著者の所属・活動拠点の国は、中国です。

掲載誌：Frontiers in Plant Science

ライセンス: CC BY　対象: 公開論文　確認元: OpenAlex

研究の目的

小麦の生育や光合成、収量には窒素が大きく関わります。窒素が多すぎると資源の無駄や環境汚染につながり、少なすぎると葉が黄化して生育が衰え、収量や品質が落ちます。そのため、作物の窒素状態を正確かつ早く把握して、施肥の判断に役立てることが重要です。一方で、従来の圃場での窒素調査は、植物を採取して実験室で分析する方法が中心でした。この方法は手間と時間がかかり、植物を傷つけるため、広い範囲を随時調べる用途には向きません。

研究チームは、ドローン（UAV）で撮影した画像から、小麦の窒素状態を画素単位で「重度の欠乏」「中程度の欠乏」「適正」「過剰」の4段階に色分けする深層学習モデル「DMP-UNet」の開発を目指しました。使ったのは2種類の画像です。一つは葉や群落の形、きめを細かく写す通常のカラー画像（RGB画像）、もう一つは窒素に敏感な光の反射を捉えるマルチスペクトル画像（MS画像）です。著者らによると、既存の多くのモデルは2種類の画像の情報を単純に並べてつなぐだけで、両者の関係を明示的には扱っていませんでした。そこで、両方の長所を生かせる融合の仕組みを組み込むことにしました。

何を、どのように調べたか

試験は中国江蘇省揚州地域の儀征市新集鎮にある圃場で行われました。3品種の小麦を、窒素肥料の量に段階をつけて栽培しています。

正解データ（ラベル）は次のように作りました。まず、採取した植物の窒素濃度と地上部の乾物重から「窒素栄養指数（NNI）」を計算しました。NNIは、生育量に見合った窒素が足りているかを示す指標で、1が適正、1未満が不足、1を超えると過剰を意味します。研究では、0.95〜1.05を適正とする先行研究の基準をもとに、NNIを4段階に区分しました。さらに、小麦以外の土や雑草などを除くための「背景」区分も加えています。採取地点は限られるため、実測した窒素データとマルチスペクトル画像の反射値（NDVI、緑、近赤外）を「ランダムフォレスト」という機械学習の手法で対応づけました。これにより地点ごとの値を画像全体に広げ、画素ごとの推定ラベル（疑似ラベル）を作成しました。

DMP-UNetは、画像の領域分けで広く使われるU-Netという構造を土台にしています。RGB画像とMS画像は、それぞれ別の入り口（エンコーダ）で特徴を取り出します。次に、2種類の画像の位置のずれを学習しながら互いの特徴を参照し合う注意機構（DBCAM）で融合します。続いて、大小さまざまな尺度で窒素に関わる特徴を強める仕組み（MAPA-FPN）を通します。最後の出力部分は2経路に分かれており、背景側の経路が植生の位置を示す地図を作り、それを手がかりに小麦部分の窒素段階を判定します。

性能は主に二つの指標で評価しました。予測した領域と正解の重なり具合を示すIoU（全区分の平均がmIoU）と、見落としと誤検出の両方を考慮するF1スコアです。比較として、RGB画像だけ・MS画像だけを入力した場合を調べ、各部品を一つずつ加えたときの効果も確かめました。さらに、U-Net、U-Net++、U-Net 3+、Attention U-Net、R2U-Net、Attention R2U-Net、DeepLabV3、DeepLabV3+といった既存の領域分けモデルと、まばらな畑、密な畑、生育のむら、複雑な背景など異なる場面で比べました。

主な報告結果

DMP-UNetの平均F1スコアは78.37%、mIoUは66.35%で、比較したモデルの中で最も高い値でした。論文によると、既存モデルに対する上積みは、mIoUで3.46〜32.94%、平均F1で2.89〜33.71%でした。2番手のAttention R2U-Netと比べても、4つの窒素段階すべてでIoUが上回りました。上回った幅は、重度の欠乏で4.68%、中程度の欠乏で2.74%、適正で2.93%、過剰で5.68%です。画像上でも、既存モデルに見られた境界のぼやけやノイズが少なく、畝の間の細部が保たれていたと報告されています。

部品ごとの効果を調べた実験では、2系統の入り口を持つ基本形のmIoUは51.55%、平均F1は65.85%でした。ここに部品を順に加えると、mIoUは融合の注意機構（DBCAM）で1.40ポイント、多尺度の仕組み（MAPA-FPN）で9.41ポイント、2経路の出力部で3.99ポイントそれぞれ上がりました。どの部品も性能向上に寄与したことになります。

入力画像の比較では、RGB画像とMS画像を組み合わせた場合が、どちらか一方だけの場合よりmIoUとF1スコアの両方で大きく上回りました。モデル内部の特徴を可視化すると、RGB画像だけでは4段階が大きく重なり合いました。MS画像だけでは重度の欠乏はある程度分かれたものの、「適正」と「過剰」、「中程度」と「重度」の欠乏はなお重なっていました。両方を組み合わせると、各段階がはっきり分かれたまとまりになったとされています。

この報告が示すこと

研究チームは、形やきめを捉えるカラー画像と、窒素に敏感なスペクトル情報を持つマルチスペクトル画像を、単純につなぐのではなく相互に参照させて融合することで、隣り合う窒素段階の見分けや複雑な背景への対応が改善したと結論づけています。土や影、雑草が混じる実際の畑で、窒素の過不足を画素ごとの地図として示せる可能性を示した報告です。

一方で、正解データは限られた採取地点の実測値をランダムフォレストで画像全体に広げた疑似ラベルであり、実測そのものではありません。著者らは今後の課題として、疑似ラベルへの依存を減らすこと、空間的に重ならない区画単位でデータを分けてより厳密に汎化性能を確かめること、より大規模で複数の栽培期にわたるデータで検証することを挙げています。

原著論文の著者・所属：Qingqing Hong（College of Information and Artificial Intelligence, Yangzhou University; Joint International Research Laboratory of Agriculture and Agri-Product Safety of the Ministry of Education of China, Yangzhou University）、Siqi Cao（College of Information and Artificial Intelligence, Yangzhou University）、Bohan Hu（College of Information and Artificial Intelligence, Yangzhou University）、Changwei Tan（Jiangsu Key Laboratory of Crop Genetics and Physiology/Jiangsu Key Laboratory of Crop Cultivation and Physiology/Jiangsu Co-Innovation Center for Modern Production Technology of Grain Crops, Agricultural College of Yangzhou University）、Zhenghua Zhang（College of Information and Artificial Intelligence, Yangzhou University）、Bin Li（College of Information and Artificial Intelligence, Yangzhou University）、Hongwei Zhang（College of Information and Artificial Intelligence, Yangzhou University）

※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）：Qingqing Hong, Siqi Cao, Bohan Hu, et al. DMP-UNet: a multimodal fusion network for high-precision nitrogen status monitoring in wheat from UAV multispectral images. Frontiers in Plant Science（出版社：Frontiers Media） 2026-09-03. DOI: 10.3389/fpls.2026.1909856. 原著ライセンス：CC BY.