水耕栽培のような土壌を使わない園芸手法は、人口密集地の都市部における食料流通の課題に対応するために発展してきた。新たな論文では、水耕環境で育つレタス1株の成長を追跡し、将来の収量を予測するための「計測駆動型デジタルツイン」アーキテクチャが提案されている。著者はMorgan Mayborne氏ら3名で、2026年6月1日にarXivへ投稿された。分類はロボティクス（cs.RO）で、本文は7ページ、図6点で構成されている。
このシステムの中心的な考え方は、継続的に取得される計測データのストリームと既存のモデルを組み合わせ、個体ごとの成長軌跡の推定値を絶えず更新していくというものである。一度きりのモデリングとは異なり、デジタルツインは新しい計測値が得られるたびにモデルパラメータを修正し、予測を植物の実際の生育状態に近づけていく。研究チームはこのデジタルツインモデルを稼働中の水耕温室に統合し、そのために園芸用ハードウェアとセンサーハードウェアを独自に設計して、栽培と関連情報の計測を行った。
モデルパラメータの更新において鍵となるのが、植物の収量（バイオマス）の継続的な計測である。チームはRGB-D画像を入力として質量を推定する専用のニューラルネットワークを構築した。このネットワークは収集した1300枚の画像データセットで学習され、推定値と実測値の誤差を1.5グラム以内に収めることができた。これにより、破壊を伴わない連続的なバイオマス観測手段がデジタルツインに提供されることになる。
このネットワークをデジタルツインシステムに統合した結果、1日から4日先までの収量を予測できるようになり、その予測誤差は約2グラムに維持された。これは、温室の管理者がレタス1株ごとの生育の見通しを数日前に把握できることを意味し、収穫計画の立案や資源配分、生産量管理にデータ面での支援を与えるものだ。
注目すべきは、本研究が「計測駆動」であることを重視している点である。デジタルツインの価値はモデルそのものだけでなく、実際の温室、実際のセンサー、そして継続的な計測プロセスとの閉ループ統合にある。論文が報告する誤差指標（バイオマス推定1.5グラム、予測2グラム）は、独自に構築したデータセットと専用ハードウェアに基づくものであり、その汎化性能については、より多くの品種や環境条件での検証が今後必要となる。総じて本研究は、デジタルツイン、深層学習による視覚的計測、制御環境農業を組み合わせる実現可能な道筋を示しており、都市近郊における精密な水耕生産に向けた新たな技術的指針を提供している。