リモートセンシングによる植生指数がジャガイモの収量予測を変革する

ジャガイモは世界で最も重要な食糧作物の一つであり、何百万人もの人々の主食となっている。まず、ジャガイモの生育方法を理解し、収穫量を予測できることは、農家が灌漑、施肥、害虫駆除をより効果的に管理する上で役立つ。.

第二に、食品加工業者や貯蔵施設は、信頼できる収穫量予測があれば、物流や労働力の計画をより適切に立てることができます。しかし、畑を実際に歩き回って植物を手作業で測定するといった従来の方法は、時間がかかり、人為的なミスが発生しやすいという問題があります。.

そのため、科学者たちは、ジャガイモの生育状況を監視し、収穫量をより迅速かつ正確に予測するために、衛星、ドローン、または携帯機器に搭載されたカメラやセンサーを使用するリモートセンシング技術に注目するようになった。.

ジャガイモの収穫量予測を理解する

過去20年間で、ジャガイモ研究へのリモートセンシングの応用への関心は著しく高まっている。実際、ある系統的レビューでは、当初スクリーニングされた482件の論文のうち、2000年から2022年の間にこのテーマに関して発表された79件の研究が特定された。.

透明性と再現性を確保するため、著者らは確立されたガイドライン（Kitchenham & Charters 2007; PRISMAフレームワーク）に従い、Google Scholar、ScienceDirect、Scopus、Web of Science、IEEE Xplore、MDPI、Taylor & Francis、SpringerLinkの8つの主要データベースを、「ジャガイモ収量予測」および「リモートセンシング」などの用語を使用して検索した。“

したがって、成長モニタリングまたは収量推定にリモートセンシングデータを使用した英語のオリジナル研究のみを対象とした。さらに、選択された各論文から、以下の4つの主要な質問に基づいてデータを抽出した。

どのセンシングプラットフォームが使用されましたか（衛星、UAV、または地上設置型）？
どの植生指数またはスペクトル特性が評価されましたか？
どのような作物特性（バイオマス、葉面積、クロロフィル、窒素）がモニタリングされましたか？
最終的な塊茎収量をどの程度正確に予測できるか（決定係数、R²）？

これらの質問は、査読者が最新の研究状況を把握し、今後の研究が重点的に取り組むべき分野を特定するのに役立った。.

リモートセンシングプラットフォームと植生指数

研究者たちは、それぞれに利点と限界がある3つの主要なリモートセンシングプラットフォームを採用してきた。まず、Sentinel-2（空間分解能10m、5日周期）やLandsat 5-8（30m、16日周期）などの光学衛星は、広範囲をカバーし、多くの場合無料でデータにアクセスできる。.

第二に、MODIS/TERRA/Aqua（250～1000m、毎日～2日ごとに再訪）のような衛星や、PlanetScope（3m、毎日、100km²あたり約$218の費用）のような商用システムにより、より頻繁な、またはより高解像度の監視が可能になりますが、コストが問題となる場合があります。.

第三に、マルチスペクトルカメラやハイパースペクトルカメラを搭載した無人航空機（UAV）は、非常に高い解像度（1ピクセルあたり数センチメートルまで）を実現し、必要に応じて飛行させることができますが、カバーできる範囲が狭く、より多くのロジスティクスが必要となります。.

最後に、地上設置型のセンサー（携帯型NDVIメーターやSPADクロロフィルメーターなど）は、非常に精度の高いスポット測定を可能にするが、広い範囲で使用する場合は時間がかかる。.

植生指数（VI）は、生の反射率値を植物の特性に関する意味のある推定値に変換します。ジャガイモの研究で最も一般的に使用される指数には、次のものがあります。

NDVI（正規化植生指数）：（近赤外線－赤色光）／（近赤外線＋赤色光）
GNDVI（緑色NDVI）：（近赤外線－緑色）／（近赤外線＋緑色）
NDRE（正規化差分レッドエッジ）：（NIR – RedEdge）/（NIR + RedEdge）
OSAVI（最適化土壌調整植生指数）：1.16 ×（近赤外線－赤色光）／（近赤外線＋赤色光＋0.16）
EVI（強化植生指数）、CIred-edge、CIgreenなど。 .

これらの指標は、樹冠被覆率、クロロフィル含有量、土壌背景に対する感度に基づいて選定されています。したがって、これらは植物の健康状態を評価し、収量を予測するための基礎となります。.

ジャガイモの生育状況のモニタリングと収量予測

研究者たちはリモートセンシングを用いて、ジャガイモの主要な作物特性（地上部バイオマス（AGB）、葉面積指数（LAI）、葉冠クロロフィル含有量（CCC）、葉の窒素状態）を監視し、それらを最終的な塊茎収量と関連付けている。.

まず、植生指数（VI）のみを使用して地上部バイオマス（AGB）を推定することは、樹冠被覆が密な場合、多くの指数が飽和してしまうため困難です。そのため、機械学習モデルにおいて、植生指数と植物の高さや質感の特徴を組み合わせることで、精度が向上することがよくあります。.

第二に、LAI（地表面積あたりの片側葉面積の合計）の評価は、UAVハイパースペクトルセンサーと衛星マルチスペクトルセンサーの両方からの時系列データを使用することで、最大0.84のR²値を達成しました。.

ジャガイモの収穫量予測に関する推奨事項

これらの知見に基づき、実務者はまず自身の目標に適したプラットフォームを選択すべきである。地域収量予測においては、無料のSentinel-2データが10mの解像度と5日ごとの再訪周期で信頼性の高いデータを提供する。.

局所的な推定精度を高めるため、植栽後36～55日頃に無人航空機（UAV）による飛行を実施し、重要な樹冠動態を捉え、衛星モデルの較正精度を向上させる。地上センサーは、スポットチェックや遠隔観測の較正に最適であり、特に分光データと現地測定データを組み合わせる場合に有効である。.

植生指数に関しては、実務者は最終収量を予測する際にNDVI、NDRE、およびCI_{レッドエッジを}優先的に使用すべきである。これらの指数は一貫して強い相関関係を示しているからである。.

クロロフィルと窒素含有量を推定する場合、レッドエッジ指数と土壌補正植生指数（TCARI/OSAVIなど）を組み合わせることで、最も正確な結果が得られます。バイオマス推定においては、植生指数を植物の高さや質感の特徴と機械学習フレームワーク内で統合することで、精度がさらに向上します。.

モデリングに関しては、地上真値データが限られている場合は、単一の指標を用いた単純な線形回帰または非線形回帰が有効です。しかし、複数の指標と補助データ（気象、土壌、管理など）が利用可能な場合は、ランダムフォレストやニューラルネットワークなどの機械学習手法が優れた性能を発揮します。重要なのは、植栽後36～55日頃のタイミングの画像が極めて重要であるということです。この時期の画像は、一貫して最も高い予測精度をもたらします。.

結論

結論として、リモートセンシングは、ジャガイモの生育状況のモニタリングと塊茎収量の予測において、迅速、柔軟、かつ高精度なツールキットを提供する。適切なプラットフォームを選択し、最も有益な植生指数を選び、播種後36～55日頃にデータ収集を行い、適切なモデリング手法を適用することで、研究者や実務家は収量予測を大幅に改善できる。.

このアプローチは時間を節約するだけでなく、より賢明な経営判断を支援し、最終的には農家、農学者、そしてジャガイモのサプライチェーン全体に利益をもたらす。.

参照: Mukiibi、A.、Machakaire、ATB、Franke、AC. 他. リモートセンシングによるジャガイモの生育モニタリングと塊茎収量予測のための植生指標に関する体系的レビュー。. ジャガイモ研究. 68, 、409–448（2025）。. https://doi.org/10.1007/s11540-024-09748-7