トマト栽培の完全バイブル ― 第3部 環境制御と古典手法の再評価

ここまでの整理と、ここからの転換

第1部で世界のトマト品種を4軸で整理し、第2部前半でトマトの生理学を解剖し、第2部後半では現場作業を生理学に紐付けました。

ここから第3部は、すべてをプログラミングの言葉に翻訳していきます。

第2部の表のことを覚えているでしょうか。
「わき芽かき」「下葉処理」「灌水」「摘果」「誘引」、それぞれの作業を生理学的根拠と結びつけた表です。

あの表が、これから組むシステムの仕様書になります。

「カルシウム輸送のために土壌水分振幅を最小化する」を、コードに落とすとどうなるか。「PSY1の温度感受性を回避するために果実温度を30℃以下に保つ」を、センサー閾値にするとどうなるか。

これを設計していきます。

ここで明示しておきますが、この第3部はあくまで設計の骨組みです。

実装コードはお手元の生成AIでお願いします。
第3部では、何を測るか、どう制御するか、なぜそうするかを、生理学とつなげて構成だけ固める章です。

システム全体のアーキテクチャ

最初に全体像を出します。
家庭菜園で実装する範囲を、4層構造で整理します。

層	役割	主要コンポーネント
L1 センシング層	環境と植物の状態を測る	M5Stack（ESP32）+ 各種センサー
L2 通信・蓄積層	データを集めて貯める	MQTT broker、InfluxDB、Raspberry Pi
L3 判断層	制御則・アルゴリズム	Pythonスクリプト、しきい値判定、将来は機械学習
L4 アクチュエーション層	実際に手を動かす	ソレノイドバルブ、リレー、ファン、LED

WUR の Autonomous Greenhouse Challenge（WUR Autonomous Greenhouse Challenge）で使われているDigital Twin + 強化学習のシステムも、本質的には同じ4層構造です。
違いはL3の判断層の複雑さで、研究レベルでは Digital Twin を回しながら強化学習エージェントが意思決定する（A Digital Twin System with Online Learning）のに対し、家庭菜園では最初は単純なしきい値判定で十分です。

家庭菜園版で重要なのは、最初からL4のアクチュエーションを目指さないこと。
今年はL1とL2だけ作って、ひたすらデータを溜める。
L3とL4は来年以降に段階的に追加する。

理由は、自分の環境の固有値（土の保水特性、日照パターン、品種ごとの蒸散量）が分からないと、L3のしきい値を決められないからです。

センシング層 ― 何を測るか

第2部で扱った6つの生理現象を、それぞれセンサーで観測可能な物理量に分解します。

生理現象	観測したい物理量	推奨センサー
光合成（C3、Rubisco律速）	葉温、PAR光量子、CO₂濃度	サーミスタ／IR非接触温度計、Apogee SQ-500、SCD41
糖代謝・浸透圧調整	土壌EC、土壌水分	DFRobot EC、Teros 12、Watermark
リコピン合成（PSY1温度感受性）	果実温度（直接）、近傍気温	IR非接触温度センサー、DS18B20
完熟（エチレン制御）	果実色（補助的）、気温	カラーセンサー TCS34725、サーミスタ
カルシウム輸送・尻腐れ	土壌水分の時間変動、VPD	Teros 12、SHT41（温湿度→VPD算出）
受光分布（樹冠内）	株内3点でのPAR	Apogee SQ-110を3点配置、もしくは廉価版PAR

センサー選定で家庭菜園的に外せないポイントを書きます。

土壌水分センサーは、容量式（capacitive）を選ぶこと。

抵抗式は腐食して数週間で値がドリフトします。

ただし容量式でも、PMCの比較研究（Performance Assessment of Five Different Soil Moisture Sensors）が示すように、塩分濃度や粘土含量が高いと工場校正値の精度が落ちます。

家庭菜園で本気でやるなら、Meter Group の Teros 12 のような、土壌温度と体積含水率（VWC）と EC を同時に測れる業務用センサーが結局いちばん安定です。

PAR センサーは、廉価品（フォトダイオード式）と業務用（Apogee などの量子センサー）で精度が10倍違います。

ただ家庭菜園では絶対値より時間変化が見えれば十分なので、廉価品を同じ条件で校正して相対値として使うのが現実解です。

Vegetable Crops Hotline の DLI 算出ガイド（Managing Daily Light Integral）にあるとおり、PAR を時間積分すれば DLI（日積算光量、Daily Light Integral）が算出できる。

トマトの目標 DLI は 20〜30 mol/m²/day ですから、家庭菜園で測ってみると、思ったより届いていないことに気づくはずです。

果実温度の直接測定は、家庭菜園では多くの場合省略されますが、第2部前半で書いたPSY1の温度感受性を本気で扱うなら必須です。

DS18B20 を防水加工して果実に軽く接触させるか、IR非接触温度センサー（MLX90614 など）で測ります。

通信・蓄積層 ― データの流れを設計する

センサーをつないでも、データを貯めなければ意味がありません。

家庭菜園で実装する最小構成はこうです。

Copy[M5Stack/ESP32 ノード] -- MQTT --> [Raspberry Pi 上の Mosquitto broker]
                                             |
                                             v
                                       [InfluxDB v2]
                                             |
                                             v
                                       [Grafana ダッシュボード]

オープンソースの参考実装は GitHub に複数あります（stormtroober/greenhouse-esp32、SimoneFaraulo/smart-greenhouse-iot-esp32-nodered）。

MQTT トピック設計は、後の解析を楽にするので最初に決めておきます。

家庭菜園でもこのレベルの設計はやる価値があります。

トピック例	内容	データ型
garden/plot1/sungold/env/airTemp	株1の気温	float
garden/plot1/sungold/env/rh	株1の相対湿度	float
garden/plot1/sungold/env/vpd	算出VPD	float
garden/plot1/sungold/soil/vwc	株1の体積含水率	float
garden/plot1/sungold/soil/ec	株1の土壌EC	float
garden/plot1/sungold/canopy/parTop	樹冠頂部PAR	float
garden/plot1/sungold/canopy/parMid	樹冠中段PAR	float
garden/plot1/sungold/fruit/temp	果実温度	float

/品種ID/カテゴリ/物理量 という階層を統一しておくと、Grafana で品種比較がそのままできます。

第1部で4品種並列で育てる話をしましたが、トピック設計を最初に揃えておくと、品種ごとの挙動の違いがダッシュボードで可視化されます。

判断層 ― 生理学を制御則に翻訳する

ここが第3部の核心です。

第2部の生理学を、しきい値とロジックに変換していきます。

ルール1：土壌水分の振幅最小化

第2部前半で「カルシウム輸送と尻腐れ」を、後半で「灌水振幅の最小化」を扱いました。

これを制御則に直します。

家庭菜園で実装するのは、ヒステリシス制御です。

下限を割ったら少量灌水、上限まで戻ったら停止。この制御則の家庭菜園的な肝は、閾値の幅を狭く取ることです。

「下限30%、上限80%」とすると振幅が大きくて尻腐れリスクが上がる。

「下限50%、上限65%」のように幅を狭くする。

Copy# 概念コード（実装は第4部で詳述）
LOW_THRESHOLD = 0.50   # VWC下限
HIGH_THRESHOLD = 0.65  # VWC上限

if vwc < LOW_THRESHOLD and not irrigating:
    start_irrigation(duration_seconds=60)  # 短時間少量
elif vwc >= HIGH_THRESHOLD and irrigating:
    stop_irrigation()

ただし、しきい値の絶対値は環境固有です。

Hortidaily の研究紹介（Performance of tomatoes irrigated automatically with soil moisture sensor readings）では、4つのVWC閾値（0.23, 0.30, 0.37, 0.44 m³/m³）を比較し、品種と土壌で最適点が異なることが示されています。

だから家庭菜園でも、今年の手動栽培でうちの土の最適VWC範囲を測定することが、来年の自動化の前提になります。

ルール2：VPDによる蒸散管理

第2部後半で「下葉処理は蒸散流の再配分」と書きました。

これは VPD（Vapor Pressure Deficit、飽差）と直結します。

VPD は気温と相対湿度から算出できる、植物の蒸散ドライブを表す指標です。

Copyimport math

def saturation_vapor_pressure(temp_c):
    # Tetensの式（Pa）
    return 610.78 * math.exp(17.27 * temp_c / (temp_c + 237.3))

def vpd_kpa(temp_c, rh_percent):
    es = saturation_vapor_pressure(temp_c)
    ea = es * rh_percent / 100
    return (es - ea) / 1000  # kPa

Tetens 式は気象学・園芸学で使われる飽和水蒸気圧の標準的な近似式です。

Pessl Instruments の VPD ガイド（Guide to VPD – Pessl Instruments）にも同じ式が出ています。

家庭菜園での VPD 目標値は、トマト栄養成長期で 0.8〜1.2 kPa、結実期で 1.0〜1.4 kPa が標準的です。VPD が 1.5 kPa を超えると蒸散が過剰になり、ScienceDirect の研究（Vapour pressure deficit affects crop water productivity, yield）が示すように、カルシウム吸収が阻害されて尻腐れが急増する。

VPD と尻腐れの関係は、第2部前半で書いたカルシウム輸送の話と完全に整合します。

家庭菜園で VPD が 1.5 kPa を超えるアラートを Grafana に仕込むだけで、夏場の尻腐れ予防の判断が一段階上がります。

ルール3：果実温度とリコピン合成

第2部前半でPSY1の温度感受性に触れました。

30℃を超えるとリコピン合成が止まる。

これを制御則に直します。

CopyLYCOPENE_TEMP_MAX = 30.0  # °C
LYCOPENE_TEMP_MIN = 12.0  # °C

def lycopene_synthesis_active(fruit_temp_c):
    return LYCOPENE_TEMP_MIN <= fruit_temp_c <= LYCOPENE_TEMP_MAX

# 1日あたりの「リコピン合成有効時間」を積算
# これが朝晩しか出ていないなら、遮光や灌水で果実を冷やす介入が必要

家庭菜園でこの数字を取り続けると、夏場の昼間にいかに合成が止まっているかが定量的に見えてきます。

「葉を茂らせて果実を遮光する」「夕方に株元へ少量灌水して気化熱で果実温度を下げる」といった作業の効果が、リコピン合成有効時間が1日何時間延びたかという単一指標で評価できる。

これが、生理学に基づく栽培管理がプログラミングと出会う瞬間です。

ルール4：DLIによる光環境管理

DLI（日積算光量）は、PAR センサーの瞬時値を1日積算したものです。
第2部前半で扱った C3 光合成の総生産量を表す指標になります。

Copydef update_dli(par_umol_m2_s, dli_accumulator, dt_seconds):
    # μmol/m²/s × dt秒 / 1,000,000 = mol/m²
    increment = par_umol_m2_s * dt_seconds / 1_000_000
    return dli_accumulator + increment

# 1日終わりに dli_accumulator がトマトの目標 20-30 mol/m²/day に達しているか

家庭菜園で DLI を測ってみると驚くんです。

ベランダや庭先では、思っている以上に DLI が低い。

トマトに必要な 20 mol/m²/day を、夏でも下回ることが普通にあります。

この「定量的な不足の自覚」が、整枝や設置場所の判断を変えていきます。Purdue Extension の DLI 算出ガイド（Measuring Daily Light Integral in a Greenhouse）が参考になります。

ルール5：群落内部の光分布（intra-canopy lighting の家庭菜園版）

第2部後半で誘引の角度設計に触れました。

Wageningen の研究（intra-canopy lighting でトマト17%増収）の家庭菜園版は、補光ではなく樹冠内部の自然光分布をモニタリングすることです。

PAR センサーを株の頂部、中段、下段の3点に配置して、それぞれの DLI を比較します。

Copy# 簡易な指標：群落内部の光透過率
def canopy_light_penetration(par_top, par_mid, par_bottom):
    if par_top == 0:
        return None
    return {
        "mid_ratio": par_mid / par_top,
        "bottom_ratio": par_bottom / par_top,
    }

# mid_ratio が 0.3 を切ったら過繁茂、摘葉のサイン
# bottom_ratio が 0.1 を切ったら下葉が完全に遊んでいる、撤去候補

これ、家庭菜園で実装すると衝撃的です。

「葉が茂っているように見える」と「樹冠内部に光が入っている」は別問題で、自分の目では区別できないんです。

数字で出ると、第2部後半で書いた「下葉の段階的除去」のタイミングが客観的に決まる。

L1〜L4を品種別に紐付ける

ここで第1部の代表4品種に戻ります。

同じシステムでも、品種ごとに目標値が違います。

パラメータ	Sungold	桃太郎	San Marzano	Roma VF
目標VWC範囲	0.50〜0.65	0.45〜0.60	0.40〜0.55	0.40〜0.55
目標VPD範囲（結実期）	1.0〜1.4 kPa	1.0〜1.3 kPa	1.2〜1.5 kPa	1.2〜1.5 kPa
目標DLI	22〜30 mol	20〜28 mol	22〜30 mol	18〜25 mol
果実温度上限	30°C	30°C	32°C	32°C
摘果しきい値	不要	5果/房	7果/房	不要

数値はあくまで目安で、自分の環境で校正して上書きしてください。

表の意味は数字そのものではなく、品種ごとに目標値が違う事実をシステム設計に反映することです。InfluxDB のタグに品種IDを入れておけば、同じクエリで品種ごとのKPIをすぐに比較できます。

段階的な実装ロードマップ

このシステムを家庭菜園で一気に作ろうとすると失敗します。

段階を切ります。

フェーズ	期間	目的	実装内容
Phase 0	今年（2026シーズン）	手動観察＋データ取得	M5Stackで温湿度・土壌水分・PARだけを取り、InfluxDBに蓄積。手動栽培を継続
Phase 1	2026冬〜2027春	データ分析と閾値抽出	蓄積データから自分の土・自分の品種の最適VWC・VPD範囲を算出
Phase 2	2027シーズン	半自動化	灌水のヒステリシス制御だけ自動化、その他は手動
Phase 3	2027冬〜2028春	異常検知の追加	尻腐れリスク（VPD×VWC）、リコピン停止時間（果実温度）のアラート
Phase 4	2028シーズン	多変数制御	VPDに連動した灌水量調整、補助ファン制御など
Phase 5	将来	機械学習・Digital Twin	蓄積3年分のデータで強化学習を試す

WUR の Autonomous Greenhouse Challenge では、Digital Twin と強化学習で熟練栽培者を上回る結果を出していますが、その前提は何年分もの精密なデータと、信頼できるモデルです。家庭菜園でいきなり Phase 5 を目指しても、データが足りなくてモデルが収束しない。

Phase 0 で1シーズン丸ごとデータを取ることが、結局のところ最短です。

第3部のまとめ

トマト栽培の環境制御プログラミングは、第2部の生理学を測定可能な物理量と、判断可能なしきい値に変換する作業です。

VWCの振幅を最小化することはカルシウム輸送を守ることで、VPDのアラートを仕込むことは尻腐れを予防することで、果実温度の上限管理はPSY1を保護することで、DLIの積算は光合成の総生産量を見ることです。

家庭菜園でこのシステムを組む価値は、収量が上がることだけじゃないんです。

生理学が手元のグラフで動いているのが見えること。

これは、本を100冊読むより理解が深まります。

ここから実装編

ここまでの設計を、動くシステムに落とします。
家庭菜園で実際に組める最小構成です。

部位	部品	用途
メインノード	M5Stack Core2	ESP32本体、ディスプレイで現在値も表示
環境センサー	M5Stack ENV IV Unit（SHT40+BMP280）	気温・相対湿度・気圧
土壌水分	M5Stack SOIL Unit（容量式）または DFRobot SEN0193	VWC測定
土壌温度	DS18B20（防水版）	土壌温度、必要なら果実温度
果実温度	MLX90614 IR非接触温度	果実表面温度
PARセンサー	Adafruit ALS-PT19 ×3個	簡易PAR、樹冠の3点配置
灌水	12V DCソレノイドバルブ + 1chリレー	Phase 2以降の自動灌水
サーバー	Raspberry Pi 4 (4GB)	Mosquitto、InfluxDB、Grafana

センサー類は I2C と Grove で M5Stack に直結できる組み合わせを選んでいます。
配線で迷う要素を減らすためです。

配線図（概略）

CopyM5Stack Core2 (Port.A: I2C)
  ├── ENV IV Unit (SHT40 + BMP280, I2C addr 0x44, 0x76)
  └── MLX90614 (I2C addr 0x5A)

M5Stack Core2 (Port.B: GPIO/ADC)
  ├── DS18B20 (1-Wire, GPIO 26, 4.7kΩ pull-up)
  └── 1ch Relay (GPIO 36 → リレー→ 12Vソレノイド)

M5Stack Core2 (Port.C: ADC)
  ├── SOIL Unit (Analog, GPIO 35)
  ├── ALS-PT19 (canopy top, GPIO 32)
  ├── ALS-PT19 (canopy mid, GPIO 33)
  └── ALS-PT19 (canopy bottom, GPIO 34)

ADCピンが足りない場合は ADS1115（I2C 16bit ADC）を1個挟むと、PARセンサー3点を I2C 経由で読めます。
長期運用ではこちらを推奨します。

最小構成で、5分ごとにセンサーを読んで MQTT で publish する参考コードです。

M5Stack 公式の ENV IV ドキュメント（Unit ENV Arduino Tutorial）と、PubSubClient の標準パターン（ESP32 MQTT Publish Subscribe）を組み合わせています。

Copy#include <M5Unified.h>
#include <Wire.h>
#include <WiFi.h>
#include <PubSubClient.h>
#include <ArduinoJson.h>
#include "M5UnitENV.h"  // ENV IV (SHT40 + BMP280)

// ==== 設定 ====
const char* WIFI_SSID = "your_ssid";
const char* WIFI_PASS = "your_pass";
const char* MQTT_HOST = "192.168.1.10";  // Raspberry PiのIP
const int   MQTT_PORT = 1883;
const char* PLANT_ID  = "sungold";       // 株ID（品種で振る）

// ==== センサー ====
SHT4X sht4;
BMP280 bmp;
const int SOIL_PIN  = 35;
const int PAR_TOP   = 32;
const int PAR_MID   = 33;
const int PAR_BOT   = 34;

// ==== ネットワーク ====
WiFiClient wifiClient;
PubSubClient mqtt(wifiClient);

// VPD計算（Tetensの式）
float calcVPD(float tempC, float rh) {
  float es = 0.61078f * exp((17.27f * tempC) / (tempC + 237.3f));
  float ea = es * rh / 100.0f;
  return es - ea;  // kPa
}

// 容量式土壌水分のキャリブレーション
// 乾燥時/水中での生値を実測して定数を入れ替える
float vwcFromRaw(int raw) {
  const int DRY = 3000;
  const int WET = 1200;
  float vwc = (float)(DRY - raw) / (float)(DRY - WET);
  return constrain(vwc, 0.0f, 1.0f);
}

void setupWiFi() {
  WiFi.begin(WIFI_SSID, WIFI_PASS);
  while (WiFi.status() != WL_CONNECTED) { delay(500); }
}

void reconnectMQTT() {
  while (!mqtt.connected()) {
    String clientId = "m5-" + String((uint32_t)ESP.getEfuseMac(), HEX);
    if (mqtt.connect(clientId.c_str())) break;
    delay(2000);
  }
}

void publishMetric(const char* category, const char* metric, float value) {
  char topic[128];
  snprintf(topic, sizeof(topic),
           "garden/plot1/%s/%s/%s", PLANT_ID, category, metric);

  StaticJsonDocument<128> doc;
  doc["value"] = value;
  doc["ts"]    = millis();
  char payload[128];
  serializeJson(doc, payload);

  mqtt.publish(topic, payload);
}

void setup() {
  M5.begin();
  Wire.begin(32, 33);  // Port.A I2C
  sht4.begin(&Wire, SHT40_I2C_ADDR_44, 32, 33, 400000U);
  bmp.begin(&Wire, BMP280_I2C_ADDR, 32, 33, 400000U);

  analogReadResolution(12);
  setupWiFi();
  mqtt.setServer(MQTT_HOST, MQTT_PORT);
}

void loop() {
  if (!mqtt.connected()) reconnectMQTT();
  mqtt.loop();

  // ==== 環境 ====
  if (sht4.update()) {
    float t  = sht4.cTemp;
    float rh = sht4.humidity;
    float vpd = calcVPD(t, rh);
    publishMetric("env", "airTemp", t);
    publishMetric("env", "rh", rh);
    publishMetric("env", "vpd", vpd);
  }

  // ==== 土壌 ====
  int soilRaw = analogRead(SOIL_PIN);
  float vwc = vwcFromRaw(soilRaw);
  publishMetric("soil", "vwc", vwc);

  // ==== PAR（樹冠3点）====
  // 校正係数 K_PAR は屋外晴天実測値で求めて上書き
  const float K_PAR = 0.5f;
  publishMetric("canopy", "parTop", analogRead(PAR_TOP) * K_PAR);
  publishMetric("canopy", "parMid", analogRead(PAR_MID) * K_PAR);
  publishMetric("canopy", "parBot", analogRead(PAR_BOT) * K_PAR);

  // ディスプレイに現在値表示
  M5.Display.fillScreen(BLACK);
  M5.Display.setCursor(10, 10);
  M5.Display.printf("VWC : %.2f\nVPD : %.2f kPa", vwc, calcVPD(sht4.cTemp, sht4.humidity));

  delay(5UL * 60UL * 1000UL);  // 5分間隔
}
Copy

このスケッチは最小構成です。

もちろんみなさんの環境に合わせてAIと相談してください。
MLX90614 の果実温度、PARの単位変換係数K_PAR、そして容量式の DRY/WET 値は、自分の環境で実測して定数を入れ替える必要があります。

これが第2部で書いた「自分の環境固有値を取る」の具体形です。

Raspberry Pi 側の docker-compose.yml

サーバー側は Docker Compose 一発で立ち上がるようにします。

iothon の参考実装（docker-compose-mqtt-influxdb-grafana）と Telegraf の MQTT Consumer ドキュメント（MQTT Consumer Telegraf Input Plugin）を参考に組んでいます。

Copyversion: '3.8'

services:
  mosquitto:
    image: eclipse-mosquitto:2
    container_name: mosquitto
    restart: unless-stopped
    ports:
      - "1883:1883"
    volumes:
      - ./mosquitto/config:/mosquitto/config
      - ./mosquitto/data:/mosquitto/data
      - ./mosquitto/log:/mosquitto/log

  influxdb:
    image: influxdb:2.7
    container_name: influxdb
    restart: unless-stopped
    ports:
      - "8086:8086"
    environment:
      - DOCKER_INFLUXDB_INIT_MODE=setup
      - DOCKER_INFLUXDB_INIT_USERNAME=admin
      - DOCKER_INFLUXDB_INIT_PASSWORD=changeme_strong
      - DOCKER_INFLUXDB_INIT_ORG=garden
      - DOCKER_INFLUXDB_INIT_BUCKET=tomato
      - DOCKER_INFLUXDB_INIT_ADMIN_TOKEN=changeme_token
    volumes:
      - influxdb-data:/var/lib/influxdb2

  telegraf:
    image: telegraf:1.30
    container_name: telegraf
    restart: unless-stopped
    depends_on:
      - mosquitto
      - influxdb
    volumes:
      - ./telegraf/telegraf.conf:/etc/telegraf/telegraf.conf:ro

  grafana:
    image: grafana/grafana-oss:11.0.0
    container_name: grafana
    restart: unless-stopped
    ports:
      - "3000:3000"
    environment:
      - GF_SECURITY_ADMIN_PASSWORD=changeme_grafana
    volumes:
      - grafana-data:/var/lib/grafana
    depends_on:
      - influxdb

volumes:
  influxdb-data:
  grafana-data:
Copy

mosquitto/config/mosquitto.conf は最小構成で。

Copylistener 1883
allow_anonymous true
persistence true
persistence_location /mosquitto/data/
log_dest file /mosquitto/log/mosquitto.log

telegraf/telegraf.conf の主要部分はこうです。MQTT で受けて InfluxDB v2 に書き込む構成です。

Copy[[inputs.mqtt_consumer]]
  servers = ["tcp://mosquitto:1883"]
  topics = ["garden/+/+/+/+"]
  data_format = "json"
  json_string_fields = []
  topic_parsing = [
    { topic = "garden/+/+/+/+", measurement = "_/_/_/measurement/_", tags = "_/plot/plant/_/metric" }
  ]

[[outputs.influxdb_v2]]
  urls = ["http://influxdb:8086"]
  token = "changeme_token"
  organization = "garden"
  bucket = "tomato"

これで Pi の上に4つのコンテナが立ち上がり、MQTT で投げたデータが自動的に InfluxDB に蓄積されます。

Copycd ~/garden
docker compose up -d

立ち上げ後、http://<piのIP>:3000 でGrafanaにアクセスできます。

Grafana ダッシュボード設定

Grafana は InfluxDB を Data Source として登録した後、以下の4枚のパネルを作るのが最小構成です。

パネル	クエリ対象	表示形式	何が見えるか
環境概況	airTemp、rh、vpd	Time series	気温・湿度・VPDの日変動
土壌水分振幅	vwc	Time series + アラート閾値	振幅の大きさが視覚的に分かる
樹冠光分布	parTop、parMid、parBot	Time series 3線重ね	中段への光透過率の推移
DLI 積算	par各点を1日積算	Bar chart（日次）	DLI 20〜30の達成度

InfluxDB v2 の Flux クエリで、たとえば VPD を1分平均で出すならこうです。

Copyfrom(bucket: "tomato")
  |> range(start: -24h)
  |> filter(fn: (r) => r._measurement == "vpd")
  |> filter(fn: (r) => r.plant == "sungold")
  |> aggregateWindow(every: 1m, fn: mean, createEmpty: false)

DLI 積算はもう少し凝ります。1日のPAR瞬時値（μmol/m²/s）をすべて積分してmol/m²/dayに変換する。Flux ならこう書けます。

Copyfrom(bucket: "tomato")
  |> range(start: -1d)
  |> filter(fn: (r) => r._measurement == "parTop")
  |> filter(fn: (r) => r.plant == "sungold")
  |> integral(unit: 1s)
  |> map(fn: (r) => ({ r with _value: r._value / 1000000.0 }))

Grafana のアラートは、第2部の生理学に紐付けて4つ仕込みます。

アラート	条件	生理学的意味
VPD 上限超過	VPD > 1.5 kPa が15分継続	カルシウム吸収阻害、尻腐れリスク
VWC 振幅過大	1日のVWC max-min > 0.20	灌水振幅大きすぎ、尻腐れリスク
果実温度過熱	fruitTemp > 30°C が30分継続	リコピン合成停止
DLI 不足	当日DLI < 20 mol/m²	光合成総量不足

このアラートが、家庭菜園と最新研究を結ぶ実装の核です。第2部で書いた生理学的根拠が、Grafanaの画面で生きて動く瞬間です。

Phase 2：自動灌水のヒステリシス制御

データが溜まってきて自分の土の最適VWC範囲が分かったら、Phase 2として自動灌水を加えます。M5Stack側にコードを追加するだけです。

Copyconst int RELAY_PIN = 26;
const float VWC_LOW  = 0.50f;
const float VWC_HIGH = 0.65f;
bool irrigating = false;
unsigned long irrigationStart = 0;
const unsigned long MAX_IRRIG_MS = 60UL * 1000UL;  // 安全上限60秒

void controlIrrigation(float vwc) {
  unsigned long now = millis();

  if (!irrigating && vwc < VWC_LOW) {
    digitalWrite(RELAY_PIN, HIGH);
    irrigating = true;
    irrigationStart = now;
    publishMetric("actuator", "irrigation", 1.0);
  }
  else if (irrigating &&
           (vwc >= VWC_HIGH || (now - irrigationStart) > MAX_IRRIG_MS)) {
    digitalWrite(RELAY_PIN, LOW);
    irrigating = false;
    publishMetric("actuator", "irrigation", 0.0);
  }
}

家庭菜園で自動灌水を組むときに最も大事なのは、安全上限時間（MAX_IRRIG_MS）を必ず入れることです。

センサー故障やリレー固着で水が止まらなくなる事故は、これだけで防げます。

段階的な実装ロードマップ

フェーズ	期間	実装内容
Phase 0	今シーズン	M5Stackで温湿度・土壌水分・PARを取り、InfluxDBに蓄積。手動栽培継続
Phase 1	シーズン後の冬	蓄積データから自分の最適VWC・VPD範囲を算出
Phase 2	翌シーズン	灌水のヒステリシス制御を自動化、その他は手動
Phase 3	翌シーズン後半	尻腐れリスク（VPD×VWC）、リコピン停止時間のアラート
Phase 4	2シーズン目	VPDに連動した灌水量調整、補助ファン制御
Phase 5	将来	蓄積データで強化学習、Digital Twin の導入を検討

WUR の Autonomous Greenhouse Challenge では、Digital Twin と強化学習で熟練栽培者を上回っていますが、その前提は何年分もの精密データと、信頼できるモデルです。家庭菜園でいきなり Phase 5 を目指してもデータ不足で収束しません。Phase 0 で1シーズン丸ごとデータを取ることが、結局のところ最短です。

古典的家庭菜園テクニックの科学的再評価

第1部から第3部本編まで、意図的に「最新CEA論文 → 生理学 → 自動化システム」というラインで一貫させてきました。

ただ、これだけだと家庭菜園で何百年も生き残ってきた古典的なテクニックが抜け落ちてしまうんです。

斜め植え、コンパニオンプランツ、重曹スプレー、卵殻 ―― これらには「経験則として正しいもの」「最新の生理学で説明できるもの」「実は研究で否定されつつあるもの」が入り混じっています。

この章では、それを科学的根拠とセットで整理します。
家庭菜園の本では絶賛されているけれど、実は科学的に怪しいネタも、遠慮なく扱います。

1. 植え付けの工夫

斜め植え／深植え

家庭菜園でトマトを植えるとき、「徒長した苗は斜めに寝かせて植える」「茎の下部を5〜10cm土に埋める」という指導をよく見ます。

これ、生理学的には完全に正しいんです。

トマトの茎には、表面に毛のような構造（trichome）があり、その付け根から不定根（adventitious root）が発生する能力があります。

茎を土に埋めると、暗所＋湿潤環境がトリガーとなって、オーキシン（IAA、インドール酢酸）の局所濃度が上昇し、不定根が形成される。

これは PMC 2019の論文（Auxin regulates adventitious root formation in tomato cuttings）で分子メカニズムが詳述されています。

不定根が増えると、根域が水平方向に広がり、表層の養分と水分を吸えるようになる。

これは第2部で書いたカルシウム輸送（蒸散流）の安定化に直結します。

Garden Professors のレビュー（Visiting professor digs into tomato planting depth）でも、深植えは根温の安定化と根域拡大の両面で効果があると整理されています。

植え方	推奨度	理由
直立植え（標準）	○	苗が短い場合は問題なし
深植え（茎を5〜10cm埋める）	◎	不定根による根域拡大、根温安定化
斜め植え（trench planting）	◎◎	徒長苗の救済、最大の根域拡大
浅植え（根鉢上面が地表より上）	×	根が乾きやすく活着遅延

斜め植えのコツは、植え穴を浅い溝状に掘り、苗を寝かせて茎の下半分を埋めること。地上に出す部分は10〜15cmで、先端が空に向かって自然に立ち上がる。

1〜2日で先端が光に向かって屈曲して直立します。

これは正の屈光性によるオーキシンの再分布で、覚えなくていい現象ですが、見ていて気持ちいいんです。

鉢上げ時の根回し処理

ポット苗を植える時、根鉢の側面を軽くほぐすか、十字に切れ込みを入れる作業があります。

これは「根詰まり（root-bound）」を解除する処置です。

ポット内で長期間育った苗は、根がポット壁に沿ってぐるぐる巻きになり、植え替え後もその形を維持してしまうことがあります。
結果、土に直接触れる根の表面積が減り、活着が遅れる。十字の切れ込みは、新しい根を四方に出させるトリガーです。

ただしやりすぎ注意で、根を半分以上切るとショックが大きくて活着が遅れます。
家庭菜園レベルでは、根鉢の底面を爪で軽く崩す程度が無難です。

コンパニオンプランツのロジック

「相性の良い植物を隣に植えると育ちがよくなる」というコンパニオンプランツの考え方は、家庭菜園で広く信じられています。
ただ、実際に科学的エビデンスがあるものと、伝承の域を出ないものが混在しているんです。

バジル ― 科学的に裏付けが取れた数少ない例

バジルは、コンパニオンプランツの中で最も確かなエビデンスがある組み合わせです。
PMC 2024の論文（Companion basil plants prime the tomato wound response）が、衝撃的な結果を報告しています。

バジルと一緒に育ったトマトは、傷害応答遺伝子（Pin2、プロテイナーゼインヒビター2）の発現がベースラインで高い状態に保たれていた。
つまり、バジルから揮発する香気成分（ロシンモネン、リナロール、メチルチャビコールなど）を感知したトマトが、防御態勢をあらかじめ整えている（プライミング）ことが、分子レベルで確認されたんです。

West Virginia University の庭園規模実験（Yield, pest density, and tomato flavor effects of companion planting）では、バジル併植区のトマトで害虫密度が低下する傾向が確認されました。

一方、味の改善や収量の劇的な増加は確認されませんでした。

家庭菜園の本でよく書かれる「バジルでトマトの味が濃くなる」は、現時点では科学的に支持されていないんです。

バジル併植の効果	エビデンス
トマトの防御プライミング	PMC 2024で分子レベル確認
害虫密度の低下傾向	WVU実験で確認
味の濃厚化	科学的支持なし、伝承レベル
収量増加	確実な増加は確認されず

マリーゴールド ― 線虫抑制の根拠

マリーゴールド（Tagetes spp.）が線虫を抑制するというのは、家庭菜園でよく言われる話で、これも科学的根拠があります。

PMC 2019の論文（Nematicidal actions of the marigold exudate α-terthienyl）で、マリーゴールドの根滲出液に含まれるα-terthienyl（アルファ-テルチエニル）という化合物が、ネコブセンチュウの体表を透過し、酸化ストレスを誘導して殺す機序が解明されています。

さらに、α-terthienylは紫外線下で活性酸素種（ROS）を生成する光毒性物質で、線虫を表皮から殺します。

ただし、この効果には重要な条件があります。

条件	内容
品種	アフリカン系（T. erecta）と French系（T. patula）で効果差あり
期間	数ヶ月以上継続して根が地中にあることが必要
配置	トマトの周囲ではなく、前作として植えるのが最も効果的

つまり、トマトの脇にマリーゴールドを1株添える、という典型的な家庭菜園のスタイルでは、線虫抑制効果はほぼ期待できないんです。

本気で線虫対策をするなら、トマトの前作として畝全体にマリーゴールドを植え、3〜4ヶ月育てて鋤き込む必要がある。

これは家庭菜園ではあまり知られていない、伝承と科学のギャップの典型例です。

ニラ・ネギ類 ― アリウム属の硫化物

ニラやネギなどのアリウム属は、根から含硫化合物（チオスルフィン酸エステル類、アリイン由来）を放出します。

これがトマトの青枯病（Ralstonia solanacearum）の発症抑制に寄与する事例が、複数の試験で報告されています。

家庭菜園では「コンパニオンプランツの定番」として扱われていますが、メカニズムは硫黄系抗菌物質として理解できます。

ただし、効果は土壌微生物相に依存し、地域差が大きい。

やる価値はあるが、効果を絶対視しないこと。

ナスタチウム ― トラップクロップとしての価値

ナスタチウム（Tropaeolum majus、キンレンカ）は、アブラムシを強く誘引する性質があります。
これをトラップクロップ（おとり植物）として使うのが家庭菜園の定番です。

科学的根拠としては、ナスタチウムからアブラムシが好む特定の揮発成分（ベンジルイソチオシアネートなど）が出ていることが確認されています。

アブラムシをナスタチウムに集めて、本命のトマトを守る戦略です。

ただし運用上の注意があり、ナスタチウム上のアブラムシ個体群が爆発的に増えると、結局トマトに溢れてくる。

家庭菜園では週1で観察し、必要なら手で潰すか、スポット的にカリ石鹸を使う運用が前提です。

トラップクロップは「放置で勝手に解決する仕組み」ではないんです。

自家製防除剤 ― 効くもの、効かないもの

家庭菜園の本でよく紹介される自家製防除剤を、科学的根拠ベースで再評価します。

重曹スプレー ― 効くが、限定的

重曹（炭酸水素ナトリウム、NaHCO₃）の0.5%水溶液は、うどんこ病の予防と初期治療に効果が確認されています。

ResearchGate掲載の評価論文（Evaluation of Inhibitory Effect of Some Bicarbonate Salts）では、重炭酸塩がうどんこ病菌に対して有意な抑制効果を示しました。

機序は2つあります。

葉表面のpHを上げてアルカリ性にし、菌糸の成長を阻害する。

それから、菌糸細胞の浸透圧を変えて脱水させる。

Cornell大学のHorst博士らの長年の研究では、炭酸水素カリウム（KHCO₃）は炭酸水素ナトリウムより効果が高いことが示されています（Use of Baking Soda as a Fungicide）。

項目	重曹（NaHCO₃）	炭酸水素カリウム（KHCO₃）
うどんこ病効果	あり、ただし中程度	より高い
ナトリウム蓄積	土壌へのナトリウム蓄積リスク	カリウムは栄養素なので問題なし
入手性	スーパーで安価	園芸店で入手可、やや高価
推奨度	△（多用しない）	◎

家庭菜園での重曹の落とし穴は、ナトリウムの土壌蓄積です。

シーズン中に何十回もスプレーすると、ナトリウムイオンが土壌に蓄積して、長期的にトマトの生育を阻害します。

「自家製で安全」のイメージとは裏腹に、毎週使うと土が壊れる。

本気でやるなら炭酸水素カリウムに切り替えるべきです。

牛乳スプレー ― 意外に効く

牛乳スプレーは、家庭菜園の民間療法のひとつですが、実は研究で効果が確認されている手法です。

ScienceDirect 2007の論文（The effect of milk-based foliar sprays on yield components of field pumpkins）が、カボチャのうどんこ病に対して40%牛乳水溶液の週1スプレーで病害を85〜90%減少させたことを報告しています。

研究の出発点は1950年代のカナダで、その時すでに有効性が指摘されていました。

メカニズムは複数あります。

牛乳タンパク質（特にラクトフェリンとラクトペルオキシダーゼ）が日光下で抗菌作用を持つ活性酸素を生成する。

牛乳脂肪が葉表面に薄膜を作って菌糸の侵入を阻害する。

牛乳由来のグロブリンが菌に対する直接的な抗菌作用を持つ。

牛乳の濃度	効果	副作用
10%以下	効果不十分	なし
20〜40%	最適、うどんこ病85〜90%抑制	散布後に乳臭、虫の誘引リスク
50%以上	効果は変わらず	乳脂肪の臭いが強い、酸化臭発生

実用的には、牛乳1：水2の30%濃度で、晴天の朝に葉裏まで散布が標準。

家庭菜園で重曹より牛乳のほうが安全かつ効果的、という意外な事実です。

酢スプレー ― 推奨できない

家庭菜園で「酢を薄めて散布する」テクニックがありますが、これは推奨できません。

酢の主成分である酢酸は強い植物毒性を持ち、5%濃度（食酢の標準）でほぼすべての植物に葉焼けを起こします。希釈しても、低pH（pH 2.4前後）で葉表面のクチクラ層を損傷する。「除草剤として使う」のと「殺菌剤として使う」が、同じ化学物質で紙一重なんです。

それでも酢が「効いた」という体験談が出るのは、おそらく葉表面のpHを下げて一部の菌の活動を一時的に抑制しているのと、酢酸の揮発による忌避効果でしょう。

ただし、副作用が大きすぎる。

家庭菜園で殺菌したいなら、重曹（弱アルカリ）と牛乳（中性）のほうが、葉組織への安全性が圧倒的に高い。

酢は除草剤として畝間に使う以外、トマト栽培で出番はないです。

木酢液 ― 不確実性が大きい

木酢液（pyroligneous acid）は、木材を炭化する際の煙から得られる液体で、家庭菜園の本では「土壌改良」「殺菌」「忌避」と万能薬のように扱われます。

成分は200種類以上の有機化合物を含み、酢酸、フェノール類、メタノール、ホルムアルデヒドなどが主要成分。

問題は、製品によって成分組成が大きく異なることです。

市販品でも、製造過程の温度、原木、精製度で成分比が変わり、再現性が極めて低い。

科学論文では、特定の精製木酢液が特定の効果を示したというケーススタディは存在しますが、家庭菜園の市販品で同じ効果が出るかは未知数です。

家庭菜園での実装は、「効くこともある」程度の期待値で、限定的に使うのが妥当です。

ニーム油 ― エビデンスが豊富な数少ない自家製防除

ニーム油は、インドセンダン（Azadirachta indica）の種子から抽出した油で、主成分のアザディラクチン（azadirachtin）が昆虫の脱皮ホルモン（エクジソン）の合成を阻害します。

PMC 2017の総説（Neem Oil and Crop Protection）が、その作用機序を整理しています。

アザディラクチンは「ecdysone 20-monooxygenase」を阻害して、幼虫の脱皮を妨げる。

つまり昆虫を即殺するのではなく、成長を止めて死なせる遅効性の作用です。

ニーム油の特徴	内容
効果対象	200種以上の昆虫、特に幼虫期
作用機序	摂食阻害＋脱皮阻害＋繁殖抑制
即効性	低い、効果発現まで2〜3日
残効	5〜7日
哺乳類毒性	極めて低い
益虫への影響	摂食しない益虫（テントウムシ、クモ等）には比較的安全

家庭菜園で広く使える生物農薬として、ニーム油は最も科学的根拠が豊富な選択肢の一つです。

アブラムシ、コナジラミ、ハダニ、ヨトウムシ幼虫に対して使えます。

ただし、開花期の散布はミツバチに影響する可能性があるので、夕方〜早朝の、ハチが活動していない時間に散布するのが原則です。

唐辛子・にんにくエキス

唐辛子のカプサイシン、にんにくのアリシンには、忌避効果と一部の抗菌作用があります。

ただし、直接的な殺虫・殺菌効果は限定的で、忌避剤としての位置づけが妥当です。

家庭菜園での実装は、ニーム油の補助的な扱いにとどめるのが現実的です。

物理的工夫

雨よけ ― 疫病予防の最大の物理対策

トマトの最大の敵の一つが疫病（Phytophthora infestans, late blight）です。

これは葉が長時間濡れた状態で爆発的に増殖する卵菌で、いったん発症すると数日で株全体を枯らします。

疫病対策で最も効果的な物理対策は、雨よけ（rain shelter）です。

葉が濡れる時間を物理的にゼロにすると、疫病は感染できません。

家庭菜園版は、株の真上に透明ビニールを張るだけの簡易構造で十分です。

敷き藁・マルチ ― 土壌跳ね返り遮断

第3部本編でマルチについては触れましたが、もうひとつ重要な機能があります。

雨や灌水による泥はねの遮断です。

トマトの早期疫病（Alternaria solani）や輪紋病は、土壌中の病原菌が泥はねで葉裏に付着して感染します。

Vermont Public のガーデニング指南（Tamp down your tomato blight anxiety）でも、敷き藁などのマルチが葉病害発生を有意に減らすことが指摘されています。

マルチ材	跳ね返り遮断	地温調整	微生物供給	推奨度
黒ビニール	◎	◎（夏は過熱注意）	×	○
敷き藁	◎	○	◎	◎
バーク堆肥	◎	○	◎	◎
銀色マルチ	◎	○	×	○（アブラムシ忌避効果）
落ち葉	△	○	○	○（薄いと跳ね返り防げず）

銀色マルチは、反射光がアブラムシの飛行行動を妨害して忌避効果があるという科学的根拠もあります。

主茎ゆすり受粉

トマトは自家受粉する作物ですが、無風環境（温室、ベランダ）では受粉が不完全になり、奇形果や着果不良が増えます。

1日1回、開花した花房を指で軽く弾くだけで、受粉率が大幅に改善します。

商業温室では電動の振動受粉器（バイブレーター）や、丸花蜂（Bombus terrestris）の導入が標準ですが、家庭菜園では指で十分です。

これは家庭菜園で見落とされがちな、効果対費用比が極めて高い作業です。

民間療法の科学的精査

卵殻でカルシウム補給 ― 効果はほぼゼロ

家庭菜園で最も信じられている民間療法のひとつが、「卵殻を植え穴に入れると尻腐れが防げる」という話です。

これは、第2部前半で書いたカルシウム輸送の生理学を理解していれば、ほぼ意味がないことが分かります。

Mid-Atlantic Master Gardeners の検証記事（Garden Myth Busters! Eggshells & Blossom End Rot）が要点を整理しています。

卵殻の問題	内容
分解速度	炭酸カルシウム（CaCO₃）として分解に数年〜十数年
即効性	植え付け時に入れても今シーズンの果実には効果なし
量の問題	卵殻数個では土壌全体のCa濃度はほとんど変化しない
尻腐れの根本原因	Ca欠乏ではなくCa輸送不全（第2部参照）

つまり、卵殻を入れても、(1) 分解が遅すぎて間に合わない、(2) 量が少なすぎて効かない、(3) そもそも尻腐れの原因はカルシウムの絶対量ではない、の三重で意味がない。

ただし、完全に無駄なわけではない。

卵殻は数年単位で土壌のCaCO₃源となり、長期的には土壌pHの安定化に寄与します。

「今年の尻腐れ対策」としてではなく、長期土壌改良の一部として捉えるなら価値があります。

コーヒーかす ― 量とタイミング次第

コーヒーかすは、家庭菜園で人気の自家製肥料素材です。

効果	内容
窒素供給	C/N比 約20、堆肥化済みなら穏やかな窒素源
土壌物理改善	団粒形成促進
害虫忌避	カフェインによる忌避効果（ナメクジ、一部の昆虫）
注意点	生のまま大量に入れると窒素飢餓と植物毒性

コーヒーかすに含まれるカフェインとタンニンは、植物毒性があります。

未分解の生のかすを大量にトマトの根元に入れると、生育阻害が出る。

コンポストで2〜3ヶ月発酵させてから、もしくは少量を表土にトッピング（mulch）する程度なら問題ありません。

石灰の安易な使用

家庭菜園の本で「植え付け前に石灰を入れる」という指導は定番ですが、これは第2部前半で書いたpHとカルシウム可給性の混同の典型例です。

石灰（消石灰、苦土石灰）は土壌pHを上げる効果が主で、土壌pHが既に6.0〜6.8の適正範囲にある場合、追加投入は害になる可能性のほうが大きい。

pHが7.0を超えると、鉄、マンガン、亜鉛、ホウ素などの微量要素の可給性が落ちます。

状況	石灰投入の判断
土壌pH < 5.5	投入推奨、苦土石灰が無難
土壌pH 5.5〜6.0	少量のみ
土壌pH 6.0〜6.8	投入不要
土壌pH > 6.8	投入禁止

つまり、家庭菜園で「とりあえず石灰を入れる」は、土壌pHを測定してから判断する作業に置き換えるべきです。

土壌pH計は2000円程度から手に入ります。

第3部本編で書いた「センシング層」の最初に組み込むべき項目のひとつです。

土づくり ― 古典的だが本質的な要素

緑肥・前作の選択

トマトの前作として何を植えるかは、長期的な収量に大きく影響します。

前作	トマトへの影響
葉物野菜（ホウレンソウ、レタス）	良い、軽い前作
マメ科（インゲン、エダマメ、緑肥のクローバー）	非常に良い、根粒菌による窒素固定
ナス科（トマト、ナス、ピーマン、ジャガイモ）	避ける、青枯病・萎凋病リスク
ウリ科	良い、土壌微生物相が異なる
マリーゴールド（緑肥として）	良い、線虫抑制

ナス科の連作障害は、土壌中に蓄積する病原菌（Ralstonia, Verticillium, Fusarium）と、ナス科特有のアレロパシー物質が原因です。

家庭菜園のスペースが限られていても、最低2〜3年はナス科を別の畝にローテーションするのが原則です。

バーク堆肥・腐葉土 ― 物理性改善

家庭菜園の土の最大の問題は、しばしば物理性（団粒構造）にあります。

粘土質で水はけが悪い、砂質で水持ちが悪い、こうした問題を化学肥料では解決できません。

バーク堆肥（樹皮を発酵させたもの）と腐葉土は、土壌中で腐植（humus）となり、団粒構造の形成を促進します。

団粒は、無数の微小な孔隙を作り、その中に水と空気が同時に存在する状態を生む。これがトマトの根が好む環境です。

改善目的	推奨資材	投入量目安
砂質土壌の保水改善	バーク堆肥、腐葉土	2〜3割を表層20cmに混和
粘土土壌の排水改善	バーク堆肥、もみ殻燻炭	2〜3割を表層20cmに混和
微生物相の改善	ボカシ肥料	1平米あたり300〜500g

ボカシ肥料 ― 微生物発酵肥料

ボカシ肥料は、米ぬか、油かす、魚粉などの有機資材を、好気性または嫌気性の微生物で発酵させた肥料です。

日本の伝統的な手法で、発酵過程で病害菌を抑制する微生物相が確立されるのが特徴です。

科学的にはEM菌（有用微生物群）の万能性は誇張されている部分もありますが、ボカシ肥料そのものは、ゆるやかな養分供給と土壌微生物相の改善という両面で効果が確認されています。

化成肥料の即効性とは別の役割を持つ、長期的な土壌改良資材として位置づけるのが妥当です。

古典と科学の地図

ここまで扱ったテクニックを、科学的根拠の強さで4つに分類すると、こうなります。

評価	テクニック
強いエビデンスあり、推奨	斜め植え／深植え、雨よけ、敷き藁マルチ、ニーム油、牛乳スプレー、主茎ゆすり受粉、マメ科前作
エビデンスあり、条件付き推奨	バジル併植、マリーゴールド（前作として）、重曹（炭酸水素カリウム）、ナスタチウム、ニラ・ネギ併植、ボカシ肥料
効果限定的または条件依存	木酢液、唐辛子・にんにくエキス、銀色マルチ、コーヒーかす
効果ほぼなし／推奨しない	卵殻による尻腐れ予防、酢スプレー、安易な石灰投入

家庭菜園を「データを取りながら学ぶ小さな研究室」として捉えるなら、古典的なテクニックも、エビデンスベースで取捨選択するのが正しい態度です。

「おばあちゃんの知恵だから正しい」も、「最新の論文だけが正しい」も、両方違います。

それぞれを生理学と研究論文に照らして、自分の畑で再検証する。これが、第3部の本編と補章を貫く一貫したスタンスです。

これでトマト栽培の完全バイブル、三部作と二つの補章が完結しました。

次回作のピーマン・パプリカ編では、本シリーズの構成（品種→生理学→現場作業→システム→ハード→古典の科学的再評価）をテンプレートとして、ピーマン特有の生理（カプサイシノイドの生合成、果実色の遺伝制御、辛味の発現条件）を中心に書きます。

Tags:トマト, 家庭菜園