JP6953474B2 - 精密農業支援システムおよび精密農業支援方法 - Google Patents

精密農業支援システムおよび精密農業支援方法 Download PDF

Info

Publication number
JP6953474B2
JP6953474B2 JP2019105490A JP2019105490A JP6953474B2 JP 6953474 B2 JP6953474 B2 JP 6953474B2 JP 2019105490 A JP2019105490 A JP 2019105490A JP 2019105490 A JP2019105490 A JP 2019105490A JP 6953474 B2 JP6953474 B2 JP 6953474B2
Authority
JP
Japan
Prior art keywords
spectral characteristics
spectral
precision agriculture
plant
wavelength
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2019105490A
Other languages
English (en)
Other versions
JP2020197507A (ja
Inventor
眞次 野▲崎▼
眞次 野▲崎▼
トーマス ジョージ
トーマス ジョージ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Saraniasat Inc
Original Assignee
Saraniasat Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Saraniasat Inc filed Critical Saraniasat Inc
Priority to JP2019105490A priority Critical patent/JP6953474B2/ja
Priority to US16/839,301 priority patent/US11519892B2/en
Publication of JP2020197507A publication Critical patent/JP2020197507A/ja
Application granted granted Critical
Publication of JP6953474B2 publication Critical patent/JP6953474B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0098—Plants or trees
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
    • A01M7/0089—Regulating or controlling systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G01J3/0264—Electrical interface; User interface
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G01J3/0286—Constructional arrangements for compensating for fluctuations caused by temperature, humidity or pressure, or using cooling or temperature stabilization of parts of the device; Controlling the atmosphere inside a spectrometer, e.g. vacuum
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • G01J2003/2826—Multispectral imaging, e.g. filter imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/80—Calibration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Botany (AREA)
  • Environmental Sciences (AREA)
  • Wood Science & Technology (AREA)
  • Food Science & Technology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Zoology (AREA)
  • Forests & Forestry (AREA)
  • Pest Control & Pesticides (AREA)
  • Insects & Arthropods (AREA)
  • Ecology (AREA)
  • Medicinal Chemistry (AREA)
  • Toxicology (AREA)
  • Human Computer Interaction (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Radiation Pyrometers (AREA)

Description

本発明は精密農業支援システムと、この精密農業支援システムを用いる精密農業支援方法とに関する。
農作物における生産量の増大、品質の向上、コストの削減などを目指し、ロボット技術、ビッグデータ、人工知能、ＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ：モノのインターネット）などの先端技術を農業分野に活用することが期待されている。このような農業は、「精密農業」または「スマート農業」などと呼ばれる。
植物の状態を詳細に把握するために、測定装置を搭載したドローン、飛行機、気球、人工衛星などによる光学的なリモートセンシングを行うことができる。この測定装置として、いわゆるハイパースペクトルカメラを用いることで、単に植物を撮影した画像よりも詳細なデータを取得することができる。例えば、広範囲な植生に含まれる植物の種類を、経験を積んだ専門家による目視に頼らず、自動的に同定することも可能になる。
上記に関連して、特許文献１（特許第５９１００１８号公報）には、植物種特定のためのプログラム、情報処理方法及び装置の発明が開示されている。特許文献１の発明では、ハイパースペクトルカメラで樹木の反射スペクトルを測定し、この測定結果と、判別したい樹木の基準スペクトルとを照らし合わせ、両者の類似度に基づいて樹種を判別する。ここで、測定に用いるスペクトルの帯域は、可視光線および近赤外線の帯域に含まれる４００ｎｍ以上９００ｎｍ以下の波長帯域から、クロロフィル含有量の変動による影響が表れる一部の帯域を除外したものである。
また、特許文献２（特許第５９９１１８２号公報）には、植物種判定プログラム、植物種判定方法および植物種識別装置の発明が開示されている。特許文献２の発明では、ハイパースペクトルカメラで樹木のスペクトルを測定し、この測定結果と、混合スペクトルデータとのマッチングを行い、両者の類似度に基づいて樹種を判定する。ここで、マッチングに用いるスペクトルの帯域は、可視光線および近赤外線の帯域に含まれる４００ｎｍ以上１０５０ｎｍ以下の波長帯域である。また、混合スペクトルデータは、樹木スペクトルデータおよび土壌スペクトルデータに基づいて生成される。
また、特許文献３（特許第６０６４７１２号公報）には、樹種識別装置及び樹種識別方法の発明が開示されている。特許文献３の発明では、ハイパースペクトルカメラで樹木の反射スペクトルを測定し、この測定結果と、各樹木の基準スペクトルデータとを照らし合わせ、両者の類似度に基づいて樹種を判定する。ここで、スペクトルデータに含まれる１つのピクセルに、２種の異なる樹木のスペクトルが混在する場合も、２種の樹木の基準スペクトルデータを所定の混合割合で混合した混合基準スペクトルデータを用いることで、混在する樹木の種類を判定することができる。
特許第５９１００１８号公報 特許第５９９１１８２号公報 特許第６０６４７１２号公報
特許文献１〜３に開示されている一連の発明では、樹木の反射光のうち、可視光線から近赤外線までの帯域におけるスペクトルを、ハイパースペクトルカメラを用いて測定している。そして、この測定の結果を、基準スペクトルデータに照らし合わせることで、樹木の種類を判定している。ただし、この測定では、可視光線から近赤外線までの帯域のうち、クロロフィル含有量の変動による影響が表れる一部の帯域を除外している。言い換えれば、特許文献１〜３に開示されている一連の発明では、樹木の種類を判定するために、その樹木の状態の変化を意図的に無視している。したがって、特許文献１〜３に開示されている一連の発明では、その樹木の生育状態の変化を知ることができない。また、特許文献１〜３では、植物種の判別のうち、実際には樹木の種類の判別についてしか述べていない。そして、特許文献１〜３で測定波長域から除外されている領域は、樹木以外の、例えば穀物などの農作物の種類を判別するために有用である可能性があり、また、例えば穀物などの農作物と所望しない雑草などを区別するために有用である可能性もある。
所望の農作物を生育する精密農業を、リモートセンシングによって支援する。その他の課題と新規な特徴は、本明細書の記述および添付図面から明らかになるであろう。
以下に、（発明を実施するための形態）で使用される番号を用いて、課題を解決するための手段を説明する。これらの番号は、（特許請求の範囲）の記載と（発明を実施するための形態）との対応関係を明らかにするために付加されたものである。ただし、それらの番号を、（特許請求の範囲）に記載されている発明の技術的範囲の解釈に用いてはならない。
一実施の形態によれば、精密農業支援システム（１）は、測定装置（７）と、記憶装置（５）と、植物種判定部（４１）とを具備する。測定装置（７）は、支援対象領域の植生に由来する光の第１スペクトル特性を測定する。記憶装置（５）は、所望の農作物のスペクトル特性が有する特徴を示す種別スペクトルデータベース（５１）を格納する。植物種判定部（４１）は、種別スペクトルデータベース（５１）と、第１スペクトル特性の測定結果とに基づいて、植生に含まれる植物が所望の農作物であるかどうかを判定する。所望の農作物は、稲を含む。
一実施の形態によれば、精密農業支援方法は、所望の農作物のスペクトル特性が有する特徴を示す種別スペクトルデータベース（５１）を用意することと、支援対象領域の植生に由来する光のスペクトル特性の測定を行うこと（Ｓ１１）と、種別スペクトルデータベース（５１）と、測定の結果とに基づいて、植生に含まれる植物が所望の農作物であるかどうかを判定すること（Ｓ１２）とを含む。所望の農作物は、稲を含む。
前記一実施の形態によれば、所望の農作物を生育する精密農業を、リモートセンシングによって支援することができる。
図１は、一実施形態による精密農業支援システムの一構成例を示すブロック回路図である。 図２Ａは、一実施形態において３次元スペクトルデータを取得する手法の一例を示す図である。 図２Ｂは、図２Ａの手法で得られる３次元スペクトルデータの一例を示す図である。 図２Ｃは、図２Ｂの３次元スペクトルデータから、任意の測定位置におけるスペクトル特性を抽出する原理を説明するための図である。 図３は、一実施形態で用いる可視光線および赤外線の帯域の一例を示す図である。 図４Ａは、一実施形態において取得される稲および雑草の赤外線吸収スペクトル特性を比較するグラフである。 図４Ｂは、一実施形態において取得される稲および大豆の赤外線吸収スペクトル特性を比較するグラフである。 図５は、一実施形態による精密農業支援方法の一構成例を示すフローチャートである。 図６は、一実施形態による精密農業支援方法の別の一構成例を示すフローチャートである。 図７Ａは、一実施形態による、夜間の農作物におけるスペクトル特性の測定結果の一例を示す図である。 図７Ｂは、図７Ａに示した農作物の、日中におけるスペクトル特性の測定結果の一例を示す図である。 図７Ｃは、図７Ａおよび図７Ｂを融合した図である。 図８Ａは、一実施形態による、トウモロコシを生育中の円形農場におけるスペクトル特性の測定結果の一例を示す図である。 図８Ｂは、図８Ａに示した円形農場における収穫量の一例を示す図である。
添付図面を参照して、本発明による精密農業支援システムおよび精密農業支援方法を実施するための形態を以下に説明する。
（第１の実施形態）
本実施形態では、植物から反射または放射される可視光線および／または赤外光線を利用して、そのうち特にＭＷＩＲ（Ｍｉｄ−Ｗａｖｅｌｅｎｇｔｈ ＩｎｆｒａＲｅｄ：中波長赤外線）帯域およびＬＷＩＲ（Ｌｏｎｇ−Ｗａｖｅｌｅｎｇｔｈ ＩｎｆｒａＲｅｄ：長波長赤外線）帯域の成分を利用して、この植物の種類を同定することについて説明する。
図１を参照して、精密農業支援システム１の構成例について説明する。図１は、一実施形態による精密農業支援システム１の一構成例を示すブロック回路図である。
図１の精密農業支援システム１は、バス２と、インタフェース装置３と、演算装置４と、記憶装置５と、外部記憶装置６と、測定装置７とを備える。これらの構成要素のうち、バス２、インタフェース装置３、演算装置４、記憶装置５および外部記憶装置６については、一般的なコンピュータまたはその一部として構成してもよい。すなわち、インタフェース装置３、演算装置４、記憶装置５および外部記憶装置６のそれぞれはバス２に接続されており、バス２を介して相互に電気的に通信可能に構成されている。
測定装置７は、ハイパースペクトルカメラ７１と、測位装置７２と、移動装置７３とを備えている。測定装置７は、後述する熱赤外線温度検知器７４をさらに備えていてもよい。ハイパースペクトルカメラ７１は、測定対象のリモートセンシングを行う。言い換えれば、測定対象を光学的に観測し、測定対象に由来する反射光、発光および放射光の一部または全てのうち、可視光、近赤外線、短波長赤外線、中波長赤外線および長波長赤外線の少なくとも一部を含む所定の波長領域におけるスペクトル特性を測定する。本願において、発光とは、太陽光によって励起されて物体から発せられる光である。ハイパースペクトルカメラ７１がスペクトル特性を一度に測定することができる波長帯域の総数は、一般的に、１００またはそれ以上である。なお、測定対象波長を変化させるために分光器を用いるタイプのハイパースペクトルカメラ７１の場合は、一連の波長のスペクトル特性を測定するために所定の時間が必要とされる場合がある。ただし、ＣＣＤ検出器を用いるタイプのハイパースペクトルカメラ７１では、一連の波長のスペクトル特性を同時に測定できる場合がある。ただし、測定条件によっては、ハイパースペクトルカメラ７１の代わりに、スペクトル特性を一度に測定することができる波長帯域の総数がより少ないマルチバンドセンサーを用いてもよいし、一度に長波長赤外線の１つの波長領域だけでスペクトル特性を測定することができるＴＩＲ（Ｔｈｅｒｍａｌ ＩｎｆｒａＲｅｄ：熱赤外線）イメージセンサーを用いてもよい。
その一方で、ハイパースペクトルカメラ７１が一度に観測できる瞬間視野には所定の限界がある。そこで、移動装置７３は、ハイパースペクトルカメラ７１および／または測定対象を移動させて、ハイパースペクトルカメラ７１および測定対象の間の相対的な位置関係を適宜に調整する。こうすることで、ハイパースペクトルカメラ７１は、その瞬間視野を超える広さの測定対象を観測することができる。移動装置７３は、例えば、ハイパースペクトルカメラ７１を搭載して移動する人工衛星、気球、航空機、ドローンなどであってもよい。
測位装置７２は、ハイパースペクトルカメラ７１および測定対象の間の相対的な位置関係を測定する。この相対的な位置関係は、例えば、緯度および経度などで定義され得る２次元の位置情報を含むことが好ましいが、さらに、対象物からハイパースペクトルカメラ７１までの鉛直方向の距離、すなわち高さを加えた３次元の位置情報を含んでもよい。測位装置７２によって得られる測位結果は、ハイパースペクトルカメラ７１によって同時に得られるスペクトル特性の測定結果に対応付けて記録することが好ましい。測位装置７２は、例えば、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ：全地球測位システム）装置、加速度センサ、ＬＩＤＡＲ（ＬＩｇｈｔ Ｄｅｔｅｃｔｉｏｎ Ａｎｄ Ｒａｎｇｉｎｇ：光検出および測距、または、Ｌａｓｅｒ Ｉｍａｇｉｎｇ Ｄｅｔｅｃｔｉｏｎ Ａｎｄ Ｒａｎｇｉｎｇ：レーザー画像検出および測距）、これらを制御するコンピュータなどを備えていてもよい。
図２Ａを参照して、測定装置７が、一次元に配列された複数の光検知器を有するハイパースペクトルカメラ７１と、ＧＰＳとを搭載して移動する航空機である場合について説明する。言い換えれば、ハイパースペクトルカメラ７１が複数の光検知器を有し、測位装置７２がＧＰＳであり、移動装置７３が航空機である場合について説明する。図２Ａは、一実施形態において３次元スペクトルデータを取得する手法の一例を示す図である。
移動装置７３である航空機は、地面８の上空を、Ｙ軸方向に平行な進行方向７０１に飛行する。ここで、Ｙ軸方向は、例えば鉛直方向に垂直な方向であるが、この例に限定されない。ハイパースペクトルカメラ７１は、地面８から光を受光できるように配置されている。地面８の面積のうち、ハイパースペクトルカメラ７１が有する１つの光検出器が一度に観測できる範囲は、単位視野７０４である。複数の光検出器は、それぞれの光検出器の単位視野７０４が配列方向７０２の方向に隣接するように、Ｘ軸方向に対応する方向に配列されている。こうすることで、ハイパースペクトルカメラ７１が一度に観測できる範囲は、Ｘ軸方向の観測幅８０２を有する瞬間視野７０３に広がる。ここで、Ｘ軸方向は、例えば、鉛直方向およびＹ軸方向の両方に直交する方向である。このような観測を、移動装置７３である航空機がＹ軸方向に単位長８０１を前進する度に繰り返し、瞬間視野７０３の観測結果をデータ上で結合することで、地面８のうち、観測幅８０２を有する広大な面積について、スペクトル特性の測定を行うことができる。このような測定の結果、３次元スペクトルデータと呼ばれるデータが得られる。
図２Ｂを参照して、３次元スペクトルデータについて説明する。図２Ｂは、図２Ａの手法で得られる３次元スペクトルデータの一例を示す図である。
図２Ｂの３次元スペクトルデータは、空間Ｘ軸と、空間Ｙ軸と、スペクトル波長の仮想軸とを有している。ここで、空間Ｘ軸および空間Ｙ軸は、測定装置７がハイパースペクトルカメラ７１でスペクトル特性を観測した際に、ハイパースペクトルカメラ７１の各光検出器の単位視野７０４が隣接する配列方向７０２と、移動装置７３が移動した進行方向７０１とに対して、それぞれ平行であってもよい。言い換えれば、図２Ｂの空間Ｘ軸および空間Ｙ軸は、図２ＡのＸ軸およびＹ軸にそれぞれ対応してもよい。
その一方で、残るスペクトル波長の仮想軸は、スペクトル特性を測定した光の波長を表す。より詳細には、スペクトル特性を測定した光の波長が含まれる帯域を表す。図２Ｂでは、スペクトル波長をＺ軸として表している。
このように、図２Ｂの３次元スペクトルデータでは、スペクトル特性を測定した任意の測定位置におけるスペクトル波長帯域のスペクトル強度を、対応するＸ軸、Ｙ軸およびＺ軸の交点における色で表すことができる。より詳細には、色の色相、明度、彩度またはこれらの組み合わせによって、スペクトル強度を表すことができる。ただし、実際の３次元スペクトルデータは、測定位置の座標、スペクトル波長帯域およびスペクトル強度の測定値の組み合わせの形式として記憶装置５に格納されることが好ましい。
図２Ｃを参照して、３次元スペクトルデータから、測定領域に含まれる任意の測定位置におけるスペクトル特性を抽出することについて説明する。図２Ｃは、図２Ｂの３次元スペクトルデータから、任意の測定位置におけるスペクトル特性を抽出する原理を説明するための図である。
図２Ｃの例では、説明を簡単にするために、測定領域を空間Ｘ軸方向に５マス、空間Ｙ軸方向に５マスの、合計２５マスに区切っている。これら２５マスは、２５の測定位置にそれぞれ対応している。また、それぞれの測定位置に対応して、波長が合計１６の帯域に区切られており、それぞれの帯域におけるスペクトル強度の測定結果が記録されている。各帯域に定義されたスペクトル強度を表す点を、スペクトル強度のＳ軸および波数のＺ軸で定義した平面に配置し、これらの点を波数の順に結ぶことで、その測定位置におけるスペクトル特性の波形として表すことができる。
図３を参照して、本実施形態で用いる可視光線および赤外線の帯域について説明する。図３は、一実施形態で用いる可視光線および赤外線の帯域の一例を示す図である。
図３の横軸は、光の波長を示している。波長が約３５０ｎｍから約７４０ｎｍまでの光は、一般的に可視光線と呼ばれ、ヒトが赤から紫までの色として認識することができる。波長が約７４０ｎｍより長い光は、一般的に赤外線と呼ばれ、ヒトの目には見ることができない。また、図３では省略しているが、波長が約３５０ｎｍより短い光は、一般的に紫外線と呼ばれ、これもヒトの目には見ることができない。
赤外線の帯域は、その波長または周波数によって分類されている。分類の仕方には諸説あるが、ここでは、以下のように定義する。すなわち、波長が０．７４ミクロンから１ミクロンまでの赤外線を「ＮＩＲ（Ｎｅａｒ−ＩｎｆｒａＲｅｄ：近赤外線）」と呼ぶ。波長が１ミクロンから３ミクロンまでの赤外線を「ＳＷＩＲ（Ｓｈｏｒｔ−Ｗａｖｅｌｅｎｇｔｈ ＩｎｆｒａＲｅｄ：短波長赤外線）」と呼ぶ。波長が３ミクロンから５ミクロンまでの赤外線を「ＭＷＩＲ（Ｍｉｄ−Ｗａｖｅｌｅｎｇｔｈ ＩｎｆｒａＲｅｄ：中波長赤外線）」と呼ぶ。波長が８ミクロンから１４ミクロンまでの赤外線を「ＬＷＩＲ（Ｌｏｎｇ−Ｗａｖｅｌｅｎｇｔｈ ＩｎｆｒａＲｅｄ：長波長赤外線）」または「ＴＩＲ（Ｔｈｅｒｍａｌ ＩｎｆｒａＲｅｄ：熱赤外線）」と呼ぶ。図３では省略しているが、波長が１４ミクロンより長い光を「ＦＩＲ（Ｆａｒ ＩｎｆｒａＲｅｄ：遠赤外線）」と呼ぶ。
図３では、赤外線の大気透過率を縦軸に表している。波長が５ミクロンから８ミクロンまでの赤外線については、大気透過率が低く、この帯域の赤外線は大気によって吸収されやすいため、例えば人工衛星から地表を観測するために使用することが困難であることが知られている。この帯域を、便宜上、ＬＡＴＷ（Ｌｏｗ Ａｔｍｏｓｐｈｅｒｉｃ Ｔｒａｎｓｍｉｔｔａｎｃｅ Ｗｉｎｄｏｗ：大気透過率が低い窓）と呼ぶ。そこで、本実施形態では波長が５ミクロン以下の赤外線と、波長が８ミクロン以上の赤外線とを優先的に使用する。特に、ＳＷＩＲ、ＭＷＩＲおよびＬＷＩＲを使用してもよい。なお、ＳＷＩＲの使用は、例えば、土壌のミネラルやケイ素などの量を調べるために有効である。土壌のミネラルやケイ素などの量を調べることで、例えば、その土壌が稲作に適しているかどうかを判定することができる。
図４Ａおよび図４Ｂを参照して、植物に由来する光のうち、ＭＷＩＲおよび／またはＬＷＩＲにおけるスペクトル特性の測定結果に基づいて、その植物の種類を判定することができることを説明する。図４Ａは、一実施形態において取得される稲および雑草の赤外線吸収スペクトル特性を比較するグラフである。図４Ｂは、一実施形態において取得される稲および大豆の赤外線吸収スペクトル特性を比較するグラフである。図４Ａおよび図４Ｂのグラフに示す赤外線吸収スペクトル特性は、測定結果をフーリエ変換することによって得られる。ここで、赤外線のうち、ＬＡＴＷのみならず、ＭＷＩＲの一部、ＬＷＩＲの一部、ＦＩＲなどの周波数領域では、大気によって吸収されやすいなどの理由により、太陽光が地上まで届かない。そこで、これらの周波数領域では、植物の吸収特性を測定するために、実験室で対応する赤外線帯域の光源を用いてもよい。言い換えれば、これらの周波数領域においては、植物による赤外線吸光度の、屋外のリモートセンシングによる直接的な測定は困難である。しかしながら、植物による放射光スペクトル特性をリモートセンシングによって測定することで、吸光度と同様の波形を得ることは可能である。これは、後述するように、植物における光の吸収および放射は、同じ特性を有するからである。なお、ＳＷＩＲ、ＮＩＲ、可視光線および紫外線においては、植物が太陽光を反射する特性をリモートセンシングによって測定することが可能である。
図４Ａは、第１スペクトルＧ１と、第２スペクトルＧ２と、第３スペクトルＧ３とを示している。第１スペクトルＧ１、第２スペクトルＧ２および第３スペクトルＧ３に共通して、横軸は波数を示し、縦軸は吸光度を示している。第１スペクトルＧ１は稲の吸光度を示し、第２スペクトルＧ２はカヤツリグサの吸光度を示し、第３スペクトルＧ３はホタルイの吸光度を示している。
図４Ａの例では、稲の第１スペクトルＧ１と、カヤツリグサの第２スペクトルＧ２と、ホタルイの第３スペクトルＧ３とには、波形が互いに類似している部分と、互いの波形に特徴的な差異が認められる部分とがある。例えば、ＭＷＩＲのうち、特に図４Ａに示した第１帯域Ｄ１、すなわち波数が約２８００ｃｍ−１から約３０００ｃｍ−１までの帯域では、波形のローカルピークの高さが、稲の第１スペクトルＧ１では比較的低く、カヤツリグサの第２スペクトルＧ２およびホタルイの第３スペクトルＧ３では比較的高い。また、図４Ａに示した第２帯域Ｄ２、すなわち波数が約１０００ｃｍ−１から約１２５０ｃｍ−１までの帯域でも、同様の差異が認められる。このような波形の特徴をデータベース化し、任意の波形との類似度を数学的に定義することで、植物の種類の同定が可能となる。このデータベースは、例えば、実験室で行った測定の結果に基づいて作成してもよい。
カヤツリグサおよびホタルイは、外見が稲に似ている雑草である。稲を栽培する田に、所望しない雑草であるカヤツリグサおよびホタルイが生えていても、外見だけでは区別が付き難い場合がある。そこで、従来の農業では、雑草を選択的に駆除し、かつ、稲への影響が少ない特殊な農薬を、田の全域に散布する手法が知られている。しかし、このような特殊な農薬は比較的高価であり、また、他の全域に散布するためには比較的大量の農薬が必要となり、比較的大量の農薬を散布するための作業コストなども必要となる。さらに、雑草を見分けた上で、雑草が存在する領域に、例えばいわゆるドローンなどを用いて農薬を選択的に散布することで、雑草が存在しない領域の土壌まで農薬で不用意に汚染する、という問題の発生を抑制できる。
本実施形態では、ハイパースペクトルカメラ７１で測定した赤外線の、特にＭＷＩＲおよび／またはＬＷＩＲの帯域において、放射光のスペクトル特性を比較することで、田の中で稲が生育している領域と、その他の雑草が生育している領域とを、明確に区別することができる。その結果、例えば、雑草が生育している領域だけに、雑草を駆除する農薬を散布することができる。さらに、稲が生育していない領域に農薬を散布することができれば、稲に多少の影響がある農薬でも、雑草を駆除するために利用することができる。したがって、前述した従来の手法と比較して、雑草を駆除するためのコストを大幅に節約することが可能となり、また、土壌への農薬による不要な汚染を抑制することが可能となる。
図４Ｂは、図４Ａと同じ稲の第１スペクトルＧ１と、大豆の第４スペクトルＧ４とを示している。図４Ｂでも、図４Ａの場合と同様に、横軸が波数を示し、縦軸が吸光度を示している。稲と大豆を比較しても、ＭＷＩＲの、特に第１帯域Ｄ１と、ＬＷＩＲの、特に第２帯域Ｄ２とに注目すると、波形に特徴的な差異が認められる。言い換えれば、本実施形態によれば、たとえ所望の農作物が複数混在して生育していても、ハイパースペクトルカメラ７１を用いたリモートセンシングによって植物の放射光スペクトル特性を測定することで、それぞれが生育している領域を明確に区別することが可能である。
図５を参照して、本実施形態による精密農業支援システム１の動作、すなわち本実施形態による精密農業支援方法について説明する。図５は、一実施形態による精密農業支援方法の一構成例を示すフローチャートである。図５のフローチャートは完全自動操作によって実行され、このフローチャートに含まれる各ステップの間の遷移は自動的に行われる。
図５のフローチャートが開始すると、第１ステップＳ１１が実行される。第１ステップＳ１１では、スペクトルを測定する。より詳細には、測定装置７が、地面８の植生に由来する光のスペクトル特性の測定を行う。
ここで、地面８は、例えば、そこで行われる精密農業を支援する対象となる畑や田であってもよい。精密農業を支援する対象となる畑や田を、以降、支援対象領域とも記す。地面８の植生とは、支援対象領域に生育している様々な植物の集合であり、例えば、所望の農作物と、その他の雑草などとを含んでもよい。
植生に由来する光とは、測定装置７がこの植生に含まれる植物を光学的に観測することによって受光する光の集合である。その波長、波数、周波数などの観点から、植生に由来する光は、可視光線、赤外線および紫外線の全てを含んでもよい。
また、その光源の観点から、植生に由来する光は、この植生に含まれる植物が太陽光などを反射した反射光と、植物が太陽光で励起されて発する発光と、植物自身が放射する放射光とを含んでもよい。植物に由来する反射光は、例えば、太陽光のように植物に外部から照射された光のうち、植物が光合成を行うために吸収する成分以外の成分を含んでもよい。植物の放射光は、放射エネルギーについてのキルヒホッフの法則に従う。すなわち、放射率と、吸収率は等しい。ここで、植物の放射率とは、この植物が熱放射で放出する光エネルギーを、この植物と同じ温度の黒体が放出する光エネルギーで割った値として定義される。また、植物の吸収率は、任意の波長の光がこの植物に当たったとき、この光のエネルギーのうち、この植物に吸収されるエネルギーの割合として定義される。
植物の温度測定は、ハイパースペクトルカメラ７１でＬＷＩＲ帯域のスペクトル特性を測定することで行ってもよい。一般的に、リモートセンシングでは、測定装置７から植物などの測定対象までの距離が比較的大きいため、後述する熱赤外線温度検知器７４などを用いて測定対象の正確な温度を得るためには、測定結果に複雑な補正を行う必要がある場合がある。すなわち、例えば、測定装置７および測定対象の間に存在する環境の温度、気象条件などの影響を補正する必要がある場合がある。その一方で、ハイパースペクトルカメラ７１でスペクトル特性を測定する場合には、測定したスペクトル特性を、理論的黒体輻射のスペクトルと比較することで、複雑な補正を行うことなく、測定対象の正確な温度を得ることができる。さらに、熱赤外線温度検知器７４の中には、平面状の測定対象領域における温度の分布図を取得できるものもある。
測定装置７がスペクトル特性を測定した結果は、例えば前述した３次元スペクトルデータなどの形式で、図示しない別の記憶装置に格納されてもよい。
第１ステップＳ１１の次には、第２ステップＳ１２が実行される。第２ステップＳ１２では、データベースを参照して植物の種類を判定する。より詳細には、植物種判定部４１が、種別スペクトルデータベース５１と、第１ステップＳ１１における測定の結果とに基づいて、植生に含まれる植物が所望の農作物であるかどうかを判定する。
ここで、図１に示した精密農業支援システム１のうち、測定装置７以外の構成要素について説明する。インタフェース装置３は、測定装置７との間で電気的な通信を可能にするように、着脱可能な接続を行う。第２ステップＳ１２において、演算装置４はインタフェース装置３を介して測定装置７から３次元スペクトルデータを受信して記憶装置５に測定スペクトルデータ５２として格納する。なお、インタフェース装置３は、測定装置７以外の外部装置との間で接続を行ってもよい。
演算装置４は、記憶装置５に格納されているプログラムを実行して所定の機能を実現する。記憶装置５は、演算装置４が実行するプログラム、プログラムの実行時に使用される各種のデータなどを格納している。ここで、記憶装置５が格納する各種のデータには、種別スペクトルデータベース５１が含まれる。種別スペクトルデータベース５１は、任意の植物のスペクトル特性が有する特徴を示しており、この任意の植物には所望の農作物が含まれることが好ましい。第２ステップＳ１２において、演算装置４は、所定のプログラムを実行することにより、植物種判定部４１の機能を実現する。
外部記憶装置６は、記録媒体６１からプログラムやデータを読み出して記憶装置５に書き込み、反対に記憶装置５からプログラムやデータを読み出して記録媒体６１に書き込むことができる。
第２ステップＳ１２が完了すると、図５のフローチャートは終了する。
本実施形態の精密農業支援方法において、所望の農作物が稲である場合には、図５のフローチャートを実行することによって、支援対象領域に生育する植物の種類を判定して稲を同定することができる。言い換えれば、稲と、例えばカヤツリグサおよびホタルイなどの雑草とを、ハイパースペクトルカメラ７１を用いた光学的なリモートセンシングによって、精度よく区別することができる。
以上、所望する農作物が稲である場合についての説明を行ったが、本発明はこの場合に限定されない。つまり、稲以外の農作物についても、本実施形態と同様の精密農業支援システム１を用いることができ、本実施形態と同様の精密農業支援方法を実現することができる。
（第２の実施形態）
本実施形態では、所望の農作物が成長する様子を測定し、この測定の結果に基づいて異常の発生を早期に発見し、この異常を解消するために必要な処置をタイムリーに行うことで、この農作物の収穫量の減少を抑制する。言い換えれば、農作物の収穫量の減少を抑制するための早期警告を行う。
図６を参照して、本実施形態による精密農業支援方法について説明する。図６は、一実施形態による精密農業支援方法の別の一構成例を示すフローチャートである。図６のフローチャートは完全自動操作によって実行され、このフローチャートに含まれる各ステップの間の遷移は自動的に行われる。
図６のフローチャートが開始すると、第１ステップＳ２１が実行される。第１ステップＳ２１では、測定装置７が支援対象領域の植生の、日中および夜間におけるスペクトル特性を測定する。ここで、測定装置７は、特に、植生に含まれる植物自身が放射する放射光をハイパースペクトルカメラ７１で測定することによって、植物の温度を高精度に測定することができる。第１ステップＳ２１では、植物の放射光のうち、特に、波長が約３ミクロンから約５ミクロンまでのＭＷＩＲ（中波長赤外線）と呼ばれる成分のスペクトル特性と、波長が約８ミクロンから約１４ミクロンまでのＬＷＩＲ（長波長赤外線）またはＴＩＲ（熱赤外線）と呼ばれる成分のスペクトル特性とを測定してもよい。もしくは、測定装置７は、熱赤外線温度検知器７４をさらに備えていてもよい。この場合には、精密農業支援システム１は、熱赤外線温度検知器７４および植生の間に存在する環境による温度測定への影響を補正する補正部４５をさらに備えていることが好ましい。補正部４５は、例えば、演算装置４が所定のプログラムを実行することによってその機能を実現してもよい。なお、熱赤外線温度検知器７４および補正部４５は、植物の温度をハイパースペクトルカメラ７１で測定する場合に省略可能になる。このことを示すために、図１では熱赤外線温度検知器７４および補正部４５を破線で描いている。いずれの場合も、第１ステップＳ２１において、ドローン、航空機、気球、衛星などの飛行物体に搭載した測定装置７によって支援対象領域の植生の温度を測定し、演算装置４によってこの測定結果に基づいて植生の温度分布図を生成することができる。
健康な状態の植物は、自身の温度を一定に保とうとする。すなわち、日光によって土や空気など周囲の温度が上がる日中などには、植物は気孔を開いて水蒸気を放出する蒸散などによって、自身の温度を上がりすぎないように調節し、例えば周囲の温度より下げようとする。反対に、周囲の温度が下がる夜間などには、植物は気孔を閉じて自身の温度を周囲の温度より上げようとする。しかし、植物が何らかの理由によってその健康が悪化したストレス状態になり、自身の温度を調整する機能が低下する場合がある。言い換えれば、植物の温度を測定することによって、その植物の状態を推定することが可能となる。
図７Ａおよび図７Ｂを参照して、植物の温度を測定した例について説明する。図７Ａは、一実施形態による、夜間の農作物におけるスペクトル特性の測定結果の一例を示す図である。図７Ｂは、図７Ａに示した農作物の、日中におけるスペクトル特性の測定結果の一例を示す図である。
まず、図７Ａの例では、ほぼ正方形の畑に農作物が一様に生育している。しかし、この畑に育成している農作物の温度分布は一様ではなく、より高い温度を有する第１群と、より低い温度を有する第２群とに大別することができる。第１群は明るい色で表されており、図７Ａに示した正方形の畑のうち、点Ａを基準として左側（−Ｘ側）およそ２／３の、さらに上側（＋Ｙ側）およそ２／３の領域に集中している。また、第２群は暗い色で表されており、残りの領域に集中している。
したがって、図７Ａからは、第１群の農作物は、第２群の農作物と比較して、太陽光が届かずに土が冷却される夜間において、その温度がより高く保たれていることが読み取れる。言い換えれば、第２群の農作物は、第１群の農作物と比較して、バイオマス密度が低い、または病気などのストレス（問題）を有している。
次に、図７Ｂの例では、図７Ａと同じ畑の農作物において、その温度分布が図７Ａの例とは異なる。言い換えれば、同じ植物でもその温度分布は日中と夜間とで異なる。図７Ｂにおいて、より高い温度を有する第１群は明るい色で表されており、反対に、より低い温度を有する第２群は暗い色で表されている。なお、図７Ｂの分布はまだらになっており、図７Ａの分布とは単純に比較できない。つまり、日中も夜間も温度調節ができない個体、日中だけ温度調節ができない個体、夜間だけ温度調節ができない個体、日中も夜間も温度調節ができている個体、が図７Ａおよび図７Ｂの畑には混在している。言い換えれば、これらの個体は、原因が異なるストレスを有している可能性がある。
第１ステップＳ２１では、植生の温度分布図を生成することが困難である場合Ａがある。これは、例えば、長波長赤外線の帯域に対応しているハイパースペクトルカメラ７１は、重量が大きく、高価でもあることにより、ドローンに搭載することが一般的ではないなどの場合である。そのような場合には、植生の温度分布図の代わりに、スペクトル特性の特徴分布図を生成してもよい。例えば、長波長赤外線の帯域に対応しているハイパースペクトルカメラ７１の代わりに、可視光線から近赤外線までの帯域に対応している、よりシンプルなハイパースペクトルカメラ７１を使用してもよい。この場合は、可視光線から近赤外線までのハイパースペクトルカメラ７１で得られるスペクトル特性を解析し、その結果を表す特徴分布図を生成することができる。
なお、第１ステップＳ２１におけるスペクトル特性の測定は、続く第２ステップＳ２２で異常発生領域を特定する目的で行われる。したがって、支援対象領域の全域でスペクトル特性の測定を行うことが好ましい。
第１ステップＳ２１の次には、第２ステップＳ２２が実行される。第２ステップＳ２２では、精密農業支援システム１が、植物に異常が発生している領域を特定する。より詳細には、精密農業支援システム１の異常領域特定部４２が、第１ステップＳ２１でスペクトル特性を測定した結果に基づいて、支援対象領域としての地面８のうち、植物に異常が発生している領域を特定する。異常領域特定部４２は、演算装置４が所定のプログラムを実行することによってその機能が実現されてもよい。
このプログラムでは、例えば、第１ステップＳ２１で生成された分布図のノイズを軽減してＳ／Ｎ比（Ｓｉｇｎａｌ−ｔｏ−Ｎｏｉｓｅ比：信号対雑音比）を向上させる画像処理を行ってもよい。また、このプログラムは、植物が受けているストレスの原因を解明するために、可視光線から長波長赤外線までの波長範囲に含まれる複数の帯域における測定結果を組み合わせて特殊なアルゴリズムによる演算を行い、その演算の結果を各種のデータベースに照合して比較する。ここで、各種のデータベースは、公開されているデータベースであってもよいし、独自のデータベースであってもよい。こうすることによって、植物が受けているストレスを早期に発見し、その原因や対処法などを農家に提供することができる。
測定によって得られたデータの解析結果を、実験結果や、支援対象領域の農地におけるこれまでの生産データなどと合わせてさらに解析することにより、農家にとって農地を管理するために実用的で、最新の、より完璧な情報の供給が可能となる。
図７Ｃを参照して、植物に異常が発生している領域について説明する。図７Ｃは、図７Ａおよび図７Ｂを融合した図である。図７Ｃは、図７Ａおよび図７Ｂのそれぞれに以下の変化を行ってから合成することで得られる。すなわち、図７Ｂにおいて、日中に温度がより高い領域の植物はより多いストレスを有していると考えられるので、この領域の色が、図７Ａに示した夜間の第２群の色に合うように、図７Ｂの色を変換する。
図７Ｃの例では、ほぼ正方形の畑に生育している植物のうち、より明るい色で表されている領域の個体はストレスが比較的少なく、反対により暗い色で表されている領域の個体はストレスが比較的多い。ここで、夜間にストレスが比較的低いと思われた領域に、実際にはストレスが比較的高い領域が混在していることが視覚化される。反対に、夜間にストレスが比較的高いと思われた領域に、実際にはストレスが比較的低い領域が混在していることも視覚化される。また、日中でも夜間でもストレスが比較的高い領域は最も濃い色で表されており、日中でも夜間でもストレスが比較的低い領域は最も薄い色で表されており、日中または夜間のどちらかだけでストレスが比較的高い領域は中間的な濃さの色で表されている。例えば、図７Ａの第１群は比較的ストレスが低い領域と思われたが、実際には比較的ストレスが高いことを示す濃い色の縞模様がうっすらと確認することができる。このように、図７Ａのような夜間の温度測定結果と、図７Ｂのような日中の温度測定結果と、図７Ｃのような合成データとに基づいて、夜間だけ温度調節ができないストレスと、日中だけ温度調節ができないストレスと、日中および夜間のどちらでも温度調節ができないストレスとを区別することが可能である。
第２ステップＳ２２の次には、第３ステップＳ２３が実行される。第３ステップＳ２３では、測定装置７が、異常発生領域のスペクトルを測定する。
なお、第１ステップＳ２１では、異常発生領域を特定するために支援対象領域の全域でスペクトル特性の測定を行ったが、第３ステップＳ２３では、特定された異常発生領域だけでスペクトル特性の測定を行ってもよい。これは、第３ステップＳ２３におけるスペクトル特性の測定が、続く第４ステップＳ２４で異常の内容を推定する目的で行われるからである。
第３ステップＳ２３の次には、第４ステップＳ２４が実行される。第４ステップＳ２４では、精密農業支援システム１が異常の内容を推定する。より詳細には、精密農業支援システム１の異常内容推定部４３が、第３ステップＳ２３で測定したスペクトル特性のうち、植物が反射する反射光のスペクトル特性に基づいて、第２ステップＳ２２で発生領域を特定した異常の内容を推定する。異常内容推定部４３は、演算装置４が所定のプログラムを実行することによってその機能が実現されてもよい。
異常内容推定部４３は、記憶装置５に格納されている異常データベース５３を参照して、第３ステップＳ２３でスペクトル特性を測定した結果が有する特徴に対応する異常の内容を推定する。言い換えれば、異常データベース５３には、植物に発生し得る異常の種類と、その異常が発生した植物のスペクトル特性が有する特徴との関係性を示すデータが含まれていてもよい。
第４ステップＳ２４の次には、第５ステップＳ２５が実行される。第５ステップＳ２５では、精密農業支援システム１が警告を出力する。より詳細には、精密農業支援システム１の警告部４４が、第４ステップＳ２４で異常の内容を推定した結果に基づいて警告を出力する。この警告の具体的な内容は、例えば、推定した内容の異常が発生していることを報知するものであってもよいが、より好ましくは、発生している異常への対策を行うよう促すものであってもよい。異常への対策を示すデータは、例えば、警告部４４が読み出せるように異常データベース５３に含まれていてもよい。さらに、異常データベース５３には、異常の内容、特徴および対策が、互いに対応付けられた状態で含まれていてもよい。警告を出力する具体的な手法としては、文字、数値、地形情報などを含む説明を、書面で示しても良いし、図示しないディスプレイやランプなどの光学装置で視覚的に行ってもよいし、図示しないスピーカやブザーなどの音響装置で聴覚的に行ってもよい。
図８Ａおよび図８Ｂを参照して、農作物の生育中に異常の発生を検出した領域における収穫量が、異常の発生を検出しなかった領域における収穫量と比較して、実際に低くなった事例について説明する。図８Ａは、一実施形態による、トウモロコシの生育が初期段階の円形農場９におけるスペクトル特性の測定結果の一例を示す図である。図８Ｂは、図８Ａに示した円形農場９における収穫量の一例を示す図である。
図８Ａの事例では、円形農場９に、２つの異常領域９１、９２が検出されている。第１の異常領域９１は、円形農場９の周縁領域に位置している。また、第２の異常領域９２は、円形農場９の中心領域に位置している。ただし、育成が初期段階のトウモロコシは、その高さがまだ低く、また、その密度もまだ低いので、図８Ａに示した温度分布は、トウモロコシ自体の温度分布よりも、土壌の温度分布に近いと考えられる。図８Ａにおいて、色が薄い異常領域９１、９２は、色が濃いその他の領域と比べて、温度が若干高くなっている。両領域の温度差は、１℃以内である。このような違いは目視では分かり辛いが、温度が比較的高くなっている原因は、その土壌の水持ちが悪く、散水しても水が十分に保たれないからであると考えられる。
図８Ａに示すように、円形農場９の全体におけるスペクトル特性の測定結果を分析することで、異常領域９１、９２において温度が高く、水が不足していることが判明した。その後、図８Ｂに示すように、円形農場９の農作物を収穫すると、２つの領域における収穫量が他の領域よりも低下していることが判明した。これら２つの収穫低下領域９３、９４は、水が不足していた異常領域９１、９２にそれぞれ一致することが確認された。つまり、図８Ｂに示す局所的な収穫量の低下は、図８Ａに示す局所的な水不足が原因であったと推定される。
この事例は、農作物の収穫量が低下した原因である異常の発生を、農作物の生育途中の時点で検出することが可能であることを示している。また、異常の発生を検出できた時点で適切な対策を行っていれば、農作物の収穫量の低下を抑制できた可能性も示している。
図８Ａおよび図８Ｂの事例では、水不足の原因としては、スプリンクラーの部分的な故障による不十分な水の供給、土壌の水持ちの悪さ、などが考えられるので、その対策として、例えば、スプリンクラーを修理すること、土壌の表面を水持ちの良い土で覆うこと、などが考えられる。
このように、本実施形態による精密農業支援システム１および精密農業支援方法によれば、早期警告を行うことで、農作物の収穫量の低下を抑制することができる。すなわち、生育中の農作物における異常の発生を早期に発見し、その農作物の収穫に間に合うように実効的な対策を促すことで、農作物の生育状況をより健康な状態に近づけて、最終的な収穫量を本来的な期待値に近づけることが可能となる。言い換えれば、収穫量の低減を抑制することが可能となる。
早期警告についてより詳細に説明する。前述のとおり、異常が発生した植物は、自身の温度を調整する機能が低下する場合がある。一例として、日中は温度を適切に調節できる植物が、夜間は気孔を閉じても温度が下がりすぎるような異常が発生する場合がある。反対に、夜間は温度を適切に調節できる植物が、日中は気孔を開いても温度が上がりすぎるような異常が発生する場合もある。このような異常が発生した植物は、ストレスを有することになる。本実施形態では、第１ステップＳ２１または第２ステップＳ２２の時点でこのような異常を検知することができるので、例えば、第３ステップＳ２３および第４ステップＳ２４を省略して、つまり植物のストレスの原因を推定する前に、または推定せずに、第５ステップＳ２５でより早期の警告を出力してもよい。
植物のストレスの原因としては、例えば、肥料（窒素、リンなど）の不足、水不足、病気、害虫などがある。日中または夜間のどちらで異常が発生するかに基づいて、また、異常データベース５３を参照することで、その植物のストレスの原因を推定できる場合がある。この場合、異常データベース５３は、支援対象領域に発生し得る異常の種類と、その異常が発生した支援対象領域の日中および夜間における温度が有する特徴との関係性を示すデータをさらに含んでいてもよい。一例として、水不足の場合には、植物が日中に気孔を開いて蒸散しようとしても温度が十分に下がらないが、夜間には正常状態となる場合がある。警告部４４は、異常データベース５３と、温度の測定結果と、異常領域の特定結果とに基づいて、警告を出力してもよい。
第５ステップＳ２５が完了すると、図６のフローチャートは終了する。もしくは、第５ステップＳ２５が完了した後は、図６のフローチャートが第１ステップＳ２１から再度実行されてもよい。
図６のフローチャートにおいて、第２ステップＳ２２で異常の発生が発見されなかった場合には、第３ステップＳ２３に進む代わりに、第１ステップＳ２１が再度実行されてもよい。言い換えれば、異常の発生が発見されるまで、第１ステップＳ２１および第２ステップＳ２２を繰り返してもよい。この繰り返しは、農作物の生育状況に合わせて、定期的または不定期的に行ってもよい。
植物の種類を判定するために実行する図５のフローチャートと、異常の発生領域を特定してその内容を推定するために実行する図６のフローチャートとは、どちらを先に実行してもよい。また、両方のフローチャートの一部または全てを同時に並行して実行してもよい。
以上、発明者によってなされた発明を実施の形態に基づき具体的に説明したが、本発明は前記実施の形態に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能であることはいうまでもない。また、前記実施の形態に説明したそれぞれの特徴は、技術的に矛盾しない範囲で自由に組み合わせることが可能である。
１ 精密農業支援システム
２ バス
３ インタフェース装置
４ 演算装置
４１ 植物種判定部
４２ 異常領域特定部
４３ 異常内容推定部
４４ 警告部
４５ 補正部
５ 記憶装置
５１ 種別スペクトルデータベース
５２ 測定スペクトルデータ
５３ 異常データベース
６ 外部記憶装置
６１ 記録媒体
７ 測定装置
７０１ 進行方向
７０２ 配列方向
７０３ 瞬間視野
７０４ 単位視野
７１ ハイパースペクトルカメラ
７２ 測位装置
７３ 移動装置
７４ 熱赤外線温度検知器
８ 地面
８０１ 単位長
８０２ 観測幅
９ 円形農場
９１ 異常領域
９２ 異常領域
９３ 収穫低下領域
９４ 収穫低下領域

Claims (12)

  1. 支援対象領域の植生に由来する光の第１スペクトル特性を測定する測定装置と、
    所望の農作物のスペクトル特性が有する特徴を示す種別スペクトルデータベースを格納する記憶装置と、
    前記種別スペクトルデータベースと、前記第１スペクトル特性の測定結果とに基づいて、前記植生に含まれる植物が前記所望の農作物であるかどうかを判定する植物種判定部と
    を具備し、
    前記所望の農作物は、稲を含み、
    前記測定装置は、１００以上のスペクトル波長帯域のスペクトル特性を一度に測定可能なハイパースペクトルカメラを備え、
    前記第１スペクトル特性は、前記光の、前記ハイパースペクトルカメラで測定された一連の前記スペクトル波長帯域のスペクトル強度を含み、
    前記光は、少なくとも、
    前記植物が太陽光で励起されて発する発光と、
    前記植物が自身で放射する放射光と
    を含み、
    日中および夜間のそれぞれにおいて測定された、前記放射光のうちの、波長が８ミクロンから１４ミクロンまでの長波長赤外線帯域の成分に少なくとも基づいて、前記植物が、自身の温度を調整する機能が低下した状態にあることを推定し、前記植物の収穫量の減少を抑制するための早期警告を行う
    精密農業支援システム。
  2. 請求項１に記載の精密農業支援システムにおいて、
    前記ハイパースペクトルカメラは、前記支援対象領域を光学的に観測し、可視光、近赤外線、短波長赤外線、中波長赤外線および長波長赤外線の少なくとも一部を含む所定の波長領域についてスペクトル特性を測定する
    精密農業支援システム。
  3. 請求項１または２に記載の精密農業支援システムにおいて、
    前記植物種判定部は、前記第１スペクトル特性の測定結果のうち、波長が３ミクロンから５ミクロンまでの中波長赤外線帯域に含まれる特徴に基づいて前記判定を行う
    精密農業支援システム。
  4. 請求項１〜３のいずれか一項に記載の精密農業支援システムにおいて、
    前記植物種判定部は、前記第１スペクトル特性の測定結果のうち、波長が８ミクロンから１４ミクロンまでの長波長赤外線帯域に含まれる特徴に基づいて前記判定を行う
    精密農業支援システム。
  5. 請求項１〜４のいずれか一項に記載の精密農業支援システムにおいて、
    前記記憶装置は、前記支援対象領域に発生し得る異常の種類と、異常が発生した前記支援対象領域の日中および夜間におけるスペクトル特性が有する特徴との関係性を示す異常データベースをさらに格納し、
    前記測定装置は、前記支援対象領域の日中および夜間におけるスペクトル特性をさらに測定し、
    前記スペクトル特性の測定結果に基づいて、前記支援対象領域のうち、異常が発生している異常領域を特定する異常領域特定部と、
    前記異常データベース、前記スペクトル特性の測定結果および前記異常領域の特定結果に基づいて警告を出力する警告部と
    をさらに具備する
    精密農業支援システム。
  6. 請求項１〜４のいずれか一項に記載の精密農業支援システムにおいて、
    前記測定装置は、前記支援対象領域の日中および夜間におけるスペクトル特性をさらに測定し、
    前記スペクトル特性の測定結果に基づいて、前記支援対象領域のうち、異常が発生している異常領域を特定する異常領域特定部
    をさらに具備し、
    前記測定装置は、前記支援対象領域の植生のうち、前記異常領域の植生に由来する光の第２スペクトル特性をさらに測定し、
    前記記憶装置は、植物に発生し得る異常の種類と、異常が発生した植物のスペクトル特性が有する特徴との関係性を示す異常データベースをさらに格納し、
    前記異常データベースと、前記第２スペクトル特性の測定結果とに基づいて、前記異常の内容を推定する異常内容推定部と、
    前記異常の内容の推定結果に基づいて警告を出力する警告部と
    をさらに具備する
    精密農業支援システム。
  7. 請求項５または６に記載の精密農業支援システムにおいて、
    前記測定装置は、前記支援対象領域の植生に由来する光のスペクトル特性を測定することで前記植生の温度を測定する
    精密農業支援システム。
  8. 請求項６に記載の精密農業支援システムにおいて、
    前記測定装置は、前記支援対象領域の植生に由来する光の、第１帯域のスペクトル特性を測定することで前記植生の温度を測定し、
    前記第１帯域は、波長が３ミクロンから５ミクロンまでの中波長赤外線帯域と、波長が８ミクロンから１４ミクロンまでの長波長赤外線帯域との集合に含まれており、
    前記測定装置は、前記異常領域の植生に由来する光の、第２帯域のスペクトル特性を測定することで前記第２スペクトル特性を測定し、
    前記第２帯域は、波長が３５０ナノメートルから７４０ナノメートルまでの可視光線の帯域と、波長が７４０ナノメートルから１ミクロンまでの近赤外線の帯域との集合に含まれている
    精密農業支援システム。
  9. 請求項５または６に記載の精密農業支援システムにおいて、
    前記測定装置は、
    熱赤外線の帯域で前記植生の温度を測定する熱赤外線温度検知器
    をさらに具備し、
    前記温度の測定結果において、前記熱赤外線温度検知器および前記植生の間に存在する環境の影響を補正する補正部
    をさらに具備する
    精密農業支援システム。
  10. 所望の農作物のスペクトル特性が有する特徴を示す種別スペクトルデータベースを用意することと、
    測定装置を用いて支援対象領域の植生に由来する光の第１スペクトル特性の測定を行うことと、
    前記種別スペクトルデータベースと、前記測定の結果とに基づいて、前記植生に含まれる植物が前記所望の農作物であるかどうかを判定することと
    を含み、
    前記所望の農作物は、稲を含み、
    前記測定装置は、１００以上のスペクトル波長帯域のスペクトル特性を一度に測定可能なハイパースペクトルカメラを備え、
    前記第１スペクトル特性は、前記光の、前記ハイパースペクトルカメラで測定された一連の前記スペクトル波長帯域のスペクトル強度を含み、
    前記光は、少なくとも、
    前記植物が太陽光で励起されて発する発光と、
    前記植物が自身で放射する放射光と
    を含み、
    日中および夜間のそれぞれにおいて測定された、前記放射光のうちの、波長が８ミクロンから１４ミクロンまでの長波長赤外線帯域の成分に少なくとも基づいて、前記植物が、自身の温度を調整する機能が低下した状態にあることを推定することと、
    前記植物の収穫量の減少を抑制するための早期警告を行うことと
    をさらに含む
    精密農業支援方法。
  11. 請求項１０に記載の精密農業支援方法において、
    前記支援対象領域に発生し得る異常の種類と、異常が発生した支援対象領域の日中および夜間におけるスペクトル特性が有する特徴との関係性を示す異常データベースを用意することと、
    前記支援対象領域の日中および夜間におけるスペクトル特性を測定することと、
    前記スペクトル特性の測定結果に基づいて、前記支援対象領域のうち、異常が発生している異常領域を特定することと、
    前記異常データベース、前記スペクトル特性の測定結果および前記異常領域の特定結果に基づいて警告を出力することと
    をさらに含む
    精密農業支援方法。
  12. 請求項１０に記載の精密農業支援方法において、
    植物に発生し得る異常の種類と、その異常が発生した植物のスペクトル特性の測定結果が有する特徴との関係性を示す異常データベースを用意することと、
    前記支援対象領域の日中および夜間におけるスペクトル特性を測定することと、
    前記スペクトル特性の測定結果に基づいて、前記支援対象領域のうち、異常が発生している異常領域を特定することと、
    前記支援対象領域の植生のうち、前記異常領域の植生に由来する光の第２スペクトル特性を測定することと、
    前記異常データベースと、前記第２スペクトル特性の測定結果とに基づいて、前記異常の内容を推定することと、
    前記異常の内容の推定結果に基づいて警告を出力することと
    をさらに含む
    精密農業支援方法。
JP2019105490A 2019-06-05 2019-06-05 精密農業支援システムおよび精密農業支援方法 Active JP6953474B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2019105490A JP6953474B2 (ja) 2019-06-05 2019-06-05 精密農業支援システムおよび精密農業支援方法
US16/839,301 US11519892B2 (en) 2019-06-05 2020-04-03 Precision agriculture support system and precision agriculture support method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019105490A JP6953474B2 (ja) 2019-06-05 2019-06-05 精密農業支援システムおよび精密農業支援方法

Publications (2)

Publication Number Publication Date
JP2020197507A JP2020197507A (ja) 2020-12-10
JP6953474B2 true JP6953474B2 (ja) 2021-10-27

Family

ID=73649581

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019105490A Active JP6953474B2 (ja) 2019-06-05 2019-06-05 精密農業支援システムおよび精密農業支援方法

Country Status (2)

Country Link
US (1) US11519892B2 (ja)
JP (1) JP6953474B2 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11440659B2 (en) * 2019-09-12 2022-09-13 National Formosa University Precision agriculture implementation method by UAV systems and artificial intelligence image processing technologies
US11187586B2 (en) 2020-08-17 2021-11-30 SoCal Dab Tools, LLC Temperature sensing system
KR102543154B1 (ko) * 2021-07-20 2023-06-14 대한민국 Vnir 스펙트럼을 이용한 형질전환 십자화과 교잡종 판별 방법 및 시스템
WO2024004674A1 (ja) * 2022-06-28 2024-01-04 三井住友建設株式会社 二酸化炭素の排出権取引支援装置及びその方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5910018B2 (ja) 1982-04-27 1984-03-06 理学電機株式会社 比例計数管製作法
JP2003279415A (ja) * 2002-03-20 2003-10-02 Oyo Corp 廃棄物種別分布の遠隔調査方法
US6949734B2 (en) * 2003-04-22 2005-09-27 Itt Manufacturing Enterprises, Inc. Active remote sensing using a spectral lock-in technique
JP2009058333A (ja) * 2007-08-31 2009-03-19 Aomoriken Kogyo Gijutsu Kyoiku Shinkokai 地面の熱容量分析による大規模な不法廃棄物投棄現場の探索方法
JP5910018B2 (ja) 2011-11-17 2016-04-27 富士通株式会社 植物種特定のためのプログラム、情報処理方法及び装置
JP5886054B2 (ja) * 2012-01-16 2016-03-16 株式会社日立製作所 画像解析システム、及び方法
US9766382B2 (en) 2012-06-05 2017-09-19 Hypermed Imaging, Inc. Single-sensor hyperspectral imaging device
JP5991182B2 (ja) 2012-12-14 2016-09-14 富士通株式会社 植物種判定プログラム、植物種判定方法および植物種識別装置
JP6064712B2 (ja) 2013-03-18 2017-01-25 富士通株式会社 樹種識別装置及び樹種識別方法
JP2015077113A (ja) * 2013-10-18 2015-04-23 富士通株式会社 植物判定装置、植物判定方法、及びプログラム
CA2954625C (en) * 2014-06-18 2022-12-13 Innopix, Inc. Spectral imaging system for remote and noninvasive detection of target substances using spectral filter arrays and image capture arrays
JP2016165303A (ja) * 2016-06-06 2016-09-15 富士通株式会社 植生判定プログラム及び植生判定方法並びに植生判定装置
EP3467702A1 (en) * 2017-10-04 2019-04-10 Kws Saat Se Method and system for performing data analysis for plant phenotyping
CN108982408A (zh) * 2018-07-20 2018-12-11 哈尔滨工业大学 一种利用近红外光谱技术区分有机大米和非有机大米的方法

Also Published As

Publication number Publication date
US11519892B2 (en) 2022-12-06
US20200386733A1 (en) 2020-12-10
JP2020197507A (ja) 2020-12-10

Similar Documents

Publication Publication Date Title
JP6953474B2 (ja) 精密農業支援システムおよび精密農業支援方法
Pallottino et al. Optoelectronic proximal sensing vehicle-mounted technologies in precision agriculture: A review
Sankaran et al. Low-altitude, high-resolution aerial imaging systems for row and field crop phenotyping: A review
Bai et al. A multi-sensor system for high throughput field phenotyping in soybean and wheat breeding
Mazzetto et al. Integration of optical and analogue sensors for monitoring canopy health and vigour in precision viticulture
US10192185B2 (en) Farmland management system and farmland management method
Chen et al. Applying high-resolution visible-channel aerial imaging of crop canopy to precision irrigation management
Bogue Sensors key to advances in precision agriculture
US7408145B2 (en) Light sensing instrument with modulated polychromatic source
Farooque et al. Performance evaluation of multiple ground based sensors mounted on a commercial wild blueberry harvester to sense plant height, fruit yield and topographic features in real-time
Cuaran et al. Crop monitoring using unmanned aerial vehicles: a review.
Moriya et al. Detection and mapping of trees infected with citrus gummosis using UAV hyperspectral data
Jones et al. Remote sensing and other imaging technologies to monitor grapevine performance
Moradi et al. UAV-based smart agriculture: A review of UAV sensing and applications
West et al. Detection of fungal diseases optically and pathogen inoculum by air sampling
Che'Ya Site-Specific Weed Management Using Remote Sensing
Souza et al. Using passive and active multispectral sensors on the correlation with the phenological indices of cotton
Muraru et al. Researches regarding the use of drones in agriculture
Baylis Advances in precision farming technologies for crop protection
Livanos et al. Extraction of reflectance maps for smart farming applications using unmanned aerial vehicles
Hatton Use of small unmanned aerial system for validation of sudden death syndrome in soybean through multispectral and thermal remote sensing
Paap Development of an optical sensor for real-time weed detection using laser based spectroscopy
Mihalache et al. The use of drones in modern agriculture.
Stoyanova et al. Unmanned drone multispectral imaging for assessment of wheat and oilseed rape habitus.
Adak et al. Drones: A Modern Breakthrough for Smart Farming

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20191217

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210127

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210409

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: 20210922

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210929

R150 Certificate of patent or registration of utility model

Ref document number: 6953474

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150