JP7163881B2 - 作物特性予測システム、作物特性予測方法、及び作物特性予測プログラム - Google Patents
作物特性予測システム、作物特性予測方法、及び作物特性予測プログラム Download PDFInfo
- Publication number
- JP7163881B2 JP7163881B2 JP2019142677A JP2019142677A JP7163881B2 JP 7163881 B2 JP7163881 B2 JP 7163881B2 JP 2019142677 A JP2019142677 A JP 2019142677A JP 2019142677 A JP2019142677 A JP 2019142677A JP 7163881 B2 JP7163881 B2 JP 7163881B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- area
- crop
- prediction
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims description 32
- 238000012360 testing method Methods 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 4
- 239000002689 soil Substances 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000012010 growth Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 241000219051 Fagopyrum Species 0.000 description 3
- 235000009419 Fagopyrum esculentum Nutrition 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 235000000832 Ayote Nutrition 0.000 description 2
- 235000009854 Cucurbita moschata Nutrition 0.000 description 2
- 240000001980 Cucurbita pepo Species 0.000 description 2
- 235000009804 Cucurbita pepo subsp pepo Nutrition 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012364 cultivation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 235000015136 pumpkin Nutrition 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
- G06F9/30003—Arrangements for executing specific machine instructions
- G06F9/30007—Arrangements for executing specific machine instructions to perform operations on data operands
- G06F9/3001—Arithmetic instructions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Agronomy & Crop Science (AREA)
Description
本発明は作物特性予測システム、作物特性予測方法、及び作物特性予測プログラムに関する。
農作物の収量、及び収益性の増加の観点から、栽培する作物の特性を事前に把握する技術が求められている。作物の特性（例えば、収量）は、品種や栽培法によって変化し、特に、気象や土質などの栽培環境の影響を受ける。従来、気象などの環境データから作物の特性を予測する方法の開発が試みられている。しかし、特性や環境のデータ数が不適切である場合、予測精度が低く、実用的なものになりにくい。
また、栽培中の作物の生育を予測する技術として、例えば特許文献１乃至３に記載の技術が知られている。特許文献１は、植物の生育環境に関する環境測定値データと、植物の生育状況に関する生育調査値データとから栽培状況予測データを取得し、これを利用して成長時期を予測する方法を開示する。また、特許文献２は、植物栽培ハウス内に重量センサを備えた水耕栽培筒を利用するシステムを開示する。特許文献３は、プリセットで撮影された画像データから作物の収量を予測する方法を開示する。
しかし、特許文献１乃至３に開示の技術はいずれも、実際に作物を栽培し、作物の特性データや環境データを収集・解析する必要があるため、コスト・労力及び時間が掛かる。また、予測できる作物の特性は、実際に栽培している作物に関し調査した特性に限定される。
本発明は、対象作物について予測したいエリアで実際に栽培試験を行わなくても作物の収量を含む特性を事前に、低コストで収集・解析することを可能にする作物特性予測システム、作物特性予測方法、及び作物特性予測プログラムを提供することを目的とする。
上記の課題を解決するため、本発明に係る作物特性予測システムは、データ入力手段、データ記憶手段および演算手段を含むコンピュータシステムとして構成され、実際に栽培された作物に関するデータが得られているエリアである予測モデルエリアの環境に関する予測モデルエリア環境データ、及び前記予測モデルエリアの土地に関する予測モデルエリアデータとに基づき、前記予測モデルエリアの環境を代表的に示す予測モデルエリア環境代表データを生成すると共に、前記予測モデルエリアで栽培される作物の特性である作物特性を代表する予測モデルエリア作物特性代表データを生成する代表データ生成部と、前記予測モデルエリア環境代表データと前記予測モデルエリア作物特性代表データとに基づき、作物特性予測モデルを生成する作物特性予測モデル生成部と、対象とする作物の作物特性を予測したいエリアである予測対象エリアの環境に関する予測対象エリア環境データ、及び前記予測対象エリアの土地に関する予測対象エリアデータとに基づき生成された、前記予測対象エリアの環境を代表的に示す予測対象エリア環境代表データに、前記作物特性予測モデルを適用して、前記予測対象エリアにおける作物の作物特性を示す作物特性予測データを生成する作物特性予測データ生成部とを備える。
また、本発明に係る作物特性予測方法は、データ入力手段、データ記憶手段および演算手段を含むコンピュータシステムを用いて、実際に栽培された作物に関するデータが得られているエリアである予測モデルエリアの環境に関する予測モデルエリア環境データ、及び前記予測モデルエリアの土地に関する予測モデルエリアデータとに基づき、前記予測モデルエリアの環境を代表的に示す予測モデルエリア環境代表データを生成するステップと、前記予測モデルエリアで栽培される作物の特性である作物特性を代表する予測モデルエリア作物特性代表データを生成するステップと、前記予測モデルエリア環境代表データと前記予測モデルエリア作物特性代表データとに基づき、作物特性予測モデルを生成するステップと、対象とする作物の作物特性を予測したいエリアである予測対象エリアの環境に関する予測対象エリア環境データ、及び前記予測対象エリアの土地に関する予測対象エリアデータとに基づき、前記予測対象エリアの環境を代表的に示す予測対象エリア環境代表データを生成するステップと、前記作物特性予測モデルを前記予測対象エリア環境代表データに適用して、前記予測対象エリアにおける作物の作物特性を示す作物特性予測データを生成するステップとを備える。なお、同方法をコンピュータに実行可能とした作物特性予測プログラムも提供される。
本発明によれば、実際に栽培試験を行わなくても作物の特性を事前に、低コストで収集・解析することを可能にする作物特性予測システム、作物特性予測方法、及び作物特性予測プログラムを提供することができる。すなわち、予測モデルエリアにおける環境及び作物特性に由来して、作物特性予測モデルが生成される。作物特性予測モデルには、予測モデルエリアの環境及び作物特性が反映されており、このため、予測対象エリアの環境が特定され、作物特性予測モデルが適用されることにより、予測対象エリアにおける作物特性を予測することができる。予測対象エリアにおいては、実際に栽培試験等を行わなくても、作物の特性を予測することが可能である。
以下、添付図面を参照して本実施形態について説明する。添付図面では、機能的に同じ要素は同じ番号で表示される場合もある。なお、添付図面は本開示の原理に則った実施形態と実装例を示しているが、これらは本開示の理解のためのものであり、決して本開示を限定的に解釈するために用いられるものではない。本明細書の記述は典型的な例示に過ぎず、本開示の特許請求の範囲又は適用例を如何なる意味においても限定するものではない。
本実施形態では、当業者が本開示を実施するのに十分詳細にその説明がなされているが、他の実装・形態も可能で、本開示の技術的思想の範囲と精神を逸脱することなく構成・構造の変更や多様な要素の置き換えが可能であることを理解する必要がある。従って、以降の記述をこれに限定して解釈してはならない。
次に、実施の形態に係る作物特性予測システムについて図１等を参照して説明する。
図１は、実施の形態に係る作物特性予測システム１の全体構成を示すブロック図である。この作物特性予測システム１は、ネットワークＮＷを介して農業関連ビッグデータにアクセス可能に構成されたコンピュータ１００とディスプレイ２００により構成される。コンピュータ１００は、農業関連ビッグデータに基づき、予測対象とされたエリアにおいて、ある作物に関しどのような特性が得られるかを予測可能に構成されている。
コンピュータ１００は、一例として、ＣＰＵ１０１、入力部１０２、インタフェース（Ｉ／Ｆ）１０３、表示制御部１０４、ＲＡＭ１０５、ＲＯＭ１０６、通信制御部１０７、及びハードディスクドライブ（ＨＤＤ）１０８を備える。ＣＰＵ１０１は、コンピュータ１００における各種演算処理・制御・命令などを司る演算制御回路である。入力部１０２は、例えばキーボードやマウス、タッチパネルなど、ユーザからの指示や選択を受け付ける装置である。表示制御部１０４は、ネットワークＮＷを介して取得された各種データを解析・演算し、その解析及び演算の結果として得られた作物特性予測モデル、作物特性予測結果等をディスプレイに表示させる制御を司る。
ＨＤＤ１０８には、作物特性予測処理を実行するためのコンピュータプログラムが格納されている。このコンピュータプログラムは、代表データ生成部１１１、代表データ選択部１１２、作物特性予測モデル生成部１１３、作物特性予測データ生成部１１４、作物特性予測部１１５、及び作物特性予測モデル評価部１１６をコンピュータ１００において仮想的に実現するよう処理手順を規定している。各部１１１～１１６の動作については後述する。
図２のフローチャートを参照して、本システム１において実行される作物特性予測方法の実行手順を説明する。このシステム１では、実際に作物が栽培され、且つその作物についての各種データが集計されたエリア（予測モデルエリア）における環境データや作物特性のデータが、農業関連ビッグデータとして提供される。作物特性予測モデル生成部１１３は、これらデータを加工して作物特性予測モデルを生成する。
作物特性予測モデルは、予測モデルエリアにおいて実際に栽培された作物の特性に関する作物特性データに基づいて作成され、当該予測モデルエリア以外のエリアにおける作物の特性を予測するためのモデルデータである。作物特性予測モデルを用いて、作物特性を予測したいエリア（予測対象エリア）における作物特性を予測する。予測結果は、作物特性予測データとして出力される。このシステムによれば、あるエリア（予測対象エリア）で実際に作物の収穫や栽培試験を行わなくても、他のエリア（予測モデルエリア）での栽培の結果に基づいて生成された作物特性予測モデルに従い、作物特性を予測することが可能になる。予測対象エリアにおける予測は、予測モデルエリアで実際に栽培された作物の特性データに基づくことに加え、類似の環境にある予測モデルエリアのデータに基づいた予測がなされるため、正確な作物特性の予測が期待できる。
図２を参照して、この作物特性予測データの生成方法の一例を詳細に説明する。まずステップＳ１１～１４の作物特性予測モデルの生成までの手順を説明する。
まず、本システム１は、通信制御部１０７を介して、予測モデルエリアの環境データと、予測モデルエリアの土地等に関する予測モデルエリアデータを取得し、代表データ生成部１１１においてこれらのデータを統合して、予測モデルエリアの環境を代表的に示す予測モデルエリア環境代表データを生成する（ステップＳ１１）。
予測モデルエリア環境データは、一例として、予測モデルエリアの土質データ及び気象データであって、ＧＩＳ（Geographic Information System）データ、ＡＭｅＤＡＳデータを含む。その他には、ＷＡＧＲＩデータなどが挙げられる。また、予測モデルエリアデータは、一例として、予測モデルエリアについての白地図データを含む。
ステップＳ１１で生成される予測モデルエリア環境代表データは、予測モデルエリアの土質データ及び気象データを更に所定の演算ルールに従って選定し、土質エリア代表データ及び気象エリア代表データを算出することで生成される。なお、演算ルールの一例は後述する。
予測モデルエリア環境代表データは、ＧＩＳデータや及びＡＭｅＤＡＳデータなどの公開データを加工して生成され得る。ＧＩＳデータ及びＡＭｅＤＡＳデータは、データ構造が互いに異なるため、予測モデルエリアの一単位に合わせた形で加工される。具体的に土質エリア代表データは、白地図データにおいて、予測モデルエリアに対応する各市町村のデータを三角形に分割し、それぞれの三角形に含まれる面積当たり同数のＧＩＳデータに基づき、各市町村の土質の割合を算出することで生成され得る。単位面積当たり同数のＧＩＳデータを抽出するため、各市町村について土質データをＧＩＳデータから均一に抽出し、土質エリア代表データとすることができる。
また、気象エリア代表データは、次のようにして算出される。まず、白地図データの市町村のデータを取得し、各市町村の重心位置を算出する。そして、ＡＭｅＤＡＳデータの３点の観測点を、その３点を結んで出来る三角形が当該市町村の重心位置を内部に含むよう選択する。その３点の観測点の気象データ（例：一日の降水量、平均気温、最高気温、最低気温、平均風速、最大風速、瞬間最大風速、日照時間、降雪量、最深積雪など）から、各市町村の気象エリア代表データが生成される。各市町村において、その重心位置を内部に含む観測点の三角形が形成されるようにＡＭｅＤＡＳデータを抽出・選択するので、各市町村において気象データをＡＭｅＤＡＳデータから均一に抽出し、気象エリア代表データとすることができる。なお、市町村単位でエリアを分割する代わりに、より大きい単位（都道府県、地方、地域など）又は小さい単位（集落、地区など）での分割を行うことも可能である。
予測モデルエリア環境代表データは、上記のようにして生成された土質エリア代表データ、及び気象エリア代表データを統合して生成される。
一方、本システム１の代表データ生成部１１１は、各市町村の過去の複数年（例えば１０～３０年）の作況調査データの単位面積当たり（例えば１０ａ）の収量データに基づき、予測モデルエリア作物特性代表データを生成する（ステップＳ１２）。すなわち、予測モデルエリア作物特性代表データは、予測モデルエリアにおいて実際に栽培された作物の特性データ（例えば、収量）を集計した作物特性データを更に選別することで生成され得る（ステップＳ１３）。なお、単位面積当たりの収量データに代えて、当該予測モデルエリアの作付面積や収穫量から作物特性代表データを生成してもよい。
ステップＳ１１及びＳ１２で予測モデルエリア環境代表データ及び予測モデルエリア作物特性代表データが得られると、これらが統合されて予測モデルエリア代表データとされる。そして、続くステップＳ１３において、代表データ選択部１１２により、予測モデルエリア代表データに関し、予め定められた演算ルールに従ったデータ選択が実行される。なお、演算ルールの例は後述する。
ステップＳ１３では、データ選択の前に、予測モデルエリア代表データが所定のルールに従い複数の領域（ここでは、第１領域と第２領域の２つの領域）に分割され、分割された領域毎にデータの選択が行われる。作物は、気候帯により特性が大きく変化する。このため、本実施の形態においては、予測モデルエリア代表データを複数の領域に分割し、分割された領域毎にデータの選択を実行する。上記の趣旨から、複数の領域は、気候帯に従って設定されることが望ましい。ここでは一例として、第１領域は北緯３０．９度から４１．５度までの領域（主に本州、四国、九州）とし、第２領域は北緯４１．５度以上の領域（主に北海道）とするが、これは一例であって、分割数や分割の境界はこれに限定されるものではない。また、一部の作物、例えば気候差に強い作物に関しては、複数領域に分割せず、得られた領域全体を１つのデータとすることも可能である。
そして、第１領域、第２領域の各々において、それぞれ複数種類の作物・作型のデータが、予測モデルエリア作物特性代表データ中のデータとして選択される。例えば、図３Ａ及び図３Ｂに示すように、第１領域では、５５種類の作物・作型のデータが選定され、第２領域では、１５種類の作物・作型のデータが選定され得るが、これも一例であり、作物・作型の種類、数等はこれに限定されるものではない。
複数の作物・作型のデータの各々においては、第１領域又は第２領域に含まれる当該作物・作型のデータを全て選択するのではなく、その一部のデータが選択される。一例としては、第１領域におけるある作物・作型の作付面積の総面積を算出した後、各市町村における当該作物・作型の作付面積（年度別）を、降順で（大きい順に）加算し、その合計が総面積の９０％になるまで加算を続ける。９０％を超えたらその時点で加算は終了して「作付面積累計９０％」の数値として集計する。そして、加算の対象とされた当該作物・作型のデータは、作物特性予測モデルを構成するデータとして選択され、加算の対象とされなかった当該作物・作型のデータは除外される。換言すれば、９０％になるまで累計された累計値に係るデータが作物特性予測モデルの生成のためのデータとして選択され、残りのデータは選択の対象外とされる。なお、ここで、閾値は９０％には限定されず、他の値を用いてもよいことは言うまでもない。また、ここに示す例では、作付面積が大きい順に累計することで、作付面積が小さいデータを除外するようにしているが、逆に作付面積が小さい順にデータを除外し、残ったデータのみを利用するようにすることも可能である。要するに、小さい作付面積に関するデータが除外されるのであれば、方法は不問である。
例えば、図３Ａにおいては、「かんしょ」に関するデータは、過去１４年に亘り、第１領域内の延べ１１９６７市町村で得られているが、作付面積が最大の地域から順に加算していったところ、上位３７６８の市町村についての「かんしょ」の作付面積を合計（累計）した段階で、累計値が総面積の９０％に達した。すなわち、延べ１１９６７の市町村のデータのうちの３１．５％のデータが累計の対象とされたが、残り（６８．５％）の８１９９の市町村の「かんしょ」の作付面積のデータは選択されず、代表データからは除外される。作付面積が大きなエリアのデータは、作付面積が小さなエリアのデータに比べ一般性及び信頼性が高いと考えられる。作付面積の大きい順に加算し、作付面積の小さいエリアのデータを除外することで、作物特性予測モデルの信頼性を向上させることができる。
その他の作物に関しても、同様の手法によりデータの一部が選択され、残りは除外される。選択される割合は、当該作物に関する各市町村での作付面積のばらつきの度合によって異なる。ばらつきが大きい場合には、選択されるデータの割合は小さくなり、ばらつきが小さければ割合は大きくなる。
そして、作付面積累計９０％の数値に対し外れ値検定（スミルノフ・グラブス）を適用し、データ分布の両側９５％に含まれるデータのみを選抜し、それ以外のデータは除去し、外れ値検定後のデータとして出力する。以上は第１領域における代表データの選択の手順の説明であるが、第２領域（図３Ｂ）についても手順は同様である。このように、外れ値検定を適用することにより、特殊な品種や特殊な栽培法により得られた作物に関するデータを除外することができる。このようなデータを除外することにより多くの予測対象エリアに普遍的に適用可能な作物特性予測モデルを生成することが可能になる。なお、外れ値検定において使用する閾値は、ここでは５％としているが、これに限定されないことは言うまでもない。
図４は、第１領域において作物「そば」についての予測モデル代表データを選択する手順及び手法を示している。そばに関しては、過去２２年に亘り、延べ１３４０７の市町村の作付面積のデータが第１領域において得られている。この１３４０７の作付面積の総面積を求めた後、最大の作付面積の市町村（大崎町（鹿児島県））のデータから累計を開始し、総面積の９０％になるまで累計を継続する。この例では４２１５位の市貝町（栃木県）のデータを加算したところで総面積の９０％に達するため、累計は中止し、４２１６位以降のデータは、選択の対象から除外される。
作付面積累計９０％のデータが得られたら、図４右側に示すように作付面積累計９０％のデータに対し、特性（収量）において外れ値検定を実行する。この外れ値検定の実行後の値が選択された代表データである。
このように、本実施の形態では、多数の作付面積のデータセットのうち、作付面積の累計が総面積の９０％に達するまでのデータのみを作付面積及び特性（収量）に基づいて選択して代表データとし、それ以外のデータは除外する。データ量が削減されることで、予測モデルの作成に必要なデータセットの確保が容易になり、且つ、一般的な傾向を示すデータセットを作成・解析することで、精度の高い作物特性の予測が可能な予測モデルの作成が可能になる。
図５～図８を参照して、本実施の形態において、代表データの選択（ステップＳ１３）を実行することによる効果を説明する。図５及び図６は、第１領域での「かぼちゃ」の作物特性代表データの選択の前後における、１０ａ当たり収量データについてのデータ数の変化を示している。かぼちゃについてのデータの選択の結果、４０００ｋｇ／１０ａ以上のデータが除外されている。
図７及び図８は、第２領域での「水稲」の作物特性代表データの選択の前後における、１０ａ当たり収量データについてのデータ数の変化を示している。水稲についてのデータの選択の結果、３００ｋｇ／１０ａ以下のデータが除外されている。
図２に戻って説明を続ける。ステップＳ１３が終了すると、続くステップＳ１４では、このようにして選択された代表データに基づいて、作物特性予測モデルが作物特性予測モデル生成部１１３により生成される。予測モデル代表データが複数領域（例えば第１領域と第２領域の２領域）に分割されている場合、作物特性予測モデルも複数の領域毎に生成される。
ステップＳ１１では、例えば図９及び図１０に例示されるような予測モデルエリアの土質エリア代表データと気象エリア代表データが生成される。ステップＳ１４では、このような土質エリア代表データと気象エリア代表データを説明関数とし、各年の予測モデルエリア作物特性代表データを目的関数として機械学習（Random Forest、GLMNET Lasso、PLS等）により作物特性予測モデルを生成する。
一方、作物特性を予測したい予測対象エリアについては、予測対象エリアの環境データと、予測対象エリアについての白地図データ等を含む予測対象エリアデータとに基づき、予測対象エリア環境代表データが生成される（ステップＳ１５）。この予測対象エリア環境代表データのデータ構造は、予測モデルエリア環境代表データのデータ構造と略同一であってよい。
ステップＳ１６では、作物特性予測部１１５において、生成された作物特性予測モデルを予測モデルエリア環境代表データに適用することで、予測対象エリアにおける作物特性を予測し、その結果を作物特性予測データ生成部１１４により、作物特性予測データとして出力する（ステップＳ１７）。
図１１に、生成された作物特性予測データの一例を示す。この図１１は、一例として、愛知県碧南市を予測対象エリアとして設定し、作物特性予測モデルに、この碧南市についての予測対象エリア環境代表データを適用する。予測対象エリアについては、土質エリアデータ及び気象エリアデータが環境データとして入力され、これが予測対象エリア環境代表データとされる。そして、作物特性予測モデルは、この予測対象エリア環境代表データを参照して、当該予測対象エリアで大きな収量を予測することができる作物を列挙する。こうして予測された結果を考慮し、予測対象エリアにおいて適切と思われる作物を選択したり、あるいは対象の作物に適した作付エリアを選択することができる。
なお、上記の例では作物特性の一例として、収量を予測する例を説明した。しかし、予測の対象とする項目は、収量に限定されるものではなく、収量に代えて又はこれに加えて、収穫期、作業時期、生育量など、様々な作物特性を予測の対象とすることもできる。
このように、本実施の形態によれば、作物の収量などの特性を予測したい対象エリアで実際に栽培試験を行わなくても、農業ビッグデータを取得し加工することにより得られた作物特性予測モデルを用いることで、予測対象エリアにおいて収穫可能な作物の特性を事前に、低コストで収集・解析することを可能になる。農業生産では、複数の作物を組み合わせた輪作栽培などが行われており、その傾向は益々顕著になっている。本実施の形態のシステムを用いることにより、特定エリアに適した作物を適切かつ確実に選択することが可能となり、収益予測も容易になる。
なお、ステップＳ１４で生成された作物特性予測モデルを作物特性予測モデル評価部１１６において評価し、所定の基準（例えば、相関係数０．５以上）を満たす作物特性予測モデルであるか否かを判断することができる。図１２及び図１３は、作物特性予測モデルの評価方法の一例を説明する概念図及びグラフである。まず、取得されている予測モデルエリア環境代表データ、及び予測モデルエリア作物特性代表データを、白地図データに基づいて複数組、例えば１０組のデータに分割する（図１２参照）。図１２の例では、本州を子午線に対し１８～７２°傾いた直線に沿って１０分割するが、分割数や分割方法は図示の例に限定されるものではない。
各データが１０組のデータに分割されると、そのうちの一部、例えば９組のデータセットに所定の機械学習（例えばRandom Forest、GLMNET Lasso、PLS等）を適用して、９組の各々において作物特性予測モデルを生成する。そして、この９つの作物特性予測モデルを用いて、残りの１組のデータセットについての土質エリア代表データ及び気象エリア代表データに従い、当該１組における作物特性予測データを生成する。この作物特性予測データは、当該１組のエリアにおける実際の作物の収量のデータと回帰分析により比較される（図１３参照）。両者の間の相関係数が例えば０．５以上であれば、作物特性予測モデルは良好であると判断され得る。上記の動作を、全ての組について実行することにより、生成された作物特性予測モデルが適正であるか否かが評価され得る。
図１４は、第１領域についての５５種類の作物・作型毎に作物特性予測モデルを評価した結果を示している。図１５は、第２領域についての１５種類の作物・作型毎に作物特性予測モデルを評価した結果を示している。評価方法としては、Random Forest、GLMNET Lasso、PLSの３つを用いている。この例では、Random Forest による予測モデルの相関係数は、最小０．５１２、最大０．８１０、平均０．６３３と良好な結果である。また、GLMNET Lassoによる予測モデルの相関係数は、最小－０．０２４、最大０．８０１、平均０．２９０で、Random Forest と比べると平均の相関係数は低い。ただし、一部の作物・作型については高い相関係数が得られている。PLSによる予測モデルの相関係数は、最小－０．２５９、最大０．８３９、平均０．５５１と全体的に良好である。一部の作物・作型の相関係数は低いが、多くの作物・作型については高い相関係数が得られている。第２領域についても、図１５に示す通りであり、概ね同様の結果が得られている。
図１６及び図１７に、第１領域、及び第２領域のそれぞれについて、実際の作物特性データと、本実施の形態のシステムにより得られた作物特性予測データとを対比的に示す。第１領域、第２領域とも、本システムにより得られた作物特性予測データは、実際に栽培された作物に基づくデータと類似しており、本システムの予測が正確であることが示されている。
本発明は上記した実施の形態に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施の形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施の形態の構成の一部を他の実施の形態の構成に置き換えることが可能であり、また、ある実施の形態の構成に他の実施の形態の構成を加えることも可能である。また、各実施の形態構成の一部について、他の構成の追加・削除・置換をすることが可能である。
１…作物特性予測システム、１００…コンピュータ、１０１…ＣＰＵ、１０２…入力部、１０３…インタフェース（Ｉ／Ｆ）、１０４…表示制御部、１０５…ＲＡＭ、１０６…ＲＯＭ、１０７…通信制御部、１０８…ハードディスクドライブ（ＨＤＤ）、１１１…代表データ生成部、１１２…代表データ選択部、１１３…作物特性予測モデル生成部、１１４…作物特性予測データ生成部、１１５…作物特性予測部、１１６…作物特性予測モデル評価部、２００…ディスプレイ、ＮＷ…ネットワーク。
Claims (7)
- データ入力手段、データ記憶手段および演算手段を含むコンピュータシステムとして構成され、
実際に栽培された作物に関するデータが得られているエリアである予測モデルエリアの環境に関する予測モデルエリア環境データ、及び前記予測モデルエリアの土地に関する予測モデルエリアデータとに基づき、前記予測モデルエリアの環境を代表的に示す予測モデルエリア環境代表データを生成すると共に、前記予測モデルエリアで栽培される作物の特性である作物特性を代表する予測モデルエリア作物特性代表データを生成する代表データ生成部と、
前記予測モデルエリア環境代表データと前記予測モデルエリア作物特性代表データとに基づき、作物特性予測モデルを生成する作物特性予測モデル生成部と、
対象とする作物の作物特性を予測したいエリアである予測対象エリアの環境に関する予測対象エリア環境データ、及び前記予測対象エリアの土地に関する予測対象エリアデータとに基づき生成された、前記予測対象エリアの環境を代表的に示す予測対象エリア環境代表データに、前記作物特性予測モデルを適用して、前記予測対象エリアにおける作物の作物特性を示す作物特性予測データを生成する作物特性予測データ生成部と
を備え、
前記作物特性予測モデル生成部は、前記予測モデルエリア作物特性代表データを構成するデータを、所定の作物の作付面積及び作物特性に基づいて選択した後、選択されたデータに従って前記作物特性予測モデルを生成し、
前記選択の際、前記予測モデルエリア作物特性代表データを構成する所定の作物に関するデータを、作付面積が大きい順に選択し、選択されたデータに係る作付面積の累計値が所定値を超えるまで選択する、作物特性予測システム。 - 前記作物特性予測モデル生成部は、前記選択されたデータに対し、特性において外れ値検定を実行して前記選択されたデータの一部を更に除去する、請求項１に記載の作物特性予測システム。
- 前記作物特性予測モデル生成部は、前記予測モデルエリア作物特性代表データを複数の領域毎に分割し、前記複数の領域毎に前記作物特性予測モデルを生成する、請求項１に記載の作物特性予測システム。
- データ入力手段、データ記憶手段および演算手段を含むコンピュータシステムを用いて、実際に栽培された作物に関するデータが得られているエリアである予測モデルエリアの環境に関する予測モデルエリア環境データ、及び前記予測モデルエリアの土地に関する予測モデルエリアデータとに基づき、前記予測モデルエリアの環境を代表的に示す予測モデルエリア環境代表データを生成するステップと、
前記予測モデルエリアで栽培される作物の特性である作物特性を代表する予測モデルエリア作物特性代表データを生成するステップと、
前記予測モデルエリア環境代表データと前記予測モデルエリア作物特性代表データとに基づき、作物特性予測モデルを生成するステップと、
対象とする作物の作物特性を予測したいエリアである予測対象エリアの環境に関する予測対象エリア環境データ、及び前記予測対象エリアの土地に関する予測対象エリアデータとに基づき、前記予測対象エリアの環境を代表的に示す予測対象エリア環境代表データを生成するステップと、
前記作物特性予測モデルを前記予測対象エリア環境代表データに適用して、前記予測対象エリアにおける作物の作物特性を示す作物特性予測データを生成するステップと
を備え、
前記作物特性予測モデルを生成するステップは、前記予測モデルエリア作物特性代表データを構成するデータを、所定の作物の作付面積及び作物特性に基づいて選択した後、選択されたデータに従って前記作物特性予測モデルを生成し、
前記選択の際、前記予測モデルエリア作物特性代表データを構成する所定の作物に関するデータを、作付面積が大きい順に選択し、選択されたデータに係る作付面積の累計値が所定値を超えるまで選択する、作物特性予測方法。 - 前記作物特性予測モデルを生成するステップは、前記選択されたデータに対し外れ値検定を実行して前記選択されたデータの一部を更に除去する、請求項４に記載の作物特性予測方法。
- 前記作物特性予測モデルを生成するステップは、前記予測モデルエリア作物特性代表データを複数の領域毎に分割し、前記複数の領域毎に前記作物特性予測モデルを生成する、請求項４に記載の作物特性予測方法。
- 実際に栽培された作物に関するデータが得られているエリアである予測モデルエリアの環境に関する予測モデルエリア環境データ、及び前記予測モデルエリアの土地に関する予測モデルエリアデータとに基づき、前記予測モデルエリアの環境を代表的に示す予測モデルエリア環境代表データを生成するステップと、
前記予測モデルエリアで栽培される作物の特性である作物特性を代表する予測モデルエリア作物特性代表データを生成するステップと、
前記予測モデルエリア環境代表データと前記予測モデルエリア作物特性代表データとに基づき、作物特性予測モデルを生成するステップと、
対象とする作物の作物特性を予測したいエリアである予測対象エリアの環境に関する予測対象エリア環境データ、及び前記予測対象エリアの土地に関する予測対象エリアデータとに基づき、前記予測対象エリアの環境を代表的に示す予測対象エリア環境代表データを生成するステップと、
前記作物特性予測モデルを前記予測対象エリア環境代表データに適用して、前記予測対象エリアにおける作物の作物特性を示す作物特性予測データを生成するステップと
をコンピュータシステムに実行させることが可能に構成され、
前記作物特性予測モデルを生成するステップは、前記予測モデルエリア作物特性代表データを構成するデータを、所定の作物の作付面積及び作物特性に基づいて選択した後、選択されたデータに従って前記作物特性予測モデルを生成し、
前記選択の際、前記予測モデルエリア作物特性代表データを構成する所定の作物に関するデータを、作付面積が大きい順に選択し、選択されたデータに係る作付面積の累計値が所定値を超えるまで選択する、作物特性予測プログラム。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019142677A JP7163881B2 (ja) | 2019-08-02 | 2019-08-02 | 作物特性予測システム、作物特性予測方法、及び作物特性予測プログラム |
| CN202010691630.3A CN112308284A (zh) | 2019-08-02 | 2020-07-17 | 作物特性预测系统及方法、计算机可读取的存储介质 |
| US16/940,846 US20210035034A1 (en) | 2019-08-02 | 2020-07-28 | Crop characteristic prediction system, crop characteristic prediction method, and non-transitory computer-readable storage medium storing crop characteristic prediction program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019142677A JP7163881B2 (ja) | 2019-08-02 | 2019-08-02 | 作物特性予測システム、作物特性予測方法、及び作物特性予測プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021023177A JP2021023177A (ja) | 2021-02-22 |
| JP7163881B2 true JP7163881B2 (ja) | 2022-11-01 |
Family
ID=74258653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019142677A Active JP7163881B2 (ja) | 2019-08-02 | 2019-08-02 | 作物特性予測システム、作物特性予測方法、及び作物特性予測プログラム |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20210035034A1 (ja) |
| JP (1) | JP7163881B2 (ja) |
| CN (1) | CN112308284A (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11645308B2 (en) * | 2020-05-27 | 2023-05-09 | International Business Machines Corporation | Customizing agricultural practices to maximize crop yield |
| CN114862062B (zh) * | 2022-06-30 | 2022-11-15 | 深圳市信润富联数字科技有限公司 | 环境承载力的预警方法、装置、电子设备和可读存储介质 |
| CN116664663B (zh) * | 2023-07-21 | 2023-10-20 | 湖北泰跃卫星技术发展股份有限公司 | 计算农作物面积的方法、装置、计算机设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003006274A (ja) | 2001-06-25 | 2003-01-10 | National Agricultural Research Organization | 生育段階毎の気候的類似性に基づく導入適作物・適品種、栽培適地、適作期判定システム |
| JP2005222444A (ja) | 2004-02-09 | 2005-08-18 | Toshiba Corp | 統計的予測値演算方法および装置 |
| JP2010166851A (ja) | 2009-01-22 | 2010-08-05 | Chiharu Hongo | 作物の収量予測方法及びその装置 |
| JP2012203875A (ja) | 2011-03-28 | 2012-10-22 | Tokyo Electric Power Co Inc:The | 収量予測装置およびコンピュータプログラム |
| US20140012732A1 (en) | 2010-10-25 | 2014-01-09 | Trimble Navigation Limited | Generating a crop recommendation |
| JP2015000040A (ja) | 2013-06-17 | 2015-01-05 | Ｎｅｃソリューションイノベータ株式会社 | データ抽出装置、データ抽出方法、及びプログラム |
| JP2015148934A (ja) | 2014-02-06 | 2015-08-20 | 三菱重工業株式会社 | 発電量予測装置および発電量予測方法 |
| JP2017163956A (ja) | 2016-03-18 | 2017-09-21 | 国立大学法人名古屋大学 | 予測方法、予測プログラム、及び、予測装置 |
| JP2018088198A (ja) | 2016-11-29 | 2018-06-07 | キヤノンマーケティングジャパン株式会社 | 情報処理装置、その制御方法とプログラム |
| JP6544453B1 (ja) | 2018-03-16 | 2019-07-17 | 日本電気株式会社 | 栽培作物選定支援装置、栽培作物選定支援方法、及びプログラム |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104134003B (zh) * | 2014-07-30 | 2018-01-30 | 中国科学院自动化研究所 | 基于知识与数据共同驱动的作物单产量预测方法 |
| US11069005B2 (en) * | 2014-09-12 | 2021-07-20 | The Climate Corporation | Methods and systems for determining agricultural revenue |
| CN107229999B (zh) * | 2017-05-31 | 2020-12-25 | 深圳春沐源控股有限公司 | 作物产量的预测方法、系统、计算机设备及可读存储介质 |
| CN109767038A (zh) * | 2019-01-04 | 2019-05-17 | 平安科技（深圳）有限公司 | 农作物产量预测方法、装置及计算机可读存储介质 |
-
2019
- 2019-08-02 JP JP2019142677A patent/JP7163881B2/ja active Active
-
2020
- 2020-07-17 CN CN202010691630.3A patent/CN112308284A/zh active Pending
- 2020-07-28 US US16/940,846 patent/US20210035034A1/en not_active Abandoned
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003006274A (ja) | 2001-06-25 | 2003-01-10 | National Agricultural Research Organization | 生育段階毎の気候的類似性に基づく導入適作物・適品種、栽培適地、適作期判定システム |
| JP2005222444A (ja) | 2004-02-09 | 2005-08-18 | Toshiba Corp | 統計的予測値演算方法および装置 |
| JP2010166851A (ja) | 2009-01-22 | 2010-08-05 | Chiharu Hongo | 作物の収量予測方法及びその装置 |
| US20140012732A1 (en) | 2010-10-25 | 2014-01-09 | Trimble Navigation Limited | Generating a crop recommendation |
| JP2012203875A (ja) | 2011-03-28 | 2012-10-22 | Tokyo Electric Power Co Inc:The | 収量予測装置およびコンピュータプログラム |
| JP2015000040A (ja) | 2013-06-17 | 2015-01-05 | Ｎｅｃソリューションイノベータ株式会社 | データ抽出装置、データ抽出方法、及びプログラム |
| JP2015148934A (ja) | 2014-02-06 | 2015-08-20 | 三菱重工業株式会社 | 発電量予測装置および発電量予測方法 |
| JP2017163956A (ja) | 2016-03-18 | 2017-09-21 | 国立大学法人名古屋大学 | 予測方法、予測プログラム、及び、予測装置 |
| JP2018088198A (ja) | 2016-11-29 | 2018-06-07 | キヤノンマーケティングジャパン株式会社 | 情報処理装置、その制御方法とプログラム |
| JP6544453B1 (ja) | 2018-03-16 | 2019-07-17 | 日本電気株式会社 | 栽培作物選定支援装置、栽培作物選定支援方法、及びプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210035034A1 (en) | 2021-02-04 |
| CN112308284A (zh) | 2021-02-02 |
| JP2021023177A (ja) | 2021-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feng et al. | Dynamic wheat yield forecasts are improved by a hybrid approach using a biophysical model and machine learning technique | |
| Khosravi et al. | Meteorological data mining and hybrid data-intelligence models for reference evaporation simulation: A case study in Iraq | |
| US10241098B2 (en) | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery | |
| Xu et al. | Design of an integrated climatic assessment indicator (ICAI) for wheat production: A case study in Jiangsu Province, China | |
| Yan et al. | A novel hybrid WOA-XGB model for estimating daily reference evapotranspiration using local and external meteorological data: Applications in arid and humid regions of China | |
| JP7163881B2 (ja) | 作物特性予測システム、作物特性予測方法、及び作物特性予測プログラム | |
| García-López et al. | Evaluation of three simulation approaches for assessing yield of rainfed sunflower in a Mediterranean environment for climate change impact modelling | |
| JP5582245B2 (ja) | 農作業支援方法及び農作業支援装置 | |
| Waongo et al. | A crop model and fuzzy rule based approach for optimizing maize planting dates in Burkina Faso, West Africa | |
| Nagini et al. | Agriculture yield prediction using predictive analytic techniques | |
| Saggi et al. | A survey towards decision support system on smart irrigation scheduling using machine learning approaches | |
| Yaseen et al. | Drought index prediction using data intelligent analytic models: a review | |
| Raza et al. | Application of non-conventional soft computing approaches for estimation of reference evapotranspiration in various climatic regions | |
| Ramirez et al. | Extending SC-PDSI-PM with neural network regression using GLDAS data and Permutation Feature Importance | |
| Brinkhoff et al. | Soil moisture forecasting for irrigation recommendation | |
| Barbosa dos Santos et al. | Machine learning algorithms for soybean yield forecasting in the Brazilian Cerrado | |
| Ghamghami et al. | Comparison of data mining and GDD-based models in discrimination of maize phenology | |
| Tarnavsky et al. | Drought risk management using satellite-based rainfall estimates | |
| Jayagopal et al. | Weather-based maize yield forecast in Saudi Arabia using statistical analysis and machine learning | |
| CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
| Majumdar et al. | Demand prediction of rice growth stage-wise irrigation water requirement and fertilizer using Bayesian genetic algorithm and random forest for yield enhancement | |
| Neta et al. | Seasonal forecasting of pest population dynamics based on downscaled SEAS5 forecasts | |
| Baker et al. | Improved weather-based late blight risk management: comparing models with a ten year forecast archive | |
| Linker et al. | Concurrent data assimilation and model-based optimization of irrigation scheduling | |
| Jiang et al. | Characterizing predictability of precipitation means and extremes over the conterminous United States, 1949–2010 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210827 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220428 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220510 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220707 |
|
| 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: 20220920 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221003 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7163881 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |