樹木のシードレイン解析：種子分散モデルの最新化

種子雨と散布のモデリングは、森林の更新・遺伝子流動・気候追従能力を決定づける生態学の中核領域です。近年は シードトラップ網・分子マーカー・LiDAR・機械学習 の融合で、空間明示的散布カーネル推定の精度が大幅に向上しました。森林総研（FFPRI）、日本生態学会、京都大学・北海道大学・東京大学の長期試験地データを下敷きに、本稿では機構・モデル・計測・現場応用・FAQ までを通史的に整理します。所有森林の更新計画、伐採後の天然下種更新、保護区の連結性評価に直接効く知見群です。

1. 散布様式の分類と数量

種子散布は媒介者（vector）により分類されます。日本の冷温帯〜暖温帯林では、樹種の 約 55% が動物散布、約 35% が風散布、残り 10% が重力・水・自力散布 という構成が観察されます（FFPRI 1990–2020 統合データ）。1ha 当たりの種子雨総量は、針葉樹人工林で年 50,000〜200,000 粒、天然落葉広葉樹林の豊作年で 500,000 粒超 に達します。

散布様式	代表樹種	中央散布距離	最大記録	母樹密度依存性
風散布（anemochory）	カエデ・トウヒ・モミ・シラカバ	20〜80 m	1,500 m（突風）	中
鳥散布（ornithochory）	ナナカマド・サクラ・ヤマボウシ	50〜500 m	10 km 超	低
貯食散布（synzoochory）	ブナ・ナラ・クリ・カシ	20〜200 m	4,000 m（カケス）	中
体内通過散布（endozoochory）	イヌザクラ・カキ・ガマズミ	100〜2,000 m	クマで 20 km	低
水散布（hydrochory）	ヤナギ・ハンノキ・カバノキ	河川次第（>1 km）	>50 km	低
自力散布（autochory）	ツリフネ・カタバミ・一部マメ科	1〜10 m	20 m	高
重力散布（barochory）	ブナ・カシ・トチノキ	5〜30 m	50 m（斜面）	極高

2. 風散布の力学とパラメータ

風散布種子の終端落下速度（terminal velocity）は 0.5〜2.5 m/s。カエデの翼果（samara）は回転翼として働き、自由落下より滞空時間を 3〜5 倍延長します。樹冠から放出されると、放出高 H、平均風速 U、終端速度 V_t に対して期待散布距離は概ね D ≒ H × (U / V_t) で近似できます。樹高 25 m・風速 5 m/s・V_t = 1.0 m/s なら期待値は約 125 m です。

2.1 翼果型：カエデ属（Acer）、トネリコ属（Fraxinus）、ニレ属（Ulmus）。終端速度 0.8〜1.6 m/s、散布距離中央値 30〜80 m、99 パーセンタイルで 300〜600 m。

2.2 冠毛型：ヤナギ・ポプラ・ハンノキ。終端速度 0.3〜0.6 m/s と極めて遅く、長距離散布が起きやすい（記録上 5〜30 km）。

2.3 小翼果型：トウヒ（Picea）・モミ（Abies）・カラマツ（Larix）。終端速度 1.0〜1.8 m/s、散布距離 20〜200 m が主体。針葉樹人工林の天然下種更新の主役。

2.4 包葉型：シナノキ・ボダイジュ。終端速度 1.5〜2.5 m/s、距離は短いが落下軌道が直線的でなく拡散性は高い。

2.5 季節タイミング：日本では強風期（10〜2 月）に散布する樹種が 70% 以上。冬の北西季節風で 1 km 以上の長距離散布事例が観測されています。

2.6 樹冠ギャップ効果：林冠が閉じた林分では水平風速が外気の 10〜30% に減衰し、散布距離が 50% 以上短縮。逆にギャップでは突風による LDD（long-distance dispersal）が増加します。

3. 動物散布の生態と数量

動物散布は森林の遺伝的多様性を担う基幹プロセスです。日本の温帯林では カケス（Garrulus glandarius）・ヤマガラ・ハシブトガラス・ニホンリス・アカネズミ・ヒメネズミ・ツキノワグマ・ニホンジカ が主要散布者です。

3.1 カケス：1 個体が秋季 30〜80 日間に 4,600〜7,700 粒のドングリを貯食。1 回飛行距離 1〜4 km、最大 14 km 記録。ヨーロッパのブナ林では戦後の北方拡大の 50% 以上をカケスの貯食散布が説明すると報告。

3.2 ニホンリス：オニグルミ・トチノキを中心に年 2,000〜4,000 粒を散布。距離 30〜200 m。日本の冷温帯ではクルミ更新の最大要因。

3.3 アカネズミ・ヒメネズミ：ブナ・ナラ実を 5〜30 m 圏で再分配。回収率は高いが（>90%）、忘却分が更新の種子供給源となる。

3.4 ツキノワグマ：体内通過時間 6〜24 時間、移動範囲 1〜30 km/日、ヤマザクラ・ミズキの種子を 糞中で 1 km 以上散布。発芽率は親木下より 2〜4 倍向上する事例あり。

3.5 ニホンジカ：被毛・蹄に小型種子が付着（epizoochory）。シカ密度上昇地域では下層植生の食害が深刻だが、付着散布の貢献も無視できない。

3.6 共進化と果実形質：果肉色（赤・黒）、糖度（10〜20 Brix）、果実サイズ（鳥散布 5〜15 mm、哺乳類散布 15〜50 mm）はそれぞれの散布者の感覚・摂食制約に最適化されています。

3.7 defaunation の影響：大型動物の絶滅・減少は大型種子（>20 mm）の散布距離を 最大 60% 短縮するメタ解析結果（Galetti et al., 2013）。森林炭素蓄積量も 10〜15% 減少するシミュレーション結果が示されています。

4. 散布カーネルとモデリング

散布カーネル K(r) は親木からの距離 r における単位面積当たり種子到達確率密度を表します。観測データ（種子トラップ）と母樹分布から、最尤法または階層ベイズで推定されます。

4.1 指数分布（exponential）：K(r) ∝ exp(−r/α)。最も簡素で短距離散布主体の樹種に適合。スケールパラメータ α が平均散布距離。

4.2 対数正規分布（lognormal）：log(r) が正規分布。母樹直下のゼロ密度を再現でき、風散布や貯食散布で広く採用。Greene–Johnson モデルの基盤。

4.3 WALD/逆ガウス（inverse Gaussian）：拡散・移流の物理から導出。終端速度・風速・放出高を直接パラメータ化でき、機構的解釈が可能。Katul et al. (2005) 以降の標準。

4.4 2DT（2-dimensional t）：Clark らが提唱した重い裾を持つ二次元 t 分布。ガウスより 100〜1,000 m の中距離域を高精度に再現。

4.5 混合カーネル：短距離（重力・近接動物）と長距離（鳥・カケス）を混合する 2 成分モデル。LDD の比率は通常 0.1〜5% だが、レンジ拡大では支配的。

4.6 推定法：種子トラップ（直径 0.25〜1 m、500〜1,000 個/ha 配置）で 1〜5 年継続採取し、隣接母樹位置との距離で逆推定。マイクロサテライト・SNP による親子解析（parentage analysis）で精度向上。

4.7 ソフトウェア：R パッケージ seedscape、NMix、disperseR。Python では scipy.stats で対数正規・ガンマ等の MLE 推定が可能。

5. リモートセンシングと AI/ML

近年は空間明示的散布推定が UAV・LiDAR・衛星・AI によって飛躍的に高精度化しました。

5.1 UAV-LiDAR による母樹位置抽出：解像度 5〜20 cm、樹頂検出精度 90% 超。樹種判別は RGB+マルチスペクトル（5〜10 バンド）で F1 = 0.85〜0.95。北海道大学・東京大学演習林で実証研究進行中。

5.2 衛星リモートセンシング：Sentinel-2（10 m）、Planet（3 m）、WorldView-3（30 cm）で広域母樹分布を把握。NDVI 季節変動から落葉樹・常緑樹を分類、開花フェノロジーから着花量を推定。

5.3 ディープラーニング樹種判別：U-Net・Mask R-CNN による樹冠インスタンスセグメンテーション。日本の主要 30 樹種で平均 IoU 0.7 以上。

5.4 機械学習散布予測：Random Forest・XGBoost・GNN（グラフニューラルネットワーク）で母樹密度・地形・風速分布から種子雨密度を予測。RMSE はカーネル法より 20〜40% 改善。

5.5 種子トラップ自動計数：CNN で種子画像を 95% 以上の精度で自動分類。FFPRI が公開する画像データセットで学習可能。人手作業を 1/10に短縮。

5.6 デジタルツイン森林：母樹位置・樹齢・風況・地形・動物分布を統合した三次元シミュレータ（SORTIE-ND、LANDIS-II 等）が森林経営の意思決定支援に。

6. マスト年（豊凶）と散布パターン

ブナ・ナラ・トウヒ・モミ等の多くの樹種は 2〜7 年周期で豊凶を繰り返す（masting）。

6.1 ブナ豊凶：日本のブナは概ね 5〜7 年に 1 回大豊作。豊作年の種子雨は 1,000〜2,500 粒/m²、凶作年は 0〜50 粒/m²と 50 倍以上の年変動。

6.2 捕食者飽食仮説（predator satiation）：豊作年に捕食圧を超える種子量を生産することで、生残率が劇的に向上。アカネズミ捕食率は凶作 99%→豊作 50% に低下。

6.3 受粉効率仮説：豊作年は同調開花で風媒花の受粉効率が向上。

6.4 気候要因：前年・前々年夏の気温・日射量が当年豊凶を決定。日本のブナでは前年 6〜7 月平均気温 +1℃ で着果量 30〜50% 増。

6.5 マストと更新：豊作年に発生した実生コホートが森林更新の中核。長期モニタリングサイトでは 豊作年の貢献が更新個体の 70〜90%。

6.6 気候変動と豊凶リズム：温暖化で豊凶周期が短縮（ブナで 5–7 年→3–5 年）、ただし豊作の規模は縮小傾向。世代更新リスクが増大。

7. 林冠ギャップ・地形と種子発芽

種子雨の到達後、発芽・定着段階の環境依存性が決定的です。

7.1 ギャップ依存性：陽樹（カバノキ・ヤナギ・カラマツ）は >200 m² のギャップで発芽率 30〜60%、林冠下では 1% 未満。陰樹（ブナ・モミ・ツガ）は閉鎖林冠でも発芽可能。

7.2 リター層の影響：リター厚 5 cm 以上で小粒種子（カバノキ・ヤナギ）の発芽率が 1/5 以下に低下。

7.3 マイクロサイト：倒木上、攪乱痕、ササ枯死跡が好適サイト。トウヒ・ツガ等の更新の 70〜90% が倒木上（nurse log）。

7.4 斜面方位・水分：北斜面・湿潤な微地形で発芽率向上。乾燥した南斜面では中央値で 1/3 程度。

7.5 距離・密度依存死亡（Janzen–Connell 効果）：母樹近傍は種子捕食・病原菌密度が高く、生残率は 50〜200 m で最大化。これが熱帯〜温帯の種多様性維持機構の有力仮説。

8. 気候変動下の追従と補助移植

IPCC AR6 の 1.5〜3.0℃ 温暖化シナリオでは、日本の温帯林の気候帯は 北向きに 200〜500 km、または 標高 +200〜500 m 移動します。樹種が追従するには 年 300〜500 m の純拡散速度が必要です。

8.1 追従可能樹種：シラカバ・ヤマナラシ・ヤナギ等の風散布陽樹は LDD で達成可能。

8.2 追従困難樹種：ブナ（実拡散 20〜50 m/年）、カシ類、トチノキ、トウヒ。重い種子で動物散布依存度が高い。

8.3 補助移植（assisted migration）：人為的に種子・苗を高緯度・高標高へ移送。カナダ BC 州でロッジポールパインを 200 km 北で植栽する公式プログラムが進行。日本でも研究レベルで議論。

8.4 動物散布者の保全：カケス・クマ・リス等の散布者が機能する森林が、気候追従の鍵。狩猟圧管理、保護区連結性が必須。

8.5 連結性確保（landscape connectivity）：森林帯・河畔林・ステッピングストーンを介して種子・遺伝子流動を維持。

8.6 ニッチ補完：複数樹種混合植栽で、環境変動時のリスク分散。

8.7 種子バンク・遺伝資源保全：将来の補助移植・回復に備え、地域系統の種子・組織を冷凍保存。FFPRI の樹木遺伝資源バンクは 1,000 系統超を維持。

9. 国際的な研究プロジェクトと国内ネットワーク

9.1 ForestGEO：Smithsonian 主導の国際長期試験地ネットワーク。世界 78 サイト、6 百万本以上の毎木調査、種子トラップによる種子雨計測。

9.2 LTER（Long Term Ecological Research）：米国 NSF 主導、欧州 eLTER、日本 JaLTER。日本の主要試験地は知床、苫小牧、小川、上賀茂、屋久島など。

9.3 MASTREE+：欧州中心のマスティング統合データベース。世界 974 樹種・88,000 観測。

9.4 国内モニタリング：FFPRI 全国 14 試験地で 1980 年代以降の継続的種子雨観測。日本生態学会・日本森林学会が学術基盤。

9.5 オープンデータ：GBIF・J-IBIS・SoraMame 等で母樹分布・気候・種子雨データが公開。Re3data 経由で 50 以上の生態学データセット利用可能。

10. 林業現場での活用

10.1 天然下種更新計画：母樹周囲 50〜100 m 以内に集中する種子雨密度を考慮し、保残木（seed tree）配置を設計。針葉樹人工林では 1ha あたり 20〜40 本の母樹保残で更新可能。

10.2 帯状・群状択伐：散布距離に合わせ伐採パターンを設計。風散布主体ならギャップ幅 1〜2 樹高、貯食散布主体ならカケス活動圏を考慮。

10.3 シードトラップ事業診断：現場で 50〜100 個のトラップを 2〜3 年配置するだけで、母樹密度と更新ポテンシャルを定量化可能。

10.4 補植判断：種子雨密度 10 粒/m²/年未満は更新不全リスク。補植・地拵えが推奨。

10.5 動物散布者管理：シカ密度 5 頭/km²超で食害深刻、3 頭/km²以下で天然更新が成立しやすい。

10.6 GIS と意思決定支援：QGIS・GRASS で母樹分布・地形・風況をレイヤ化し、散布カーネルを畳み込んで更新確率マップを作成。

11. 種子の適応戦略

樹種は サイズ・栄養・休眠・寿命 を組み合わせて散布戦略を最適化しています。

11.1 r/K 戦略軸：シラカバ・ヤナギ等は小型・多数（数百万粒/年・樹）。ブナ・カシ類は大型・少数（数千〜数万粒/年・樹）。

11.2 種子重量と発芽率：種子重量 0.1〜500 mg にわたる 4 桁スパン。重い種子ほど暗所発芽・初期定着で有利だが、散布距離は短い。

11.3 休眠（dormancy）：物理的休眠（硬実）、生理的休眠、複合休眠。ブナは 1 冬必要（cold stratification）。

11.4 種子寿命：シラカバ 1〜2 年、トウヒ 5〜10 年、マツ 20 年以上。土壌種子バンクの維持に直結。

11.5 化学防御：タンニン（ナラ）、テルペン（針葉樹）で捕食圧を低下。動物散布種は逆に消化を促進する栄養を提供。

FAQ：よくある質問 10 選

Q1. 種子雨の調査に最低必要なシードトラップ数は？

A. ha あたり 50〜100 個（直径 0.5 m 程度）を 2 年以上配置するのが標準です。母樹分布の異質性が大きい林分では 200 個以上必要。FFPRI の長期試験地は概ね 100〜250 個で推移しています。

Q2. 風散布距離を簡易に推定できますか？

A. WALD カーネルの簡易式 D ≒ H × U / V_t（H 放出高、U 平均風速、V_t 終端速度）で 1 次近似可能。例：H=25 m、U=3 m/s、V_t=1.0 m/s なら D ≒ 75 m が中央値の目安です。

Q3. ブナの豊凶はいつ予測できますか？

A. 前年 6〜7 月の気温・日射量がよく効きます。FFPRI・気象庁データから 1 年前にある程度予測可能。最近は機械学習（Random Forest）で全国スケールの予測精度が向上しています。

Q4. 動物散布の喪失はどれほど深刻ですか？

A. メタ解析では大型種子（>20 mm）の散布距離が 最大 60% 短縮、森林炭素貯蓄が 10〜15% 減少。日本ではツキノワグマ・カケス・リスが機能不全になると、ブナ・ナラ更新が長期的に深刻な影響を受けます。

Q5. 補助移植は日本で実施されていますか？

A. 大規模公式プログラムはまだなく、研究レベルで議論段階です。FFPRI・大学が 系統植栽試験として、暖温帯系統を冷温帯試験地に植えるなどの基礎研究を進めています。実用化には 遺伝的撹乱・病害リスクの慎重評価が前提です。

Q6. シードトラップの代替手段は？

A. 母木周囲の幼樹分布調査、遺伝マーカーによる親子解析（マイクロサテライト・SNP）、UAV ベース幼樹検出が代替・補完手段です。遺伝解析は LDD 検出に特に強力。

Q7. 都市林・分断林での散布はどう変わりますか？

A. 母樹密度低下・連続性消失で、平均散布距離は維持されても 到達種子の絶対量が 1/10 以下に低下します。都市緑地の生物多様性低下の主因のひとつ。緑地連結（ステッピングストーン）と母樹保護が対策の柱です。

Q8. シカ食害下での天然更新はどう設計しますか？

A. シカ密度 5 頭/km²超では実生定着がほぼ不能。防鹿柵（最低 1.8 m）または密度を 3 頭/km²以下に管理することが前提。種子雨密度が高くても食害圧で更新失敗するため、散布と食害の両面評価が必要。

Q9. 散布カーネルの選択基準は？

A. 短距離主体・データ量少なら 指数分布、長距離散布が重要で重い裾なら 対数正規・2DT、機構的解釈が必要なら WALD。AIC・BIC・交差検証で比較するのが標準です。

Q10. AI を使った散布予測ツールを所有森林に導入できますか？

A. UAV-LiDAR で母樹位置を取得（数 ha 規模なら 1 日撮影）、地形・風況データ（気象庁・国土地理院公開）と組み合わせ、Random Forest や GNN で更新確率マップを作成可能。FFPRI・大学・林業コンサル経由で導入事例が増えつつあります。

12. 樹種別の散布特性詳説

主要造林・天然林樹種ごとに、散布特性を数値で整理します。

12.1 ブナ（Fagus crenata）：種子重量 200〜300 mg、年生産量豊作年で 1 樹あたり 5〜15 万粒。散布距離は重力で 5〜30 m、カケス貯食で 50 m〜4 km。豊凶周期 5〜7 年。発芽は 1 冬の冷温（2〜5℃）が必須。実生は林冠下でも数年生存可能だが、定着には小ギャップが有利。

12.2 ミズナラ（Quercus crispula）：種子重量 1,500〜3,000 mg。年生産量豊作年で 1 樹 1〜5 万粒。重力散布 5〜20 m、カケス・リス・ネズミ貯食で 30 m〜1 km。豊凶周期 3〜5 年。タンニン含有量が高く、ネズミ類は摂食を躊躇するため貯食率向上。

12.3 トウヒ（Picea jezoensis）：小翼果（10〜20 mg）、終端速度 1.0〜1.5 m/s。散布距離中央値 30〜80 m、99 パーセンタイル 250〜400 m。倒木更新（nurse log）依存度が極めて高く、北海道針広混交林の主要構成種。

12.4 カエデ類（Acer spp.）：翼果（30〜200 mg）、終端速度 0.8〜1.6 m/s。回転自由落下で滞空 3〜5 倍延長。距離中央値 30〜80 m。林冠ギャップで発芽率向上、陰樹的性質と陽樹的性質の中間。

12.5 シイ・カシ類（Castanopsis, Quercus 常緑）：種子重量 1,000〜5,000 mg、貯食動物が少ない暖温帯では更新が斜面下方への重力散布に依存。気候温暖化で北上が予想されるが、散布速度は年 30〜80 m と遅い。

12.6 スギ・ヒノキ（Cryptomeria, Chamaecyparis）：種子重量 2〜5 mg、終端速度 1.5〜2.0 m/s。散布距離 20〜100 m。日本の人工林の主要樹種で、天然下種更新も母樹保残により成立可能。

12.7 シラカバ（Betula platyphylla）：小翼果（0.1〜0.3 mg）、終端速度 0.5〜0.8 m/s。年生産量 1 樹で 100〜500 万粒。距離中央値 50〜200 m、LDD で 1〜5 km。先駆樹種として攪乱跡地に大量定着。

13. 散布距離測定の最新手法

13.1 マイクロサテライト DNA 解析：母樹群と幼樹・種子の遺伝型を照合し、親子関係を確率的に決定。10〜20 マーカーで個体識別が可能。LDD（>500 m）の直接検出に有効。

13.2 SNP（一塩基多型）解析：1,000〜10,000 SNP を用いた高精度親子解析。RAD-seq・GBS で低コスト化が進み、解析数百個体で 1 試験地完結。

13.3 安定同位体トレーサー：人工的に ¹⁵N・¹³C 等を母樹に投与し、種子・幼樹で追跡。少数の母樹を対象とした場合に高精度。

13.4 種子トラップ網：標準的な計測手段。0.25〜1 m² 容器を 50〜250 個/ha 配置、月 1 回回収。FFPRI 14 試験地で 30 年以上のデータ蓄積。

13.5 動物追跡（GPS テレメトリー）：カケス・クマ・リスに GPS 装着し、貯食地点・果実摂食地点を記録。散布距離分布を直接観測。

13.6 UAV による幼樹空間分布：母樹位置との関連で散布カーネルを逆推定。広域・低コストでスクリーニング可能。

14. 散布制限と保全優先度

樹種の 散布制限（dispersal limitation）は保全優先度を決定する重要指標です。

14.1 散布制限の定量化：「適地のうち、種子供給を受ける割合」を指標化。日本のブナ林では一般に 30〜60%、針葉樹人工林周辺では 20% 未満の地点も。

14.2 IUCN レッドリストとの連動：散布距離が短く分断耐性が低い樹種は絶滅リスク評価で重視されるべき。日本の希少樹種（ヤチダモ、シナノキ等）の保全計画に反映が進む。

14.3 連結性指標：Probability of Connectivity（PC）や Equivalent Connected Area（ECA）で、景観全体の散布連結性を定量化。

14.4 保全優先地：種子供給源（母樹群）と適地が連結する地点を保全対象に。ステッピングストーン林分の保全価値が高い。

15. まとめ

種子雨と散布は森林の更新・遺伝子流動・気候追従の根本機構です。シードトラップ・分子マーカー・LiDAR・機械学習 の融合で、空間明示的なカーネル推定の精度は飛躍的に向上しました。気候変動下では 動物散布者の保全と森林連結性が、樹種の追従能力を維持する決定要因です。所有森林の更新計画には、種子雨密度の実測・母樹保残・動物散布者の維持・連結回廊の確保を組み合わせた統合的アプローチが推奨されます。

関連記事

• 研究レポートカテゴリトップ
• 生物多様性炭素貯留（A27）
• 天然更新（D24）