JP2015040851A - Information processing program, information processing method, and information processing apparatus - Google Patents

Information processing program, information processing method, and information processing apparatus Download PDF

Info

Publication number
JP2015040851A
JP2015040851A JP2013173871A JP2013173871A JP2015040851A JP 2015040851 A JP2015040851 A JP 2015040851A JP 2013173871 A JP2013173871 A JP 2013173871A JP 2013173871 A JP2013173871 A JP 2013173871A JP 2015040851 A JP2015040851 A JP 2015040851A
Authority
JP
Japan
Prior art keywords
spectrum data
soil
moisture content
pixel
information processing
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.)
Pending
Application number
JP2013173871A
Other languages
Japanese (ja)
Inventor
竹野内　正寿
Masatoshi Takenochi
正寿 竹野内
胡　勝治
Katsuji Ko
勝治 胡
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.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
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 Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2013173871A priority Critical patent/JP2015040851A/en
Publication of JP2015040851A publication Critical patent/JP2015040851A/en
Pending legal-status Critical Current

Links

Images

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

PROBLEM TO BE SOLVED: To provide an information processing program capable of easily acquiring a water content.SOLUTION: The information processing program acquires target spectral data that is imaged spectroscopic/spectral data. The information processing program identifies approximate reference spectral data per pixel of the target spectral data while referring to reference spectral data that is spectral data in response to each water content of a soil stored in a storage unit. The information processing program also determines a water content per pixel on the basis of the identified reference spectral data.

Description

本発明は、情報処理プログラム、情報処理方法および情報処理装置に関する。   The present invention relates to an information processing program, an information processing method, and an information processing apparatus.

従来、土壌の含水率を調査するために、センサを土壌に接触させて土壌からの反射光を計測し、土壌の含水比や成分を解析する装置がある。当該装置は、例えば、光源と分光センサとを有し、光源から出た光が土壌表面で反射し、分光センサで反射光を計測することで、土壌の成分を判別する。当該装置は、例えば、測定者が手に持って所定の地点の含水率を測定したり、トラクタの後部にセンサを設けてライン状に測定する。   2. Description of the Related Art Conventionally, in order to investigate the moisture content of soil, there is an apparatus that measures the reflected light from the soil by bringing a sensor into contact with the soil and analyzes the moisture content and components of the soil. The apparatus includes, for example, a light source and a spectroscopic sensor. Light emitted from the light source is reflected on the soil surface, and the reflected light is measured by the spectroscopic sensor, thereby determining the soil component. For example, the apparatus measures the moisture content at a predetermined point held by the measurer, or provides a sensor at the rear of the tractor to measure in a line.

国際公開第２００１／００４６２７号International Publication No. 2001/004627 特開平１１−８３６２７号公報JP-A-11-83627

しかしながら、地上での測定では、取得データが測定点またはトラクタが移動したライン状となり、例えば、人工林の土壌の含水率を面で捉えることが難しい。また、センサが地面に接触するため、センサへの土壌の付着や振動の影響によって取得データにばらつきが発生する。さらに、凹凸の多い地形および傾斜地では、測定者やトラクタが立ち入ることができない場合があり、データの取得自体が困難となる。   However, in the measurement on the ground, the acquired data is in the form of a line where the measurement point or the tractor has moved, and for example, it is difficult to grasp the moisture content of the soil of the artificial forest. In addition, since the sensor contacts the ground, the acquired data varies due to the adhesion of soil to the sensor and the influence of vibration. Furthermore, on terrain and slopes with many irregularities, there are cases where a measurer or tractor cannot enter, making it difficult to acquire data.

一つの側面では、簡易に含水率を取得できる情報処理プログラム、情報処理方法および情報処理装置を提供することにある。   In one aspect, an object is to provide an information processing program, an information processing method, and an information processing apparatus that can easily obtain a moisture content.

一つの実施態様では、情報処理プログラムは、撮影された分光スペクトルデータである対象スペクトルデータを取得する。また、情報処理プログラムは、記憶部に記憶された土壌の含水率に応じたスペクトルデータである基準スペクトルデータを参照し、前記対象スペクトルデータのピクセルごとに近似する基準スペクトルデータを特定する。また、情報処理プログラムは、特定した基準スペクトルデータに基づいて、前記ピクセルごとの前記含水率を判定する。   In one embodiment, the information processing program acquires target spectrum data that is captured spectral spectrum data. Further, the information processing program refers to reference spectrum data that is spectrum data corresponding to the moisture content of the soil stored in the storage unit, and specifies reference spectrum data that approximates each pixel of the target spectrum data. Further, the information processing program determines the water content for each pixel based on the specified reference spectrum data.

簡易に含水率を取得できる。   The moisture content can be easily obtained.

図１は、実施例１の判定装置の構成の一例を示すブロック図である。FIG. 1 is a block diagram illustrating an example of the configuration of the determination apparatus according to the first embodiment. 図２は、基準データ記憶部の一例を示す説明図である。FIG. 2 is an explanatory diagram illustrating an example of the reference data storage unit. 図３は、ＩＳＯＤＡＴＡ法を説明する説明図である。FIG. 3 is an explanatory diagram for explaining the ISODATA method. 図４は、土壌ごとのスペクトル強度の一例を示すグラフである。FIG. 4 is a graph showing an example of the spectral intensity for each soil. 図５は、土壌の種別の一例を示す説明図である。FIG. 5 is an explanatory diagram showing an example of the type of soil. 図６は、土壌の分類の一例を示す説明図である。FIG. 6 is an explanatory diagram showing an example of soil classification. 図７は、ＳＡＭ法を説明する説明図である。FIG. 7 is an explanatory diagram for explaining the SAM method. 図８は、土壌Ａの基準スペクトルデータの一例を示すグラフである。FIG. 8 is a graph showing an example of the reference spectrum data of soil A. 図９は、土壌Ｂの基準スペクトルデータの一例を示すグラフである。FIG. 9 is a graph illustrating an example of the reference spectrum data of the soil B. 図１０は、土壌Ｃの基準スペクトルデータの一例を示すグラフである。FIG. 10 is a graph showing an example of the reference spectrum data of soil C. 図１１は、含水率の判定結果の一例を示す説明図である。FIG. 11 is an explanatory diagram illustrating an example of the determination result of the moisture content. 図１２は、含水率と林地適正の一例を示す説明図である。FIG. 12 is an explanatory diagram showing an example of moisture content and forest land suitability. 図１３は、実施例１の判定装置の判定処理の一例を示すフローチャートである。FIG. 13 is a flowchart illustrating an example of a determination process performed by the determination apparatus according to the first embodiment. 図１４は、実施例２の判定装置の構成の一例を示すブロック図である。FIG. 14 is a block diagram illustrating an example of the configuration of the determination apparatus according to the second embodiment. 図１５は、実施例２の判定装置の判定処理の一例を示すフローチャートである。FIG. 15 is a flowchart illustrating an example of a determination process performed by the determination apparatus according to the second embodiment. 図１６は、土壌および草それぞれのスペクトル強度の一例を示すグラフである。FIG. 16 is a graph showing an example of the spectral intensities of soil and grass. 図１７は、草の割合によるスペクトル強度の違いの一例を示すグラフである。FIG. 17 is a graph showing an example of the difference in spectral intensity depending on the grass ratio. 図１８は、情報処理プログラムを実行するコンピュータの一例を示す説明図である。FIG. 18 is an explanatory diagram illustrating an example of a computer that executes an information processing program.

以下、図面に基づいて、本願の開示する情報処理プログラム、情報処理方法および情報処理装置の実施例を詳細に説明する。なお、本実施例により、開示技術が限定されるものではない。また、以下の実施例は、矛盾しない範囲で適宜組みあわせてもよい。   Hereinafter, embodiments of an information processing program, an information processing method, and an information processing apparatus disclosed in the present application will be described in detail based on the drawings. The disclosed technology is not limited by the present embodiment. Further, the following embodiments may be appropriately combined within a consistent range.

図１は、実施例１の判定装置の構成の一例を示すブロック図である。図１に示す判定装置１００は、取得部１０１と、出力部１０２と、記憶部１１０と、制御部１２０とを有する。なお、判定装置１００は、例えば、可搬型のパーソナルコンピュータ等を用いることができる。   FIG. 1 is a block diagram illustrating an example of the configuration of the determination apparatus according to the first embodiment. The determination apparatus 100 illustrated in FIG. 1 includes an acquisition unit 101, an output unit 102, a storage unit 110, and a control unit 120. For example, a portable personal computer or the like can be used as the determination apparatus 100.

取得部１０１は、ハイパースペクトルセンサで撮影されたハイパースペクトルデータ（分光スペクトルデータ）を取得する。取得部１０１は、取得したハイパースペクトルデータを対象スペクトルデータとして、制御部１２０の後述する分類部１２１に出力する。また、取得部１０１は、利用者による処理を開始する指示の入力を受け付け、指示内容を制御部１２０に入力する。なお、取得部１０１は、キーボードやマウス、媒体読取装置などに対応する。   The acquisition unit 101 acquires hyperspectral data (spectral spectrum data) captured by a hyperspectral sensor. The acquisition unit 101 outputs the acquired hyperspectral data as target spectrum data to the classification unit 121 described later of the control unit 120. In addition, the acquisition unit 101 accepts an input of an instruction to start processing by the user, and inputs the instruction content to the control unit 120. The acquisition unit 101 corresponds to a keyboard, a mouse, a medium reading device, and the like.

出力部１０２は、含水率の判定結果を出力する。出力部１０２は、制御部１２０の後述する生成部１２３で生成された含水率の判定結果を示す判定画像を、例えば、液晶ディスプレイ等の図示しない表示部等に出力して表示させる。また、出力部１０２は、判定画像を記憶部１１０に記憶し、または、媒体書込装置を用いて記録媒体に記憶してもよい。   The output unit 102 outputs the determination result of the moisture content. The output unit 102 outputs and displays a determination image indicating the determination result of the moisture content generated by the generation unit 123 (to be described later) of the control unit 120 on a display unit (not shown) such as a liquid crystal display. The output unit 102 may store the determination image in the storage unit 110 or may store the determination image in a recording medium using a medium writing device.

記憶部１１０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、ハードディスクや光ディスク等の記憶装置によって実現される。記憶部１１０は、基準データ記憶部１１１を有する。また、記憶部１１０は、土壌種ごとのスペクトルパターンの特徴情報、および、制御部１２０での処理に用いる情報を記憶する。さらに、記憶部１１０は、含水率の判定結果のデータ、および画像化した判定画像を記憶するようにしてもよい。   The storage unit 110 is realized by, for example, a semiconductor memory device such as a RAM (Random Access Memory) or a flash memory, or a storage device such as a hard disk or an optical disk. The storage unit 110 includes a reference data storage unit 111. In addition, the storage unit 110 stores the characteristic information of the spectrum pattern for each soil type and information used for processing in the control unit 120. Furthermore, the storage unit 110 may store data on the determination result of the moisture content and the determination image that has been imaged.

基準データ記憶部１１１は、土壌の含水率に応じたスペクトルデータである基準スペクトルデータを格納する。基準スペクトルデータは、波長ごとのスペクトル強度を、含水率ごとに有する。基準スペクトルデータは、予め、実験室または現地調査によって、波長ごとのスペクトル強度を含水率ごとに測定したものである。図２は、基準データ記憶部の一例を示す説明図である。図２に示すように、基準データ記憶部１１１は、スペクトル強度を「波長」と「含水率」に対応付けて管理している。なお、基準データ記憶部１１１は、土壌種ごとに含水率のデータテーブルを設けてもよいし、全ての土壌種の含水率を１つのデータテーブルとしてもよい。   The reference data storage unit 111 stores reference spectrum data that is spectrum data corresponding to the moisture content of the soil. The reference spectrum data has a spectral intensity for each wavelength for each water content. The reference spectrum data is obtained by measuring the spectrum intensity for each wavelength for each moisture content in advance by a laboratory or field survey. FIG. 2 is an explanatory diagram illustrating an example of the reference data storage unit. As shown in FIG. 2, the reference data storage unit 111 manages the spectral intensity in association with “wavelength” and “moisture content”. Note that the reference data storage unit 111 may provide a moisture content data table for each soil type, or may set the moisture content of all soil types as one data table.

「波長」は、土壌から反射した光のスペクトルの波長を示し、４００ｎｍから１０５０ｎｍの範囲である。なお、図２では、例えば、１０ｎｍ間隔でスペクトル強度を有するが、これに限定されず、他の間隔でもよいし、波長域によって間隔を変更してもよい。「含水率」は、土壌の含水率を示し、例えば、０％から１００％の間で５％間隔とすることができる。   “Wavelength” indicates the wavelength of the spectrum of light reflected from the soil, and ranges from 400 nm to 1050 nm. In FIG. 2, for example, the spectral intensity is provided at intervals of 10 nm, but the present invention is not limited to this, and other intervals may be used, and the intervals may be changed depending on the wavelength range. “Moisture content” indicates the moisture content of the soil, and can be, for example, 5% intervals between 0% and 100%.

図１の説明に戻って、制御部１２０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、内部の記憶装置に記憶されているプログラムがＲＡＭを作業領域として実行されることにより実現される。また、制御部１２０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現されるようにしてもよい。制御部１２０は、分類部１２１と、判定部１２２と、生成部１２３とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１２０の内部構成は、図１に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。   Returning to the description of FIG. 1, the control unit 120 executes, for example, a program stored in an internal storage device using a RAM as a work area by a CPU (Central Processing Unit), an MPU (Micro Processing Unit), or the like. Is realized. The control unit 120 may be realized by an integrated circuit such as an application specific integrated circuit (ASIC) or a field programmable gate array (FPGA). The control unit 120 includes a classification unit 121, a determination unit 122, and a generation unit 123, and realizes or executes functions and operations of information processing described below. Note that the internal configuration of the control unit 120 is not limited to the configuration illustrated in FIG. 1, and may be another configuration as long as the information processing described later is performed.

分類部１２１は、取得部１０１から入力された対象スペクトルデータの各ピクセルを土壌種ごとに分類する。土壌種ごとの分類は、例えば、ＩＳＯＤＡＴＡ（Iterative Self−Organizing Data Analysis Technique）法により行う。ＩＳＯＤＡＴＡ法は、各ピクセルのスペクトルデータが似たもの同士でグループ分けを行う。つまり、ＩＳＯＤＡＴＡ法は、スペクトルパターンが似たピクセル（画素）同士でグルーピングして、各ピクセルを分類する。分類部１２１は、分類された対象スペクトルデータと、各ピクセルに対応する土壌種とを判定部１２２に出力する。   The classification unit 121 classifies each pixel of the target spectrum data input from the acquisition unit 101 for each soil type. The classification for each soil species is performed by, for example, ISODATA (Iterative Self-Organizing Data Analysis Technique) method. In the ISODATA method, grouping is performed on the pixels having similar spectrum data. That is, in the ISODATA method, pixels having similar spectral patterns are grouped to classify each pixel. The classification unit 121 outputs the classified target spectrum data and the soil type corresponding to each pixel to the determination unit 122.

図３は、ＩＳＯＤＡＴＡ法を説明する説明図である。図３は、例えば、サンプル集合をクラスタとして３つに分割する場合を示す。ＩＳＯＤＡＴＡ法は、（１）まず、３個のクラスタの仮の中心位置１１の初期値を与える。（２）次に、全てのサンプル点に対して、最も近い仮の中心位置１１を求め、サンプル集合を３個のクラスタに分割する。（３）続いて、各クラスタに属するパターンの平均値１２を求める。（４）最初のクラスタリングに用いた中心位置１１と、新しく求めた平均値１２とを比較し、それらが全て一致、または、十分小さな値程度の差になるように、（２）および（３）の処理を繰り返す。ＩＳＯＤＡＴＡ法は、（４）の処理で全て一致、または、十分小さな値程度の差になると、分割したクラスタを各グループとした分類が完了する。   FIG. 3 is an explanatory diagram for explaining the ISODATA method. FIG. 3 shows a case where, for example, a sample set is divided into three as clusters. In the ISODATA method, (1) First, an initial value of a temporary center position 11 of three clusters is given. (2) Next, the nearest temporary center position 11 is obtained for all the sample points, and the sample set is divided into three clusters. (3) Subsequently, an average value 12 of patterns belonging to each cluster is obtained. (4) The center position 11 used for the first clustering is compared with the newly obtained average value 12 so that they all match or have a sufficiently small difference (2) and (3) Repeat the process. In the ISODATA method, when the processing in (4) is all the same or the difference is about a sufficiently small value, the classification with the divided clusters as each group is completed.

ここで、ＩＳＯＤＡＴＡ法の具体例を挙げる。分類部１２１は、例えば、ＩＳＯＤＡＴＡ法による解析を行うソフトウエアとして、画像解析ソフトＥＮＶＩ（Exelis VIS社製）を使用できる。当該ソフトウエアは、対象スペクトルデータの画像全体に対して、指定された分類したいクラス数（土壌種数；例えば最小値３〜最大値５）、分類の繰り返し回数（例えば１回）、閾値（例えば５％）に基づいて、ＩＳＯＤＡＴＡ法による解析を実行する。分類部１２１は、例えば、土壌種数を３つに絞り、それぞれ土壌Ａ、ＢおよびＣに分類する。すなわち、分類部１２１は、対象スペクトルデータの各ピクセルについて、スペクトルデータが似たものを同一の土壌種として分類する。   Here, a specific example of the ISODATA method is given. The classification unit 121 can use, for example, image analysis software ENVI (manufactured by Exelis VIS) as software for performing analysis by the ISODATA method. The software performs the specified number of classes to be classified (the number of soil species; for example, the minimum value 3 to the maximum value 5), the number of repetitions of the classification (for example, once), and the threshold value (for example, the number of classes). 5%), an analysis by the ISODATA method is executed. For example, the classification unit 121 reduces the number of soil species to three and classifies the soil types into soils A, B, and C, respectively. That is, the classification unit 121 classifies pixels having similar spectrum data as the same soil type for each pixel of the target spectrum data.

図４は、土壌ごとのスペクトル強度の一例を示すグラフである。図４の例では、土壌Ａ、ＢおよびＣのスペクトル強度について３５０ｎｍから８５０ｎｍまでについてグラフ化したスペクトルパターンを示す。例えば、スペクトルパターン１３は土壌Ａに対応し、スペクトルパターン１４は土壌Ｂに対応し、スペクトルパターン１５は土壌Ｃに対応する。   FIG. 4 is a graph showing an example of the spectral intensity for each soil. In the example of FIG. 4, the spectrum patterns graphed from 350 nm to 850 nm for the spectral intensities of soils A, B, and C are shown. For example, the spectrum pattern 13 corresponds to the soil A, the spectrum pattern 14 corresponds to the soil B, and the spectrum pattern 15 corresponds to the soil C.

また、分類部１２１は、記憶部１１０に格納された土壌種ごとのスペクトルパターンの特徴情報を参照し、分類した土壌Ａ、ＢおよびＣのスペクトルパターンの特徴に基づいて、具体的な土壌種を判定する。ここで、図５を用いて具体的な土壌種別について説明する。図５は、土壌の種別の一例を示す説明図である。土壌種は、図５に示すように、大きく土壌区分で分けられ、さらにその詳細な分類として土壌群に分けられている。分類部１２１は、図４を例にすると、例えば、スペクトルパターン１３に対応する土壌Ａは、特徴情報に基づいて台地土に属する褐色森林土と判定できる。また、分類部１２１は、同様に、例えば、スペクトルパターン１４に対応する土壌Ｂは、特徴情報に基づいて台地土に属する黄色土と、スペクトルパターン１５に対応する土壌Ｃは、特徴情報に基づいて台地土に属する灰色台地土と判定できる。なお、分類部１２１は、具体的な土壌種の判定まで行わず、分類のみを行うようにしてもよい。この場合には、判定部１２２で具体的な土壌種を判定するようにしてもよい。   Further, the classification unit 121 refers to the characteristic information of the spectrum pattern for each soil type stored in the storage unit 110, and selects a specific soil type based on the characteristics of the spectral patterns of the classified soils A, B, and C. judge. Here, specific soil types will be described with reference to FIG. FIG. 5 is an explanatory diagram showing an example of the type of soil. As shown in FIG. 5, the soil species are largely divided into soil categories, and further divided into soil groups as detailed classifications thereof. For example, in FIG. 4, the classification unit 121 can determine that the soil A corresponding to the spectrum pattern 13 is brown forest soil belonging to the plateau based on the feature information. Similarly, the classification unit 121 similarly, for example, the soil B corresponding to the spectrum pattern 14 is based on the feature information, and the soil C corresponding to the spectrum pattern 15 is based on the feature information. It can be determined as a gray plateau belonging to the plateau. Note that the classification unit 121 may perform only classification without performing specific soil type determination. In this case, the determination unit 122 may determine a specific soil type.

ここで、分類部１２１での分類する処理の結果を画像化した例を図６に示す。図６は、土壌の分類の一例を示す説明図である。図６の例では、入力されたハイパースペクトルデータは、ピクセルごとに土壌Ａ、ＢおよびＣに分類され、それぞれ対応する領域１６、１７および１８で表される。つまり、分類部１２１は、土壌種ごとの領域を判定することができる。   Here, an example in which the result of the classification process in the classification unit 121 is imaged is shown in FIG. FIG. 6 is an explanatory diagram showing an example of soil classification. In the example of FIG. 6, the input hyperspectral data is classified into soils A, B, and C for each pixel, and is represented by corresponding regions 16, 17, and 18, respectively. That is, the classification unit 121 can determine a region for each soil type.

図１の説明に戻って、判定部１２２は、分類された土壌種の基準スペクトルデータを参照して、対象スペクトルデータの各ピクセルと最も近似する基準スペクトルデータを特定する。判定部１２２は、分類部１２１から分類された対象スペクトルデータと、各ピクセルに対応する土壌種とが入力される。判定部１２２は、基準データ記憶部１１１から、分類された土壌種に対応する基準スペクトルデータを読み込む。判定部１２２は、例えば、あるピクセルが土壌Ａと分類されている場合、基準データ記憶部１１１から土壌Ａの全ての含水率の基準スペクトルデータを読み込む。判定部１２２は、あるピクセルのスペクトルパターンと、土壌Ａの全ての含水率の基準スペクトルデータのスペクトルパターンとを照合し、最も近似するスペクトルパターンを持つ基準スペクトルデータを特定する。   Returning to the description of FIG. 1, the determination unit 122 refers to the reference spectrum data of the classified soil species, and specifies the reference spectrum data that most closely approximates each pixel of the target spectrum data. The determination unit 122 receives the target spectrum data classified from the classification unit 121 and the soil type corresponding to each pixel. The determination unit 122 reads reference spectrum data corresponding to the classified soil type from the reference data storage unit 111. For example, when a certain pixel is classified as soil A, the determination unit 122 reads the reference spectrum data of all moisture contents of the soil A from the reference data storage unit 111. The determination unit 122 collates the spectrum pattern of a certain pixel with the spectrum patterns of the reference spectrum data of all the moisture contents of the soil A, and specifies the reference spectrum data having the most approximate spectrum pattern.

判定部１２２は、基準スペクトルデータの特定を、ＳＡＭ（Spectral Angle Mapper）法により行う。ＳＡＭ法は、ベクトル化した２つのスペクトルの類似性をコサイン距離で比較するものであり、１に近いほど類似性が高いと判定する。   The determination unit 122 identifies the reference spectrum data by a SAM (Spectral Angle Mapper) method. In the SAM method, the similarity between two vectorized spectra is compared by the cosine distance, and the closer to 1, the higher the similarity is determined.

図７は、ＳＡＭ法を説明する説明図である。図７を用いて、ベクトル化された２つのスペクトルデータのコサイン距離の算出方法について説明する。ｅＨＳ１は基準スペクトルデータ、つまり教師データをベクトル化したもので、ｅＨＳ２は対象スペクトルデータのあるピクセルをベクトル化したものである。例えば、ベクトルｅＨＳ１は、ｅＨＳ１＝Ｒ１λ１＋Ｒ２λ２＋Ｒ３λ３＋…Ｒｎλｎと表すことができる。Ｒｎはｎ番目の波長の光強度を示しており、λi（ｉ＝１，・・・，ｎ）はｎ次元の単位ベクトルを示す。なお、ベクトルｅＨＳ２についても同様に数式を用いて表すことができる。 FIG. 7 is an explanatory diagram for explaining the SAM method. A method for calculating the cosine distance between two vectorized spectral data will be described with reference to FIG. eHS 1 is a vector obtained by vectorizing reference spectrum data, that is, teacher data, and eHS 2 is a vector obtained by vectorizing a pixel having target spectrum data. For example, the vector eHS 1 can be expressed as eHS 1 = R 1 λ 1 + R 2 λ 2 + R 3 λ 3 +... R n λ n . R n represents the light intensity of the nth wavelength, and λ i (i = 1,..., N) represents an n-dimensional unit vector. The vector eHS 2 can be similarly expressed using mathematical expressions.

２つのスペクトルデータの類似度は、コサイン距離に基づいて求めることができる。コサイン距離は、次式（１）によって求めることができる。   The similarity between the two spectral data can be obtained based on the cosine distance. The cosine distance can be obtained by the following equation (1).

Figure 2015040851
Figure 2015040851

すなわち、２つのベクトルの内積を求めることによってコサイン距離を求めることができる。   That is, the cosine distance can be obtained by obtaining the inner product of two vectors.

判定部１２２は、例えば、対象スペクトルデータのあるピクセル、つまりピクセルのスペクトルデータと、基準スペクトルデータとをそれぞれベクトル化し、２つのベクトルのコサイン距離を算出することにより、スペクトルデータの類似度を判定する。判定部１２２は、類似度を判定した基準スペクトルデータのうち、最も類似度が高い基準スペクトルデータを特定する。つまり、判定部１２２は、あるピクセルのスペクトルパターンと、最も近似するスペクトルパターンを持つ基準スペクトルデータを特定する。   The determination unit 122 determines the similarity of spectrum data by, for example, vectorizing each pixel of the target spectrum data, that is, the spectrum data of the pixel and the reference spectrum data, and calculating the cosine distance between the two vectors. . The determination unit 122 identifies the reference spectrum data having the highest similarity among the reference spectrum data whose similarity is determined. That is, the determination unit 122 identifies reference spectrum data having a spectrum pattern of a certain pixel and a spectrum pattern that is closest to the pixel.

ここで、土壌Ａ、ＢおよびＣの基準スペクトルデータを図８〜１０を用いて説明する。基準スペクトルデータは、土壌種ごとにスペクトルパターンの形状が異なり、また、含水率によってスクペクトル強度が変化し、スペクトルパターンの形状が異なる。つまり、基準スペクトルデータは、土壌含水率により強度比が異なるスペクトルである。図８は、土壌Ａの基準スペクトルデータの一例を示すグラフである。判定部１２２は、例えば、土壌Ａと分類されたあるピクセルのスペクトルパターンが、図８の含水率０％、１５％、２５％および５０％のスペクトルパターンのうち、いずれと最も近似しているかをＳＡＭ法によって特定する。ＳＡＭ法は、解析を行うソフトウエアとして、例えば、画像解析ソフトＥＮＶＩ（Exelis VIS社製）を使用する。   Here, the reference | standard spectrum data of soil A, B, and C are demonstrated using FIGS. In the reference spectrum data, the shape of the spectrum pattern varies depending on the soil type, and the spectrum intensity varies depending on the moisture content, so that the shape of the spectrum pattern varies. That is, the reference spectrum data is a spectrum whose intensity ratio varies depending on the soil moisture content. FIG. 8 is a graph showing an example of the reference spectrum data of soil A. For example, the determination unit 122 determines which one of the spectral patterns of a pixel classified as soil A is most similar to the spectral patterns of 0%, 15%, 25%, and 50% in FIG. Identified by SAM method. The SAM method uses, for example, image analysis software ENVI (Exelis VIS) as software for analysis.

図９は、土壌Ｂの基準スペクトルデータの一例を示すグラフである。判定部１２２は、同様に、例えば、土壌Ｂと分類されたあるピクセルのスペクトルパターンが、図９の含水率０％、１５％、２５％および５０％のスペクトルパターンのうち、いずれと最も近似しているかをＳＡＭ法によって特定する。図１０は、土壌Ｃの基準スペクトルデータの一例を示すグラフである。判定部１２２は、同様に、例えば、土壌Ｃと分類されたあるピクセルのスペクトルパターンが、図１０の含水率０％、１５％、２５％および５０％のスペクトルパターンのうち、いずれと最も近似しているかをＳＡＭ法によって特定する。   FIG. 9 is a graph illustrating an example of the reference spectrum data of the soil B. Similarly, the determination unit 122, for example, has a spectral pattern of a certain pixel classified as soil B that is closest to any of the spectral patterns of water content 0%, 15%, 25%, and 50% in FIG. Is identified by the SAM method. FIG. 10 is a graph showing an example of the reference spectrum data of soil C. Similarly, the determination unit 122, for example, has a spectral pattern of a pixel classified as soil C that is most similar to any of the spectral patterns of water content 0%, 15%, 25%, and 50% in FIG. Is identified by the SAM method.

判定部１２２は、特定したスペクトルパターン、つまり基準スペクトルデータの含水率が、当該ピクセルの含水率であると判定する。判定部１２２は、入力された対象スペクトルデータの全てのピクセルについて、同様に含水率を特定する。判定部１２２は、対象スペクトルデータの画像に対して、例えば、土壌Ａ、ＢおよびＣの各領域には、それぞれ含水率１５％、２５％および５０％の場所が存在すると特定する。判定部１２２は、対象スペクトルデータのピクセルごとの土壌種および含水率を生成部１２３に出力する。   The determination unit 122 determines that the specified spectral pattern, that is, the moisture content of the reference spectrum data is the moisture content of the pixel. The determination unit 122 similarly specifies the moisture content for all the pixels of the input target spectrum data. The determination unit 122 specifies that, for example, each of the regions of soil A, B, and C has locations with a moisture content of 15%, 25%, and 50% with respect to the image of the target spectrum data. The determination unit 122 outputs the soil type and moisture content for each pixel of the target spectrum data to the generation unit 123.

図１の説明に戻って、生成部１２３は、ピクセルごとに判定した土壌種および含水率をマッピングして判定画像を生成する。生成部１２３は、判定部１２２から対象スペクトルデータのピクセルごとの土壌種および含水率が入力される。生成部１２３は、対象スペクトルデータの画像に対して、入力された土壌種および含水率をプロットしてマッピングし、判定画像を生成する。図１１は、含水率の判定結果の一例を示す説明図である。図１１に示す判定結果は、対象スペクトルデータのピクセルごとに土壌Ａ、ＢおよびＣそれぞれに対応する領域１６、１７および１８に区分けされ、さらに、領域１６、１７および１８内で含水率に応じて区分けされる。生成部１２３は、生成した判定画像を出力部１０２に出力する。   Returning to the description of FIG. 1, the generation unit 123 generates a determination image by mapping the soil type and moisture content determined for each pixel. The generation unit 123 receives the soil type and moisture content for each pixel of the target spectrum data from the determination unit 122. The generation unit 123 plots and maps the input soil type and moisture content on the image of the target spectrum data, and generates a determination image. FIG. 11 is an explanatory diagram illustrating an example of the determination result of the moisture content. The determination result shown in FIG. 11 is divided into regions 16, 17 and 18 corresponding to the soils A, B and C, respectively, for each pixel of the target spectrum data, and further according to the moisture content in the regions 16, 17 and 18. It is divided. The generation unit 123 outputs the generated determination image to the output unit 102.

ここで、含水率と林地適正について説明する。図１２は、含水率と林地適正の一例を示す説明図である。生成部１２３によって判定された含水率は、植林を行うにあたって林地に適した土壌であるか否かの判定に用いることができる。例えば、図１２に示すように、含水率が２０％以下では、木の成長に必要な水が不足するため林地適正は不適であると判定できる。また、林地適正は、含水率が２０％〜３０％は適、３０％〜５５％は最適であると判定できる。さらに、林地適正は、含水率が５５％以上である場合は、根腐れ等が発生するため不適であると判定できる。   Here, the moisture content and forest land adequacy will be explained. FIG. 12 is an explanatory diagram showing an example of moisture content and forest land suitability. The moisture content determined by the generation unit 123 can be used to determine whether or not the soil is suitable for the forest when planting. For example, as shown in FIG. 12, when the water content is 20% or less, it is possible to determine that the forest land suitability is inappropriate because water necessary for tree growth is insufficient. Forest land suitability can be determined to be appropriate when the moisture content is 20% to 30% and optimal when 30% to 55%. Furthermore, forest land suitability can be determined to be inappropriate when the moisture content is 55% or more because root rot or the like occurs.

次に、実施例１の判定装置１００の動作について説明する。   Next, operation | movement of the determination apparatus 100 of Example 1 is demonstrated.

図１３は、実施例１の判定装置の判定処理の一例を示すフローチャートである。判定装置１００の取得部１０１は、ハイパースペクトルセンサで撮影されたハイパースペクトルデータを取得する（ステップＳ１）。なお、ハイパースペクトルデータは画像であり、例えば、人工衛星や航空機によって、ハイパースペクトルカメラ（例えば、HSC-1701、エバ・ジャパン社製）によって撮影された、いわゆるリモートセンシングによる地上の画像である。取得部１０１は、取得したハイパースペクトルデータを対象スペクトルデータとして、分類部１２１に出力する。   FIG. 13 is a flowchart illustrating an example of a determination process performed by the determination apparatus according to the first embodiment. The acquisition unit 101 of the determination apparatus 100 acquires hyperspectral data captured by the hyperspectral sensor (step S1). Note that the hyperspectral data is an image, for example, an image of the ground by so-called remote sensing taken by a hyperspectral camera (for example, HSC-1701, manufactured by Eva Japan) with an artificial satellite or an aircraft. The acquisition unit 101 outputs the acquired hyperspectral data to the classification unit 121 as target spectrum data.

分類部１２１は、取得部１０１から入力された対象スペクトルデータの各ピクセルを土壌種ごとに分類する（ステップＳ２）。分類部１２１は、例えば、対象スペクトルデータの各ピクセルを土壌Ａ、ＢおよびＣに分類する。また、分類部１２１は、記憶部１１０に格納された土壌種ごとのスペクトルパターンの特徴情報を参照し、分類した土壌Ａ、ＢおよびＣのスペクトルパターンの特徴に基づいて、具体的な土壌種を判定する。分類部１２１は、分類された対象スペクトルデータと、各ピクセルに対応する土壌種とを判定部１２２に出力する。   The classification unit 121 classifies each pixel of the target spectrum data input from the acquisition unit 101 for each soil type (step S2). For example, the classification unit 121 classifies each pixel of the target spectrum data into soils A, B, and C. Further, the classification unit 121 refers to the characteristic information of the spectrum pattern for each soil type stored in the storage unit 110, and selects a specific soil type based on the characteristics of the spectral patterns of the classified soils A, B, and C. judge. The classification unit 121 outputs the classified target spectrum data and the soil type corresponding to each pixel to the determination unit 122.

判定部１２２は、分類された土壌種の基準スペクトルデータを参照して、対象スペクトルデータの各ピクセルと最も近似する基準スペクトルデータを特定する（ステップＳ３）。判定部１２２は、例えば、あるピクセルが土壌Ａと分類されている場合、基準データ記憶部１１１から土壌Ａの全ての含水率の基準スペクトルデータを読み込む。判定部１２２は、あるピクセルのスペクトルパターンと、土壌Ａの全ての含水率の基準スペクトルデータのスペクトルパターンとを照合し、最も近似するスペクトルパターンを持つ基準スペクトルデータを特定する。   The determination unit 122 refers to the reference spectrum data of the classified soil species, and specifies the reference spectrum data that is closest to each pixel of the target spectrum data (step S3). For example, when a certain pixel is classified as soil A, the determination unit 122 reads the reference spectrum data of all moisture contents of the soil A from the reference data storage unit 111. The determination unit 122 collates the spectrum pattern of a certain pixel with the spectrum patterns of the reference spectrum data of all the moisture contents of the soil A, and specifies the reference spectrum data having the most approximate spectrum pattern.

判定部１２２は、ピクセルごとに特定した基準スペクトルデータに基づいて含水率を判定する（ステップＳ４）。つまり、判定部１２２は、特定した基準スペクトルデータの含水率が、当該ピクセルの含水率であると判定する。判定部１２２は、入力された対象スペクトルデータの全てのピクセルについて、同様に含水率を特定する。判定部１２２は、対象スペクトルデータのピクセルごとの土壌種および含水率を生成部１２３に出力する。   The determination unit 122 determines the moisture content based on the reference spectrum data specified for each pixel (step S4). That is, the determination unit 122 determines that the moisture content of the specified reference spectrum data is the moisture content of the pixel. The determination unit 122 similarly specifies the moisture content for all the pixels of the input target spectrum data. The determination unit 122 outputs the soil type and moisture content for each pixel of the target spectrum data to the generation unit 123.

生成部１２３は、ピクセルごとに判定した土壌種および含水率をマッピングして判定画像を生成する（ステップＳ５）。生成部１２３は、生成した判定画像を出力部１０２に出力する。出力部１０２は、例えば、判定画像を図示しない表示部に出力して、判定装置１００の使用者に判定画像を提示する。   The generation unit 123 generates a determination image by mapping the soil type and moisture content determined for each pixel (step S5). The generation unit 123 outputs the generated determination image to the output unit 102. For example, the output unit 102 outputs the determination image to a display unit (not shown) and presents the determination image to the user of the determination apparatus 100.

このように、判定装置１００は、撮影された分光スペクトルデータである対象スペクトルデータを取得し、記憶部１１０に記憶された土壌の含水率に応じたスペクトルデータである基準スペクトルデータを参照する。また、判定装置１００は、対象スペクトルデータのピクセルごとに近似する基準スペクトルデータを特定し、特定した基準スペクトルデータに基づいて、ピクセルごとの含水率を判定する。その結果、簡易に含水率を取得できる。   As described above, the determination apparatus 100 acquires target spectrum data that is captured spectral spectrum data, and refers to reference spectrum data that is spectrum data according to the moisture content of the soil stored in the storage unit 110. Moreover, the determination apparatus 100 specifies the reference spectrum data approximated for each pixel of the target spectrum data, and determines the moisture content for each pixel based on the specified reference spectrum data. As a result, the moisture content can be easily obtained.

また、判定装置１００は、さらに、ピクセルをスペクトルデータが似たものを同一の土壌種として分類し、分類したピクセルごとに、対応する土壌種の基準スペクトルデータを参照することで、ピクセルごとの土壌種および含水率を判定する。その結果、対応する土壌種の基準スペクトルデータのみと照合するので、ＳＡＭ法の処理量を低減することができる。   Further, the determination apparatus 100 further classifies pixels having similar spectrum data as the same soil species, and refers to the reference spectrum data of the corresponding soil species for each classified pixel, so that the soil for each pixel. Determine species and moisture content. As a result, since only the reference spectrum data of the corresponding soil type is collated, the processing amount of the SAM method can be reduced.

また、判定装置１００は、対象スペクトルデータと基準スペクトルデータとを、４００〜１０５０ｎｍの波長範囲で照合する。その結果、基準スペクトルデータの量を低減でき、含水率を判定する処理の処理量を低減することができる。   Moreover, the determination apparatus 100 collates the target spectrum data and the reference spectrum data in a wavelength range of 400 to 1050 nm. As a result, the amount of reference spectrum data can be reduced, and the amount of processing for determining the moisture content can be reduced.

また、上記実施例１では、入力されたハイパースペクトルデータを、分類部１２１でＩＳＯＤＡＴＡ法により土壌種ごとに分類してから、判定部１２２でＳＡＭ法により含水率を判定したが、これに限定されない。例えば、分類部１２１を設けずに、判定部１２２でＳＡＭ法により土壌種および含水率を判定するようにしてもよい。   Moreover, in the said Example 1, after classifying the input hyperspectral data for every soil type by the ISODATA method in the classification | category part 121, the moisture content was determined by the determination part 122 by the SAM method, but it is not limited to this. . For example, without determining the classification unit 121, the determination unit 122 may determine the soil species and moisture content by the SAM method.

そこで、判定部でＳＡＭ法により土壌種および含水率を判定する実施の形態につき、実施例２として以下に説明する。なお、上記実施例１の判定装置１００と同一の構成には、同一符号を付すことで、その重複する構成及び動作の説明については省略する。実施例２の判定装置２００が実施例１の判定装置１００と異なるところは、入力されたハイパースペクトルデータを土壌種ごとに分類せずに、基準スペクトルデータと照合して土壌種と含水率を判定する点にある。   Therefore, an embodiment in which the determination unit determines the soil species and moisture content by the SAM method will be described below as Example 2. Note that the same components as those of the determination apparatus 100 of the first embodiment are denoted by the same reference numerals, and the description of the overlapping configuration and operation is omitted. The determination device 200 according to the second embodiment is different from the determination device 100 according to the first embodiment in that the input hyperspectral data is not classified for each soil type and is compared with the reference spectrum data to determine the soil type and moisture content. There is in point to do.

図１４は、実施例２の判定装置の構成の一例を示すブロック図である。実施例２の判定装置２００は、実施例１の判定装置１００と比べ、分類部１２１が省略され、判定部２２２を有する。   FIG. 14 is a block diagram illustrating an example of the configuration of the determination apparatus according to the second embodiment. Compared to the determination apparatus 100 of the first embodiment, the determination apparatus 200 of the second embodiment has a classification unit 121 and a determination unit 222.

判定部２２２は、全土壌種の基準スペクトルデータを参照して、対象スペクトルデータの各ピクセルと最も近似する基準スペクトルデータを特定する。判定部２２２は、取得部１０１から対象スペクトルデータが入力される。判定部２２２は、基準データ記憶部１１１から、全土壌種に対応する基準スペクトルデータを読み込む。判定部２２２は、対象スペクトルデータのあるピクセルのスペクトルパターンと、全土壌種の全ての含水率の基準スペクトルデータのスペクトルパターンとを照合し、最も近似するスペクトルパターンを持つ基準スペクトルデータを特定する。なお、スペクトルパターンの照合は、実施例１と同様にＳＡＭ法を用いる。   The determination unit 222 refers to the reference spectrum data of all soil types, and specifies the reference spectrum data that is closest to each pixel of the target spectrum data. The determination unit 222 receives the target spectrum data from the acquisition unit 101. The determination unit 222 reads reference spectrum data corresponding to all soil types from the reference data storage unit 111. The determination unit 222 collates the spectrum pattern of a pixel having the target spectrum data with the spectrum pattern of the reference spectrum data of all the moisture contents of all soil species, and specifies the reference spectrum data having the most approximate spectrum pattern. Note that the SAM method is used for collation of the spectrum pattern as in the first embodiment.

判定部２２２は、特定した基準スペクトルデータの土壌種および含水率が、当該ピクセルの土壌種および含水率であると判定する。判定部２２２は、入力された対象スペクトルデータの全てのピクセルについて、同様に土壌種および含水率を特定する。判定部２２２は、対象スペクトルデータのピクセルごとの土壌種および含水率を生成部１２３に出力する。   The determination unit 222 determines that the soil type and moisture content of the specified reference spectrum data are the soil type and moisture content of the pixel. The determination unit 222 similarly specifies the soil type and moisture content for all pixels of the input target spectrum data. The determination unit 222 outputs the soil type and moisture content for each pixel of the target spectrum data to the generation unit 123.

次に、実施例２の判定装置２００の動作について説明する。   Next, the operation of the determination apparatus 200 according to the second embodiment will be described.

図１５は、実施例２の判定装置の判定処理の一例を示すフローチャートである。判定装置２００の取得部１０１は、ハイパースペクトルセンサで撮影されたハイパースペクトルデータを取得する（ステップＳ１０）。取得部１０１は、取得したハイパースペクトルデータを対象スペクトルデータとして、判定部２２２に出力する。   FIG. 15 is a flowchart illustrating an example of a determination process performed by the determination apparatus according to the second embodiment. The acquisition unit 101 of the determination apparatus 200 acquires hyperspectral data captured by the hyperspectral sensor (step S10). The acquisition unit 101 outputs the acquired hyperspectral data to the determination unit 222 as target spectrum data.

判定部２２２は、全土壌種の基準スペクトルデータを参照して、対象スペクトルデータの各ピクセルと最も近似する基準スペクトルデータを特定する（ステップＳ１１）。判定部２２２は、基準データ記憶部１１１から、全土壌種に対応する基準スペクトルデータを読み込む。判定部２２２は、対象スペクトルデータのあるピクセルのスペクトルパターンと、全土壌種の全ての含水率の基準スペクトルデータのスペクトルパターンとを照合し、最も近似するスペクトルパターンを持つ基準スペクトルデータを特定する。   The determining unit 222 refers to the reference spectrum data of all soil types, and specifies the reference spectrum data that is closest to each pixel of the target spectrum data (step S11). The determination unit 222 reads reference spectrum data corresponding to all soil types from the reference data storage unit 111. The determination unit 222 collates the spectrum pattern of a pixel having the target spectrum data with the spectrum pattern of the reference spectrum data of all the moisture contents of all soil species, and specifies the reference spectrum data having the most approximate spectrum pattern.

判定部２２２は、ピクセルごとに特定した基準スペクトルデータに基づいて、土壌種および含水率を判定する（ステップＳ１２）。つまり、判定部２２２は、特定した基準スペクトルデータの土壌種および含水率が、当該ピクセルの土壌種および含水率であると判定する。判定部２２２は、入力された対象スペクトルデータの全てのピクセルについて、同様に土壌種および含水率を特定する。判定部２２２は、対象スペクトルデータのピクセルごとの土壌種および含水率を生成部１２３に出力する。   The determination unit 222 determines the soil type and moisture content based on the reference spectrum data specified for each pixel (step S12). That is, the determination unit 222 determines that the soil type and moisture content of the specified reference spectrum data are the soil type and moisture content of the pixel. The determination unit 222 similarly specifies the soil type and moisture content for all pixels of the input target spectrum data. The determination unit 222 outputs the soil type and moisture content for each pixel of the target spectrum data to the generation unit 123.

生成部１２３は、ピクセルごとに判定した土壌種および含水率をマッピングして判定画像を生成する（ステップＳ１３）。生成部１２３は、生成した判定画像を出力部１０２に出力する。出力部１０２は、例えば、判定画像を図示しない表示部に出力して、判定装置２００の使用者に判定画像を提示する。なお、判定画像は、実施例１の図１１と同様に、土壌種に対応する領域に区分けされ、さらに各領域が同一の含水率の領域に区分けされた画像となる。   The generation unit 123 generates a determination image by mapping the soil type and moisture content determined for each pixel (step S13). The generation unit 123 outputs the generated determination image to the output unit 102. For example, the output unit 102 outputs the determination image to a display unit (not shown) and presents the determination image to the user of the determination device 200. In addition, the determination image is an image that is divided into regions corresponding to the soil species, and each region is further divided into regions having the same moisture content, as in FIG. 11 of the first embodiment.

このように、判定装置２００は、ピクセルごとに、土壌種および含水率に対応するスペクトルデータである基準スペクトルデータを参照することで、ピクセルごとの土壌種および含水率を判定する。その結果、簡易に含水率を取得できる。   Thus, the determination apparatus 200 determines the soil species and moisture content for each pixel by referring to the reference spectrum data that is spectrum data corresponding to the soil species and moisture content for each pixel. As a result, the moisture content can be easily obtained.

また、上記実施例２では、ＳＡＭ法により土壌種および含水率を判定したが、土壌に雑草が生えている場合がある。この場合、判定装置は雑草を考慮しないと含水率を正しく判定することが困難となるため、基準スペクトルデータに雑草のスペクトルデータを含めるようにしてもよい。   Moreover, in the said Example 2, although the soil species and the moisture content were determined by the SAM method, weeds may grow on the soil. In this case, since it becomes difficult for the determination device to correctly determine the moisture content unless weeds are taken into account, the spectrum data of weeds may be included in the reference spectrum data.

基準スペクトルデータとして、土壌種、草の混入比率および含水率に対応するスペクトルデータを用いる実施の形態につき、実施例３として以下に説明する。なお、実施例３の判定装置は、上記実施例２の判定装置２００と同一の構成であるので、その重複する構成及び動作の説明については省略する。実施例３の判定装置が実施例２の判定装置２００と異なるところは、基準スペクトルデータとして、土壌種、草の混入比率および含水率に対応するスペクトルデータを用いる点にある。   An embodiment in which spectrum data corresponding to soil species, grass contamination ratio, and moisture content is used as reference spectrum data will be described below as Example 3. In addition, since the determination apparatus of Example 3 is the same structure as the determination apparatus 200 of the said Example 2, it abbreviate | omits about the description of the overlapping structure and operation | movement. The determination apparatus of the third embodiment is different from the determination apparatus 200 of the second embodiment in that spectrum data corresponding to soil species, grass mixture ratio and moisture content is used as the reference spectrum data.

図１６は、土壌および草それぞれのスペクトル強度の一例を示すグラフである。図１６に示すグラフは、土壌のスペクトルパターン１９と、草のスペクトルパターン２０とを示す。つまり、土壌のスペクトルパターン１９は、草の混入比率が０％の場合のスペクトルパターンを示し、草のスペクトルパターン２０は、草の混入比率が１００％の場合のスペクトルパターンを示す。実施例３の判定装置は、対象スペクトルデータと基準スペクトルデータとを照合するときに、草の混入比率を変化させた基準スペクトルデータを参照して対象スペクトルデータとの間でスペクトルパターンを照合する。図１７は、草の割合によるスペクトル強度の違いの一例を示すグラフである。図１７に示すグラフは、草の混入比率が１０％のスペクトルパターン２１と、草の混入比率が２０％のスペクトルパターン２２と、草の混入比率が３０％のスペクトルパターン２３とを示す。実施例３の判定装置は、照合の結果、最も近似するスペクトルパターンを持つ基準スペクトルデータを特定する。つまり、実施例３の判定装置は、土壌種、草の混入比率および含水率が最も近似する基準スペクトルデータを特定する。なお、草の混入比率を変化させたスペクトルパターンの基準スペクトルデータは、予め基準スペクトルデータとして基準データ記憶部に記憶させる。   FIG. 16 is a graph showing an example of the spectral intensities of soil and grass. The graph shown in FIG. 16 shows a spectral pattern 19 of soil and a spectral pattern 20 of grass. That is, the spectrum pattern 19 of the soil shows a spectrum pattern when the grass mixture ratio is 0%, and the grass spectrum pattern 20 shows a spectrum pattern when the grass mixture ratio is 100%. When collating the target spectrum data with the reference spectrum data, the determination apparatus according to the third embodiment compares the spectrum pattern with the target spectrum data with reference to the reference spectrum data in which the grass mixture ratio is changed. FIG. 17 is a graph showing an example of the difference in spectral intensity depending on the grass ratio. The graph shown in FIG. 17 shows a spectral pattern 21 having a grass mixing ratio of 10%, a spectral pattern 22 having a grass mixing ratio of 20%, and a spectral pattern 23 having a grass mixing ratio of 30%. The determination apparatus according to the third embodiment identifies reference spectrum data having a spectrum pattern that is closest to the result of the comparison. That is, the determination apparatus of Example 3 specifies the reference spectrum data that approximates the soil species, the grass mixture ratio, and the moisture content most closely. The reference spectrum data of the spectrum pattern in which the grass mixture ratio is changed is stored in advance in the reference data storage unit as reference spectrum data.

次に、実施例３の判定装置の動作について説明する。なお、実施例３の判定装置の判定処理のフローチャートは、図１５に示す実施例２の判定装置２００の判定処理のフローチャートと、草の混入比率を変化させたスペクトルパターンの基準スペクトルデータを参照する点を除き同一である。   Next, the operation of the determination apparatus according to the third embodiment will be described. In addition, the flowchart of the determination process of the determination apparatus of Example 3 refers to the flowchart of the determination process of the determination apparatus 200 of Example 2 illustrated in FIG. 15 and the reference spectrum data of the spectrum pattern in which the grass mixture ratio is changed. It is the same except for the point.

実施例３の判定装置の判定部は、全ての土壌種、草の混入比率および含水率に対応する基準スペクトルデータを参照して、対象スペクトルデータの各ピクセルと最も近似する基準スペクトルデータを特定する。判定部は、基準データ記憶部から、全ての土壌種、草の混入比率および含水率に対応する基準スペクトルデータを読み込む。判定部は、対象スペクトルデータのあるピクセルのスペクトルパターンと、全ての土壌種、草の混入比率および含水率の基準スペクトルデータのスペクトルパターンとを照合し、最も近似するスペクトルパターンを持つ基準スペクトルデータを特定する。判定部は、特定した基準スペクトルデータの土壌種、草の混入比率および含水率が、当該ピクセルの土壌種、草の混入比率および含水率であると判定する。判定部は、入力された対象スペクトルデータの全てのピクセルについて、同様に土壌種、草の混入比率および含水率を特定する。判定部は、対象スペクトルデータのピクセルごとの土壌種、草の混入比率および含水率を生成部に出力する。   The determination unit of the determination apparatus according to the third embodiment refers to the reference spectrum data corresponding to all the soil types, grass mixture ratios, and moisture contents, and specifies the reference spectrum data that is closest to each pixel of the target spectrum data. . The determination unit reads reference spectrum data corresponding to all soil types, grass contamination ratios, and moisture contents from the reference data storage unit. The determination unit collates the spectral pattern of the pixel having the target spectral data with the spectral pattern of the reference spectral data of all soil species, grass contamination ratios and moisture content, and determines the reference spectral data having the closest spectral pattern. Identify. The determination unit determines that the soil type, grass mixing ratio, and moisture content of the specified reference spectrum data are the soil type, grass mixing ratio, and water content of the pixel. The determination unit similarly identifies the soil species, the grass mixture ratio, and the moisture content for all pixels of the input target spectrum data. The determination unit outputs the soil type, grass mixture ratio, and moisture content for each pixel of the target spectrum data to the generation unit.

このように、実施例３の判定装置は、ピクセルごとに、土壌種、草の混入比率および含水率に対応するスペクトルデータである基準スペクトルデータを参照することで、ピクセルごとの土壌種、草の混入比率および含水率を判定する。その結果、草が生えた土壌であっても、簡易に含水率を取得できる。   Thus, the determination apparatus of Example 3 refers to the reference spectrum data that is the spectrum data corresponding to the soil species, the grass contamination ratio, and the moisture content for each pixel, so that the soil species for each pixel, the grass Determine mixing ratio and moisture content. As a result, water content can be easily obtained even in grassy soil.

なお、実施例３の判定装置では、草の混入比率を変化させたスペクトルパターンの基準スペクトルデータを、予め基準スペクトルデータとして基準データ記憶部に記憶させたが、これに限定されない。例えば、判定部によって、土壌のスペクトルパターンと、草のスペクトルパターンとを合成して、任意の草の混入比率のスペクトルパターンの基準スペクトルデータを生成するようにしてもよい。   In the determination apparatus according to the third embodiment, the reference spectrum data of the spectrum pattern in which the grass mixture ratio is changed is stored in advance in the reference data storage unit as the reference spectrum data. However, the present invention is not limited to this. For example, the determination unit may synthesize the spectrum pattern of the soil and the spectrum pattern of the grass to generate the reference spectrum data of the spectrum pattern of any grass mixture ratio.

また、上記各実施例では、情報処理装置として判定装置１００等を例示したが、これに限定されない。情報処理装置は、例えば、据え置き型のパーソナルコンピュータ、ワークステーション等であってもよい。また、情報処理装置は、例えば、スマートフォン、ＰＤＡ（Personal Digital Assistant、または、Personal Data Assistance）等の情報処理を実行できる装置であってもよい。   Further, in each of the above embodiments, the determination apparatus 100 or the like is illustrated as the information processing apparatus, but the present invention is not limited to this. The information processing apparatus may be, for example, a stationary personal computer or a workstation. In addition, the information processing apparatus may be an apparatus that can execute information processing such as a smartphone or a PDA (Personal Digital Assistant or Personal Data Assistance).

また、実施例１、２および３に示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。   Further, the processing procedures, control procedures, specific names, and information including various data and parameters shown in the first, second, and third embodiments can be arbitrarily changed unless otherwise specified.

また、図示した各部の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各部の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。   In addition, each component of each part illustrated does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution / integration of each part is not limited to the one shown in the figure, and all or a part thereof may be functionally or physically distributed / integrated in arbitrary units according to various loads and usage conditions. Can be configured.

さらに、各装置で行われる各種処理機能は、ＣＰＵ（又はＭＰＵ、ＭＣＵ（Micro Controller Unit）等のマイクロ・コンピュータ）上で、その全部又は任意の一部を実行するようにしても良い。また、各種処理機能は、ＣＰＵ（又はＭＰＵ、ＭＣＵ等のマイクロ・コンピュータ）で解析実行されるプログラム上、又はワイヤードロジックによるハードウエア上で、その全部又は任意の一部を実行するようにしても良いことは言うまでもない。   Furthermore, various processing functions performed in each device may be executed entirely or arbitrarily on a CPU (or a microcomputer such as an MPU or MCU (Micro Controller Unit)). In addition, various processing functions may be executed in whole or in any part on a program that is analyzed and executed by a CPU (or a microcomputer such as an MPU or MCU) or on hardware based on wired logic. It goes without saying that it is good.

ところで、上記の実施例で説明した各種の処理は、予め用意されたプログラムをコンピュータで実行することで実現できる。そこで、以下では、上記の実施例と同様の機能を有するプログラムを実行するコンピュータの一例を説明する。図１８は、情報処理プログラムを実行するコンピュータの一例を示す説明図である。   By the way, the various processes described in the above embodiments can be realized by executing a program prepared in advance by a computer. Therefore, in the following, an example of a computer that executes a program having the same function as in the above embodiment will be described. FIG. 18 is an explanatory diagram illustrating an example of a computer that executes an information processing program.

図１８が示すように、コンピュータ３００は、各種演算処理を実行するＣＰＵ３０１と、ユーザからのデータ入力を受け付ける入力装置３０２と、モニタ３０３とを有する。また、コンピュータ３００は、記憶媒体からプログラム等を読み取る媒体読取装置３０４と、他の装置と接続するためのインターフェース装置３０５と、他の装置と無線により接続するための無線通信装置３０６とを有する。また、コンピュータ３００は、各種情報を一時記憶するＲＡＭ３０７と、ハードディスク装置３０８とを有する。また、各装置３０１〜３０８は、バス３０９に接続される。   As illustrated in FIG. 18, the computer 300 includes a CPU 301 that executes various arithmetic processes, an input device 302 that receives data input from a user, and a monitor 303. The computer 300 also includes a medium reading device 304 that reads a program or the like from a storage medium, an interface device 305 for connecting to another device, and a wireless communication device 306 for connecting to another device wirelessly. The computer 300 also includes a RAM 307 that temporarily stores various types of information and a hard disk device 308. Each device 301 to 308 is connected to a bus 309.

ハードディスク装置３０８には、図１に示した制御部１２０の分類部１２１、判定部１２２、および生成部１２３の各処理部と同様の機能を有する情報処理プログラムが記憶される。また、ハードディスク装置３０８には、情報処理プログラムを実現するための各種データが記憶される。   The hard disk device 308 stores an information processing program having functions similar to those of the processing units of the classification unit 121, the determination unit 122, and the generation unit 123 of the control unit 120 illustrated in FIG. The hard disk device 308 stores various data for realizing the information processing program.

ＣＰＵ３０１は、ハードディスク装置３０８に記憶された各プログラムを読み出して、ＲＡＭ３０７に展開して実行することで、各種の処理を行う。また、これらのプログラムは、コンピュータ３００を図１に示した分類部１２１、判定部１２２、および生成部１２３として機能させることができる。   The CPU 301 reads out each program stored in the hard disk device 308, develops it in the RAM 307, and executes it to perform various processes. In addition, these programs can cause the computer 300 to function as the classification unit 121, the determination unit 122, and the generation unit 123 illustrated in FIG.

なお、上記の情報処理プログラムは、必ずしもハードディスク装置３０８に記憶されている必要はない。例えば、コンピュータ３００が読み取り可能な記憶媒体に記憶されたプログラムを、コンピュータ３００が読み出して実行するようにしてもよい。コンピュータ３００が読み取り可能な記憶媒体は、例えば、ＣＤ−ＲＯＭやＤＶＤディスク、ＵＳＢ（Universal Serial Bus）メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ、ハードディスクドライブ等が対応する。また、公衆回線、インターネット、ＬＡＮ（Local Area Network）等に接続された装置にこの情報処理プログラムを記憶させておき、コンピュータ３００がこれらから情報処理プログラムを読み出して実行するようにしてもよい。   Note that the above information processing program is not necessarily stored in the hard disk device 308. For example, the computer 300 may read and execute a program stored in a storage medium readable by the computer 300. The storage medium readable by the computer 300 corresponds to, for example, a portable recording medium such as a CD-ROM, a DVD disk, a USB (Universal Serial Bus) memory, a semiconductor memory such as a flash memory, a hard disk drive, and the like. Alternatively, the information processing program may be stored in a device connected to a public line, the Internet, a LAN (Local Area Network), etc., and the computer 300 may read and execute the information processing program therefrom.

１００，２００ 判定装置
１０１ 取得部
１０２ 出力部
１１０ 記憶部
１１１ 基準データ記憶部
１２０ 制御部
１２１ 分類部
１２２，２２２ 判定部
１２３ 生成部 100, 200 determination device 101 acquisition unit 102 output unit 110 storage unit 111 reference data storage unit 120 control unit 121 classification unit 122, 222 determination unit 123 generation unit

Claims (7)

コンピュータに、
撮影された分光スペクトルデータである対象スペクトルデータを取得し、
記憶部に記憶された土壌の含水率に応じたスペクトルデータである基準スペクトルデータを参照し、前記対象スペクトルデータのピクセルごとに近似する基準スペクトルデータを特定し、特定した基準スペクトルデータに基づいて、前記ピクセルごとの前記含水率を判定する、
処理を実行させることを特徴とする情報処理プログラム。 On the computer,
Acquire target spectrum data, which is captured spectral data,
Referring to the reference spectrum data that is the spectrum data according to the moisture content of the soil stored in the storage unit, identify the reference spectrum data that approximates each pixel of the target spectrum data, and based on the specified reference spectrum data, Determining the moisture content for each pixel;
An information processing program for executing a process. さらに、前記コンピュータに、前記ピクセルをスペクトルデータが似たものを同一の土壌種として分類する処理を実行させ、
前記判定する処理は、分類した前記ピクセルごとに、対応する前記土壌種の前記基準スペクトルデータを参照することで、前記ピクセルごとの前記土壌種および前記含水率を判定する、
ことを特徴とする請求項１に記載の情報処理プログラム。 Furthermore, the computer is caused to execute a process of classifying the pixels having similar spectrum data as the same soil species,
The determination process determines the soil type and the moisture content for each pixel by referring to the reference spectrum data of the corresponding soil type for each classified pixel.
The information processing program according to claim 1. 前記基準スペクトルデータは、土壌種および前記含水率に対応するスペクトルデータであり、
前記判定する処理は、前記ピクセルごとに、前記土壌種および前記含水率に対応するスペクトルデータである前記基準スペクトルデータを参照することで、前記ピクセルごとの前記土壌種および前記含水率を判定する、
ことを特徴とする請求項１に記載の情報処理プログラム。 The reference spectral data is spectral data corresponding to soil species and the moisture content,
The determination process determines the soil species and the moisture content for each pixel by referring to the reference spectrum data that is spectrum data corresponding to the soil species and the moisture content for each pixel.
The information processing program according to claim 1. 前記基準スペクトルデータは、土壌種、草の混入比率および前記含水率に対応するスペクトルデータであり、
前記判定する処理は、前記ピクセルごとに、前記土壌種、前記草の混入比率および前記含水率に対応するスペクトルデータである前記基準スペクトルデータを参照することで、前記ピクセルごとの前記土壌種、前記草の混入比率および前記含水率を判定する、
ことを特徴とする請求項１に記載の情報処理プログラム。 The reference spectral data is spectral data corresponding to soil species, grass contamination ratio and the moisture content,
The determination process refers to the reference spectrum data that is spectrum data corresponding to the soil species, the grass contamination ratio, and the moisture content for each pixel, so that the soil species for each pixel, the Determine the grass mixing ratio and the moisture content,
The information processing program according to claim 1. 前記判定する処理は、前記対象スペクトルデータと前記基準スペクトルデータとを、４００〜１０５０ｎｍの波長範囲で照合することを特徴とする請求項１〜４のいずれか１項に記載の情報処理プログラム。   The information processing program according to any one of claims 1 to 4, wherein the determining process collates the target spectrum data and the reference spectrum data in a wavelength range of 400 to 1050 nm. コンピュータが、
撮影された分光スペクトルデータである対象スペクトルデータを取得し、
記憶部に記憶された土壌の含水率に応じたスペクトルデータである基準スペクトルデータを参照し、前記対象スペクトルデータのピクセルごとに近似する基準スペクトルデータを特定し、特定した基準スペクトルデータに基づいて、前記ピクセルごとの前記含水率を判定する、
処理を実行することを特徴とする情報処理方法。 Computer
Acquire target spectrum data, which is captured spectral data,
Referring to the reference spectrum data that is the spectrum data according to the moisture content of the soil stored in the storage unit, identify the reference spectrum data that approximates each pixel of the target spectrum data, and based on the specified reference spectrum data, Determining the moisture content for each pixel;
An information processing method characterized by executing processing. 土壌の含水率に応じたスペクトルデータを有する基準スペクトルデータを記憶する記憶部と、
撮影された分光スペクトルデータである対象スペクトルデータを取得する取得部と、
前記基準スペクトルデータを参照し、前記対象スペクトルデータのピクセルごとに近似する基準スペクトルデータを特定し、特定した基準スペクトルデータに基づいて、前記ピクセルごとの前記含水率を判定する判定部と、
を有することを特徴とする情報処理装置。 A storage unit for storing reference spectrum data having spectrum data according to the moisture content of the soil;
An acquisition unit that acquires target spectrum data that is captured spectral spectrum data;
A determination unit that refers to the reference spectrum data, specifies the reference spectrum data approximated for each pixel of the target spectrum data, and determines the moisture content for each pixel based on the specified reference spectrum data;
An information processing apparatus comprising:
JP2013173871A 2013-08-23 2013-08-23 Information processing program, information processing method, and information processing apparatus Pending JP2015040851A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2013173871A JP2015040851A (en) 2013-08-23 2013-08-23 Information processing program, information processing method, and information processing apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2013173871A JP2015040851A (en) 2013-08-23 2013-08-23 Information processing program, information processing method, and information processing apparatus

Publications (1)

Publication Number Publication Date
JP2015040851A true JP2015040851A (en) 2015-03-02

Family

ID=52695083

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2013173871A Pending JP2015040851A (en) 2013-08-23 2013-08-23 Information processing program, information processing method, and information processing apparatus

Country Status (1)

Country Link
JP (1) JP2015040851A (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104048946A (en) * 2014-06-16 2014-09-17 河南省农业科学院植物营养与资源环境研究所 Indoor hyperspectral determination method for undisturbed soil
JP2018151388A (en) * 2017-03-14 2018-09-27 株式会社フジタ Trafficability estimation device and program
WO2019053874A1 (en) * 2017-09-15 2019-03-21 日本電気株式会社 Water content specifying device, water content specifying method, and storage medium storing water content specifying program
WO2019053875A1 (en) * 2017-09-15 2019-03-21 日本電気株式会社 Water content specifying device, water content specifying method, and storage medium storing water content specifying program

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1132600A (en) * 1997-07-17 1999-02-09 Yazaki Corp Affusion system by controlling color of soil
JP2002098633A (en) * 2000-09-22 2002-04-05 Sanyo Electric Co Ltd Water content measuring apparatus
JP2003083956A (en) * 2001-07-06 2003-03-19 Omron Corp Observation apparatus for soil characteristics
JP2003139765A (en) * 2001-07-06 2003-05-14 Sakae Shibusawa Device for observing characteristic of soil
US20040032973A1 (en) * 2002-08-13 2004-02-19 Eastman Kodak Company Method for using remote imaging to predict quality parameters for agricultural commodities
JP2009058443A (en) * 2007-08-31 2009-03-19 National Institute For Environmental Studies Method for automatically categorizing rhizosphere element in soil
US8367420B1 (en) * 2010-02-08 2013-02-05 Bowling Green State University Method and system for detecting sulfur in soil from reflected light

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1132600A (en) * 1997-07-17 1999-02-09 Yazaki Corp Affusion system by controlling color of soil
JP2002098633A (en) * 2000-09-22 2002-04-05 Sanyo Electric Co Ltd Water content measuring apparatus
JP2003083956A (en) * 2001-07-06 2003-03-19 Omron Corp Observation apparatus for soil characteristics
JP2003139765A (en) * 2001-07-06 2003-05-14 Sakae Shibusawa Device for observing characteristic of soil
US20040032973A1 (en) * 2002-08-13 2004-02-19 Eastman Kodak Company Method for using remote imaging to predict quality parameters for agricultural commodities
JP2009058443A (en) * 2007-08-31 2009-03-19 National Institute For Environmental Studies Method for automatically categorizing rhizosphere element in soil
US8367420B1 (en) * 2010-02-08 2013-02-05 Bowling Green State University Method and system for detecting sulfur in soil from reflected light

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BEN-DOR,E. ET AL, INTERNATIONAL JOURNAL OF REMOTE SENSING, vol. 23/6, JPN7017000176, 2002, pages 1043 - 1062, ISSN: 0003484529 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104048946A (en) * 2014-06-16 2014-09-17 河南省农业科学院植物营养与资源环境研究所 Indoor hyperspectral determination method for undisturbed soil
JP2018151388A (en) * 2017-03-14 2018-09-27 株式会社フジタ Trafficability estimation device and program
JP7075787B2 (en) 2017-03-14 2022-05-26 株式会社フジタ Trafficability estimator and program
WO2019053874A1 (en) * 2017-09-15 2019-03-21 日本電気株式会社 Water content specifying device, water content specifying method, and storage medium storing water content specifying program
WO2019053875A1 (en) * 2017-09-15 2019-03-21 日本電気株式会社 Water content specifying device, water content specifying method, and storage medium storing water content specifying program

Similar Documents

Publication Publication Date Title
Ferraz et al. Lidar detection of individual tree size in tropical forests
Behmann et al. Generation and application of hyperspectral 3D plant models: methods and challenges
Lv et al. Iterative training sample expansion to increase and balance the accuracy of land classification from VHR imagery
Halme et al. Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest
US20230017425A1 (en) System and method for determining damage on crops
Gómez et al. Historical forest biomass dynamics modelled with Landsat spectral trajectories
JP5673823B2 (en) Plant species identification device, method and program
Machala et al. Forest mapping through object-based image analysis of multispectral and LiDAR aerial data
Rahaman et al. An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm
Jiang et al. Quantitative analysis of cotton canopy size in field conditions using a consumer-grade RGB-D camera
JP2015040851A (en) Information processing program, information processing method, and information processing apparatus
Zhang et al. Estimating plant distance in maize using Unmanned Aerial Vehicle (UAV)
JP2014119296A (en) Program for determining plant species, method for determining plant species and apparatus for identifying plant species
David et al. Plant detection and counting from high-resolution RGB images acquired from UAVs: comparison between deep-learning and handcrafted methods with application to maize, sugar beet, and sunflower
Hu et al. A robust deep learning approach for the quantitative characterization and clustering of peach tree crowns based on UAV images
Li et al. Smartphone application-based measurements of stem-base width and plant height in rice seedling
Meivel et al. Monitoring of potato crops based on multispectral image feature extraction with vegetation indices
Wardius et al. Terrestrial laser scanning vs. manual methods for assessing complex forest stand structure: a comparative analysis on plenter forests
Hall Remote sensing applications in viticulture: recent advances and new opportunities
Liu et al. Tree Crown width estimation, using discrete airborne LiDAR data
Peralta et al. Modeling shapes using uniform cubic b-splines for rice seed image analysis
JP6207968B2 (en) Forest phase analysis apparatus, forest phase analysis method and program
Marconi et al. Rethinking the fundamental unit of ecological remote sensing: Estimating individual level plant traits at scale
Varvia et al. Uncertainty quantification in ALS-based species-specific growing stock volume estimation
Burshtynska et al. The definition of the area of felling forests by high resolution satellite images

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160510

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20170113

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170131

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20170808