空間モデリングと検証による土壌有機炭素のデジタルマッピングの強化

土の中の炭素が私たち全員にとって重要な理由

地球上の炭素の多くは、私たちの足下にある土壌の表層に静かに蓄えられています。この目に見えない貯蔵庫は気候の安定化を助け、作物を支え、土地の侵食を防ぎます。それでも、同じ農地でも場所ごとにどれほどの炭素が含まれているかを地図化するのは難しいままです。本研究はイランの平野を舞台に、近隣の場所が似た傾向を示すことを取り入れたより賢いマッピングが、土壌炭素の把握を大幅に精緻化し、気候に配慮した持続可能な農業の指針になることを示しています。

農地の土壌に潜むパターンを探る

研究者たちはイランのアビエク近郊にある主要な農業平野に注目しました。この地域は緩やかな傾斜、灌漑された畑、草地が混在し、小麦、大麦、トウモロコシなどの主要作物を生産しています。彼らは6年間にわたり、地上30センチメートルまでの層から281点の土壌サンプルを採取しました。この層は植物の根や炭素の貯蔵にとって特に重要です。各サンプルについて有機炭素含有量を分析したところ、全体としては低めでありながら地点ごとに大きく変動していることが分かりました。さらに、各採取地点について標高、地形の形状、衛星由来の植生指標、局所の気温や降水量といった詳細な背景情報も整備しました。

古典的アルゴリズムから場所を意識した学習へ

散在する測定値を連続的な地図に変換するために、研究者はしばしばランダムフォレストのような機械学習ツールを用います。これらは多くの環境因子を組み合わせ、複雑な関係を見つけ出せます。しかし、こうしたツールは通常、各データ点を孤立したものとして扱います。実際には、景観上の近接した地点は類似した歴史、気候、土地利用を共有することが多く、それゆえ土壌炭素も似通う傾向があります。この「近くの地点が似る」傾向は空間自己相関と呼ばれ、これを無視すると地図が実際より平滑に見えたり、精度を過大に評価してしまったりします。著者らはこの「隣接性が重要」という効果の扱い方と検証方法が異なる4つのモデリング構成を比較しました。

モデルに空間情報を取り込む

第一のシナリオでは、地形や植生などの環境変数のみを入力とした標準的なランダムフォレストを用い、位置を考慮しない通常のランダム交差検証で評価しました。このモデルは土壌炭素の変動をかなり説明しましたが、誤差はランダムに散らばっておらず、地図上でクラスターを形成していました。これはモデルが重要な空間構造を見逃している兆候です。第二のシナリオでは、サンプリング点間の距離から派生させた空間予測子を追加しました。このステップは精度をやや向上させ、誤差のクラスタリングを軽減しましたが、完全には解消しませんでした。第三のシナリオではモデル自体は変えず、検証方法だけを地理的な分離を尊重する空間交差検証に切り替えました。これによりより現実的でやや低めの精度指標が得られましたが、空間的にパターン化した誤差の問題は残りました。

より現実的な土壌炭素地図への賢い道筋

突破口となったのは第四のシナリオで、空間データ向けに設計された特殊なランダムフォレストを用いました。この手法は外部の空間レイヤーを手作業で追加する代わりに、サンプルの位置に基づいて内部的に空間予測子を自動生成します。このアプローチにより、モデルは最高の精度を達成しただけでなく、誤差が空間的にほぼランダムになり、主要な空間パターンをうまく捉えたことを示しました。得られた地図はコントラストがより鮮明で、高・低の土壌炭素のまとまりがより一貫して現れ、土地管理や植生の既知の違いとより密に一致しました。

農家と気候にとっての意義

専門外の人にとっての主なメッセージは、土壌サンプルがどこから採取されたかが、その含有物と同じくらい重要だということです。近隣の畑が似た挙動を示すことをマッピングツールに学習させることで、粗雑で誤解を招く可能性のある土壌炭素の図から、実際の意思決定に使えるほど詳細な地図へと移行できます。精度の高い地図は、農家が炭素を蓄えるべき場所に対する施策を絞り込むのに役立ち、土壌が貯蔵できる炭素量のより正確な推定を支え、政策立案者に気候や土地利用の計画に対するより確かな根拠を提供します。本研究は、データの内部にある「地理」を取り入れることが、より健全な土壌と安定した気候に向けた強力で実用的な一歩であることを示しています。

引用: Jafari, A., Sarmadian, F., Heidari, A. et al. Enhancing digital mapping of soil organic carbon through spatial modeling and validation. Sci Rep 16, 8810 (2026). https://doi.org/10.1038/s41598-026-39496-2

キーワード: 土壌有機炭素, デジタル土壌マッピング, 空間機械学習, 炭素固定, 持続可能な農業