農業分野の研究開発に！
ハイパースペクトルカメラが技術の発展に貢献

農業の自動化が進む中、RGBカメラでは測定が難しい「生育状況」や「収穫量」、「糖度」などを、非破壊で定量的に測定できるハイパースペクトルカメラが注目されています。

当ページでは、このようなハイパースペクトルカメラの農業分野の活用について、3つの軸でまとめました。

• 何ができるか？（データは何に役立つか）
• どうしてできるか？（データ分析の仕組み）
• 研究事例は？（撮影データの活用）

このようにハイパースペクトルカメラについて研究開発に役立つ「データ分析」の視点から、ご紹介します。

ハイパースペクトルカメラにできること

ハイパースペクトルカメラを使うことで、主に次のようなことができます。

• 「生育状態」や「収穫量」に関わるデータの取得
• リモートセンシング

まずは、前者の「生育状態や収穫量に関わるデータの取得」から見ていきましょう。

「生育状態」や「収穫量」に関わるデータの取得

ハイパースペクトルカメラを農業分野に活用すると、農作物の「生育状態の把握」や「収穫量の予測」が可能です。
これは、ハイパースペクトルカメラでの撮影によって「植物のデータ」を取得できるからです。

ハイパースペクトルカメラで、様々なデータが得られます。
撮影データを活用することで、生育状態を把握したり、収穫量を予測するなど、様々なことが可能になります。

リモートセンシング

上空から、圃場全体を撮影できるので、時間をかけずに広範囲のデータが得られます。

UAVリモートセンシングの撮影データを分析すると「圃場全体で作物の生育状況の把握できる」といったスマート農業としての活用の可能性が広がります。

ハイパースペクトルカメラのデータ分析の仕組み

ハイパースペクトルカメラは生育状態や収穫量に関わるデータを取得できます。そして取得したデータは、ソフトウェアで分析されます。

ここでは「撮影」と「データ分析の仕組み」を解説します。

まずは「ハイパースペクトルカメラが何を撮影いるか？」を、見ていきましょう。

撮影データは「光情報」

ハイパースペクトルカメラは「光を波長ごとに分光して撮影するカメラ」です。
つまり、ハイパースペクトルカメラは「光」を撮影しています。

通常のカメラと異なるのは、その「情報が桁違いに多いこと」と「人間の目には見えない光も撮影できること」です。

人間の目には見えない範囲の光には「赤外線」も含まれます。
赤外線は、波長帯によって、近赤外線（780nm-2500nm）や中赤外線（2.5μm-25μm）に分類されますが、ハイパースペクトルカメラなら、これら赤外線の波長も撮影できます。

言い換えると「近赤外」の波長を「分光」して撮影できるため「近赤外分光法」によって、果物等の「糖度」を割り出すなど、様々な分析ができます。

近赤外分光法とは

ハイパースペクトルカメラの強みは、このような「分光分析」が可能な点にあります。

「分光分析」で農作物の情報を取得

次に、ハイパースペクトルカメラの大まかな撮影プロセスを見ていきましょう。

なぜ、このプロセスで「物質を特定」できるのでしょうか？

レモンが黄色、リンゴが赤色に見えるように、物質ごとに、どの光を反射・吸収するかは異なります。
より詳細に言うと、物質によって「物質を構成する分子固有の波長（スペクトル）」があります。

つまり「物質を構成する分子固有の波長」がわかると「波長」データから「物質」を割り出せます。
分光分析では、このように物質を構成する分子固有の波長を見つけることで、物質の成分を分析します。

ハイパースペクトルカメラの農業分野の研究事例

ここからは、具体的な研究事例をご紹介します。

アブラナの葉の「湛水ストレス」の分析

「アブラナの葉の湛水ストレス」を、ハイパースペクトルカメラで評価した研究です。
実験の結果、ハイパースペクトルイメージングは「アブラナの葉の湛水ストレスの検知に有用である」ことがわかりました 。

実験では、およそ10.44m2の面積の、計36の圃場で、処理レベルを変えてそれぞれ0、3、6日間、パイプから連続的に水を供給し、飽和状態にすることで湛水環境を人工的に作りました。
このような湛水環境下での「アブラナの葉が受けるストレス」を、検出・分類することで、評価します。

期間中、各区画から無作為に10枚、合計360枚の葉試料を採取しました。
採取した葉は、採取から2時間後に実験室で、Resonon社の「ハイパースペクトルカメラPika XC」で撮影しました。

こちらが反射スペクトルの平均値です。

上述の通り、物質によって「物質を構成する分子固有の波長（スペクトル）」があります。
このため「クロロフィルの吸収帯」の波長の強度を見ることで「クロロフィルの含有量」がわかります。

さらに、著者たちは、QDA、KNN、SVMアルゴリズムを用いて「3段階の湛水ストレス下のアブラナの葉」の分類を試みました。モデル化の複雑さを軽減するため、SPAアルゴリズムを適用し、6つの最適な波長帯の画像とスペクトルを分類・分析しました。

その結果、QDAモデルとNZ19データセットは常に高い分類精度と安定性を維持していました。
またこれに対応する、698nmと979nmの波長帯の画像は高い分類精度を示しました。
モデルによって、湛水ストレスの度合い別に、アブラナの葉の分類が実現しました。

ハイパースペクトル技術が農業分野に広く適用されるにつれて、ハイパースペクトルイメージングに基づくデータマイニングとモデル同定は、コンピュータ科学と精密農業の融合した研究開発分野になることが予測されます。

「真菌による病害」の分析

ハイパースペクトルカメラは、葉レベルでの真菌による病害の検出、識別、および定量化に非常に適しています。

病原菌のコロニー形成は、通常、宿主植物組織の形態学的変化を引き起こします。
ハイパースペクトルカメラを使用すると、可視〜近赤外範囲のスペクトル反射率をピクセル単位でマッピングし、葉やキャノピーレベルの初期段階の病変組織を判別できます。

グラフによって、状態を視覚的に見て取れます。

状態	病気	グラフ
健康	なし	葉の状態に異変がなくグラフも滑らか
褐斑病	カビが原因で褐色の斑点ができる	問題箇所が高く隆起している
うどんこ病	葉に白いカビが生える	問題箇所にわずかな盛り上がりが見られる
テンサイ病	葉に直径1mm程度の盛り上がった膿疱が発生する	問題箇所に凹みが見られる

葉の構造異常は、葉のスペクトル反射パターンに関連しています。
加えて、ピクセル単位で植物のスペクトルを抽出すると、植物の病気によって引き起こされる葉の反射率の変化も読み取れます。

このように「近赤外スペクトルイメージング」によって、疾患モニタリングの感度の大幅な向上が期待できます。

冬小麦の収穫量の予測

UAVハイパースペクトルカメラで圃場を撮影したデータから、冬小麦の「収穫量」を予測した事例です。
この事例では「データ分析の過程」を、より詳細に解説いたします。

分析した冬小麦のデータは、主に次の2つです。

• 葉面積指数（LAI）
• クロロフィル量（CHL）

葉面積指数（LAI）とクロロフィル量（CHL）は穀物の収穫量と相関があることがわかっています。[1]
このため、これら2つの値を「窒素肥料の分量を変えた複数の圃場（48区画）」を撮影して、分析しました。

データは次のようなプロセスで処理されました。

まず前処理を行います。
放射輝度データを反射率に変換した後、いくつかの処理（ラジオメトリック補正、逆MNF変換など）を行い、画像データのノイズを低減し、偏差を小さくしました。

前処理が終わり次第、PLSRモデル（※1）で、LAIとCHLの予測を行います。

（※1）PLSR＝部分的最小二乗回帰（PLS：Partial Least Squares Regression）

以下はPLSRモデルから得られたCHLの回帰線と、空間予測データです。

「空間予測」では、上空から圃場を撮影したデータを処理して、クロロフィル量（CHL）によって色分けしています。ハイパースペクトルイメージングを使うことで、クロロフィル量の分布を視覚的に確認できることがわかります。

ポイントは、冬小麦の収穫量の予測だけでなく、撮影データから葉面積指数（LAI）やクロロフィル量（CHL）を予測できたことです。

実際に、ハイパースペクトルカメラを用いたLAIそれ自体を予測する研究も盛んに行われています。
LAIからは、栄養供給や、農作物の成長段階などに関わる情報を導き出せます。[2]
またクロロフィル濃度は、植物の健康状態や栄養素の利用可能性、植物ストレスの直接的な指標になります。[3]

ハイパースペクトルカメラで撮影したデータを使うことで、生育状況を初めとする様々なデータを取得できます。

ハイパースペクトルカメラ×スマート農業で新しい可能性

近年、スマート農業が注目を集めています。

農業分野では、担い手の不足・高齢化による「労働力不足」が問題視されていますが、現場レベルでは「人手に頼る作業」や「熟練者を要する作業」など、「人手」を必要とする作業が依然として多くあり、省力化や、負担の軽減が重要な課題として挙げられています。[4]

スマート農業では、ロボット、AI、IoTなど先端技術を活用します。
人手に頼っていた作業を、先端技術によって「効率化」するなど、農業分野の課題に対するソリューションとして期待されています。

ハイパースペクトルカメラは、植物の分析に留まらず、リアルタイムでの「モニタリング」にも貢献できる可能性があります。

ブドウの葉の分析

リアルタイムでのモニタリングと関連する事例として「ブドウの葉の生理・生化学的なパラメーターの定量化」が挙げられます。

実験では、剥離した葉からスペクトル情報を獲得しましたが、剥離葉であってもLNC、ChlFなどのパラメータは、優れた分光応答関係を有しており、正確なブドウ園の管理のための参考となることが示されました。

ハイパースペクトルカメラによる、ブドウの葉のクロロフィル、窒素の定量化は、スマート農業で「ワイン用ブドウの品質管理」が実現する可能性を示唆しています。

ハイパースペクトルカメラの強み

従来の方法にはない「ハイパースペクトルカメラならでは」の強みとして、以下の2つが挙げられます。

1. リモートセンシングが可能
2. 非破壊で効率的

従来の農作物の生理学的・生化学的パラメータを測定する方法では多数の試料を採取する必要があり、時間と労力、コストがかかっていました。

しかしUAVハイパースペクトルカメラなら、リモートセンシングが可能です。
また「対象を撮影する」だけで、分析に必要な情報（スペクトルデータ）が得られます。このため「非破壊」である、といった強みもあります。

リモートセンシングによるスペクトル検出は、非破壊かつ高効率です 。このため農作物の生理学的・生化学的パラメータの測定に使用される他の方法に比べて、時間と労力を抑えられる可能性があります。

加えて、ハイパースペクトルカメラは、豊富なスペクトル情報を提供するだけでなく、作物の生育状況を「視覚的に反映できる」という強みもあります。

ハイパースペクトルカメラ関連情報

弊社（ケイエルブイ株式会社）は、これまで培った知見を活かし、各種WebコンテンツやWebセミナーで、ハイパースペクトルカメラにまつわる様々な情報発信を行っております。

KLV大学「ハイパースペクトルカメラコース」には、基礎から用途例、研究例まで、多数の情報がまとまっていますのでご参考ください。

また、ハイパースペクトルカメラの「データ分析」について解説したコンテンツもございます。
ソフトウェアの画面や、分析の概要を知りたい方におすすめです。

【動画あり】ハイパースペクトルカメラPika実演！データ分析

UAV（ドローン）にハイパースペクトルカメラを搭載して、撮影したデモンストレーション動画（解説付き）もございます。「機材一覧」や「カメラの取り付け手順」など、他では見られない詳細な情報をご覧いただけます。

【動画あり】UAV×ハイパースペクトルカメラ撮影デモ

研究で使われた製品をご紹介

当ページでご紹介した研究事例で実際に使用されたハイパースペクトルカメラです。

他にも、多数のハイパースペクトルカメラを取り扱っております。

ハイパースペクトルカメラ製品一覧

弊社（ケイエルブイ株式会社）はハイパースペクトルカメラの導入実績が豊富にございます。（農業分野における研究用途での導入実績もございます。）
お客様の用途に合わせて、最適な一台をご紹介いたします。

また弊社はハイパースペクトルカメラの専門家として「データ分析」でもお客様をサポートできます。
ソフトウェアの基本的な取り扱いを始め、機械学習を使ったハイパースペクトルカメラのデータ（スペクトルデータ）分析にも知見がございます。（詳細はこちらの記事で解説）

お気軽にご相談ください。

お問い合わせ

参考

[1]Liu, X.; Zhang, K.; Zhang, Z.; Cao, Q.; Lv, Z.; Yuan, Z.; Tian, Y.; Cao, W.; Zhu, Y. Canopy chlorophyll density based index for estimating nitrogen status and predicting grain yield in rice. Front. Plant Sci. 2017, 8, 1–12.（最終閲覧日：2022年11月18日）

[2]Herrmann, I.; Pimstein, A.; Karnieli, A.; Cohen, Y.; Alchanatis, V.; Bonfil, D.J. LAI assessment of wheat and potato crops by VENμS and Sentinel-2 bands. Remote Sens. Environ. 2011, 115, 2141–2151.（最終閲覧日：2022年11月18日）

[3]Zarco-Tejada, P.J.; Miller, J.R.; Morales, A.; Berjón, A.; Agüera, J. Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops. Remote Sens. Environ. 2004, 90, 463–476.（最終閲覧日：2022年11月18日）

[4]農林水産省「スマート農業の展開について」（最終閲覧日：2022年11月28日）