CN114901066A - 辅助系统以及辅助方法 - Google Patents

辅助系统以及辅助方法 Download PDF

Info

Publication number
CN114901066A
CN114901066A CN202080089825.9A CN202080089825A CN114901066A CN 114901066 A CN114901066 A CN 114901066A CN 202080089825 A CN202080089825 A CN 202080089825A CN 114901066 A CN114901066 A CN 114901066A
Authority
CN
China
Prior art keywords
pest
occurrence
control unit
cultivation facility
environment
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.)
Granted
Application number
CN202080089825.9A
Other languages
English (en)
Other versions
CN114901066B (zh
Inventor
虎井总一朗
初谷惠美子
佐藤平理
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yokogawa Electric Corp
Original Assignee
Yokogawa Electric Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yokogawa Electric Corp filed Critical Yokogawa Electric Corp
Publication of CN114901066A publication Critical patent/CN114901066A/zh
Application granted granted Critical
Publication of CN114901066B publication Critical patent/CN114901066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B76/00—Parts, details or accessories of agricultural machines or implements, not provided for in groups A01B51/00 - A01B75/00

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Catching Or Destruction (AREA)

Abstract

本公开的辅助系统(1)具备：第一存储单元(12)，存储表示栽培设施(60)的环境的数据以及表示病虫害的发生状况的数据；以及第一控制单元(11)，使用从所述第一存储单元(12)取得的表示所述环境的数据以及表示病虫害的发生状况的数据进行机器学习，从而生成用于预测所述栽培设施(60)的病虫害的发生概率的预测模型。

Description

辅助系统以及辅助方法
相关申请的交叉引用
本申请主张于2020年1月16日在日本申请的专利申请2020-5320号的优先权，在此，对以上申请的全部公开进行引用以供参考。
技术领域
本公开涉及用于辅助栽培管理员的辅助系统以及辅助方法。
背景技术
过去，作为掌握栽培设施的病虫害的发生状况的技术，例如有专利文献1中公开的技术。在专利文献1中公开的技术中，作业者在收获等作业中发现了病虫害的情况下，使用便携终端将病虫害的发现信息发送到管理终端。接着，管理终端基于从便携终端接收的病虫害的发现信息，制作病虫害管理表，向监视器等输出。
现有技术文献
专利文献1：日本专利公开2018-85981号公报
发明内容
发明要解决的课题
在专利文献1公开的技术中，作业者若不在栽培设施的全部区域范围内确认是否发生了病虫害，则无法详细地掌握栽培设施的病虫害的发生状况。从而，专利文献1公开的技术在有效地掌握栽培设施的病虫害的发生状况这一点上还有改善的余地。
在此，本公开的目的是提供一种能够有效地掌握栽培设施的病虫害的发生状况的辅助系统以及辅助方法。
用于解决课题的手段
数个实施方式所涉及的辅助系统具备：第一存储单元，存储表示至少1个栽培设施的环境的数据以及表示病虫害的发生状况的数据；以及第一控制单元，使用从所述第一存储单元取得的表示所述环境的数据以及表示病虫害的发生状况的数据进行机器学习，从而生成用于预测所述栽培设施的病虫害的发生概率的预测模型。
从而，栽培管理员能够有效地掌握栽培设施的病虫害的发生状况。
在一实施方式中，所述支援系统还具备：传感器组，测量表示所述栽培设施的环境的数据；第二控制单元，将从所述传感器组取得的表示所述环境的数据输入到所述预测模型，并预测所述栽培设施的所述病虫害的发生概率；以及输出单元，输出所述第二控制单元所预测的所述病虫害的发生概率。
从而，栽培管理员能够优先管理各栽培设施中的病虫害的发生概率高的区域。
在一实施方式中，所述输出单元还可以输出表示所述栽培设施的所述病虫害的实际的发生状况的数据。
从而，栽培管理员能够有效地掌握预测模型的预测精度。
在一实施方式中，所述第二控制单元使用所述传感器组所测量的表示所述环境的数据和所述病虫害的实际的发生状况的数据进行机器学习，从而更新所述预测模型。
从而，能够提高针对各栽培设施的预测模型的预测精度。
在一实施方式中，所述第二控制单元还可以基于栽培管理员的输入，控制设置于所述栽培设施的环境控制装置，以使所述栽培设施的所述病虫害的发生概率降低。
从而，能够抑制因病虫害引起的损害。
在一实施方式中，所述第二控制单元基于所述栽培设施的所述病虫害的发生概率生成所述病虫害的防治方案，所述输出单元还可以输出所述第二控制单元所生成的所述防治方案。
从而，栽培管理员能够基于防治方案有效地管理栽培设施。
在一实施方式中，所述第二控制单元基于表示所述栽培设施的所述环境的数据，将所述传感器组中包含的传感器的位置和/或数量最优化，所述输出单元还可以输出最优化的所述传感器的位置和/或数量。
从而，能够减少栽培设施管理所必须的成本。
数个实施方式所涉及的辅助方法是使用计算机的辅助方法，该辅助方法包括：所述计算机使用表示至少一个栽培设施的环境的数据以及表示病虫害的发生状况的数据进行机器学习，从而生成用于预测所述栽培设施的病虫害的发生概率的预测模型的步骤。
从而，栽培管理员能够有效地掌握栽培设施的病虫害的发生状况。
在一实施方式中，所述辅助方法还可以包括使所述计算机进行以下步骤：取得表示所述栽培设施的环境的数据的步骤；将取得的表示所述环境的数据输入到所述预测模型，并预测所述栽培设施的所述病虫害的发生概率的步骤；以及输出所述预测的所述病虫害的发生概率的步骤。
从而，栽培管理员能够优先管理各栽培设施中的病虫害的发生概率高的区域。
发明效果
根据本公开，能够提供一种有效地掌握栽培设施的病虫害的发生状况的辅助系统以及辅助方法。
附图说明
图1是表示本实施方式所涉及的辅助系统的结构的功能框图。
图2是对本实施方式所涉及的辅助系统的第一操作例进行说明的流程图。
图3是对图2的步骤S101的处理进行说明的示意图。
图4是对图2的步骤S102的处理进行说明的示意图。
图5是对图2的步骤S103的处理进行说明的示意图。
图6是对图2的步骤S104的处理进行说明的示意图。
图7是对本实施方式所涉及的辅助系统的第二操作例进行说明的流程图。
图8是对图7的步骤S203的处理进行说明的示意图。
图9是对图7的步骤S204的处理进行说明的示意图。
图10是对本实施方式所涉及的辅助系统的第三操作例进行说明的流程图。
图11是对图10的步骤S302的处理进行说明的示意图。
图12是对图10的步骤S303的处理进行说明的示意图。
图13是对图10的步骤S306的处理的输出例进行说明的示意图。
图14是对便携终端的画面例进行说明的示意图。
图15是对本实施方式所涉及的辅助系统的第四操作例进行说明的流程图。
图16是对图15的步骤S407的处理的输出例进行说明的示意图。
图17是基于光谱摄像机的解析图像。
具体实施方式
下面，参考附图对用于实施本公开的方式进行相关说明。在各图中，相同的标号表示相同或等同的结构元素。
参考图1，对本公开的一实施方式所涉及的辅助系统1进行说明。
辅助系统1具备服务器装置10、客户端装置20、传感器组30、环境控制装置40以及便携终端50。服务器装置10能够通过因特网等网络70与客户端装置20通信。此外，服务器装置10还能够通过网络70与传感器组30、环境控制装置40以及便携终端50通信。客户端装置20、传感器组30以及环境控制装置40分别被设置在例如全国的栽培设施60等至少一个栽培设施60上。便携终端由栽培管理员所携带。
服务器装置10为属于云计算系统等的服务器。
服务器装置10具备第一控制单元11、第一存储单元12以及第一通信单元13。
第一控制单元11包括一个以上的处理器。处理器为例如CPU(central processingunit(中央处理器))等的通用处理器，或者专门用于特定处理的专用处理器。第一控制单元11控制服务器装置10的各单元，同时进行与服务器装置10的操作相关的处理。
第一存储单元12包括一个以上的半导体存储器、一个以上的磁存储器、一个以上的光存储器，或这些的组合。例如，半导体存储器是RAM(random access memory(随机存取存储器))或ROM(read only memory(只读存储器))。第一存储单元12存储用于服务器装置的10操作的信息，以及通过服务器装置10的操作所获得的信息。
第一通信单元13包括一个以上的通信接口，该通信接口例如能够通过互联网、网关以及LAN(local area network(局域网)等进行通信。第一通信单元13接收用于服务器装置10操作的信息，并发送通过服务器装置10的操作获得的信息。
另外，服务器装置10的操作是通过由第一控制单元11中包含的处理器执行存储在第一存储单元12中的程序来实现的。
客户端装置20为移动电话、智能手机、平板电脑或PC(personal computer(个人计算机))等。
客户端装置20包括第二控制单元21、第二存储单元22、第二通信单元23、输入单元24以及输出单元25。
第二控制单元21包括一个以上的处理器。例如，处理器是例如CPU(centralprocessing unit(中央处理器))等的通用处理器，或者专门用于特定处理的专用处理器。第二控制单元21控制客户端装置20的各单元，同时进行与客户端装置20的操作相关的处理。
第二存储单元22包括一个以上的半导体存储器、一个以上的磁存储器、一个以上的光存储器，或这些的组合。例如，半导体存储器是RAM(random access memory(随机存取存储器))或ROM(read only memory(只读存储器))。第二存储单元22存储用于客户端装置20操作的信息，以及通过客户端装置20的操作所获得的信息。
第二通信单元23包括一个以上的通信接口，该通信接口能够通过例如互联网、网关以及LAN(local area network(局域网))等进行通信。第二通信单元23接收用于客户端装置20操作的信息，并发送通过客户端装置20的操作获得的信息。
输入单元24包括一个以上的输入用接口。输入用接口例如为与物理键、电容键、指针设备和显示器一体设置的触摸屏、麦克风或这些的组合。输入单元24接受用于客户端装置20操作的信息的输入操作。
输出单元25包括一个以上的输出用接口。输出用接口为例如LCD(liquid crystaldisplay(液晶显示器))或有机EL(电致发光(electro luminescence))显示器等显示器、扬声器或这些的组合。输出单元25输出通过客户端装置20的操作获得的信息。
另外，客户端装置20的操作是通过由第二控制单元21中包含的处理器执行存储在第二存储单元22中的程序来实现的。
传感器组30包括一个以上的传感器。作为传感器，可以列举出CO2浓度计、日照计、温度计、湿度计或这些的组合，但不限于此。传感器组30能够通过LAN等与客户端装置20通信。
环境控制装置40包括但不限于洒水装置、照明装置、空调装置、窗帘、天窗、CO2生成器或这些的组合。环境控制装置40能够通过LAN等与用户端装置20通信。此外，环境控制单元40由客户端装置20的第二控制单元21控制。
便携终端50为移动电话、智能手机或平板电脑等，但不限于此。便携终端50能够通过WiFi(注册商标)或蓝牙(Bluetooth(注册商标))等与客户端装置20通信。
栽培设施60为农场、温室或塑料大棚(vinyl house)等，但不限于此。
在上述结构中，也可由客户端装置20的第二控制单元21承担服务器装置10的第一控制单元11的部分或全部处理。或者，也可以由服务器装置10的第一控制单元11承担客户端装置20的第二控制单元21的部分或全部处理。
参考图2，对本实施方式所涉及的辅助系统1的第一操作例进行说明。第一操作例相当于基于本公开的辅助方法的一实施方式。
在步骤S101中，服务器装置10的第一控制单元11经由第一通信单元13，以规定的时间间隔，从分别设置在全国的栽培设施60等(优选地，为多个栽培设施60)中的客户端装置20中，取得表示各栽培设施60的环境的数据以及表示病虫害发生状况的数据。此外，第一控制单元11将取得的表示环境的数据和表示病虫害发生状况的数据存储在第一存储单元12中。另外，如图3所示，第一控制单元11可以根据栽培设施60的位置(关东，北陆等)、栽培设施60中种植的植物等的品种(A、B等)以及病虫害的类型(灰霉病(Botrytis cinerea)、白粉病(Powdery mildew)等)，将取得的数据进行分类，并存储在第一存储单元12中。
本实施方式中的“环境”包括但不限于CO2浓度、日照量、温度、湿度或这些的组合。由设置在各栽培设施60中的传感器组30取得表示环境的数据。此外，本实施方式中的“病虫害”包括但不限于灰霉病、白粉病、叶霉病或这些的组合。病虫害的发生状况基于栽培管理员的目视确认或摄像机等的拍摄图像来决定。详细内容将在第三操作例中进行说明。此外，本实施例中的“规定的时间间隔”可由栽培管理员适当设定，例如，可以是几十分钟至几个小时，但不限于此。
在步骤S102中，第一控制单元11从第一存储单元12取得表示环境的数据和表示病虫害发生状况的数据，并进行预处理。本实施方式中的“预处理”包括但不限于缺失值处理、离群值处理、归一化处理、离散处理或这些的组合。例如，“预处理”也可以包括基于规定期间(例如1小时到6小时)的微分值或积分值等的传感器值所创建的新的变量。离散化处理包括但不限于等频度分割、等数分割、卡方分箱(ChiMerge)算法或这些的组合。这些处理根据后述的聚类(Clustering)的方法进行适当选择。图4表示了离散处理的数据。另外，当想要预测特定的病虫害的发生概率时，也可以对与是否存在特定的病虫害所对应的目标变量进行适当的加权。
在步骤S103中，第一控制单元11使用步骤S102中预处理的数据进行机器学习，从而生成用于预测病虫害发生概率的预测模型。下面，详细说明步骤S103。
例如，第一控制单元11能够使用聚类和贝叶斯网络技术来生成预测模型，该预测模型将表示环境的数据所对应的变量作为说明变量，将是否存在病虫害的变量作为目标变量。贝叶斯网络是将变量作为节点的有向非循环图(Directed Acyclic Graph)，并包括节点之间的附条件概率表。聚类是将相似的变量彼此分类到相同群集的方法。例如，聚类包括但不限于硬聚类(如k-means方法等)或软聚类(如概率潜在语义分析)。在步骤S103中，首先，第一控制单元11使用步骤S102中预处理的数据，以时间序列进行聚类。从而，相似的说明变量彼此被分类到相同群集中，并进行维度压缩。另外，聚类是所谓的无监督学习，而例如在具有表示病虫害的发生状况这样的特别关注的目标变量的情况下，也可以对该变量进行加权，从而适当调整对该变量的相似性的影响。图5表示聚类结果。接下来，第一控制单元11使用聚类结果进行结构学习，从而生成用于预测病虫害的发生概率的预测模型。图6表示预测模型的一例，该预测模型包括与表示环境的数据对应的父节点、根据聚类进行维度压缩的子节点、以及对应于规定品种中是否存在规定的病虫害的孙节点。另外，父节点和孙节点之间不需要通过子节点链接，也可以直接链接。这样，通过使用对基于聚类的维度压缩以及使节点之间的依赖关系可视化的贝叶斯网络进行组合的预测模型，栽培管理员能够有效地解释植物等中的复杂的生物学现象。
在步骤S103中，第一控制单元11能够使用表示栽培设施60迄今为止的环境的数据和表示病虫害的当前的发生状况的数据进行机器学习。从而，第一控制单元11能够生成可预测病虫害的当前的发生概率的预测模型。除此以外，第一控制单元11能够使用表示栽培设施60过去(例如，3天前等)的环境的数据和表示病虫害的当前的发生状况的数据进行机器学习。从而，第一控制单元11能够生成可预测病虫害的未来(例如，三天后等)的发生概率的预测模型。此外，第一控制单元11能够根据栽培设施60的每个植物等的品种和每个病虫害类型，生成可以预测病虫害的当前和/或未来的发生概率的预测模型。
在步骤S104中，第一控制单元11将在步骤S103中生成的预测模型存储在第一存储单元12中。
另外，优选地，响应于气候或季节的变化，第一控制单元11通过执行步骤S101至S104定期更新预测模型。从而，即使气候或季节发生变化，也能够保持病虫害的发生概率的预测精度。
根据第一操作例，可以使用预测模型管理栽培设施60，能够有效地掌握栽培设施60的病虫害的发生状况。此外，虽然详细内容在之后讲述，但将预测模型作为初始模型，来预测各栽培设施60的病虫害发生概率，从而能够降低初始成本。
参考图7，对本实施方式所涉及的辅助系统1的第二操作例进行说明。第二操作例相当于基于本公开的辅助方法的一实施方式。
第二操作例从如下状态开始：被分别设置在各栽培装置60中的客户端装置20的第二控制单元21，经由第二通信单元23从服务器装置10取得在第一操作例中生成的预测模型并存储在第二存储单元22中的状态。其中，不需要在全国的所有种植设施60中执行第二操作例，也可以在特定的栽培设施60中执行第二操作例。
在步骤S201中，客户端装置20的第二控制单元21以规定的时间间隔从传感器组30取得表示栽培设施60的环境的数据，并存储在第二存储单元。
在步骤S202中，第二控制单元21从第二存储单元22取得表示环境的数据并进行预处理。该预处理和步骤S102相同。
在步骤S203中，第二控制单元21使用在步骤S202中预处理的数据，并以传感器组30进行聚类。从而，传感器组30基于栽培设施60区域之间的环境相似性被分类为群集。图8表示了聚类的结果。在图8中，“说明变量1”和“说明变量2”等分别对应于表示环境的数据。此外，“t1”和“t2”等对应于它们的时间变化。另外，在重视成本的情况下，栽培管理员也可以经由输入单元24强制设置群集的数量。
在步骤S204中，第二控制单元21根据步骤S203的聚类结果优化传感器组30中所包含的传感器的位置和/或数量。此外，第二控制单元21经由输出单元25将优化后的传感器的位置和/或数量向栽培管理员进行输出。在图8和9中，传感器组30被分类为9个群集(群集(Cluster)1到9)。针对属于同一群集的多个传感器，第二控制单元21可以选择其中的一个传感器作为代表并进行排除其他传感器等优化。例如，作为代表的传感器(以下也称“代表传感器”)也可以被决定为使属于各群集的代表传感器之间的距离相等。被排除的传感器既可以用于其他种植设施60，也可以归还给租赁公司。
根据第二操作例，能够掌握取得栽培设施60的环境的差异所需的最少的传感器的位置和/或数量，从而能够降低管理栽培设施60所需的成本。另外，从提高优化精度的观点来看，除了使用表示栽培设施60环境的数据外，还可以使用表示基于栽培管理员的目视确认或基于定点摄像机等的拍摄图像来判断的病虫害的发生状况的数据来执行步骤S201至S204。
参考图10，对本实施方式所涉及的辅助系统1的第三操作例进行说明。第三操作例相当于基于本公开的辅助方法的一实施方式。
第三操作例从如下的状态开始；被分别设置在各栽培装置60中的客户端装置20的第二控制单元21，经由第二通信单元23从服务器装置10取得在第一操作例中生成的预测模型并存储在第二存储单元22中的状态。然而，不需要在全国的所有种植设施60中执行第三操作例，也可以在特定的栽培设施60中执行第三操作例。
在步骤S301中，客户端装置20的第二控制单元21以规定的时间间隔从传感器组30取得表示栽培设施60的环境的数据，并存储在第二存储单元。
在步骤S302中，第二控制单元21从第二存储单元22取得表示环境的数据并进行预处理。该预处理与步骤S102相同。图11表示已离散化处理的数据。
在步骤S303中，第二控制单元21从第二存储单元22取得预测模型并预测病虫害的当前和未来发生概率。图12表示通过使用了贝叶斯网络和聚类的预测模型来预测病虫害的当前的发生概率的情况的例子。在本例中，第二控制单元21将在步骤S301中取得的表示栽培设施60的环境的数据所对应的父节点对应的证据(evidence)设定为“1”，将针对除此以外的父节点的证据设定为“0”。从而，例如在品种A中的灰霉病是否发生所对应的孙节点中，预测到病虫害的当前的发生概率为85％。
在步骤S304中，第二控制单元21经由输出单元25向栽培管理员输出步骤S303中预测的病虫害的当前和未来的发生概率。图13表示了输出例。在图13中，表示了灰霉病的当前和未来的发生概率。其中，在步骤S304中，在图13中不显示“重”、“轻”和“无”等指标。另外，在本例中，将0％以上且小于40％的发生概率定义为“低”，将40％以上且小于70％的发生概率定义为“中”，将70％以上且100％以下的发生概率定义为“高”，但不限于此。在此，第二控制单元21也可以经由第二通信单元23将表示病虫害的发生概率的数据发送到便携终端50并显示在便携终端50的画面上。从而，栽培管理员能够以栽培设施60的区域中的病虫害的当前的发生概率较高的区域为优先，目视确认病虫害的实际发生状况，并登记在便携式终端50中。病虫害的实际发生状况根据发生等级的轻重来适当确定，例如，由“重”、“轻”和“无”等指标表示，但不限于此。此外，栽培管理员通过便携终端50来读取表示安装在栽培设施60的各区域中的位置信息的条形码或者QR(Quick Response(快速反应))码(注册商标)，能够使表示病虫害实际发生状况的信息中包含表示病虫害的发生场所的信息。图14表示了便携终端50的画面例。图14表示了栽培设施60的区域(通道(lane)A，6号)中的病虫害的当前的发生概率为“灰霉病：高、白粉病：中、叶霉病：低”，并且表示病虫害的实际发生状况为“灰霉病：重、白粉病：轻、叶霉病：无”。此外，在本例中，当栽培管理员是见习人员时，病虫害的实际发生状况不由栽培管理员的目视确认来决定，而是通过使用深度学习等任何技术分析便携终端50的摄像机等拍摄的植物图像来适当确定。另外，病虫害的未来的发生概率将在第四操作例中详细说明。
在步骤S305中，第二控制单元21经由第二通信单元23，从便携终端50取得表示病虫害的实际的发生状况的数据。
在步骤S306中，第二控制单元21还经由输出单元25向栽培管理员输出在步骤S305中取得的表示病虫害的实际的发生状况的数据。优选地，第二控制单元21，经由输出单元25，向栽培管理员输出在步骤S303中预测的病虫害的当前的发生概率以及在步骤S305中取得的表示病虫害的实际的发生状态的数据。图13左侧表示输出例。
在此，在第一操作例中生成的预测模型为使用表示全国的栽培设施60的环境的数据以及表示病虫害的发生状况的数据而生成的预测模型，因此，不一定是对各个栽培设施60进行定制得到的预测模型。因此，步骤S303中预测的病虫害的当前的发生概率不一定准确地再现了步骤S305中取得的病虫害的实际发生状况。因此，优选地，对各栽培设施60定制(customize)通过将第一操作例中生成的预测模型，从而提高各栽培设施60的病虫害发生概率的预测精度。
在此，在步骤S307中，第二控制单元21基于将步骤S303中预测的病虫害的当前的发生概率与步骤S305中取得的病虫害的实际发生状况进行比较，判断是否对在步骤S303中从第二存储单元22取得的预测模型进行更新。在第二控制单元21判断为要更新预测模型的情况下(步骤S307：是)，则前进到步骤S308。在第二控制单元21判断为不更新预测模型的情况下(步骤S307：否)，则结束本处理。另外，由于栽培管理员可以查看图13的输出例，因此在步骤S307中，第二控制单元21也可以基于栽培管理员的输入来判断是否更新预测模型。例如，第二控制单元21经由输出单元25向栽培管理员输出是否更新预测模型的询问对话框。此外，第二控制单元21经由输入单元24接受栽培管理员输入的是否更新预测模型的回答的操作。
在步骤S308中，第二控制单元21在现有数据中添加在步骤S301中取得的表示栽培设施60的环境的数据和在步骤S305中取得的表示病虫害的实际的发生状况的数据中，并以与步骤S102和S103相同的方法进行机器学习。当第二控制单元21完成机器学习时，将更新预测模型。此外，第二控制单元21用更新后的预测模型替换存储在第二存储单元22中的预测模型。
另外，通过反复执行步骤S303到S308，从而进一步提高各栽培设施60的病虫害的发生概率的预测精度。此外，在特定的栽培设施60的环境由于气候或季节的变化而变化时，预测模型的预测精度有降低的可能性。在此，在步骤S307之后并且在步骤S308之前，第二控制单元21也可以进行与步骤S203相同的聚类。其中，从计算时间和计算量的观点来看，聚类的频度优选地为每月至每年一次。
根据第三操作例，栽培管理员能够优先管理各栽培设施60中病虫害发生概率较高的区域，从而能够用较小劳动量来有效地管理栽培设施60。此外，根据第三操作例，由于生成了考虑了各栽培设施60中病虫害的实际的发生状况的预测模型，因此提高了针对各栽培设施60的预测模型的预测精度。
参考图15，对本实施方式所涉及的辅助系统1的第四操作例进行说明。第四操作例相当于基于本公开的辅助方法的一实施方式。
在第四操作例中从如下的状态开始：通过第三操作例对各栽培设施60定制化的预测模型被存储到客户端装置20的第二存储单元22的状态。其中，不需要在全国的所有种植设施60中执行第四操作例，也可以在特定的栽培设施60中执行第四操作例。
在步骤S401中，客户端装置20的第二控制单元21以规定的时间间隔从传感器组30取得表示栽培设施60的环境的数据，并存储在第二存储单元。
在步骤S402中，第二控制单元21从第二存储单元22取得表示环境的数据并进行预处理。该预处理与步骤S102相同。
在步骤S403中，第二控制单元21从第二存储单元22取得预测模型，并预测病虫害的当前和未来的发生概率。步骤S403与步骤S303相同。
在步骤S404中，第二控制单元21经由输出单元25向栽培管理员输出步骤S403中预测的病虫害的当前和未来的发生概率。
在步骤S405中，第二控制单元21基于栽培管理员的输入，判断是否控制被设置在栽培设施60上的环境控制装置40。例如，第二控制单元21经由输出单元25向栽培管理员输出是否控制环境控制单元40的询问对话框。此外，第二控制单元21经由输入单元24接受栽培管理员输入是否控制环境控制装置40的回答的操作。在这种情况下，栽培管理员能够综合判断在步骤S404中输出的病虫害的当前和未来的发生概率。在第二控制单元21判断为控制环境控制单元40的情况下(步骤S405：是)，则前进到S406。在第二控制单元21判断为不控制环境控制单元40的情况下(步骤S405：否)，则前进到S407。
在步骤S406中，第二控制单元21基于栽培管理员的输入，取得环境控制单元40所示的值的目标值。例如，第二控制单元21经由输入单元24接受栽培管理员输入目标值的操作。在这种情况下，栽培管理员能够为使病虫害的发生概率变低来决定该目标值。此外，第二控制单元21控制环境控制装置40以使达到环境控制装置40所示的值所取得的目标值。此外，在环境控制装置40所示的值达到目标值的情况下，第二控制单元21预测未来的病虫害的发生概率。就该预测而言，通过第二控制单元21将与该目标值所对应的父节点的证据设置为“1”，从而以与步骤S303相同的方法进行的。
在此，在第四处理例中，基于历史实际数据等，可防治病虫害的药物名称和喷洒时期预先与病虫害的类型和发生概率相关联，并存储在第二存储单元22中。
在步骤S407中，第二控制单元21参照第二存储单元22，基于在步骤S404中预测的病虫害的未来的发生概率，生成包括用于防治病虫害的药物名称及喷洒时期的防治方案。或者，第二控制单元21参照第二存储单元22，基于在步骤S406中预测的、在控制环境控制装置40的情况下的病虫害的未来的发生概率，生成包括用于防治病虫害的药物名称和喷洒时期的防治方案。此外，经由输出单元25，第二控制单元21向栽培管理员输出所生成的防治方案。在图16的上半段，表示了基于在步骤S406中预测的、在控制了环境控制装置40的情况下的病虫害的未来的发生概率而生成的防治方案。在图16的下半段，表示了基于步骤S404中预测的病虫害的未来的发生概率而生成的防治方案。图16的防治方案例如包括配置了传感器组(No.2)的区域的病虫害的发生等级为“轻”的情况的防治方案。栽培管理员在控制环境控制装置40的情况下，能够从图16的防治方案掌握“在2天内喷洒药剂B(效果：杀菌)即可”一事。另一方面，栽培管理员在不控制环境控制装置40的情况下，能够从图16的防治方案掌握“有必要立即喷洒药剂B(效果：杀菌)”一事。
根据第四操作例，为了使各栽培设施60的病虫害的发生概率变低而控制环境控制装置40，因此能够抑制因病虫害引起的损害。此外，栽培管理员能够根据防治方案有效地决定作业时间表和药物的订购时间和订购数量，因此能够有效地管理栽培设施60。
以上，基于各附图以及实施方式对本公开进行了说明，但是应注意的是，本领域技术人员根据本公开进行各种变形或修改是很容易的。因此，需留意的是，这些变形或修改属于本公开的范围。例如，只要在理论上不矛盾，则能够重新排列各步骤中包括的功能等，也可以将多个步骤等组合为一个步骤或者进行拆分。
例如，图1中所示的传感器组30也可以包括能够测量对光合作用重要的叶绿素量的光谱摄像机。在此，当植物等受到基于病虫害的压力时，受压力的部位(以下简称“受压部位”)的光合作用被抑制。因此，也可以将基于反射强度或归一化植被指标等对光谱摄像机的摄像画面进行分析而计算出的受压部位的面积或者该面积的时间变化量添加到预测模型的说明变量中。在图17中，用白色表示的区域(相当于“叶子”)中，用黑色表示的区域相当于受压部位。此外，也可以使用随机森林(random forests)等机器学习，基于摄像画面的每个像素的特征波长的反射强度等，来生成用于检测特定的病虫害的发病或者预备军的预测模型。从而，提高病虫害的发生概率的预测精度。
工业上的可利用性
根据本公开，能够提供一种可以有效地掌握栽培设施的病虫害的发生情况的辅助系统以及辅助方法。
符号说明
1 辅助系统
10 服务器装置
11 第一控制单元
12 第一存储单元
13 第一通信单元
20 客户端装置
21 第二控制单元
22 第二存储单元
23 第二通信单元
24 输入单元
25 输出单元
30 传感器组
40 环境控制装置
50 便携终端
60 栽培设施
70 网络

Claims (9)

1.一种辅助系统，具备：
第一存储单元，存储表示至少1个栽培设施的环境的数据以及表示病虫害的发生状况的数据；以及
第一控制单元，使用从所述第一存储单元取得的表示所述环境的数据以及表示所述病虫害的发生状况的数据进行机器学习，从而生成用于预测所述栽培设施的病虫害的发生概率的预测模型。
2.如权利要求1所述的辅助系统，其中，
所述辅助系统还具备：
传感器组，测量表示所述栽培设施的环境的数据；
第二控制单元，将从所述传感器组取得的表示所述环境的数据输入到所述预测模型，预测所述栽培设施的所述病虫害的发生概率；以及
输出单元，输出所述第二控制单元所预测的所述病虫害的发生概率。
3.如权利要求2所述的辅助系统，其中，
所述输出单元还输出表示所述栽培设施的所述病虫害的实际的发生状况的数据。
4.如权利要求3所述的辅助系统，其中，
所述第二控制单元使用所述传感器组所测量的表示所述环境的数据以及表示所述病虫害的实际的发生状况的数据进行机器学习，从而更新所述预测模型。
5.如权利要求2至4中任一项所述的辅助系统，其中，
所述第二控制单元基于栽培管理员的输入来控制设置于所述栽培设施的环境控制装置，以使所述栽培设施的所述病虫害的发生概率降低。
6.如权利要求2至5中任一项所述的辅助系统，其中，
所述第二控制单元基于所述栽培设施的所述病虫害的发生概率，生成所述病虫害的防治方案，
所述输出单元输出所述第二控制单元所生成的所述防治方案。
7.如权利要求2至6中任一项所述的辅助系统，其中，
所述第二控制单元基于表示所述栽培设施的所述环境的数据，将所述传感器组中包括的传感器的位置和/或数量最优化，
所述输出单元输出最优化后的所述传感器的位置和/或数量。
8.一种辅助方法，其是使用了计算机的辅助方法，包括：
所述计算机使用表示至少一个栽培设施的环境的数据以及表示病虫害的发生状况的数据进行机器学习，从而生成用于预测所述栽培设施的病虫害的发生概率的预测模型的步骤。
9.如权利要求8所述的辅助方法，其中，
所述辅助方法还包括使所述计算机进行以下处理的步骤：
取得表示所述栽培设施的环境的数据的步骤；
将取得的表示所述环境的数据输入到所述预测模型，预测所述栽培设施的所述病虫害的发生概率的步骤；以及，
输出所预测的所述病虫害的所述发生概率的步骤。
CN202080089825.9A 2020-01-16 2020-12-01 辅助系统以及辅助方法 Active CN114901066B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020005320A JP2021112136A (ja) 2020-01-16 2020-01-16 支援システム、及び支援方法
JP2020-005320 2020-01-16
PCT/JP2020/044752 WO2021145081A1 (ja) 2020-01-16 2020-12-01 支援システム、及び支援方法

Publications (2)

Publication Number Publication Date
CN114901066A true CN114901066A (zh) 2022-08-12
CN114901066B CN114901066B (zh) 2024-03-22

Family

ID=76864226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080089825.9A Active CN114901066B (zh) 2020-01-16 2020-12-01 辅助系统以及辅助方法

Country Status (5)

Country Link
US (1) US20230065717A1 (zh)
EP (1) EP4091443A4 (zh)
JP (1) JP2021112136A (zh)
CN (1) CN114901066B (zh)
WO (1) WO2021145081A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681279A (zh) * 2023-05-25 2023-09-01 北京健卫病媒有害生物防控中心 一种基于数据分析的林业有害生物防治风险评估系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2023170975A1 (ja) * 2022-03-11 2023-09-14 オムロン株式会社 学習方法、葉状態識別装置、およびプログラム

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004121093A (ja) * 2002-10-02 2004-04-22 Green Gold Biosystem Inc 遺伝子改変植物の栽培評価システム
KR20110065129A (ko) * 2009-12-09 2011-06-15 (주)티아이에스 유비쿼터스 기반 온실 관리시스템 및 방법
KR20110067791A (ko) * 2009-12-15 2011-06-22 순천대학교 산학협력단 작물의 병해충 진단 시스템 및 그 방법
KR20130041702A (ko) * 2011-10-17 2013-04-25 사단법인 한국온실작물연구소 가변형 인공광원을 이용한 온실내 딸기재배방법 및 시스템
CN204423100U (zh) * 2014-09-19 2015-06-24 杭州宏成节能科技有限公司 一种金针菇选拔菌株生长环境控制系统
CN104770347A (zh) * 2015-04-15 2015-07-15 北京中科通视科技有限公司 一种便携式智能型虫情测报系统
JP2015154732A (ja) * 2014-02-20 2015-08-27 日本電気株式会社 害虫発生予測システム、端末装置、サーバ装置、および害虫発生予測方法
KR20160120543A (ko) * 2015-04-08 2016-10-18 한국전자통신연구원 온실 운영 시스템과 그 온실 운영 시스템의 사용자 인터페이스 동기화 방법
CN205865718U (zh) * 2016-06-28 2017-01-11 河南铭哲能源科技有限公司 目标区域粘诱虫防控系统
US9563852B1 (en) * 2016-06-21 2017-02-07 Iteris, Inc. Pest occurrence risk assessment and prediction in neighboring fields, crops and soils using crowd-sourced occurrence data
CN206078727U (zh) * 2016-09-30 2017-04-12 桂林电子科技大学 一种基于物联网的农作物害虫智能测报系统
KR101723173B1 (ko) * 2015-12-15 2017-04-18 주식회사 로하스텍 Ict 기반의 농산물 관리 및 생산 시스템
CN106645563A (zh) * 2016-09-30 2017-05-10 深圳前海弘稼科技有限公司 一种基于种植设备的病虫害预测方法及装置
KR20170059109A (ko) * 2015-11-20 2017-05-30 한국전자통신연구원 온실에서 사용되는 서버, 디바이스 및 그 제어 방법
CN107711756A (zh) * 2017-11-03 2018-02-23 桂林电子科技大学 基于物联网的农作物害虫智能测报系统
CN107748529A (zh) * 2017-11-14 2018-03-02 吉林农业大学 一种基于物联网的农业病虫防控设备
US20180065747A1 (en) * 2016-09-08 2018-03-08 Wal-Mart Stores, Inc. Systems and methods for dispensing an insecticide via unmanned vehicles to defend a crop-containing area against pests
CN107783522A (zh) * 2017-10-18 2018-03-09 来安县威光绿园生态农业专业合作社 一种基于物联网的农作物病虫害智能防治系统
JP2018085981A (ja) * 2016-05-20 2018-06-07 富士電機株式会社 病害虫管理システム、病害虫管理方法および管理端末
CN108471712A (zh) * 2015-12-16 2018-08-31 富兰帝欧公司 信息处理装置、信息处理方法及程序
KR20180117758A (ko) * 2017-04-19 2018-10-30 한국생산기술연구원 무인운송장치, 이를 이용한 환경제어 시스템 및 방법
CN109002853A (zh) * 2018-07-18 2018-12-14 宁夏智启连山科技有限公司 农作物种类与病虫害类型的联合识别方法及装置
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
WO2019172536A1 (ko) * 2018-03-09 2019-09-12 주식회사 리퓨터 생육 레시피를 생성 및 제공하는 식물 재배 시스템
CN110235873A (zh) * 2019-06-26 2019-09-17 北京农业智能装备技术研究中心 一种农林有害昆虫虫情自动监测预报系统
CN110519984A (zh) * 2017-04-12 2019-11-29 拜耳股份公司 利用智能学习的价值添加的害虫控制系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6237210B2 (ja) * 2013-12-20 2017-11-29 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
JP2016019505A (ja) * 2014-07-15 2016-02-04 近藤電子株式会社 害虫発生推定装置
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
MX2021015706A (es) * 2019-06-17 2022-02-03 Bayer Cropscience Kk Dispositivo y metodo de procesamiento de informacion.

Patent Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004121093A (ja) * 2002-10-02 2004-04-22 Green Gold Biosystem Inc 遺伝子改変植物の栽培評価システム
KR20110065129A (ko) * 2009-12-09 2011-06-15 (주)티아이에스 유비쿼터스 기반 온실 관리시스템 및 방법
KR20110067791A (ko) * 2009-12-15 2011-06-22 순천대학교 산학협력단 작물의 병해충 진단 시스템 및 그 방법
KR20130041702A (ko) * 2011-10-17 2013-04-25 사단법인 한국온실작물연구소 가변형 인공광원을 이용한 온실내 딸기재배방법 및 시스템
JP2015154732A (ja) * 2014-02-20 2015-08-27 日本電気株式会社 害虫発生予測システム、端末装置、サーバ装置、および害虫発生予測方法
CN204423100U (zh) * 2014-09-19 2015-06-24 杭州宏成节能科技有限公司 一种金针菇选拔菌株生长环境控制系统
KR20160120543A (ko) * 2015-04-08 2016-10-18 한국전자통신연구원 온실 운영 시스템과 그 온실 운영 시스템의 사용자 인터페이스 동기화 방법
CN104770347A (zh) * 2015-04-15 2015-07-15 北京中科通视科技有限公司 一种便携式智能型虫情测报系统
KR20170059109A (ko) * 2015-11-20 2017-05-30 한국전자통신연구원 온실에서 사용되는 서버, 디바이스 및 그 제어 방법
KR101723173B1 (ko) * 2015-12-15 2017-04-18 주식회사 로하스텍 Ict 기반의 농산물 관리 및 생산 시스템
CN108471712A (zh) * 2015-12-16 2018-08-31 富兰帝欧公司 信息处理装置、信息处理方法及程序
JP2018085981A (ja) * 2016-05-20 2018-06-07 富士電機株式会社 病害虫管理システム、病害虫管理方法および管理端末
US9563852B1 (en) * 2016-06-21 2017-02-07 Iteris, Inc. Pest occurrence risk assessment and prediction in neighboring fields, crops and soils using crowd-sourced occurrence data
CN205865718U (zh) * 2016-06-28 2017-01-11 河南铭哲能源科技有限公司 目标区域粘诱虫防控系统
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
US20180065747A1 (en) * 2016-09-08 2018-03-08 Wal-Mart Stores, Inc. Systems and methods for dispensing an insecticide via unmanned vehicles to defend a crop-containing area against pests
CN206078727U (zh) * 2016-09-30 2017-04-12 桂林电子科技大学 一种基于物联网的农作物害虫智能测报系统
CN106645563A (zh) * 2016-09-30 2017-05-10 深圳前海弘稼科技有限公司 一种基于种植设备的病虫害预测方法及装置
CN110519984A (zh) * 2017-04-12 2019-11-29 拜耳股份公司 利用智能学习的价值添加的害虫控制系统
KR20180117758A (ko) * 2017-04-19 2018-10-30 한국생산기술연구원 무인운송장치, 이를 이용한 환경제어 시스템 및 방법
CN107783522A (zh) * 2017-10-18 2018-03-09 来安县威光绿园生态农业专业合作社 一种基于物联网的农作物病虫害智能防治系统
CN107711756A (zh) * 2017-11-03 2018-02-23 桂林电子科技大学 基于物联网的农作物害虫智能测报系统
CN107748529A (zh) * 2017-11-14 2018-03-02 吉林农业大学 一种基于物联网的农业病虫防控设备
WO2019172536A1 (ko) * 2018-03-09 2019-09-12 주식회사 리퓨터 생육 레시피를 생성 및 제공하는 식물 재배 시스템
CN109002853A (zh) * 2018-07-18 2018-12-14 宁夏智启连山科技有限公司 农作物种类与病虫害类型的联合识别方法及装置
CN110235873A (zh) * 2019-06-26 2019-09-17 北京农业智能装备技术研究中心 一种农林有害昆虫虫情自动监测预报系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
商鸿生等: "《基于半监督学习的个性化推荐算法研究》", vol. 1, 山西人民出版社, pages: 117 - 118 *
宋永涛: "《基于半监督学习的个性化推荐算法研究》", vol. 1, 中国经济出版社, pages: 207 - 9 *
张雪雪等: "《作物病虫害预测机理与方法研究进展》", 《中国农业科技导报》, vol. 21, no. 05, pages 110 - 120 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681279A (zh) * 2023-05-25 2023-09-01 北京健卫病媒有害生物防控中心 一种基于数据分析的林业有害生物防治风险评估系统
CN116681279B (zh) * 2023-05-25 2024-04-19 北京健卫病媒有害生物防控中心 一种基于数据分析的林业有害生物防治风险评估系统

Also Published As

Publication number Publication date
CN114901066B (zh) 2024-03-22
EP4091443A1 (en) 2022-11-23
JP2021112136A (ja) 2021-08-05
WO2021145081A1 (ja) 2021-07-22
EP4091443A4 (en) 2023-12-27
US20230065717A1 (en) 2023-03-02

Similar Documents

Publication Publication Date Title
CN114901066B (zh) 辅助系统以及辅助方法
Evans et al. From data to decisions: helping crop producers build their actionable knowledge
US11868933B2 (en) Intelligence driven method and system for multi-factor optimization of schedules and resource recommendations for smart construction
EP3482630B1 (en) Method, system and computer program for performing a pest forecast
EP4427176A1 (en) Automated standardized location digital twin and location digital twin method factoring in dynamic data at different construction levels, and system thereof
WO2018180239A1 (ja) 情報処理装置および情報処理方法
WO2017010317A1 (ja) 表示制御装置、表示制御方法、及び、プログラム
CN110942228A (zh) 能耗控制方法、装置、计算机设备与存储介质
Zhang et al. Machine learning versus crop growth models: an ally, not a rival
JP2018195244A (ja) Ｏｄトラヒック予測装置、方法、及びプログラム
EP3975080A1 (en) Automated risk driven patch management
KR20230134089A (ko) Ai 기반 사용자 맞춤형 재난 대응 방법, 장치 및 컴퓨터프로그램
CN113742163A (zh) 一种故障预警方法、装置、设备及存储介质
Park et al. Forecasting repair schedule for building components based on case-based reasoning and fuzzy-AHP
Mishra et al. A Comprehensive Study on Weather Forecasting using Machine Learning
KR20210042709A (ko) 기업 관계 데이터를 이용한 주가 예측 방법 및 서버
CN115053247A (zh) 预测装置、预测系统和预测方法
CN113240196A (zh) 农业气象数据确定方法、装置、农业管理平台及存储介质
JP2022105923A (ja) 情報処理装置、情報処理方法
Taylor et al. Improving spatial predictions of Eucalypt plantation growth by combining interpretable machine learning with the 3-PG model
JP7443609B1 (ja) 学習装置、学習方法及び学習プログラム
CN116757338B (zh) 农作物产量预测方法、装置、电子设备及存储介质
US20230301246A1 (en) Information processing device and information processing system
Vignesh et al. Deep Reinforcement Learning Based Weather Monitoring Systemusing Arduino for Smart Environment
Potluri et al. 8 Agriculture and AI

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