JP4810604B2 - 水稲作付け状況把握システム、水稲作付け状況把握方法、及び水稲作付け状況把握プログラム - Google Patents

水稲作付け状況把握システム、水稲作付け状況把握方法、及び水稲作付け状況把握プログラム Download PDF

Info

Publication number
JP4810604B2
JP4810604B2 JP2009298470A JP2009298470A JP4810604B2 JP 4810604 B2 JP4810604 B2 JP 4810604B2 JP 2009298470 A JP2009298470 A JP 2009298470A JP 2009298470 A JP2009298470 A JP 2009298470A JP 4810604 B2 JP4810604 B2 JP 4810604B2
Authority
JP
Japan
Prior art keywords
field
paddy rice
rice
planting
paddy
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.)
Active
Application number
JP2009298470A
Other languages
English (en)
Other versions
JP2011138356A (ja
Inventor
秀樹 島村
篤史 木村
陽一 杉本
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Pasco Corp
Original Assignee
Pasco Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Pasco Corp filed Critical Pasco Corp
Priority to JP2009298470A priority Critical patent/JP4810604B2/ja
Priority to PCT/JP2010/063723 priority patent/WO2011080944A1/ja
Publication of JP2011138356A publication Critical patent/JP2011138356A/ja
Application granted granted Critical
Publication of JP4810604B2 publication Critical patent/JP4810604B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • 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
    • A01G22/00—Cultivation of specific crops or plants not otherwise provided for
    • A01G22/20—Cereals
    • A01G22/22—Rice
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9027—Pattern recognition for feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/024—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using polarisation effects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Botany (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Forests & Forestry (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Description

本発明は、リモートセンシング技術を用いて、水稲を作付けされた圃場を把握する水稲作付け状況把握システム、水稲作付け状況把握方法、及び水稲作付け状況把握プログラムに関する。
従来、米生産の推定・予測は、圃場への水稲の作付けを現地調査することにより行われてきた。しかし、全国レベル、都道府県レベル等の広範囲の水稲作況調査を地上からの実測により行うことは多大な労力を要する。
世界的に見れば、一部の地域において、人工衛星や航空機から取得した光学リモートセンシングデータをもとに水稲の作付け状況を把握する手法が開発され利用されている。しかし、光学リモートセンシングは雲が存在すると観測できない。そのため、稲作において大切な時期である田植えが雨季にかかる日本においては、光学リモートセンシングでは安定した観測が難しいという問題があった。
この点、合成開口レーダ（Synthetic Aperture Radar：ＳＡＲ）を用いたリモートセンシングは雲を透過して地表を観測できる。それ故、近年、ＳＡＲ画像を利用して水稲の作付け状況を把握する技術の研究がなされている。例えば、下記非特許文献１は、湛水した時期とそうでない時期との２時期でのＳＡＲの後方散乱強度の違いを利用して水田を検出する技術を示している。しかし、ＳＡＲは従来の光学センサと比べると特有の現象が多く、扱いが複雑であるため、ＳＡＲ画像を用いた水田観測はまだ知見が十分とは言えない。
石塚直樹、「マイクロ波衛星画像と地理情報システムを利用して水稲作付け地を高い精度で推定する」、独立行政法人 農業環境技術研究所 平成１８年度革新的農業技術習得研修テキスト、［online］［平成２１年１１月１８日検索］インターネット〈URL：http://www.niaes.affrc.go.jp/techdoc/inovlec2006/4_ishitsuka.pdf〉
従来技術では、湛水された圃場を決定する閾値を決定するサンプルの取得方法、閾値の決定手法の客観性が課題として残されていた。
本発明は上記問題点を解決するためになされたものであり、閾値法に依らない水稲作付け状況把握システム、水稲作付け状況把握方法、及び水稲作付け状況把握プログラムを提供することを目的とする。
本発明に係る水稲作付け状況把握システムは、Ｘバンドのマイクロ波を用いた合成開口レーダにより撮影され、後方散乱波の強度に応じた画素値を有するレーダ画像に基づいて、観測対象領域内に設けられる圃場のうち水稲を作付けされた水稲圃場を把握する水稲作付け状況把握システムであって、前記水稲圃場への入水から苗の植え付けまでの田植え期と、前記水稲圃場への入水前である圃場準備期及び前記水稲圃場内の水稲が植え付け時の前記苗よりも葉を展開させた状態となる水稲生長期の少なくとも一方とを含む複数時期に撮影された前記観測対象領域の前記レーダ画像を分析対象画像とし、前記観測対象領域に複数のサンプル点を設定して、前記各分析対象画像の前記サンプル点での前記画素値の組で定義される座標を有するサンプルをクラスター分析により複数のクラスに分類するクラスター分析手段と、注目圃場内の前記サンプル点に対応する前記サンプルの前記クラス毎の個数が前記クラス間での大小関係に関する所定の判別式を満たすか否かに基づいて、当該注目圃場が前記水稲圃場であるか否かを判定する圃場判定手段と、を有する。
上記水稲作付け状況把握システムは、さらに、前記観測対象領域にて前記水稲圃場であることが定まっている基準圃場についての前記クラス毎の前記サンプルの個数に基づいて前記判別式を求める判別式決定手段を有するものとすることができる。
本発明の好適な態様は、前記クラスター分析が、初期クラス数を５以上に設定したＩＳＯＤＡＴＡ法である水稲作付け状況把握システムである。
本発明に係る水稲作付け状況把握方法は、Ｘバンドのマイクロ波を用いた合成開口レーダにより撮影され、後方散乱波の強度に応じた画素値を有するレーダ画像に基づき、演算装置を用いて、観測対象領域内に設けられる圃場のうち水稲を作付けされた水稲圃場を把握する水稲作付け状況把握方法であって、前記水稲圃場への入水から苗の植え付けまでの田植え期と、前記水稲圃場への入水前である圃場準備期及び前記水稲圃場内の水稲が植え付け時の前記苗よりも葉を展開させた状態となる水稲生長期の少なくとも一方とを含む複数時期に撮影された前記観測対象領域の前記レーダ画像を分析対象画像とし、前記観測対象領域に複数のサンプル点を設定して、前記各分析対象画像の前記サンプル点での前記画素値の組で定義される座標を有するサンプルをクラスター分析により複数のクラスに分類するクラスター分析ステップと、注目圃場内の前記サンプル点に対応する前記サンプルの前記クラス毎の個数が前記クラス間での大小関係に関する所定の判別式を満たすか否かに基づいて、当該注目圃場が前記水稲圃場であるか否かを判定する圃場判定ステップと、を有する。
本発明に係る水稲作付け状況把握プログラムは、コンピュータを、Ｘバンドのマイクロ波を用いた合成開口レーダにより撮影され、後方散乱波の強度に応じた画素値を有するレーダ画像に基づいて、観測対象領域内に設けられる圃場のうち水稲を作付けされた水稲圃場を把握するシステムとして機能させるための水稲作付け状況把握プログラムであって、当該コンピュータに、前記水稲圃場への入水から苗の植え付けまでの田植え期と、前記水稲圃場への入水前である圃場準備期及び前記水稲圃場内の水稲が植え付け時の前記苗よりも葉を展開させた状態となる水稲生長期の少なくとも一方とを含む複数時期に撮影された前記観測対象領域の前記レーダ画像を分析対象画像とし、前記観測対象領域に複数のサンプル点を設定して、前記各分析対象画像の前記サンプル点での前記画素値の組で定義される座標を有するサンプルをクラスター分析により複数のクラスに分類するクラスター分析機能と、注目圃場内の前記サンプル点に対応する前記サンプルの前記クラス毎の個数が前記クラス間での大小関係に関する所定の判別式を満たすか否かに基づいて、当該注目圃場が前記水稲圃場であるか否かを判定する圃場判定機能と、を実現させる。
本発明によれば、閾値法に依らないより客観的な水稲作付け状況の把握が可能となる。また、雲の影響を受けずに地上の観測を行うことができるので、日本において田植えから生長期の間の雨季でも作付状況を把握することが可能となり、このリアルタイムな作付状況の把握により、適時かつ適切な栽培管理、生産管理の決定が可能となる。また、広範囲の圃場を少ない労力で一括して把握することが可能となる。
本発明の実施形態である水稲作付け状況把握システムの概略の構成を示すブロック図である。 水稲圃場、大豆圃場及び貯水池におけるＨＨモードによる後方散乱係数の測定結果を示すグラフである。 水稲圃場、大豆圃場及び貯水池におけるＶＶモードによる後方散乱係数の測定結果を示すグラフである。 本発明の実施形態である水稲作付け状況把握システムの機能ブロック図である。 クラス数を５に設定してＨＨモードによる測定結果を分析した場合の水稲圃場、大豆圃場、貯水池それぞれの特徴量を表すグラフである。 クラス数を５に設定してＶＶモードによる測定結果を分析した場合の水稲圃場、大豆圃場、貯水池それぞれの特徴量を表すグラフである。
以下、本発明の実施の形態（以下実施形態という）について、図面に基づいて説明する。
図１は、実施形態である水稲作付け状況把握システム２の概略の構成を示すブロック図である。本システムは、ＳＡＲにより撮影された観測対象領域のレーダ画像（ＳＡＲ画像）に基づいて、観測対象領域内に設けられる圃場を、水稲が作付けされた水稲圃場であるか否か分類する。本システムは、演算処理装置４、記憶装置６、入力装置８及び出力装置１０を含んで構成される。演算処理装置４として、本システムの処理を行う専用のハードウェアを作ることも可能であるが、本実施形態では演算処理装置４は、コンピュータ及び、当該コンピュータ上で実行されるプログラムを用いて構築される。
演算処理装置４は、コンピュータのＣＰＵ（Central Processing Unit）からなり、例えば、クラスター分析手段１２、圃場判定手段１４、判別式決定手段１６として機能し、さらに図４を用いて後述する各種機能の主要部分を実現する。
記憶装置６は、演算処理装置４を上記各手段１２〜１６などとして機能させるためのプログラム及びその他のプログラムや、本システムの処理に必要な各種データを記憶する。例えば、記憶装置６は、分析対象とするＳＡＲ画像や、分析により得られるクラスター画像を保持するために利用される。
入力装置８は、キーボード、マウスなどであり、ユーザが本システムへの操作を行うために用いる。
出力装置１０は、ディスプレイ、プリンタなどであり、本システムにより得られる水稲作付け状況の解析結果を画面表示、印刷等によりユーザに示す等に用いられる。また、本システム以外の装置等にデータ出力してもよい。
本システムで用いるＳＡＲ画像は、Ｘバンドのマイクロ波を地上に照射し、その後方散乱波を観測することにより得られるものであり、後方散乱波の強度に応じた画素値を有する。例えば、次式で表される後方散乱係数σ０を画素値とすることができる。
σ０［dB］＝１０log１０（ｋ・|ＤＮ|２・sinθｌｏｃ ）
ここで、σ０はデシベル値で表されており、ｋはキャリブレーション及びプロセッサスケーリングの係数であり、ＤＮは後方散乱の振幅であり、θｌｏｃは入射角である。
本実施形態ではＳＡＲ衛星であるＴｅｒｒａＳＡＲ−ＸによるＸバンド（波長３．１ｃｍ）での撮影データに基づくＳＡＲ画像を用いる。撮影データは送信及び受信を共に水平偏波で行うＨＨモードにより取得したものと、送信及び受信を共に垂直偏波で行うＶＶモードにより取得したものとを用いた。ＴｅｒｒａＳＡＲ−Ｘの撮影モードを高分解能スポットライトとした場合には、１０ｋｍ×５ｋｍの領域を分解能２．２ｍで撮影したデータが取得される。ＴｅｒｒａＳＡＲ−Ｘは同一領域を１１日周期で撮影可能である。
図２は、ある年における水稲圃場、大豆圃場、貯水池における後方散乱係数のＨＨモードによる測定結果を示すグラフである。また、図３は、水稲圃場、大豆圃場、貯水池における後方散乱係数のＶＶモードによる測定結果を示すグラフである。図２、図３において縦軸が後方散乱係数、横軸が撮影日であり、田植え期の前後にわたる経時変化が表されている。水稲圃場については、乾田の移植時期が互いに異なる３つの場合（慣行、早植え、遅植え）が示されており、図２の変化曲線３０（△で表記），３２（□で表記），３４（○で表記）がそれぞれ慣行、早植え、遅植えの場合の後方散乱係数の変化を表し、また、図３の変化曲線３１（△で表記），３３（□で表記），３５（○で表記）がそれぞれ慣行、早植え、遅植えの場合の後方散乱係数の変化を表している。また、図２の変化曲線３６及び図３の変化曲線３７（共に×で表記）は大豆圃場、図２の変化曲線３８及び図３の変化曲線３９（共に＋で表記）は貯水池の後方散乱係数の変化を表している。
図２に示すＨＨモード、図３に示すＶＶモードそれぞれの７回の撮影にて、大豆圃場の後方散乱係数は−１０〜−１５ｄＢの範囲内で推移し、貯水池の後方散乱係数は−２０前後を推移している。測定した早植えの水稲圃場では４月下旬に入水、５月上旬に移植され、慣行の水稲圃場では５月上旬に入水、中旬に移植され、遅植えの水稲圃場では５月下旬に入水、移植が行われた。これら３つの水稲圃場は、それぞれ入水前には大豆圃場と同程度の後方散乱係数を有し、入水から移植の時期に対応して後方散乱係数が低下して貯水池の後方散乱係数のレベルに近づき、その後、時間の経過と共に後方散乱係数は増加して再び大豆圃場と同程度のレベルとなった。この変化の特徴はＨＨモード、ＶＶモードに共通であった。水稲圃場では、入水前の田起こし期には地表面の凹凸が後方散乱に影響を与え、後方散乱係数が大きくなると考えられる。また、入水から移植の時期は水で地表面が覆われている。この湛水の状態により鏡面反射が生じ、後方散乱係数が小さくなると考えられる。移植直後は稲は葉の数が少ない苗の状態であり、またそれらの間に水面が比較的よく現れているが、稲が生長し葉の数が増えるにつれ、稲が後方散乱係数に影響を与え、後方散乱係数が大きくなると考えられる。
図４は、本システムの機能ブロック図である。インターフェース（Ｉ／Ｆ）部５０は、撮影されたＳＡＲ画像を本システムに取り込む機能を有する。ユーザは水稲の栽培ごよみや衛星の撮影周期をもとにＳＡＲ画像の撮影時期を設定し、設定された複数の撮影時期における観測対象領域のＳＡＲ画像が衛星により撮影される。本システムはこのようにして撮影されたＳＡＲ画像を取り込む。
取り込まれた時系列のＳＡＲ画像は、ＳＡＲ画像保持部５２に保存される。例えば、記憶装置６がＳＡＲ画像保持部として用いられる。位置合わせ処理部５４は、複数時期のＳＡＲ画像をそれぞれ地図に重ね合わせることができるように、地形図や緯度経度が明確な基準地点（道路交差点、建物等）などの地図データ５６をもとにＳＡＲ画像に幾何（位置）的な補正処理を行う。
ＳＡＲ画像ノイズ処理部５８は、ＳＡＲ画像のノイズを処理する。例えば、ＳＡＲ画像ノイズ処理部５８は、位置合わせ処理後のＳＡＲ画像に対してフィルタ処理を行い、ＳＡＲ画像からスペックルノイズ等のノイズを除去する。例えば、フィルタ処理として、メディアンフィルタ、ＦｒｏｓｔフィルタやＬｅｅフィルタ等が用いられ、これらはＳＡＲ画像のノイズの性状に応じて選択される。なお、位置合わせ処理部５４とＳＡＲ画像ノイズ処理部５８での処理順序は逆でも構わない。
ノイズの除去処理がされたＳＡＲ画像は、クラスター分析部６０によりクラスター分析される。クラスター分析の対象とされるＳＡＲ画像は、田植え期に撮影されたものと、田植え期前の期間である圃場準備期及び田植え期後の期間である水稲生長期のいずれか一方又は両方に撮影されたものとからなる複数の画像である。時間的、費用的コスト削減の観点からは利用するデータを少なくすることが好適であり、この観点から分析対象画像は田植え期の１画像と、圃場準備期及び水稲生長期のいずれか一方に撮影された１画像との合計２画像、又は田植え期の１画像と、圃場準備期及び水稲生長期にて撮影された２画像との合計３画像とすることができる。しかし、これら２時期の２画像又は３時期の３画像にさらに田植え期、圃場準備期、水稲生長期における画像を追加して、それらを分析対象画像としてもよい。
ここで、田植え期は、水稲圃場への入水から稲の苗の植え付けまでの期間に相当する。圃場準備期は、田起こしの時期など、水稲圃場への入水前の時期である。水稲生長期は、水稲圃場内の水稲が植え付け時の状態である苗の状態よりも葉を展開させた状態、すなわち移植された稲が根を張り葉の数（葉齢）を移植時より増加させた時期を指す。葉は１週間程度で１枚増えるので、水稲生長期は田植えから１週間程度経った後の期間とすることができる。より好適には、稲の生育状況が田植え直後とは大きく変化している時期のＳＡＲ画像を水稲生長期の画像として用いる。この観点から、本実施形態では、田植え期の撮影をした時点よりもＴｅｒｒａＳＡＲ−Ｘの撮影周期で２又は３周期後を水稲生長期の撮影時期として選択している。具体的には、圃場準備期の画像として４月２０日のＳＡＲ画像を用い、田植え期の画像として５月２３日のＳＡＲ画像を用い、水稲成長期の画像として６月２５日のＳＡＲ画像を用いた。
クラスター分析部６０は、観測対象領域内に設定される複数のサンプル点において定義されるサンプルをクラスター分析する。サンプルは、対応するサンプル点での各分析対象画像の画素値の組で定義される。例えば、分析対象画像が２時期（田植え期及び、圃場準備期又は水稲生長期のいずれか一方）にて得られた２画像Ｉ１，Ｉ２である場合には、サンプル点ＰにおけるサンプルＳは、画像Ｉ１，Ｉ２それぞれのサンプル点Ｐでの画素値ｄ１，ｄ２の組（ｄ１，ｄ２）で定義される。また、分析対象画像が３時期（田植え期、圃場準備期、及び水稲生長期）にて得られた３画像Ｉ１，Ｉ２，Ｉ３である場合には、サンプルＳは、画像Ｉ１，Ｉ２，Ｉ３それぞれのサンプル点Ｐでの画素値ｄ１，ｄ２，ｄ３の組（ｄ１，ｄ２，ｄ３）で定義される。なお、観測対象領域にて定義されるサンプル点Ｐと、各画像Ｉ１，Ｉ２，Ｉ３の画素との対応付けは、位置合わせ処理部５４においてなされている。本実施形態では、ＳＡＲ画像の各画素がサンプル点に対応付けられる。
クラスター分析部６０は、クラスター分析の方法としてＩＳＯＤＡＴＡ法を用いる。ＩＳＯＤＡＴＡ法と同じく非階層的手法かつ教師なし分類手法であるｋ−ｍｅａｎｓ法も好適である。また、教師あり分類手法を用いてもよい。サンプル数が膨大となり得る画像におけるクラスター分析には、計算量を少なくできる観点から非階層的手法が好適であるが、演算処理装置４の処理能力が高ければ、階層的手法を用いることも可能である。
ＩＳＯＤＡＴＡ法を用いる場合、初期クラス数は５以上に設定する。初期クラスの中心は従来の手法に基づいて設定される。例えば、分析対象画像が３画像の場合、各分析対象画像Ｉｊ（ｊ＝１，２，３）の画素値の平均μｊ及び標準偏差σｊを求め、初期クラスの中心または重心（α１，α２，α３）の各座標値αｊをμｊ−σｊ〜μｊ＋σｊの範囲に等間隔に配置する。
ＳＡＲ画像の各画素値が表す後方散乱強度には、種々の後方散乱成分が寄与している。例えば、水面による鏡面散乱成分、水稲や土壌の表面粗さによる散乱成分、建物等による2面のコーナー反射成分等である。このような成分の強弱に応じて、サンプルはクラスター分析により複数のクラスに分類される。観測対象領域は水稲圃場だけでなく、大豆やその他の作物の圃場、貯水池等、いろいろな種類の領域を含み、クラスター分析の分類結果にはそれらからの後方散乱の寄与も含まれ、各種の散乱成分の影響が現れる。
ここでは、クラスの中心から当該クラスに属するサンプルまでの距離の平均値が小さい方から順にクラスの識別番号ｋを昇順に付与する。例えば、当該距離の平均値が最も小さいクラスが「クラス１」となる。
各サンプル点でのクラスに応じた画素値を有するクラスター画像はクラスター画像保持部６２に保存され、例えば、水稲作付け状況の解析結果を表示する際に、表示装置等に出力される。
圃場枠決定部６４は、観測対象領域における作付けの単位となる圃場の位置を決定する機能を有し、各圃場の範囲を表す圃場枠を求める。例えば、圃場枠決定部６４は、航空写真や国土地理院発行の数値地図等に基づいて圃場枠を定める。なお、圃場枠は本システムで抽出せずに、ＧＩＳ（Geographic Information System；地理情報システム）等を用いて、予め抽出された圃場枠のデータを外部から入力してもよい。
圃場特徴量算出部６６は、圃場枠をクラスター画像に重ね合わせて、圃場ごとに当該圃場枠内のクラスター画像を抽出する。そして、抽出した圃場のクラスター画像における各クラスのサンプル数の割合を特徴量として求める。具体的には、画素がサンプルに対応する本実施形態では、抽出した圃場のクラスター画像を構成する全画素数Ｎに対するクラスｋの画素数Ｃｋの割合（Ｃｋ／Ｎ）を特徴量χ(ｋ)として算出する。
水稲圃場とそれ以外の圃場とは、同じ撮影時期のＳＡＲ画像における散乱成分の違いに加え、複数の撮影時期間での散乱成分の変化に違いがある。特に、水稲圃場は、上述したように、田植え期には湛水面からの反射の影響が大きいＳＡＲ画像が得られ、圃場準備期や水稲生長期では湛水面の影響がないか小さいＳＡＲ画像が得られる点で、複数の撮影時期間での散乱成分の変化において、他の圃場と相違を有する。このような理由から、水稲圃場とそれ以外の圃場とは、特徴量のクラス間での大小関係に相違が生じ得る。
図５は、クラス数を５に設定してＨＨモードの測定結果を分析した場合の水稲圃場、大豆圃場、貯水池それぞれの特徴量を表すグラフである。また、図６は、クラス数を５に設定してＶＶモードの測定結果を分析した場合の水稲圃場、大豆圃場、貯水池それぞれの特徴量を表すグラフである。図５（ａ）、図６（ａ）は慣行水稲圃場、図５（ｂ）、図６（ｂ）は大豆圃場、図５（ｃ）、図６（ｃ）は貯水池の特徴量を表しており、特徴量χ(ｋ)は縦軸に百分率で表しており、横軸にクラスを並べている。図５（ａ）、図６（ａ）が示すように、水稲圃場ではχ(１)及びχ(３)が比較的大きく、χ(２)は小さくなる。図５（ｂ）、図６（ｂ）が示すように、大豆圃場ではχ(２)が他の特徴量に比べて大きくなる。図５（ｃ）、図６（ｃ）が示すように、貯水池ではχ(１)が他の特徴量に比べて大きくなる。
判別式決定部６８は、これらの特徴量のクラス間での大小関係に関し、注目圃場が水稲圃場であるか否かを判定する判別式を決定する。具体的には、本システムは、水稲圃場であることが予めわかっている基準圃場をユーザから指定され、その指定された圃場のクラスター画像の特徴量を算出し、当該特徴量に基づいて判別式を求める。なお、判別式は本システムで決定せずに、同様の方法で予め決定された判別式を外部から設定してもよい。
例えば、図５、図６に示す特徴量に関して、水稲圃場を示す判別式は、次式となる。
χ(１)＞χ(２)
χ(２)＜χ(３) ・・・（１）
χ(３)＞χ(４)
特徴量についての同様の関係式は、大豆圃場では、
χ(１)＜χ(２)
χ(２)＞χ(３) ・・・（２）
χ(３)＞χ(４)
となり、貯水池では、
χ(１)＞χ(２)
χ(２)＞χ(３) ・・・（３）
χ(３)＞χ(４)
となり、これら（２），（３）式は（１）式とは相違する。
圃場判定部７０は、観測対象領域内の各圃場が判別式を満たすか否かを調べ、当該圃場が水稲圃場であるか否かを判定する。判定された結果は、出力部７２により、水稲圃場の分類図にまとめられ、もしくは各圃場の作付け品目の一覧表などへ出力される。また、水稲圃場の分類図や作付け品目の一覧表などは出力装置１０によりユーザに提示することができる。
例えば、圃場判定部７０は上述の判別式（（１）式）を満たす圃場を水稲圃場であると判定し、満たさない圃場は水稲圃場ではないと判定する。
本システムによれば、圃場準備期と田植え期との２時期の画像に基づく解析により田植え期と同時期に作付状況の把握が可能になる。また、２時期の画像で確実に決まった時期に作付け状況の把握が可能となり、現地調査のコストが削減ができる。また、画像枚数が少ないので、費用コスト、時間コストの削減が可能になる。さらに、一定の作業で、作付け状況を把握するので、客観性を保ち、人的ミスを軽減することができる。
２ 水稲作付け状況把握システム、４ 演算処理装置、６ 記憶装置、８ 入力装置、１０ 出力装置、１２ クラスター分析手段、１４ 圃場判定手段、１６ 判別式決定手段、５０ インターフェース部、５２ ＳＡＲ画像保持部、５４ 位置合わせ処理部、５６ 地図データ、５８ ＳＡＲ画像ノイズ処理部、６０ クラスター分析部、６２ クラスター画像保持部、６４ 圃場枠決定部、６６ 圃場特徴量算出部、６８ 判別式決定部、７０ 圃場判定部、７２ 出力部。

Claims (5)

  1. Ｘバンドのマイクロ波を用いた合成開口レーダにより撮影され、後方散乱波の強度に応じた画素値を有するレーダ画像に基づいて、観測対象領域内に設けられる圃場のうち水稲を作付けされた水稲圃場を把握する水稲作付け状況把握システムであって、
    前記水稲圃場への入水から苗の植え付けまでの田植え期と、前記水稲圃場への入水前である圃場準備期及び前記水稲圃場内の水稲が植え付け時の前記苗よりも葉を展開させた状態となる水稲生長期の少なくとも一方とを含む複数時期に撮影された前記観測対象領域の前記レーダ画像を分析対象画像とし、前記観測対象領域に複数のサンプル点を設定して、前記各分析対象画像の前記サンプル点での前記画素値の組で定義される座標を有するサンプルをクラスター分析により複数のクラスに分類するクラスター分析手段と、
    注目圃場内の前記サンプル点に対応する前記サンプルの前記クラス毎の個数が前記クラス間での大小関係に関する所定の判別式を満たすか否かに基づいて、当該注目圃場が前記水稲圃場であるか否かを判定する圃場判定手段と、
    を有することを特徴とする水稲作付け状況把握システム。
  2. 請求項１に記載の水稲作付け状況把握システムにおいて、
    前記観測対象領域にて前記水稲圃場であることが定まっている基準圃場についての前記クラス毎の前記サンプルの個数に基づいて前記判別式を求める判別式決定手段を有すること、を特徴とする水稲作付け状況把握システム。
  3. 請求項１又は請求項２に記載の水稲作付け状況把握システムにおいて、
    前記クラスター分析は、初期クラス数を５以上に設定したＩＳＯＤＡＴＡ法であること、を特徴とする水稲作付け状況把握システム。
  4. Ｘバンドのマイクロ波を用いた合成開口レーダにより撮影され、後方散乱波の強度に応じた画素値を有するレーダ画像に基づき、演算装置を用いて、観測対象領域内に設けられる圃場のうち水稲を作付けされた水稲圃場を把握する水稲作付け状況把握方法であって、
    前記水稲圃場への入水から苗の植え付けまでの田植え期と、前記水稲圃場への入水前である圃場準備期及び前記水稲圃場内の水稲が植え付け時の前記苗よりも葉を展開させた状態となる水稲生長期の少なくとも一方とを含む複数時期に撮影された前記観測対象領域の前記レーダ画像を分析対象画像とし、前記観測対象領域に複数のサンプル点を設定して、前記各分析対象画像の前記サンプル点での前記画素値の組で定義される座標を有するサンプルをクラスター分析により複数のクラスに分類するクラスター分析ステップと、
    注目圃場内の前記サンプル点に対応する前記サンプルの前記クラス毎の個数が前記クラス間での大小関係に関する所定の判別式を満たすか否かに基づいて、当該注目圃場が前記水稲圃場であるか否かを判定する圃場判定ステップと、
    を有することを特徴とする水稲作付け状況把握方法。
  5. コンピュータを、Ｘバンドのマイクロ波を用いた合成開口レーダにより撮影され、後方散乱波の強度に応じた画素値を有するレーダ画像に基づいて、観測対象領域内に設けられる圃場のうち水稲を作付けされた水稲圃場を把握するシステムとして機能させるための水稲作付け状況把握プログラムであって、
    当該コンピュータに、
    前記水稲圃場への入水から苗の植え付けまでの田植え期と、前記水稲圃場への入水前である圃場準備期及び前記水稲圃場内の水稲が植え付け時の前記苗よりも葉を展開させた状態となる水稲生長期の少なくとも一方とを含む複数時期に撮影された前記観測対象領域の前記レーダ画像を分析対象画像とし、前記観測対象領域に複数のサンプル点を設定して、前記各分析対象画像の前記サンプル点での前記画素値の組で定義される座標を有するサンプルをクラスター分析により複数のクラスに分類するクラスター分析機能と、
    注目圃場内の前記サンプル点に対応する前記サンプルの前記クラス毎の個数が前記クラス間での大小関係に関する所定の判別式を満たすか否かに基づいて、当該注目圃場が前記水稲圃場であるか否かを判定する圃場判定機能と、
    を実現させることを特徴とする水稲作付け状況把握プログラム。
JP2009298470A 2009-12-28 2009-12-28 水稲作付け状況把握システム、水稲作付け状況把握方法、及び水稲作付け状況把握プログラム Active JP4810604B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2009298470A JP4810604B2 (ja) 2009-12-28 2009-12-28 水稲作付け状況把握システム、水稲作付け状況把握方法、及び水稲作付け状況把握プログラム
PCT/JP2010/063723 WO2011080944A1 (ja) 2009-12-28 2010-08-12 水稲作付け状況把握システム、水稲作付け状況把握方法、及び水稲作付け状況把握プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2009298470A JP4810604B2 (ja) 2009-12-28 2009-12-28 水稲作付け状況把握システム、水稲作付け状況把握方法、及び水稲作付け状況把握プログラム

Publications (2)

Publication Number Publication Date
JP2011138356A JP2011138356A (ja) 2011-07-14
JP4810604B2 true JP4810604B2 (ja) 2011-11-09

Family

ID=44226365

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2009298470A Active JP4810604B2 (ja) 2009-12-28 2009-12-28 水稲作付け状況把握システム、水稲作付け状況把握方法、及び水稲作付け状況把握プログラム

Country Status (2)

Country Link
JP (1) JP4810604B2 (ja)
WO (1) WO2011080944A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6070094B2 (ja) * 2012-11-13 2017-02-01 富士通株式会社 耕作地判定装置、方法及びプログラム
US10705204B2 (en) * 2017-12-08 2020-07-07 International Business Machines Corporation Crop classification and growth tracking with synthetic aperture radar
CN109471106B (zh) * 2018-11-22 2021-04-13 上海海事大学 结合聚类分析和边界跟踪法的sar海洋内波条纹识别方法
CN112800845A (zh) * 2020-12-31 2021-05-14 广州极飞科技股份有限公司 叶龄识别方法、装置、电子设备及可读存储介质
WO2023210733A1 (ja) * 2022-04-28 2023-11-02 株式会社クボタ 水田メタン削減支援装置、水田メタン削減支援システム、水田メタン削減支援方法、情報処理装置、農業支援システム、農業支援方法
CN117690024B (zh) * 2023-12-18 2024-06-14 宁波大学 一种针对多种植模式水稻田的一体化遥感识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3564540B2 (ja) * 2001-09-07 2004-09-15 独立行政法人情報通信研究機構 Ｓａｒ画像を利用した土地利用分類処理方法

Also Published As

Publication number Publication date
JP2011138356A (ja) 2011-07-14
WO2011080944A1 (ja) 2011-07-07

Similar Documents

Publication Publication Date Title
Canisius et al. Tracking crop phenological development using multi-temporal polarimetric Radarsat-2 data
Guo et al. Integrating spectral and textural information for identifying the tasseling date of summer maize using UAV based RGB images
WO2011102520A1 (ja) 水稲収量予測モデル生成方法、及び水稲収量予測方法
Mao et al. An improved approach to estimate above-ground volume and biomass of desert shrub communities based on UAV RGB images
Huang et al. Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation
Saberioon et al. Assessment of rice leaf chlorophyll content using visible bands at different growth stages at both the leaf and canopy scale
Zheng et al. Remote sensing of crop residue and tillage practices: Present capabilities and future prospects
Merzouki et al. Mapping soil moisture using RADARSAT-2 data and local autocorrelation statistics
Jiao et al. An anisotropic flat index (AFX) to derive BRDF archetypes from MODIS
Davidson et al. The influence of vegetation index and spatial resolution on a two-date remote sensing-derived relation to C4 species coverage
Liu et al. Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements
Leng et al. A practical algorithm for estimating surface soil moisture using combined optical and thermal infrared data
JP4810604B2 (ja) 水稲作付け状況把握システム、水稲作付け状況把握方法、及び水稲作付け状況把握プログラム
Xu et al. An improved approach to estimate ratoon rice aboveground biomass by integrating UAV-based spectral, textural and structural features
Jeong et al. Development of Variable Threshold Models for detection of irrigated paddy rice fields and irrigation timing in heterogeneous land cover
CN114065643B (zh) 基于sar和极化分解的种植物土壤含水量估算方法及系统
Baig et al. Above ground biomass estimation of Dalbergia sissoo forest plantation from dual-polarized ALOS-2 PALSAR data
Yi et al. Evaluation of MODIS surface reflectance products for wheat leaf area index (LAI) retrieval
Wu et al. Wheat leaf area index prediction using data fusion based on high-resolution unmanned aerial vehicle imagery
Bai et al. A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery
Zhao et al. Forecasting the wheat powdery mildew (Blumeria graminis f. Sp. tritici) using a remote sensing-based decision-tree classification at a provincial scale
Afrasiabian et al. Effects of spatial, temporal, and spectral resolutions on the estimation of wheat and barley leaf area index using multi-and hyper-spectral data (case study: Karaj, Iran)
Ma et al. Estimating vegetation water content of corn and soybean using different polarization ratios based on L-and S-band radar data
Jiang et al. Desertification in the south Junggar Basin, 2000–2009: Part I. Spatial analysis and indicator retrieval
Goswami et al. Estimation of nitrogen status and yield of rice crop using unmanned aerial vehicle equipped with multispectral camera

Legal Events

Date Code Title Description
A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20110329

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20110802

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20110822

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20140826

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Ref document number: 4810604

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250