JP2022136058A - 農作物の生産成績を予測する予測モデルの生成方法、生成装置、及び生成プログラム - Google Patents
農作物の生産成績を予測する予測モデルの生成方法、生成装置、及び生成プログラム Download PDFInfo
- Publication number
- JP2022136058A JP2022136058A JP2022033769A JP2022033769A JP2022136058A JP 2022136058 A JP2022136058 A JP 2022136058A JP 2022033769 A JP2022033769 A JP 2022033769A JP 2022033769 A JP2022033769 A JP 2022033769A JP 2022136058 A JP2022136058 A JP 2022136058A
- Authority
- JP
- Japan
- Prior art keywords
- data
- prediction model
- prediction
- weather
- year
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 42
- 238000012272 crop production Methods 0.000 title description 3
- 238000004519 manufacturing process Methods 0.000 claims abstract description 309
- 238000005259 measurement Methods 0.000 claims abstract description 47
- 239000002689 soil Substances 0.000 claims description 81
- 238000000611 regression analysis Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 description 46
- 238000003860 storage Methods 0.000 description 28
- 238000003306 harvesting Methods 0.000 description 20
- 238000004088 simulation Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 14
- 235000013399 edible fruits Nutrition 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 241000196324 Embryophyta Species 0.000 description 11
- 230000032683 aging Effects 0.000 description 11
- 238000007726 management method Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 238000001556 precipitation Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 241001672694 Citrus reticulata Species 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 5
- 238000013179 statistical model Methods 0.000 description 5
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 5
- 230000004720 fertilization Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 244000061520 Angelica archangelica Species 0.000 description 1
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 235000000832 Ayote Nutrition 0.000 description 1
- 235000016068 Berberis vulgaris Nutrition 0.000 description 1
- 241000335053 Beta vulgaris Species 0.000 description 1
- 241000212948 Cnidium Species 0.000 description 1
- 240000007154 Coffea arabica Species 0.000 description 1
- 240000004244 Cucurbita moschata Species 0.000 description 1
- 235000009854 Cucurbita moschata Nutrition 0.000 description 1
- 235000009804 Cucurbita pepo subsp pepo Nutrition 0.000 description 1
- 244000061508 Eriobotrya japonica Species 0.000 description 1
- 235000009008 Eriobotrya japonica Nutrition 0.000 description 1
- 235000016623 Fragaria vesca Nutrition 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 235000011363 Fragaria x ananassa Nutrition 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 240000004670 Glycyrrhiza echinata Species 0.000 description 1
- 235000001453 Glycyrrhiza echinata Nutrition 0.000 description 1
- 235000006200 Glycyrrhiza glabra Nutrition 0.000 description 1
- 235000017382 Glycyrrhiza lepidota Nutrition 0.000 description 1
- 235000001287 Guettarda speciosa Nutrition 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 244000017020 Ipomoea batatas Species 0.000 description 1
- 235000002678 Ipomoea batatas Nutrition 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 244000070406 Malus silvestris Species 0.000 description 1
- 235000006484 Paeonia officinalis Nutrition 0.000 description 1
- 244000170916 Paeonia officinalis Species 0.000 description 1
- 235000004347 Perilla Nutrition 0.000 description 1
- 244000124853 Perilla frutescens Species 0.000 description 1
- 240000005809 Prunus persica Species 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 244000299790 Rheum rhabarbarum Species 0.000 description 1
- 235000009411 Rheum rhabarbarum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 244000061458 Solanum melongena Species 0.000 description 1
- 235000002597 Solanum melongena Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 235000009337 Spinacia oleracea Nutrition 0.000 description 1
- 244000300264 Spinacia oleracea Species 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 241000219094 Vitaceae Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000016213 coffee Nutrition 0.000 description 1
- 235000013353 coffee beverage Nutrition 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000008641 drought stress Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- 235000009569 green tea Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 229940010454 licorice Drugs 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 235000021018 plums Nutrition 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 235000015136 pumpkin Nutrition 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000005945 translocation Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
図1に基づいて、農作物の生産成績を予測するために用いる予測システム100について説明する。予測システム100は、予測装置10、予測モデル生成装置20、及び気象データの予測モデル生成装置30を備えている。また、予測システム100は、さらに、入力装置40、記憶装置50、及び出力装置60を備えている。予測システム100は、予測装置10、予測モデル生成装置20、及び予測モデル生成装置30をそれぞれ独立した装置として備えていてもよいし、一の装置内に一体として備えていてもよい。
予測装置10は、農作物の生産成績を予測する予測装置である。予測装置10は、過去の年毎の生産成績の実測値データを参照して生成された、生産成績の経年変化を表す予測モデルを用いて、前年までの生産成績の実測値の少なくとも一部から当年の生産成績を予測する。
予測モデル生成装置20は、農作物の生産成績を予測する予測モデルの生成装置である。予測モデル生成装置20は、過去の年毎の生産成績の実測値データを参照して、生産成績の経年変化を表す予測モデルであって、前年までの生産成績の実測値の少なくとも一部から当年の生産成績を予測する予測モデルを生成する。
気象データの予測モデル生成装置30は、農作物の生産成績を予測する予測モデルの生成装置である。予測モデル生成装置30は、予測対象日以前の気象データの観測値データを参照して、生産成績と気象の影響とを表す予測モデルであって、予測対象日の気象データの予報値から生産成績を予測する予測モデル34を生成する。予測モデル生成装置30は、過去のある年の生産成績の実測値と、予測モデル34を用いて予測したその年の生産成績の予測値との差が最小となるように、気象データの変数の組み合わせを選択して、予測モデル34を生成する。
予測システム100における予測モデルを用いた生産成績の予測処理の流れの概念について、図5を参照して説明する。図5は、本発明の一態様に係る予測システムが実行する、予測モデルを用いた農作物の生産成績の予測の概念を説明する図である。なお、図5に示す気象データの変数は一例であり、気象データの変数はこれに限定されない。
予測装置10による予測処理(予測方法)の流れについて、図6を参照して説明する。図6は、本発明の一態様に係る予測装置が実行する予測処理の一例を示すフローチャートである。図6に示すように、まず、入力データ取得部12は、前年までの(過去の)生産成績の実測値を取得する(ステップS1)。次に、入力データ取得部12は、当年の気象データの予報値を取得する(ステップS2)。そして、予測部13は、取得した前年までの生産成績の実測値と当年の気象データの予報値とを予測モデル24に入力し、出力された当年の生産成績の予測値を取得する(ステップS3、予測する工程)。予測部は、取得した予測値を予測結果として出力装置60に出力し(ステップS4)、処理を終了する。
予測モデル生成装置20による予測モデル24の生成処理(予測モデルの生成方法)の流れについて、図7を参照して説明する。図7は、本発明の一態様に係る予測モデルの生成装置が実行する予測モデル生成処理の一例を示すフローチャートである。図7に示すように、まず、学習データ取得部22は、過去の年毎の生産成績の実測値を取得する(ステップS11)。次に、学習データ取得部22は、それらの年の気象データの観測値を取得する(ステップS12)。そして、学習データ取得部22は、過去の年毎の生産成績に実測値とそれらの年の気象データの観測値とを対応付け、学習データ(測定データ)を生成する(ステップS13)。予測モデル生成部23は、生成した学習データを用いて、前年までの(過去の)生産成績の実測値と当年の気象データの予報値とが入力情報であり、当年の生産成績が出力情報である予測モデル24を生成する(ステップS14、生成する工程)。予測モデル生成部23は、生成した予測モデル24を記憶装置50へ格納する。
予測モデル生成装置30による予測モデル34の生成処理(予測モデルの生成方法)の流れについて、図8を参照して説明する。図8は、本発明の一態様に係る気象データの予測モデル生成装置が実行する予測モデルの生成処理の一例を示すフローチャートである。図8に示すように、まず、予測モデル生成部33は、気象データの各変数の積算値又は平均値を算出する起算日及び終算日、並びに、積算する又は平均する日数(算出日数)を設定する(ステップS21)。次に、予測モデル生成部33は、各変数について、起算日から終算日までの各日における算出日数の積算値又は平均値を算出する(ステップS22)。そして、予測モデル生成部33は、算出した値を用いて予測モデル34を回帰し、予測値と実測値との誤差を求める(ステップS23)。予測モデル生成部33は、誤差が最小となる変数の組み合わせ、積算値又は平均値の起算日及び終算日、並びに、算出日数を求める(ステップS24)。予測モデル生成部33は、得られた変数の組み合わせ、積算値又は平均値の起算日及び終算日、並びに、算出日数に基づいて、予測モデル34を生成する(ステップS25、生成する工程)。予測モデル生成部33は、生成した予測モデル34を記憶装置50へ格納する(ステップS26)。
予測装置10、予測モデル生成装置20、及び予測モデル生成装置30(以下、「装置」と呼ぶ)の機能は、これらの装置としてコンピュータを機能させるためのプログラムであって、これらの装置の各制御ブロック(特に制御部11、制御部21、及び制御部31に含まれる各部)としてコンピュータを機能させるためのプログラムにより実現することができる。
ミカンにおいて、複数の予測対象地点における過去の糖度及び酸度データを用いて生成した予測モデルを用いて糖度及び酸度を予測し、その精度を検証した。糖度予測及び酸度予測の精度は、令和2年度の実測値と予測モデルを用いた予測値とを比較して検証した。平成30年度及び令和1年度の気象観測値、並びに、令和2年度の3月22日時点の気象予報値を用いた。
(生産成績の平均値を用いる態様)
予測装置10は、過去の年毎の生産成績の実測値データを参照して生成された、生産成績の平均値を表す予測モデルを用いて、前年までの生産成績の実測値の少なくとも一部から当年の生産成績を予測してもよい。一例として、過去の年毎の生産成績の蓄積年数が2年から5年程度と少ない場合には、生産成績の経年変化を表す予測モデルではなく、生産成績の平均値を表す予測モデルを用いてもよい。ここで、生産成績の平均値は、所定の年数における各年の生産成績を平均した値であり得る。
また、予測モデル生成装置20が生成する予測モデル24及び予測モデル生成装置30が生成する予測モデル34は、過去の年毎の生産成績の実測値データとそれらの年の気象データの観測値データとを含む測定データを参照して生成された、生産成績の平均値と気象の影響とを表す予測モデルであってもよい。このような予測モデル24及び予測モデル34は、農作物の年毎の変動を平均値として考慮して、生産成績を予測することができる。
予測装置10は、過去の年毎の生産成績の実測値データと、それらの年の気象データの観測値データ及びそれらの年の土壌成分の測定値データの少なくとも一方とを含む測定データを参照して生成された、生産成績の経年変化又は平均値と気象の影響とを表す予測モデルを用いて、当年の生産成績を予測してもよい。ここで、土壌成分の測定値データは、一例として、農作物を生育させる圃場に設けられた、土壌水分計のような土壌センサにより測定された土壌成分値(土壌水分値、土壌pH値等)であり得る。
予測モデル24は、過去のある年の生産成績の実測値と、予測モデル24により予測した、その年の生産成績の予測値との差を、その年の気象データの観測値及びその年の土壌成分の測定値の少なくとも一方に基づいて回帰する回帰分析を用いて、再生成してもよい。
予測モデル生成装置30が生成する予測モデル34における気象データの変数の組み合わせ及び土壌成分の変数の組み合わせの選択は、情報量基準に基づいて実行してもよい。すなわち、予測モデルの生成方法において、情報量基準に基づき、気象データの変数の組み合わせ及び土壌成分の変数の組み合わせを選択して、予測モデル34を生成する態様についても、本発明の技術的範囲に含まれる。ここで、情報量基準としては、従来公知の情報量基準を用いることが可能であり、一例として、カルバック-ライブラー情報量基準、赤池情報量基準、ベイズ情報量基準等が挙げられる。
予測装置10は、予測された生産成績と農作物の生育ステージ毎の成績を表す基準値とを比較して、農作物の生育ステージを予測してもよい。ここで、農作物の生育ステージとは、農作物の開花期、収穫期、移植期等が意図される。予測装置10における生育ステージの予測は、予測部13において実行し得る。一例として、予測装置10の予測部13は、予測モデル24により得られた糖度や酸度のような生産成績の予測値が、予め設定された基準値(しきい値)を超えた場合に、収穫基準を満たしたとして、当該生産成績が予測された時期を収穫時期であると予測する。
なお、過去の年毎の農作物の実際の生育ステージの推移を表すデータと、それらの年の気象データの観測値データ及びそれらの年の土壌成分の測定値データの少なくとも一方とを含む測定データとを参照して生成された、生育ステージの推移と気象及び土壌成分の少なくとも一方の影響とを表す予測モデルを用いて、前年までの実際の生育ステージの推移の少なくとも一部と当年の気象データの予報値及び当年の土壌成分の測定値の少なくとも一方とから、当年の生育ステージの推移を予測する、生育ステージの予測装置についても、本発明の技術的範囲に含まれ得る。ここで、生育ステージの推移とは、一例として、開花日、収穫日、移植日等の農作物の各生育ステージの切り替わりの日付に関する情報が意図される。
予測装置の他の形態について、図17を参照して説明する。なお、説明の便宜上、上述した予測システム100及び予測装置10にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。図17は、本発明の他の形態に係る予測システム200の要部構成を示すブロック図である。予測システム200は、予測装置210の制御部211に、入力値生成部212、出力値取得部213、設定部214、及び算出部215を備える点において、図1に示す予測システム100と異なっている。
13 予測部
20 予測モデル生成装置
23 予測モデル生成部
30 予測モデル生成装置
33 予測モデル生成部(生成部)
100、200 予測システム
Claims (10)
- 農作物の生産成績を予測する予測モデルの生成方法であって、
予測対象日以前の気象データの観測値データ及び土壌成分の測定値データの少なくとも一方を参照して、前記生産成績と気象及び土壌成分の少なくとも一方の影響とを表す予測モデルであって、前記予測対象日の気象データの予報値及び土壌成分の測定値の少なくとも一方から前記生産成績を予測する予測モデルを生成する工程を包含し、
前記生成する工程において、過去のある年の前記生産成績の実測値と、前記予測モデルを用いて予測したその年の前記生産成績の予測値との差が最小となるように、前記気象データの変数の組み合わせ及び土壌成分の変数の組み合わせを選択して、前記予測モデルを生成する、生成方法。 - 前記生成する工程において、前記予測対象日以前の気象データ及び土壌成分の各変数について、それぞれの積算値又は平均値に基づく回帰分析により、前記気象データ及び前記土壌成分の変数の組み合わせを選択する、請求項1に記載の生成方法。
- 前記生成する工程において、前記積算値又は前記平均値を算出する起算日及び終算日、並びに算出日数に基づく回帰分析により、前記気象データ及び前記土壌成分の変数の組み合わせを選択する、請求項2に記載の生成方法。
- 前記生成する工程において、前記気象データ及び前記土壌成分の各変数について、前記起算日から前記終算日までの各日における前記算出日数分の積算値又は平均値に基づく回帰分析により、前記気象データ及び前記土壌成分の変数の組み合わせを選択する、請求項3に記載の生成方法。
- 前記予測モデルは、過去の年毎の前記生産成績の実測値データとそれらの年の気象データの観測値データ及びそれらの年の土壌成分の測定値データの少なくとも一方とを含む測定データを参照して生成した、前記生産成績の経年変化又は平均値と気象及び土壌成分の少なくとも一方の影響とを表す予測モデルであって、前年までの前記生産成績の実測値の少なくとも一部と前記予測対象日の気象データの予報値及び土壌成分の測定値の少なくとも一方とから、前記生産成績を予測する予測モデルである、請求項1から4のいずれか1項に記載の生成方法。
- 前記生成する工程においては、前記測定データを学習データとして機械学習を行うことによって、前年までの前記生産成績の実測値の少なくとも一部と前記予測対象日の気象データの予報値及び土壌成分の測定値の少なくとも一方とが入力情報であり、当年の前記生産成績が出力情報である予測モデルを生成する、請求項5に記載の生成方法。
- 農作物の生産成績を予測する予測モデルの生成装置であって、
予測対象日以前の気象データの観測値データ及び土壌成分の測定値データの少なくとも一方を参照して、前記生産成績と気象及び土壌成分の少なくとも一方の影響とを表す予測モデルであって、前記予測対象日の気象データの予報値及び土壌成分の測定値の少なくとも一方から前記生産成績を予測する予測モデルを生成する生成部を備え、
前記生成部は、過去のある年の前記生産成績の実測値と、前記予測モデルを用いて予測したその年の前記生産成績の予測値との差が最小となるように、前記気象データ及び前記土壌成分の変数の組み合わせを選択して、前記予測モデルを生成する、生成装置。 - 農作物の生産成績を予測する予測モデルの生成プログラムであって、
予測対象日以前の気象データの観測値データ及び土壌成分の測定値データの少なくとも一方を参照して、前記生産成績と気象及び土壌成分の少なくとも一方の影響とを表す予測モデルであって、前記予測対象日の気象データの予報値及び土壌成分の測定値の少なくとも一方から前記生産成績を予測する予測モデルを生成するステップを包含し、
前記生成するステップにおいて、過去のある年の前記生産成績の実測値と、前記予測モデルを用いて予測したその年の前記生産成績の予測値との差が最小となるように、前記気象データ及び前記土壌成分の変数の組み合わせを選択して、前記予測モデルを生成する、生成プログラム。 - 農作物の生育ステージを予測する予測モデルの生成方法であって、
過去の年毎の農作物の実際の生育ステージの推移を表すデータと、それらの年の気象データの観測値データ及びそれらの年の土壌成分の測定値データの少なくとも一方とを含む測定データを参照して、前記生育ステージの推移と気象及び土壌成分の少なくとも一方の影響とを表す予測モデルであって、前年までの実際の前記生育ステージの推移の少なくとも一部と当年の気象データの予報値及び当年の土壌成分の測定値の少なくとも一方とから、当年の前記生育ステージの推移を予測する予測モデルを生成する工程を包含する、生成方法。 - 前記生成する工程において、情報量基準に基づき、前記気象データの変数の組み合わせ及び土壌成分の変数の組み合わせを選択して、前記予測モデルを生成する、請求項1に記載の生成方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021035834 | 2021-03-05 | ||
JP2021035834 | 2021-03-05 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022136058A true JP2022136058A (ja) | 2022-09-15 |
Family
ID=83232430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022033769A Pending JP2022136058A (ja) | 2021-03-05 | 2022-03-04 | 農作物の生産成績を予測する予測モデルの生成方法、生成装置、及び生成プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022136058A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172385A (zh) * | 2023-09-15 | 2023-12-05 | 数字广西集团有限公司 | 一种甘蔗高糖度收获期预测方法及系统 |
WO2024090613A1 (ko) * | 2022-10-26 | 2024-05-02 | 신유식 | 인공지능을 이용하여 생산량을 예측하는 스마트 팜 |
-
2022
- 2022-03-04 JP JP2022033769A patent/JP2022136058A/ja active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024090613A1 (ko) * | 2022-10-26 | 2024-05-02 | 신유식 | 인공지능을 이용하여 생산량을 예측하는 스마트 팜 |
CN117172385A (zh) * | 2023-09-15 | 2023-12-05 | 数字广西集团有限公司 | 一种甘蔗高糖度收获期预测方法及系统 |
CN117172385B (zh) * | 2023-09-15 | 2024-03-19 | 数字广西集团有限公司 | 一种甘蔗高糖度收获期预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ur Rahman et al. | Multi-model projections of future climate and climate change impacts uncertainty assessment for cotton production in Pakistan | |
EP3534689B1 (en) | Controlling agricultural production areas | |
JP2022136058A (ja) | 農作物の生産成績を予測する予測モデルの生成方法、生成装置、及び生成プログラム | |
KR20180086738A (ko) | 작물 재배 가이드 정보 제공 장치, 및 그 방법 | |
Vezy et al. | DynACof: A process-based model to study growth, yield and ecosystem services of coffee agroforestry systems | |
Bannayan et al. | A stochastic modelling approach for real-time forecasting of winter wheat yield | |
Seyoum et al. | Application of the APSIM model to exploit G× E× M interactions for maize improvement in Ethiopia | |
Höglind et al. | Process-based simulation of growth and overwintering of grassland using the BASGRA model | |
JP2021056573A (ja) | 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 | |
JP2019030253A (ja) | 栽培支援装置、栽培支援方法、コンピュータプログラム及び記録媒体 | |
JP2019170359A (ja) | 植物栽培結果予測システム | |
KR20160040672A (ko) | 재배 지원 장치, 재배 지원 방법, 및 프로그램을 저장하는 기록 매체 | |
AU2023203307A1 (en) | Controlling Agricultural Production Areas | |
Chopard et al. | Development of a decision support system to evaluate crop performance under dynamic solar panels | |
Dinh et al. | Statistical analysis of the weather impact on Robusta Coffee Yield in Vietnam | |
Hopf et al. | Development and improvement of the CROPGRO-Strawberry model | |
JP2021179983A (ja) | 生育状態予測方法及び生育状態予測プログラム、並びに情報処理装置 | |
US20220225583A1 (en) | Management device for cultivation of fruit vegetable plants and fruit trees, learning device, management method for cultivation of fruit vegetable plants and fruit trees, learning model generation method, management program for cultivation of fruit vegetable plants and fruit trees, and learning model generation program | |
JP7208503B2 (ja) | 機械学習プログラム、機械学習方法および機械学習装置 | |
CN113010529A (zh) | 基于知识图谱的作物管理方法和装置 | |
JP2022136056A (ja) | 農作物の生産成績を予測する予測方法、予測装置、及び予測プログラム | |
JP2022136057A (ja) | 農作物の生産成績を予測する予測モデルの生成方法、生成装置、及び生成プログラム | |
Bhengra et al. | Calibration and validation study of sugarcane (DSSAT-CANEGRO V4. 6.1) model over North Indian region | |
JP2019219704A (ja) | 農業経営支援システム | |
Spiegel et al. | Step-by-step development of a model simulating returns on farm from investments: the example of hazelnut plantation in Italy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230622 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230726 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231024 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231219 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240319 |