JP7065163B2

JP7065163B2 - 圃場統合管理システム

Info

Publication number: JP7065163B2
Application number: JP2020165331A
Authority: JP
Inventors: 鉄美越智; 洋久會田; 長山本
Original assignee: Nippon Telegraph and Telephone East Corp
Current assignee: Nippon Telegraph and Telephone East Corp
Priority date: 2020-09-30
Filing date: 2020-09-30
Publication date: 2022-05-11
Anticipated expiration: 2040-09-30
Also published as: JP2022057201A

Description

本発明は、圃場統合管理システムに関する。

農作物は、生育期間において様々な病害虫に侵される場合がある。病害虫の発生は、収率・品質低下の要因になる。そこで、各種センサを用いて圃場内の環境をモニタし、作物の品質及び生産性を向上させる試みが検討されている（非特許文献１）。

圃場は、囲いをした畑のことである。例えば、苺のハウス栽培のハウス単位の農地を、ここでは圃場と称する。なお、圃場は苺栽培のハウスに限られない。

［令和２年８月２４日検索］、インターネット＜URL:http://fsds.dc.affrc.go.jp/data1/fukatsu/paper/2012 jul.pdf＞

しかしながら、非特許文献１に開示された技術は、利用者の意向決定に必要な情報をコンピュータシステムが提供するだけであり、作物に発生する病害虫を具体的に抑制する手段を備えないものである。つまり、ＩｏＴ（Internet of Things）技術を用いて圃場内の作物の生育を統合的に管理するシステムは存在しないという課題がある。

本発明は、上記に鑑みてなされたものであり、ＩｏＴ技術を用いて圃場内の作物の生育を統合的に管理することができる圃場統合管理システムを提供することを目的とする。

本発明に係る圃場統合管理システムは、通信ネットワークを介して圃場内の作物の生育を管理する圃場統合管理システムであって、前記圃場内の環境を表す環境パラメータを所定の時間間隔で検出する複数のセンサと、前記作物に発生する病害虫を抑制する一つ以上の病害虫抑制部と、前記環境パラメータを、前記通信ネットワークを介して予測装置に送信し、前記予測装置から前記病害虫抑制部の動作を制御する制御信号を受信し、前記病害虫抑制部の動作を制御する圃場内端末と、前記環境パラメータの推移から前記作物に発生する病害虫を予測する病害虫発生予測モデルを有し、新たに入力された前記環境パラメータから病害虫の発生を予測し、発生が予測された病害虫に対応する前記制御信号を生成する前記予測装置とを備え、前記圃場内端末は、前記環境パラメータの値が閾値よりも大きいか否かを判定する判定部と、該値が前記閾値よりも大きい場合に利用者に第１警報を発する第１報知部とを備え、前記予測装置は、前記第１警報が発せられた場合、又は前記病害虫発生予測モデルによって病害虫の発生が予測された場合に携帯電話の回線を用いて前記利用者の携帯電話の電話番号が登録されている呼制御サーバに第２警報を発する第２報知部を備えることを要旨とする。

本発明によれば、圃場内の作物の生育を統合的に管理することができる圃場統合管理システムを提供することができる。

本発明の実施形態に係る圃場統合管理システムの機能構成例を示すブロック図である。圃場内に配置される構成の一例を示すブロック図である。図１に示す予測装置の機能構成例を示すブロック図である。病害虫発生予測モデルの概念を示す図である。作物と発生する病害虫の関係を示す図である。ハウス内の温度湿度の変化と炭疽病との関係例を示す図である。病害虫の種類とその発生を抑制する手段との関係を示す図である。図１に示す病害虫抑制部の動作の手順の一例を示すフローチャートである。

以下、本発明の実施形態について図面を用いて説明する。複数の図面中同一のものに
は同じ参照符号を付し、説明は繰り返さない。

（構成）
図１は、本発明の実施形態に係る圃場統合管理システムの機能構成例を示すブロック図である。図１に示す圃場統合管理システム１００は、通信ネットワークを介して圃場内の作物の生育を管理するシステムである。

圃場統合管理システム１００は、複数のセンサ１０、病害虫抑制部２０、圃場内端末３０、通信ネットワーク４０、予測装置５０、及び携帯端末６０を備える。複数のセンサ１０、病害虫抑制部２０、及び圃場内端末３０は、例えばビニールハウス等の圃場内に設けられる。なお、携帯端末６０は無くても構わない。

圃場内端末３０、予測装置５０、及び携帯端末６０のそれぞれは、例えば、ＲＯＭ、ＲＡＭ、ＣＰＵ等からなるコンピュータで実現することができる。その場合、各機能構成部の処理内容はプログラムによって記述される。

また、圃場統合管理システム１００は、クラウドコンピューティングの形態で構成することも可能である。その場合、通信ネットワーク４０はインターネットで構成され、予測装置５０はクラウド上に配置される。

（作用）
複数のセンサ１０は、圃場内の環境を表す環境パラメータを所定の時間間隔で検出する。環境パラメータは、温度、湿度、日照、ＣＯ_２濃度、捕虫器で捕獲した害虫の数、土壌含水率等を表す情報である。

病害虫抑制部２０は、圃場内の作物に発生する病害虫を抑制するものである。例えば、紫外線Ｂ波（ＵＶＢ）を作物に照射するＵＶＢ照射部、青色光を照射するＬＥＤ光源、殺虫剤の噴霧器等の一つ以上を含む。

圃場内端末３０は、複数のセンサ１０で検出した環境パラメータを、通信ネットワーク４０を介して予測装置５０に送信し、予測装置５０から病害虫抑制部２０の動作を制御する制御信号を受信し、病害虫抑制部２０の動作を制御する。制御信号は、例えばＵＶＢ照射部によるＵＶＢの照射の有無及び照射時間等を制御する。

予測装置５０は、環境パラメータの推移から作物に発生する病害虫を予測する病害虫発生予測モデルを有し、新たに入力された環境パラメータから病害虫の発生を予測し、発生が予測された病害虫に対応する制御信号を生成する。病害虫発生予測モデルは、例えば機械学習アルゴリズムに基づいて生成されたモデルである。病害虫発生予測モデルについて詳しくは後述する。

以上説明したように、本実施形態に係る圃場統合管理システム１００は、通信ネットワーク４０を介して圃場内の作物の生育を管理する圃場統合管理システムであって、圃場内の環境を表す環境パラメータを所定の時間間隔で検出する複数のセンサ１０と、作物に発生する病害虫を抑制する一つ以上の病害虫抑制部２０と、環境パラメータを、通信ネットワーク４０を介して予測装置５０に送信し、予測装置５０から病害虫抑制部２０の動作を制御する制御信号を受信し、病害虫抑制部２０の動作を制御する圃場内端末３０と、環境パラメータの推移から作物に発生する病害虫を予測する病害虫発生予測モデルを有し、新たに入力された環境パラメータから病害虫の発生を予測し、発生が予測された病害虫に対応する制御信号を生成する予測装置５０とを備える。これにより、圃場内の作物の生育を統合的に管理することができる。

以降、図面を参照して各機能構成部の動作を詳しく説明する。

（圃場内）
図２は、圃場内に配置される各機能構成部を示すブロック図である。圃場内には、複数のセンサ１０、病害虫抑制部２０、及び圃場内端末３０が配置される。

複数のセンサ１０は、例えば、温度センサ１１、湿度センサ１２、日照センサ１３、ＣＯ２センサ１４、捕虫器１５等を含む。温度センサ１１は、例えばサーミスタ等で構成される一般的なものである。他のセンサも同様である。

病害虫抑制部２０は、例えば、ＵＶＢ照射部２１、ＬＥＤ光源２２、殺虫剤の噴霧器２３等を含む。これ以外に害虫の走光性を利用する光源等を含んでもよい。走光性とは、光の在る方向に虫が近づく性質のことである。ＵＶＢ照射部２１は、例えば蛍光ランプで構成することができる。

圃場内端末３０は、センサ駆動部３１、判定部３２、第１報知部３３、制御部３４、及び通信インターフェース３５を備える。センサ駆動部３１は、複数のセンサ１０をそれぞれ駆動し、各センサで検出した環境パラメータを取得する。通信インターフェース３５は、ＯＳＩ参照モデルの物理層に相当する構成であり一般的なものである。

センサ駆動部３１は、例えば温度センサ１１のサーミスタに定電流を供給し、温度によって変化するサーミスタの端子電圧を温度に変換する。また、湿度センサ１２に対しては、例えば静電容量を形成する湿度センサ１２に一定電圧を供給し、湿度によって変化する発振周波数を湿度に変換する。

このように、センサ駆動部３１は、各センサの仕様に合わせて駆動し、それぞれのセンサから環境パラメータを取得するドライバーである。捕虫器１５は、例えば、虫見板の上に虫を誘引する正の走光性の光を照射し、虫見板上の点の数を数えることで害虫の発生の有無を検出する。害虫の発生は、複雑な画像処理技術を用いなくても検出することが可能である。

判定部３２は、複数のセンサ１０で検出した環境パラメータの値が閾値よりも大きいか否かを判定する。環境パラメータの値は、例えば、捕虫器１５で検出した害虫の数、温度、湿度等の値である。

第１報知部３３は、判定部３２において環境パラメータの値が閾値よりも大きいと判定された場合に利用者に第１警報を発する。第１警報は、例えば、無線ＬＡＮ（Ｗｉ-Ｆｉ）を介して発せられる。また、第１警報は、通信インターフェース３５と通信ネットワーク４０を介して予測装置５０に伝達される。

第１報知部３３は、圃場内に配置され通信ネットワーク４０に接続される無線ルーター（図示せす）に代えてもよい。なお、第１報知部３３は、簡単な警告灯、ブザー等で有ってもよい。

なお、複数のセンサ１０に、複数の捕虫器１５を含めてもよい。複数の捕虫器１５をビニールハウス内に配置し、それぞれの捕虫器１５で検出した害虫の数を、その位置に対応させたマップで表示させてもよい。そのマップは、圃場内端末３０が備える表示部（図示せず）に表示してもよいし、利用者が携帯する携帯端末６０（携帯電話又はタブレット）に表示してもよい。

つまり、センサ１０は、害虫の数を計数する捕虫器１５を複数含み、第１報知部３３は、捕虫器１５の位置を表す情報と害虫の数を表す情報を組みにした第１警報を発する。これにより、利用者は害虫発生の濃淡を知ることができ防御を確実に行うことができる。

制御部３４は、予測装置５０から病害虫抑制部２０の動作を制御する制御信号を受信し、病害虫抑制部２０の動作を制御する。制御信号は、例えばＵＶＢ照射部２１のＵＶＢの照射の有無及び照射時間を制御する。

例えば、害虫のハダニは、ＵＶＢの照射によって防除できることが知られている（参考文献１：村田康允、他1名「ハダニに対するＵＶＢの致死効果と光回復」、植物防疫、第68巻第9号（2014年））。また、青色光に殺虫効果があることが知られている（参考文献２：堀雅敏、「青色光に見出された殺虫効果」、植物防疫、第69巻第7号（2015年））。

（予測装置）
図３は、予測装置５０の機能構成例を示すブロック図である。予測装置５０は、環境パラメータ蓄積部５１、学習部５２、病害虫発生予測モデル５３、可視化部５４、病害虫抑制部制御信号生成部５５、第２報知部５６、及び通信インターフェース５７を備える。通信インターフェース５７は、圃場内端末３０の通信インターフェース３５と同様に一般的なものである。

環境パラメータ蓄積部５１は、複数のセンサ１０が所定の時間間隔で検出した環境パラメータを蓄積する。所定の時間間隔は、例えば１時間、数時間、半日、又は1日といった時間間隔である。

学習部５２は、環境パラメータ蓄積部５１に蓄積された環境パラメータと発生する病害虫の種類とを関連付ける病害虫発生予測モデル５３を、機械学習アルゴリズムを用いて学習する。機械学習アルゴリズムは、例えば、ランダムフォレスト、ニューラルネットワーク、ＲＮＮ（ＬＳＴＭ）等である。何れのアルゴリズムを用いてもよい。

なお、学習済みの病害虫発生予測モデル５３を備えれば、環境パラメータ蓄積部５１と学習部５２は無くても構わない。つまり、病害虫発生予測モデル５３は、別の学習装置で学習した学習済みのモデルを用いてもよい。

図３に示す予測装置５０は学習部５２を備え、病害虫発生予測モデル５３を学習する学習フェーズと、病害虫発生予測モデル５３を用いて病害虫の発生を予測する予測フェーズの両方を行うものである。

このように本実施形態に係る予測装置５０は、環境パラメータを蓄積する環境パラメータ蓄積部５１と、環境パラメータ蓄積部５１に蓄積された環境パラメータと発生する病害虫の種類とを関連付ける病害虫発生予測モデルを、機械学習アルゴリズムを用いて学習する学習部５２を備える。これにより、環境パラメータの変化から病害虫の発生を予測する病害虫発生予測モデルを生成することができる。

（病害虫発生予測モデル）
図４は、病害虫発生予測モデル５３の概念を示す図である。図４に示すように、病害虫発生予測モデル５３は、環境パラメータ（ｘ_ｉ）の推移（時間変化）と発生する病害虫の種類（ｙ_＊）とを関連付けるモデルである。病害虫発生予測モデル５３は、病害虫の発生の有無を教師データとし、環境パラメータ（ｘ_ｉ）の推移を上記の機械学習アルゴリズムを用いて学習する。

病害虫の種類は、例えば、うどんこ病（ｙ_１）、しろさび病（ｙ_２）、炭疽病（ｙ_３）、アザミウマ（ｙ_４）、タバココナジラミ（ｙ_５）、アブラムシ（ｙ_６）、ハダニ（ｙ_７）等である。作物に発生する病害虫は、作物の種類によって異なる。

図５は、作物と発生する病害虫の関係を示す図である。図中に数字が記載されている行と列の組合せが発生し得る病害虫を表す。数字は、その発生を抑制する手段を表す。抑制する手段については後述する。

例えば、作物が苺の場合、病気は「うどんこ病」と「炭疽病」、害虫は「ハダニ」、「アザミウマ」、「アブラムシ」が発生し得る。胡瓜の場合、病気は「うどんこ病」、害虫は「アザミウマ」、「タバココナジラミ」、「アブラムシ」が発生し得る。このように作物の種類によって発生する病害虫の種類は異なる。

図６は、ビニールハウス内の温度湿度の推移と炭疽病との関係の一例を示す図である。図６の横軸は日付、縦軸は温度・湿度である。温度を実線、湿度を破線で示す。図６において８月１９日に炭疽病の発生が確認された。

温度湿度等の環境パラメータと、病害虫の発生との関係は複雑である。しかし、適切な情報（データ）を用いることで、環境パラメータの推移と作物に発生する病害虫との関係はモデル化（病害虫発生予測モデル５３）することが可能である。

圃場ごと農作物ごとに圃場内の環境パラメータを測定し、環境パラメータの変化から病害虫の発生を予測する病害虫発生予測モデルの構築を行う。病害虫発生予測モデルは、過去の環境パラメータ（ｘ_ｉ）の推移と新たに入力される環境パラメータから発生する病害虫の種類（ｙ_＊）を予測するモデルである。環境パラメータは、圃場内の温度、湿度、日照量、ＣＯ_２濃度、土壌含水率、及び害虫の数を表す情報等である。

可視化部５４は、病害虫発生予測モデルに新たに計測された環境パラメータを入力し、予測される病害虫の発生の有無を表す１/０の情報を出力する。つまり、過去の環境パラメータの推移を元に学習した病害虫発生予測モデルに新たな環境パラメータを入力し、発生が予測される病害虫を可視化させる。可視化部５４が出力する信号は、例えば「うどんこ病」及び「アザミウマ」等の発生の有無を表す１/０の情報である。

病害虫抑制部制御信号生成部５５は、発生が予測された病害虫の種類に対応させた抑制信号の生成を制御する制御信号を生成する。例えば、炭疽病の発生が予測された場合、病害虫抑制部制御信号生成部５５は、ＵＶＢ照射部２１から300～310nmの波長のＵＶＢを8～20μW/cm²の照射強度で、日没から25:00までの間の3時間だけ照射する制御信号を生成する。

第２報知部５６は、病害虫発生予測モデル５３によって病害虫の発生が予測された（可視化部５４で病害虫の発生が可視化された）場合、又は圃場内端末３０の第１報知部３３から第１警報が発せられた場合に携帯電話の回線を用いて第２警報を発する。第２報知部５６は、利用者の携帯電話の電話番号が登録されている呼制御サーバ（図示せず）に第２警報を送信する。

第２警報を受信した呼制御サーバは、第１警報が圃場内端末３０から発せられた場合又は病害虫発生予測モデル５３によって病害虫の発生が予測された場合に、利用者の携帯電話に第２警報を発する。第２警報は、携帯電話のサービスエリア内に発報される。したがって、利用者は、例えば、第１警報（例えばＷｉ-Ｆｉ）が届くビニールハウスの周辺に居なくても第２警報が発せられたことを知ることができる。

つまり、圃場内端末３０は、環境パラメータの値が閾値よりも大きいか否かを判定する判定部３２と、該値が閾値よりも大きい場合に利用者に第１警報を発する第１報知部３３とを備え、予測装置５０は、前記第１警報が発せられた場合、又は前記病害虫発生予測モデルによって病害虫の発生が予測された場合に携帯電話の回線を用いて第２警報を発する第２報知部５６を備える。これにより、利用者は、警報（第１警報と第２警報）が発せられたことを確実に知ることができる。

（病害虫抑制部）
図７は、作物を病害虫から防ぐ防除技術の例を示す図である。左から一列目の数字は図５に示した数字に対応している。二列目は防除技術名、三列目は防除メカニズムを示す。

ここで防除メカニズムについて簡単に説明する。「うどんこ病」及び「炭疽病」は、作物にＵＶＢを照射することで遺伝子抵抗体であるキチナーゼを誘導して防除することができる。ただし、キチナーゼは、光回復酵素によって回復されてしまうので日の当たらない夜間にＵＶＢを照射する必要がある。ＵＶＢの夜間照射については後述する。

「ハダニ」もＵＶＢの照射で防除することができる。280～300nmの波長を10μW/cm²程度の照射強度で孵化を防止することができる。

「アザミウマ」及び「アブラムシ」は、これらの害虫に青色光を直接照射することで酸化作用（活性酸素生成）によるタンパク質等の構造損傷が期待できる。430～490nmの波長の青色光が有効である。これらの光の照射は、細菌及び害虫の核酸（ＤＮＡ，ＲＮＡ）に作用し、細胞死や機能異常をもたらすと考えられる。

図５に示すように、苺に発生する「うどんこ病」は、ＵＶＢ照射（図７、Ｎｏ１）で防除することができる。害虫の「アザミウマ」と「ハダニ」は青色光照射（図７、Ｎｏ２，３）で防除することができる。

また、図７のＮｏ４に示すように複数の防除技術を組み合わせてもよい。害虫が持つ誘引特性（正の走光性又は臭気）を利用して害虫を誘引し、殺虫剤等で効率的に駆除する方法も考えられる。

ＵＶＢ照射部２１は、病害虫抑制部制御信号生成部５５で生成された制御信号に基づいて作物にＵＶＢを照射する。ＵＶＢは、生物中の核酸に損傷を与え致死させる作用を行う。

一方、生物には様々な環境ストレスによって核酸に生じたる損傷を正常な状態に戻す修復機構が備わることが知られている（参考文献１）。核酸に生じた損傷に対する修復機構としては、光回復と称される現象がある。

光回復は、ＵＶＢの照射によって損傷を受けた核酸が可視光に晒され、光回復酵素によって正常化される修復現象である。核酸の損傷を光回復で修復させないようにするためには、ＵＶＢを照射した後に光が照射されない暗時間を一定時間確保する必要がある。

したがって、ＵＶＢ照射部２１によるＵＶＢの照射は、暗時間が確保できる夜間に行う必要がある。また、所定の暗時間を確保するために日の出時刻に対応させてＵＶＢの照射を終了する必要がある。

図８は、ＵＶＢ照射部２１がＵＶＢを照射する手順を示すフローチャートである。ＵＶＢ照射部２１は、制御部３４によって制御される。

病害虫抑制部制御信号生成部５５において、ＵＶＢを照射させる制御信号が生成されると、制御部３４は、カレンダー情報と圃場の座標情報を元に日の出時刻を算出する（ステップＳ１）。座標情報は、圃場の緯度経度で有ってもよいし、住所で有ってもよい。

次に制御部３４は、所定の暗時間を確保できるＵＶＢの照射終了時刻を算出する（ステップＳ２）。照射終了時刻は、例えば、日の出時刻が４時３０分、暗時間が１時間であれば３時３０分が照射終了時刻である。

次に制御部３４は、害虫を駆除するのに必要なＵＶＢの積算照射量から、照射時間と照射量を算出する（ステップＳ３）。例えば、照射時間は３時間、照射量は20μW/cm²といった値である。

次に制御部３４は、日の出時刻からＵＶＢの照射開始時刻を算出する（ステップＳ４）。上記の例の場合の照射開始時刻は、午前１２時３０分となる。この照射開始時刻は、日の出時刻、暗時間、及び照射時間によって変化する。

制御部３４は、時刻が照射開始時刻になると、所定の照射量のＵＶＢをＵＶＢ照射部２１から照射させる。ＵＶＢの照射は照射時間の間継続される。

このように本実施形態に係る病害虫抑制部２０は、夜間、圃場内にＵＶＢを照射するＵＶＢ照射部２１を備え、ＵＶＢ照射部２１は、カレンダー情報と圃場の座標情報を元に、日の出までにＵＶＢが照射されない暗時間を所定時間以上の間生じさせる。これにより、細菌及び害虫の細胞死や機能異常が修復されずそれらを確実に防除することができる。

病害虫抑制部２０を構成するＬＥＤ光源２２、噴霧器２３等についても病害虫抑制部制御信号生成部５５で生成された制御信号に基づいて作物に発生する病害虫を防除する。ＬＥＤ光源２２と噴霧器２３について詳しい説明は省略する。

以上説明したように、本実施形態に係る圃場統合管理システム１００によれば、通信ネットワーク４０を介して、環境パラメータの取得、病害虫発生予測モデルの学習と予測、及び病害虫の抑制（防除）まで、統合的に圃場内の作物の生育を管理することが可能である。

なお、通信ネットワーク４０は、一人の管理者（利用者）が所有するプライベートネットワークで有ってもよい。また、通信ネットワーク４０はインターネットで有ってもよい。つまり、圃場統合管理システム１００によれば、ＩｏＴ技術を用いて圃場内の作物の生育を統合的に管理することができる。

また、インターネット上に予測装置５０を配置し、一人の管理者が複数の利用者にサービスを提供するようにしてもよい。このように圃場統合管理システム１００は、クラウドコンピューティングで実現しても構わない。

また、病害虫抑制部２０は、ＵＶＢ照射部２１（蛍光ランプ）、ＬＥＤ光源２２、噴霧器２３等の例を説明したが、本発明はこの例に限定されない。蛍光ランプ及びＬＥＤ等の光源は、低圧水銀灯、高圧水銀灯、キセノンランプ等の各種ランプで構成することが可能である。これらの光源を含む病害虫を抑制する手段には、最新の知見に基づく手段を用いることが可能である。

このように本発明は、ここでは記載していない様々な実施形態等を含む。したがって、本発明の技術的範囲は上記の説明から妥当な特許請求の範囲に係る発明特定事項によってのみ定められるものである。

１０：複数のセンサ
２０：病害虫抑制部
２１：ＵＶＢ照射部
２２：ＬＥＤ光源
２３：噴霧器
３０：圃場内端末
３２：判定部
３３：第１報知部
４０：通信ネットワーク
５０：予測装置
５１：環境パラメータ蓄積部
５２：学習部
５３：病害虫発生予測モデル
５４：可視化部
５５：病害虫抑制部制御信号生成部
５６：第２報知部
６０：携帯端末
１００：圃場統合管理システム

Claims

通信ネットワークを介して圃場内の作物の生育を管理する圃場統合管理システムであって、
前記圃場内の環境を表す環境パラメータを所定の時間間隔で検出する複数のセンサと、
前記作物に発生する病害虫を抑制する一つ以上の病害虫抑制部と、
前記環境パラメータを、前記通信ネットワークを介して予測装置に送信し、前記予測装置から前記病害虫抑制部の動作を制御する制御信号を受信し、前記病害虫抑制部の動作を制御する圃場内端末と、
前記環境パラメータの推移から前記作物に発生する病害虫を予測する病害虫発生予測モデルを有し、新たに入力された前記環境パラメータから病害虫の発生を予測し、発生が予測された病害虫に対応する前記制御信号を生成する前記予測装置と
を備え、
前記圃場内端末は、
前記環境パラメータの値が閾値よりも大きいか否かを判定する判定部と、
該値が前記閾値よりも大きい場合に利用者に第１警報を発する第１報知部とを備え、
前記予測装置は、
前記第１警報が発せられた場合、又は前記病害虫発生予測モデルによって病害虫の発生が予測された場合に携帯電話の回線を用いて前記利用者の携帯電話の電話番号が登録されている呼制御サーバに第２警報を発する第２報知部を備えることを特徴とする圃場統合管理システム。
前記予測装置は、
前記環境パラメータを蓄積する環境パラメータ蓄積部と、
前記環境パラメータ蓄積部に蓄積された前記環境パラメータと発生する病害虫の種類とを関連付ける前記病害虫発生予測モデルを、機械学習アルゴリズムを用いて学習する学習部を備える
ことを特徴とする請求項１に記載の圃場統合管理システム。
前記センサは、害虫の数を計数する捕虫器を複数含み、
前記第１報知部は、前記捕虫器の位置を表す情報と前記害虫の数を表す情報を組にした前記第１警報を発する
ことを特徴とする請求項１又は２に記載の圃場統合管理システム。
前記病害虫抑制部は、
夜間、前記圃場内に紫外線Ｂ波を照射するＵＶＢ照射部を備え、
前記ＵＶＢ照射部は、カレンダー情報と前記圃場の座標情報を元に、日の出までに前記紫外線Ｂ波が照射されない暗時間を所定時間以上生じさせる
ことを特徴とする請求項１乃至３の何れかに記載の圃場統合管理システム。