独自の研究貢献¶

3DGSベースの植物フェノタイピングにおける独自の貢献を記録します。

1. スケール不変草丈抽出¶

発見した課題

Structure-from-Motion（SfM）再構成は各撮影日に異なる座標スケールを生成するため、直接の草丈比較が不可能になります。

革新点： 正規化画像空間でのレンダリング画像ベース形質抽出。絶対計測ではなく**相対的な生育モニタリング**に用います。

graph TD
    A[3DGSモデル] --> B[固定視点からレンダリング]
    B --> C[画像寸法で正規化]
    C --> D[ピクセルで草丈抽出]
    D --> E[スケール不変計測]
    style E fill:#90EE90

独自の貢献 #1

複数日の3DGS再構成から植物フェノタイピングのためのスケール不変形質抽出の初実証。

較正は誤った対処

直接3D草丈にセッションごとのスケール係数を掛けると、かえって悪化します（CV 35.1% 対 28.0%）。推定スケール係数自体がノイズを持ち、独自の分散を持ち込むためです。これがレンダー空間で計測する動機です（レンダー空間ではスケールが原理的に相殺されます）。

レンダー空間の信号が単なる数値的安定性ではなく*実際の生物学的変化*を追跡している最も強い証拠は、記録された栽培管理イベントを検出できることです。

生物学的検証

記録された3件の剪定イベントが、いずれも草丈の急な低下として検出されました（平均低下 ≈ 正規化草丈で0.20、15〜27ポイント。背景変動9.8%を大きく上回る）。

レンダー空間の草丈を物理的に基準づけるため、既知長（45cm）の場内ベンチパイプを、植物と同時に写る「ものさし」として用います。

基準草丈：h_gt =（植物ピクセル / パイプピクセル）× 45 cm、全22セッションで注釈付け。

物理基準との一致

レンダー空間草丈は、全22セッションでパイプ比基準と相関します：

ピアソン r = 0.74（p < 0.001）、R² = 0.55
基準平均草丈 159.9 cm、同程度のばらつき（h_gt CV 8.9% 対 h_norm CV 9.6%）
パイプは固定45cmに対し263〜420pxに広がるため、未説明分散の約45%は**基準器具側のノイズ**（セッション間のSfMスケール不定性）であり、パイプライン誤差ではありません。

誠実なスコープ

r = 0.74 は信号が実スケールに**基づいている**ことの裏付けであり、絶対精度の証明ではありません。これらのセッションでは較正済みメジャーによるグラウンドトゥルース（RMSE）は取得していません。限界と今後の取得手順は結果と検証を参照してください。

IoTセンサーによる以下のデータを統合： - 気温（℃） - 湿度（%） - 日射量（W/m²）

独自の発見

PSNRとの有意な湿度相関：

独自の貢献 #2

3DGS品質に対する環境的影響の初確認。

独自の貢献 #3

時系列植物フェノタイピングのための3DGSの長期検証。

3DGSとIoTセンサーを統合したシステムアーキテクチャを構築しました。

貢献	革新点	インパクト	検証
スケール不変レンダー空間モニタリング	画像空間正規化	CV 18.2ポイント（2.86倍）改善	22日分、49日間
剪定イベント検出	レンダー空間形質からの変化検出	生物学的検証	3件、p = 0.0008
物理基準による裏付け	場内45cmパイプ比	実スケールとの整合	r = 0.74, p < 0.001
環境相関	湿度-PSNR関係	初の特定	r=+0.506*, p=0.032
日射量分類	データ駆動100 W/m²閾値	WMO検証済み	n=9:9
長期検証	49日間連続モニタリング	時間的一貫性	CV = 3.5%

本ページに示す全ての結果は、静岡大学峯野研究室における Zobaer Al の独自の研究成果です。