JP5991182B2

JP5991182B2 - Plant species determination program, plant species determination method, and plant species identification device

Info

Publication number: JP5991182B2
Application number: JP2012273100A
Authority: JP
Inventors: 竹野内　正寿; 正寿竹野内; 胡　勝治; 勝治胡
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2012-12-14
Filing date: 2012-12-14
Publication date: 2016-09-14
Anticipated expiration: 2032-12-14
Also published as: JP2014119296A

Description

本発明は、植物種判定プログラム、植物種判定方法および植物種識別装置に関する。 The present invention relates to a plant species determination program, a plant species determination method, and a plant species identification device.

環境調査において植生の分布を調べるために植生調査がなされる。植生調査は主に以下の２つの方法でおこなわれている。一つは、識別者が現地に赴いて各地域に植生している樹木を逐一判別していく方法である。もう一つは、衛星や航空機等から撮影された写真や画像を用いて識別者が植生の分布を判別するリモートセンシングという方法である。リモートセンシングによる植生調査は、植生図撮影用センサを用いて空撮することによりおこなわれる。従来は植生図の画像データを白黒画像で取得していたが、最近ではセンサの機能が向上したため、植生図の画像データをカラー画像、いわゆるマルチスペクトルで取得することも可能となっている。 Vegetation surveys are conducted to investigate the distribution of vegetation in environmental surveys. Vegetation surveys are mainly conducted by the following two methods. One is a method in which the discriminator visits the site and discriminates trees that are planted in each region. The other is remote sensing, in which a discriminator discriminates the distribution of vegetation using photographs and images taken from satellites, aircraft, and the like. The vegetation survey by remote sensing is performed by taking an aerial photograph using a vegetation map photographing sensor. Conventionally, image data of a vegetation map is acquired as a black and white image. However, recently, since the function of the sensor has improved, it is also possible to acquire image data of a vegetation map as a color image, so-called multispectrum.

従来のマルチスペクトルセンサと比べてハイパースペクトルセンサを用いれば、得られる情報量が向上し、従来のマルチスペクトルセンサの１０倍以上のバンド計測が可能となる。このため、ここ最近では植生図の撮影にハイパースペクトルセンサを用いることが多い。そして、ハイパースペクトルセンサが普及したことによりリモートセンシングに関する活用分野が増加し、環境、農業分野などの様々な分野においても広く活用されるようになりつつある。さらに、ハイパースペクトルセンサにより得られるハイパースペクトルデータは、画像の１ピクセル毎に波長情報と光強度情報などの反射スペクトルデータを有している。画像に映し出される樹冠の反射スペクトルを観察すると、樹種ごとにピーク波長域が異なる等の特徴があらわれることが分かる。そのため、画像データから得られるスペクトルと、樹木基準スペクトルとの類似度を計測すれば、各座標の樹種を判別することが可能である。 If a hyperspectral sensor is used as compared with a conventional multispectral sensor, the amount of information obtained is improved, and band measurement more than 10 times that of a conventional multispectral sensor becomes possible. For this reason, recently, a hyperspectral sensor is often used for photographing vegetation maps. With the spread of hyperspectral sensors, the field of use related to remote sensing is increasing, and it is becoming widely used in various fields such as the environment and agriculture. Furthermore, the hyperspectral data obtained by the hyperspectral sensor has reflection spectrum data such as wavelength information and light intensity information for each pixel of the image. Observing the reflection spectrum of the crown reflected in the image, it can be seen that there are features such as different peak wavelength ranges for each species. Therefore, if the degree of similarity between the spectrum obtained from the image data and the tree reference spectrum is measured, the tree type of each coordinate can be determined.

また、最近では、コンピュータ上で地理情報に様々な付加情報を持たせるＧＩＳ（Geographic Information System）から植生図を作成することが主流である。あらかじめ用意された各植物種の樹冠形状や色を示す基準情報として植生指数（NDVI: Normalized Difference Vegetation Index）等を用いて、カメラやセンサで撮影された画像データからサンプルとなる樹木基準スペクトルを抽出する。この樹木基準スペクトルと、ＧＩＳから得られる樹木のスペクトルとをパターンマッチングすることによって樹種を識別する。 In recent years, it has been a mainstream to create a vegetation map from a GIS (Geographic Information System) that gives various additional information to geographic information on a computer. Extracting a tree standard spectrum as a sample from image data taken with a camera or sensor using NDVI (Normalized Difference Vegetation Index) as standard information indicating the crown shape and color of each plant species prepared in advance To do. The tree species is identified by pattern matching the tree reference spectrum and the tree spectrum obtained from the GIS.

空撮された画像データを構成する１ピクセルには、樹木のスペクトル、もしくは土壌のスペクトルのみが存在するものだけでなく、樹木のスペクトルと土壌のスペクトルとが混合しているものもある。このため、このピクセルから抽出したスペクトルと各樹木基準スペクトルとをパターンマッチングしても、土壌のスペクトルが影響して所望の結果が得られないことがある。そこで、例えば、あらかじめ樹木と土壌の割合を様々な値に変更して複数の混合スペクトルを作成しておき、各混合スペクトルを用いてパターンマッチングすることにより樹種を判定することがあった。 One pixel constituting the aerial image data includes not only a tree spectrum or a soil spectrum but also a mixture of a tree spectrum and a soil spectrum. For this reason, even if the pattern extracted from the spectrum extracted from this pixel and each tree reference spectrum is subjected to pattern matching, the desired result may not be obtained due to the influence of the soil spectrum. Therefore, for example, the tree species may be determined by changing the ratio of the tree and the soil to various values in advance to create a plurality of mixed spectra and performing pattern matching using each mixed spectrum.

特開２０１０−０８６２７６号公報JP 2010-086276 A 特開２００６−０８５５１７号公報JP 2006-085517 A 特開２００６−２８５３１０号公報JP 2006-285310 A

しかしながら、ハイパースペクトルデータ上に未判別エリアが残るという問題がある。 However, there is a problem that an unidentified area remains on the hyperspectral data.

従来技術では、ある樹木基準スペクトルに対して、一の土壌基準スペクトルを対応させ、樹木と土壌の割合を変更することにより、複数の混合スペクトルを作成する。ところが、樹木のマッチングが得られた判別エリアとともに、いずれの混合スペクトルにもマッチングしない未判別エリアが存在する解析結果となる場合がある。このため、パターンマッチングにおいては、樹木スペクトルのマッチング率をより高め、未判別エリアをなくすことが重要な課題である。 In the prior art, a plurality of mixed spectra are created by making one soil reference spectrum correspond to a certain tree reference spectrum and changing the ratio of the tree and the soil. However, there may be an analysis result in which there are unidentified areas that do not match any mixed spectrum together with the discriminant areas in which matching of trees is obtained. For this reason, in pattern matching, it is important to increase the matching rate of tree spectra and eliminate unidentified areas.

開示の技術は、上記に鑑みてなされたものであって、未判別エリアをなくすことができる植物種判定プログラム、植物種判定方法および植物種識別装置を提供することを目的とする。 The disclosed technology has been made in view of the above, and an object thereof is to provide a plant species determination program, a plant species determination method, and a plant species identification device that can eliminate an unidentified area.

第１の案において、混合スペクトルデータは、樹木基準スペクトルデータおよび複数種類の土壌基準スペクトルデータに基づき生成されたデータである。植物種判定プログラムは、混合スペクトルデータと調査対象の測定領域のスペクトルデータとを基にして樹木基準スペクトルデータに対応する樹種が含まれる測定領域を判定する処理をコンピュータに実行させる。 In the first proposal, the mixed spectrum data is data generated based on tree reference spectrum data and a plurality of types of soil reference spectrum data. The plant species determination program causes the computer to execute a process of determining a measurement region including a tree species corresponding to the tree reference spectrum data based on the mixed spectrum data and the spectrum data of the measurement region to be investigated.

開示の技術によれば、植生図における未判別エリアをなくすことができるという効果を奏する。 According to the technique of an indication, there exists an effect that the unidentified area in a vegetation map can be eliminated.

図１は、実施例１に係る植物種識別装置の機能構成を示すブロック図である。FIG. 1 is a block diagram illustrating a functional configuration of the plant species identification device according to the first embodiment. 図２は、樹木スペクトルデータのデータ構造の一例を示す図である。FIG. 2 is a diagram illustrating an example of a data structure of tree spectrum data. 図３は、含水量毎に測定した土壌スペクトルの一例を示す図である。FIG. 3 is a diagram illustrating an example of a soil spectrum measured for each water content. 図４は、土壌スペクトルデータのデータ構造の一例を示す図である。FIG. 4 is a diagram illustrating an example of a data structure of soil spectrum data. 図５は、混合スペクトルデータのデータ構造の一例を示す図である。FIG. 5 is a diagram illustrating an example of the data structure of the mixed spectrum data. 図６は、樹木基準スペクトルデータおよび土壌基準スペクトルデータのデータ構造の一例を示す図である。FIG. 6 is a diagram illustrating an example of a data structure of tree reference spectrum data and soil reference spectrum data. 図７は、各波長における混合割合１０％の土壌基準スペクトルデータと混合割合９０％の樹木基準スペクトルデータとを例示した表を示した図である。FIG. 7 is a diagram illustrating a table illustrating soil reference spectrum data with a mixing ratio of 10% and tree reference spectrum data with a mixing ratio of 90% at each wavelength. 図８は、スペクトルデータのベクトル化を概念的に説明するための図である。FIG. 8 is a diagram for conceptually explaining vectorization of spectrum data. 図９は、２つのスペクトルデータをベクトル化したときのベクトル概念イメージを説明するための図である。FIG. 9 is a diagram for explaining a vector conceptual image when two spectrum data are vectorized. 図１０は、植物種識別装置の処理手順を示すフローチャートを示した図である。FIG. 10 is a flowchart illustrating a processing procedure of the plant species identification device. 図１１は、従来技術および開示の技術による植生解析結果を比較するために示した図である。FIG. 11 is a diagram for comparing the results of vegetation analysis according to the conventional technique and the disclosed technique. 図１２は、土壌成分が異なることによるスペクトルの相違について説明するための図である。FIG. 12 is a diagram for explaining the difference in spectrum due to different soil components. 図１３は、樹木の含水量を変化させたときの混合スペクトルの影響を説明するための図である。FIG. 13 is a diagram for explaining the influence of the mixed spectrum when the moisture content of the tree is changed. 図１４は、植物種識別プログラムを実行するコンピュータの一例を示す図である。FIG. 14 is a diagram illustrating an example of a computer that executes a plant species identification program.

以下に、本願の開示の技術にかかる植物種判定プログラム、植物種判定方法および植物種識別装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。各実施例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。 Embodiments of a plant species determination program, a plant species determination method, and a plant species identification device according to the technology disclosed herein will be described below in detail with reference to the drawings. Note that the present invention is not limited to the embodiments. Each embodiment can be appropriately combined within a range in which processing contents do not contradict each other.

実施例１に係る植物種識別装置の機能構成の一例について説明する。図１は、実施例１に係る植物種識別装置の構成を示す機能ブロック図である。図１に示すように、この植物種識別装置１００は、記憶部１１０と、制御部１２０とを有する。また、植物種識別装置１００は、入力部１０１と、出力部１０２が接続される。 An example of a functional configuration of the plant species identification device according to the first embodiment will be described. FIG. 1 is a functional block diagram illustrating the configuration of the plant species identification device according to the first embodiment. As shown in FIG. 1, the plant species identification device 100 includes a storage unit 110 and a control unit 120. The plant species identification apparatus 100 is connected to an input unit 101 and an output unit 102.

記憶部１１０は、樹木スペクトルデータ１１１と、土壌スペクトルデータ１１２と、混合スペクトルデータ１１３と、ハイパースペクトルデータ１１４とを記憶する。記憶部１１０は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ（Flash Memory）などの半導体メモリ素子、ハードディスクや光ディスクなどの記憶装置に対応する。 The storage unit 110 stores tree spectrum data 111, soil spectrum data 112, mixed spectrum data 113, and hyperspectral data 114. The storage unit 110 corresponds to, for example, a semiconductor memory device such as a random access memory (RAM), a read only memory (ROM), and a flash memory, and a storage device such as a hard disk or an optical disk.

樹木スペクトルデータ１１１は、各種の樹木基準スペクトルデータをそれぞれ含むデータである。例えば、樹木スペクトルデータ１１１は、カラマツの基準スペクトルデータ、アカマツの基準スペクトルデータ、ヒノキの基準スペクトルデータ、キリの基準スペクトルデータ等の各樹木基準スペクトルデータを含む。 The tree spectrum data 111 is data including various tree reference spectrum data. For example, the tree spectrum data 111 includes each tree reference spectrum data such as larch reference spectrum data, red pine reference spectrum data, hinoki reference spectrum data, and drill reference spectrum data.

カラマツの基準スペクトルデータは、下記の方法により予め抽出しておくものとする。例えば、カラマツのスペクトルデータをあらかじめ取得しておき、かかるスペクトルデータをカラマツの基準スペクトルデータとする。なお、カラマツのスペクトルデータを予め複数取得しておき、かかる複数のスペクトルデータを平均化することで、カラマツの基準スペクトルデータを求めてもよい。 The larch reference spectrum data is extracted in advance by the following method. For example, larch spectrum data is acquired in advance, and the spectrum data is used as larch reference spectrum data. Alternatively, a plurality of larch spectrum data may be acquired in advance, and the plurality of spectrum data may be averaged to obtain the larch reference spectrum data.

アカマツの基準スペクトルデータ、ヒノキの基準スペクトルデータ、キリの基準スペクトルデータ等、他の樹木基準スペクトルデータも、カラマツの基準スペクトルデータと同様にして予め求めておくものとする。 It is assumed that other tree reference spectrum data such as red pine reference spectrum data, hinoki reference spectrum data, and drill reference spectrum data are obtained in advance in the same manner as the larch reference spectrum data.

図２は、樹木スペクトルデータのデータ構造の一例を示す図である。図２に示すように樹木スペクトルデータ１１１は、樹種名と樹木基準スペクトルデータとを対応づけて記憶する。例えば、カラマツの基準スペクトルデータは、予め測定しておいたカラマツのスペクトルデータから抽出された後、記憶部１１０に記憶される。なお、樹木スペクトルデータ１１１は、その他の樹木基準スペクトルデータを含んでもよい。 FIG. 2 is a diagram illustrating an example of a data structure of tree spectrum data. As shown in FIG. 2, the tree spectrum data 111 stores a tree species name and tree reference spectrum data in association with each other. For example, the larch reference spectrum data is extracted from the larch spectrum data measured in advance and then stored in the storage unit 110. The tree spectrum data 111 may include other tree reference spectrum data.

一方、土壌スペクトルデータ１１２は、土壌の含水量毎に測定された土壌基準スペクトルデータをそれぞれ含むデータである。土壌スペクトルデータ１１２は、土壌の含水量により光強度が変化する場合がある。そのため、土壌スペクトルデータ１１２は、それぞれの土壌の含水量毎に土壌基準スペクトルを含んでもよい。例えば、土壌スペクトルデータ１１２は、含水量０％の土壌基準スペクトルデータ、含水量１０％の土壌基準スペクトルデータ、含水量２０％の土壌基準スペクトルデータ等を含む。 On the other hand, the soil spectrum data 112 is data including soil reference spectrum data measured for each water content of the soil. The light intensity of the soil spectrum data 112 may vary depending on the water content of the soil. Therefore, the soil spectrum data 112 may include a soil reference spectrum for each water content of each soil. For example, the soil spectrum data 112 includes soil reference spectrum data having a water content of 0%, soil reference spectrum data having a water content of 10%, soil reference spectrum data having a water content of 20%, and the like.

図３は、含水量毎に測定した土壌スペクトルの一例を示す図である。図３の横軸は波長（ｎｍ）、縦軸は光強度を示す。図３には、土壌スペクトルとして、乾燥した土壌のスペクトル１と、含水量が少ない順に、含水量１０％の土壌のスペクトル２と、含水量２０％の土壌のスペクトル３と、含水量３０％の土壌のスペクトル４とが示されている。図３によると、乾燥した土壌が最もスペクトル全体の光強度が大きく、含水量１０％の土壌、含水量２０％の土壌、含水量３０％の土壌の順にスペクトル全体の光強度が下がっている。このことから、含水量が多い土壌ほどスペクトル全体の光強度が小さいといえる。なお、乾燥した土壌は、含水量０％の土壌に対応する。 FIG. 3 is a diagram illustrating an example of a soil spectrum measured for each water content. In FIG. 3, the horizontal axis represents wavelength (nm) and the vertical axis represents light intensity. In FIG. 3, as a soil spectrum, the spectrum 1 of the dry soil, the spectrum 2 of the soil with a water content of 10%, the spectrum 3 of the soil with a water content of 20%, and the water content of 30% Soil spectrum 4 is shown. According to FIG. 3, the light intensity of the whole spectrum is the highest in dry soil, and the light intensity of the whole spectrum decreases in the order of soil having a water content of 10%, soil having a water content of 20%, and soil having a water content of 30%. From this, it can be said that the light intensity of the whole spectrum is smaller as the soil has a higher water content. Note that the dried soil corresponds to a soil having a water content of 0%.

土壌の含水量１０％の土壌基準スペクトルデータは、下記の方法により予め抽出しておくものとする。例えば、含水量１０％の土壌に対応するスペクトルデータ上の座標を予め取得しておき、かかるスペクトルデータを含水量１０％の土壌基準スペクトルデータとする。なお、この土壌のスペクトルデータを予め複数取得しておき、かかる複数のスペクトルデータを平均化することで、含水量１０％の土壌基準スペクトルデータを求めてもよい。なお、他の含水量の土壌基準スペクトルデータも同様にして予め求めておくものとする。 The soil reference spectrum data with a soil water content of 10% is extracted in advance by the following method. For example, coordinates on spectrum data corresponding to soil having a water content of 10% are acquired in advance, and such spectrum data is used as soil reference spectrum data having a water content of 10%. In addition, you may obtain | require soil reference spectrum data with a moisture content of 10% by acquiring a plurality of spectrum data of this soil beforehand and averaging the plurality of spectrum data. In addition, the soil reference spectrum data of other water content shall be calculated | required similarly similarly.

図４は、土壌スペクトルデータのデータ構造の一例を示す図である。図４に示すように、土壌スペクトルデータ１１２は、土壌の含水量と土壌基準スペクトルデータとを関連づけている。例えば、土壌スペクトルデータ１１２を構成する各土壌基準スペクトルデータは、土壌の含水量０％から含水量を１０％ずつ増加して含水量９０％までの各含水量の土壌基準スペクトルデータを含む。 FIG. 4 is a diagram illustrating an example of a data structure of soil spectrum data. As shown in FIG. 4, the soil spectrum data 112 associates the moisture content of the soil with the soil reference spectrum data. For example, each soil reference spectrum data constituting the soil spectrum data 112 includes soil reference spectrum data of each moisture content from a moisture content of 0% to a moisture content of 90% by increasing the moisture content by 10%.

混合スペクトルデータ１１３は、樹木スペクトルデータ１１１と土壌スペクトルデータ１１２とに基づき生成されるデータである。樹木スペクトルデータ１１１中に含まれている各樹種の樹木基準スペクトルデータと、土壌スペクトルデータ１１２中に含まれている各含水量の土壌基準スペクトルデータとをそれぞれ組み合わせ、各樹種について混合スペクトルデータを得る。なお、混合スペクトルデータの計算方法については後述する。 The mixed spectrum data 113 is data generated based on the tree spectrum data 111 and the soil spectrum data 112. The tree reference spectrum data of each tree species included in the tree spectrum data 111 and the soil reference spectrum data of each water content included in the soil spectrum data 112 are combined to obtain mixed spectrum data for each tree species. . A method for calculating the mixed spectrum data will be described later.

図５は、混合スペクトルデータのデータ構造の一例を示す図である。図５に示すように、この混合スペクトルデータは、樹種名と、土壌の含水量と、樹木／土壌と、混合スペクトルデータとを対応づける。ここで、樹木／土壌は、ある樹木の樹木基準スペクトルデータとある含水量の土壌基準スペクトルデータとの混合割合を示すものである。例えば、樹木／土壌が「１０／９０」の場合は、樹木基準スペクトルデータの混合割合が１０％、土壌基準スペクトルデータの混合割合が９０％となる。 FIG. 5 is a diagram illustrating an example of the data structure of the mixed spectrum data. As shown in FIG. 5, the mixed spectrum data associates tree species names, soil water content, trees / soil, and mixed spectrum data. Here, the tree / soil indicates a mixing ratio between the tree reference spectrum data of a certain tree and the soil reference spectrum data having a certain water content. For example, when the tree / soil is “10/90”, the mixing ratio of the tree reference spectrum data is 10%, and the mixing ratio of the soil reference spectrum data is 90%.

例えば、図５の１段目に示す「１−０−１．混合スペクトルデータ」は、混合割合１０％のカラマツの基準スペクトルデータと、混合割合９０％の含水量０％の土壌基準スペクトルデータとを組み合わせたデータである。 For example, “1-0-1. Mixed spectrum data” shown in the first row of FIG. 5 includes reference spectrum data of larch having a mixing ratio of 10%, soil reference spectrum data having a mixing ratio of 90% and water content of 0%. Is a combination of

ハイパースペクトルデータ１１４は、測定対象地域の画像データを含む。この画像データから測定対象地域の地形を確認することができる。さらに、ハイパースペクトルデータ１１４の画像データを構成する各ピクセルには、それぞれスペクトルデータが含まれる。 The hyperspectral data 114 includes image data of the measurement target area. The topography of the measurement target area can be confirmed from this image data. Further, each pixel constituting the image data of the hyperspectral data 114 includes spectral data.

制御部１２０は、混合部１２１と、受付部１２２と、判定部１２３とを有する。制御部１２０の機能は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などの集積回路により実現することができる。また、制御部１２０の機能は、例えば、ＣＰＵ（Central Processing Unit）が所定のプログラムを実行することで実現することができる。 The control unit 120 includes a mixing unit 121, a reception unit 122, and a determination unit 123. The function of the control unit 120 can be realized by an integrated circuit such as an application specific integrated circuit (ASIC) or a field programmable gate array (FPGA). Further, the function of the control unit 120 can be realized, for example, by a CPU (Central Processing Unit) executing a predetermined program.

混合部１２１は、樹木スペクトルデータ１１１と土壌スペクトルデータ１１２とに基づき混合スペクトルデータ１１３を生成する。混合スペクトルデータ１１３は、樹木基準スペクトルの光強度に混合割合を乗じたものと、土壌基準スペクトルの光強度に混合割合を乗じたものと、を波長毎にそれぞれ足し合わせることにより、算出される。以下、混合スペクトルデータ１１３の生成方法について具体例を挙げて説明する。 The mixing unit 121 generates mixed spectrum data 113 based on the tree spectrum data 111 and the soil spectrum data 112. The mixed spectrum data 113 is calculated by adding the light intensity of the tree reference spectrum multiplied by the mixing ratio and the light intensity of the soil reference spectrum multiplied by the mixing ratio for each wavelength. Hereinafter, a method for generating the mixed spectrum data 113 will be described with a specific example.

図６および図７は、混合部１２１の処理を説明するための図である。ここでは、一例として、混合部１２１が、混合割合１０％の土壌基準スペクトルデータと混合割合９０％の樹木基準スペクトルデータとを組み合わせた混合スペクトルデータを生成する場合について説明する。 6 and 7 are diagrams for explaining the processing of the mixing unit 121. FIG. Here, as an example, a case will be described in which the mixing unit 121 generates mixed spectrum data in which soil reference spectrum data with a mixing ratio of 10% and tree reference spectrum data with a mixing ratio of 90% are combined.

図６は、樹木の基準スペクトルデータおよび土壌の基準スペクトルデータのデータ構造の一例を示す図である。図６において、例えば、波長「４５０ｎｍ」の土壌基準スペクトルの光強度は「８．１」であり、樹木基準スペクトルの光強度は「８．１４２８５７」となる。 FIG. 6 is a diagram illustrating an example of a data structure of tree reference spectrum data and soil reference spectrum data. In FIG. 6, for example, the light intensity of the soil reference spectrum at the wavelength “450 nm” is “8.1”, and the light intensity of the tree reference spectrum is “8.142857”.

図７は、各波長における混合割合１０％の土壌基準スペクトルデータと混合割合９０％の樹木基準スペクトルデータとを例示した表を示した図である。なお、図７の土壌基準スペクトルデータは、図４に示した土壌基準スペクトルデータのいずれかに対応する。また、樹木基準スペクトルデータは、図２に示した樹木基準スペクトルデータのいずれかに対応する。 FIG. 7 is a diagram illustrating a table illustrating soil reference spectrum data with a mixing ratio of 10% and tree reference spectrum data with a mixing ratio of 90% at each wavelength. Note that the soil reference spectrum data in FIG. 7 corresponds to any of the soil reference spectrum data shown in FIG. The tree reference spectrum data corresponds to any of the tree reference spectrum data shown in FIG.

例えば、図６に示すように、波長４５０ｎｍにおいて、土壌基準スペクトルの光強度が「８．１」、樹木基準スペクトルの光強度が「８．１４２８５７」となっている。混合部１２１が光強度「８．１」ならびに樹木基準スペクトルの光強度「８．１４２８５７」それぞれに混合割合１０％ならびに９０％を乗じると、図７に示すように、土壌基準スペクトルの光強度が「０．８１」、樹木基準スペクトルの光強度が「７．３２８５７１」となる。混合部１２１がこれらを足し合わせると、波長４５０ｎｍの混合スペクトルの光強度は「８．１３８５７１」となる。なお、混合部１２１は、他波長の混合スペクトルの光強度についても、同様に算出する。 For example, as shown in FIG. 6, at a wavelength of 450 nm, the light intensity of the soil reference spectrum is “8.1”, and the light intensity of the tree reference spectrum is “8.142857”. When the mixing unit 121 multiplies the light intensity “8.1” and the light intensity “8.142857” of the tree reference spectrum by 10% and 90%, respectively, the light intensity of the soil reference spectrum becomes as shown in FIG. The light intensity of the tree reference spectrum is “0.81” and “7.328571”. When the mixing unit 121 adds these together, the light intensity of the mixed spectrum having a wavelength of 450 nm is “8.138571”. The mixing unit 121 similarly calculates the light intensity of the mixed spectrum of other wavelengths.

入力部１０１は、ハイパースペクトルセンサで撮影したハイパースペクトルデータ１１４の入力を受け付ける。入力部１０１は、ハイパースペクトルデータ１１４を植物種識別装置１００の受付部１２２へ入力する。また、入力部１０１は、利用者による処理を開始する指示の入力を受け付け、指示内容を受付部１２２に入力してもよい。なお、入力部１０１は、キーボードやマウス、媒体読取装置などに対応する。 The input unit 101 receives input of hyperspectral data 114 captured by a hyperspectral sensor. The input unit 101 inputs the hyperspectral data 114 to the reception unit 122 of the plant species identification device 100. Further, the input unit 101 may receive an input of an instruction to start processing by the user and input the instruction content to the receiving unit 122. The input unit 101 corresponds to a keyboard, a mouse, a medium reading device, and the like.

受付部１２２は、入力部１０１からハイパースペクトルデータ１１４の入力を受け付け、記憶部１１０へ送信する処理、ならびに、利用者による指示内容を各処理部へ送信する処理をおこなう。例えば、受付部１２２は、記憶したハイパースペクトルデータ１１４を、記憶部１１０に記憶させる。また、例えば、利用者は、入力部１０１を介して植物種識別装置１００の処理開始を指示することができる。 The accepting unit 122 accepts the input of the hyperspectral data 114 from the input unit 101 and performs processing to transmit to the storage unit 110 and processing to transmit the instruction content by the user to each processing unit. For example, the reception unit 122 stores the stored hyperspectral data 114 in the storage unit 110. For example, the user can instruct the plant species identification device 100 to start processing via the input unit 101.

判定部１２３は、各測定領域に植生する樹種を判定する。そのために、判定部１２３は、混合スペクトルデータ１１３と、ハイパースペクトルデータ１１４が有するある測定領域のスペクトルデータと、をマッチングし、測定領域のスペクトルデータが混合スペクトルデータに一致するかを判定する。スペクトルの一致は、例えば、スペクトルの類似度によって判定してもよい。スペクトルの類似度は、例えば、２つのスペクトルをそれぞれベクトル化し、２つのベクトルのコサイン距離を比較する「Spectral Angle Mapper法」によってなされてもよい。以下、スペクトルのベクトル化と、コサイン距離の算出方法について説明する。 The determination unit 123 determines a tree species to be vegetated in each measurement region. For this purpose, the determination unit 123 matches the mixed spectrum data 113 with the spectrum data of a certain measurement region included in the hyperspectral data 114, and determines whether the spectrum data of the measurement region matches the mixed spectrum data. Spectral coincidence may be determined, for example, by spectral similarity. The similarity between the spectra may be determined, for example, by a “Spectral Angle Mapper method” in which two spectra are vectorized and the cosine distances of the two vectors are compared. Hereinafter, the vectorization of the spectrum and the cosine distance calculation method will be described.

図８は、スペクトルデータのベクトル化を概念的に説明するための図である。図８のＨＳ_１はスペクトル１を示す多次元ベクトルである。また、縦軸Ａ_１、横軸Ａ_２、横軸Ａ_３等は、ベクトル空間の各次元軸を示す。 FIG. 8 is a diagram for conceptually explaining vectorization of spectrum data. HS _{1 in} FIG. 8 is a multidimensional vector indicating spectrum 1. In addition, the vertical axis A ₁ , the horizontal axis A ₂ , the horizontal axis A _{3, and the} like indicate each dimension axis of the vector space.

ベクトル空間の次元数は、スペクトルから光強度を取得した波長の数に相当する。例えば、スペクトルデータが４００ｎｍ、４５０ｎｍ、５００ｎｍの３つの波長で光強度を取得した場合、判定部１２３はスペクトルを３次元ベクトルで表示することができる。 The number of dimensions of the vector space corresponds to the number of wavelengths obtained from the spectrum. For example, when the light intensity is acquired at three wavelengths of 400 nm, 450 nm, and 500 nm as spectrum data, the determination unit 123 can display the spectrum as a three-dimensional vector.

スペクトル１のベクトル化を一例として説明する。光強度を取得した波長数がｎである場合、判定部１２３は、スペクトル１をベクトル化するにはｎ次元のベクトル空間に一つのベクトルを設定することになる。ここで、スペクトル１で光強度を抽出する波長を（Ｗ_１，Ｗ_２，Ｗ_３，…，Ｗ_ｎ）とおき、光強度を（Ｉ_１，Ｉ_２，Ｉ_３，…，Ｉ_ｎ）とおくものとする。このとき、波長および光強度は（波長，光強度）＝[（Ｗ_１，Ｉ_１）、（Ｗ_２，Ｉ_２）、（Ｗ_３，Ｉ_３）…（Ｗ_ｎ，Ｉ_ｎ）]と表すことができる。 The vectorization of spectrum 1 will be described as an example. When the number of wavelengths from which the light intensity is acquired is n, the determination unit 123 sets one vector in the n-dimensional vector space in order to vectorize the spectrum 1. Here, the wavelength from which light intensity is extracted in spectrum 1 is (W ₁ , W ₂ , W ₃ ,..., W _n ), and the light intensity is (I ₁ , I ₂ , I ₃ ,..., I _n ). I shall keep it. At this time, the wavelength and the light intensity are expressed as (wavelength, light intensity) = [(W ₁ , I ₁ ), (W ₂ , I ₂ ), (W ₃ , I ₃ )... (W _n , I _n )]. be able to.

図８を用いて、スペクトル１をベクトル化する処理について説明する。波長Ｗ_１を第１次元軸のＡ_１に対応させ、その他の波長についてもそれぞれ各次元軸に対応させる。そして、各波長に対応する光強度Ｉ_１〜Ｉ_ｎをベクトルＨＳ_１の各次元の成分とすれば、スペクトル１をｎ次元のベクトルＨＳ_１で表すことができる。 The process of vectorizing spectrum 1 will be described with reference to FIG. The wavelength W ₁ so as to correspond to A ₁ of the first-dimensional axis, for other wavelengths correspond to each dimension axis. Then, the light intensity _I 1 ~I _n corresponding to each wavelength if each dimension of components of the vector HS _1, can represent the spectrum 1 in n-dimensional vector HS _1.

図９は、２つのスペクトルデータをベクトル化したときのベクトル概念イメージを説明するための図である。図９を用いて、ベクトル化された２つのスペクトルデータのコサイン距離の算出方法について説明する。ＨＳ_１はある混合スペクトルデータをベクトル化したもので、ＨＳ_２はある測定領域のスペクトルデータをベクトル化したものである。例えば、ベクトルＨＳ_１は、ＨＳ_１＝Ｗ_１λ_１＋Ｗ_２λ_２＋Ｗ_３λ_３＋…Ｗ_ｎλ_ｎと表すことができる。Ｗ_ｎはｎ番目の波長の光強度を示しており、λ_i（ｉ＝１，・・・，ｎ）はｎ次元の単位ベクトルを示す。なお、ベクトルＨＳ_２についても同様に数式を用いて表すことができる。 FIG. 9 is a diagram for explaining a vector conceptual image when two spectrum data are vectorized. A method for calculating the cosine distance between two vectorized spectral data will be described with reference to FIG. HS ₁ is obtained by vectorizing a certain mixed spectrum data, and HS ₂ is obtained by vectorizing spectrum data in a certain measurement region. For example, the vector HS ₁ can be expressed as HS ₁ = W ₁ λ ₁ + W ₂ λ ₂ + W ₃ λ ₃ +... W _n λ _n . W _n indicates the light intensity of the nth wavelength, and λ _i (i = 1,..., N) indicates an n-dimensional unit vector. The vector HS ₂ can be similarly expressed using mathematical expressions.

２つのスペクトルデータの類似度は、コサイン距離に基づいて求めることができる。コサイン距離は、次式（１）によって求めることができる。 The similarity between the two spectral data can be obtained based on the cosine distance. The cosine distance can be obtained by the following equation (1).

すなわち、２つのベクトルの内積を求めることによってコサイン距離を求めることができる。 That is, the cosine distance can be obtained by obtaining the inner product of two vectors.

例えば、ある測定領域のスペクトルデータと、スギのスペクトルを含む混合スペクトルデータとをそれぞれベクトル化し、２つのベクトルのコサイン距離を算出することにより、スペクトルデータの類似度を判定する。２つのスペクトルデータの類似度が所定値以上である場合、その測定領域にスギが植生していると判定する。より具体的な例については後述する。 For example, the spectrum data of a certain measurement region and the mixed spectrum data including the cedar spectrum are respectively vectorized, and the cosine distance between the two vectors is calculated to determine the similarity of the spectrum data. When the similarity between the two spectral data is greater than or equal to a predetermined value, it is determined that cedar is vegetated in the measurement region. A more specific example will be described later.

判定部１２３は、スペクトルデータの類似度が所定値以上の場合、測定領域のスペクトルデータがその混合スペクトルデータに一致していると判定する。判定部１２３は、２つのスペクトルデータが一致していると判定したときは、その測定領域に植生する樹種を特定することができる。 The determination unit 123 determines that the spectrum data in the measurement region matches the mixed spectrum data when the similarity of the spectrum data is greater than or equal to a predetermined value. When the determination unit 123 determines that the two spectrum data match, the determination unit 123 can specify the tree species to be vegetated in the measurement region.

より具体的には、判定部１２３は、以下のように測定領域に植生している樹種を判定する。判定部１２３は、カラマツの基準スペクトルデータ、アカマツの基準スペクトルデータ、ヒノキの基準スペクトルデータ、キリの基準スペクトルデータ等を含む各混合スペクトルデータと、測定領域のスペクトルデータとの類似度をそれぞれ算出する。判定部１２３において、ある樹種の基準スペクトルデータを含む混合スペクトルデータと、測定領域のスペクトルデータとの類似度が９８％以上のときに、測定領域にその樹種が植生していると判定する設定をしたものとする。この場合、例えば、カラマツ、アカマツ、ヒノキ、キリの各基準スペクトルデータとの類似度がそれぞれ（８０．１，９８．４，７１．３，６６．７）であったとき、判定部１２３は、類似度が９８％以上であるアカマツが測定領域に植生していると判定する。 More specifically, the determination unit 123 determines the tree species vegetated in the measurement region as follows. The determination unit 123 calculates the similarity between each of the mixed spectrum data including the larch reference spectrum data, the red pine reference spectrum data, the hinoki reference spectrum data, the drill reference spectrum data, and the spectrum data of the measurement region. . In the determination unit 123, when the similarity between the mixed spectrum data including the reference spectrum data of a certain tree species and the spectrum data of the measurement region is 98% or more, a setting for determining that the tree species is vegetated in the measurement region is set. Shall be. In this case, for example, when the similarities with the respective reference spectrum data of larch, red pine, hinoki, and drill are (80.1, 98.4, 71.3, 66.7), the determination unit 123 It is determined that Japanese red pine having a similarity of 98% or more is vegetated in the measurement region.

次に実施例１に係る植物種識別装置１００の処理手順について説明する。図１０は、植物種識別装置の処理手順を示すフローチャートを示した図である。混合部１２１は、樹木スペクトルデータ１１１および土壌スペクトルデータ１１２に基づき、混合スペクトルデータ１１３を生成する（ステップＳ１０１）。 Next, a processing procedure of the plant species identification device 100 according to the first embodiment will be described. FIG. 10 is a flowchart illustrating a processing procedure of the plant species identification device. The mixing unit 121 generates mixed spectrum data 113 based on the tree spectrum data 111 and the soil spectrum data 112 (step S101).

図１０に示すように処理タイミングになると（ステップＳ１０２肯定）、判定部１２３は、ハイパースペクトルデータ１１４から各測定領域のスペクトルデータを抽出する（ステップＳ１０３）。さらに、判定部１２３は、測定領域のスペクトルデータと混合スペクトルデータとをマッチング（ステップＳ１０４）し、マッチング結果を出力部１０２に出力する（ステップＳ１０５）。 As shown in FIG. 10, when the processing timing comes (Yes at Step S102), the determination unit 123 extracts the spectrum data of each measurement region from the hyperspectral data 114 (Step S103). Further, the determination unit 123 matches the spectrum data of the measurement region and the mixed spectrum data (step S104), and outputs the matching result to the output unit 102 (step S105).

以下、実際の測定領域のスペクトルデータと、混合スペクトルデータとを用いてスペクトルの類似度を比較する。具体例１〜３では、含水量毎に作成した土壌基準スペクトルデータを用いて混合スペクトルデータを生成している。一方、比較例１〜３では、含水量０％の土壌基準スペクトルデータのみを用いて混合スペクトルデータを生成している。なお、比較例１〜３は、従来技術に対応する。 Hereinafter, the spectral similarity is compared using the spectrum data in the actual measurement region and the mixed spectrum data. In Specific Examples 1 to 3, mixed spectrum data is generated using soil reference spectrum data created for each water content. On the other hand, in Comparative Examples 1 to 3, mixed spectrum data is generated using only soil reference spectrum data having a water content of 0%. Note that Comparative Examples 1 to 3 correspond to the prior art.

開示の技術の植物種識別装置を使用してスペクトルの類似度を得た場合、以下の具体例１〜３のようになる。
［具体例１］ハイパースペクトルカメラ（ＨＳＣ−１７０１、エバ・ジャパン（株）製）を用いて、スギと土壌が混在する測定領域のスペクトルデータを取得した。混合スペクトルデータを作成するのに、含水量毎に作成した土壌基準スペクトルデータを用いている。この測定領域のスペクトルデータと混合スペクトルデータとの類似度は、以下のとおりである。なお、カッコ内の表示は、測定領域のスペクトルデータに含まれる樹木のスペクトルデータと土壌のスペクトルデータと混合の割合（％）を示している。なお、下記の類似度を算出する際において、類似度を算出したときに最も類似度が高かった含水量の土壌基準スペクトルデータを使用している。
画素Ａ（樹種７０％／土壌３０％）における類似度０．９８５
画素Ｂ（樹種８０％／土壌２０％）における類似度０．９９２
画素Ｃ（樹種９０％／土壌１０％）における類似度０．９９８
開示の技術の方法により、画素における土壌の割合が変わっても類似度０．９８５以上を保っており、スギを識別対象の樹種として判定することが可能となる。 When spectrum similarity is obtained using the plant species identification device of the disclosed technology, the following specific examples 1 to 3 are obtained.
[Specific Example 1] Using a hyperspectral camera (HSC-1701, manufactured by Eva Japan Co., Ltd.), spectral data of a measurement region where cedar and soil are mixed was obtained. To create mixed spectrum data, soil reference spectrum data created for each water content is used. The similarity between the spectrum data in the measurement region and the mixed spectrum data is as follows. In addition, the display in parenthesis has shown the ratio (%) of the spectrum data of the tree contained in the spectrum data of a measurement area | region, and the spectrum data of soil. In addition, when calculating the following similarity, the soil reference spectrum data of the water content having the highest similarity when the similarity is calculated is used.
Similarity at pixel A (tree species 70% / soil 30%) 0.985
Similarity at pixel B (80% tree species / 20% soil) 0.992
0.998 similarity at pixel C (tree species 90% / soil 10%)
By the method of the disclosed technique, the similarity is maintained at 0.985 or more even if the ratio of the soil in the pixel changes, and it is possible to determine the cedar as a tree species to be identified.

［具体例２］具体例１と同じハイパースペクトルカメラを用いて、ヒノキと土壌が混在する測定領域のスペクトルデータを取得した。使用した土壌の基準スペクトルは具体例１と同一である。この測定領域のスペクトルデータと混合スペクトルデータとの類似度は、以下のとおりである。
画素Ａ（樹種７０％／土壌３０％）における類似度０．９８２
画素Ｂ（樹種８０％／土壌２０％）における類似度０．９９
画素Ｃ（樹種９０％／土壌１０％）における類似度０．９９６
開示の技術の方法により、画素における土壌の割合が変わっても類似度０．９８２以上を保っており、ヒノキを識別対象の樹種として判定することが可能となる。 [Specific Example 2] Using the same hyperspectral camera as in Specific Example 1, spectral data of a measurement region in which cypress and soil are mixed were obtained. The reference spectrum of the used soil is the same as that in Example 1. The similarity between the spectrum data in the measurement region and the mixed spectrum data is as follows.
Similarity at pixel A (tree species 70% / soil 30%) 0.982
Similarity degree 0.99 in pixel B (tree species 80% / soil 20%)
Similarity 0.996 in pixel C (tree species 90% / soil 10%)
By the method of the disclosed technology, the similarity is maintained at 0.982 or more even if the ratio of soil in the pixel changes, and it becomes possible to determine cypress as a tree species to be identified.

［具体例３］具体例１と同じハイパースペクトルカメラを用いて、カラマツと土壌が混在する測定領域のスペクトルデータを取得した。使用した土壌の基準スペクトルは具体例１と同一である。この測定領域のスペクトルデータと混合スペクトルデータとの類似度は、以下のとおりである。
画素Ａ（樹種７０％／土壌３０％）における類似度０．９８
画素Ｂ（樹種８０％／土壌２０％）における類似度０．９８５
画素Ｃ（樹種９０％／土壌１０％）における類似度０．９９２
開示の技術の方法により、画素における土壌の割合が変わっても類似度０．９８以上を保っており、カラマツを識別対象の樹種として判定することが可能となる。 [Specific Example 3] Using the same hyperspectral camera as in Specific Example 1, spectral data of a measurement region in which larch and soil were mixed was acquired. The reference spectrum of the used soil is the same as that in Example 1. The similarity between the spectrum data in the measurement region and the mixed spectrum data is as follows.
Similarity at pixel A (tree species 70% / soil 30%) 0.98
Similarity at pixel B (tree species 80% / soil 20%) 0.985
Similarity at pixel C (tree species 90% / soil 10%) 0.992
By the method of the disclosed technique, the degree of similarity is maintained at 0.98 or more even when the proportion of soil in the pixel changes, and it becomes possible to determine larch as a tree species to be identified.

従来技術の植物種識別装置を使用してスペクトルの類似度を得た場合、以下の比較例１〜３のようになった。
［比較例１］具体例１と同じハイパースペクトルカメラを用いて、スギと土壌が混在する測定領域のスペクトルデータを取得した。なお、混合スペクトルデータを作成するのに、含水量０％の土壌基準スペクトルを用いている。この測定領域のスペクトルデータと混合スペクトルデータとの類似度は、以下のとおりである。
画素Ａ（樹種７０％／土壌３０％）における類似度０．８６５
画素Ｂ（樹種８０％／土壌２０％）における類似度０．８８
画素Ｃ（樹種９０％／土壌１０％）における類似度０．８９
従来の方法では、十分な類似度が得られず、スギを識別対象の樹種として識別できない。 When spectrum similarity was obtained using a plant species identification device of the prior art, the results were as in Comparative Examples 1 to 3 below.
[Comparative Example 1] Using the same hyperspectral camera as in Specific Example 1, spectral data of a measurement region in which cedar and soil are mixed was obtained. Note that a soil reference spectrum having a water content of 0% is used to create mixed spectrum data. The similarity between the spectrum data in the measurement region and the mixed spectrum data is as follows.
Similarity at pixel A (tree species 70% / soil 30%) 0.865
Similarity at pixel B (80% tree species / 20% soil) 0.88
Similarity at pixel C (tree species 90% / soil 10%) 0.89
In the conventional method, sufficient similarity cannot be obtained, and cedar cannot be identified as a tree species to be identified.

［比較例２］具体例１と同じハイパースペクトルカメラを用いて、ヒノキと土壌が混在する測定領域のスペクトルデータを取得した。使用した土壌の基準スペクトルは比較例１と同一である。この測定領域のスペクトルデータと混合スペクトルデータとの類似度は、以下のとおりである。
画素Ａ（樹種７０％／土壌３０％）における類似度０．８２
画素Ｂ（樹種８０％／土壌２０％）における類似度０．８６
画素Ｃ（樹種９０％／土壌１０％）における類似度０．８８
従来の方法では、十分な類似度が得られず、ヒノキを識別対象の樹種として識別できない。 [Comparative Example 2] Using the same hyperspectral camera as in Specific Example 1, spectral data of a measurement region in which cypress and soil are mixed was obtained. The reference spectrum of the used soil is the same as in Comparative Example 1. The similarity between the spectrum data in the measurement region and the mixed spectrum data is as follows.
Similarity at pixel A (tree species 70% / soil 30%) 0.82
Similarity at pixel B (tree species 80% / soil 20%) 0.86
Similarity at pixel C (tree species 90% / soil 10%) 0.88
In the conventional method, sufficient similarity cannot be obtained, and cypress cannot be identified as the tree species to be identified.

［比較例３］具体例１と同じハイパースペクトルカメラを用いて、カラマツと土壌が混在する測定領域のスペクトルデータを取得した。使用した土壌の基準スペクトルは比較例１と同一である。この測定領域のスペクトルデータと混合スペクトルデータとの類似度は、以下のとおりである。
画素Ａ（樹種７０％／土壌３０％）における類似度０．７９
画素Ｂ（樹種８０％／土壌２０％）における類似度０．８２
画素Ｃ（樹種９０％／土壌１０％）における類似度０．８４
従来の方法では、十分な類似度が得られず、カラマツを識別対象の樹種として識別できない。 [Comparative Example 3] Using the same hyperspectral camera as in Specific Example 1, spectral data of a measurement region in which larch and soil were mixed was obtained. The reference spectrum of the used soil is the same as in Comparative Example 1. The similarity between the spectrum data in the measurement region and the mixed spectrum data is as follows.
Similarity at pixel A (tree species 70% / soil 30%) 0.79
Similarity at pixel B (80% tree species / 20% soil) 0.82
Similarity at pixel C (tree species 90% / soil 10%) 0.84
In the conventional method, sufficient similarity cannot be obtained, and larch cannot be identified as the tree species to be identified.

また、判定部１２３は、判定された各測定領域の樹種をハイパースペクトルデータ１１４の画像データに反映することができる。例えば、ある測定領域のスペクトルデータが、カラマツの混合スペクトルデータと一致していると判定したときは、画像データのカラマツが植生するエリアを色分けして表示することができる。 The determination unit 123 can reflect the determined tree species of each measurement region in the image data of the hyperspectral data 114. For example, when it is determined that the spectrum data of a certain measurement region matches the mixed spectrum data of larch, the area where the larch of the image data is vegetated can be displayed in different colors.

図１１は、従来技術および開示の技術による植生解析結果を比較するために示した図である。図１１は、従来技術による植生解析結果を表した植生図１０と、開示の技術による植生解析結果を表した植生図１１とで構成される。植生図１０、植生図１１のいずれにおいても、落葉広葉樹のエリア１０ａ、カラマツのエリア１０ｂ、ヒノキのエリア１０ｃを、測定地域の画像データ上で識別可能に、例えば色分けして表示している。しかし、植生図１０の従来技術の植生解析結果では一部、植生している樹種が判別できない未判別エリア１０ｄが残る。一方、開示の技術による植生図１１の植生解析結果では、従来技術で未判別エリアだったエリア１１ｄに、スギが植生することが明らかとなり、画像データ上から未判別エリアがなくなっている。 FIG. 11 is a diagram for comparing the results of vegetation analysis according to the conventional technique and the disclosed technique. FIG. 11 is composed of a vegetation map 10 showing a vegetation analysis result according to a conventional technique and a vegetation map 11 showing a vegetation analysis result according to the disclosed technique. In both the vegetation map 10 and the vegetation map 11, the deciduous broad-leaved tree area 10a, the larch area 10b, and the cypress area 10c are displayed in a color-coded manner so as to be identifiable on the image data of the measurement area. However, in the vegetation analysis result of the prior art shown in FIG. On the other hand, in the vegetation analysis result of the vegetation map 11 according to the disclosed technique, it is clear that cedar is vegetated in the area 11d that was an unidentified area in the prior art, and there is no unidentified area on the image data.

例えば、スギの基準スペクトルを含む混合スペクトルと、測定領域のスペクトルとの類似度が従来技術においては８８％となり、開示の技術において類似度が９８．６となったとする。また、判定部１２３において、測定領域のスペクトルと混合スペクトルとの類似度が９８％以上のときに、測定領域にその樹木が植生していると判定すると設定したものとする。この場合、従来技術においては、測定領域に植生している樹木が判定できず、植生図の測定領域に係る部分が未判定エリアとなる。一方、開示の技術においては、測定領域に植生している樹木がスギと判定され、植生図のエリア１１ｄがスギを示す色に色分け表示される。 For example, the similarity between the mixed spectrum including the cedar reference spectrum and the spectrum in the measurement region is 88% in the conventional technique, and the similarity is 98.6 in the disclosed technique. It is assumed that the determination unit 123 is set to determine that the tree is vegetated in the measurement region when the similarity between the spectrum of the measurement region and the mixed spectrum is 98% or more. In this case, in the prior art, a tree planted in the measurement region cannot be determined, and a portion related to the measurement region of the vegetation map becomes an undetermined area. On the other hand, in the disclosed technique, a tree planted in the measurement region is determined to be a cedar, and a vegetation map area 11d is displayed in a color indicating a cedar.

次に、本実施例の効果について説明する。植物種識別装置１００は複数の土壌基準スペクトルデータを用いて混合スペクトルデータを作成し、マッチングに使用すれば、測定領域のスペクトルデータとのマッチング率が向上し、樹種が植生する領域を好適に判定する。さらに、植物種識別装置１００は複数種類の成分および含水量の土壌基準スペクトルデータと複数種類の樹木スペクトルデータとから混合スペクトルデータを作成し、マッチングに使用すれば、植生図全面において未判別エリアをなくすことができる。 Next, the effect of the present embodiment will be described. When the plant species identification device 100 creates mixed spectrum data using a plurality of soil reference spectrum data and uses it for matching, the matching rate with the spectrum data of the measurement region is improved, and the region where the tree species is vegetated is suitably determined. To do. Furthermore, the plant species identification apparatus 100 creates mixed spectrum data from a plurality of types of components and water content soil reference spectrum data and a plurality of types of tree spectrum data and uses them for matching. Can be eliminated.

実施例１においては、土壌成分の種類は１種類であったが、他の土壌成分を用いてもよい。例えば、土壌成分には、砂、赤土、黒土、真砂土、鹿沼土、腐葉土等が挙げられる。 In Example 1, there was one kind of soil component, but other soil components may be used. For example, the soil component includes sand, red soil, black soil, true sand soil, Kanuma soil, humus soil and the like.

他の土壌成分を用いる場合、混合スペクトルは各樹種の樹木基準スペクトルと各土壌成分の土壌基準スペクトルとを組み合わせて生成することになる。さらに、各土壌成分の土壌基準スペクトルは、実施例１と同様に、それぞれ含水量毎に生成してもよい。 When other soil components are used, the mixed spectrum is generated by combining the tree reference spectrum of each tree species and the soil reference spectrum of each soil component. Further, the soil reference spectrum of each soil component may be generated for each water content as in the first embodiment.

図１２は、土壌成分が異なることによるスペクトルの相違について説明するための図である。図１２は３つの土壌成分の土壌基準スペクトルを表わしている。スペクトル２１は「砂」、スペクトル２２は「真砂土」、スペクトル２３は「赤土」の土壌基準スペクトルを示す。スペクトル２１と２２は、スペクトル形状が似ているが、ややスペクトル２１の方が、スペクトル強度が小さい傾向にある。一方、スペクトル２３はスペクトル２１および２２と比べてスペクトル強度が全体的に小さい。また、スペクトル２３は４５０〜５８０ｎｍの波長域においてピークがなく、スペクトル２１および２２と比べてスペクトル波形が異なるものとなっている。 FIG. 12 is a diagram for explaining the difference in spectrum due to different soil components. FIG. 12 represents a soil reference spectrum of three soil components. The spectrum 21 is a soil reference spectrum of “sand”, the spectrum 22 is “masa sand”, and the spectrum 23 is “red soil”. The spectra 21 and 22 have similar spectrum shapes, but the spectrum 21 tends to have a smaller spectrum intensity. On the other hand, the spectrum 23 generally has a smaller spectrum intensity than the spectra 21 and 22. The spectrum 23 has no peak in the wavelength range of 450 to 580 nm, and the spectrum waveform is different from those of the spectra 21 and 22.

なお、土壌基準スペクトルデータを作成するのに使用するスペクトルデータは、土壌成分および含水量が既知の土壌の領域を、上空から撮影することにより取得してもよい。ただし、土壌基準スペクトルデータの取得方法はこれに限られない。例えば、観測者が直接赴いてスペクトルを取得してもよい。また、例えば、車両から撮影して取得してもよい。 In addition, you may acquire the spectrum data used for producing soil reference | standard spectrum data by image | photographing the area | region of soil from which the soil component and moisture content are known from the sky. However, the acquisition method of soil standard spectrum data is not restricted to this. For example, the spectrum may be acquired by an observer directly. Further, for example, the image may be acquired from a vehicle.

このように、土壌成分が異なると土壌のスペクトル波形およびスペクトル強度は異なることになる。したがって、土壌成分ごとに土壌基準スペクトルを用意して、それを用いて混合スペクトルを生成し、この混合スペクトルをマッチング処理に使用すれば、さらなるマッチング率の向上が期待できる。 Thus, when the soil components are different, the spectral waveform and the spectral intensity of the soil are different. Accordingly, if a soil reference spectrum is prepared for each soil component, a mixed spectrum is generated using the spectrum, and this mixed spectrum is used for the matching process, a further improvement in the matching rate can be expected.

また、樹木のスペクトルは含水量が多くなるにしたがいスペクトル強度がやや小さくなる傾向がある。ただし、樹木のスペクトルは含水量が変化しても、スペクトル波形はほとんど変化しない。そのため、樹木基準スペクトルを生成する際は、複数の樹木のスペクトルを得て平均値を取ることにより、樹木基準スペクトルを求めてもよい。なお、各樹木基準スペクトルは樹木スペクトルデータ１１１として記憶部１１０に記憶される。 In addition, the spectrum of trees tends to have a slightly reduced spectrum intensity as the water content increases. However, even if the moisture content of the tree spectrum changes, the spectrum waveform hardly changes. For this reason, when generating a tree reference spectrum, the tree reference spectrum may be obtained by obtaining a plurality of tree spectra and taking an average value. Each tree reference spectrum is stored in the storage unit 110 as tree spectrum data 111.

図１３は、樹木の含水量を変化させたときの混合スペクトルの影響を説明するための図である。樹木のスペクトルには、含水量が増加すると、スペクトル強度が低下する傾向がある。図１３の３つのスペクトルは、土壌の含水量は変化させず、カラマツの含水量のみ変化させて生成した混合スペクトルを示す。スペクトル３１はカラマツの含水量を３０％、スペクトル３２はカラマツの含水量が２０％、スペクトル３３はカラマツの含水量１０％のときの混合スペクトルを示す。このように、樹木の含水量が増加するに伴い、混合スペクトルのスペクトル強度が低下する。 FIG. 13 is a diagram for explaining the influence of the mixed spectrum when the moisture content of the tree is changed. In the spectrum of trees, the spectral intensity tends to decrease as the water content increases. The three spectra in FIG. 13 show mixed spectra generated by changing only the water content of larch without changing the water content of soil. A spectrum 31 shows a mixed spectrum when the water content of larch is 30%, a spectrum 32 shows a water content of larch 20%, and a spectrum 33 shows a water content of larch 10%. Thus, as the moisture content of the tree increases, the spectral intensity of the mixed spectrum decreases.

また、各樹木のスペクトルの特徴的なピークは、４００〜１０５０ｎｍの波長範囲で発生することが多い。したがって、混合スペクトルデータと、測定領域のスペクトルデータとのマッチングは、例えば、樹種毎にスペクトル形状に差異が表れやすい４００〜１０５０ｎｍの波長範囲でおこなう。 Moreover, the characteristic peak of the spectrum of each tree often occurs in the wavelength range of 400 to 1050 nm. Therefore, the matching between the mixed spectrum data and the spectrum data of the measurement region is performed, for example, in a wavelength range of 400 to 1050 nm where a difference in spectrum shape is likely to appear for each tree species.

上述の開示の技術によれば、４００〜１０５０ｎｍの波長範囲で、混合スペクトルおよび測定領域のスペクトルの光強度を取得する波長を設定してスペクトルデータを取得し、マッチングに使用すれば、樹種の識別を少数の波長設定で効率よく行うことができる。 According to the technique of the above-mentioned disclosure, in the wavelength range of 400 to 1050 nm, if the spectrum data is acquired by setting the wavelength for acquiring the light intensity of the mixed spectrum and the spectrum of the measurement region, and used for matching, the tree species is identified. Can be efficiently performed with a small number of wavelength settings.

また、実施例１および２に示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。 Further, the processing procedures, control procedures, specific names, and information including various data and parameters shown in the first and second embodiments can be arbitrarily changed unless otherwise specified.

また、図１に示した植物種識別装置１００の各構成要素は機能概念的なものであり、必ずしも物理的に図示のように構成されていることを要しない。すなわち、植物種識別装置１００の分散・統合の具体的態様は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。 Moreover, each component of the plant species identification device 100 shown in FIG. 1 is functionally conceptual, and does not necessarily need to be physically configured as illustrated. That is, the specific mode of dispersion / integration of the plant species identification device 100 is not limited to the illustrated one, and all or a part thereof can be functionally or physically in arbitrary units according to various loads or usage conditions. Can be distributed and integrated.

図１４は、植物種識別プログラムを実行するコンピュータの一例を示す図である。図１４が示すように、コンピュータ２００は、各種演算処理を実行するＣＰＵ２０１と、ユーザからのデータ入力を受け付ける入力装置２０２と、モニタ２０３とを有する。また、コンピュータ２００は、記憶媒体からプログラム等を読み取る媒体読取装置２０４と、他の装置と接続するためのインターフェース装置２０５と、他の装置と無線により接続するための無線通信装置２０６とを有する。また、コンピュータ２００は、各種情報を一時記憶するＲＡＭ（Random Access Memory）２０７と、ハードディスク装置２０８とを有する。また、各装置２０１〜２０８は、バス２０９に接続される。 FIG. 14 is a diagram illustrating an example of a computer that executes a plant species identification program. As illustrated in FIG. 14, the computer 200 includes a CPU 201 that executes various arithmetic processes, an input device 202 that receives data input from a user, and a monitor 203. The computer 200 also includes a medium reading device 204 that reads programs and the like from a storage medium, an interface device 205 for connecting to other devices, and a wireless communication device 206 for connecting to other devices wirelessly. The computer 200 also includes a RAM (Random Access Memory) 207 that temporarily stores various types of information and a hard disk device 208. Each device 201 to 208 is connected to a bus 209.

ハードディスク装置２０８には、図１に示した制御部１２０の混合部１２１、受付部１２２、および判定部１２３の各処理部と同様の機能を有する植物種識別プログラムが記憶される。また、ハードディスク装置２０８には、植物種識別プログラムを実現するための各種データが記憶される。 The hard disk device 208 stores a plant species identification program having the same functions as the processing units of the mixing unit 121, the receiving unit 122, and the determination unit 123 of the control unit 120 illustrated in FIG. The hard disk device 208 stores various data for realizing the plant species identification program.

ＣＰＵ２０１は、ハードディスク装置２０８に記憶された各プログラムを読み出して、ＲＡＭ２０７に展開して実行することで、各種の処理を行う。また、これらのプログラムは、コンピュータ２００を図１に示した混合部１２１、受付部１２２、および判定部１２３として機能させることができる。 The CPU 201 reads out each program stored in the hard disk device 208, develops it in the RAM 207, and executes it to perform various processes. In addition, these programs can cause the computer 200 to function as the mixing unit 121, the receiving unit 122, and the determining unit 123 illustrated in FIG.

なお、上記の植物種識別プログラムは、必ずしもハードディスク装置２０８に記憶されている必要はない。例えば、コンピュータ２００が読み取り可能な記憶媒体に記憶されたプログラムを、コンピュータ２００が読み出して実行するようにしてもよい。コンピュータ２００が読み取り可能な記憶媒体は、例えば、ＣＤ−ＲＯＭやＤＶＤディスク、ＵＳＢ（Universal Serial Bus）メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ、ハードディスクドライブ等が対応する。また、公衆回線、インターネット、ＬＡＮ（Local Area Network）等に接続された装置にこの植物種識別プログラムを記憶させておき、コンピュータ２００がこれらから植物種識別プログラムを読み出して実行するようにしてもよい。 Note that the above plant species identification program is not necessarily stored in the hard disk device 208. For example, the computer 200 may read and execute a program stored in a storage medium readable by the computer 200. The storage medium readable by the computer 200 corresponds to, for example, a portable recording medium such as a CD-ROM, a DVD disk, a USB (Universal Serial Bus) memory, a semiconductor memory such as a flash memory, a hard disk drive, and the like. Alternatively, the plant species identification program may be stored in a device connected to a public line, the Internet, a LAN (Local Area Network), etc., and the computer 200 may read and execute the plant species identification program therefrom. .

以上の各実施例を含む実施形態に関し、さらに以下の付記を開示する。 The following supplementary notes are further disclosed with respect to the embodiments including the above examples.

（付記１）コンピュータに、
樹木基準スペクトルデータおよび複数種類の土壌基準スペクトルデータに基づき生成される混合スペクトルデータと、調査対象の測定領域のスペクトルデータとを基にして前記樹木基準スペクトルデータに対応する樹種が含まれる測定領域を判定する、
処理を実行することを特徴とする植物種判定プログラム。 (Supplementary note 1)
A measurement region including a tree species corresponding to the tree reference spectrum data based on the mixed spectrum data generated based on the tree reference spectrum data and the plurality of types of soil reference spectrum data and the spectrum data of the measurement region to be investigated. judge,
A plant species determination program characterized by executing processing.

（付記２）前記複数種類の土壌基準スペクトルデータは、土壌に含まれる複数種類の成分又は複数種類の含水量の土壌基準スペクトルデータを含み、前記混合スペクトルデータは、複数種類の樹木基準スペクトルデータおよび複数種類の土壌基準スペクトルデータに基づき生成されたデータであり、
前記判定する処理は、前記混合スペクトルデータと前記測定領域のスペクトルデータとを基にして、前記測定領域に含まれる樹種を判定することを特徴とする付記１に記載の植物種判定プログラム。 (Supplementary Note 2) The plurality of types of soil reference spectrum data include soil reference spectrum data of a plurality of types of components or a plurality of types of water content contained in soil, and the mixed spectrum data includes a plurality of types of tree reference spectrum data and Data generated based on multiple types of soil reference spectrum data,
2. The plant species determination program according to appendix 1, wherein the determining process determines a tree species included in the measurement region based on the mixed spectrum data and spectrum data of the measurement region.

（付記３）前記判定する処理は、前記混合スペクトルデータと前記測定領域のスペクトルデータとを、４００〜１０５０ｎｍの波長範囲でマッチングすることを特徴とする付記１又は２に記載の植物種判定プログラム。 (Additional remark 3) The said determination process matches the said mixed spectrum data and the spectral data of the said measurement area | region in the wavelength range of 400-1050 nm, The plant species determination program of Additional remark 1 or 2 characterized by the above-mentioned.

（付記４）樹木基準スペクトルデータおよび複数種類の土壌基準スペクトルデータに基づき生成される混合スペクトルデータと、調査対象の測定領域のスペクトルデータとを基にして前記樹木基準スペクトルデータに対応する樹種が含まれる測定領域を判定する判定部、
を有することを特徴とする植物種識別装置。 (Additional remark 4) The tree species corresponding to the said tree reference | standard spectrum data is included based on the mixed spectrum data produced | generated based on tree reference | standard spectrum data and multiple types of soil reference | standard spectrum data, and the spectrum data of the measurement area | region of investigation object A determination unit for determining a measurement area to be measured,
A plant species identification device comprising:

（付記５）前記複数種類の土壌基準スペクトルデータは、土壌に含まれる複数種類の成分又は複数種類の含水量の土壌基準スペクトルデータを含み、前記混合スペクトルデータは、複数種類の樹木基準スペクトルデータおよび複数種類の土壌基準スペクトルデータに基づき生成されたデータであり、
前記判定部は、前記混合スペクトルデータと前記測定領域のスペクトルデータとを基にして、前記測定領域に含まれる樹種を判定することを特徴とする付記４に記載の植物種識別装置。 (Supplementary Note 5) The plurality of types of soil reference spectrum data include soil reference spectrum data of a plurality of types of components or a plurality of types of moisture contained in soil, and the mixed spectrum data includes a plurality of types of tree reference spectrum data and Data generated based on multiple types of soil reference spectrum data,
The plant species identification device according to appendix 4, wherein the determination unit determines a tree species included in the measurement region based on the mixed spectrum data and spectrum data of the measurement region.

（付記６）前記判定部は、前記混合スペクトルデータと前記測定領域のスペクトルデータとを、４００〜１０５０ｎｍの波長範囲でマッチングすることを特徴とする付記４又は５に記載の植物種識別装置。 (Additional remark 6) The said determination part matches the said mixed spectrum data and the spectral data of the said measurement area | region in the wavelength range of 400-1050 nm, The plant species identification apparatus of Additional remark 4 or 5 characterized by the above-mentioned.

（付記７）コンピュータが、
樹木基準スペクトルデータおよび複数種類の土壌基準スペクトルデータに基づき生成される混合スペクトルデータと、調査対象の測定領域のスペクトルデータとを基にして前記樹木基準スペクトルデータに対応する樹種が含まれる測定領域を判定する、
処理を実行することを特徴とする植物種判定方法。 (Appendix 7) The computer
A measurement region including a tree species corresponding to the tree reference spectrum data based on the mixed spectrum data generated based on the tree reference spectrum data and the plurality of types of soil reference spectrum data and the spectrum data of the measurement region to be investigated. judge,
A plant species determination method characterized by executing processing.

（付記８）前記複数種類の土壌基準スペクトルデータは、土壌に含まれる複数種類の成分又は複数種類の含水量の土壌基準スペクトルデータを含み、前記混合スペクトルデータは、複数種類の樹木基準スペクトルデータおよび複数種類の土壌基準スペクトルデータに基づき生成されたデータであり、
前記判定する処理は、前記混合スペクトルデータと前記測定領域のスペクトルデータとを基にして、前記測定領域に含まれる樹種を判定することを特徴とする付記７に記載の植物種判定方法。 (Supplementary Note 8) The plurality of types of soil reference spectrum data include soil reference spectrum data of a plurality of types of components or a plurality of types of water content contained in soil, and the mixed spectrum data includes a plurality of types of tree reference spectrum data and Data generated based on multiple types of soil reference spectrum data,
8. The plant species determining method according to appendix 7, wherein the determining process determines a tree species included in the measurement region based on the mixed spectrum data and the spectrum data of the measurement region.

（付記９）前記判定する処理は、前記混合スペクトルデータと前記測定領域のスペクトルデータとを、４００〜１０５０ｎｍの波長範囲でマッチングすることを特徴とする付記７又は８記載の植物種判定方法。 (Additional remark 9) The said determination process matches the said mixed spectrum data and the spectral data of the said measurement area | region in the wavelength range of 400-1050 nm, The plant species determination method of Additional remark 7 or 8 characterized by the above-mentioned.

１００植物種識別装置
１０１入力部
１０２出力部
１１０記憶部
１１１樹木スペクトルデータ
１１２土壌スペクトルデータ
１１３混合スペクトルデータ
１１４ハイパースペクトルデータ
１２０制御部
１２１混合部
１２２受付部
１２３判定部 DESCRIPTION OF SYMBOLS 100 Plant species identification device 101 Input part 102 Output part 110 Storage part 111 Tree spectrum data 112 Soil spectrum data 113 Mixed spectrum data 114 Hyper spectrum data 120 Control part 121 Mixing part 122 Accepting part 123 Determination part

Claims

And trees reference spectral data were generated based on the plural types of soil reference spectral data, using a mixed spectrum data corresponding to a plurality mixing ratio of trees and soil, and the spectral data of the measurement area, the mixed Calculate the similarity with the spectrum data,
When the calculated degree of similarity is equal to or greater than a predetermined value, it is determined that the species of vegetation to the measurement area is a species corresponding to the tree reference spectral data,
Plant species determination program characterized Rukoto to execute the process to the computer.

Processing of the calculation, a plurality of types of the tree reference spectral data, a plurality of types of components, and, are generated based on the soil reference spectrum data corresponding to a plurality of types of water content, by using the mixed spectral data , Calculating the similarity between the spectrum data of the measurement region and the mixed spectrum data;
The plant species determination program according to claim 1.

The plant type determination program according to claim 1 or 2 , wherein the calculation processing calculates a similarity between the mixed spectrum data and the spectrum data of the measurement region in a wavelength range of 400 to 1050 nm.

And wood reference spectral data were generated based on the plural types of soil reference spectral data, using a mixed spectrum data corresponding to a plurality mixing ratio of trees and soil, and the spectral data of the measurement area, the mixed spectrum A calculation unit for calculating the similarity to the data;
When the calculated degree of similarity is equal to or greater than a predetermined value, a determination unit that the species corresponding to species of vegetation to the measurement area in the tree reference spectral data,
A plant species identification device comprising:

And trees reference spectral data were generated based on the plural types of soil reference spectral data, using a mixed spectrum data corresponding to a plurality mixing ratio of trees and soil, and the spectral data of the measurement area, the mixed Calculate the similarity with the spectrum data,
When the calculated degree of similarity is equal to or greater than a predetermined value, it is determined that the species of vegetation to the measurement area is a species corresponding to the tree reference spectral data,
A plant species determination method, wherein a computer executes the process.