CN114206109B - 信息处理装置及方法 - Google Patents
信息处理装置及方法 Download PDFInfo
- Publication number
- CN114206109B CN114206109B CN202080044283.3A CN202080044283A CN114206109B CN 114206109 B CN114206109 B CN 114206109B CN 202080044283 A CN202080044283 A CN 202080044283A CN 114206109 B CN114206109 B CN 114206109B
- Authority
- CN
- China
- Prior art keywords
- value
- risk
- relative humidity
- information
- day
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 12
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 74
- 238000005259 measurement Methods 0.000 claims abstract description 53
- 238000001035 drying Methods 0.000 claims abstract description 45
- 201000010099 disease Diseases 0.000 claims abstract description 22
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 22
- 241000238631 Hexapoda Species 0.000 claims abstract description 18
- 230000001186 cumulative effect Effects 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 7
- 208000015181 infectious disease Diseases 0.000 description 22
- 238000004891 communication Methods 0.000 description 18
- 241000196324 Embryophyta Species 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 239000000575 pesticide Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009331 sowing Methods 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 241000233866 Fungi Species 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 230000002538 fungal effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 241000221785 Erysiphales Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 238000010413 gardening Methods 0.000 description 1
- 238000003898 horticulture Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Environmental Sciences (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Analytical Chemistry (AREA)
- Software Systems (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Remote Sensing (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
Abstract
本发明提高了预测病虫害风险的准确性。一种信息处理装置(40),包括:信息获取单元(421),其获取与棚室内的相对湿度有关的测量信息;以及,预测单元(423),其根据相对湿度测量信息生成表示棚室内的干燥条件的特征值,并基于该特征值预测棚室内的病虫害风险。
Description
技术领域
本发明涉及一种信息处理装置及方法。
背景技术
为了通过传感器测量棚室内的环境条件,并基于测量结果提供与病虫害相关的信息,已经开发了用于棚室等受保护园艺的系统。例如,提出了通过根据棚室内的温度和湿度的测量结果评估会发生病虫害的地点来提供信息的系统(参照专利文献1)。此外,还提出了一种通过将气温、降雨量和风速等的测量结果输入病虫害感染预测模型来预测感染程度的系统(参见专利文献2)。通过使用这种信息,可以采取先发制人的对策,例如喷洒农药。
现有技术文献
专利文献
专利文献1:JP 2015-119646 A
专利文献2:JP 2008-125496 A
发明内容
本发明所要解决的问题
已知的是,结露会增加受保护园艺中病虫害的风险。例如,在灰霉病的情况下,如果产品因结露而长时间保持在潮湿状态下,由于附着在产品上的真菌孢子,感染风险可能会增加。因此,可以通过根据由棚室内的传感器测量的温度和湿度确潮湿度状态来预测感染风险。
另一方面,在干燥条件下,孢子在感染后可能会飞散,但这取决于病害的类型。例如,已知的是,白粉病孢子本身吸收水分,或者分生孢子的含水量特别高,所以在干燥条件下也会发芽。因此,难以通过以上述方式确定潮湿状态来预测在干燥条件下增加的风险。
本发明的目的在于提高预测病虫害风险的准确性。
解决问题的手段
本发明的一个实施方式提供了一种信息处理装置(40),其包括:信息获取单元(421),用于获取棚室内的相对湿度的测量信息;预测单元(423),用于根据相对湿度的测量信息生成表示棚室内的干燥条件的特征值,并基于该特征值预测棚室内的病虫害风险。
本发明的另一实施方式提供了一种用于预测棚室内病虫害风险的方法,该方法包括以下步骤:获取棚室内的相对湿度的测量信息;根据相对湿度的测量信息生成表示棚室内的干燥条件的特征值,并基于该特征值预测棚室内的病虫害风险。
本发明的优点
本发明能够提高预测病虫害风险的准确性。
附图说明
图1是示出了根据本实施方式的包括信息处理服务器的信息提供系统的配置的示意图。
图2是示出了信息处理服务器的配置的示意图。
图3是示出了信息处理服务器生成预测模型的处理顺序的流程图。
图4是示出了相对湿度与病虫害增加率的相关性的图表。
图5是示出了信息处理服务器预测病虫害风险的处理顺序的流程图。
图6是示出了病虫害风险的预测信息的示例性显示的示意图。
具体实施方式
下面将参考附图描述根据本发明的信息处理装置和方法的实施方式。以下描述的配置是本发明的一种实施方式的一个实例(代表性实例),并且本发明不限于以下描述的配置。
图1示出了根据本发明的一个实施方式的信息提供系统1。
信息提供系统1测量棚室10a-10c内部和外部的温度和相对湿度等,并根据测量结果提供棚室10a-10c中病虫害风险的预测信息。图1示出了提供三个棚室10a-10c的预测信息的实例,但对可以提供预测信息的棚室的数量没有特别限制,可以向一个或多个棚室提供预测信息。
如图1中所示,信息提供系统1包括:多个传感器21-23、通信装置26、天气服务器30、信息处理服务器40和用户终端50。通信装置26、天气服务器30、信息处理服务器40和用户终端50通过网络12彼此可通信地连接。网络12可以包括因特网、电话网络或LAN(局域网)等。
传感器21-23设置在棚室10a-10c内部,并且例如以10分钟等的固定间隔测量棚室10a-10c内部的环境条件。可以引用的环境条件的实例包括:温度、相对湿度、太阳辐照度、二氧化碳浓度、风速、地热和土壤含水量等。在该实施方式中,传感器21测量温度,传感器22测量相对湿度,并且传感器23测量太阳辐照度,但是同样可以提供用于测量其他环境条件(诸如,二氧化碳浓度)的传感器。
通信装置26将通过相应的传感器21-23测量的温度、相对湿度和太阳辐照度等作为棚室10a-10c内部环境条件的测量信息发送到信息处理服务器40。
此外,可以在棚室10a-10c内部设置用于调节环境条件的控制装置20。通信装置26可以从控制装置20获取所需信息以生成控制装置20的操作信息,并且可以将该操作信息发送到信息处理服务器40。可以引用的控制装置20的实例是用于控制空气引导器、洒水器、遮阳帘或窗户的打开和关闭的装置等。
通信装置26与传感器21-23和控制装置20之间的通信通过诸如BLE(低功耗蓝牙(注册商标))或Wi-Fi(注册商标)的无线通信进行,但是有线通信同样是可能的。
天气服务器30将棚室10a-10c外部的天气条件的测量信息发送到信息处理服务器40。可以引用的天气条件的实例包括每个区域中的气温、相对湿度、太阳辐照度、降雨量和风速等。天气服务器30不仅可以向信息处理服务器40发送测量信息,还可以向信息处理服务器40发送天气条件的预测信息(诸如,天气预报)。
信息处理服务器40是一种信息处理装置,其从通信装置26获取包括棚室10a-10c内的相对湿度等环境条件的测量信息,并基于所获取的测量信息预测棚室10a-10c内的病虫害风险。信息处理服务器40能够基于预测结果生成并输出病虫害风险的预测信息。
用户终端50例如是移动电话、平板电脑或PC(个人计算机)等。用户终端50由诸如管理棚室10a-10c的农民等用户使用,并显示从信息处理服务器40发送的预测信息。
(信息处理服务器)
图2示出了信息处理服务器40的示例性配置。
如图2所示,信息处理服务器40包括通信单元410、控制单元420和存储单元430。
通信单元410是用于与网络12上的外部装置(诸如,通信装置26、天气服务器30和用户终端50)通信的接口。
控制单元420控制信息处理服务器40的操作。
此外,控制单元420预测每个棚室10a-10c中的病虫害风险。出于该预测的目的,控制单元420包括信息获取单元421、学习单元422和预测单元423,如图2中所示。信息获取单元421、学习单元422和预测单元423可以借助于诸如CPU(中央处理器)的处理器执行存储单元430中存储的程序的软件处理或其他记录介质(诸如,存储器)的方式来实现,或者上述单元可以借助于诸如ASIC(专用集成电路)的硬件来实现。
信息获取单元421通过通信单元410从通信装置26获取棚室10a-10c内部的相对湿度的测量信息。信息获取单元421能够获取棚室10a-10c内部除了相对湿度之外的环境条件的测量信息,以及从通信装置26获取控制装置20的操作信息,并且能够从天气服务器30获取天气条件的测量信息。例如,信息获取单元421可以以预定间隔,诸如10分钟的间隔获取测量信息。信息获取单元421将获取的信息保存在存储单元430中。
学习单元422根据保存在存储单元430中的相对湿度的测量信息生成表示干燥条件的特征值,并通过使用该特征值生成病虫害风险的预测模型。生成的预测模型保存在存储单元430中。
预测模型可以是能够使用特征值作为变量来计算病虫害风险的预测公式,或者可以是关于变量预先建立的预测风险的表格。此外,预测模型可以是通过机器学习生成的模型,该机器学习使用表示干燥条件的特征值作为输入数据,并且使用该干燥条件下的病虫害风险作为教学数据。在此实施方式中将描述由具有更高水平预测准确性的机器学习提供的预测模型的实例。
预测单元423根据由信息获取单元421获取的棚室10a-10c内相对湿度的测量信息生成表示棚室10a-10c内干燥条件的特征值,并基于生成的特征值预测棚室10a-10c内的病虫害风险。具体地,预测单元423将生成的特征值输入到通过学习单元422生成的预测模型中,从而可以获取棚室10a-10c内的病虫害风险的预测结果。
存储单元430存储通过信息获取单元421获取的各种类型的信息。此外,存储单元430存储通过学习单元422生成的预测模型。大容量存储介质,诸如硬盘可以用作存储单元430。
(由信息处理服务器进行的处理)
当作物被引起病害的真菌感染时,真菌通常会在发病之前经历一个潜伏期。同样,在虫害的情况下,虫卵附着(感染)作物,并且在给定时间(潜伏期)后孵化的虫会造成采食损害(发病)。发病产生引起后续感染的真菌孢子和虫卵。为了预防此循环产生的病虫害危害,在感染之前或发病之前,尤其是感染之前,有效采取诸如喷洒农药或吹气等措施。
在病虫害中,有些病虫害是在干燥条件下发生的。对于诸如此类的病虫害,根据棚室10a-10c内是否处于干燥条件下,可以预测发病的风险或发病后发生感染的风险。信息处理服务器40通过使用过去的相对湿度的测量信息生成表示干燥条件的特征值来生成在特定干燥条件下增加的病虫害风险的预测模型。
图3示出了信息处理服务器40生成预测模型的处理顺序。
如图3中所示,在信息处理服务器40中,信息获取单元421从通信装置26获取通过传感器22测量的棚室10a-10c内的相对湿度的测量信息,并将该测量信息保存在存储单元430中(步骤S11)。
学习单元422根据存储单元430中保存的相对湿度的测量信息生成表示棚室10a-10c内干燥条件的特征值(步骤S12)。
可以引用以下特征值(f11)-(f17)作为根据相对湿度的测量信息生成的特征值的实例。下面的特征值(f11)-(f13)的数值越高意味着棚室10a-10c内在干燥条件下具有越高的病虫害风险。
(f11)将以预定间隔(例如,10分钟)获取的相对湿度的值输入到表达相对湿度与病虫害风险的相关性的关系表达式中时,病虫害风险A的一天的平均值;
(f12)风险A的一天的累积值;
(f13)风险A高于阈值时二值化为值1,或者风险A低于阈值时二值化为值0所得到的值的一天的平均值或值1的累积值;
(f14)一天的平均湿度;
(f15)相对湿度高于阈值时二值化为值1,或者相对湿度低于阈值时二值化为值0所得到的值的一天的平均值或值1的累积值;
(f16)从100(%)减去相对湿度得到的值;以及
(f17)相对湿度的倒数。
倘若表达相对湿度与病虫害风险的相关性的关系表达式能够表达与相对湿度有关的风险,则该关系表达式可以输出与相对湿度有关的病虫害的感染率、发病率或增加率等。增加病虫害风险的干燥条件根据病虫害的类型而变化,因此针对每种类型的病虫害,根据两者之间的相关性准备关系表达式。
图4示出了病害a的相对湿度K(%)和增加率P(%)的示例性相关性。
如图4中所示,病害a的增加率P随着相对湿度K的增加而缓慢上升,增加率P在相对湿度K为40%-50%的区域最大。当相对湿度K超过50%时,增加率P缓慢下降。也就是说,在相对湿度为40%-50%的干燥条件下,病害a的风险增加。
学习单元422还可以根据相对湿度以外的环境条件的测量信息(诸如,棚室10a-10c内部的温度或太阳辐照度)生成表示干燥条件的特征值。
例如,可根据通过传感器21测量的温度的测量信息生成以下特征值(f21)-(f26)。以下特征值(f21)-(f23)和(f26)的数值越高,意味着棚室10a-10c的内部在干燥条件下具有越高的病害风险。需要注意的是,以与上述相对湿度相同的方式,基于温度与病虫害风险的相关性,为每种类型的病虫害准备如下关系表达式。
(f21)将以预定间隔(例如,10分钟)获取的温度值输入到表达温度与病虫害风险的相关性的关系表达式中时,病虫害风险B的一天的平均值;
(f22)风险B的一天的累积值;
(f23)风险B高于阈值时二值化为值1,或者风险B低于阈值时二值化为值0所得到的值的一天的平均值或值1的累积值;
(f24)一天的平均温度;
(f25)温度高于阈值时二值化为值1,或者温度低于阈值时二值化为值0所得到的值的一天的平均值或值1的累积值;以及
(f26)将风险B乘以风险A得到的值(A*B)的一天的累积值,这些值分别以预定间隔计算。
温差对干燥条件有相当大的影响,因此学习单元422也可以根据温度的测量信息生成以下特征值(f31)和(f32),作为表示干燥条件的特征值。
(f31)一天的最高气温与最低气温的温差;以及
(f32)一天的温度的两个不同百分位值的差异(例如,第75个百分位值和第25个百分位值之间的差异)。
学习单元422可以使用根据过去固定时间段的湿度的测量信息生成的特征值作为主要特征值,并且可以根据此主要特征值进一步生成表示该固定时间段内的棚室10a-10c内干燥条件的次要特征值。可以引用的次要特征值的实例包括在诸如一周或一个月的固定时间段内生成的主要特征值的平均值或百分位值等。
通过使用与主要特征值相比表示更长期干燥条件的次要特征值,可以基于干燥状态的维持时间长短来预测病虫害的风险,进一步提高预测准确性。病虫害的爆发很可能在一两周或一个月等的持续长期干燥条件下发生,而不是在几个小时数量级的短期干燥条件下发生。因此,当用于生成次要特征值的固定时段是以周为单位或以月为单位的时间段而不是以小时为单位时,可以更精确地估计风险增加的干燥条件,这是优选的。
当学习单元422生成表示干燥条件的特征值时,它使用该特征值作为输入数据,使用该干燥条件下的病虫害风险作为教学数据,并通过机器学习生成病虫害风险的预测模型(步骤S13)。学习单元422将生成的预测模型保存在存储单元430中。
可以引用的用于生成预测模型的机器学习的实例包括:线性回归、滤波器(诸如,卡尔曼滤波器)、支持向量机、决策树(诸如,随机森林)、最近邻法、神经网络(诸如,深度学习)以及贝叶斯网络。以上类型的机器学习中的一种可以单独使用,也可以两种以上组合使用。
学习单元422可以通过使用表示干燥条件的特征值以及影响干燥条件的信息作为输入数据来生成预测模型。通过使用多个输入数据项,可以进行综合预测,进一步提高预测准确性。
例如,棚室10a-10c外的天气条件影响棚室10a-10c内的干燥条件。因此,信息获取单元421可以从天气服务器30获取棚室10a-10c外的天气条件的测量信息,并且学习单元422可以使用该天气条件的测量信息作为一项输入数据。从而可以进行考虑了天气条件的影响的预测,进一步提高预测准确性。
此外,棚室10a-10c内的栽培条件,例如,诸如播种面积或密度等的栽培条件,以及生长阶段,也影响干燥条件。因此,信息获取单元421可以获取棚室10a-10c的栽培信息,并且学习单元422可以使用该栽培信息作为一项输入数据。从而可以进行考虑了作物栽培条件的影响的预测,进一步提高预测准确性。
例如,栽培信息是与诸如作物类型、栽培量、生长条件、栽培地等的栽培条件有关的信息。作物类型是例如黄瓜、番茄等类别。可以引用的栽培量的实例包括棚室中的播种面积、植物数量和种植密度。种植密度可以通过将植物数量除以播种面积来计算。可以引用的生长条件的实例包括从种植日期起经过的天数和自种植以后的天数估计的生长阶段。栽培地例如是土壤栽培或水栽培等类别。该栽培信息例如从用户终端50输入,并由此预先保存在信息处理服务器40的存储单元430中。与种植以后的天数和生长阶段有关的信息可以通过信息获取单元421根据从种植日期起经过的时间而估计。也就是说,信息获取单元421可以通过使用从种植日期(在获取的栽培信息中)直到当前时间经过的天数作为自种植以来的天数来估计生长阶段,然后将自种植以来的天数与阈值进行比较。
用于调节棚室10a-10c内部环境条件的控制装置20也影响干燥条件。信息获取单元421可以从通信装置26获取控制装置20的操作信息,并且学习单元422可以使用该操作信息作为一项输入数据。结果,可以进行还考虑了由控制装置20执行了环境条件的调整的预测,进一步提高了预测准确性。可以引用的操作信息的实例包括:是否安装了控制装置20、控制装置20的类型、指示控制装置20是停止还是操作的操作条件、目标温度以及目标湿度等。
学习单元422优选地通过周期性地或随时执行上述处理来更新存储单元430中保存的预测模型。因此,可以基于最新趋势进行预测。
图5示出了信息处理服务器40预测病虫害风险的处理顺序。
如图5中所示,在信息处理服务器40中,信息获取单元421从通信装置26获取通过传感器22测量的棚室10a-10c内的相对湿度的测量信息,并将该测量信息存储在存储单元430中(步骤S21)。预测单元423以与学习单元422生成特征值时相同的方式,根据已经保存的相对湿度的测量信息生成表示棚室10a-10c的干燥条件的特征值(步骤S22)。
然后预测单元423将生成的特征值输入到预测模型,并获取从预测模型输出的病虫害风险的预测结果(步骤S23)。如上所述,预测单元423可以通过以下方式提高预测准确性:使用根据相对湿度的测量信息生成的特征值以外的特征值或者各种类型的信息作为预测模型的输入数据。可以引用的从预测模型输出的预测结果的实例包括被预测的病虫害的类型,以及以天为单位的预测感染率或发病率等。
预测单元423基于获取的预测结果生成病虫害的预测信息。例如,病虫害风险的预测信息包括诸如病虫害的感染率或发病率、预测感染或发病的天数、预测为对于防止感染或发病的措施(诸如,喷洒农药或控制环境条件)最佳的天数。预测单元423将生成的预测信息发送到用户终端50(步骤S24)。
用户终端50可以显示从信息处理服务器40发送的预测信息。
图6示出了用于棚室10a的预测信息的显示屏的实例。
从上个月的第29天到本月的第9天,感染病害a的风险d11和感染虫害b的风险d12作为一项预测信息显示在显示屏d上,如图6所示。方框标记d2示出了今天的日期。风险d11和d12用圆形标记表示,圆圈越大表示感染率越高,圆圈越暗表示感染率越高。例如,从风险d11可知第4天病害a的感染率最高,从风险d12可知第8天虫害b的感染率最高。
此外,作为一项预测信息,显示屏d上显示了指示预测为对于预防病虫害的感染的措施最佳的天数的标记d31-d33。标记d31指示了通过棚室10a内的空调来控制环境条件有效的一天。标记d32和d33分别指示针对病害a和虫害b喷洒农药有效的天数。
需要注意的是,图6中示出的预测信息是一个实例,预测信息不限于此。例如,可以为每种病虫害同样地提供以天为单位或以周为单位的感染率变化图作为预测信息,这样用户可以容易地确定何时以及什么类型的病虫害发生的风险很高。
如上所述,根据该实施方式的信息处理服务器40根据在棚室10a-10c内测量的相对湿度的测量信息生成表示棚室10a-10c内干燥条件的特征值,并基于该特征值预测病虫害风险。因此,可以准确预测在干燥条件下增加的病虫害风险。通过使用采用机器学习的预测模型进行预测,进一步提高预测准确性。
根据该实施方式的信息处理服务器40还根据温度的测量信息生成表示干燥条件的特征值。此外,信息处理服务器40不仅使用表示干燥条件的特征值,而且使用影响干燥条件的天气条件的测量信息、栽培信息和控制装置20的操作信息中的至少一项信息作为预测模型的输入数据。用于预测的输入数据的量越大,可以进行的预测就越全面,从而进一步提高预测准确性。
以上对本发明的优选实施方式进行了说明,但本发明不限于该实施方式,在其要旨的范围内可以进行各种变型和改变。
例如,学习单元422可以设置在诸如另一服务器的外部装置中,而不是设置在信息处理服务器40中,并且信息处理服务器40可以获取在外部装置中生成的预测模型并将预测模型存储在存储单元430。
此外,当设置用于调节棚室10a-10c内环境条件的控制装置20时,可以将预测信息从信息处理服务器40发送至控制装置20。控制装置20可以基于预测信息控制棚室10a-10c内的环境条件。
符号说明
1…信息提供系统,10a-10c…棚室,21-23…传感器,26…通信装置,30…天气服务器,40…信息处理服务器,421…信息获取单元,422…学习单元,423…预测单元。
Claims (9)
1.一种信息处理装置(40),包括:
信息获取单元(421),用于获取棚室内的相对湿度的测量信息;
学习单元(422),根据保存在存储单元(430)中的相对湿度的测量信息生成表示干燥条件的特征值,并通过使用该特征值生成病虫害风险的预测模型;以及,
预测单元(423),用于根据相对湿度的测量信息生成表示棚室内的干燥条件的特征值,并基于该特征值预测棚室内的病虫害风险;
其中,学习单元(422)生成表示干燥条件的特征值选自:
(f11)将以预定间隔获取的相对湿度的值输入到表达相对湿度与病虫害风险的相关性的关系表达式中时,病虫害风险A的一天的平均值;
(f12)风险A的一天的累积值;
(f13)风险A高于阈值时二值化为值1,或者风险A低于阈值时二值化为值0所得到的值的一天的平均值或值1的累积值;
(f14)一天的平均湿度;
(f15)相对湿度高于阈值时二值化为值1,或者相对湿度低于阈值时二值化为值0所得到的值的一天的平均值或值1的累积值;
(f16)从100(%)减去相对湿度得到的值;
(f17)相对湿度的倒数;
(f21)将以预定间隔获取的温度值输入到表达温度与病虫害风险的相关性的关系表达式中时,病虫害风险B的一天的平均值;
(f22)风险B的一天的累积值;
(f23)风险B高于阈值时二值化为值1,或者风险B低于阈值时二值化为值0所得到的值的一天的平均值或值1的累积值;
(f26)将风险B乘以风险A得到的值(A*B)的一天的累积值,这些值分别以预定间隔计算;
(f31)一天的最高气温与最低气温的温差;或,
(f32)一天的温度的两个不同百分位值的差异。
2.如权利要求1所述的信息处理装置(40),其中所述预测单元(423)使用根据过去固定时间段的相对湿度的测量信息生成的特征值,以进一步生成表示该固定时间段的棚室内的干燥条件的特征值,并基于每个特征值预测病虫害风险。
3.如权利要求1所述的信息处理装置(40),其中所述信息获取单元(421)还获取棚室内的温度的测量信息,以及
预测单元(423)根据相对湿度和温度的测量信息生成表示棚室内的干燥条件的多个特征值,并基于多个特征值预测棚室内的病虫害风险。
4.如权利要求2所述的信息处理装置(40),其中所述信息获取单元(421)还获取棚室内的温度的测量信息,以及
预测单元(423)根据相对湿度和温度的测量信息生成表示棚室内的干燥条件的多个特征值,并基于多个特征值预测棚室内的病虫害风险。
5.如权利要求1至4中任一项所述的信息处理装置(40),其中所述信息获取单元(421)还获取以下信息中的至少一项:棚室内的环境条件的测量信息、与棚室内的栽培条件有关的栽培信息,以及与室外的天气条件有关的测量信息,以及
预测单元(423)基于表示干燥条件的特征值和影响干燥条件的天气条件的测量信息、栽培信息和控制装置(20)的操作信息中的至少一项信息来预测病虫害风险。
6.如权利要求1至4中任一项所述的信息处理装置(40),其中,当输入至少包括表示干燥条件的特征值的一个或多个特征值时,预测单元(423)通过使用输出在该干燥条件下的病虫害风险的预测模型来预测病虫害风险。
7.如权利要求6所述的信息处理装置(40),包括学习单元(422),该学习单元使用一个或多个特征值作为输入数据,使用干燥条件下的病虫害风险作为教学数据,并且通过机器学习生成预测模型。
8.如权利要求1至4中任一项所述的信息处理装置(40),其中所述预测单元(423)基于病虫害风险的预测结果生成预测信息,并将所述预测信息发送到用户终端(50)。
9.一种用于预测棚室内的病虫害风险的方法,该方法包括以下步骤:
获取棚室内的相对湿度的测量信息;
根据保存的相对湿度的测量信息生成表示干燥条件的特征值,并通过使用该特征值生成病虫害风险的预测模型;以及
根据相对湿度的测量信息生成表示棚室内的干燥条件的特征值,并基于该特征值预测棚室内的病虫害风险;
其中,所述干燥条件的特征值选自:
(f11)将以预定间隔获取的相对湿度的值输入到表达相对湿度与病虫害风险的相关性的关系表达式中时,病虫害风险A的一天的平均值;
(f12)风险A的一天的累积值;
(f13)风险A高于阈值时二值化为值1,或者风险A低于阈值时二值化为值0所得到的值的一天的平均值或值1的累积值;
(f14)一天的平均湿度;
(f15)相对湿度高于阈值时二值化为值1,或者相对湿度低于阈值时二值化为值0所得到的值的一天的平均值或值1的累积值;
(f16)从100(%)减去相对湿度得到的值;
(f17)相对湿度的倒数;
(f21)将以预定间隔获取的温度值输入到表达温度与病虫害风险的相关性的关系表达式中时,病虫害风险B的一天的平均值;
(f22)风险B的一天的累积值;
(f23)风险B高于阈值时二值化为值1,或者风险B低于阈值时二值化为值0所得到的值的一天的平均值或值1的累积值;
(f26)将风险B乘以风险A得到的值(A*B)的一天的累积值,这些值分别以预定间隔计算;
(f31)一天的最高气温与最低气温的温差;或,
(f32)一天的温度的两个不同百分位值的差异。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019111698 | 2019-06-17 | ||
JP2019-111698 | 2019-06-17 | ||
PCT/JP2020/021366 WO2020255677A1 (ja) | 2019-06-17 | 2020-05-29 | 情報処理装置及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114206109A CN114206109A (zh) | 2022-03-18 |
CN114206109B true CN114206109B (zh) | 2024-04-05 |
Family
ID=74037124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080044283.3A Active CN114206109B (zh) | 2019-06-17 | 2020-05-29 | 信息处理装置及方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20220279731A1 (zh) |
EP (1) | EP3984350A4 (zh) |
JP (1) | JPWO2020255677A1 (zh) |
KR (1) | KR20220024480A (zh) |
CN (1) | CN114206109B (zh) |
CA (1) | CA3143484A1 (zh) |
MX (1) | MX2021015706A (zh) |
WO (1) | WO2020255677A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021112136A (ja) * | 2020-01-16 | 2021-08-05 | 横河電機株式会社 | 支援システム、及び支援方法 |
JP7416025B2 (ja) * | 2021-07-30 | 2024-01-17 | 横河電機株式会社 | 栽培支援システム、栽培支援方法、及びプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006115704A (ja) * | 2004-10-19 | 2006-05-11 | Hitachi Software Eng Co Ltd | 病害虫防除管理方法及びシステム並びにプログラム |
JP2015119646A (ja) * | 2013-12-20 | 2015-07-02 | 大日本印刷株式会社 | 病害虫発生推定装置及びプログラム |
CN105387557A (zh) * | 2014-09-02 | 2016-03-09 | 三星电子株式会社 | 用于控制室内温度和湿度的方法和装置 |
CN107220903A (zh) * | 2017-06-23 | 2017-09-29 | 深圳市盛路物联通讯技术有限公司 | 一种智能农业管理方法和系统 |
CN109643431A (zh) * | 2016-09-07 | 2019-04-16 | 博世株式会社 | 信息处理装置和信息处理系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5788210A (en) * | 1980-11-25 | 1982-06-02 | Kansai Electric Power Co Inc:The | Controlling method of degree of superheat on working medium for turbine |
JP4203717B2 (ja) * | 2002-09-20 | 2009-01-07 | 高知県 | 加温システム |
JP5130594B2 (ja) | 2006-11-27 | 2013-01-30 | 公立大学法人秋田県立大学 | ネギさび病の発生予測法 |
JP2016019505A (ja) * | 2014-07-15 | 2016-02-04 | 近藤電子株式会社 | 害虫発生推定装置 |
JPWO2016047726A1 (ja) * | 2014-09-26 | 2017-07-06 | 日本電産サンキョー株式会社 | 照明装置および表示装置 |
TWI574607B (zh) * | 2014-11-27 | 2017-03-21 | 國立臺灣大學 | 用於作物的施藥系統及其施藥方法 |
KR20160076907A (ko) * | 2014-12-23 | 2016-07-01 | 주식회사 케이티 | 병충해 발생 예측 시스템 및 방법 |
CN110651157A (zh) * | 2017-03-27 | 2020-01-03 | 博世株式会社 | 信息处理装置和信息处理方法 |
US20170364816A1 (en) * | 2017-08-29 | 2017-12-21 | aWhere, Inc. | Prediction of Discernible Fungus Establishment on a Crop |
CN110197381B (zh) * | 2019-06-04 | 2020-07-07 | 黑龙江省七星农场 | 基于农业物联网综合服务管理系统的可追溯信息处理方法 |
CN110197308B (zh) * | 2019-06-05 | 2020-06-26 | 黑龙江省七星农场 | 一种用于农业物联网的作物监测系统及方法 |
-
2020
- 2020-05-29 WO PCT/JP2020/021366 patent/WO2020255677A1/ja unknown
- 2020-05-29 MX MX2021015706A patent/MX2021015706A/es unknown
- 2020-05-29 US US17/619,194 patent/US20220279731A1/en not_active Abandoned
- 2020-05-29 KR KR1020227000891A patent/KR20220024480A/ko unknown
- 2020-05-29 CA CA3143484A patent/CA3143484A1/en active Pending
- 2020-05-29 EP EP20827401.9A patent/EP3984350A4/en not_active Withdrawn
- 2020-05-29 CN CN202080044283.3A patent/CN114206109B/zh active Active
- 2020-05-29 JP JP2021527529A patent/JPWO2020255677A1/ja not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006115704A (ja) * | 2004-10-19 | 2006-05-11 | Hitachi Software Eng Co Ltd | 病害虫防除管理方法及びシステム並びにプログラム |
JP2015119646A (ja) * | 2013-12-20 | 2015-07-02 | 大日本印刷株式会社 | 病害虫発生推定装置及びプログラム |
CN105387557A (zh) * | 2014-09-02 | 2016-03-09 | 三星电子株式会社 | 用于控制室内温度和湿度的方法和装置 |
CN109643431A (zh) * | 2016-09-07 | 2019-04-16 | 博世株式会社 | 信息处理装置和信息处理系统 |
CN107220903A (zh) * | 2017-06-23 | 2017-09-29 | 深圳市盛路物联通讯技术有限公司 | 一种智能农业管理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
MX2021015706A (es) | 2022-02-03 |
JPWO2020255677A1 (zh) | 2020-12-24 |
US20220279731A1 (en) | 2022-09-08 |
CA3143484A1 (en) | 2020-12-24 |
EP3984350A1 (en) | 2022-04-20 |
CN114206109A (zh) | 2022-03-18 |
EP3984350A4 (en) | 2023-08-16 |
WO2020255677A1 (ja) | 2020-12-24 |
KR20220024480A (ko) | 2022-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Newlands | Model-based forecasting of agricultural crop disease risk at the regional scale, integrating airborne inoculum, environmental, and satellite-based monitoring data | |
US10255391B2 (en) | Modeling of time-variant threshability due to interactions between a crop in a field and atmospheric and soil conditions for prediction of daily opportunity windows for harvest operations using field-level diagnosis and prediction of weather conditions and observations and recent input of harvest condition states | |
Truong et al. | An IoT environmental data collection system for fungal detection in crop fields | |
US9292796B1 (en) | Harvest advisory modeling using field-level analysis of weather conditions and observations and user input of harvest condition states and tool for supporting management of farm operations in precision agriculture | |
US9880140B2 (en) | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery | |
US9009087B1 (en) | Modeling the impact of time-varying weather conditions on unit costs of post-harvest crop drying techniques using field-level analysis and forecasts of weather conditions, facility metadata, and observations and user input of grain drying data | |
Madden et al. | How to develop plant disease forecasters | |
EP3482630B1 (en) | Method, system and computer program for performing a pest forecast | |
US9087312B1 (en) | Modeling of costs associated with in-field and fuel-based drying of an agricultural commodity requiring sufficiently low moisture levels for stable long-term crop storage using field-level analysis and forecasting of weather conditions, grain dry-down model, facility metadata, and observations and user input of harvest condition states | |
CN114206109B (zh) | 信息处理装置及方法 | |
US20230215511A1 (en) | Real-time projections and estimated distributions of agricultural pests, diseases, and biocontrol agents | |
JP2018029568A (ja) | 萎れ具合予測システム及び萎れ具合予測方法 | |
Orlandini et al. | Methods of agroclimatology: modeling approaches for pests and diseases | |
WO2016118684A1 (en) | Harvest advisory modeling using field-level analysis of weather conditions and observations and user input of harvest condition states and tool for supporting management of farm operations in precision agriculture | |
Wang et al. | Development of an empirical tomato crop disease model: a case study on gray leaf spot | |
Rahman et al. | Optimizing Resource Allocation in Agriculture through IoT and AI | |
Martinez et al. | Predictive modelling in grape berry weight during maturation process: comparison of data mining, statistical and artificial intelligence techniques | |
WO2021039465A1 (ja) | 病害予測システム、病害予測方法及びプログラム | |
US20220357481A1 (en) | Information processing device and method | |
Magarey et al. | How to create and deploy infection models for plant pathogens | |
JP5130594B2 (ja) | ネギさび病の発生予測法 | |
Melal et al. | A machine learning method based on stacking heterogeneous ensemble learning for prediction of indoor humidity of greenhouse | |
Srinivas et al. | Crop health management using internet of things | |
US20210329921A1 (en) | Systems and methods for use of chlorine dioxide in cultivation and post-harvest applications | |
Huang et al. | A Deep Learning-Based Model for Edible Mushroom Greenhouse Prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |