JP6639300B2 - 農作物の正常株率推定装置、農作物の収穫量予測装置および農作物の正常株率推定方法 - Google Patents
農作物の正常株率推定装置、農作物の収穫量予測装置および農作物の正常株率推定方法 Download PDFInfo
- Publication number
- JP6639300B2 JP6639300B2 JP2016060887A JP2016060887A JP6639300B2 JP 6639300 B2 JP6639300 B2 JP 6639300B2 JP 2016060887 A JP2016060887 A JP 2016060887A JP 2016060887 A JP2016060887 A JP 2016060887A JP 6639300 B2 JP6639300 B2 JP 6639300B2
- Authority
- JP
- Japan
- Prior art keywords
- resolution
- crop
- image
- growth
- cropping
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、農作物の収穫量予測(正常株率推定)技術に関する。
農作物の供給量や価格は、天候などの影響により大きく変動することがある。例えば、需要者は、安定した農作物の調達を行うため、出荷量、価格、出荷日などについて事前に生産者と契約を交わす、契約取引を行っている。
しかしながら、契約生産者全体の生産量が予定した調達量に満たない場合は、需要者は海外から農作物を輸入するなどして、予定した数量に達するように農作物を別途調達しなければならない。従って、需要者は契約生産者の農作物の収穫量を精度よく予測し、別途調達する農産物の数量を適切に決定する必要がある。
ところで、根菜類などのように、収穫部分が地中に生育する農作物の場合は、収穫前に圃場調査を行い、圃場内の欠株率や、一株当りの収穫部分の重量を調査することで、収穫量予測を行っていた。
しかしながら、この方法による収穫量予測は、契約生産者の圃場が多数あり、かつ、広域に分散している場合などにおいて、手間がかかり非効率的である。また、圃場調査は圃場内の一部の区画でのみ行うため、欠株率や株当りの重量に圃場内でバラつきがあると、精度よく予測できないという問題がある。
このような問題を解決するため、人工衛星によるリモートセンシングで観測された衛星画像から農作物の収穫量を予測する方法が考えられている。
例えば、下記非特許文献1では、人工衛星によるリモートセンシングで観測された予測対象地域の衛星画像から、NDVI(Normalized Difference Vegetation Index)などの植生指数を算出し、ある期間で累積したNDVIの値から当該地域における農作物の収穫量を予測している。
また、下記特許文献1(例えば請求項6)に記載の植生生長分析システムでは、低解像度の衛星データ及び少数の高解像度の衛星データを用いて、NDVIなどの植生指数や植生生長曲線を補正する。これにより、植生指数に基づく収穫量予測の精度を向上することができる。
下記非特許文献2では、圃場調査の結果を教師データとして、解像度衛星画像から農作物の病害の程度を推定する分類木を学習し、圃場内の推定された病害発生状況と実際の収穫量との関係を分析している。
特許文献1(たとえば請求項2)に記載の植生生長分析システムでは、倒伏、病虫害などの災害に対して、予め格納された過去の災害データを教師データとして、高次元分析モデルデータの各点群から災害ありデータと正常生長データを分ける閉曲面・線を学習する。これにより、衛星画像から対象植物の生長が正常か否かを判断することができ、その結果は収穫量予測に適用できる。
C. J. Weissteiner, W. Kuhbauch, Regional Yield Forecasts of Malting Barley (Hordeum vulgare L.) by NOAA‐AVHRR Remote Sensing Data and Ancillary Data, Journal of Agronomy and Crop Science, Vol. 191 Issue 4, pp.308-320 (2005).
Jonas Franke, Gunter Menz, Multi-temporal wheat disease detection by multi-spectral remote sensing, Precision Agriculture, Vol. 8, Issue 3, pp. 161-172 (2007).
しかしながら、非特許文献1や特許文献1に記載の技術では、地上部分の植生の情報のみから農作物の収穫量を予測している。そのため、欠株による収穫量の減少を早期に予測することが難しく、特に収穫部分が地中に生育する農作物では予測誤差が大きくなってしまうという問題がある。
また、非特許文献2や特許文献1に記載の方法では、分類モデルの学習用に教師データが必要となる。これらの文献では、欠株の推定の場合は、正常株もしくは欠株がラベリングされた衛星画像データを教師データとして、衛星画像データが正常株のものか欠株のものかを判別する分類モデルを学習する。
ここで、農作物の地上部分の植生は生育の段階に応じて異なる。そのため、同じ正常株であっても、生育の段階によって観測される衛星画像データは異なる。
したがって、生育の段階ごとに別の教師データを用意して分類モデルを学習する必要があるが、そのための教師データを実際の圃場調査や衛星画像の分析から十分な量だけ得るのは難しいという問題がある。
本発明は、欠株による収穫量の減少を早期に予測し、農作物の収穫量を高い精度で予測することができる技術を提供することを目的とする。
本発明の一観点によれば、農作物の正常株率を推定する正常株率推定装置であって、農作物の作付を一意に識別する作付IDと、作付が実施された圃場を一意に識別する圃場IDと、作付が開始された日付である作付開始日と、農作物を収穫し作付を終了する予定の日付である作付終了予定日と、が登録されている作付情報と、圃場ごとに、圃場の位置と形状とを表す情報が登録されている、圃場別GIS情報と、農作物の作付や生育の段階を表す生育ステージと、画像データ解析対象の生育ステージであるかどうかを表す情報と、が登録されている生育ステージ情報と、第一の解像度の画像を一意に識別する画像IDと、前記第一の解像度の画像を撮影した日付である画像撮影日と、前記第一の解像度の画像データ本体と、が登録されている第一の解像度の画像情報と、第二の解像度の画像を一意に識別する画像IDと、前記第二の解像度の画像を撮影した日付である画像撮影日と、前記第二の解像度の画像データ本体と、が登録されている第二の解像度の画像情報と、を格納する記憶装置と関連付けされており、入力装置から予測対象の作付IDを設定する予測対象作付設定部と、設定された前記作付IDに基づいて、前記作付情報と前記第一の解像度の画像情報とを参照して取得した、前記第一の解像度の画像データから、画像撮影日における予測対象作付の圃場の植生指数代表値を算出する画像データ分析部と、前記生育ステージ情報を参照して、前記植生指数代表値の時系列データに前記農作物の生育モデルを適合して推定植生指数代表値を計算する生育モデル適合部と、適合した前記農作物の生育モデルの変化率及び日数の少なくともいずれか一方から、作付開始日からの経過日数ごとに生育ステージを推定する生育ステージ推定部と、画像データ解析対象の生育ステージごとに、解析対象とする第二の解像度の画像データを選択する第二の解像度に対する画像データ選択部と、前記第二の解像度の画像における予測対象作付の圃場のピクセルごとに、前記解析対象とする前記第二の解像度の画像データから計算したピクセル別植生指数を結合して多次元ベクトルを算出する第二の解像度に対する画像データ分析部と、前記多次元ベクトルを当該ベクトルの値のみからクラスタリングにより分類し、得られたクラスタから正常株の部分のピクセルが分類されるクラスタを所定の条件により一つ以上特定し、圃場の全ピクセルに対する前記特定したクラスタに属するピクセルの割合から圃場内の正常株率を推定する正常株率推定部と、を有することを特徴とする正常株率推定装置が提供される。
上記の正常株率推定装置によれば、前記多次元ベクトルを当該ベクトルの値のみからクラスタリングにより分類し、正常株の部分のピクセルが分類されるクラスタを所定の条件により特定するため教師なし学習をすることができる。
また、前記第一の解像度は前記第二の解像度よりも低い解像度であることが好ましい。 前記正常株率推定部は、前記クラスタの中心点に対する条件から、正常株の部分のピクセルが分類されるクラスタを特定するようにすると良い。一例として、「植生停止」の生育ステージにおける植生指数の値が最も大きいckを選択することで、正常株のピクセルのクラスタを特定する方法を用いることができる。
正常な株では、「植生停止」の生育ステージまで植生指数が増加していくのに対して、欠株部分では「植生増加」の生育ステージの途中から植生指数が増加しなくなる。また、株が作付されていない土壌部分は「定植直後」の生育ステージから継続して植生指数が低いままとなる。
前記植生指数代表値および前記ピクセル別植生指数はそれぞれNDVI、EVIまたはGRVIのいずれか、であることを特徴とする。
前記画像データ分析部は、前記第二の解像度の画像データから当該圃場の画像を抽出し、当該圃場の位置や向きが一致するように座標変換を行い、座標変換処理後の当該圃場の画像の各ピクセルPに対して、ピクセルPにおける植生指数VI(S,P)を計算することが好ましい。
本発明は、農作物の収穫量を予測する収穫量予測装置であって、上記に記載の正常株率推定装置と、少なくとも前記正常株率を説明変数に含む収穫量予測モデルで、予測対象作付の収穫量を予測する収穫量予測部と、を有する収穫量予測装置であっても良い。ここで、推定率は、欠株率でも良い。
前記生育ステージ情報に、生育度集計対象の生育ステージであるかどうかを表す情報が登録されており、さらに、生育度集計対象の生育ステージにおける予測対象作付の前記推定植生指数代表値を合計することで予測対象作付の推定生育度を計算する、生育度推定部を備え、前記収穫量予測部は、少なくとも前記推定生育度と前記正常株率を説明変数に含む収穫量予測モデルとに基づいて、予測対象作付の収穫量を予測することを特徴とする。ここで、前記推定植生指数代表値は、例えば、植生指数の中央値や最頻値、平均値などである。
本発明の他の観点によれば、農作物の正常株率を推定する正常株率推定方法であって、農作物の作付を一意に識別する作付IDと、作付が実施された圃場を一意に識別する圃場IDと、作付が開始された日付である作付開始日と、農作物を収穫し作付を終了する予定の日付である作付終了予定日と、が登録されている作付情報と、圃場ごとに、圃場の位置と形状とを表す情報が登録されている、圃場別GIS情報と、農作物の作付や生育の段階を表す生育ステージと、画像データ解析対象の生育ステージであるかどうかを表す情報と、が登録されている生育ステージ情報と、第一の解像度の画像を一意に識別する画像IDと、前記第一の解像度の画像を撮影した日付である画像撮影日と、前記第一の解像度の画像データ本体と、が登録されている第一の解像度の画像情報と、第二の解像度の画像を一意に識別する画像IDと、前記第二の解像度の画像を撮影した日付である画像撮影日と、前記第二の解像度の画像データ本体と、が登録されている第二の解像度の画像情報と、を格納する記憶装置の各情報を参照し、入力装置から予測対象の作付IDを設定する予測対象作付設定ステップと、設定された前記作付IDに基づいて、前記作付情報と前記第一の解像度の画像情報とを参照して取得した、前記第一の解像度の画像データから、画像撮影日における予測対象作付の圃場の植生指数代表値を算出する画像データ分析ステップと、前記生育ステージ情報を参照して、前記植生指数代表値の時系列データに前記農作物の生育モデルを適合して推定植生指数代表値を計算する生育モデル適合ステップと、適合した前記農作物の生育モデルの変化率及び日数の少なくともいずれか一方から、作付開始日からの経過日数ごとに生育ステージを推定する生育ステージ推定ステップと、画像データ解析対象の生育ステージごとに、解析対象とする第二の解像度の画像データを選択する第二の解像度に対する画像データ選択ステップと、前記第二の解像度の画像における予測対象作付の圃場のピクセルごとに、前記解析対象とする前記第二の解像度の画像データから計算したピクセル別植生指数を結合して多次元ベクトルを算出する第二の解像度に対する画像データ分析ステップと、前記多次元ベクトルを当該ベクトルの値のみからクラスタリングにより分類し、得られたクラスタから正常株の部分のピクセルが分類されるクラスタを所定の条件により一つ以上特定し、圃場の全ピクセルに対する前記特定したクラスタに属するピクセルの割合から圃場内の正常株率を推定する正常株率推定ステップと、を有することを特徴とする正常株率推定方法が提供される。
本発明は、上記に記載の正常株率推定方法をコンピュータに実行させるためのプログラムであっても良く、当該プログラムを記録するコンピュータ読み取り可能な記憶媒体であっても良い。
本発明によれば、欠株による収穫量の減少を早期に予測し、農作物の収穫量を高い精度で予測することができる技術を提供することができる。
以下、本発明の一実施の形態による農作物の正常株率推定技術に基づく収穫量予測技術について、農作物として根菜類を例にし、図面を参照しながら詳細に説明を行う。但し、農作物は根菜類に限定されるものではない。
まず、本実施の形態による農作物の収穫量予測装置のシステム構成例について説明する。図1Aは、本実施の形態による収穫量予測装置Aの概略構成例を示す機能ブロック図である。図1Aに示すように、収穫量予測装置Aは、収穫量予測に利用する情報等を格納するデータベース1a、1b、1c、…を有するデータベース群1と、収穫量予測演算を行うための予測演算部Bと、これらを関連付けする例えばインターネットなどのネットワークNTとを有している。予測演算部Bは、各種インタフェース部Cと、制御部7と、演算処理を行うためのプログラムなどを記憶するメモリDとを有している。収穫量予測装置Aと予測演算部Bとは、例えばパーソナルコンピュータPCなどからなり、インターネットなどを介さない一体化した構成であっても良い。
図1Bは、図1Aの構成例の、より詳細な構成例を示す機能ブロック図である。図1Bに示すように、本実施の形態による収穫量予測装置Aは、データベース群1に対応する補助記憶装置1と、各種インタフェース部Cに対応する、例えば、キーボードなどの入力装置3、ディスプレイなどの出力装置5と、中央演算装置(CPU)7を、含み、さらに、各種処理部をソフトウェア構成により実現するためのプログラムを記録する主記憶装置21を有する。各種処理部は、ハードウェア構成により構成されていても良い。
より詳細には、主記憶装置21とCPU7とにより、以下のような各種処理部における処理を実現することができる。
尚、気象情報取得手段11は、インターネット等を介して、外部のシステムから気象予報を取得する。気象予報には、1か月予報や2か月予報などの長期予報を含む。また、気象情報取得手段11は、過去の気象観測結果(実績データ)も取得する。その詳細については後述する。
≪各種情報≫
各種情報は、例えば、以下に説明するようなテーブル形式でメモリに格納されている。図2から図12までは、各種テーブルのデータ構成例を示す図である。
各種情報は、例えば、以下に説明するようなテーブル形式でメモリに格納されている。図2から図12までは、各種テーブルのデータ構成例を示す図である。
<作付情報テーブル11−1>
図2に示すように、作付情報テーブル11−1は、少なくとも収穫量の予測対象となる作付の情報が登録されているテーブルである。
図2に示すように、作付情報テーブル11−1は、少なくとも収穫量の予測対象となる作付の情報が登録されているテーブルである。
例えば、以下のデータを格納する。
農作物の作付を一意に識別する作付ID、作付が実施された圃場を一意に識別する圃場ID、作付が開始された日付である作付開始日、農作物を収穫し作付を終了する予定の日付である作付終了予定日、当該作付において作付した株数である作付株数。
農作物の作付を一意に識別する作付ID、作付が実施された圃場を一意に識別する圃場ID、作付が開始された日付である作付開始日、農作物を収穫し作付を終了する予定の日付である作付終了予定日、当該作付において作付した株数である作付株数。
<圃場別GIS情報テーブル11−2>
図3に示すように、圃場別GIS情報テーブル11−2は、作付を実施している圃場の地図上の位置と形状とを表す情報が登録されているテーブルである。
図3に示すように、圃場別GIS情報テーブル11−2は、作付を実施している圃場の地図上の位置と形状とを表す情報が登録されているテーブルである。
例えば、以下のデータを格納する。
圃場ID、圃場の地図上の位置と形状を表す情報を格納したシェープファイル、当該圃場の面積。ここで、シェープファイルとは、圃場の形状をポリゴンで表現することができるデータ形式であり、座標系に経緯度を使用することで地図上での圃場の位置と形状とを表すことができる。圃場の面積は、単位面積当たりの収穫量を取得したいときに利用することができる。必要に応じて、事前にシェープファイルから面積を求めて登録しておいてもよい。
圃場ID、圃場の地図上の位置と形状を表す情報を格納したシェープファイル、当該圃場の面積。ここで、シェープファイルとは、圃場の形状をポリゴンで表現することができるデータ形式であり、座標系に経緯度を使用することで地図上での圃場の位置と形状とを表すことができる。圃場の面積は、単位面積当たりの収穫量を取得したいときに利用することができる。必要に応じて、事前にシェープファイルから面積を求めて登録しておいてもよい。
<生育ステージテーブル11−3>
図4に示すように、生育ステージテーブル11−3は、農作物の各生育ステージとそれに付随する情報が登録されているテーブルである。
図4に示すように、生育ステージテーブル11−3は、農作物の各生育ステージとそれに付随する情報が登録されているテーブルである。
例えば、以下のデータを格納する。
作付や生育の段階を表す、「定植直後」、「植生増加」、「植生停止」、「植生減少」などの生育ステージ、後述する生育度推定部において生育度を推定する際に、推定植生指数平均値の集計対象となる生育ステージかどうかを表す生育度集計対象であるか否かに関する情報、後述する高解像度画像データ選択部において高解像度画像を選択する際に、対象となる生育ステージかどうかを表す高解像度画像データ解析対象であるか否かに関する情報、後述する高解像度画像データ選択部において高解像度画像を選択する際に、作付開始日からの日数である経過日数をもとに、同一の生育ステージ内の複数の高解像度画像から解析対象の画像を選択するための、経過日数選択式等。
作付や生育の段階を表す、「定植直後」、「植生増加」、「植生停止」、「植生減少」などの生育ステージ、後述する生育度推定部において生育度を推定する際に、推定植生指数平均値の集計対象となる生育ステージかどうかを表す生育度集計対象であるか否かに関する情報、後述する高解像度画像データ選択部において高解像度画像を選択する際に、対象となる生育ステージかどうかを表す高解像度画像データ解析対象であるか否かに関する情報、後述する高解像度画像データ選択部において高解像度画像を選択する際に、作付開始日からの日数である経過日数をもとに、同一の生育ステージ内の複数の高解像度画像から解析対象の画像を選択するための、経過日数選択式等。
尚、高解像度画像データ解析対象のカラムに“No”が登録されているレコードでは、経過日数選択式は登録しなくてよい。
経過日数選択式の例として、以下の式を用いることができる。ここで、Sは生育ステージ、DSTART(S) は生育ステージSの最初の経過日数、DEND(S) は生育ステージSの最後の経過日数、{ Dn(S) }n=1,…,N は高解像度画像が取得可能な生育ステージSの経過日数であり、DSTART(S) ≦ Dn(S) ≦ DEND(S) を満たすものとする。
ここで、式(1)は、高解像度画像が取得可能な生育ステージSの経過日数から、最も時期が早いものを選択する式である。
式(2)は、高解像度画像が取得可能な生育ステージSの経過日数から、生育ステージS におけるちょうど半分の経過日数である (DEND(S) - DSTART(S)) / 2 に最も近いものを選択する式である。式(3)は、高解像度画像が取得可能な生育ステージSの経過日数から、最も時期が遅いものを選択する式である。
<低解像度(第1の解像度)画像情報テーブル11−4>
図5に示すように、低解像度画像情報テーブル11−4は、収穫量予測に使用する低解像度の衛星画像の情報が登録されているテーブルである。
図5に示すように、低解像度画像情報テーブル11−4は、収穫量予測に使用する低解像度の衛星画像の情報が登録されているテーブルである。
例えば、以下のデータを格納する。
低解像度画像を一意に識別する低解像度画像ID、低解像度画像を撮影した日付である画像撮影日、低解像度画像データ本体のファイルである画像ファイル。
低解像度画像を一意に識別する低解像度画像ID、低解像度画像を撮影した日付である画像撮影日、低解像度画像データ本体のファイルである画像ファイル。
尚、衛星画像には、Landsatなど、農作物、特に地表に現れる葉を検出可能な可視光と近赤外線とのバンドを含むマルチスペクトルの観測衛星センサーで取得されたものであり、かつ、圃場が識別できる程度の解像度で取得されたものを使用する。但し、衛星画像の種類は、実際には、解像度が低いものに限定しなくても良い。
<高解像度(第2の解像度)画像情報テーブル11−5>
図6に示すように、高解像度画像情報テーブル11−5は、収穫量予測に使用する高解像度の衛星画像の情報が登録されているテーブルである。
図6に示すように、高解像度画像情報テーブル11−5は、収穫量予測に使用する高解像度の衛星画像の情報が登録されているテーブルである。
例えば、以下のデータを格納する。
高解像度画像を一意に識別する高解像度画像ID、高解像度画像を撮影した日付である画像撮影日、高解像画像データ本体のファイルである画像ファイル。
高解像度画像を一意に識別する高解像度画像ID、高解像度画像を撮影した日付である画像撮影日、高解像画像データ本体のファイルである画像ファイル。
衛星画像は、GeoEyeなど、可視光と近赤外線のバンドを含むマルチスペクトルの観測衛星センサーで取得されたもので、かつ圃場内の正常株と欠株の状況が推定できるよう、一つのピクセル内で観測される株数がなるべく少ないものを使用する。ただし、衛星画像の種類は同様に限定しない。
ここで、低解像度と高解像度との区別は、相対的な解像度の違いによるものであり、絶対的な解像度により利用可能な衛星画像を限定するものではない。さらに、低解像度衛星画像には高解像度衛星画像と同一の観測衛星センサーで取得された画像を用いてもよい。
<作付別植生指数テーブル11−6>
図7に示すように、作付別植生指数テーブル11−6は、作付ごと、作付開始日からの経過日数ごとに、圃場の植生指数平均値の情報を登録するテーブルである。
図7に示すように、作付別植生指数テーブル11−6は、作付ごと、作付開始日からの経過日数ごとに、圃場の植生指数平均値の情報を登録するテーブルである。
例えば、以下のデータを格納する。
作付ID、当該作付の作付開始日からの経過日数、植生指数平均値、後述する低解像度画像データ分析部で計算された、当該経過日数における当該圃場の推定植生指数平均値、後述する生育ステージ推定部により推定された、当該作付の当該経過日数における生育ステージ、後述する高解像度画像データ選択部により登録された、当該経過日数における当該圃場を含む高解像度画像の高解像度画像ID、高解像度画像データ選択部により登録された、当該高解像度画像を後述する高解像度画像データ分析部で使用するかどうかを表す、高解像度画像選択フラグ。
作付ID、当該作付の作付開始日からの経過日数、植生指数平均値、後述する低解像度画像データ分析部で計算された、当該経過日数における当該圃場の推定植生指数平均値、後述する生育ステージ推定部により推定された、当該作付の当該経過日数における生育ステージ、後述する高解像度画像データ選択部により登録された、当該経過日数における当該圃場を含む高解像度画像の高解像度画像ID、高解像度画像データ選択部により登録された、当該高解像度画像を後述する高解像度画像データ分析部で使用するかどうかを表す、高解像度画像選択フラグ。
当該経過日数における当該圃場を含む低解像度画像が取得できない場合は、当該レコードの植生指数平均値は登録されない。また、当該経過日数における当該圃場を含む高解像度画像が取得できない場合は、当該レコードの高解像度画像IDは登録されない。さらにその場合、高解像度画像選択フラグも登録しない。
<推定生育度テーブル11−7>
図8に示すように、推定生育度テーブル11−7は、収穫部分の推定生育度の情報が登録されるテーブルである。
図8に示すように、推定生育度テーブル11−7は、収穫部分の推定生育度の情報が登録されるテーブルである。
例えば、以下のデータを格納する。
作付ID、後述する生育度推定部により推定された、当該作付の推定生育度。
作付ID、後述する生育度推定部により推定された、当該作付の推定生育度。
<ピクセル別分析結果テーブル11−8>
図9に示すピクセル別分析結果テーブル11−8は、作付ごと、ピクセルごと、高解像度画像データ解析対象の生育ステージごとに、ピクセル別植生指数の情報が登録されるテーブルである。
図9に示すピクセル別分析結果テーブル11−8は、作付ごと、ピクセルごと、高解像度画像データ解析対象の生育ステージごとに、ピクセル別植生指数の情報が登録されるテーブルである。
例えば、以下のデータを格納する。
作付ID、当該圃場の高解像度画像におけるピクセルを一意に識別するピクセルID、高解像度画像データ解析対象の生育ステージごとに、高解像度画像データ分析部により分析されたピクセル別植生指数。尚、高解像度画像データ解析対象の生育ステージが複数ある場合は、その数だけ植生指数を登録する列が用意される。
作付ID、当該圃場の高解像度画像におけるピクセルを一意に識別するピクセルID、高解像度画像データ解析対象の生育ステージごとに、高解像度画像データ分析部により分析されたピクセル別植生指数。尚、高解像度画像データ解析対象の生育ステージが複数ある場合は、その数だけ植生指数を登録する列が用意される。
<推定正常株率テーブル11−9>
図10に示すように、推定正常株率テーブル11−9は、作付ごとに、圃場内の正常株率の推定値の情報が登録されるテーブルである。
図10に示すように、推定正常株率テーブル11−9は、作付ごとに、圃場内の正常株率の推定値の情報が登録されるテーブルである。
例えば、以下のデータを格納する。
作付ID、正常株率推定部により推定された推定正常株率。
作付ID、正常株率推定部により推定された推定正常株率。
<予測収穫量テーブル11−10>
図11に示すように、予測収穫量テーブル11−10は、予測対象となる作付ごとに、予測収穫量の情報が登録されるテーブルである。
図11に示すように、予測収穫量テーブル11−10は、予測対象となる作付ごとに、予測収穫量の情報が登録されるテーブルである。
例えば、以下のデータを格納する。
作付ID、圃場ID、作付開始日、当該作付の収穫が予定されている日付である収穫予定日、後述する収穫量予測部により予測された予測収穫量。
作付ID、圃場ID、作付開始日、当該作付の収穫が予定されている日付である収穫予定日、後述する収穫量予測部により予測された予測収穫量。
<実績収穫量テーブル11−11>
図12に示すように、実績収穫量テーブル11−11は、過去の作付における実績収穫量の情報が登録されているテーブルである。
図12に示すように、実績収穫量テーブル11−11は、過去の作付における実績収穫量の情報が登録されているテーブルである。
例えば、以下のデータを格納する。
作付ID、圃場ID、作付開始日、当該作付の収穫が実施された日付である収穫実施日、当該作付の収穫量の実績値である実績収穫量。
作付ID、圃場ID、作付開始日、当該作付の収穫が実施された日付である収穫実施日、当該作付の収穫量の実績値である実績収穫量。
次に、全体処理部と各処理部の処理等について説明する。
≪処理の説明≫
<全体処理>
図13は、本実施の形態による農作物の収穫量予測処理の流れを示すフローチャート図である。図1B等も参照しながら説明を行う。
≪処理の説明≫
<全体処理>
図13は、本実施の形態による農作物の収穫量予測処理の流れを示すフローチャート図である。図1B等も参照しながら説明を行う。
(ステップS1) 予測対象作付設定部21−1は、入力装置3を介して操作された予測対象作付の作付IDを設定する。
(ステップS2) 低解像度画像データ分析部21−2は、低解像度画像情報テーブル11−4に登録された低解像度画像データから、当該画像データの画像撮影日における予測対象作付の圃場の植生指数平均値を算出し、作付別植生指数テーブル11−6に登録する。尚、平均値を用いるのは一例であり、その他の統計処理に基づく代表値を用いても良い。以下の処理においても同様である。
(ステップS3) 生育モデル適合部21−3は、植生指数平均値の時系列データに、植生指数の日々の変化を表す曲線である生育モデルを適合し、適合した値である推定植生指数平均値を計算して、作付別植生指数テーブル11−6に登録する。
(ステップS4) 生育ステージ推定部21−4は、適合した生育モデルの変化率及び/または日数から、作付開始日からの経過日数ごとに、予測対象作付の生育ステージを推定し、作付別植生指数テーブル11−6に登録する。
(ステップS5) 生育度推定部21−5は、生育ステージテーブル11−3から、生育度集計対象の生育ステージを取得し、作付別植生指数テーブル11−6から予測対象作付の推定植生指数平均値と生育ステージとを取得し、生育度集計対象の生育ステージに該当する予測対象作付の推定植生指数平均値を合計することで、予測対象作付の推定生育度を計算し、推定生育度テーブル11−7に登録する。
(ステップS6) 高解像度画像データ選択部21−6は、高解像度画像情報テーブル11−5に登録された高解像度画像から、予測対象作付の圃場を含む高解像度画像を抽出し、生育ステージテーブル11−3に予め登録された経過日数選択式に基づき、予測対象作付ごと、高解像度画像データ解析対象の生育ステージごとに、解析対象とする高解像度画像データを選択し、作付別植生指数テーブル11−6に登録する。
(ステップS7) 高解像度画像データ分析部21−7は、解析対象とする高解像度画像データから当該圃場の画像を抽出し、当該圃場の位置が一致するように座標変換を実行し、当該圃場のピクセルごとに、解析対象とする高解像度画像データから計算したピクセル別植生指数を結合して多次元ベクトルを算出し、ピクセル別分析結果テーブル11−8に登録する。
(ステップS8) 正常株率推定部21−8は、多次元ベクトルをクラスタリングによる教師なし学習で分類することで正常株の部分のピクセルを抽出し、圃場の全ピクセルに対する抽出したピクセルの割合から圃場内の正常株率を推定し、推定正常株率テーブル11−9に登録する。
ここで、正常株率に加えて或いは正常株率に代えて、欠株率を求めることもできる。
ここで、正常株率に加えて或いは正常株率に代えて、欠株率を求めることもできる。
(ステップS9) 収穫量予測部21−9は、少なくとも推定生育度と正常株率を説明変数に含む収穫量予測モデルで予測対象作付の収穫量を予測し、予測収穫量を予測収穫量テーブル11−10に登録する。
(ステップS10) 予測収穫量出力部21−10は、予測収穫量テーブル11−10に登録された予測収穫量を取得し、出力装置5に表示させる。
次に、各処理部における処理例について詳細に説明する。
<低解像度画像データ分析部21−2における処理(図14)>
ステップS2は、詳細には、以下の処理を含む。
<低解像度画像データ分析部21−2における処理(図14)>
ステップS2は、詳細には、以下の処理を含む。
(ステップS2−1) 低解像度画像データ分析部21−2は、作付情報テーブル11−1から、予測対象作付の作付IDをキーとして、予測対象作付の圃場IDと作付開始日DSTARTを取得する。
(ステップS2−2)圃場別GIS情報テーブル11−2から、予測対象作付の圃場IDをキーとして、当該圃場のGIS情報を格納したシェープファイルを取得する。ここで、前述の通り、シェープファイルとは、圃場の形状をポリゴンで表現することができるデータ形式であり、座標系に経緯度を使用することで地図上での圃場の位置を表すことができる。シェープファイルを用いることで、衛星画像に当該圃場の画像が含まれているか否かを判定したり、衛星画像から当該圃場の画像を抽出したりすることができる。
(ステップS2−3) 低解像度画像情報テーブル11−4に登録されている全ての低解像度画像について低解像度画像データ分析処理が完了しているか否かを判定する。完了していない場合、ステップS2−4に進む。完了している場合、低解像度画像データ分析部21−2の処理を終了する。
(ステップS2−4) 低解像度画像情報テーブル11−4に登録されている次の低解像度画像データの低解像度画像IDを取得する。
(ステップS2−5) 低解像度画像IDをキーとして、低解像度画像情報テーブル11−4から、当該画像の画像撮影日DIMAGEを取得し、D=DIMAGE −DSTART+1により作付開始日からの経過日数Dを算出する。
(ステップS2−6) 低解像度画像IDをキーとして、低解像度画像情報テーブル11−4から低解像度画像ファイルを取得し、シェープファイルを用いて、当該低解像度画像ファイルに当該圃場の画像が含まれているか否かを判定する。
作付開始日からの経過日数D≧1、かつ、当該低解像度画像ファイルに当該圃場の画像が含まれている場合(yes)、ステップS2−7に進む。そうでない場合(no)、ステップS2−3に戻る。
作付開始日からの経過日数D≧1、かつ、当該低解像度画像ファイルに当該圃場の画像が含まれている場合(yes)、ステップS2−7に進む。そうでない場合(no)、ステップS2−3に戻る。
(ステップS2−7) 当該低解像度画像ファイルから、前記シェープファイルを用いて、当該圃場の画像を抽出する。
(ステップS2−8) 前記当該圃場の画像に対して、ピクセルごとに植生指数を算出して平均し、植生指数平均値VIを計算する。
植生指数としては、一例として、NDVI(Normalized Difference Vegetation Index)を使用することができる。ピクセルPにおける近赤外線と可視光赤の反射率を、それぞれ ρNIR(P)およびρRED(P)としたとき、ピクセルPにおけるNDVIは、以下の数式により算出する。
さらに、当該圃場の画像がピクセルP1, … , PN から構成される場合、植生指数平均値VIは以下の数式で算出する。
その他の植生指数の例として、以下の数式で定義されるEVI (Enhanced Vegetation Index)およびGRVI(Green-Red Vegetation Index)がある。ここで、ρGREEN(P) と ρBLUE(P) はそれぞれピクセルPにおける可視光緑と可視光青の反射率、C1、C2、Lはそれぞれ定数である。
EVIは大気や背景土壌の影響を補正した指標である。NDVIに比べて密度の高い植生に対する感度が高く、飽和しにくいとされる。GRVIは可視光緑と可視光赤から計算される指標で、植生の緑色の濃さに反応しやすい。
(ステップS2−9) 作付別植生指数テーブル11−6に、予測対象作付の作付IDと経過日数Dを付加して、植生指数平均値VIを登録する。
<生育モデル適合部21−3における処理(図15)、(図20)>
ステップS3は、詳細には、以下の処理を含む。
ステップS3は、詳細には、以下の処理を含む。
(ステップS3−1) 生育モデル適合部21−3は、入力装置3を介して、植生指数の日々の変化を表す曲線である生育モデルf(X)を設定する。低解像度画像を入手できない日の圃場全体での推定植生指数平均値を計算するため、生育モデルを使用する。生育モデル f(X)の経過日数Dにおける値f(D)を、予測対象作付の経過日数Dにおける圃場全体での推定植生指数平均値とする。生育モデルには、例として、以下の式(8)のような多項式関数や、式(9)のガウス関数を用いることができる。ここで、a,b,cは、生育モデルf(x)のパラメータである。
(ステップS3−2) 入力装置3を介して、外れ値の閾値θを設定する。ここで、θは0以上の定数である。尚、外れ値とは、統計において他の値から大きく外れた値として定義できる。
(ステップS3−3) 作付別植生指数テーブル11−6から、予測対象作付の作付IDをキーとして、予測対象作付に対する経過日数Dnと植生指数平均値VInとの組の時系列データ T={(Dn,VIn)}n=1,2,…,Nを取得する。
ここで、Nは予測対象作付の作付IDを含む作付別植生指数テーブル11−6のレコードで、かつ植生指数平均値が登録されているレコードのレコード数である。
ここで、Nは予測対象作付の作付IDを含む作付別植生指数テーブル11−6のレコードで、かつ植生指数平均値が登録されているレコードのレコード数である。
(ステップS3−4) 生育モデルf(X)と時系列データTとの誤差の二乗和が最小になるように生育モデルf(X)のパラメータを学習する。
(ステップS3−5) f(Dn)−VIn≧θとなる1≦n≦Nが存在するか否かを判定する。存在する場合(yes)、ステップS3−6に進む。存在しない場合(no)、ステップS3−7に進む。
(ステップS3−6) 時系列データTから点(Dn,VIn)を除外し、Nから1を減算して、ステップS3−4に戻る。
一般的に、衛星画像では雲など大気の影響や、土壌水分、太陽光の入射・反射角の影響により、本来観測されるべき植生指数平均値よりも小さな値が植生指数平均値VInとして観測されることがある。そのようなVInを使用して生育モデルf(X)のパラメータを学習すると、推定植生指数平均値が過小評価されるおそれがある。例えば、図20上図に示すように、外れ値があると、推定植生指数平均値が過小評価される。そこで、図20下図に示すように、外れ値を除外すると、本来観測されるべき植生指数に近い値になる。
そこで、推定植生指数平均値f(Dn)より植生指数平均値VInが閾値θ以上下回るときは、点(Dn,VIn)を外れ値として学習用データから除外し、再度パラメータを学習する。これにより、生育モデルf(X)による推定植生指数平均値が、雲などの影響を受けない本来観測されるべき植生指数平均値により近い値になる。
(ステップS3−7) 作付情報テーブル11−1から、予測対象作付の作付IDをキーとして、予測対象作付の作付開始日DSTARTと作付終了予定日DENDを取得する。また、経過日数Dを1で初期化する。
(ステップS3−8) 生育モデルf(X)の経過日数Dにおける値 f(D)を予測対象作付の経過日数Dにおける推定植生指数平均値として算出し、作付別植生指数テーブル11−6に、予測対象作付の作付IDと経過日数Dとを付加して、推定植生指数平均値f(D)の値を登録する。
(ステップS3−9) Dに1を加算する。
(ステップS3−10) D>DEND−DSTART+1か否かを判定する。そうであれば(yes)、生育モデル適合部21−3の処理を終了する。そうでなければ(no)、ステップS3−8に戻る。
<生育ステージ推定部21−4における処理、図21>
ステップS4に示すように、生育ステージ推定部21−4では、生育モデル適合部21−3により適合した生育モデルの変化率及び/または日数から、図21に示すように、作付開始日からの経過日数ごとに、作付や生育の段階を表す「定植直後」、「植生増加」、「植生停止」、「植生減少」などの生育ステージを推定する。生育ステージの分割には、例えば、以下のような基準を用いることができる。
ステップS4に示すように、生育ステージ推定部21−4では、生育モデル適合部21−3により適合した生育モデルの変化率及び/または日数から、図21に示すように、作付開始日からの経過日数ごとに、作付や生育の段階を表す「定植直後」、「植生増加」、「植生停止」、「植生減少」などの生育ステージを推定する。生育ステージの分割には、例えば、以下のような基準を用いることができる。
生育モデルf(X)の変化率を表す微分df(X)/dXの値が正から負に変わり、f(X)の値が増加から減少に転じる日(以下「生育モデル極大の日」と称する)DMAXを求めることができる。DMAXは、作付開始(図21の原点(横軸))から数えた日数である。以下、作付開始日を1日目とし、生育モデル極大の日をDMAX日目、作付終了予定日をDEND日目とする。生育ステージ分割の一例として、以下のように定義する方法が考えられる。
生育ステージは、図21に示すように、以下のように1)〜4)までのステージが設定される。
1)「定植直後」は、1日目〜10日目、
2)「植生増加」は、11日目〜(DMAX−31)日目、
3)「植生停止」は、(DMAX−30)日目〜(DMAX−1)日目、
4)「植生減少」は、DMAX日目〜DEND日目。
1)「定植直後」は、1日目〜10日目、
2)「植生増加」は、11日目〜(DMAX−31)日目、
3)「植生停止」は、(DMAX−30)日目〜(DMAX−1)日目、
4)「植生減少」は、DMAX日目〜DEND日目。
生育ステージテーブル11−3において生育度集計対象とされる生育ステージには、収穫部分が成長する時期の生育ステージを指定することが望ましい。詳細は、以下の<生育度推定部>の説明欄に記載する。
また、生育ステージテーブル11−3において高解像度画像データ解析対象とされる生育ステージには、当該生育ステージにおいて高解像度画像の撮影日が最低1回は存在している必要がある。さらに、雲など天候の影響を考慮すると、同一生育ステージ内に高解像度画像の撮影日が複数回含まれていることが望ましい。そのため、衛星の撮影周期に応じて、最低10日間程度の十分な期間を設けるとよい。
<生育度推定部21−5における処理、図16、図22>
ステップS5は、詳細には、以下の処理を含む。
ステップS5は、詳細には、以下の処理を含む。
生育度推定部21−5では、収穫量予測に用いるため、予測対象作付における収穫時点での収穫部分の生育度を推定する。
事前の準備として、生育ステージテーブル11−3には、収穫部分が成長する時期の生育ステージが、生育度集計対象の生育ステージとして登録されている。この時期の地上部分の植生は、収穫部分が成長するための光合成活動に用いられる。そのため、この時期の植生指数平均値を累計することで、収穫時点での収穫部分の成長度合いを推定することができる。そこで、この合計値を予測対象作付の推定生育度として用いる。
ステップS5−1において、生育度推定部21−5は、生育ステージテーブル11−3から、生育度集計対象のカラムが“Yes”となっているレコード抽出することで、生育度集計対象の生育ステージS1,…,SNを取得する。ここで、Nは抽出したレコード数である。一例として、図22に示すように、地上の植生部分がほぼ最大に達して生育が停止し、光合成活動が最も盛んになる「植生停止」から、収穫時期を含む「植生減少」までの生育ステージを生育度集計対象とする。
ステップS5−2において、作付情報テーブル11−1から、予測対象作付の作付IDをキーとして、予測対象作付の作付開始日DSTARTと作付終了予定日DENDを取得する。また、経過日数Dを1で初期化する。
ステップS5−3で、推定生育度Vを0で初期化する。
ステップS5−4で、作付別植生指数テーブル11−6から、予測対象作付の作付IDと経過日数Dをキーとして、予測対象作付の経過日数Dにおける推定植生指数平均値f(D)と、生育ステージS(D)とを取得する。
ステップS5−5において、
か否か、すなわち生育ステージS(D)が生育度集計対象の生育ステージS1,…,SNのいずれかであるか否かを判定する。そうであれば(yes)、ステップS5−6に進む。そうでなければ(no)、ステップS5−7に進む。
ステップS5−6において、推定生育度Vに f(D)を加算する。
ステップS5−7において、Dに1を加算する。
ステップS5−8において、D>DEND-DSTART+1か否かを判定する(集計終了日に到達)。そうであれば(yes)、ステップS5−9に進む。そうでなければ(no)、ステップS5−4に戻る。
ステップS5−9において、推定生育度テーブル11−7に、予測対象作付の作付IDを付加して、推定生育度Vを登録する。
<高解像度画像データ選択部21−6における処理、図17A、図17B、図23,図24>
ステップS6は、詳細には、以下の処理を含む。
ステップS6は、詳細には、以下の処理を含む。
ステップS6−1において、高解像度画像データ選択部21−6は、作付情報テーブル11−1から、予測対象作付の作付IDをキーとして、予測対象作付の圃場IDと作付開始日DSTARTを取得する。
ステップS6−2において、圃場別GIS情報テーブル11−2から、予測対象作付の圃場IDをキーとして、当該圃場のGIS情報を格納したシェープファイルを取得する。シェープファイルについては、前述の通りである。
ステップS6−3において、高解像度画像情報テーブル11−5に登録されている全ての高解像度画像について高解像度画像データ選択処理が完了しているか否かを判定する。完了していない場合(no)、ステップS6−4に進む。完了している場合(yes)、ステップS6−8に進む。
ステップS6−4において、高解像度画像情報テーブル11−5に登録されている次の高解像度画像データの高解像度画像IDを取得する。
ステップS6−5において、この高低解像度画像IDをキーとして、高解像度画像情報テーブル11−5から、当該画像の画像撮影日DIMAGEを取得し、D=DIMAGE−DSTART +1により作付開始日からの経過日数Dを算出する。
ステップS6−6において、ステップS6−4で取得した高解像度画像IDをキーとして、高解像度画像情報テーブル11−5から高解像度画像ファイルを取得し、ステップS6−2で収録したシェープファイルを用いて、当該高解像度画像ファイルに当該圃場の画像が含まれているか否かを判定する。D≧1、かつ、当該高解像度像ファイルに当該圃場の画像が含まれている場合(yes)、ステップS6−7に進む。そうでない場合(no)、ステップS6−3に戻る。
ステップS6−7において、作付別植生指数テーブル11−6に、予測対象作付の作付IDと経過日数Dとを付加して、ステップS6−4において取得した高解像度画像IDを登録する。その後、ステップS6−3に戻る。
ステップS6−8において、生育ステージテーブル11−3に登録されている全ての生育ステージに対して、以下の処理が完了しているか否かを判定する。完了していない場合(no)、ステップS6−9に進む。完了している場合(yes)、高解像度画像データ選択部21−6の処理を終了する。
ステップS6−9において、生育ステージテーブル11−3から、次の生育ステージSを取得する。
ステップS6−10において、当該レコードの高解像度画像データ解析対象のカラムが“yes”であれば、生育ステージSは高解像度画像データ解析対象であると判定し、ステップステップS6−11に進む。“no”であれば、ステップS6−8に戻る。
ステップS6−11において、生育ステージテーブル11−3から、生育ステージSをキーとして、経過日数選択式Qを取得する。
図4に記載の経過日数選択式の例に従えば、図23、図24に示すように、高解像度画像データ選択処理は、以下のようになる。
a)「定植直後」は経過日数の早いものが選択されるため、高解像度画像撮影日1)となる(S1)。
b)「植生増加」は当該生育ステージにおけるちょうど半分の経過日数(図24の点線の箇所)に最も近いものが選択されるため、高解像度画像撮影日4)となる(S2)。
c)「植生停止」は、経過日数の最も遅いものが選択されるため、高解像度画像撮影日9)となる(S3)。
尚、経過日数選択式の詳細は<生育ステージテーブル>の欄で説明する。
a)「定植直後」は経過日数の早いものが選択されるため、高解像度画像撮影日1)となる(S1)。
b)「植生増加」は当該生育ステージにおけるちょうど半分の経過日数(図24の点線の箇所)に最も近いものが選択されるため、高解像度画像撮影日4)となる(S2)。
c)「植生停止」は、経過日数の最も遅いものが選択されるため、高解像度画像撮影日9)となる(S3)。
尚、経過日数選択式の詳細は<生育ステージテーブル>の欄で説明する。
ステップS6−12において、作付別植生指数テーブル11−6から、予測対象作付の作付IDと生育ステージSをキーとしてレコードを抽出し、抽出したレコードの経過日数から、最初の経過日数DSTART(S)、最後の経過日数 DEND(S)、高解像度画像IDが登録されている経過日数{Dn(S)}n=1,…,Nを取得する。ここで、Nは抽出したレコードのうち高解像度画像IDが登録されているレコードのレコード数である。尚、図には記載していないが、N=0のときは以下の処理を省略し、ステップS6−8に戻る。
ステップS6−13において、経過日数の添え字nを、n=Q(DSTART(S),DEND(S), {Dn(S)}n=1,…,N)により計算する。
ステップS6−14において、作付別植生指数テーブル11−6に、予測対象作付の作付IDと経過日数Dn(S)を付加して、高解像度画像選択フラグのカラムに“Yes”を登録する。ここでnは、ステップS6−13において計算された経過日数の添え字nである。
<高解像度画像データ分析部21−7における処理、図18、図25、図26>
ステップS7は、詳細には、以下の処理を含む。
ステップS7は、詳細には、以下の処理を含む。
ステップS7−1において、高解像度画像データ分析部21−7は、作付情報テーブル11−1から、予測対象作付の作付IDをキーとして、予測対象作付の圃場IDを取得する。
ステップS7−2において、圃場別GIS情報テーブル11−2から、予測対象作付の圃場IDをキーとして、当該圃場のGIS情報を格納したシェープファイルを取得する。シェープファイルについては、前述の通りである。
ステップS7−3において、生育ステージテーブル11−3に登録されている全ての生育ステージに対して、以下の処理が完了しているか否かを判定する。完了していない場合(no)、ステップS7−4に進む。完了している場合(yes)、高解像度画像データ分析部21−7の処理を終了する。
ステップS7−4においては、生育ステージテーブル11−3から、次の生育ステージSを取得する。
ステップS7−5において、生育ステージテーブル11−3から、生育ステージSをキーとしてレコードを取得する。当該レコードの高解像度画像データ解析対象のカラムが“yes”であれば、生育ステージSは高解像度画像データ解析対象であると判定し、ステップS7−6に進む。“no”であれば、ステップS7−3に戻る。
ステップS7−6において、作付別植生指数テーブル11−6から、予測対象作付の作付IDと生育ステージSをキーとしてレコードを抽出し、さらに高解像度画像選択フラグのカラムが“Yes”であるレコードを抽出して、当該レコードの高解像度画像IDを取得する。なお、高解像度画像データ選択部21−6の処理より、当該レコードは存在すれば一意に定まる。存在しない場合は、予測対象作付の収穫量予測はできないものとし、これ以降の全ての処理を中断する。
ステップS7−7において、当該高解像度画像データから当該圃場の画像を抽出し、当該圃場の位置や向きが一致するように座標変換を実行する。図25は、座標変換処理の概要を示す図である。高解像度画像データにおける当該圃場の位置や向きは、衛星の撮影時の位置や角度により異なる。そこで、当該圃場の位置や向きが一致するよう、抽出した当該圃場の画像を平行移動、回転、拡大縮小により座標変換し、例えば、高解像度画像1と高解像度画像2とで、当該圃場の最北部と最西部が同じ座標になるようにする。座標変換の結果ピクセル値の再計算が必要になる場合は、最近傍法などの手法で再サンプリングを行う。
次いで、ステップS7−8に示すように、ステップS7−7の座標変換処理後の当該圃場の画像の各ピクセルPに対して、ピクセルPにおけるピクセル別植生指数VI(S,P)を計算する(図26参照)。そして、予測対象作付の作付IDとピクセルPのIDを付加し、ピクセル別分析結果テーブル11−8における生育ステージSのピクセル別植生指数のカラムにVI(S,P)を登録する。
ここで、ピクセル別植生指数には、低解像度画像データ分析部21−2で用いる植生指数とは別の指標を用いてもよい。特に(7)式で定義されるGRVIは、葉の緑色の濃さに反応しやすい指標であり、欠株部分の識別に好適である。また、一般的に可視光の衛星画像は近赤外線よりも解像度の高いパンシャープン画像が取得できる場合が多い。GRVIは可視光の反射率のみから算出される指標であるので、近赤外線を使用したNDVIよりも高い解像度で分析できるという利点がある。
<正常株率推定部21−8における処理、図19、図27A、図27B>
ステップS8は、詳細には、以下の処理を含む。
ステップS8は、詳細には、以下の処理を含む。
ステップS8−1において、正常株率推定部21−8は、生育ステージテーブル11−3から、高解像度画像データ解析対象のカラムが“Yes”となっているレコードを抽出することで、高解像度画像データ解析対象の生育ステージS1,…,SNを取得する。ここで、Nは抽出したレコード数であり、高解像度画像データ解析対象の生育ステージの数である。
ステップS8−2において、ピクセル別分析結果テーブル11−8から、予測対象作付の作付IDをキーとしてレコードを抽出し、ピクセルIDのカラムの情報から、抽出したレコードに登録されているピクセル {Pm}m=1,…,Mを取得する。ここで、Mは抽出したレコード数であり、高解像度画像から抽出した予測対象作付の圃場の画像全体のピクセル数である。
ステップS8−3において、ピクセル別分析結果テーブル11−8から、予測対象作付の作付IDをキーとしてレコードを抽出し、各ピクセル別植生指数のカラムの情報から、以下の数式で定義されるN次元のピクセル別植生指数のベクトルの集合Xを取得する。
ステップS8−4において、前記N次元のピクセル別植生指数のベクトルの集合Xをクラスタリング手法によりK個のクラスタC1,…,Ckに分割する。ここで、Kはクラスタの分割数であり、少なくとも2以上の整数値として事前に登録されているものとする。
クラスタリング手法には、Fuzzy c-means 法などのファジークラスタリング手法を用いてもよい。Fuzzy c-means 法の場合の出力は、各クラスタの中心点ck(k = 1, … , K) と、各ベクトル x ∈ X の各クラスタCkへの帰属度 wk(x) である。ここで、帰属度 wk(x) は0以上1以下の実数である。
図27Aに示すように、ステップS8−5において、各クラスタCk(k=1,…,K)に対して、クラスタCk に属するベクトルの平均を計算して、クラスタの中心点ckを算出する。クラスタCk の要素数をMk とすると、クラスタの中心点ckは、以下の数式で算出される。
なお、Fuzzy c-means 法では出力として既に得られているので、算出する必要はない。
ステップS8−6において、クラスタの中心点c1,…,ckに対する条件から、正常株のピクセルのクラスタCkを特定する。
一例として、「植生停止」の生育ステージにおける植生指数の値が最も大きいckを選択することで、正常株のピクセルのクラスタCkを特定する方法を用いることができる。
正常な株では、「植生停止」の生育ステージまで植生指数が増加していくのに対して、欠株部分では「植生増加」の生育ステージの途中から植生指数が増加しなくなる。また、株が作付されていない土壌部分は「定植直後」の生育ステージから継続して植生指数が低いままとなる。
このことから、「植生停止」の生育ステージにおける植生指数の値が最も大きいckは、正常株のピクセルのクラスタの中心点であると考えられる。「植生停止」の生育ステージがSNであり、cj = (c1j, … , cNj) (j = 1, … , K) であったとすると、上記の方法を用いる場合に特定されるクラスタの添え字kは、以下の数式で算出できる。
このように、本実施の形態においては、図27Aに示すように、正常株の部分のピクセルが分類されるクラスタを所定の条件により特定することが可能であり、従って、教師なし学習を使用しても正常株を精度良く推定することができるため、分類モデルを学習するために教師データを用意する必要がないという利点がある。
図27Bは、単一の生育ステージの情報だけでは欠株部分と正常株のピクセルを識別できない場合の例を示す図である。
入力装置を介して設定された閾値ηに対して、下記の条件を満たすckを選択することで、正常株のピクセルのクラスタCkを特定する方法がある。ここでηは正の定数であり、SL (1 ≦L < N) は「植生増加」の生育ステージであるとする。
全ての j = 1, … , K に対して、次の(A)または(B)が成り立つ:
(A)cNk− η ≧cNj
(B)|cNk− cNj| ≦ η かつ cLk ≧cLj
この例は、「植生停止」の時期に欠株部分が周囲の株の葉で覆われ、欠株部分のピクセルと正常株のピクセルとで植生指数に差が生じない場合などに適した例である。このような場合、先の例では「植生停止」の生育ステージにおける植生指数のみ使用するため、誤ったクラスタが選択されてしまう可能性がある。そこで、「植生停止」の生育ステージにおける植生指数の値にη以上の差がないときは、「植生増加」の生育ステージにおける植生指数の値で比較し、その値が最も大きくなるckを選択する。
(A)cNk− η ≧cNj
(B)|cNk− cNj| ≦ η かつ cLk ≧cLj
この例は、「植生停止」の時期に欠株部分が周囲の株の葉で覆われ、欠株部分のピクセルと正常株のピクセルとで植生指数に差が生じない場合などに適した例である。このような場合、先の例では「植生停止」の生育ステージにおける植生指数のみ使用するため、誤ったクラスタが選択されてしまう可能性がある。そこで、「植生停止」の生育ステージにおける植生指数の値にη以上の差がないときは、「植生増加」の生育ステージにおける植生指数の値で比較し、その値が最も大きくなるckを選択する。
図27Bに示す例のように、多次元ベクトルを用いて複数の生育ステージにおける植生指数を同時に考慮することで、単一の生育ステージの情報だけでは識別できない欠株部分と正常株のピクセルを、適切に識別できるようになる。
なお、本実施例では正常株のピクセルのクラスタは一つが特定されるものとしたが、二つ以上の複数のクラスタが正常株のピクセルのクラスタとして特定されてもよい。
ステップS8−7において、特定したクラスタCkの要素数Mkをカウントし、予測対象作付における推定正常株率Rを、R=Mk/Mにより算出する。
Fuzzy c-means 法では、MkはクラスタCkに対する各ベクトルの帰属度の総和であり、以下の数式で算出される。
ステップS8−8において、推定正常株率テーブル11−9に、予測対象作付の作付IDを付加して、推定正常株率Rを登録する。
この処理までを行うのが、正常株率推定装置である。
この処理までを行うのが、正常株率推定装置である。
<収穫量予測部21−9:S9>
収穫量予測部21−9では、生育度推定部21−5で推定した推定生育度と、正常株率推定部21−8で推定した正常株率を説明変数に含む収穫量予測モデルで、予測対象作付の収穫量を予測する。一例として、以下のような数式の収穫量予測モデルで、収穫量Yを予測することができる。
収穫量予測部21−9では、生育度推定部21−5で推定した推定生育度と、正常株率推定部21−8で推定した正常株率を説明変数に含む収穫量予測モデルで、予測対象作付の収穫量を予測する。一例として、以下のような数式の収穫量予測モデルで、収穫量Yを予測することができる。
収穫量予測モデルのパラメータ a, b, c, d は、過去に実施した作付の実績収穫量をもとに推定することができる。過去に実施した作付の情報が作付情報テーブル11−1に登録されている場合、上記と同様の方法で、過去に実施した作付に対しても式(16)による収穫量予測値を算出することができる。このようにして算出した収穫量予測値と、実績収穫量テーブル11−11に登録されている実績収穫量との誤差の二乗和が最小になるようにパラメータを学習することで、収穫量予測モデルのパラメータを推定することができる。
ここで、a, b, c, d は収穫量予測モデルのパラメータであり、Nは作付情報テーブル11−1から取得した予測対象作付の作付株数、Rは正常株率推定部で推定した正常株率、Vは生育度推定部で推定した推定生育度、Tは気象情報取得手段から取得した最寄観測所における平均気温の生育度集計対象の生育ステージでの合計値、Sは気象情報取得手段から取得した最寄観測所における日射量の生育度集計対象の生育ステージでの合計値である。
尚、将来の平均気温や日射量は、気象情報取得手段11により取得した、1か月予報や3か月予報などの長期予報と過去の気象観測結果から予測値を算出して使用することができる。予測値の算出方法の、一例を以下に示す。
長期予報が「低い(少ない)」という予報であれば、例えば過去30年の観測値を小さい順に並べて、小さいほうから順に1〜10番目の平均値を取る。
「平年並み」という予報であれば、小さいほうから順に11〜20番目の平均値を取る。
「平年より高い(多い)」という予報であれば、小さいほうから順に21〜30番目の平均値を取る。
求めた予測収穫量の値Yを、予測収穫量テーブル11−10に格納する。
「平年並み」という予報であれば、小さいほうから順に11〜20番目の平均値を取る。
「平年より高い(多い)」という予報であれば、小さいほうから順に21〜30番目の平均値を取る。
求めた予測収穫量の値Yを、予測収穫量テーブル11−10に格納する。
<予測収穫量出力部21−10:S10>
予測収穫量出力部21−10は、予測収穫量テーブル11−10に基づいて、出力装置5に予測された収穫量を出力することができる。
予測収穫量出力部21−10は、予測収穫量テーブル11−10に基づいて、出力装置5に予測された収穫量を出力することができる。
図12に示す実績収穫量テーブル11−11は、過去の作付における実績収穫量の情報が登録されているテーブルである。
例えば、作付ID、圃場ID、作付開始日、当該作付の収穫が実施された日付である収穫実施日、当該作付の収穫量の実績値である実績収穫量を、図11の予測収穫量と比較等することができる。
以上に説明したように、本発明の実施の形態によれば正常株率推定部で推定した正常株率を説明変数として収穫量の予測を行う収穫量予測部を有しているため、欠株による収穫量の減少を考慮した予測ができ、高い精度で収穫量を予測することができる。
また、正常株率推定部においては、クラスタリングによる教師なし学習を使用して正常株率を推定することができるため、分類モデルを学習するために教師データを用意する必要がない。従って、そのための事前の圃場調査や衛星画像の分析を行うことなく実施することができるという利点がある。
上記の処理および制御は、CPU(Central Processing Unit)やGPU(Graphics Processing Unit)によるソフトウェア処理、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)によるハードウェア処理によって実現することができる。
また、上記の実施の形態において、添付図面に図示されている構成等については、これらに限定されるものではなく、本発明の効果を発揮する範囲内で適宜変更することが可能である。その他、本発明の目的の範囲を逸脱しない限りにおいて適宜変更して実施することが可能である。
また、本発明の各構成要素は、任意に取捨選択することができ、取捨選択した構成を具備する発明も本発明に含まれるものである。
例えば、本発明は、収穫量の予測の基になる正常株の推定技術に利用することも可能である。
また、本実施の形態で説明した機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各部の処理を行ってもよい。尚、ここでいう「コンピュータシステム」とは、OSや周辺機器等のハードウェアを含むものとする。
また、「コンピュータシステム」は、WWWシステムを利用している場合であれば、ホームページ提供環境(あるいは表示環境)も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また前記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。機能の少なくとも一部は、集積回路などのハードウェアで実現しても良い。
本発明は、農作物の収穫量予測装置として利用可能である。
A…収穫量予測装置、1…データベース群(補助記憶装置)、C…各種インタフェース部、3…入力装置、5…出力装置、7…中央演算装置(CPU)(制御部)、11…気象情報取得手段、21…主記憶装置、21−1…予測対象作付設定部、21−2…低解像度画像データ分析部、21−3…生育モデル適合部、21−4…生育ステージ推定部、21−5…生育度推定部、21−6…高解像度画像データ選択部、21−7…高解像度画像データ分析部、21−8…正常株率推定部、21−9…収穫量予測部、21−10…予測収穫量出力部。
Claims (7)
- 農作物の正常株率を推定する正常株率推定装置であって、
農作物の作付を一意に識別する作付IDと、作付が実施された圃場を一意に識別する圃場IDと、作付が開始された日付である作付開始日と、農作物を収穫し作付を終了する予定の日付である作付終了予定日と、が登録されている作付情報と、
圃場ごとに、圃場の位置と形状とを表す情報が登録されている、圃場別GIS情報と、
農作物の作付や生育の段階を表す生育ステージと、画像データ解析対象の生育ステージであるかどうかを表す情報と、が登録されている生育ステージ情報と、
第一の解像度の画像を一意に識別する画像IDと、前記第一の解像度の画像を撮影した日付である画像撮影日と、前記第一の解像度の画像データ本体と、が登録されている第一の解像度の画像情報と、
第二の解像度の画像を一意に識別する画像IDと、前記第二の解像度の画像を撮影した日付である画像撮影日と、前記第二の解像度の画像データ本体と、が登録されている第二の解像度の画像情報と、を格納する記憶装置と関連付けされており、
入力装置から予測対象の作付IDを設定する予測対象作付設定部と、
設定された前記作付IDに基づいて、前記作付情報と前記第一の解像度の画像情報とを参照して取得した、前記第一の解像度の画像データから、画像撮影日における予測対象作付の圃場の植生指数代表値を算出する画像データ分析部と、
前記生育ステージ情報を参照して、前記植生指数代表値の時系列データに前記農作物の生育モデルを適合して推定植生指数代表値を計算する生育モデル適合部と、
適合した前記農作物の生育モデルの変化率及び日数の少なくともいずれか一方から、作付開始日からの経過日数ごとに生育ステージを推定する生育ステージ推定部と、
画像データ解析対象の生育ステージごとに、解析対象とする第二の解像度の画像データを選択する第二の解像度に対する画像データ選択部と、前記第二の解像度の画像における予測対象作付の圃場のピクセルごとに、前記解析対象とする前記第二の解像度の画像データから計算したピクセル別植生指数を結合して多次元ベクトルを算出する第二の解像度に対する画像データ分析部と、
前記多次元ベクトルを当該ベクトルの値のみからクラスタリングにより分類し、得られたクラスタから正常株の部分のピクセルが分類されるクラスタを所定の条件により一つ以上特定し、圃場の全ピクセルに対する前記特定したクラスタに属するピクセルの割合から圃場内の正常株率を推定する正常株率推定部と
を有することを特徴とする正常株率推定装置。 - 前記第一の解像度は前記第二の解像度よりも低い解像度であることを特徴とする請求項1に記載の正常株率推定装置。
- 前記正常株率推定部は、
前記クラスタの中心点に対する条件から、正常株の部分のピクセルが分類されるクラスタを特定する請求項1又は2に記載の正常株率推定装置。 - 前記植生指数代表値および前記ピクセル別植生指数はそれぞれNDVI、EVIまたはGRVIのいずれか、であることを特徴とする請求項1から3までのいずれか1項に記載の正常株率推定装置。
- 農作物の収穫量を予測する収穫量予測装置であって、請求項1から4までのいずれか1項に記載の正常株率推定装置と、
少なくとも前記正常株率を説明変数に含む収穫量予測モデルで、予測対象作付の収穫量を予測する収穫量予測部と、を有する収穫量予測装置。 - 前記生育ステージ情報に、生育度集計対象の生育ステージであるかどうかを表す情報が登録されており、
さらに、
生育度集計対象の生育ステージにおける予測対象作付の前記推定植生指数代表値を合計することで予測対象作付の推定生育度を計算する、生育度推定部を備え、
前記収穫量予測部は、少なくとも前記推定生育度と前記正常株率を説明変数に含む収穫量予測モデルとに基づいて、予測対象作付の収穫量を予測することを特徴とする請求項5に記載の収穫量予測装置。 - 農作物の正常株率を推定する正常株率推定方法であって、
農作物の作付を一意に識別する作付IDと、作付が実施された圃場を一意に識別する圃場IDと、作付が開始された日付である作付開始日と、農作物を収穫し作付を終了する予定の日付である作付終了予定日と、が登録されている作付情報と、
圃場ごとに、圃場の位置と形状とを表す情報が登録されている、圃場別GIS情報と、
農作物の作付や生育の段階を表す生育ステージと、画像データ解析対象の生育ステージであるかどうかを表す情報と、が登録されている生育ステージ情報と、
第一の解像度の画像を一意に識別する画像IDと、前記第一の解像度の画像を撮影した日付である画像撮影日と、前記第一の解像度の画像データ本体と、が登録されている第一の解像度の画像情報と、
第二の解像度の画像を一意に識別する画像IDと、前記第二の解像度の画像を撮影した日付である画像撮影日と、前記第二の解像度の画像データ本体と、が登録されている第二の解像度の画像情報と、を格納する記憶装置の各情報を参照し、
入力装置から予測対象の作付IDを設定する予測対象作付設定ステップと、
設定された前記作付IDに基づいて、前記作付情報と前記第一の解像度の画像情報とを参照して取得した、前記第一の解像度の画像データから、画像撮影日における予測対象作付の圃場の植生指数代表値を算出する画像データ分析ステップと、
前記生育ステージ情報を参照して、前記植生指数代表値の時系列データに前記農作物の生育モデルを適合して推定植生指数代表値を計算する生育モデル適合ステップと、
適合した前記農作物の生育モデルの変化率及び日数の少なくともいずれか一方から、作付開始日からの経過日数ごとに生育ステージを推定する生育ステージ推定ステップと、
画像データ解析対象の生育ステージごとに、解析対象とする第二の解像度の画像データを選択する第二の解像度に対する画像データ選択ステップと、前記第二の解像度の画像における予測対象作付の圃場のピクセルごとに、前記解析対象とする前記第二の解像度の画像データから計算したピクセル別植生指数を結合して多次元ベクトルを算出する第二の解像度に対する画像データ分析ステップと、
前記多次元ベクトルを当該ベクトルの値のみからクラスタリングにより分類し、得られたクラスタから正常株の部分のピクセルが分類されるクラスタを所定の条件により一つ以上特定し、圃場の全ピクセルに対する前記特定したクラスタに属するピクセルの割合から圃場内の正常株率を推定する正常株率推定ステップと、
を有することを特徴とする正常株率推定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016060887A JP6639300B2 (ja) | 2016-03-24 | 2016-03-24 | 農作物の正常株率推定装置、農作物の収穫量予測装置および農作物の正常株率推定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016060887A JP6639300B2 (ja) | 2016-03-24 | 2016-03-24 | 農作物の正常株率推定装置、農作物の収穫量予測装置および農作物の正常株率推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017169511A JP2017169511A (ja) | 2017-09-28 |
JP6639300B2 true JP6639300B2 (ja) | 2020-02-05 |
Family
ID=59969543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016060887A Expired - Fee Related JP6639300B2 (ja) | 2016-03-24 | 2016-03-24 | 農作物の正常株率推定装置、農作物の収穫量予測装置および農作物の正常株率推定方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6639300B2 (ja) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
CN107679756B (zh) * | 2017-10-09 | 2020-11-27 | 青海大学 | 土壤适宜性评价方法及装置 |
KR101976959B1 (ko) * | 2017-12-20 | 2019-05-09 | 세종대학교산학협력단 | 영상 기반의 홍수 탐지 방법 |
JP6682710B2 (ja) * | 2017-12-28 | 2020-04-15 | スカパーJsat株式会社 | 評価情報生成システム、評価情報生成方法、およびプログラム |
JP6990405B2 (ja) * | 2018-02-05 | 2022-01-12 | スペースアグリ株式会社 | 植物情報作成システム |
JP2019153109A (ja) * | 2018-03-05 | 2019-09-12 | ドローン・ジャパン株式会社 | 農業管理予測システム、農業管理予測方法、及びサーバ装置 |
US11710196B2 (en) | 2018-04-24 | 2023-07-25 | Indigo Ag, Inc. | Information translation in an online agricultural system |
KR102125780B1 (ko) * | 2018-08-16 | 2020-06-23 | (주)노루기반시스템즈 | 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치 |
JP7208503B2 (ja) * | 2019-03-08 | 2023-01-19 | 富士通株式会社 | 機械学習プログラム、機械学習方法および機械学習装置 |
CN113519012A (zh) * | 2019-03-29 | 2021-10-19 | 株式会社日立系统 | 现场作业辅助系统 |
CN111860038B (zh) * | 2019-04-25 | 2023-10-20 | 河南中原光电测控技术有限公司 | 一种农作物前端识别装置及方法 |
JP7273259B2 (ja) * | 2019-06-17 | 2023-05-15 | 株式会社パスコ | 植生領域判定装置及びプログラム |
JP7416394B2 (ja) * | 2019-06-20 | 2024-01-17 | 国立大学法人東海国立大学機構 | 作付スケジュール算出装置、作付スケジュール算出プログラム、及び、作付スケジュール算出方法 |
JP7229864B2 (ja) * | 2019-06-28 | 2023-02-28 | 株式会社日立製作所 | リモートセンシング画像取得時期決定システム、および、作物生育状況分析方法 |
WO2021084974A1 (ja) * | 2019-10-30 | 2021-05-06 | キヤノン株式会社 | 情報処理装置、情報処理方法 |
MY196062A (en) * | 2020-01-30 | 2023-03-13 | Sagri Co Ltd | Information Processing Device |
JP7473951B2 (ja) | 2020-02-27 | 2024-04-24 | 国立大学法人東海国立大学機構 | 情報処理装置、情報処理システム、情報処理方法、および、コンピュータプログラム |
CN112509029B (zh) * | 2020-11-30 | 2024-01-19 | 广西慧云信息技术有限公司 | 一种远程分析葡萄长势的方法 |
WO2023034118A1 (en) | 2021-08-30 | 2023-03-09 | Indigo Ag, Inc. | Systems for management of location-aware market data |
WO2023034386A1 (en) | 2021-08-31 | 2023-03-09 | Indigo Ag, Inc. | Systems and methods for ecosystem credit recommendations |
JP7128337B1 (ja) * | 2021-09-30 | 2022-08-30 | 損害保険ジャパン株式会社 | モニタリング装置、モニタリング方法、モニタリングプログラム、および契約管理システム |
CN116205615B (zh) * | 2023-05-06 | 2023-07-14 | 中国核工业二三建设有限公司 | 衡量核能工程金属对象预制安装进度的方法及装置 |
CN117541128A (zh) * | 2024-01-10 | 2024-02-09 | 中化现代农业有限公司 | 农户发展报告的生成方法、装置、电子设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5756374B2 (ja) * | 2011-08-31 | 2015-07-29 | 株式会社日立ソリューションズ東日本 | 生育管理方法 |
JP6147579B2 (ja) * | 2013-06-18 | 2017-06-14 | 株式会社日立製作所 | 収量予測システムおよび収量予測装置 |
-
2016
- 2016-03-24 JP JP2016060887A patent/JP6639300B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2017169511A (ja) | 2017-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6639300B2 (ja) | 農作物の正常株率推定装置、農作物の収穫量予測装置および農作物の正常株率推定方法 | |
Li et al. | Spatio-temporal fusion for remote sensing data: An overview and new benchmark | |
CN111630551B (zh) | 图像中的作物类型分类 | |
López-Serrano et al. | A comparison of machine learning techniques applied to Landsat-5 TM spectral data for biomass estimation | |
Akar et al. | Integrating multiple texture methods and NDVI to the Random Forest classification algorithm to detect tea and hazelnut plantation areas in northeast Turkey | |
Townshend et al. | Global characterization and monitoring of forest cover using Landsat data: opportunities and challenges | |
Pitt et al. | A comparison of point clouds derived from stereo imagery and airborne laser scanning for the area-based estimation of forest inventory attributes in boreal Ontario | |
JP6147579B2 (ja) | 収量予測システムおよび収量予測装置 | |
CN110363246B (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
Cánovas-García et al. | A local approach to optimize the scale parameter in multiresolution segmentation for multispectral imagery | |
Sameh et al. | IoT-Based System for Crop Forecasting: Design and Implementation | |
Gandharum et al. | Remote sensing versus the area sampling frame method in paddy rice acreage estimation in Indramayu regency, West Java province, Indonesia | |
Deo et al. | Optimizing variable radius plot size and LiDAR resolution to model standing volume in conifer forests | |
Wang et al. | Impacts of topography on the land cover classification in the Qilian Mountains, Northwest China | |
Li et al. | An all-season sample database for improving land-cover mapping of Africa with two classification schemes | |
Paludo et al. | Mapping summer soybean and corn with remote sensing on Google Earth Engine cloud computing in Parana state–Brazil | |
Rauf et al. | A new method for pixel classification for rice variety identification using spectral and time series data from Sentinel-2 satellite imagery | |
Stoy et al. | The spatial variability of NDVI within a wheat field: Information content and implications for yield and grain protein monitoring | |
Chen et al. | An integrated GIS tool for automatic forest inventory estimates of Pinus radiata from LiDAR data | |
Paolini et al. | Classification of different irrigation systems at field scale using time-series of remote sensing data | |
Thomas et al. | Impacts of abrupt terrain changes and grass cover on vertical accuracy of UAS-SfM derived elevation models | |
Duro et al. | Hybrid object-based change detection and hierarchical image segmentation for thematic map updating | |
Niederheiser et al. | Using automated vegetation cover estimation from close-range photogrammetric point clouds to compare vegetation location properties in mountain terrain | |
US11170219B2 (en) | Systems and methods for improved landscape management | |
Bhadra et al. | End-to-end 3D CNN for plot-scale soybean yield prediction using multitemporal UAV-based RGB images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190201 |
|
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: 20191203 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191224 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6639300 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |