著者の所属・活動拠点の国は、トルコです。

掲載誌：Insects

ライセンス: CC BY　対象: 公開論文　確認元: OpenAlex

研究の目的

サクランボは国際的な果物取引で価値の高い作物で、論文によるとトルコは生産量と輸出量で世界をリードしています。オウトウミバエ（Rhagoletis cerasi）は売り物になる果実に直接被害を与える害虫で、樹の下の土の中で蛹（さなぎ）として冬を越します。ところが、蛹の越冬と土の性質との関係は十分に分かっていません。著者らによると、これまでの予測モデルの多くは成虫の飛ぶ時期や収穫後の果実の被害に注目しており、土の温度やpHといった土壌の条件はほとんど扱われていませんでした。また、判断の理由が外から見えない「ブラックボックス」型のモデルが多いことも課題に挙げています。

そこで研究チームは、予測性能の高い機械学習モデルから「もし土のpHがある値以下で、石灰分がある値以下なら、この区分に当たる」のような、人が読める「もし〜ならば」形式のルールを取り出す仕組みを開発しました。これを使って、蛹の多い場所・少ない場所に伴う土の条件を描き出すことと、樹の下の方角ごとの違いを調べることを目指しました。

何を、どのように調べたか

調査はトルコ・エラズー県のバスキルとハルプトにあるサクランボ園それぞれ1か所で、1つの栽培シーズンに行われました。各園で20本、計40本の樹を選び、樹冠（枝葉の広がり）の真下の土を北・南・東・西の4方向に分けて採取しました。同じ方向の土はまとめて約1kgの試料とし、合計160試料になりました。

試料はふるいにかけ、実体顕微鏡で確認しながら蛹を手作業で取り出して数えました。あわせて、土のpH、電気伝導度（土に溶けている塩類の目安）、石灰分、温度、土の水分の飽和度、蛹が見つかった深さ（10〜70cm）を記録しました。蛹の数は、約1kgあたり0〜2個を「低」（50試料）、3〜4個を「中」（80試料）、4個を超えるものを「高」（30試料）に分けました。著者らは、この区分は今回のデータ用に設けたもので、経済的な被害の基準や防除の目安ではないと明記しています。

分析には、多数の決定木（条件分岐を重ねて答えを出す仕組み）を組み合わせるLightGBMというモデルを使いました。研究チームの抽出エンジンは、学習済みのモデル内の各決定木を根元から末端までたどり、ある判定に至る条件の組み合わせをルールとして集めます。各ルールについて、当てはまる試料の数と、その中で判定が正しかった割合を計算し、正しさが75%未満または当てはまる試料が3つ未満のルールは除き、重複をまとめました。

分析は2種類です。実験1では、蛹の数と土の条件をあわせて入力し、「低・中・高」の各区分にどんな土の条件が伴うかを記述しました。実験2では、同じ入力から、試料がどの方角から採られたかを判別できるかを探索的に調べました。性能は、データを5つに分けて順番に1つを検証用にする「交差検証」で評価し、LightGBMを含む11種類のモデルを比べました。

主な報告結果

方角を判別する実験2では、LightGBMの平均正解率は95.00%で、著者らはこれを上位の成績と位置づけています。比較したモデルでは、ランダムフォレストが91.88%、決定木とCatBoostがともに90.00%、エクストラツリーが88.12%などと報告されています。LightGBMでは160試料のうち152試料が正しく判別され、東は40試料すべて、西は40試料中39、南は40試料中38、北は40試料中35が正解でした。

蛹の密度区分を扱った実験1では、LightGBM、CatBoost、決定木の正解率が100%でした。ただし、区分そのものが蛹の数から決められ、その蛹の数を入力にも含めていたため、この高い成績は当然予想されたものだと著者らは述べています。この結果は、土の条件だけで未知の蛹の密度を予測できることを示すものではありません。

抽出・選別後に残ったルールの正しさは80〜100%、平均90%でした。土の温度、pH、石灰分、水分の飽和度が、今回のデータで観察された蛹の生息パターンと強く関連していたと報告されています。

この報告が示すこと

研究チームは、性能の高い機械学習モデルの中身を、農業の専門家や生産者が直接読める具体的な境界値つきのルールに変換できることを、この研究の主な貢献としています。方角の判別ができたことについては、樹の下の方角による違いが、測った生物・土壌の変数のパターンの違いと結びついていたことを示唆するとしています。予測の正確さと分かりやすさは両立しうる、というのが著者らの結論です。

一方で、得られたルールは今回の果樹園に固有の統計的な関連であり、因果関係や、蛹の生理的な限界を示すものではないと強調されています。データは1つの地域・1つのシーズンに限られ、同じ樹から採った4方向の試料は完全に独立したものではありません。別の地域の果樹園での外部検証は行われておらず、土の質や気候が違えば境界値も変わりうるとしています。補足として2026年に捕獲された成虫の傾向は蛹の調査結果と一致していましたが、2年前の蛹と直接結びつけることはできず、裏づけの一つにとどまるとされています。著者らは、危険な場所の特定や土壌での対策に実際に使う前には、さらに多くの果樹園・季節での検証が必要だと述べています。

原著論文の著者・所属：Cebrail Barut（Department of Continuing Education Center, Firat University, Elazig 23119, Turkey）、Inanc Ozgen（Department of Bioengineering, Firat University, Elazig 23119, Turkey）、Bilal Alatas（Department of Software Engineering, Firat University, Elazig 23119, Turkey）、Halil Bolu（Department of Plant Protection, Dicle University, Diyarbakır 21280, Turkey）、Aytul Yildirim（Baskil Vocational College, Firat University, Elazig 23800, Turkey）、Ali Murat Tatar（Department of Animal Science, Faculty of Agriculture, Dicle University, Diyarbakir 21280, Turkey）

※本記事は原著論文をもとに、日本語で要約・説明を加えた研究紹介です。 出典（原著論文）：Cebrail Barut, Inanc Ozgen, Bilal Alatas, et al. A Rule-Based Transparent Machine Learning Approach for Precision Crop Protection: Modeling Orchard Microclimatic Orientations and Cherry Fruit Fly Pupal Habitats. Insects（出版社：Multidisciplinary Digital Publishing Institute） 2026-09-10. DOI: 10.3390/insects17090946. 原著ライセンス：CC BY.