(研究成果)利用地区积累的栽培数据，分析产量变动的主要原因

(研究成果)利用地区积累的栽培数据，分析产量变动的主要原因

-为丹波黑大豆产量稳定提供新的水管理指南-

信息公开日期: 2025年3月28日(星期五)

重点

农研机构根据栽培丹波黑大豆的丹波筱山市生产者农场16年积累的栽培数据，分析了黑大豆产量变动的主要原因。 农研机构开发的这项分析“大豆浇水支援系统”1)，并将新构建的产量推测模型作为工具进行了活用。 结果显示，10月上旬的土壤水分管理有可能有助于提高产量和稳定化。 本知识有望作为新的水管理指南的基础应用。 此外，该成果还表明，其他大豆产地也有可能通过将地区积累的栽培数据与“大豆浇水支援系统”相组合，根据地区特性实现栽培管理的优化。

概要

图片

黑大豆围场浇水

丹波筱山市有300多年的黑大豆栽培历史，其传统栽培系统被认定为日本农业遗产。 但是，黑大豆的产量变动大对生产者来说是多年的课题。 特别是因为开花期与夏天的高温干燥时期重合，所以浇水是高产量的关键(图)。 另外，由于内陆性气候、粘土质土壤、地形的因素，容易发生湿害和干旱害，土壤水分管理在产量稳定化中被认为是重要的要素。

农研机构利用丹波筱山市生产者农场16年积累的栽培数据，分析了黑大豆产量变动的主要原因。 16年的土壤水分是通过农研机构开发的“大豆浇水支援系统”推算的。 本系统是实时推测土壤水分，通知最佳浇水时期的Web系统，从2022年开始普遍使用。 以地区积累的栽培数据为基础，将“大豆浇水支援系统”推测的土壤水分和新构筑的产量推测模型进行组合后，确认了从开花到籽粒肥大期间( 8月~10月)的气温、日照量及土壤水分对产量变动有复杂的影响 特别是表明了10月上旬的土壤水分管理有可能有助于产量的稳定化。

迄今为止，“大豆浇水支援系统”主要用于提供普通大豆的水管理指南，但通过此次研究，首次表明其也适用于黑大豆。 该成果表明，本系统可以应用于广泛的大豆品种。 此外，还期待使用同样的方法，在其他地区积累栽培数据，构建地区特有的稳定产量的水管理指南。 我们认为，这些举措将是朝着实现适应气候变化的可持续农业体系迈出的重要一步。

咨询处等

研究推进负责人:

农研机构农业环境研究部门所长山本胜利

研究负责人者:

该气候变化适应策略研究领域高级研究员 熊谷悦史

宣传负责人者:

该研究推进室杉山惠

采访申请新闻发布会咨询(邮件表格)

详细信息开发的社会背景

现在食品用大豆的需求在增加，但国内的产量停滞不前，其主要原因是单位面积产量的停滞。 为了改善供需平衡，产量的提高很重要。 特别是，由于日本的大豆大部分都是在排水困难的水田转换田里栽培的，所以一直重视涝害(土壤过湿导致生长不良)的对策，但对于干旱害(土壤干燥导致生长不良)的对策也是不可缺少的。 但是，生产者因害怕涝害而犹豫浇水的情况也很多，很难弄清合适的浇水时机。 为了解决这个课题，利用在每个地区积累的栽培数据，在明确产量变动主要原因的基础上，构筑适合地区特性的水管理方针是很重要的。

在这样的背景下，农研机构开发了“大豆浇水支援系统”。 这个系统，农研机构网格农业气象数据2)是基于和土壤数据，在大豆栽培期间实时推测土壤水分，告知适当浇水时期的Web系统。 从2022年开始一般利用，到目前为止的研究确认了对产量提高和浇水管理是有效的。 另外，该系统也被用作分析大豆育种事业中积累的栽培数据的工具，也有助于阐明干旱危害的实际情况。

研究的经过

丹波筱山市有300多年的黑大豆栽培历史，其栽培系统也被认定为日本农业遗产。 丹波黑大豆将于6月中旬播种定植，12月上旬迎来成熟收获，栽培时间约为半年。 但是，黑大豆的产量变动很大，对生产者来说是长年的课题。 在黑大豆的栽培中，开花期正值夏天的高温干燥时期，所以浇水是获得高产量的重要技术。 丹波筱山市属于内陆性气候，年降水量少，不透水性的粘土质土壤和盆地特有的地形容易引起湿害和干旱，因此土壤水分管理被认为是产量稳定化的关键。 但是，关于生产者农场土壤水分对产量的影响，现状是缺乏详细的分析。

本研究利用了丹波筱山市内的生产者农场(定点调查地点)从2008年到2023年的16年间收集到的栽培数据。 以长期栽培数据为基础，通过"大豆浇水支援系统"进行土壤水分推测，根据农研机构网格农业气象数据得到的气象要素，机器学习3)通过建立产量估算模型，揭示了产量与土壤水分、气象要素的复杂关系。

研究的内容和意义分析长期产量变动的实际情况和原因

本研究在丹波筱山市内的4个定点调查地点，对2008年至2023年积累的栽培数据进行了分析。 结果表明，产量(精子实重:含水率调整为15%的整粒的重量)虽然显示出较大的变动，但有减少的倾向(表1 )图1)。 特别是，整粒4)提示数量的减少是产量变动的主要原因。 利用这些地区积累的栽培数据进行分析，是构建基于地区特性的产量稳定化政策的重要基础。

图片

图1 .基于4个定点调查地点数据的产量(精子实重)偏差与年度的关系

使用每年数据减去期间平均值的偏差，消除每个地点的差异，以明确捕捉每年的变动。 图中的τ(陶氏)表示产量随时间变化的趋势，p值表示该变动是否有统计学意义。 此外，Sen的斜率量化了产量随时间变化而增减的速度。 这一结果意味着产量的长期下降趋势是有意义的。

“大豆浇水支援系统”也适用于丹波黑大豆

本研究评价了“大豆浇水支援系统”在丹波黑大豆中的适用性( )图2)。 在土壤不同的2个定点调查地点，2022年及2023年2年间收集的大豆栽培史、牧场容水量5)、永久枯萎点6)，以土壤水分的观测数据为基础，确认了本系统估算的土壤水分预测精度，表明该系统也适用于丹波黑大豆。

图片

图2. 2两个定点调查点( a点和b点) 2022年和2023年土壤体积含水率观测值与“大豆浇水支持系统”估算值的比较

在图1的4个定点调查地点中，在a地点和b地点这2个地点进行了验证。 a及b地点的土壤分别为格雷低地土及低地水田土。 在两个地点，在接近永久蔫点、含水率较低的范围内，推测值和观测值的差异变小了。 另一方面，在b地点，降水量多，超过农场容水量时，推测值和观测值的差异变大。 这是因为“大豆浇水支援系统”基于这样的假设，即超过农场容量的水会迅速排出。

建立黑大豆产量估算模型

为了推测4个定点调查地点过去的黑大豆的产量变动，LASSO7)采用的统计机器学习方法，建立了产量估算模型。 该模型以2008年至2023年积累的栽培数据为基础，对黑大豆的产量进行了预测目标变量8)、根据农研机构网格农业气象数据推算出的黑大豆开花期至籽粒肥大期8月至10月不同旬的平均气温和日照量、“大豆浇水支援系统”推算出的土壤水分说明变量9)之后由应用程序进行调用。 对利用该LASSO构建的模型得到的丹波黑大豆的产量推测值和实测值进行了分析，结果表明模型的决定系数( r2)高达0.8，标准化均方根误差( nRMSE )为10%以下，经确认可以高精度进行产量估计( p图3)。

图片

图3 .基于4个定点调查地点数据的产量(精子实重)偏差实测值与基于LASSO模型的推测值的关系

此图用于确认模型构建阶段的估计精度。 虚线是推定值=实测值的线，越接近该虚线，表示LASSO模型越能正确地推定产量偏差。 模型的精度由决定系数( r2)所示，r2是一个指标，用于说明模型能解释多少数据变化。 另外，标准化均方根误差( nRMSE )是表示估计值与实测值有多接近的误差指标。

10月上旬的土壤水分管理很重要

在LASSO模型的分析中，选择了8月至10月各旬的气温、日照量、土壤水分等影响产量的16个说明变量(参考文献)图4)。 其中，根据LASSO模型的标准差回归系数，确认了10月上旬土壤水分对产量的正影响超过其他因素。 另外，通过使用LASSO模型进行模拟，在10月上旬进行浇水，将土壤水分设定为农场容水量(最大值)的情况下，预计产量平均增加61kg/10a。 对于4个定点调查地点的平均产量( 75~148kg/10a )，这种增收效果非常明显。 大豆水分不足的话，会发生落花、落荚、不育荚、种子肥大不良，导致产量减少。 丹波筱山市的黑大豆栽培中，目前栽培方针是在开花期( 8月)和结荚期( 9月)进行浇水。 这项研究首次表明，相当于籽粒肥大期前半期的10月上旬浇水有助于产量稳定化。 这将成为重新审视以往浇水时间表的科学依据，并被定位为与新的栽培方针相关的成果。

图片

图4 .在基于4. LASSO的产量估计模型中选择的16个说明变量和赋予它们的标准偏回归系数

LASSO模型选取16个描述变量作为影响产量的主要因素，计算出各自的标准差回归系数。 由此表明了各因素对产量的正负影响的强度。

期待今后的计划利用地区数据向其他产地推广

本研究利用丹波筱山市长达16年的栽培数据，通过阐明产量变动主要原因，确认了构建新的水管理指南的方法的有效性。 该成果表明，为了构建新的水管理指南，其他地区也可以采用同样的做法。 通过“大豆浇水支援系统”和LASSO等机器学习的适当组合，有望从各地区长期的栽培数据中提取产量变动因素，有效地构筑该地区特有的水管理指南。 本研究利用了16年的数据，但并不一定需要同一期间的数据。 在基于机器学习的分析中，数据的宽度和质量很重要，如果广泛覆盖气象、土壤水分、产量的变动，即使是短时间的数据也有可能提取减产要因。 因此，在各地区进行适当的数据收集和分析是重要的课题。 农研机构今后也将推进地区栽培数据的收集和分析，以向农业相关人员提供适当的水管理指南为目标。 另外，通过有效利用“大豆浇水支援系统”，可以更迅速且有效地进行数据分析和水管理指南的构建。 我们希望，这些举措将在全国范围内推进干旱防治和产量稳定化，同时向实现应对气候变化的可持续农业迈出重要步伐。

新灌水时间表在丹波黑大豆中的推广应用

在丹波筱山市的黑大豆栽培中，显示出在籽粒肥大期前半期的10月上旬浇水有可能有助于产量的增加。 该知识被定位为重新审视以往浇水时间表的科学依据。 今后，该知识的广泛普及将有助于产量的稳定化。

术语解说

大豆浇水支持系统

根据FAO (联合国粮食农业组织)的浇水指南，预测大豆容易受到干燥胁迫的时期，通知需要浇水的网络系统。 利用气象和土壤数据，预测大豆栽培农场的土壤水分。

https://www.naro.go.jp/publicity _ report/press/laboratory/tarc/154332.html返回到点

农研机构网格农业气象数据

为了提供对农业有用的气象信息，农研机构开发运用的服务。 为每个约1km见方的区域提供了气温、日照量、降水量等14种气象数据。

https://amu.rd.naro.go.jp/wiki _ open/doku.PHP？ id=start2[回到发展的社会背景]

机器学习

是AI的一种要素技术，是从数据中发现模式和规则，据此进行事物识别和预测的技术。 这样，就可以使用发现的模式和规则，对新数据进行分类和预测。[回到研究的经过]

整粒

从收获的籽粒中除去规格外粒(包括皱纹粒、拉门粒、茶斑粒、变形粒)和屑粒(包括病虫害粒、粉碎粒、腐败粒、裂皮粒)后，形状整齐的籽粒。[回到研究的内容和意义]

牧场容水量

土壤的水分状态之一。 下大雨2~3天后的剩馀水被排出的状态下的土壤体积含水率。[回到研究的内容和意义]

永久枯萎点

土壤的水分状态之一。 因干燥而作物永久枯萎状态的土壤体积含水率。[回到研究的内容和意义]

lasso ( least absolute shrinkage and selection operator )

是在机器学习中使用的回归分析方法之一。 通过变量选择和正则化，可以在防止模型过度学习的同时确定重要的变量。 用于从众多说明变量中有效选出影响目标变量的重要因素。[回到研究的内容和意义]

目标变量

要预测或说明的变量。 回归分析是指以通过模型说明或预测其值为目标的变量。[回到研究的内容和意义]

说明变量

被假定为影响目标变量的变量。 回归分析用于根据与目标变量的关系构建模型。[回到研究的内容和意义]

发表论文熊谷悦史凑政德高桥智纪2024年近年气候变化与土壤水分变化对丹波黑大豆主要产地产量的多方面影响分析——日本作物学会纪事93(4) 278-293研究负责人的声音

农业环境研究部门气候变化适应策略研究领域高级研究员熊谷悦史

这次研究的出发点是，从生产现场接到了近年来丹波黑大豆产量不稳定的咨询。 意识到在当地收集到的长期栽培数据是稳定产量的关键，运用“大豆浇水支援系统”进行了分析。 通过使用该系统，可以看到可以提供各地区的水管理指南的可能性，切实感受到了长期积累数据的重要性。 虽然在现场进行了大量的调查和观测，但我知道了特产丹波黑大豆的美味，强烈地想为其稳定生产做出贡献。 在数据分析的过程中，一边反复试验和错误，一边使用机器学习方法，一点一点地弄清了产量和环境因素的关系，我觉得很有成效。 我衷心希望这项研究成果不仅局限于丹波黑大豆，也有助于其他地区作物产量的稳定。

图片

丹波黑大豆发源地之我

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。