蒸散を機械学習で予測する研究｜ロードセル・ライシメトリーによる日次蒸散量モデル

本ページでは、ロードセル・ライシメトリーと機械学習を統合し、植物の日次蒸散量を予測した研究 （Plant, Cell & Environment, 2025）を整理します。

原題： Integrating Load-Cell Lysimetry and Machine Learning for Prediction of Daily Plant Transpiration

---

研究の背景と目的

• 従来のプロセスベースモデル（例：FAO56 Penman-Monteith）は、ライシメーター実測値と最大22%の不一致が生じる場合がある
• 環境要因と植物生理が複雑に絡む蒸散現象を、データ駆動型で再構築する必要があった
• 農業および温室環境における水管理最適化が目的

---

実験設計

対象植物

• トマト（Solanum lycopersicum, 主にM82）
• 小麦・大麦（T. turgidum subsp. durum, T. aestivum）
• 合計数百株

測定期間

• 2018年6月〜2024年3月（約7年間）

データ取得

• 3分間隔で連続計測
• モデルには日次値（sunrise〜sunset集計）を使用
• 十分灌水条件（well-irrigated）

---

ロードセル・ライシメトリーの役割

• 全植物体の蒸散量（ET）の直接計測（Ground truth）
• 高精度ロードセルによる連続重量測定
• 蒸散と日次バイオマス増加の同時算出
• ポット表面を密閉し土壌蒸発を排除

---

使用した入力変数

• 植物バイオマス
• 気温
• 相対湿度（RH）
• 飽差（VPD）
• 日積算光量（DLI）
• 植物タイプ
• 用土タイプ

---

使用された機械学習アルゴリズム

• Random Forest
• XGBoost
• Neural Network
• Decision Tree

出力変数： 日次蒸散量（g/day）

---

モデル精度

• R²（交差検証）：0.89（Random Forest / XGBoost）
• R²（未知データ）：0.82（XGBoost）、0.81（Random Forest）
• RMSE：88.41 g（XGBoost）、90.77 g（Random Forest）

外部データ検証：

• テルアビブ大学温室データ
• 異なる屋内培養室（Room 101）

---

重要因子の解析結果

• 最重要因子：植物バイオマス
• 次に重要：気温
• バイオマスを除外するとR²は0.81 → 0.27へ低下
• DLIの寄与度は日次平均では限定的

---

論文内で示唆された応用可能性

• 精密農業における水管理最適化
• 高価なライシメーターの代替的活用
• 植物ストレスの早期異常検知
• 間接推定法（リモートセンシング）のベンチマーク

---

出典

Friedman et al., 2025 Plant, Cell & Environment