Systematic evaluation of hyperspectral imaging workflows for predicting pigment and nutrient traits in tomato leaves under varying nitrogen supply levels
本研究は、トマトの葉における色素および栄養素の特性を非破壊的に予測するための、サンプルの分割、分光学的前処理、特徴選択、および機械学習モデルの最適な組み合わせを特定するためにハイパースペクトルイメージングのワークフローを体系的に評価し、窒素関連の特性はCNNを用いて確実に予測できる一方で、クロロフィル予測には限界があること、およびワークフローの最適化は特定の対象特性に合わせて調整される必要があることを明らかにした。
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
温室の静かなリズムの中で、トマトの株が音のない要求を発している。植物には窒素が必要である。窒素は成長のエンジンとして機能し、緑の葉の形成と果実の発達を促進する基本的な栄養素である。農家が与える量が少なすぎると、植物は苦しみ、葉は青白くなり、成長は停滞する。逆に多すぎると、植物は青々と茂るものの弱くなったり、さらに悪いことに、食品の安全性や環境に影響を及ぼす可能性のある有害なレベルの硝酸塩を蓄積したりすることがある。何十年もの間、植物がどれだけの窒生を吸収したかを正確に知ることは、推測のゲームか、あるいは破壊的なプロセスであった。農家は葉を摘み取り、ラボで押しつぶし、化学分析の結果が出るまで数日間待たなければならなかった。これは、急速に変化する作物のサイクルの中で日常的な意思決定を行うには、あまりにも遅すぎる手法であった。
この問題を解決するために、科学者たちは千の色合いで世界を見る技術へと目を向けた。人間の目が知覚できる3つの色ではなく、ハイパースペクトルカメラは数百もの狭い光の帯を捉え、スキャンするあらゆる表面に対して詳細な「指紋」を作成する。この光の指紋は、葉の内部にあるものに応じて変化し、水分、構造、そして化学組成に関する秘密を明らかにする。しかし、課題は、このデータが極めて複雑であることだ。単にカメラを植物に向けて答えを得ればよいというわけではない。研究者は、ノイズの多いデータをどのようにクリーンアップするか、どの特定の色彩に焦点を当てるべきか、そして光を数値へと翻訳するためにどのような数学的ツールを使用すべきかを、慎重に選択しなければならない。一つの単一の手法があらゆる栄養素に対して機能するのか、それとも各特性にはそれぞれ独自の発見への道筋が必要なのかという問いがある。
中国の寧夏にいる研究チームは、管理された温室内のトマトの株を用いて、その答えを見つけようと試みた。彼らは「プロヴァンス」と呼ばれる人気の品種を、4つの異なる施肥体制の下で栽培した。一つのグループには窒素を全く与えず、他のグループには、中程度のヘクタールあたり210キログラムから、大量の390キログラムまでの範囲で、段階的に増量して与えた。生育期間を通じて、彼らは開花および結実期、果実の成熟期、そして最終的な収穫時の3つの重要な時期に植物を訪問した。各訪問時に、特定の葉を選び出し、ポータブル・ハイパースペクトルカメラを使用してそれらをスキャンし、葉の表面から反射する光の様子を捉えた。スキャン直後、彼らはそれと同じ葉をラボに持ち込み、標準的で精密な化学テストを用いて、全クロロフィル、全窒素、および硝酸塩の実際の化学成分を測定した。これにより、光のシグネチャーと現実世界の化学成分との間に、数百のサンプルにわたる完璧な一致が作られた。
研究者たちは、このデータを複雑なパズルのように扱い、それを解くための数十もの異なる方法をテストした。モデルが公平であることを保証するために、データを訓練グループとテストグループに分ける方法を4通り試した。光の信号をクリーンアップし、測定を曇らせることが多い静止ノイズを取り除くために、7つの異なる手法を適用した。また、数百ある色のうち最も重要な色を選び出すために、2つの異なる戦略をテストし、どの特定の波長が答えの鍵を握っているのかを問いかけた。最後に、精製されたこの情報を、確立された統計ツールから高度なディープラーニング・ネットワークに至る4種類のコンピュータ学習モデルに投入し、光のみに基づいて化学値を最もよく予測できるのはどれかを検証した。
結果は、明確な真実を明らかにした。すべての特性を予測するための「最善の」方法は一つではないということだ。正確な答えへの道筋は、研究者が何を測定しようとしているかに完全に依存していた。全クロロフィルを推定することが目的であった場合、最良の結果は特定のデータ分割法と単純な平滑化技術からもたらされたが、最高のモデルであっても精密な予測を行うには苦戦した。クロロフィルの変動が異なる成長段階を通じて起こることが、信頼できる単一のルールを構築することを困難にしていることが判明した。しかし、焦点が全窒素と硝酸塩に移ると、物語は変わった。全窒素については、コンパクトな主要波長のセットを選択する方法が最も効果的であったが、硝酸塩については、異なる選択戦略が優れていた。
使用されるコンピュータモデルの種類も深く関わっていた。クロロフィルについては、堅牢で伝統的なアルゴリズムであるサポートベクターマシンが最も優れた性能を示した。しかし、全窒素や硝酸塩の予測というより複雑なタスクにおいては、脳がパターンを処理する方法を模倣した一種のディープラーニング・モデルである畳み込みニューラルネットワークが、他のすべてを凌駕した。このディープラーニング・モデルは、単純なモデルが見逃してしまうような、光データの中にある微妙で非線形なつながりを捉えることができ、窒素特性に対してより信頼性の高い予測を提供した。研究は、光の反射が急激に変化する赤端領域（レッドエッジ）と近赤外領域が、異なる窒素レベルを区別するための最も情報量の多い領域であることを示した。
結局のところ、この研究は、精密農業が「万能なアプローチ」に頼ることはできないことを証明している。葉を一枚も傷つけることなくトマトの作物の健康状態を正確に監視するためには、ワークフロー全体を対象となる特定の栄養素に合わせてカスタマイズする必要がある。テストされた条件下では全クロロフィルの予測は依然として困難な課題であるが、全窒素および硝酸塩レベルを確実に予測できる能力は、強力な新しいツールを提供する。適切なデータクレンジング、適切な波長選択、そして適切なコンピュータモデルを特定の特性に一致させることで、農家は、広範な推測ではなく外科的な精密さで肥料を施すことができる未来へと近づくことができるのである。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。