JP2015188333A - 植生生長分析システム及び方法 - Google Patents
植生生長分析システム及び方法 Download PDFInfo
- Publication number
- JP2015188333A JP2015188333A JP2014066441A JP2014066441A JP2015188333A JP 2015188333 A JP2015188333 A JP 2015188333A JP 2014066441 A JP2014066441 A JP 2014066441A JP 2014066441 A JP2014066441 A JP 2014066441A JP 2015188333 A JP2015188333 A JP 2015188333A
- Authority
- JP
- Japan
- Prior art keywords
- vegetation
- data
- growth
- time
- prediction
- 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
Links
Images
Abstract
【課題】 植生生長分析システムにおいて、異なるセンサーの衛星画像を用いて、時系列分析で植物の常時観測、早期収量などを実現する。【解決手段】 生長曲線生成部105は、通常の植生時系列データから、植生指標/積算温度の植生生長曲線に変換し、キータイム抽出部106は、積算温度に対してキータイムを抽出し、高次元分析モデル生成部107は、このキータイムを基づき新たな植物生長状況を表す高次元分析モデルを生成する。このモデルを用いて、災害判断部108、トレンド予測部109は、それぞれ災害判断、生長トレンド予測などを行い、植物の常時観測、早期収量予測等の農業管理を実現する。【選択図】 図1
Description
本発明は、植生生長分析システム及び方法に係り、特に、観測衛星の計測情報を用いて植生生長状況及び植物収量予測、必要に応じて災害状況等を解析し、その結果に基づき農作物の状況を把握するための植生生長分析システム及び方法に関する。
従来の農作物収量予測及び災害判断システムでは、高解像度衛星と低解像度衛星を使うことより、解決する課題が異なっている。高解像度衛星データを使う場合には、通常圃場レベルの推計に適用できる。収穫前(1−2月前)の現地データ(収量データ、土壌サンプリングデータ、気温データ、降水量データなど)と、その時期取られた高解像度衛星画像を併用することにより、衛星画像から計測した植生指標(NDVI、EVI、LAIなど)を統計モデル(線形予測モデル、混合モデルなど)に入れて、収量推計を行う。
また、低解像度衛星データを使う場合には、通常は地域レベルの推計に適用できる。時系列の複数枚の衛星データを用いて、地域レベルの植生生長の時間変化から、地域レベル災害発生、収量予測等を行う。
また、低解像度衛星データを使う場合には、通常は地域レベルの推計に適用できる。時系列の複数枚の衛星データを用いて、地域レベルの植生生長の時間変化から、地域レベル災害発生、収量予測等を行う。
水稲の登熟期における衛星データおよびアメダスデータを用いた収量予測法(脇山 恭行、 井上 君夫、 中園 江、農業気象Vol. 59 (2003) No. 4 December P 277−286)
高解像度衛星画像(RapidEyeなど)は、低解像度衛星画像(MODISなど)に比べると、1シーンがカバーできる面積が小さく、しかも取得費用が高額である。また、回帰周期が2週間から20日程度であるので、常時観測に用いる場合、計測頻度が必ずしも十分でないことが考えられる。このため、対象地域全体をカバーする衛星画像シーンの取得が費用上の制約で困難となる場合や、必要なシーンそのものが計測されない場合などが想定される。
また、少量の高解像度画像で圃場レベルの推計を行う場合に、圃場毎に同種類の植物に対しても、すべて同じ生長状況ではない可能性が少なくはないので、同じ時間の衛星から取ったデータを直接使用すると、推計精度が低い場合があると考えられる。前述したように、高解像度衛星画像の時間分解能が比較的低いことにより、推計用の画像が植物の生長キータイムではない可能性が高い為、予測精度が低い場合があると想定される。
低解像度の衛星画像で地域レベルの推計を行う場合に、時間毎にキータイムの分析が可能だが、通常精確ではない推計である場合が想定されるので、植生の生育段階、植え付け時間等の差を問わずに全体的の推計を行うため、精確の予測は難しい場合があると考えられる。
また、少量の高解像度画像で圃場レベルの推計を行う場合に、圃場毎に同種類の植物に対しても、すべて同じ生長状況ではない可能性が少なくはないので、同じ時間の衛星から取ったデータを直接使用すると、推計精度が低い場合があると考えられる。前述したように、高解像度衛星画像の時間分解能が比較的低いことにより、推計用の画像が植物の生長キータイムではない可能性が高い為、予測精度が低い場合があると想定される。
低解像度の衛星画像で地域レベルの推計を行う場合に、時間毎にキータイムの分析が可能だが、通常精確ではない推計である場合が想定されるので、植生の生育段階、植え付け時間等の差を問わずに全体的の推計を行うため、精確の予測は難しい場合があると考えられる。
本発明は、以上の点に鑑み、植生生長を反映する時系列植生指標を作成し、植物に対して時系列的に災害判断、早期予測又は収量推計を実行することを目的とする。
本発明の第1の解決手段によると、
対象植物の植生生長の複数年・複数サイクルの時系列衛星画像による衛星データと、時系列の温度を含む気象データを記憶するデータベースと、
前記データベースから読み出した衛星データ及び気象データに基づき、圃場・エリア毎及び時期毎の、植物の植生指標及び予め定めた基準時期からの有効積算温度を算出し、植生指標対有効積算温度を表す植生生長曲線を、圃場・エリア毎の過去の複数年・複数サイクルの対象植物について複数作成し、複数の植生生長曲線を前記データベースに保存する生長曲線生成部と、
作成した植生生長曲線に対して、植生特有の生長重要時期を表す予め定められたキータイムに対する植生指標を抽出するキータイム抽出部と、
複数のキータイムの植生指標を各軸とした高次元植生分析座標に、植生生長曲線毎の各キータイムの植生指標をプロットした高次元分析モデルを、圃場・エリア毎の過去の複数年・複数サイクルの対象植物について複数生成し、高次元分析モデルを前記データベースに保存する高次元分析モデル生成部と、
予測対象となる圃場・エリアの対象植物についての複数の高次元分析モデルに基づき、予測年・予測サイクルの植生生長曲線における取得済みのキータイムの植生指標に従い未取得のキータイムの予測植生指標を求めることで、対象植物の取得済み以後の植生生長曲線を予測し、求めた未取得のキータイムの予測植生指標及び/又は予測した植生生長曲線を前記データベースに保存及び表示部に表示するトレンド予測部と、
を備えた植生生長分析システムが提供される。
対象植物の植生生長の複数年・複数サイクルの時系列衛星画像による衛星データと、時系列の温度を含む気象データを記憶するデータベースと、
前記データベースから読み出した衛星データ及び気象データに基づき、圃場・エリア毎及び時期毎の、植物の植生指標及び予め定めた基準時期からの有効積算温度を算出し、植生指標対有効積算温度を表す植生生長曲線を、圃場・エリア毎の過去の複数年・複数サイクルの対象植物について複数作成し、複数の植生生長曲線を前記データベースに保存する生長曲線生成部と、
作成した植生生長曲線に対して、植生特有の生長重要時期を表す予め定められたキータイムに対する植生指標を抽出するキータイム抽出部と、
複数のキータイムの植生指標を各軸とした高次元植生分析座標に、植生生長曲線毎の各キータイムの植生指標をプロットした高次元分析モデルを、圃場・エリア毎の過去の複数年・複数サイクルの対象植物について複数生成し、高次元分析モデルを前記データベースに保存する高次元分析モデル生成部と、
予測対象となる圃場・エリアの対象植物についての複数の高次元分析モデルに基づき、予測年・予測サイクルの植生生長曲線における取得済みのキータイムの植生指標に従い未取得のキータイムの予測植生指標を求めることで、対象植物の取得済み以後の植生生長曲線を予測し、求めた未取得のキータイムの予測植生指標及び/又は予測した植生生長曲線を前記データベースに保存及び表示部に表示するトレンド予測部と、
を備えた植生生長分析システムが提供される。
本発明の第2の解決手段によると、
対象植物の植生生長の複数年・複数サイクルの時系列衛星画像による衛星データと、時系列の温度を含む気象データに基づき、圃場・エリア毎及び時期毎の、植物の植生指標及び予め定めた基準時期からの有効積算温度を算出し、植生指標対有効積算温度を表す植生生長曲線を、圃場・エリア毎の過去の複数年・複数サイクルの対象植物について複数作成し、
作成した植生生長曲線に対して、植生特有の生長重要時期を表す予め定められたキータイムに対する植生指標を抽出し、
複数のキータイムの植生指標を各軸とした高次元植生分析座標に、植生生長曲線毎の各キータイムの植生指標をプロットした高次元分析モデルを、圃場・エリア毎の過去の複数年・複数サイクルの対象植物について複数生成し、
予測対象となる圃場・エリアの対象植物についての複数の高次元分析モデルに基づき、予測年・予測サイクルの植生生長曲線における取得済みのキータイムの植生指標に従い未取得のキータイムの予測植生指標を求めることで、対象植物の取得済み以後の植生生長曲線を予測し、求めた未取得のキータイムの予測植生指標及び/又は予測した植生生長曲線を前記データベースに保存及び表示部に表示する
植生生長分析方法が提供される。
対象植物の植生生長の複数年・複数サイクルの時系列衛星画像による衛星データと、時系列の温度を含む気象データに基づき、圃場・エリア毎及び時期毎の、植物の植生指標及び予め定めた基準時期からの有効積算温度を算出し、植生指標対有効積算温度を表す植生生長曲線を、圃場・エリア毎の過去の複数年・複数サイクルの対象植物について複数作成し、
作成した植生生長曲線に対して、植生特有の生長重要時期を表す予め定められたキータイムに対する植生指標を抽出し、
複数のキータイムの植生指標を各軸とした高次元植生分析座標に、植生生長曲線毎の各キータイムの植生指標をプロットした高次元分析モデルを、圃場・エリア毎の過去の複数年・複数サイクルの対象植物について複数生成し、
予測対象となる圃場・エリアの対象植物についての複数の高次元分析モデルに基づき、予測年・予測サイクルの植生生長曲線における取得済みのキータイムの植生指標に従い未取得のキータイムの予測植生指標を求めることで、対象植物の取得済み以後の植生生長曲線を予測し、求めた未取得のキータイムの予測植生指標及び/又は予測した植生生長曲線を前記データベースに保存及び表示部に表示する
植生生長分析方法が提供される。
本発明によると、植生生長を反映する時系列植生指標を作成し、植物に対して時系列的に災害判断又は早期予測又は収量推計を実行することができる。
A.概要
本実施例のうち、代表的なものの概要を簡単に説明すれば、例えば、次のとおりである。
衛星画像取得部、気象データ取得部で取得した衛星と気温データを用いて参考になる植生データを保存し、データベース生成するデータベース生成部と、
衛星画像(衛星データ)と気象データを併用して植生指標の有効積算温度によりの変化推移を生成する生長曲線生成部と、
この有効積算温度ごとの指標変化推移により植生生長のキータイムを抽出するキータイム抽出部と、
抽出したキータイムとその時の指標値を合わせて、軸がそれぞれのキータイムの高次元座標分析モデルを生成する高次元分析モデル生成部と、
この高次元座標分析モデルにより災害判断を行う災害判断部と、
植生生長を予測するトレンド予測部と、
予測したトレンドを補正する予測補正部と、
推計結果を用いて農業管理を行う農業管理部
を有する植生生長分析システムを提供することができる。
本実施例のうち、代表的なものの概要を簡単に説明すれば、例えば、次のとおりである。
衛星画像取得部、気象データ取得部で取得した衛星と気温データを用いて参考になる植生データを保存し、データベース生成するデータベース生成部と、
衛星画像(衛星データ)と気象データを併用して植生指標の有効積算温度によりの変化推移を生成する生長曲線生成部と、
この有効積算温度ごとの指標変化推移により植生生長のキータイムを抽出するキータイム抽出部と、
抽出したキータイムとその時の指標値を合わせて、軸がそれぞれのキータイムの高次元座標分析モデルを生成する高次元分析モデル生成部と、
この高次元座標分析モデルにより災害判断を行う災害判断部と、
植生生長を予測するトレンド予測部と、
予測したトレンドを補正する予測補正部と、
推計結果を用いて農業管理を行う農業管理部
を有する植生生長分析システムを提供することができる。
B.実施例
1.システム
以下に本発明の時系列植生生長分析システムを適用した実施例を説明する。
本実施例の時系列植生生長分析システムは、対象地域、圃場の早期収量予測結果、災害判断結果、植生生長トレンド予測結果のいずれかひとつ又は複数を出力する。
1.システム
以下に本発明の時系列植生生長分析システムを適用した実施例を説明する。
本実施例の時系列植生生長分析システムは、対象地域、圃場の早期収量予測結果、災害判断結果、植生生長トレンド予測結果のいずれかひとつ又は複数を出力する。
図1は、実施例における時系列植生生長分析システム100の構成を表すブロック図である。時系列植生生長分析システム100は、異なる複数の衛星画像(時系列低解像度衛星画像101a、少数の高解像度衛星画101c像)を入力する衛星画像取得部102、気象・GISデータ101bを入力する気象データ取得部103、データベース生成部104、生長曲線生成部105、キータイム抽出部106、高次元分析モデル生成部107、災害判断部108、トレンド予測部109、予測補正部110、データベース112を備える。時系列植生生長分析システム100は、植生生長時期の時系列衛星データ、気象データ、ある固定時期の高解像度衛星データ取得し、データベース112に提供する(データベース112及び衛星データ、気象・GISデータは、図16で説明する)。時系列植生生長分析システム100は、データベース112で管理するデータを、農業管理部111に提供し、推計対象(圃場、地域)の早期収量予測結果、災害判断結果、植生生長トレンド予測結果を出力する。
衛星画像取得部102は、高解像度衛星画像と、低解像度衛星画像を取得し、その画像を反映した植生指標を抽出する。気象データ取得部103は、分析対象の地域または圃場の気温データを取得する。そして、植生生長分析システムは、観測衛星から送信された、解像度が異なる複数の衛星画像を用いて、対象地域を分析し、該観測衛星から送信された画像をデータベースに保存する。
植生生長分析システムにおいて、データベース112は、該観測衛星から送信された画像を保存し、生長曲線生成部105は、該データベース112に保存された衛星画像のうち、解像度が低い方の画像を用いて、予め設定された画像取得期間内の時系列で演算処理して、気温データを合成し生長曲線を生成する。生長曲線生成部105は、通常の植生指標/時間の変化推移ではなく、時間データと気温データを併用し、植生の植え付け時間からの毎日有効温度の積算値を算出し、植生本質を示す有効積算温度分析モデルに変換し、この積算温度により変化を分析する。有効積算温度は、同種類の植物に対して、生長段階を反映することができるので、有効積算温度の使用を通じて、同種類の植物の植える時間などの差異より生長状況が異なる課題が解決できると考えられる。
キータイム抽出106は、生長曲線生成部105で生成した植生指標/積算温度の変化推移曲線より、キータイムを抽出する。キータイム抽出部106では、この植生指標/積算温度曲線により植え付けなどの差異が排除され、すべての同種類の作物を当時に分析できるようになる。そのうち、各作物に対して、生長に最も重要な生長時期を抽出し、推計分析に使用される。キータイム抽出部106により、収量予測、災害判断などの応用の時に、高解像度画像が時間分解能の不足の課題が解決できる。
キータイム抽出106は、生長曲線生成部105で生成した植生指標/積算温度の変化推移曲線より、キータイムを抽出する。キータイム抽出部106では、この植生指標/積算温度曲線により植え付けなどの差異が排除され、すべての同種類の作物を当時に分析できるようになる。そのうち、各作物に対して、生長に最も重要な生長時期を抽出し、推計分析に使用される。キータイム抽出部106により、収量予測、災害判断などの応用の時に、高解像度画像が時間分解能の不足の課題が解決できる。
高次元分析モデル生成部107は、キータイム抽出部105で抽出した対象地域の分析対象植生の高次元分析モデルを生成する。高次元分析モデル生成部107は、この植生指標/積算温度曲線により、各圃場の各年度の変化曲線を空間の点に変換し、空間点群クラスタリングの考え方を引用し、新たな植生分析モデルで分析することにやり、植生生長差異、災害判断などを可視化になるうえ、予測精度とロバスト性が高くなる。
災害判断部108、トレンド予測部109、予測補正部110は、高次元分析モデルに基づき、災害判断、生長トレンド予測を行い、予測結果を補正する。災害判断部108、トレンド予測部109と予測補正部110では、低解像度と高解像度の衛星データを併用し、時間分解能の分析と高空間解像度の分析のメリットを合わせて、植生生長分析の精度や実用性を高めることができる。
災害判断部108による災害判断では、要分析の圃場のデータを高次元分析モデルに入れて、過去の災害データと過去の圃場生長データの点群分布と比較し、要分析の圃場の災害があるか否かを判断する。新たな分析モデルの引用により、災害の検出が可視化され、ロバストと予測精度も高めることができる。
災害判断部108による災害判断では、要分析の圃場のデータを高次元分析モデルに入れて、過去の災害データと過去の圃場生長データの点群分布と比較し、要分析の圃場の災害があるか否かを判断する。新たな分析モデルの引用により、災害の検出が可視化され、ロバストと予測精度も高めることができる。
トレンド予測部109による生長トレンド予測では、高次元モデル生成部107で生成した高次元座標内で、要分析の圃場の既存データから、過去のデータを参考し、生長のトレンドを予測する。トレンド予測部109は、過去のデータをうまく使用し、トレンドの予測の精度が高めることができる。
予測補正部110による予測補正では、高次元モデル生成部107で生成した高次元座標内で、要分析の圃場の既存データから、過去のデータを参考し、生長のトレンドを予測する上、低解像度の最新データまたは高解像度のデータで予測値を補正する。予測補正部110では、低解像度の最新データでの補正と、低解像度の最新データと高解像度のデータを併用し補正する二つの手段がある。予測補正部110は、低解像度での補正する場合は、予測値の点群と低解像度最新値の点群により補正係数を計算し補正する。一方、予測補正部110は、高解像度と併用する場合では、予測値の点群、低解像度最新値の点群、高解像度データの点群から補正係数を計算し補正する。
本実施例では、低解像度衛星と高解像度衛星の併用により、キータイムの時間分析が可能になる上、圃場または地域の詳細な推計も可能になることができる。
予測補正部110による予測補正では、高次元モデル生成部107で生成した高次元座標内で、要分析の圃場の既存データから、過去のデータを参考し、生長のトレンドを予測する上、低解像度の最新データまたは高解像度のデータで予測値を補正する。予測補正部110では、低解像度の最新データでの補正と、低解像度の最新データと高解像度のデータを併用し補正する二つの手段がある。予測補正部110は、低解像度での補正する場合は、予測値の点群と低解像度最新値の点群により補正係数を計算し補正する。一方、予測補正部110は、高解像度と併用する場合では、予測値の点群、低解像度最新値の点群、高解像度データの点群から補正係数を計算し補正する。
本実施例では、低解像度衛星と高解像度衛星の併用により、キータイムの時間分析が可能になる上、圃場または地域の詳細な推計も可能になることができる。
図2に、時系列植生生長分析システムがコンピュータシステムに実装されている様子を示す。図1の時系列植生生長分析システム100の主要部は、図2に示すコンピュータシステムで処理されている。このコンピュータシステムは、CPU、RAM、記憶部などの一般的なハードウェア構成を有する。
図1に戻り説明を続ける。低解像度時系列衛星画像101a、気象・GISデータ101b、少量の高解像度衛星画像101cは、観測衛星センサー(RapidEye, MODIC, LandSat,など)で取得される。なお、本実施例では異なる複数の衛星画像が時系列低解像度衛星画像と少数の高解像度衛星画像を示したが、衛星データの種類は限定してない。また,同一の衛星における時系列画像を用いてもよい。なお,解像度の違いは相対比較である。気象データとしては、アメダス、MODIS表面温度衛星、気象局データなど様々あるが、種類としては限定してない。GISデータとは、圃場ポリゴン、GPSデータなど現地データと衛星データを共用する際に不可欠なデータである。データベース生成部104は、データの前処理を行い、データベース112に格納する(図16で説明する)。
衛星画像取得部102、気象データ取得部103、データベース生成部104、データベース112、生長曲線生成部105、キータイム抽出部106、高次元分析モデル生成部107、災害判断部108、トレンド予測部109、予測補正部110は、各演算処理を行うため、役割毎に分けられた複数のCPU及びRAMの組み合わせとして実装される。前記の各部は外部記憶装置としてのハードディスク、USBメモリなどを採用することができる。
図16は、データベースの説明図である。データベース112は、例えば、時系列低解像度衛星画像データ112a、高解像度衛星画像データ112c、GISデータ112b−2(位置及び形状データ)、気象データ112b−1(本実施例では表面温度データ)、植物生長曲線データ112d(データベース生成部112又は生長曲線生成部105で、GISデータ及び衛星データ、気象データ等から算出したデータ)、キータイムデータ112e、高次元分析モデルデータ112f、災害データ112g、土壌データ112h等を格納する。
図17に、衛星データ及び気象・GISデータの説明図を示す。また、図18に、植物生長曲線データ112d、キータイムデータ112e、高次元分析モデルデータ112f、災害データ112gの説明図を示す。
2.動作概要
図3は、実施例における時系列植生生長分析システム100の処理例を説明するフローチャートである。
まず、S302では、衛星画像取得部102は、異なるセンサーの衛星画像センサ−で取得した低解像度衛星画像101a及び高解像度衛星画像101cを入力する(図17参照)。気象データ取得部103は、気象・GISデータ101bを入力する(図17参照)。本実施例では、一例として、気象データ101bは、時系列の平均気温データ等を含み、これは、圃場の表面温度データを示す。S303でデータベース生成部104は、過去の衛星データと気象データ(表面温度データ)をGISデータと対応して、取得する。GISデータには、位置の情報(GPSデータ等)と形状の情報(形状データ等)があり、位置と形状により、衛星データに対して圃場のマスキングを行う。データベース生成部104は、マスキング圃場を抽出し、その圃場毎の衛星データ(低解像度衛星データ101a及び高解像度衛星データ101c)と表面温度データを生成し、データベース112に記憶する。これら各データは、各圃場で植生される対象植物の植生生長の年・サイクルにおける過去の複数データ及び現在のデータを含む。
図3は、実施例における時系列植生生長分析システム100の処理例を説明するフローチャートである。
まず、S302では、衛星画像取得部102は、異なるセンサーの衛星画像センサ−で取得した低解像度衛星画像101a及び高解像度衛星画像101cを入力する(図17参照)。気象データ取得部103は、気象・GISデータ101bを入力する(図17参照)。本実施例では、一例として、気象データ101bは、時系列の平均気温データ等を含み、これは、圃場の表面温度データを示す。S303でデータベース生成部104は、過去の衛星データと気象データ(表面温度データ)をGISデータと対応して、取得する。GISデータには、位置の情報(GPSデータ等)と形状の情報(形状データ等)があり、位置と形状により、衛星データに対して圃場のマスキングを行う。データベース生成部104は、マスキング圃場を抽出し、その圃場毎の衛星データ(低解像度衛星データ101a及び高解像度衛星データ101c)と表面温度データを生成し、データベース112に記憶する。これら各データは、各圃場で植生される対象植物の植生生長の年・サイクルにおける過去の複数データ及び現在のデータを含む。
S304では、生長曲線生成部105は、データベース112に格納されたGISデータの位置情報と形状情報よりマスキング処理を行い、圃場毎の衛星データと表面温度データから、各年・サイクルにおいて、各圃場、地域の植生指標、有効積算温度データを算出して、複数の算出結果を、データベース112に格納する(図18参照)。算出方法について、後述する。
S305では、生長曲線生成部105は、データベース112に予め格納された植生各々の指標、有効積算温度データを入力し、植生指標、有効積算温度の座標系の曲線(植生生長曲線)に変換する。S304での植生指標、有効積算温度データ算出とS305生長曲線生成の詳細については、後に図4を参照して説明する。S306では、キータイム抽出部106は、生長曲線生成部105によりデータベース112に格納された植生指標、有効積算温度の推移を表す植生生長曲線を入力し、植生の特性と曲線の特性両方から予め定められたキータイムの植生指標を抽出し、植生生長曲線データとしてデータベース112に格納する。S306での植生キータイム抽出の詳細については、後に図5を参照して説明する。S307では、高次元分析モデル生成部107は、キータイム抽出部106よりデータベース112に格納されたキータイム抽出済みの植生指標、有効積算温度の植生生長曲線を入力し、高次元分析モデルに変換する。S307での高次元分析モデル生成の詳細については、後に図6と図11を参照して説明する。そして、高次元分析モデル生成部107に生成した高次元分析モデルに基づき、S308では、災害判断部108が植生生長の災害判断を行い、一方、S309では、トレンド予測部109が生長トレンド予測を行う。S310では、予測補正部110は、トレンド予測部109で予測した結果を入力し、予測誤差とノイズなどに対して補正する。S308での災害判断の詳細については、後に図7と図12を参照して説明する。S309でのトレンド予測の詳細については、後に図8と図13を参照して説明する。S310でのトレンド予測補正の詳細については、後に図9、図10、図14、図15を参照して説明する。S311で、農業管理部111は、S308、S309で処理した結果を入力し、農業管理作業を行う。すべでのデータは、適宜のタイミングでデータベース112に格納する(図16、図17、図18)。
3.詳細動作
衛星画像取得部102は、衛星画像センサーから衛星データ101a、101cの入力を行い、データベース生成部104に提供する。
気象データ取得部103は、衛星画像センサーから気象データ(表面温度データ、GISデータ)101bの入力を行い、データベース生成部104に提供する。
衛星画像取得部102は、衛星画像センサーから衛星データ101a、101cの入力を行い、データベース生成部104に提供する。
気象データ取得部103は、衛星画像センサーから気象データ(表面温度データ、GISデータ)101bの入力を行い、データベース生成部104に提供する。
続いて、データベース生成部104は、衛星データと、表面温度データ、GISデータをデータベース112に記憶する。
生長曲線生成部105は、データベース112に格納した各年・サイクルの圃場毎の衛星データと表面温度データを用いて、各分析対象(圃場、地域など)の植生指標、有効積算温度生長曲線を作成する。
「植生指標」とは、リモートセンシング分野で、衛星画像から取ったスペクトルにより、様々の植生生長状況を反映する指標である。最も使われている植生指標は、NDVI(正規化植生指数)、LAI、EVIなどであり、本実施例では、NDVIを例として説明する。ただし、他の植生指標を使用してもよい。
生長曲線生成部105は、データベース112に格納した各年・サイクルの圃場毎の衛星データと表面温度データを用いて、各分析対象(圃場、地域など)の植生指標、有効積算温度生長曲線を作成する。
「植生指標」とは、リモートセンシング分野で、衛星画像から取ったスペクトルにより、様々の植生生長状況を反映する指標である。最も使われている植生指標は、NDVI(正規化植生指数)、LAI、EVIなどであり、本実施例では、NDVIを例として説明する。ただし、他の植生指標を使用してもよい。
生長曲線生成部105は、例えば、対象植物の植生生長の複数年・複数サイクル(周期)について求めた時系列の植生指標(NDVI)及び有効積算温度(EAT)をデータベース112に記憶する。
EATは有効積算温度であり、ある期間の日々の平均気温のうち,一定の基準値を超えた分を取り出し合計したものである。植物の生長に必要な熱量の大小の目安に用いられ,基準値として,たとえば春コムギで3℃以上,トウモロコシで13℃以上のように用いられる。
本実施例では、大豆を例として説明するが、ほかの品種及び植物でもよい。
植生指標、有効積算温度生長曲線の生成方式では、植生の特性として重要な時期の日付けから、有効積算温度を積算し、その値を座標系の横軸に設定する。
EATは有効積算温度であり、ある期間の日々の平均気温のうち,一定の基準値を超えた分を取り出し合計したものである。植物の生長に必要な熱量の大小の目安に用いられ,基準値として,たとえば春コムギで3℃以上,トウモロコシで13℃以上のように用いられる。
本実施例では、大豆を例として説明するが、ほかの品種及び植物でもよい。
植生指標、有効積算温度生長曲線の生成方式では、植生の特性として重要な時期の日付けから、有効積算温度を積算し、その値を座標系の横軸に設定する。
そして、生長曲線生成部105は、各時期の植生指標をデータベース112から取得し、その値を座標系の縦軸に設定する。曲線を作るには、植物の植え付け日の日付がある場合は、植え付け日からの曲線を作られる。ただし、圃場地域により、植え付け日が分からない場合もあるので、開花期などのほか重要時期の日付から計算するのでもよい。データがある時期の点を座標系の中に入れ、全ての点を経由する曲線を生成する。曲線の生成手法の例の一つは、二次近似で曲線を作る。またスプライン補間など,他の手法でもよい。
図4は、植生生長曲線生成の処理を表す模式図である。植物の重要時期の日から積算温度を計算し、横軸に設定、その対応な植生指標NDVIは縦軸に設定し、NDVI/積算温度分析曲線(植生生長曲線)を生成する。なお、重要時期とは、作物に対して生育フェーズを変わる時期である。本実施例の大豆の場合では、R1、R5、R6、R7という生育時期がある。R1とは、最初の花が出る時期である。R5とは、最初の種が生成する時期である。R6とは、種は完全の状態になる時期である。R7とは、葉が50%以上黄色になり、種が完熟になる時期である。それぞれの重要時期では、この時期になるに必要なEATがあり、そのEATの時期のNDVI値を算出できる。
続いて、キータイム抽出部106は、生長曲線生成部105で生成したある対応地域、圃場の生長曲線を基づき、植物の特性を考量し、データベース112を参照し予め定められたキータイム(重要時期)を求め(図18参照)、キータイムの植生指標(NDVI等)を抽出する(キータイム抽出)。
図5は、キータイム抽出の処理を表す模式図である。キータイム抽出の手法として、植生の物理特性を考えた上、キータイムとして抽出する、例えば大豆の場合は、前述のような重要時期R1,R5,R6,R7などである。
キータイムのデータは農家または作物の基本生長データから予め入手し、データベース112に格納される。作物の基本生長データでは、前述したように、各時期の日数及び必要な積算温度を公知のデータがあることである。
キータイムのデータは農家または作物の基本生長データから予め入手し、データベース112に格納される。作物の基本生長データでは、前述したように、各時期の日数及び必要な積算温度を公知のデータがあることである。
なお、ほかの植物を対象とする場合は、作物の基本生長データが変わるが、抽出原理は変わらない。その作物の生長フェーズを調べる上、各重要時期の必要積算温度を計算し、その積算温度のNDVIを算出することができる。
あるいは,植生生長曲線の数学的特性を考えて、キータイムを抽出することもできる。例えば、曲線の最大値、微分の最大値などである。NDVIの値は植物の活性とバイオマスに関わるので、作物のバイオマスの蓄積状況と変化状況を表す数学パラメータを使用する。例えば、曲線の最大値は蓄積状況で、微分の最大値は変化状況である。本実施例では、例として、変化状況を表す曲線微分最大値を使用する。数学的特性は、最大値、微分最大値に限定してない。
あるいは,植生生長曲線の数学的特性を考えて、キータイムを抽出することもできる。例えば、曲線の最大値、微分の最大値などである。NDVIの値は植物の活性とバイオマスに関わるので、作物のバイオマスの蓄積状況と変化状況を表す数学パラメータを使用する。例えば、曲線の最大値は蓄積状況で、微分の最大値は変化状況である。本実施例では、例として、変化状況を表す曲線微分最大値を使用する。数学的特性は、最大値、微分最大値に限定してない。
高次元分析モデル生成部107は、キータイム抽出部106で抽出した結果により、新しい分析座標系(高次元分析モデル座標)に変換する。
図6は、高次元分析モデル生成の処理を説明するフローチャートである。本実施例では、大豆を例として説明する。ほかの植物でもよい。S1061では、高次元分析モデル生成部107は、キータイム抽出部106で抽出したキータイムの座標系変換を行う。例えば、大豆の場合は、開花期、出莢期、生長曲線微分最大値の三つのキータイムを抽出する。この三つの時期のNDVI値を三次元座標の三つの軸に設定すると、ある推計対象(圃場、地域など)の生長曲線を三次元座標系中の一つの点に変換できる。キータイムが増えると、軸も増える。S1062では、高次元分析モデル生成部107は、生長曲線生成部105より得られた同種類の大豆の過去のデータをこの三次元モデルに変換し、植生生長点群を生成する。S1063では、高次元分析モデル生成部107は、データベース112を参照して予め記憶された過去の災害データ(図18参照)を取得し、この災害データを用いて、例えば災害データの時期、位置等に基づき、植生生長点群から、災害ありデータと正常生長データを分ける。S1064では、高次元分析モデル生成部107は、正常生長データの点群から、すべての点群を含むことができる半径が最小の球を算出する。S1065では、高次元分析モデル生成部107は、この球の球心から、災害データの点群との距離、また方向角の範囲を求める。この球の半径と、災害データ点群との距離、方向角の範囲を大豆の過去生長状況を反映する指標とする。災害は、倒伏、病虫害などがあり、それぞれの災害に対して、特定の距離と方向角範囲を計算することができる。大豆ではない場合は、キータイムの抽出により、三軸より多く抽出できることもあるので、その場合は、球ではなく、超球になる。ただし,大豆においてもキータイムの設定によっては軸の数は変化する。
高次元分析モデル生成部107は、適宜のタイミングで、求めた高次元分析モデルをデータベース112に格納する(図18参照)。
図11は、高次元分析モデル生成部の処理を表す模式図である。ここでは,高次元空間における球を用いて説明したが,何らかの閉曲面(線)で点群の分布を記述してもよい。この例では正常データの全て又はほとんどの点群を含むことができる最小の球が示されている。
災害判断部108は、高次元分析モデル生成部より生成した植物の過去生長状況を反映する指標を基づき、災害判断を行う。
図7は、災害判断の処理を説明するフローチャートである。S1071では、災害判断部108は、データベース112を参照し、予測対象の年・サイクルの各圃場の対象植物のNDVI,積算温度データを取得して、三次元分析モデル座標に変換する。S1072では、災害判断部108は、対象植物の点を前記生成した球の内部になるか否かにより、生長が正常か否かを判断する。S1073では、災害判断部108は、生長状況が正常ではないと判断された場合は、前記求めた各災害点群の球心よりの距離と方向角の範囲に入るか否かにより、災害を判断する。災害判断部108は、災害と判断されたデータに例えば災害を示す識別情報を植生生長曲線データや高次元分析モデルデータ等に付してデータベース112に記憶することができる。
図12は、災害判断の処理を表す模式図である。この例では、球の外側が災害データに該当する。
トレンド予測部109は、高次元分析モデル生成部107より生成した植物の過去生長状況を反映する指標に基づき、対象植物データ以後のキータイムのトレンド(植生指標、植生生長曲線等)を予測し、表示部に表示する。
図8は、トレンド予測の処理を説明するフローチャートである。図13は、トレンド予測の処理を表す模式図である。
S1081では、トレンド予測部109は、データベース112を参照し、予測対象の年・サイクルの各圃場の対象植物の植生生長曲線データの既知のキータイムにより、高次元分析モデルを生成する。この例では、今年・今サイクルの予測対象である圃場の対象植物の植生生長データは、三つのキータイムのうち、既に取得したデータから得られるキータイムは二つ(t1、t2)しかない状況で、三つ目のキータイムの植生指標値(t3)を予測する場合を想定する。まずは、三次元座標から二次元座標に変換する。S1082では、トレンド予測部109は、データベースの全ての植生生長データを、対象植物のデータの既知のキータイムにより生成した二次元分析モデル座標に変換する。ただし,データベースの全ての点ではなく,必要に応じて限定したデータのみでもよい。S1083では、トレンド予測部109は、対象植物データの推計対象(地域、圃場等)の過去の複数データと、今年・今サイクルの予測対象である圃場の対象植物データの点との距離を算出する。S1084では、トレンド予測部109は、予め定められた基準距離を設定する。なお、算出した距離の最大値を予め定められた基準距離を設定するようにしてもよい。S1085では、トレンド予測部109は、対象植物のデータの点の周りの、基準距離以内のすべての点をトレンド予測の教師データとして設定する。S1086では、トレンド予測部109は、教師データの点(高次元分析モデルのキータイムt1、t2の植生指標)により、今年・今サイクルの対象植物のデータの以後のキータイムt3の植生指標の値を推定し、対象植物データの生長トレンドを予測する。
図8は、トレンド予測の処理を説明するフローチャートである。図13は、トレンド予測の処理を表す模式図である。
S1081では、トレンド予測部109は、データベース112を参照し、予測対象の年・サイクルの各圃場の対象植物の植生生長曲線データの既知のキータイムにより、高次元分析モデルを生成する。この例では、今年・今サイクルの予測対象である圃場の対象植物の植生生長データは、三つのキータイムのうち、既に取得したデータから得られるキータイムは二つ(t1、t2)しかない状況で、三つ目のキータイムの植生指標値(t3)を予測する場合を想定する。まずは、三次元座標から二次元座標に変換する。S1082では、トレンド予測部109は、データベースの全ての植生生長データを、対象植物のデータの既知のキータイムにより生成した二次元分析モデル座標に変換する。ただし,データベースの全ての点ではなく,必要に応じて限定したデータのみでもよい。S1083では、トレンド予測部109は、対象植物データの推計対象(地域、圃場等)の過去の複数データと、今年・今サイクルの予測対象である圃場の対象植物データの点との距離を算出する。S1084では、トレンド予測部109は、予め定められた基準距離を設定する。なお、算出した距離の最大値を予め定められた基準距離を設定するようにしてもよい。S1085では、トレンド予測部109は、対象植物のデータの点の周りの、基準距離以内のすべての点をトレンド予測の教師データとして設定する。S1086では、トレンド予測部109は、教師データの点(高次元分析モデルのキータイムt1、t2の植生指標)により、今年・今サイクルの対象植物のデータの以後のキータイムt3の植生指標の値を推定し、対象植物データの生長トレンドを予測する。
なお、キータイム間の植生指標については、予測する手法の一つの例として、次のように、線形回帰モデルで、全ての教師データの線形回帰式を算出し、対象植物データを予測することができる。
Y1=a1X1+ε1
Y1は、目標変数と言われ、予測する値である、今件では今後の生長植生指標値である。X1では、予測値を計算するための説明変数で、今件では過去の各キータイムの植生指標の値である。そこで、a1は傾きとし、ε1は切片と言われる。この計算は計算部でCPUを通じて計算する。
予測手法は,線形回帰モデルに限定されるものではなく,非線形回帰やその他の回帰手法を用いてもよい。
Y1=a1X1+ε1
Y1は、目標変数と言われ、予測する値である、今件では今後の生長植生指標値である。X1では、予測値を計算するための説明変数で、今件では過去の各キータイムの植生指標の値である。そこで、a1は傾きとし、ε1は切片と言われる。この計算は計算部でCPUを通じて計算する。
予測手法は,線形回帰モデルに限定されるものではなく,非線形回帰やその他の回帰手法を用いてもよい。
予測補正部110では、トレンド予測した値について、衛星画像の既知値より補正する。予測補正は、二つの状況に分けている。一つ目は、時系列低解像度衛星画像のみで補正する。二つ目は、時系列低解像度衛星画像と少数の高解像度衛星画像を併用し補正する。
まずは、一つ目の時系列低解像度衛星画像のみで補正する処理を説明する。
図9は、低解像度衛星画像予測補正の処理を説明するフローチャートである。図14は低解像度衛星画像予測補正の処理を表す模式図である。S1091では、予測補正部110は、教師データの点により、既知の最後のキータイムではない時期の植生指標の値を推定する。
Y2=a2X2+ε2
Y2は既知の最後のキータイムではない時期の植生指標の値である。X2は過去の各キータイムの植生指標の値である。
予測手法は,線形回帰モデルに限定されるものではなく,非線形回帰やその他の回帰手法を用いてもよい。S1092では、予測補正部110は、すべての対象植物のデータのうち,衛星データから得られた最後のキータイムではない時期の植生指標の予測値、及びすべての対象植物のデータ既知の最後のキータイムではない時期の衛星データから算出した植生指標から点群を生成する。予測は、前記の方法と同じで、例として線形回帰予測モデルで行う。S1093では、予測補正部110は、両方の点群のある統計値の二つの点を算出する。例としては、点群のすべての点の重心を算出、他の統計値でもよい。S1094では、予測補正部110は、予測値統計値から、既知値統計値までのベクトルを算出し、補正ベクトルと設定する。
S1095では、予測補正部110は、前記の予測手法で教師データの点により、対象植物のデータの以後のキータイムの植生指標の予測値に、補正ベクトルにより予測値を補正する。
図9は、低解像度衛星画像予測補正の処理を説明するフローチャートである。図14は低解像度衛星画像予測補正の処理を表す模式図である。S1091では、予測補正部110は、教師データの点により、既知の最後のキータイムではない時期の植生指標の値を推定する。
Y2=a2X2+ε2
Y2は既知の最後のキータイムではない時期の植生指標の値である。X2は過去の各キータイムの植生指標の値である。
予測手法は,線形回帰モデルに限定されるものではなく,非線形回帰やその他の回帰手法を用いてもよい。S1092では、予測補正部110は、すべての対象植物のデータのうち,衛星データから得られた最後のキータイムではない時期の植生指標の予測値、及びすべての対象植物のデータ既知の最後のキータイムではない時期の衛星データから算出した植生指標から点群を生成する。予測は、前記の方法と同じで、例として線形回帰予測モデルで行う。S1093では、予測補正部110は、両方の点群のある統計値の二つの点を算出する。例としては、点群のすべての点の重心を算出、他の統計値でもよい。S1094では、予測補正部110は、予測値統計値から、既知値統計値までのベクトルを算出し、補正ベクトルと設定する。
S1095では、予測補正部110は、前記の予測手法で教師データの点により、対象植物のデータの以後のキータイムの植生指標の予測値に、補正ベクトルにより予測値を補正する。
つぎに2つ目の低解像度と高解像度の衛星画像を併用する処理を説明する。
図10は、高解像度衛星画像予測補正の処理を説明するフローチャートである。図15は高解像度衛星画像予測補正の処理を表す模式図である。S1101では、予測補正部110は、教師データの点により、既知の高解像度衛星が取った固定時期の低解像度植生指標の値を推定する。S1102では、予測補正部110は、同じ時期の高解像度衛星画像と低解像度衛星画像の指標の値の誤差を補正する。補正方法は、高解像度衛星が一枚の場合は、センサーの差が線形相関と仮定し、いくつの推計対象(圃場、地域など)のデータの高解像度衛星から得た点群と、低解像度衛星から得た点群を、線形モデルで相関を計算し、その結果を用いて、低解像度衛星の値を補正する。高解像度衛星が一枚以上の場合は、別の統計モデルで計算してもよい。S1103では、予測補正部110は、すべての対象植物のデータの高衛星画像固定時期の植生指標の予測値、及びすべての高衛星画像固定時期の植生指標の補正値について、点群を生成する。S1104では、予測補正部110は、両方の点群のある統計値の二つの点を算出する。例としては、点群のすべての点の重心を算出、他の統計値でもよい。S1105では、予測補正部110は、予測値統計値から、既知値統計値までのベクトルを算出し、補正ベクトルと設定する。S1106では、予測補正部110は、前記の予測手法で教師データの点により、対象植物のデータの以後のキータイムの植生指標の予測値に、補正ベクトルにより予測値を補正する。
図10は、高解像度衛星画像予測補正の処理を説明するフローチャートである。図15は高解像度衛星画像予測補正の処理を表す模式図である。S1101では、予測補正部110は、教師データの点により、既知の高解像度衛星が取った固定時期の低解像度植生指標の値を推定する。S1102では、予測補正部110は、同じ時期の高解像度衛星画像と低解像度衛星画像の指標の値の誤差を補正する。補正方法は、高解像度衛星が一枚の場合は、センサーの差が線形相関と仮定し、いくつの推計対象(圃場、地域など)のデータの高解像度衛星から得た点群と、低解像度衛星から得た点群を、線形モデルで相関を計算し、その結果を用いて、低解像度衛星の値を補正する。高解像度衛星が一枚以上の場合は、別の統計モデルで計算してもよい。S1103では、予測補正部110は、すべての対象植物のデータの高衛星画像固定時期の植生指標の予測値、及びすべての高衛星画像固定時期の植生指標の補正値について、点群を生成する。S1104では、予測補正部110は、両方の点群のある統計値の二つの点を算出する。例としては、点群のすべての点の重心を算出、他の統計値でもよい。S1105では、予測補正部110は、予測値統計値から、既知値統計値までのベクトルを算出し、補正ベクトルと設定する。S1106では、予測補正部110は、前記の予測手法で教師データの点により、対象植物のデータの以後のキータイムの植生指標の予測値に、補正ベクトルにより予測値を補正する。
本実施例によると、低解像度と高解像度の植生時系列情報の併用により、より高い精度で植物生長状況を把握することができる。
農業管理部111は、災害判断部108とトレンド予測部109で処理した結果を用いて、農業管理、収量予測部に出力し、計画を建てることに貢献できる。
以上では、主に、各圃場にデータ処理等を実行し各データを作成したが、ひとつ又は複数の圃場を含むエリア毎にこれら処理を実行し各データを作成するようにしてもよい。
農業管理部111は、災害判断部108とトレンド予測部109で処理した結果を用いて、農業管理、収量予測部に出力し、計画を建てることに貢献できる。
以上では、主に、各圃場にデータ処理等を実行し各データを作成したが、ひとつ又は複数の圃場を含むエリア毎にこれら処理を実行し各データを作成するようにしてもよい。
C.付記
本発明及び/又は本実施例は、観測衛星の計測情報を用いた農業育成管理システムに適用可能である。また、本発明及び/又は本実施例は、空間分解能の異なるセンサーを搭載した複数の衛星を運用するシステムを利用可能である。本発明及び/又は本実施例は、空間解像度または分光解像度の異なるセンサーを搭載した複数の衛星データを利用することで、農作物生長状況を分析するシステムに適用可能である。さらに、本発明及び/又は本実施例の植生生長分析システムは、農作物の育成管理,作物の収量予測,災害判断、病害虫対策、及び早期予測、生育常時観測により作付管理に適用できる。
本発明及び/又は本実施例は、観測衛星の計測情報を用いた農業育成管理システムに適用可能である。また、本発明及び/又は本実施例は、空間分解能の異なるセンサーを搭載した複数の衛星を運用するシステムを利用可能である。本発明及び/又は本実施例は、空間解像度または分光解像度の異なるセンサーを搭載した複数の衛星データを利用することで、農作物生長状況を分析するシステムに適用可能である。さらに、本発明及び/又は本実施例の植生生長分析システムは、農作物の育成管理,作物の収量予測,災害判断、病害虫対策、及び早期予測、生育常時観測により作付管理に適用できる。
本発明は前記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、前記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。
また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。
また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。また、上記の各構成、機能、処理部、処理手段などは、それらの一部または全部を、例えば集積回路で設計するなどによりハードウェアで実現してもよい。
また、前記の各構成、機能などは、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。
各機能を実現するプログラム、テーブル、ファイルなどの情報は、メモリや、ハードディスク、SSD(Solid State Drive)などの記録装置、または、IC(Integrated Circuit)カード、SDカード、DVD(Digital Versatile Disc)などの記録媒体に置くことができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。
また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。
また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。また、上記の各構成、機能、処理部、処理手段などは、それらの一部または全部を、例えば集積回路で設計するなどによりハードウェアで実現してもよい。
また、前記の各構成、機能などは、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。
各機能を実現するプログラム、テーブル、ファイルなどの情報は、メモリや、ハードディスク、SSD(Solid State Drive)などの記録装置、または、IC(Integrated Circuit)カード、SDカード、DVD(Digital Versatile Disc)などの記録媒体に置くことができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。
100:時系列植生生長分析システム
101:異なる衛星画像センサー
101a:時系列低解像度衛星センサー
101b:気象、GISデータ
101c:少数の高解像度衛星センサー
102:衛星画像取得部
103:気象データ取得部
104:データベース生成部
105:生長曲線生成部
106:キータイム抽出部
107:高次元分析モデル生成部
108:災害判断部
109:トレンド予測部
110;予測補正部
111:農業管理部
112:データベース
101:異なる衛星画像センサー
101a:時系列低解像度衛星センサー
101b:気象、GISデータ
101c:少数の高解像度衛星センサー
102:衛星画像取得部
103:気象データ取得部
104:データベース生成部
105:生長曲線生成部
106:キータイム抽出部
107:高次元分析モデル生成部
108:災害判断部
109:トレンド予測部
110;予測補正部
111:農業管理部
112:データベース
Claims (10)
- 対象植物の植生生長の複数年・複数サイクルの時系列衛星画像による衛星データと、時系列の温度を含む気象データを記憶するデータベースと、
前記データベースから読み出した衛星データ及び気象データに基づき、圃場・エリア毎及び時期毎の、植物の植生指標及び予め定めた基準時期からの有効積算温度を算出し、植生指標対有効積算温度を表す植生生長曲線を、圃場・エリア毎の過去の複数年・複数サイクルの対象植物について複数作成し、複数の植生生長曲線を前記データベースに保存する生長曲線生成部と、
作成した植生生長曲線に対して、植生特有の生長重要時期を表す予め定められたキータイムに対する植生指標を抽出するキータイム抽出部と、
複数のキータイムの植生指標を各軸とした高次元植生分析座標に、植生生長曲線毎の各キータイムの植生指標をプロットした高次元分析モデルを、圃場・エリア毎の過去の複数年・複数サイクルの対象植物について複数生成し、高次元分析モデルを前記データベースに保存する高次元分析モデル生成部と、
予測対象となる圃場・エリアの対象植物についての複数の高次元分析モデルに基づき、予測年・予測サイクルの植生生長曲線における取得済みのキータイムの植生指標に従い未取得のキータイムの予測植生指標を求めることで、対象植物の取得済み以後の植生生長曲線を予測し、求めた未取得のキータイムの予測植生指標及び/又は予測した植生生長曲線を前記データベースに保存及び表示部に表示するトレンド予測部と、
を備えた植生生長分析システム。
- 請求項1に記載の植生生長分析システムにおいて、
前記高次元分析モデル生成部は、
予め格納された過去の災害データを用いて、高次元分析モデルデータの各点群から、災害ありデータと正常生長データを分け、
正常生長データの点群から、該点群を含むことができる閉曲面・線を求め、
該閉曲面・線から災害データの高次元分析モデルデータ上の距離又は方向角の範囲を求める
ことを特徴とする植生生長分析システム。
- 請求項2に記載の植生生長分析システムにおいて、
災害か有るか否かを判断する災害判断部を備え、
前記災害判断部は、
対象植物のデータを高次元分析モデルの座標に変換し、
高次元分析モデル上の点の位置が、前記高次元分析モデル生成部で求めた前記閉曲面・線の内部になるか否かを判定することで,対象植物のデータが正常生長か否かを判断し、
前記閉曲面・線からの距離または方向角の範囲によって災害の判定を行う
ことを特徴とする植生生長分析システム。
- 請求項1に記載の植生生長分析システムにおいて、
前記トレンド予測部は、
予測年・予測サイクルにおける対象圃場・エリアの予測対象植物の植生生長曲線データの既知のキータイムにより、高次元分析モデルを生成し、
対象植物の圃場・エリアの過去の複数の高次元分析モデルの点群から、対象植物の高次元分析モデルの点との距離を算出し、
対象植物の点の周りの、予め定めた基準距離以内のすべて又は複数の点をトレンド予測の教師データに設定し、
教師データの点により、予測年・予測サイクルにおける予測対象植物の以後のキータイムの植生指標の値を予測する
ことを特徴とする植生生長分析システム。
- 請求項1に記載の植生生長分析システムにおいて、
時系列低解像度の衛星データを用いて、予測したトレンドを補正する予測補正部を備え、
前記予測補正部は、
対象植物の予測年・予測サイクルにおける最新時期の最新植生指標を取得し、
対象植物の既知のキータイムの植生指標と、前記トレンド予測部で予測した未取得のキータイムの予測植生指標から、前記最新時期の予測最新植生指標を求め、
前記最新植生指標と前記予測最新植生指標との差から補正値を算出し、
前記トレンド予測部で予測した予測植生指標及び/又は植生生長曲線を、前記補正値より補正する
ことを特徴とする植生生長システム。
- 請求項1に記載の植生生長分析システムにおいて、
時系列低解像度の衛星データ及び少数の高解像度の衛星データを用いて、予測したトレンドを補正する予測補正部を備え、
前記予測補正部は、
前記教師データから,高解像度衛星の特定時期の植生指標を算出し、
前記対象植物の高解像度画像データから抽出した植生指標と、前記高解像度の衛星データと同時期の低解像度の衛星データから算出した植生指標と、高解像度の衛星データから算出した予測年・予測サイクルの予測植生指標の値についての3つの点群を生成し、
前記3つの点群に基づき予測植生指標及び/又は植生生長曲線を補正する
ことを特徴とする植生生長分析方法。
- 請求項1に記載の植生生長分析システムにおいて、
前記衛星データを取得する衛星画像取得部と、
前記気象データを取得する気象データ取得部と、
前記衛星データ及び前記気象データを前記データベースに格納するデータベース生成部と
を備えたことを特徴とする植生生長分析システム。
- 請求項1に記載の植生生長分析システムにおいて、
前記生長重要時期は、植え付け、開花、種形成、完熟、収穫又は他の生育フェーズのいずれか複数を含むことを特徴とする植生生長分析システム。
- 請求項1に記載の植生生長分析システムにおいて、
前記植生指標は、NDVI、LAI、EVIのいずれかであり、
前記生長曲線生成部は、前記衛星データから時系列の前記植生指標を求めることを特徴とする植生生長分析システム。
- 対象植物の植生生長の複数年・複数サイクルの時系列衛星画像による衛星データと、時系列の温度を含む気象データに基づき、圃場・エリア毎及び時期毎の、植物の植生指標及び予め定めた基準時期からの有効積算温度を算出し、植生指標対有効積算温度を表す植生生長曲線を、圃場・エリア毎の過去の複数年・複数サイクルの対象植物について複数作成し、
作成した植生生長曲線に対して、植生特有の生長重要時期を表す予め定められたキータイムに対する植生指標を抽出し、
複数のキータイムの植生指標を各軸とした高次元植生分析座標に、植生生長曲線毎の各キータイムの植生指標をプロットした高次元分析モデルを、圃場・エリア毎の過去の複数年・複数サイクルの対象植物について複数生成し、
予測対象となる圃場・エリアの対象植物についての複数の高次元分析モデルに基づき、予測年・予測サイクルの植生生長曲線における取得済みのキータイムの植生指標に従い未取得のキータイムの予測植生指標を求めることで、対象植物の取得済み以後の植生生長曲線を予測し、求めた未取得のキータイムの予測植生指標及び/又は予測した植生生長曲線を前記データベースに保存及び表示部に表示する
植生生長分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014066441A JP2015188333A (ja) | 2014-03-27 | 2014-03-27 | 植生生長分析システム及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014066441A JP2015188333A (ja) | 2014-03-27 | 2014-03-27 | 植生生長分析システム及び方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2015188333A true JP2015188333A (ja) | 2015-11-02 |
Family
ID=54423421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014066441A Pending JP2015188333A (ja) | 2014-03-27 | 2014-03-27 | 植生生長分析システム及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2015188333A (ja) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105430094A (zh) * | 2015-12-21 | 2016-03-23 | 浙江省公众信息产业有限公司 | 农业物联网控制方法和系统 |
CN105929137A (zh) * | 2016-06-13 | 2016-09-07 | 福建农林大学 | 绘制根际平面pH分布图的装置及方法 |
WO2018151196A1 (ja) * | 2017-02-16 | 2018-08-23 | Necソリューションイノベータ株式会社 | 作物生育の推定装置、作物生育の推定方法、プログラム、および記録媒体 |
WO2018173622A1 (ja) | 2017-03-23 | 2018-09-27 | 日本電気株式会社 | 植生指標算出装置、植生指標算出方法、及びコンピュータ読み取り可能な記録媒体 |
WO2018173577A1 (ja) | 2017-03-23 | 2018-09-27 | 日本電気株式会社 | 植生指標算出装置、植生指標算出方法、及びコンピュータ読み取り可能な記録媒体 |
WO2018176681A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳前海弘稼科技有限公司 | 模拟植物种植的方法及系统 |
CN109508696A (zh) * | 2018-12-14 | 2019-03-22 | 红云红河烟草(集团)有限责任公司 | 一种基于多光谱技术的烟叶产量预测分析方法 |
WO2020018703A1 (en) * | 2018-07-17 | 2020-01-23 | Futurewei Technologies, Inc. | Prediction type signaling and temporal order signaling in point cloud coding (pcc) |
CN111382724A (zh) * | 2020-04-01 | 2020-07-07 | 宿迁学院 | 一种基于ndvi时间序列复杂赫斯特的耐低温植物识别方法 |
CN111582554A (zh) * | 2020-04-17 | 2020-08-25 | 北京农业信息技术研究中心 | 一种农作物长势预测方法及系统 |
JP2020140347A (ja) * | 2019-02-27 | 2020-09-03 | 株式会社日立製作所 | 作物管理システム及び作物管理方法 |
CN111723328A (zh) * | 2020-06-18 | 2020-09-29 | 中国科学院空天信息创新研究院 | 叶面积指数时间序列重建方法、装置、设备及存储介质 |
US10891482B2 (en) | 2018-07-10 | 2021-01-12 | Adroit Robotics | Systems, devices, and methods for in-field diagnosis of growth stage and crop yield estimation in a plant area |
JP2021006017A (ja) * | 2019-06-28 | 2021-01-21 | 株式会社日立製作所 | リモートセンシング画像取得時期決定システム、および、作物生育状況分析方法 |
CN112949917A (zh) * | 2021-02-20 | 2021-06-11 | 廖廓 | 基于气象数据的茶叶茶小绿叶蝉虫害预警方法及系统 |
CN113378700A (zh) * | 2021-06-08 | 2021-09-10 | 四川农业大学 | 基于无人机航拍影像的草原鼠害动态监测方法 |
CN113516067A (zh) * | 2021-07-06 | 2021-10-19 | 中山大学 | 一种植物生长时间的识别方法及装置 |
CN113902215A (zh) * | 2021-11-01 | 2022-01-07 | 北京飞花科技有限公司 | 一种棉花延迟型冷害动态的预报方法 |
CN114241318A (zh) * | 2021-12-23 | 2022-03-25 | 福州大学 | 一种确定刚竹毒蛾危害蔓延特征的方法及系统 |
CN115529987A (zh) * | 2022-11-30 | 2022-12-30 | 中化现代农业有限公司 | 作物设施的风口调控方法、装置、设备及存储介质 |
CN115529998A (zh) * | 2022-10-18 | 2022-12-30 | 中国科学院新疆生态与地理研究所 | 干旱区胡杨断根萌蘖的轮灌修复方法 |
CN116050654A (zh) * | 2023-02-24 | 2023-05-02 | 生态环境部卫星环境应用中心 | 耦合植被结构与质量的生态工程区植被生长成效评估方法 |
CN116863403A (zh) * | 2023-07-11 | 2023-10-10 | 仲恺农业工程学院 | 一种农作物大数据环境监测方法、装置及电子设备 |
CN116939159A (zh) * | 2023-06-16 | 2023-10-24 | 北京佳格天地科技有限公司 | 一种农田灾害预警方法及系统 |
CN117132175A (zh) * | 2023-10-27 | 2023-11-28 | 杭州稻道农业科技有限公司 | 一种基于卫星遥感数据源的新开垦耕地质量评价方法 |
CN117505811A (zh) * | 2024-01-08 | 2024-02-06 | 北京适创科技有限公司 | 一种模温控制方法和相关装置 |
-
2014
- 2014-03-27 JP JP2014066441A patent/JP2015188333A/ja active Pending
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105430094A (zh) * | 2015-12-21 | 2016-03-23 | 浙江省公众信息产业有限公司 | 农业物联网控制方法和系统 |
CN105929137A (zh) * | 2016-06-13 | 2016-09-07 | 福建农林大学 | 绘制根际平面pH分布图的装置及方法 |
JPWO2018151196A1 (ja) * | 2017-02-16 | 2019-11-07 | Necソリューションイノベータ株式会社 | 作物生育の推定装置、作物生育の推定方法、プログラム、および記録媒体 |
WO2018151196A1 (ja) * | 2017-02-16 | 2018-08-23 | Necソリューションイノベータ株式会社 | 作物生育の推定装置、作物生育の推定方法、プログラム、および記録媒体 |
JP7007018B2 (ja) | 2017-02-16 | 2022-01-24 | Necソリューションイノベータ株式会社 | 作物生育の推定装置、作物生育の推定方法、プログラム、および記録媒体 |
US11417089B2 (en) | 2017-03-23 | 2022-08-16 | Nec Corporation | Vegetation index calculation apparatus, vegetation index calculation method, and computer readable recording medium |
JPWO2018173577A1 (ja) * | 2017-03-23 | 2019-11-07 | 日本電気株式会社 | 植生指標算出装置、植生指標算出方法、及びプログラム |
US11348272B2 (en) | 2017-03-23 | 2022-05-31 | Nec Corporation | Vegetation index calculation apparatus, vegetation index calculation method, and computer readable recording medium |
WO2018173577A1 (ja) | 2017-03-23 | 2018-09-27 | 日本電気株式会社 | 植生指標算出装置、植生指標算出方法、及びコンピュータ読み取り可能な記録媒体 |
WO2018173622A1 (ja) | 2017-03-23 | 2018-09-27 | 日本電気株式会社 | 植生指標算出装置、植生指標算出方法、及びコンピュータ読み取り可能な記録媒体 |
WO2018176681A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳前海弘稼科技有限公司 | 模拟植物种植的方法及系统 |
US11580731B2 (en) | 2018-07-10 | 2023-02-14 | Adroit Robotics | Systems, devices, and methods for in-field diagnosis of growth stage and crop yield estimation in a plant area |
US10891482B2 (en) | 2018-07-10 | 2021-01-12 | Adroit Robotics | Systems, devices, and methods for in-field diagnosis of growth stage and crop yield estimation in a plant area |
CN112438046A (zh) * | 2018-07-17 | 2021-03-02 | 华为技术有限公司 | 点云译码(pcc)中的预测类型信令和时间顺序信令 |
WO2020018703A1 (en) * | 2018-07-17 | 2020-01-23 | Futurewei Technologies, Inc. | Prediction type signaling and temporal order signaling in point cloud coding (pcc) |
US11398058B2 (en) | 2018-07-17 | 2022-07-26 | Huawei Technologies Co., Ltd. | Prediction type signaling and temporal order signaling in point cloud coding (PCC) |
CN109508696A (zh) * | 2018-12-14 | 2019-03-22 | 红云红河烟草(集团)有限责任公司 | 一种基于多光谱技术的烟叶产量预测分析方法 |
JP7176980B2 (ja) | 2019-02-27 | 2022-11-22 | 株式会社日立製作所 | 作物管理システム及び作物管理方法 |
JP2020140347A (ja) * | 2019-02-27 | 2020-09-03 | 株式会社日立製作所 | 作物管理システム及び作物管理方法 |
JP2021006017A (ja) * | 2019-06-28 | 2021-01-21 | 株式会社日立製作所 | リモートセンシング画像取得時期決定システム、および、作物生育状況分析方法 |
JP7229864B2 (ja) | 2019-06-28 | 2023-02-28 | 株式会社日立製作所 | リモートセンシング画像取得時期決定システム、および、作物生育状況分析方法 |
CN111382724A (zh) * | 2020-04-01 | 2020-07-07 | 宿迁学院 | 一种基于ndvi时间序列复杂赫斯特的耐低温植物识别方法 |
CN111582554A (zh) * | 2020-04-17 | 2020-08-25 | 北京农业信息技术研究中心 | 一种农作物长势预测方法及系统 |
CN111582554B (zh) * | 2020-04-17 | 2024-02-23 | 北京市农林科学院信息技术研究中心 | 一种农作物长势预测方法及系统 |
CN111723328A (zh) * | 2020-06-18 | 2020-09-29 | 中国科学院空天信息创新研究院 | 叶面积指数时间序列重建方法、装置、设备及存储介质 |
CN111723328B (zh) * | 2020-06-18 | 2024-02-13 | 中国科学院空天信息创新研究院 | 叶面积指数时间序列重建方法、装置、设备及存储介质 |
CN112949917A (zh) * | 2021-02-20 | 2021-06-11 | 廖廓 | 基于气象数据的茶叶茶小绿叶蝉虫害预警方法及系统 |
CN113378700A (zh) * | 2021-06-08 | 2021-09-10 | 四川农业大学 | 基于无人机航拍影像的草原鼠害动态监测方法 |
CN113516067A (zh) * | 2021-07-06 | 2021-10-19 | 中山大学 | 一种植物生长时间的识别方法及装置 |
CN113516067B (zh) * | 2021-07-06 | 2023-10-13 | 中山大学 | 一种植物生长时间的识别方法及装置 |
CN113902215A (zh) * | 2021-11-01 | 2022-01-07 | 北京飞花科技有限公司 | 一种棉花延迟型冷害动态的预报方法 |
CN113902215B (zh) * | 2021-11-01 | 2024-05-07 | 北京飞花科技有限公司 | 一种棉花延迟型冷害动态的预报方法 |
CN114241318A (zh) * | 2021-12-23 | 2022-03-25 | 福州大学 | 一种确定刚竹毒蛾危害蔓延特征的方法及系统 |
CN115529998B (zh) * | 2022-10-18 | 2024-01-26 | 中国科学院新疆生态与地理研究所 | 干旱区胡杨断根萌蘖的轮灌修复方法 |
CN115529998A (zh) * | 2022-10-18 | 2022-12-30 | 中国科学院新疆生态与地理研究所 | 干旱区胡杨断根萌蘖的轮灌修复方法 |
CN115529987B (zh) * | 2022-11-30 | 2023-03-24 | 中化现代农业有限公司 | 作物设施的风口调控方法、装置、设备及存储介质 |
CN115529987A (zh) * | 2022-11-30 | 2022-12-30 | 中化现代农业有限公司 | 作物设施的风口调控方法、装置、设备及存储介质 |
CN116050654A (zh) * | 2023-02-24 | 2023-05-02 | 生态环境部卫星环境应用中心 | 耦合植被结构与质量的生态工程区植被生长成效评估方法 |
CN116939159A (zh) * | 2023-06-16 | 2023-10-24 | 北京佳格天地科技有限公司 | 一种农田灾害预警方法及系统 |
CN116939159B (zh) * | 2023-06-16 | 2024-03-22 | 北京佳格天地科技有限公司 | 一种农田灾害预警方法及系统 |
CN116863403A (zh) * | 2023-07-11 | 2023-10-10 | 仲恺农业工程学院 | 一种农作物大数据环境监测方法、装置及电子设备 |
CN116863403B (zh) * | 2023-07-11 | 2024-01-02 | 仲恺农业工程学院 | 一种农作物大数据环境监测方法、装置及电子设备 |
CN117132175A (zh) * | 2023-10-27 | 2023-11-28 | 杭州稻道农业科技有限公司 | 一种基于卫星遥感数据源的新开垦耕地质量评价方法 |
CN117505811A (zh) * | 2024-01-08 | 2024-02-06 | 北京适创科技有限公司 | 一种模温控制方法和相关装置 |
CN117505811B (zh) * | 2024-01-08 | 2024-04-05 | 北京适创科技有限公司 | 一种模温控制方法和相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2015188333A (ja) | 植生生長分析システム及び方法 | |
Shammi et al. | Use time series NDVI and EVI to develop dynamic crop growth metrics for yield modeling | |
Prasad et al. | Crop yield prediction in cotton for regional level using random forest approach | |
JP6285875B2 (ja) | 植物成長分析システム、及び植物成長分析方法 | |
Liu et al. | Large-scale crop mapping from multisource remote sensing images in google earth engine | |
Paulus et al. | Surface feature based classification of plant organs from 3D laserscanned point clouds for plant phenotyping | |
Gómez et al. | Modelling wheat yield with antecedent information, satellite and climate data using machine learning methods in Mexico | |
JP7176980B2 (ja) | 作物管理システム及び作物管理方法 | |
Ramarohetra et al. | How satellite rainfall estimate errors may impact rainfed cereal yield simulation in West Africa | |
Chen et al. | A comparison of two adaptive multivariate analysis methods (PLSR and ANN) for winter wheat yield forecasting using Landsat-8 OLI images | |
Qiu et al. | A new methodology to map double-cropping croplands based on continuous wavelet transform | |
Zhang et al. | Identification and mapping of winter wheat by integrating temporal change information and Kullback–Leibler divergence | |
Potgieter et al. | Determining crop acreage estimates for specific winter crops using shape attributes from sequential MODIS imagery | |
Zhao et al. | Forecasting the wheat powdery mildew (Blumeria graminis f. Sp. tritici) using a remote sensing-based decision-tree classification at a provincial scale | |
Mathur | Satellite-based crop yield prediction using machine learning algorithm | |
Parplies et al. | Phenomapping of rangelands in South Africa using time series of RapidEye data | |
Guan et al. | An improved approach to estimating crop lodging percentage with Sentinel-2 imagery using machine learning | |
Joshi et al. | Winter wheat yield prediction in the conterminous United States using solar-induced chlorophyll fluorescence data and XGBoost and random forest algorithm | |
Tang et al. | Forecasting wheat aphid with remote sensing based on relevance vector machine | |
Kganyago | Using sentinel-2 observations to assess the consequences of the COVID-19 lockdown on winter cropping in Bothaville and Harrismith, South Africa | |
Li et al. | Remote sensing indicators for crop growth monitoring at different scales | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
Upadhyay et al. | Temporal MODIS data for identification of wheat crop using noise clustering soft classification approach | |
Zhang et al. | Crop type mapping with temporal sample migration | |
Shen et al. | A Gaussian Kernel-based spatiotemporal fusion model for agricultural remote sensing monitoring |