない数日前の微妙な生理学的変化を検出し、開花後も継続して植物の状態を追跡することができる。

最も重要な発見の一つは、データが異なる年、異なる場所、異なる種類のカメラから得られたものであっても、モデルがうまく機能したことである。これは、このシステムが、現地のデータを用いてゼロから再学習させることなく、新しい環境でも使用できるほど堅牢であることを示唆している。研究者はまた、積算温度に基づく時間の測定法である「有効積算温度（growing degree days）」を使用することで結果が改善されるかどうかをテストした。この手法は精度の面でわずかな優位性を示したが、モデルは単純な暦日（カレンダー・デー）を用いても極めて優れた性能を発揮した。これは、システムが機能するために複雑な気象データを必要としないことを意味しており、幅広い環境への展開を容易にしている。

植物育種への影響は多大である。毎日の飛行や手作業によるスコアリングの必要性を減らすことで、この手法により、研究者はより少ないリソースで、より大規模な作物集団を監視することが可能になる。これは、異なる遺伝的品種が、開花時期に対してどのように反応するかを、より幅広い環境下で研究する道を開くものであり、変化する気候に適応できる作物を開発するために不可欠である。この研究は、たった一度、あるいは数回のドローン飛行が、かつては数週間の人間の労働を必要とした重要な情報を提供できることを証明している。モデルは育種家に取って代わるものではなく、むしろ彼らの視野を広げ、空から植物の成長という目に見えないリズムを見通すための強力なツールとして機能するのである。