Potential of UAV-derived RGB spectral indices for the early selection of cotton genotypes based on fiber quality traits

綿は、植物に付いたふわふわとしたボウル（綿鈴）から始まり、最終的に私たちの衣服の布地となる、世界で最も重要な天然繊維の供給源です。繊維産業にとって、この作物の価値は、その繊維がいかに長いか、いかに強いか、そしていかに均一にまとまっているかという、繊維の品質に完全に依存しています。従来、新しい綿の品種を開発する育種家たちは、新しい品種が良いものかどうかを知るために、植物が十分に成長し、綿鈴が収穫されるまで待たなければなりませんでした。彼らは綿のサンプルを取り、それを専門の研究所に送り、これらの技術的特性を測定する機械に通していました。このプロセスは正確ですが、時間がかかり、費用も高く、大量の植物材料を必要とするため、育種家たちは品種の開発がかなり進むまで、新しい品種をテストできないことがよくありました。

近年、このプロセスを加速させるための新しいアプローチが登場しました。それは、ドローンを使用して空から作物の写真を撮ることです。これらの無人航空機（UAV）は、数分間でフィールドの詳細な画像を捉えることができます。これらの画像の色を分析することで、科学者は植物がいかに健康的で勢いがあるかを示す数値を算出できます。植物が上空からどのように見えるか、つまりその色や明るさが、収穫前のボウルの中で生成される繊維の品質について、何らかの手がかりを与えてくれるのではないかという考えです。もしこの関連性が強ければ、育種家はシーズン序盤に数千の植物をスクリーニングし、より成長させるべき最良の個体だけを選別することができ、時間と費用を節約できる可能性があります。

ブラジルの研究チームは、このアイデアが綿の繊維品質に対して機能するかどうかを検証するために調査を行いました。彼らは19種類の商業用綿品種を用いて、ウベルランディア連邦大学のフィールドに栽培を行いました。植物が成長するにつれ、研究者たちはフィールドが満開の状態、つまり植物が開き꽃（花）で覆われている段階になるのを待ちました。この特定の瞬間に、彼らはドローンを飛行させてフィールドの上空から高解像度の赤、緑、青の画像をキャプチャしました。これらの画像から、彼らは「スペクトル指数」として知られる、植物の緑色度や色の彩度を要約した4つの異なる色ベースの数値を算出しました。その後、綿が収穫された後、彼らは各品種からサンプルを取り、標準的なラボの機械を使用して繊維の品質を測定しました。この機械は、繊維の長さ、強度、および繊維がどのように糸へと紡がれるかを予測する「紡績一貫性指数（Spinning Consistency Index）」と呼ばれる複合スコアなどの特性を決定しました。

研究者たちは、ドローンが見たものとラボで測定したものとの間に、確かに意味のある関連性があることを見出しました。彼らは、2つの色ベースの数値が特に有用であることを発見しました。一つは葉の緑色度を測定するもので、これは紡績一貫性と強い関連性を示しました。もう一つは、緑色の光の量と赤色の光の量を比較したもので、これは繊維の長さの均一性と密接に関連していました。簡単に言えば、ドローンの視点から見てより緑色で鮮やかに見えた植物は、高品質な紡績に適した繊維を生み出す傾向がありました。チームは、これらのドローンの数値を見るだけで繊維の品質を予測できるかどうかを確認するために、統計モデルを使用しました。モデルは約3分の1の差異を説明することができました。これは完璧な予測ではありませんが、大きな前進であり、シーズン序盤に撮影されたドローンの画像が、綿の最終的な品質に関する信頼できるヒントを提供できることを示唆しています。

しかし、この研究は、この技術が従来のラボテストの代わりになるものではないことも明確にしています。ドローンの画像は、繊維の品質のあらゆる詳細を予測することはできず、空からの見た目が似ている品種であっても、実際には異なる繊維特性を持っていることがありました。研究者たちは、今回の研究における最高性能の品種である「DP 2077」と呼ばれるタイプは、優れた繊維品質を持っていたものの、ドローンの画像では平均的なカラースコアしか示さなかったと指摘しています。このことは、ドローンは一般的な傾向を捉えることはできるものの、それ単独ではまだ全体像を見ることができないことを物語っています。葉の色は、日光の量や水の量など多くの要因に影響を受けるため、時に繊維品質の遺伝的可能性を覆い隠してしまうことがあるのです。

この研究の価値は、フィルターとしての可能性にあります。育種家はしばしば数千の植物を管理しなければならず、その一つひとつをラボでテストすることはコストがかかりすぎ、時間もかかります。もしドローンがフィールドの上空を飛び、品質が低い可能性が高い植物を迅速に特定できるのであれば、それらの植物を育種プログラムから早い段階で除外することができます。これにより、育種家は最も有望な候補にリソースを集中させることができます。研究者たちは、ドローン由来の数値はラボ作業を不要にする魔法の解決策ではないものの、それと併用するための強力なツールであると結論付けました。航空イメージングのスピードと伝統的なテストの精密さを組み合わせることで、綿の育種家はよりスマートかつ迅速に意思決定を行うことができ、より良い綿の品種を農家や繊維工場へより早く届けることが可能になります。本研究は、異なる環境やより多様な植物タイプからのデータを増やしてモデルを洗練させていくことで、綿作物の将来の品質を予測する能力はさらに向上していくであろうことを示唆しています。