現在、CEAベンダーはこぞって「デジタルツイン」という言葉を使っています。しかし、その名称で販売されているもののほとんどは、過去のデータをグラフ化したダッシュボードに過ぎません。ツインとは、それよりも範囲が狭く、より実用的なものです。つまり、実際の作物の成長と並行して将来を予測し、現実との乖離が生じた際に修正される、作物のモデルなのです。実際の農場において、それを実現するには何が必要なのか、以下に説明します。
制御環境農業におけるデジタルツインとは、農場と連動して動作し、センサーデータを取り込み、バイオマスや収穫日を予測し、実際の収穫重量に基づいて補正される、リアルタイムの作物モデルです。実際には、これには3つの要素が必要です。すなわち、信頼性の高いセンサー、実際に取得したデータに適合した作物モデル、そして時間の経過に伴う予測誤差を追跡するキャリブレーションループです。
デジタルツインとは何か、そして何ではないか
この概念は農業から生まれたものではありません。その起源は製品ライフサイクル管理にあり、そこでは常に「物理的な製品」「仮想的な製品」、そして「両者を結ぶデータ接続」という3つの要素で構成されるという枠組みが採用されてきました。この定義はマイケル・グリーブス氏によるものとされ、後にNASAのロードマップにおいて「デジタルツイン」という名称が与えられました。CEAのプロジェクトが失敗するのは、まさにこの3つ目の要素においてです。 センサーを導入している農場は数多くある。モデルを導入している農場も数多くある。しかし、センサーデータに基づいてモデルが更新され、その出力が現場での作業内容に反映されるような、リアルタイムの双方向接続を実現している農場はごくわずかである。
有用なCEAツインには4つの役割があります。まず、施設内の各バッチについて、バイオマスの蓄積量と収穫時期を予測します。次に、実行に移す前に「もし～したらどうなるか」という仮定の質問に答えます。例えば、「CO2濃度を上げたり、夜間の温度を2度下げたりしたら、28日目の生重量はどうなるか？」といった質問です。さらに、異常、つまり予測値と観測値の推移の乖離を検知します。これは通常、灌漑の不具合や照明の故障を示す最も早い兆候となります。 さらに、単一の数値ではなく信頼区間を算出します。なぜなら、誤差範囲のない点推定値は、納品確約には使用できないからです。
これは、生産者の判断に代わるものではなく、記録の代わりになるものでもありません。もし、バッチデータがスプレッドシートに保存されており、品種名の表記に一貫性がなく、信頼できる播種日時も記録されていないのであれば、それは「ツイン」の問題ではなく、データの問題です。まずは記録システムを整備してください（『屋内農業運営における農場管理ソフトウェアの戦略的役割』を参照）。その上で、予測機能を組み込んでいくべきです。
センサーのカバー範囲によって、実際に実行できるモデルが決まります
これはベンダーが省略しがちな部分です。公開されている作物モデルは、入力として何を必要とするかという点で大きく異なっており、自社の計測機器でデータを提供できないモデルを選んでしまうと、一見説得力があるように見えるが実際には意味のない結果が得られてしまいます。
ワゲニンゲン大学のヴァン・ヘンテン氏が温室の気候制御向けに検証した動的成長モデルのような、メカニズムに基づくレタスモデルでは、温度、CO2、および放射量の連続データが必要です。蒸気圧欠損を考慮したバリエーションでは、湿度が主要な駆動因子として追加されます。これは、蒸散と除湿負荷が密接に関連している密閉型の垂直農場において重要な要素となります。トマトに関する研究では、制御用途向けに意図的に機能を絞り込んだ状態変数削減モデル「TOMGRO」の派生モデルが使用されています。 その対極にあるのが、SIMPLE汎用作物モデルである。このモデルは13個のパラメータで作物の種類を指定し、そのうち4つは品種固有のものである。まさにこの点こそが、特殊なハーブやアブラナ科作物など、完全なメカニスティックモデルがまだ校正されていない作物にも広く適用できる理由となっている。
つまり、実際の順序は、多くの事業者がとっているアプローチとは逆になります。まずモデルを選んでからセンサーを購入するようなことはしないでください。何を、どの間隔で、どのような校正履歴をもって、確実に測定できるかを把握し、それに基づいてモデルの種類を決定してください。
| アプローチ | あなたに求められること | 最初の有用な出力が得られるまでの時間 | 今まで走ったことのないような状況でも持ちこたえる？ | 代表的な故障モード |
|---|---|---|---|---|
| メカニズムに基づく常微分方程式（ODE）作物モデル | 連続的な気候データ — 気温、CO2、光量、できれば湿度／VPD | 即時；パラメータは公表された文献に基づく | はい――生理学は外挿される | 栽培品種のパラメータの誤校正は、すべての予測を同じ方向に偏らせる |
| 自身の履歴に基づく機械学習 | クリーンラベルと収穫重量が記載された、多くの完了バッチ | Long — まずはバッチ履歴を確認する必要があります | いいえ — トレーニング範囲外では性能が低下する | あなたの悪い癖や故障したセンサーを、まるで生物であるかのように学習します |
| 過去の利回りを基にした回帰分析 | 収穫記録および播種日のみ | 日 | いいえ | 「もし～だったら」という仮定の質問には答えられないため、決定が変わることは決してない |
| 校正エンドポイントのないベンダー製ブラックボックス | 定期購読 | 至急 | 知ることのできない | エラーを監査できないため、信頼が損なわれ、そのツールは使われなくなってしまう |
双子と体重計の数値が一致しないときはどうなるのか？
この瞬間こそが、この一連の作業の成否が問われる瞬間であり、正解は実際の数値を記録し、システムに自ら誤差を測定させることです。標準的な評価指標は平均絶対誤差率（MAPE）であり、これはバッチ全体における |予測値 − 実測値| / 実測値 の平均値です。収穫時の実測値を取り込むキャリブレーションパスがなければ、ツインは、モデルの誤り、センサーの誤り、そして純粋に作物の品質が悪い場合を区別する手段を持ちません。
ほとんどの測定値の乖離は、生理学的要因ではなく計測機器に起因しています。pHプローブやECプローブが主な原因として挙げられます。ASABEによる自動ドリフト補正に関する研究では、長期間水中に浸されたままのプローブは信号ドリフトが生じ、測定精度が低下することが指摘されています。CO2センサーの測定値が200 ppm低く出ると、数ヶ月間にわたり、メカニズムに基づくモデルが成長を過小評価することになり、その結果、モデルのせいにされてしまいます。衛生管理の記録と同様に、校正作業についても、日時と実施者を明記して記録を残してください。
2つ目の一般的な要因は、設定値と実際の状態との不一致です。コーネル大学の水耕栽培レタスプログラムでは、レタスについて、1日あたりの目標光積分量（DLI）を約17 mol/m²/日とすることを長年にわたり推奨してきました。キャノピー高で測定されたDLIではなく、設定されたDLIに基づいてツインを制御すると、照明器具の劣化やドライバーの故障が発生しているすべてのラックにおいて、収量が過大評価されてしまいます。測定はコントローラーではなく、キャノピー高で行う必要があります。
このループに基づいて構築された自律性は、単なる理論上の話ではありません。ワーゲニンゲンの「Autonomous Greenhouse Challenge」では、国際的なチームが照明、暖房、CO2の注入、灌漑、施肥を自律的に管理してきました。2024年から2025年にかけて開催された大会では、各チームがトマトの栽培サイクル全体を自律的に運営しました。これと商業農場との間の隔たりは、ほとんどの場合、アルゴリズムの問題ではありません。それはデータの品質管理の問題なのです。
AGEYEの取り組み
CultivAid Predictは、AGEYEが提供する農業用デジタルツインおよび予測エンジンです。このシステムは、NICOLET B3（レタス）、Van Henten（レタス）、Xu-Du VPD対応（レタス）、TOMGRO（トマト）、SIMPLEユニバーサル、ロジスティック（ハーブ）の6つの作物常微分方程式（ODE）モデルを実行し、レタス、ハーブ、アブラナ科野菜、トマト、イチゴ、マイクログリーンにわたる16品種の作物をサポートしています。
上記のセンサーカバレッジの問題において重要な設計上の選択は、「センサーを意識したモデルルーティング」です。Predictは、受信ストリームを「フルセンサー」、「ベーシックセンサー」、または「気候最適化」に分類し、実際に利用可能なデータに基づいて作物ごとに最適なモデルを選択します。シナリオエンドポイントは、仮定条件の変更に対応します。キャリブレーションエンドポイントは、収穫実績を記録し、予測値に対するMAPEを追跡するため、予測誤差は仮定ではなく測定された値となります。 予測にはパラメトリックな信頼区間が付随し、エンジンは異常検出を行います。単一のバッチを超える運用計画については、Predictには6つのエージェントと18種類のアクションタイプを備えたマルチエージェント農場シミュレーションが含まれています。
Predictはpredict.ageyetech.comでご利用いただけます。予測とハードウェアへの投資を天秤にかけて検討している農場の方は、「農場自動化はいつ元が取れるのか？ その実態を解説」も併せてお読みください。
これが意味すること
ツインの商業的価値は、単なる農学上の好奇心の対象ではなく、信頼できる先物契約を結ぶ能力にある。プレンティ社の連邦破産法第11章の申請とその後の事業再編は、屋内農業が実証された能力ではなく、契約に基づく納入量によって評価されることを改めて示している。 葉物野菜の買い手は、指定された期日までに所定のケース数を納品することを求めており、納品不足には違約金が科される。今後数年間、複数年にわたる引き取り契約を勝ち取るのは、自らの予測に対してロットごとに精緻な誤差率を示し、コントローラーではなく樹冠を管理できる事業者だろう。それこそが監査可能な主張である。ダッシュボードだけではそうはいかない。
モデリング・スタックを導入する前に、現在のセンサーの測定範囲でどのような分析が可能かを確認したい場合は、まずは無料の「PPFDからDLIへの換算ツール」と「作物の収益性計算ツール」をお試しください。
