JP2023511926A - 作物タイプまたは播種日あるいはその両方の推定 - Google Patents
作物タイプまたは播種日あるいはその両方の推定 Download PDFInfo
- Publication number
- JP2023511926A JP2023511926A JP2022544634A JP2022544634A JP2023511926A JP 2023511926 A JP2023511926 A JP 2023511926A JP 2022544634 A JP2022544634 A JP 2022544634A JP 2022544634 A JP2022544634 A JP 2022544634A JP 2023511926 A JP2023511926 A JP 2023511926A
- Authority
- JP
- Japan
- Prior art keywords
- crop
- sowing
- time series
- type
- sowing date
- 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
- 238000009331 sowing Methods 0.000 title claims abstract description 310
- 230000012010 growth Effects 0.000 claims abstract description 399
- 238000000034 method Methods 0.000 claims abstract description 93
- 238000004088 simulation Methods 0.000 claims abstract description 88
- 238000004590 computer program Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims description 32
- 239000002689 soil Substances 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 description 71
- 238000004891 communication Methods 0.000 description 32
- 230000003287 optical effect Effects 0.000 description 30
- 238000010586 diagram Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 9
- 238000010348 incorporation Methods 0.000 description 9
- 230000000670 limiting effect Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 230000010287 polarization Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 208000036855 Left sided atrial isomerism Diseases 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010899 nucleation Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 239000000575 pesticide Substances 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000005156 Dehydration Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 101000635799 Homo sapiens Run domain Beclin-1-interacting and cysteine-rich domain-containing protein Proteins 0.000 description 1
- 102100030852 Run domain Beclin-1-interacting and cysteine-rich domain-containing protein Human genes 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
- B64G1/00—Cosmonautic vehicles
- B64G1/10—Artificial satellites; Systems of such satellites; Interplanetary vehicles
- B64G1/1021—Earth observation satellites
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
- B64G1/00—Cosmonautic vehicles
- B64G1/10—Artificial satellites; Systems of such satellites; Interplanetary vehicles
- B64G1/1021—Earth observation satellites
- B64G1/1028—Earth observation satellites using optical means for mapping, surveying or detection, e.g. of intelligence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C14/00—Methods or apparatus for planting not provided for in other groups of this subclass
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
- B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Astronomy & Astrophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Environmental Sciences (AREA)
- Soil Sciences (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Biodiversity & Conservation Biology (AREA)
- Botany (AREA)
- Ecology (AREA)
- Forests & Forestry (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
作物タイプまたは播種日あるいはその両方を推定するための方法、装置、およびコンピュータ・プログラム製品を提供する。いくつかの実施形態では、過去の作物成長時系列および複数のシミュレートされた作物成長時系列が決定され、過去の時系列がシミュレートされた各時系列とマッチングされて、推定された作物タイプまたは播種日あるいはその両方が決定される。たとえば、過去の作物データに基づいて、1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、1つのシミュレートされた時系列が決定され得る。各時系列は関心エリアにおける作物の成長を表し、葉面積指数(LAI)などの作物固有パラメータ(複数可)を含む要素(複数可)を含む。過去の時系列は、リモート・センサ・データに基づいて決定され得る。シミュレートされた各時系列は、作物成長シミュレーション・モデルを使用して、過去の作物データ、地理空間データ、および気象データに基づいて決定され得る。
Description
本発明は一般に作物モニタリングの分野に関する。より詳細には、本発明は作物タイプまたは播種日(sowing date)あるいはその両方の早期の推定を提供することに関する。
作物モニタリングは、政府のみでなくアグリビジネスによっても広く利用されている。たとえば、農産物取引、種子供給、農薬製造、およびロジスティック・サービスなどのアグリビジネスでは、それらのビジネスの様々な側面において作物モニタリングを使用している。作物モニタリングは、政策管理を含む多くの政府機能でも利用されている。
作物モニタリングは多種多様な形態で存在する。たとえば、衛星作物モニタリングは、高解像度衛星画像のスペクトル分析の使用を通じて、関心エリア(たとえば、1つまたは複数の畑)のリアルタイムの作物の植生指数のモニタリングを容易にする。作物モニタリングは、作物開発に関連する質問、たとえば、「目下の作物シーズン中の播種状況はどうなっているか(すなわち、どのくらいの面積が既に播種されているか)?」、および「異なる作物の下でどのくらいの作付面積があるか?」、などに答えるためによく使用される。そのような質問は、関心エリアに関して作物タイプまたは播種日あるいはその両方の推定を提供することに帰着することが多い。
作物タイプまたは播種日あるいはその両方の信頼性の高い推定は、特に早い段階で利用可能な場合に、計り知れない価値があり得る。たとえば、この情報が早期に利用可能であることは、(たとえば、作物保険、農産物取引、種子供給、農薬製造、ロジスティック・サービスなどの用途で)これを使用する企業に競争上の優位性を提供することができる。
本開示の実施形態は、作物タイプまたは播種日あるいはその両方を推定するための方法、装置、およびコンピュータ・プログラム製品を含む。いくつかの実施形態では、過去の(historical)作物成長時系列および複数のシミュレートされた作物成長時系列が決定され、過去の作物成長時系列が複数のシミュレートされた作物成長時系列のそれぞれとマッチングされて、推定された作物タイプまたは播種日あるいはその両方が決定される。たとえば、過去の作物データに基づいて、1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、シミュレートされた作物成長時系列が決定され得る。各時系列(すなわち、過去の作物成長時系列およびシミュレートされた各作物成長時系列)は、関心エリアにおける作物の成長を表し、葉面積指数(LAI:leaf area index)、正規化植生指数(NDVI:normalized difference vegetation index)などの1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を含む。過去の作物成長時系列は、関心エリアの画像データの時系列などのリモート・センサ・データに基づいて決定され得る。シミュレートされた各時系列は、作物成長シミュレーション・モデルを使用して、過去の作物データ、地理空間データ、および気象データに基づいて決定され得る。過去の作物データは、たとえば、少なくとも1つの以前の作物サイクル中に関心エリアに関連付けられた作物生育領域において過去に生育された作物タイプと、それらの作物タイプのうちのそれぞれの播種カレンダーとを含み得る。地理空間データは、たとえば、関心エリアを特徴付ける農業情報を含み得る。気象データは、たとえば、関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す気象時系列を含み得る。
以下、実施形態を添付の図面と併せて説明し、添付の図面では、同様の符号は同様の要素を示す。
従来、作物タイプまたは播種日あるいはその両方の推定はリモート・センシングおよび地上調査(ground survey)を使用して行われ、これは典型的には播種から数週間後に利用可能になる。いくつかの実施形態に従って、この待ち時間を(たとえば、1週間以下だけでも)改善することにより、全ての当事者(すなわち、そのような情報の利用者、ならびにその提供者)に大きなビジネス価値がもたらされる可能性がある。
地上調査にはいくつかの欠点があり、たとえば、コストが高い、待ち時間が長い、精度が低い、カバレッジ・エリアが限られている、拡張性がない、などである。そのような欠点により、作物タイプまたは播種日あるいはその両方を早期に推定するためのコストおよび労力の観点で、地上調査を使用することは非現実的になる。
リモート・センシングにはいくつかの利点があり、たとえば、コストが低い、待ち時間が中程度である、精度が良好である、カバレッジが広範囲である、などである。しかしながら、リモート・センシングを使用して作物タイプまたは播種日あるいはその両方を推定する従来のアプローチは、数週間の作物の成長後にしか有効でない。
意思決定支援システム(たとえば、肥料を施す最適な時点を推定するもの)として、また、「収量推定」マップを提供するために、典型的には作物成長シミュレーション・モデルが使用される。副産物として、作物成長シミュレーション・モデルは、作物の健康状態の進行に関する包括的な情報を定期的に(たとえば、毎日、さらにはより頻繁に)提供することができる。
いくつかの実施形態によれば、作物タイプまたは播種日あるいはその両方を推定するための方法、装置、およびコンピュータ・プログラム製品は、1つまたは複数の作物成長シミュレーション・モデルおよびリモート・センシングの併用から利益を得る。さらに、いくつかの実施形態によれば、作物成長シミュレーション・モデルをリモート・センシングと併用して、作物タイプまたは播種日あるいはその両方の早期の推定を提供することによって、作物サイクルの非常に早い段階における播種パターンおよび複数の作物タイプの下での作付面積などの派生情報の決定を容易にすることができる。
本明細書で使用する場合、「作物タイプ」という用語は、植えられる作物のタイプと、その作物のタイプの品種または栽培品種とを含み得る。
いくつかの実施形態によれば、過去の作物成長時系列および複数のシミュレートされた作物成長時系列が決定され、過去の作物成長時系列が複数のシミュレートされた作物成長時系列のそれぞれとマッチングされて、推定された作物タイプまたは播種日あるいはその両方が決定される。たとえば、過去の作物データに基づいて、1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、シミュレートされた作物成長時系列が決定され得る。本明細書で使用する場合、「作物タイプ/播種日の組み合わせ」という用語は、1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内から選択される単一の作物タイプおよび単一の播種日を指す。各時系列(すなわち、過去の作物成長時系列およびシミュレートされた各作物成長時系列)は、関心エリアにおける作物の成長を表し、葉面積指数(LAI)、正規化植生指数(NDVI)、吸収された光合成活性放射の割合(fAPAR:fraction of absorbed photosynthetically active radiation)などの1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を含む。過去の作物成長時系列は、関心エリアの画像データの時系列などのリモート・センサ・データに基づいて決定され得る。シミュレートされた各時系列は、作物成長シミュレーション・モデルを使用して、過去の作物データ、地理空間データ、および気象データに基づいて決定され得る。
上記のように、過去の作物成長時系列は、関心エリアの高空間解像度画像データの時系列などのリモート・センサ・データに基づいて決定され得る。リモート・センサ・データは、たとえば、以前または現在あるいはその両方の作物サイクル中に1つまたは複数の衛星、1つまたは複数の空中ドローン、または1つまたは複数の航空機、あるいはそれらの組み合わせによってキャプチャされた関心エリアの高空間解像度画像データの時系列を含み得る。たとえば、リモート・センシングされる画像データは、軌道を回る衛星から定期的に(たとえば、毎日)キャプチャされ得、畑レベルの解像度の詳細を提供し得る。画像データには、光学、合成開口レーダー(SAR:synthetic aperture radar)、および高度合成開口レーダー(ASAR:advanced synthetic aperture radar)画像データが含まれ得るが、これらに限定されない。光学画像の場合、雲の覆いによって、特定の場所における画像取得が妨げられたり、遅れたりし得る。一方、SAR画像は、雲の覆いとは無関係に地球の表面を観察する固有の能力によって、成長サイクル全体での画像の時間的周波数を保証することができる。
光学画像は、たとえば、欧州宇宙機関(ESA:European Space Agency)のSentinel-2、NASA/米国地質調査所のLANDSAT(「陸上リモート・センシング衛星:Land Remote-Sensing Satellite」)、SPOT(フランス語:「Satellite Pour l’Observation de la Terre」、または「地球観測用衛星」)などから取得され得る。たとえば、光学画像は、播種カレンダーの始まりから現在の日付までの現在の作物サイクルにおいて定期的に(たとえば毎日)取得されるN個のSentinel-2光学画像のセットを含み得る。他の例では、光学画像は、播種カレンダーの始まりから現在の日付までの現在の作物サイクルにおいて定期的に(たとえば、毎日)取得されるN個のLANDSAT光学画像のセット(たとえば、ETM +(「エンハンスド・セマティック・マッパー・プラス:Enhanced Thematic Mapper Plus」))を含み得る。さらに他の例では、光学画像は、播種カレンダーの始まりから現在の日付までの現在の作物サイクルにおいて定期的に(たとえば、毎日)取得されるN個のSPOT光学画像のセット(たとえば、HRV(「高解像度可視:High Resolution Visible」)およびXS(「マルチスペクトル」))を含み得る。
SAR画像は、たとえば、欧州宇宙機関(ESA)のSentinel-1、ESAのERS(「欧州リモート・センシング衛星:European Remote-Sensing Satellite」)、カナダ宇宙機関(CSA:Canadian Space Agency)のRADARSAT(「レーダー衛星:Radar Satellite」)などから取得され得る。たとえば、SAR画像は、播種カレンダーの始まりから現在の日付までの現在の作物サイクルにおいて定期的に取得されるN個のSentinel-1AのVV/VH偏波SAR画像のセット(インターフェロメトリック・ワイド・スワス(Interferometric Wide Swath)、検出されたグランド・レンジ(Ground Range Detected))を含み得る。他の例では、SAR画像は、播種カレンダーの始まりから現在の日付までの現在の作物サイクルにおいて定期的に(たとえば、毎日)取得されるN個のERSのSAR画像のセット(たとえば、PRI(「パルス繰り返し間隔(PRI:Pulse Repetition Interval)フォーマット」))を含み得る。さらに他の例では、SAR画像は、播種カレンダーの始まりから現在の日付までの現在の作物サイクルにおいて定期的に(たとえば、毎日)取得されるN個のRADARSATのSAR画像のセット(たとえば、SGF(「SARジオリファレンス・ファイン(SGF:SAR Georeferenced Fine)フォーマット」))を含み得る。
ASAR画像は、たとえば、欧州宇宙機関(ESA)のENVISAT(「環境衛星:Environmental Satellite」)から取得され得る。
いくつかの実施形態では、単一のタイプのリモート・センサ(たとえば、光学)からのリモート・センサ・データを使用して、過去の作物成長時系列が決定され得る。たとえば、過去の作物成長時系列は、光学画像データに基づいて決定される1つまたは複数の光学由来の作物固有パラメータ(たとえば、NDVI、LAIなど)を有する時系列を含み得る。1つまたは複数の実施形態によれば、過去の作物成長時系列は、Sentinal-2光学画像に基づいて決定されるNDVI時系列を含み得る。たとえば、NDVI時系列のNDVI値は、可視および近赤外線(NIR:near-infrared)バンドの反射率値(たとえば、バンド4(赤)およびバンド8(NIR)の反射率値)を使用して、次の式に従って計算され得る。
NDVI=(NIR-red)/(NIR+red) (1)
ここで、NIRおよびredは、それぞれ近赤外線および赤のバンド・スペクトルの反射率を表す。緑の葉は可視光を吸収し、NIR光を反射するので、作物の成長中に、緑の葉の密度が高くなるにつれて、NDVI値が高くなる。作物タイプによって作物成長速度が異なるので、作物サイクルにわたるNDVI値の変化が作物ごとに異なる。したがって、ある作物のライフ・サイクルにわたるNDVI時系列は、作物タイプならびにその作物の播種日を識別する際の、その作物の特徴的性質(signature)として使用することができる。
NDVI=(NIR-red)/(NIR+red) (1)
ここで、NIRおよびredは、それぞれ近赤外線および赤のバンド・スペクトルの反射率を表す。緑の葉は可視光を吸収し、NIR光を反射するので、作物の成長中に、緑の葉の密度が高くなるにつれて、NDVI値が高くなる。作物タイプによって作物成長速度が異なるので、作物サイクルにわたるNDVI値の変化が作物ごとに異なる。したがって、ある作物のライフ・サイクルにわたるNDVI時系列は、作物タイプならびにその作物の播種日を識別する際の、その作物の特徴的性質(signature)として使用することができる。
1つまたは複数の実施形態によれば、過去の作物成長時系列は、Sentinal-2光学画像に基づいて決定されるLAI時系列を含み得る。たとえば、LAI時系列のLAI値は、次の式に従って計算され得る。
LAI=(NDVI-0.28)/0.18,NDVI≦0.7 (2)
LAI=(SR-1.0)/0.35,NDVI>0.7 (3)
ここで、NDVIおよびSRは、それぞれ正規化植生指数および単純比(simple ratio)を表し、NDVIは上記の式(1)に従って計算され、SRは次のように計算される。
SR=NIR/red (4)
ここで、NIRおよびredは、それぞれ近赤外線および赤のバンド・スペクトルの反射率を表す。上記の式(1)~(4)は、当技術分野ではよく知られている。たとえば、BAN et al.,“Assimilating MODIS data-derived minimum input data set and water stress factors into CERES-Maize model improves regional corn yield predictions,”PLOS ONE,21 pages,February 25,2019を参照されたい。植物と大気との間でエネルギーを交換するために利用可能な葉の表面積を表すLAIは、蒸発散量、バイオマス生産量、および収量をモデル化するために使用される場合に、重要な変数である。
LAI=(NDVI-0.28)/0.18,NDVI≦0.7 (2)
LAI=(SR-1.0)/0.35,NDVI>0.7 (3)
ここで、NDVIおよびSRは、それぞれ正規化植生指数および単純比(simple ratio)を表し、NDVIは上記の式(1)に従って計算され、SRは次のように計算される。
SR=NIR/red (4)
ここで、NIRおよびredは、それぞれ近赤外線および赤のバンド・スペクトルの反射率を表す。上記の式(1)~(4)は、当技術分野ではよく知られている。たとえば、BAN et al.,“Assimilating MODIS data-derived minimum input data set and water stress factors into CERES-Maize model improves regional corn yield predictions,”PLOS ONE,21 pages,February 25,2019を参照されたい。植物と大気との間でエネルギーを交換するために利用可能な葉の表面積を表すLAIは、蒸発散量、バイオマス生産量、および収量をモデル化するために使用される場合に、重要な変数である。
いくつかの実施形態では、2つ以上のタイプのリモート・センサ(たとえば、光学およびSAR)からのリモート・センサ・データを使用して、過去の作物成長時系列が決定され得る。たとえば、過去の作物成長時系列は、光学画像データに基づいて決定される1つまたは複数の光学由来の作物固有パラメータ(たとえば、NDVI、LAIなど)と、SAR画像データに基づいて決定される1つまたは複数のSAR由来の作物固有パラメータ(たとえば、VV/VH偏光比)とを有する時系列を含み得る。1つまたは複数の実施形態によれば、過去の作物成長時系列は、Sentinal-2光学画像およびSentinal-1 SAR画像に基づいてそれぞれ決定される光学由来およびSAR由来の作物固有パラメータの両方を有する時系列を含み得る。SAR画像から得られ得る適切な作物固有パラメータの例には、VV/VH偏光比、局在モーメント、およびHaralikテクスチャが含まれるが、これらに限定されない。作物のライフ・サイクルにわたる作物植物の構造、葉の密度、および畑土壌特性の違いは、後方散乱マイクロ波信号の強度の違いにつながり得る。したがって、ある作物のライフ・サイクルにわたる異なる偏光または偏光の組み合わせ(たとえば、VV/VH偏光比)での後方散乱マイクロ波信号の強度の経過も、作物タイプならびにその作物の播種日を識別する際の、その作物の特徴的性質として使用することができる。
光学画像データは、適切な従来技術を使用して前処理され得る。たとえば、光学画像データは、sen2corツールボックスを使用して、20mの空間解像度のレベル2A(すなわち、雲、雲の影、雪、および水に対するマスクを使用した表面反射値)に処理され得る。当業者は、他の従来技術を使用して光学画像データ・セットが前処理され得ることを理解するであろう。たとえば、異なる空間解像度は、最近傍リサンプリング技術などを使用して同じ解像度に調整され得る。
SAR画像データ・セットは、適切な従来技術を使用して前処理され得る。たとえば、SAR画像データ・セットは、Sentinelアプリケーション・プラットフォーム(SNAP:Sentinel Application Platform)ツールボックスを使用して、以下の動作を実行することによって、すなわち、(A)データ・セットをキャリブレーションして後方散乱係数を取得し、(B)データ・セットを2×2ピクセルのウィンドウ・サイズでマルチルックしてスペックル・ノイズ効果を低減することによって20mの空間解像度に到達し、(C)(たとえば、シャトル・レーダー・トポグラフィー・ミッションからの)数値標高モデル(DEM:digital elevation model)を使用してデータ・セット内の地形効果を除去することによって地形傾斜および対応する向きを導出し、(D)3×3ピクセルのウィンドウ・サイズの単純なLeeフィルタを適用して、20mの空間解像度を保ちながらスペックル・ノイズ効果をさらに低減することによって処理され得る。他の従来技術を使用して、SAR画像データ・セットが前処理され得る。たとえば、異なる空間解像度は、最近傍リサンプリング技術などを使用して同じ解像度に調整され得る。
いくつかの実施形態では、リモート・センサ・データは、1つまたは複数のリモート・センサ・データベース(たとえば、図4の426、図9の926)、あるいはIBM(R)PAIRS(物理分析統合データ・リポジトリおよびサービス:Physical Analytics Integrated Data Repository and Services)-Geoscopeなどの地理空間データ・プラットフォームによって提供され得る。IBM(R)は、米国のInternational Business Machines Corporation(「IBM」)の登録商標である。IBM(R)PAIRS-Geoscopeは、大規模な地理時空間データ(地図、衛星、気象、ドローン、IoT)、クエリおよび分析サービス用に特別に設計されたプラットフォームである。IBM(R)PAIRS-Geoscopeは、過去の継続的に更新されるリモート・センサ・データへのアクセスを提供する。
また、上記のように、シミュレートされた各作物成長時系列は、作物成長シミュレーション・モデルを使用して、過去の作物データ、地理空間データ、および気象データに基づいて決定され得る。一般的な作物成長シミュレーション・モデルには、資源および環境の統合による作物推定(CERES:Crop Estimation through Resource and Environment Synthesis)、農業技術移転のための意思決定支援システム(DSSAT:Decision Support System for Agrotechnology Transfer)、およびInfoCropが含まれるが、これらに限定されない。作物成長シミュレーション・モデルに必要な入力データの量はモデルによって異なるが、作物成長シミュレーション・モデルは、場所、土壌、初期条件、気象、および作物管理に関する情報を必要とする場合が多い。作物成長シミュレーション・モデルは、典型的には、作物の植え付けから現在の日付までに発生した蓄積された気象状況を利用して、作物の発育の履歴プロファイルを提供する。
1つまたは複数の実施形態によれば、シミュレートされた各作物成長時系列は、作物成長シミュレーション・モデルを使用して、過去の作物データ、地理空間データ、および気象データに基づいて決定される1つまたは複数の作物固有パラメータ(たとえば、NDVI、LAIなど)を有する時系列を含み得る。たとえば、LAI時系列を含むシミュレートされた作物成長時系列は、過去の作物データに基づいて、1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、DSSAT作物成長シミュレーション・モデルを使用して決定され得る。過去の作物データ、地理空間データ、および気象データは、DSSAT作物成長シミュレーション・モデルへの入力となり得る。DSSAT作物成長シミュレーション・モデルは、本質的にLAIをシミュレートする。たとえば、DSSAT作物成長シミュレーション・モデルは、典型的には、メイン・プログラム、植物成長モジュール、土壌水収支モジュール、および気象モジュールの4つの主要部分を含む。典型的には、植物成長モジュールは葉面積指数(LAI)をシミュレートし、これは土壌水収支モジュールで使用されて蒸発散量が計算される。
過去の作物データは、たとえば、少なくとも1つの以前の作物サイクル中に関心エリアに関連付けられた作物生育領域において過去に生育された作物タイプと、それらの作物タイプのうちのそれぞれの播種カレンダーとを含み得る。いくつかの実施形態では、関心エリアに関連付けられた作物生育領域は、関心エリア自体であり得る。いくつかの実施形態では、関心エリアに関連付けられた作物生育領域は、関心エリア付近の作物生育領域であり得る。第1の例では、関心エリアは第1の畑であり得、関心エリアに関連付けられた作物生育領域は、第1の畑に隣接する第2の畑であり得る。第2の例では、関心エリアは連続した畑のセットであり得、関心エリアに関連付けられた作物生育領域は、連続した畑のセットから指定された距離内にある畑のセットであり得る。いくつかの実施形態では、関心エリアに関連付けられた作物生育領域は、境界(たとえば、物理的境界、政治的境界など)によって定義される作物生育領域であり得る。たとえば、関心エリアは1つまたは複数の畑であり得、関心エリアに関連付けられた作物生育領域は、その1つまたは複数の畑を含む郡、州、県(province)、または他の政治的境界であり得る。
いくつかの実施形態では、過去の作物データは、1つまたは複数の作物履歴データベース(図4の420、図9の920)によって提供され得る。たとえば、過去の作物データは、典型的には、商用ソースのみでなく、公開データ・ソースからもアクセスされ得る。たとえば、関心エリアに関連付けられた作物生育領域において過去に生育された作物タイプは、典型的には、商用ソースのみでなく、公開データ・ソース、たとえば、米国農務省の全米農業統計局(NASS:National Agricultural Statistics Service)CropScapeなどからもアクセスされ得る。たとえば、播種カレンダーは、典型的には、商用ソースのみでなく、公開データ・ソース、たとえば、米国農務省の全米農業統計局(NASS)農業ハンドブック628号「Field Crops-Usual Planting and Harvesting Dates」、国際連合の食糧農業機関(FAO:Food and Agriculture Organization)の作物カレンダーなどからもアクセスされ得る。
地理空間データは、たとえば、関心エリアを特徴付ける農業情報を含み得る。地理空間データは、作物成長シミュレーション・モデルへの入力パラメータとなり得る関心エリアを特徴付ける農業情報、たとえば、標高、土壌水分、土壌タイプ、および他の地理空間データを含み得る。地理空間データは、関心エリアから収集され、関心エリア付近の1つまたは複数の領域から収集され、または関心エリアを代表する1つまたは複数の領域から収集され、あるいはそれらの組み合わせから収集され得る。
いくつかの実施形態では、地理空間データは、1つまたは複数の地理空間データベース(たとえば、図4の422、図9の922)、またはIBM(R)PAIRS(物理分析統合データ・リポジトリおよびサービス)-Geoscopeなどの地理空間データ・プラットフォームによって提供され得る。IBM(R)PAIRS-Geoscopeは、過去の継続的に更新される地理空間データへのアクセスを提供する。
気象データは、たとえば、関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す気象時系列を含み得る。いくつかの実施形態では、気象データは、現在の成長期の間に発生した観測された畑レベルの気象データと、現在の畑レベルの気象データとを含み得る。気象データは、たとえば、作物成長シミュレーション・モデルへの入力パラメータとなり得る関心エリアに関連付けられた気象領域における1つまたは複数の気象状況、たとえば、日ごとの全天日射量、日ごとの最高気温および最低気温、日ごとの降水量、および他の気象状況を表す気象時系列を含み得る。いくつかの実施形態では、関心エリアに関連付けられた気象領域は、関心エリア自体であり得る。いくつかの実施形態では、関心エリアに関連付けられた気象領域は、関心エリア付近の気象領域であり得る。たとえば、関心エリアは畑であり得、関心エリアに関連付けられた気象領域は、その畑から指定された距離内にある自動気象観測所が位置する領域であり得る。いくつかの実施形態では、関心エリアに関連付けられた気象領域は、境界(たとえば、物理的境界、政治的境界など)によって定義される気象領域であり得る。たとえば、関心エリアは1つまたは複数の畑であり得、関心エリアに関連付けられた気象領域は、その1つまたは複数の畑を含む谷または他の物理的境界であり得る。
いくつかの実施形態では、気象データは、1つまたは複数の気象データベース(たとえば、図4の424、図9の924)によって提供され得る。たとえば、気象データは、国立環境情報センター(NCEI:National Centers for Environmental Information)などのリポジトリ、ならびにThe Weather Company、WeatherBELL Analytics、Baron、およびAccuWeatherなどの気象サービス・プロバイダからアクセスされ得る。NCEIは、アメリカ海洋大気庁(NOAA:National Oceanic and Atmospheric Administration)のデータの主要なリポジトリである。気象データには、IBM(R)PAIRS(物理分析統合データ・リポジトリおよびサービス)-Geoscopeなどの地理空間データ・プラットフォームからもアクセスされ得る。IBM(R)PAIRS-Geoscopeは、過去の継続的に更新される気象データへのアクセスを提供する。
関心エリアは、土地の1つまたは複数の部分(畑、区画、農場、それらの小部分など)であり得る。本明細書で使用する場合、「関心エリア」とは、任意の形状またはサイズの任意の量の土地を指す。たとえば、「関心エリア」は、栽培者の所有地全体、畑、土地の区画、栽培領域、区域または管理区域などを指し得る。
いくつかの実施形態によれば、DSSATなどの作物成長シミュレーション・モデルを使用して、葉面積指数(LAI)、正規化植生指数(NDVI)などの作物固有パラメータを生成し、マッチング・アルゴリズムはこれを、関心エリアにおいて播種された1つまたは複数の過去の作物サイクルからの作物タイプとマッチングすることを試みる。様々な作物成長シミュレーション・モデルが公開ドメインで利用可能であり、主要な作物タイプをカバーしており(たとえば、DSSATは世界中の40個以上の作物タイプをシミュレートすることができる)、他の作物タイプのモデルを実装することもできる。
いくつかの実施形態では、リモート・センサ・データ(たとえば、植生指数、土壌水分、および他のフィールド)を同化させるためのデータ同化モジュール(たとえば、図4の414)が1つまたは複数の作物成長シミュレーション・モジュールと結合され得る。
作物固有パラメータを生成するために、作物成長シミュレーション・モデルと組み合わせて様々なデータが使用され得、これには、関心エリアにおいて生育される作物のタイプと、そのような作物タイプの作物カレンダーとに関する公開されている情報、高解像度の地理空間データ(たとえば、標高、土壌水分、土壌タイプなど)、ならびに以前のおよび現在の作物サイクル中の高解像度の気象データおよびリモート・センサ・データが含まれるがこれらに限定されない。たとえば、作物成長シミュレーション・モデルは、LAIの初期のシミュレートされた作物成長時系列を計算するために、気象データ、土壌水分データ、初期作物タイプ、初期播種日、および他のデータを入力として取得し得る。この入力データは全て、データ・ソース取り込みモジュール(たとえば、図4の412)を介して作物成長シミュレーション・モデルに取り込まれ得る。
初期作物タイプは、以前の作物サイクルにおいて関心エリアに播種された作物タイプから選択され得る。初期播種日は、初期作物タイプの播種カレンダーから選択され得る。
いくつかの実施形態では、データベース(たとえば、図4の406、図9の928)は、衛星、空中ドローン、航空機からの畑画像を含む、リモート・センシングから得られる、または他のメカニズム(たとえば、地上のロボット、ならびに畑および農機具に取り付けられたセンサ)によって得られる、LAI、NDVIなどに関する過去の作物サイクル情報(たとえば、現在の作物サイクルのLAIの過去の作物成長時系列)を供給し得る。いくつかの実施形態では、データベースによって供給される過去の作物サイクル情報は、現在の作物サイクルに関するものであり得る。他の実施形態では、データベースによって供給される過去の作物サイクル情報は、1つまたは複数の以前の作物サイクルに関するものであり得る。いくつかの実施形態では、データベースによって供給される過去の作物サイクル情報は、作物固有パラメータおよび他のタイプのデータ、たとえば、気象データを含み得る(たとえば、現在の作物サイクルのLAIの過去の作物成長時系列を時系列の1つの要素として、ならびに現在の作物サイクルの気象データを時系列の他の1つまたは複数の要素として含み得る)。
マッチング・アルゴリズムは、作物固有パラメータ(たとえば、1つまたは複数の以前の作物サイクル中に関心エリアに播種された作物タイプのLAIの時系列、たとえば、1つまたは複数の以前の作物サイクル中に関心エリアに播種された作物タイプごとのシミュレートされたLAI時系列、および現在の作物サイクル中に関心エリアからキャプチャされたリモート・センサ・データに基づく過去のLAI時系列)を入力として取得し、シミュレートされた各LAI時系列と過去のLAI時系列との間の距離を計算して、計算された距離のランク付けを実行し得る。たとえば、マッチング・アルゴリズムは、距離マトリックス時系列マッチングを介して2つのデータセットの位置合わせを試行する時系列距離計算器を含み得る。時系列距離計算器への入力として提供される第1のデータセットは、作物成長シミュレーション・モデルから得られる時系列データセットであり得、いくつかの実施形態によればシミュレーション出力は毎日1つであるが、一般的には定期的にシミュレートされるデータセットである。時系列距離計算器への入力として提供される第2のデータセットは、リモート・センサから得られる時系列データセットであり得、いくつかの実施形態によればリモート・センサから得られるリモート・センシング入力は毎日1つであるが、一般的には定期的なセンシングである。上記の実施形態で利用される1日あたり1つの入力に基づいて構築されるデータセットは例示的なものであり、限定的なものではない。たとえば、他の実施形態では、日ごとの、または他の任意の適切な周期性期間ごとの複数の入力に基づいて構築されるデータセットを利用し得る。
いくつかの実施形態によれば、時系列距離計算器において、時系列の各要素がマッチングされる。すなわち、シミュレートされたデータと、観測されたデータとの各要素間で差分が計算され、差分スコアが計算されて記憶される。差分スコアは、計算された差分(すなわち、時系列のそれぞれの要素について計算された差分)を合計することによって計算され得る。観測されたデータは、関心エリアの過去の作物成長時系列であり得、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)、および任意選択により他のデータ(たとえば、気象)を含む1つまたは複数の要素を含む。シミュレートされたデータは、同じ1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)、および任意選択により同じ他のデータ(たとえば、気象)を含むシミュレートされた作物成長時系列であり得る。
いくつかの実施形態では、シミュレートされた時系列は、一度に1つのタイム・スロットだけ(タイム・スロットはスナップショットが取られる周期性期間である)いずれかの方向に時間的にシフトされ、差分スコアが再計算されて記憶される。たとえば、マッチング・アルゴリズムは、作物成長シミュレーション・モデルに制御データを送信して、初期播種日を1日進め得る。次いで、作物成長シミュレーション・モデルは、時間的にシフトされた時系列(すなわち、播種日が初期播種日から1日進められた時系列)をマッチング・アルゴリズムに送信し得、次いでマッチング・アルゴリズムは差分スコアを再計算して記憶する。マッチング・アルゴリズムは次いで、作物成長シミュレーション・モデルに制御データを送信して、播種日をさらに1日進め得る。次いで、作物成長シミュレーション・モデルは、他の時間的にシフトされた時系列(すなわち、播種日が初期播種日から2日進められた時系列)をマッチング・アルゴリズムに送信し、次いでマッチング・アルゴリズムは差分スコアを再計算して記憶する。このシーケンスは、作物タイプの播種カレンダー内の播種日ごとに、また、関心エリアにおいて(または関心エリアに関連付けられた作物生育領域において)過去に生育された作物タイプごとに繰り返され得る。
最小の差分スコアでシミュレートされた時系列は、最終結果と見なされ得る。たとえば、このシミュレーション(すなわち、最小の差分スコアを生成したシミュレーション)に従って、作物タイプまたは播種日あるいはその両方の推定値が得られ得る。すなわち、このシミュレーション(すなわち、最小の差分スコアを生成したシミュレーション)を決定する際に作物成長シミュレーション・モデルによって使用された作物タイプおよび播種日は、作物タイプまたは播種日あるいはその両方の推定値を提供する。
新たな情報技術(IT:information technology)配信モデルは、共有リソース、ソフトウェア、および情報がインターネットを介してコンピュータおよび他のデバイスにオンデマンドで提供されるクラウド・コンピューティングである。クラウド・コンピューティングは、ワークロードの最適化およびサービスの配信を改善しながら、ITコストおよび複雑性を大幅に削減することができる。このアプローチにより、従来のWebブラウザからHTTPでアクセス可能なインターネットベースのリソースからアプリケーション・インスタンスをホストし、利用可能にすることができる。例示的なアプリケーションは、電子メール、カレンダー、連絡先管理、およびインスタント・メッセージングなどの一般的なメッセージング機能のセットを提供するものであろう。その後、ユーザはインターネット経由で直接サービスにアクセスする。このサービスを使用して、企業は自身のメール、カレンダー、またはコラボレーション・インフラストラクチャ、あるいはそれらの組み合わせをクラウドに配置し、エンド・ユーザは適切なクライアントを使用して自身のメールにアクセスしたり、カレンダー操作を実行したりする。
本開示はクラウド・コンピューティングに関する詳細な説明を含むが、本明細書に列挙した教示の実装形態はクラウド・コンピューティング環境に限定されないことを理解されたい。むしろ、本発明の実施形態は、現在知られているまたは今後開発される他の任意のタイプのコンピューティング環境と共に実装することが可能である。
クラウド・コンピューティングは、最小限の管理労力またはサービスのプロバイダとのやりとりによって迅速にプロビジョニングおよび解放することができる、設定可能なコンピューティング・リソース(たとえば、ネットワーク、ネットワーク帯域幅、サーバ、処理、メモリ、ストレージ、アプリケーション、仮想マシン、およびサービス)の共有プールへの便利なオンデマンドのネットワーク・アクセスを可能にするためのサービス配信のモデルである。このクラウド・モデルは、少なくとも5つの特徴と、少なくとも3つのサービス・モデルと、少なくとも4つのデプロイメント・モデルとを含み得る。
特徴は以下の通りである。
オンデマンド・セルフ・サービス:クラウド・コンシューマは、サービスのプロバイダとの人的な対話を必要とせずに、必要に応じて自動的に、サーバ時間およびネットワーク・ストレージなどのコンピューティング能力を一方的にプロビジョニングすることができる。
ブロード・ネットワーク・アクセス:能力はネットワークを介して利用することができ、異種のシンまたはシック・クライアント・プラットフォーム(たとえば、携帯電話、ラップトップ、およびPDA)による使用を促進する標準的なメカニズムを介してアクセスされる。
リソース・プーリング:プロバイダのコンピューティング・リソースをプールして、様々な物理リソースおよび仮想リソースが需要に応じて動的に割り当ておよび再割り当てされるマルチ・テナント・モデルを使用して複数のコンシューマにサービス提供する。一般にコンシューマは、提供されるリソースの正確な位置に対して何もできず、知っているわけでもないが、より高い抽象化レベル(たとえば、)では位置を特定可能であり得るという点で位置非依存の感覚がある。
迅速な弾力性:能力を迅速かつ弾力的に、場合によっては自動的にプロビジョニングして素早くスケール・アウトし、迅速に解放して素早くスケール・インすることができる。コンシューマにとって、プロビジョニング可能な能力は無制限であるように見えることが多く、任意の時間に任意の数量で購入することができる。
測定されるサービス:クラウド・システムは、サービスのタイプ(たとえば、ストレージ、処理、帯域幅、およびアクティブ・ユーザ・アカウント)に適したある抽象化レベルでの計量機能を活用して、リソースの使用を自動的に制御し、最適化する。リソース使用量を監視、管理、および報告して、利用されるサービスのプロバイダおよびコンシューマの両方に透明性を提供することができる。
サービス・モデルは以下の通りである。
ソフトウェア・アズ・ア・サービス(SaaS):コンシューマに提供される能力は、クラウド・インフラストラクチャ上で動作するプロバイダのアプリケーションを使用することである。アプリケーションは、ウェブ・ブラウザ(たとえば、ウェブベースの電子メール)などのシン・クライアント・インターフェースを介して様々なクライアント・デバイスからアクセス可能である。コンシューマは、限定されたユーザ固有のアプリケーション構成設定を可能性のある例外として、ネットワーク、サーバ、オペレーティング・システム、ストレージ、さらには個々のアプリケーション機能を含む、基盤となるクラウド・インフラストラクチャを管理も制御もしない。
プラットフォーム・アズ・ア・サービス(PaaS):コンシューマに提供される能力は、プロバイダによってサポートされるプログラミング言語およびツールを使用して作成された、コンシューマが作成または取得したアプリケーションをクラウド・インフラストラクチャ上にデプロイすることである。コンシューマは、ネットワーク、サーバ、オペレーティング・システム、またはストレージを含む、基盤となるクラウド・インフラストラクチャを管理も制御もしないが、デプロイされたアプリケーションおよび場合によってはアプリケーション・ホスティング環境構成を制御する。
インフラストラクチャ・アズ・ア・サービス(IaaS:Infrastructure as a Service):コンシューマに提供される能力は、オペレーティング・システムおよびアプリケーションを含むことができる任意のソフトウェアをコンシューマがデプロイして動作させることが可能な、処理、ストレージ、ネットワーク、および他の基本的なコンピューティング・リソースをプロビジョニングすることである。コンシューマは、基盤となるクラウド・インフラストラクチャを管理も制御もしないが、オペレーティング・システム、ストレージ、デプロイされたアプリケーションを制御し、場合によっては選択したネットワーキング・コンポーネント(たとえば、ホスト・ファイアウォール)を限定的に制御する。
デプロイメント・モデルは以下の通りである。
プライベート・クラウド:クラウド・インフラストラクチャは組織専用に運用される。これは組織または第三者によって管理され得、構内または構外に存在し得る。
コミュニティ・クラウド:クラウド・インフラストラクチャはいくつかの組織によって共有され、共通の懸念(たとえば、ミッション、セキュリティ要件、ポリシー、およびコンプライアンスの考慮事項など)を有する特定のコミュニティをサポートする。これは組織または第三者によって管理され得、構内または構外に存在し得る。
パブリック・クラウド:クラウド・インフラストラクチャは、一般大衆または大規模な業界団体に対して利用可能にされ、クラウド・サービスを販売する組織によって所有される。
ハイブリッド・クラウド:クラウド・インフラストラクチャは、固有のエンティティのままであるが、データおよびアプリケーションの移植性を可能にする標準化技術または独自技術(たとえば、クラウド間の負荷分散のためのクラウド・バースティング)によって結合された2つ以上のクラウド(プライベート、コミュニティ、またはパブリック)を合成したものである。
クラウド・コンピューティング環境は、ステートレス性、低結合性、モジュール性、および意味論的相互運用性に重点を置いたサービス指向型である。クラウド・コンピューティングの中核にあるのは、相互接続されたノードのネットワークを含むインフラストラクチャである。
ここで図1を参照すると、クラウド・コンピューティング・ノードの一例の概略図が示されている。クラウド・コンピューティング・ノード10は、適切なクラウド・コンピューティング・ノードの一例に過ぎず、本明細書に記載の本発明の実施形態の使用または機能性の範囲に関するいかなる制限を示唆することも意図するものではない。いずれにしても、クラウド・コンピューティング・ノード10は、上記の機能性のいずれをも実装するまたは実行するあるいはその両方を行うことが可能である。
クラウド・コンピューティング・ノード10には、コンピュータ・システム/サーバ12が存在し、これは他の多くの汎用または専用のコンピューティング・システム環境または構成で動作可能である。コンピュータ・システム/サーバ12での使用に適し得るよく知られているコンピューティング・システム、環境、または構成、あるいはそれらの組み合わせの例には、パーソナル・コンピュータ・システム、サーバ・コンピュータ・システム、シン・クライアント、シック・クライアント、ハンドヘルドもしくはラップトップ・デバイス、マルチプロセッサ・システム、マイクロプロセッサベースのシステム、セット・トップ・ボックス、プログラム可能な家庭用電化製品、ネットワークPC、ミニコンピュータ・システム、メインフレーム・コンピュータ・システム、および上記のシステムもしくはデバイスのいずれか含む分散クラウド・コンピューティング環境などが含まれるが、これらに限定されない。
コンピュータ・システム/サーバ12は、コンピュータ・システムによって実行されるプログラム・モジュールなどのコンピュータ・システム実行可能命令の一般的なコンテキストで説明し得る。一般に、プログラム・モジュールには、特定のタスクを実行するかまたは特定の抽象データ型を実装するルーチン、プログラム、オブジェクト、コンポーネント、ロジック、データ構造などが含まれ得る。コンピュータ・システム/サーバ12は、通信ネットワークを介してリンクされたリモート処理デバイスによってタスクが実行される分散クラウド・コンピューティング環境において実施され得る。分散クラウド・コンピューティング環境では、プログラム・モジュールは、メモリ・ストレージ・デバイスを含むローカルおよびリモート両方のコンピュータ・システム記憶媒体に配置され得る。
図1に示すように、クラウド・コンピューティング・ノード10内のコンピュータ・システム/サーバ12は、汎用コンピューティング・デバイスの形態で示している。コンピュータ・システム/サーバ12のコンポーネントは、1つまたは複数のプロセッサまたは処理ユニット16と、システム・メモリ28と、システム・メモリ28を含む様々なシステム・コンポーネントをプロセッサ16に結合するバス18とを含み得るが、これらに限定されない。
バス18は、メモリ・バスまたはメモリ・コントローラ、ペリフェラル・バス、アクセラレーテッド・グラフィックス・ポート、および様々なアーキテクチャのいずれかを使用するプロセッサまたはローカル・バスを含む、いくつかのタイプのバス構造のいずれかの1つまたは複数を表す。限定ではなく例として、そのようなアーキテクチャには、業界標準アーキテクチャ(ISA:Industry Standard Architecture)バス、マイクロ・チャネル・アーキテクチャ(MCA:Micro Channel Architecture)バス、拡張ISA(EISA:Enhanced ISA)バス、ビデオ・エレクトロニクス規格協会(VESA:Video Electronics Standards Association)ローカル・バス、および周辺機器相互接続(PCI:Peripheral Component Interconnects)バスが含まれる。
コンピュータ・システム/サーバ12は、典型的には、様々なコンピュータ・システム可読媒体を含む。そのような媒体は、コンピュータ・システム/サーバ12によってアクセス可能な任意の利用可能な媒体であり得、揮発性および不揮発性の媒体、ならびに取り外し可能および取り外し不可能な媒体の両方を含む。
システム・メモリ28は、ランダム・アクセス・メモリ(RAM:random access memory)30またはキャッシュ・メモリ32あるいはその両方などの、揮発性メモリの形態のコンピュータ・システム可読媒体を含むことができる。コンピュータ・システム/サーバ12は、他の取り外し可能/取り外し不可能な揮発性/不揮発性のコンピュータ・システム記憶媒体をさらに含み得る。単なる例として、取り外し不可能な不揮発性の磁気媒体(図示しない、典型的には「ハード・ドライブ」と呼ばれるもの)、および他の取り外し不可能な不揮発性の磁気媒体(たとえば、「ソリッド・ステート・ドライブ」)に読み書きするためのストレージ・システム34を設けることができる。図示していないが、取り外し可能な不揮発性の磁気ディスク(たとえば、「フレキシブル・ディスク」)に読み書きするための磁気ディスク・ドライブと、CD-ROM、DVD-ROM、または他の光学媒体などの取り外し可能な不揮発性の光学ディスクに対する読み出しまたは書き込みあるいはその両方を行うための光学ディスク・ドライブと、を設けることができる。そのような例では、それぞれを、1つまたは複数のデータ・メディア・インターフェースによってバス18に接続することができる。以下でさらに説明するように、メモリ28は、本発明の1つまたは複数の特徴を実行するように構成されるコンピュータ可読命令を含むプログラム・モジュール42のセット(たとえば、少なくとも1つ)を記憶するコンピュータ・プログラム製品を含み得る。
プログラム・モジュール42のセット(少なくとも1つ)を有するプログラム/ユーティリティ40は、限定ではなく例として、オペレーティング・システム、1つまたは複数のアプリケーション・プログラム、他のプログラム・モジュール、およびプログラム・データと同様に、メモリ28に記憶され得る。オペレーティング・システム、1つまたは複数のアプリケーション・プログラム、他のプログラム・モジュール、およびプログラム・データまたはそれらの何らかの組み合わせのそれぞれは、ネットワーキング環境の一実装形態を含み得る。いくつかの実施形態では、プログラム・モジュール42は、一般に、1つまたは複数の実施形態の1つまたは複数の機能または方法論あるいはその両方を実行するようになされる。
コンピュータ・システム/サーバ12はまた、キーボード、ポインティング・デバイス、ディスプレイ24などの1つまたは複数の外部デバイス14、ユーザがコンピュータ・システム/サーバ12とやりとりすることを可能にする1つまたは複数のデバイス、ならびに/あるいはコンピュータ・システム/サーバ12が1つまたは複数の他のコンピューティング・デバイスと通信することを可能にする任意のデバイス(たとえば、ネットワーク・カード、モデムなど)と通信し得る。そのような通信は、入力/出力(I/O:Input/Output)インターフェース22を介して行うことができる。またさらに、コンピュータ・システム/サーバ12は、ネットワーク・アダプタ20を介して、ローカル・エリア・ネットワーク(LAN:local area network)、一般的なワイド・エリア・ネットワーク(WAN:wide area network)、またはパブリック・ネットワーク(たとえば、インターネット)、あるいはそれらの組み合わせなどの、1つまたは複数のネットワークと通信することができる。図示のように、ネットワーク・アダプタ20は、バス18を介してコンピュータ・システム/サーバ12の他のコンポーネントと通信する。図示していないが、他のハードウェアまたはソフトウェアあるいはその両方のコンポーネントを、コンピュータ・システム/サーバ12と併用できることを理解されたい。例には、マイクロコード、デバイス・ドライバ、冗長処理ユニット、外部ディスク・ドライブ・アレイ、RAIDシステム、テープ・ドライブ、およびデータ・アーカイブ・ストレージ・システムなどが含まれるが、これらに限定されない。
ここで図2を参照すると、例示的なクラウド・コンピューティング環境50が示されている。図示のように、クラウド・コンピューティング環境50は1つまたは複数のクラウド・コンピューティング・ノード10を含み、これらを使用して、たとえば、パーソナル・デジタル・アシスタント(PDA:personal digital assistant)もしくは携帯電話54A、デスクトップ・コンピュータ54B、ラップトップ・コンピュータ54C、または自動車コンピュータ・システム54N、あるいはそれらの組み合わせなどの、クラウド・コンシューマによって使用されるローカル・コンピューティング・デバイスが通信し得る。ノード10は相互に通信し得る。これらは、たとえば、上述のプライベート、コミュニティ、パブリック、もしくはハイブリッド・クラウド、またはそれらの組み合わせなどの1つまたは複数のネットワークにおいて、物理的または仮想的にグループ化され得る(図示せず)。これにより、クラウド・コンピューティング環境50は、クラウド・コンシューマがローカル・コンピューティング・デバイス上にリソースを維持する必要がない、インフラストラクチャ・アズ・ア・サービス、プラットフォーム・アズ・ア・サービス、またはソフトウェア・アズ・ア・サービス、あるいはそれらの組み合わせを提供することが可能になる。図2に示したコンピューティング・デバイス54A~Nのタイプは例示的なものにすぎないことが意図されており、コンピューティング・ノード10およびクラウド・コンピューティング環境50は、任意のタイプのネットワークまたはネットワーク・アドレス指定可能接続(たとえば、Webブラウザを使用)あるいはその両方を介して任意のタイプのコンピュータ化デバイスと通信できることを理解されたい。
ここで図3を参照すると、クラウド・コンピューティング環境50(図2)によって提供される機能的抽象化レイヤのセットが示されている。図3に示したコンポーネント、レイヤ、および機能は例示的なものにすぎないことが意図されており、本発明の実施形態はこれらに限定されないことを事前に理解されたい。図示のように、以下のレイヤおよび対応する機能が提供される。
ハードウェアおよびソフトウェア・レイヤ60は、ハードウェア・コンポーネントおよびソフトウェア・コンポーネントを含む。ハードウェア・コンポーネントの例には、メインフレーム61、RISC(縮小命令セット・コンピュータ:Reduced Instruction Set Computer)アーキテクチャ・ベースのサーバ62、サーバ63、ブレード・サーバ64、ストレージ・デバイス65、ならびにネットワークおよびネットワーキング・コンポーネント66が含まれる。いくつかの実施形態では、ソフトウェア・コンポーネントは、ネットワーク・アプリケーション・サーバ・ソフトウェア67およびデータベース・ソフトウェア68を含む。
仮想化レイヤ70は抽象化レイヤを提供し、抽象化レイヤから、仮想エンティティの以下の例、すなわち、仮想サーバ71、仮想ストレージ72、仮想プライベート・ネットワークを含む仮想ネットワーク73、仮想アプリケーションおよびオペレーティング・システム74、ならびに仮想クライアント75が提供され得る。
一例では、管理レイヤ80は、下記の機能を提供し得る。リソース・プロビジョニング81は、クラウド・コンピューティング環境内でタスクを実行するために利用されるコンピューティング・リソースおよび他のリソースの動的調達を提供する。計量および価格決定82は、クラウド・コンピューティング環境内でリソースが利用されたときの費用追跡と、これらのリソースの消費に対する会計または請求とを提供する。一例では、これらのリソースはアプリケーション・ソフトウェア・ライセンスを含み得る。セキュリティは、クラウド・コンシューマおよびタスクの同一性検証だけでなく、データおよび他のリソースに対する保護も提供する。ユーザ・ポータル83は、コンシューマおよびシステム管理者にクラウド・コンピューティング環境へのアクセスを提供する。サービス・レベル管理84は、要求されたサービス・レベルが満たされるような、クラウド・コンピューティング・リソースの割り当ておよび管理を提供する。サービス・レベル合意(SLA:Service Level Agreement)の計画および履行85は、SLAに従って将来要求されると予想されるクラウド・コンピューティング・リソースの事前手配および調達を提供する。
ワークロード・レイヤ90は、クラウド・コンピューティング環境が利用され得る機能性の例を提供する。このレイヤから提供され得るワークロードおよび機能の例は、マッピングおよびナビゲーション91、ソフトウェア開発およびライフ・サイクル管理92、仮想教室教育配信93、データ分析処理94、取引処理95、および作物タイプまたは播種日あるいはその両方の推定96、を含む。
ここで図4を参照すると、1つまたは複数の実施形態による作物タイプまたは播種日あるいはその両方を推定するための例示的なシステム400が示されている。図4に示す例示的なシステム400は、作物成長シミュレータ402と、マッチング・アルゴリズム404と、過去作物成長データベース406とを含む。マッチング・アルゴリズム404は、作物成長シミュレータ402によって生成されたシミュレートされた作物成長時系列を、過去作物成長データベース406から受信した過去の作物成長時系列とマッチングして、推定された作物タイプまたは播種日あるいはその両方を出力408として決定する。
いくつかの実施形態では、作物成長シミュレータ402は、1つまたは複数の作物成長シミュレーション・モデル・モジュール410と、1つまたは複数のデータ・ソース取り込みモジュール412と、1つまたは複数のデータ同化モジュール414とを含む。作物成長シミュレータ402は、1つまたは複数の作物成長シミュレーション・モデル・モジュール410を使用して、1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、1つまたは複数のネットワーク416を介した、1つまたは複数の作物履歴データベース420からの過去の作物データ、1つまたは複数の地理空間データベース422からの地理空間データ、および1つまたは複数の気象データベース424からの気象データ(ならびに、任意選択により、1つまたは複数のリモート・センサ・データベース426からのリモート・センサ・データ)に基づいて、シミュレートされた作物成長時系列を決定し得る。そのようなネットワーク416は、セルラー・ネットワーク、ワイド・エリア・ネットワーク(WAN)(たとえば、インターネット)、またはローカル・エリア・ネットワーク(LAN)、あるいはそれらの組み合わせを含むがこれらに限定されない有線および無線ネットワークを含み得、これらの非限定的な例には、セルラー、WAN、ワイヤレス・フィデリティ(Wi-Fi(R))、Wi-Max(R)、WLAN、無線通信、マイクロ波通信、衛星通信、光通信、音波通信、電磁誘導通信、量子通信、または他の任意の適切な通信技術、あるいはそれらの組み合わせが含まれる。
いくつかの実施形態では、作物成長シミュレータ402によって生成されるシミュレートされた各作物成長時系列は、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)、および任意選択により他のデータ(たとえば、気象)を含む1つまたは複数の要素を含む。
1つまたは複数の作物履歴データベース420から作物成長シミュレータ402によって受信される過去の作物データは、たとえば、少なくとも1つの以前の作物サイクル中に関心エリアに関連付けられた作物生育領域において過去に生育され生育された作物タイプと、それらの作物タイプのうちのそれぞれの播種カレンダーとを含み得る。
1つまたは複数の地理空間データベース422から作物成長シミュレータ402によって受信される地理空間データは、たとえば、関心エリアを特徴付ける農業情報を含み得る。
1つまたは複数の気象データベース424から作物成長シミュレータ402によって受信される気象データは、たとえば、関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す気象時系列を含み得る。
この入力データの全て(すなわち、作物履歴、地理空間、および気象データベース420、422、および424からそれぞれ受信された過去の作物データ、地理空間データ、および気象データ)は、1つまたは複数のデータ取り込みモジュール412によって作物成長シミュレータ402に取り込まれ得る。たとえば、作物成長シミュレータ402は、気象データ、土壌水分データ、初期作物タイプ、初期播種日、および他のデータを入力として取得して、初期のシミュレートされた作物成長時系列を計算し得る。初期作物タイプは、たとえば、以前の作物サイクルにおいて関心エリアに播種された作物タイプから選択され得る。初期播種日は、たとえば、初期作物タイプの播種カレンダーから選択され得る。
さらに、この入力データの全て(すなわち、作物履歴、地理空間、および気象データベース420、422、および424からそれぞれ受信した過去の作物データ、地理空間データ、および気象データ)は、1つまたは複数のリモート・センサ・データベース426からのリモート・センサ・データによって増強され得る。この任意選択のリモート・センサ・データは、1つまたは複数のデータ同化モジュール414によって作物成長シミュレータ402に取り込まれ得る。
過去作物成長データベース406からマッチング・アルゴリズム404によって受信される過去の作物成長時系列は、関心エリアの画像データの時系列などのリモート・センサ・データに基づき得る。いくつかの実施形態では、過去の作物成長時系列は、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)、および任意選択により他のデータ(たとえば、気象)を含む1つまたは複数の要素を含む。
図4に示す実施形態では、過去作物成長データベース406からマッチング・アルゴリズム404によって受信される過去の作物成長時系列は、過去作物成長計算ユニット430によって計算される。たとえば、過去作物成長計算ユニット430は、1つまたは複数のネットワーク416を介して1つまたは複数のリモート・センサ・データベース426からリモート・センサ・データ(たとえば、関心エリアの衛星画像データ)を定期的に(たとえば、毎日)受信し、受信されたリモート・センサ・データに基づいて1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)を計算し、計算された1つまたは複数の作物固有パラメータを使用して過去作物成長データベース406に記憶された過去の作物成長時系列を更新し得る。
マッチング・アルゴリズム404は、2つのデータセット、すなわち、作物成長シミュレータ402から受信したシミュレートされた作物成長時系列と、過去作物成長データベース406から受信した過去の作物成長時系列との位置合わせを試行する1つまたは複数の時系列距離計算器モジュール440を含む。いくつかの実施形態では、これら2つのデータセットは、日ごとの周期性期間を有する。しかしながら、1日あたり1つの入力に基づいて構築されるデータセットは例示的なものであり、限定的なものではない。たとえば、他の実施形態では、日ごとの、または他の任意の適切な周期性期間ごとの複数の入力に基づいて構築されるデータセットを利用し得る。
いくつかの実施形態によれば、時系列距離計算器モジュール440において、それぞれの時系列の各要素がマッチングされる。すなわち、作物成長シミュレータ402からのシミュレートされた作物成長時系列と、過去作物成長データベース406からの過去の作物成長時系列との各要素間で差分が計算され、差分スコアが計算されて記憶される。差分スコアは、計算された差分(すなわち、時系列のそれぞれの要素について計算された差分)を合計することによって計算され得る。
いくつかの実施形態では、初期のシミュレートされた作物成長時系列は次いで、一度に1つのタイム・スロットだけ(タイム・スロットはスナップショットが取られる周期性期間である)いずれかの方向に時間的にシフトされ、差分スコアが再計算されて記憶される。たとえば、マッチング・アルゴリズム404は、作物成長シミュレータ402に制御データを送信して、初期播種日を1日進め得る。次いで、作物成長シミュレータ402は、時間的にシフトされた時系列(すなわち、播種日が初期播種日から1日進められた時系列)をマッチング・アルゴリズム404に送信し得、次いで時系列距離計算器モジュール440は差分スコアを再計算して記憶する。マッチング・アルゴリズム404は次いで、作物成長シミュレータ402に制御データを送信して、播種日をさらに1日進め得る。次いで、作物成長シミュレータ402は、他の時間的にシフトされた時系列(すなわち、播種日が初期播種日から2日進められた時系列)をマッチング・アルゴリズム404に送信し、次いで時系列距離計算器モジュール440は差分スコアを再計算して記憶する。このシーケンスは、作物タイプの播種カレンダー内の播種日ごとに、また、関心エリアにおいて(または関心エリアに関連付けられた作物生育領域において)過去に生育された作物タイプごとに繰り返され得る。次いで、マッチング・アルゴリズム404は、最小の差分スコアでシミュレートされた時系列、すなわち、最小の差分スコアを生成した作物成長シミュレータ402によって生成された特定のシミュレーションを決定し得る。
最小の差分スコアでシミュレートされた時系列は、最終結果と見なされ得る。たとえば、マッチング・アルゴリズム404は、このシミュレーション(すなわち、最小の差分スコアを生成したシミュレーション)に従って、作物タイプまたは播種日あるいはその両方の推定値を出力し得る。換言すれば、マッチング・アルゴリズム404の作物タイプまたは播種日あるいはその両方の出力408の推定値は、最小の差分スコアを生成した特定のシミュレーションを生成するために作物成長シミュレータ402によって使用された作物タイプおよび播種日に基づき得る。
いくつかの実施形態では、関心エリアは、異なる作物タイプを有する1つまたは複数の領域(たとえば、畑)を含み得る。マッチング・アルゴリズムは、いくつかの実施形態によれば、1つまたは複数のセグメンテーション方法を使用してこれらの領域を識別し得る。たとえば、いくつかの実施形態では、マッチング・アルゴリズムは、各ピクセルをマッチングし、類似性閾値を使用してこれらの領域の境界を決定する、ピクセル単位のアプローチを使用し得る。
いくつかの実施形態では、マッチング・アルゴリズムは、デジタル化された畑境界を使用して各畑をマッチングする、畑単位のアプローチを使用し得る。デジタル化された畑境界は、たとえば、オルソ写真(たとえば、1mの解像度)を使用して農場の区画の輪郭をデジタル化することによって生成され得る。他の例では、クライアント・システム(たとえば、図9の902)は位置座標または区画データ(platting data)あるいはその両方を提供し得、そこからデジタル化された畑境界が生成され得る。
ここで図5を参照すると、1つまたは複数の実施形態による、作物タイプまたは播種日あるいはその両方を推定する例示的な方法500の流れ図が示されている。方法500は、ブロックの好ましい順序を示している。しかしながら、様々なブロックが互いに対して任意のタイミングで発生し得ることを理解されたい。
方法500は、リモート・センサ・データに基づいて関心エリアの過去の作物成長時系列を用意することから始まる(ブロック502)。たとえば、マッチング・アルゴリズムは、関心エリアの画像データの時系列などのリモート・センサ・データに基づく関心エリアの過去の作物成長時系列を(たとえば、過去作物成長データベースから)受信し得る。過去の作物成長時系列は、たとえば、過去作物成長計算ユニットを使用して決定され得、過去作物成長計算ユニットは、決定された過去の作物成長時系列をマッチング・アルゴリズムによるその後の取り出しのために過去作物成長データベースに記憶し得る。いくつかの実施形態では、過去の作物成長時系列は、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)、および任意選択により他のデータ(たとえば、気象)を含む1つまたは複数の要素を含む。たとえば、過去の成長時系列は、関心エリアの光学画像データの時系列に基づいて過去作物成長計算ユニットによって決定される(たとえば、上記の式(1)~(4)に従って計算された)過去のLAI時系列を含み得る。
いくつかの実施形態では、関心エリアの過去の作物成長時系列は、現在の作物サイクル中にキャプチャされたリモート・センサ・データに基づき得る。そのような現在の作物サイクルの実施形態の例を、以下に説明する図6ならびに図7Aおよび図7Bに示す。
いくつかの実施形態では、関心エリアの過去の作物成長時系列は、以前の作物サイクル中にキャプチャされたリモート・センサ・データに基づき得る。たとえば、作物成長シミュレーション・モデルによって生成された作物成長時系列は、既知の作物タイプおよび既知の播種日を有する、以前の作物サイクルからの過去の作物成長時系列とマッチングされ得る。そのような以前の作物サイクルの実施形態の例を、以下に説明する図8に示す。
方法500は、1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、1つまたは複数の作物成長シミュレーション・モデルを使用して、過去の作物データ、地理空間データ、および気象データに基づいて、関心エリアのシミュレートされた作物成長時系列を決定することによって継続する(ブロック504)。たとえば、作物成長シミュレータは、1つまたは複数の作物成長シミュレーション・モデルを使用して、1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、1つまたは複数の作物履歴データベースからの過去の作物データ、1つまたは複数の地理空間データベースからの地理空間データ、および1つまたは複数の気象データベースからの気象データ(ならびに、任意選択により、1つまたは複数のリモート・センサ・データベースからのリモート・センサ・データ)に基づいて、関心エリアのシミュレートされた作物成長時系列を決定し得る。いくつかの実施形態では、作物成長シミュレータによって生成されるシミュレートされた各作物成長時系列は、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)、および任意選択により他のデータ(たとえば、気象)を含む1つまたは複数の要素を含む。たとえば、シミュレートされた各作物成長時系列は、作物成長シミュレータの1つまたは複数の作物成長シミュレーション・モデルによって決定されるシミュレートされたLAI時系列を含み得る。DSSAT作物成長シミュレーション・モデルは、たとえば、本質的にLAIをシミュレートする。
作物成長シミュレータによって受信される過去の作物データは、たとえば、少なくとも1つの以前の作物サイクル中に関心エリアに関連付けられた作物生育領域において過去に生育された作物タイプと、それらの作物タイプのうちのそれぞれの播種カレンダーとを含み得る。作物成長シミュレータによって受信される地理空間データは、たとえば、関心エリアを特徴付ける農業情報を含み得る。作物成長シミュレータによって受信される気象データは、たとえば、関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す気象時系列を含み得る。
方法500は、過去の作物成長時系列をシミュレートされた作物成長時系列の各インスタンスとマッチングして、推定された作物タイプまたは播種日あるいはその両方を決定することによって継続する(ブロック506)。たとえば、マッチング・アルゴリズムは、作物成長シミュレータによって生成されたシミュレートされた作物成長時系列を、過去作物成長データベースから受信した過去の作物成長時系列とマッチングして、推定された作物タイプまたは播種日あるいはその両方を出力として決定し得る。いくつかの実施形態では、マッチング・アルゴリズムは、2つのデータセット(すなわち、作物成長シミュレータから受信したシミュレートされた作物成長時系列の各インスタンス、および過去作物成長データベースから受信した過去の作物成長時系列)の位置合わせを試行して、最小の差分スコアを生成したシミュレートされた作物成長時系列のインスタンスに基づいて作物タイプまたは播種日あるいはその両方の推定値を決定する1つまたは複数の時系列距離計算器モジュールを含む。その後、方法500は終了し得る。
いくつかの実施形態では、方法500は1段階で実装され得、作物タイプおよび播種日が同時に推定される。例示的な1段階の実装形態を、以下に説明する図6に示す。いくつかの実施形態では、方法500は2段階で実装され得、作物タイプが第1段階で推定され、播種日が第2段階で推定される。例示的な2段階の実装形態を、以下に説明する図7Aおよび図7Bに示す。
いくつかの実施形態では、方法500は、1つまたは複数の作物固有パラメータに加えて、他のデータ(たとえば、気象)を含む要素を有する時系列を使用して実装され得る。
ここで図6を参照すると、1つまたは複数の実施形態による、作物タイプまたは播種日あるいはその両方を推定する例示的な方法600のフロー・チャートが示されている。図6は、図5に示す作物タイプまたは播種日あるいはその両方を推定する例示的な方法の例示的な実装形態を示している。方法600は、ブロックの好ましい順序を示している。しかしながら、様々なブロックが互いに対して任意のタイミングで発生し得ることを理解されたい。
方法600は、現在の作物サイクル中にキャプチャされた関心エリアの画像データの時系列を含むリモート・センサ・データを受信することから始まる(ブロック602)。たとえば、過去作物成長計算ユニットにおいて、リモート・センサ・データベースから現在の作物サイクル中にキャプチャされた関心エリアの画像データの時系列が受信され得る。
方法600は、画像データの時系列に基づいて1つまたは複数の作物固有パラメータの時系列を計算することによって継続する(ブロック604)。たとえば、過去作物成長計算ユニットにおいて、画像データの時系列に基づく1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)の時系列が計算され得る。たとえば、関心エリアの光学画像データの時系列に基づいて、過去作物成長計算ユニットは、上記の式(1)~(4)に従ってLAI時系列を計算し得る。
次に、方法600は、1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を有する過去の作物成長時系列を決定することによって継続する(ブロック606)。たとえば、過去作物成長計算ユニットにおいて、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)を含む1つまたは複数の要素を有する過去の作物成長時系列が決定され得る。いくつかの実施形態では、ブロック606において決定される過去の作物成長時系列は、追加の要素なしで、ブロック604において計算された時系列を含み得る。たとえば、過去のLAI時系列が決定され得る。いくつかの実施形態では、ブロック606において決定される過去の作物成長時系列は、ブロック604において計算された時系列に加えて、気象データなどの1つまたは複数の追加の要素を含み得る。
いくつかの実施形態では、ブロック606において決定された過去の作物成長時系列は、マッチング・アルゴリズムへの入力として直接提供され得る。いくつかの実施形態では、ブロック606において決定された過去の作物成長時系列は、過去作物成長データベースに記憶され、その後、マッチング・アルゴリズムに提供され得る。
いくつかの実施形態では、ブロック602、604、および606は、図5のブロック502(すなわち、リモート・センサ・データに基づいて関心エリアの過去の作物成長時系列を用意すること)に対応し得る。
方法600は、少なくとも1つの以前の作物サイクル中に関心エリアに関連付けられた作物生育領域において過去に生育された作物タイプと、各作物タイプの播種カレンダーとを含む過去の作物データを受信することによって継続する(ブロック608)。たとえば、作物成長シミュレータにおいて、少なくとも1つの以前の作物サイクル中に関心エリアに関連付けられた作物生育領域において過去に生育された作物タイプと、それらの作物タイプのうちのそれぞれの播種カレンダーとを含む過去の作物データが受信され得る。いくつかの実施形態では、過去の作物データは、作物履歴データベースからネットワークを介して受信され、データ・ソース取り込みモジュールを介して作物成長シミュレータの作物成長シミュレーション・モデルに取り込まれ得る。
次に、方法600は、関心エリアを特徴付ける農業情報を含む地理空間データを受信することによって継続する(ブロック610)。たとえば、作物成長シミュレータにおいて、関心エリアを特徴付ける農業情報を含む地理空間データが受信され得る。いくつかの実施形態では、地理空間データは、地理空間データベースからネットワークを介して受信され、データ・ソース取り込みモジュールを介して作物成長シミュレータの作物成長シミュレーション・モデルに取り込まれ得る。
次いで、方法600は、現在の作物サイクル中の関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す時系列を含む気象データを受信することによって継続する(ブロック612)。たとえば、作物成長シミュレータにおいて、現在の作物サイクル中の関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す時系列を含む気象データが受信され得る。いくつかの実施形態では、気象データは、気象データベースからネットワークを介して受信され、データ・ソース取り込みモジュールを介して作物成長シミュレータの作物成長シミュレーション・モデルに取り込まれ得る。
次に、方法600は、作物生育領域において過去に生育された作物タイプと、それらの作物タイプの播種カレンダー内の複数の播種日とのセット内の作物タイプ/播種日の組み合わせごとに、1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を有するシミュレートされた作物成長時系列を決定することによって継続する(ブロック614)。たとえば、作物成長シミュレータにおいて、複数のシミュレートされた作物成長時系列が決定され得、それぞれが、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)、すなわち、ブロック606において決定された過去の作物成長時系列と同じ作物固有パラメータを含む1つまたは複数の要素を有する。いくつかの実施形態では、作物成長シミュレータの作物成長シミュレーション・モデルは、作物タイプ/播種日の組み合わせごとに、1つのシミュレートされた作物成長時系列を決定する。たとえば、作物成長シミュレータにおいて、本質的にLAIをシミュレートするDSSAT作物成長シミュレーション・モデルを使用して、作物タイプ/播種日の組み合わせごとのシミュレートされたLAI時系列が決定され得る。
いくつかの実施形態では、ブロック614において決定される複数のシミュレートされた作物成長時系列は、追加の要素なしで、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)を含み得る。たとえば、複数のシミュレートされたLAI時系列が決定され得る。いくつかの実施形態では、ブロック614において決定される複数のシミュレートされた作物成長時系列は、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)に加えて、気象データなどの1つまたは複数の追加の要素を含み得る。
いくつかの実施形態では、ブロック614において決定された複数のシミュレートされた作物成長時系列は、マッチング・アルゴリズムへの入力としてまとめて提供され得る。いくつかの実施形態では、ブロック614において決定された複数のシミュレートされた作物成長時系列は、マッチング・アルゴリズムへの入力として選択的に提供され得る(たとえば、制御データに応答して、一度に1つのシミュレートされた作物成長時系列ずつ)。
いくつかの実施形態では、ブロック608、610、612、および614は、図5のブロック504(すなわち、1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、1つまたは複数の作物成長シミュレーション・モデルを使用して、過去の作物データ、地理空間データ、および気象データに基づいて、関心エリアのシミュレートされた作物成長時系列を決定すること)に対応し得る。
方法600は、作物タイプ/播種日の組み合わせごとに、シミュレートされた作物成長時系列の要素と過去の作物成長時系列の対応する要素との間の距離としてそれぞれ計算される1つまたは複数の差分に基づいて差分スコアを計算することによって継続する(ブロック616)。たとえば、マッチング・アルゴリズムにおいて、作物成長シミュレータからのシミュレートされた各作物成長時系列と、過去作物成長データベースからの過去の作物成長時系列との各要素間の差分が計算され得、差分スコアが計算されて記憶され得る。差分スコアは、計算された差分(すなわち、時系列のそれぞれの要素について計算された差分)を合計することによって計算され得る。
次に、方法600は、最小の差分スコアに関連付けられた作物タイプおよび播種日に基づいて、推定された作物タイプおよび播種日を決定することによって継続する(ブロック618)。たとえば、マッチング・アルゴリズムにおいて、最小の差分スコアでシミュレートされた時系列が最終結果として取得され得る。たとえば、マッチング・アルゴリズムは、このシミュレーション(すなわち、最小の差分スコアを生成したシミュレーション)に従って、作物タイプまたは播種日あるいはその両方の推定値を出力し得る。換言すれば、マッチング・アルゴリズムの作物タイプまたは播種日あるいはその両方の出力の推定値は、最小の差分スコアを生成した特定のシミュレーションを生成するために作物成長シミュレータによって使用された作物タイプおよび播種日に基づき得る。その後、方法600は終了し得る。
いくつかの実施形態では、ブロック616および618は、図5のブロック506(すなわち、過去の作物成長時系列をシミュレートされた作物成長時系列の各インスタンスとマッチングして、推定された作物タイプまたは播種日あるいはその両方を決定すること)に対応し得る。
ここで図7Aおよび図7Bを参照すると、1つまたは複数の実施形態による、作物タイプまたは播種日あるいはその両方を推定する例示的な方法700の流れ図が示されている。図7Aおよび図7Bは、図5に示す作物タイプまたは播種日あるいはその両方を推定する例示的な方法の例示的な2段階の実装形態を示しており、作物タイプおよび播種日が2段階で別々に推定される。図7Aは、作物タイプが推定される第1段階に対応し、図7Bは、播種日が推定される第2段階に対応する。方法700は、ブロックの好ましい順序を示している。しかしながら、様々なブロックが互いに対して任意のタイミングで発生し得ることを理解されたい。
方法700は、現在の作物サイクル中にキャプチャされた関心エリアの画像データの時系列を含むリモート・センサ・データを受信することから始まる(ブロック702)。たとえば、過去作物成長計算ユニットにおいて、リモート・センサ・データベースから現在の作物サイクル中にキャプチャされた関心エリアの画像データの時系列が受信され得る。
方法700は、画像データの時系列に基づいて1つまたは複数の作物固有パラメータの時系列を計算することによって継続する(ブロック704)。たとえば、過去作物成長計算ユニットにおいて、画像データの時系列に基づく1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)の時系列が計算され得る。たとえば、関心エリアの光学画像データの時系列に基づいて、過去作物成長計算ユニットは、上記の式(1)~(4)に従ってLAI時系列を計算し得る。
次に、方法700は、1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を有する過去の作物成長時系列を決定することによって継続する(ブロック706)。たとえば、過去作物成長計算ユニットにおいて、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)を含む1つまたは複数の要素を有する過去の作物成長時系列が決定され得る。いくつかの実施形態では、ブロック706において決定される過去の作物成長時系列は、追加の要素なしで、ブロック704において計算された時系列を含み得る。たとえば、過去のLAI時系列が決定され得る。いくつかの実施形態では、ブロック706において決定される過去の作物成長時系列は、ブロック704において計算された時系列に加えて、気象データなどの1つまたは複数の追加の要素を含み得る。
いくつかの実施形態では、ブロック706において決定された過去の作物成長時系列は、マッチング・アルゴリズムへの入力として直接提供され得る。いくつかの実施形態では、ブロック706において決定された過去の作物成長時系列は、過去作物成長データベースに記憶され、その後、マッチング・アルゴリズムに提供され得る。
いくつかの実施形態では、ブロック702、704、および706は、図5のブロック502(すなわち、リモート・センサ・データに基づいて関心エリアの過去の作物成長時系列を用意すること)に対応し得る。
方法700は、少なくとも1つの以前の作物サイクル中に関心エリアに関連付けられた作物生育領域において過去に生育された作物タイプと、各作物タイプの播種カレンダーとを含む過去の作物データを受信することによって継続する(ブロック708)。たとえば、作物成長シミュレータにおいて、少なくとも1つの以前の作物サイクル中に関心エリアに関連付けられた作物生育領域において過去に生育された作物タイプと、それらの作物タイプのうちのそれぞれの播種カレンダーとを含む過去の作物データが受信され得る。いくつかの実施形態では、過去の作物データは、作物履歴データベースからネットワークを介して受信され、データ・ソース取り込みモジュールを介して作物成長シミュレータの作物成長シミュレーション・モデルに取り込まれ得る。
次に、方法700は、関心エリアを特徴付ける農業情報を含む地理空間データを受信することによって継続する(ブロック710)。たとえば、作物成長シミュレータにおいて、関心エリアを特徴付ける農業情報を含む地理空間データが受信され得る。いくつかの実施形態では、地理空間データは、地理空間データベースからネットワークを介して受信され、データ・ソース取り込みモジュールを介して作物成長シミュレータの作物成長シミュレーション・モデルに取り込まれ得る。
次いで、方法700は、現在の作物サイクル中の関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す時系列を含む気象データを受信することによって継続する(ブロック712)。たとえば、作物成長シミュレータにおいて、現在の作物サイクル中の関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す時系列を含む気象データが受信され得る。いくつかの実施形態では、気象データは、気象データベースからネットワークを介して受信され、データ・ソース取り込みモジュールを介して作物成長シミュレータの作物成長シミュレーション・モデルに取り込まれ得る。
次に、方法700は、作物生育領域において過去に生育された作物タイプと、それらの作物タイプの播種カレンダー内の初期播種日とのセット内の作物タイプ/播種日の組み合わせごとに、1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を有する初期のシミュレートされた作物成長時系列を決定することによって継続する(ブロック714)。たとえば、作物成長シミュレータにおいて、複数のシミュレートされた作物成長時系列が決定され得、それぞれが、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)、すなわち、ブロック706において決定された過去の作物成長時系列と同じ作物固有パラメータを含む1つまたは複数の要素を有する。いくつかの実施形態では、作物成長シミュレータの作物成長シミュレーション・モデルは、作物タイプ/初期播種日の組み合わせごとに、初期のシミュレートされた作物成長時系列を決定する。たとえば、作物成長シミュレータにおいて、本質的にLAIをシミュレートするDSSAT作物成長シミュレーション・モデルを使用して、作物タイプ/初期播種日の組み合わせごとの初期のシミュレートされたLAI時系列が決定され得る。いくつかの実施形態では、各作物タイプは、独自の初期播種日を有し得る。たとえば、各作物タイプの初期播種日は、その作物タイプの播種カレンダー内の事前定義された日、たとえば、播種カレンダーの「開始」日、播種カレンダーの「最もアクティブな(most active)」日のうちの1つ(たとえば、「最もアクティブな」日のうちの真ん中の日)、または播種カレンダーの「終了」日などであり得る。
いくつかの実施形態では、ブロック714において決定される複数の初期のシミュレートされた作物成長時系列は、追加の要素なしで、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)を含み得る。たとえば、複数の初期のシミュレートされたLAI時系列が決定され得る。いくつかの実施形態では、ブロック714において決定される複数の初期のシミュレートされた作物成長時系列は、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)に加えて、気象データなどの1つまたは複数の追加の要素を含み得る。
いくつかの実施形態では、ブロック714において決定された複数の初期のシミュレートされた作物成長時系列は、マッチング・アルゴリズムへの入力としてまとめて提供され得る。いくつかの実施形態では、ブロック714において決定された複数の初期のシミュレートされた作物成長時系列は、マッチング・アルゴリズムへの入力として選択的に提供され得る(たとえば、制御データに応答して、一度に1つの初期のシミュレートされた作物成長時系列ずつ)。
いくつかの実施形態では、ブロック708、710、712、および714は、図5のブロック504(すなわち、1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、1つまたは複数の作物成長シミュレーション・モデルを使用して、過去の作物データ、地理空間データ、および気象データに基づいて、関心エリアのシミュレートされた作物成長時系列を決定すること)の第1のインスタンスに対応し得る。
方法700は、作物タイプ/播種日の組み合わせごとに、初期のシミュレートされた作物成長時系列の各要素と、過去の作物成長時系列の対応する各要素との差分を計算することによって継続する(ブロック716)。たとえば、マッチング・アルゴリズムにおいて、作物成長シミュレータからの初期のシミュレートされた各作物成長時系列と、過去作物成長データベースからの過去の作物成長時系列との各要素間の差分が計算され得る。
次に、方法700は、作物タイプ/播種日の組み合わせごとに、その作物タイプ/播種日の組み合わせについて計算された各差分を合計することによって差分スコアを計算することによって継続する(ブロック718)。たとえば、マッチング・アルゴリズムにおいて、作物タイプ/初期播種日の組み合わせごとに、計算された差分(すなわち、時系列のそれぞれの要素について計算された差分)を合計することによって、差分スコアが計算され得る。
方法700は、作物タイプ/播種日の組み合わせごとの差分スコアをソートすることによって継続する(ブロック720)。たとえば、マッチング・アルゴリズムにおいて、作物タイプ/初期播種日の組み合わせごとの差分スコアがソートされ得る。
次に、方法700は、差分スコアをランク付けして、最小の差分スコアを識別することによって継続する(ブロック722)。たとえば、マッチング・アルゴリズムにおいて、差分スコアをランク付けして、最小の差分スコアを識別し得る。
方法700は、最小の差分スコアに関連付けられた作物タイプに基づいて、推定された作物タイプを決定することによって継続する(ブロック724)。たとえば、マッチング・アルゴリズムにおいて、最小の差分スコアでシミュレートされた時系列が、作物タイプに関する最終結果として取得され得る。たとえば、マッチング・アルゴリズムは、このシミュレーション(すなわち、最小の差分スコアを生成したシミュレーション)に従って作物タイプの推定値を出力し得る。換言すれば、マッチング・アルゴリズムの作物タイプの出力の推定値は、最小の差分スコアを生成した特定のシミュレーションを生成するために作物成長シミュレータによって使用された作物タイプに基づき得る。
いくつかの実施形態では、ブロック716、718、720、722、および724は、図5のブロック506(すなわち、過去の作物成長時系列をシミュレートされた作物成長時系列の各インスタンスとマッチングして、推定された作物タイプまたは播種日あるいはその両方を決定すること)の第1のインスタンスに対応し得る。
方法700は、推定された作物タイプと、推定された作物タイプの播種カレンダー内の複数の播種日とのセット内の作物タイプ/播種日の組み合わせごとに、1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を有する時間的にシフトされたシミュレートされた作物成長時系列を決定することによって継続する(ブロック726)。たとえば、作物成長シミュレータにおいて、複数の時間的にシフトされたシミュレートされた作物成長時系列が決定され得、それぞれが、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)、すなわち、ブロック706において決定された過去の作物成長時系列と同じ作物固有パラメータを含む1つまたは複数の要素を有する。いくつかの実施形態では、作物成長シミュレータの作物成長シミュレーション・モデルは、推定された作物タイプ/播種日の組み合わせごとに、1つのシミュレートされた作物成長時系列を決定する。たとえば、作物成長シミュレータにおいて、本質的にLAIをシミュレートするDSSAT作物成長シミュレーション・モデルを使用して、推定された作物タイプ/播種日の組み合わせごとのシミュレートされたLAI時系列が決定され得る。
いくつかの実施形態では、ブロック726において決定される複数の時間的にシフトされたシミュレートされた作物成長時系列は、追加の要素なしで、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)を含み得る。たとえば、複数の時間的にシフトされたシミュレートされたLAI時系列が決定され得る。いくつかの実施形態では、ブロック726において決定される複数の時間的にシフトされたシミュレートされた作物成長時系列は、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)に加えて、気象データなどの1つまたは複数の追加の要素を含み得る。
いくつかの実施形態では、ブロック726において決定された複数の時間的にシフトされたシミュレートされた作物成長時系列は、マッチング・アルゴリズムへの入力としてまとめて提供され得る。いくつかの実施形態では、ブロック726において決定された複数の時間的にシフトされたシミュレートされた作物成長時系列は、マッチング・アルゴリズムへの入力として選択的に提供され得る(たとえば、制御データに応答して、一度に1つの時間的にシフトされたシミュレートされた作物成長時系列ずつ)。
いくつかの実施形態では、ブロック726は、図5のブロック504(すなわち、1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、1つまたは複数の作物成長シミュレーション・モデルを使用して、過去の作物データ、地理空間データ、および気象データに基づいて、関心エリアのシミュレートされた作物成長時系列を決定すること)の第2のインスタンスに対応し得る。
方法700は、推定された作物タイプと、推定された作物タイプの播種カレンダー内の複数の播種日とのセット内の組み合わせごとに、時間的にシフトされたシミュレートされた作物成長時系列の各要素と、過去の作物成長時系列の対応する各要素と差分を計算することによって継続する(ブロック728)。たとえば、マッチング・アルゴリズムにおいて、作物成長シミュレータからの時間的にシフトされたシミュレートされた各作物成長時系列と、過去作物成長データベースからの過去の作物成長時系列との各要素間の差分が計算され得る。
次に、方法700は、推定された作物タイプと、推定された作物タイプの播種カレンダー内の複数の播種日とのセット内の組み合わせごとに、その推定された作物タイプ/播種日の組み合わせについて計算された各差分を合計することによって差分スコアを計算することによって継続する(ブロック730)。たとえば、マッチング・アルゴリズムにおいて、推定された作物タイプ/播種日の組み合わせごとに、計算された差分(すなわち、時系列のそれぞれの要素について計算された差分)を合計することによって、差分スコアが計算され得る。
方法700は、作物タイプ/播種日の組み合わせごとの差分スコアをソートすることによって継続する(ブロック732)。たとえば、マッチング・アルゴリズムにおいて、推定された作物タイプ/播種日の組み合わせごとの差分スコアがソートされ得る。
次に、方法700は、差分スコアをランク付けして、最小の差分スコアを識別することによって継続する(ブロック734)。たとえば、マッチング・アルゴリズムにおいて、差分スコアをランク付けして、最小の差分スコアを識別し得る。
方法700は、最小の差分スコアに関連付けられた播種日に基づいて、推定された作物タイプの推定された播種日を決定することによって継続する(ブロック736)。たとえば、マッチング・アルゴリズムにおいて、最小の差分スコアでシミュレートされた時系列が、播種日に関する最終結果として取得され得る。たとえば、マッチング・アルゴリズムは、このシミュレーション(すなわち、最小の差分スコアを生成したシミュレーション)に従って播種日の推定値を出力し得る。換言すれば、マッチング・アルゴリズムの播種日の出力の推定値は、最小の差分スコアを生成した特定のシミュレーションを生成するために作物成長シミュレータによって使用された播種日に基づき得る。
いくつかの実施形態では、ブロック728、730、732、734、および736は、図5のブロック506(すなわち、過去の作物成長時系列をシミュレートされた作物成長時系列の各インスタンスとマッチングして、推定された作物タイプまたは播種日あるいはその両方を決定すること)の第2のインスタンスに対応し得る。
ここで図8を参照すると、1つまたは複数の実施形態による、作物タイプまたは播種日あるいはその両方を推定する例示的な方法800のフロー・チャートが示されている。図8は、図5に示す作物タイプまたは播種日あるいはその両方を推定する例示的な方法のさらに他の例示的な実装形態を示しており、以前の作物サイクルに関連して作物タイプおよび播種日が推定される。方法800は、ブロックの好ましい順序を示している。しかしながら、様々なブロックが互いに対して任意のタイミングで発生し得ることを理解されたい。
いくつかの実施形態では、以前の作物サイクル中に植えられた作物タイプおよび播種日が既知である場合、方法800によって提供される作物タイプおよび播種日の推定を使用して、作物成長シミュレータまたはマッチング・アルゴリズムあるいはその両方を訓練し得る。
方法800は、以前の作物サイクルの間にキャプチャされた関心エリアの画像データの時系列を含むリモート・センサ・データを受信することから始まる(ブロック802)。たとえば、過去作物成長計算ユニットにおいて、リモート・センサ・データベースから以前の作物サイクル中にキャプチャされた関心エリアの画像データの時系列が受信され得る。
方法800は、画像データの時系列に基づいて1つまたは複数の作物固有パラメータの時系列を計算することによって継続する(ブロック804)。たとえば、過去作物成長計算ユニットにおいて、画像データの時系列に基づく1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)の時系列が計算され得る。たとえば、関心エリアの光学画像データの時系列に基づいて、過去作物成長計算ユニットは、上記の式(1)~(4)に従ってLAI時系列を計算し得る。
次に、方法800は、1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を有する過去の作物成長時系列を決定することによって継続する(ブロック806)。たとえば、過去作物成長計算ユニットにおいて、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)を含む1つまたは複数の要素を有する過去の作物成長時系列が決定され得る。いくつかの実施形態では、ブロック806において決定される過去の作物成長時系列は、追加の要素なしで、ブロック804において計算された時系列を含み得る。たとえば、過去のLAI時系列が決定され得る。いくつかの実施形態では、ブロック806において決定される過去の作物成長時系列は、ブロック804において計算された時系列に加えて、気象データなどの1つまたは複数の追加の要素を含み得る。
いくつかの実施形態では、ブロック806において決定された過去の作物成長時系列は、マッチング・アルゴリズムへの入力として直接提供され得る。いくつかの実施形態では、ブロック806において決定された過去の作物成長時系列は、過去作物成長データベースに記憶され、その後、マッチング・アルゴリズムに提供され得る。
いくつかの実施形態では、ブロック802、804、および806は、図5のブロック502(すなわち、リモート・センサ・データに基づいて関心エリアの過去の作物成長時系列を用意すること)に対応し得る。
方法800は、少なくとも1つの以前の作物サイクル中に関心エリアに関連付けられた作物生育領域において過去に生育された作物タイプと、各作物タイプの播種カレンダーとを含む過去の作物データを受信することによって継続する(ブロック808)。たとえば、作物成長シミュレータにおいて、少なくとも1つの以前の作物サイクル中に関心エリアに関連付けられた作物生育領域において過去に生育された作物タイプと、それらの作物タイプのうちのそれぞれの播種カレンダーとを含む過去の作物データが受信され得る。いくつかの実施形態では、過去の作物データは、作物履歴データベースからネットワークを介して受信され、データ・ソース取り込みモジュールを介して作物成長シミュレータの作物成長シミュレーション・モデルに取り込まれ得る。
次に、方法800は、関心エリアを特徴付ける農業情報を含む地理空間データを受信することによって継続する(ブロック810)。たとえば、作物成長シミュレータにおいて、関心エリアを特徴付ける農業情報を含む地理空間データが受信され得る。いくつかの実施形態では、地理空間データは、地理空間データベースからネットワークを介して受信され、データ・ソース取り込みモジュールを介して作物成長シミュレータの作物成長シミュレーション・モデルに取り込まれ得る。
次いで、方法800は、以前の作物サイクル中の関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す以前の作物サイクルの気象時系列を含む気象データを受信することによって継続する(ブロック812)。たとえば、作物成長シミュレータにおいて、以前の作物サイクル(すなわち、ブロック802において使用された画像データがキャプチャされたのと同じ作物サイクル)中の関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す以前の作物サイクルの気象時系列を含む気象データが受信され得る。以前の作物サイクルの気象時系列は、たとえば、ブロック804において計算された1つまたは複数の作物固有パラメータの時系列と同じ期間(たとえば、3月1日から5月31日)および同じ周期性期間(たとえば、日ごと)をカバーし得る。いくつかの実施形態では、気象データは、気象データベースからネットワークを介して受信され、データ・ソース取り込みモジュールを介して作物成長シミュレータの作物成長シミュレーション・モデルに取り込まれ得る。
次に、方法800は、作物生育領域において過去に生育された作物タイプと、それらの作物タイプの播種カレンダー内の複数の播種日とのセット内の作物タイプ/播種日の組み合わせごとに、1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を有するシミュレートされた作物成長時系列を決定することによって継続する(ブロック814)。たとえば、作物成長シミュレータにおいて、複数のシミュレートされた作物成長時系列が決定され得、それぞれが、1つまたは複数の作物固有パラメータ(たとえば、LAI、NDVIなど)、すなわち、ブロック806において決定された過去の作物成長時系列と同じ作物固有パラメータを含む1つまたは複数の要素を有する。いくつかの実施形態では、作物成長シミュレータの作物成長シミュレーション・モデルは、作物タイプ/播種日の組み合わせごとに、1つのシミュレートされた作物成長時系列を決定する。たとえば、作物成長シミュレータにおいて、本質的にLAIをシミュレートするDSSAT作物成長シミュレーション・モデルを使用して、作物タイプ/播種日の組み合わせごとのシミュレートされたLAI時系列が決定され得る。
いくつかの実施形態では、ブロック814において決定された複数のシミュレートされた作物成長時系列は、マッチング・アルゴリズムへの入力としてまとめて提供され得る。いくつかの実施形態では、ブロック814において決定された複数のシミュレートされた作物成長時系列は、マッチング・アルゴリズムへの入力として選択的に提供され得る(たとえば、制御データに応答して、一度に1つのシミュレートされた作物成長時系列ずつ)。
いくつかの実施形態では、ブロック808、810、812、および814は、図5のブロック504(すなわち、1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、1つまたは複数の作物成長シミュレーション・モデルを使用して、過去の作物データ、地理空間データ、および気象データに基づいて、関心エリアのシミュレートされた作物成長時系列を決定すること)に対応し得る。
方法800は、作物タイプ/播種日の組み合わせごとに、シミュレートされた作物成長時系列の要素と過去の作物成長時系列の対応する要素との間の距離としてそれぞれ計算される1つまたは複数の差分に基づいて差分スコアを計算することによって継続する(ブロック816)。たとえば、マッチング・アルゴリズムにおいて、作物成長シミュレータからのシミュレートされた各作物成長時系列と、過去作物成長データベースからの過去の作物成長時系列との各要素間の差分が計算され得、差分スコアが計算されて記憶され得る。差分スコアは、計算された差分(すなわち、時系列のそれぞれの要素について計算された差分)を合計することによって計算され得る。
次に、方法800は、最小の差分スコアに関連付けられた作物タイプおよび播種日に基づいて、推定された作物タイプおよび播種日を決定することによって継続する(ブロック818)。たとえば、マッチング・アルゴリズムにおいて、最小の差分スコアでシミュレートされた時系列が最終結果として取得され得る。たとえば、マッチング・アルゴリズムは、このシミュレーション(すなわち、最小の差分スコアを生成したシミュレーション)に従って、作物タイプまたは播種日あるいはその両方の推定値を出力し得る。換言すれば、マッチング・アルゴリズムの作物タイプまたは播種日あるいはその両方の出力の推定値は、最小の差分スコアを生成した特定のシミュレーションを生成するために作物成長シミュレータによって使用された作物タイプおよび播種日に基づき得る。その後、方法800は終了し得る。
いくつかの実施形態では、ブロック816および818は、図5のブロック506(すなわち、過去の作物成長時系列をシミュレートされた作物成長時系列の各インスタンスとマッチングして、推定された作物タイプまたは播種日あるいはその両方を決定すること)に対応し得る。
ここで図9を参照すると、1つまたは複数の実施形態による、作物タイプまたは播種日あるいはその両方の推定を容易にする例示的かつ非限定的なシステム900のブロック図が示されている。簡潔にするために、本明細書に記載の他の実施形態で使用している同様の要素の繰り返しの説明は省略する。本開示で説明するシステム(たとえば、システム900など)、装置、またはプロセスの態様は、マシン(複数可)に具現化された、たとえば、1つまたは複数のマシンに関連付けられた1つまたは複数のコンピュータ可読媒体(または複数の媒体)に具現化されたマシン実行可能プログラム・モジュール(複数可)を構成し得る。そのようなプログラム・モジュール(複数可)は、1つまたは複数のマシン、たとえば、1つまたは複数のコンピュータ、1つまたは複数のコンピューティング・デバイス、1つまたは複数の仮想マシンなどによって実行された場合に、説明した動作を1つまたは複数のマシンに実行させ得る。
図9に示すように、システム900は、1つまたは複数のクライアント・システム(たとえば、モバイル・デバイス)902、912、1つまたは複数のサーバ・システム904、914、1つまたは複数のネットワーク906、1つまたは複数の作物履歴データベース920、1つまたは複数の地理空間データベース922、1つまたは複数の気象データベース924、1つまたは複数のリモート・センサ・データベース926、および1つまたは複数の過去作物成長データベース928を含み得る。1つまたは複数のクライアント・システム902、912、1つまたは複数のサーバ・システム904、914、1つまたは複数の作物履歴データベース920、1つまたは複数の地理空間データベース922、1つまたは複数の気象データベース924、1つまたは複数のリモート・センサ・データベース926、および1つまたは複数の過去作物成長データベース928は、1つまたは複数のネットワーク906を介した、1つまたは複数のクライアント・システム902、912、1つまたは複数のサーバ・システム904、914、1つまたは複数の作物履歴データベース920、1つまたは複数の地理空間データベース922、1つまたは複数の気象データベース924、1つまたは複数のリモート・センサ・データベース926、および1つまたは複数の過去作物成長データベース928の間の通信を可能にする通信デバイス(たとえば、クライアント・システム902に関して以下に説明する1つまたは複数の通信コンポーネント930)が装備され得ることを理解されたい。
クライアント・システム902、912は、作物タイプまたは播種日あるいはその両方の推定を要求し、推定の結果を表示することに関して本明細書に記載した機能性を含み得る。1つまたは複数のクライアント・システム902、912を使用して、作物タイプおよび播種日の推定要求を1つまたは複数のサーバ・システム904、914に送信し、1つまたは複数のサーバ・システム904、914から返された推定の結果を表示し得る。たとえば、作物タイプまたは播種日あるいはその両方の推定の要求は、農家およびアグリビジネス、たとえば、農産物取引、種子供給、農薬製造、およびロジスティック・サービス、ならびに政府機関から発信され得る。クライアント・システム912は、クライアント・システム902とは異なるタイプのクライアント・システムであり得る。クライアント・システム912は、クライアント・システム902でもあり得、またはクライアント・システム902の1つまたは複数のコンポーネントを含み得、あるいはその両方であり得る。2つ以上のクライアント・システムが使用される以下の説明では、クライアント・システムは、1つまたは複数のクライアント・システム902、または1つまたは複数のクライアント・システム912、あるいはその両方を含み得ることを理解されたい。
クライアント・システム902、912は、たとえば、1つまたは複数の携帯電話(たとえば、図10の1002)、タブレット、PDA、ラップトップ、または他のモバイル・デバイスを含み得る。
サーバ・システム904、914は、作物タイプまたは播種日あるいはその両方を推定することに関して本明細書に記載した機能性(たとえば、図5の方法500)を含み得る。サーバ・システム914は、サーバ・システム904とは異なるタイプのクライアント・システムであり得る。サーバ・システム914は、サーバ・システム904でもあり得、またはサーバ・システム904の1つまたは複数のコンポーネントを含み得、あるいはその両方であり得る。2つ以上のサーバ・システムが使用される以下の説明では、サーバ・システムは、1つまたは複数のサーバ・システム904、または1つまたは複数のサーバ・システム914、あるいはその両方を含み得ることを理解されたい。
システム900の様々なコンポーネント(たとえば、クライアント・システム902、912、サーバ・システム904、914、作物履歴データベース920、地理空間データベース922、気象データベース924、リモート・センサ・データベース926、過去作物成長データベース928、通信コンポーネント930、950、メモリ932、952、プロセッサ938、958、ディスプレイ942、キーボード944、GPS946、カメラ948、または他のコンポーネント、あるいはそれらの組み合わせ)は、直接あるいは1つまたは複数のネットワーク906を介して接続され得る。そのようなネットワーク906は、セルラー・ネットワーク、ワイド・エリア・ネットワーク(WAN)(たとえば、インターネット)、またはローカル・エリア・ネットワーク(LAN)、あるいはそれらの組み合わせを含むがこれらに限定されない有線および無線ネットワークを含み得、これらの非限定的な例には、セルラー、WAN、ワイヤレス・フィデリティ(Wi-Fi(R))、Wi-Max(R)、WLAN、無線通信、マイクロ波通信、衛星通信、光通信、音波通信、電磁誘導通信、量子通信、または他の任意の適切な通信技術、あるいはそれらの組み合わせが含まれる。
クライアント・システム902は、クライアント・システム902が、無線通信または有線通信あるいはその両方によって、1つまたは複数のネットワーク906を介して、1つまたは複数のサーバ・システム904、914、1つまたは複数の他のクライアント・デバイス912、1つまたは複数の作物履歴データベース920、1つまたは複数の地理空間データベース922、1つまたは複数の気象データベース924、1つまたは複数のリモート・センサ・データベース926、または1つまたは複数の過去作物成長データベース928、あるいはそれらの組み合わせと通信することを可能にする1つまたは複数の通信コンポーネント930を含み得る。たとえば、1つまたは複数の通信コンポーネント930は、図1のネットワーク・アダプタ20に対応し得る。
クライアント・システム902は、コンピュータ実行可能プログラム・モジュール(複数可)を記憶し得る少なくとも1つのメモリ932を含むか、または別の方法でこれに関連付けられ得る(たとえば、コンピュータ実行可能プログラム・モジュール(複数可)は、作物タイプおよび播種日推定要求/表示モジュール(複数可)934ならびに関連するプログラム・モジュール(複数可)を含み得るが、これらに限定されない)。作物タイプおよび播種日推定要求/表示モジュール(複数可)934は、図1のプログラム・モジュール42に対応し得る。クライアント・システム902はまた、メモリ932に記憶されたコンピュータ実行可能プログラム・モジュール(複数可)を実行する少なくとも1つのプロセッサ938を含むか、または別の方法でこれに関連付けられ得る。クライアント・システム902は、通信コンポーネント(複数可)930、メモリ932、プロセッサ938、ディスプレイ942、ユーザ入力デバイス944、GPS946、カメラ948、または他のコンポーネント(たとえば、加速度計、ジャイロスコープ、磁力計)、あるいはそれらの組み合わせを含むがこれらに限定されない様々なコンポーネントを結合し得るシステム・バス940をさらに含み得る。
クライアント・システム902は、作物タイプおよび播種日推定要求/表示モジュール(複数可)934を含むものとして図9に示しているが、他の実施形態では、任意の数の異なるタイプのデバイスが、作物タイプおよび播種日推定要求/表示モジュール(複数可)934の全部または一部に関連付けられるか、またはこれを含み得る。たとえば、1つまたは複数のサーバ・システム904、914は、作物タイプおよび播種日推定要求/表示モジュール(複数可)934の全部または一部を含み得る。換言すれば、作物タイプまたは播種日あるいはその両方の推定の要求、および推定の結果の表示に関連するデータ処理は、ローカルに(たとえば、プロセッサ938を使用して)、またはリモートで(たとえば、サーバ・システム904でプロセッサ958を使用して)、あるいはその両方で実行され得る。そのような実施形態は全て想定している。
クライアント・システム902はまた、推定結果、ならびに作物タイプおよび播種日推定要求/表示モジュール(複数可)934の使用に関連する情報(たとえば、関心エリアを定義する座標の打鍵、関心エリアを定義するGPS由来の地理位置データの使用、または関心エリアを定義する画像データの使用、あるいはそれらの組み合わせなど、関心エリアが入力され得る1つまたは複数の入力オプションを記述するもの)を表示し得る少なくとも1つのディスプレイ942を含むか、または別の方法でこれに関連付けられ得る。ディスプレイ942は、任意の適切なディスプレイ・デバイスであり得る。たとえば、ディスプレイ942は、携帯電話、タブレット、PDA、またはラップトップに統合されたディスプレイであり得る。他の実施形態では、ディスプレイ942は、携帯電話、タブレット、PDA、またはラップトップに通信可能に結合されたデバイスのコンポーネントであり得る。いくつかの実施形態では、ディスプレイ942は、ユーザが自身の指またはスタイラスを使用してクライアント・システム902とやりとりすることを可能にするタッチ・スクリーンであり得る。
クライアント・システム902はまた、ユーザが入力データ(たとえば、関心エリアを定義する入力データ)を提供し得る、キーボードまたはポインティング・デバイス(たとえば、グラフィックス・タブレット、マウス、スタイラス、ポインティング・スティック、トラックボールなど)あるいはその両方などの少なくとも1つのユーザ入力デバイス944を含むか、または別の方法でこれに関連付けられ得る。ユーザ入力デバイス944は、任意の適切なユーザ入力デバイスであり得る。たとえば、ユーザ入力デバイス944は、携帯電話、タブレット、PDA、またはラップトップに統合されたキーボードまたはポインティング・デバイスあるいはその両方であり得る。他の実施形態では、ユーザ入力デバイス944は、携帯電話、タブレット、PDA、またはラップトップに通信可能に結合されたデバイスのコンポーネントであり得る。
クライアント・システム902はまた、地理位置データ(たとえば、関心エリアを定義する地理位置データ)を提供し得る少なくとも1つのGPS946を含むか、または別の方法でこれに関連付けられ得る。GPS946は、たとえば、全地球測位システム(GPS:Global Positioning System)、全地球航法衛星システム(GLONASS:GLObal Navigation Satellite System)、ガリレオ、準天頂衛星システム(QZSS:Quasi-Zenith Satellite System)などの任意の適切な全地球衛星ベースの地理位置システムであり得る。たとえば、GPS946は、携帯電話、タブレット、PDA、またはラップトップに統合された全地球衛星ベースの地理位置システムであり得る。他の実施形態では、GPS946は、携帯電話、タブレット、PDA、またはラップトップに通信可能に結合されたデバイスのコンポーネントであり得る。
クライアント・システム902はまた、画像(たとえば、土地区画マップの画像、または関心エリアを定義する他の画像)をキャプチャし得る少なくとも1つのカメラ948を含むか、または別の方法でこれに関連付けられ得る。カメラ948は、任意の適切な画像キャプチャ・デバイスであり得る。たとえば、カメラ948は、携帯電話、タブレット、PDA、またはラップトップに統合されたカメラであり得る。他の実施形態では、カメラ948は、携帯電話、タブレット、PDA、またはラップトップに通信可能に結合されたデバイスのコンポーネントであり得る。
サーバ・システム904は、サーバ・システム904が、無線通信または有線通信あるいはその両方によって、1つまたは複数のネットワーク906を介して、1つまたは複数のクライアント・システム902、912、1つまたは複数の他のサーバ・デバイス914、1つまたは複数の作物履歴データベース920、1つまたは複数の地理空間データベース922、1つまたは複数の気象データベース924、1つまたは複数のリモート・センサ・データベース926、または1つまたは複数の過去作物成長データベース928、あるいはそれらの組み合わせと通信することを可能にする1つまたは複数の通信コンポーネント950を含み得る。たとえば、1つまたは複数の通信コンポーネント950は、図1のネットワーク・アダプタ20に対応し得る。
サーバ・システム904は、コンピュータ実行可能プログラム・モジュール(複数可)を記憶し得る少なくとも1つのメモリ952を含むか、または別の方法でこれに関連付けられ得る(たとえば、コンピュータ実行可能プログラム・モジュール(複数可)は、作物成長シミュレータ・モジュール(複数可)954、マッチング・アルゴリズム・モジュール(複数可)956、および関連するプログラム・モジュール(複数可)を含み得るが、これらに限定されない)。作物成長シミュレータ・モジュール(複数可)954およびマッチング・アルゴリズム・モジュール(複数可)956は、図1のプログラム・モジュール42に対応し得、また、図4の作物成長シミュレータ402およびマッチング・アルゴリズム404にそれぞれ対応し得る。サーバ・システム904はまた、メモリ952に記憶されたコンピュータ実行可能プログラム・モジュール(複数可)を実行する少なくとも1つのプロセッサ958を含むか、または別の方法でこれに関連付けられ得る。サーバ・システム904は、通信コンポーネント(複数可)950、メモリ952、プロセッサ958、または他のコンポーネント、あるいはそれらの組み合わせを含むがこれらに限定されない様々なコンポーネントを結合し得るシステム・バス960をさらに含み得る。
サーバ・システム904は、作物成長シミュレータ・モジュール(複数可)954およびマッチング・アルゴリズム・モジュール(複数可)956を含むものとして図9に示しているが、他の実施形態では、任意の数の異なるタイプのデバイスが、作物成長シミュレータ・モジュール(複数可)954およびマッチング・アルゴリズム・モジュール(複数可)956の全部または一部に関連付けられるか、またはこれを含み得る。たとえば、1つまたは複数のクライアント・システム902、912は、作物成長シミュレータ・モジュール(複数可)954またはマッチング・アルゴリズム・モジュール(複数可)956あるいはその両方の全部または一部を含み得る。換言すれば、作物成長シミュレータ・モジュール(複数可)954またはマッチング・アルゴリズム・モジュール(複数可)956あるいはその両方に関連するデータ処理は、ローカルに(たとえば、プロセッサ958を使用して)、またはリモートで(たとえば、クライアント・システム902でプロセッサ938を使用して)、あるいはその両方で実行され得る。そのような実施形態は全て想定している。
1つまたは複数の作物履歴データベース920は任意のデータベースであり得、その非限定的な例には、過去の作物データ(たとえば、少なくとも1つの以前の作物サイクル中に関心エリアに関連付けられた作物生育領域において過去に生育された作物タイプ、およびそれらの作物タイプのうちのそれぞれの播種カレンダー)を記憶する1つまたは複数のデータベースが含まれる。1つまたは複数の作物履歴データベース920は、図4の作物履歴データベース420に対応し得る。
1つまたは複数の地理空間データベース922は任意のデータベースであり得、その非限定的な例には、地理空間データ(たとえば、標高、土壌水分、土壌タイプ、および他の地理空間データなどの、関心エリアを特徴付ける農業情報)を記憶する1つまたは複数のデータベースが含まれる。1つまたは複数の地理空間データベース922は、図4の地理空間データベース422に対応し得る。
1つまたは複数の気象データベース924は任意のデータベースであり得、その非限定的な例には、天候を記憶する1つまたは複数のデータベース(たとえば、関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す1つまたは複数の気象時系列)が含まれる。1つまたは複数の気象データベース924は、図4の気象データベース424に対応し得る。
1つまたは複数のリモート・センサ・データベース926は任意のデータベースであり得、その非限定的な例には、リモート・センサ・データ(たとえば、関心エリアの衛星画像データ)を記憶する1つまたは複数のデータベースが含まれる。1つまたは複数のリモート・センサ・データベース926は、図4のリモート・センサ・データベース426に対応し得る。
1つまたは複数の過去作物成長データベース928は任意のデータベースであり得、その非限定的な例には、リモート・センシングから得られる1つまたは複数の過去の作物成長時系列(たとえば、現在の作物サイクルまたは以前の作物サイクルのLAIの過去の作物成長時系列)を記憶する1つまたは複数のデータベースが含まれる。1つまたは複数の過去作物成長データベース928は、図4の過去作物成長データベース406に対応し得る。
ここで図10を参照すると、1つまたは複数の実施形態による、作物タイプまたは播種日あるいはその両方の推定を要求し、推定の結果を表示するための例示的なクライアント・システム1000が示されている。例示的なクライアント・システム100は、図9のクライアント・システム902、912に対応し得る。図10に示す例示的なクライアント・システム1000は、統合されたディスプレイ/タッチ・スクリーン1004を有する携帯電話1002で構成される。他の実施形態では、クライアント・システムは、タブレット、PDA、ラップトップ、または他のクライアント・デバイスであり得、これには異なる構成を有する携帯電話が含まれる。統合されたディスプレイ/タッチ・スクリーン1004に表示されるのは、いくつかの実施形態によれば、作物タイプおよび播種日の推定の結果に応答してサーバ・システム(たとえば、図9の904)によって返される作物タイプおよび播種日の推定の結果1006である。クライアント・システム1000は、関心エリアを定義するGPS由来の地理位置データを含み得る要求を、前もってクライアント・システムに送信し得る。たとえば、携帯電話1002は統合されたGPS(図9の946)を含み得、電話のGPS由来の地理位置データは関心エリアを定義し得る(たとえば、作物タイプおよび播種日推定要求/表示モジュール(複数可)(図9の934)は、その関心エリアを携帯電話1002が位置する州、郡、県などとして定義し得る)。
図10に示す実施形態では、作物タイプおよび播種日の推定の結果1006は、ユーザが表示された結果とやりとりすることを可能にする1つまたは複数のウィンドウ(たとえば、土地区画ウィンドウ1008およびキー・ウィンドウ1010などの1つまたは複数のウィンドウ)、アイコン、またはボタン、あるいはそれらの組み合わせを含むグラフィカル・ユーザ・インターフェース(GUI:graphical user interface)を使用して表示される。たとえば、GUIは、ユーザが表示された結果とやりとりして、土地区画ウィンドウ1008内の関心エリア全体、または関心エリアの一部分を(たとえば、ズーム機能を使用して)表示することを可能にし得る。図10に示す実施形態では、土地区画ウィンドウ108は、複数の畑1020、1022、1024、1026、1028、および1030を含む関心エリアの少なくとも一部分を表示し、各畑は推定された作物タイプ(畑の塗りつぶしで示している)および播種日(各畑にテキストでラベル付けしている)を有する。また、図10に示す実施形態では、キー・ウィンドウ1010は、畑の塗りつぶしグラフィックスへのキーを表示する。図10に示すGUI構成および機能は例示のみを意図しており、本発明の実施形態はこれらに限定されないことを理解されたい。たとえば、作物タイプおよび播種日の推定の結果は、テキストベースのユーザ・インターフェースを使用して表示され得る。
本発明は、システム、方法、またはコンピュータ・プログラム製品、あるいはそれらの組み合わせであり得る。コンピュータ・プログラム製品は、本発明の態様をプロセッサに実行させるためのコンピュータ可読プログラム命令をその上に有するコンピュータ可読記憶媒体(または複数の媒体)を含み得る。
コンピュータ可読記憶媒体は、命令実行デバイスによる使用のために命令を保持および記憶可能な有形のデバイスとすることができる。コンピュータ可読記憶媒体は、たとえば、限定はしないが、電子ストレージ・デバイス、磁気ストレージ・デバイス、光学ストレージ・デバイス、電磁ストレージ・デバイス、半導体ストレージ・デバイス、またはこれらの任意の適切な組み合わせであり得る。コンピュータ可読記憶媒体のより具体的な例の非網羅的なリストには、ポータブル・コンピュータ・ディスケット、ハード・ディスク、ランダム・アクセス・メモリ(RAM)、読み取り専用メモリ(ROM:read-only memory)、消去可能プログラム可能読み取り専用メモリ(EPROM:erasable programmable read-only memoryまたはフラッシュ・メモリ)、スタティック・ランダム・アクセス・メモリ(SRAM:static random access memory)、ポータブル・コンパクト・ディスク読み取り専用メモリ(CD-ROM:compact disc read-only memory)、デジタル・バーサタイル・ディスク(DVD:digital versatile disk)、メモリー・スティック(R)、フレキシブル・ディスク、命令が記録されたパンチ・カードまたは溝の隆起構造などの機械的にコード化されたデバイス、およびこれらの任意の適切な組み合わせが含まれる。コンピュータ可読記憶媒体は、本明細書で使用する場合、たとえば、電波または他の自由に伝搬する電磁波、導波管もしくは他の伝送媒体を伝搬する電磁波(たとえば、光ファイバ・ケーブルを通過する光パルス)、または有線で伝送される電気信号などの一過性の信号自体であると解釈されるべきではない。
本明細書に記載のコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体からそれぞれのコンピューティング/処理デバイスに、あるいは、たとえば、インターネット、ローカル・エリア・ネットワーク、ワイド・エリア・ネットワーク、もしくは無線ネットワーク、またはそれらの組み合わせなどのネットワークを介して外部コンピュータまたは外部ストレージ・デバイスにダウンロードすることができる。ネットワークは、銅線伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ、またはエッジ・サーバ、あるいはそれらの組み合わせを含み得る。各コンピューティング/処理デバイスのネットワーク・アダプタ・カードまたはネットワーク・インターフェースは、ネットワークからコンピュータ可読プログラム命令を受信し、コンピュータ可読プログラム命令を転送して、それぞれのコンピューティング/処理デバイス内のコンピュータ可読記憶媒体に記憶する。
動作を実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セット・アーキテクチャ(ISA:instruction-set-architecture)命令、機械命令、機械依存命令、マイクロコード、ファームウェア命令、状態設定データ、あるいは、Smalltalk(R)、C++などのオブジェクト指向プログラミング言語、および「C」プログラミング言語または類似のプログラミング言語などの従来の手続き型プログラミング言語を含む、1つまたは複数のプログラミング言語の任意の組み合わせで書かれたソース・コードまたはオブジェクト・コードであり得る。コンピュータ可読プログラム命令は、完全にユーザのコンピュータ上で、部分的にユーザのコンピュータ上で、スタンドアロン・ソフトウェア・パッケージとして、部分的にユーザのコンピュータ上かつ部分的にリモート・コンピュータ上で、あるいは完全にリモート・コンピュータまたはサーバ上で実行され得る。後者のシナリオでは、リモート・コンピュータは、ローカル・エリア・ネットワーク(LAN)またはワイド・エリア・ネットワーク(WAN)を含む任意のタイプのネットワークを介してユーザのコンピュータに接続され得、または(たとえば、インターネット・サービス・プロバイダを使用してインターネットを介して)外部コンピュータへの接続がなされ得る。1つまたは複数の実施形態では、たとえば、プログラマブル論理回路、フィールド・プログラマブル・ゲート・アレイ(FPGA:field-programmable gate array)、またはプログラマブル・ロジック・アレイ(PLA:programmable logic array)を含む電子回路は、本発明の態様を実行するために、コンピュータ可読プログラム命令の状態情報を利用してコンピュータ可読プログラム命令を実行することによって、電子回路を個人向けにし得る。
態様は、1つまたは複数の実施形態による方法、装置(システム)、およびコンピュータ・プログラム製品のフローチャート図またはブロック図あるいはその両方を参照して本明細書で説明している。フローチャート図またはブロック図あるいはその両方の各ブロック、およびフローチャート図またはブロック図あるいはその両方におけるブロックの組み合わせが、コンピュータ可読プログラム命令によって実装できることは理解されよう。
これらのコンピュータ可読プログラム命令を、汎用コンピュータ、専用コンピュータ、または他のプログラム可能データ処理装置のプロセッサに提供して、それらの命令がコンピュータまたは他のプログラム可能データ処理装置のプロセッサを介して実行された場合に、フローチャートまたはブロック図あるいはその両方の1つまたは複数のブロックにおいて指定された機能/行為を実装するための手段が生成されるようなマシンを生成し得る。また、これらのコンピュータ可読プログラム命令を、コンピュータ、プログラム可能データ処理装置、または他のデバイス、あるいはそれらの組み合わせに特定の方法で機能するように指示することが可能なコンピュータ可読記憶媒体に記憶して、命令が記憶されたコンピュータ可読記憶媒体が、フローチャートまたはブロック図あるいはその両方の1つまたは複数のブロックにおいて指定された機能/行為の態様を実装する命令を含む製造品を構成するようにし得る。
また、コンピュータ可読プログラム命令をコンピュータ、他のプログラム可能データ処理装置、または他のデバイスにロードして、コンピュータ、他のプログラム可能装置、または他のデバイス上で一連の動作ステップを実行させることによって、それらの命令がコンピュータ、他のプログラム可能装置、または他のデバイス上で実行された場合に、フローチャートまたはブロック図あるいはその両方の1つまたは複数のブロックにおいて指定された機能/行為が実装されるようなコンピュータ実装処理を生成し得る。
図中のフローチャートおよびブロック図は、様々な実施形態によるシステム、方法、およびコンピュータ・プログラム製品の可能な実装形態のアーキテクチャ、機能性、および動作を示している。これに関して、フローチャートまたはブロック図の各ブロックは、指定された論理的機能(複数可)を実装するための1つまたは複数の実行可能命令を含むモジュール、セグメント、または命令の一部を表し得る。いくつかの代替的実装形態では、ブロックに記載した機能は、図示した順序以外で行われ得る。たとえば、関与する機能性に応じて、連続して示した2つのブロックは、実際には実質的に同時に実行され得、またはそれらのブロックは、場合により逆の順序で実行され得る。ブロック図またはフローチャート図あるいはその両方の各ブロック、およびブロック図またはフローチャート図あるいはその両方におけるブロックの組み合わせは、指定された機能もしくは行為を実行するか、または専用ハードウェアおよびコンピュータ命令の組み合わせを実行する専用のハードウェア・ベースのシステムによって実装できることにも気付くであろう。
当業者は、本発明の範囲内で多くの変形が可能であることを理解するであろう。たとえば、本明細書に記載の特定のハードウェアおよびソフトウェアの実装形態の詳細は、例示のみを目的としており、記載した主題の範囲を限定することを意味するものではない。したがって、本発明を、その好ましい実施形態を参照して具体的に図示および説明してきたが、本発明の範囲から逸脱することなく、形態および詳細の変更がその中で行われ得ることが当業者には理解されよう。
Claims (25)
- 作物タイプまたは播種日あるいはその両方を推定する方法であって、
リモート・センサ・データに基づいて関心エリアの過去の作物成長時系列を用意することであって、前記リモート・センサ・データは前記関心エリアの画像データの時系列を含み、前記過去の作物成長時系列は、1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を含む、前記用意することと、
1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、作物成長シミュレーション・モデルを使用して、過去の作物データ、地理空間データ、および気象データに基づいて、前記関心エリアのシミュレートされた作物成長時系列を決定することであって、前記地理空間データは前記関心エリアを特徴付ける農業情報を含み、前記気象データは前記関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す気象時系列を含み、前記シミュレートされた作物成長時系列は、前記1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を含む、前記決定することと、
推定された作物タイプまたは播種日あるいはその両方を決定するために、前記過去の作物成長時系列を前記シミュレートされた作物成長時系列の各インスタンスとマッチングすることと、
を含む、方法。 - 前記過去の作物データは、少なくとも1つの以前の作物サイクル中に前記関心エリアに関連付けられた作物生育領域において過去に生育された作物タイプと、前記作物タイプのうちのそれぞれの播種カレンダーとを含む、請求項1に記載の方法。
- 1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、シミュレートされた作物成長時系列を決定することは、
前記作物生育領域において過去に生育された前記作物タイプと、前記作物タイプのうちのそれぞれの前記播種カレンダー内の初期播種日とのセット内の作物タイプ/播種日の組み合わせごとに、初期のシミュレートされた作物成長時系列を決定すること
を含む、請求項2に記載の方法。 - 推定された作物タイプまたは播種日あるいはその両方を決定するために、前記過去の作物成長時系列を前記シミュレートされた作物成長時系列の各インスタンスとマッチングすることは、
前記作物生育領域において過去に生育された作物タイプと、前記作物タイプのうちのそれぞれの前記播種日カレンダー内の前記初期播種日との前記セット内の作物タイプ/播種日の組み合わせごとに、前記初期のシミュレートされた作物成長時系列の前記1つまたは複数の要素のうちの各要素と、前記過去の作物成長時系列の前記1つまたは複数の要素のうちの対応する各要素との差分を計算することと、
前記作物生育領域において過去に生育された作物タイプと、前記作物タイプのうちのそれぞれの前記播種日カレンダー内の前記初期播種日との前記セット内の作物タイプ/播種日の組み合わせごとに、前記作物タイプ/播種日の組み合わせについて計算された各差分を合計することによって、差分スコアを計算することと、
前記作物生育領域において過去に生育された作物タイプと、前記作物タイプのうちのそれぞれの前記播種日カレンダー内の前記初期播種日との前記セット内の作物タイプ/播種日の組み合わせごとに計算された前記差分スコアを記憶することと、
最小の差分スコアを特定するために、前記記憶された差分スコアをランク付けすることと、
前記最小の差分スコアに関連付けられた前記作物に基づいて、前記推定された作物タイプを決定することと、
を含む、請求項3に記載の方法。 - 1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、シミュレートされた作物成長時系列を決定することは、
前記推定された作物タイプと、前記推定された作物タイプの前記播種カレンダー内の複数の播種日とのセット内の作物タイプ/播種日の組み合わせごとに、時間的にシフトされたシミュレートされた作物成長時系列を決定すること
をさらに含む、請求項4に記載の方法。 - 推定された作物タイプまたは播種日あるいはその両方を決定するために、前記過去の作物成長時系列を前記シミュレートされた作物成長時系列の各インスタンスとマッチングすることは、
前記推定された作物タイプと、前記推定された作物タイプの前記播種カレンダー内の前記複数の播種日との前記セット内の作物タイプ/播種日の組み合わせごとに、前記時間的にシフトされたシミュレートされた作物成長時系列の前記1つまたは複数の要素のうちの各要素と、前記過去の作物成長時系列の前記1つまたは複数の要素のうちの対応する各要素との差分を計算することと、
前記推定された作物タイプと、前記推定された作物タイプの前記播種カレンダー内の前記複数の播種日との前記セット内の作物タイプ/播種日の組み合わせごとに、前記作物タイプ/播種日の組み合わせに対して計算された各差分を合計することによって、差分スコアを計算することと、
前記推定された作物タイプと、前記推定された作物タイプの前記播種カレンダー内の前記複数の播種日との前記セット内の作物タイプ/播種日の組み合わせごとに計算された前記差分スコアを記憶することと、
最小の差分スコアを特定するために、前記記憶された差分スコアをランク付けすることと、
前記最小の差分スコアに関連付けられた前記播種日に基づいて、前記推定された播種日を決定することと、
をさらに含む、請求項5に記載の方法。 - 前記1つまたは複数の作物固有パラメータは、葉面積指数(LAI)および正規化植生指数(NDVI)からなるグループから選択される、請求項1に記載の方法。
- 前記1つまたは複数の作物固有パラメータは葉面積指数(LAI)を含む、請求項1に記載の方法。
- 前記農業情報は、標高、土壌水分、および土壌タイプからなるグループから選択される、請求項1に記載の方法。
- 前記画像データは、衛星、空中ドローン、または航空機、あるいはそれらの組み合わせによってキャプチャされる、請求項1に記載の方法。
- 前記画像データは衛星によってキャプチャされる、請求項1に記載の方法。
- 作物タイプまたは播種日あるいはその両方を推定するためのシステムであって、
サーバ・デバイス
を備え、前記サーバ・デバイスは、1つまたは複数のプロセッサと、1つまたは複数のコンピュータ可読ストレージ・デバイスと、前記1つまたは複数のプロセッサのうちの少なくとも1つによって実行するための、前記1つまたは複数のコンピュータ可読ストレージ・デバイスのうちの少なくとも1つに記憶されるプログラム命令と、を含み、前記プログラム命令は、
リモート・センサ・データに基づいて関心エリアの過去の作物成長時系列を用意することであって、前記リモート・センサ・データは前記関心エリアの画像データの時系列を含み、前記過去の作物成長時系列は、1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を含む、前記用意することと、
1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、作物成長シミュレーション・モデルを使用して、過去の作物データ、地理空間データ、および気象データに基づいて、前記関心エリアのシミュレートされた作物成長時系列を決定することであって、前記地理空間データは前記関心エリアを特徴付ける農業情報を含み、前記気象データは前記関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す気象時系列を含み、前記シミュレートされた作物成長時系列は、前記1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を含む、前記決定することと、
推定された作物タイプまたは播種日あるいはその両方を決定するために、前記過去の作物成長時系列を前記シミュレートされた作物成長時系列の各インスタンスとマッチングすることと、
を行うように実行可能である、システム。 - 前記過去の作物データは、少なくとも1つの以前の作物サイクル中に前記関心エリアに関連付けられた作物生育領域において過去に生育された作物タイプと、前記作物タイプのうちのそれぞれの播種カレンダーとを含む、請求項12に記載のシステム。
- 1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、シミュレートされた作物成長時系列を決定するために、前記プログラム命令は、
前記作物生育領域において過去に生育された前記作物タイプと、前記作物タイプのうちのそれぞれの前記播種カレンダー内の初期播種日とのセット内の作物タイプ/播種日の組み合わせごとに、初期のシミュレートされた作物成長時系列を決定すること
を行うようにさらに実行可能である、請求項13に記載のシステム。 - 推定された作物タイプまたは播種日あるいはその両方を決定するために、前記過去の作物成長時系列を前記シミュレートされた作物成長時系列の各インスタンスとマッチングするために、前記プログラム命令は、
前記作物生育領域において過去に生育された作物タイプと、前記作物タイプのうちのそれぞれの前記播種日カレンダー内の前記初期播種日との前記セット内の作物タイプ/播種日の組み合わせごとに、前記初期のシミュレートされた作物成長時系列の前記1つまたは複数の要素のうちの各要素と、前記過去の作物成長時系列の前記1つまたは複数の要素のうちの対応する各要素との差分を計算することと、
前記作物生育領域において過去に生育された作物タイプと、前記作物タイプのうちのそれぞれの前記播種日カレンダー内の前記初期播種日との前記セット内の作物タイプ/播種日の組み合わせごとに、前記作物タイプ/播種日の組み合わせについて計算された各差分を合計することによって、差分スコアを計算することと、
前記作物生育領域において過去に生育された作物タイプと、前記作物タイプのうちのそれぞれの前記播種日カレンダー内の前記初期播種日との前記セット内の作物タイプ/播種日の組み合わせごとに計算された前記差分スコアを記憶することと、
最小の差分スコアを特定するために、前記記憶された差分スコアをランク付けすることと、
前記最小の差分スコアに関連付けられた前記作物に基づいて、前記推定された作物タイプを決定することと、
を行うようにさらに実行可能である、請求項14に記載のシステム。 - 1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、シミュレートされた作物成長時系列を決定するために、前記プログラム命令は、
前記推定された作物タイプと、前記推定された作物タイプの前記播種カレンダー内の複数の播種日とのセット内の作物タイプ/播種日の組み合わせごとに、時間的にシフトされたシミュレートされた作物成長時系列を決定すること
を行うようにさらに実行可能である、請求項15に記載のシステム。 - 推定された作物タイプまたは播種日あるいはその両方を決定するために、前記過去の作物成長時系列を前記シミュレートされた作物成長時系列の各インスタンスとマッチングするために、前記プログラム命令は、
前記推定された作物タイプと、前記推定された作物タイプの前記播種カレンダー内の前記複数の播種日との前記セット内の作物タイプ/播種日の組み合わせごとに、前記時間的にシフトされたシミュレートされた作物成長時系列の前記1つまたは複数の要素のうちの各要素と、前記過去の作物成長時系列の前記1つまたは複数の要素のうちの対応する各要素との差分を計算することと、
前記推定された作物タイプと、前記推定された作物タイプの前記播種カレンダー内の前記複数の播種日との前記セット内の作物タイプ/播種日の組み合わせごとに、前記作物タイプ/播種日の組み合わせに対して計算された各差分を合計することによって、差分スコアを計算することと、
前記推定された作物タイプと、前記推定された作物タイプの前記播種カレンダー内の前記複数の播種日との前記セット内の作物タイプ/播種日の組み合わせごとに計算された前記差分スコアを記憶することと、
最小の差分スコアを特定するために、前記記憶された差分スコアをランク付けすることと、
前記最小の差分スコアに関連付けられた前記播種日に基づいて、前記推定された播種日を決定することと、
を行うようにさらに実行可能である、請求項16に記載のシステム。 - 作物タイプまたは播種日あるいはその両方を推定するコンピュータ・プログラム製品であって、前記コンピュータ・プログラム製品は、プログラム・コードを具現化するコンピュータ可読記憶媒体を備え、前記プログラム・コードは、方法を実行するように1つまたは複数のプロセッサによって実行可能であり、前記方法は、
リモート・センサ・データに基づいて関心エリアの過去の作物成長時系列を用意することであって、前記リモート・センサ・データは前記関心エリアの画像データの時系列を含み、前記過去の作物成長時系列は、1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を含む、前記用意することと、
1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、作物成長シミュレーション・モデルを使用して、過去の作物データ、地理空間データ、および気象データに基づいて、前記関心エリアのシミュレートされた作物成長時系列を決定することであって、前記地理空間データは前記関心エリアを特徴付ける農業情報を含み、前記気象データは前記関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す気象時系列を含み、前記シミュレートされた作物成長時系列は、前記1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を含む、前記決定することと、
推定された作物タイプまたは播種日あるいはその両方を決定するために、前記過去の作物成長時系列を前記シミュレートされた作物成長時系列の各インスタンスとマッチングすることと、
を含む、コンピュータ・プログラム製品。 - 前記過去の作物データは、少なくとも1つの以前の作物サイクル中に前記関心エリアに関連付けられた作物生育領域において過去に生育された作物タイプと、前記作物タイプのうちのそれぞれの播種カレンダーとを含む、請求項18に記載のコンピュータ・プログラム製品。
- 1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、シミュレートされた作物成長時系列を決定することは、
前記作物生育領域において過去に生育された前記作物タイプと、前記作物タイプのうちのそれぞれの前記播種カレンダー内の初期播種日とのセット内の作物タイプ/播種日の組み合わせごとに、初期のシミュレートされた作物成長時系列を決定すること
を含む、請求項19に記載のコンピュータ・プログラム製品。 - 推定された作物タイプまたは播種日あるいはその両方を決定するために、前記過去の作物成長時系列を前記シミュレートされた作物成長時系列の各インスタンスとマッチングすることは、
前記作物生育領域において過去に生育された作物タイプと、前記作物タイプのうちのそれぞれの前記播種日カレンダー内の前記初期播種日との前記セット内の作物タイプ/播種日の組み合わせごとに、前記初期のシミュレートされた作物成長時系列の前記1つまたは複数の要素のうちの各要素と、前記過去の作物成長時系列の前記1つまたは複数の要素のうちの対応する各要素との差分を計算することと、
前記作物生育領域において過去に生育された作物タイプと、前記作物タイプのうちのそれぞれの前記播種日カレンダー内の前記初期播種日との前記セット内の作物タイプ/播種日の組み合わせごとに、前記作物タイプ/播種日の組み合わせについて計算された各差分を合計することによって、差分スコアを計算することと、
前記作物生育領域において過去に生育された作物タイプと、前記作物タイプのうちのそれぞれの前記播種日カレンダー内の前記初期播種日との前記セット内の作物タイプ/播種日の組み合わせごとに計算された前記差分スコアを記憶することと、
最小の差分スコアを特定するために、前記記憶された差分スコアをランク付けすることと、
前記最小の差分スコアに関連付けられた前記作物に基づいて、前記推定された作物タイプを決定することと、
を含む、請求項20に記載のコンピュータ・プログラム製品。 - 1つまたは複数の作物タイプおよび1つまたは複数の播種日のセット内の作物タイプ/播種日の組み合わせごとに、シミュレートされた作物成長時系列を決定することは、
前記推定された作物タイプと、前記推定された作物タイプの前記播種カレンダー内の複数の播種日とのセット内の作物タイプ/播種日の組み合わせごとに、時間的にシフトされたシミュレートされた作物成長時系列を決定すること
をさらに含む、請求項21に記載のコンピュータ・プログラム製品。 - 推定された作物タイプまたは播種日あるいはその両方を決定するために、前記過去の作物成長時系列を前記シミュレートされた作物成長時系列の各インスタンスとマッチングすることは、
前記推定された作物タイプと、前記推定された作物タイプの前記播種カレンダー内の前記複数の播種日との前記セット内の作物タイプ/播種日の組み合わせごとに、前記時間的にシフトされたシミュレートされた作物成長時系列の前記1つまたは複数の要素のうちの各要素と、前記過去の作物成長時系列の前記1つまたは複数の要素のうちの対応する各要素との差分を計算することと、
前記推定された作物タイプと、前記推定された作物タイプの前記播種カレンダー内の前記複数の播種日との前記セット内の作物タイプ/播種日の組み合わせごとに、前記作物タイプ/播種日の組み合わせに対して計算された各差分を合計することによって、差分スコアを計算することと、
前記推定された作物タイプと、前記推定された作物タイプの前記播種カレンダー内の前記複数の播種日との前記セット内の作物タイプ/播種日の組み合わせごとに計算された前記差分スコアを記憶することと、
最小の差分スコアを特定するために、前記記憶された差分スコアをランク付けすることと、
前記最小の差分スコアに関連付けられた前記播種日に基づいて、前記推定された播種日を決定することと、
をさらに含む、請求項22に記載のコンピュータ・プログラム製品。 - 作物タイプおよび播種日を推定する方法であって、
現在の作物サイクル中にキャプチャされた関心エリアの画像データの時系列を含むリモート・センサ・データを受信することと、
前記画像データの時系列に基づいて1つまたは複数の作物固有パラメータの時系列を計算することと、
前記1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を有する、前記現在の作物サイクル中の前記関心エリアの過去の作物成長時系列を決定することと、
少なくとも1つの以前の作物サイクル中に前記関心エリアに関連付けられた作物生育領域において生育された複数の作物タイプと、前記複数の作物タイプのうちのそれぞれの播種カレンダーとを含む過去の作物データを受信することと、
前記関心エリアを特徴付ける農業情報を含む地理空間データを受信することと、
前記現在の作物サイクル中の前記関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す現在の作物サイクルの気象時系列を含む気象データを受信することと、
前記複数の作物タイプと、前記作物タイプの前記播種カレンダー内の複数の播種日とのセット内の作物タイプ/播種日の組み合わせごとに、作物成長シミュレーション・モデルを使用して、前記過去の作物データ、前記地理空間データ、および前記気象データに基づいて、前記現在の作物サイクル中の前記関心エリアのシミュレートされた作物成長時系列を決定することであって、前記シミュレートされた作物成長時系列は、前記1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を含む、前記決定することと、
前記複数の作物タイプと、前記作物タイプの前記播種カレンダー内の前記複数の播種日との前記セット内の作物タイプ/播種日の組み合わせごとに、前記シミュレートされた作物成長時系列の前記1つまたは複数の要素のうちの要素と、前記過去の作物成長時系列の前記1つまたは複数の要素のうちの対応する要素との間の距離としてそれぞれ計算される1つまたは複数の差分に基づいて差分スコアを計算することと、
最小の前記差分スコアを生成する前記シミュレートされた作物成長時系列に関連付けられた前記作物および播種日に基づいて、推定された作物タイプおよび播種日を決定することと、
を含む、方法。 - 作物タイプおよび播種日を推定するためのシステムであって、
サーバ・デバイス
を備え、前記サーバ・デバイスは、1つまたは複数のプロセッサと、1つまたは複数のコンピュータ可読ストレージ・デバイスと、前記1つまたは複数のプロセッサのうちの少なくとも1つによって実行するための、前記1つまたは複数のコンピュータ可読ストレージ・デバイスのうちの少なくとも1つに記憶されるプログラム命令と、を含み、前記プログラム命令は、
現在の作物サイクル中にキャプチャされた関心エリアの画像データの時系列を含むリモート・センサ・データを受信することと、
前記画像データの時系列に基づいて1つまたは複数の作物固有パラメータの時系列を計算することと、
前記1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を有する、前記現在の作物サイクル中の前記関心エリアの過去の作物成長時系列を決定することと、
少なくとも1つの以前の作物サイクル中に前記関心エリアに関連付けられた作物生育領域において生育された複数の作物タイプと、前記複数の作物タイプのうちのそれぞれの播種カレンダーとを含む過去の作物データを受信することと、
前記関心エリアを特徴付ける農業情報を含む地理空間データを受信することと、
前記現在の作物サイクル中の前記関心エリアに関連付けられた気象領域における1つまたは複数の気象状況を表す現在の作物サイクルの気象時系列を含む気象データを受信することと、
前記複数の作物タイプと、前記作物タイプの前記播種カレンダー内の複数の播種日とのセット内の作物タイプ/播種日の組み合わせごとに、作物成長シミュレーション・モデルを使用して、前記過去の作物データ、前記地理空間データ、および前記気象データに基づいて、前記現在の作物サイクル中の前記関心エリアのシミュレートされた作物成長時系列を決定することであって、前記シミュレートされた作物成長時系列は、前記1つまたは複数の作物固有パラメータを含む1つまたは複数の要素を含む、前記決定することと、
前記複数の作物タイプと、前記作物タイプの前記播種カレンダー内の前記複数の播種日との前記セット内の作物タイプ/播種日の組み合わせごとに、前記シミュレートされた作物成長時系列の前記1つまたは複数の要素のうちの要素と、前記過去の作物成長時系列の前記1つまたは複数の要素のうちの対応する要素との間の距離としてそれぞれ計算される1つまたは複数の差分に基づいて差分スコアを計算することと、
最小の前記差分スコアを生成する前記シミュレートされた作物成長時系列に関連付けられた前記作物および播種日に基づいて、推定された作物タイプおよび播種日を決定することと、
を行うように実行可能である、システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/780,833 US11382260B2 (en) | 2020-02-03 | 2020-02-03 | Estimation of crop type and/or sowing date |
US16/780,833 | 2020-02-03 | ||
PCT/IB2021/050580 WO2021156706A1 (en) | 2020-02-03 | 2021-01-26 | Estimation of crop type and/or sowing date |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023511926A true JP2023511926A (ja) | 2023-03-23 |
Family
ID=77199291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022544634A Pending JP2023511926A (ja) | 2020-02-03 | 2021-01-26 | 作物タイプまたは播種日あるいはその両方の推定 |
Country Status (10)
Country | Link |
---|---|
US (1) | US11382260B2 (ja) |
JP (1) | JP2023511926A (ja) |
KR (1) | KR20220119645A (ja) |
CN (1) | CN115004213A (ja) |
AU (1) | AU2021217210A1 (ja) |
CA (1) | CA3163624A1 (ja) |
DE (1) | DE112021000243T5 (ja) |
GB (1) | GB2608044A (ja) |
IL (1) | IL294649A (ja) |
WO (1) | WO2021156706A1 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11382260B2 (en) | 2020-02-03 | 2022-07-12 | International Business Machines Corporation | Estimation of crop type and/or sowing date |
US20220092306A1 (en) * | 2020-09-21 | 2022-03-24 | Henan University | Cloud platform-based garlic crop recognition method by coupling active and passive remote sensing images |
CN115147329A (zh) * | 2021-03-29 | 2022-10-04 | 北京小米移动软件有限公司 | 一种柔性面板的修复方法、装置、设备及存储介质 |
US11823448B2 (en) * | 2021-04-29 | 2023-11-21 | International Business Machines Corporation | Agricultural crop identification using satellite and crop rotation |
US20230171303A1 (en) * | 2021-12-01 | 2023-06-01 | X Development Llc | Dynamic allocation of platform-independent machine learning state machines between edge-based and cloud-based computing resources |
IL289666A (en) * | 2022-01-06 | 2023-08-01 | SADEH Yuval | Assesses variety for crop yield |
WO2024030401A1 (en) * | 2022-08-01 | 2024-02-08 | Indigo Ag, Inc. | Field-scale harvest date estimation based on satellite imagery |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003006274A (ja) | 2001-06-25 | 2003-01-10 | National Agricultural Research Organization | 生育段階毎の気候的類似性に基づく導入適作物・適品種、栽培適地、適作期判定システム |
EP2212346A2 (en) * | 2007-10-31 | 2010-08-04 | E. I. du Pont de Nemours and Company | Plants with altered root architecture, related constructs and methods involving genes encoding exostosin family polypeptides and homologs thereof |
WO2010117944A1 (en) * | 2009-04-06 | 2010-10-14 | Martin Tommy J | Remote analysis and correction of crop condition |
US20130104455A1 (en) | 2011-05-13 | 2013-05-02 | David P. Groeneveld | Method and System for Remote Sensing and Limited Field Sampling to Prescribe and Deliver Soil Amendments Targeted Discretely Across Cultivated Fields |
WO2015100432A2 (en) * | 2013-12-24 | 2015-07-02 | Symbiota, Inc. | Method for propagating microorganisms within plant bioreactors and stably storing microorganisms within agricultural seeds |
US9131644B2 (en) | 2014-08-19 | 2015-09-15 | Iteris, Inc. | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery |
JP2016049102A (ja) * | 2014-08-29 | 2016-04-11 | 株式会社リコー | 圃場管理システム、圃場管理方法、プログラム |
WO2016183182A1 (en) | 2015-05-14 | 2016-11-17 | Board Of Trustees Of Michigan State University | Methods and systems for crop land evaluation and crop growth management |
CN104866970B (zh) * | 2015-05-26 | 2018-07-24 | 徐吉祥 | 智能种植管理方法和智能种植设备 |
US9756773B1 (en) * | 2016-02-26 | 2017-09-12 | International Business Machines Corporation | System and method for application of materials through coordination with automated data collection vehicles |
CN106097131A (zh) | 2016-06-23 | 2016-11-09 | 桂林电子科技大学 | 基于大数据的农业精准种植方法 |
US10586105B2 (en) | 2016-12-30 | 2020-03-10 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
US11257172B2 (en) * | 2017-04-26 | 2022-02-22 | International Business Machines Corporation | Cognitive based decision support system for agriculture |
US20180315135A1 (en) | 2017-04-27 | 2018-11-01 | Tata Consultancy Services Limited | Systems and methods for estimating degree of compliance with recommended crop protocol |
US11263707B2 (en) | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
CN107808249A (zh) | 2017-10-30 | 2018-03-16 | 深圳春沐源控股有限公司 | 种植任务管理方法、电子设备及计算机可读存储介质 |
US10765069B2 (en) * | 2018-05-17 | 2020-09-08 | International Business Machines Corporation | Supplementing sub-optimal environmental conditions to optimize plant growth |
CN109165352A (zh) | 2018-08-31 | 2019-01-08 | 深圳春沐源控股有限公司 | 种植品种的推荐方法、终端、计算机可读存储介质 |
US10958828B2 (en) * | 2018-10-10 | 2021-03-23 | International Business Machines Corporation | Advising image acquisition based on existing training sets |
US11382260B2 (en) | 2020-02-03 | 2022-07-12 | International Business Machines Corporation | Estimation of crop type and/or sowing date |
-
2020
- 2020-02-03 US US16/780,833 patent/US11382260B2/en active Active
-
2021
- 2021-01-26 WO PCT/IB2021/050580 patent/WO2021156706A1/en active Application Filing
- 2021-01-26 DE DE112021000243.0T patent/DE112021000243T5/de active Pending
- 2021-01-26 KR KR1020227024468A patent/KR20220119645A/ko not_active Application Discontinuation
- 2021-01-26 JP JP2022544634A patent/JP2023511926A/ja active Pending
- 2021-01-26 GB GB2212778.1A patent/GB2608044A/en active Pending
- 2021-01-26 AU AU2021217210A patent/AU2021217210A1/en not_active Abandoned
- 2021-01-26 CA CA3163624A patent/CA3163624A1/en active Pending
- 2021-01-26 CN CN202180010420.6A patent/CN115004213A/zh active Pending
- 2021-01-26 IL IL294649A patent/IL294649A/en unknown
Also Published As
Publication number | Publication date |
---|---|
CA3163624A1 (en) | 2021-08-12 |
GB202212778D0 (en) | 2022-10-19 |
US11382260B2 (en) | 2022-07-12 |
WO2021156706A1 (en) | 2021-08-12 |
CN115004213A (zh) | 2022-09-02 |
DE112021000243T5 (de) | 2022-09-08 |
GB2608044A (en) | 2022-12-21 |
US20210235612A1 (en) | 2021-08-05 |
IL294649A (en) | 2022-09-01 |
KR20220119645A (ko) | 2022-08-30 |
AU2021217210A1 (en) | 2022-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11151379B2 (en) | Method and system for crop type identification using satellite observation and weather data | |
US11164310B2 (en) | Method and system for crop recognition and boundary delineation | |
JP2023511926A (ja) | 作物タイプまたは播種日あるいはその両方の推定 | |
US11527062B2 (en) | Method and system for crop recognition and boundary delineation | |
US20210350295A1 (en) | Estimation of crop pest risk and/or crop disease risk at sub-farm level | |
US11257172B2 (en) | Cognitive based decision support system for agriculture | |
US20160171680A1 (en) | Systems and Methods for Satellite Image Processing to Estimate Crop Yield | |
Hermance | Stabilizing high‐order, non‐classical harmonic analysis of NDVI data for average annual models by damping model roughness | |
US11313811B2 (en) | Dynamic determination of irrigation-related data using machine learning techniques | |
Lara et al. | Assessing the performance of smoothing functions to estimate land surface phenology on temperate grassland | |
Franklin et al. | Landsat-comparable land cover maps using ASTER and SPOT images: a case study for large-area mapping programmes | |
Kumar et al. | Agricultural SandboxNL: A national-scale database of parcel-level processed Sentinel-1 SAR data | |
Cánibe et al. | Assessing the uncertainty arising from standard land‐cover mapping procedures when modelling species distributions | |
Tamiminia et al. | Decision tree-based machine learning models for above-ground biomass estimation using multi-source remote sensing data and object-based image analysis | |
Sundaram et al. | Disaster relief compensation computational framework | |
Alatalo et al. | Improved difference images for change detection classifiers in SAR imagery using deep learning | |
Hnatushenko et al. | Development of a cloud-based web geospatial information system for agricultural monitoring using Sentinel-2 data | |
Shumilo et al. | Mathematical Models and Informational Technologies of Crop Yield Forecasting in Cloud Environment | |
US12031964B2 (en) | Enhancing spatial and temporal resolution of greenhouse gas emission estimates for agricultural fields using cohort analysis techniques | |
US20230106473A1 (en) | Enhancing spatial and temporal resolution of greenhouse gas emission estimates for agricultural fields using cohort analysis techniques | |
WO2023165310A1 (en) | Improving operational efficiencies in iot agricultural ecosystems | |
Becker-Reshef et al. | The NASA Harvest Program on Agriculture and Food Security | |
Mahmood | RADARSAT-1 background mission implementation and accomplishments | |
Britton | An Interpretable Machine Learning Model to Explore Relationships between Drought Indices and Ecological Drought Impacts in the Cheyenne River Basin, USA | |
Aremu | DECLARATION OF ORIGINALITY |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221223 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230622 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240416 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240625 |