スマート農業の新たなブレークスルー：AIが農業計画を支援

内容の概要: 国連は、2050 年に世界の人口が 91 億人に達し、世界の食糧需要が 70% 増加すると予測しています。しかし、世界の農業の発展は不均等であるため、多くの地域では穀物の生産量を正確に数えることができず、これらの地域での農業発展のための合理的な計画を立てることは不可能です。穀物生産量を数える既存の方法は、普及が困難であったり、より高度な技術を必要としたりします。この目的のために、京都大学の研究者らは畳み込みニューラルネットワーク（CNN）を使用して農地の写真を分析し、地元の食糧生産量を効率的かつ正確に数え、世界的な農業開発を促進するための新しい方法を提供した。

著者 |雪才

編集者 |サンヤン

この記事はHyperAI WeChatパブリックプラットフォームで最初に公開されました〜

人口増加、所得の増加、バイオ燃料の普及により、世界の食糧需要は2050年までに70%増加するでしょう。

しかし、地球温暖化や生物多様性の減少により、世界中の食料生産は環境の変化に対して極めて脆弱であり、地域間で発展に不均衡が生じています。

図1: 2020年の世界穀物生産マップ

中国、米国、インド、ブラジルが主要な穀物生産地域である一方、南半球の穀物生産は比較的低いことがわかります。さらに、南半球では農業生産性が低いため、食糧生産を正確に測定することが困難です。そのため、生産量を増やすための効果的な手段を提供することはおろか、地域の農業生産性を効果的に評価することも困難です。

現在、穀物生産統計には、自己申告、実測、リモートセンシング統計の 3 つの方法が一般的に使用されています。最初の 2 つの方法は大規模に推進するのが難しく、リモートセンシング技術の使用は地域の科学技術レベルによって制約されます。

この目的のために、京都大学の研究者らは畳み込みニューラルネットワーク（CNN）を使用して、現場で撮影された農地の写真を分析し、地元の穀物生産量を計算した。結果は、CNN モデルがさまざまな照明条件下での収穫段階と晩熟期の米の収穫量を迅速かつ正確に計算できることを示しました。この結果はPlant Phenomicsに掲載されました。

論文リンク:

https://spj.science.org/doi/10.34133/plantphenomics.0073

実験手順

データベースの構築: 稲のキャノピー写真 + 穀物収量

研究者らは7カ国の20の農場で米と穀物の収穫量の写真を収集した。稲が成熟すると、デジタルカメラを使用して、稲の葉の 0.8 ～ 0.9 メートル上空から垂直に下向きに撮影し、1 平方メートルの稲の RGB 写真を取得しました。

注: 稲冠は密集した稲の枝と葉の最上層であり、光合成を行う植物の主要部分です。

次に、撮影角度、時間、期間を変え、いくつかの実験では稲の花序を一つずつ取り除き、収穫量を予測するCNNモデルのメカニズムを調査しました。最終的に、4,820 か所の撮影場所から 462 種類の米の RGB 写真 22,067 枚を入手しました。

実験における穀粒収量は、満たされた米粒と空の米粒の総重量を含む粗粒収量でした。統計から得られた穀物収量は0.1 t/ha（ヘクタールあたりのトン数）から16.1 t/haの範囲で正規分布を示し、平均収量は約5.8 t/haでした。

図2: 稲のキャノピー画像と穀物収量分布

A: 7か国における粗粒穀物生産量の分布。

B: 各国の粗粒穀物生産量の平均を示す円グラフ。

C: 粗粒収量が最も高い米の画像。

D: 粗粒収量が最も低い米の画像。

収穫量予測: キャノピー写真 + CNN → 穀物収穫量

CNN モデル、損失関数、およびオプティマイザーは、Python 言語と PyTorch フレームワークを使用してデプロイされます。その後、研究者らはさまざまなバッチサイズと学習率を組み合わせ、モデルのトレーニングが完了したときの検証損失と相対二乗平均平方根誤差 (rRMSE) を計算し、モデルの最適なバッチサイズ (32) と学習率 (0.0001) を取得しました。

CNN モデルには、メイン ストリーム (MS) に 5 つの畳み込み層があり、分岐ストリーム (BS) に 4 つの畳み込み層があります。モデルのプーリング層には、平均プーリング層 (AveragePooling) と最大プーリング層 (MaxPooling) が含まれます。活性化関数は主に正規化線形ユニット（ReLU）が使用され、一部に指数線形ユニット（ELU）が使用されています。最後に、MS と BS が結合され、推定された穀物収量が ReLU レイヤーを通じて出力されます。

図3: CNNモデル図

CNN モデルは画像を区別する能力に優れています。地上サンプリング間隔（GSD、写真内の各ピクセルに対応する実際の距離、解像度の逆）が0.2cm/ピクセルの場合、CNNモデルの予測結果と実際の結果の相関係数R2は0.65を超えます。 GSD が 3.2 cm/ピクセルに増加しても、モデルの R2 は 0.55 以上に維持されます。

図4: CNNモデルの予測結果とGSDの関係

A: CNN モデルの R2 と検証セットおよびテストセットの写真の GSD の関係。

B: CNN モデルの予測出力と実際の出力の散布図。

C および D: GSD 0.2 cm/ピクセルおよび 3.2 cm/ピクセルの概略写真。

さらに、研究者らは予測セットのデータを使用して CNN モデルをテストしました。 CNNモデルは東京のタカナリとコシヒカリの米の収穫量の違いを区別することができ、予測データは実際のデータに近いものとなっています。

図5: 高城米とコシヒカリの実際の収穫量（A）と予測収穫量（B）

その後、研究チームは画像をブロックし、CNN モデルが画像を分析し、食料生産を予測するメカニズムを調査しました。彼らは写真の特定の領域を灰色のブロックでブロックし、ブロックの前後で CNN モデルによって予測された収量の差を計算しました。

図6: 閉塞実験の模式図

A: 閉塞前の写真。

B: 閉塞後の写真。

C: 写真のさまざまな領域が予測される収量に与える影響の重み。

結果は、穀物収量は稲の花序の数と正の相関関係にあり、写真内の茎、葉、地面などの要素の割合と負の相関関係にあることを示しました。

そこで研究者らは、花序除去実験を通じて、収穫量予測における花序の役割を検証した。彼らは、それぞれの稲から2つの花序を摘み取り、写真を撮り、すべての花序が摘み取られるまで粗粒穀物の収穫量を数えました。

図7: 花序除去実験と結果

A: 花序除去実験の模式図。

B: 花序を除去した後の写真。

C: 予想出力と実際の出力の折れ線グラフ。

D: 花序除去時の予想収量と実際の収量の関係。

花序数が減少するにつれて、CNN モデルの収量予測結果も減少し続け、最終的に 1.6 t/ha まで低下しました。この実験は、CNN モデルが主に写真の花序の数に基づいて穀物の収穫量を判断することを示しています。

堅牢性: カメラの角度、時間、期間

CNN モデルの食糧生産予測能力を検証した後、研究者らは撮影角度、時間、期間を変更して、さまざまな条件下での CNN モデルの堅牢性を調査しました。

写真は 20° から 90° の角度で撮影され、テスト間隔は 10° です。 **結果は、撮影角度の増加とともに CNN モデルの予測精度が向上することを示しています。 **射撃誤差が20°の場合、CNNモデルの予測結果は-3.7〜2.4 t/haとなります。撮影角度が60°の場合、予測誤差は-0.45〜2.44 t/haとなり、90°での予測結果に近い値となりました。

図8: 撮影角度テストと結果

A: 撮影角度実験の模式図。

B: 異なる撮影角度から撮影した写真。

C: さまざまな角度から撮影した写真から予測された収穫量と実際の収穫量の差。

次に、カメラを固定位置に設置し、30 分ごとに農地の写真を撮影して、撮影時間が CNN モデルに与える影響を調べました。結果は、照明環境が変化したにもかかわらず、終日の写真に対する CNN モデルの予測結果は基本的に安定していることを示しています。

図9: 撮影時間テストと結果

A: 撮影時間実験の模式図。

B: 異なる撮影時間に撮影された写真。

C: 異なる時間に撮影された写真に対する CNN モデルの予測収率。

最後に、研究者らは撮影期間がCNNモデルの予測結果に与える影響を調査した。稲の50％が出穂した後、毎週田んぼに行って写真を収集し、CNNモデルを使用して分析しました。稲の成熟初期段階では、花序がまだ完全に成熟していないため、CNN モデルの予測収量は収穫時の実際の収量よりも低くなります。

時間が経つにつれて、CNN モデルの予測は実際の生産に徐々に近づいていきます。 50%出穂から4週間後、CNNモデルの予測結果は基本的に安定しており、実際の収量に近づきました。

図10: 撮影中のテストと結果

A: 写真は異なる撮影時期に撮影されたもので、DAH は出穂後の日数、DBH は収穫前の日数を表します。

B: 異なる時間に撮影された写真に対する CNN モデルの予測結果。
以上の結果を総合すると、CNN モデルはさまざまな撮影角度、時間、期間で撮影された農地写真を正確に分析し、安定した収穫量予測結果を得ることができることがわかります。 CNN モデルは堅牢です。

スマート農業: AIが農業計画を支援

国連によれば、世界の人口は2050年に約91億人に達すると予想されています。世界の人口が増加し、所得が増加するにつれて、食料の需要も増加しています。

同時に、農業生産の強化、デジタル化、インテリジェント化により、1ムーあたりの穀物収穫量は継続的に増加しています。 2000年から2019年まで、世界の農地面積は3％減少しましたが、主要農作物の生産量は52％増加し、果物と野菜の生産量も約20％増加しました。

大型収穫機やドローンなどの専門的な機器を使用することで、農家は農地を正確かつ便利に計画することができます。ビッグデータやIoTなどの技術により、農家は農地の状況をリアルタイムで把握できるようになり、温室内の環境を自動的に調整することもできます。ディープラーニングとビッグモデルを使用した早期の天気予報は、異常気象を事前に防ぎ、生計を天候に依存している伝統的な農業の問題を​​軽減することができます。

図11: スマート農業システムの概略図

しかし、2021年現在、世界中で飢餓に苦しむ人々の数は前年から約4,600万人増加し、8億2,800万人に達しています。農業生産の不均衡と不完全なシステムの問題は依然として存在し、さらに顕著になっています。

AIの助けを借りれば、地域の農業開発のためのより良い計画を立て、世界の農業生産のバランスの取れた発展を促進し、世界的な飢餓の問題を解決するための満足のいく答えを提供することができます。

参考リンク:

[1] https://www.fao.org/documents/card/en/c/cc2211en

[2] https://www.deccanherald.com/opinion/smart-farming-tech-new-age-700994.html

この記事はHyperAI WeChatパブリックプラットフォームで最初に公開されました〜