JP2015219651A - Harvest prediction device for farm crop, harvest prediction system and harvest prediction method - Google Patents

Harvest prediction device for farm crop, harvest prediction system and harvest prediction method Download PDF

Info

Publication number
JP2015219651A
JP2015219651A JP2014101641A JP2014101641A JP2015219651A JP 2015219651 A JP2015219651 A JP 2015219651A JP 2014101641 A JP2014101641 A JP 2014101641A JP 2014101641 A JP2014101641 A JP 2014101641A JP 2015219651 A JP2015219651 A JP 2015219651A
Authority
JP
Japan
Prior art keywords
prediction
data
prediction model
model
result
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2014101641A
Other languages
Japanese (ja)
Other versions
JP6410130B2 (en
Inventor
哲也 江田
Tetsuya Eda
哲也 江田
啓 西澤
Kei Nishizawa
啓 西澤
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.)
JSOL Corp
Original Assignee
JSOL Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by JSOL Corp filed Critical JSOL Corp
Priority to JP2014101641A priority Critical patent/JP6410130B2/en
Publication of JP2015219651A publication Critical patent/JP2015219651A/en
Application granted granted Critical
Publication of JP6410130B2 publication Critical patent/JP6410130B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

PROBLEM TO BE SOLVED: To select and execute an optimum prediction model according to collected data in harvest prediction of a farm crop.SOLUTION: A harvest prediction device 10 can execute a plurality of prediction models and includes: a data accumulation DB 101 for accumulating data for prediction which becomes input for each prediction model; a data analysis result receiving unit 103 for receiving a result in which the data for prediction accumulated in the data accumulation DB 101 is analyzed; a prediction model setting file 104 determined for each prediction model and for storing a reference which determines necessary quantity and quality with respect to a type of data, an accumulation period of data, a recording interval of data, a recording point of data and a degree of loss of data; a prediction model evaluation unit 105 for evaluating the plurality of prediction models respectively based on the analysis result of the data for prediction and the reference of the prediction model setting file 104, and for selecting an optimum prediction model; and a prediction execution unit 107 for executing a prediction program corresponding to the prediction model selected based on the evaluation of the prediction model evaluation unit 105.

Description

本発明は、農作物の収穫予測装置、収穫予測システム及び収穫予測方法に関し、特に、複数の予測モデルを用いる収穫予測装置、収穫予測システム及び収穫予測方法に関する。   The present invention relates to a crop prediction device, a crop prediction system, and a crop prediction method, and more particularly to a crop prediction device, a crop prediction system, and a crop prediction method that use a plurality of prediction models.

農作物の収穫時期、収穫量を予測する手法は、有効積算気温法をはじめとして様々な予測モデルがあり（非特許文献１参照）、システム化が試みられている。それらのシステムでは、その予測モデルによって、気温だけで行えるものから日照時間、土壌、害虫の発生状況から多岐にわたる入力データが必要となるものまで様々である。例えば、特許文献１には、農作物の生育が成功するか否かを判断する基準である管理範囲を算出し、気象予報と誤差分布とに基づいて気象条件を算出し、当該算出した気象条件、作業計画情報及び圃場条件を算出する数式とに基づいて圃場条件を算出し、当該算出した圃場条件から予測モデルを用いて、予測評価指標の評価値の予測結果を予測生育範囲として出力する農作物生育管理装置が記載されている。   There are various predictive models including the effective integrated temperature method for predicting the harvest time and yield of agricultural products (see Non-Patent Document 1), and systematization has been attempted. Depending on the prediction model, these systems vary from those that can be done only with temperature to those that require a wide range of input data, from the duration of sunshine, soil, and pests. For example, Patent Literature 1 calculates a management range that is a reference for determining whether or not a crop is successfully grown, calculates weather conditions based on a weather forecast and an error distribution, and calculates the calculated weather conditions, Crop growth that calculates field conditions based on work plan information and mathematical formulas that calculate field conditions, and outputs a prediction result of an evaluation value of a prediction evaluation index as a predicted growth range using a prediction model from the calculated field conditions A management device is described.

特開２０１３−５１８８７号公報JP2013-51887A

田村良文、発育ステージの予測モデルとその実用化、農業技術 ４４（９）、ｐ．３９７−４００、１９８９年９月Tamura Yoshifumi, Growth Stage Prediction Model and Its Practical Use, Agricultural Technology 44 (9), p. 397-400, September 1989

しかしながら、一般に農業経営者は、そうした予測モデルが必要とする入力データを収集していないことが多い。そのため、上記の文献に記載のような予測モデルを用いたシステムの導入に際しては、新たに多種多様なデータ収集が必要となり、その準備のために多くの労力とコストが必要となる。このことが農業経営者に重い負担となっており、農業のＩＴ化が進まない一因となっている。また、仮にデータ収集がうまくいっても、作物の種類や、育成条件によって、適用可能な予測モデルが異なるので、農業経営者が最適な予測モデルを選定することは困難である。   However, in general, farmers often do not collect the input data required by such predictive models. Therefore, when introducing a system using a prediction model as described in the above-mentioned literature, a variety of new data collection is required, and much labor and cost are required for preparation. This puts a heavy burden on farm managers and contributes to the failure of IT in agriculture. Even if data collection is successful, the applicable prediction model differs depending on the type of crop and the growing conditions, so it is difficult for the farmer to select the optimal prediction model.

したがって、本発明では、上記のような課題に鑑み、収集されたデータに応じた最適な予測モデルを選定し、収穫予測を行う収穫予測装置、収穫予測システム、及び収穫予測方法、を提供することを目的とする。   Therefore, in view of the above-described problems, the present invention provides a harvest prediction device, a harvest prediction system, and a harvest prediction method that select an optimal prediction model according to collected data and perform harvest prediction. With the goal.

上記課題を解決するため、本発明の収穫予測装置、収穫予測システム、及び収穫予測方法は、以下のような解決手段を提供する。   In order to solve the above problems, the harvest prediction device, the harvest prediction system, and the harvest prediction method of the present invention provide the following solution.

（１）本発明の第１の態様は、農作物の収穫を予測するための複数の予測モデルを実行可能な収穫予測装置であって、前記予測モデルの入力となる予測用データを蓄積するデータ蓄積データベースと、前記データ蓄積データベースに蓄積された予測用データを分析した結果を受付けるデータ分析結果受付部と、前記予測モデルごとに定められた、データの種類、データの蓄積期間、データの記録間隔、データの記録地点、及びデータの欠損度、に対して必要な量と質を定めた基準を格納する予測モデル設定ファイルと、前記予測用データの分析結果と前記予測モデル設定ファイルの基準とに基づいて、前記複数の予測モデルをそれぞれ評価し、最適な予測モデルを選定する予測モデル評価部と、前記予測モデル評価部の評価に基づいて選定された予測モデルに対応する予測プログラムを実行させる予測実行部と、を備えることを特徴とする。 (1) A first aspect of the present invention is a harvest prediction device capable of executing a plurality of prediction models for predicting crop yield, and stores data for storing prediction data that is input to the prediction model. A database, a data analysis result receiving unit that receives a result of analyzing the prediction data stored in the data storage database, and a data type, a data storage period, a data recording interval, and the like determined for each prediction model, Based on the prediction model setting file that stores the criteria for determining the quantity and quality required for the data recording point and the degree of data loss, the analysis result of the prediction data, and the criterion of the prediction model setting file Each of the plurality of prediction models, and a prediction model evaluation unit that selects an optimal prediction model, and a selection based on the evaluation of the prediction model evaluation unit. A prediction execution unit for executing a prediction program corresponding to the predictive model, characterized in that it comprises a.

（２）上記（１）の収穫予測装置において、前記予測プログラムの実行によって得られた予測結果に対応する実績値の情報を受付け、前記予測結果と前記実績値を比較し、前記予測モデル設定ファイルの予測モデルの評価データとして記録する予測結果評価部をさらに備えることを特徴とする。 (2) In the harvest prediction apparatus according to (1), information on the actual value corresponding to the prediction result obtained by executing the prediction program is received, the prediction result and the actual value are compared, and the prediction model setting file The method further includes a prediction result evaluation unit that records as evaluation data of the prediction model.

（３）上記（１）又は（２）の収穫予測装置において、前記予測モデル評価部の予測モデル別の評価結果及び前記予測用データの分析結果に基づいて、より予測精度の高い予測に向けてのアドバイスを生成するアドバイス生成部をさらに備えることを特徴とする。 (3) In the harvest prediction device according to (1) or (2), based on the evaluation result for each prediction model of the prediction model evaluation unit and the analysis result of the prediction data, the prediction is made with higher prediction accuracy. An advice generation unit for generating the advice is further provided.

（４）上記（１）〜（３）の収穫予測装置において、前記データ蓄積データベースを読出し、前記予測用データの各データの収集状況を分析し、前記予測用データに欠損値がある場合には、当該欠損値を補完することが可能か否かを判断し、前記補完が可能な場合は、前記欠損値を補完した分析結果を前記データ分析結果受付部に受け渡す、データ分析／補完部をさらに備えることを特徴とする。 (4) In the harvest prediction device according to the above (1) to (3), the data storage database is read, the collection status of each data of the prediction data is analyzed, and when there is a missing value in the prediction data Determining whether or not the missing value can be complemented, and if the complement is possible, a data analysis / complementing unit that passes the analysis result supplementing the missing value to the data analysis result accepting unit. It is further provided with the feature.

（５）本発明の第２の態様は、農作物の収穫を予測するための複数の予測モデルを実行可能な収穫予測システムであって、前記予測モデルの入力となる予測用データを蓄積するデータ蓄積データベースと、前記データ蓄積データベースに蓄積された予測用データを分析した結果を受付けるデータ分析結果受付部と、前記予測モデルごとに定められた、データの種類、データの蓄積期間、データの記録間隔、データの記録地点、及びデータの欠損度、に対して必要な量と質を定めた基準を格納する予測モデル設定ファイルと、前記予測用データの分析結果と前記予測モデル設定ファイルの基準とに基づいて、前記複数の予測モデルをそれぞれ評価し、最適な予測モデルを選定する予測モデル評価部と、前記予測モデル評価部の評価に基づいて選定された予測モデルに対応する予測プログラムを実行させる予測実行部と、前記実行した予測モデルの予測結果を出力すると共に、前記実行した予測モデルとは別の予測モデルを実行した場合の予測結果を出力し比較させる予測結果評価部と、を備えることを特徴とする。 (5) A second aspect of the present invention is a harvest prediction system capable of executing a plurality of prediction models for predicting crop yield, and stores data for storing prediction data that is input to the prediction model. A database, a data analysis result receiving unit that receives a result of analyzing the prediction data stored in the data storage database, and a data type, a data storage period, a data recording interval, and the like determined for each prediction model, Based on the prediction model setting file that stores the criteria for determining the quantity and quality required for the data recording point and the degree of data loss, the analysis result of the prediction data, and the criterion of the prediction model setting file And evaluating each of the plurality of prediction models and selecting an optimum prediction model based on the evaluation of the prediction model evaluation unit. A prediction execution unit that executes a prediction program corresponding to the prediction model, and a prediction result of the executed prediction model, and a prediction result when a prediction model different from the executed prediction model is executed And a prediction result evaluation unit to be compared.

（６）本発明の第３の態様は、農作物の収穫を予測するための複数の予測モデルを実行可能な収穫予測方法であって、前記予測モデルの入力となる予測用データを蓄積するデータ蓄積データベースと、前記予測モデルごとに定められた、データの種類、データの蓄積期間、データの記録間隔、データの記録地点、及びデータの欠損度、に対して必要な量と質を定めた基準を格納する予測モデル設定ファイルとを備え、前記データ蓄積データベースに蓄積された予測用データを分析した結果を受付けるステップと、前記予測用データの分析結果と前記予測モデル設定ファイルの基準とに基づいて、前記複数の予測モデルをそれぞれ評価するステップと、前記評価するステップでの予測モデルの評価に基づいて選定された予測モデルに対応する予測プログラムを実行させるステップと、を含むことを特徴とする。 (6) A third aspect of the present invention is a harvest prediction method capable of executing a plurality of prediction models for predicting crop yield, and stores data for storing prediction data that is input to the prediction model. Standards that define the quantity and quality required for the database and the data model, the data accumulation period, the data recording interval, the data recording point, and the data deficiency defined for each prediction model. A prediction model setting file to be stored, and receiving a result of analyzing the prediction data accumulated in the data accumulation database, based on the analysis result of the prediction data and the reference of the prediction model setting file, A step of evaluating each of the plurality of prediction models, and a prediction model corresponding to the prediction model selected based on the evaluation of the prediction model in the step of evaluating. Characterized in that it comprises a step of executing the program, the.

本発明によれば、収集されたデータに応じて、収穫予測のための最適な予測モデルを選定することができる。また、当初は限られたデータで収穫予測を始めながら、その他のデータの収集が進むに従って、より複雑で高度な予測モデルを用いた予測へ進歩させていくことができる。   According to the present invention, an optimal prediction model for harvest prediction can be selected according to the collected data. In addition, it is possible to progress to prediction using a more complicated and advanced prediction model as the collection of other data progresses while starting the harvest prediction with limited data at the beginning.

本発明の実施形態に係る収穫予測システム１の機能構成を示す図である。It is a figure which shows the function structure of the harvest prediction system 1 which concerns on embodiment of this invention. （ａ）予測モデル設定ファイル１０４の基準定義の例、（ｂ）データ分析結果を一つの予測モデルの基準に照らして評価した例を示す図である。(A) It is a figure which shows the example of the reference | standard definition of the prediction model setting file 104, and the example which evaluated the data analysis result in reference to the reference | standard of one prediction model. データ分析結果を複数の予測モデルの基準に照らして評価した具体例を示す図である。It is a figure which shows the specific example which evaluated the data analysis result in reference to the reference | standard of a some prediction model. データ分析結果を複数の予測モデルの基準に照らして評価した別の具体例を示す図である。It is a figure which shows another specific example which evaluated the data analysis result in reference to the reference | standard of a some prediction model. 収穫予測装置１０のアドバイス生成部１０９が生成したアドバイスの表示例を示す図である。It is a figure which shows the example of a display of the advice which the advice production | generation part 109 of the harvest prediction apparatus 10 produced | generated. 収穫予測装置１０のアドバイス生成部１０９が生成したアドバイスの別の表示例を示す図である。It is a figure which shows another example of a display of the advice which the advice production | generation part 109 of the harvest prediction apparatus 10 produced | generated. 収穫予測装置１０の全体的な処理のフローを示す図である。It is a figure which shows the flow of the whole process of the harvest prediction apparatus.

以下、添付図面を参照して、本発明を実施するための形態（以下、実施形態）について詳細に説明する。以降の図においては、実施形態の説明の全体を通して同じ要素には同じ番号または符号を付している。   DESCRIPTION OF EMBODIMENTS Hereinafter, embodiments for carrying out the present invention (hereinafter referred to as embodiments) will be described in detail with reference to the accompanying drawings. In the subsequent drawings, the same numbers or symbols are assigned to the same elements throughout the description of the embodiments.

（収穫予測システム１の構成）
図１は、本発明の実施形態に係る収穫予測システム１（以下、本システム）の機能構成の概念を示す図である。この図において、機能ブロック間の矢印は、データの流れ方向、又は処理の流れ方向を表す。 (Configuration of Harvest Prediction System 1)
FIG. 1 is a diagram showing a concept of a functional configuration of a harvest prediction system 1 (hereinafter, this system) according to an embodiment of the present invention. In this figure, an arrow between functional blocks represents a data flow direction or a process flow direction.

本システム１は、収穫予測装置１０と、収穫予測装置１０に接続されたユーザ端末２０とから構成される。収穫予測装置１０は、図示するように機能構成として、データ蓄積データベース（データ蓄積ＤＢ１０１）、データ分析／補完部１０２、データ分析結果受付部１０３、予測モデル設定ファイル１０４、予測モデル評価部１０５、パラメータファイル１０６、予測実行部１０７、予測結果評価部１０８、アドバイス生成部１０９を備えている。以下、順に各部の機能について説明する。   The system 1 includes a harvest prediction device 10 and a user terminal 20 connected to the harvest prediction device 10. As shown in the figure, the harvest prediction device 10 includes, as a functional configuration, a data storage database (data storage DB 101), a data analysis / complementation unit 102, a data analysis result reception unit 103, a prediction model setting file 104, a prediction model evaluation unit 105, parameters. The file 106, the prediction execution part 107, the prediction result evaluation part 108, and the advice production | generation part 109 are provided. Hereinafter, functions of each unit will be described in order.

データ蓄積ＤＢ１０１は、農作物の収穫を予測するための予測モデルの入力となる予測用データを蓄積したデータベースである。予測モデルとは、予測対象を計量可能なモデルとしてとして表現したものであり、農作物の収穫予測のモデルには、例えば、予測用データとして気温を用いたモデルとして、単純積算温度法、有効積算温度法等があり、また、予測用データとして、気温と日長（日照時間）を用いたモデルとして、発育速度（ＤＶＲ：Developmental Rate）モデルによる方法、ノンパラメットリックＤＶＲ法等がある。本システムでは、上記のような予測モデル以外にも様々なモデルを取り扱うことができる。   The data accumulation DB 101 is a database that accumulates prediction data that serves as an input of a prediction model for predicting crop yield. A prediction model is a representation of a prediction target as a model that can be quantified. For example, a model for predicting crop yield is a simple cumulative temperature method or effective integrated temperature as a model that uses air temperature as prediction data. As models for prediction, there are a method using a development rate (DVR) model, a non-parametric DVR method, etc. as a model using temperature and day length (sunshine duration). In this system, various models can be handled in addition to the prediction model as described above.

また、データ蓄積ＤＢ１０１には、気温や日照時間以外にも様々なデータを格納することができ、例えば、作付データ（作物・品種・播種日・定植日・株間・畝間・播種／定植数）、農地データ（面積、土質、水はけ、日当たり、傾斜度、土壌の化学的組成）、農法データ（施肥、施農薬、作型）、インシデントデータ（病害虫発生など）、日々の作業・生育データなどを含むことができる。   In addition, the data storage DB 101 can store various data other than temperature and sunshine hours. For example, cropping data (crop / variety / seeding date / planting date / between plants / soap / sowing / planting number), Includes farmland data (area, soil quality, drainage, sunlight, slope, chemical composition of soil), farming data (fertilization, pesticides, cropping), incident data (emergence of pests, etc.), daily work / growth data, etc. be able to.

データ分析／補完部１０２は、データ蓄積ＤＢ１０１にアクセスし、各データの収集状況を整理して分析し、その分析結果を後述のデータ分析結果受付部１０３に受け渡す。すなわち、データ分析／補完部１０２は、データ蓄積ＤＢ１０１に、各予測モデルが予測用データとして利用可能なデータの量と質が揃っているかをチェックし、各予測モデルに対応する予測プログラムが入力可能なフォーマットに変換する。もっともデータ蓄積ＤＢ１０１に格納されたデータが必ずしもすべて予測用データとして使用されるわけではない。例えば、干ばつなど特別なインシデントがあったような場合のデータは、予測用データとしては不適と判断し、そのデータは除外する。   The data analysis / complementation unit 102 accesses the data storage DB 101, organizes and analyzes the collection status of each data, and delivers the analysis result to the data analysis result reception unit 103 described later. In other words, the data analysis / complementation unit 102 can check whether each prediction model has the quantity and quality of data that can be used as prediction data in the data storage DB 101, and can input a prediction program corresponding to each prediction model. To a different format. Of course, not all data stored in the data storage DB 101 is used as prediction data. For example, data when there is a special incident such as drought is determined to be inappropriate as prediction data, and the data is excluded.

また、データ分析／補完部１０２は、予測用データに欠損値（欠損があることを示す情報）がある場合には、当該欠損値を補完することが可能か否かを判断し、補完が可能な場合は、欠損値を補完したデータをデータ分析結果に含めて、後述のデータ分析結果受付部１０３に受け渡す。例えば、ある日の日平均気温データが欠けている場合は、前後の日の平均をとること等でその欠損値をある程度正確に補完することが可能であるが、欠損値が連続した数日間に渡る場合は、正確に補完することは難しいので補完は行わないと判断する。欠損値の補完方法の詳細については、発明者らが既に出願した特願２０１４−５２２０５に記載の方法を用いてもよい。   In addition, when there is a missing value (information indicating that there is a deficiency) in the prediction data, the data analysis / complementation unit 102 determines whether or not the deficient value can be complemented and can complement the data. In such a case, data supplementing the missing value is included in the data analysis result and transferred to the data analysis result receiving unit 103 described later. For example, if the daily average temperature data for a certain day is missing, it is possible to compensate for the missing value to some extent by taking the average of the previous and next days, etc. When crossing, it is difficult to accurately complete, so it is determined that no supplementation is performed. For details of the missing value complementing method, the method described in Japanese Patent Application No. 2014-52205 already filed by the inventors may be used.

なお、データ分析／補完部１０２は、必須の構成ではなく、データ蓄積ＤＢ１０１のデータを人間の手又は外部のシステムによって予め分析しておき、その分析済みのデータをユーザ端末２０等からデータ分析結果受付部１０３に入力するようにしてもよい。   Note that the data analysis / complementation unit 102 is not an essential component, and the data stored in the data storage DB 101 is analyzed in advance by a human hand or an external system, and the analyzed data is received from the user terminal 20 or the like as a data analysis result. You may make it input into the reception part 103. FIG.

データ分析結果受付部１０３は、前述したように、データ分析／補完部１０２又はユーザ端末２０等の収穫予測装置１０の外部から、分析済みのデータ（欠損値を補完済のデータを含む）を受付け、予測モデル評価部１０５の入力データとして受け渡す。   As described above, the data analysis result receiving unit 103 receives analyzed data (including data that has been supplemented with missing values) from the outside of the harvest prediction device 10 such as the data analysis / complementing unit 102 or the user terminal 20. And passed as input data of the prediction model evaluation unit 105.

予測モデル設定ファイル１０４は、予測モデルごとに、必要な設定情報を記憶したファイルである。この設定情報には、予測モデルごとに、必要とするデータの種類、データの量と質、モデルの利用優先度、モデルの評価のための基準等の情報を含む。モデルの利用優先度とは、予測結果の精度が高いと評価される順に予測モデルを順位付けしたものである。利用優先度や評価の基準は固定ではなく、各予測モデルを実行した予測結果と収穫の実績値を比較して、その結果によって、予め設定された利用優先度や評価基準を変更するようにしてもよい。予測モデル設定ファイル１０４に含まれる情報については、以降の図でさらに具体的に説明する。   The prediction model setting file 104 is a file that stores necessary setting information for each prediction model. This setting information includes information such as the type of data required, the amount and quality of data, the priority of use of the model, and the criteria for model evaluation for each prediction model. The model use priority is obtained by ranking the prediction models in the order of evaluation that the accuracy of the prediction result is high. The usage priority and evaluation criteria are not fixed. Compare the prediction results obtained by executing each prediction model with the actual value of the harvest, and change the usage priority and evaluation criteria set in advance according to the results. Also good. Information included in the prediction model setting file 104 will be described more specifically with the following figures.

予測モデル評価部１０５は、予測モデル設定ファイル１０４に定義された各予測モデルの評価基準と、データ分析結果受付部１０３が受付けたデータ分析結果から、各モデルによる予測の有効性（予測精度）を評価判定する。そして予測モデルの評価判定結果に基づいて、最適な（最も評価値の高い）予測モデルのプログラムの起動を後述の予測実行部１０７に指令する。   The prediction model evaluation unit 105 determines the effectiveness (prediction accuracy) of prediction by each model from the evaluation criteria of each prediction model defined in the prediction model setting file 104 and the data analysis result received by the data analysis result reception unit 103. Evaluate and judge. Then, based on the evaluation determination result of the prediction model, it instructs the prediction execution unit 107 (to be described later) to start the optimal (highest evaluation value) prediction model program.

図２（ａ）は、予測モデル設定ファイル１０４に含まれる基準の定義の具体例を示したものである。この例では図示するように、３つの予測モデル１，２，３について、モデル利用優先度と、必要なデータの種類、必須のデータとオプションのデータ項目が示されている。例えば、予測モデル１〜３はすべて、気温（日平均気温）のデータだけでも予測を実行することが可能であるが、予測モデル３では、日照時間をオプションとして利用可能なことを示されている。   FIG. 2A shows a specific example of the definition of the criteria included in the prediction model setting file 104. In this example, for the three prediction models 1, 2 and 3, model use priorities, necessary data types, essential data, and optional data items are shown. For example, all of the prediction models 1 to 3 can perform prediction only with temperature (daily average temperature) data, but the prediction model 3 shows that sunshine hours can be used as an option. .

データの量と質に関しては、データの蓄積期間、記録間隔、記録地点、欠損度について、それぞれのモデルが最低限必要とする必須値と、予測精度をあげるために望ましい推奨値が示されている。例えば、予測モデル１〜３では、気温の必須の蓄積期間は１か月であるが、推奨蓄積期間は、予測モデル３では、３年としている。もちろん、収集されたデータが、推奨値に近いほど精度の高い結果が得られることが期待できる。また、予測モデル３では、予測用データとして気温だけでなく、日照時間も加えたほうがより精度の高い結果が期待できる。そのため、予測モデル３のモデル利用優先度は、日照時間を加えなかった場合と、加えた場合の２つに分けてもよい。   Regarding the amount and quality of data, the minimum required values of each model and recommended recommended values for increasing the prediction accuracy are shown for the data accumulation period, recording interval, recording location, and defect level. . For example, in the prediction models 1 to 3, the required accumulation period of temperature is one month, but in the prediction model 3, the recommended accumulation period is 3 years. Of course, the closer the collected data is to the recommended value, the higher the accuracy of the result. In the prediction model 3, more accurate results can be expected by adding not only the temperature but also the sunshine time as the prediction data. Therefore, the model use priority of the prediction model 3 may be divided into two cases where the sunshine time is not added and when it is added.

欠損度とは、各データ項目に対して欠損値が全体に対して占める割合を示すが、少なくとも欠損値は、この予測モデル１〜３の場合では、１０％〜２５％以下である必要があるが、好ましくは１〜５％以下であることが推奨されている。なお、前述したように、欠損値が連続日に現れていない場合は、データ分析／補完部１０２によって欠損値を前後のデータから補完できる可能性が高くなる。   The degree of deficiency indicates the ratio of missing values to the whole of each data item, but at least the missing values need to be 10% to 25% or less in the case of the prediction models 1 to 3. However, it is recommended that it is preferably 1 to 5% or less. As described above, when missing values do not appear on consecutive days, there is a high possibility that the data analysis / complementation unit 102 can complement the missing values from previous and subsequent data.

図２（ｂ）は、図示するようなデータ分析結果を、上記の予測モデル１の基準に照らして評価した例を示す図である。このとき、データ分析結果（補完済み）の各データ項目が必要十分に揃っている場合（データの量と質が推奨値以上の場合）は評価Ａ、精度は落ちるが予測可能なデータがある場合（データの量と質が必要値以上で推奨値未満の場合）は評価Ｂ、データ不足の場合（データの量と質が必要値未満である場合）で、正確な予測が難しい場合は、評価Ｃなどと定義する。   FIG. 2B is a diagram illustrating an example in which the data analysis result as illustrated is evaluated in light of the reference of the prediction model 1 described above. At this time, if each data item of the data analysis result (complemented) is necessary and sufficient (when the amount and quality of the data is more than the recommended value), the evaluation is A, and there is predictable data with reduced accuracy (If the amount and quality of the data is more than the required value and less than the recommended value), evaluate B. If the data is insufficient (if the amount and quality of the data is less than the required value) and accurate prediction is difficult, evaluate C and so on.

例えば、図２（ｂ）で示すデータ分析結果の場合、データ項目ごとの評価は、予測モデル１の基準に照らし合わせると、気温の蓄積期間は評価Ｂ，記録間隔と記録地点は評価Ａ、欠損度は評価Ｃとなる。もちろん評価の方法は、このような段階評価だけでなく、収集されたデータと、基準値である必要値、推奨値との差分を求め、その差分に基づいて評価値（評価点）を算出してもよい。   For example, in the case of the data analysis result shown in FIG. 2B, the evaluation for each data item is evaluated as B for the accumulation period of the temperature, the evaluation A for the recording interval and the recording point, and the deficit when compared with the standard of the prediction model 1 The degree is C. Of course, the evaluation method is not limited to such a staged evaluation, but the difference between the collected data and the necessary and recommended values that are the reference values is obtained, and the evaluation value (evaluation score) is calculated based on the difference. May be.

図３は、データ分析結果を複数の予測モデルの基準に照らして評価した具体例を示す図である。例えば、データ分析の結果、データの種類は気温のみで、そのデータの蓄積期間は３か月、記録間隔は１日平均、記録地点は１か所、欠損度は１５％であったとする。このデータを用いて、予測モデル１を使用した場合は、各項目の評価がＢ，Ａ，Ａ，Ｂで、総合評価Ｂ＋、予測モデル２を使用した場合は、各項目の評価がＢ，Ｃ，Ａ，Ｃで、総合評価Ｂ−、予測モデル３を使用した場合は、各項目の評価がＢ，Ａ，Ａ，Ｃで、総合評価Ｂとなったとすると、総合評価が最も高い予測モデル１がここでは最適のモデルとして選定されることになる。なお、総合評価は、各データ項目の評価値の単純平均又は加重平均等によって求めるものする。   FIG. 3 is a diagram illustrating a specific example in which the data analysis result is evaluated in accordance with the criteria of a plurality of prediction models. For example, as a result of data analysis, it is assumed that the type of data is only air temperature, the accumulation period of the data is 3 months, the recording interval is an average of one day, the number of recording points is 1, and the degree of loss is 15%. Using this data, when the prediction model 1 is used, the evaluation of each item is B, A, A, B, and when the comprehensive evaluation B + and the prediction model 2 are used, the evaluation of each item is B, C. , A, and C, when the overall evaluation B- and the prediction model 3 are used, if the evaluation of each item is B, A, A, and C and the overall evaluation is B, the prediction model 1 with the highest overall evaluation Is selected as the optimum model here. The comprehensive evaluation is obtained by a simple average or a weighted average of evaluation values of each data item.

図４は、データ分析結果を複数の予測モデルの基準に照らして評価した別の具体例を示す図である。この例では、データ分析の結果、気温だけでなく、日照時間も予測用データとして利用可能であったとする。この場合、日照時間を必要としない予測モデル１と予測モデル２の評価値は図３の場合と変わらないが、日照時間をオプションとして利用可能な予測モデル３は、日照時間の各項目の評価値が高ければ、総合評価もＢからＡ−と高くなり、結果として、予測モデル３が最適のモデルとして選定されることになる。   FIG. 4 is a diagram illustrating another specific example in which the data analysis result is evaluated in accordance with the criteria of a plurality of prediction models. In this example, it is assumed that not only the temperature but also the sunshine time can be used as the prediction data as a result of the data analysis. In this case, the evaluation values of the prediction model 1 and the prediction model 2 that do not require sunshine hours are the same as in FIG. 3, but the prediction model 3 that can use the sunshine hours as an option is the evaluation value of each item of sunshine hours. Is higher, the overall evaluation is also increased from B to A-, and as a result, the prediction model 3 is selected as the optimum model.

図１に戻り、予測実行部１０７は、予測モデル評価部１０５からの指令により選定された予測モデルに対応する予測プログラムを起動する。予測プログラムは、公知のプログラム又は新たに作成したプログラムを複数、収穫予測装置１０内に予め記憶済みかダウンロードを完了しているものとする。ここで、実行される予測プログラムは、複数であってもよい。例えば、最高評価のプログラムと、評価はそれほど高くないが利用優先度の高いプログラムを並行して実行させてもよい。あるいは、ユーザの設定等により、評価や優先度の高い予測モデルのプログラムだけを起動するのでなく、与えられたデータに対して実行可能なすべての予測プログラムを起動し、各予測実行結果を比較できるようにしてもよい。あるいは、評価に関わらず、ユーザの指定により、特定のプログラムを強制的に実行させるようにしてもよい。設定ファイルやパラメータを変更して再度実行したい場合等があるからである。   Returning to FIG. 1, the prediction execution unit 107 activates a prediction program corresponding to the prediction model selected by the command from the prediction model evaluation unit 105. As for the prediction program, it is assumed that a plurality of known programs or newly created programs are stored in the harvest prediction device 10 in advance or have been downloaded. Here, a plurality of prediction programs may be executed. For example, a program having the highest evaluation and a program having a high use priority but not so high may be executed in parallel. Alternatively, depending on user settings, not only the prediction model program with high evaluation and priority is started, but all prediction programs that can be executed for given data can be started and the results of each prediction execution can be compared. You may do it. Or you may make it run a specific program compulsorily by a user's specification irrespective of evaluation. This is because there are cases where it is necessary to change the setting file or parameter and execute again.

パラメータファイル１０６は、予測プログラムを実行させる際の起動パラメータを記憶したファイルである。すなわち、各予測プログラムは、パラメータファイル１０６に格納された自身の起動パラメータを読み込んで起動する。起動パラメータとは、例えば、有効積算気温方法のモデルで用いられる有効積算温度（ＥＡＴ:Effective Accumulated Temperature）は、ＥＡＴ＝Σ（Ｔ−Ｄ）で表され、発育速度（Ｋ）は、Ｋ＝ａ（Ｔ−Ｄ）（ただし、Ｔは日平均気温、Ｄは生育零点（生育最低温度）、ａは定数）で表されるが、この定数ａがプログラムの起動パラメータである。なお、起動パラメータは、ユーザ端末２０等から変更が可能とする。   The parameter file 106 is a file that stores startup parameters when the prediction program is executed. That is, each prediction program is activated by reading its own activation parameter stored in the parameter file 106. The starting parameter is, for example, an effective accumulated temperature (EAT) used in a model of an effective accumulated temperature method is expressed by EAT = Σ (TD), and a growth rate (K) is K = a (T-D) (where T is the daily average temperature, D is the growth zero point (growth minimum temperature), a is a constant), and this constant a is a program start parameter. The activation parameter can be changed from the user terminal 20 or the like.

予測結果評価部１０８は、予測プログラムが出力した予測結果をユーザに提示し、また、その予測結果の評価に関わる情報（予実の差異、インシデントデータ等）の入力をユーザ端末２０等から受け付ける。特に、予測結果に対して実際の収穫の実績値を入力させる手段を備え、予測結果と実績値を比較する機能を提供する。また、事前の評価が高くなかった予測モデルを収穫実績が得られた後に実行し、その予測結果と実績値を比較し、それを評価情報として記録し、以後の評価に役立てるようにしてもよい。すなわち、システム管理者等は、この評価情報を参照し、予測モデルの評価判定のための設定の変更（例えば、必要なデータの蓄積期間の設定変更）を行うことができる。   The prediction result evaluation unit 108 presents the prediction result output by the prediction program to the user, and receives input of information related to the evaluation of the prediction result (prediction difference, incident data, etc.) from the user terminal 20 or the like. In particular, a means for inputting an actual harvest actual value for the prediction result is provided, and a function for comparing the prediction result with the actual value is provided. In addition, a prediction model that was not highly evaluated in advance may be executed after the harvesting results are obtained, and the prediction results may be compared with the actual values, which may be recorded as evaluation information for use in subsequent evaluations. . That is, the system administrator or the like can change the setting for evaluating the prediction model (for example, change the setting of the necessary data accumulation period) with reference to the evaluation information.

また、同じ作物を、隣接する圃場に日付をずらして植えている場合などに、先行する圃場の結果をフィードバックすることで、より予測精度の高いプログラムが後続の圃場に提供できるよう調整できる。すなわち、先行する実績値とその予測結果を対比することで、以後の予測モデルの評価に対して、場合によっては、予測モデル設定ファイル１０４やパラメータファイル１０６の値が妥当であったかどうかも含めて、フィードバックをかけることができる。   In addition, when the same crop is planted in an adjacent field with a date shifted, the result of the preceding field can be fed back so that a program with higher prediction accuracy can be provided to the subsequent field. In other words, by comparing the preceding actual value with the prediction result, depending on the case, whether or not the values of the prediction model setting file 104 and the parameter file 106 are appropriate for the subsequent evaluation of the prediction model, Give feedback.

アドバイス生成部１０９は、予測モデル評価部１０５の評価結果に基づいて、予測精度を上げるために、あるいはより高度な予測モデルを利用するために、ユーザにとって必要なアクションを含んだアドバイスを生成する。生成されたアドバイスはユーザ端末２０等に表示される。なお、アドバイスの生成は、予測モデルの評価時であってもよいし、予測モデルを実行した後であってもよい。また、予測結果に対してその実績値が得られた後であってもよい。   Based on the evaluation result of the prediction model evaluation unit 105, the advice generation unit 109 generates advice including actions necessary for the user in order to increase the prediction accuracy or use a higher-level prediction model. The generated advice is displayed on the user terminal 20 or the like. Note that the generation of advice may be performed at the time of evaluation of the prediction model, or after execution of the prediction model. Moreover, it may be after the performance value is obtained for the prediction result.

図５、図６は、アドバイス生成部１０９が生成したアドバイスの表示例を示す図である。ここでいうアドバイスとは、設定ファイルのデータと予測用に利用したデータを比較して、不足しているデータ、評価の低いデータ項目の評価を上げるための要件、総合評価を上げるための要件などを表示することである。   5 and 6 are diagrams showing display examples of advice generated by the advice generation unit 109. FIG. The advice here is a requirement to compare the data in the configuration file with the data used for prediction, and to increase the evaluation of missing data, low-valued data items, and the requirement to improve the overall evaluation, etc. Is to display.

図５の表示例では、（ａ）では、データ分析結果に対して、今回実行した予測モデル（図２で示した予測モデル１とする）の評価結果を表示し、（ｂ）では、今回実行した予測モデルよりも高度な予測モデル（予測モデル２、予測モデル３とする）を実行するために必要な条件を表示している。例えば、予測モデル２を実行させるには、気温の記録間隔を現在の１日から６時間ごとに変更し、欠損度を現在の１５％から１％以下にする必要があることが示されている。また、予測モデル３を実行させるためには、気温データの欠損度は５％以下でよいが、日照時間のデータを、欠損度５％以下で、日合計値を０．５月以上蓄積する必要があることを示されている。なおこの表示画面に、図２で示したような各モデルの基準定義を表示するようにしてもよい。   In the display example of FIG. 5, in (a), the evaluation result of the prediction model executed this time (predicted model 1 shown in FIG. 2) is displayed with respect to the data analysis result, and in (b), this time execution is performed. The conditions necessary for executing a prediction model (predicted model 2 and predicted model 3) that are higher than the predicted model are displayed. For example, in order to execute the prediction model 2, it is indicated that the recording interval of the temperature needs to be changed every 6 hours from the current day, and the deficiency needs to be reduced from the current 15% to 1% or less. . Moreover, in order to execute the prediction model 3, the deficit degree of the temperature data may be 5% or less, but it is necessary to accumulate the sunshine duration data for the deficit degree of 5% or less and the daily total value for 0.5 months or more. Has been shown to be. The reference definition of each model as shown in FIG. 2 may be displayed on this display screen.

図６の表示例では、テキスト形式でアドバイス文を画面に表示した場合を示している。アドバイス文の生成のためには、アドバイスの文例を多数格納したデータベースを用意しておき、分析結果の数字を最も適切なアドバイス文に埋め込んでアドバイス文を生成するようにしてもよい。図示するアドバイス表示例２ａでは、予測モデルは必要な平均気温の蓄積期間が基準に満たなかったために不足分のデータを補うようにアドバイスが生成されている。また、アドバイス表示例２ｂでは、気温データの収集をあと１年続ければ、予測モデル３による予測が可能になることを示すアドバイスが生成されている。また、アドバイス表示例２Ｃでは、日照時間のデータの収集をすれば、オプション付の予測モデル３（気温と日照時間を使った予測モデル３；図２参照）による予測が可能になることを示すアドバイスが生成されている。   The display example of FIG. 6 shows a case where an advice sentence is displayed on the screen in a text format. In order to generate the advice sentence, a database storing a large number of advice sentence examples may be prepared, and the advice sentence may be generated by embedding the analysis result numbers in the most appropriate advice sentence. In the advice display example 2a shown in the drawing, the prediction model generates advice so as to compensate for the deficient data because the required average temperature accumulation period did not meet the standard. Further, in the advice display example 2b, advice indicating that prediction by the prediction model 3 can be performed if temperature data collection is continued for another year is generated. In addition, in the advice display example 2C, advice that indicates that if the sunshine duration data is collected, the prediction model 3 with the option (prediction model 3 using the temperature and the sunshine duration; see FIG. 2) can be predicted. Has been generated.

このようにアドバイス生成部１０９は、実行した予測モデルについて、必要基準に満たないデータがあれば、そのデータの確実な収集を提案する。また、利用できなかった予測モデルについて、必要なデータを示し、何を収集・準備すべきかを提案する。このようにすることで、当初は、予備知識があまりなく、既にあるデータだけで予測を始めようとするユーザであっても、より高度の予測方法に段階的に導くことができる。   As described above, if there is data that does not satisfy the necessary criteria for the executed prediction model, the advice generation unit 109 proposes reliable collection of the data. In addition, we present necessary data for the prediction model that could not be used, and propose what should be collected and prepared. By doing in this way, even a user who does not have much prior knowledge at first and is about to start prediction only with existing data can be led to a more advanced prediction method step by step.

以上説明した収穫予測装置１０又は収穫予測システム１の機能構成は、あくまで一例であり、一つの機能ブロック（データベース及び機能処理部）を分割したり、複数の機能ブロックをまとめて一つの機能ブロックとして構成したりしてもよい。各機能処理部は、装置に内蔵されたＣＰＵ（Central Processing Unit）が、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＳＳＤ(Solid State Drive)、ハードディスク、ＣＤ(Compact Disc)、及びＤＶＤ(Digital Versatile Disc)等の記憶装置や記憶媒体に格納されたコンピュータ・プログラムを読み出し、ＣＰＵにより実行されたコンピュータ・プログラムによって実現される。すなわち、各機能処理部は、このコンピュータ・プログラムが、記憶装置に格納されたデータベース（ＤＢ;Data Base)やメモリ上の記憶領域からテーブル等の必要なデータを読み書きし、場合によっては、関連するハードウェア（例えば、入出力装置、表示装置、通信インターフェース装置）を制御することによって実現される。このコンピュータ・プログラムは、外部からネットワークを介してダウンロードすることで提供されてもよい。また、実施形態におけるデータベース（ＤＢ）は、商用データベースであってよいが、単なるテーブルやファイルの集合体をも意味し、データベースの内部構造自体は問わないものとする。   The functional configuration of the harvest prediction device 10 or the harvest prediction system 1 described above is merely an example, and one functional block (database and function processing unit) is divided, or a plurality of functional blocks are combined into one functional block. Or may be configured. Each function processing unit includes a CPU (Central Processing Unit) incorporated in the apparatus, ROM (Read Only Memory), flash memory, SSD (Solid State Drive), hard disk, CD (Compact Disc), and DVD (Digital Versatile Disc). ) And the like, and a computer program stored in a storage medium is read out, and the computer program executed by the CPU is realized. That is, in each function processing unit, this computer program reads and writes necessary data such as a table from a database (DB; Data Base) stored in a storage device or a storage area on a memory, and may be related in some cases. This is realized by controlling hardware (for example, an input / output device, a display device, and a communication interface device). This computer program may be provided by being downloaded from outside via a network. In addition, the database (DB) in the embodiment may be a commercial database, but it simply means a collection of tables and files, and the internal structure of the database itself does not matter.

（処理フロー）
図７は、本発明の実施形態に係る収穫予測装置１０、収穫予測システム１の全体的な処理の流れをまとめた図である。以下のフローチャートは、典型的な処理の流れを示すが、各ステップの入力と出力の関係を損なわない限り、各ステップの処理順序を入れ替えてもよい。 (Processing flow)
FIG. 7 is a diagram summarizing the overall processing flow of the harvest prediction device 10 and the harvest prediction system 1 according to the embodiment of the present invention. The following flowchart shows a typical processing flow, but the processing order of each step may be changed as long as the relationship between the input and output of each step is not impaired.

収穫予測装置１０のデータ分析／補完部１０２（以下、データ分析部と略す）は、まずステップＳ１において、データ蓄積ＤＢ１０１に格納されたデータを読出し、整理して分析し、各モデルの入力となる予測用データを抽出する。また、特殊事情により、予測に適さないデータを除外する。次にステップＳ２において、予測用データの中に欠損値がある場合は、その欠損値を補完可能かを判断する。補完可能な場合は、ステップＳ３において、欠損のある個所の前後のデータの平均をとるなどしてその欠損値を補完する。   In step S1, the data analysis / complementation unit 102 (hereinafter abbreviated as “data analysis unit”) of the harvest prediction device 10 first reads out the data stored in the data storage DB 101, analyzes it, and inputs it to each model. Extract prediction data. In addition, data that is not suitable for prediction is excluded due to special circumstances. Next, in step S2, if there is a missing value in the prediction data, it is determined whether the missing value can be complemented. When complementation is possible, in step S3, the missing value is complemented by taking the average of data before and after the missing part.

次に、ステップＳ４においては、収穫予測装置１０の予測モデル評価部１０５が、データ分析部が分析、補完した予測用データと、各予測モデルが必要とするデータを比較し、与えられたデータから利用可能な予測モデルをそれぞれ評価する。このとき、予測モデル設定ファイル１０４に予測モデルごとに定義された基準を参照して予測モデルの評価を行う。   Next, in step S4, the prediction model evaluation unit 105 of the harvest prediction device 10 compares the prediction data analyzed and supplemented by the data analysis unit with the data required by each prediction model, and from the given data, Evaluate each available prediction model. At this time, the prediction model is evaluated with reference to the standard defined for each prediction model in the prediction model setting file 104.

続いて、ステップＳ５においては、収穫予測装置１０のアドバイス生成部１０９が、必要に応じて、ユーザに対するアドバイスを生成し、ユーザ端末２０等に表示する。   Subsequently, in step S5, the advice generation unit 109 of the harvest prediction device 10 generates advice for the user as necessary and displays it on the user terminal 20 or the like.

収穫予測装置１０の予測実行部１０７は、実行する予測モデルを決定し、実行させる。詳しくは、予測モデル評価部１０５が評価した予測モデルのうち最も評価値の高いと選定された予測モデル、及び／又は、ユーザや設定により指定された予測モデルから、最終的に実行すべき予測モデルを決定し（ステップＳ６）、予測モデルに対応した予測プログラムを１又は複数起動する（ステップＳ７。このプログラム起動時には、パラメータファイル１０６の起動パラメータを読み取り、予測プログラムに受け渡す。   The prediction execution unit 107 of the harvest prediction device 10 determines and executes a prediction model to be executed. Specifically, the prediction model to be executed finally from the prediction model selected as the highest evaluation value among the prediction models evaluated by the prediction model evaluation unit 105 and / or the prediction model specified by the user or setting. (Step S6), and one or a plurality of prediction programs corresponding to the prediction model are activated (step S7. At the time of activation of the program, the activation parameter of the parameter file 106 is read and transferred to the prediction program.

収穫予測装置１０の予測結果評価部１０８は、予測プログラムの実行結果を受け取り、ユーザに表示する（ステップＳ８）。その後、予測結果に対する実績値が得られた場合は（ステップＳ９：Ｙ）、ステップＳ１０において、予測結果と実績値を比較し、その結果をユーザに示すなどして、予測モデルの評価のフィードバックに利用する。この時点で、使用した予測モデル以外の他の予測モデルを実行させ、各予測モデルの予測結果と実績値とを比較表示するようにしてもよい。このようにすることで、各予測モデルを評価するためのデータを常に更新し、予測モデル評価部１０５が行う評価の信頼性を高めていくことができる。   The prediction result evaluation unit 108 of the harvest prediction device 10 receives the execution result of the prediction program and displays it to the user (step S8). After that, when the actual value for the prediction result is obtained (step S9: Y), in step S10, the prediction result and the actual value are compared, and the result is shown to the user for feedback of evaluation of the prediction model. Use. At this time, a prediction model other than the used prediction model may be executed, and the prediction result and the actual value of each prediction model may be compared and displayed. By doing in this way, the data for evaluating each prediction model can always be updated, and the reliability of the evaluation performed by the prediction model evaluation unit 105 can be improved.

（実施形態の効果）
本実施形態の収穫予測装置１０によれば、蓄積された予測用データに応じて、最適な予測モデルを選定することができる。また、限られたデータで収穫予測を始めながら、その他のデータの収集が進むに従ってより複雑で高度な予測モデルを用いた予測へ進歩させていくことができる。 (Effect of embodiment)
According to the harvest prediction device 10 of the present embodiment, an optimal prediction model can be selected according to the accumulated prediction data. In addition, it is possible to advance to prediction using a more complex and advanced prediction model as the collection of other data progresses while starting harvest prediction with limited data.

また、収穫予測装置１０に予測結果評価部１０８をさらに備えることで、選定した予測モデルの予測結果と実績値と比較データを集め、予測モデル設定ファイル１０４に記録することで、予測モデルの評価方法自体にフィードバックをかけることができる。   Further, by providing the harvest prediction device 10 with the prediction result evaluation unit 108, the prediction result of the selected prediction model, the actual value, and the comparison data are collected and recorded in the prediction model setting file 104, thereby evaluating the prediction model. You can give feedback to yourself.

また、収穫予測装置１０にアドバイス生成部１０９をさらに備えることで、より予測精度の高い予測に向けて必要なデータ等を本装置のユーザに対してアドバイスすることができる。   In addition, by providing the harvest prediction device 10 with the advice generation unit 109, it is possible to advise the user of the present device on data necessary for prediction with higher prediction accuracy.

また、収穫予測装置１０にデータ分析／補完部１０２をさらに備えることで、予測用データの各データの収集状況を単に分析するだけでなく、予測用データに欠損値がある場合には当該欠損値を補完することが可能か否かを判断し、補完が可能な場合は欠損値を補完した分析結作成することができる。   Further, by further including the data analysis / complementation unit 102 in the harvest prediction device 10, not only simply analyzing the collection status of each data of the prediction data, but also if the prediction data has a missing value, the missing value It is possible to create an analysis result in which missing values are supplemented.

以上、実施形態を用いて本発明を説明したが、本発明の技術的範囲は上記実施形態に記載の範囲には限定されないことは言うまでもない。上記実施形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。またその様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。なお、上記の実施形態では、本発明を物の発明として収穫予測装置１０又は収穫予測システム１で説明したが、本発明は、方法の発明（収穫予測方法）としても捉えることもできる。   As mentioned above, although this invention was demonstrated using embodiment, it cannot be overemphasized that the technical scope of this invention is not limited to the range as described in the said embodiment. It will be apparent to those skilled in the art that various modifications or improvements can be added to the above-described embodiments. Further, it is apparent from the scope of the claims that the embodiments added with such changes or improvements can be included in the technical scope of the present invention. In the above-described embodiment, the present invention has been described as the product invention in the harvest prediction device 10 or the harvest prediction system 1, but the present invention can also be understood as a method invention (harvest prediction method).

１ 収穫予測システム
１０ 収穫予測装置
２０ ユーザ端末
１０１ データ蓄積ＤＢ
１０２ データ分析／補完部
１０３ データ分析結果受付部
１０４ 予測モデル設定ファイル
１０５ 予測モデル評価部
１０６ パラメータファイル
１０７ 予測実行部
１０８ 予測結果評価部
１０９ アドバイス生成部
DESCRIPTION OF SYMBOLS 1 Harvest prediction system 10 Harvest prediction apparatus 20 User terminal 101 Data storage DB
DESCRIPTION OF SYMBOLS 102 Data analysis / complementation part 103 Data analysis result reception part 104 Prediction model setting file 105 Prediction model evaluation part 106 Parameter file 107 Prediction execution part 108 Prediction result evaluation part 109 Advice generation part

Claims (6)

農作物の収穫を予測するための複数の予測モデルを実行可能な収穫予測装置であって、
前記予測モデルの入力となる予測用データを蓄積するデータ蓄積データベースと、
前記データ蓄積データベースに蓄積された予測用データを分析した結果を受付けるデータ分析結果受付部と、
前記予測モデルごとに定められた、データの種類、データの蓄積期間、データの記録間隔、データの記録地点、及びデータの欠損度、に対して必要な量と質を定めた基準を格納する予測モデル設定ファイルと、
前記予測用データの分析結果と前記予測モデル設定ファイルの基準とに基づいて、前記複数の予測モデルをそれぞれ評価し、最適な予測モデルを選定する予測モデル評価部と、
前記予測モデル評価部の評価に基づいて選定された予測モデルに対応する予測プログラムを実行させる予測実行部と、
を備えることを特徴とする収穫予測装置。 A harvest prediction device capable of executing a plurality of prediction models for predicting crop yield,
A data accumulation database for accumulating prediction data to be input to the prediction model;
A data analysis result receiving unit for receiving a result of analyzing the prediction data stored in the data storage database;
Prediction that stores criteria that define the required quantity and quality for the data type, data accumulation period, data recording interval, data recording point, and data deficiency defined for each prediction model A model configuration file,
A prediction model evaluation unit that evaluates each of the plurality of prediction models and selects an optimal prediction model based on the analysis result of the prediction data and the reference of the prediction model setting file;
A prediction execution unit that executes a prediction program corresponding to the prediction model selected based on the evaluation of the prediction model evaluation unit;
A harvest prediction device comprising: 前記予測プログラムの実行によって得られた予測結果に対応する実績値の情報を受付け、前記予測結果と前記実績値を比較し、前記予測モデル設定ファイルの予測モデルの評価情報として記録する予測結果評価部をさらに備えることを特徴とする請求項１に記載の収穫予測装置。   A prediction result evaluation unit that receives information on the actual value corresponding to the prediction result obtained by executing the prediction program, compares the prediction result with the actual value, and records the result as evaluation information of the prediction model in the prediction model setting file. The harvest prediction device according to claim 1, further comprising: 前記予測モデル評価部の予測モデル別の評価結果及び前記予測用データの分析結果に基づいて、より予測精度の高い予測に向けてのアドバイスを生成するアドバイス生成部をさらに備えることを特徴とする請求項１又は２に記載の収穫予測装置。   The system further comprises an advice generation unit that generates advice for prediction with higher prediction accuracy based on an evaluation result for each prediction model of the prediction model evaluation unit and an analysis result of the prediction data. Item 3. The harvest prediction device according to Item 1 or 2. 前記データ蓄積データベースを読出し、前記予測用データの各データの収集状況を分析し、前記予測用データに欠損値がある場合には、当該欠損値を補完することが可能か否かを判断し、前記補完が可能な場合は、前記欠損値を補完した分析結果を前記データ分析結果受付部に受け渡す、データ分析／補完部をさらに備えることを特徴とする請求項１乃至３のいずれか１項に記載の収穫予測装置。   Reading the data storage database, analyzing the collection status of each data of the prediction data, if there is a missing value in the prediction data, determine whether the missing value can be complemented, 4. The data analysis / complementation unit further comprising a data analysis / complementation unit that delivers an analysis result supplemented with the missing value to the data analysis result reception unit when the complement is possible. 5. The harvest prediction apparatus as described in 1. 農作物の収穫を予測するための複数の予測モデルを実行可能な収穫予測システムであって、
前記予測モデルの入力となる予測用データを蓄積するデータ蓄積データベースと、
前記データ蓄積データベースに蓄積された予測用データを分析した結果を受付けるデータ分析結果受付部と、
前記予測モデルごとに定められた、データの種類、データの蓄積期間、データの記録間隔、データの記録地点、及びデータの欠損度、に対して必要な量と質を定めた基準を格納する予測モデル設定ファイルと、
前記予測用データの分析結果と前記予測モデル設定ファイルの基準とに基づいて、前記複数の予測モデルをそれぞれ評価し、最適な予測モデルを選定する予測モデル評価部と、
前記予測モデル評価部の評価に基づいて選定された予測モデルに対応する予測プログラムを実行させる予測実行部と、
前記実行した予測モデルの予測結果を出力すると共に、前記実行した予測モデルとは別の予測モデルを実行した場合の予測結果を出力し比較させる予測結果評価部と、
を備えることを特徴とする収穫予測システム。 A harvest prediction system capable of executing a plurality of prediction models for predicting crop yields,
A data accumulation database for accumulating prediction data to be input to the prediction model;
A data analysis result receiving unit for receiving a result of analyzing the prediction data stored in the data storage database;
Prediction that stores criteria that define the required quantity and quality for the data type, data accumulation period, data recording interval, data recording point, and data deficiency defined for each prediction model A model configuration file,
A prediction model evaluation unit that evaluates each of the plurality of prediction models and selects an optimal prediction model based on the analysis result of the prediction data and the reference of the prediction model setting file;
A prediction execution unit that executes a prediction program corresponding to the prediction model selected based on the evaluation of the prediction model evaluation unit;
A prediction result evaluation unit that outputs a prediction result of the executed prediction model, and outputs and compares a prediction result when a prediction model different from the executed prediction model is executed;
A harvest prediction system comprising: 農作物の収穫を予測するための複数の予測モデルを実行可能な収穫予測方法であって、
前記予測モデルの入力となる予測用データを蓄積するデータ蓄積データベースと、
前記予測モデルごとに定められた、データの種類、データの蓄積期間、データの記録間隔、データの記録地点、及びデータの欠損度、に対して必要な量と質を定めた基準を格納する予測モデル設定ファイルとを備え、
前記データ蓄積データベースに蓄積された予測用データを分析した結果を受付けるステップと、
前記予測用データの分析結果と前記予測モデル設定ファイルの基準とに基づいて、前記複数の予測モデルをそれぞれ評価するステップと、
前記評価するステップでの予測モデルの評価に基づいて選定された予測モデルに対応する予測プログラムを実行させるステップと、
を含むことを特徴とする収穫予測方法。 A yield prediction method capable of executing a plurality of prediction models for predicting crop yield,
A data accumulation database for accumulating prediction data to be input to the prediction model;
Prediction that stores criteria that define the required quantity and quality for the data type, data accumulation period, data recording interval, data recording point, and data deficiency defined for each prediction model A model configuration file,
Receiving the result of analyzing the prediction data stored in the data storage database;
Evaluating each of the plurality of prediction models based on an analysis result of the prediction data and a reference of the prediction model setting file;
Executing a prediction program corresponding to the prediction model selected based on the evaluation of the prediction model in the step of evaluating;
A method for predicting harvest, comprising:
JP2014101641A 2014-05-15 2014-05-15 Crop yield prediction device, crop prediction system, and crop prediction method Active JP6410130B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2014101641A JP6410130B2 (en) 2014-05-15 2014-05-15 Crop yield prediction device, crop prediction system, and crop prediction method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014101641A JP6410130B2 (en) 2014-05-15 2014-05-15 Crop yield prediction device, crop prediction system, and crop prediction method

Publications (2)

Publication Number Publication Date
JP2015219651A true JP2015219651A (en) 2015-12-07
JP6410130B2 JP6410130B2 (en) 2018-10-24

Family

ID=54778977

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014101641A Active JP6410130B2 (en) 2014-05-15 2014-05-15 Crop yield prediction device, crop prediction system, and crop prediction method

Country Status (1)

Country Link
JP (1) JP6410130B2 (en)

Cited By (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913139A (en) * 2016-04-05 2016-08-31 国家电网公司 Electric power load prediction method and device
WO2017164097A1 (en) * 2016-03-25 2017-09-28 日本電気株式会社 Information processing device, control method for information processing device, and recording medium having control program for information processing device recorded therein
JP2018073175A (en) * 2016-10-31 2018-05-10 キヤノンマーケティングジャパン株式会社 Information processing device, control method thereof, and program
JP2019030253A (en) * 2017-08-08 2019-02-28 株式会社誠和 Culture support device, culture support method, computer program and recording medium
JP2019514145A (en) * 2016-04-04 2019-05-30 フレイト ファームズ， インコーポレイテッドＦｒｅｉｇｈｔ Ｆａｒｍｓ， Ｉｎｃ． Modular farm control and monitoring system
JP2019150015A (en) * 2018-03-02 2019-09-12 コリア・インスティテュート・オブ・サイエンス・アンド・テクノロジー Crop activity index based protected horticulture combination environmental control system and method
JP2019160246A (en) * 2018-03-16 2019-09-19 日本電気株式会社 Cultivated crop selection support device, cultivated crop selection support method and program
JP2019537115A (en) * 2017-07-06 2019-12-19 ジョンアン インフォメーション テクノロジー サービシズ カンパニーリミテッド Method, apparatus and system for detecting abnormal user behavior
JP2020144720A (en) * 2019-03-08 2020-09-10 富士通株式会社 Machine learning program, machine learning method, and machine learning device
JPWO2020194705A1 (en) * 2019-03-28 2020-10-01
WO2021084974A1 (en) * 2019-10-30 2021-05-06 キヤノン株式会社 Information processing device and information processing method
US11079725B2 (en) 2019-04-10 2021-08-03 Deere & Company Machine control using real-time model
US11178818B2 (en) 2018-10-26 2021-11-23 Deere & Company Harvesting machine control system with fill level processing based on yield data
US11234366B2 (en) 2019-04-10 2022-02-01 Deere & Company Image selection for machine control
US11240961B2 (en) 2018-10-26 2022-02-08 Deere & Company Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity
US20220110251A1 (en) 2020-10-09 2022-04-14 Deere & Company Crop moisture map generation and control system
JP7142746B1 (en) 2021-04-23 2022-09-27 ソフトバンク株式会社 Feature quantity determination system, feature quantity determination method, and server
US11467605B2 (en) 2019-04-10 2022-10-11 Deere & Company Zonal machine control
US11474523B2 (en) 2020-10-09 2022-10-18 Deere & Company Machine control using a predictive speed map
US11477940B2 (en) 2020-03-26 2022-10-25 Deere & Company Mobile work machine control based on zone parameter modification
US11589509B2 (en) 2018-10-26 2023-02-28 Deere & Company Predictive machine characteristic map generation and control system
US11592822B2 (en) 2020-10-09 2023-02-28 Deere & Company Machine control using a predictive map
JP2023057959A (en) * 2021-10-12 2023-04-24 横河電機株式会社 Cultivation support system, cultivation support method, and program
US11635765B2 (en) 2020-10-09 2023-04-25 Deere & Company Crop state map generation and control system
US11641800B2 (en) 2020-02-06 2023-05-09 Deere & Company Agricultural harvesting machine with pre-emergence weed detection and mitigation system
US11650587B2 (en) 2020-10-09 2023-05-16 Deere & Company Predictive power map generation and control system
WO2023084781A1 (en) * 2021-11-15 2023-05-19 日本電信電話株式会社 Arrival quantity prediction model generation device, transaction quantity prediction device, arrival quantity prediction model generation method, transaction quantity prediction method, and arrival quantity prediction model generation program
US11653588B2 (en) 2018-10-26 2023-05-23 Deere & Company Yield map generation and control system
US11675354B2 (en) 2020-10-09 2023-06-13 Deere & Company Machine control using a predictive map
US11672203B2 (en) 2018-10-26 2023-06-13 Deere & Company Predictive map generation and control
US11711995B2 (en) 2020-10-09 2023-08-01 Deere & Company Machine control using a predictive map
WO2023145519A1 (en) * 2022-01-28 2023-08-03 国立研究開発法人農業・食品産業技術総合研究機構 Parameter calculating method, agricultural assistance information output method, parameter calculation program, and agricultural assistance information output program
US11727680B2 (en) 2020-10-09 2023-08-15 Deere & Company Predictive map generation based on seeding characteristics and control
US11778945B2 (en) 2019-04-10 2023-10-10 Deere & Company Machine control using real-time model
US11825768B2 (en) 2020-10-09 2023-11-28 Deere & Company Machine control using a predictive map
US11845449B2 (en) 2020-10-09 2023-12-19 Deere & Company Map generation and control system
US11844311B2 (en) 2020-10-09 2023-12-19 Deere & Company Machine control using a predictive map
US11849672B2 (en) 2020-10-09 2023-12-26 Deere & Company Machine control using a predictive map
US11849671B2 (en) 2020-10-09 2023-12-26 Deere & Company Crop state map generation and control system
US11864483B2 (en) 2020-10-09 2024-01-09 Deere & Company Predictive map generation and control system
US11874669B2 (en) 2020-10-09 2024-01-16 Deere & Company Map generation and control system
US11889787B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive speed map generation and control system
US11889788B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive biomass map generation and control
US11895948B2 (en) 2020-10-09 2024-02-13 Deere & Company Predictive map generation and control based on soil properties
US11927459B2 (en) 2020-10-09 2024-03-12 Deere & Company Machine control using a predictive map
US11946747B2 (en) 2020-10-09 2024-04-02 Deere & Company Crop constituent map generation and control system
US11957072B2 (en) 2020-02-06 2024-04-16 Deere & Company Pre-emergence weed detection and mitigation system
US11983009B2 (en) 2020-10-09 2024-05-14 Deere & Company Map generation and control system
US12013245B2 (en) 2020-10-09 2024-06-18 Deere & Company Predictive map generation and control system
US12035648B2 (en) 2020-02-06 2024-07-16 Deere & Company Predictive weed map generation and control system
US12058951B2 (en) 2022-04-08 2024-08-13 Deere & Company Predictive nutrient map and control
US12069986B2 (en) 2020-10-09 2024-08-27 Deere & Company Map generation and control system
US12069978B2 (en) 2018-10-26 2024-08-27 Deere & Company Predictive environmental characteristic map generation and control system
US12082531B2 (en) 2022-01-26 2024-09-10 Deere & Company Systems and methods for predicting material dynamics

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7220881B1 (en) 2022-08-29 2023-02-13 株式会社アグリスマート Irrigation control system

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003255055A (en) * 2002-03-01 2003-09-10 Hitachi Eng Co Ltd Environmental simulation method and system for estimating source of air pollution
US20030200134A1 (en) * 2002-03-29 2003-10-23 Leonard Michael James System and method for large-scale automatic forecasting
JP2005128808A (en) * 2003-10-24 2005-05-19 Mitsubishi Electric Corp Prediction device
JP2006212008A (en) * 2005-02-01 2006-08-17 Nagano Prefecture Crop cultivation supporting device
JP2008508581A (en) * 2004-07-27 2008-03-21 ソニー フランス エスアー Motion selection system, motion selection method, prediction machine training system, prediction machine training method, and prediction machine
US20090099776A1 (en) * 2007-10-16 2009-04-16 Kapadi Mangesh D System and method for sugarcane yield estimation
WO2012172834A1 (en) * 2011-06-17 2012-12-20 日本電気株式会社 Harvest-time ripeness estimation device, harvest-time ripeness estimation method and program
JP2013172700A (en) * 2012-02-27 2013-09-05 Ntt Facilities Inc Plant cultivation system, plant cultivation method, and program

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003255055A (en) * 2002-03-01 2003-09-10 Hitachi Eng Co Ltd Environmental simulation method and system for estimating source of air pollution
US20030200134A1 (en) * 2002-03-29 2003-10-23 Leonard Michael James System and method for large-scale automatic forecasting
JP2005128808A (en) * 2003-10-24 2005-05-19 Mitsubishi Electric Corp Prediction device
JP2008508581A (en) * 2004-07-27 2008-03-21 ソニー フランス エスアー Motion selection system, motion selection method, prediction machine training system, prediction machine training method, and prediction machine
JP2006212008A (en) * 2005-02-01 2006-08-17 Nagano Prefecture Crop cultivation supporting device
US20090099776A1 (en) * 2007-10-16 2009-04-16 Kapadi Mangesh D System and method for sugarcane yield estimation
WO2012172834A1 (en) * 2011-06-17 2012-12-20 日本電気株式会社 Harvest-time ripeness estimation device, harvest-time ripeness estimation method and program
JP2013172700A (en) * 2012-02-27 2013-09-05 Ntt Facilities Inc Plant cultivation system, plant cultivation method, and program

Cited By (71)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7124697B2 (en) 2016-03-25 2022-08-24 日本電気株式会社 Information processing device, control method, and control program
WO2017164097A1 (en) * 2016-03-25 2017-09-28 日本電気株式会社 Information processing device, control method for information processing device, and recording medium having control program for information processing device recorded therein
JPWO2017164097A1 (en) * 2016-03-25 2019-02-07 日本電気株式会社 Information processing apparatus, control method, and control program
JP2019514145A (en) * 2016-04-04 2019-05-30 フレイト ファームズ， インコーポレイテッドＦｒｅｉｇｈｔ Ｆａｒｍｓ， Ｉｎｃ． Modular farm control and monitoring system
JP2022166231A (en) * 2016-04-04 2022-11-01 フレイト ファームズ， インコーポレイテッド Modular farm control and monitoring system
CN105913139A (en) * 2016-04-05 2016-08-31 国家电网公司 Electric power load prediction method and device
JP2018073175A (en) * 2016-10-31 2018-05-10 キヤノンマーケティングジャパン株式会社 Information processing device, control method thereof, and program
JP2019537115A (en) * 2017-07-06 2019-12-19 ジョンアン インフォメーション テクノロジー サービシズ カンパニーリミテッド Method, apparatus and system for detecting abnormal user behavior
JP2019030253A (en) * 2017-08-08 2019-02-28 株式会社誠和 Culture support device, culture support method, computer program and recording medium
JP2019150015A (en) * 2018-03-02 2019-09-12 コリア・インスティテュート・オブ・サイエンス・アンド・テクノロジー Crop activity index based protected horticulture combination environmental control system and method
US11861738B2 (en) 2018-03-16 2024-01-02 Nec Corporation Cultivation-target crop selection assisting apparatus, cultivation-target crop selection assisting method, and computer-readable recording medium
JP2019160246A (en) * 2018-03-16 2019-09-19 日本電気株式会社 Cultivated crop selection support device, cultivated crop selection support method and program
US12010947B2 (en) 2018-10-26 2024-06-18 Deere & Company Predictive machine characteristic map generation and control system
US11672203B2 (en) 2018-10-26 2023-06-13 Deere & Company Predictive map generation and control
US11589509B2 (en) 2018-10-26 2023-02-28 Deere & Company Predictive machine characteristic map generation and control system
US11653588B2 (en) 2018-10-26 2023-05-23 Deere & Company Yield map generation and control system
US11178818B2 (en) 2018-10-26 2021-11-23 Deere & Company Harvesting machine control system with fill level processing based on yield data
US11240961B2 (en) 2018-10-26 2022-02-08 Deere & Company Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity
US12069978B2 (en) 2018-10-26 2024-08-27 Deere & Company Predictive environmental characteristic map generation and control system
JP7208503B2 (en) 2019-03-08 2023-01-19 富士通株式会社 Machine learning program, machine learning method and machine learning apparatus
JP2020144720A (en) * 2019-03-08 2020-09-10 富士通株式会社 Machine learning program, machine learning method, and machine learning device
JP7459864B2 (en) 2019-03-28 2024-04-02 日本電気株式会社 Management device, control method and program
JPWO2020194705A1 (en) * 2019-03-28 2020-10-01
WO2020194705A1 (en) * 2019-03-28 2020-10-01 日本電気株式会社 Managing device, control method, and storage medium
US11829112B2 (en) 2019-04-10 2023-11-28 Deere & Company Machine control using real-time model
US11234366B2 (en) 2019-04-10 2022-02-01 Deere & Company Image selection for machine control
US11079725B2 (en) 2019-04-10 2021-08-03 Deere & Company Machine control using real-time model
US11467605B2 (en) 2019-04-10 2022-10-11 Deere & Company Zonal machine control
US11778945B2 (en) 2019-04-10 2023-10-10 Deere & Company Machine control using real-time model
US11650553B2 (en) 2019-04-10 2023-05-16 Deere & Company Machine control using real-time model
WO2021084974A1 (en) * 2019-10-30 2021-05-06 キヤノン株式会社 Information processing device and information processing method
US11957072B2 (en) 2020-02-06 2024-04-16 Deere & Company Pre-emergence weed detection and mitigation system
US11641800B2 (en) 2020-02-06 2023-05-09 Deere & Company Agricultural harvesting machine with pre-emergence weed detection and mitigation system
US12035648B2 (en) 2020-02-06 2024-07-16 Deere & Company Predictive weed map generation and control system
US11477940B2 (en) 2020-03-26 2022-10-25 Deere & Company Mobile work machine control based on zone parameter modification
US11650587B2 (en) 2020-10-09 2023-05-16 Deere & Company Predictive power map generation and control system
US11889787B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive speed map generation and control system
US12080062B2 (en) 2020-10-09 2024-09-03 Deere & Company Predictive map generation based on seeding characteristics and control
US11711995B2 (en) 2020-10-09 2023-08-01 Deere & Company Machine control using a predictive map
US20220110251A1 (en) 2020-10-09 2022-04-14 Deere & Company Crop moisture map generation and control system
US11727680B2 (en) 2020-10-09 2023-08-15 Deere & Company Predictive map generation based on seeding characteristics and control
US11635765B2 (en) 2020-10-09 2023-04-25 Deere & Company Crop state map generation and control system
US11825768B2 (en) 2020-10-09 2023-11-28 Deere & Company Machine control using a predictive map
US12069986B2 (en) 2020-10-09 2024-08-27 Deere & Company Map generation and control system
US11845449B2 (en) 2020-10-09 2023-12-19 Deere & Company Map generation and control system
US11844311B2 (en) 2020-10-09 2023-12-19 Deere & Company Machine control using a predictive map
US11849672B2 (en) 2020-10-09 2023-12-26 Deere & Company Machine control using a predictive map
US11849671B2 (en) 2020-10-09 2023-12-26 Deere & Company Crop state map generation and control system
US11592822B2 (en) 2020-10-09 2023-02-28 Deere & Company Machine control using a predictive map
US11864483B2 (en) 2020-10-09 2024-01-09 Deere & Company Predictive map generation and control system
US11874669B2 (en) 2020-10-09 2024-01-16 Deere & Company Map generation and control system
US11871697B2 (en) 2020-10-09 2024-01-16 Deere & Company Crop moisture map generation and control system
US11675354B2 (en) 2020-10-09 2023-06-13 Deere & Company Machine control using a predictive map
US11889788B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive biomass map generation and control
US11895948B2 (en) 2020-10-09 2024-02-13 Deere & Company Predictive map generation and control based on soil properties
US11927459B2 (en) 2020-10-09 2024-03-12 Deere & Company Machine control using a predictive map
US11946747B2 (en) 2020-10-09 2024-04-02 Deere & Company Crop constituent map generation and control system
US12048271B2 (en) 2020-10-09 2024-07-30 Deere &Company Crop moisture map generation and control system
US11474523B2 (en) 2020-10-09 2022-10-18 Deere & Company Machine control using a predictive speed map
US12013698B2 (en) 2020-10-09 2024-06-18 Deere & Company Machine control using a predictive map
US11983009B2 (en) 2020-10-09 2024-05-14 Deere & Company Map generation and control system
US12013245B2 (en) 2020-10-09 2024-06-18 Deere & Company Predictive map generation and control system
WO2022224664A1 (en) * 2021-04-23 2022-10-27 ソフトバンク株式会社 Feature amount determination system, feature amount determination method, and server
JP7142746B1 (en) 2021-04-23 2022-09-27 ソフトバンク株式会社 Feature quantity determination system, feature quantity determination method, and server
JP2022167693A (en) * 2021-04-23 2022-11-04 ソフトバンク株式会社 Feature quantity determination system, feature quantity determination method, and server
JP7476863B2 (en) 2021-10-12 2024-05-01 横河電機株式会社 Cultivation support system, cultivation support method, and program
JP2023057959A (en) * 2021-10-12 2023-04-24 横河電機株式会社 Cultivation support system, cultivation support method, and program
WO2023084781A1 (en) * 2021-11-15 2023-05-19 日本電信電話株式会社 Arrival quantity prediction model generation device, transaction quantity prediction device, arrival quantity prediction model generation method, transaction quantity prediction method, and arrival quantity prediction model generation program
US12082531B2 (en) 2022-01-26 2024-09-10 Deere & Company Systems and methods for predicting material dynamics
WO2023145519A1 (en) * 2022-01-28 2023-08-03 国立研究開発法人農業・食品産業技術総合研究機構 Parameter calculating method, agricultural assistance information output method, parameter calculation program, and agricultural assistance information output program
US12058951B2 (en) 2022-04-08 2024-08-13 Deere & Company Predictive nutrient map and control

Also Published As

Publication number Publication date
JP6410130B2 (en) 2018-10-24

Similar Documents

Publication Publication Date Title
JP6410130B2 (en) Crop yield prediction device, crop prediction system, and crop prediction method
JP5756374B2 (en) Growth management method
Challinor et al. Current warming will reduce yields unless maize breeding and seed systems adapt immediately
Cieslak et al. A functional–structural kiwifruit vine model integrating architecture, carbon dynamics and effects of the environment
Cuny et al. Life strategies in intra-annual dynamics of wood formation: example of three conifer species in a temperate forest in north-east France
Tannura et al. Weather, technology, and corn and soybean yields in the US corn belt
Glotter et al. Simulating US agriculture in a modern Dust Bowl drought
US20150234785A1 (en) Prediction apparatus and method for yield of agricultural products
Kang et al. Correlation between dynamic tomato fruit-set and source–sink ratio: a common relationship for different plant densities and seasons?
Voorend et al. LEAF-E: a tool to analyze grass leaf growth using function fitting
JP7208503B2 (en) Machine learning program, machine learning method and machine learning apparatus
Eckersten et al. Predicting silage maize yield and quality in Sweden as influenced by climate change and variability
EP4177815A1 (en) Management device for cultivation of fruit vegetable plants and fruit trees, management method for cultivation of fruit vegetable plants and fruit trees, and management program for cultivation of fruit vegetable plants and fruit trees
Soundharajan et al. Sensitivity analysis and auto-calibration of ORYZA2000 using simulation-optimization framework
JP2018099067A (en) Growth management device, growth management method, and program
Salazar et al. Tomato yield prediction in a semi-closed greenhouse
KR101820567B1 (en) Agricultural work support method and agricultural work support device
Daccache et al. Climate change impacts on rain-fed and irrigated rice yield in Malawi
Kang et al. The derivation of sink functions of wheat organs using the GREENLAB model
Fujisawa et al. Shifting from apple to peach farming in Kazuno, northern Japan: perceptions of and responses to climatic and non-climatic impacts
Mishra et al. Forecasting production of potato for a sustainable future: global market analysis
Salan et al. Measuring the impact of climate change on potato production in Bangladesh using Bayesian Hierarchical Spatial-temporal modeling
Parsons et al. A generalized estimating equation method for fitting autocorrelated ordinal score data with an application in horticultural research
AU2023201094B1 (en) Tracking and monitoring bees pollination efficiency
JP2022136056A (en) Prediction method for predicting crop production performance, prediction apparatus, and prediction program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170501

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180514

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180605

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180619

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20180904

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180913

R150 Certificate of patent or registration of utility model

Ref document number: 6410130

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250