主要な生育段階全体で光学とレーダーのリモートセンシングを機械学習と統合して小麦収量を予測する

私たちの食の未来にとってなぜ重要か

温暖化と水資源が逼迫する気候の下で増え続ける世界の食糧を賄うには、コンバインが畑に入るずっと前に農家がどれだけの穀物を収穫するかを把握することが重要です。本研究は、イランの乾燥地域で衛星と人工知能を用いて小麦収量を推定し、収穫の約50日前に信頼できる予測を提供できることを示しています。これは灌漑や肥料、貿易の判断、食糧不足の防止に向けた対策を導くのに十分早い時期です。

圧力にさらされる乾燥平野

対象はイラン北部の主要な小麦生産地であるカズヴィーン平野です。ここは生産性が高い一方で慢性的に水が不足しています。降雨は少なく不安定で気温は高く、農民は限られた地下水や山地流出に大きく依存しています。このような乾燥地域では、過去の経験や単純な気象統計だけで収量を推測するのは危険です。従来の作物モデルは土壌や栽培管理、気象の詳細データを要求しますが、それらはしばしば入手困難です。著者らは代わりに豊富に存在するもの、すなわち週ごとに広域を記録する衛星画像を利用しました。そこには畑の明るさや緑の様子が写っています。

宇宙から作物の健康を見る

研究チームは欧州のSentinel‑2光学衛星の画像とSentinel‑1のレーダー画像を組み合わせました。光学センサーは非常に解像度の高いデジタルカメラのように振る舞い、青から近赤外までの複数の波長で反射光を捉えます。これらの色から、葉の密度や生気、乾き具合を示す16種類の「緑度」や水分関連の指標を算出しました。注目したのは2つの重要な成長時点です。4月中旬の分げつ（Tillering）期は株が分かれて収量のポテンシャルを決め、5月中旬の開花（Anthesis）期は作物が最大の緑を示して穀粒充実の準備をする時期です。

光が足りないときにレーダーで聞く

Sentinel‑1のレーダーは異なる種類の情報をもたらします。太陽光に依存せずにマイクロ波を発射し、その反射を測定することで、植物構造や植生・土壌中の水分の影響をとらえます。これは砂埃や雲が多い、あるいは植生がまばらな地域で特に有用です。光学信号は裸地や大気の影響で混濁しやすいからです。研究者は2つの偏波チャネルから単純なレーダー指標を作り、これを光学指標や標高・傾斜・畑の方位といった基本的な地形情報と組み合わせました。

機械に収量パターンを学ばせる

衛星由来の変数をそろえた189個の良く測定された小麦圃場を用いて、著者らは収量を予測する3種類の計算モデルを訓練しました：標準的な線形回帰、非線形関係を捉えられるサポートベクターマシン、そして多くの決定木を組み合わせるランダムフォレストです。データは70%を訓練用、30%をテスト用に分けてモデルの汎化性能を評価しました。全体として、開花期（Anthesis）の衛星情報は分げつ期よりも有益でした。Anthesis時点のSentinel‑2と地形データのみを用いたランダムフォレストが最も良い性能を示し、テスト圃場の収量変動の約90%を説明し、平均でヘクタールあたり約0.3トン程度の誤差にとどまりました。

最も影響を与えた要因

ランダムフォレストが重視した入力変数を分析すると、キャノピーの密度、健全さ、水分状態をとらえる指標が最も重要であることが分かりました。古典的な緑度指数に相当する指標や水分感受性のある指標が上位に入り、生データの波長帯や地形変数は比較的寄与が小さかった。レーダー指標を加えると訓練データへの適合度はわずかに向上しました—レーダーが水分や構造に関して有用な追加情報を捉えていることを示唆します—が、テスト時の誤差はやや増加しました。この傾向は、モデルが訓練サンプル特有のノイズを学んでしまう過学習の傾向があることを示唆します。それでも全入力を組み合わせることで、研究者らは平野全体の詳細な収量地図を作成でき、低収量の部分と高収量域の鮮明な対比が明らかになりました。

農家や計画者にとっての意義

簡単に言えば、本研究は、適切に処理された光学衛星画像を現代的な機械学習手法で解釈すれば、過酷で水の乏しい環境でも圃場規模の小麦収量を正確に予測できることを示しました。レーダーは有益な細部情報を加える可能性がありますが、本例では光学のみの簡単な構成を上回るには至りませんでした。得られた早期の地図は、限られた灌漑水や肥料を最も必要な場所に配分したり、損失が深刻化する前に脆弱な地域を特定したり、地域の食糧供給計画に情報を与えたりするのに役立ちます。本研究は一つのイランの平野と一季節に焦点を当てていますが、この手法は世界の乾燥地域における宇宙ベースの監視と人工知能の応用によって食糧安全保障を強化するための青写真を提供します。

引用: Navidi, M.N., Fazli, E., Kharazmi, R. et al. Wheat yield prediction using integrated optical and radar remote sensing with machine learning across key phenological stages. Sci Rep 16, 10470 (2026). https://doi.org/10.1038/s41598-026-41501-7

キーワード: 小麦収量予測, リモートセンシング, 衛星農業, 機械学習, 乾燥地域