JP2023031131A - 茶葉の成長を予測する予測モデルの生成方法及び生成装置、茶葉の成長を予測する予測方法及び予測装置、並びに予測システム - Google Patents
茶葉の成長を予測する予測モデルの生成方法及び生成装置、茶葉の成長を予測する予測方法及び予測装置、並びに予測システム Download PDFInfo
- Publication number
- JP2023031131A JP2023031131A JP2021136645A JP2021136645A JP2023031131A JP 2023031131 A JP2023031131 A JP 2023031131A JP 2021136645 A JP2021136645 A JP 2021136645A JP 2021136645 A JP2021136645 A JP 2021136645A JP 2023031131 A JP2023031131 A JP 2023031131A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- data
- model
- tea
- tea leaf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Cultivation Of Plants (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】茶葉の成長の予測に適したモデルを提供する。【解決手段】茶葉の成長を予測する予測モデルの生成方法は、茶樹を生育する圃場の過去の気象データを所定期間積算した積算値と、過去の茶葉の成長の程度とを学習データとして機械学習を行うことによって、対象となる年の任意の日から所定期間の気象データの積算値が入力情報であり、茶葉の成長の程度を表す情報が出力情報である予測モデルを、前記学習データに含まれる前記気象データの積算日数に応じて複数生成する生成工程を包含する。【選択図】図1
Description
特許法第30条第2項適用申請有り ・ウェブサイトのアドレス https://iibmp2020.sakura.ne.jp/ 掲載日 令和2年8月25日 ・研究集会名 2020年日本バイオインフォマティクス 学会年会 第9回生命医薬情報学連合大会 開催場所 オンライン会議(Zoom会議) 開催日 令和2年9月2日
本発明は、茶葉の成長を予測する予測モデルの生成方法及び生成装置、茶葉の成長を予測する予測方法及び予測装置、並びに予測システムに関する。
茶は新芽を摘み取る作物であり、摘採が遅れると品質が劣る一方、早すぎると収量が低下する。このため、品質の管理や安定した収量を確保するためには、適期に摘採する必要がある。従来、目視による判断や経験知に頼って摘採適期の予測を行うことが一般的であるが、予測にバラつきが生じやすく、また、茶園が山腹にある場合等では目視による観察は大変な労力を伴う。このような予測のバラつきや労力の軽減するための技術として、非特許文献1~2及び特許文献1~2に記載された技術が知られている。
非特許文献1には、積算気温、開葉数、及び新芽長の関係を表す式を用いて、摘採適期を予測する技術が記載されている。非特許文献2には、AMeDASの気象データから、茶の摘採期を予測する方法が記載されている。
特許文献1には、茶葉の画像情報の光学データに基づき、茶葉の摘採適期を予測する技術が記載されている。特許文献2には、茶園における秋整枝、施肥、防除等の各管理要素の適期及び管理態様を、茶樹環境情報及び経済環境情報の少なくとも一方に基づいて計画策定する技術が記載されている。
茶研報,97:39-47,「チャ主要品種'やぶきた'における一番茶新芽の生育と積算気温との関係」,2004
ふじのくに研究所平成28年度試験研究成果情報,「メッシュ農業気象でチャの摘採期を予測する茶園管理支援ソフト」,2016
茶葉の成長は、種々の気象条件や栽培条件が影響する。したがって、茶葉の摘採適期を予測するためには、種々の気象条件や栽培条件を考慮する必要がある。茶葉の摘採適期を予測する予測モデルを構築する場合、種々の気象条件や栽培条件から選択される説明変数の種類や数等により得られる予測モデルが異なり得る。茶葉の摘採適期の予測精度は用いる予測モデルにより異なり得るため、精度よく予測するために最適な予測モデルを選択する必要がある。非特許文献1~2及び特許文献1~2には、茶葉の摘採適期の予測するための複数の予測モデルの中から、予測する日数に応じて、変数の変更を含めた最適な予測モデルを選択及び更新することについて何ら記載されていない。
本発明の一態様は、上述した問題点を解決するためになされたものであり、その目的は、茶葉の成長の予測に適したモデルを提供する技術を実現することにある。
本発明の一態様に係る生成方法は、茶葉の成長を予測する予測モデルの生成方法であって、茶樹を生育する圃場の過去の気象データを所定期間積算した積算値と、過去の茶葉の成長の程度とを学習データとして機械学習を行うことによって、対象となる年の任意の日から所定期間の気象データの積算値が入力情報であり、茶葉の成長の程度を表す情報が出力情報である予測モデルを、前記学習データに含まれる前記気象データの積算日数に応じて複数生成する生成工程を包含する。
本発明の一態様に係る生成方法は、茶葉の成長を予測する予測モデルの生成方法であって、茶樹を生育する圃場の過去の気象データを所定期間積算した積算値の任意の年間の差分と、茶葉の成長の程度の前記任意の年間の差分とを学習データとして機械学習を行うことによって、茶樹を生育する圃場の過去の任意の年と対象となる年との前記積算値の差が入力情報であり、前記過去の任意の年と前記対象となる年との茶葉の成長の程度の差を表す情報が出力情報である予測モデルを生成する生成工程を包含する。
本発明の一態様に係る茶葉の成長を予測する予測方法は、本発明の一態様に係る生成方法により生成された予測モデルを用いて、茶葉の成長を予測する工程を包含する。
本発明の一態様に係る生成装置は、茶葉の成長を予測する予測モデルの生成装置であって、茶樹を生育する圃場の過去の気象データを所定期間積算した積算値と、過去の茶葉の成長の程度とを学習データとして機械学習を行うことによって、対象となる年の任意の日から所定期間の気象データの積算値が入力情報であり、茶葉の成長の程度を表す情報が出力情報である予測モデルを、前記気象データの積算日数に応じて複数生成する生成部を備えている。
本発明の一態様に係る生成装置は、茶葉の成長を予測する予測モデルの生成装置であって、茶樹を生育する圃場の過去の気象データを所定期間積算した積算値の任意の年間の差分と、茶葉の成長の程度の前記任意の年間の差分とを学習データとして機械学習を行うことによって、茶樹を生育する圃場の過去の任意の年と対象となる年との前記積算値の差が入力情報であり、前記過去の任意の年と前記対象となる年との茶葉の成長の程度の差を表す情報が出力情報である予測モデルを生成する生成部を備えている。
本発明の一態様に係る予測装置は、本発明の一態様に係る生成装置により生成された予測モデルを用いて、茶葉の成長を予測する予測部を備えている。
本発明の一態様に係る茶葉の成長を予測する予測システムは、本発明の一態様に係る生成装置と、本発明の一態様に係る予測装置とを備えている。
本発明の一態様によれば、茶葉の成長の予測に適したモデルを提供する技術を実現することができる。
以下、本発明の一態様は、茶葉の成長を予測するための予測システムを実現するものである。本発明の一態様に係る予測システムは、茶葉の開葉期を予測するものであり得、1開葉期、1.5開葉期、2開葉期、3開葉期、4開葉期、5開葉期、6開葉期等をそれぞれ予測するものであり得る。なお、1開葉期~6開葉期は、新葉の開葉数とその時期を表しており、新葉が1枚開葉する時期~6枚開葉する時期を、開葉する葉の数毎に表している。茶葉の摘採適期は、品質と収量とのバランスにより適宜設定されるものであるが、一般に3開葉期から5開葉期までの間が摘採適期とされ得る。したがって、本発明の一態様に係る予測システムは、茶葉の3開葉期から5開葉期までの期間を予測するものであることが好ましく、より好ましくは、茶葉の4開葉期を予測するものである。本発明の一態様に係る予測システムは、茶葉の摘採適期を予測する予測システムと称することもできる。
また、本発明の一態様に係る予測システムは、茶葉の成長を予測することにより、茶葉の収穫作業を支援すると共に、茶樹の栽培管理を支援することもできる。茶樹の栽培管理支援に関して、本発明の一態様に係る予測システムにより予測した茶葉の成長に関する情報を、茶樹の剪枝期、茶樹の被覆栽培の開始時期(茶樹を遮光資材等により被覆する時期)などの決定に利用することができる。
〔予測システム100〕
図1に基づいて、茶葉の成長を予測するための予測システム100について説明する。図1は、本発明の一態様に係る予測システム100の要部構成の一例を示すブロック図である。予測システム100は、モデル生成装置(生成装置)10及び予測装置20を備えている。また、予測システム100は、さらに、入力装置30、記憶装置40、及び出力装置50を備えている。予測システム100は、モデル生成装置10及び予測装置20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。
図1に基づいて、茶葉の成長を予測するための予測システム100について説明する。図1は、本発明の一態様に係る予測システム100の要部構成の一例を示すブロック図である。予測システム100は、モデル生成装置(生成装置)10及び予測装置20を備えている。また、予測システム100は、さらに、入力装置30、記憶装置40、及び出力装置50を備えている。予測システム100は、モデル生成装置10及び予測装置20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。
ここで、予測システム100による茶葉の成長予測について、図2を参照して説明する。図2は、本発明の一態様に係る予測システム100が実行する、予測モデルを用いた茶葉の成長予測の概念を説明する図である。図2に示すように、予測モデルは、一例として、予測の対象となる茶樹を生育する圃場における過去の気象データとその年の摘採期間とを対応付けたデータとを学習データとして機械学習を行うことにより生成される。
このように生成された予測モデルは、入力層に、予測の対象となる年の気象データを入力情報として入力することで、出力層が、対象となる年の茶葉の摘採適期を出力するように重み付け値が学習されている。生成された予測モデルは、入力された予測の対象となる年の気象データに対して、学習された重み付け値に基づく演算を行い、出力層からその年の茶葉の摘採適期を出力するようにコンピュータを機能させるための学習モデルである。このように、予測システム100によれば、予測の対象となる年の気象データを入力するのみで、その年の摘採適期を予測することができる。
入力装置30は、ユーザによる予測システム100に対する入力操作を受け付ける。入力装置30は、一例として、モデル生成装置10において予測モデルを生成するために用いるデータの入力を受け付ける。また、入力装置30は、予測装置20において茶葉の成長を予測するために用いられるデータの入力を受け付ける。
記憶装置40は、予測システム100にて使用されるプログラム及びデータを記憶する。記憶装置40は、一例として、入力装置30を介して入力された各種データを記憶している。また、記憶装置40は、一例として、モデル生成装置10において、予測モデルの生成に使用する学習データ及び生成した予測モデルを記憶している。さらに、記憶装置40は、一例として、予測装置20において茶葉の成長を予測するために用いる予測モデル、入力情報、及び出力情報を記憶している。記憶装置40は、各種データを記憶するデータベースをクラウド又はサーバ上に有していてもよい。
出力装置50は、予測装置20が予測した結果を出力する。また、出力装置50は、予測装置20が予測した結果に基づく収穫作業支援情報及び栽培管理支援情報を出力してもよい。収穫作業支援情報には、例えば、摘採適期を示す情報が含まれる。栽培管理支援情報には、例えば、茶樹の剪枝期、茶樹を遮光資材等で被覆する時期等を示す情報が含まれる。
出力装置50による出力の態様は特に限定されない。出力装置50は、例えば、当該情報を画像として表示する表示装置、当該情報を印刷する印刷装置、又は、当該情報を音声として出力する警報装置であってもよい。また、出力装置50は、予測装置20が予測した結果や、結果に基づく収穫作業支援情報及び栽培管理支援情報等を表示する、スマートフォンのようなモバイルデバイスのディスプレイであってもよい。
(モデル生成装置10)
モデル生成装置10は、茶葉の成長の程度を予測する予測モデルの生成装置である。モデル生成装置10は、対象となる年の任意の日から所定期間の気象データの積算値から、茶葉の成長の程度を予測する予測モデルを、参照するデータの組み合わせに応じて複数生成する。ここで、モデル生成装置10が生成する予測モデルが、茶葉の成長の程度の例として、茶葉の摘採適期を予測する場合について、説明する。また、「対象となる年の任意の日」は、予測の目的等に応じて適宜設定すればよいが、例えば、対象となる年の茶樹の萌芽日であってもよい。なお、以下の実施形態では、「対象となる年の任意の日」の例として萌芽日を用いる場合について、説明する。
モデル生成装置10は、茶葉の成長の程度を予測する予測モデルの生成装置である。モデル生成装置10は、対象となる年の任意の日から所定期間の気象データの積算値から、茶葉の成長の程度を予測する予測モデルを、参照するデータの組み合わせに応じて複数生成する。ここで、モデル生成装置10が生成する予測モデルが、茶葉の成長の程度の例として、茶葉の摘採適期を予測する場合について、説明する。また、「対象となる年の任意の日」は、予測の目的等に応じて適宜設定すればよいが、例えば、対象となる年の茶樹の萌芽日であってもよい。なお、以下の実施形態では、「対象となる年の任意の日」の例として萌芽日を用いる場合について、説明する。
モデル生成装置10は、制御部11を備えている。制御部11は、モデル生成装置10の各部を統括して制御するものであり、一例として、プロセッサ及びメモリにより実現される。この例において、プロセッサはストレージ(不図示)にアクセスし、ストレージに格納されているプログラム(不図示)をメモリにロードし、当該プログラムに含まれる一連の命令を実行する。これにより、制御部11の各部が構成される。当該各部として、制御部11は、データ取得部12、データ変換部13、モデル生成部14、及びモデル選択部15を備えている。
<データ取得部12>
データ取得部12は、予測モデルを生成するためのデータを取得する。データ取得部22は、入力装置30からの予測モデルの生成の開始指示を表す入力信号に基づき、記憶装置40からデータを読み出す。また、データ取得部12は、入力装置30を介して入力されたデータを取得してもよい。データ取得部12は、取得したデータをデータ変換部13へ出力する。
データ取得部12は、予測モデルを生成するためのデータを取得する。データ取得部22は、入力装置30からの予測モデルの生成の開始指示を表す入力信号に基づき、記憶装置40からデータを読み出す。また、データ取得部12は、入力装置30を介して入力されたデータを取得してもよい。データ取得部12は、取得したデータをデータ変換部13へ出力する。
データ取得部12が取得するデータは、一例として、茶樹を生育する圃場の過去の気象データの計測値と、その年の茶葉の摘採適期とを対応付けたデータであり得る。気象データは、例えば、気温、湿度、雨量、日照時間等の変数のデータであり、過去の年毎に気象庁のWebサイト等から入手可能である。過去の茶葉の摘採期は、一例として、過去の年毎の4開葉期のデータであり、例えば、予測を行う圃場で過去に得られたデータを用いればよい。
<データ変換部13>
データ変換部13は、データ取得部12が取得したデータを、予測モデルを生成するために適したデータに変換する。データ変換部13によるデータの変換は、公知のデータトランスフォーマー等を用いて実行し得る。データ変換部13は、変換したデータをモデル生成部14へ出力する。
データ変換部13は、データ取得部12が取得したデータを、予測モデルを生成するために適したデータに変換する。データ変換部13によるデータの変換は、公知のデータトランスフォーマー等を用いて実行し得る。データ変換部13は、変換したデータをモデル生成部14へ出力する。
データ変換部13は、一例として、気象データを変数毎に所定期間積算した積算値を算出する。データ変換部13は、例えば、最低気温、雨量及び日照時間のそれぞれの積算値を算出する。また、データ変換部13は、気象データを変数毎に積算した積算値を、積算日数毎に算出する。データ変換部13は、例えば、気象データを4日間積算した積算値、5日間積算した積算値等のように、気象データをn日間(nは1以上の整数)積算した積算値を積算日数毎に算出する。
データ変換部13は、上述したように算出した気象データの積算値及び積算した日数を、年毎に、その年の萌芽日及び摘採適期と対応付けた変換データを生成する。データ変換部13は、このような変換データを、気象データの変数の組み合わせに応じて複数生成し得る。また、データ変換部13は、気象データを積算した積算日数に応じて複数の変換データを生成し得る。
データ変換部13によるデータの変換の一例について、図3を参照して説明する。図3は、本発明の一態様に係るモデル生成装置10におけるデータ変換処理を説明する図である。図3に示すように、データ取得部12が取得したデータには、一例として、過去の日毎の気象データが変数毎に含まれる。また、当該データには、過去の各年の萌芽日に関する情報が含まれ得る。このようなデータを用いて、例えば、入力日数を1999年4月6日から4日分とした場合、データトランスフォーマーにより1999年4月6日から4月9日までの4日分の気象データを変数毎に積算した変換データが得られる。
また、データ変換部13は、過去の任意の年の気象データの積算値と、過去の他の任意の年の気象データの積算値との差分を算出してもよい。さらに、データ変換部13は、上記任意の年の摘採適期と、上記他の任意の年の摘採適期との差分を算出してもよい。そして、データ変換部13は、算出された気象データの差分を摘採適期の差分と対応付けた変換データを生成し得る。
<モデル生成部14>
モデル生成部14は、データ変換部13が変換した変換データを学習データとして用いて、機械学習を行うことにより、予測モデルを生成する。モデル生成部14は、対象となる年の茶樹の萌芽日から所定期間の気象データの積算値が入力情報であり、茶葉の成長の程度を表す情報が出力情報である予測モデルを生成する。
モデル生成部14は、データ変換部13が変換した変換データを学習データとして用いて、機械学習を行うことにより、予測モデルを生成する。モデル生成部14は、対象となる年の茶樹の萌芽日から所定期間の気象データの積算値が入力情報であり、茶葉の成長の程度を表す情報が出力情報である予測モデルを生成する。
モデル生成部14は、一例としては、ニューラルネットワーク、決定木、ランダムフォレスト、サポートベクトルマシン等の既知の機械学習方法を用いて、予測モデルを生成する。モデル生成部14は、生成した予測モデルをモデル選択部15へ出力する。また、モデル生成部14は、生成した予測モデルを記憶装置40に格納してもよい。
モデル生成部14は、学習データに含まれる気象データの組み合わせに応じて複数の予測モデルを生成する。変換データは、データ変換部13において、気象データの変数の組み合わせに応じて複数生成されている。すなわち、ある変換データには、気象データの変数として、最低気温、雨量及び日照時間のそれぞれの積算値が含まれており、他の変換データには、最高気温、湿度及び日照時間のそれぞれの積算値が含まれている。このように、変換データに含まれる気象データの変数の組み合わせが異なることにより、生成される予測モデルが異なり得る。
また、モデル生成部14は、学習データに含まれる気象データの積算値の積算日数毎に複数の予測モデルを生成する。変換データは、データ変換部13において、気象データの積算値の積算日数毎に複数生成されている。すなわち、ある変換データには、気象データを4日間積算した積算値が含まれており、他の変換データには、気象データを5日間積算した積算値が含まれている。このように、変換データに含まれる気象データの積算日数が異なることにより、生成される予測モデルが異なり得る。
モデル生成部14は、複数の変換データをそれぞれ学習データとして用いて機械学習を行うことにより、学習データ毎に複数の予測モデルを生成する。複数の変換データをそれぞれ学習データとして用いて、機械学習を並列化して予測モデルを生成することができるので計算速度が速くなり、予測モデルの生成速度が速くなる。また、気象データの測定年数が増えることで学習データ数が増えれば、生成される予測モデルが更新され、より予測精度を高めることができる。
モデル生成部14により生成される複数の予測モデルについて、図4を参照して説明する。図4は、本発明の一態様に係るモデル生成装置10により生成する、複数の予測モデルの例を示す図である。図4に示すモデル群において、No.1~No.7のモデルは気象データを4日間積算した積算値、No.8のモデルは気象データを11日間積算した積算値、No.9~No.11のモデルは気象データを12日間積算した積算値を含む学習データをそれぞれ用いて生成されたものである。また、No.9及びNo.10のモデルは、最低気温、湿度及び雨量を気象データの変数として含む学習データ、No.12のモデルは、最低気温、雨量及び日照時間を気象データの変数として含む学習データをそれぞれ用いて生成されたものである。
また、モデル生成部14は、過去の任意の年間の気象データの差分をそれらの年の摘採適期の差分と対応付けた変換データを用いて機械学習を行うことにより、予測モデルを生成してもよい。このように生成された予測モデルは、茶樹を生育する圃場の過去の任意の年と対象となる年との気象データの積算値の差が入力情報であり、当該過去の任意の年と対象となる年との茶葉の成長の程度の差を表す情報が出力情報である予測モデルである。
ここで、モデル生成部14により生成される予測モデルに入力される入力情報は、予測の対象となる年の気象データの計測値又は予報値であり得る。気象データの計測値は、実際に計測された値であり、予報値は、気象庁等により提供される2週間天気予報、50mメッシュ天気予報のような予報値であり得る。入力情報として予報値を用いる場合、より早期に茶葉の成長の程度を予測することができる。
<モデル選択部15>
モデル選択部15は、モデル生成部14が生成した複数の予測モデルを含むモデル群から、予測に適した予測モデルを選択する。モデル選択部15は、上記モデル群から、ルールベースで最適なモデルを選択する。ルールベースの基準としては、入力情報である対象となる年の萌芽日からの気象データの積算日数、AIC基準、誤差(MAE)基準等を設定することができる。例えば、AICの基準で気象データの変数を選択した後、積算日数及びMAE基準で適切なモデルを選択するようなルールであり得る。
<モデル選択部15>
モデル選択部15は、モデル生成部14が生成した複数の予測モデルを含むモデル群から、予測に適した予測モデルを選択する。モデル選択部15は、上記モデル群から、ルールベースで最適なモデルを選択する。ルールベースの基準としては、入力情報である対象となる年の萌芽日からの気象データの積算日数、AIC基準、誤差(MAE)基準等を設定することができる。例えば、AICの基準で気象データの変数を選択した後、積算日数及びMAE基準で適切なモデルを選択するようなルールであり得る。
モデル選択部15による予測モデルの選択について、上述した図4と共に、図5を参照して説明する。図5は本発明の一態様に係るモデル生成装置10において、複数の予測モデルから適したモデルを選択する処理を説明する図である。
図4に示すモデル群において、No.1~No.11のそれぞれのモデルは、予測モデルに入力する、対象となる年の気象データの積算値を積算する日数毎に選択されたモデルである。すなわち、No.1のモデルは、萌芽日から4日間の気象データの積算値を入力情報とする場合に最も精度が高いモデルとして、選択されたものである。また、No.11のモデルは、萌芽日から14日間の気象データの積算値を入力情報とする場合に最も精度が高いモデルとして選択されたものである。
図4及び図5に示すように、入力情報が、萌芽日から4~10日間の気象データの積算値である場合、過去の4日間の気象データの積算値を用いて作成された予測モデル(4日目モデル)が最も精度が高い最適モデルである。一方、入力情報が、萌芽日から11日間の気象データの積算値である場合、過去の11日間の気象データの積算値を用いて作成された予測モデル(11日目モデル)が最適モデルである。さらに、入力情報が、萌芽日から12日目以降の気象データの積算値である場合、過去の12日間の気象データの積算値を用いて作成された予測モデル(12日目モデル)が最適モデルである。
このように、入力情報における萌芽日からの積算日数によって、摘採期に影響を与える気象データの変数が変わり得る。したがって、入力情報の萌芽日からの積算日数に応じて最適な予測モデルを選択することで、経時的に予測精度を上げることができる。また、一般的に考えられ得るように、積算日数が多いほど又は積算日が摘採期に近いほど、生成されるモデルによる予測精度が高いというわけではないので、萌芽日からの積算日数に応じて最適な予測モデルを選択することで、つねに精度のよい予測が可能となる。
このように、入力情報における萌芽日からの積算日数によって、摘採期に影響を与える気象データの変数が変わり得る。したがって、入力情報の萌芽日からの積算日数に応じて最適な予測モデルを選択することで、経時的に予測精度を上げることができる。また、一般的に考えられ得るように、積算日数が多いほど又は積算日が摘採期に近いほど、生成されるモデルによる予測精度が高いというわけではないので、萌芽日からの積算日数に応じて最適な予測モデルを選択することで、つねに精度のよい予測が可能となる。
図4は、実際にモデル生成装置10により生成及び選択した予測モデルを用いて、Leave One Out交差検証した結果を示している。図4に示すように、誤差(MAE)は、萌芽日から4日目までの積算値で2.96日、12日目までの積算値で2.51日であった。茶は、摘採摘日後3日を過ぎると品質が大きく変化するという経験則があるが、モデル生成装置10により生成及び選択した予測モデルであれば、予測に不可欠である誤差3日以内の精度が到達可能である。
モデル選択部15は、入力情報である、対象となる年の萌芽日からの所定期間の日数に応じて、複数の予測モデルから予測モデルを選択する。入力情報の萌芽日からの日数により、茶葉の成長の程度の予測に影響を与える変数が異なり得る。そのため、入力情報の萌芽日からの日数に応じて最適なモデルを選択することで、精度よく茶葉の成長の程度を予測することができる。
モデル選択部15は、萌芽日からの日数毎に適した予測モデルを選択した結果を、選択された予測モデルと対応付けた予測モデルデータを、記憶装置40に格納する。このような予測モデルデータの一例は、図4に示すデータである。
モデル生成装置10によれば、複数の予測モデルを生成して、予測に適した予測モデルを選択することにより、精度のよい予測を実現することができる。また、モデル生成装置10によれば、予測モデルの生成に用いる過去の気象データの積算日数を日々更新し、入力情報の萌芽日からの日数に応じて最適な予測モデルを選択することで、日々最適な予測モデルが更新される。したがって、茶葉の成長の程度を精度よく予測することができる。
<モデル生成装置10の変形例>
モデル生成装置10は、一の圃場について作成した予測モデルを用いて、他の圃場の予測モデルを生成する事もできる。すなわち、モデル生成装置10は、一の圃場において生成された予測モデルに、他の圃場における過去の気象データを入力することで出力される茶葉の成長の程度を表す情報を取得する取得工程と、取得工程において取得した茶葉の成長の程度と、他の圃場における過去の茶葉の成長の程度との差を算出する算出工程と、算出した差を表す情報を用いて、一の圃場において生成された予測モデルを再学習することで、他の圃場における予測モデルを生成する再学習工程をさらに包含する。
モデル生成装置10は、一の圃場について作成した予測モデルを用いて、他の圃場の予測モデルを生成する事もできる。すなわち、モデル生成装置10は、一の圃場において生成された予測モデルに、他の圃場における過去の気象データを入力することで出力される茶葉の成長の程度を表す情報を取得する取得工程と、取得工程において取得した茶葉の成長の程度と、他の圃場における過去の茶葉の成長の程度との差を算出する算出工程と、算出した差を表す情報を用いて、一の圃場において生成された予測モデルを再学習することで、他の圃場における予測モデルを生成する再学習工程をさらに包含する。
本変形例において、モデル生成装置10は、一例として、圃場Aにおける過去の気象データの計測値と、その年の茶葉の摘採適期とを対応付けたデータ又はその変換データを学習データとして用いて生成した圃場Aにおける予測モデルAを用いる。モデル生成装置10のモデル生成部14は、例えば、記憶装置40に格納された予測モデルAを取得する。そして、モデル生成部14は、圃場Bにおける過去の気象データの計測値を入力情報として予測モデルAに入力し、茶葉の摘採適期を表す情報を出力情報として取得する。
次に、モデル生成部14は、予測モデルAを用いて取得した茶葉の摘採適期と、圃場Bにおける過去の実際の茶葉の摘採適期との差分を算出する。モデル生成部14は、算出した差分を表すデータを学習データとして用いて、予測モデルAを再学習することにより、予測モデルBを生成する。
このように一の圃場について作成した予測モデルを、他の圃場の予測モデルの生成に使用することで、茶葉の成長の程度をより精度よく予測する予測モデルを生成することができる。
(予測装置)
予測装置20は、モデル生成装置10により生成された予測モデルを用いて、茶葉の成長を予測する。予測装置20は、対象となる年の茶樹の萌芽日から所定期間の気象データの積算値が入力情報であり、茶葉の成長の程度を表す情報が出力情報である予測モデルを用いて、対象となる年の茶葉の成長の程度を予測する。予測装置20は、対象となる年の茶樹の萌芽日から所定期間の気象データの積算値から、対象となる年の茶葉の摘採適期を予測することができる。
予測装置20は、モデル生成装置10により生成された予測モデルを用いて、茶葉の成長を予測する。予測装置20は、対象となる年の茶樹の萌芽日から所定期間の気象データの積算値が入力情報であり、茶葉の成長の程度を表す情報が出力情報である予測モデルを用いて、対象となる年の茶葉の成長の程度を予測する。予測装置20は、対象となる年の茶樹の萌芽日から所定期間の気象データの積算値から、対象となる年の茶葉の摘採適期を予測することができる。
予測装置20は、制御部21を備えている。制御部21は、予測装置20の各部を統括して制御するものであり、一例として、プロセッサ及びメモリにより実現される。この例において、プロセッサはストレージ(不図示)にアクセスし、ストレージに格納されているプログラム(不図示)をメモリにロードし、当該プログラムに含まれる一連の命令を実行する。これにより、制御部21の各部が構成される。当該各部として、制御部21は、データ取得部22、データ変換部23、モデル取得部24、及び予測部25を備えている。
データ取得部22は、対象となる年の茶樹の萌芽日から所定期間の気象データを取得する。データ取得部22が取得する対象となる年の気象データは、実際に計測された計測値であっても、気象庁等により提供される予報値であってもよい。データ取得部22は、入力装置30からの予測の開始指示を表す入力信号に基づき、対象となる年の茶樹の萌芽日から所定期間の気象データを記憶装置40から読み出す。また、データ取得部22は、入力装置30を介して入力された、対象となる年の茶樹の萌芽日から所定期間の気象データを取得してもよい。データ取得部22は、取得した気象データをデータ変換部23へ出力する。
データ変換部23は、データ取得部22が取得した気象データを、予測モデルに入力する入力情報に変換する。データ変換部23によるデータの変換は、公知のデータトランスフォーマー等を用いて実行し得る。データ変換部13は、変換したデータを予測部25へ出力する。
データ変換部23は、対象となる年の茶樹の萌芽日から所定期間の気象データを積算した積算値を算出する。データ変換部23は、算出した積算値と積算日数とを対応付けた入力情報を生成する。
また、データ変換部23は、任意の年の気象データの積算値と対象となる年の気象データの積算値との差分を算出し、入力情報を生成してもよい。
モデル取得部24は、モデル生成装置10により生成された、対象となる年の茶樹の萌芽日から所定期間の気象データの積算値が入力情報であり、茶葉の成長の程度を表す情報が出力情報である予測モデルを取得する。モデル取得部24は、モデル生成装置10により生成され、記憶装置40に格納された予測モデルを取得してもよい。モデル取得部24は、入力情報の萌芽日からの日数に応じて選択された最適な予測モデルを取得する。モデル取得部24は、取得した予測モデルを予測部25へ出力する。
入力情報が任意の年の気象データの積算値と対象となる年の気象データの積算値との差分である場合、モデル取得部24は、任意の年と対象となる年との気象データの積算値の差が入力情報であり、当該任意の年と対象となる年との茶葉の成長の程度の差を表す情報が出力情報である予測モデルを取得する。
予測部25は、モデル取得部24が取得した対象となる年の茶樹の萌芽日から所定期間の気象データの積算値が入力情報であり、茶葉の成長の程度を表す情報が出力情報である予測モデルを用いて、対象となる年の茶葉の成長の程度を予測する。予測部25は、データ変換部23で変換された入力情報を予測モデルに入力して、対象となる年の茶葉の成長の程度を表す情報を出力情報として取得する。予測部25は、取得した対象となる年の茶葉の成長の程度を表す情報を、出力装置50へ出力する。予測部25は、取得した象となる年の茶葉の成長の程度を表す情報を、記憶装置40に格納してもよい。
予測部25は、モデル取得部24が取得した任意の年と対象となる年との気象データの積算値の差が入力情報であり、当該任意の年と対象となる年との茶葉の成長の程度の差を表す情報が出力情報である予測モデルを用いて、当該任意の年と対象となる年との茶葉の成長の程度の差を表す情報を予測してもよい。予測部25は、任意の年の気象データの積算値と対象となる年の気象データの積算値との差分である入力情報を当該予測モデルに入力して、当該任意の年と対象となる年との茶葉の成長の程度の差を表す情報を出力情報として取得する。このような出力情報に基づいて対象となる年の茶葉の成長の程度の予測結果を得ることもできる。
予測装置20によれば、モデル生成装置10により生成された予測モデルを用いることで、予測の対象となる年の気象データを入力するのみで、その年の茶葉の成長の程度を予測することができる。また、予測装置20が用いる予測モデルは、入力情報である、対象となる年の萌芽日からの気象データの積算日数に応じて選択された最適な予測モデルであるため、精度よく茶葉の成長の程度を予測することができる。このように、入力情報である、対象となる年の萌芽日からの気象データの積算日数毎に最適な予測モデルを選択して予測することができる。
(モデル生成処理)
モデル生成装置10による予測モデルの生成処理(予測モデルの生成方法)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モデル生成装置10が実行する生成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、データ取得部12は、過去の気象データの計測値及びその年の摘採適期を含む予測モデルを生成するためのデータを取得する(ステップS1)。次に、データ変換部13は、データ取得部12が取得したデータを、予測モデルを生成するために適したデータに変換する(ステップS2)。
モデル生成装置10による予測モデルの生成処理(予測モデルの生成方法)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モデル生成装置10が実行する生成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、データ取得部12は、過去の気象データの計測値及びその年の摘採適期を含む予測モデルを生成するためのデータを取得する(ステップS1)。次に、データ変換部13は、データ取得部12が取得したデータを、予測モデルを生成するために適したデータに変換する(ステップS2)。
モデル生成部14は、データ変換部13が変換した変換データを学習データとして用いて、機械学習を行うことにより、気象データの組み合わせ及び積算日数に応じて複数の予測モデルを生成する(ステップS3)。次に、モデル選択部15は、モデル生成部14が生成した複数の予測モデルを含むモデル群から、予測に適した予測モデルを選択する(ステップS4)。そして、モデル選択部15は、選択した予測モデルを記憶装置40に格納し(ステップS5)、モデル生成処理を終了する。
(予測処理)
予測装置20による予測処理(予測方法)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装置20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7に示すように、まず、データ取得部22は、対象となる年の茶樹の萌芽日から所定期間の気象データを取得する(ステップS11)。次に、データ変換部23は、データ取得部22が取得した気象データを、予測モデルに入力する入力情報に変換する(ステップS12)。
予測装置20による予測処理(予測方法)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装置20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7に示すように、まず、データ取得部22は、対象となる年の茶樹の萌芽日から所定期間の気象データを取得する(ステップS11)。次に、データ変換部23は、データ取得部22が取得した気象データを、予測モデルに入力する入力情報に変換する(ステップS12)。
モデル取得部24は、モデル生成装置10により生成され、入力情報に含まれる萌芽日からの気象データの積算日数に応じて選択された予測モデルを取得する(ステップS13)。そして、予測部25は、変換された入力情報を予測モデルに入力し、出力された対象となる年の摘採適期の予測値を取得する(ステップS14)。予測部25は、取得した予測値を予測結果として、出力装置50に出力し(ステップS15)、予測処理を終了する。
〔ソフトウェアによる実現例〕
モデル生成装置10及び予測装置20(以下、「装置」と呼ぶ)の機能は、当該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、当該装置の各制御ブロック(特に制御部11及び制御部21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。
モデル生成装置10及び予測装置20(以下、「装置」と呼ぶ)の機能は、当該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、当該装置の各制御ブロック(特に制御部11及び制御部21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。
この場合、上記装置は、上記プログラムを実行するためのハードウェアとして、少なくとも1つの制御装置(例えばプロセッサ)と少なくとも1つの記憶装置(例えばメモリ)を有するコンピュータを備えている。この制御装置と記憶装置により上記プログラムを実行することにより、上記各実施形態で説明した各機能が実現される。
上記プログラムは、一時的ではなく、コンピュータ読み取り可能な、1または複数の記録媒体に記録されていてもよい。この記録媒体は、上記装置が備えていてもよいし、備えていなくてもよい。後者の場合、上記プログラムは、有線または無線の任意の伝送媒体を介して上記装置に供給されてもよい。
また、上記各制御ブロックの機能の一部または全部は、論理回路により実現することも可能である。例えば、上記各制御ブロックとして機能する論理回路が形成された集積回路も本発明の範疇に含まれる。この他にも、例えば量子コンピュータにより上記各制御ブロックの機能を実現することも可能である。
また、上記各実施形態で説明した各処理は、AI(Artificial Intelligence:人工知能)に実行させてもよい。この場合、AIは上記制御装置で動作するものであってもよいし、他の装置(例えばエッジコンピュータまたはクラウドサーバ等)で動作するものであってもよい。
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
〔実施例1:萌芽日からの気象データの積算値による予測モデルの構築〕
萌芽日からの気象データの積算値を用いた予測モデルを構築した。構築した予測モデルを図4に示す。図4に示す予測モデルの構築には、2000年~2019年に京都府茶業研究所圃場において測定された日毎の気象データ(平均気温(℃)、最低気温(℃)、最高気温(℃)、平均湿度(%)、降水量(mm)、日照時間(hr))、並びに、同期間中に得られた萌芽日(日)及び摘採適期(日)の8つの変数のデータを用いた。これらのデータは、各年の萌芽日を起算日として14日目までに上記8つの変数に欠測値が含まれていない、13年分(2000~2006年、2009年、2010年、2013年、2015年、2016年、及び2019年)のデータである。
萌芽日からの気象データの積算値を用いた予測モデルを構築した。構築した予測モデルを図4に示す。図4に示す予測モデルの構築には、2000年~2019年に京都府茶業研究所圃場において測定された日毎の気象データ(平均気温(℃)、最低気温(℃)、最高気温(℃)、平均湿度(%)、降水量(mm)、日照時間(hr))、並びに、同期間中に得られた萌芽日(日)及び摘採適期(日)の8つの変数のデータを用いた。これらのデータは、各年の萌芽日を起算日として14日目までに上記8つの変数に欠測値が含まれていない、13年分(2000~2006年、2009年、2010年、2013年、2015年、2016年、及び2019年)のデータである。
予測モデルの構築において、説明変数として、萌芽日を起算日とした上記6つの気象データの値を日別に入力し、さらに、目的変数として、萌芽日を起算日として摘採適期までの日数と説明変数で日別に入力した日数との差を入力した。平均誤差が3日以内を条件として、実施形態に記載した方法で、それぞれの入力日数毎に予測モデルの構築を行なった。
図4に示すように、萌芽日を起算日とした10日目までは、4日目までのデータによって作成されたモデル(4日目モデル)を採用し、4日目~10日目までのそれぞれの積算値を入力データとして予測を行うことで、Leave One Out(LOO)平均誤差2.96日の予測が可能であった(No.1~No.7)。
図4に示すように、萌芽日を起算日とした10日目までは、4日目までのデータによって作成されたモデル(4日目モデル)を採用し、4日目~10日目までのそれぞれの積算値を入力データとして予測を行うことで、Leave One Out(LOO)平均誤差2.96日の予測が可能であった(No.1~No.7)。
また、萌芽日を起算日とした11日目は、11日目モデルを採用し、11日目までの積算値を入力データとして予測を行うことで、LOO平均誤差2.57日の予測が可能であった(No.8)。さらに、萌芽日を起算日とした14日目にAICとLOO平均誤差は上昇に転じることから(No.11)、12日目以降は、12日目モデルを採用し、12日目又は13日目までの積算値を入力データとして予測を行うことでLOO平均誤差2.51日の予測が可能であった(No.9~No.11)。
このように、必ずしも積算する日数が多い場合の方が精度が向上するとは言えない。本発明によれば、積算する日間で適した予測モデルを比較することによって、予測する日における最適なモデルが得られることが示された。
〔実施例2:任意の日の気象データを用いた差分気象データによる予測モデルの構築〕
萌芽日を起算日せず、任意の日を起算日とした気象データの積算値を用いて予測モデルを構築した。予測モデルの構築には、実施例1と同様の2000年~2019年までのデータのうち、日毎の平均気温(℃)、最低気温(℃)、最高気温(℃)、平均湿度(%)、降水量(mm)、及び、同期間中に得られた摘採適期(日)のデータの6つの変数データを用いた。これらのデータは、各年の3月1日~4月30日までの期間に、上記6つの変数に欠測値が含まれていない14年分(2000~2006年、2009年、2010年、2012年、2013年、2015年、2016年、及び2019年)データである。また、前処理として、予測する年と最も近い過去の年との間で、上記6つの変数の差をとり、入力データとした(2000年のデータは1999年のデータとの差分を得た)。
萌芽日を起算日せず、任意の日を起算日とした気象データの積算値を用いて予測モデルを構築した。予測モデルの構築には、実施例1と同様の2000年~2019年までのデータのうち、日毎の平均気温(℃)、最低気温(℃)、最高気温(℃)、平均湿度(%)、降水量(mm)、及び、同期間中に得られた摘採適期(日)のデータの6つの変数データを用いた。これらのデータは、各年の3月1日~4月30日までの期間に、上記6つの変数に欠測値が含まれていない14年分(2000~2006年、2009年、2010年、2012年、2013年、2015年、2016年、及び2019年)データである。また、前処理として、予測する年と最も近い過去の年との間で、上記6つの変数の差をとり、入力データとした(2000年のデータは1999年のデータとの差分を得た)。
予測モデルの構築には、目的変数として、上記と同様の前処理を行なった摘採適期のデータを用い、説明変数として、上記と同様の前処理を行った上記5つの気象データを用いた。一例として、3月11日を起算日とした場合、3月24日までの14日分の積算値を入力データとした予測モデルでは、LOO平均誤差3.033日であり、目標とする誤差3日以内をわずかに超える精度であった。一方、4月25日までの46日分の積算値を入力データとした予測モデルではLOO平均誤差2.059日であった。
このように、任意の日を起算日とした積算値の差分を入力データとして用いても予測モデルを構築することができ、予測日までにおける最も精度の高い日数のモデルを用いることで摘採適期の予測精度を高めることができる。
10 モデル生成装置(生成装置)
14 モデル生成部
20 予測装置
25 予測部
100 予測システム
14 モデル生成部
20 予測装置
25 予測部
100 予測システム
Claims (13)
- 茶葉の成長を予測する予測モデルの生成方法であって、
茶樹を生育する圃場の過去の気象データを所定期間積算した積算値と、過去の茶葉の成長の程度とを学習データとして機械学習を行うことによって、
対象となる年の任意の日から所定期間の気象データの積算値が入力情報であり、茶葉の成長の程度を表す情報が出力情報である予測モデルを、前記学習データに含まれる前記気象データの積算日数に応じて複数生成する生成工程を包含する、生成方法。 - 前記生成工程において、前記予測モデルを、前記学習データに含まれる前記気象データの組み合わせ及び積算日数に応じて複数生成する、請求項1に記載の生成方法。
- 対象となる年の前記任意の日からの所定期間の日数に基づいて、複数の前記予測モデルから予測モデルを選択する工程をさらに包含する、請求項1又は2に記載の生成方法。
- 茶葉の成長を予測する予測モデルの生成方法であって、
茶樹を生育する圃場の過去の気象データを所定期間積算した積算値の任意の年間の差分と、茶葉の成長の程度の前記任意の年間の差分とを学習データとして機械学習を行うことによって、
茶樹を生育する圃場の過去の任意の年と対象となる年との前記積算値の差が入力情報であり、前記過去の任意の年と前記対象となる年との茶葉の成長の程度の差を表す情報が出力情報である予測モデルを生成する生成工程を包含する、生成方法。 - 前記対象となる年の気象データは計測値又は予報値である、請求項1から4の何れか1項に記載の生成方法。
- 前記予測モデルは前記茶葉の開葉期を予測するモデルである、請求項1から5の何れか1項に記載の生成方法。
- 一の圃場において生成された前記予測モデルに、他の圃場における過去の気象データを入力することで出力される茶葉の成長の程度を表す情報を取得する取得工程と、
前記取得工程において取得した茶葉の成長の程度と、前記他の圃場における過去の茶葉の成長の程度との差を算出する算出工程と、
算出した上記差を表す情報を用いて、前記一の圃場において生成された前記予測モデルを再学習することで、前記他の圃場における予測モデルを生成する再学習工程をさらに包含する、請求項1から6のいずれか1項に記載の生成方法。 - 請求項1から7のいずれか1項に記載の生成方法により生成された予測モデルを用いて、茶葉の成長を予測する工程を包含する、予測方法。
- 茶葉の成長を予測する予測モデルの生成装置であって、
茶樹を生育する圃場の過去の気象データを所定期間積算した積算値と、過去の茶葉の成長の程度とを学習データとして機械学習を行うことによって、
対象となる年の任意の日から所定期間の気象データの積算値が入力情報であり、茶葉の成長の程度を表す情報が出力情報である予測モデルを、前記気象データの積算日数に応じて複数生成する生成部を備えた、生成装置。 - 前記生成部は、前記学習データに含まれる前記積算値の積算日数毎に複数の予測モデル生成する、請求項9に記載の生成装置。
- 茶葉の成長を予測する予測モデルの生成装置であって、
茶樹を生育する圃場の過去の気象データを所定期間積算した積算値の任意の年間の差分と、茶葉の成長の程度の前記任意の年間の差分とを学習データとして機械学習を行うことによって、
茶樹を生育する圃場の過去の任意の年と対象となる年との前記積算値の差が入力情報であり、前記過去の任意の年と前記対象となる年との茶葉の成長の程度の差を表す情報が出力情報である予測モデルを生成する生成部を備えた、生成装置。 - 請求項9から11の何れか1項に記載の生成装置により生成された予測モデルを用いて、茶葉の成長を予測する予測部を備えた、予測装置。
- 請求項9から11の何れか1項に記載の生成装置と、請求項12に記載された予測装置とを備えた、茶葉の成長を予測する予測システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021136645A JP2023031131A (ja) | 2021-08-24 | 2021-08-24 | 茶葉の成長を予測する予測モデルの生成方法及び生成装置、茶葉の成長を予測する予測方法及び予測装置、並びに予測システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021136645A JP2023031131A (ja) | 2021-08-24 | 2021-08-24 | 茶葉の成長を予測する予測モデルの生成方法及び生成装置、茶葉の成長を予測する予測方法及び予測装置、並びに予測システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023031131A true JP2023031131A (ja) | 2023-03-08 |
Family
ID=85414210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021136645A Pending JP2023031131A (ja) | 2021-08-24 | 2021-08-24 | 茶葉の成長を予測する予測モデルの生成方法及び生成装置、茶葉の成長を予測する予測方法及び予測装置、並びに予測システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2023031131A (ja) |
-
2021
- 2021-08-24 JP JP2021136645A patent/JP2023031131A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dias et al. | Evaluation of three sugarcane simulation models and their ensemble for yield estimation in commercially managed fields | |
JP6551943B2 (ja) | 生育管理装置、生育管理方法、及び、プログラム | |
KR20180086738A (ko) | 작물 재배 가이드 정보 제공 장치, 및 그 방법 | |
Medar et al. | Sugarcane crop yield forecasting model using supervised machine learning | |
CN112906298A (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
Rale et al. | Prediction of crop cultivation | |
JP2019170359A (ja) | 植物栽培結果予測システム | |
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 | |
JP2021128756A (ja) | 先物取引情報表示プログラム | |
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 | |
Lad et al. | Factors affecting agriculture and estimation of crop yield using supervised learning algorithms | |
JP2020156431A (ja) | 農作物の生育評価・作業提案方法および農作物の生育評価・作業提案システム、ならびに地域農業活性システム | |
JP7140086B2 (ja) | 果菜類植物及び果樹栽培管理装置、学習装置、果菜類植物及び果樹栽培管理方法、学習モデル生成方法、果菜類植物及び果樹栽培管理プログラム及び学習モデル生成プログラム | |
JP2023031131A (ja) | 茶葉の成長を予測する予測モデルの生成方法及び生成装置、茶葉の成長を予測する予測方法及び予測装置、並びに予測システム | |
Raj et al. | IoT based model of automated agricultural system in India | |
JP2021056572A (ja) | 作物生産支援プログラム、作物生産支援方法および作物生産支援装置 | |
Susilo et al. | Decision Tree-Based Bok Choy Growth Prediction Model for Smart Farm | |
Singh et al. | Crop yield forecasting under FASAL (forecasting agricultural output using space, agrometeorology and land based observations) | |
JP2022078987A (ja) | 農業支援プログラム、農業支援方法及び農業支援装置 | |
Revathi et al. | Categorize the quality of cotton seeds based on the different germination of the cotton using machine knowledge approach | |
JP2021174062A (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 | |
Gong et al. | Studies of evolutionary algorithms for the reduced Tomgro model calibration for modelling tomato yields | |
Saxena et al. | FARMINGTON-A Machine Learning Approach in Agriculture | |
JP7220881B1 (ja) | 灌水制御システム | |
WO2023145519A1 (ja) | パラメータ算出方法及び農業支援情報出力方法、並びにパラメータ算出プログラム及び農業支援情報出力プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20210917 |