JP2010166851A

JP2010166851A - 作物の収量予測方法及びその装置

Info

Publication number: JP2010166851A
Application number: JP2009012091A
Authority: JP
Inventors: Chiharu Hongo; 千春本郷; Katsuhisa Niwa; 勝久丹羽
Original assignee: ZUKOSHA KK
Current assignee: ZUKOSHA KK
Priority date: 2009-01-22
Filing date: 2009-01-22
Publication date: 2010-08-05

Abstract

【課題】作物の収穫前に収量ないし収穫量を予測し、農業生産の効率化，作物の生産や流通のコスト、肥料コストの低減を図る。
【解決手段】衛星データなどのリモートセンシングデータから得た対象地域の可視域，近赤外域の光反射率及びＮＤＶＩ，又はＧＮＤＶＩから甜菜の根収量を例えば５段階評価で予測する。一方、甜菜の葉茎部の可視光反射率から糖分率を例えば５段階で評価する。次に、以上のようにして得た根収量と糖分率から糖量を計算する。この方法によれば、７月の時点で衛星データ等から根収量や糖量の多少を相対的に予測することができる。また、１０月に根収量調査を行って実測値を得れば、７月に予測した根収量の相対値から絶対値を得ることができ、その年の甜菜の価格，更には収穫高を知ることができる。
【選択図】図１

Description

本発明は、衛星などによって取得したリモートセンシングデータ，ＧＩＳ（Geographic Information System、地理情報システム）などの地理空間データ（以下「ＧＩＳデータ」という），気象データ、土壌データなどを利用した作物の収量予測方法及びその装置に関する。

リモートセンシングを利用した作物の栽培支援手法としては、例えば、下記特許文献１に記載された「植物の活力度評価方法」がある。これは、植物の活力度を航空機や衛星などによるリモートセンシングにより評価する際の評価精度の向上を目的とし、森林樹木、果樹、農作物など対象植物の活力度評価のために、
(1)現地で実際に対象植物の陽葉の分光特性データを測定する現地調査を行い、それを基準データとしてデータベース化し、(2)データベースにおける基準データの検索を行って、分光特性データの収集グランドトゥルースを行い、前記現地データの処理を行って樹勢情報などを算出し、(3)その算出結果から最適ＲＳデータ及び解析手法を検討して、リモートセンシングにより森林樹木などの植物の活力度を評価することを特徴とするものである。このようなリモートセンシングデータから求めた活力度ないし植生指数を使って農作物の収量等を導きだす研究は、他にも多数報告されている。

特開２００２−３６００７０公報

ところで、作物の収穫前に収穫量や収穫時期をある程度予測ないし推定（以下「予測」と総称する）することができれば、収穫時に必要な労働者数，運搬用燃料，梱包資材数量，収穫用設備などの手当てを無駄なく行って生産や流通などの効率化を図ることができ、コストも低減されて極めて好都合である。例えば、
ａ，最適な栽培管理を行うことで高品質・高収量の作物を栽培し、その生育状況を予測することで適期収穫を実現する，
ｂ，少ない台数の輸送手段で効率的に集荷する，
ｃ．コントラクター（生産組織）による収穫用大型機械の使用順序を効率的に決定する，
といったことが可能になる。

また、作物によっては、その利用配分を効率的に決定することも重要である。例えば、甜菜（てん菜，テンサイ，ビート，シュガービート，砂糖大根など多数の表し方があるが、本明細書では「甜菜」と表現する。）を砂糖用原料のみならずバイオ燃料用原料としても利用する場合の効率的な配分を行うなどである。更に、施肥管理の基礎情報として利用することもできる。しかしながら、上述した背景技術では、収穫前に収穫量を予測することはできない。

本発明は、以上のような点に着目したもので、その目的は、作物の収穫前に収量ないし収穫量を予測することである。他の目的は、農業生産の効率化を図ることである。更に他の目的は、作物の生産や流通のコストを効果的に低減することである。更に他の目的は、作物利用の効率的な配分を行なうことである。更に他の目的は、作物の効率的な施肥管理を行なうことである。

前記目的を達成するため、本発明は、収穫前に作物の収量を予測する作物の収量予測方法であって、リモートセンシングデータから得た前記作物の光反射率，ＮＤＶＩ，又はＧＮＤＶＩから糖量を予測するステップ，を含むことを特徴とする。他の収量予測方法は、リモートセンシングデータから得た前記作物の光反射率，ＮＤＶＩ，又はＧＮＤＶＩから収量を予測するステップ，前記光反射率から作物の糖分率を予測するステップ，前記ステップによって得られた根収量と糖分率から糖量を計算するステップ，を含むことを特徴とする。

他の収量予測方法は、対象地域の過去の土壌タイプ別の平均収量データ又は全体の収量データと、土壌タイプ別又は全体の気象要因の関係を示すデータを取得するステップ，目的変数を作物の収量又は糖分率とし、説明変数を、気象要因とするか、もしくは、土壌パラメータと気象要因として、重回帰分析を行うステップ，重回帰分析の結果を利用して土壌タイプ別の収量を予測するステップ，を含むことを特徴とする。

更に他の発明は、収穫前に作物の収量または糖分率を予測する作物の収量予測方法であって、対象地域の過去の土壌タイプ別の平均収量又は全体の収量データと、気象要因の関係を示すデータを取得するステップ，目的変数を作物の収量または糖分率とし、説明変数を、気象要因とするか、もしくは、土壌パラメータと気象要因として、重回帰分析を行うステップ，重回帰分析の結果を利用して土壌タイプ別又は全体の収量を予測するステップ，リモートセンシングデータから作物の光反射率，ＮＤＶＩ，又はＧＮＤＶＩを取得し、土壌タイプ別又は全体で集計するステップ，前記ステップで予測した土壌タイプ別又は全体の収量を、土壌タイプ別又は全体で集計した光反射率，ＮＤＶＩ，ＧＮＤＶＩの集計データに応じて圃場１筆単位で傾斜配分することで、収量の予測値に変換するステップ，を含むことを特徴とする。

本発明の作物の収量予測装置は、収穫前に作物の収量を予測する作物の収量予測装置であって、リモートセンシングデータ，地理空間データ，気象データ，作物の過去の収量データが格納されているデータメモリ，請求項１〜３のいずれかに記載の収量予測方法を実行するための収量予測プログラムが格納されているプログラムメモリ，前記データメモリに格納されているデータを参照しながら、前記プログラムメモリに格納されている収量予測プログラムを実行することで、作物の収量を予測する演算処理部，を含むことを特徴とする。本発明の前記及び他の目的，特徴，利点は、以下の詳細な説明及び添付図面から明瞭になろう。

本発明によれば、衛星データなどのリモートセンシングデータや気象データなどを利用して作物の収穫前に収量ないし収穫量を予測することができるので、農業生産の効率化を図るとともに、作物の生産や流通のコスト、肥料コストを効果的に低減し、更には作物利用の効率的な配分を行なうことができる。

本発明の実施例１における根収量と糖量の予測値と実測値の関係を示すグラフである。実施例１の手法の手順を示す流れ図である。実施例１で得た根収量，糖分率，糖量の一例を圃場単位で示す図である。実施例１で得た根収量，糖量の一例を営農集団単位で示す図である。本発明の実施例２における土壌タイプ別の根収量の年次変化を示すグラフである。実施例２における気象データと根収量の関係を示すグラフである。実施例２における土壌タイプの根収量の予測値と実測値の関係を示すグラフである。実施例２の手法の手順を示す流れ図である。実施例２における年次別の根収量の予測値と実測値の関係を示すグラフである。実施例３の手法の手順を示す流れ図である。実施例３における根収量の予測値と実測値の関係を示すグラフと、営農集団単位の根収量順位を示す図である。実施例４の構成を示すブロック図である。

以下、本発明を実施するための最良の形態を、実施例に基づいて詳細に説明する。なお、いずれの実施例も、北海道帯広地方の甜菜の場合を例として説明する。甜菜は、春先に植え付けられて秋に収穫され、生産地近くの製糖工場で根に貯まる糖分が取り出され、砂糖が生産される。

最初に、図１〜図３を参照しながら、本発明の実施例１を説明する。この実施例は、衛星データを利用して、甜菜の収穫前にその根収量や糖量を予測しようとするものである。衛星データには甜菜の葉の情報しか含まれていないが、根部と葉茎部の関係，葉茎部と衛星データとの関係から、根の部分を調べることができる。取得できる衛星データとしては、以下のものがある。なお、衛星データはアナログデータであるが、実際には、デジタルデータ（例えば２５６階調の８ビットデータ）に変換してデジタル的に反射率などの演算処理を行なっている。

(1)葉茎部の可視光域における光の反射率は、甜菜葉茎部に含まれる窒素含有量と関係がある。甜菜葉茎部に含まれる窒素含有量は甜菜根中に含まれる糖量に関係している。例えば、３段階で評価すると、
ａ，反射率低：根部は高糖分で、葉茎部の窒素は少量である。
ｂ，反射率中：根部は中糖分で、葉茎部の窒素は中量である。
ｃ，反射率高：根部は低糖分で、葉茎部の窒素は多量である。

(2)葉茎部の可視光域における光の反射率は、甜菜の根収量（根重ともいう。以下「根収量」と称する）に関係する。具体的には、
ａ，反射率低：根収量は多い。
ｂ，反射率中：根収量は中程度である。
ｃ，反射率高：根収量は少ない。

(3)葉茎部の近赤外域における光の反射率は、同じく甜菜の根収量に関係する。
ａ，反射率低：根収量は少ない。
ｂ，反射率中：根収量は中程度である。
ｃ，反射率高：根収量は多い。

(4)ＮＤＶＩ（植性指数）は、根収量に関係する。なお、ＮＤＶＩは、植物の緑葉が青色と赤色の波長の光を吸収し、近赤外領域の波長の光を反射する性質に関係する指数で、赤色の反射光強度をＲ，近赤外の反射光強度をＩＲとしたとき、ＮＤＶＩ＝（ＩＲ−Ｒ）／（ＩＲ＋Ｒ）で表される。具体的には、
ａ，ＮＤＶＩ小：根収量は少ない。
ｂ，ＮＤＶＩ中：根収量は中程度である。
ｃ，ＮＤＶＩ大：根収量は多い。

なお、ＮＤＶＩは、前記(2)と(3)を一緒に考慮したものであると考えることができ、前記赤色の反射光強度Ｒが前記(2)に対応し、前記近赤外の反射光強度ＩＲが前記(3)に対応する。同様の指数としてＧＮＤＶＩがある。これは、緑色の反射光強度をＧとしたとき、ＧＮＤＶＩ＝（ＩＲ−Ｇ）／（ＩＲ＋Ｇ）で表される指数である。

２００６年７月２７日のスポット衛星画像データから可視域（緑及び赤の波長域）の反射光強度，近赤外域の反射光強度，中間赤外（短波長赤外ともいう）域の反射光強度，ＮＤＶＩ，ＧＮＤＶＩをそれぞれ求めた。そして、これらを説明変数とし、根収量を目的変数として重回帰分析を行った。そして、求められた重回帰式（最適変数：Band2，GNDVI）から根収量を予測し、同年の実測根収量と比較した。その結果を示すと、図１(A)のようになる。同図中、横軸は実測値，縦軸は予測値である。また、図中の斜線は、予測値と実測値の一致点を表す。これに対して、１０群クロスバリデーションによる検証を行った結果、予測誤差は７．３ｔ／ｈａという結果が得られた。また、同図に示すように、サンプル点は、いずれもグラフＧＡ（１：１の線）を挟んで位置しており、Band2，GNDVIからの根収量がよく予測できていることがわかる。このＧＮＤＶＩをＮＤＶＩと置き換えても類似した結果が得られる場合がある。

図１(B)には、糖量の予測例が示されている。例えば、葉茎部の可視光反射率から糖分率が求められるので、これと前記図１(A)の根収量から糖量を計算することができる。図１(B)は、同じく、２００６年７月２７日のスポット衛星画像データに基づいて計算した糖量の予測値と、同年の実際の糖量の実測値と比較したもので、重回帰分析（最適変数：Band1,4,GNDVI）で求められた予測式から糖量を予測し、１０群クロスバリデーションによる検証を行った結果、予測誤差が０．８８ｔ／ｈａという結果が得られた。

一方、甜菜は、根部に含まれる糖分の濃度によって価格が異なる。例えば、以下の表１のようになっており、根収量が同じであれば、糖分率が高いほど価格も高い。なお、表１に示す計算式はある年の一例であり、計算式の係数は毎年変化する。

この表において該当する糖分率の計算式に根収量の値を代入することで、甜菜の価格（生産者価格）が決まり、更には作付面積から個々の圃場全体としての収穫量が決まり、収穫高を知ることができる。ある大きさが確保された根部を比較した場合、糖分率が低いということは、甜菜の根に含まれている糖分が少なく、残りかすや水分が多いことから、輸送や加工のコストがかかる割には収穫される砂糖の量が少ないことになる。糖分率が高いということは、反対に効率的で砂糖の収量も多いことになる。

以上の手法を流れ図としてまとめると、図２(A)に示すようになる。まず、葉茎部の可視光や近赤外光の反射率，ＮＤＶＩ，又はＧＮＤＶＩから根収量を例えば５段階評価で予測する（ステップＳ１０）。一方、葉茎部の可視光反射率から糖分率を予測する（ステップＳ１２）。この場合も、例えば５段階で評価する。次に、以上のようにして得た根収量と糖分率から糖量を計算する（ステップＳ１４）。なお、同図(B)に示すように、葉茎部の可視光や近赤外光の光反射率から、直接糖量を予測するようにする方法もある（ステップＳ１６）。この場合の具体的な計算式の一例を示すと、次のとおりである。
Ｙ＝0.107×Band3−4.6432 ただしＹ：糖量，Band3：近赤外域における光反射率である。

この方法によれば、７月の時点で衛星データから根収量や糖量の多少を相対的に予測することができ、その年の速報値として提供することができる。また、１０月に根収量や糖分の調査を行って実測値を得れば、７月に予測した根収量の相対値から絶対値を得ることができ、その年の甜菜の収穫高，更には価格を知ることができる。

図３(A)は、７月時点における圃場単位の根収量の予測値を地図上に示したもので、５段階で根収量の多少が示されている。例えば、営農集団Ｆ１０の圃場Ｈ１０の根収量は２段階のレベル，圃場Ｈ１２の根収量は４段階のレベルであるという具合である。同様に、図３(B)には、７月時点における糖分率の予測値を５段階で地図上に示したものである。例えば、営農集団Ｆ１０の圃場Ｈ１０の糖分率は２段階のレベル，圃場Ｈ１２の根収量は５段階のレベルであるという具合である。これら図３(A)及び(B)のデータから糖量の予測値を相対的に求めることができ、更に前記表１に従って相対的な価格を求めることができる。図３(C)は、このようにして得られた圃場単位の糖量を相対的に示したものである。例えば、営農集団Ｆ１０の圃場Ｈ１０，Ｈ１２の糖量はいずれも２段階のレベル,営農集団Ｆ２０の圃場Ｈ２０の糖量は３段階のレベルである。他の圃場についても図示のとおりである。図４(A)は根収量の多少を営農集団単位で相対的に示したものであり、同図(B)は糖量の多少を営農集団単位で相対的に示したものである。この図４のデータをその年の速報値として提供することで、効率的な収穫計画の立案などに役立てることができる。

次に、図５〜図８を参照しながら、本発明の実施例２について説明する。本実施例は、土壌データと気象官署等の気象データから、甜菜の収穫前に根収量を予測しようとするものである。この方法は、天候などの理由で衛星画像が得られない場合の補完手法であり、土壌タイプ別の平均的な根収量又は全体の根収量を収穫２ヶ月以上前の段階で得ることができる。

まず、対象となる地域（例えば市区町村）の過去のデータを集積した既存の甜菜収量データベースから、図５や図６に示す解析結果データを取得する。図５に示すデータは、褐色低地土，黒ボク土（下層土：河成堆積物），黒ボク土，多湿黒ボク土の４つの土壌タイプについて、１９９０年から２００６年までの平均根収量の推移を示すデータである。図６は、過去の土壌タイプ別の根収量と気象要因との関係を示すデータであり、(A)は平均全天日射量と根収量との関係，(B)は日平均気温と根収量との関係，(C)は積算降水量と根収量との関係をそれぞれ示している。一方、対象地域がいずれの土壌に該当するかは、当該地域において実際に調査することで知ることができる。

土壌タイプが特定されれば、図５及び図６のデータを利用して根収量を予測することができる。具体的には、目的変数を根収量とし、説明変数を全天日射量，日平均気温，積算降水量とする重回帰分析を行なう。

１９９０年〜２００４年の根収量から２００５年及び２００６年の土壌タイプ別根収量を予測する場合について、一例を示すと、次のようになる。
(1)褐色低地土，黒ボク土（下層土：河成堆積物），黒ボク土については、
ａ，目的変数を、ｙ：根収量（１９９０〜２００４年）とし、
ｂ，説明変数を、ｒ：全天日射量，ｔ：日平均気温，ｐ１：√（積算降水量−２５０）^２，
(2)多湿黒ボク土については、
ａ，目的変数を、ｙ：根収量（１９９０〜２００４年）とし、
ｂ，説明変数を、ｒ：全天日射量、ｔ：日平均気温、ｐ２：√（積算降水量−２３０）^２とする。

そして、重回帰分析を行い根収量を予測する重回帰式を、以下のように土壌タイプ別に求める。なお、Ｒ^２は決定係数ないし寄与率と呼ばれ、総平方和の中で、回帰式で説明される部分の割合をさす。つまり、原データと傾向線がどのくらい一致しているかを表す０≦Ｒ^２≦１の指数であり、「１」に近いほど信頼できると判断する。また、ＲＭＳＥは平均二乗誤差である。
(1)褐色低地土
ｙ＝3.22×ｒ＋2.31×ｔ−0.087×ｐ１−20.9
Ｒ^２＝0.81
ＲＭＳＥ＝3.24ｔ／ｈａ
(2)黒ボク土（下層土：河成堆積物）
ｙ＝3.19×ｒ＋2.11×ｔ−0.061×ｐ１−20.3
Ｒ^２＝0.73
ＲＭＳＥ＝3.46ｔ／ｈａ
(3)黒ボク土
ｙ＝3.86×ｒ＋3.11×ｔ−45.5
Ｒ^２＝0.70
ＲＭＳＥ＝3.53ｔ／ｈａ
(4)多湿黒ボク土
ｙ＝4.11×ｒ＋2.31×ｔ−0.028×ｐ２−41.7
Ｒ^２＝0.79
ＲＭＳＥ＝2.99ｔ／ｈａ

以上のような土壌タイプ別の重回帰式から、対象年次の土壌タイプ別の根収量を予測することができる。２００５年及び２００６年の土壌タイプ別の根収量を予測し、実測した根収量と対比したところ、図７のグラフのようになり、予測値としては十分に満足できる結果が得られている。

以上の手法を流れ図としてまとめると、図８(A)に示すようになる。まず、データベースから、過去の土壌タイプ別の平均根収量のデータと、過去の土壌タイプ別の気象要因と根収量との関係のデータを取得する（ステップＳ２０）。次に、目的変数を根収量，説明変数を全天日射量などの気象要因とする重回帰分析を行い、重回帰式を得る（ステップＳ２２）。そして、求めた重回帰式を利用して収量予測式を作成し、根収量を予測する（ステップＳ２４）。

なお、上述した図８(A)の手法は土壌別に根収量を予測する手法であるが、その変形例として、土壌−250mメッシュ気象結合モデルを作成する予測方法がある。土壌パラメータと１９９７年〜２００２年の250mメッシュ気象データから甜菜の根収量を予測する式の一例を示すと、
根収量＝−1.28×（土壌パラメータ）＋1.69×（４月中旬〜５月上旬の日射量）
＋0.055×（４月下旬〜６月下旬の積算気温）−7.51
＋0.055×（４月下旬〜６月下旬の積算気温）
＋1.69×（４月中旬〜５月上旬の日射量）
−1.28×（土壌パラメータ）
−7.51
Ｒ^２＝0.61
となる。式中、土壌パラメータは、上述した褐色低地土などの土壌タイプ別に決定される係数である。この場合、図８(A)のステップＳ２２の代わりに、同図(B)に示すステップＳ２６を行なうことで、上述した予測式が得られる。この予測式による予測値と２００３年〜２００６年の実測値との関係を示すと、図９に示すようになり、予測値と実測値の一致点を表すグラフを中心とした分布となっている。

本実施例によれば、前記実施例のような圃場単位の詳細な情報を得ることはできないが、雨天や曇天などのために対象地域の衛星画像を撮影することができない場合の補完として、対象地域の土壌タイプ別根収量予測値を７月の段階で提供することができ、効率的な収穫計画の立案や加工工場における搬入計画の立案に役立てることができる。

次に、図１０を参照しながら、本発明の実施例３について説明する。本実施例は、前記実施例１と実施例２を組み合わせたものである。上述した実施例１の衛星データを利用する手法は、５段階評価のような相対的な根収量の多少の予測を行なうものであり、根収量の予測値を得るためには、実際の根収量の調査データが必要となる。一方、実施例２の土壌データと気象データを利用する手法は、収穫前に根収量の予測値を得ることができるものの、土壌タイプ別又は全体の予測値であり、圃場や営農集団単位での予測値を求めることはできない。

そこで、本実施例では、
(1)まず、前記実施例２の方法を用いて、７月の段階で土壌タイプ別又は全体の根収量を予測する。
(2)次に、(1)で得た根収量の予測値を用いて、前記実施例１の方法を用いて得た相対的な根収量の多少を絶対値に変換する。
という手順で根収量の絶対値を得る。

具体的には、図１０の流れ図に示すように、まず、データベースから、土壌タイプ別の平均根収量データ又は全体の根収量データと、気象要因の関係とを示すデータを取得する（ステップＳ５０）。次に、前記根収量データ，気象要因データ，それらの関係を示すデータなどの各種データをＧＩＳ上に一元化ないし統合する（ステップＳ５２）。

次に、目的変数を根収量または糖分率とし、説明変数を、気象要因とするか、もしくは、土壌パラメータと気象要因として、重回帰分析を行う（ステップＳ５４）。そして、その重回帰分析により求めた重回帰式から収量推定式を作成し、土壌タイプ別又は全体の根収量を予測して予測値を得る（ステップＳ５６）。

次に、前記ステップＳ５２で一元化した衛星データから圃場区画ＧＩＳデータ（地理情報システムデータ）を使って、圃場１筆単位の衛星データのデジタル値又はリモートセンシングデータのデジタル値を抽出し、圃場の可視域，近赤外域の光反射率，ＮＤＶＩ，又はＧＮＤＶＩを取得する（ステップＳ５８）。得た可視域，近赤外域の光反射率，ＮＤＶＩ，又はＧＮＤＶＩは、各土壌タイプ別又は全体で集計する（ステップＳ６０）。そして、前記ステップＳ５６で得た各土壌タイプ別又は全体の予測根収量と、前記ステップＳ６０で得た各土壌タイプ別又は全体の可視域，近赤外域の光反射率，ＮＤＶＩ，又はＧＮＤＶＩの集計データとを利用して、圃場１筆単位で傾斜配分し、光反射率，ＮＤＶＩ，又はＧＮＤＶＩを根収量予測値に変換する（ステップＳ６２）。その後、変換した根収量予測値を、営農集団単位や圃場単位で表示する（ステップＳ６４）。

一例を示すと、まず、過去の平均根収量データと気象データを取得する。表２には、過去の平均根収量データの一例が示されている。

この例は、対象地域全体を対象として、１９９０年から２００５年までの根収量データ，気象データから２００６年を「５８.６ｔ／ｈａ」と予測したものの、実際の報告根収量は「５８．４ｔ／ｈａ」であり、両者の差が約０.３％であったことを示している。気象データとしては、過去の日射量，気温，降水量などが該当する。一方、例えば、７月の衛星データから各圃場の可視域，近赤外域の光反射率，ＮＤＶＩ，又はＧＮＤＶＩを計算し、その中央値を、前記表２で求めた根収量の予測値「５８．６ｔ／ｈａ」に置き換える。そして、可視域，近赤外域の光反射率，ＮＤＶＩ，ＧＮＤＶＩの大小に応じて根収量の予測値を衛星画像の画素単位であって、圃場１筆単位で傾斜配分する。

図１１(A)には、以上のようにして求めた根収量の予測値と、実際に収穫された根収量との関係が示されており、予測値が極めて良好に実測値を表していることが分かる。図１１(B)には、以上のようにして得た根収量の予測値と各営農集団のＧＩＳ（Geographic Information System）データを利用し、傾斜配分して予測した根収量の予測値を営農集団単位で平均して根収量の順位付けを行なったものである。このように、本実施例によれば、７月の時点で、営農集団単位や圃場単位で根収量の予測値を知ることができ、その年のおおよその収穫量の値を知ることができる。

次に、図１２を参照しながら、本発明の実施例４について説明する。本実施例は、上述した実施例１〜３で示した収量予測手法を行なうための装置で、コンピュータシステムによって実現した例である。収量予測装置は、ＣＰＵを中心とした演算処理部１００，キーボードやマウスなどの入力部１０２，ディスプレイやプリンタなどの出力部１０４，前記演算処理部１００で実行されるプログラムを格納したプログラムメモリ１１０，演算処理に当たって必要なデータを格納したり、演算結果を格納するデータメモリ１２０を備えている。プログラムメモリ１１０及びデータメモリ１２０は、例えばハードディスクなどによって構成されている。

プログラムメモリ１１０には、上述した図２，図８，図１０に示した処理を行なうための収量予測プログラム１１２が格納されている。また、データメモリ１２０には、上述した衛星データやＮＤＶＩなどのリモートセンシングデータ１２２，ＧＩＳデータなどの地理空間データ１２４，気温などの気象データ１２６，過去の収量データ１２８などが必要に応じて格納される。なお、それらのデータがアナログの場合には、デジタルデータに変換される。

本実施例によれば、データメモリ１２０に格納されているデータを参照しながら、プログラムメモリ１１０に格納されている収量予測プログラム１１２が演算処理部１００で実行される。
(1)実施例１の場合は、リモートセンシングデータ１２２である光反射率，ＮＤＶＩ，又はＧＮＤＶＩのデータを利用して、図２に示した収量の予測，糖分率の予測，糖量の演算が行なわれる。
(2)実施例２の場合は、過去の収量データ１２８である土壌タイプ別又は全体の平均根収量データと、気象データ１２６である土壌タイプ別の気象要因のデータを利用して、図８に示した重回帰分析，根収量の予測の演算が行なわれる。
(3)実施例３の場合は、前記実施例２に加えて、リモートセンシングデータ１２２である光反射率，ＮＤＶＩ，又はＧＮＤＶＩを利用して、図１０に示した集計処理，集計データに基づく根収量の予測値変換の処理が行なわれる。

以上の実施例１〜３のいずれかにより求めた甜菜の根収量の予測値は、例えば、以下のように利用される。
(1)収穫時期の人員や資材等がどの程度必要かのおおよその目安を立てることができる。
(2)予測される根収量が低いときは、肥料の種類や量を調整することで、根収量の向上を図る。
(3)砂糖の生産とバイオエタノールの生産の配分割合を調整することができる。
(4)コントラクター（生産組織）による収穫用大型機械の使用順序を効率的に決定することができる。
(5)翌年以降の栽培時の施肥指針策定に利用でき、最適な根収量、糖分率、糖量を確保することができる。
(6)肥料コスト削減のために利用することができる。

例えば、北海道における甜菜糖の生産量は約６４万トンであり、国内産砂糖の３／４を占める。しかしその価格は国外産と比較して２．８倍も高く、農林水産省策定の「新たな砂糖・甘味資源作物政策大綱」では、甜菜生産及び甜菜糖製造にかかるコストの削減が求められている。生産費の約２２％を占める肥料費の削減は生産コスト低減と糖分向上に、糖分品質の事前把握による原料集荷計画を策定することは輸送費の低減に、それぞれ効果的であると考えられているが、そのために必要な収穫時のデータは生産者ごとに集計されており、技術的に必要とされる個々の圃場や地点では得られていない。特に、大規模畑作地帯では、これらのデータを網羅するためには、先端技術を活用した農業空間情報の収集と蓄積が必須である。

衛星，気象，ＧＩＳ等の先端技術情報を、生産環境，営農，流通を貫く立体的な流れのある形で活用し、生産地域全体の糖分品質を高位平準化させるための効率的な甜菜栽培支援システムを構築することにより、生産費や原料費のコスト低減，効率的な原料出荷計画の策定が可能となり、運用中の小麦適期収穫支援システムと一元化して情報の共有と多目的利用を行うことで、運用コスト低減型の汎用性の高いシステムの構築の実現が期待される。

なお、本発明は、上述した実施例に限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変更を加え得ることができる。例えば、以下のものも含まれる。
(1)前記実施例は、甜菜に対して本発明を適用したものであるが、他の作物に対しても同様に適用可能である。また、国内のみならず外国で栽培されている作物についても、同様に適用可能である。
(2)前記実施例に示した数式や数値も一例であり、実状に即して変更してよい。
(3)前記実施例では、リモートセンシングデータとして衛星データを利用する場合を説明したが、航空機や産業用無人ヘリコプターなどにセンサを搭載してセンシング・観測・撮影して得た画像などの各種のセンシングデータを利用してよい。地理空間データも、ＧＩＳデータが代表的なものであるが、それに限定されるものではない。なお、ＧＩＳデータには、数値地図，行政界データ，営農集団境界データ，圃場区画データなどの様々な種類のデータが該当する。また、ＧＩＳデータには、圃場地形，肥沃度，農薬散布量，土壌成分，収量履歴などのデータが付加されている。
(4)データの形態も、ラスタデータ，ベクタデータのいずれでもよく、アナログ，デジタルなど、いずれの態様であってもよい。
(5)前記実施例では、可視光や近赤外光の反射率を利用した場合を説明したが、他の帯域の光反射率を利用することを妨げるものではない。また、光反射率には放射輝度値も含まれる。

本発明によれば、気象データや土壌データから収穫の２ヶ月以上前に市町村単位，営農集団単位などで収穫量を予測でき、気象データや衛星データから収穫の２ヶ月以上前に圃場１筆単位，営農集団単位などで収穫量を予測できるので、農業生産の効率化，作物の生産や流通のコストないし肥料コストの低減を図ることができ、農業全般に適用できる。

Ｆ１０〜Ｆ４０：営農集団
Ｈ１０〜Ｈ４０：圃場
１００：演算処理部
１０２：入力部
１０４：出力部
１１０：プログラムメモリ
１１２：収量予測プログラム
１２０：データメモリ
１２２：リモートセンシングデータ
１２４：地理空間データ
１２６：気象データ
１２８：過去の収量データ

Claims

収穫前に作物の収量を予測する作物の収量予測方法であって、
リモートセンシングデータから得た前記作物の光反射率，ＮＤＶＩ，又はＧＮＤＶＩから糖量を予測するステップ，
を含むことを特徴とする作物の収量予測方法。
収穫前に作物の収量を予測する作物の収量予測方法であって、
リモートセンシングデータから得た前記作物の光反射率，ＮＤＶＩ，又はＧＮＤＶＩから収量を予測するステップ，
前記光反射率から作物の糖分率を予測するステップ，
前記ステップによって得られた根収量と糖分率から糖量を計算するステップ，
を含むことを特徴とする作物の収量予測方法。
収穫前に作物の収量を予測する作物の収量予測方法であって、
対象地域の過去の土壌タイプ別の平均収量のデータと、土壌タイプ別の気象要因の関係を示すデータを取得するステップ，
目的変数を作物の収量又は糖分率とし、説明変数を、気象要因とするか、もしくは、土壌パラメータと気象要因として、重回帰分析を行うステップ，
重回帰分析の結果を利用して土壌タイプ別の収量を予測するステップ，
を含むことを特徴とする作物の収量予測方法。
収穫前に作物の収量または糖分率を予測する作物の収量予測方法であって、
対象地域の過去の土壌タイプ別の平均収量又は全体の収量データと、気象要因の関係を示すデータを取得するステップ，
目的変数を作物の収量または糖分率とし、説明変数を、気象要因とするか、もしくは、土壌パラメータと気象要因として、重回帰分析を行うステップ，
重回帰分析の結果を利用して土壌タイプ別又は全体の収量を予測するステップ，
リモートセンシングデータから作物の光反射率，ＮＤＶＩ，又はＧＮＤＶＩを取得し、土壌タイプ別又は全体で集計するステップ，
前記ステップで予測した土壌タイプ別又は全体の収量を、土壌タイプ別又は全体で集計した光反射率，ＮＤＶＩ，又はＧＮＤＶＩの集計データに応じて圃場１筆単位で傾斜配分することで、収量の予測値に変換するステップ，
を含むことを特徴とする作物の収量予測方法。
収穫前に作物の収量を予測する作物の収量予測装置であって、
リモートセンシングデータ，地理空間データ，気象データ，作物の過去の収量データが格納されているデータメモリ，
請求項１〜３のいずれかに記載の収量予測方法を実行するための収量予測プログラムが格納されているプログラムメモリ，
前記データメモリに格納されているデータを参照しながら、前記プログラムメモリに格納されている収量予測プログラムを実行することで、作物の収量を予測する演算処理部，
を含むことを特徴とする作物の収量予測装置。