JP2021056573A - 作物成長予測プログラム、作物成長予測方法および作物成長予測装置 - Google Patents

Abstract

【課題】農地の中の異なる位置における作物の成長を精度よく予測する。【解決手段】農地に設置されたセンサデバイスによって測定された、第１の位置における第１の栽培環境を示す第１の環境データを取得する。第１の位置と異なる第２の位置に対応する環境変換モデルを用いて、第１の環境データを第２の位置における第２の栽培環境を示す第２の環境データに変換する。環境データから測定時点より後の時点における特定の作物の状態を示す状態データを生成する予測モデルを用いて、第２の環境データから第２の位置における特定の作物の状態の予測を示す第１の状態データを生成する。第１の環境データの測定時点より後に第２の位置において測定された、特定の作物の状態を示す第２の状態データを取得する。第１の状態データと第２の状態データとの間の誤差を算出する。誤差に基づいて環境変換モデルを更新する。【選択図】図６

Description

本発明は作物成長予測プログラム、作物成長予測方法および作物成長予測装置に関する。

コンピュータを利用したデータ分析として、機械学習が行われることがある。機械学習では、結果が既知である複数の事例を示す訓練データをコンピュータに入力する。コンピュータは、訓練データを分析して、要因（説明変数や独立変数と言うことがある）と結果（目的変数や従属変数と言うことがある）との間の関係を一般化したモデルを生成する。生成されたモデルを用いることで、未知の結果を予測することができる。

機械学習は、作物の成長予測に用いられることがある。例えば、気象データからＬＡＩ（Leaf Area Index）を推定する作物モデルを用いて、稲の成長を予測するシステムが提案されている。ＬＡＩは、単位地表面積当たりの葉の総面積を示す指標である。提案のシステムは、モデルパラメータと過去の気象データを作物モデルに入力し、作物モデルによって推定されるＬＡＩと過去に測定された実際のＬＡＩとを比較し、誤差が小さくなるようにモデルパラメータを更新する。モデルパラメータは、品種に応じて決まる作物パラメータと、栽培環境に応じて決まる圃場パラメータとを含む。

本間香貴、牧雅康、廣岡義博、「稲の生育・収量予測モデルの広域評価型への展開」、第２３３回日本作物学会講演会要旨集、２０１２年３月２７日

ある作物の品種について、温度や湿度などの栽培環境を示す環境データから将来の作物の状態を予測する予測モデルを用意しておくことで、特定の農地における特定の年度の作物の成長を予測することが考えられる。しかし、同一の農地の中であっても温度や湿度などの栽培環境が均一であるとは限らない一方、温度や湿度などを測定するセンサデバイスは農地の中の少数の位置にしか設置されないことが多い。例えば、２００メートル×２００メートル程度の大きさのビニールハウスの中では、位置によって温度や湿度が異なることが多い一方、センサデバイスは４箇所程度しか設置されないという状況が起こりうる。

このため、センサデバイスによって測定された環境データと作物の状態を予測する予測モデルとを単純に使用するだけでは、同一の農地の中の異なる位置における作物の成長を精度よく予測することが難しいという問題がある。

１つの側面では、本発明は、農地の中の異なる位置における作物の成長を精度よく予測できるようにする作物成長予測プログラム、作物成長予測方法および作物成長予測装置を提供することを目的とする。

１つの態様では、コンピュータに以下の処理を実行させる作物成長予測プログラムが提供される。農地に設置されたセンサデバイスによって測定された、農地における第１の位置における第１の栽培環境を示す第１の環境データを取得する。第１の位置と異なる第２の位置に対応する環境変換モデルを用いて、第１の環境データを第２の位置における第２の栽培環境を示す第２の環境データに変換する。栽培環境を示す環境データから環境データの測定時点より後の時点における特定の作物の状態を示す状態データを生成する予測モデルを用いて、第２の位置における第２の環境データから第２の位置における特定の作物の状態の予測を示す第１の状態データを生成する。第１の環境データの測定時点より後に第２の位置において測定された、特定の作物の状態を示す第２の状態データを取得する。予測された第１の状態データと測定された第２の状態データとの間の誤差を算出する。誤差に基づいて第２の位置に対応する環境変換モデルを更新する。

また、１つの態様では、コンピュータが実行する作物成長予測方法が提供される。また、１つの態様では、記憶部と処理部とを有する作物成長予測装置が提供される。

１つの側面では、農地の中の異なる位置における作物の成長を精度よく予測できる。

第１の実施の形態の作物成長予測装置の例を説明する図である。 第２の実施の形態の情報処理システムの例を示す図である。 サーバ装置のハードウェア例を示すブロック図である。 端末装置およびサーバ装置の通信例を示すシーケンス図である。 ニューラルネットワークの例を示す図である。 成長モデルと環境変換モデルの使用例を示すデータフロー図である。 サーバ装置の機能例を示すブロック図である。 節成長データテーブルと実成長データテーブルの例を示す図である。 環境実績テーブルと成長実績テーブルの例を示す図である。 変換モデルテーブルと推定環境テーブルの例を示す図である。 成長予測の手順例を示すフローチャートである。 端末装置に表示されるユーザ画面の例を示す図である。

以下、本実施の形態を図面を参照して説明する。
［第１の実施の形態］
第１の実施の形態を説明する。

図１は、第１の実施の形態の作物成長予測装置の例を説明する図である。
第１の実施の形態の作物成長予測装置１０は、ビニールハウスなどの個別の農地における作物の成長を予測し、作物生産を支援する。作物成長予測装置１０を、情報処理装置やコンピュータと言うこともできる。作物成長予測装置１０は、農家などのユーザが操作するクライアント装置でもよいし、ネットワーク経由でアクセスされるサーバ装置でもよい。後者の場合、作物成長予測装置１０は、データセンタに配置されたサーバ装置でもよく、いわゆるクラウドシステムに属するサーバ装置でもよい。また、後述する情報処理を、同一システム内の２以上のサーバ装置に分散して実行させることも可能である。

作物成長予測装置１０は、記憶部１１および処理部１２を有する。記憶部１１は、ＲＡＭ（Random Access Memory）などの揮発性半導体メモリでもよいし、ＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの不揮発性ストレージでもよい。処理部１２は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＤＳＰ（Digital Signal Processor）などのプロセッサである。ただし、処理部１２は、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などの特定用途の電子回路を含んでもよい。プロセッサは、ＲＡＭなどのメモリ（記憶部１１でもよい）に記憶されたプログラムを実行する。複数のプロセッサの集合を「マルチプロセッサ」または単に「プロセッサ」と言うこともある。

記憶部１１は、予測モデル１３および環境変換モデル１４を記憶する。
予測モデル１３は、ある作物の品種に対して予め作成される。予測モデル１３は、栽培環境を示す環境データから、その環境データより後の時点における作物の状態を示す状態データを生成するものである。予測モデル１３は、ある時点の作物の状態を示す状態データおよび栽培環境を示す環境データから、所定期間後の作物の状態を示す他の状態データを生成するものであってもよい。予測モデル１３は、例えば、ニューラルネットワークや線形回帰モデルなど、機械学習によって学習されるモデルである。機械学習は、作物成長予測装置１０が予測対象とする農地以外の他の農地で過去に測定された環境データおよび状態データを、訓練データとして使用して行うようにしてもよい。なお、作物の状態は、例えば、枝の節数、先端の節から先の長さ、開花の有無、実のサイズ、実の色度など、作物の成長フェーズや成長量に関する各種の指標により表現される。

環境データには、例えば、温度、湿度、二酸化炭素濃度（ＣＯ２濃度）、日射量など、作物の成長に影響を与える気象に関する各種の指標値が含まれる。状態データには、例えば、枝の節数、先端の節から先の長さ、開花の有無、実のサイズ、実の色度など、作物の成長フェーズや成長量に関する各種の指標値が含まれる。

環境変換モデル１４は、一続きの農地の中の特定の位置（例えば、特定の区画）に対応しており、作物成長予測装置１０によって更新される。一続きの農地は、例えば、１つのビニールハウス内の農地である。記憶部１１は、一続きの農地の中の異なる複数の位置（例えば、複数の区画）に対応する複数の環境変換モデルを記憶してもよい。環境変換モデル１４は、農地に設置されたセンサデバイス（例えば、ビニールハウス内のセンサデバイス）によって測定された環境データから、センサデバイスとは異なる位置における環境データを推定するものである。センサデバイスは、例えば、温度計、湿度計、ＣＯ２濃度計、日射計などの計測機器である。環境変換モデル１４は、例えば、ニューラルネットワークや線形回帰モデルなど、機械学習によって学習されるモデルである。

処理部１２は、センサデバイスによって測定された栽培環境を示す環境データ１５（第１の環境データ）を取得する。環境データ１５は、ユーザによって作物成長予測装置１０に入力されてもよいし、ユーザが操作するクライアント装置から作物成長予測装置１０に送信されてもよいし、センサデバイスから作物成長予測装置１０に送信されてもよい。すると、処理部１２は、環境変換モデル１４を用いて、環境データ１５を環境データ１６（第２の環境データ）に変換する。環境データ１６は、センサデバイスが設置された位置（第１の位置）と異なる位置（第２の位置）における推定データである。

環境データ１５と環境データ１６とは、一致しないものの相関関係がある。例えば、センサデバイスによって測定された温度から、異なる特定の位置の温度が推定される。また、例えば、センサデバイスによって測定された湿度から、異なる特定の位置の湿度が推定される。また、例えば、センサデバイスによって測定されたＣＯ２濃度から、異なる特定の位置のＣＯ２濃度が推定される。また、例えば、センサデバイスによって測定された日射量から、異なる特定の位置の日射量が推定される。

農地の中には複数のセンサデバイス（例えば、４個のセンサデバイス）が設置されていてもよい。その場合、環境変換モデル１４は、複数のセンサデバイスの測定値（例えば、４箇所の温度、湿度、ＣＯ２濃度、日射量など）を示す環境データ１５を、特定の位置における推定値を示す環境データ１６に変換するようにしてもよい。

次に、処理部１２は、予測モデル１３を用いて、環境データ１６から状態データ１７（第１の状態データ）を生成する。状態データ１７は、環境データ１６に対応する位置における作物の状態の予測を示す。なお、作物の状態の予測は、特定の位置（区画）に植えられた複数の作物の代表値を示す。状態データ１７は、環境データ１６が示す時点から所定期間後（例えば、１日後または１週間後）の作物の状態を示すものであってもよい。環境データ１５と環境データ１６とは異なるため、状態データ１７が示す作物の状態は、センサデバイスが設置された位置における作物の状態の予測とは異なる可能性がある。

ここで、処理部１２は、予測結果である状態データ１７を出力してもよく、推定結果である環境データ１６を出力してもよい。例えば、処理部１２は、環境データ１６および状態データ１７を記憶装置に保存してもよいし、他の情報処理装置に送信してもよいし、表示装置に表示させてもよい。この表示装置は、作物成長予測装置１０が有する表示装置でもよいし、他の情報処理装置が有する表示装置でもよい。また、処理部１２は、農地の中の異なる位置に対応する複数の環境変換モデルを用いて、環境データ１６に相当する複数の環境データを生成し、状態データ１７に相当する複数の状態データを生成してもよい。

次に、処理部１２は、環境データ１６に対応する位置において測定された作物の状態を示す状態データ１８（第２の状態データ）を取得する。状態データ１８は、環境データ１５が測定された時点の所定期間後（例えば、１日後または１週間後）など、環境データ１５より後の時点で測定されたものである。状態データ１７が示す時点と状態データ１８が示す時点は、同一であるか十分に近いことが好ましい。作物の状態は、ユーザの手作業によって測定されてもよいし、ドローンや監視カメラなどの自動測定機器を用いて測定されてもよい。状態データ１８は、ユーザによって作物成長予測装置１０に入力されてもよいし、ユーザが操作するクライアント装置から作物成長予測装置１０に送信されてもよいし、自動測定機器から作物成長予測装置１０に送信されてもよい。

すると、処理部１２は、状態データ１７と状態データ１８との間の誤差を算出する。処理部１２は、誤差に基づいて環境変換モデル１４を更新する。例えば、処理部１２は、最急降下法などの最適化アルゴリズムを用いて、誤差が小さくなるように環境変換モデルのモデルパラメータを更新する。最急降下法では、モデルパラメータの微小変化量に対する誤差の勾配を算出し、誤差が小さくなる方向に、所定の学習率に応じた大きさだけモデルパラメータを変化させる。モデルパラメータは、ニューラルネットワークに含まれるエッジの重みや、線形回帰モデルに含まれる係数などである。

処理部１２は、異なる複数の時点について、環境データ１５の測定、状態データ１７の予測、状態データ１８の測定および環境変換モデル１４の更新を繰り返すことで、環境変換モデル１４の学習を進める。環境変換モデル１４の学習に用いる環境データ１５および状態データ１８は、予測対象の農地で過年度に測定された過年度データでもよいし、作物を栽培中の今年度に測定された今年度データでもよい。

第１の実施の形態の作物成長予測装置１０によれば、センサデバイスの測定位置とは異なる他の位置の栽培環境が環境変換モデル１４により推定され、推定された栽培環境から、当該他の位置の作物の状態が予測モデル１３により予測される。そして、事後的に作物の状態の予測誤差が算出され、予測誤差に基づいて環境変換モデル１４が更新される。

これにより、同一の農地の中で栽培環境が均一でない場合であっても、センサデバイスが設置された位置以外の他の位置における作物の状態を精度よく予測することができ、同一の農地の位置毎に個別に作物の状態を予測することが可能となる。また、環境変換モデル１４の学習を通じて、作物の状態の予測精度を改善することができる。また、農地の中に設置するセンサデバイスの個数を削減することができ、作物の生産コストを削減できる。また、農地内の栽培環境の分布を可視化することが可能となる。

［第２の実施の形態］
次に、第２の実施の形態を説明する。
図２は、第２の実施の形態の情報処理システムの例を示す図である。

第２の実施の形態の情報処理システムは、農家による作物の生産を支援する。情報処理システムは、ビニールハウス４０、端末装置５０およびサーバ装置１００を含む。端末装置５０およびサーバ装置１００は、ネットワーク３０に接続されている。ネットワーク３０は、インターネットなどの広域データ通信ネットワークである。サーバ装置１００は、第１の実施の形態の作物成長予測装置１０に対応する。

ビニールハウス４０は、作物を栽培する農地を覆う園芸施設である。ビニールハウス４０の中の農地は、複数の区画（例えば、複数の列など）に区分されている。第２の実施の形態で管理する作物は、なす、ピーマン、キュウリ、かぼちゃなどの多稔生作物であることが好ましい。これは、多稔生作物は、茎や葉が成長する栄養生長と実が成長する生殖生長とが並列に進行するため、大豆、麦、米、とうもろこしなどの一稔生作物と比べて生産管理が難しいためである。一稔生作物は、１回の開花および結実の後に枯死する植物である。多稔生作物は、開花および結実を繰り返す植物である。多稔生作物については、情報処理システムによる生産支援の効果が大きいと期待される。ただし、第２の実施の形態で管理する作物を、一稔生作物とすることも可能である。

ビニールハウス４０は、例えば、２００メートル×２００メートル程度の大きさをもつ。ビニールハウス４０の中には、異なる位置にセンサデバイス４１，４２，４３，４４が設置されている。センサデバイス４１，４２，４３，４４は、栽培環境として温度、湿度、ＣＯ２濃度および日射量を測定する測定装置である。ビニールハウス４０の中の栽培環境は均一ではなく、センサデバイス４１，４２，４３，４４が測定した環境データは同一にならないことが多い。一方、センサデバイスの個数は区画数より少ないため、区画による栽培環境のばらつきは直接測定されないことになる。そこで、第２の実施の形態では、測定された環境データから各区画の栽培環境を推定する。

センサデバイス４１，４２，４３，４４は、ネットワーク３０に接続されてもよく、環境データがネットワーク３０を介してサーバ装置１００に送信されてもよい。また、環境データが端末装置５０に送信されてもよい。また、ビニールハウス４０の中には、各区画の作物の状態を監視する監視装置が設置されていてもよい。監視装置は、作物の画像を撮像する監視カメラであってもよい。作物の状態としては、例えば、枝の節の数、先端の節から先の長さ、開花の有無、実のサイズ、実の色度などが挙げられる。この監視装置は、ネットワーク３０に接続されてもよく、作物の画像やその分析結果など作物の状態を示す状態データがネットワーク３０を介してサーバ装置１００に送信されてもよい。また、状態データが端末装置５０に送信されてもよい。

端末装置５０は、農家であるユーザが使用するクライアントコンピュータである。端末装置５０は、ネットワーク３０を介してサーバ装置１００にアクセスし、サーバ装置１００から画面データを受信して表示することで、作物生産支援サービスを利用する。サーバ装置１００へのアクセスおよび画面データの表示には、Ｗｅｂブラウザを用いてもよい。

端末装置５０は、センサデバイス４１，４２，４３，４４から環境データを収集してサーバ装置１００にアップロードしてもよい。また、端末装置５０は、ビニールハウス４０に設置された監視装置から状態データを収集してサーバ装置１００にアップロードしてもよい。また、端末装置５０は、ユーザが手作業で測定した各区画の状態データの入力を受け付け、入力された状態データをサーバ装置１００にアップロードしてもよい。アップロードされた環境データおよび状態データに応じて、端末装置５０は、サーバ装置１００から各区画の栽培環境の推定結果を受信して表示する。また、端末装置５０は、サーバ装置から各区画の作物の成長の予測結果を受信して表示する。

サーバ装置１００は、データセンタに設置されたサーバコンピュータである。サーバ装置１００は、ビニールハウス４０における作物の栽培を支援する。サーバ装置１００は、センサデバイス４１，４２，４３，４４によって測定された現在の温度、湿度、ＣＯ２濃度および日射量を示す環境データを継続的に収集する。収集する環境データは、ビニールハウス４０の中の代表点における栽培環境である代表環境を示していると言える。また、サーバ装置１００は、各区画における現在の作物の状態を示す状態データを継続的に収集する。サーバ装置１００は、収集した環境データおよび状態データを用いて、各区画の栽培環境を推定すると共に所定期間後の各区画の作物の状態を予測する。サーバ装置１００は、栽培環境の推定結果および作物の状態の予測結果を、端末装置５０に提供する。栽培環境の推定および作物の状態の予測には、機械学習が利用される。

図３は、サーバ装置のハードウェア例を示すブロック図である。
サーバ装置１００は、ＣＰＵ１０１、ＲＡＭ１０２、ＨＤＤ１０３、画像インタフェース１０４、入力インタフェース１０５、媒体リーダ１０６および通信インタフェース１０７を有する。サーバ装置１００が有するこれらのユニットは、バスに接続されている。ＣＰＵ１０１は、第１の実施の形態の処理部１２に対応する。ＲＡＭ１０２またはＨＤＤ１０３は、第１の実施の形態の記憶部１１に対応する。端末装置５０も、サーバ装置１００と同様のハードウェアを用いて実現することができる。

ＣＰＵ１０１は、プログラムの命令を実行するプロセッサである。ＣＰＵ１０１は、ＨＤＤ１０３に記憶されたプログラムやデータの少なくとも一部をＲＡＭ１０２にロードし、プログラムを実行する。ＣＰＵ１０１は複数のプロセッサコアを備えてもよく、サーバ装置１００は複数のプロセッサを備えてもよい。複数のプロセッサの集合を「マルチプロセッサ」または単に「プロセッサ」と言うことがある。

ＲＡＭ１０２は、ＣＰＵ１０１が実行するプログラムやＣＰＵ１０１が演算に使用するデータを一時的に記憶する揮発性半導体メモリである。サーバ装置１００は、ＲＡＭ以外の種類のメモリを備えてもよく、複数のメモリを備えてもよい。

ＨＤＤ１０３は、ＯＳ（Operating System）やミドルウェアやアプリケーションソフトウェアなどのソフトウェアのプログラム、および、データを記憶する不揮発性ストレージである。サーバ装置１００は、フラッシュメモリやＳＳＤ（Solid State Drive）など他の種類のストレージを備えてもよく、複数のストレージを備えてもよい。

画像インタフェース１０４は、ＣＰＵ１０１からの命令に従って、サーバ装置１００に接続された表示装置１１１に画像を出力する。表示装置１１１として、ＣＲＴ（Cathode Ray Tube）ディスプレイ、液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）、有機ＥＬ（ＯＥＬ：Organic Electro-Luminescence）ディスプレイ、プロジェクタなど、任意の種類の表示装置を使用することができる。サーバ装置１００に、プリンタなど表示装置１１１以外の出力デバイスが接続されてもよい。

入力インタフェース１０５は、サーバ装置１００に接続された入力デバイス１１２から入力信号を受け付ける。入力デバイス１１２として、マウス、タッチパネル、タッチパッド、キーボードなど、任意の種類の入力デバイスを使用することができる。サーバ装置１００に複数種類の入力デバイスが接続されてもよい。

媒体リーダ１０６は、記録媒体１１３に記録されたプログラムやデータを読み取る読み取り装置である。記録媒体１１３として、フレキシブルディスク（ＦＤ：Flexible Disk）やＨＤＤなどの磁気ディスク、ＣＤ（Compact Disc）やＤＶＤ（Digital Versatile Disc）などの光ディスク、半導体メモリなど、任意の種類の記録媒体を使用することができる。媒体リーダ１０６は、例えば、記録媒体１１３から読み取ったプログラムやデータを、ＲＡＭ１０２やＨＤＤ１０３などの他の記録媒体にコピーする。読み取られたプログラムは、例えば、ＣＰＵ１０１によって実行される。なお、記録媒体１１３は可搬型記録媒体であってもよく、プログラムやデータの配布に用いられることがある。また、記録媒体１１３やＨＤＤ１０３を、コンピュータ読み取り可能な記録媒体と言うことがある。

通信インタフェース１０７は、ネットワーク３０に接続され、ネットワーク３０を介して端末装置５０などの他の装置と通信する。通信インタフェース１０７は、例えば、スイッチやルータなどの有線通信装置に接続される有線通信インタフェースである。ただし、通信インタフェース１０７が、基地局やアクセスポイントなどの無線通信装置に接続される無線通信インタフェースであってもよい。

次に、作物生産支援サービスの利用の流れを説明する。
図４は、端末装置およびサーバ装置の通信例を示すシーケンス図である。
端末装置５０は、サーバ装置１００にアクセスする（Ｓ１０）。すると、サーバ装置１００は、端末装置５０に入力画面を送信する。端末装置５０は、入力画面においてユーザから、品種と栽培方法と農地の区画の指定を受け付ける。品種として、ビニールハウス４０で栽培しようとする作物の品種が指定される。栽培方法として、ハウス栽培が指定される。区画として、ビニールハウス４０の農地の区分方法が指定される。端末装置５０は、品種と栽培方法と区画を示す設定データをサーバ装置１００に送信する（Ｓ１１）。なお、農地全体で同一の種類の作物を育てている場合には、農地全体に含まれる複数の区画各々について、それぞれの予測を行うことも可能である。

次に、サーバ装置１００は、ビニールハウス４０のセンサデバイス４１，４２，４３，４４によって測定された環境測定値を受信する（Ｓ１２）。この環境測定値は、ビニールハウス４０内の代表環境に相当し、区画毎の栽培環境とは異なる。環境測定値には、温度、湿度、ＣＯ２濃度および日射量が含まれる。図４の例では、サーバ装置１００は、センサデバイス４１，４２，４３，４４から環境測定値を直接受信している。サーバ装置１００は、環境測定値を１日に１回以上受信する。サーバ装置１００は、１時間周期など短い周期で各時刻の瞬間値を受信してもよいし、一定期間の平均値を受信してもよい。

また、サーバ装置１００は、ビニールハウス４０の各区画の作物の状態を示す状態測定値を受信する（Ｓ１３）。作物の状態には、節の状態と実の状態が含まれる。節の状態を示す状態測定値には、節数、先端の長さおよび開花の有無が含まれる。実の状態を示す状態測定値には、実のサイズおよび実の色度が含まれる。図４の例では、サーバ装置１００は、ビニールハウス４０の監視装置から状態測定値を直接受信している。サーバ装置１００は、状態測定値を１日に１回以上受信する。

１日分の環境測定値および状態測定値がアップロードされると、サーバ装置１００は、その日における区画毎の栽培環境を示す環境推定値と、翌日における区画毎の作物の状態を示す状態予測値とを算出する。区画毎の環境推定値には、温度、湿度、ＣＯ２濃度および日射量の推定値が含まれる。区画毎の状態予測値には、節の状態の予測値と実の状態の予測値が含まれる。節の状態の予測値には、節数、先端の長さおよび開花の有無が含まれる。実の状態の予測値には、実のサイズおよび実の色度が含まれる。

区画毎の環境推定値および状態予測値の算出には、環境変換モデルと節成長モデルと実成長モデルが用いられる。環境変換モデル、節成長モデルおよび実成長モデルは、機械学習によって学習される。環境変換モデル、節成長モデルおよび実成長モデルは、例えば、多層ニューラルネットワーク（ＤＮＮ：Deep Neural Network）などのニューラルネットワークである。ただし、線形回帰モデルなど他の種類の機械学習モデルを用いてもよい。

環境変換モデルは、ビニールハウス４０の区画毎に学習される。環境変換モデルは、センサデバイス４１，４２，４３，４４のある日の環境測定値を、同じ日における特定の区画の環境推定値に変換するモデルである。環境変換モデルは、ビニールハウス４０で当年度に収集された環境測定値や状態測定値を訓練データとして用いてリアルタイムに学習される。ただし、環境変換モデルの学習に、ビニールハウス４０で過年度に収集された環境測定値や状態測定値も用いるようにしてもよい。

節成長モデルおよび実成長モデルは、作物の品種と栽培方法の組毎に予め学習される。節成長モデルは、ある日の節の状態を示す状態測定値と環境推定値から、翌日の節の状態を示す状態予測値を算出するモデルである。実成長モデルは、ある日の実の状態を示す状態測定値と環境推定値から、翌日の実の状態を示す状態予測値を算出するモデルである。ただし、節成長モデルおよび実成長モデルを、１週間後の状態予測値を算出するモデルとしてもよい。節成長モデルおよび実成長モデルそれ自体は、区画に依存せずビニールハウス４０にも依存しない。節成長モデルおよび実成長モデルは、実験環境で過去に収集された環境測定値や状態測定値を訓練データとして用いて、予め学習される。

なお、作物の枝の成長について、葉と花の出現パターンは作物の品種毎に決まっている。例えば、ある作物の品種では、葉、葉、花、葉、葉、花、…のような順序で葉と花が出現する。また、節と節の間の長さは、栽培方法と栽培環境に依存する。よって、作物の枝の成長量は、品種と栽培方法と栽培環境から予測できる。同様に、作物の実の成長について、実の肥大化および実の成熟は、作物の品種と栽培方法と栽培環境に依存する。よって、作物の実の成長量は、品種と栽培方法と栽培環境から予測できる。

その後、端末装置５０は、サーバ装置１００にアクセスする（Ｓ１４）。すると、サーバ装置１００は、ステップＳ１２，Ｓ１３の測定と同じ日における区画毎の環境推定値を端末装置５０に送信する（Ｓ１５）。また、サーバ装置１００は、ステップＳ１２，Ｓ１３の測定の翌日（または、１週間後）における区画毎の状態予測値を端末装置５０に送信する（Ｓ１６）。端末装置５０は、環境推定値および状態予測値を表示してユーザに提示する。これにより、ユーザは、ビニールハウス４０の中における栽培環境のばらつきを確認することができると共に、区画毎の作物の状態の予測を確認することができる。

翌日も上記のシーケンスが行われる。すなわち、サーバ装置１００は、ビニールハウス４０のセンサデバイス４１，４２，４３，４４によって測定された環境測定値を受信する（Ｓ１７）。また、サーバ装置１００は、ビニールハウス４０の各区画の作物の状態を示す状態測定値を受信する（Ｓ１８）。１日分の環境測定値および状態測定値がアップロードされると、サーバ装置１００は、その日における区画毎の栽培環境を示す環境推定値と、翌日における区画毎の作物の状態を示す状態予測値とを算出する。端末装置５０は、サーバ装置１００にアクセスする（Ｓ１９）。すると、サーバ装置１００は、環境推定値を端末装置５０に送信し（Ｓ２０）、状態予測値を端末装置５０に送信する（Ｓ２１）。端末装置５０は、環境推定値および状態予測値を表示してユーザに提示する。

上記のように、環境変換モデル、節成長モデルおよび実成長モデルとしてニューラルネットワークを用いることができる。そこで、ニューラルネットワークについて説明する。
図５は、ニューラルネットワークの例を示す図である。

ニューラルネットワーク１４１は、入力層および出力層を有し、入力層と出力層の間に複数の中間層を有する。入力層、中間層および出力層はそれぞれ、複数のノードを含む。入力層の各ノードは、１つ後の中間層の複数のノードとエッジで接続される。出力層の各ノードは、１つ前の中間層の複数のノードとエッジで接続される。中間層の各ノードは、１つ前の層の複数のノードとエッジで接続されると共に、１つ後の層の複数のノードとエッジで接続される。ノードはニューロンに相当し、エッジはシナプスに相当する。

各エッジには重みが付与される。機械学習の開始時には重みが初期値に設定され、機械学習を通じて重みが決定される。ニューラルネットワーク１４１の重みは、学習すべきモデルパラメータである。重みを調整することで、ニューラルネットワーク１４１は様々な関数を近似することができる。入力層に対しては、説明変数に相当する特徴量が入力される。入力層に対する入力は、入力層から複数の中間層を経由して出力層に伝播する。出力層からは、目的変数に相当する予測結果が出力される。

ニューラルネットワーク１４１のエッジの重みは、誤差逆伝播法により学習される。まず、ある特徴量が入力層に対して入力され、その特徴量に対する予測結果が出力層から出力される。入力された特徴量に対応する既知の結果を示す教師ラベルと出力層から出力された予測結果との間の誤差が算出される。この誤差の情報が出力層から入力層に向かって逆方向に伝播され、出力層に近い方から順に各エッジの重みが更新される。重みの更新では、例えば、現在の重みや予測結果の算出途中で中間層から出力された値などに基づいて、エッジ毎に誤差の勾配が算出される。この誤差の勾配に所定の学習率を乗じた数値だけ、誤差が小さくなる方向にエッジの重みが変動する。

このようなニューラルネットワーク１４１を用いて、環境変換モデル、節成長モデルおよび実成長モデルを実装できる。その場合、環境変換モデルの入力層には、センサデバイス４１，４２，４３，４４によって測定された４セットの環境測定値が入力され、環境変換モデルの出力層からは、１セットの環境推定値が出力される。節成長モデルの入力層には、節状態の状態測定値と環境推定値が入力され、節成長モデルの出力層からは、節状態の状態予測値が出力される。実成長モデルの入力層には、実状態の状態測定値と環境推定値が入力され、実成長モデルの出力層からは、実状態の状態予測値が出力される。環境測定値および環境推定値としては、温度、湿度、ＣＯ２濃度および日射量それぞれの１日の平均値が用いられる。ただし、１時間毎の数値のベクトルを用いてもよい。

環境変換モデルとして、線形回帰モデルを用いることもできる。その場合、環境変換モデルは、センサデバイス４１，４２，４３，４４で測定された温度、湿度、ＣＯ２濃度および日射量の１日の平均値を示す１６個の変数をもち、１６個の変数に対する重みおよび定数を示す係数をモデルパラメータとしてもつことになる。線形回帰モデルのモデルパラメータは、線形回帰分析によって学習することができる。

次に、環境変換モデルの学習について説明する。
図６は、成長モデルと環境変換モデルの使用例を示すデータフロー図である。
サーバ装置１００は、ビニールハウス４０以外の農地において過去に測定された環境測定値および状態測定値を示す訓練データ１４２を用意しておく。サーバ装置１００は、訓練データを用いて、節成長モデル１４３ａおよび実成長モデル１４３ｂを学習する。ただし、節成長モデル１４３ａおよび実成長モデル１４３ｂの学習を他の情報処理装置で行っておき、学習済みの節成長モデル１４３ａおよび実成長モデル１４３ｂをサーバ装置１００が取得してもよい。節成長モデル１４３ａおよび実成長モデル１４３ｂは、予測対象であるビニールハウス４０とは独立に学習することができる。

次に、サーバ装置１００は、ある日にビニールハウス４０で測定された環境測定値１４４を取得する。環境測定値１４４は、センサデバイス４１，４２，４３，４４が設置された代表点における温度、湿度、ＣＯ２濃度および日射量を示す。また、サーバ装置１００は、複数の区画それぞれに対して環境変換モデル１４５を用意する。環境変換モデル１４５の学習の開始時には、環境変換モデル１４５のモデルパラメータを初期化する。例えば、サーバ装置１００は、ニューラルネットワークの重みを初期値に設定する。または、サーバ装置１００は、線形回帰モデルの係数を初期値に設定する。

複数の区画に対応する複数の環境変換モデルの学習は、互いに独立に行われる。ここでは、区画Ａ１に対応する環境変換モデル１４５を学習することを考える。サーバ装置１００は、区画Ａ１に対応する環境変換モデル１４５に環境測定値１４４を入力し、区画Ａ１の栽培環境を示す環境推定値１４６を算出する。環境推定値１４６は、区画Ａ１における温度、湿度、ＣＯ２濃度および日射量を示す。

サーバ装置１００は、環境測定値１４４と同じ日に測定された区画Ａ１の作物の節状態測定値と区画Ａ１の環境推定値１４６とを節成長モデル１４３ａに入力し、区画Ａ１の節状態予測値１４７ａを算出する。節状態予測値１４７ａは、翌日における区画Ａ１の作物の節数、先端の長さおよび開花の有無を示す。また、サーバ装置１００は、環境測定値１４４と同じ日に測定された区画Ａ１の作物の実状態測定値と区画Ａ１の環境推定値１４６とを実成長モデル１４３ｂに入力し、区画Ａ１の実状態予測値１４７ｂを算出する。実状態予測値１４７ｂは、翌日における区画Ａ１の作物の実のサイズおよび実の色度を示す。

次に、サーバ装置１００は、環境測定値１４４の翌日に測定された区画Ａ１の作物の節状態測定値１４８ａおよび実状態測定値１４８ｂを取得する。すると、サーバ装置１００は、節状態予測値１４７ａと節状態測定値１４８ａの誤差を算出し、実状態予測値１４７ｂと実状態測定値１４８ｂの誤差を算出する。節状態予測値１４７ａと節状態測定値１４８ａの誤差は、例えば、節数、先端の長さ、開花の有無などの複数の項目それぞれの差の重み付き和である。実状態予測値１４７ｂと実状態測定値１４８ｂの誤差は、例えば、サイズ、色度などの複数の項目それぞれの差の重み付き和である。サーバ装置１００は、節状態予測値１４７ａの誤差と実状態予測値１４７ｂの誤差を合成した全体誤差を算出し、全体誤差が小さくなるように環境変換モデル１４５のモデルパラメータを更新する。

ここで、節状態予測値１４７ａをｙ＾、節状態測定値１４８ａをｙ、実状態予測値１４７ｂをｚ＾、実状態測定値１４８ｂをｚ、環境変換モデル１４５に含まれるｍ個の重みをｗ_１，ｗ_２，…，ｗ_ｍとする。環境測定値１４４を固定値とみなし、重みｗ_１，ｗ_２，…，ｗ_ｍを可変パラメータとみなした場合、節状態予測値ｙ＾は、重みｗ_１，ｗ_２，…，ｗ_ｍを引数としてもつ関数ｆの出力と解釈できる（数式（１））。同様に、実状態予測値ｚ＾は、重みｗ_１，ｗ_２，…，ｗ_ｍを引数としてもつ関数ｇの出力と解釈できる（数式（２））。

サーバ装置１００は、関数ｆ，ｇに対して最急降下法などの最適化アルゴリズムを適用することが考えられる。例えば、サーバ装置１００は、全体誤差として、節状態予測値１４７ａの誤差および実状態予測値１４７ｂの誤差の二乗和平方根（（ｙ＾−ｙ）^２＋（ｚ＾−ｚ）^２）^１／２を算出する。サーバ装置１００は、ある重みｗ_ｉの微小変化量に対する全体誤差の変化量を示す勾配を算出し、勾配に学習率αを乗じた値だけ重みｗ_ｉを変化させる（数式（３））。

上記を１日毎に繰り返し実行することで、環境変換モデル１４５の変換精度を改善することができる。すなわち、１日目の環境測定値１４４、節状態測定値１４８ａおよび実状態測定値１４８ｂを用いて、２日目の節状態予測値１４７ａおよび実状態予測値１４７ｂが予測される。その予測結果と、予測の翌日に取得される２日目の節状態測定値１４８ａおよび実状態測定値１４８ｂとが比較されて、環境変換モデル１４５が更新される。また、２日目の環境測定値１４４、節状態測定値１４８ａおよび実状態測定値１４８ｂを用いて、３日目の節状態予測値１４７ａおよび実状態予測値１４７ｂが予測される。その予測結果と、予測の翌日に取得される３日目の節状態測定値１４８ａおよび実状態測定値１４８ｂとが比較されて、環境変換モデル１４５が更新される。

次に、サーバ装置１００の機能について説明する。
図７は、サーバ装置の機能例を示すブロック図である。
サーバ装置１００は、訓練データ記憶部１２１、成長モデル記憶部１２２、環境モデル記憶部１２３および測定データ記憶部１２４を有する。これらの記憶部は、例えば、ＲＡＭ１０２またはＨＤＤ１０３の記憶領域を用いて実現される。また、サーバ装置１００は、成長モデル学習部１２５、成長予測部１２６、環境モデル学習部１２７およびユーザ通信部１２８を有する。これらの処理部は、例えば、プログラムを用いて実現される。

訓練データ記憶部１２１は、節成長モデルおよび実成長モデルの学習に用いられる訓練データを記憶する。この訓練データは、ビニールハウス４０以外の農地において測定された栽培環境および作物の状態を示すものであってよい。

成長モデル記憶部１２２は、学習された節成長モデルおよび実成長モデルを記憶する。成長モデル記憶部１２２は、作物の品種と栽培方法の組毎に、節成長モデルおよび実成長モデルを記憶する。この節成長モデルおよび実成長モデルは、特定の農地に依存しないものである。なお、サーバ装置１００で節成長モデルおよび実成長モデルを学習する代わりに、他の情報処理装置から節成長モデルおよび実成長モデルを取得してもよい。

環境モデル記憶部１２３は、学習された環境変換モデルを記憶する。環境モデル記憶部１２３は、ビニールハウス４０に含まれる区画毎に環境変換モデルを記憶する。この環境変換モデルは、ビニールハウス４０に特化したものである。また、環境モデル記憶部１２３は、各区画の栽培環境の推定結果を記憶する。

測定データ記憶部１２４は、ビニールハウス４０において測定された栽培環境を示す環境データおよび作物の状態を示す状態データを記憶する。環境データおよび状態データは、端末装置５０から送信されることもあるし、ビニールハウス４０に設置された各種機器から送信されることもある。測定データ記憶部１２４は、日々送信される環境データおよび状態データを履歴として蓄積する。蓄積された環境データおよび状態データは、ビニールハウス４０の栽培状況をユーザが確認するために用いられる。また、蓄積された環境データおよび状態データは、環境変換モデルの学習の際に訓練データとして用いられる。

成長モデル学習部１２５は、訓練データ記憶部１２１に記憶された訓練データを用いて、機械学習により節成長モデルおよび実成長モデルを生成する。節成長モデルおよび実成長モデルは、例えば、ニューラルネットワークとして学習する。ただし、成長モデル学習部１２５は、他の機械学習アルゴリズムを採用してもよい。成長モデル学習部１２５は、生成した節成長モデルおよび実成長モデルを成長モデル記憶部１２２に格納する。

成長予測部１２６は、最新の環境データおよび状態データが測定データ記憶部１２４に追加されると、環境モデル記憶部１２３に記憶された環境変換モデルを用いて、ビニールハウス４０の各区画の栽培環境を推定する。成長予測部１２６は、各区画の栽培環境の推定結果を環境モデル記憶部１２３に格納する。次に、成長予測部１２６は、成長モデル記憶部１２２に記憶された節成長モデルおよび実成長モデルを用いて、栽培環境の推定結果と最新の状態データから、翌日の作物の状態を区画毎に予測する。成長予測部１２６は、各区画の作物の状態の予測結果を測定データ記憶部１２４に格納してもよい。ただし、成長予測部１２６は、１週間後の作物の状態を予測してもよい。

環境モデル学習部１２７は、最新の状態データが測定データ記憶部１２４に追加されると、前日の予測結果と最新の状態データとの間の誤差を、ビニールハウス４０の区画毎に算出する。環境モデル学習部１２７は、誤差が小さくなるように、環境モデル記憶部１２３に記憶された各区画の環境変換モデルを更新する。ただし、成長予測部１２６が１週間後の作物の状態を予測している場合、環境モデル学習部１２７は、１週間前の予測結果と最新の状態データとの間の誤差に基づいて環境変換モデルを更新する。

ユーザ通信部１２８は、ビニールハウス４０の各種機器および端末装置５０と通信するインタフェースである。ユーザ通信部１２８は、ビニールハウス４０で測定された環境データおよび状態データを受信し、測定データ記憶部１２４に格納する。また、ユーザ通信部１２８は、端末装置５０からアクセスを受け付け、画面データを端末装置５０に送信する。画面データには、ビニールハウス４０の各区画の栽培環境の推定結果や、各区画における作物の状態の予測結果が含まれることがある。

図８は、節成長データテーブルと実成長データテーブルの例を示す図である。
訓練データ記憶部１２１は、節成長データテーブル１３１を記憶する。節成長データテーブル１３１は、節成長モデルの学習に用いる訓練データを記憶する。節成長データテーブル１３１は、栽培環境の指標として温度、湿度、ＣＯ２濃度および日射量を含み、現在状態の指標として節数、先端の長さおよび開花を含み、次状態の指標として節数、先端の長さおよび開花を含む。栽培環境の指標および現在状態の指標は、節成長モデルの説明変数に相当し、次状態の指標は、節成長モデルの目的変数に相当する。

栽培環境の温度、湿度、ＣＯ２濃度および日射量は、作物の近くである日に測定された数値である。日射量は、例えば、光合成光量子束密度（ＰＰＦＤ：Photosynthetic Photon Flux Density）である。現在状態の節数、先端の長さおよび開花は、作物について栽培環境と同じ日に測定された数値である。次状態の節数、先端の長さおよび開花は、作物について栽培環境および現在状態の翌日に測定された数値である。節数は、作物の枝に存在する節の数である。先端の長さは、枝の最も外側にある節より先の長さである。開花は、花の有無である。

また、訓練データ記憶部１２１は、実成長データテーブル１３２を記憶する。実成長データテーブル１３２は、実成長モデルの学習に用いる訓練データを記憶する。実成長データテーブル１３２は、栽培環境の指標として温度、湿度、ＣＯ２濃度および日射量を含み、現在状態の指標としてサイズおよび色度を含み、次状態の指標としてサイズおよび色度を含む。栽培環境の指標および現在状態の指標は、実成長モデルの説明変数に相当し、次状態の指標は、実成長モデルの目的変数に相当する。

栽培環境の温度、湿度、ＣＯ２濃度および日射量は、作物の近くである日に測定された数値である。現在状態のサイズおよび色度は、作物について栽培環境と同じ日に測定された数値である。次状態のサイズおよび色度は、作物について栽培環境および現在状態の翌日に測定された数値である。サイズは、実の大きさである。色度は、実の色を表す数値である。色度は、例えば、Ｌａｂ色空間で表現される。

図９は、環境実績テーブルと成長実績テーブルの例を示す図である。
測定データ記憶部１２４は、環境実績テーブル１３３を記憶する。環境実績テーブル１３３は、ビニールハウス４０で測定された環境データを記憶する。環境実績テーブル１３３は、日付、センサＩＤ、温度、湿度、ＣＯ２濃度および日射量を含む。日付は、栽培環境が測定された日である。センサＩＤは、栽培環境を測定したセンサデバイスの識別子である。温度、湿度、ＣＯ２濃度および日射量は、栽培環境の指標である。温度、湿度、ＣＯ２濃度および日射量として、例えば、１日の平均値が用いられる。

また、測定データ記憶部１２４は、成長実績テーブル１３４を記憶する。成長実績テーブル１３４は、ビニールハウス４０で測定された状態データを記憶する。成長実績テーブル１３４は、日付、区画ＩＤ、節数、先端の長さ、開花、サイズおよび色度を含む。日付は、節状態および実状態が測定された日である。区画ＩＤは、ビニールハウス４０の区画の識別子である。節数、先端の長さおよび開花は、当該区画で測定された節状態の指標である。サイズおよび色度は、当該区画で測定された実状態の指標である。

図１０は、変換モデルテーブルと推定環境テーブルの例を示す図である。
環境モデル記憶部１２３は、変換モデルテーブル１３５を記憶する。変換モデルテーブル１３５は、複数の区画に対応する複数の環境変換モデルを示す。変換モデルテーブル１３５は、区画ＩＤとモデルパラメータとを対応付ける。区画ＩＤは、ビニールハウス４０の区画の識別子である。モデルパラメータは、環境変換モデルに含まれており前述の図６の方法で学習されるパラメータである。環境変換モデルがニューラルネットワークである場合、モデルパラメータはエッジの重みの集合である。環境変換モデルが線形回帰モデルである場合、モデルパラメータは線形式の係数の集合である。

また、環境モデル記憶部１２３は、推定環境テーブル１３６を記憶する。推定環境テーブル１３６は、ビニールハウス４０の区画毎の栽培環境の推定結果を記憶する。推定環境テーブル１３６は、日付、区画ＩＤ、温度、湿度、ＣＯ２濃度および日射量を含む。日付は、推定した栽培環境が示す日である。区画ＩＤは、ビニールハウス４０の区画の識別子である。温度、湿度、ＣＯ２濃度および日射量は、推定した栽培環境の指標である。

次に、サーバ装置１００の処理手順について説明する。
図１１は、成長予測の手順例を示すフローチャートである。
（Ｓ３０）成長モデル学習部１２５は、ビニールハウス４０とは異なる実験環境において収集された訓練データを、訓練データ記憶部１２１から読み出す。訓練データは、節成長データテーブル１３１および実成長データテーブル１３２に記憶されている。

（Ｓ３１）成長モデル学習部１２５は、ステップＳ３０で読み出した訓練データから、機械学習により節成長モデルおよび実成長モデルを学習する。節成長データテーブル１３１から節成長モデルが学習され、実成長データテーブル１３２から実成長モデルが学習される。これらの成長モデルは、例えば、ニューラルネットワークである。

（Ｓ３２）ユーザ通信部１２８は、品種と栽培方法と区画の指定を受信する。
（Ｓ３３）環境モデル学習部１２７は、ステップＳ３２で指定された区画それぞれに対して環境変換モデルを用意し、環境変換モデルのモデルパラメータを初期化する。

（Ｓ３４）ユーザ通信部１２８は、センサデバイス４１，４２，４３，４４で測定された本日の環境測定値を受信する。例えば、ユーザ通信部１２８は、センサデバイス４１，４２，４３，４４または端末装置５０から環境測定値を受信する。また、ユーザ通信部１２８は、ビニールハウス４０の各区画で測定された本日の状態測定値を受信する。例えば、ユーザ通信部１２８は、監視装置または端末装置５０から状態測定値を受信する。

（Ｓ３５）成長予測部１２６は、ビニールハウス４０の区画を１つ選択する。
（Ｓ３６）成長予測部１２６は、ステップＳ３５で選択した区画に対応する環境変換モデルを読み出す。成長予測部１２６は、ステップＳ３４で受信された本日の環境測定値を当該環境変換モデルに入力し、選択された区画の環境推定値に変換する。

（Ｓ３７）成長予測部１２６は、ステップＳ３１で学習された節成長モデルおよび実成長モデルであって、ステップＳ３２で指定された品種および栽培方法に対応する節成長モデルおよび実成長モデルを読み出す。成長予測部１２６は、ステップＳ３６で変換された環境推定値とステップＳ３４で受信された当該区画の本日の状態測定値とを、節成長モデルに入力し、当該区画の翌日の節状態を示す状態予測値を算出する。また、成長予測部１２６は、環境推定値と当該区画の本日の状態測定値とを、実成長モデルに入力し、当該区画の翌日の実状態を示す状態予測値を算出する。

（Ｓ３８）環境モデル学習部１２７は、前日の環境測定値に基づいて予測された当該区画の状態予測値を取得する。前日時点の状態予測値は、前日に算出された際に保存しておいてもよいし、本日に再度算出してもよい。環境モデル学習部１２７は、前日時点の状態予測値とステップＳ３４で受信された当該区画の本日の状態測定値とを比較し、両者の誤差を算出する。誤差の算出では、節状態の状態予測値と節状態の状態測定値とが比較され、実状態の状態予測値と実状態の状態測定値とが比較される。

（Ｓ３９）環境モデル学習部１２７は、ステップＳ３８で算出された誤差に基づいて、誤差が小さくなるように当該区画の環境変換モデルのモデルパラメータを更新する。
（Ｓ４０）成長予測部１２６は、ステップＳ３５においてビニールハウス４０に含まれる全ての区画を選択したか判断する。全ての区画を選択した場合はステップＳ４１に進み、未選択の区画がある場合はステップＳ３５に戻る。

（Ｓ４１）成長予測部１２６は、ステップＳ３２で指定された品種および栽培方法について今年度の栽培が終了したか判断する。今年度の栽培が終了は、日付から判断してもよいし、ユーザからの入力に基づいて判断してもよい。今年度の栽培が終了した場合は成長予測が終了し、終了していない場合はステップＳ３４に戻る。

図１２は、端末装置に表示されるユーザ画面の例を示す図である。
ユーザ画面１４９は、端末装置５０の表示装置に表示される。ユーザ画面１４９に相当する画面データは、端末装置５０からサーバ装置１００へのアクセスに応じて、サーバ装置１００から端末装置５０に送信される。

ユーザ画面１４９では、作物の品種および栽培方法を入力することができる。また、ユーザ画面１４９には、サーバ装置１００にアップロードされた環境測定値が表示される。ユーザ画面１４９において、環境測定値を入力できるようにしてもよい。また、ユーザ画面１４９には、サーバ装置１００にアップロードされた状態測定値が表示される。ユーザ画面１４９において、状態測定値を入力できるようにしてもよい。また、ユーザ画面１４９では、農地の区画を設定することができる。ユーザ画面１４９には、設定された区画毎に、現在の栽培環境の推定結果である環境推定値が表示される。また、ユーザ画面１４９には、設定された区画毎に、翌日の作物状態の予測結果である状態予測値が表示される。なお、状態予測値としては、節の状態の予測値と実の状態の予測値が含まれる。節の状態の予測値には、節数、先端の長さおよび開花の有無が含まれる。実の状態の予測値には、実のサイズおよび実の色度が含まれる。

ユーザは、区画ごとに、作物状態の予測結果を確認することができる。よって、ユーザは、各区画の予測結果を総合的に確認して、農地全体として、所定時期に所望の収量が見込めそうかが確認できる。さらに、図１２のように、区画ごとに、作物状態の予測結果と栽培環境の推定結果とを対応付けて表示することで、全区画の成長と比較して、一部の区画で成長が思わしくない場合、ユーザは、センサ設置間隔よりもより細かい区画ごとに、環境に不備がないかなどを検討することができる。

ただし、ユーザ画面１４９に表示される状態予測値は、１週間後の作物状態の予測結果など、より遠い将来の予測結果であってもよい。このようなユーザ画面１４９によって、農家による作物の生産を支援することができる。

第２の実施の形態の情報処理システムによれば、所定期間後の作物の状態の予測がユーザに提示される。よって、ユーザによる農作業の管理が容易となる。また、特定の農地に依存しない一般的な成長モデルを利用して、特定の農地における作物の状態を予測することができる。よって、特定の農地のための個別の成長モデルを学習しなくてよく、蓄積されたデータが少ない農地においても作物の状態の予測が可能となる。

また、同一農地内の複数の区画それぞれに対して、所定期間後の作物の状態が予測される。よって、温度や湿度などの栽培環境が不均一であるために区画によって作物の成長にばらつきが生じる場合であっても、それら複数の区画の作物の状態を精度よく予測することができる。また、複数の区画の間の栽培環境のばらつきを確認することができ、栽培環境を均一化するための対応策を検討することが容易となる。また、栽培環境を測定するためのセンサデバイスを農地内に高密度に設置しなくてよい。よって、設置するセンサデバイスの個数が少なくてもよく、栽培環境を測定するコストを削減できる。また、予測対象の農地における日々のデータ収集に応じて、各区画の栽培環境を推定する環境変換モデルが更新される。よって、作物の状態の予測精度をリアルタイムに改善することができる。

１０ 作物成長予測装置
１１ 記憶部
１２ 処理部
１３ 予測モデル
１４ 環境変換モデル
１５，１６ 環境データ
１７，１８ 状態データ

Claims (7)

1. コンピュータに、
   農地に設置されたセンサデバイスによって測定された、前記農地における第１の位置における第１の栽培環境を示す第１の環境データを取得し、
   前記第１の位置と異なる第２の位置に対応する環境変換モデルを用いて、前記第１の環境データを前記第２の位置における第２の栽培環境を示す第２の環境データに変換し、
   栽培環境を示す環境データから前記環境データの測定時点より後の時点における特定の作物の状態を示す状態データを生成する予測モデルを用いて、前記第２の位置における前記第２の環境データから前記第２の位置における前記特定の作物の状態の予測を示す第１の状態データを生成し、
   前記第１の環境データの測定時点より後に前記第２の位置において測定された、前記特定の作物の状態を示す第２の状態データを取得し、
   予測された前記第１の状態データと測定された前記第２の状態データとの間の誤差を算出し、
   前記誤差に基づいて前記第２の位置に対応する前記環境変換モデルを更新する、
   処理を実行させる作物成長予測プログラム。
2. 前記予測モデルは、前記第１の位置および前記第２の位置を含む予測対象の前記農地の外部で測定された他の環境データおよび他の状態データを用いて学習され、前記環境変換モデルは、前記予測対象の前記農地で測定された前記環境データおよび前記状態データを用いて学習される、
   請求項１記載の作物成長予測プログラム。
3. 前記環境変換モデルは、前記農地の中の複数の区画それぞれに対して学習される、
   請求項１記載の作物成長予測プログラム。
4. 前記コンピュータに更に、
   前記環境変換モデルを用いて推定された前記第２の環境データと、前記予測モデルを用いて予測された前記第１の状態データとを、前記第２の位置を示す識別情報と対応付けて、表示装置に表示させる、
   処理を実行させる請求項１記載の作物成長予測プログラム。
5. 前記環境変換モデルは、温度、湿度、二酸化炭素濃度および日射量のうちの１つ以上について、前記センサデバイスの測定値を前記第２の位置における推定値に変換する、
   請求項１記載の作物成長予測プログラム。
6. コンピュータが、
   農地に設置されたセンサデバイスによって測定された、前記農地における第１の位置における第１の栽培環境を示す第１の環境データを取得し、
   前記第１の位置と異なる第２の位置に対応する環境変換モデルを用いて、前記第１の環境データを前記第２の位置における第２の栽培環境を示す第２の環境データに変換し、
   栽培環境を示す環境データから前記環境データの測定時点より後の時点における特定の作物の状態を示す状態データを生成する予測モデルを用いて、前記第２の位置における前記第２の環境データから前記第２の位置における前記特定の作物の状態の予測を示す第１の状態データを生成し、
   前記第１の環境データの測定時点より後に前記第２の位置において測定された、前記特定の作物の状態を示す第２の状態データを取得し、
   予測された前記第１の状態データと測定された前記第２の状態データとの間の誤差を算出し、
   前記誤差に基づいて前記第２の位置に対応する前記環境変換モデルを更新する、
   作物成長予測方法。
7. 栽培環境を示す環境データから前記環境データの測定時点より後の時点における特定の作物の状態を示す状態データを生成する予測モデルと、センサデバイスが設置された農地における第１の位置と異なる前記農地における第２の位置に対応しており、前記環境データを変換する環境変換モデルとを記憶する記憶部と、
   前記センサデバイスによって測定された、前記第１の位置における第１の栽培環境を示す第１の環境データを取得し、前記環境変換モデルを用いて、前記第１の環境データを前記第２の位置における第２の栽培環境を示す第２の環境データに変換し、前記予測モデルを用いて、前記第２の位置における前記第２の環境データから前記第２の位置における前記特定の作物の状態の予測を示す第１の状態データを生成し、前記第１の環境データの測定時点より後に前記第２の位置において測定された、前記特定の作物の状態を示す第２の状態データを取得し、予測された前記第１の状態データと測定された前記第２の状態データとの間の誤差を算出し、前記誤差に基づいて前記第２の位置に対応する前記環境変換モデルを更新する処理部と、
   を有する作物成長予測装置。

Images