葉のPROSPECT-Dモデルの機械学習サロゲートと植物種を横断した応用

葉の光を測ることが重要な理由

農家、エコロジスト、育種家は皆、ある植物がどれほど健康であるか、どれだけの水を保持しているか、葉面積のどの程度が光合成に割り当てられているかを知りたがっています。従来、これらの問いに答えるには葉を切り取り、慎重な化学試験を行う必要がありました。本研究は、葉から反射される光を詳細に測定し、賢いコンピュータモデルと組み合わせることで、これらの隠れた葉特性を迅速かつ非破壊で推定でき、非常に異なる植物種に対しても適用可能であることを示します。

反射光から読み取る植物の健全性

すべての葉はその色素、内部構造、水分含有量に依存したパターンで太陽光を反射し吸収します。現代の機器はこのパターンを何百もの非常に狭い波長で測定でき、いわゆるハイパースペクトルの指紋を作り出します。研究者は長年、これらの指紋を葉性状と結びつけるために統計的手法か物理ベースのモデルのいずれかを使用してきました。PROSPECT系列のモデルは物理ベース側に属し、葉の層を通る光の伝播を記述します。葉の性状がわかれば、その反射スペクトルがどのようになるかを予測でき、理論上は測定されたスペクトルから逆に性状を推定することも可能です。

多種にわたり信頼されるモデルを検証する

研究チームは、最新バージョンであるPROSPECT-Dが多様な種や生育条件に対してどれほど有効かを検証し、それに対する高速な近似を機械学習で構築することを目的としました。彼らはトウモロコシ、ソルガム、大豆、キャメリナ、熱帯樹木、混合作物、多様な木本・草本植物を含む9つの大規模データセット、合計7千点を超える葉スペクトルを集めました。各測定スペクトルについて、まずPROSPECT-Dを逆に動かして色素量、水分量、面積当たり乾物質などの6つの主要な葉性状を推定しました。その後、推定された性状でモデルを順方向に動かし、測定スペクトルと一致するはずの合成スペクトルを作成しました。

物理モデルが苦戦する箇所とその理由

各波長で測定スペクトルとシミュレーションスペクトルを比較した結果、PROSPECT-Dは可視域および赤外域の大部分で葉反射を非常によく再現していました。主要な不一致は、葉が非常に少ない光を反射する4つの狭い波長帯にだけ現れました。2年間にわたるトウモロコシの解析では、これらの問題のある波長帯の反射は遺伝よりも変化する圃場条件に強く影響されており、測定ノイズや環境効果が支配的であることが示唆されました。チームが測定スペクトルの代わりに合成スペクトルから逆・順の手順を繰り返したところ、ほぼ完全に一致したため、データがモデルの想定範囲内にある場合には逆推定手順自体は非常に正確であることが示されました。

物理モデルの代わりに機械を教える

この基盤の上で、研究者らはPROSPECT-Dを模倣する2種類のデータ駆動型モデルを訓練しました。まず、部分最小二乗回帰（PLSR）という手法を用いて、シミュレーションされたスペクトルとPROSPECT-Dが推定した葉性状の間の関係を学習しました。ある種で訓練したモデルを他種で検証しました。葉の構造、クロロフィル、水分量、面積当たり乾物質に関連する4つの性状については、特に多様な種の集合で訓練した場合、これらのモデルは多くのデータセット間で非常によく移植できました。一方、カロテノイドとアントシアニンに結びつく2つの色素性状は、スペクトル署名が弱くクロロフィルと重なりやすいため、種を横断して安定的に予測するのが難しいことが分かりました。次に、チームは測定スペクトルから直接同じ性状を予測する深層ニューラルネットワークを訓練し、物理ベースの完全な逆解析の高速なサロゲートを作成しました。

スペクトルから性状へのより速い道筋

2つの多様な植物コレクションで訓練されたニューラルネットワークは、測定スペクトルから4つのコアな葉性状をPROSPECT-Dとほぼ同等の精度で回復でき、しかも計算時間はごく一部に短縮されました。解釈可能性手法により、これらのネットワークはPROSPECT-Dが苦戦するノイズの多い波長帯を自然に軽視し、モデルと測定が一致するスペクトル領域に頼っていることが示されました。2つの色素性状は依然として課題が残るものの、本研究はハイパースペクトル反射率から主要な葉特性を推定する実用的で移植可能なツールと、葉の物理ベースモデルの弱点を検出・是正するための一般的な枠組みを提供します。

引用: Rahimi-Majd, M., Xu, R., Bauermeister, S. et al. Machine learning surrogate for the leaf PROSPECT-D model and its applications across plant species. Sci Rep 16, 15602 (2026). https://doi.org/10.1038/s41598-026-53899-1

キーワード: 葉のハイパースペクトル反射率, PROSPECT-D, 機械学習サロゲート, 葉性状推定, 植物フェノタイピング