JP6906824B1 - 情報処理装置、樹木の成長率予測システム、樹木の成長率予測方法及びプログラム - Google Patents

Abstract

【課題】多様な本数密度に対応して樹木の成長率を予測する。【解決手段】管理装置は、所定領域に植栽された複数の樹木について、平均樹齢、平均太さ、本数密度を取得する取得部と、第１密度水準曲線、第２密度水準曲線、及び第３密度水準曲線のうち、前記平均太さ及び前記所定領域の本数密度の座標からの距離が最も短い密度水準曲線を選択する選択部と、前記所定領域を、選択された密度水準曲線に対応する林として想定し、前記平均樹齢に基づいて、平均成長率のうち第１成分を示す第１成分値を算出する第１算出部と、選択された密度水準曲線に対応する前記関係に基づいて、平均成長率のうち第２成分を示す第２成分値を算出する第２算出部と、前記第１成分値と前記第２成分値との合計することによって、前記複数の樹木の平均成長率を予測する予測部と、を備える。【選択図】図３

Description

本発明は、多様な本数密度に対応可能な樹木の成長率を予測する技術に関する。

林業において樹木の成長率を予測することは、収益を予測するために重要である。従来の樹木の成長率予測は、単位面積当たりの樹木の本数（以下、本数密度）を、狭い幅で管理している森林にしか適用できなかった。
これに対して現状では、産業としての林業の採算性悪化に伴い、放棄されて過密化した森林、天然木の誘導による環境林への移行を志向した低密度林など、さまざまな本数密度の林を管理し、収益化を図る必要がある。
そこで、これらの多様な本数密度に対応可能な樹木の成長率の予測手法が求められていた。本数密度

特許文献１には、関連技術として、現況情報収集手段が植林地端末から入力された複数の植林候補地における局所領域内の樹木の胸高直径と樹高を収集し、該収集された情報から植林候補地における現時点での二酸化炭素吸収量を求め、植林地決定手段が該二酸化炭素吸収量が第１のしきい値より小さい候補地を植林地として決定し、計画立案手段が、該植林地における植栽面積と樹種データベースに記録されている樹種をそれぞれ変化させた場合の収益を計算し、最も多くの利益を得ることができる樹種と植栽面積を選択し、樹種・植栽面積及び樹木の成長変化の予測値を成長曲線の一つミッチャーリッヒ式に近似できるものとし植林事業計画情報として計画データベースに記録する技術が提案されている。
また、特許文献２には、衛星や航空機に搭載されたカメラも用いて、上空から測定対象から反射された電磁波エネルギーを計測し、その計測結果の示す分光特性に基づいて、植生の状態を示す指標を算出する技術が開示されている。

国際公開番号ＷＯ２００４／０４６９８６号公報 特開２００８−７９５４９号公報

しかしながら、特許文献１に記載の技術では、林分の密度管理は直径成長に影響を及ぼすことが知られており、密度が高いと直径が小さくなり、低いと大きくなるが、通常の森林管理においては、ほぼ前述の直径成長曲線の通り成長するものとしてよいので各々の樹種の、林齢と密度が対応した表があればよいとし、多様な本数密度に対応可能な樹木の成長率を予測することは困難であるという問題点があった。
また、特許文献２に記載の技術では、植生の状態を知ることができても、本数密度に応じた樹木の成長率を予測することはできなかった。

本発明の目的は、多様な本数密度に対応可能な樹木の成長率を予測する技術を提供することにある。

本発明の管理装置は、
所定領域に植栽された複数の樹木について、第１時点における平均樹齢、前記第１時点における平均太さ、及び前記第１時点における前記所定領域の本数密度を取得する取得部と、
林内の複数の樹木の太さの平均値と前記林における本数密度との関係を示すグラフにおいて、第１密度水準曲線、第２密度水準曲線、及び第３密度水準曲線のうち、前記平均太さ及び前記所定領域の本数密度の座標からの距離が最も短い密度水準曲線を選択する選択部と、
前記所定領域を、前記選択部によって選択された密度水準曲線に対応する林として想定し、前記平均樹齢に基づいて、前記複数の樹木の平均成長率のうち第１成分を示す第１成分値を算出する第１算出部と、
前記選択部によって選択された密度水準曲線に対応する前記関係に基づいて、前記複数の樹木の平均成長率のうち第２成分を示す第２成分値を算出する第２算出部と、
前記第１成分値と前記第２成分値との合計することによって、第１時点における前記平均太さに対する、前記第１時点から所定期間経過した第２時点における前記複数の樹木の平均太さの割合である前記複数の樹木の平均成長率を予測する予測部と、を備え、
前記第１密度水準曲線に対応する林の本数密度は、前記第２密度水準曲線に対応する林の本数密度よりも大きく、前記第３密度水準曲線に対応する林の本数密度よりも小さく設定する。

また、本発明の樹木の成長率予測システムは、
管理装置と、ユーザ端末と、情報収集装置とを備えた樹木の成長率予測システムであって、
前記ユーザ端末は、前記所定領域を指定する指定情報を前記管理装置に送信し、
前記情報収集装置は、前記所定領域を上空から撮像した撮像データ及び撮像時の前記情報収集装置の位置を示す位置データを前記管理装置に送信し、
前記管理装置は、
前記指定情報に基づいて前記所定領域を特定する特定部と、
前記撮像データ及び前記位置データに基づいて、前記所定領域の本数密度を生成する生成部とを備える。

また、本発明の樹木の成長率予測方法は、
所定領域に植栽された複数の樹木について、第１時点における平均樹齢、前記第１時点における平均太さ、及び前記第１時点における前記所定領域の本数密度を取得し、
林内の複数の樹木の太さの平均値と前記林における本数密度との関係を示すグラフにおいて、第１密度水準曲線、第２密度水準曲線、及び第３密度水準曲線のうち、前記平均太さ及び前記所定領域の本数密度の座標からの距離が最も短い密度水準曲線を選択し、
前記所定領域を、前記選択された密度水準曲線に対応する林として想定し、前記平均樹齢に基づいて、前記複数の樹木の平均成長率のうち第１成分を示す第１成分値を算出し、
前記選択された密度水準曲線に対応する前記関係に基づいて、前記複数の樹木の平均成長率のうち第２成分を示す第２成分値を算出し、
前記第１成分値と前記第２成分値との合計することによって、第１時点における前記平均太さに対する、前記第１時点から所定期間経過した第２時点における前記複数の樹木の平均太さの割合である前記複数の樹木の平均成長率を予測し、
前記第１密度水準曲線に対応する林の本数密度は、前記第２密度水準曲線に対応する林の本数密度よりも大きく、前記第３密度水準曲線に対応する林の本数密度よりも小さく設定する。

また、本発明の樹木の成長率予測プログラムは、
情報処理装置を、
所定領域に植栽された複数の樹木について、第１時点における平均樹齢、前記第１時点における平均太さ、及び前記第１時点における前記所定領域の本数密度を取得する取得部と、
林内の複数の樹木の太さの平均値と前記林における本数密度との関係を示すグラフにおいて、第１密度水準曲線、第２密度水準曲線、及び第３密度水準曲線のうち、前記平均太さ及び前記所定領域の本数密度の座標からの距離が最も短い密度水準曲線を選択する選択部と、
前記所定領域を、前記選択部によって選択された密度水準曲線に対応する林として想定し、前記平均樹齢に基づいて、前記複数の樹木の平均成長率のうち第１成分を示す第１成分値を算出する第１算出部と、
前記選択部によって選択された密度水準曲線に対応する前記関係に基づいて、前記複数の樹木の平均成長率のうち第２成分を示す第２成分値を算出する第２算出部と、
前記第１成分値と前記第２成分値との合計することによって、第１時点における前記平均太さに対する、前記第１時点から所定期間経過した第２時点における前記複数の樹木の平均太さの割合である前記複数の樹木の平均成長率を予測する予測部として機能させ、
前記第１密度水準曲線に対応する林の本数密度は、前記第２密度水準曲線に対応する林の本数密度よりも大きく、前記第３密度水準曲線に対応する林の本数密度よりも小さく設定する。

本発明によれば、多様な本数密度に対応可能な樹木の成長率を予測する技術を提供することができる。

本発明の第１実施形態に係る樹木の成長率予測システムの構成を示す図である。 同実施形態に係る樹木の成長率予測システムを構成するユーザ端末のブロック図である。 同実施形態に係る樹木の成長率予測システムを構成するサーバのブロック図である。 同実施形態に係るデータベースの記憶内容の一例を示すブロック図である。 成長率曲線の一例を示すグラフである。 密度水準曲線の一例を示すグラフである。 樹木の分布の一例を示すグラフである。 間伐による樹高の変化を示すグラフである。 樹木の位置を真上からみた状態を示す図である。 樹高曲線の一例を示すグラフである。 本発明の第２実施形態に係るサーバのブロック図である。 同実施形態に係る樹木の成長率予測システムの学習モデルに基づいて森林の定量的な価値を提供する処理の流れを説明するフローチャートである。 同実施形態に係る樹木の成長率予測システムにおける出力例を示す図である。 同実施形態に係る樹木の成長率予測システムの一例を説明する概念図である。

以下、本発明の実施の形態を図面を参照しつつ説明する。

１．第１実施形態
１−１：全体構成
本発明の第１実施形態における樹木の成長率予測システム１の構成を図１を参照して説明する。

図１に示すように、樹木の成長率予測システム１は、１以上のユーザ端末１００と、１以上の情報収集装置２００と、サーバ３００Ａとから構成されている。
それぞれ、インターネット等の所定の通信網を介して接続されている。この所定の通信網は、ＬＡＮ（Local Area Network）等であってもよく、また有線・無線等は問わない。

ユーザ端末１００は、各種の情報を処理する情報処理装置である。ユーザ端末１００は、ＣＰＵ（Central Processing Unite）、ＲＯＭ（Read Only Memory）・ＲＡＭ（Random Access Memory）等の記憶手段、及び入出力手段を備える。ＲＯＭには制御プログラムが格納されている。ＣＰＵはＲＯＭから制御プログラムを読み出し、読み出した制御プログラムを実行することによって、ユーザ端末１００の制御中枢として機能する。入出力手段は、ユーザの操作を受け付ける機能と、ユーザに対して情報を提示する機能とを備える。ユーザ端末１００は、例えば、スマートフォン、小型パーソナル・コンピュータ、携帯端末等である。ユーザ端末１００は、クラウド(SaaS/ASP)によりサーバ３００Ａが提供するサービス（ソフトウェア）を利用可能であってよい。

情報収集装置２００は、センシングのためのセンサー（カメラ、音声レコーダー等）を備えた装置であり、例えば、ドローン、宇宙衛星、センサー附属型林業機械等である。情報収集装置２００は、ユーザ端末１００やサーバ３００Ａに対して収集した情報を送信する。情報収集装置２００は、ユーザ端末１００やサーバ３００Ａからの指示命令を受信してそれに従って動作することによって、情報を収集できる。１以上の情報収集装置２００には、装置を一意に識別するための装置ＩＤが割り当てられており、各情報収集装置２００は装置ＩＤを記憶している。

サーバ３００Ａは、情報処理装置であり、樹木の成長率を予測する機能を有する。サーバ３００Ａは、管理装置の一例である。サーバ３００Ａは、例えば、ワークステーション、高機能のパーソナル・コンピュータ等である。

樹木の成長率予測システム１を構成する各装置は主として情報処理装置であり、これらの詳細な構成は公知の種々の技術が適用されてよく、上記した以外の説明はここでは省略する。樹木の成長率予測システム１は、地球上の地域を格子状に分割された複数の個別領域ごとに、管理する。以下の説明では、日本国における管理を一例として説明するが、他の国に適用してもよいことは勿論である。個別領域の大きさは任意に設定されるが、例えば、１つの個別領域は、縦１００ｍ及び横１００ｍの範囲であり、個別領域の面積は１ｈａである。日本全体は、複数の個別領域に分割されており、複数の個別領域ごとに当該個別領域を識別する領域ＩＤが割り当てられている。なお、個別領域を、縦１０ｍ及び横１０ｍ〜縦５０ｍ及び横５０ｍとしてもよい。

１−２：ユーザ端末
図２は、ユーザ端末１００の機能を示すブロック図である。
図２を参照すると、ユーザ端末１００は、通信部１１０と、入力部１２０と、出力部１３０と、記憶部１４０と、センサー部１５０と、制御部１６０を備えている。各部は、公知の入出力Ｉ／ＦやＣＰＵ等により、またＨＤＤ等により実現されてよい。

通信部１１０は、所定の通信網に接続された各装置と通信を行う機能を有している。

入力部１２０は、ユーザ操作に基づく入力を受け付ける機能を有している。入力部１２０は、例えば、タッチパネル、マイク等で構成される。なお、後述するセンサー部１５０が検知したセンシングデータの替わりに、ユーザが入力部１２０を用いてセンシングデータを入力してもよい。例えば、ユーザは、タッチパネルに表示された地図情報を確認し、地図上の任意の地点をタップすることによって、地図上の特定の地点を指定できる。

ここで、地図の表示は、階層的に実行される。例えば、最初に日本地図が表示され、ユーザが日本地図上の任意の地点をタップすると、タップした地点が拡大された地図が表示される。更に、ユーザが拡大された地図をタップすると、より詳細な地図が表示される。
この操作を繰り返すことによって、ユーザ端末１００には、ユーザが所望する地域の詳細な地図が表示される。この状態で、ユーザが問い合わせのボタンを押下した後、地図上の地点をタップすると、入力部１２０は、タップした地点の緯度と経度を示す指定情報を生成する。指定情報は、通信部１１０を介して、サーバ３００Ａに送信される。なお、記憶部１４０に、緯度及び経度と領域ＩＤとを対応付けて記憶するテーブルを格納しておき、入力部１２０が、当該テーブルを参照することによって、領域ＩＤを生成し、生成した領域ＩＤをサーバ３００Ａに送信してもよい。
なお、入力部１２０は、プルダウンリスト等から特定の地域を選択することにより指定情報を生成してもよい。

出力部１３０は、例えば、ディスプレイ等の表示機構やスピーカなどの音声出力機構により画像データ、音声データ等の各種データを出力する機能を有している。

記憶部１４０は、情報処理装置を機能させるためのプログラムや各種データを記憶する機能を有している。

センサー部１５０は、ユーザ端末１００の種々の状態を検知する各種機器であるユーザ端末１００の所在位置をＧＰＳ機能により取得することであってもよい。

制御部１６０は、各種の情報処理を実行する機能を有している。サーバ装置３００とのデータの送受信処理等を実行する。

１−３：サーバ
図３は、サーバ３００Ａの構成を示すブロック図である。サーバ装置３００は、処理装置１０と、記憶装置２０と、通信装置３０と、入力装置４０と、出力装置５０とを備える。
処理装置１０は、サーバ３００Ａの全体を制御するプロセッサであり、例えば単数又は複数のチップで構成される。処理装置１０は、例えば、周辺装置とのインタフェース、演算装置及びレジスタ等を含む中央処理装置（ＣＰＵ：Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）で構成される。

記憶装置２０は、処理装置１０が読取可能な記録媒体であり、処理装置１０が実行する複数のプログラム、及び処理装置１０が使用する各種のデータを記憶する。複数のプログラムには、予測プログラムＰＲが含まれる。また、各種のデータには学習データＬＤ、第１テーブルＴＢＬ１、第２テーブルＴＢＬ２、及びデータベースＤＢが含まれる。記憶装置２０は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、又はＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）等の不揮発性記憶回路と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の揮発性記憶回路とにより構成される。

第１テーブルＴＢＬ１には、個別領域の領域ＩＤと、個別領域の緯度範囲、及び個別領域の経度範囲が対応づけられて記憶される。第１テーブルＴＢＬ１を参照することによって、緯度と経度の組によって指定される地点が属する個別領域に対応する領域ＩＤを知ることができる。

第２テーブルＴＢＬ２には、情報収集装置２００を識別する装置ＩＤと、情報収集装置２００に搭載されたカメラの画角を示す画角データとが対応づけられて記憶される。第２テーブルＴＢＬ２を参照することによって、装置ＩＤによって指定される情報収集装置２００が地上を撮像する際に用いるカメラの画角を知ることができる。

データベースＤＢには、複数のレコードが記憶される。図４にデータベースＤＢの記憶内容の一例を示す。データベースＤＢに記憶されるレコードには、領域ＩＤ、個別領域に植栽された複数の樹木の平均樹齢、個別領域に植栽された複数の樹木の平均太さ、個別領域の本数密度、個別領域に植栽された複数の樹木の樹種、及びレコードの更新年月日を対応付ける。樹木の太さは、地表から所定の高さの樹木の直径である。樹木の太さは、例えば、胸高直径としてしてもよく、地表から約１.３ｍの高さの樹木の直径である。即ち、平均太さは、例えば、平均胸高直径であってもよい。本数密度は、個別領域に植栽された複数の樹木に関する単位面積当たりの本数である。単位面積として任意の面積を設定できるが、この例で１ｈａである。また、この例の個別領域の面積は１ｈａであるので、本数密度と個別領域に植栽された樹木の本数は一致する。図４に示されるデータベースＤＢは、領域ＩＤ「0001」に対応する個別領域には、杉が９５０本植生されており、平均樹齢が１０年、平均太さが１５ｃｍであることを示している。

データベースＤＢに記憶されるレコードは、作業員が個別領域に植栽された複数の樹木を計測することによって得られたデータの他、情報収集装置２００によって撮像された撮像データに基づいて計測されたデータが記憶される。レコードの更新年月日は、個別領域の樹木の状態が計測された年月日である。また、同一の個別領域であっても、新たに樹木の状態が計測された場合には、レコードが更新される。データベースＤＢの記憶内容を更新可能とすることによって、個別領域の樹木の成長率を予測する場合の予測精度を向上させることができる。

通信装置３０は、移動体通信網又はインターネット等の通信網を介して他の装置と通信する。通信装置３０は、例えば、ユーザ端末１００及び情報収集装置２００と通信する。入力装置４０は、ユーザの操作に応じた操作信号を生成し、操作信号を処理装置１０に出力する。入力装置４０として、例えば、キーボード、タッチパネル、ポティングデバイス、カメラ、及びマイク等が該当する。出力装置５０は、ユーザに情報を提供する。出力装置５０としては、例えば、画像情報を提供するディスプレイ、及び音声情報を提供するスピーカが該当する。
通信装置３０は、ユーザ端末１００から森林の定量的な価値を評価する対象となる地図上の地点を特定した問合せ等を受信する。

処理装置１０は、記憶装置２０から予測プログラムＰＲを読み出し、予測プログラムＰＲを実行することによって、特定部３０１、生成部３０２、取得部３０３、選択部３０４、第１算出部３０５、第２算出部３０６、予測部３０７、及び評価結果提供部３０８として機能する。

特定部３０１には、ユーザ端末１００から送信された指定情報が通信装置３０を介して供給される。指定情報は、ユーザが樹木に関する情報を知りたいと考える個別領域を指定する。指定情報は、ユーザによって指定された地点を、例えば、緯度及び経度によって指定する。上述したように日本地図は、複数の個別領域に分割されている。複数の個別領域のうち、ユーザによって指定された個別領域を、所定領域と称する。指定情報は、ユーザが樹木に関する情報を知りたいと考える個別領域を指定する情報であるから、所定領域を指定する情報である。特定部３０１は、指定情報に基づいて所定領域を特定する。具体的には、特定部３０１は、第１テーブルＴＢＬを参照して、指定情報に対応する領域ＩＤを取得することによって、所定領域を特定する。

生成部３０２は、通信装置３０を介して、情報収集装置２００から計測データを受信する。計測データは、情報収集装置２００を識別する装置ＩＤ、情報収集装置２００用いて撮像された撮像データ、撮像時の情報収集装置２００の位置を示す位置データ、及び撮像時を示す時刻データを含む。第２テーブルＴＢＬ２には、情報収集装置２００を特定する装置ＩＤと、情報収集装置２００に搭載されたカメラの画角を示す画角データとが対応づけられて記憶されている。生成部３０２は、第２テーブルＴＢＬ２を参照して、装置ＩＤに対応付けられた画角データを取得する。

位置データは、緯度、経度、及び高度を示す。生成部３０２は、位置データと画角データに基づいて、撮像データが、地上のどの範囲を撮像したかを特定する。生成部３０２は、撮像データを解析することによって、撮像範囲に存在する一又は複数の樹木ごとに、樹木の位置、樹木の太さ、及び樹木の種類である樹種を特定した樹木データを生成する。生成部３０２は、樹木データに基づいて、データベースＤＢのレコードを生成し、生成したレコードをデータベースＤＢに記憶する。また、データベースＤＢに、樹木データを領域ＩＤ及び樹木を識別する樹木ＩＤとを対応付けて記憶してもよい。なお、サーバ３００Ａは、森林所有者の有する植栽履歴のデータ、行政または森林簿などのデータなどを、通信装置３０を介して取得し、取得したデータに基づいて樹木の樹齢を特定してもよい。この場合、樹木データに樹木の樹齢を含ませてもよい。また、データベースＤＢに、森林所有者の有する植栽履歴のデータ、行政または森林簿などのデータに基づいて、予め樹木データを記録しておき、情報収集装置２００によって得られた撮像データに基づいて、樹木データに含まれる樹木の太さ及び樹種を更新してもよい。

生成部３０２は、撮像データの示す撮像画像から樹木ごとの画像を抽出し、抽出した画像に基づいて樹種を特定する。生成部３０２は、更に、生成部３０２は、抽出した画像に基づいて樹冠の特定し、特定した樹冠に基づいて、樹木の太さを推定する。この推定において、生成部３０２は、例えば、回帰式を用いる。さらに、生成部３０２は、樹種に応じて回帰式を選択することによって、一つの回帰式を用いる場合と比較して樹木の太さの推定精度を向上させることができる。

生成部３０２は、樹木データの示す位置に基づいて、樹木データに対応する樹木が属する個別領域を特定する。生成部３０２は、個別領域ごとに当該個別領域に属する樹木の本数を累計することによって、本数密度を算出する。また、生成部３０２は、当該個別領域に属する樹木の太さを平均することによって平均太さを算出する。

取得部３０３は、所定領域に植栽された複数の樹木について、第１時点における平均樹齢、第１時点における平均太さ、第１時点における所定領域の本数密度を取得する。具体的には、取得部３０３は、特定部３０１が特定した所定領域の領域ＩＤに対応するレコードをデータベースＤＢから読み出す。ここで、第１時点を現在とすれば、取得部３０３は、レコードに含まれる更新年月日と現在の年月日の差分を算出する。取得部３０３は、レコードに含まれる平均樹齢に差分を加算し、加算結果を第１時点の平均樹齢として取得する。また、取得部３０３は、更新年月日を現時点として、後述する選択部３０４、第１算出部３０５、第２算出部３０６及び予測部３０７を動作させることによって、所定領域に植栽された複数の樹木について平均成長率Ｒを予測し、予測した平均成長率Ｒと差分と更新年月日における平均太さに基づいて、第１時点における平均太さを算出してもよい。

サーバ３００Ａは、選択部３０４、第１算出部３０５、第２算出部３０６、及び予測部３０７を用いて、所定領域に属する複数の樹木について、平均成長率Ｒを算出する。
ここで、平均成長率Ｒは、以下に示す式１で与えられる。
Ｒ＝Ｄ_Ｎ＋１／Ｄ_Ｎ…式１
但し、Ｄ_Ｎは第１時点にける平均太さであり、Ｄ_Ｎ＋１は第１時点から所定期間経過後の平均太さである。所定期間は適宜設定することができるが、以下の説明では所定期間を１年とする。即ち、平均成長率は、所定領域に属する複数の樹木について、現在（第１時点）における平均太さＤ_Ｎに対する、１年後（第１時点から所定期間経過した第２時点）における複数の樹木の平均太さＤ_Ｎ＋１の割合である。

また、平均成長率Ｒは、以下に示す式２によって与えられる。
Ｒ＝Ｒ１+Ｒ２…式２
ここで、Ｒ１は平均成長率Ｒのうち第１成分を示す第１成分値であり、Ｒ２は平均成長率Ｒのうち第２成分を示す第２成分値である。第１成分は、樹齢に関する成長率の成分である。一方、第２成分は、本数密度と樹木の太さ等の育成環境に関する成長率の成分である。

次に、樹木の成長率について第１成分と第２成分とに分けて説明する。第１成分は、樹齢に関する成長率の成分であり、第１成分値Ｒ１は、樹齢ｔを変数とする関数Ｆ（ｔ）で与えられる。樹木は、樹齢が高くなると樹齢が低い（若い）ときよりもあまり成長しなくなり、成長率は減衰する。また、樹木の成長率は、樹木の育成環境によって変化する。

図５に、第１成分であるＲ１＝Ｆ（ｔ）で規定される成長率曲線を示す。
成長率曲線ｇ１は、本数密度をごく狭い幅で管理している林における第１成分値Ｒ１と樹齢ｔとの関係を示す。成長率曲線ｇ１は、伝統的な本数密度の管理が適用される林の典型例である。成長率曲線ｇ１は、以下の式によって与えられる。
Ｆ（ｔ）＝Ｐ１・ｅ^−Ｋ１ｔ…式３
但し、Ｐ１及びＫ１は、林の本数密度に応じて定まる定数である。

成長率曲線ｇ２は、林内の樹木が空いている（本数密度が低い）状態の林における第１成分と樹齢ｔとの関係を示す。このような林では日当たり等の生育条件が良いため成長率曲線ｇ１よりも右上にシフトする。成長率曲線ｇ２は、林の本数密度を小さくしても、林内の樹木の成長を促進できない上限の本数密度に対応している。成長率曲線ｇ２は、以下の式によって与えられる。
Ｆ（ｔ）＝Ｐ２・ｅ^−Ｋ２ｔ…式４
但し、Ｐ２及びＫ２は、林の本数密度に応じて定まる定数である。

成長率曲線ｇ３は、林内の樹木が混んでいる（本数密度が高い）状態の林における第１成分と樹齢ｔとの関係を示す。このような林では、日当たり等の生育条件が悪いため成長率曲線ｇ３は成長率曲線ｇ１よりも左下にシフトする。成長率曲線ｇ３は、林に植栽された複数の樹木がこれ以上成長することによって平均太さが大きくなる場合、自然枯死が発生する限界の本数密度に対応している。成長率曲線ｇ３は、以下の式によって与えられる。
Ｆ（ｔ）＝Ｐ３・ｅ^−Ｋ３ｔ…式５
但し、Ｐ３及びＫ３は、林の本数密度に応じて定まる定数である。
図５から明らかなように、樹齢ｔに関する成長率の成分である第１成分値Ｒ１は、林内の本数密度に応じて変化する。

次に、第２成分について説明する。第２成分は、樹木の育成環境に関する成長率の成分であり、第２成分値Ｒ２は、林に植栽された複数の樹木の平均太さＤと、林の本数密度Ｎとを変数とする関数Ｂ（Ｎ、Ｄ）によって与えられる。
Ｒ２＝Ｂ（Ｎ、Ｄ）＝−ｂＬｏｇＮ−ｌｏｇＤ＋Ｃ…式６
但し、ｂ及びＣは、林の環境に応じて定まる定数である。

ここで、林内に植栽された複数の樹木について平均太さＤと、林内の本数密度Ｎとの関係について説明する。以下、縦軸をｌｏｇＤとし、横軸をｌｏｇＮとした場合の両者の関係を示すグラフを密度水準曲線と称する。

図６（ａ）に示される密度水準曲線Ｇ１は、図５に示される成長率曲線ｇ１に対応している。即ち、密度水準曲線Ｇ１は、本数密度をごく狭い幅で伝統的管理がなされている林を対象とする。密度水準曲線Ｇ１は、以下に示す式７で与えられる。
ｌｏｇＤ＝−ｂ１ＬｏｇＮ＋Ｃ１…式７
但し、ｂ１及びＣ１は、林の環境に応じて定まる定数である。

図６（ａ）に示される本数密度Ｎｘ、太さＤｘとなる点Ｘは、密度水準曲線Ｇ１上に存在する。この場合、Ｂ（Ｎｘ，Ｄｘ）＝０となるように、ｂ１及びＣ１が設定されている。即ち、以下に示す式８が成り立つ。
Ｂ（Ｎｘ、Ｄｘ）＝−ｂ１ＬｏｇＮｘ−ｌｏｇＤｘ＋Ｃ１＝０…式８
従って、密度水準曲線Ｇ１に対応する林では、樹木の平均成長率Ｒは、Ｒ＝Ｒ１＋Ｒ２＝Ｒ１＝Ｆ（ｔ）＝Ｐ１・ｅ^−Ｋ１ｔとなる。

一方、本数密度Ｎｙ、太さＤｙとなる点Ｙは、密度水準曲線Ｇ１よりも下方に位置する。
点Ｙ（Ｎｙ，Ｄｙ）の環境は、密度水準曲線Ｇ１に対応する林よりも、樹木の平均太さが細いわりには密度が低く、空いている状態、日当たり等の生育条件が良い環境である。
この場合、Ｒ２＝Ｂ（Ｎｙ，Ｄｙ）＞０となる。このため、第２成分値Ｒ２が樹木の平均成長率Ｒに寄与し、Ｒ＞Ｒ１となる。

他方、本数密度Ｎｚ、太さＤｚとなる点Ｚは、密度水準曲線Ｇ１よりも上方に位置する。
点Ｙ（Ｎｚ，Ｄｚ）の環境は、密度水準曲線Ｇ１に対応する林よりも、樹木の平均太さが太いわりには密度が高く、混んでいる状態、日当たり等の生育条件が悪い環境である。
この場合、Ｒ２＝Ｂ（Ｎｚ，Ｄｚ）＜０となる。このため、第２成分値Ｒ２が樹木の平均成長率Ｒに寄与せず、Ｒ＜Ｒ１となる。

次に、図６（ｂ）に、密度水準曲線Ｇ１に、密度水準曲線Ｇ２及び密度水準曲線Ｇ３を加えて示す。
密度水準曲線Ｇ２は、図５の成長率曲線ｇ２と対応するものである。なお、林内の樹木が空いている（本数密度が低い）状態であっても、一定の空き具合に到達すると日光の奪い合い等の影響が少なくなり、樹木の成長率を押し上げる効果は頭打ちとなることを考慮して密度水準曲線Ｇ２は決定されている。密度水準曲線Ｇ２は、林の本数密度を小さくした場合、林に植栽された複数の樹木の成長を促進できない本数密度と平均太さとの関係を示す密度水準曲線である。密度水準曲線Ｇ２は式９に示す関係がある。
ｌｏｇＤ＝−ｂ２ＬｏｇＮ＋Ｃ２…式９
また、密度水準曲線Ｇ２の近傍にある林の第２成分値Ｒ２は、以下に示す式１０で与えられる。
Ｂ（Ｎ、Ｄ）＝−ｂ２ＬｏｇＮ−ｌｏｇＤ＋Ｃ２…式１０

密度水準曲線Ｇ３は、図５の成長率曲線ｇ３と対応するものである。密度水準曲線Ｇ３は、林に植栽された複数の樹木の平均太さを大きくした場合、自然枯死が発生する本数密度と平均太さとの関係を示す密度水準曲線である。ある林において植栽された複数の樹木が成長すると、次第に日当たりが悪くなる。この結果、自然枯死が発生する。即ち、自然枯死が発生しない状態と自然枯死が発生する状態の境界に相当する密度水準曲線が存在する。密度水準曲線Ｇ３は、境界に対応する密度水準曲線である。密度水準曲線Ｇ３は式１１に示す関係がある。
ｌｏｇＤ＝−ｂ２ＬｏｇＮ＋Ｃ２…式１１
また、密度水準曲線Ｇ３の近傍にある林の第２成分値Ｒ２は、以下に示す式１２で与えられる。
Ｂ（Ｎ,Ｄ）＝−ｂ３ＬｏｇＮ−ｌｏｇＤ＋Ｃ３…式１２

次に、図６（ｃ）を参照して、上記の三本の密度水準曲線Ｇ１、Ｇ２、及びＧ３を用いた多様な本数密度の管理への対応を説明する。
例えば、所定の領域における樹木の本数密度と平均太さとの関係が密度水準曲線Ｇαと求められた場合、密度水準曲線Ｇαに対応する第２成分値Ｒ２（＝Ｂ（Ｎα，Ｄα））を求めることができればよい。この場合、密度水準曲線Ｇαに対応する定数ｂα及びＣαが既知であることが必要である。

しかしながら、全ての樹木の本数密度と平均太さとの関係について予め定数を設定するのは、容易でない。そこで、本実施形態では、林の環境を３本の密度水準曲線Ｇ１、Ｇ２、及びＧ３を用いて近似する。

具体的には、樹木の本数密度と平均太さとで規定される座標と、３本の密度水準曲線Ｇ１、Ｇ２、及びＧ３との間の距離を各々算出し、最も距離の短い密度水準曲線を選択し、選択された密度水準曲線に対応する定数を選択する。
例えば、図６（ｃ）に示される点α（Ｎα,Ｄα）が与えられた場合、点αからの距離が最も短い密度水準曲線は、密度水準曲線Ｇ３である。従って、所定領域の本数密度Ｎαで平均太さＤαである場合、第２成分値Ｒ２は、以下の式１３で算出される。
Ｒ２＝Ｂ（Ｎα,Ｄα）＝−ｂ３ＬｏｇＮα−ｌｏｇＤα＋Ｃ３…式１３
同様に、多様な本数密度（本数密度）に応じた密度水準曲線ごとに、三本の密度水準曲線Ｇ１、Ｇ２及びＧ３のうちどの近傍にあるのかが判断され、該当するものが基準として選択採用されることとなる。以下、選択部３０４、第１算出部３０５、第２算出部３０６、及び予測部３０７について説明する。

図３に示される選択部３０４は、林内の複数の樹木の太さの平均値と林における本数密度との関係を示すグラフにおいて、第１密度水準曲線、第２密度水準曲線、及び第３密度水準曲線のうち、所定領域の平均太さ及び所定領域の本数密度の座標からの距離が最も短い密度水準曲線を選択する。ここで、第１密度水準曲線に対応する林の本数密度は、第２密度水準曲線に対応する林の本数密度よりも大きく、第３密度水準曲線に対応する林の本数密度よりも小さい。即ち、３本の密度水準曲線は、本数密度が互いに異なる林に対応する。

また、第２密度水準曲線は、第２密度水準曲線に対応する林の本数密度を小さくした場合、林に植栽された複数の樹木の成長を促進できない本数密度と平均太さとの関係を示す密度水準曲線であることが好ましい。即ち、第２密度水準曲線は、上述した密度水準曲線Ｇ２であることが好ましい。

また、第３密度水準曲線は、林に植栽された複数の樹木の平均太さを大きくした場合、自然枯死が発生する本数密度と平均太さとの関係を示す密度水準曲線であることが好ましい。ある林において植栽された複数の樹木が成長すると、次第に日当たりが悪くなる。この結果、自然枯死が発生する。即ち、自然枯死が発生しない状態と自然枯死が発生する状態の境界に相当する密度水準曲線が存在する。第３密度水準曲線は、境界に対応する密度水準曲線である。即ち、第３密度水準曲線は、上述した密度水準曲線Ｇ３であることが好ましい。
さらに、第１密度水準曲線は、上述した密度水準曲線Ｇ１であることが好ましい。

第１算出部３０５は、所定領域を、選択部３０４によって選択された密度水準曲線に対応する林として想定し、平均樹齢に基づいて、所定領域に植栽された複数の樹木の平均成長率Ｒのうち第１成分を示す第１成分値Ｒ１を算出する。
具体的には、第１算出部３０５は、以下の式に従って、第１成分値Ｒ１を算出する。
Ｒ１＝Ｐ・ｅ^−Ｋｔ
但し、ｔは所定領域に植栽された複数の樹木の第１時点における平均樹齢、Ｐ及びＫは選択部３０４によって選択された密度水準曲線に対応する林を想定した場合の正の定数である。

記憶装置２０は、定数Ｐについて３個の定数Ｐ１、Ｐ２、及びＰ３、並びに定数Ｋについて３個の定数Ｋ１、Ｋ２、及びＫ３を記憶している。第１算出部３０５は、選択部３０４によって、第１密度水準曲線が選択された場合、記憶装置２０から定数Ｐ１及び定数Ｋ１を読み出し、第２密度水準曲線が選択された場合、記憶装置２０から定数Ｐ２及び定数Ｋ２を読み出し、第３密度水準曲線が選択された場合、記憶装置２０から定数Ｐ３及び定数Ｋ３を読み出す。第１算出部３０５は、読み出した定数の組を上記式に適用することによって、第１成分値Ｒ１を算出する。

第２算出部３０６は、選択部３０４によって選択された密度水準曲線に対応する林内の複数の樹木の太さの平均値と本数密度との関係に基づいて、所定領域に植栽された複数の樹木の平均成長率Ｒのうち第２成分を示す第２成分値Ｒ２を算出する。
具体的には、第２算出部３０６は、以下に示す式に従って、第２成分値Ｒ２を算出する。
Ｒ２＝Ｂ（Ｎ、Ｄ）＝−ｂＬｏｇＮ−ｌｏｇＤ＋Ｃ
但し、Ｎは所定領域の本数密度、Ｄは所定領域に植栽された複数の樹木の平均太さ、ｂ及びＣは、選択部３０４によって選択された密度水準曲線に対応する林に応じて定まる定数である。

記憶装置２０は、定数ｂについて３個の定数ｂ１、ｂ２、及びｂ３、並びに定数Ｃについて３個の定数Ｃ１、Ｃ２、及びＣ３を記憶している。第２算出部３０６は、選択部３０４によって、第１密度水準曲線が選択された場合、記憶装置２０から定数ｂ１及び定数Ｃ１を読み出し、第２密度水準曲線が選択された場合、記憶装置２０から定数ｂ２及び定数Ｃ２を読み出し、第３密度水準曲線が選択された場合、記憶装置２０から定数ｂ３及び定数Ｃ３を読み出す。第２算出部３０６は、読み出した定数の組を上記式に適用することによって、第２成分値Ｒ２を算出する。

予測部３０７は、第１成分値Ｒ１と第２成分値Ｒ２との合計を算出し、算出結果を所定領域に植栽された複数の樹木の平均成長率Ｒとする。

上述したように、第２成分は、林の環境に関する樹木の成長率の成分である。この場合、林の環境は、第１時点から所定期間が経過する第２時点までの間に、変化しないことを前提としている。しかしながら、所定期間に間伐が予定されていることもある。適切な間伐が実施されると、日当たり等の育成条件が向上するので、樹木の成長率が高くなる傾向にある。そこで、予測部３０７は、以下に示す式によって、平均成長率Ｒを算出してもよい。
Ｒ＝Ｒ１＋δＲ２
但し、δは補正係数であり、樹種及び所定期間に実施が予定される間伐パターンに応じて定まる。

より詳細には、補正係数δは日当たりをより必要とするか否かの樹種（陽樹・陰樹）に応じて変化する。陽樹とは、日の光が十分に当たる場所で生育する樹木のことをいい、マツ、ナラ等がある。陰樹とは、日の光に対する要求性が比較的低い樹木のことをいい、スギ、ブナ等がある。
例えば、林内の樹木が混んでいる状態になって日当たりが悪くなっても、陰樹の樹冠は、陽樹の樹冠よりも枯れにくい（直射日光のあたりにくい位置で生存している樹冠を陰樹冠という）。そのため、林内の樹木が空いている状態になって日当たりが良くなると、陰樹冠に日が当たることにより、成長に寄与するようになる。従って、陰樹の平均成長率Ｒは、陽樹の平均成長率Ｒよりも大きく伸びることもある。このため、補正係数δは陰樹の場合は、陽樹の場合よりも大きくなる（感度が高い）場合もある。ただし，陽樹・陰樹という区別だけでなく，

次に、図７に基づいて、間伐（間引き）パターンによる補正係数δが変化することを説明する。
図７は、縦軸Ｎ：本数密度、横軸Ｄ：太さであり、グラフは樹木の分布を表している。
ここで、ライン（ａ）は、細い樹木を多く間引く場合を意味する。細い樹木は高さも低いものが多く、もともと他の樹木を圧迫していないため、補正係数δ（例えば１．６）は０より大きくなるが下記のライン（ｂ）と比較して相対的に小さく（補正による影響は小さい）なる。

一方、ライン（ｂ）は、太さに関して満遍なく間引く場合を意味し、林の高い位置にある樹木も一部伐採することとなり、低い位置の樹木の日当たりが改善され樹木の成長が促進されるため、補正係数δ（例えば２．０）はライン（ａ）と比べてより大きく（補正による影響は相対的に大きい）なる。
他方、ライン（ｃ）は、太い樹木を多く間引く場合を意味する。

記憶装置２０に、樹種、間伐（間引き）パターン及び補正係数δとを対応付けた補正テーブルを格納し、予測部３０７は、補正テーブルを参照することによって、補正係数δを取得してもよい。
このように、予測部３０７は、補正係数δにより樹種や間伐パターン等による影響を考慮して第２成分値Ｒ２を生成できる。この結果、平均成長率Ｒの予測精度が向上する。

図８は、間伐による樹高の変化を示すグラフである。縦軸はＨ：高さ（樹高）、横軸はｔ：樹齢であり、間伐（図７のライン（ａ）の場合）により平均樹高は高くなる。林齢、平均太さ等を算定する際にこの事情を織り込んで計算することであってもよい。

また、予測部３０７は、領域成長量Ｑを予測する。領域成長量Ｑとは、所定領域に植栽された複数の樹木全体の成長量である。
予測部３０７は、領域成長量Ｑを予測するために、所定期間における所定領域に植栽された複数の樹木の平均成長量ｑを以下に示す式に従って算出する。
ｑ＝（Ｒ−１）・Ｄ
但し、Ｒは、複数の樹木の平均成長率であり、Ｄは第１時点における複数の樹木の平均太さである。

更に、予測部３０７は、以下に示す式に従って領域成長量Ｑを予測する。
Ｑ＝ｎ・ｑ
但し、ｎは所定領域に植栽された複数の樹木の本数である。即ち、予測部３０７は、平均成長量ｑに複数の樹木の本数ｎを乗算することによって、領域成長量Ｑを算出する。

次に、評価結果提供部３０８は、森林の経済的価値などの数値による定量的な価値の評価の結果等を算定して提供する機能を有している。具体的には、評価結果提供部３０８は、各種の画像データを生成する。各種の画像データには、地図の所定領域に対応する位置に領域成長量Ｑを示す画像データ、及び地図の所定領域に対応する位置に平均成長率Ｒを示す画像データが含まれる。
評価結果提供部３０８は、ユーザ端末１００からの問い合わせに応じて、生成した画像データを通信装置を介して、ユーザ端末１００に提供する。

１−４：第１実施形態の変形例
上述した第１実施形態は、以下の変形が可能である。
（１）第１実施形態では、所定領域における平均太さ、平均樹齢、及び本数密度に基づいて、所定領域に植栽された複数の樹木の平均成長率Ｒ及び領域成長量Ｑを予測したが、一つの樹木について成長率及び成長量を予測してもよいことは勿論である。この場合、平均太さを一つの樹木の太さに置き換え、平均樹齢を一つの樹木の樹齢に置き換えればよい。また、本数密度は、一つの樹木が属する個別領域の本数密度とすればよい。
この場合、サーバ３００Ａ（管理装置の一例）は、所定領域に植栽された複数の樹木のうち一の樹木について第１時点における樹齢、前記第１時点における前記一の樹木の太さ、前記第１時点における前記所定領域の本数密度を取得する取得部と、林内の複数の樹木の太さの平均値と前記林における本数密度との関係を示すグラフにおいて、第１密度水準曲線、第２密度水準曲線、及び第３密度水準曲線のうち、前記一の樹木の太さ及び前記所定領域の本数密度の座標からの距離が最も短い密度水準曲線を選択する選択部と、前記所定領域を、前記選択部によって選択された密度水準曲線に対応する林として想定し、前記樹齢に基づいて、前記一の樹木の成長率のうち第１成分を示す第１成分値を算出する第１算出部と、前記選択部によって選択された密度水準曲線に対応する前記関係に基づいて、前記一の樹木の成長率のうち第２成分を示す第２成分値を算出する第２算出部と、前記第１成分値と前記第２成分値との合計することによって、第１時点における前記一の樹木の太さに対する、前記第１時点から所定期間経過した第２時点における前記一の樹木の太さの割合である前記一の樹木の成長率を予測する予測部と、を備え、前記第１密度水準曲線に対応する林の本数密度は、前記第２密度水準曲線に対応する林の本数密度よりも大きく、前記第３密度水準曲線に対応する林の本数密度よりも小さい。
（２）第１実施形態では、図６（ｂ）などに示されるように、林内に植栽された複数の樹木について平均太さＤと、林内の本数密度Ｎとの関係を、密度水準曲線を用いて考察したが、林の込み具合は、他の指標によって評価してもよい。
例えば、混み合い度の指標として、収量比数（ＲＹ）：最多密度（ある樹高での上限の本数密度）を１としたときの、相対的な混み具合を示すものを用いることであってもよい。一例として図６（ｂ）に示される密度水準曲線Ｇ３はＲＹ１の場合などと表現することができる。
例えば、収量比数（ＲＹ）が０．８以上は混み過ぎであり、０．８に達したら自動的に伐採のアラートを出力する制御がなされてもよい。
さらに発展させて、トータルで最大利益の伐採計画を出力したり、微小領域ごとに伐採によりいくら儲かるか（利益額）等も算出して出力することが可能となる。

（３）なお、補助金を利用した植樹時点の履歴データを格納した所定のデータベースに基づいて樹齢を推定することであってもよい。その他、林況・地況の条件等を考慮して樹種・樹木の太さ・高さ等から樹齢を推定することなどの公知の樹齢推定技術が適用可能である。

（４）図９は、樹木の位置を真上からみた状態を示す図である。樹木の位置は、立木位置図として表されることであってもよく、箇所情報として一本ずつの樹木がどの位置にあるか地図上の地点（緯度及び経度の情報）に表示するように、サーバ３００Ａやユーザ端末１００等に出力する。
予測部３０７により算定された平均成長率Ｒを基礎に、各樹木の成長量の予測を行う。大きい樹木は大きく成長し、小さい樹木は小さく成長する挙動となる。
例えば、５年後の太さは、Ｒの５乗を乗算することで算出できる。
例えば、図９に示すように、現状が太さ１０ｃｍや１１ｃｍであり、樹木の成長後の将来予測値の平均太さを破線で示すようにサーバ３００Ａやユーザ端末１００等に対して評価結果提供部３０８を介して出力されることであってもよい。
従来は１ｈａ等の林全体の単位で平均と分散で分析していたが、一本ずつの樹木の成長に落とし込んで空間的にどの程度成長するか分析することを可能としている。さらに、これらの一本ごとの樹木の成長量を個別領域で集計（平均など）することにより、個別領域ごとの予測に繋げることもできる。

図１０の樹高曲線に示すように、Ｄ：太さは、Ｈ：高さ（樹高）に変換できる。一般に直径と樹高の間には相関があり、基本的に、太い樹木は高い（細い樹木は低い）という関係が統計上・経験上知られている。また、林齢が高くなると上方にシフトしながら傾きが緩やかになる。
なお、大きい樹木の根の張り具合に基づいて山地災害危険度が小さくなる（防災）という観点からの分析も可能となる。

２．第２実施形態
２−１：全体構成
第２実施形態に係る樹木の成長率予測システム１は、サーバ３００Ａの替わりにサーバ３００Ｂを用いる点を除いて、第１実施形態と同じ構成である。以下、相違点について説明する。サーバ３００Ｂは管理装置の一例である。

２−２：サーバ
図１１は、サーバ３００Ｂの構成を示すブロック図である。第２実施形態に係るサーバ３００Ｂは、図３に示されるサーバ３００Ａと以下の点で相違する。処理装置１０は、記憶装置２０から予測プログラムＰＲを読み出して実行することによって、特定部３０１、生成部３０２、取得部３０３、選択部３０４、第１算出部３０５、第２算出部３０６、予測部３０７、及び評価結果提供部３０８の他に、学習データ格納部３０９及びモデル生成部３１０として機能する。
また、記憶装置２０に、学習データＬＤと学習モデルＭとが記憶される。

学習データ格納部３０９は、学習データＬＤ（教師データ）を生成し、生成した学習データＬＤを記憶装置２０に格納する。学習データＬＤには、２つの態様がある。第１の態様は、学習データＬＤが、予測部３０７が予測した平均成長率Ｒなどの予測データと、取得部３０３が取得した実測された実データとによって構成される。第２の態様は、学習データＬＤが、取得部３０３が取得した実測された実データであって、計算のパラメータ部分の実データとなるものと、計算の結果（森林の定量的な価値）の実データとなるものとによって構成される。

モデル生成部３１０は、人工知能（ＡＩ）モジュールにより、学習データＬＤに基づいて、予測データと、取得部３０３が取得した実測された実データとの関係を学習した学習モデルＭを生成し、記憶装置２０に格納する。具体的には、モデル生成部３１０は、予測データと実データとの関係を回帰分析等により機械学習する。回帰する方法は、例えば、線形回帰、多項式回帰やロジスティック回帰など、公知の手法を用いることができる。
また、モデル生成部３１０は、学習データＬＤ（教師データ）に基づいて、取得部３０３が取得した実測された実データであって、計算のパラメータ部分の実データとなるものと、計算の結果（森林の定量的な価値）の実データとなるものとの関係を学習した学習モデルを生成し、記憶装置２０に格納することであってもよい。具体的には、モデル生成部３１０は、大量の学習データＬＤに基づいて、多層構造のニューラル通信網を用いたディープラーニング（深層学習）により、機械学習を実行してもよい。
また、モデル生成部３１０は、その他の公知の機械学習等により学習モデルＭを生成してもよい。

評価結果提供部３０８は、ユーザ端末１００により問い合わされた地図上の特定の地点に対応する領域ＩＤに基づいて、予測部３０７が予測した予測データを学習モデルＭにより補正し、評価結果データ（補正後の推定値・予測値）として提供する。なお、予測部３０７が計算した樹木の成長率等の予測値（補正前）をそのまま補正することなく提供してもよい。
また、評価結果提供部３０８は、ユーザ端末１００により問い合わされた地図上の評価対象となる特定の地点に対応する領域ＩＤに基づいて、取得部３０３が取得した評価対象となる実測された実データであって、計算のパラメータ部分の実データとなるものに基づいて、ニューラル通信網を用いたディープラーニングによる学習モデル等により計算した評価結果データ（推定値・予測値）を提供してもよい。

次に、本実施の形態に係る樹木の成長率予測システム１の学習モデルＭに基づいて森林の定量的な価値を提供する際の基本的（汎用的）な２つの処理動作を、図１２（ａ）、（ｂ）のフローチャートを参照して説明する。

最初に図１２（ａ）を参照すると、まず、サーバ３００Ｂの通信装置３０は、ユーザ端末１００から特定の地点における森林の所定の価値の問い合わせを受信する（ステップＳ３０１）。ユーザ端末１００に表示された日本地図上の任意の地点うちから画面に対するタップ操作するなどにより、地図上の特定の地点を指定することであってもよい。もちろん、プルダウンリスト等から特定の地域を選択することにより指定すること等であってもよい。

次に、評価結果提供部３０８は、ユーザに指定された地点に対応する領域ＩＤおける森林の価値（ユーザにより特定された種類の価値）の評価問題を、予測部３０７に解かせて、補正前の予測データを算出させる（ステップＳ３０２）。

次に、評価結果提供部３０８は、予測データをモデル生成部３１０が生成した学習モデルＭにより補正する（ステップＳ３０３）。

そして、評価結果提供部３０８は、補正した値を、森林の価値の評価結果データ（補正後の推定値・予測値）として提供する（ステップＳ３０４）。

次に図１２（ｂ）を参照すると、上記のステップＳ３０１と同様に、まず、サーバ３００Ｂの通信装置３０は、ユーザ端末１００から特定の地点における森林の所定の価値の問い合わせを受信する（ステップＳ３０１´）。

次に、評価結果提供部３０８は、ユーザに指定された地点に対応する領域ＩＤおける森林の価値（ユーザにより特定された種類の価値）の評価問題を、取得部３０３が取得した計算のパラメータ部分の実データとなるものに基づいて、モデル生成部３１０が生成したニューラル通信網を用いたディープラーニングによる学習モデルＭ等により解いて、推定値を算出する（ステップＳ３０２´）。

そして、評価結果提供部３０８は、計算した値を、森林の価値の評価結果データ（推定値・予測値）として提供する（ステップＳ３０３´）。
以上、森林の定量的な価値を提供する際の学習モデルに関する基本的（汎用的）な２つの処理動作を説明したが、以降の本実施の形態における、具体例での説明の際には、特に明示しなくても、学習モデルの処理動作は、この２つのいずれもが並列的又は代替的に適用可能であるため、個別の箇所で繰り返しの説明は省略する。

２−３：データべース
次に、データベースＤＢの詳細を説明する。日本全域の地図をベースとするＵＩ（ユーザインターフェイス）とするため、日本全域の森林を「１０ｍ×１０ｍ」〜「５０ｍ×５０ｍ」の領域にメッシュ状に区切って１億点から２５億点の個別領域の集合体として位置づけ、ビッグデータのデータベースプラットフォームを形成する。

地図情報は、一定の緯度・経度の間隔で矩形に分離されたメッシュ単位で構成されている。さらに各メッシュは、所定の単位で分離された縮尺の異なる複数の階層から構成されている。メッシュは、日本の場合、例えば、総務省により定められた標準地域メッシュの規格を採用することであってもよい。標準地域メッシュは、１次メッシュ、２次メッシュ、３次メッシュの順に約１０分の１の面積比で構成される。さらに、メッシュは、１次〜３次メッシュより細分化した分割地域メッシュを、メッシュ単位として採用することであってもよい。地図情報は、メッシュ単位毎に分割される場合、それぞれ領域ＩＤと、対応する緯度及び経度の情報とを有する。

データベースＤＢに格納されるテーブルの行には各領域としての個別領域を識別するための領域ＩＤが割り当てられている。
データベースＤＢのテーブルの列に格納されるデータは、森林の価値を定量的に評価するために用いられる、すなわち技術常識に鑑みて森林の価値との間に何らかの相関関係等が存在し、森林の価値の定量的な評価の際にパラメータ等として利用可能なデータであり、例えば、各地域における、林況（樹種、本数（密度）、太さ（幹の直径）、高さ（樹高）、樹齢、樹木位置等）、気象条件（各月の温度・降水量・日照時間・積雪量、風速・風向・最大瞬間風速等）、地況（緯度経度、標高、地形の傾斜、地位、曲率、谷密度、集水域積算、災害履歴（山地崩壊履歴）等）、人為条件（保育・間伐体系、伐期（伐採に至るまでの期間）、間伐頻度、間伐率、使用機械等）、経済条件（木材市場価格、労賃、搬出費用、金利等）、制度条件（補助金、税率、計画制度等）、森林空間センシングデータ（動植物の外形、畦畔の音、風の音、動物の鳴き声、人間の発する声、樹木の形状、におい、味等）であり、各領域ＩＤに対応付けられて格納されている。その他、森林の価値を定量的に評価するために用いられる、すなわち技術常識に鑑みて森林の価値との間に何らかの相関関係等が存在し、森林の価値の定量的な評価の際にパラメータ等として利用可能なデータが各領域ＩＤに対応付けられてテーブルの列に格納されることであってもよい。なお、宇宙衛星（観測衛星）は、解像度などのスペックがアップデートされていくと考えられ、高高度から高密度にレーザ光を照射するなどの森林のはるか外側からの観測データも含む。また、本実施の形態における林況、気象条件、地況、人為条件、経済条件、制度条件及び森林空間センシングデータの各データの意味は上記の例示を含む概念と定義される。

データベースＤＢに格納される初期データは、既に日本全域で取得されているデータ（一般には非公開）を用いることであってよい。これまでに、データベースＤＢの基礎は構築済みであるのでこれらのデータを活用することができる。

データベースＤＢに追加される追加データは、ユーザが観測した実データ（樹木の本数、太さ、高さ）や、情報収集装置２００（ドローン、宇宙衛星、センサー附属型林業機械等）がビッグデータ等として収集した実データ（樹木の本数、太さ、高さ）がある。
さらに、データベースＤＢに追加される追加データとしては、ＡＩによる推定データ（利益額等）に基づいてユーザが実際に実施した結果の実データ（利益額等）がある。
さらに、データベースＤＢに追加される追加データとしては、ＡＩによるビッグデータ解析結果に基づく成果や情報を追加していく。
これらの情報を領域ＩＤをキーとして紐付けてデータベースＤＢに蓄積していくことなどが基礎となる。なお、領域ＩＤをキーとして各種のＤＢとの連携が図られることであってもよい。
また、データベースＤＢはクラウド化されユーザビリティの向上が図られていてもよい。

２−４：ＵＩ・出力例
上記のデータベースＤＢに基づいて、図１０に示すような、日本全域の地図をベースとするＵＩ（ユーザインターフェイス）とする。ユーザ端末１００の出力部１３０としてのディスプレイ等の表示機構に画面表示されることであってよい。
個別領域、流域、市町村、都道府県、国レベル、場合によっては個々の樹木レベルにおいて、多様なスケールに対応できるとともに、より広域のレイヤーが規模的に下位のレイヤーの積み上げで構成されている。そしてスケール間の情報の連続性が公知の技術を用いて担保されている。

すなわち、小スケールから大スケールに積み上げて、ある点にフォーカスすればその地点を微細に把握可能であり、一方、視点を引いていけば広域のものもよくわかるＵＩとなっている。
ここで、領域ＩＤをキーとして、各レイヤーの合算値に矛盾は無いように公知の技術を用いて構成されており、また、レイヤー間の現況把握、予測、最適化等の間にも矛盾は無いように構成されている。

図１０は、日本全域の地図をベースとする各個別領域について、利益額（収益−費用＝利益）と木材価格（材価）の変動に応じて、伐採による採算性をとれる個別領域（将来の収益は将来時点の木材価格に依拠するが、現在時点の木材価格に基づいて所定の変動があってもなお採算のある個別領域ごとに）を視覚化して出力（アウトプット）した例である。

図１３は、材価の変動に応じて長期的に経済的に循環可能（サステナブル）な個別領域を抽出して数値標高モデル（ＤＥＭ）のように、個別領域の集合体として、ラスターデータ又はベクターデータの一方又は両方により、日本全域をカバーしたマップにて示した例である。例えば、樹木の高さや太さ、本数密度という定量的なアウトプットは、樹木の種類等に基づいて、設定した個別領域に対し、現況と将来の成長量（木はどこかのタイミングで伐採しなくてはならなく、どのタイミングだと一時点の儲けの最大化ではなくサステナブルかの観点を含んでもよい。）を上記の樹木の成長率予測に基づいて算出して生成し、新たに現在から将来にかけての樹木の高さ、太さ、本数密度等を生成してデータベースに格納する。その際に、例えば、自己間引き率（自然枯死率）を設定し、将来の自然枯死を考慮した本数密度の推定法を利用してもよい。

そして、設定した個別領域に対し、新たに現在から将来にかけての木材利益額等を生成してデータベースＤＢに格納する。例えば、金利１％を割引率として設定し、将来の金利を考慮した現在価値による評価法を利用してもよい。現行の補助率等（補助金）を基礎とし、年間市況最頻値を基準（材価の市場有り）とし、地形の傾斜（山地災害危険度、日当たり）・地位（土地の生産力・肥沃度、水分・栄養の多寡（河川に近いと多い））のみを考慮した例である。なお、他の項目（鹿の分布・追い払うコスト）を考慮したアウトプット等であっても、個別領域ごとに情報を出力し林分、流域から日本全域まで詳細な情報を保存したまま広域展開することも可能である。

２−５：ソフトウェアのクラウド化
サーバ３００Ｂが、上記の機能ブロックで示したサーバ３００Ｂの機能のうち少なくとも一部をソフトウェアにより提供し、クラウド(SaaS/ASP)によりサーバ３００Ａが提供するサービス（ソフトウェア）をユーザがユーザ端末１００から使用して、サーバ３００Ａのデータベースへアクセスして入出力情報をやりとりするため、アウトプットの高速化・高精度化をはじめとするソフトウェアのユーザビリティ向上（利便性向上）に資する。
上記のソフトウェアによりサーバ３００ＢのデータベースＤＢへは、日本全域からアクセス可能であり、国土の７割を占める森林のあらゆる地域のユーザのユーザ端末１００のソフトウェアを介した入出力データと連携でき、ビッグデータの収集に繋がる。

２−６：ＡＩ解析
サーバ３００Ｂにおける、ＡＩ解析は、例えば、どの程度の利益額であれば、森林において伐採するという意思決定がとられるのかを、得られたビッグデータから学習モデルを生成して解析する。
モデル生成部３１０は、例えば、算出した推定利益額（＝収益項目の材木価格、種類、太さ、高さ等−費用項目の周囲の地形、労賃、搬出費用等）と、ユーザが記録し入力するなどして得られた実測（観測）された利益額との関係を学習した学習モデルを生成することであってもよい。

ＡＩ解析による定量的な評価結果としてのアプトプットは、森林の価値の評価結果データとしての利益額（補正後の推定値・予測値）そのものであるが、さらに展開して、例えば、想定される利益額に基づいて計算される、伐採される森林の範囲や木材生産量・必要労働量等の推定値・予測値であってもよい。なお、生成するアウトプットは、木材生産量などの実数であっても、労働量の稼働率などの割合であってもよい。
例えば、木材生産量というアウトプットは、地図上の地点に対応する複数の個別領域ごとに樹木の種類等に基づいて、現況の蓄積と将来の成長量を樹木の成長率予測に基づいて算出して現在から将来にかけての木材生産量等を生成してデータベースに格納し、例えば、一定の割引率（金利）や利益額又は利益率等を設定し、将来の金利や利益額を考慮して採算の取れる木材生産だけを計上して出力したり、収益を最大化する伐採の樹齢を計算するロジックを利用してもよい。

さらに、自律的にモデル生成部３１０は、学習データＬＤ（上記の推定データ（補正後）の木材生産量と、ユーザ端末等から入力された実データとしての実際に観測やセンシングされた木材生産量）に基づいて、推定値と観測値の間に所定の閾値以上の誤差がある場合は、誤差を最小化して精度を向上するように、機械学習により新たな学習モデルを生成し、その学習モデルにより補正して、樹木の成長率や木材生産量等の出力値を提供することであってもよい。これにより、ビッグデータによる新たな知見やフィードバックによってデータベース及びソフトウェアの改善をも効率的に自動化可能となり、広域通信通信網システムとの連動も踏まえ、シミュレーション・最適化・計画立案等は、その後のモニタリングによって得られたリアルタイムのインプット情報の観測値によって自動補正され、時間の経過とともに、陳腐化することのないシステムが実現される。学習モデル（予測可能技術）は数式等で表現し、プログラムのソースコードに書き加えることによってソフトウエアに組み込まれることであってもよい。

また、ＡＩ解析では、自ら範疇を決めずにルールを認知していったり、何のデータが足りなく、より良いパフォーマンスにするために何のデータが必要か判断させていく。ＡＩ自らビッグデータを取得するシステムの自動化により、自律的な改善をフルオートで可能とする汎用型ＡＩを広域で確立することができる。
具体的なアルゴリズムとしては、例えば、結果の精度を検証することがある。従来は頻度の高いデータのみ大量に収集するため、少ないデータの箇所は精度が悪くなり、誤差の大きいところとなる。予測に用いるデータの信頼度を考慮して、必要とされる推定（シミュレーション）の信頼度を充足しない場合、ＡＩが自ら通信網経由でデータを収集する。

図１４に示すように、グラフの横軸（林齢）に関して、日本全域における林齢４０年の林は多く、したがって縦軸（データ数）に関して、データは大量に集まり、観測値（四角印）と推定値（三角印）の乖離は小さい、すなわち精度が高く誤差は小さい。一方、林齢１００年の林は少なく、データは少なくなり、観測値と推定値の乖離が大きくなり、必要とされる推定（シミュレーション）の信頼度を充足しない場合がある。

そこで、ＡＩ解析により必要とされる推定（シミュレーション）の信頼度を充足しない（観測値と推定値の乖離が所定の閾値を超える）と判断した場合、例えば、情報収集装置２００としてのドローンによる飛行計画を立案し、予測（推定）に必要なデータに応じて当該データを収集するためどのような高度でどの範囲を飛行するか等のプランを出力する。そして、林齢１００年の林のデータを重点的に回収するようにドローンを飛ばしてデータを集めて、推定値を改善して、観測値と推定値の乖離を許容範囲内（閾値内）に小さくしていくことができる。

２−７：空間軸・時間軸
「空間軸」：日本全域レベルであり、樹木は温度・降水量・日照時間、地位等の様々な要因で成長し、日本は四季、個別の地域性がある。
「時間軸」：現時点のみでなく、樹木の成長の観点からの時間軸も考慮する。例えば、一年ごと、一か月ごと、一日ごと、などの推定データを算出してデータベースＤＢに格納する。後述する森林の多面的機能は、森林の状態の変化に依存している。したがって、森林の状態の変化を、樹木の成長率の予測により長期連続データとして推定することで、百年を超える時間方向に拡張したシミュレーションが可能となる。樹木の成長予測等を介して、時間方向においても長期的なシミュレーション・最適化・伐採事業等の計画立案が可能となる。

具体的な時間方向におけるシミュレーションの手法は、例えば、以下のようなものがある。
前提として、既存の画像データやユーザ端末１００と情報収集装置２００（ドローン等）から収集した画像データに基づいて、樹木の種類を判定する。具体的には、樹形、葉の形・色、といった樹木の特徴量に基づいて判定する。この判定には特徴量と樹木の種類との関係について、多層構造のニューラル通信網を用いたディープラーニング（深層学習）により、モデル生成部３１０で生成された高品質な学習済みモデルを用いてもよい。なお、季節によって、樹木の外観は変化する。また、標高や緯度経度によっても樹木の外観は変化する。そこで、これらの要素を特徴量に含ませて樹木の種類を判定してもよい。

次に、将来の森林の有り様を予測する。樹木の種類及び環境に応じた成長がある。
樹木の成長率に関する環境のパラメータは、例えば、各月の気温、各月の降水量、各月の日照時間、単位面積当たりの樹木数が含まれる。
モデル生成部３１０は、学習データＬＤ（例えば、予測部３０７が予測した成長率と、ユーザが記録し入力するなどして得られる取得部３０３が取得した実測された成長率）に基づいて、機械学習により学習モデルを生成し、評価結果提供部３０８はその学習モデルにより補正して樹木の成長率を評価結果データ（補正後の推定値・予測値）として提供することであってもよい。樹木の成長率の予測結果として、地図上の地点に対応する複数の個別領域（領域ＩＤ）ごとに一本ずつの樹木の大きさ（太さ、高さ）のデータをデータベースに格納する。なお、樹木の成長率の予測結果として生成する定量的なアウトプットは、林分蓄積（一斉に植林した林などの体積ｍ³）などの実数であっても、収量比数（１を１００％としたときの本数密度、０．６〜０．７が好ましい、高いと自己間引き始まる）などの割合であってもよい。また、例えば、過去の気候変動から将来の気候変動を予測し、樹木の成長率の予測結果に反映してもよい。

２−８：広範囲ＡＩの身体性の獲得
四季を持つ日本全域の多様な森林は広大に分布する。これまで、日本全域の多様かつ広大な森林を対象に適用可能な身体性を備えたＡＩは実現されていなかった。
図１に示すように、日本全域の森林を対象としたシステムを介し、国レベルの通信網による大量の情報収集装置２００によるセンシング、例えば、ドローンや宇宙衛星のカメラ機構やレーザ照射による自動林内撮影（樹木位置、太さ、高さ、動植物の外形等）や、音声レコーダーによる自動録音（林内の畦畔、風、動物の鳴き声、人間の発する声等）や、センサー附属型林業機械等によるセンシング（伐採する樹木の形状（真っ直ぐだと木材に適する）、太さ、長さ等）のデータを自動取得する。

「目（視覚＝カメラ機構）」、「耳（聴覚＝音声レコーダー）」、「手（触覚＝林業機械等のセンサー）」などからなる「身体性（五感）」をＡＩが獲得することにつながる。「鼻（嗅覚）」においセンサー、「舌（味覚）」味覚センサーなどを備えることであってもよい。
なお、大量のドローンの調和的制御がなされることであってもよい。大量のドローンの調和的制御とは人間には困難な自己犠牲的な全体最適による制御を指す（例えば、森林火災等の非常時における現地観測において、先行するドローン群で観測対象地への安全経路を自損も前提に探査し、帰還したドローンの経路を踏襲して後続のドローンが本格探査を実施する等の制御である。）

上記のセンシング結果の活用として、
（１）林内撮影等により、木材生産量、生物多様性、森林のＣＯ２吸収量、山地災害の危険度の算定に利用することができる。
例えば、地図上の地点に対応する複数の個別領域ごとに林内撮影による観測から得られた樹木の高さや太さ、本数密度というセンシング結果により、樹木の種類等に基づいて、上述した樹木の成長率を算出することができる。
（２）音声録音等により、生物多様性の評価に利用することができる。
例えば、林内の生物多様性というアウトプットは、地図上の地点に対応する複数の個別領域ごとに林内音声録音による観測から判別して得られた鳥類の種類等のデータに基づいて、現況の多様性を生成し、森林の伐採（伐採により多様性は小さくなる、なお一部伐採でも山林全体では多様性は大きくなるケースもある）などから、多層構造のニューラル通信網を用いたディープラーニング（深層学習）により、モデル生成部３１０で生成された高品質な学習済みモデルを用いて、新たに算出された現在から将来にかけての生物多様性等を生成してデータベースに格納する。例えば、シャノンの多様度指数や指標種の概念を設定し、特定の希少種の観測に基づく評価法を利用してもよい。なお、生成するアウトプットは種数などの実数であっても、生物多様度などの相対化された指数であってもよい。
（３）センサー附属型林業機械等によるセンシング結果により、木材生産の効率性・利益額の評価等の評価に利用することができる。
モデル生成部は、学習データＬＤ（地図上の２地点間のセンサー附属型林業機械等の観測に基づいて差分により計算された移動時間（短時間だと伐採コスト下がる））に基づいて、多層構造のニューラル通信網を用いたディープラーニング（深層学習）により、モデル生成部３１０で生成された高品質な学習済みモデルを用いて、木材生産の効率性等のアウトプットを提供することであってもよい。

２−９：実施例
本実施の形態におけるシステムは、ＡＩ解析等により、多額の税金を投入している行政の説明責任、合意形成の基礎資料として活用もできる、以下のような分析・アウトプットが可能である。モデル生成部３１０で生成された高品質な学習済みモデルを用いることであってよい。
（１）定量的なアウトプットに基づいて、防災のリスクを最小化したい場合には、伐採して植え替えるときの、伐採フィールド及び伐採タイミングの時空間も決定できる。例えば、伐採は、路網（林道、作業道等）の設置と連動する。路網の設置は、地盤が弱くなる、土砂の流出などに起因して防災リスクを高めるため、防災リスクの潜在的に高いエリアは、路網の設置及び伐採を控えるなどして山地崩壊を制御するなどの最適化計算が可能となる。樹木の成長によって、防災リスクに影響する根茎の深さ（成長に伴い根茎が深くなり、基岩層の亀裂に根を張り地盤の浸食や崩壊を防ぐ機能）も変化するため、時間とともに巨大化する森林の予測によって時間軸を推定に付加してもよい。
（２）山地災害危険度を予測する。樹木の種類、樹齢、地形の傾斜などに基づいて山地災害危険度を予測する。山地災害危険度は単位領域当たりの等高線密度で表し、マップ化することであってもよい。例えば、山地災害危険度という定量的なアウトプットは、樹木の種類等に基づいて、現況の危険度と将来の危険度を算定し、例えば、乱数やシナリオを設定し、将来のゲリラ豪雨による降雨イベントを考慮した不確実性や確率論による評価法を利用してもよい。なお、生成するアウトプットは山地災害によって見込まれる木材被害量などの実数であっても、災害の発生確率（傾斜が急、地形の複雑さに基づく）などの割合であってもよい。
（３）伐採による採算性が低く、かつ、災害発生頻度の低い領域などを、太陽光発電の対象地として設定するなど、個別の森林所有者との交渉・市町村単位の都市計画・コンサルティング等に活用することも可能となる。例えば、定量的なアウトプットは、利益額などの実数であっても、災害の発生確率などの割合であってもよい。さらに、太陽光発電の採算性と比較することでより有利な土地利用の選択肢を評価することも可能となる。
（４）ＣＯ２吸収量（二酸化炭素吸収量）を予測する。樹木の種類、樹齢、場所、地形などに基づいて例えば、一年ごとのＣＯ２吸収量を予測する。ＣＯ２吸収量のパラメータは、間伐頻度（間引く頻度、面積の２割×２回、面積の４割×１回、コストとの兼ね合い、周辺の林との兼ね合いも・トータルで安価となるタイミングで）等であり、本数密度や樹齢、地位などの計算を実行することによって、ＣＯ２吸収量が算出される。例えば、樹木のＣＯ２吸収量算定という定量的なアウトプットは、林内のフラックスタワーなどによる観測から得られた樹木の種類等に基づいて、設定した個別領域に対し、現況と将来の成長率を算出して、新たに現在から将来にかけての成長率と樹種ごとに設定されたＣＯ２換算率に基づきＣＯ２吸収量等を生成する。その際に、例えば、バイオマス拡大係数を設定し、幹材積から枝葉や根茎も考慮したＣＯ２吸収量による評価法を利用してもよい。

上記の本実施の形態によれば、三本の密度水準曲線による多様な本数密度管理への対応等も可能となる。これらには樹木の太さの成長量なども反映でき、さらに間伐などの人為的作業の影響も詳細に考慮できる。
また、図１１に示すように、樹木の成長率に関する各パラメータを推定するうえで、不足するデータがあれば、能動的に希少データを探査しＢｉｇＤａｔａを収集し、収集したデータからパラメータを再度修正し、予測式を改善する、このことを繰り返し、観測値と予測式による推定値を比較することで、さらなる精度向上の自動化を図るＡＩアルゴリズムを適用可能である。
また、上記の樹木の成長率予測を基礎に、各樹木の成長予測を行い、これらの一本ごとの樹木の成長を個別領域で集計すれば、個別領域ごと等の各レイヤーにおける予測に繋げることもできる。
また、ユーザ端末１００としてのスマートフォン向けのアプリケーションとして提供されることにより、ユーザは樹木の成長予測を３Ｄ画像等で確認することもできる。

さらに、上記の本実施の形態によれば、日本全域の多様かつ広大な森林を対象に適用可能なＡＩを活用して、樹木の成長の観点を含む森林の経済的価値などの価値を数値により定量的に評価可能な森林データの利用技術を実現することができる。そして、上記の効果を奏する限り、上記処理工程は一部の順序が入れ替わったり、同時並行的に処理されることであったり、必須ではない処理が省略されてもよいのはもちろんである。

なお、上述する実施の形態は、本発明の好適な実施の形態であり、本発明の要旨を逸脱しない範囲内において種々変更実施が可能である。例えば、各装置・システムの機能を実現するためのプログラムを各装置・システム等に読込ませて実行することにより各装置・システム等の機能を実現する処理を行ってもよい。さらに、そのプログラムは、コンピュータ読み取り可能な記録媒体であるＣＤ−ＲＯＭ又は光磁気ディスクなどを介して、又は伝送媒体であるインターネット、電話回線等を介して伝送波により他のコンピュータシステムに伝送されてもよい。また、一部のシステムが人の動作を介在して実現されてもよい。
また、上述の各処理の具体例は、それぞれ組み合わせて実施されてよく、その際に用いられている公知のデータ等は既知のデータベース等と連携して通信網から取得したり、それらの取得されたデータが本システムのデータベースに格納されて利用されることであってもよい。すなわち、当業者が技術常識から理解実現可能な細部の記載は適宜省略されている場合もある。

１ 樹木の成長率予測システム
１００ ユーザ端末
２００ 情報収集装置
３００Ａ,３００Ｂ サーバ

Claims (12)

1. 所定領域に植栽された複数の樹木について、第１時点における平均樹齢、前記第１時点における平均太さ、及び前記第１時点における前記所定領域の本数密度を取得する取得部と、
   林内の複数の樹木の太さの平均値と前記林の本数密度との関係を示すグラフにおいて、第１密度水準曲線、第２密度水準曲線、及び第３密度水準曲線のうち、前記平均太さ及び前記所定領域の本数密度の座標からの最短距離が最も短い密度水準曲線を選択する選択部と、
   前記所定領域を、前記選択部によって選択された密度水準曲線に対応する林として想定し、前記平均樹齢に基づいて、前記所定領域に植栽された複数の樹木の平均成長率のうち第１成分を示す第１成分値を算出する第１算出部と、
   前記選択部によって選択された密度水準曲線に対応する前記関係に基づいて、前記所定領域に植栽された複数の樹木の平均成長率のうち第２成分を示す第２成分値を算出する第２算出部と、
   前記第１成分値と前記第２成分値とを合計することによって、前記第１時点における平均太さに対する、前記第１時点から所定期間経過した第２時点における平均太さの割合である平均成長率を予測する予測部と、を備えた、前記所定領域に植栽された複数の樹木の平均成長率を予測する情報処理装置であって、
   前記第１密度水準曲線に対応する林の本数密度は、前記太さの平均値が同一の場合に、前記第２密度水準曲線に対応する林の本数密度よりも大きく、前記第３密度水準曲線に対応する林の本数密度よりも小さい、
   ことを特徴とする情報処理装置。
   
2. 前記第２密度水準曲線は、前記第２密度水準曲線に対応する林の本数密度を小さくした場合、前記第２密度水準曲線に対応する林内の複数の樹木の成長を促進できない本数密度と太さの平均値との関係を示す密度水準曲線であることを特徴とする、請求項１に記載の情報処理装置。
   
3. 前記第３密度水準曲線は、前記第３密度水準曲線に対応する林内の複数の樹木の平均太さを大きくした場合、自然枯死が発生する本数密度と太さの平均値との関係を示す密度水準曲線であることを特徴とする、請求項１又は２に記載の情報処理装置。
   
4. 前記第１算出部は、Ｐ及びＫを前記選択部によって選択された密度水準曲線に対応する林を想定した場合の正の定数、前記第１成分値をＲ１、前記第１時点における前記所定領域に植栽された複数の樹木の平均樹齢をｔ、とした場合、以下の式により前記第１成分値を算出する、
   Ｒ１＝Ｐ・ｅ^−Ｋｔ
   ことを特徴とする請求項１乃至３のうちいずれか1項に記載の情報処理装置。
   
5. 前記第２算出部は、ｂ及びＣを前記選択部によって選択された密度水準曲線に対応する林に応じて定まる定数、前記第２成分値をＲ２、前記選択部によって選択された密度水準曲線に対応する林内の複数の樹木の太さの平均値をＤ、前記林における本数密度をＮ、とした場合、以下の式により前記第２成分値を算出する、
   Ｒ２＝−ｂｌｏｇＮ−ｌｏｇＤ＋Ｃ
   ことを特徴とする請求項１乃至４のうちいずれか1項に記載の情報処理装置。
   
6. 前記予測部は、
   前記所定領域に植栽された複数の樹木の樹種及び前記所定期間に実施が予定される間伐パターンに応じて補正係数を決定し、
   前記第１成分値と前記第２成分値とを合計する替わりに、前記第２成分値に前記補正係数を乗算して得られた乗算結果と前記第１成分値の合計を前記平均成長率として予測する、
   ことを特徴とする請求項１乃至５のうちいずれか1項に記載の情報処理装置。
   
7. 前記予測部は、
   前記所定領域に植栽された複数の樹木の平均成長率をＲ、前記所定期間における前記所定領域に植栽された複数の樹木の平均成長量をｑ、前記第１時点における前記所定領域に植栽された複数の樹木の平均太さをＤとした場合、以下の式に従って前記所定領域に植栽された複数の樹木の平均成長量を予測し、
   ｑ＝（Ｒ−１）・Ｄ
   さらに、前記平均成長量に前記所定領域に植栽された複数の樹木の本数を乗算することによって、前記所定領域に植栽された複数の樹木全体の成長量である領域成長量を予測する、
   ことを特徴とする請求項１乃至６のうちいずれか1項に記載の情報処理装置。
   
8. 地図の前記所定領域に対応する位置に前記領域成長量を示す画像データを生成する評価結果提供部を備える請求項７に記載の情報処理装置。
   
9. 請求項１乃至８のうちいずれか１項に記載の情報処理装置と、ユーザ端末と、情報収集装置とを備えた樹木の成長率予測システムであって、
   前記ユーザ端末は、前記所定領域を指定する指定情報を前記情報処理装置に送信し、
   前記情報収集装置は、前記所定領域を上空から撮像した撮像データ及び撮像時の前記情報収集装置の位置を示す位置データを前記情報処理装置に送信し、
   前記情報処理装置は、
   前記指定情報に基づいて前記所定領域を特定する特定部と、
   前記撮像データ及び前記位置データに基づいて、前記所定領域の本数密度を生成する生成部とを備える、
   ことを特徴とする樹木の成長率予測システム。
   
10. 請求項８に記載の情報処理装置と、ユーザ端末とを備えた樹木の成長率予測システムであって、
    前記ユーザ端末は、前記所定領域を指定する指定情報を前記情報処理装置に送信し、
    前記情報処理装置は、
    前記指定情報に基づいて前記所定領域を特定する特定部を備え、
    前記画像データを前記ユーザ端末の送信することによって、前記所定領域に対応する位置に前記領域成長量を示す地図を前記ユーザ端末に表示させる、
    ことを特徴とする樹木の成長率予測システム。
    
11. 所定領域に植栽された複数の樹木について、第１時点における平均樹齢、前記第１時点における平均太さ、及び前記第１時点における前記所定領域の本数密度を取得し、
    林内の複数の樹木の太さの平均値と前記林の本数密度との関係を示すグラフにおいて、第１密度水準曲線、第２密度水準曲線、及び第３密度水準曲線のうち、前記平均太さ及び前記所定領域の本数密度の座標からの最短距離が最も短い密度水準曲線を選択し、
    前記所定領域を、前記選択された密度水準曲線に対応する林として想定し、前記平均樹齢に基づいて、前記所定領域に植栽された複数の樹木の平均成長率のうち第１成分を示す第１成分値を算出し、
    前記選択された密度水準曲線に対応する前記関係に基づいて、前記所定領域に植栽された複数の樹木の平均成長率のうち第２成分を示す第２成分値を算出し、
    前記第１成分値と前記第２成分値とを合計することによって、第１時点における平均太さに対する、前記第１時点から所定期間経過した第２時点における平均太さの割合である平均成長率を予測し、
    前記第１密度水準曲線に対応する林の本数密度は、前記太さの平均値が同一の場合に、前記第２密度水準曲線に対応する林の本数密度よりも大きく、前記第３密度水準曲線に対応する林の本数密度よりも小さい、
    ことを特徴とする樹木の成長率予測方法。
    
12. 情報処理装置を、
    所定領域に植栽された複数の樹木について、第１時点における平均樹齢、前記第１時点における平均太さ、及び前記第１時点における前記所定領域の本数密度を取得する取得部と、
    林内の複数の樹木の太さの平均値と前記林の本数密度との関係を示すグラフにおいて、第１密度水準曲線、第２密度水準曲線、及び第３密度水準曲線のうち、前記平均太さ及び前記所定領域の本数密度の座標からの最短距離が最も短い密度水準曲線を選択する選択部と、
    前記所定領域を、前記選択部によって選択された密度水準曲線に対応する林として想定し、前記平均樹齢に基づいて、前記所定領域に植栽された複数の樹木の平均成長率のうち第１成分を示す第１成分値を算出する第１算出部と、
    前記選択部によって選択された密度水準曲線に対応する前記関係に基づいて、前記所定領域に植栽された複数の樹木の平均成長率のうち第２成分を示す第２成分値を算出する第２算出部と、
    前記第１成分値と前記第２成分値とを合計することによって、第１時点における平均太さに対する、前記第１時点から所定期間経過した第２時点における平均太さの割合である平均成長率を予測する予測部として機能させ、
    前記第１密度水準曲線に対応する林の本数密度は、前記太さの平均値が同一の場合に、前記第２密度水準曲線に対応する林の本数密度よりも大きく、前記第３密度水準曲線に対応する林の本数密度よりも小さい、
    ことを特徴とする樹木の成長率予測プログラム。
    

Images