JP2019165660A - 吸水量推定装置、吸水量推定方法およびコンピュータプログラム - Google Patents

Abstract

【課題】植物の吸水量を精度良く予測することのできる吸水量推定装置を提供する。【解決手段】吸水量推定装置は、植物の吸水量の推定対象期間における、植物の生育環境の時系列の環境データを取得する環境データ取得部１４と、環境データ取得部１４が取得した環境データに基づいて、予め定められた複数のグループの中から当該環境データが属するグループを特定するグループ特定部２１と、グループ特定部２１が特定したグループに基づいて、推定対象期間における植物の吸水量を推定する吸水量推定部２２と、を備える。【選択図】図３

Description

本発明は、吸水量推定装置、吸水量推定方法およびコンピュータプログラムに関する。

近年、施設園芸栽培では従来の土工栽培に代わり、培地を地面（土壌）から隔離して植物を栽培する養液栽培等の栽培方法が多く用いられている。

例えば、上記した栽培方法として、砂栽培技術と自動灌水機能、自動施肥機能などとを組み合わせたサンドポニックス式砂栽培システムが知られている（例えば、特許文献１参照）。

このような栽培システムはもちろんのこと、露地栽培やビニールハウス栽培などにおいても、植物を生育させるためには、天候等の環境データの影響を考慮しつつ、植物の吸水量等を適切に管理する必要がある。つまり、想定される量の水を植物が吸水していない場合には、根腐れ等の何らかの異常が発生していることが想定されるため、そのような場合には、植物の植え替え等の対処を行う必要がある。

特開２０１４−７５９９１号公報

"飽差"、[online]、[平成３０年２月１日検索]、インターネット＜URL:http://mackenmov.sunnyday.jp/macken/plantf/term/housa/hosa.html＞

しかしながら、植物の吸水量は天候に左右されやすく、同じ晴れの日であっても、気温、湿度、照度など様々な要因で吸水量は変化する。また、気温、湿度、照度などの平均値が同じであっても、日内の変化の仕方が異なる場合にも、吸水量は変化する。

このため、植物の吸水量を精度良く予測し、植物が適切な水量を吸水しているかを管理することは困難である。

本発明は、このような事情に鑑みてなされたものであり、植物の吸水量を精度良く予測することのできる吸水量推定装置、吸水量推定方法およびコンピュータプログラムを提供することを目的とする。

（１）上記目的を達成するために、本発明の一実施態様に係る吸水量推定装置は、植物の吸水量の推定対象期間における、前記植物の生育環境の時系列の環境データを取得する環境データ取得部と、前記環境データ取得部が取得した前記環境データに基づいて、予め定められた複数のグループの中から当該環境データが属するグループを特定するグループ特定部と、前記グループ特定部が特定した前記グループに基づいて、前記推定対象期間における前記植物の吸水量を推定する吸水量推定部と、を備える。

（７）本発明の他の実施態様に係る吸水量推定方法は、植物の吸水量の推定対象期間における、前記植物の生育環境の時系列の環境データを取得するステップと、取得された前記環境データに基づいて、予め定められた複数のグループの中から、当該環境データが属するグループを特定するステップと、特定された前記グループに基づいて、前記推定対象期間における前記植物の吸水量を推定するステップと、を含む。

（８）本発明の他の実施態様に係るコンピュータプログラムは、コンピュータを、植物の吸水量の推定対象期間における、前記植物の生育環境の時系列の環境データを取得する環境データ取得部と、前記環境データ取得部が取得した前記環境データに基づいて、予め定められた複数のグループの中から当該環境データが属するグループを特定するグループ特定部と、前記グループ特定部が特定した前記グループに基づいて、前記推定対象期間における前記植物の吸水量を推定する吸水量推定部として機能させる。

本発明は、吸水量推定装置の一部又は全部を実現する半導体集積回路として実現したり、吸水量推定装置を含むシステムとして実現したりすることもできる。

本発明によると、植物の吸水量を精度良く予測することができる。

本発明の実施の形態に係る植物育成支援システムの構成を示す図である。 吸水量推定装置の構成を示すブロック図である。 制御部の機能的な構成を示すブロック図である。 学習フェーズの流れを説明するための図である。 第１分類部により複数の学習対象期間の時系列の温度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の温度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の温度データを分類した分類結果（第１グループ）を示す図である。 温度データを分類した各第１グループの統計量を示す図である。 第１グループごとに６時間ごとの平均温度を示したグラフである。 第１グループごとに１時間ごとの平均温度を示したグラフである。 第１分類部により複数の学習対象期間の時系列の湿度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の湿度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の湿度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の湿度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の湿度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の湿度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の湿度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の湿度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の湿度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の湿度データを分類した分類結果（第１グループ）を示す図である。 湿度データを分類した各第１グループの統計量を示す図である。 第１グループごとに６時間ごとの平均湿度を示したグラフである。 第１グループごとに１時間ごとの平均湿度を示したグラフである。 第１分類部により複数の学習対象期間の時系列の飽差データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の飽差データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の飽差データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の飽差データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の飽差データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の飽差データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の飽差データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の飽差データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の飽差データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の飽差データを分類した分類結果（第１グループ）を示す図である。 飽差データを分類した各第１グループの統計量を示す図である。 第１グループごとに６時間ごとの平均飽差を示したグラフである。 第１グループごとに１時間ごとの平均飽差を示したグラフである。 第１分類部により複数の学習対象期間の時系列の照度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の照度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の照度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の照度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の照度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の照度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の照度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の照度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の照度データを分類した分類結果（第１グループ）を示す図である。 第１分類部により複数の学習対象期間の時系列の照度データを分類した分類結果（第１グループ）を示す図である。 照度データを分類した各第１グループの統計量を示す図である。 第１グループごとに６時間ごとの平均照度を示したグラフである。 第１グループごとに１時間ごとの平均照度を示したグラフである。 第２分類部により複数の学習対象期間の時系列の環境データを分類した分類結果（第２グループ）を示す図である。 第２分類部により複数の学習対象期間の時系列の環境データを分類した分類結果（第２グループ）を示す図である。 第２分類部により複数の学習対象期間の時系列の環境データを分類した分類結果（第２グループ）を示す図である。 第２分類部により複数の学習対象期間の時系列の環境データを分類した分類結果（第２グループ）を示す図である。 第２分類部により複数の学習対象期間の時系列の環境データを分類した分類結果（第２グループ）を示す図である。 第１分類部および第２分類部による環境データの分類結果と、平均吸水量とを示す図である。 回帰直線の算出方法について説明するための図である。 回帰直線の比較例を示す図である。 回帰直線の比較例を示す図である。 学習フェーズにおける吸水量推定装置の処理手順を示すフローチャートである。 運用フェーズの流れを説明するための図である。 運用フェーズにおける吸水量推定装置の処理手順を示すフローチャートである。

［本願発明の実施形態の概要］
最初に本発明の実施形態の概要を列記して説明する。
（１）本発明の一実施形態に係る吸水量推定装置は、植物の吸水量の推定対象期間における、前記植物の生育環境の時系列の環境データを取得する環境データ取得部と、前記環境データ取得部が取得した前記環境データに基づいて、予め定められた複数のグループの中から当該環境データが属するグループを特定するグループ特定部と、前記グループ特定部が特定した前記グループに基づいて、前記推定対象期間における前記植物の吸水量を推定する吸水量推定部と、を備える。

この構成によると、植物の時系列の環境データが、当該環境データと類似する環境データのグループに分類される。また、分類されたグループに基づいて、植物の吸水量が推定される。つまり、取得部が取得した環境データと類似する環境データの環境において過去に生育した植物の吸水量から、取得部が取得した環境データの環境において生育する植物の吸水量を推定することができる。このため、植物の吸水量を精度良く推定することができる。

（２）好ましくは、上述の吸水量推定装置は、さらに、前記生育環境における所定の起点となる時点からの積算温度を取得する積算温度取得部を備え、前記吸水量推定部は、前記グループごとに前記生育環境における前記所定の起点となる時点からの積算温度と前記推定対象期間に対応する長さの期間における前記植物の吸水量との関係性を示す関係性情報と、前記グループ特定部が特定した前記グループと、前記積算温度取得部が取得した前記積算温度とに基づいて、前記植物の前記推定対象期間における吸水量を推定する。

この構成によると、積算温度と植物の吸水量との関係性を示す関係性情報に基づいて、植物の吸水量を推定している。このため、推定対象期間までに植物がどのような温度環境の中で生育したかを考慮して吸水量を推定することができる。つまり、推定対象期間の生育環境が同じ植物同士であったとしても、推定対象期間よりも過去の温度環境が異なる場合には、植物の生育状況も異なるが、積算温度を考慮して吸水量を推定することで、類似する生育状況の植物の吸水量を参考に、植物の吸水量を推定することができる。よって、植物の吸水量を精度良く推定することができる。

（３）さらに好ましくは、前記グループごとの前記関係性情報は、前記積算温度と前記推定対象期間に対応する長さの期間における前記植物の吸水量とを回帰分析することにより得られる回帰直線である。

この構成によると、積算温度と植物の吸水量との関係を回帰分析の結果得られる回帰直線で表すことができる。このため、ノイズの影響を除去して積算温度と吸水量との関係を正確に表現することができる。これにより、積算温度から植物の吸水量を精度良く推定することができる。

（４）また、上述の吸水量推定装置は、さらに、前記推定対象期間における前記植物の吸水量の実績値を取得する吸水量取得部と、前記吸水量推定部により推定された前記吸水量と前記吸水量取得部が取得した前記吸水量の実績値との比較結果に基づく情報を出力する情報出力部とを備えていてもよい。

この構成によると、例えば、吸水量の推定値と実績値とが乖離しており、植物が推定値よりも大幅に少ない量の水しか吸水していない場合に、メッセージを出力することができる。これにより、作業者に対して、植物の吸水異常を知らせることができ、植物を適切に管理することができる。

（５）また、前記吸水量取得部は、さらに、前記推定対象期間に対応する長さの複数の学習対象期間における前記植物の吸水量を取得し、前記環境データ取得部は、さらに、前記複数の学習対象期間における前記生育環境の時系列の環境データを取得し、前記吸水量推定装置は、さらに、前記複数の学習対象期間における前記環境データを、当該環境データの種類ごとに複数のサブグループのうちのいずれかに分類する第１分類部と、各前記環境データと前記第１分類部により分類された前記サブグループとの対応付けの組に基づいて、前記複数の学習対象期間における各前記環境データを複数のグループのうちのいずれかに分類する第２分類部とを備え、前記吸水量取得部は、さらに、前記グループごとに、当該グループに属する前記環境データに対応する前記吸水量に基づいて、当該グループに対応する前記吸水量を算出し、前記グループ特定部は、前記第１分類部および前記第２分類部の分類結果に基づいて、前記環境データ取得部が取得した前記環境データの属するグループを、前記複数のグループの中から特定し、前記吸水量推定部は、前記グループ特定部が特定した前記グループと前記吸水量取得部が算出した前記グループごとの前記吸水量とに基づいて、前記植物の前記推定対象期間における前記吸水量を推定してもよい。

この構成によると、複数の学習対象期間における環境データをグループに分類する際に、一旦、環境データの種類ごとにサブグループに分類した後、グループに分類している。このような２段階分類を行うのではなく環境データをいきなりグループ分類した場合には、全種類の環境データのまとまりとしては類似するが、環境データを種類ごとに比較した場合に類似しないものが同じグループに含まれてしまう場合がある。しかし、２段階分類を行うことで、種類ごとの環境データの類似性を確保した上で、全種類の環境データのまとまりも類似するようにグループを形成することができる。このため、推定対象期間における環境データを、適切なグループに分類することができる。これにより、植物の吸水量を精度良く推定することができる。

（６）また、前記環境データ取得部が取得する前記学習対象期間における前記環境データは、前記生育環境の飽差データを含んでいてもよい。

この構成によると、温度と湿度から計算される飽差を考慮して、グループの特定および吸水量の推定を行うことができる。これにより、環境データの種類を増やすことができるため、植物の吸水量を精度良く推定することができる。

（７）本発明の一実施形態に係る吸水量推定方法は、植物の吸水量の推定対象期間における、前記植物の生育環境の時系列の環境データを取得するステップと、取得された前記環境データに基づいて、予め定められた複数のグループの中から、当該環境データが属するグループを特定するステップと、特定された前記グループに基づいて、前記推定対象期間における前記植物の吸水量を推定するステップと、を含む。

この構成は、上述の吸水量推定装置の特徴的な処理部をステップとして含む。このため、上述の吸水量推定装置と同様の作用および効果を奏することができる。

（８）本発明の一実施形態に係るコンピュータプログラムは、コンピュータを、植物の吸水量の推定対象期間における、前記植物の生育環境の時系列の環境データを取得する環境データ取得部と、前記環境データ取得部が取得した前記環境データに基づいて、予め定められた複数のグループの中から当該環境データが属するグループを特定するグループ特定部と、前記グループ特定部が特定した前記グループに基づいて、前記推定対象期間における前記植物の吸水量を推定する吸水量推定部として機能させる。

この構成によると、コンピュータを、上述の吸水量推定装置として機能させることができる。このため、上述の吸水量推定装置と同様の作用および効果を奏することができる。
［本願発明の実施形態の詳細］

以下、本発明の実施の形態について、図面を用いて詳細に説明する。なお、以下で説明する実施の形態は、いずれも本発明の好ましい一具体例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置および接続形態、ステップ、ステップの順序などは、一例であり、本発明を限定する主旨ではない。本発明は、特許請求の範囲によって特定される。よって、以下の実施の形態における構成要素のうち、本発明の最上位概念を示す独立請求項に記載されていない構成要素については、本発明の課題を達成するのに必ずしも必要ではないが、より好ましい形態を構成するものとして説明される。

〔植物育成支援システムの構成〕
図１は、本発明の実施の形態に係る植物育成支援システムの構成を示す図である。
図１に示す植物育成支援システム１００は、吸水量推定の対象の植物（以下、「対象植物」という。）の生育環境の環境データから、対象植物が吸水した水の量（吸水量）を予測し、吸水量の実測値と比較することにより、対象植物の吸水異常を発見し、対象植物の育成を支援するシステムである。

対象植物は、例えば、リンゴ、ミカン等の果実類、各種いも類、ラディッシュ、小カブ等の根菜類、トマト、ナス等の野菜類、小松菜、ホウレン草等の葉菜類などであり、温室１内で栽培され、生育する。ただし、対象植物は上記したものに限定されるものではなく、例えば、松、楓などの鑑賞用の植物であってもよい。

環境データには、温室１内の温度、湿度、飽差、照度などが含まれる。環境データは、上記したものに限定されるものではなく、例えば、温室１内の二酸化炭素量などの他のデータが含まれていてもよい。

植物育成支援システム１００は、温室１内に設置された温度センサ２、湿度センサ３、照度センサ４および給水量センサ５と、吸水量推定装置６と、吸水量推定装置６とインターネットなどのネットワークを介して接続されたサーバ７とを備える。

温度センサ２は、温室１内の温度（室温）を計測する。湿度センサ３は、温室１内の湿度を計測する。照度センサ４は、温室１内の照度を計測する。給水量センサ５は、温室１内の対象植物に供給した水の量（給水量）を計測する。

なお、温室１内は、複数のエリアに区切られ、エリアごとに、各種センサ２〜５が設置されていてもよい。

また、対象植物は露地栽培されてもよい。この場合には、各種センサ２〜５は、屋外に設置される。

吸水量推定装置６は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）およびＲＡＭ（Random Access Memory）等を備えるコンピュータを含んで構成され、温度センサ２、湿度センサ３および照度センサ４から計測結果を取得し、取得した計測結果に基づいて、対象植物の吸水量を推定する。また、吸水量推定装置６は、給水量センサ５から対象植物へ給水された水の給水量を取得し、給水量から対象植物の吸水量の実績値を算出する。吸水量推定装置６は、対象植物の吸水量の推定値および実績値を比較することにより、推定値通りの吸水を対象植物が行っているかを判断する。吸水量推定装置６は、判断結果をサーバ７に送信し、サーバ７は、温室１での対象植物の生育状態を管理する。

なお、サーバ７に、吸水量推定装置６の機能が備えられていてもよい。つまり、センサ２〜５は、吸水量推定装置６を介してまたは直接、サーバ７に計測値を送信する。サーバ７は、センサ２〜５から受信した計測値に基づいて、吸水量推定装置６と同様の処理を行う。

〔吸水量推定装置の構成〕
図２は、吸水量推定装置の構成を示すブロック図である。
図２に示す吸水量推定装置６は、インタフェース部１１と、記憶部１２と、制御部１３とを備える。

インタフェース部１１は、センサ２〜５と通信を行い、センサ２〜５の計測結果を受信するための入出力インタフェースを含んで構成される。また、インタフェース部１１は、吸水量推定装置６をネットワークに接続するための通信インタフェースも含む。

記憶部１２は、ＲＯＭ、ＲＡＭ、ＨＤＤ（Hard Disk Drive）などの不揮発性または揮発性の記憶装置である。記憶部１２は、制御部１３で実行されるコンピュータプログラムを記憶したり、センサ２〜５の計測結果を記憶したり、制御部１３での処理の結果を記憶するために用いられる。

制御部１３は、ＣＰＵなどにより構成され、記憶部１２に記憶されているコンピュータプログラムを読み出して実行する。

図３は、制御部の機能的な構成を示すブロック図である。制御部１３は、コンピュータプログラムを実行することにより実現される機能的な処理部として、環境データ取得部１４と、第１分類部１５と、第２分類部１６と、吸水量算出部１７と、積算温度取得部１８と、回帰分析部１９と、機械学習部２０と、グループ特定部２１と、吸水量推定部２２と、情報出力部２３とを備える。各処理部の機能については、以下に説明する学習フェーズの処理および運用フェーズの処理において詳細に説明する。

つまり、吸水量推定装置６は、学習フェーズと運用フェーズの各フェーズにおいて処理を実行する。

学習フェーズとは、センサ２〜５から収集した環境データを複数のグループに分類し、分類結果に基づいて、未知の環境データからグループを識別するための識別器と、温度および吸水量の関係を示す回帰直線とを作成する処理フェーズである。

運用フェーズとは、学習フェーズで作成した識別器および回帰直線を用いて、温室１の環境データから対象植物の吸水量を予測し、給水量の予測値と実績値との比較を行う処理フェーズである。

以下、学習フェーズおよび運用フェーズの順に、吸水量推定装置６が実行する処理を説明する。

〔学習フェーズについて〕
図４は、学習フェーズの流れを説明するための図である。
＜第１ステージ：データ取得＞
図３に示す吸水量推定装置６の環境データ取得部１４は、インタフェース部１１を介して温度センサ２、温度センサ２および照度センサ４からそれぞれ温度、湿度および照度の時系列データを取得する。環境データ取得部１４は、例えば、温度、湿度および照度を１０分ごとに取得し、１時間ごとの平均値を求めることにより、１時間ごとのデータから構成される各計測結果の時系列データを作成する。１つの時系列データの長さ（以下、「学習対象期間」という。）は、例えば、ある日の０時から次の日の０時までの２４時間とする。これにより、２４時間の学習対象期間の時系列データは２４個のデータから構成されることとなる。環境データ取得部１４は、予め定められた期間（例えば、３週間）に含まれる日（学習対象期間）ごとに、温度、湿度および照度の時系列データを作成し、記憶部１２に記憶させる。

また、環境データ取得部１４は、温度センサ２および湿度センサ３からそれぞれ取得した温度および湿度に基づき１０分ごとの飽差を算出し、飽差の１時間ごとの平均値を求めることにより、１時間ごとの飽差データから構成される飽差データの時系列データを作成する。環境データ取得部１４は、作成した時系列データを、記憶部１２に記憶させる。ここで、飽差とは、ある状態の空気が含むことのできる水蒸気の単位体積当たりの量を意味し、ある温度の空気の飽和水蒸気量とこの空気の実際の水蒸気量との差を意味する。例えば、飽差は、以下の式１により算出することができる（例えば、非特許文献１参照）。
飽差＝（１−湿度／１００）×ｆ（ｔ） …（式１）
ここで、ｆ（ｔ）は、温度ｔの時の飽和水蒸気圧

ここまでの処理で、複数の学習対象期間における時系列の環境データ（時系列の温度データ、湿度データ、飽差データおよび照度データ）が得られる。環境データの取得は、同じ種類の対象植物を育成する複数の温室１において行われる。例えば、１３３日分の学習対象期間のそれぞれの日について、環境データが得られる。

＜第２ステージ：第１分類＞
第１分類部１５は、予め定められた第１分類方法に従い、環境データの種類ごとに、複数の学習対象期間における環境データを、複数の第１グループ（サブグループに対応）のうちのいずれかの第１グループに分類する。つまり、第１分類部１５は、第１分類方法に従い、温度データ、湿度データ、飽差データおよび照度データのそれぞれについて、各データをいずれかの第１グループに分類する。

ここで、第１分類方法として、教師有り学習を用いた分類方法、教師なし学習を用いた分類方法、離散化を用いた分類方法などを適用可能である。教師なし学習を用いた分類方法としては、例えば、ニューラルネットワーク、サポートベクターマシン、ナイーブベイズ、ｋ近傍法（kNN：k-nearest neighbor algorithm）、決定木、Ｃ４．５、ＣＡＲＴ（Classification and Regression Tree）、ランダムフォレスト、ａｄａｂｏｏｓｔ、バギング、線形判別分析（LDA：Linear Discriminant Analysis）を用いた方法などが挙げられる。教師なし学習を用いた分類方法としては、階層型クラスタリング、ｋ−ｍｅａｎｓ、ＥＭアルゴリズム（Expectation Maximization algorithm）、潜在意味解析（LSA：Latent Semantic Analysis）、確率的潜在的意味解析（PLSA：probabilistic Latent Semantic Analysis）、階層ディリクレ過程（HDP：Hierechical Dirichlet Process）、自己組織化マップ（SOM：self-organizing map）を用いた方法などが挙げられる。離散化を用いた分類方法としては、等区間分割、当頻度分割を用いた方法などが挙げられる。ここに挙げた以外にも、第１分類方法として、例えば、統計解析、ベイズ統計、疎構造学習、自己回帰モデル、マルコフ連鎖モンテカルロ法を用いた方法などを利用可能である。

例えば、第１分類部１５は、環境データの種類ごとに、各環境データを、ｋ近傍法により分類してもよい。これにより、各環境データは、予め定められたｋ個の第１グループのいずれかに分類される。

なお、温度データ、湿度データ、飽差データおよび照度データをそれぞれ分類するための第１分類方法は、同じであってもよいし、データの種類ごとに異なっていてもよい。

≪温度データの分類結果≫
図５Ａ〜図５Ｃは、第１分類部１５により複数の学習対象期間の時系列の温度データを分類した分類結果（第１グループ）を示す図である。つまり、第１分類部１５が第１分類方法を用いて複数の学習対象期間における時系列の温度データを分類すると、温度データがそれぞれ類似する温度変化の傾向を有する３つの第１グループＴ１〜Ｔ３に分類される。図５Ａは、第１グループＴ１に含まれる温度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は温度を示す。各折れ線が１つの時系列の温度データを表している。図５Ｂは、第１グループＴ２に含まれる温度データを示す図であり、図５Ｃは、第１グループＴ３に含まれる温度データを示す図である。図５Ｂおよび図５Ｃの見方は図５Ａと同様である。

図６は、温度データを分類した各第１グループの統計量を示す図である。
例えば、第１グループＴ１に含まれる温度データの平均温度は２２．８℃であり、標準偏差は３．４である。また、０時から６時間ごとの平均温度は、１９．１℃、２４．５℃、２６．８℃、２０．６℃である。また、第１グループＴ１に含まれる温度データは４４日分である。なお、図６には、後述する第２分類部１６による分類結果である第２グループが合わせて示されている。

図７は、第１グループごとに６時間ごとの平均温度を示したグラフである。横軸は、第１グループごとの６時間ごとの時間を示し、縦軸は平均温度を示す。
図８は、第１グループごとに１時間ごとの平均温度を示したグラフである。横軸は、１時間ごとの時間を示し、縦軸は平均温度を示す。
図７および図８から分かるように、第１グループごとに平均温度の変化の仕方が異なることが分かる。つまり、全体的に朝方から昼にかけて平均温度が上昇し、昼から朝方にかけて気温が減少するものの、第１グループＴ２、Ｔ３、Ｔ１の順に温度が高いことが分かる。

≪湿度データの分類結果≫
図９Ａ〜図９Ｊは、第１分類部１５により複数の学習対象期間の時系列の湿度データを分類した分類結果（第１グループ）を示す図である。つまり、第１分類部１５が第１分類方法を用いて複数の学習対象期間における時系列の湿度データを分類すると、湿度データがそれぞれ類似する湿度変化の傾向を有する１０個の第１グループＨ１〜Ｈ１０に分類される。図９Ａは、第１グループＨ１に含まれる湿度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は湿度を示す。各折れ線が１つの時系列の湿度データを表している。図９Ｂ〜図９Ｊは、それぞれ、第１グループＨ２〜Ｈ１０に含まれる湿度データを示す図である。図９Ｂ〜図９Ｊの見方は図９Ａと同様である。

図１０は、湿度データを分類した各第１グループの統計量を示す図である。
例えば、第１グループＨ１に含まれる湿度データの平均湿度は６６．２％であり、標準偏差は１１．１である。また、０時から６時間ごとの平均湿度は、８１．９％、６８．２％、５８．１％、５６．７％である。また、第１グループＨ１に含まれる湿度データは３日分である。なお、図１０には、後述する第２分類部１６による分類結果である第２グループが合わせて示されている。

図１１は、第１グループごとに６時間ごとの平均湿度を示したグラフである。横軸は、第１グループごとの６時間ごとの時間を示し、縦軸は平均湿度を示す。
図１２は、第１グループごとに１時間ごとの平均湿度を示したグラフである。横軸は、１時間ごとの時間を示し、縦軸は平均湿度を示す。
図１１および図１２から分かるように、第１グループごとに平均湿度の変化の仕方が異なることが分かる。

≪飽差データの分類結果≫
図１３Ａ〜図１３Ｊは、第１分類部１５により複数の学習対象期間の時系列の飽差データを分類した分類結果（第１グループ）を示す図である。つまり、第１分類部１５が第１分類方法を用いて複数の学習対象期間における時系列の飽差データを分類すると、飽差データがそれぞれ類似する飽差変化の傾向を有する１０個の第１グループＳ１〜Ｓ１０に分類される。図１３Ａは、第１グループＳ１に含まれる飽差データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は飽差を示す。各折れ線が１つの時系列の飽差データを表している。図１３Ｂ〜図１３Ｊは、それぞれ、第１グループＳ２〜Ｓ１０に含まれる飽差データを示す図である。図１３Ｂ〜図１３Ｊの見方は図１３Ａと同様である。

図１４は、飽差データを分類した各第１グループの統計量を示す図である。
例えば、第１グループＳ１に含まれる飽差データの平均飽差は７．６ｈＰａであり、標準偏差は４．６である。また、０時から６時間ごとの平均飽差は、２．７ｈＰａ、８．１ｈＰａ、１３．７ｈＰａ、６．０ｈＰａである。また、第１グループＳ１に含まれる飽差データは３日分である。なお、図１４には、後述する第２分類部１６による分類結果である第２グループが合わせて示されている。

図１５は、第１グループごとに６時間ごとの平均飽差を示したグラフである。横軸は、第１グループごとの６時間ごとの時間を示し、縦軸は平均飽差を示す。
図１６は、第１グループごとに１時間ごとの平均飽差を示したグラフである。横軸は、１時間ごとの時間を示し、縦軸は平均飽差を示す。
図１５および図１６から分かるように、第１グループごとに平均飽差の変化の仕方が異なることが分かる。

≪照度データの分類結果≫
図１７Ａ〜図１７Ｊは、第１分類部１５により複数の学習対象期間の時系列の照度データを分類した分類結果（第１グループ）を示す図である。つまり、第１分類部１５が第１分類方法を用いて複数の学習対象期間における時系列の照度データを分類すると、照度データがそれぞれ類似する照度変化の傾向を有する１０個の第１グループＩ１〜Ｉ１０に分類される。図１７Ａは、第１グループＩ１に含まれる照度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は照度を示す。各折れ線が１つの時系列の照度データを表している。図１７Ｂ〜図１７Ｊは、それぞれ、第１グループＩ２〜Ｉ１０に含まれる照度データを示す図である。図１７Ｂ〜図１７Ｊの見方は図１７Ａと同様である。

図１８は、照度データを分類した各第１グループの統計量を示す図である。
例えば、第１グループＩ１に含まれる照度データの平均照度は５．０ｋｌｘであり、標準偏差は４．６である。また、０時から６時間ごとの平均照度は、１．０ｋｌｘ、９．４ｋｌｘ、８．６ｋｌｘ、１．１ｋｌｘである。また、第１グループＩ１に含まれる照度データは２７日分である。なお、図１８には、後述する第２分類部１６による分類結果である第２グループが合わせて示されている。

図１９は、第１グループごとに６時間ごとの平均照度を示したグラフである。横軸は、第１グループごとの６時間ごとの時間を示し、縦軸は平均照度を示す。
図２０は、第１グループごとに１時間ごとの平均照度を示したグラフである。横軸は、１時間ごとの時間を示し、縦軸は平均照度を示す。
図１９および図２０から分かるように、第１グループごとに平均照度の変化の仕方が異なることが分かる。

＜第３ステージ：第２分類＞
第２分類部１６は、予め定められた第２分類方法に従い、各環境データと当該環境データが分類された第１グループとの対応付けの組に基づいて、複数の学習対象期間における環境データ（温度データ、湿度データ、飽差データおよび照度データの組）を複数の第２グループ（グループに対応）のうちのいずれかの第２グループに分類する。つまり、第２分類部１６は、第１分類部１５により分類された温度データと第１グループＴ１〜Ｔ３との対応付けの組と、湿度データと第１グループＨ１〜Ｈ１０との対応付けの組と、飽差データと第１グループＳ１〜Ｓ１０との対応付けの組と、照度データと第１グループＳ１〜Ｓ１０との対応付けの組との計３３個の組に基づいて、学習対象期間ごとの温度データ、湿度データ、飽差データおよび照度データの組を、複数の第２グループのうちのいずれかの第２グループに分類する。

第２分類方法として、第１分類方法と同様の教師有り学習を用いた分類方法、教師なし学習を用いた分類方法、離散化を用いた分類方法などを適用可能である。なお、第２分類方法と第１分類方法とは同じであってもよいし、異なっていてもよい。

例えば、第２分類部１６は、環境データを、ｋ近傍法により５つの第２グループのいずれかに分類する。このとき、同じ第１グループの環境データが複数の第２グループに分類される場合があるが、その場合には、第１グループの環境データが分類される割合が大きい方の第２グループに第１グループの環境データを分類するものとする。例えば、第１グループＴ３の温度データが第２グループＧ１およびＧ３に分類された場合に、第２グループＧ１に分類された第１グループＴ３の温度データが第２グループＧ３に分類された第１グループＴ３の温度データよりも多い場合には、第１グループＴ３の温度データはすべて第２グループＧ１に分類するものとする。

本実施の形態では、学習対象期間ごとの環境データが５つの第２グループＧ１〜Ｇ５に分類されたものとして説明を続ける。

図２１〜図２５は、第２分類部１６により複数の学習対象期間の時系列の環境データを分類した分類結果（第２グループ）を示す図である。

図２１は、第２グループＧ１に属する環境データを示す図である。
図２１の（ａ）は、第２グループＧ１に属する第１グループの温度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均温度を示す。図２１の（ａ）に示すように、第２グループＧ１には、第１グループＴ３の温度データが分類される。

図２１の（ｂ）は、第２グループＧ１に属する第１グループの湿度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均湿度を示す。図２１の（ｂ）に示すように、第２グループＧ１には、第１グループＨ２、Ｈ３およびＨ８の湿度データが分類される。

図２１の（ｃ）は、第２グループＧ１に属する第１グループの飽差データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均飽差を示す。図２１の（ｃ）に示すように、第２グループＧ１には、第１グループＳ１、Ｓ２、Ｓ７およびＳ８の飽差データが分類される。

図２１の（ｄ）は、第２グループＧ１に属する第１グループの照度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均照度を示す。図２１の（ｄ）に示すように、第２グループＧ１には、第１グループＩ７の照度データが分類される。

図２２は、第２グループＧ２に属する環境データを示す図である。
図２２の（ａ）は、第２グループＧ２に属する第１グループの温度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均温度を示す。図２２の（ａ）に示すように、第２グループＧ２には、第１グループＴ２の温度データが分類される。

図２２の（ｂ）は、第２グループＧ２に属する第１グループの湿度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均湿度を示す。図２２の（ｂ）に示すように、第２グループＧ２には、第１グループＨ５およびＨ９の湿度データが分類される。

図２２の（ｃ）は、第２グループＧ２に属する第１グループの飽差データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均飽差を示す。図２２の（ｃ）に示すように、第２グループＧ２には、第１グループＳ５、Ｓ９およびＳ１０の飽差データが分類される。

図２２の（ｄ）は、第２グループＧ２に属する第１グループの照度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均照度を示す。図２２の（ｄ）に示すように、第２グループＧ２には、第１グループＩ２、Ｉ５、Ｉ６、Ｉ８およびＩ９の照度データが分類される。

図２３は、第２グループＧ３に属する環境データを示す図である。
図２３の（ｂ）は、第２グループＧ３に属する第１グループの湿度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均湿度を示す。図２３の（ｂ）に示すように、第２グループＧ３には、第１グループＨ４およびＨ７の湿度データが分類される。

図２３の（ｃ）は、第２グループＧ３に属する第１グループの飽差データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均飽差を示す。図２３の（ｃ）に示すように、第２グループＧ３には、第１グループＳ６の飽差データが分類される。

図２３の（ｄ）は、第２グループＧ３に属する第１グループの照度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均照度を示す。図２３の（ｄ）に示すように、第２グループＧ３には、第１グループＩ４の照度データが分類される。
なお、第２グループＧ３には、いずれの温度データも分類されない。

図２４は、第２グループＧ４に属する環境データを示す図である。
図２４の（ｂ）は、第２グループＧ４に属する第１グループの湿度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均湿度を示す。図２４の（ｂ）に示すように、第２グループＧ４には、第１グループＨ１およびＨ６の湿度データが分類される。

図２４の（ｃ）は、第２グループＧ４に属する第１グループの飽差データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均飽差を示す。図２４の（ｃ）に示すように、第２グループＧ４には、第１グループＳ４の飽差データが分類される。

図２４の（ｄ）は、第２グループＧ４に属する第１グループの照度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均照度を示す。図２４の（ｄ）に示すように、第２グループＧ４には、第１グループＩ１およびＩ１０の照度データが分類される。
なお、第２グループＧ４には、いずれの温度データも分類されない。

図２５は、第２グループＧ５に属する環境データを示す図である。
図２５の（ａ）は、第２グループＧ５に属する第１グループの温度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均温度を示す。図２５の（ａ）に示すように、第２グループＧ５には、第１グループＴ１の温度データが分類される。

図２５の（ｂ）は、第２グループＧ５に属する第１グループの湿度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均湿度を示す。図２５の（ｂ）に示すように、第２グループＧ５には、第１グループＨ１０の湿度データが分類される。

図２５の（ｃ）は、第２グループＧ５に属する第１グループの飽差データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均飽差を示す。図２５の（ｃ）に示すように、第２グループＧ５には、第１グループＳ３の飽差データが分類される。

図２５の（ｄ）は、第２グループＧ５に属する第１グループの照度データを示す図であり、横軸は０時から次の０時までの１時間ごとの時間を示し、縦軸は平均照度を示す。図２５の（ｄ）に示すように、第２グループＧ５には、第１グループＩ３の照度データが分類される。

吸水量算出部１７は、吸水量取得部として機能し、給水量センサ５から、対象植物への給水量を取得し、給水量から各学習対象期間における対象植物の吸水量を算出する。例えば、吸水量算出部１７は、ある給水タイミングにおける給水量を、前回給水してから今回給水するまでの時間における対象植物の吸水量とみなし、学習対象期間の吸水量の累積値を、当該学習対象期間における対象植物の吸水量として算出する。

図２６は、第１分類部および第２分類部による環境データの分類結果と、平均吸水量とを示す図である。例えば、第２グループＧ１には、第１グループＴ３の温度データと、第１グループＨ２、Ｈ３およびＨ８の湿度データと、第１グループＳ１、Ｓ２、Ｓ７およびＳ８の飽差データと、第１グループＩ７の照度データとが含まれる。この結果は、図２１に示した第２グループＧ１の分類結果と同様である。また、第２グループＧ１に含まれる温度データ、湿度データ、飽差データおよび照度データのいずれかに対応する学習対象期間の平均吸水量は９７．６リットルであることが示されている。

＜第４ステージ：機械学習＞
機械学習部２０は、環境データを入力データとし、第２グループを出力データとする識別器のパラメータを機械学習する。例えば、識別器をニューラルネットワークとする。ただし、識別器はニューラルネットワークに限定されるものではなく、サポートベクターマシン、ａｄａｂｏｏｓｔなど他の識別器を用いることができる。機械学習部２０は、環境データ取得部１４が取得した各学習対象期間における環境データ（温度データ、湿度データ、飽差データおよび照度データ）と、各環境データの第１分類方法の分類結果および第２分類方法の分類結果とを教師データとして、ニューラルネットワークのパラメータの最適化を行う。これにより、例えば、入力層、第１中間層、第１出力層、第２中間層、第２出力層の５層からなるニューラルネットワークが構成される。入力層に入力された環境データの組に対し、第１出力層が第１分類方法の分類結果を出力し、第２出力層が第２分類方法の分類結果を出力する。ただし、ニューラルネットワークの構成は、上記したものに限定されるものではなく、層数が５以外であってもよいし、構成そのものが異なっていてもよい。

＜第５ステージ：温度積算、第６ステージ：回帰分析＞
次に、温度と吸水量との関係性を示す回帰直線の算出方法について説明する。
図２７は、第２グループＧ２についての回帰直線の算出方法について説明するための図である。横軸は、対象植物の生育環境における日単位積算平均温度を示し、縦軸は、対象植物の１日当たりの吸水量を示す。図２７は、第２グループＧ２について示しているが、他の第２グループＧ１、Ｇ３〜Ｇ５についても、同様の方法により回帰直線を算出可能である。

積算温度取得部１８は、第２グループＧ２に含まれる温度データから、対象植物の積算温度として日単位積算平均温度を算出する。つまり、積算温度取得部１８は、対象植物を定植してからの各日の平均温度を積算することにより各日の日単位積算平均温度を算出する。図２７に示す各点は、日単位積算平均温度と、その日単位積算平均温度に対応する日（学習対象期間）の対象植物の吸水量とを示している。なお、積算温度を算出する起点となる時点は対象植物を定植した時に限定されるものではなく、例えば、対象植物の種まきを行ったときであってもよい。

回帰分析部１９は、日単位積算平均温度および吸水量を回帰分析することにより、日単位積算平均温度と吸水量との関係性を示す回帰直線を算出する。図２７には、回帰直線を破線で示している。

図２７に示した回帰直線の精度を表すＭＡＰＥ（平均絶対パーセント誤差）は、０．１０である。

図２８および図２９は、回帰直線の比較例を示す図である。図２８は、第２グループを区別することなく全ての環境データを母集団とした場合の日単位積算平均温度と吸水量との関係を示す。各点は、日単位積算平均温度と、その日単位積算平均温度に対応する日の対象植物の吸水量とを示す。また、破線は、日単位積算平均温度と吸水量との関係性を示す回帰直線を示す。図２８に示す回帰直線のＭＡＰＥは、０．１５であり、図２７に示す回帰直線のそれよりも高い。このため、第２グループごとに回帰直線を求めたほうが精度が高いことがわかる。

図２９は、第２グループを区別することなく全ての環境データを母集団とした場合の各日の平均温度と吸水量との関係を示す。各点は、各日の平均温度および対象植物の吸水量を示す。また、破線は、平均温度及び給水量の関係性を示す回帰直線を示す。図２９に示す回帰直線のＭＡＰＥは、０．４６であり、図２７および図２８に示す回帰直線のそれよりも高い。このため、平均温度よりも日単位積算平均温度を用いて回帰直線を求めたほうが精度が高いことがわかる。

なお、本実施の形態では、日単位積算平均温度および吸水量の関係を回帰直線で表すこととするが、日単位積算平均温度および吸水量の対応テーブルデータを用いて両者の関係を表してもよい。また、回帰直線以外の一般化線形モデルを用いて日単位積算平均温度および吸水量の関係を表してもよい。

図３０は、学習フェーズにおける吸水量推定装置の処理手順を示すフローチャートである。
環境データ取得部１４は、複数の学習対象期間における環境データを取得する（Ｓ１）。つまり、環境データ取得部１４は、環境データとして、温度センサ２、湿度センサ３および照度センサ４から、複数の学習対象期間における温度データ、湿度データおよび照度データをそれぞれ取得する。また、環境データ取得部１４は、環境データとして、取得した複数の学習対象期間における温度データおよび湿度データから、飽差データを算出する。

第１分類部１５は、室温データ、湿度データ、飽差データおよび照度データのそれぞれの環境データについて、以下に説明するステップＳ２の処理を実行する（ループＡ）。

つまり、第１分類部１５は、各環境データについて、第１分類方法による第１グループへの分類処理を実行する（Ｓ２）。一例として、温度データの分類結果は、図５Ａ〜図５Ｃに示した通りである。湿度データの分類結果は、図９Ａ〜図９Ｊに示した通りである。飽差データの分類結果は、図１３Ａ〜図１３Ｊに示した通りである。照度データの分類結果は、図１７Ａ〜図１７Ｊに示した通りである。

第２分類部１６は、予め定められた第２分類方法に従い、各環境データと当該環境データが分類された第１グループとの対応付けの組に基づいて、複数の学習対象期間における各環境データを複数の第２グループのうちのいずれかの第２グループに分類する（Ｓ３）。一例として、第２グループの分類結果は、図２１〜図２５に示した通りである。

吸水量算出部１７は、取得した給水量から各学習対象期間における対象植物の吸水量を算出する。例えば、吸水量算出部１７は、複数の学習対象期間における環境データ、第１分類方法による分類結果（第１グループ）および第２分類方法による分類結果（第２グループ）を教師データとして、環境データを入力データとし第２グループを出力データとする識別器（例えば、ニューラルネットワーク）のパラメータを機械学習する（Ｓ４）。

吸水量算出部１７は、給水量センサ５から、対象植物への給水量を取得し、取得した給水量から複数の学習対象期間における対象植物の吸水量を算出する（Ｓ５）。

積算温度取得部１８は、第２グループごとに、対象植物を定植してからの各日の平均温度を積算することにより、日単位積算平均温度を算出する（Ｓ６）。

回帰分析部１９は、学習対象期間ごとに算出された日単位積算平均温度および吸水量を回帰分析することにより、日単位積算平均温度と吸水量との関係性を示す回帰直線を算出する（Ｓ７）。回帰直線の一例は、図２７に示した通りである。

〔運用フェーズについて〕
次に、吸水量推定装置６は、学習フェーズで得られた識別器および回帰直線を用いて、推定対象期間における時系列の環境データから、当該推定対象期間における対象植物の吸水量を推定する。ここで、推定対象期間とは、対象植物の吸水量を推定するための期間のことであり、学習対象期間と同じ長さを有する。例えば、推定対象期間をある日の０時から次の日の０時までの２４時間とした場合には、吸水量推定装置６は、ある日の環境データから、同じ日の対象植物の吸水量を推定する。ただし、推定対象期間の長さと学習対象期間の長さとが異なっていてもよい。

図３１は、運用フェーズの流れを説明するための図である。
図３２は、運用フェーズにおける吸水量推定装置の処理手順を示すフローチャートである。
吸水量推定装置６の環境データ取得部１４は、推定対象期間における時系列の環境データとして、温度データ、湿度データ、飽差データおよび照度データを取得する（第７ステージ、Ｓ１１）。なお、飽差データは、上述の式１に従い、温度データおよび湿度データから算出される。

グループ特定部２１は、学習フェーズで算出された識別器に、推定対象期間における時系列の環境データ（温度データ、湿度データ、飽差データおよび照度データ）を入力することにより、当該環境データが属する第２グループを特定する（第８ステージ、Ｓ１２）。

積算温度取得部１８は、ステップＳ１２で特定された第２グループに含まれる温度データから、対象植物を定植してからの各日の平均温度を積算することにより推定対象期間が属する日の日単位積算平均温度を算出する（第９ステージ、Ｓ１３）。

吸水量推定部２２は、特定された第２グループに対応する回帰直線を用いて、ステップＳ１３で算出された日単位積算平均温度に対応する吸水量を推定する（第１０ステージ、Ｓ１４）。つまり、吸水量推定部２２は、図２７に示したような回帰直線上での日単位積算平均温度に対応する吸水量を求めることにより吸水量を推定する。

吸水量算出部１７は、給水量センサ５から、対象植物への給水量を取得し、給水量から推定対象期間における対象植物の吸水量の実績値を算出する（第１１ステージ、Ｓ１５）。例えば、吸水量算出部１７は、ある給水タイミングにおける給水量を、前回給水してから今回給水するまでの時間における対象植物の吸水量とみなし、推定対象期間の吸水量の累積値を、当該推定対象期間における対象植物の吸水量の実績値として算出する。

情報出力部２３は、ステップＳ１４で推定された吸水量の推定値と、ステップＳ１５で算出された吸水量の実績値との差が所定の閾値ＴＨよりも大きいか否かを判定する（第１２ステージ、Ｓ１６）。

上記差が閾値ＴＨよりも大きい場合には（Ｓ１６でＹＥＳ）、情報出力部２３は、対象植物の吸水量の推定値よりも実績値が大幅に下回っていることを示すメッセージを表示装置に表示させる処理を行う（第１２ステージ、Ｓ１７）。これにより、作業者に対して、対象植物の吸水異常を通知する。

〔実施の形態の効果等〕
以上説明したように、本発明の実施の形態によると、対象植物の時系列の環境データが、当該環境データと類似する環境データの第２グループに分類される。また、分類された第２グループに基づいて、対象植物の吸水量が推定される。つまり、対象植物の生育した環境データと類似する環境データにおいて生育した植物の吸水量から、対象植物の吸水量を推定することができる。このため、対象植物の吸水量を精度良く推定することができる。

なお、吸水量推定部２２は、日単位積算平均温度と植物の吸水量との関係性を示す関係性情報に基づいて、対象植物の吸水量を推定している。このため、推定対象期間までに対象植物がどのような温度環境の中で生育したかを考慮して吸水量を推定することができる。つまり、推定対象期間の生育環境が同じ植物同士であったとしても、推定対象期間よりも過去の温度環境が異なる場合には、植物の生育状況も異なるが、日単位積算平均温度を考慮して吸水量を推定することで、類似する生育状況の植物の吸水量を参考に、対象植物の吸水量を推定することができる。よって、対象植物の吸水量を精度良く推定することができる。

具体的には、日単位積算平均温度と植物の吸水量との関係を回帰分析の結果得られる回帰直線で表している。このため、ノイズの影響を除去して積算温度と吸水量との関係を正確に表現することができる。

また、情報出力部２３は、植物が吸水量の推定値よりも大幅に少ない量の水しか吸水していない場合に、メッセージを出力することができる。これにより、作業者に対して、植物の吸水異常を知らせることができ、植物を適切に管理することができる。

また、複数の学習対象期間における環境データを第２グループに分類する際に、一旦、環境データの種類ごとに第１グループに分類した後、第２グループに分類している。このような２段階分類を行うのではなく環境データをいきなり第２グループに分類した場合には、全種類の環境データのまとまりとしては類似するが、環境データを種類ごとに比較した場合に類似しないものが同じ第２グループに含まれてしまう場合がある。しかし、２段階分類を行うことで、種類ごとの環境データの類似性を確保した上で、全種類の環境データのまとまりも類似するように第２グループを形成することができる。このため、推定対象期間における環境データを、適切な第２グループに分類することができる。これにより、植物の吸水量を精度良く推定することができる。

なお、環境データには飽差データが含まれるため、温度と湿度から計算される飽差を考慮して、第２グループの特定および吸水量の推定を行うことができる。これにより、環境データの種類を増やすことができるため、植物の吸水量を精度良く推定することができる。

以上、本発明の実施の形態に係る吸水量推定装置について説明したが、本発明は、この実施の形態に限定されるものではない。

例えば、吸水量推定装置の一部または全部は、１個のシステムＬＳＩから構成されているとしてもよい。システムＬＳＩは、複数の構成部を１個のチップ上に集積して製造された超多機能ＬＳＩであり、具体的には、マイクロプロセッサ、ＲＯＭ、ＲＡＭなどを含んで構成されるコンピュータシステムである。ＲＡＭには、コンピュータプログラムが記憶されている。マイクロプロセッサが、コンピュータプログラムに従って動作することにより、システムＬＳＩは、その機能を達成する。
また、給水量推定装置は、複数のコンピュータにより実現されてもよい。

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１ 温室
２ 温度センサ
３ 解析装置
４ 照度センサ
５ 給水量センサ
６ 吸水量推定装置
７ サーバ
１１ インタフェース部
１２ 記憶部
１３ 制御部
１４ 環境データ取得部
１５ 第１分類部
１６ 第２分類部
１７ 吸水量算出部
１８ 積算温度取得部
１９ 回帰分析部
２０ 機械学習部
２１ グループ特定部
２２ 吸水量推定部
２３ 情報出力部
１００ 植物育成支援システム

Claims (8)

1. 植物の吸水量の推定対象期間における、前記植物の生育環境の時系列の環境データを取得する環境データ取得部と、
   前記環境データ取得部が取得した前記環境データに基づいて、予め定められた複数のグループの中から当該環境データが属するグループを特定するグループ特定部と、
   前記グループ特定部が特定した前記グループに基づいて、前記推定対象期間における前記植物の吸水量を推定する吸水量推定部と、を備える吸水量推定装置。
2. さらに、
   前記生育環境における所定の起点となる時点からの積算温度を取得する積算温度取得部を備え、
   前記吸水量推定部は、前記グループごとに前記生育環境における前記所定の起点となる時点からの積算温度と前記推定対象期間に対応する長さの期間における前記植物の吸水量との関係性を示す関係性情報と、前記グループ特定部が特定した前記グループと、前記積算温度取得部が取得した前記積算温度とに基づいて、前記植物の前記推定対象期間における吸水量を推定する、請求項１に記載の吸水量推定装置。
3. 前記グループごとの前記関係性情報は、前記積算温度と前記推定対象期間に対応する長さの期間における前記植物の吸水量とを回帰分析することにより得られる回帰直線である、請求項２に記載の吸水量推定装置。
4. さらに、
   前記推定対象期間における前記植物の吸水量の実績値を取得する吸水量取得部と、
   前記吸水量推定部により推定された前記吸水量と前記吸水量取得部が取得した前記吸水量の実績値との比較結果に基づく情報を出力する情報出力部とを備える、請求項１〜請求項３に記載の吸水量推定装置。
5. 前記吸水量取得部は、さらに、前記推定対象期間に対応する長さの複数の学習対象期間における前記植物の吸水量を取得し、
   前記環境データ取得部は、さらに、前記複数の学習対象期間における前記生育環境の時系列の環境データを取得し、
   前記吸水量推定装置は、さらに、
   前記複数の学習対象期間における前記環境データを、当該環境データの種類ごとに複数のサブグループのうちのいずれかに分類する第１分類部と、
   各前記環境データと前記第１分類部により分類された前記サブグループとの対応付けの組に基づいて、前記複数の学習対象期間における各前記環境データを複数のグループのうちのいずれかに分類する第２分類部とを備え、
   前記吸水量取得部は、さらに、前記グループごとに、当該グループに属する前記環境データに対応する前記吸水量に基づいて、当該グループに対応する前記吸水量を算出し、
   前記グループ特定部は、前記第１分類部および前記第２分類部の分類結果に基づいて、前記環境データ取得部が取得した前記環境データの属するグループを、前記複数のグループの中から特定し、
   前記吸水量推定部は、前記グループ特定部が特定した前記グループと前記吸水量取得部が算出した前記グループごとの前記吸水量とに基づいて、前記植物の前記推定対象期間における前記吸水量を推定する、請求項４に記載の吸水量推定装置。
6. 前記環境データ取得部が取得する前記学習対象期間における前記環境データは、前記生育環境の飽差データを含む、請求項５に記載の吸水量推定装置。
7. 植物の吸水量の推定対象期間における、前記植物の生育環境の時系列の環境データを取得するステップと、
   取得された前記環境データに基づいて、予め定められた複数のグループの中から、当該環境データが属するグループを特定するステップと、
   特定された前記グループに基づいて、前記推定対象期間における前記植物の吸水量を推定するステップと、を含む吸水量推定方法。
8. コンピュータを、
   植物の吸水量の推定対象期間における、前記植物の生育環境の時系列の環境データを取得する環境データ取得部と、
   前記環境データ取得部が取得した前記環境データに基づいて、予め定められた複数のグループの中から当該環境データが属するグループを特定するグループ特定部と、
   前記グループ特定部が特定した前記グループに基づいて、前記推定対象期間における前記植物の吸水量を推定する吸水量推定部として機能させるためのコンピュータプログラム。