トウモロコシの形質に対する高スペクトル反射率データを用いた機械学習モデルの一般化可能性と転移性

葉の走査が将来の食料にとって重要な理由

気候変動下で増え続ける人口を養うには、高温や干ばつなどのストレスに耐えうる作物が必要です。育種家は、葉の構造、化学組成、光合成性能の適切な組み合わせを持つ植物を知りたいと考えますが、何千もの植物のこれらの形質を直接測定するのは遅く破壊的です。本研究は、トウモロコシの葉を高スペクトルセンサーでスキャンし、機械学習を用いるだけで、労力のかかる実験室測定の代替になり得るか、しかも異なる年度や変動する圃場条件でも信頼できるかを検討します。

トウモロコシ葉の光の指紋

葉は色素、水分、内部構造に依存したパターンで光を反射します。高スペクトルセンサーは可視光から短波長赤外まで数百波長にわたるこのパターンを捉え、各葉の詳細な「指紋」を作り出します。研究者らは、多様なトウモロコシ集団を3年連続の圃場で栽培してこうした指紋を収集するとともに、比葉面積や炭素–窒素バランスなどの葉の解剖学的特徴、気体交換（葉がCO2を取り入れ水を失う様子）、および光合成の効率や調節を示す葉緑体蛍光を含む25の形質を測定しました。この豊富なデータセットにより、光スペクトルを形質推定に変換する際のさまざまな統計モデルの性能を検証できました。

葉を「読む」機械を教える

研究チームは、部分最小二乗回帰（PLSR）と線形サポートベクター回帰（SVR）の2つの広く用いられる比較的単純な機械学習手法に注目しました。両手法は、詳細なスペクトルを情報量の多い少数の特徴に圧縮してから測定された形質と結びつけます。研究者らは特にPLSRの成分数や過学習を避ける方法など、モデルのチューニング方法を慎重に比較しました。さらに、モデルに個々の葉測定値を与えるか、単一プロットの平均値を使うか、同一遺伝子型の全植物の平均を使うかという入力の違いも検討しました。性能と不確実性を検証するために、入れ子になった厳密な交差検証フレームワーク（本質的には繰り返しの学習–テストサイクル）を用いました。

予測が容易な形質は何か

光スペクトルから比較的読み取りやすい形質とそうでない形質が明確に分かれました。比葉面積や窒素含有量といった構造的・生化学的形質は高い精度で予測でき、とくに遺伝子型レベルでデータを平均化すると測定ノイズが低減されて精度が上がりました。いくつかの光合成能力に関する形質や、光条件下での光化学系IIの挙動を示す葉緑体蛍光指標も中程度の予測可能性を示しました。対照的に、葉が保護的エネルギー散逸を立ち上げたり抑えたりする速度のような短時間かつ変動しやすいプロセスに結び付く形質はほとんど捉えられませんでした。これらでは、スペクトル信号が弱いか、測定時の環境変動により容易に覆い隠されてしまうためです。

あるシーズンから次のシーズンへ

実際の育種現場にとって重要な疑問は、ある条件で学習したモデルが別の条件でも信頼できるかどうかです。モデルが同一シーズン内のランダムな植物を予測した場合、予測しやすい形質については一般に良好な性能を示しました。同じシーズン内でまったく新しい遺伝子型を予測する場合、構造的・窒素関連の形質ではわずかな低下にとどまりましたが、気体交換に関する形質ではより鋭い低下が見られました。最も厳しい試験である別の年の新規遺伝子型の予測では、特に環境に強く影響される形質で精度が大きく低下しました。天候、圃場条件、遺伝子型の組成の違いがスペクトルパターンを十分に変化させ、転移可能性を制限したのです。なかには他シーズンから予測するのが特に難しい年もありました。

育種とリモートセンシングへの意味

育種家や作物科学者にとって、この研究は励みと注意の両方を与えます。高スペクトル走査と比較的単純な機械学習を組み合わせることで、葉の構造や窒素状態のような安定で統合的な形質を高スループットで推定する強力なツールが既に得られており、これらの目標については遺伝子型や年度を超えて比較的よく一般化できます。しかし、同じ手法は、訓練した条件を超えて適用すると、環境に敏感な動的な生理学的形質の予測にははるかに信頼性が劣ります。著者らは、高スペクトル法が主要なトウモロコシ形質の大規模スクリーニングを支える準備ができている一方で、環境間での動的な生理挙動を予測するには、より多様な訓練データ、より高度なモデリング、あるいは追加の測定手段が必要になるだろうと結論しています。

引用: Xu, R., Ferguson, J., Breil-Aubert, M. et al. Generalizability and transferability of machine learning models using hyperspectral reflectance data for maize traits. Sci Rep 16, 5865 (2026). https://doi.org/10.1038/s41598-026-36819-1

キーワード: 高スペクトル反射率, トウモロコシ, 機械学習, 植物フェノタイピング, 光合成