📄 agriculture

Toward Autonomous Crop Sensing: High-Frequency UAV-Based RGB and Thermal Imaging of Maize and Soybean

本研究は、高頻度のRGBおよび熱赤外イメージングを利用した自律型UAVベースのセンシングプラットフォームが、トウモロコシおよび大豆における日周的な作物の動態を効果的にモニタリングし、収量関連形質を予測できるとともに、運用コストを削減することで、スケーラブルな精密農業とハイスループットな表現型解析を可能にすることを実証するものである。

原著者： Mingjun Wang, Justin Macialek, Benjamin Fallen, Chee Town Liew, Chris Reberg-Horton, Chadi Sayde, Frank Bai

公開日 2026-07-10

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Mingjun Wang, Justin Macialek, Benjamin Fallen, Chee Town Liew, Chris Reberg-Horton, Chadi Sayde, Frank Bai

原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

農場の畑を、ただの静かな土の塊としてではなく、作物が絶えず話し合い、汗を流し、天候に反応している賑やかな都市として想像してみてください。長年、農家や科学者がこうした「会話」を聞き取ろうとする際、彼らは週に一度か二度、まるで火曜日にだけ現場を訪れる探偵のように、直接現地へ赴かなければなりませんでした。彼らは、朝のささやきや午後の叫び声を聞き逃していたのです。

この論文は、新しい種類の探偵を紹介しています。それが「ドローン・イン・ア・ボックス（DIB）」です。これは、作物のすぐ隣にある全天候型のガレージに住む、ロボットの執事のようなものだと考えてください。人間がパイロットとして車に乗り込み、現場まで運転して手動でドローンを飛ばす代わりに、このシステムは自ら目覚め、飛び立ち、写真を撮り、充電のためにガレージに戻り、このサイクルを自律的に繰り返します。研究者たちは、トウモロコシと大豆の成長を2025年シーズンを通して観察するために、このシステムをノースカロライナ州に設置しました。

ロボット執事の忙しいスケジュール

28日間にわたり、このロボットシステムは単にちらりと覗いただけではありません。合計176回の飛行を行いました。これは膨大な回数です！日によっては30分おきに飛行し、日の出から日没まで、作物の丸一日の様子を捉えました。これは、人間による介入が必要で、飛行が稀かつ高価であった従来の方法からの大きな飛躍です。論文は、人間のパイロットを日常業務から解放することで、このシステムが高テク農業をより安価で使いやすくできる可能性があることを示唆しています。

トウモロコシの「リーフロール（葉の巻き）」の秘密

研究者たちは、これらの頻繁な飛行を利用して、トウモロコシの葉が喉の渇きにどのように反応するかを観察しました。トウモロコシは乾燥すると、水分を節約するためにタコスのように葉を丸めます。チームは驚くべき発見をしました。それは、「タイミングがすべてである」ということです。

午前8時にトウモロコシの写真を撮ると、乾燥した区画は水を与えられた区画とほとんど同じように見えました。葉の巻き具合と、最終的な収穫量の間の関係性は、ほとんど存在しませんでした（統計スコアであるR²はわずか0.05でした）。しかし、日が昇り太陽が強くなるにつれ、乾燥したトウモロコシは劇的に丸まり始めました。午前11時までには、その関係性は極めて明白になりました。R²スコアは0.65へと跳ね上がりました。

これは、もしあなたが「葉の巻き具合」から作物の収穫量を予測したいのであれば、朝食の時間にドローンを飛ばすべきではない、ということを意味しています。太陽が高く昇り、植物がストレスを感じている時に飛ばす必要があります。論文は、午前中のうちに飛行することが、朝一番に飛ばすよりも、ドローンの「渇き検知器」の精度を約14倍高めることを示しています。

大豆の温度ゲーム

チームは大豆についても観察しました。具体的には、ゆっくりと萎れるもの、速く萎れるもの、そして実験的なものの3つのタイプに注目しました。彼らは、熱を感知する目のような特殊なサーマルカメラを使用して、植物の温度を測定しました。

ここでの興味深い点は、植物は「蒸散」によって自らを冷却していることです。植物が水不足になると、蒸散を停止し、葉の温度が上がります。「速く萎れる」タイプの大豆は、最初に蒸散を止めました。乾燥条件下では、これらの速く萎れる植物は、水が十分にある時よりも約4.2 °C高温になりました。ゆっくり萎れるタイプは、より長く涼しさを保っていました。

ドローンのサーマルカメラはこの測定において非常に優秀でした。ドローンの温度測定値と、水槽を用いた実際の温度計との比較では、最高の日において0.94という非常に高い一致スコアを示しました。これは、ロボットが熱を感じることで、どの植物が「汗をかいて」おり、どの植物が「乾いて」いるかを識別できることを証明しています。

緑の成分の測定

研究者たちはまた、ドローンの写真から、どれだけの葉面積（光合成を行うための緑の表面）があり、植物がどれくらいの高さであるかを特定しようと試みました。

高さ: ドローンは大豆の高さを、まずまずの精度（R²は0.65）で推定しました。これは、極端に高い、あるいは極端に低い個体よりも、上位90%の植物の高さを推測する際に最も優れていました。
葉面積: 葉の表面積を推測するために、ドローンは高さと地面を覆う葉の面積を組み合わせました。最も精度の高い推測は、正午から午後2時の間に行われ、精度スコアは0.85に達しました。

これが意味すること（そして意味しないこと）

この論文は、このロボットがあらゆる農業問題を解決したり、あらゆる場所のあらゆる作物に対して完璧に機能したりすると主張しているわけではありません。これは、特定のセットアップを用いて1シーズンに行った「体系的な評価」であることを明示しています。いつでもドローンを飛ばせば完璧なデータが得られるという考えは否定されており、時間帯が非常に重要であることを示しています。

しかし、結果は、これらの自律型「ドローン・イン・ア・ボックス」システムが真のゲームチェンジャーであることを示唆しています。これらは人間に運転させることなく24時間体制で作物を見守ることができ、一日のうちに起こる微妙で素早い変化を捉えることができます。適切なタイミング（トウモロコシなら午前遅く、大豆の熱なら正午頃）で飛行することで、これらのロボットは農家や科学者に、作物の状況に関するより明確なイメージを提供し、水やりやケアに関するより良い判断を下す助けとなる可能性があります。著者らは次のステップとして、このデータを即座に処理できるようにシステムを学習させ、農家がほぼリアルタイムで答えを得られるようにすることを提案しています。

技術要約：高頻度UAVベースのRGBおよび熱赤外イメージングによる自律的作物センシングに向けて

1. 問題提起

精密農業および高スループット植物表現型解析（HTPP）は、作物のパフォーマンスにおける空間的・時間的な変動を捉えるために、リモートセンシングに大きく依存している。無人航空機（UAV）は高い空間解像度と柔軟な展開を実現するが、その運用能力は現在、労働集約的なワークフローによって制約されている。従来のUAVミッションでは、目視範囲内（VLOS）を維持するために現地でのパイロットが必要であり、専用の移動、手動でのバッテリー交換、およびデータ転送を必要とする。これらのロジスティクス上の負担により、飛行頻度は週単位または隔週単位に制限されており、これは日次（日周）のキャノピー（林冠）ダイナミクスや急速に進行するストレス事象を解明するには不十分である。さらに、自動化された「ドローン・イン・ア・ボックス（DIB）」システムの定量的作物センシングへの適合性を理解するための、体系的なシーズンを通じた評価が不足していることが、研究上の空白となっている。

2. 方法論

本研究では、2025年栽培シーズン中のノースカロライナ州サンドヒルズ研究ステーションにおいて、自律型DIBプラットフォーム（DJI Dock 2に格納されたDJI Matrice 3TDドローン）を用いた、体系的かつシーズンを通じた評価を実施した。

実験設計

トウモロコシ試験： 変量灌漑（VRI）実験として、3つの処理区（天水：0%、50%灌漑、100%灌漑）の下で26プロット（12.5 m × 12.5 m）を設定した。
ダイズ試験： 対照的な乾燥耐性を持つ3つの遺伝子型（緩慢萎凋型：SW、急速萎凋型：FW、実験系統：EXP）を比較する育種実験。これには天水エリアと灌漑エリアの両方が含まれ、計18プロットを対象とした。
飛行運用： システムは28日間で176回の完全自動飛行を実行した（トウモロコシに対して28回、ダイズに対して148回）。飛行はクラウドベースのDJI FlightHub 2インターフェースを介してスケジューリングされた。FAA Part 107の要件を満たすために免許を持つパイロットが現地に留まったが、システムはセンチメートルレベルのRTK測位を用いた再現可能なトラック走行を可能にした。
データ取得： 飛行高度は45 m、前方オーバーラップ80%、サイドオーバーラップ70%で行われた。
- RGB画像： 地上サンプリング距離（GSD）は2.65 cm/px。
- 熱赤外画像： GSDは6.91 cm/px。
- 頻度： 日周ダイナミクスを捉えるため、特定の日は高頻度飛行（30分間隔）を実施した。

データ処理および取得

キャノピー被覆率（CCR）： 植物体と土壌を分離するために、Excess Green (ExG) 指数とOtsuの閾値処理を用いたRGBオルソモザイクから導出した。
キャノピー高（CH）： デジタル表面モデル（DSM）から地上基準標高を差し引くことで算出した。堅牢な高さ指標として第90パーセンタイル（P90）を選択した。
葉面積指数（LAI）： キャノピー高 × CCRの組み合わせによる予測因子を用いて推定した。
熱校正： プロット温度は、センサーとターゲット間の距離、湿度、気温、および放射率（0.98）に対して補正を行った。グラウンドトゥルース（地上真値）は、熱電対で監視された校正済みの水槽を用いて確立した。
検証： ドローン由来の指標は、決定係数（ $R^2$ ）および平方根平均二乗誤差（RMSE）を決定するために、最小二乗法（OLS）を用いて地上真値（LAI、CH、粒重収量）に対して回帰分析を行った。

3. 主な結果

運用パフォーマンス

DIBシステムは信頼性の高いパフォーマンスを示し、最小の離陸から次の離陸までのサイクルは約30分であった。システムはシーズンを通じて高い幾何学的および放射論的一貫性を維持し、従来の有人操作を超える日次的な時間解像度を可能にした。

トウモロコシ：日周ダイナミクスと収量予測

葉の巻き込み（Leaf Rolling）： CCR値は、09:30以降に灌漑処理間での明確な乖離を示した。天水プロットは、乾燥誘発性の葉の巻き込みによりCCRが急激に低下した一方、灌漑プロットは高い被覆率を維持した。
時間依存的な収量相関： CCRによる最終的な粒重収量の予測力は、取得時間に強く依存していた。
- 08:00： $R^2 = 0.046$ （無視できる相関）。
- 11:00： $R^2 = 0.652$ （ピーク相関）。
- これは、乾燥ストレス（葉の巻き込みとして現れる）と収量の関係が、大気蒸発要求が最も高い午前遅い時間帯にのみ完全に表現されることを示している。

ダイズ：遺伝子型の判別と形質推定

キャノピー温度： 熱赤外イメージングは、遺伝子型を識別することに成功した。急速萎凋型遺伝子型は、特に天水条件下において、最も高いプロット温度（灌漑条件より約4.2 °C高い）を示した。これは、急速な気孔閉鎖と蒸散冷却の減少と一致している。
熱精度： オンボードの熱カメラは、地上真値の水温と強い線形相関を示し、 $R^2$ 値は最大0.94、RMSEは最小1.37 °Cに達した。
キャノピー高： ドローン由来のP90高さは、フィールドでの測定値と良好に相関した（ $R^2 = 0.650$ , RMSE = 0.056 m）。これにより、遺伝子型および灌漑処理間の構造的な違いを効果的に捉えた。
LAI推定： LAI推定の性能は日周的に変化し、12:00から14:00の間にピークに達した。最適なモデル（ $R^2 > 0.80$ ）は、P85およびP90の高さとCCRを組み合わせたものであった。

4. 主な貢献

農業におけるDIBの体系的評価： 本研究は、定量的フィールドセンシングのための自律型ドローン・イン・ア・ボックス・システムの、シーズンを通じたマルチクロップ評価の最初期の事例の一つを提供し、高頻度モニタリングへの適合性を実証した。
センシングの最適化： 本研究は、データの取得タイミングが極めて重要であることを経験的に確立した。トウモロコシのCCR-収量（午前遅い時間）や、ダイズの温度およびLAI（正午付近）のように、ドローン由来の指標が診断および予測価値を最大化する特定の「最適ウィンドウ」を特定した。
運用コストの削減： 飛行実行、充電、およびデータ転送を自動化することで、本システムは手動のUAV操作に伴う労働力およびロジスティクスの障壁を大幅に軽減し、高頻度モニタリングを経済的に実行可能にする。
定量的形質の取得： 本研究は、RGBおよび熱センサーのみを使用し、従来の有人UAV操作を用いた研究と同等、あるいはそれを上回る精度で、農学的に意味のあるパラメータ（CCR、CH、LAI、キャノピー温度）を抽出できる本プラットフォームの能力を検証した。

5. 意義と主張

本論文は、BVLOS（目視外飛行）の免除に支えられた自動UAVシステムが、手頃な価格で高時間解像度のフィールドスカウティングおよびHTPPを実現するための有望なツールであることを主張している。本研究は、これらのシステムが以下のことを可能にすることを実証している：

週単位のモニタリングでは不可視な日周キャノピーダイナミクス（例：葉の巻き込み、温度変動）を捉えること。
オンサイトのパイロットや手動ワークフローを排除することで、運用コストを大幅に削減すること。
空間的および時間的に密なデータストリームを提供することにより、精密な作物管理とスケーラブルな表現型解析を可能にすること。

著者らは、現在のシステムは規制遵守のためにオンサイトの要員を必要とするものの、この技術は固定型センサーネットワークと従来のUAVキャンペーンとの間のギャップを効果的に埋めるものであると結論付けている。今後の課題として、ニアリアルタイムの分析と意思決定をサポートするための自動データ処理パイプラインの統合、および他の作物種への評価の拡張が挙げられている。