JP2006250827A - 作物の生育状況分析方法 - Google Patents

Abstract

【課題】 作物の詳細なスペクトルデータを得、解析に有効な波長域を特定して作物の生育状況分析を正確に行なう。
【解決手段】 少なくとも数十の狭い観測波長域を有するイメージセンサを用いて、撮影対象地域のスペクトル画像を取得し、そのスペクトル画像から反射スペクトル情報を生成し、上記撮影対象地域内から採取した作物、一例として稲の蛋白含有率を計測し、そして、採取した作物の蛋白含有率の実測値と、少なくとも赤色域及び近赤外域における水分子の吸収による影響が少ない観測波長域Ｂ１６，Ｂ５７の情報から重回帰分析を行い、その重回帰分析の結果に基づいて上記撮影対象地域内の稲の蛋白含有率を推定することにより、稲の生育状況を分析する。
【選択図】 図７

Description

本発明は、作物の生育状況分析方法に関し、例えばリモートセンシングを利用したスペクトル画像により稲の蛋白含有率を推定して食味を診断するのに好適な作物の生育状況分析方法に関する。

作物の一例として米を例に説明すると、この米の食味は水稲の生育状況を分析することでおおよそ判断することができる。米の食味を決定する主な要因として、米粒に含まれるアミロースと蛋白質が確認されており、これらはいずれも食味と負の相関がある。具体的には、アミロース含有率が高いほど粘りが少なく、また蛋白含有率が高いほど食感が悪くなる。アミロース含有率は主に品種と登熟期の気温によって決まることから、栽培管理による制御の余地は少ないとされる。一方、蛋白含有率は水稲の生育段階後期の窒素濃度を反映しているため、施肥や土壌管理による制御が可能である。したがって、美味しいお米作りのために、米粒蛋白含有率を測定・制御しようとする取り組みが各地で実施されている。

米粒蛋白含有率測定の従来手法としては、ＳＰＡＤ測定器（葉緑素計）による地上調査や、衛星リモートセンシングに代表されるマルチスペクトルデータ計測が活用されている（例えば、非特許文献１参照。）。

水稲成熟期の子葉（穂直下葉）のクロロフィル含量、葉身窒素濃度と米粒蛋白含有率との間には高い正の相関があり、上記葉緑素計による蛋白含有率の推定には、この原理が利用されている。

一方、遠隔測定のうち、人工衛星等に搭載されたセンサを用い、離れた所から直接触れずに対象物を同定あるいは計測し、また、その性質を分析する技術のことをリモートセンシングと呼ぶ。例えば非特許文献１においては、米の米粒蛋白含有率を、水稲成熟期のＳＰＯＴ／ＨＲＶデータを用いて推定する方法が提案されている。すなわち、ＳＰＯＴ衛星に搭載されたセンサにより、図１２に示す４波長域（バンド）のマルチスペクトル観測を行って得られるマルチスペクトルデータから、赤色域波長と近赤外域波長におけるデータを使用して正規化植生指数ＮＤＶＩ（Normalized Difference Vegetation Index）を求め、ＮＤＶＩから米粒蛋白含有率を推定する。図１３は、４バンドのマルチスペクトル特性の一例を示すものである。

これらの葉緑素計による地上調査及びリモートセンシングによる観測のいずれも、可視・近赤外領域における２つの波長域（赤色域波長、近赤外域波長）のデータを利用している。これは、前記２つの波長域における植物の活性度と蛋白含有率との間に相関が確認されているためである。
安積大治・志賀宏行，「水稲成熟期のＳＰＯＴ／ＨＲＶデータによる米粒蛋白含有率の推定」，日本リモートセンシング学会誌，２００３，Ｖｏｌ.２３，Ｎｏ.５，ｐ.４５１−４５７

しかしながら、上述の従来手法に関しては、以下のような問題点が挙げられる。
まず、葉緑素計による調査では、収穫前の稲の葉を一枚ずつ測定するので作業効率が良くなかった。また、圃場を広範囲に計測することは時間的及びコスト的に難しいため、面的な把握ができなかった。このように、葉緑素計は、圃場内の代表的な地点において計測を行なうために圃場内の斑の把握はできず、例えば収穫時に確認される部分倒伏などを把握することができない場合があった。

一方、従来のリモートセンシングによるマルチスペクトル観測は、数バンドによる観測であるために情報量が少なく、正確なスペクトル特性を把握することができないという問題があった。
リモートセンシングでは、一般に可視青色域から近赤外域までを４〜６バンドで観測し、これらのバンドから得られるマルチスペクトルデータの解析を行う。例えば、植物は光合成活動を行なうため、可視域において光の吸収を行なうが、可視域のうち、緑色域における光の吸収が弱いため、緑色域で小さなピークが確認される。しかし、マルチスペクトル観測では、個々のバンド幅が広いために情報が丸め込まれ、正確なピーク波長を把握することができなかった。

また、マルチスペクトル観測では、解析に有効な波長域の検討が不十分であるという問題があった。
近赤外域では、大気中に含まれる水分子による吸収があることが研究によりわかっている。しかし、通常マルチスペクトルデータでは、図１３に示すように、近赤外域のバンドを１つの波長域として観測していたため、大気成分による吸収の影響を受けた場合に、波長域全体のスペクトル特性の劣化が無視できない。したがって、この劣化したスペクトル特性から算出されるＮＤＶＩを基に算出される蛋白含有率の精度が安定しなかった。なお、図１３の例は、異なる２地点におけるマルチスペクトル特性である。

本発明は斯かる点に鑑みてなされたものであり、例えば水稲などの作物の詳細なスペクトルデータを得、解析に有効な波長域を特定して作物の生育状況分析を正確に行なうことを目的とする。

上記課題を解決するため、本発明は、所定観測波長域を少なくとも数十の波長帯により観測可能なスペクトルセンサを用いて、撮影対象地域のスペクトル画像を取得し、そのスペクトル画像から反射スペクトル情報を生成し、次に、上記撮影対象地域内から所定の条件に基づき各育成状況に応じて採取地点を決定し、その地点において採取した作物の生育状況に関連した物理量を計測し、そして、採取した作物の生育状況に関連した物理量の値と、反射スペクトル情報における少なくとも赤色域及び近赤外域における水分子による吸収の影響が少ない観測波長域の反射特性を基に重回帰分析を行ない、その重回帰分析の結果に基づいて撮影対象地域内の作物の生育状況に関連した物理量を推定する。
上記所定観測波長域を少なくとも数十の波長帯により観測可能なスペクトルセンサとしては、例えば、ハイパースペクトルと呼ばれるものが適用できる。

上述の構成によれば、所定波長域、例えば可視域から近赤外域における観測波長域を細分化して観測することができるハイパースペクトル等のセンサを使用して撮影対象のスペクトル画像を撮影し、そのスペクトル画像から得られる詳細な反射スペクトル情報から重回帰分析に使用する最適波長を特定し、その最適波長における情報を用いて重回帰分析を行なうことにより、正確な蛋白含有率の推定が行われる。

本発明によれば、作物の詳細なスペクトル情報を得、解析に有効な波長域を特定して、作物の生育状況分析を正確に行なえるという効果がある。

以下、本発明の一実施の形態の例について、添付図面を参照しながら説明する。

図１は、リモートセンシング撮影の概略を示したものである。
図１に示すように、リモートセンシングは、センサを搭載した航空機１や人工衛星２から圃場などの対象物３を撮影し、その対象物３の電磁波の反射、放射等を観測するというものである。センサには太陽光４を受けた地表からの反射や散乱、地表の放射を計測する受動型センサと、センサからある波長の電磁波を出し、それに対する地表からの反射や散乱を計測する能動型センサがある。

受動型センサを利用したリモートセンシングは、植物が太陽光のうち赤色域を吸収し、近赤外域の光を反射するという特徴を利用している。一般に、太陽光の反射が大きいところは作物の生育が良く、反射が少ないところは生育が良くないとされている。

本例では、航空機に受動型センサ（以下、単に「センサ」と呼ぶ。）を搭載してリモートセンシングを行なう。撮影に用いる受動型センサとして、測定対象物のスペクトル特性を高い空間・波長分解能で計測することができる分光イメージセンサを用いる。例えば、ＡＩＳＡ（パスコ社製）では、従来の数バンドによるマルチスペクトル計測に対し、６８バンドという多バンドによるハイパースペクトル計測が可能である。このＡＩＳＡを航空機に搭載し、撮影対象圃場の上空を飛行して撮影を行なう。撮影に航空機を利用した場合、人工衛星のように雲に遮られる等といった天候の影響を受けることなく、また人工衛星の周回軌道による撮影場所や時間の制約をうけることもなく、良好なデータの取得が可能である。

本例で使用するＡＩＳＡのスペックは、計測波長域４００〜１０００ｎｍ、バンド数６８、スペクトルサンプリング２．０４〜２．３ｎｍ、及び地上解像度１．５ｍである。ＡＩＳＡのハイパースペクトルバンド例の模式図を、図２に示す。可視域から近赤外域の波長域４００〜１０００ｎｍを６８バンドで観測する。ＡＩＳＡのようなハイパースペクトルセンサは、従来の衛星画像に代表されるマルチスペクトルデータと比較し、狭い波長域で高い波長分解能にて放射輝度の観測を行なうことができる。

なお、ハイパースペクトルの分光イメージセンサとしてＡＩＳＡを用いた例について述べたが、少なくとも数十バンド以上の狭い波長域でスペクトル計測が可能な分光イメージセンサであればよい。

センサで収集されたデータは、地上の管理センター等に設置されたコンピュータ（図示略）に入力され、所定の分析処理が行なわれる。コンピュータは、例えばＣＰＵ（Central Processing Unit）等の演算制御装置により実行される作物の生育状況分析プログラムを記憶するＲＯＭ（Read Only Memory）や、ワークエリアとして機能するＲＡＭ（Random Access Memory）を備えている。また、センサで収集されたデータが入力される入力装置、及び処理結果を出力する液晶表示装置等の表示装置が接続されている。上記コンピュータは、いわゆるパーソナルコンピュータ等、種々のものが適用できる。

図３は、任意の２地点におけるハイパースペクトル画像から得られたハイパースペクトル特性の一例を示し、横軸は観測波長を、縦軸は撮影対象からの放射輝度（ハイパースペクトル放射輝度）を表す。
図３のハイパースペクトル特性によれば、近赤外域において数箇所で大気成分の吸収が詳細に確認できる。また、個々の観測波長域が狭いので、可視域でのピーク付近等、スペクトル特性を正確に把握することができる。

図４Ａ，Ｂは、マルチスペクトルデータとハイパースペクトルデータの比較例を示したものである。
図４Ａは、ある撮影地域のマルチスペクトル画像例（上図）、及びその地域内の矢印で示される２つの地点５，６におけるマルチスペクトル特性例（下図）を示す。図４Ａのマルチスペクトル画像の条件は、観測波長４５０〜９００ｎｍ、バンド数４であり、波長７５１−９０６ｎｍを赤、６２５−６９７ｎｍを緑、波長５２０−５９９ｎｍを青に割り当て表示装置に表示している。
また、図４Ｂは、上記撮影地域におけるハイパースペクトル画像例（上図）、及び上記地点５，６と同じ地点５ａ，６ａにおけるハイパースペクトル特性例(下図)を示す。図４Ｂのハイパースペクトル画像の条件は、観測波長４００〜１０００ｎｍ、バンド数６８であり、波長８７０−８７９ｎｍを赤、６７０−６７９ｎｍを緑、波長５３７−５４６ｎｍを青に割り当て表示装置に表示している。

図４Ａ，Ｂから、２地点５（５ａ），６（６ａ）のマルチスペクトルとハイパースペクトルの両データにおいて、赤色領域、近赤外領域における２地点間の傾向はおおよそ同じである。正規化植生指数ＮＤＶＩは、赤色領域の１波長域と、近赤外領域の１波長域において観測された２つの観測値を用いて算出するため、ＮＤＶＩ値を算出する場合は、どちらを用いた場合も結果はほぼ等しくなる。

ただし、後の蛋白マップ作成にあたっては、ハイパースペクトルデータの全バンドを利用して重回帰分析を行なう。４観測値を持つマルチスペクトルデータと比較して、６８観測値を持つハイパースペクトルデータは、より正確な重回帰モデル式を作成することが可能である。これは、画像上の矢印で示される２地点５（５ａ），６（６ａ）のスペクトルにおいて、ハイパースペクトルデータがマルチスペクトルデータより地点間の差を明確に区別していることからも確認することができる。

上述したような特徴を持つハイパースペクトルデータを利用した作物の生育状況分析処理の流れを、図５のフローチャートを参照して説明する。
処理工程は、大きく８工程に分類され、最終的な蛋白マップを作成するためには、ステップＳ１〜ステップＳ３のハイパースペクトル画像作成、ステップＳ４〜ステップＳ６の現地データ取得、ステップＳ７，ステップＳ８の蛋白マップ作成という流れで処理を進める。上記作業工程において、ステップＳ７，Ｓ８は、上述したコンピュータによって作物の生育状況分析プログラムが実行されて、所定の処理が行なわれる。勿論、ステップＳ１〜Ｓ４，Ｓ６についても、センサ等の必要な機器と、所定のプログラムがインストールされたコンピュータとを用いて、自動で処理することができる。

まず、圃場の撮影にあたり航空機による撮影計画を立てる（ステップＳ１）。撮影計画では、撮影対象地域、撮影縮尺及び搭載するセンサの仕様等に応じて、例えば航空機の飛行高度、飛行コース等を決定する。

そして、予め作成された撮影計画に従って、図１に示すように航空機１から撮影対象の圃場３を撮影し、太陽光４からの反射光を検出してハイパースペクトル画像を取得する（ステップＳ２）。

ハイパースペクトル画像は、単独測位ＧＰＳ（Global Positioning System）によるセンサ位置情報と、ＩＭＵ（Inertial Measurement Unit）によって計測されるセンサ姿勢情報により、計測画像に含まれる幾何学的歪み補正が行なわれる。その後、地形図又は航空写真を基に画像データに位置情報が与えられ、水田とその他の画素の分類等、精密な幾何補正が行なわれる（ステップＳ３）。幾何補正されたハイパースペクトル画像は、コンピュータの不揮発性メモリに記録される。

ハイパースペクトル画像の一例を、図６に示す。
図６の例は、出穂後２０日前後の登熟中期に撮影されたハイパースペクトル画像であるが、必ずしもこの時期に撮影されたもの限られるわけではない。

一方、速報マップを用いて米粒標本採取のための坪刈り地点を決定する（ステップＳ４）。速報マップとして、刈り入れ前のＮＤＶＩマップ（ＮＤＶＩの頻度分布）、又は葉緑素計によるＳＰＡＤ値（葉緑素含量を表す値）の測定結果などを用いることができる。ＮＤＶＩマップは、例えばリモートセンシングにより得たデータから算出された水稲のＮＤＶＩ値を基に作成する。そして、調査対象域のＮＤＶＩの頻度分布を基に、各段階の頻度が等分になるようＮＤＶＩ値を３段階程度に分割し，各段階から均等に坪刈り地点を決定する。
このように、速報マップを利用して坪刈り地点を決定することにより、圃場やその地域から標本となる籾（米粒）を、蛋白含有率が偏ることなく抽出することができる。それにより、後述する重回帰分析による蛋白含有率の推定値と実測値との誤差を抑えることができる。

上述のようにして決定した坪刈り地点の坪刈りを実施し、籾（米粒）を標本として採取する（ステップＳ５）。

次に、刈取り米を成分分析装置にかけて成分分析を行い、米粒の蛋白含有率を算出する。（ステップＳ６）。米粒の成分分析装置は、従来多数のものが提案・販売されており、種々のものを適用することができる。

そして、上記成分分析装置により算出した刈取り米の蛋白含有率情報をコンピュータに入力する。コンピュータは、蛋白含有率情報とハイパースペクトル画像から計測されたハイパースペクトルデータを重回帰分析する（ステップＳ７）。

図７は、ハイパースペクトル画像から計測されたハイパースペクトルデータの一例であり、６８バンドの計測波長域と分光反射率との関係を示している。
本例では、６８バンドを波長が短い方から順にＢ１〜Ｂ６８で表現する。撮影対象のハイパースペクトル画像から所定数の画素を選び、各バンドの分光反射率を算出してその画素（地点）におけるハイパースペクトルデータを得る。
光合成色素(クロロフィル、キサントフィル、およびカロチン）による光の吸収は特に可視波長（４００ｎｍ〜７００ｎｍ）で顕著である。また、７００ｎｍ〜１４００ｎｍ付近の波長帯は植物体の量に大きく影響される。
そこで，米粒タンパク含有率を目的変数に、また水蒸気吸収帯であるＢ４３とＢ４９を除いたバンドの反射率を説明変数にして重回帰分析を行う。図７の例では、可視域のバンドＢ１６及び近赤外域のバンドＢ５７の分光反射率が米粒蛋白含有率を推定するための最適バンド（最適波長域）として選択されている。

ここで、重回帰分析による蛋白含有率の算出方法ついて説明する。
ＮＤＶＩ＝（λ_ＢＮ−λ_ＢＭ）／（λ_ＢＮ＋λ_ＢＭ）
λ_ＢＭ：バンドＢＭの反射率、λ_ＢＮ：バンドＢＮの分光反射率
とすると、
重回帰モデル式として、
（蛋白含有率）＝Ａ×ＮＤＶＩ＋Ｂ・・・・（１）
Ａ，Ｂ：年次や地域、センサの観測条件等の諸条件を反映した定数
が構築できる。
あるいは、他の重回帰モデル式として、
（蛋白含有率）＝α_０＋α_１λ_ＢＭ＋α_２λ_ＢＮ・・・・（２）
λ_ＢＭ：バンドＢＭの分光反射率、λ_ＢＮ：バンドＢＮの分光反射率
α_０，α_１，α_２：年次や地域、センサの観測条件等の諸条件を反映した定数
などが構築できる。さらに多数のバンドを使用、すなわち変数を増やして重回帰分析を行うようにしてもよい。

続いて、重回帰分析における最適バンド特定処理について、図８のフローチャートを参照して説明する。
上述の重回帰分析において、重回帰モデル式に使用するバンドを変更するなどして、複数の重回帰モデル式を構築する（ステップＳ１１）。重回帰モデル式（１）又は（２）のいずれかについて、蛋白含有率の推定値と実測値との推定誤差を算出する（ステップＳ１２）。推定誤差としては、例えば重相関決定係数Ｒを２乗した値である寄与率を用いることができる。寄与率が１に近いほど推定値と実測値との間に強い相関があり、推定精度が高いことを意味する。そして、推定誤差が最も小さかった（すなわち寄与率が最も１に近かった）重回帰モデル式の分光反射率（変数）を取得する（ステップＳ１３）。取得した分光反射率（変数）に対応するバンドを、当該重回帰モデル式の最適バンドとして特定する（ステップＳ１４）。この特定されたバンドを使用して重回帰モデルを構築し、蛋白含有率をより正確に推定する。

図９は、本例にて特定された最適バンドを使用した重回帰分析による蛋白含有率の推定値と、実測値の関係の一例を示したものである。
図９に示されるように、本例のハイパースペクトル計測によると、米粒蛋白含有率の推定値（％）と実測値（％）との推定誤差はわずか０．２（％）程度であり、蛋白含有率を高い精度で算出できていることが分かる。

コンピュータは、上述の重回帰モデル式から算出した精度の高い蛋白含有率を基に、撮影地域の米粒蛋白含有率推定画像（蛋白マップ）を作成する（ステップＳ８）。図１０は、図６に示された地域の米粒蛋白推定画像の一例であり、蛋白含有率の高低に応じて階調表示したものである。図１０に示されるように、蛋白マップを表示装置に表示することにより、水田の有無及び蛋白含有率分布が容易に視認でき、広域的な蛋白含有率を把握することができる。例えば、図１０において、圃場内の地点１１付近は蛋白含有率が高、地点１２付近は米粒蛋白含有率が中、地点１３付近は米粒蛋白含有率が低であることが読み取れる。

一般に美味しい米の蛋白含有率は６．５％以下と言われており、ハイパースペクトル画像から推定した蛋白含有率と基準の蛋白含有率との大小関係を判定することにより、米の生育状況分析だけでなく、食味の判断も可能である。

上述した実施の形態によれば、従来の可視・近赤外における数波長域の観測データを細分化して観測することができるセンサを用いたリモートセンシングにより、より詳細に撮影対象の面的な情報の把握が可能である。

また、上記センサによる詳細な反射スペクトル情報から、例えば水分子の吸収による影響を受けないといった最適波長を特定することにより、正確な重回帰モデル式を構築することができる。さらに、細分化された反射スペクトル情報と蛋白含有率から、重回帰モデル式構築に必要な最適波長を特定した上でモデル式構築を行なうことによって、より正確な蛋白含有率の推定が可能になる。

本例の蛋白含有率のデータは、例えば、対象年度において、刈取り時期の選定や、施肥の実施などの対策に利用することができる。また、次年度以降は、年度別蛋白値、転作履歴、土壌区分、元肥量（窒素量）、追肥量（窒素量）などの生産履歴を管理することにより、蛋白含有率データを地域全体の品質向上にも利用することができる。さらに、生産履歴と蛋白含有率データの検証を毎年積み重ねることにより、例えばある特定の地域における水稲の蛋白含有率推定に最も適したバンドを特定することができるようになる。

次に、本発明の他の実施の形態の例について説明する。
上述のハイパースペクトルセンサは、作物から放射される詳細なスペクトル情報を取得できるため、この性能を活用することで、葉色に変化が生じる病害虫による被害などを識別することができる。害虫被害の識別処理の流れは、基本的に上述した水稲の蛋白含有率推定処理の流れに沿って行われる。すなわち、図５のステップＳ４〜ステップＳ６の現地データ取得の際に、実際の害虫被害状況を実測する。そして、ステップＳ７の処理に倣い、現地調査結果とハイパースペクトルデータを重回帰分析することにより、害虫被害を推定することができる。それから、害虫被害の度合いを数値化し、害虫被害マップを作成する。その他の処理ステップは、図５に記載されたステップと同様とする。被害状況とハイパースペクトルデータを詳細に調査することで、害虫被害の種類とその害虫被害状況を観測するための適切なバンドを対応付けることが可能となる。

図１１は、害虫被害マップの一例として、いもち病被害画像を示した図である。
圃場内の感染源（赤や黄などで表されている。）１４から周囲に拡大していることが確認できる。このように、被害の度合いに応じて階調表示することにより、上述の蛋白マップ同様、害虫被害状況を面的に確認することができる。

なお、上述実施の形態による蛋白含有率の推定方法は、麦などの水稲以外の穀類、豆類などの登熟度合いの計測にも応用可能である。また、いもち病以外の葉色に変化を生じる病害による被害（例えば水稲であれば紋枯病やごま葉枯病、苗立枯細菌病、もみ枯細菌病、ばか苗病など）の状況把握も同様に行うことができる。

本発明は上述した実施の形態の例に限られるものではなく、本発明の要旨を逸脱することなくその他種々の構成を取り得ることは勿論である。

リモートセンシングにおける撮影例を示した図である。 本発明の一実施の形態によるハイパースペクトルバンド例を示した図である。 本発明の一実施の形態によるハイパースペクトル特性例を示した図である。 本発明の一実施の形態によるマルチスペクトルデータとハイパースペクトルデータの比較例を示した図である。 本発明の一実施の形態による作物の生育状況分析処理を示したフローチャートである。 本発明の一実施の形態によるハイパースペクトル画像例を示した図である。 本発明の一実施の形態によるハイパースペクトルデータ例を示した図である。 本発明の一実施の形態による最適バンド特定処理を示したフローチャートである。 本発明の一実施の形態による重回帰分析による蛋白含有率の推定値と実測値との関係例を示した図である。 本発明の一実施の形態による米粒蛋白推定画像（蛋白マップ）例を示した図である。 本発明の他の実施の形態によるいもち病被害画像例を示した図である。 従来のマルチスペクトルバンド例を示した図である。 従来のマルチスペクトル特性例を示した図である。

符号の説明

１…航空機、２…人工衛星、３…圃場、４…太陽光、１１，１２，１３…地点、１４…感染源

Claims (7)

1. 所定観測波長域を少なくとも数十の波長帯により観測可能なスペクトルセンサを用いて、撮影対象地域のスペクトル画像を取得するステップと、
   前記スペクトル画像から反射スペクトル情報を生成するステップと、
   前記撮影対象地域内から所定の条件に基づき各育成状況に応じて採取地点を決定し、前記地点において採取した作物の生育状況に関連した物理量を計測するステップと、
   前記採取した作物の生育状況に関連した物理量の値と、前記反射スペクトル情報における少なくとも赤色域及び近赤外域における水分子による吸収の影響が少ない観測波長域の反射特性を基に重回帰分析を行なうステップと、
   前記重回帰分析の結果に基づいて前記撮影対象地域内の前記作物の生育状況に関連した物理量を推定するステップと
   を有することを特徴とする作物の生育状況分析方法。
2. 前記作物は水稲である
   ことを特徴とする請求項１に記載の作物の生育状況分析方法。
3. 前記作物の生育状況に関連した物理量は蛋白含有率である
   ことを特徴とする請求項１または請求項２に記載の作物の生育状況分析方法。
4. 前記作物の生育状況に関連した物理量は葉色における反射率の変化である
   ことを特徴とする請求項１または請求項２に記載の作物の生育状況分析方法。
5. 前記所定条件は、前記反射スペクトル情報から求めた正規化植生指数値である
   ことを特徴とする請求項１〜４のいずれかに記載の作物の生育状況分析方法。
6. 前記所定条件は、前記反射スペクトル情報から求めた葉緑素含量である
   ことを特徴とする請求項１〜４のいずれかに記載の作物の生育状況分析方法。
7. 前記重回帰分析を行なうステップは、前記採取した作物の生育状況に関連した物理量と前記観測波長域の反射特性から複数の重回帰分析モデル式の推定誤差を求め、前記推定誤差が最も小さいモデル式から重回帰分析結果を求める
   ことを特徴とする請求項１〜６のいずれかに記載の作物の生育状況分析方法。