著者の所属・活動拠点の国は、イランです。

掲載誌：Scientific Reports

ライセンス: CC BY 4.0　対象: 公開論文　確認元: 論文PDF

研究の目的

オリーブの葉の面積は、光合成の能力を通じて木の生産性に関わり、環境ストレスへの適応を理解するうえでも重要な指標です。ただし、葉を一枚ずつ摘み取って面積を測る方法は手間がかかり、測った葉は失われてしまいます。そこで著者らは、葉の長さと幅という測りやすい二つの寸法から葉面積を推定する方法の開発に取り組みました。葉を傷つけずに測る「非破壊」の推定を、機械学習を使って高い精度で行うことが狙いです。

研究チームが特に目指したのは、特定の品種だけでなく、さまざまな品種に共通して使える汎用的なモデルです。そのため、多様な品種の葉を材料にしました。

何を調べたのか

研究はイランのタロム・オリーブ研究ステーションで2019年に行われ、同ステーションが保有する30品種のオリーブから葉を採取しました。品種にはアルベキーナ、コラティーナ、フラントイオ、コロネイキ、レッチーノ、マンサニージャなどが含まれます。各樹の東西南北の四方向から、同じくらいの高さで葉を無作為に集めています。

著者らは、ニューラルネットワーク、サポートベクター回帰、ランダムフォレスト、決定木、AdaBoost、XGBoostという6種類の機械学習手法を比較しました。機械学習モデルには、性能を左右する「ハイパーパラメータ」と呼ばれる設定値があります。研究チームはこの設定値を、ベイズ最適化、遺伝的アルゴリズム、粒子群最適化という3種類の方法で調整し、どの組み合わせが優れているかを調べました。

評価では、予測の当てはまりの良さを示す決定係数R2（1に近いほど良い）と、予測誤差の大きさを示すRMSE（小さいほど良い）などを用いました。さらに、モデルづくりに一切使わなかった8品種の葉で最終的なテストを行いました。初めて見る品種にどこまで通用するかを確かめるためです。

主な結果

設定値の調整方法では、群れの動きをまねて最適な値を探す粒子群最適化が、多くのモデルで最も良い結果を出しました。決定木やAdaBoostといった木構造のモデルでは、遺伝的アルゴリズムが最良となりました。著者らは、こうした探索型の手法が、広く使われるベイズ最適化を全体として上回ったと報告しています。

学習データから切り分けたテスト用データでは、どのモデルもR2が約0.93〜0.95と高い精度を示しました。最も高かったのはサポートベクター回帰（0.9495）とニューラルネットワーク（0.9489）です。

一方、学習に使わなかった品種でのテストでは、結果に差が出ました。最も優れていたのはAdaBoostで、R2は0.9480、RMSEは全モデルで最小の0.2279でした。ランダムフォレスト、サポートベクター回帰、XGBoostもR2が0.93〜0.94程度を保っています。これに対し、ニューラルネットワークはR2が0.949から0.886へと大きく下がりました。著者らは、学習に使った品種に特有の特徴まで覚え込んでしまった可能性を指摘しています。XGBoostについても、学習データへの当てはまりは最も良かったものの、テストではより単純なモデルに抜かれており、学習データに過度に合わせる「過学習」の傾向が見られました。

研究チームは、精度の高さ、データの分け方による結果のぶれの小ささ、計算の軽さを総合し、AdaBoostをオリーブの葉面積推定に推奨するモデルと結論づけています。

研究が示すこと

この研究は、葉の長さと幅という簡単な寸法だけで、多くの品種にまたがって葉面積を高い精度で推定できる可能性を示しました。あわせて、未知の品種で確かめることの大切さも示しています。学習データでの当てはまりが良いモデルが、新しい品種でも優れているとは限らないからです。

著者ら自身は、成果の適用範囲に注意を促しています。データは一つの研究ステーションで2019年に集めたものであり、対象は十分に成長した葉に限られます。モデル間の差について、統計的に有意かどうかの検定も行っていません。また、果樹園でリアルタイムに使えるシステムとして検証したわけではありません。論文はこの成果を、そうしたシステムの土台となる予測部分を確立したものと位置づけています。

原著論文の著者・所属：Ahmad Reza Dadras（Olive Research Station of Tarom, Crop and Horticultural Science Research Department, Zanjan Agricultural Resources Research and Education Center, Agricultural Research, Education and Extension Organization, (AREEO), Zanjan, Iran）、Hossein Sabouri（Department of Plant Production, College of Agriculture Science and Natural Resources, Gonbad Kavous University, Gonbad, Golestan, Iran）、Ali Tanhaei（Department of Plant Production, College of Agriculture Science and Natural Resources, Gonbad Kavous University, Gonbad, Golestan, Iran）、Sayed Javad Sajadi（Department of Plant Production, College of Agriculture Science and Natural Resources, Gonbad Kavous University, Gonbad, Golestan, Iran）

※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）：Ahmad Reza Dadras, Hossein Sabouri, Ali Tanhaei, et al. Advanced olive leaf area prediction using machine learning methods. Scientific Reports 2026-09-17. DOI: 10.1038/s41598-026-71390-9. 原著ライセンス：CC BY.