冬の新月伐採が問う林業AI時代の現場知と木材品質データ判断の限界

冬の新月伐採が注目される産業背景

「木は冬の新月に切るべきだ」という言い伝えは、科学の時代には古い迷信に見えます。月齢が樹木の水分や耐久性を直接変えるのかと問えば、近年の研究はかなり慎重です。新月伐採やムーンウッドの効能を、そのまま万能の品質保証として受け取ることはできません。

それでも、この伝承を簡単に切り捨てるのは早計です。林業の現場で重要なのは、月そのものの神秘性ではなく、その言葉が長い時間をかけて束ねてきた作業条件です。冬の気温、樹木の休眠、土場の乾き具合、搬出路の安全、製材所の受け入れ、乾燥工程の余力が重なって、最終的な木材品質と収益性を左右します。

日本では人工林の多くが利用期を迎え、国産材の供給や木造建築への期待が高まっています。同時に、林野庁は航空レーザ測量、ICT生産管理、デジタル林業戦略拠点などを進めています。AIが伐採計画を支援する場面は増えますが、そこで問われるのは「伝承かデータか」という二択ではありません。データ化されていない経験を、どう産業システムに組み込むかです。

月齢伝承をめぐる研究結果の揺れ

新月神話に厳しい実測研究

月齢伐採をめぐる研究は、結論が一枚岩ではありません。ただし、強い因果関係を支持する証拠は限定的です。日本植物生理学会のQ&Aでは、新月と満月で伐採したスギの含水率に大きな違いは見られなかったと紹介されています。一方で、樹幹の含水率には季節的変化があるため、単純な月齢サイクルだけでは説明しきれないという見方も示されています。

スペインの研究では、Quercus humilisという広葉樹を四つの月相で各15本、計60本伐採して比較しました。対象は含水率、比重、収縮でしたが、有意な差は検出されませんでした。これは「月齢が木材品質を決める」という主張に対して、かなり冷静な結果です。

さらに強力なのが、Scientific Reportsに掲載された2023年の研究です。研究チームは、62本、6樹種について、樹幹半径を1時間ごとに測った約200万件のデンドロメーターデータを解析しました。対象期間には74回の月周期が含まれますが、樹幹変動に月周期の明確な痕跡は見つかりませんでした。変動をよく説明したのは、1日、半年、1年の周期であり、気温や飽差といった気象要因でした。

ここから言えるのは、少なくとも「新月だから水分が一斉に根へ下がる」といった単純な説明は、現代の測定データでは支持されにくいということです。AIが論文データだけを読めば、月齢伐採は棄却すべき仮説に見えるでしょう。

季節と乾燥工程に残る合理性

ただし、月齢伝承を否定する研究が多いことと、昔の伐採作法に合理性がないことは別問題です。EPFLのデータベースに掲載された2010年の研究では、ノルウェートウヒとクリを24週間にわたり調べ、乾燥挙動、収縮、相対密度に季節傾向と小さな月周期的変動が見られたとされています。効果の解釈には慎重さが必要ですが、木材と水分の関係が単純な直線ではないことを示す材料にはなります。

季節効果は、より実務に近い論点です。FAO AGRISに登録されたアーカンソー州のロブロリーパイン研究では、183本のパルプ材を対象に、かさ密度と含水率が季節で変動したと報告されています。かさ密度は冬の66.4ポンド毎立方フィートから春の71.6ポンド毎立方フィートまで変わり、比重は同一林分で一定だったため、差は主に含水率に由来するとされています。

木材は伐れば終わりではありません。USDA Forest ServiceのWood Handbookは、生材が多量の水を含み、乾燥後も周囲の湿度と平衡しながら含水率が変化すると説明しています。寸法変化や割れを避けるには、乾燥、保管、施工時の含水率管理が重要です。これは現場の常識ですが、AIの入力データに十分入っているとは限りません。

日本のスギでも、含水率管理は大きな課題です。森林総合研究所の資料では、未乾燥のスギ平角材の含水率は多くが60〜120％にある一方、60％以下や120％以上の材も少なくないと示されています。含水率100％の平角材を20％まで天然乾燥するには1年以上を要する例もあり、乾燥コストは製材ビジネスの採算を大きく左右します。

新潟県森林研究所の冬期乾燥試験では、県産スギ正角材20本の製材直後の平均含水率が73％で、高温セット処理後に38％へ低下しました。その後、冬期間の低下は3％程度にとどまり、約10か月後の平均値は20.5％でした。冬に乾燥を始めると春期開始より期間が長くなるという結果は、伐採時期と乾燥計画を一体で考える必要を示しています。

AIが拾いにくい伐採現場の複合条件

データ列から抜け落ちる工程制約

AIが苦手なのは、月齢の計算ではありません。月齢は天文データとして極めて扱いやすい情報です。むしろ難しいのは、「冬の新月に切る」という言葉が、実際には複数の現場制約を束ねた合図になっている点です。

現場の木こりが見るのは月だけではありません。地面がぬかるむか、斜面で機械が安定するか、搬出路が凍結しすぎないか、谷筋の風がどう抜けるか、伐った後に土場で滞留しないか、製材所の乾燥機が空くか、買い手が求める寸法と等級に合うかを見ています。こうした条件は、台帳に残っていなければAIには存在しない情報になります。

AIモデルは、入力された変数の範囲で最適化します。伐採日、天候、材積、作業班、機械稼働率、搬出距離、価格が入っていれば、収益性の高い日程を出せます。しかし、乾燥後の割れ、クレーム、職人の段取り、地域の買い手との信頼がデータ化されていなければ、モデルはそれを軽視します。これはAIが愚かだからではなく、現場の評価関数が未完成だからです。

NISTのAI Risk Management Frameworkは、AIシステムで使うデータが利用文脈を適切に代表していない場合、信頼性に悪影響を及ぼすと指摘しています。林業のように地域差、地形差、樹種差、作業者差が大きい産業では、この問題が特に表面化しやすいです。過去の平均が、今切る一本の木の最適解とは限りません。

需要家が評価する品質の非数値性

木材品質は、含水率や強度だけで決まりません。もちろんJAS規格や構造計算に関わる物性値は重要です。しかし、買い手が継続的に評価するのは、納期の安定、乾燥後のばらつきの少なさ、加工時の扱いやすさ、欠点が出た際の説明責任です。

伝承が生き残る理由の一つは、科学的因果ではなく、品質保証の物語として機能している点にあります。「この山ではこの時期に切る」「この材はこの乾燥を通す」「この用途にはこの出し方をする」という一連の作法が、需要家に安心感を与えます。月齢という言葉は、その作法の目印だった可能性があります。

この目印をAIが誤解すると、二つの失敗が起きます。一つは、月齢効果を過大評価して非科学的なマーケティングに走ることです。もう一つは、月齢効果が弱いからといって、その背後にある工程知をまとめて捨てることです。産業DXで本当に価値があるのは、後者の損失を防ぐことです。

製造業の品質管理に近い発想で見れば、月齢伐採は単体の因子ではなく、工程条件の束です。材料、設備、人、方法、環境、測定のいずれかが変われば、結果は変わります。林業AIも、伐採日だけでなく、造材、運搬、保管、乾燥、製材、納入後の使用環境までつなげて初めて、品質の予測に近づけます。

誇張された月齢マーケティングの品質リスク

スマート林業の流れは、伝承を消す方向だけに進むわけではありません。むしろ、うまく設計すれば、伝承を検証可能な作業知へ変換できます。林野庁はデジタル林業戦略拠点で、木材生産から流通まで地域一体でデジタル技術を使う方針を示しています。森林情報のデジタル化、航空レーザ測量、森林クラウド、ICT生産管理も整備が進んでいます。

研究面でも、東京大学の研究グループはGISとグラフ畳み込みネットワークを組み合わせ、傾斜、道路への近さ、隣接関係を考慮した林分集約手法を提案しています。森林利用学会誌では、3D LiDARを使ったフォワーダ荷台位置や丸太積載位置の自動検出、LiDARデータを使った作業道開設の優先順位付けなどが紹介されています。AIは林業の低い生産性や安全性の課題を確かに改善し得ます。

ただし、ここで注意すべきは「AIが出したから正しい」という新しい迷信です。月齢の迷信を批判しながら、データの迷信に置き換えてしまえば、同じ失敗を繰り返します。特に、学習データが一部地域や一部事業体に偏ると、別の山では精度が落ちます。所有形態が細かく、地形も樹種も多様な日本の林業では、現場ごとの文脈を無視した横展開は危険です。

OECDのAI原則は、AIシステムの能力と限界、データ入力、判断の根拠を適切に説明することを求めています。これは林業AIにも当てはまります。伐採計画AIが「この日に切るべき」と出すなら、価格、天候、搬出、乾燥、品質、作業安全のどれを重視したのかを説明できなければなりません。

月齢伐採を商品価値として扱う場合も同じです。「腐らない」「燃えにくい」「割れない」といった絶対的な効能をうたうのは、科学的にも商取引上もリスクがあります。適切なのは、月齢を品質の魔法として売ることではなく、伐採季節、乾燥履歴、含水率、保管条件、検査結果を示すトレーサビリティとして整えることです。

経営者が整えるべき現場知の台帳

冬の新月伐採が突きつける論点は、伝承の勝利ではありません。データだけで現場が読めるという発想の限界です。月齢そのものの効果は慎重に扱うべきですが、現場の経験が束ねてきた季節、乾燥、物流、需要家対応には、産業上の価値があります。

林業経営者や木材産業の実務者が次に取り組むべきは、現場知の台帳化です。伐採日、月齢、気温、降雨、斜面条件、土場滞留日数、乾燥方式、含水率、割れ、返品、買い手の評価を、後から検証できる形で残すことです。月齢が効くかどうかを争うより、どの条件の組み合わせが品質と利益を生むのかを見えるようにする方が生産的です。

AIは、職人の勘を置き換える存在ではなく、勘を次世代へ渡すための圧縮機になれます。そのためには、モデルに現場を合わせるのではなく、現場で本当に効いている変数をモデルへ入れる必要があります。冬の新月という古い言葉は、林業DXにとって意外に新しい問いを残しています。

参考資料:

• Dendrometers challenge the ‘moon wood concept’ by elucidating the absence of lunar cycles in tree stem radius oscillation
• Influence of the Lunar Phase of Tree Felling on Humidity, Weight Densities, and Shrinkage in Hardwoods
• Looking for differences in wood properties as a function of the felling date
• 樹木の水分含量と満月・新月の関係
• Effect of seasonality on bulk density, moisture content, and specific gravity of loblolly pine logs
• Drying and control of moisture content and dimensional changes
• 森林総合研究所 平成26年版 研究成果選集
• 冬期に乾燥を開始した県産スギ正角材の天然乾燥経過
• 令和7年度 森林・林業白書 全文
• デジタル林業戦略拠点
• 森林情報のデジタル化・オープンデータ化
• 林業における新技術とデジタルデータの活用
• 効率的な伐採作業と持続的な森林管理に資する小規模・分散型森林の集約化手法の開発
• Appendix B: How AI Risks Differ from Traditional Software Risks
• OECD AI Principles