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
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 Download PDFInfo
- Publication number
- JP6906824B1 JP6906824B1 JP2020205604A JP2020205604A JP6906824B1 JP 6906824 B1 JP6906824 B1 JP 6906824B1 JP 2020205604 A JP2020205604 A JP 2020205604A JP 2020205604 A JP2020205604 A JP 2020205604A JP 6906824 B1 JP6906824 B1 JP 6906824B1
- Authority
- JP
- Japan
- Prior art keywords
- level curve
- average
- density level
- density
- forest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims description 26
- 238000000034 method Methods 0.000 title claims description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 18
- 238000003384 imaging method Methods 0.000 claims description 15
- 230000002269 spontaneous effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 abstract description 10
- 238000003860 storage Methods 0.000 description 25
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 24
- 238000004891 communication Methods 0.000 description 22
- 230000006854 communication Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 21
- 241000894007 species Species 0.000 description 20
- 238000012545 processing Methods 0.000 description 19
- 238000013473 artificial intelligence Methods 0.000 description 17
- 238000007726 management method Methods 0.000 description 15
- 229910002092 carbon dioxide Inorganic materials 0.000 description 12
- 239000002023 wood Substances 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000013439 planning Methods 0.000 description 6
- 101000800590 Homo sapiens Transducin beta-like protein 2 Proteins 0.000 description 5
- 102100033248 Transducin beta-like protein 2 Human genes 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000007604 neuronal communication Effects 0.000 description 4
- 102100026338 F-box-like/WD repeat-containing protein TBL1Y Human genes 0.000 description 3
- 101000835691 Homo sapiens F-box-like/WD repeat-containing protein TBL1X Proteins 0.000 description 3
- 101000835690 Homo sapiens F-box-like/WD repeat-containing protein TBL1Y Proteins 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010079 rubber tapping Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 241000218645 Cedrus Species 0.000 description 1
- 241000282994 Cervidae Species 0.000 description 1
- 240000005109 Cryptomeria japonica Species 0.000 description 1
- 240000000731 Fagus sylvatica Species 0.000 description 1
- 235000010099 Fagus sylvatica Nutrition 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 241000219492 Quercus Species 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004382 potting Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 235000019615 sensations Nutrition 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Abstract
Description
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
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
ここで、平均成長率Rは、以下に示す式1で与えられる。
R=DN+1/DN…式1
但し、DNは第1時点にける平均太さであり、DN+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DN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DN+1の割合である。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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
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
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。
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。
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。
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。
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。
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。
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,
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。
他方、ライン(c)は、太い樹木を多く間引く場合を意味する。
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。
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。
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。
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。
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。
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。
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。
2−1: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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
「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。
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。
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。
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。
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。)
(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。
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。
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。
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。
100 ユーザ端末
200 情報収集装置
300A,300B サーバ
Claims (12)
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020205604A JP6906824B1 (ja) | 2020-12-11 | 2020-12-11 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020205604A JP6906824B1 (ja) | 2020-12-11 | 2020-12-11 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6906824B1 true JP6906824B1 (ja) | 2021-07-21 |
JP2022092730A JP2022092730A (ja) | 2022-06-23 |
Family
ID=76919736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020205604A Active JP6906824B1 (ja) | 2020-12-11 | 2020-12-11 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6906824B1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114396975A (zh) * | 2022-01-05 | 2022-04-26 | 深圳市金阳盛城市服务集团有限公司 | 一种树木抗倒伏监控预警方法、装置、电子设备及介质 |
CN115862304A (zh) * | 2023-03-03 | 2023-03-28 | 吉林省林业科学研究院 | 用于退化天然次生林生态修复的智能预警系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004046986A1 (ja) * | 2002-11-18 | 2004-06-03 | Sumitomo Foresutry Co., Ltd. | 植林事業計画システム及び植林事業計画プログラム |
JP2008079549A (ja) * | 2006-09-28 | 2008-04-10 | Mitsubishi Paper Mills Ltd | 樹木成長量の評価法 |
WO2016043007A1 (ja) * | 2014-09-17 | 2016-03-24 | 住友林業株式会社 | 樹木成長の簡易予測法 |
-
2020
- 2020-12-11 JP JP2020205604A patent/JP6906824B1/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004046986A1 (ja) * | 2002-11-18 | 2004-06-03 | Sumitomo Foresutry Co., Ltd. | 植林事業計画システム及び植林事業計画プログラム |
JP2008079549A (ja) * | 2006-09-28 | 2008-04-10 | Mitsubishi Paper Mills Ltd | 樹木成長量の評価法 |
WO2016043007A1 (ja) * | 2014-09-17 | 2016-03-24 | 住友林業株式会社 | 樹木成長の簡易予測法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114396975A (zh) * | 2022-01-05 | 2022-04-26 | 深圳市金阳盛城市服务集团有限公司 | 一种树木抗倒伏监控预警方法、装置、电子设备及介质 |
CN114396975B (zh) * | 2022-01-05 | 2023-05-23 | 深圳市金阳盛城市服务集团有限公司 | 一种树木抗倒伏监控预警方法、装置、电子设备及介质 |
CN115862304A (zh) * | 2023-03-03 | 2023-03-28 | 吉林省林业科学研究院 | 用于退化天然次生林生态修复的智能预警系统及方法 |
CN115862304B (zh) * | 2023-03-03 | 2023-05-05 | 吉林省林业科学研究院 | 用于退化天然次生林生态修复的智能预警系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2022092730A (ja) | 2022-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112602563B (zh) | 一种节水灌溉系统及精准灌溉方法 | |
JP6820625B1 (ja) | サーバ、森林データ利用システム、森林データ利用方法およびプログラム | |
Grêt-Regamey et al. | Integrating expert knowledge into mapping ecosystem services trade-offs for sustainable forest management | |
US11751521B2 (en) | System for optimizing use of water in irrigation based on predictive calculation of soil water potential | |
Ordóñez et al. | Climate change vulnerability assessment of the urban forest in three Canadian cities | |
McConnell et al. | Precision conservation: A geospatial decision support tool for optimizing conservation and profitability in agricultural landscapes | |
JP6906824B1 (ja) | 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 | |
KR101383617B1 (ko) | 일사량 예측 방법 및 장치 | |
Green et al. | Chimpanzees use least-cost routes to out-of-sight goals | |
CN115530054A (zh) | 灌溉控制方法、装置、电子设备及存储介质 | |
CN110896761A (zh) | 一种温室的灌溉决策方法及系统 | |
CN115205695B (zh) | 一种根据种植数据确定种植策略的方法和系统 | |
Alexandridis et al. | Designing AfriCultuReS services to support food security in Africa | |
JP6806397B1 (ja) | サーバ、路網計画策定システム、路網計画策定方法およびプログラム | |
Meena et al. | Information and Communication Technologies for Sustainable Natural Resource Management | |
Malamos et al. | Modelling irrigation management services: The IRMA_SYS case | |
CN114781199A (zh) | 水源涵养对气候变化的响应分析方法、装置、介质和设备 | |
Hennen et al. | Global-Detector-GIS-and Knowledge-based Tool for a Global Detection of the Potential for Production, Supply and Demand. | |
Suciu et al. | IoT agro-meteorology for viticulture disease warning | |
Arranz | Improving forest management planning by means of airborne laser scanning and dynamic treatment units based on spatial optimization | |
Gishen et al. | Proposal for the development of a framework for a globally relevant wine sector climate change adaptation strategy | |
Xu et al. | Describing area and yield for small-scale plantation forests in Wairarapa region of New Zealand using RapidEye and LiDAR | |
CN117892550A (zh) | 一种生态系统模拟与森林培育优化方法 | |
Ruotsalainen | Economic losses in forest management due to errors in inventory data | |
CN116757509B (zh) | 一种生态农业信息化用信息服务管理方法及管理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201211 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20201211 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20210128 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210309 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210507 |
|
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: 20210525 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210623 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6906824 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |