JP2024064151A - Information processing device, information processing method, and program - Google Patents
Information processing device, information processing method, and program Download PDFInfo
- Publication number
- JP2024064151A JP2024064151A JP2022172522A JP2022172522A JP2024064151A JP 2024064151 A JP2024064151 A JP 2024064151A JP 2022172522 A JP2022172522 A JP 2022172522A JP 2022172522 A JP2022172522 A JP 2022172522A JP 2024064151 A JP2024064151 A JP 2024064151A
- Authority
- JP
- Japan
- Prior art keywords
- time
- series
- yield
- target
- trained model
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 50
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000009795 derivation Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 37
- 238000010801 machine learning Methods 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 239000013598 vector Substances 0.000 description 16
- 238000000034 method Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 241000132092 Aster Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 101710116852 Molybdenum cofactor sulfurase 1 Proteins 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000001863 plant nutrition Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】地上でのサンプリング調査を必須とせず、所望の対象区画についての収量予測を可能とする情報処理装置、情報処理方法、およびプログラムを提供すること。【解決手段】少なくとも、上方から農地を撮像した時系列の画像と、時系列の気象情報とを取得する取得部と、前記時系列の画像から得られる時系列の植生の状態を表すデータと、前記時系列の気象情報とを学習済モデルに入力することで、対象区画における作物の予想収量を導出する導出部と、を備え、前記学習済モデルは、複数の前記対象区画を含む広域区画に関して、前記導出される前記対象区画ごとの予想収量を合計した値と、前記広域区画に関して取得された収量データの示す値との誤差を含む損失関数が小さくなるように予め学習されたものである、情報処理装置。【選択図】図3[Problem] To provide an information processing device, information processing method, and program that enable yield prediction for a desired target plot without requiring sampling surveys on the ground. [Solution] An information processing device comprising at least an acquisition unit that acquires time-series images of farmland taken from above and time-series weather information, and a derivation unit that derives a predicted yield of crops in a target plot by inputting data representing the time-series state of vegetation obtained from the time-series images and the time-series weather information into a trained model, the trained model having been trained in advance so as to reduce a loss function that includes an error between the total value of the derived predicted yields for each target plot for a wide-area plot that includes a plurality of the target plots and the value indicated by the yield data acquired for the wide-area plot. [Selected Figure] Figure 3
Description
本発明は、情報処理装置、情報処理方法、およびプログラムに関する。 The present invention relates to an information processing device, an information processing method, and a program.
農林水産省により、市町村別の作物の収量データが提供されている。非特許文献1、2に記載された技術は、いずれも市町村単位で収量を予測するものである。
The Ministry of Agriculture, Forestry and Fisheries provides crop yield data for each city, town and village. The technologies described in
現実には、より狭域な区画(例えば圃場)ごとに収量の予測データを取得したいというニーズがある。土地利用型作物栽培では、気象や土壌などの生育環境の差や、栽培管理の差が圃場ごとに存在するため、作物の生育がバラつくことで最終的な収量にも差が生じるからである。従って、生育途中で圃場ごとに収量を予想することができれば、収量目標の設定や栽培管理の見直しに役立つ。 In reality, there is a need to obtain yield prediction data for smaller plots (for example, fields). In land-use crop cultivation, differences in growing environments such as weather and soil, as well as differences in cultivation management exist between fields, which leads to variations in crop growth and results in differences in final yields. Therefore, if it were possible to predict the yield for each field during growth, it would be useful for setting yield targets and reviewing cultivation management.
しかしながら現在知られている圃場単位での作物の収量予想方法は、学習データを用意するために地上でのサンプリング調査が必要であるため、労力が過大となっている。 However, currently known methods for predicting crop yields on a field-by-field basis require on-the-ground sampling surveys to prepare training data, which is extremely labor-intensive.
本発明は、このような事情を考慮してなされたものであり、地上でのサンプリング調査を必須とせず、所望の対象区画についての収量予測を可能とする情報処理装置、情報処理方法、およびプログラムを提供することを目的の一つとする。 The present invention was made in consideration of these circumstances, and one of its objectives is to provide an information processing device, information processing method, and program that enable yield prediction for a desired target plot without requiring sampling surveys on the ground.
本発明の一態様である情報処理装置は、少なくとも、上方から農地を撮像した時系列の画像と、時系列の気象情報とを取得する取得部と、前記時系列の画像から得られる時系列の植生の状態を表すデータと、前記時系列の気象情報とを学習済モデルに入力することで、対象区画における作物の予想収量を導出する導出部と、を備え、前記学習済モデルは、複数の前記対象区画を含む広域区画に関して、前記導出される前記対象区画ごとの予想収量を合計した値と、前記広域区画に関して取得された収量データの示す値との誤差を含む損失関数が小さくなるように予め学習されたものである。 An information processing device according to one aspect of the present invention includes at least an acquisition unit that acquires time-series images of farmland taken from above and time-series weather information, and a derivation unit that derives a predicted yield of crops in a target plot by inputting data representing the time-series state of vegetation obtained from the time-series images and the time-series weather information into a trained model, the trained model being trained in advance so as to reduce a loss function that includes an error between the sum of the derived predicted yields for each target plot and the value indicated by the yield data acquired for the wide-area plot, for a wide-area plot that includes a plurality of the target plots.
本発明の他の態様に係る情報処理方法は、情報処理装置が、少なくとも、上方から農地を撮像した時系列の画像と、時系列の気象情報とを取得し、前記時系列の画像から得られる時系列の植生の状態を表すデータと、前記時系列の気象情報とを学習済モデルに入力することで、対象区画における作物の予想収量を導出し、前記学習済モデルは、複数の前記対象区画を含む広域区画に関して、前記導出される前記対象区画ごとの予想収量を合計した値と、前記広域区画に関して取得された収量データの示す値との誤差を含む損失関数が小さくなるように予め学習されたものである。 An information processing method according to another aspect of the present invention includes an information processing device that acquires at least time-series images of farmland taken from above and time-series weather information, and inputs data representing the time-series state of vegetation obtained from the time-series images and the time-series weather information into a trained model to derive a predicted yield of crops in a target plot, the trained model being trained in advance so as to reduce a loss function including an error between the sum of the derived predicted yields for each target plot and the value indicated by the yield data acquired for the wide-area plot, for a wide-area plot including a plurality of the target plots.
本発明の他の態様に係るプログラムは、コンピュータに、少なくとも、上方から農地を撮像した時系列の画像と、時系列の気象情報とを取得させ、前記時系列の画像から得られる時系列の植生の状態を表すデータと、前記時系列の気象情報とを学習済モデルに入力することで、対象区画における作物の予想収量を導出させるためのプログラムであって、前記学習済モデルは、複数の前記対象区画を含む広域区画に関して、前記導出される前記対象区画ごとの予想収量を合計した値と、前記広域区画に関して取得された収量データの示す値との誤差を含む損失関数が小さくなるように予め学習されたものである。 A program according to another aspect of the present invention is a program for causing a computer to acquire at least time-series images of farmland taken from above and time-series weather information, and inputting data representing the time-series state of vegetation obtained from the time-series images and the time-series weather information into a trained model to derive a predicted yield of crops in a target plot, the trained model being trained in advance so as to reduce a loss function including an error between the sum of the predicted yields derived for each target plot and the value indicated by the yield data acquired for the wide-area plot, for a wide-area plot including a plurality of the target plots.
本発明の他の態様に係る情報処理装置は、少なくとも、上方から農地を撮像した時系列の画像と、時系列の気象情報と、複数の対象区画を含む広域区画に関する収量データとを取得する取得部と、少なくとも、前記時系列の画像から得られる時系列の植生の状態を表すデータと、前記時系列の気象情報とを入力することで、前記対象区画における作物の予想収量を導出する学習済モデルを生成する学習部と、を備え、前記学習部は、前記広域区画に関して、前記導出される前記対象区画ごとの予想収量を合計した値と、前記広域区画に関して取得された収量データの示す値との誤差を含む損失関数が小さくなるように、前記学習済モデルのパラメータを学習するものである。 An information processing device according to another aspect of the present invention includes an acquisition unit that acquires at least time-series images of farmland taken from above, time-series weather information, and yield data for a wide-area block including a plurality of target blocks, and a learning unit that generates a trained model that derives a predicted yield of a crop in the target block by inputting at least data representing the time-series state of vegetation obtained from the time-series images and the time-series weather information, and the learning unit learns parameters of the trained model so as to reduce a loss function that includes an error between the sum of the derived predicted yields for each of the target blocks for the wide-area block and the value indicated by the yield data acquired for the wide-area block.
本発明の他の態様に係る情報処理方法は、情報処理装置が、少なくとも、上方から農地を撮像した時系列の画像と、時系列の気象情報と、複数の対象区画を含む広域区画に関する収量データとを取得し、少なくとも、前記時系列の画像から得られる時系列の植生の状態を表すデータと、前記時系列の気象情報とを入力することで、前記対象区画における作物の予想収量を導出する学習済モデルを生成し、前記学習済モデルを生成する際に、前記広域区画に関して、前記導出される前記対象区画ごとの予想収量を合計した値と、前記広域区画に関して取得された収量データの示す値との誤差を含む損失関数が小さくなるように、前記学習済モデルのパラメータを学習するものである。 An information processing method according to another aspect of the present invention is a method in which an information processing device acquires at least time-series images of farmland taken from above, time-series weather information, and yield data for a wide-area block including a plurality of target blocks, and generates a trained model that derives a predicted yield of a crop in the target block by inputting at least data representing the time-series state of vegetation obtained from the time-series images and the time-series weather information, and when generating the trained model, learns parameters of the trained model so as to reduce a loss function that includes an error between the sum of the derived predicted yields for each of the target blocks for the wide-area block and the value indicated by the yield data acquired for the wide-area block.
本発明の他の態様に係るプログラムは、コンピュータに、少なくとも、上方から農地を撮像した時系列の画像と、時系列の気象情報と、複数の対象区画を含む広域区画に関する収量データとを取得させ、少なくとも、前記時系列の画像から得られる時系列の植生の状態を表すデータと、前記時系列の気象情報とを入力することで、前記対象区画における作物の予想収量を導出する学 習済モデルを生成させるためのプログラムであって、前記コンピュータに、前記学習済モデルを生成する際に、前記広域区画に関して、前記導出される前記対象区画ごとの予想収量を合計した値と、前記広域区画に関して取得された収量データの示す値との誤差を含む損失関数が小さくなるように、前記学習済モデルのパラメータを学習させるものである。 A program according to another aspect of the present invention is a program for causing a computer to acquire at least time-series images of farmland taken from above, time-series weather information, and yield data for a wide-area block including a plurality of target blocks, and for generating a trained model for deriving a predicted yield of a crop in the target block by inputting at least data representing the time-series state of vegetation obtained from the time-series images and the time-series weather information, and for causing the computer to learn parameters of the trained model so that, when generating the trained model, a loss function including an error between the sum of the predicted yields derived for each of the target blocks for the wide-area block and the value indicated by the yield data acquired for the wide-area block is reduced.
上記各態様によれば、地上でのサンプリング調査を必須とせず、所望の対象区画についての収量予測を可能とすることができる。 According to each of the above aspects, it is possible to predict yields for desired target plots without requiring sampling surveys on the ground.
以下、図面を参照し、本発明の情報処理装置、情報処理方法、およびプログラムの実施形態について説明する。なお図面においてはベクトルを太字で表しているが、明細書文中において、符号の後あるいは途中に「#」が付されたものがベクトルを表すものとする。 Hereinafter, an embodiment of an information processing device, an information processing method, and a program of the present invention will be described with reference to the drawings. Note that in the drawings, vectors are shown in bold, but in the description, a symbol with a "#" after it or in the middle of it indicates a vector.
[構成]
図1は、情報処理装置100の使用環境の一例を示す図である。情報処理装置100は、例えば、一以上の衛星10から衛星画像提供者サーバ20およびネットワークNWを介して衛星10が撮像した画像(衛星画像)を取得すると共に、一以上の公共情報提供サーバ30からネットワークNWを介して、筆ポリゴンデータ、収量データ、気象情報、土壌特性などの各種情報を取得する。衛星画像は、地上の農地Fを繰り返し撮像した画像である。時系列の衛星画像は、「上方から農地を撮像した時系列の画像」の一例である。衛星画像に換えて、ドローンや鉄塔に取り付けられたカメラ等によって農地Fを撮像した画像が使用されてもよい。情報処理装置100は、ネットワークNWを介して端末装置50に情報を提供する。ネットワークNWは、例えば、LAN、WAN、インターネット回線などの任意のネットワークであり、有線でも無線でもよい。なお、衛星画像の取得方法はこれに限らず、記憶媒体に格納された画像が情報処理装置100のドライブ装置に装着されることで衛星画像が取得されてもよい。また、衛星画像は情報処理装置100に渡される前に前処理が行われたものであってもよい。
[composition]
FIG. 1 is a diagram showing an example of a usage environment of the
衛星10は、例えば、地球の周りの軌道上を周回しており、定期的に地上(地面)を撮像する。衛星画像提供者サーバ20は、衛星10が撮像した画像を情報処理装置100などに提供する。
The
公共情報提供サーバ30は、農林水産省や気象庁などの公共機関、それらの依頼を受けたネットワーク配信者、或いは公共機関の提供する情報を二次的に提供する民間業者により運営されるサーバである。
The public
端末装置50は、例えば、パーソナルコンピュータやスマートフォン、タブレット端末などのコンピュータ装置である。端末装置50は、情報処理装置100とネットワークNWを介して通信し、情報処理装置100から受信した情報を表示する。
The
図2は、情報処理装置100の構成図である。情報処理装置100は、例えば、ウェブサーバの機能を有する。情報処理装置100は、例えば、取得部110と、作付け分類部120と、導出部130と、情報提供部140と、学習部150と、記憶部180とを備える。記憶部180には、学習済モデル182などの情報が格納されている。記憶部180以外の構成要素は、例えば、CPU(Central Processing Unit)などのプロセッサがプログラム(ソフトウェア)を実行することにより実現される。これらの構成要素のうち一部または全部は、LSI(Large Scale Integration)やASIC(Application Specific Integrated Circuit)、FPGA(Field-Programmable Gate Array)、GPU(Graphics Processing Unit)などのハードウェア(回路部;circuitryを含む)によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予めHDD(Hard Disk Drive)やフラッシュメモリなどの記憶装置(非一過性の記憶媒体を備える記憶装置)に格納されていてもよいし、DVDやCD-ROMなどの着脱可能な記憶媒体(非一過性の記憶媒体)に格納されており、記憶媒体がドライブ装置に装着されることで記憶装置にインストールされてもよい。
FIG. 2 is a configuration diagram of the
以下、図3も参照しながら情報処理装置100の各部の機能について説明する。図3は、情報処理装置100が実行する推論段階の処理について説明するための図である。取得部110は、図示しない通信インターフェースを用いて、前述のように衛星画像、筆ポリゴンデータ、気象情報などの情報を取得する。また、取得部110は、学習段階の処理のために収量データを取得する。取得部110は、これらの情報を自動的に取得してもよいが、必要に応じて操作者の操作を受け付けることで取得してもよい。例えば、操作者がウェブサイトからデータをダウンロードした後、そのデータを情報処理装置100の記憶部180の所定のアドレスに格納し、取得部110は、記憶部180からダウンロードされたデータを読み出すという手順で、データが取得されてもよい。
The functions of each unit of the
[推論段階]
取得部110は、衛星画像と筆ポリゴンデータを用いて衛星画像を圃場単位に切り分けて圃場画像を取得する処理を行う。筆ポリゴンデータとは、農林水産省が提供している農地の区画データである。圃場単位に切り分けられた衛星画像は、以降の処理に用いられる。この圃場は「対象区画」の一例である。
[Inference stage]
The
更に、取得部110は、時系列の衛星画像から、時系列の植生の状態を表すデータを生成する。植生の状態を表すデータは、植物による光の反射の特徴を示す指数のデータであり、例えば、NDVI(Normalized Difference Vegetation Index:正規化植生指標)や、反射率などのデータが含まれる。以下の説明では、植生の状態を表すデータはNDVIであるものとする。NDVIは、衛星画像における赤色光の波長帯(以下、バンド)の反射率(光の強度)RefRedと、近赤外線のバンドの反射率RefNIRを用いて式(1)により計算することができる。取得部110は、圃場画像から、作物が存在しないと推定される領域を除外する処理を行ってもよい。この場合、取得部110は、例えば、NDVIが異常値(画像全体の平均に対してプラスマイナス2σの範囲から外れる値など)を示す画素を除外する。
Furthermore, the
NDVI=(RefNIR-RefRed)/(RefNIR+RefRed) …(1) NDVI=(Ref NIR -Ref Red )/(Ref NIR +Ref Red ) ... (1)
作付け分類部120は、NDVI画像に対して、例えば非特許文献3に記載された手法を適用した作付け分類(どの作物が植えられているのか分類すること)を行う。なお作付け分類は操作者の入力に基づいて行われてもよい。例えば、学習済モデル182は作物ごとに用意されており、作付け分類部120の分類結果に基づいて、導出部130が学習済モデル182を選択する。
The
導出部130は、時系列の衛星画像から得られる時系列のNDVIと、時系列の気象情報とを学習済モデル182に入力することで、対象区画における作物の予想収量を導出する。学習済モデル182は、複数の圃場を含む広域区画(例えば市町村であり、以下ではこれを前提とする)に関して、導出される圃場ごとの予想収量を合計した値と、市町村ごとに取得された収量データの示す値との誤差が小さくなるように予め学習されたものである。本実施形態において導出部130は、更に土壌特性を学習済モデル182に入力する。
The
収量データとは、農林水産省が提供している市町村ごと、作物ごとの統計的な収量データである。情報処理装置100においては、機械学習における教師データとして扱われる。収量データは広域区画に対応するデータであるため、圃場ごとの予想収量を求めようとする場合、そのまま教師データとして扱うことができない。従って、情報処理装置100では以下の工夫により圃場ごとの予想収量を導出可能としている。土壌特性は、例えば、農業・食品産業技術総合研究機構が日本土壌インベントリーとして提供しているデータに基づくものである。
The yield data is statistical yield data for each city, town, village, and crop provided by the Ministry of Agriculture, Forestry, and Fisheries. In the
以降の処理に用いられるパラメータを以下のように定義して説明する。圃場ごとのNDVIとは、圃場に含まれる画素から得られたNDVIについて求められた平均値、中央値、最頻値などの統計値である。ベクトルW(X,k)#の要素である気象情報wlは、スカラーであってもよいし、ベクトルであってもよい。つまり、気象情報は気温などの一つの事象のみ含んでもよいし、気温、日射量、降雨量というように複数の事象を含んでもよいし、複数の事象に対して何らかの計算を行った結果(スカラー)であってもよい。土壌特性も同様に、ある元素の含有量(または含有率)という一つの事象のみ含んでもよいし、複数の元素の含有量(または含有率)という複数の事象を含んでもよいし、複数の事象に対して何らかの計算を行った結果(スカラー)であってもよい。 The parameters used in the following processing are defined and explained as follows. The NDVI for each field is a statistical value such as the average, median, or mode obtained for the NDVI obtained from the pixels included in the field. The weather information wl , which is an element of the vector W(X, k)#, may be a scalar or a vector. In other words, the weather information may include only one event such as temperature, or may include multiple events such as temperature, solar radiation, and rainfall, or may be a result (scalar) of some calculation performed on multiple events. Similarly, the soil properties may include only one event, the content (or content rate) of a certain element, or may include multiple events, the content (or content rate) of multiple elements, or may be a result (scalar) of some calculation performed on multiple events.
R#k
X=[r1,r2,…,rm]:X町(または市、村;以下同様)のk番目の圃場の時系列のNDVI
W#k
X=[w1,w2,…,wn]:X町のk番目の圃場の時系列の気象情報
S#k
X=[s1,s2,…,sо]:X町のk番目の圃場の土壌特性
yk
X:X町のk番目の圃場の単収(単位面積あたりの予想収量)
Yk
X:X町のk番目の圃場の収量(予想収量=圃場収量)
R# kX = [ r1 , r2 , ..., rm ]: NDVI of the time series of the kth field in X town ( or city, village; the same below)
W# kX = [ w1 , w2 , ... , wn ]: Time-series meteorological information for the kth field in X town S#kX = [ s1 , s2 , ... , s0 ]: Soil properties of the kth field in X town ykX : Yield (expected yield per unit area) of the kth field in X town
Y k X : Yield of the kth field in X town (expected yield = field yield)
図4~図6は、導出部130の処理について説明するための図である。図4~図6に関連する説明では、ある圃場に着目した処理が行われるものとする。まず、導出部130は、学習済モデル182に入力する入力データの要素数を予想に適したものにし、且つ学習済モデル182の入力ノード数に合わせるための処理を行う。図4に示すパラメータは以下の意味をもつ。
Figures 4 to 6 are diagrams for explaining the processing of the
rp
s:タイミングtpで撮像された衛星画像から得られたNDVI(p=1、2、…)
rq:サンプリングタイミングtqに対応するNDVI(q=1、2、…、m)
wl:サンプリングタイミングtlに対応する気象情報(l=1、2、…、n)
r p s : NDVI obtained from a satellite image taken at timing t p (p = 1, 2, ...)
r q : NDVI corresponding to sampling timing t q (q = 1, 2, ..., m)
w l : Weather information corresponding to sampling timing t l (l = 1, 2, ..., n)
導出部130は、図4の上図に示すように、例えば時刻p=1~5のそれぞれで得られたNDVI値であるrp
s(p=1~5)について観測点間を補間する処理を行って、任意の時刻に対応するNDVIを示す曲線を生成する。例えば、導出部130は、線形補間、スプライン関数、カーネル回帰等の手法によって補間する処理を行う。そして、導出部130は、補間して得られた曲線から、所望のサンプリングタイミングq=1~mに対応するNDVI値であるrqを取得する。また、導出部130は、図4の下図に示すように、取得された気象情報から、所望のサンプリングタイミングl=1~nに対応する気象情報であるwlを取得する。これらをベクトル形式で表したものが、前述したR#k
XおよびW#k
Xとなる。
As shown in the upper diagram of FIG. 4, the
図5に示すように、導出部130は、R#k
X、W#k
X、およびS#k
Xを入力データとして学習済モデル182に入力することで、X町のk番目の圃場における単収yk
Xを導出する。そして、導出部130は、単収yk
Xに当該圃場の面積(筆ポリゴンデータから導出可能である)、または、当該圃場での対象作物の作付面積を乗算することで、圃場収量Yk
Xを導出する。
5, the
応用例として、図6に示すように、導出部130は、X町全体の予想収量を導出してもよい。この場合、導出部130は、圃場の数Nxだけ圃場の予想収量を導出し、これらを合計することでX町全体の予想収量を導出することができる。
As an application example, as shown in FIG. 6, the
情報提供部140は、導出部130の処理結果に基づく情報を端末装置50に提供する。情報提供部140は、予想収量をそのまま提供してもよいし、以下のような情報に加工して提供してもよい。図7および図8は、情報提供部140が提供する情報の一例を示す図である。図7に示すように、情報提供部140は、ポテンシャル収量から圃場ごとの予想収量を差し引いて求められる、圃場ごとの収量の伸びしろを示す画像を地図に重畳させて端末装置50に表示させてもよい。図7においてハッチングが濃いほど収量、または、収量の伸びしろが多いことを示している。ポテンシャル収量は、例えば水や養分のストレス、病害虫などの影響を受けていないときの最大収量であり、任意の作物モデルに基づいて導出される。農業・食品産業技術総合研究機構の提供する農業気象データを利用する場合、農業気象データの単位に合わせ、1km四方単位のポテンシャル収量が導出可能である。
The
また、図8に示すように、情報提供部140は、ある地域において、周辺の圃場に比して多い収量が予想された圃場におけるNDVI等の植生指標の推移、当該地域での平均的な植生指標の推移、対象圃場の植生指標の推移を比較可能に端末装置50に表示させてもよい。
Also, as shown in FIG. 8, the
[学習段階]
以下、学習部150について説明する。本実施形態において学習部150は、情報処理装置100の一部であるものとしているが、機械学習における学習処理と推論処理を行うものは別体の装置によって実現されてもよい。従って、学習部150は、導出部130などとは別体の装置の機能であってもよい。
[Learning stage]
The
図9は、学習部150の処理について説明するための図である。複数の市町村に関するデータに基づいて学習を行う。ここでは、代表してA町、B市、C村を図示している。学習段階の説明におけるパラメータを以下のように定義する。kは圃場番号である。
Figure 9 is a diagram for explaining the processing of the
E:市町村のラベル(E=A、B、C、…)
NE、:市町村Eの圃場の数
TE:市町村Eの収量データ(教師データ)
E: City/town label (E=A, B, C, ...)
N E, : Number of farm fields in municipality E T E : Yield data for municipality E (teaching data)
学習部150は、互いに異なる複数の市町村(A、B,C、…)について、推論段階と同様の入力データを機械学習モデル(学習済モデル182と同じ接続構造を有し、パラメータが暫定的に定められているもの)に入力し、導出される単収から求められる圃場収量を市町村ごとに合計した予想収量YA、YB、YC、…のそれぞれと、各市町村における収量データTA、TB、TC、…との間の誤差を含む損失関数lossを小さくする(ゼロに近づける)ように、バックプロパゲーション等によって機械学習モデルのパラメータを学習し、収束条件を満たした、或いは一定回数の学習を完了した時点の機械学習モデルを学習済モデル182とする。学習済モデル182は、例えばニューラルネットワーク等のモデルである。
The
損失関数lossは、例えば、式(2)のように定義される。すなわち損失関数lossは、市町村Eごとの予想収量YEと収量データTEとの間の二乗誤差を市町村間で合計した値と、ペナルティ項Gを加算したものである。 The loss function loss is defined, for example, as in Equation (2). That is, the loss function loss is the sum of the squared errors between the predicted yield Y E and the yield data T E for each city, town, or village E, for the cities, towns, or villages, and the penalty term G.
loss=[(1/2)ΣE A,B,C…{(YE-TE)2}]+G …(2) loss = [(1/2)Σ E A,B,C ... {(Y E -T E ) 2 }] + G ... (2)
ペナルティ項Gについて説明する。ペナルティ項Gは、市町村ごとのペナルティ関数gによる値を合計したものである。市町村ごとのペナルティ関数gは、圃場ごとの入力データR#k E、W#k E、S#k Eに対してルールベースで求めた、圃場ごとの単収の見込み値を結合したNE次元のベクトルy#*Eと、圃場ごとの入力データR#k E、W#k E、S#k Eの特定のベクトル要素を結合したNE次元のベクトルz#Eとの相関関数rEが、正(負)であるべき場合に負(正)であれば、すなわち、単収と特定の入力の関係について得られている知見と逆相関であれば、正のペナルティ値を返す関数である。市町村ごとのペナルティ関数gは、例えばゼロ以上の値を返す関数である。rEは式(3)で、y#*E、z#Eはそれぞれ式(4)、(5)で表される。 The penalty term G will be explained. The penalty term G is the sum of the values of the penalty function g for each city, town, and village. The penalty function g for each city, town, and village is a function that returns a positive penalty value if the correlation function r E between the N E-dimensional vector y#* E , which combines the expected yield value for each field, calculated based on the rules for the input data R# k E , W# k E , and S# k E for each field, and the N E -dimensional vector z# E , which combines specific vector elements of the input data R# k E , W# k E , and S# k E for each field, is negative (positive) when it should be positive (negative), that is, if it is inversely correlated with the knowledge obtained about the relationship between the yield and specific input. The penalty function g for each city, town, and village is a function that returns a value equal to or greater than zero, for example. r E is expressed by formula (3), and y#* E and z# E are expressed by formulas (4) and (5), respectively.
rE=〈y#*E,z#E〉 …(3)
y#*E=[y1
E,y2
E,…,yNE
E] …(4)
z#E=[z1
E,z2
E,…,zNE
E] …(5)
r E =〈y # * E , z # E 〉 ... (3)
y # * E = [y 1 E , y 2 E , ..., y N E E ] ... (4)
z # E = [z 1 E , z 2 E , ..., z N E E ] ... (5)
学習部150は、ベクトルz#Eを導出するために、まず入力データR#k
E、W#k
E、S#k
Eの要素を結合したベクトルf(R#k
E,W#k
E,S#k
E)を定義する。前述したようにR#k
Eはm次元の時系列データ、W#k
Eはn次元の時系列データ、S#k
Eはо次元のデータであるため、f(R#k
E,W#k
E,S#k
E)は式(7)で表される。次に、学習部150は、予め用意された(m+n+о)次元の重みベクトルD#を、左からベクトルf(R#k
E,W#k
E,S#k
E)に乗算し、圃場ごとの単収の見込み値(スカラー)zk
Eを導出する(式(8))。重みベクトルD#は、式(9)で表される。学習部150は、このように求められた圃場ごとの単収の見込み値(スカラー)zk
Eをk=1~NEまで並べて結合することで、NE次元のベクトルz#Eを導出する。
In order to derive the vector z# E , the
f(R#k
E,W#k
E,S#k
E)=[r1,r2,…,rm,w1,w2,…,wn,s1,s2,…,sо]T …(7)
zk
E=D#・f(R#k
E,W#k
E,S#k
E) …(8)
D#=[d1,d2,…,dm+n+о] …(9)
f(R# kE , W# kE , S# kE ) = [ r1 , r2 , ..., rm , w1 , w2 , ..., wn , s1 , s2 , ..., s0 ] T ... (7)
zkE = D# f ( R # kE , W# kE , S# kE ) ... (8)
D# = [ d1 , d2 , ..., dm + n + o ] ... (9)
ここで、重みベクトルD#の各要素は、知見に基づく規定値であり、学習対象では無い。例えば、生育のある段階におけるNDVIおよび気象情報が、収穫時点の収量にどの程度の影響を及ぼすのか、ある程度の予測が可能な程度には知見が得られている。従って、この知見に基づく重みベクトルD#を乗算することで、高精度では無いものの、ある程度の精度で単収の見込み値を得ることができる。そして、例えば、ある段階におけるNDVIが高い値で観測された圃場では単収が大きい傾向が見られるような場合に対し、単収の見込み値と入力のNDVIの間に正の相関が見られるべきところを、負の相関があるということは、機械学習モデルの特性が適正で無いことを表すため、学習部150は、ペナルティ項Gを損失関数loss(E)に導入することで、機械学習のロバスト性を向上させると共に処理の迅速化を実現することができる。
Here, each element of the weight vector D# is a specified value based on knowledge and is not a learning target. For example, knowledge has been obtained to the extent that it is possible to predict to some extent how much the NDVI and meteorological information at a certain stage of growth will affect the yield at the time of harvest. Therefore, by multiplying the weight vector D# based on this knowledge, it is possible to obtain an expected yield value with a certain degree of accuracy, although not with high accuracy. For example, in a case where a field where a high NDVI value is observed at a certain stage tends to have a high yield, a positive correlation should be observed between the expected yield value and the input NDVI, but a negative correlation indicates that the characteristics of the machine learning model are not appropriate. Therefore, the
市町村ごとのペナルティ関数g(rE)は、rEを入力値とし、例えば図10、11に例示する特性を示す関数である。図10および11は、ペナルティ関数gの特性を例示した図である。ペナルティ関数gは、図10に示すように、rEがゼロ未満の領域で絶対値が大きくなるにつれて単調増加する関数であってもよいし、図11に示すように、rEがゼロ未満の領域で絶対値が大きくなるにつれて指数関数的に増加する関数であってもよい。 The penalty function g ( rE ) for each city, town, and village is a function that uses rE as an input value and exhibits the characteristics shown in, for example, Figs. 10 and 11. Figs. 10 and 11 are diagrams illustrating the characteristics of the penalty function g. The penalty function g may be a function that monotonically increases as the absolute value of rE increases in a region where rE is less than zero, as shown in Fig. 10, or may be a function that exponentially increases as the absolute value of rE increases in a region where rE is less than zero, as shown in Fig. 11.
学習部150は、式(10)で示すように、市町村ごとのペナルティ関数g(rE)による値を合計してペナルティ項Gを算出する。
The
G=ΣE A,B,C,…{g(rE)} …(10) G = Σ E A, B, C, ... {g(r E )} ... (10)
係る処理を行うことで、地上でのサンプリング調査を必要とせず、衛星画像や市町村ごとの収量データを組み合わせて生成される学習済モデルを用いて、圃場単位の収量を予想することが可能となる。また、市町村ごとという比較的粗い粒度の情報に基づいて、圃場単位の詳細な予想収量を導出できる点で有用である。更に、どの市町村についても、共通する学習済モデルを用いて予想収量を導出することができる。更に、情報処理装置100の処理結果として得られる情報は、生産者が収量目標を設定するのに役立てることができ、農業の技術普及員が行っている営農指導の基盤情報として活用することもできる。
By performing such processing, it becomes possible to predict yields for each field using a trained model generated by combining satellite images and yield data for each city, town, or village, without the need for sampling surveys on the ground. This is also useful in that it allows detailed predicted yields for each field to be derived based on relatively coarse-grained information for each city, town, or village. Furthermore, predicted yields can be derived for each city, town, or village using a common trained model. Furthermore, the information obtained as a result of processing by the
以上説明した各実施形態によれば、地上でのサンプリング調査を必須とせず、所望の対象区画についての収量予測を可能とすることができる。 According to each of the embodiments described above, it is possible to predict yields for desired target plots without requiring sampling surveys on the ground.
以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。 The above describes the form for carrying out the present invention using an embodiment, but the present invention is not limited to such an embodiment, and various modifications and substitutions can be made without departing from the spirit of the present invention.
10 衛星
20 衛星画像提供者サーバ
30 公共情報提供サーバ
50 端末装置
100 情報処理装置
110 取得部
120 作付け分類部
130 導出部
140 情報提供部
150 学習部
180 記憶部
182 学習済モデル
REFERENCE SIGNS
Claims (11)
少なくとも、前記時系列の画像から得られる時系列の植生の状態を表すデータと、前記時系列の気象情報とを学習済モデルに入力することで、対象区画における作物の予想収量を導出する導出部と、
を備え、
前記学習済モデルは、複数の前記対象区画を含む広域区画に関して、前記導出される前記対象区画ごとの予想収量を合計した値と、前記広域区画に関して取得された収量データの示す値との誤差を含む損失関数が小さくなるように予め学習されたものである、
情報処理装置。 an acquisition unit that acquires time-series images of farmland taken from above and time-series weather information;
A derivation unit that derives a predicted yield of crops in a target plot by inputting at least data representing a time-series state of vegetation obtained from the time-series images and the time-series weather information into a trained model;
Equipped with
The trained model is trained in advance so that a loss function including an error between a total value of the predicted yield for each of the derived target sections and a value indicated by yield data obtained for the wide area section is small for the wide area section.
Information processing device.
請求項1記載の情報処理装置。 The derivation unit further derives a predicted yield of a crop in the target plot by inputting soil properties of the target plot into the trained model.
2. The information processing device according to claim 1.
前記導出部は、前記単位面積当たりの予想収量に前記対象区画の面積、または、前記対象区画での対象作物の作付面積を乗算することで、前記対象区画における作物の予想収量を導出する、
請求項1記載の情報処理装置。 The trained model derives an expected yield per unit area,
The deriving unit derives the predicted yield of the crop in the target plot by multiplying the predicted yield per unit area by the area of the target plot or the cultivated area of the target crop in the target plot.
2. The information processing device according to claim 1.
請求項3記載の情報処理装置。 The loss function includes a penalty term that generates a penalty if a correlation between an expected value of yield per unit area calculated based on the data representing the time series of vegetation conditions and the time series of meteorological information for each target plot on a rule basis and a value obtained by combining specific elements of the data representing the time series of vegetation conditions and the time series of meteorological information is inversely correlated with the obtained knowledge.
4. The information processing device according to claim 3.
請求項1記載の情報処理装置。 and a learning unit that learns parameters of the machine learning model to generate the trained model so that a loss function including an error between a value obtained by inputting at least data representing a time-series vegetation state obtained from the time-series images and the time-series weather information into a machine learning model for a wide-area section including a plurality of the target sections and a value indicated by yield data acquired for the wide-area section is reduced.
2. The information processing device according to claim 1.
前記導出部は、前記単位面積当たりの予想収量に前記対象区画の面積、または、前記対象区画での対象作物の作付面積を乗算することで、前記対象区画における作物の予想収量を導出し、
前記損失関数は、前記対象区画ごとの、時系列の前記植生の状態を表すデータおよび時系列の前記気象情報に基づいてルールベースで求められる単位面積当たりの収量の見込み値と、時系列の前記植生の状態を表すデータおよび時系列の前記気象情報の特定要素を結合した値との相関関係が、得られている知見と逆相関であればペナルティが発生するペナルティ項を含む、
請求項5記載の情報処理装置。 The trained model derives an expected yield per unit area,
The deriving unit derives an expected yield of the crop in the target plot by multiplying the expected yield per unit area by the area of the target plot or the cultivated area of the target crop in the target plot;
The loss function includes a penalty term that generates a penalty if a correlation between an expected value of yield per unit area calculated based on the data representing the time series of vegetation conditions and the time series of meteorological information for each target plot on a rule basis and a value obtained by combining specific elements of the data representing the time series of vegetation conditions and the time series of meteorological information is inversely correlated with the obtained knowledge.
6. The information processing device according to claim 5.
上方から農地を撮像した時系列の画像と、時系列の気象情報とを取得し、
少なくとも、前記時系列の画像から得られる時系列の植生の状態を表すデータと、前記時系列の気象情報とを学習済モデルに入力することで、対象区画における作物の予想収量を導出し、
前記学習済モデルは、複数の前記対象区画を含む広域区画に関して、前記導出される前記対象区画ごとの予想収量を合計した値と、前記広域区画に関して取得された収量データの示す値との誤差を含む損失関数が小さくなるように予め学習されたものである、
情報処理方法。 An information processing device,
Obtaining time-series images of farmland taken from above and time-series weather information;
Deriving a predicted yield of crops in a target plot by inputting at least data representing a time-series state of vegetation obtained from the time-series images and the time-series weather information into a trained model;
The trained model is trained in advance so that a loss function including an error between a total value of the predicted yield for each of the derived target sections and a value indicated by yield data obtained for the wide area section is small for the wide area section.
Information processing methods.
上方から農地を撮像した時系列の画像と、時系列の気象情報とを取得させ、
少なくとも、前記時系列の画像から得られる時系列の植生の状態を表すデータと、前記時系列の気象情報とを学習済モデルに入力することで、対象区画における作物の予想収量を導出させるためのプログラムであって、
前記学習済モデルは、複数の前記対象区画を含む広域区画に関して、前記導出される前記対象区画ごとの予想収量を合計した値と、前記広域区画に関して取得された収量データの示す値との誤差を含む損失関数が小さくなるように予め学習されたものである、
プログラム。 On the computer,
Obtaining time-series images of farmland taken from above and time-series weather information;
A program for deriving a predicted yield of a crop in a target plot by inputting at least data representing a time-series state of vegetation obtained from the time-series images and the time-series weather information into a trained model,
The trained model is trained in advance so that a loss function including an error between a total value of the predicted yield for each of the derived target sections and a value indicated by yield data obtained for the wide area section is small for the wide area section.
program.
少なくとも、前記時系列の画像から得られる時系列の植生の状態を表すデータと、前記時系列の気象情報とを入力することで、前記対象区画における作物の予想収量を導出する学習済モデルを生成する学習部と、
を備え、
前記学習部は、前記広域区画に関して、前記導出される前記対象区画ごとの予想収量を合計した値と、前記広域区画に関して取得された収量データの示す値との誤差を含む損失関数が小さくなるように、前記学習済モデルのパラメータを学習する、
情報処理装置。 An acquisition unit that acquires at least a time series of images of farmland taken from above, time series weather information, and yield data regarding a wide area block including a plurality of target blocks;
A learning unit that generates a trained model that derives a predicted yield of crops in the target plot by inputting at least data representing a time-series state of vegetation obtained from the time-series images and the time-series weather information;
Equipped with
The learning unit learns parameters of the learned model so that a loss function including an error between a total value of the predicted yields for the derived target sections and a value indicated by the yield data acquired for the wide area section is reduced.
Information processing device.
少なくとも、上方から農地を撮像した時系列の画像と、時系列の気象情報と、複数の対象区画を含む広域区画に関する収量データとを取得し、
少なくとも、前記時系列の画像から得られる時系列の植生の状態を表すデータと、前記時系列の気象情報とを入力することで、前記対象区画における作物の予想収量を導出する学習済モデルを生成し、
前記学習済モデルを生成する際に、前記広域区画に関して、前記導出される前記対象区画ごとの予想収量を合計した値と、前記広域区画に関して取得された収量データの示す値との誤差を含む損失関数が小さくなるように、前記学習済モデルのパラメータを学習する、
情報処理方法。 An information processing device,
At least a time series of images of farmland taken from above, time series meteorological information, and yield data for a wide area including a plurality of target areas are acquired;
By inputting at least data representing a time-series state of vegetation obtained from the time-series images and the time-series weather information, a trained model is generated that derives a predicted yield of crops in the target plot;
When generating the trained model, the parameters of the trained model are trained so that a loss function including an error between a total value of the predicted yields for the derived target sections and a value indicated by yield data acquired for the wide area section is reduced.
Information processing methods.
少なくとも、上方から農地を撮像した時系列の画像と、時系列の気象情報と、複数の対象区画を含む広域区画に関する収量データとを取得させ、
少なくとも、前記時系列の画像から得られる時系列の植生の状態を表すデータと、前記時系列の気象情報とを入力することで、前記対象区画における作物の予想収量を導出する学習済モデルを生成させるためのプログラムであって、
前記コンピュータに、
前記学習済モデルを生成する際に、前記広域区画に関して、前記導出される前記対象区画ごとの予想収量を合計した値と、前記広域区画に関して取得された収量データの示す値との誤差を含む損失関数が小さくなるように、前記学習済モデルのパラメータを学習させる、
プログラム。 On the computer,
At least a time series of images of farmland taken from above, time series meteorological information, and yield data for a wide area including a plurality of target areas are acquired;
A program for generating a trained model that derives a predicted yield of a crop in the target plot by inputting at least data representing a time-series state of vegetation obtained from the time-series images and the time-series weather information,
The computer includes:
When generating the trained model, the trained model parameters are trained so that a loss function including an error between a total value of the predicted yields for the derived target sections and a value indicated by yield data acquired for the wide area section is reduced.
program.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022172522A JP2024064151A (en) | 2022-10-27 | 2022-10-27 | Information processing device, information processing method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022172522A JP2024064151A (en) | 2022-10-27 | 2022-10-27 | Information processing device, information processing method, and program |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024064151A true JP2024064151A (en) | 2024-05-14 |
Family
ID=91034275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022172522A Pending JP2024064151A (en) | 2022-10-27 | 2022-10-27 | Information processing device, information processing method, and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2024064151A (en) |
-
2022
- 2022-10-27 JP JP2022172522A patent/JP2024064151A/en active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11625627B2 (en) | Predicted forecast offset from remote location sensor | |
Culbert et al. | Modeling broad-scale patterns of avian species richness across the Midwestern United States with measures of satellite image texture | |
US20200250427A1 (en) | Shadow and cloud masking for agriculture applications using convolutional neural networks | |
Son et al. | A phenological object-based approach for rice crop classification using time-series Sentinel-1 Synthetic Aperture Radar (SAR) data in Taiwan | |
Sarker et al. | Role of big data on digital farming | |
Sangeeta | Design and implementation of crop yield prediction model in agriculture | |
EP3816880A1 (en) | A yield estimation method for arable crops and grasslands, coping with extreme weather conditions and with limited reference data requirements | |
US20230091677A1 (en) | Monitoring and intelligence generation for farm field | |
Ohana-Levi et al. | Time series analysis of vegetation-cover response to environmental factors and residential development in a dryland region | |
Du et al. | Estimating leaf area index of maize using UAV-based digital imagery and machine learning methods | |
Ranjani et al. | Crop yield prediction using machine learning algorithm | |
Bellis et al. | Detecting intra-field variation in rice yield with unmanned aerial vehicle imagery and deep learning | |
Srikanth et al. | Small holders farming predictive analysis using peer-to-peer approach | |
Molin et al. | Precision agriculture and the digital contributions for site-specific management of the fields | |
Bahrami et al. | Regional crop characterization using multi-temporal optical and synthetic aperture radar earth observations data | |
Vanli et al. | Area estimation and yield forecasting of wheat in southeastern turkey using a machine learning approach | |
Ed-daoudi et al. | A Predictive Approach to Improving Agricultural Productivity in Morocco through Crop Recommendations | |
CN116579521B (en) | Yield prediction time window determining method, device, equipment and readable storage medium | |
JP2024064151A (en) | Information processing device, information processing method, and program | |
Tsiligiridis et al. | Remote sensing Big AgriData for food availability | |
Goel et al. | Machine learning-based remote monitoring and predictive analytics system for crop and livestock | |
Goel et al. | Machine learning-based remote monitoring and predictive analytics system for monitoring and livestock monitoring | |
Guimarães et al. | Comparative Evaluation of Remote Sensing Platforms for Almond Yield Prediction | |
Šandera et al. | Mapping changes of grassland to arable land using automatic machine learning of stacked ensembles and H2O library | |
Reich et al. | Predicting abundance and productivity of blueberry plants under insect defoliation in Alaska |