ドローンとAIで稲の生育を診断、収量最大3割増を目指す福島の実証実験

就農人口の減少で現場の手が足りない一方、地球温暖化に伴う気候変動によって、熟練の農業従事者が長年かけて身につけた施肥のタイミングなどの経験則が当てにならない場面が出てきました。これまで目立たなかった病害虫が増えるという変化も起きています。

編集部の見立てでは、ここでの困りごとの核心は人手の数そのものではなく、判断のよりどころが二重に失われつつあることにあります。経験則は「去年までと似た気候が今年も来る」という前提があって初めて役に立つ知識です。その前提が崩れれば、ベテランが現場に残っていても答えを出しにくくなる。人が減るという問題と、勘が効かなくなるという問題は別々に見えて、実際には「誰の、どの判断を、何を根拠に引き継ぐのか」という一点で交わっているのではないでしょうか。

熟練者の頭の中にある判断をそのまま真似させるのではなく、画像から答えの出る問いに置き換えた点が、この取り組みの設計の要だと考えられます。追肥をいつ行うかという問いは、本来「稲がいまどの生育ステージにあるか」という観察の結果から導かれるもので、ドローンで撮った画像をAIが分析してステージを判定する仕組みは、この観察の部分だけを機械に肩代わりさせています。暗黙知をまるごとAIに移そうとすれば、学習させるのも精度を評価するのも難しくなりますが、判定できる形の問いにまで分解しておけば、確かめながら前に進められる。病害虫や雑草を種類と対処法まで含めて画像から判断する仕組みも、同じ考え方の延長線上にあります。

測位の精度を、AI以前の前提条件として押さえにいった判断も見逃せません。ドローンの自動運行に準天頂衛星「みちびき」の高精度な測位を使い、山間部などで生じやすい位置のずれを小さくする構成が採られています。画像の解析がどれだけ正確でも、農薬をまく場所がずれてしまえば現場での価値は失われるため、分析の結果を実際の作業へつなぐ経路を先に確保した形と読めます。

役割の分け方も、この規模の検証を成り立たせている要素でしょう。圃場と営農の知見を持つ農業協同組合、機体を手がけるエンルート、薬剤の知見を持つ日本農薬、AI技術と予測を担うNTT研究所、集まったデータを営農支援プラットフォーム「あい作」に蓄積するNTTデータと、必要な機能が別々の担い手に割り振られています。画像だけに頼らず、位置情報や気象データを重ね合わせて発生を予測しようとする組み立ては、AIに与える情報を増やすというより、屋外という条件のばらつきを説明できる材料をそろえにいく発想に近いと見ています。

現時点で示されているのは実績ではなく目標であり、収量最大30%増と品質の向上を掲げて検証が続いています。集められたデータはNTTデータの営農支援プラットフォーム「あい作」に蓄積され、離れた場所にいる農業従事者と営農指導員がタイムリーに情報を共有し相談できる環境づくりが期待されています。対象とする品種や作物を広げ、全国や海外への展開も視野に入れた計画が置かれている点を踏まえると、今回の検証は結果を出すことに加えて、次の判断材料となるデータを残す設計になっているとも読めます。