JP7415348B2

JP7415348B2 - 情報処理装置、情報処理方法、プログラム、センシングシステム

Info

Publication number: JP7415348B2
Application number: JP2019124764A
Authority: JP
Inventors: 哲小川
Original assignee: Sony Corp; Sony Group Corp
Current assignee: Sony Corp; Sony Group Corp
Priority date: 2019-07-03
Filing date: 2019-07-03
Publication date: 2024-01-17
Anticipated expiration: 2039-07-03
Also published as: JP2021012433A; CN114080540A; EP3994659A1; WO2021002280A1; US20220299433A1

Description

本技術は情報処理装置、情報処理方法、プログラム、センシングシステムに関し、特に植生状態等の計測結果の生成に好適な技術に関する。

例えばドローン（Drone）等の小型の飛行体に撮像装置を搭載し、圃場の上空を移動しながら植物の植生状態を撮像していくことで、植生状態をリモートセンシングする取り組みがある。
特許文献１には、圃場を撮像し、リモートセンシングを行う技術に関して開示されている。

特許第５１６２８９０号公報

このようなリモートセンシングでは、可視光（Ｒ（赤）、Ｇ（緑）、Ｂ（青））の計測による形状の計測に加え、色々な光学波長や手法を用いることで対象の物性、生理状態などを計測することができる。しかし小型飛行体に搭載可能なセンシングデバイスは大きさや重量などの制限を受けることが多い。

例えば多数の波長を取得し、成分分析などが行えるハイパースペクトラムカメラ（Hyper Spectrum Camera）は、一般的に、２次元の画像を取得するためのスキャニング機構が必要で、サイズが大きいため、小型のドローン等には搭載が困難である。
一方、人工衛星を用いたセンシングでは高度なセンシングができる機材を搭載されたものが運用されている。しかしながら空間分解能（解像度）の側面で不十分である。
空間分解能が低いと単に形状が判別できないだけでなく、その空間分解能１単位に色々な対象が混ざってしまい、知りたい対象だけの計測ができないということがある。

空間分解能が低いことをカバーするために、計測対象の形態の情報を含んだモデル（例えば「形状」と「形質／環境応答」を関連付けるモデルなどであり、放射伝達特性モデルなど）を用いたインバースモデル演算（逆演算）で特定の対象の計測値を求めることが行われているが、実際には測定対象がモデルの形状等と齟齬があることにより正確な測定が困難である。

そこで本開示では、例えば人工衛星を用いるような高性能センサによるリモートセンシングにおいて、より正確な計測結果を得ることのできるシステム及びそのための情報処理装置を提供することを目的とする。

本技術に係る情報処理装置は、計測対象の第１の計測範囲について第１の空間分解能でセンシングを行うマクロ計測部からの検出データについて演算を行うマクロ計測分析演算部と、前記計測対象の前記第１の計測範囲に含まれる第２の計測範囲に対して前記第１の空間分解能より高い分解能である第２の空間分解能でセンシングを行うミクロ計測部からの検出データについて演算を行うミクロ計測分析演算部と、前記マクロ計測分析演算部での演算結果を用いたインバースモデル演算に用いるモデルパラメータを、前記ミクロ計測分析演算部で求めた前記ミクロ計測部の検出データに基づいて取得するインバースモデル演算部と、を備える。
インバース演算に持ちいつモデルパラメータを第２の空間分解の計測結果に基づいて生成する。
また上記した本技術に係る情報処理装置においては、前記インバースモデル演算部は、前記ミクロ計測分析演算部で求めた前記ミクロ計測部の検出データに基づくモデルパラメータを、前記マクロ計測分析演算部での演算結果を用いたインバースモデル演算におけるインバースモデルのパラメータに用いることが考えられる。
高機能なセンシングが可能なマクロ計測を用いてインバースモデル演算により高度な測定ができるが、この場合にインバースモデルのパラメータに、空間分解能の高いセンシングで得られた実測に基づくパラメータを用いる。

上記した本技術に係る情報処理装置においては、前記インバースモデル演算部は、前記第２の計測範囲の検出データに基づくモデルパラメータを用いて、前記第１の空間分解能の単位で演算結果を求めることが考えられる。
インバースモデル演算部は例えば形質、環境応答としての演算結果を求めるが、この場合、ミクロ計測部による第２の計測範囲でのモデルパラメータを用いて、マクロ計測部による第１の空間分解能の単位で演算結果を求める。

上記した本技術に係る情報処理装置においては、前記インバースモデル演算部は、前記前記第１の空間分解能の単位の演算結果として計測対象の形質又は環境応答を求めることが考えられる。
形質とは計測対象の静的な形や特性である。環境応答とは計測対象の動的な形や特性である。

上記した本技術に係る情報処理装置においては、前記マクロ計測部は、前記ミクロ計測部よりも前記計測対象からの距離が遠い位置でセンシングを行うことが考えられる。
マクロ計測部はミクロ計測部よりも計測対象から遠い位置から、広い計測範囲の計測を行う。一方、ミクロ計測部はマクロ計測部よりも計測対象から近い位置から、比較的狭い計測範囲の計測を行う。

上記した本技術に係る情報処理装置においては、前記インバースモデル演算部は、クラスタリングされた計測領域毎についての代表個体のモデルパラメータを取得し、クラスタリングされた計測領域毎にモデルパラメータを切り替えてインバースモデルに適用することが考えられる。
ミクロ計測部による検出データの演算によりクラスタリングされた計測領域毎にモデルパラメータを求めることで、インバースモデル演算部はクラスタリングされた計測領域毎にモデルパラメータを使い分けることができる。

上記した本技術に係る情報処理装置においては、前記クラスタリングは、領域を指定するユーザ入力に基づいて行われることが考えられる。
例えば圃場などでは異なる作物を栽培している領域などが分かれている。例えば農場主等のユーザはそのような情報を入力することができる。

上記した本技術に係る情報処理装置においては、前記クラスタリングは、前記マクロ計測部による検出データ又は前記ミクロ計測部による検出データに基づいて行われることが考えられる。
例えばマクロ計測部やミクロ計測部の検出データを用いれば、形状や状況が明確に異なる領域を判別できるため自動でクラスタリング演算を行う。

上記した本技術に係る情報処理装置においては、前記クラスタリングは、領域を指定するユーザ入力、及び前記マクロ計測部による検出データ又は前記ミクロ計測部による検出データに基づいて行われることが考えられる。
即ち手動入力と自動判別の両方を反映したクラスタリング演算を行う。

上記した本技術に係る情報処理装置においては、前記モデルパラメータは、植物の三次元構造、植物の背の高さ、平均葉角度（葉の平均傾き）、植被率、ＬＡＩ、クロロフィル濃度、土壌の分光特性、陽葉比率のいずれかを含むことが考えられる。
なお、ＬＡＩ（Leaf Area Index）は葉面積指数であり、葉が多いほど値が大きくなる植物の葉量を表す指数である。

上記した本技術に係る情報処理装置においては、前記ミクロ計測部は、ミクロ計測センサとして、可視光イメージセンサ、ステレオカメラ、レーザ画像検出及び測距のセンサ、偏光センサ、ＴｏＦ（Time of Flight）センサのいずれかを有することが考えられる。
なおレーザ画像検出及び測距のセンサはいわゆるＬｉｄａｒ（light detection and ranging）として知られている。

上記した本技術に係る情報処理装置においては、前記マクロ計測部は、マクロ計測センサとして、マルチスペクトラムカメラ（Multi Spectrum Camera）、ハイパースペクトラムカメラ、フーリエ変換赤外分光光度計（ＦＴＩＲ：Fourier Transform Infrared Spectroscopy）、赤外線センサのいずれかを有することが考えられる。

上記した本技術に係る情報処理装置においては、前記インバースモデル演算部の演算結果に基づく出力画像データを生成して出力する出力部を有することが考えられる。
即ちインバースモデル演算部による演算結果の情報を画像化してユーザに提示できるようにする。

上記した本技術に係る情報処理装置においては、前記出力部は、前記インバースモデル演算部の演算結果をカラーマッピングした出力画像データを生成することが考えられる。
インバースモデル演算部の演算結果が複数の領域毎に得られている場合に、各領域に色当てした画像としてユーザに提示する画像を生成する。

上記した本技術に係る情報処理装置においては、前記出力部は、前記インバースモデル演算部の演算結果をカラーマッピングした画像と、他の画像を合成した出力画像データを生成することが考えられる。
各領域に色当てした画像と他の画像を、例えばオーバーレイや上書きなどの形で合成する。

上記した本技術に係る情報処理装置においては、前記マクロ計測部は、人工衛星に搭載されていることが考えられる。
人工衛星にマクロ計測部を搭載し、上空の離れた位置から圃場などの計測対象の計測を行う。

上記した本技術に係る情報処理装置においては、前記ミクロ計測部は、無線操縦又は自動操縦が可能な飛行体に搭載されていることが考えられる。
無線操縦や自動操縦が可能な飛行体としてはいわゆるドローン、小型無線操縦固定翼飛行機、小型無線操縦ヘリコプタなどがある。

本技術に係る情報処理方法は、計測対象の第１の計測範囲について第１の空間分解能でセンシングを行うマクロ計測部からの検出データについて演算を行うマクロ計測分析処理と、前記計測対象の前記第１の計測範囲に含まれる第２の計測範囲に対して前記第１の空間分解能より高い分解能である第２の空間分解能でセンシングを行うミクロ計測部からの検出データについて演算を行うミクロ計測分析処理と、前記マクロ計測分析処理の演算結果を用いたインバースモデル演算に用いるモデルパラメータを、前記ミクロ計測分析処理で求めた前記ミクロ計測部の検出データに基づいて取得するインバースモデル演算処理とを情報処理装置が実行する。
これにより情報処理装置において計測対象について、マクロ計測とミクロ計測を合わせた高度かつ正確な計測結果情報の生成ができる。
本技術に係るプログラムは、上記方法の処理を情報処理装置に実行させるプログラムである。これにより高度な計測結果を生成するコンピュータ装置の実現が容易となる。
本技術に係るセンシングシステム、計測対象の第１の計測範囲について第１の空間分解能でセンシングを行うマクロ計測部と、前記計測対象の前記第１の計測範囲に含まれる第２の計測範囲に対して前記第１の空間分解能より高い分解能である第２の空間分解能でセンシングを行うミクロ計測部と、上述の情報処理装置を備える。
これによりマクロ計測とミクロ計測を行い、更にそれらの計測結果を用いた計測結果を生成するシステムを構築できる。

本技術の実施の形態のセンシングシステムにおけるマクロ計測部とミクロ計測部の説明図である。実施の形態の圃場に対するリモートセンシングの例の説明図である。実施の形態のマクロ計測部とミクロ計測部の計測の説明図である。実施の形態のマクロ計測部とミクロ計測部の計測範囲と分解能の説明図である。インバース演算が正しくなくなる場合の説明図である。実施の形態のクラスタリングの説明図である。実施の形態の情報処理装置のハードウエア構成のブロック図である。実施の形態の情報処理装置の機能構成のブロック図である。実施の形態の処理例のフローチャートである。実施の形態のミクロ計測分析演算処理のフローチャートである。実施の形態のミクロ計測分析演算で用いる画像の説明図である。実施の形態のクラスタリングのフローチャートである。実施の形態のクラスタリングの説明図である。実施の形態のインバースモデル演算のフローチャートである。実施の形態のインバースモデル演算のマクロ計測及びミクロ計測部モデルパラメータの説明図である。実施の形態のカラーマッピングを用いた出力画像の説明図である。実施の形態のカラーマッピング画像と他の画像の合成の説明図である。実施の形態のカラーマッピング画像と他の画像の合成の説明図である。

以下、実施の形態を次の順序で説明する。
＜１．センシングシステムの構成＞
＜２．情報処理装置の構成＞
＜３．処理例＞
＜４．各種例＞
＜５．まとめ及び変形例＞

＜１．センシングシステムの構成＞
まず実施の形態のセンシングシステムについて説明する。
図１はセンシングシステムを構成するマクロ計測部２とミクロ計測部３を示している。

ミクロ計測部３は、測定対象４に対して比較的近い位置でセンシングを行う。一単位のセンシングを行う計測範囲は、ミクロ計測範囲ＲＺ３として示す比較的狭い範囲とされる。なお、一単位とはセンサ種別にもよるが、例えばカメラであれば１フレームの画像撮像を行う範囲などとされる。

これに対してマクロ計測部２は、測定対象４に対してミクロ計測部３よりも遠い位置からセンシングを行う。一単位のセンシングを行う計測範囲は、マクロ計測範囲ＲＺ２として示すミクロ計測範囲ＲＺ３よりも広い範囲とされる。但し、マクロ計測部２の一単位のセンシングを行う計測範囲は、ミクロ計測範囲ＲＺ３と同一としてもよい。

本実施の形態の場合、ミクロ計測範囲ＲＺ３はマクロ計測範囲ＲＺ２と同一の範囲又はより狭い範囲とされる。即ち、測定対象４におけるミクロ計測範囲ＲＺ３のエリアは、マクロ計測範囲ＲＺ２にもカバーされている。換言すれば、ミクロ計測範囲ＲＺ３は、ミクロ計測部３によるミクロ計測とマクロ計測部２によるマクロ計測の両方が行われる範囲である。

このようなマクロ計測部２とミクロ計測部３を用いるセンシングシステムとしては、例えば図２に示すような圃場３００の植生状態のセンシングを行うシステムが例に挙げられる。

図２は圃場３００の様子を示している。昨今、図２のように例えばドローンのような小型の飛行体２００に搭載された撮像装置２５０を用いて、植生状態をリモートセンシングする取り組みが行われている。
飛行体２００は、例えば操作者の無線操縦、或いは自動操縦等により、圃場３００の上空を移動することができる。
飛行体２００には撮像装置２５０が例えば下方を撮像するようにセットされている。飛行体２００が、所定の経路で圃場３００の上空を移動する際に、撮像装置２５０は例えば定期的に静止画撮像を行う。
このような飛行体２００に装着された撮像装置２５０が図１のミクロ計測部３となる。そして撮像装置２５０による撮像画像がミクロ計測としての検出データとなる。撮像装置２５０の撮像範囲がミクロ計測範囲ＲＺ３となる。

また図２には上空に位置する人工衛星２１０を示している。人工衛星２１０には撮像装置２２０が装備されており、地表側をセンシング可能とされている。
この撮像装置２２０により、圃場３００のセンシング（撮像）を行うことができる。即ち撮像装置２２０がマクロ計測部２となる。そして撮像装置２２０による撮像画像がマクロ計測としての検出データとなる。撮像装置２２０による撮像範囲がマクロ計測範囲ＲＺ２となる。

ここで飛行体２００に搭載されるミクロ計測部３としての撮像装置２５０、つまり具体的なミクロ計測センサとしては、可視光イメージセンサ（Ｒ（赤）、Ｇ（緑）、Ｂ（青）の可視光を撮像するイメージセンサ）、ステレオカメラ、Ｌｉｄａｒ（レーザ画像検出及び測距のセンサ）、偏光センサ、ＴｏＦセンサ、ＮＩＲ（Near Infra Red：近赤外域）画像撮像用のカメラなどが想定される。
またミクロ計測センサとして、デバイスサイズとして飛行体２００に搭載させて運用が可能なものであれば、複数の波長帯の画像撮像を行うマルチスペクトラムカメラとして、例えばＮＩＲ画像とＲ（赤）画像の撮像を行うもので、得られる画像からＮＤＶＩ（Normalized Difference Vegetation Index）が算出できるものが用いられてもよい。ＮＤＶＩとは植生の分布状況や活性度を示す指標である。
これらは、例えば計測対象の形質、環境応答、環境状態（範囲、分布等）などの分析に適したセンサとすることが望ましい。なお形質とは計測対象の静的な形や特性である。環境応答とは計測対象の動的な形や特性である。環境状態とは計測対象の存在する環境の状態であり、計測対象の存在する範囲や分布、或いは環境の特性などである。
またこれらのセンサは、飛行体２００に搭載し易い比較的小型軽量のセンサであることが望ましい。

一方、人工衛星２１０に搭載されるマクロ計測部２としての撮像装置２２０、つまり具体的なマクロ計測センサとしては、複数の波長帯の画像（例えばＮＩＲ画像とＲ画像）の撮像を行うマルチスペクトラムカメラ、ハイパースペクトラムカメラ、ＦＴＩＲ（フーリエ変換赤外分光光度計）、赤外線センサなどが考えられる。この場合、比較的大規模なセンシングデバイスが許容され、高精度なセンシングが可能のものが想定される。
そしてこれらのマクロ計測センサは、例えば光合成に関する情報など、各種の物性値の分析に適したセンサである。
またこれらはデバイスサイズや重量などの事情により、小型の飛行体２００に搭載しにくいセンサであるが、本例のセンシングシステムでは、そのようなセンサを人工衛星２１０に搭載するものとする。

また撮像装置２２０、２５０で撮像されて得られる画像には、タグ情報が付加されている。タグ情報には撮像日時情報や、ＧＰＳ（Global Positioning System）データとしての位置情報（緯度／経度情報）、撮像装置情報（カメラの個体識別情報や機種情報等）、各画像データの情報（画サイズ、波長、撮像パラメータ等の情報）などが含まれている。
なお位置情報や撮像日時情報は撮像装置２２０の画像（検出データ）と撮像装置２５０の画像（検出データ）を対応づける情報ともなる。

以上のように飛行体２００に搭載された撮像装置２５０及び人工衛星２１０に搭載された撮像装置２２０によって得られる画像データやタグ情報は、情報処理装置１に送られる。情報処理装置１は画像データやタグ情報を用いて、圃場３００を計測対象とした分析情報を生成する。また分析結果をユーザに対して、画像として提示する処理を行う。
情報処理装置１は、例えばＰＣ（personal computer）やＦＰＧＡ（field-programmable gate array）、或いはスマートフォンやタブレットなどの端末装置などとして実現される。
なお、図１では情報処理装置１は撮像装置２５０とは別体のものとしているが、例えば撮像装置２５０を含むユニット内に情報処理装置１となる演算装置（マイクロコンピュータ等）を設けてもよい。

図３でマクロ計測部２とミクロ計測部３の役割について説明する。
マクロ計測部２は、計測範囲ＲＺ２において計測を行うとともに、モデルを用いたインバース演算を行って出力（例えば植生等の計測結果）を得る。例えば予め用意したモデルを用いてマクロ計測値を解釈することで、混ざった計測値から正しい出力が得られる。

ところが、インバースモデル演算に用いるモデルが実際の測定対象と齟齬があると、正確な出力が得られない。特に植物や動物は成育によって形が変化したり、品種によって大きく形が異なることなどから、モデルが適正で無い場合も多い。
そこで代表固体の計測値でモデルをアップデートする。このためにミクロ計測部による検出データが用いられる。
ミクロ計測部３は、計測対象の個体毎の計測を行うことができる。例えば個体ＯＢａ１，ＯＢａ２，ＯＢａ３・・・ＯＢａｎを示しているが、ミクロ計測部３によればこれらの形質、環境応答、環境状態や、それらに基づく領域の識別、などを計測又は判定できる。
ミクロ計測部３からの検出データにより、代表個体の形質や環境応答を測定し、これによりモデルパラメータを変更することで、実測に従ったモデルを用いたインバースモデル演算ができるようになる。

センシングシステムによる計測の主目的は、マクロ的な傾向（平均、合算、分布等）であり、それはマクロ計測部２の検出データに基づく情報を用いたモデルインバース演算で可能であるが、モデルパラメータをミクロ計測部３の検出データに基づいて更新していくことで、計測精度を確保するものである。

図４Ａはマクロ計測範囲ＲＺ２とミクロ計測範囲ＲＺ３を平面的に示したうえで、マクロ計測部２とミクロ計測部３の分解能について示している。
大きいマス目がマクロ計測分解能、小さいマス目がミクロ計測分解能を表す。これらの分解能で得られる情報とは、例えば撮像画像の１画素（１ピクセル）の情報に相当する。

即ちマクロ計測部２に搭載されるマクロ計測センサは、大きいマス目の分解能を持つセンサとされ、ミクロ計測部３に搭載されるミクロ計測センサは、小さいマス目の分解能を持つセンサとされる。
例えば破線で示すように計測対象があった場合、細線で示す小さいマス目の分解能で計測対象の形質、環境応答、領域等が判別でき、太線で示す大きいマス目の分解能で物性値等が計測できる。

このようなセンシングシステムを必要とする背景について述べておく。
先述したように、昨今、ドローン等の飛行体２００を用いたセンシングが多く行われ、可視光（ＲＧＢ）の計測による形質の計測に加え、色々な光学波長や手法を用いることで対象の物性、生理状態などを計測することができる。しかし小型の飛行体２００に搭載可能なセンシングデバイスは大きさや重量などの制限を受けることが多い。

多数の波長を取得し、成分分析などが行えるハイパースペクトラムカメラは、一般的に２次元の画像を取得するためにはスキャニング機構が必要でサイズが大きいため、大型の飛行体でないと搭載が困難である。
また、スキャンには一定の時間を要しホバリングする必要があり、測定時間が長く、飛行体２００のバッテリーの容量では広い土地を測定できない場合も多い。
また、スキャン中に飛行体２００の振動が影響し、測定精度が低下してしまうこともある。
また、より分光分解能が高いＦＴＩＲ方式は、原理的に機器サイズが長く、飛行体２００への搭載が難しい。

高精度のセンシングをしたい場合、大判のイメージャの搭載や多重露光を行うことでＳ／Ｎ（signal-noise ratio）を改善できる。しかし大判のイメージャでは光学系が大きくなり飛行体２００への搭載に適さず、多重露光は飛行体２００をホバリングさせることでの測定時間の増加や飛行体２００の振動の影響が精度低下をもたらす。

また一般的に飛行体２００の筐体は太陽に照らされ常温より高温になる。
高精度のセンシングではセンサの温度を低温に保つことで熱雑音を低下させることができる。分光光度計など室内で使われるセンサについてはペルチェ素子などで低温に保つことで精度を保つものが存在するが、ペルチェ素子は消費電力が大きいため、電力が限られる飛行体２００への搭載には適さない。
エアコンディショナーに見られるようなコンプレッサーを用いたヒートポンプ式の温度調整デバイスは電力効率はよいが、飛行体２００に搭載できるサイズ・重量ではない。

一方、衛星センシングでは高度なセンシングができる機材を搭載されたものが運用されている。しかしながら空間分解能（解像度）の側面で不十分である。
上記したハイパースペクトラムカメラ、ＦＴＩＲ、大判イメージャの搭載や、低温制御などについては、人工衛星２１０においてはさほど困難ではない。

但し空間分解能が低いと、単に形状が判別できないだけでなく、その空間分解能１単位に色々な対象が混ざってしまい、知りたい対象だけの計測ができない。特に植生計測の例では土がまざる、影がまざる、などが問題になる。

より具体的に述べると、人工衛星２１０を用いたリモートセンシングでは離れた距離から測定するため、測定器の空間分解能（解像度）の１ピクセルの中に、測定したい物体のほかに、そうでない物体が混ざって写り込んでしまう。測定値はそれぞれの物体の占める割合の比率で重みづけられた値となり、ミクセル（Mixed Pixcel）と呼ばれる。例えば、植生を測定しようとした時、植物と土が混ざって測定され、植物そのもの物性値（クロロフィル濃度など）が求められないことがある。

このような問題の解決のため、各種の手法が提案されている。
「ＳＡＶＩ（Soil-adjusted Vegetation Index ）」は、土の反射率による変動を補正する植生指数で、ＬＡＩを「Ｌ」としたとき、ＬＡＩが高い場合、Ｌ＝０（ＮＤＶＩと一致）、ＬＡＩが低い場合はＬ＝１を使用する。
ＳＡＶＩ＝｛（ＮＩＲ－ＲＥＤ）／（ＮＩＲ＋ＲＥＤ＋Ｌ）｝×（１＋Ｌ）

しかしながら、ＬＡＩの値は想定値を使う必要があり、農地のように場所ごとにＬＡＩが違う可能性がある場合に正しく補正できない。

さらに、リモートセンシングに影響を与える影響は物体の占める平面的な割合だけではない。植物の葉の反射はランバート反射ではなく、光源入射角、葉の角度依存性、測定器の角度によって影響を受ける（一般的にこの効果はＢＲＤＦと呼ばれる）。
植物が立体形状であることから影が発生したり、群落の中での光線の多重反射などによって、測定される値は変動を受ける。
こういった複雑なメカニズムに対応するため、反射率の角度依存性を記載する葉の放射伝達モデル（例：PROSAILモデル）や、影を含めた群落の光学モデルを用い光学的挙動をモデル化することが行われている。

即ち衛星センシングで空間分解能が低いことをカバーし、また計測に影響を与える複雑な要因があることに対処するために、計測対象の形態の情報を含んだ「モデル（放射伝達特性モデルなど）」を用いたインバース計算で特定の対象の計測値を求めることを行われている。
ところが、測定対象がモデルの形状と齟齬なく広がっている場合はよいものの（植生では熱帯雨林など）、例えば圃場３００の計測（スカウティング）では、形状そのものがこれから計測すべきもので特定できないから正しく測定することができない。例えば作物が育ってゆく過程で形が変わったり、なんかの問題で成長が悪かったり枯れかかっているなどの事情で形質等が不明である。

例えば図５Ａは、ほぼ同形の植物個体が広く並んでいるような状態を示しているが、例えばマクロ計測範囲ＲＺ２内でＬＡＩはほぼ均一である。
一方図５Ｂは、領域Ｈ１は葉の大きい（大きく育った）植物が植えられている領域で、領域Ｈ２は、葉の小さい植物が植えられている領域であるとしており、図示するマクロ計測範囲ＲＺ２は、領域Ｈ１，Ｈ２にまたがっている。この場合、場所によりＬＡＩが違ったり、植物の高さが違ったりする。このため、インバースモデル演算に用いるモデルとの齟齬が大きくなる場合がある。

そこで実施の形態のセンシングシステムでは、ミクロ計測部３による高分解能の測定で、実際の畑の植物の状態（ＬＡＩ、植被率や背の高さ、葉の平均角、クロロフィルの濃度など）或は畝の設置状況などを計測し、衛星センシングのインバースモデル演算に実物のパラメータを用いることで、形状や状態がばらついていたり、モデルの示す標準形状でない測定対象であっても測定ができるようにする。
例えば具体例としては、ミクロ計測部３からの検出データに基づく実物のパラメータを用いてインバースモデル演算を行うことで、測定対象の形状や状態がわからない場合でも正しいＳＩＦ（Solar-Induced chlorophyll Fluorescence）を算出し、光合成速度に関する情報を得るようにする。
モデルパラメータとしては、植物の三次元構造、植物の背の高さ、平均葉角度、植被率、ＬＡＩ、クロロフィル濃度、土壌の分光特性、陽葉比率などが想定される。

また実施の形態のセンシングシステムでは、さらにクラスタリングの考え方を含む。つまり計測対象の領域を分けるクラスタリング、クラスタ毎の代表個体計測、クラスタ毎のモデルの切り替えという考え方である。

図６には、或る領域Ｈ１０、Ｈ２０でそれぞれセンシングを行う場合を模式的に示している。
領域Ｈ１０は個体ＯＢａ１，ＯＢａ２，ＯＢａ３・・・ＯＢａｎが存在し、領域Ｈ２０は、それらとは形質が異なる個体ＯＢｂ１，ＯＢｂ２，ＯＢｂ３・・・ＯＢｂｎが存在するとする。

これら領域Ｈ１０，Ｈ２０はクラスタリング処理により、それぞれ別のクラスタとして把握されるようにする。
また各クラスタについて代表個体の計測が行われ、モデルパラメータが求められる。
そしてクラスタ毎にモデルパラメータが使い分けられる。
即ちマクロ計測部２及びミクロ計測部３により領域Ｈ１０の計測を行う場合は、該当クラスタの代表個体に基づくモデルパラメータを用いてインバース演算を行う。
マクロ計測部２及びミクロ計測部３により領域Ｈ２０の計測を行う場合は、該当クラスタの代表個体に基づくモデルパラメータを用いてインバース演算を行う。
このように、クラスタリングにより切り分けられた領域毎にモデルを使い分けることでより正確な計測結果を得る。

また図４Ａ、図４Ｂでは破線で計測対象物の個体を示したが、この図の場合、ミクロ計測部３が領域Ｈ１，Ｈ２にまたがっている。領域Ｈ１，Ｈ２は、図５Ｂのように例えば異なる植物などとして葉の大きさ（育ち方）が異なる個体群があるとする。
この場合も、マクロ計測範囲ＲＺ２において、領域Ｈ１に係る部分については、領域Ｈ１についてのミクロ計測に基づくモデルが使用され、領域Ｈ２に係る部分については、領域Ｈ２についてのミクロ計測に基づくモデルが使用されて、インバースモデル演算が行われるようにすることができる。図４Ｃはインバースモデル演算に用いるモデルの切り替えを模式的に示している。

＜２．情報処理装置の構成＞
以上のセンシングシステムにおいてマクロ計測部２及びミクロ計測部３からの検出情報を取得して分析等の処理を行う情報処理装置１について説明する。

図７は情報処理装置１のハードウエア構成を示している。情報処理装置１は、ＣＰＵ（Central Processing Unit）５１、ＲＯＭ（Read Only Memory）５２、ＲＡＭ（Random Access Memory）５３を有して構成される。
ＣＰＵ５１は、ＲＯＭ５２に記憶されているプログラム、または記憶部５９からＲＡＭ５３にロードされたプログラムに従って各種の処理を実行する。ＲＡＭ５３にはまた、ＣＰＵ５１が各種の処理を実行する上において必要なデータなども適宜記憶される。
ＣＰＵ５１、ＲＯＭ５２、およびＲＡＭ５３は、バス５４を介して相互に接続されている。このバス５４にはまた、入出力インタフェース５５も接続されている。

入出力インタフェース５５には、液晶パネル或いは有機ＥＬ（Electroluminescence）パネルなどよりなる表示部５６、キーボード、マウスなどよりなる入力部５７、スピーカ５８、記憶部５９、通信部６０などが接続可能である。

表示部５６は情報処理装置１と一体でも良いし別体の機器でもよい。
表示部５６では、ＣＰＵ５１の指示に基づいて表示画面上に各種の分析結果等の表示が行われる。また表示部５６はＣＰＵ５１の指示に基づいて、各種操作メニュー、アイコン、メッセージ等、即ちＧＵＩ（Graphical User Interface）としての表示を行う。

入力部５７は、情報処理装置１を使用するユーザが用いる入力デバイスを意味する。
例えば入力部５７としては、キーボード、マウス、キー、ダイヤル、タッチパネル、タッチパッド、リモートコントローラ等の各種の操作子や操作デバイスが想定される。
入力部５７によりユーザの操作が検知され、入力された操作に応じた信号はＣＰＵ５１によって解釈される。

記憶部５９は例えばＨＤＤ（Hard Disk Drive）や固体メモリなどの記憶媒体より構成される。記憶部５９には、例えばマクロ計測部２やミクロ計測部３から受信した検出データや分析結果その他各種の情報が記憶される。また分析処理等のためのプログラムデータの格納にも記憶部５９は用いられる。

通信部６０は、インターネットを含むネットワークを介しての通信処理や、周辺各部の機器との間の通信を行う。
この通信部６０は例えばミクロ計測部３（撮像装置２５０）やマクロ計測部２（撮像装置２２０）との通信を行う通信デバイスとされる場合もある。

入出力インタフェース５５にはまた、必要に応じてドライブ６１が接続され、メモリカード等のストレージデバイス６が装着され、データの書込や読出が行われる。
例えばストレージデバイス６から読み出されたコンピュータプログラムが、必要に応じて記憶部５９にインストールされたり、ＣＰＵ５１で処理したデータが記憶されたりする。もちろんドライブ６１は、磁気ディスク、光ディスク、光磁気ディスク等のリムーバブル記憶媒体に対する記録再生ドライブとされてもよい。これら磁気ディスク、光ディスク、光磁気ディスク等もストレージデバイス６の一態様である。

なお、実施の形態の情報処理装置１は、図７のようなハードウエア構成の情報処理装置（コンピュータ装置）１が単一で構成されることに限らず、複数のコンピュータ装置がシステム化されて構成されてもよい。複数のコンピュータ装置は、ＬＡＮ等によりシステム化されていてもよいし、インターネット等を利用したＶＰＮ（Virtual Private Network）等により遠隔地に配置されたものでもよい。複数のコンピュータ装置には、クラウドコンピューティングサービスによって利用可能なコンピュータ装置が含まれてもよい。
またこの図７の情報処理装置１は、据え置き型、ノート型等のパーソナルコンピュータ、タブレット端末やスマートフォン等の携帯端末として実現できる。さらには情報処理装置１としての機能を有する測定装置、テレビジョン装置、モニタ装置、撮像装置、設備管理装置等の電子機器でも、本実施の形態の情報処理装置１を搭載することができる。

例えばこのようなハードウエア構成の情報処理装置１では、ＣＰＵ５１による演算機能や、ＲＯＭ５２、ＲＡＭ５３、記憶部５９による記憶機能、通信部６０やドライブ６１によるデータ取得機能、表示部５６などによる出力機能を有し、インストールされたソフトウエアが機能することで、図８のような機能構成を備えるようにされる。

即ち情報処理装置１には大きく分けて図８に示すデータ入力部１０、分析実行部２０、データ保存・出力部３０が設けられる。
これらの処理機能はＣＰＵ５１で起動されるソフトウエアにより実現される。
そのソフトウエアを構成するプログラムは、ネットワークからダウンロードされたり、ストレージデバイス６（例えばリムーバブル記憶媒体）から読み出されたりして図７の情報処理装置１にインストールされる。或いはそのプログラムが記憶部５９等に予め記憶されていてもよい。そしてＣＰＵ５１において当該プログラムが起動されることで、上記各部の機能が発現する。
また各種バッファ等の記憶機能は、例えばＲＡＭ５３の記憶領域や記憶部５９の記憶領域を用いて実現される。

また図８には、情報処理装置１の外部装置としてマクロ計測部２、ミクロ計測部３、ネットワーク５、ストレージデバイス６、操作入力部７を示している。
マクロ計測部２は上述したように例えば人工衛星２１０に搭載される。マクロ計測用センサ２ＳはハイパースペクトラムカメラやＦＴＩＲといった大型のセンサで、人工衛星２１０に搭載できるが飛行体２００には搭載しずらいセンサである。これらは一般的には可視光外のセンサで、主に物性を計測するために用いられる。

ミクロ計測部３は飛行体２００に搭載される。ミクロ計測用センサ３Ｓは、ＲＧＢカメラ、ステレオカメラなど、小型のセンサで飛行体２００に搭載しやすいセンサである。一般的には可視光を中心としたセンサで、主に計測対象の形質、環境応答を計測するために用いられる。

ネットワーク５は例えばインターネット、ホームネットワーク、ＬＡＮ（Local Area Network）等、衛星通信網、その他の各種のネットワークが想定される。
ストレージデバイス６は上述のようにメモリカード、ディスク状記録媒体など、主にリムーバブル記録媒体が想定される。

操作入力部７は、ユーザが手動入力を行うことができるデバイスであり、図７における入力部５７として考えることができる。
操作入力部７は情報処理装置１と一体的に設けられてもよいし、別体の装置でもよい。

情報処理装置１におけるデータ入力部１０は、以上の外部装置からのデータ入力を受け付ける機能であり、センサ入力部１１，１２，プログラム・モデル入力部１３を有する。

センサ入力部１１は、マクロ計測部２のマクロ計測センサ２Ｓによる検出情報を入力する。マクロ計測センサ２Ｓによる検出データは、例えばマクロ計測部２と図７の通信部６０の通信により直接受信する場合がある。
或いはマクロ計測センサ２Ｓによる検出データは、ネットワーク５を介して通信部６０により受信される場合がある。
さらにマクロ計測センサ２Ｓによる検出データはストレージデバイス６を介して取得される場合もある。

センサ入力部１２は、ミクロ計測部３のミクロ計測センサ３Ｓによる検出情報を入力する。ミクロ計測センサ３Ｓによる検出データは、例えばミクロ計測部３と通信部６０の通信により直接受信する場合や、ネットワーク５を介して通信部６０により受信される場合、さらにはストレージデバイス６を介して取得される場合などがある。
なおセンサ入力部１１，１２では、光源分光補正などの前段処理を行うようにしてもよい。

プログラム・モデル入力部１３は、ネットワーク５を介したサーバからのダウンロード、或いはストレージデバイス６からの読出などにより、必要なプログラムやモデルを取得する。モデルとはインバース演算に用いるモデルパラメータである。

分析実行部２０はマクロ計測分析演算部２１、マクロ計測分析値バッファ２２、ミクロ計測分析演算部２３、ミクロ計測分析値バッファ２４、ポジションマッピング部２５、インバースモデル演算プログラム・モデル保持部２６（以下「保持部２６」と略す）、インバースモデル演算部２７、クラスタリング演算部２８を有する。

マクロ計測分析演算部２１は、センサ入力部１１が取得したマクロ計測用センサ２Ｓの検出データから、物質成分の量などを求める演算を行う。
例えばマクロ計測分析演算部２１は、ハイパースペクトラムカメラやＦＴＩＲによる多波長のデータから、植生指数や、ＮＩＲＳ（近赤外分光法）、ＦＬＤ法（Fraunhofer. Line-Discrimination）法（太陽暗線：フラウンフォーファー線）によるＳＩＦ（クロロフィル蛍光）算出などを行う。
なお、太陽暗線Ｏ₂Ａは、波長幅が１ｎｍ程度と細いため、一般的にはハイパースペクトラムカメラやＦＴＩＲといったセンサによるセンシングが適する。本例のセンシングシステムでは、こういった機材は人工衛星２１０には搭載が容易なことから、マクロ計測部２からの検出データに基づいて、マクロ計測分析演算部２１により算出するようにしている。

マクロ計測分析値バッファ２２は、マクロ計測分析演算部２１で処理されたデータを一時的に保持する。
例えばマクロ計測分析値バッファ２２は、マクロ計測分析演算部２１で算出されたＳＩＦや、マクロ計測部２から通知された位置情報等を保持する。

ミクロ計測分析演算部２３は、センサ入力部１２が取得したミクロ計測センサ３Ｓの検出データから、必要な情報を得る演算を行う。
例えばミクロ計測分析演算部２３は、ＬＡＩ、平均葉角度、陽葉比率などを算出する。陽葉とは陽の当たっている葉や葉の部分のことである。

ミクロ計測分析値バッファ２４は、ミクロ計測分析演算部２３で処理されたデータを一時的に保持する。
例えばミクロ計測分析値バッファ２４は、ミクロ計測分析演算部２３で求められたＬＡＩ、平均葉角度、陽葉比率などの情報や、ミクロ計測部３から通知された位置情報、さらにはＲＧＢ画像やＮＤＶＩ画像等を保持する。

ポジションマッピング部２５は、解像度や撮像単位（計測範囲ＲＺ２、ＲＺ３）が異なる画像群のなかから、同一地点を抽出するための演算を行う。例えばＧＰＳ情報を用いたり、オルソモザイク処理などを用いて、マクロ計測分析演算部２１で処理した情報とミクロ計測分析演算部２３で処理した情報について位置あわせを行う。

インバースモデル演算部２７は、マクロ計測分析演算部２１，ミクロ計測分析演算部２３の演算結果を用いてインバースモデル演算を行う機能である。
即ちインバースモデル演算部２７は、ミクロ計測分析演算部２３で求めたミクロ計測部３の検出データに基づくモデルパラメータを生成する。
そしてインバースモデル演算部２７は、当該モデルパラメータを、インバースモデルのパラメータに用いて、マクロ計測分析演算部２１での演算結果を用いたインバースモデル演算を行う。
なおインバースモデル演算部２７は、ミクロ計測部３の検出データに基づくモデルパラメータを生成したら、そのモデルパラメータに日時と場所の情報を紐づけて所定の記憶部に保存させるようにすることが考えられる。日時と場所とは、そのモデルパラメータを求める元のミクロ計測を行った日時と場所（例えばＧＰＳ情報）である。

保持部２６は、プログラム・モデル入力部１３が取得したインバースモデル演算プログラム・モデル・デフォルトパラメータを保持する。このプログラムやモデルに基づいてインバースモデル演算部２７のインバースモデル演算が行われる。

クラスタリング演算部２８は、クラスタリング演算を行う。例えばクラスタリング演算部２８は、操作入力部７によるユーザ入力に基づいて測定対象の圃場３００等についての領域分けとしてのクラスタリングを行う。例えば畑で異なる作物の植えてある境界、同じ作物でも生育ステージが異なる境界などをユーザが指定する。これによりユーザが任意にクラスタ分けを行うことができる。

またクラスタリング演算部２８はクラスタリングの指示の情報を、ネットワーク５を介して取得したり、さらにはストレージデバイス６を介して取得する場合もある。

さらにクラスタリング演算部２８は、ミクロ計測分析演算部２３から得られた情報、或いはマクロ計測分析演算部２１から得られた情報に基づいて自動的なクラスタリングを行う場合もある。
クラスタリングに用いるミクロ計測分析演算部２３から得られた情報とは、ミクロ計測部３の検出データであったり、検出データからミクロ計測分析演算部２３が算出したＬＡＩ、平均葉角度、陽葉比率などである。
またクラスタリングに用いるマクロ計測分析演算部２１から得られた情報とは、マクロ計測部２の検出データ（マルチスペクトル分光情報等）であったり、検出データからマクロ計測分析演算部２１が算出したＳＩＦなどである。
これらの情報の差異により、クラスタ分けを行うことができる。さらに画像テクスチャを解析・機械学習等を行うことも想定される。
また形態形質に限らず、生理形質や環境応答の違いがあれば、それらの差異をクラスタリングに用いてもよい。

また手動入力と自動クラスタ判定の組み合わせとして、ユーザが領域指定するとともに、ユーザが領域指定した１つの領域内においても、マクロ計測部が自動弁別したクラスタが複数ある場合は、自動的に細分化したクラスタを設定するということも考えられる。

クラスタリング演算部２８によるクラスタの情報はインバースモデル演算部２７に提供され、インバースモデル演算の際に参照される。

データ保存・出力部３０は、解析データバッファ３１、カラーマッピング部３２、画像合成部３３、グラフ生成部３４、画像出力部３５、データ出力部３６を有する。

解析データバッファ３１はインバースモデル演算部２７の演算結果の情報を一時的に保存する。
インバースモデル演算部２７が例えばＳＩＦを求めたのであれば、解析データバッファ３１はその情報を保持する。またＲＧＢ画像やＮＤＶＩ画像を保持する場合もある。

カラーマッピング部３２は、インバースモデル演算部２７の演算結果として得られる物理値を可視化して表示するために、物理値の一定範囲を例えば、ＲＧＢ三原色の各レベルを用い青から赤のカラーグラデーションに変換するための演算処理を行う。

画像合成部３３は、カラーマッピングされた物理値データを画像の本来の空間的域に対応するように張り付けたり、ＲＧＢ画像にオーバーレイ表示したりする演算処理を行う。

グラフ生成部３４は、データを可視化して表示するために、物理値を折れ線で表示したり、２次元の物理値を散布図にしたりといった、グラフを作成する演算処理を行う。

画像出力部３５は、カラーマッピング部３２、画像合成部３３、グラフ生成部３４の処理で生成した画像データを外部の表示部５６に出力して表示させる。或いは画像出力部３５は、生成した画像データをネットワーク５を用いて外部装置に伝送したり、ファイル化してストレージデバイス６に保存するための出力を行う。

データ出力部３６は、解析データバッファ３１に保存されたインバースモデル演算部２７の演算結果の情報を出力する。例えばデータ出力部３６はインバースモデル演算結果の情報を、ネットワーク５を用い外部装置に伝送したり、ファイル化してストレージデバイス６に保存するための出力を行う。

＜３．処理例＞
以上の機能を有する情報処理装置１の処理例を説明していく。
図９に情報処理装置１の処理例を示す。

ステップＳ１０１で情報処理装置１はセンサ入力部１１の機能によりマクロ計測部２による計測値を入力する。
ステップＳ１０２で情報処理装置１はマクロ計測分析演算部２１の機能により、マクロ計測分析演算を行う。例えば光合成に関する情報としてＳＩＦ演算を行う。ＳＩＦ演算については太陽光スペクトル中の暗線によるＦＬＤ法が知られている。

ステップＳ１０３で情報処理装置１はセンサ入力部１２の機能によりミクロ計測部３による計測値を入力する。
ステップＳ１０４で情報処理装置１はミクロ計測分析演算部２３の機能により、ミクロ計測分析演算を行う。

このステップＳ１０４のミクロ計測分析演算の処理例を図１０に示す。
なおミクロ計測分析演算部２３は、図１１に示すＲＧＢ画像、ＮＩＲ画像、Ｒ画像、偏光センサ角度情報を取得しているものとする。

図１０のステップＳ２０１でミクロ計測分析演算部２３は、画像構造分析演算を行う。具体的には画像の分割を行う。単純には、図１１に示すようにマス目に分割することが考えられる。
但し、画像認識などを用いて物体等に応じて弁別して画像を分割しても良い。例えば測定対象としての個体を識別して、それに応じて画像を分割する。

ステップＳ２０２では、ミクロ計測分析演算部２３は、分割単位毎にＬＡＩ、平均葉角度、陽葉比率を算出する。

ＬＡＩは植被率から求めることができる。植被率は、ＮＤＶＩが一定以上の範囲に相当するピクセル数を、該当の分割単位の測定点数（ピクセル数）で割って求めることができる。
なおＮＤＶＩはＲ画像とＮＩＲ画像から求めることができる。即ちＮＤＶＩの値は、
ＮＤＶＩ＝（ＮＩＲ－Ｒ）／（ＮＩＲ＋Ｒ）
で求められる。ここで「Ｒ」は可視域赤の反射率、「ＮＩＲ」は近赤外域の反射率である。ＮＤＶＩの値は「－１」から「１」の間に正規化した数値であり、正の大きい数字になるほど植生が濃いことを表している。

葉角度は、偏光センサによる角度情報を取得することで求めることができる。

陽葉比率は、陽の当たっている葉の比率である。陽葉は、ＮＤＶＩが一定以上で、かつＮＩＲ値が一定以上のピクセルとして抽出できる。従って陽葉比率は、以上のように抽出された抽出ピクセル数を、該当の分割単位の測定点数（ピクセル数）で割ることで求められる。

ステップＳ２０３でミクロ計測分析演算部２３は、全ての分割単位でＬＡＩ、平均葉角度、陽葉比率の算出を完了したか否かを判定し、完了していなければ、ステップＳ２０２で次の分割単位について、ＬＡＩ、平均葉角度、陽葉比率の算出を行う。
全ての分割単位について処理を終えたらミクロ計測分析演算を終える。

以上の図１０の処理で図９のステップＳ１０４を行ったら、情報処理装置１はステップＳ１０５で、クラスタリング演算部２８の機能によりクラスタリングを行う。
図１２にクラスタリング演算の一例を示す。

ステップＳ３０１でクラスタリング演算部２８は、測定対象に対して、ユーザの手動入力による区分を指定する。
図１３Ａに模式的に測定対象としての圃場３００を示す。なお領域ＡＲ１から領域ＡＲ６は説明の便宜上、分けているだけのもので、必ずしも異なる植生の領域というわけではない。但し、斜線を付した領域ＡＲ３は、他の領域とは異なる作物を栽培している領域であったとする。

この場合に、ユーザは太線で示す境界を手動入力で指定する。例えば圃場で植栽を行っている全体の領域（畑の境界）を示すとともに、種類の異なる作物を栽培している領域ＡＲ３を区別するような境界を指定したとする。
クラスタリング演算部２８は、このようなユーザが予め知っている情報に基づく入力を反映して太線で示すようにクラスタ分けを行う。

ステップＳ３０２でクラスタリング演算部２８は、マクロ計測分析演算部２１から得られた情報やミクロ計測分析演算部２３から得られた情報を用いて自動的なクラスタリングを行う。例えばＳＩＦ量、ＬＡＩ、平均葉角度、陽葉比率などを用いてクラスタリングを行う。
図１３Ｂには、複数回の計測に係るミクロ計測範囲ＲＺ３として計測範囲ａ，ｂ，ｃ，ｄを示しているが、計測範囲ａは領域ＡＲ３、計測範囲ｂは領域ＡＲ４、計測範囲ｃは領域ＡＲ５、計測範囲ｄは領域ＡＲ６をそれぞれ計測した場合のミクロ計測範囲ＲＺ３であるとしている。
自動的なクラスタリングとしては、例えばＬＡＩが異なる領域を分けるという処理を行うものとする。そしてＬＡＩの値が、計測範囲ａ，ｂ，ｃでは異なるが、計測範囲ｃ，ｄではほぼ同じであったとする。
領域ＡＲ３と領域ＡＲ４は作物が異なり、ＬＡＩが異なる。領域ＡＲ４，ＡＲ５，ＡＲ６は同じ作物であるが、領域ＡＲ４のみ生育状況が異なっているとする。すると領域ＡＲ４もクラスタとして分けることが適切となる。

ステップＳ３０３でクラスタリング演算部２８は、ユーザ入力によるクラスタ設定を、ステップＳ３０４の自動クラスタ判定を反映するように細分化する。
上記の例の場合、図１３Ｃの太線に示すように、領域ＡＲ４を新たに１つのクラスタとして設定することになる。
例えば結果として、領域ＡＲ３、領域ＡＲ４はそれぞれ１つのクラスタＣＬ３，ＣＬ４とされる。なお領域ＡＲ１，ＡＲ２については言及しなかったが、それらの領域もＬＡＩが領域ＡＲ５，ＡＲ６と同じであったとすると、まとめて一つのクラスタＣＬ１とされる。

例えば以上のように、ユーザ入力に応じてクラスタリングを行い、さらにマクロ計測或いはミクロ計測に係る値により自動クラスタ判定を行って細分化するようにクラスタリング演算を行う。
もちろんユーザ入力によるクラスタ設定のみでもよいし、或いはマクロ計測或いはミクロ計測に係る値により自動クラスタ判定を行ってクラスタ設定を行うのみでもよい。

以上のクラスタリング演算を行ったら、情報処理装置１は図９のステップＳ１０６で、ポジションマッピング部２５の機能によりポジションマッピングを行う。
即ちマクロ計測分析演算結果とミクロ計測分析演算結果の位置合わせを行う。

ステップＳ１０７で情報処理装置１は、インバースモデル演算部２７の機能によりインバースモデル演算を行う。このインバースモデル演算の処理例を図１４に示す。

なお図１５Ａには、マクロ計測に基づくＳＩＦ計算の領域を模式的に示している。ＳＩＦはマクロ計測分解能として図示するマス目の単位（マクロ分解能単位Ｗ１からＷｎ）で求められている。

ステップＳ４０１でインバースモデル演算部２７は１つのマクロ分解能単位についてマクロ計測分析演算部２１で算出されたＳＩＦを読み出す。例えば最初にマクロ分解能単位Ｗ１のＳＩＦを読み出す。

ステップＳ４０２でインバースモデル演算部２７は、当該マクロ分解能単位に対応するクラスタについて、ミクロ計測分析演算部２３で求めたパラメータ、即ちＬＡＩ、平均葉角度、陽葉比率を取得する。
図１５Ｂには、先の測定範囲ａ，ｂ，ｃ（＝ｄ）についてのＬＡＩ、平均葉角度、陽葉比率を示した。つまり図１３Ｃに示した、領域ＡＲ３のクラスタＣＬ３、領域ＡＲ４のクラスタＣＬ４、領域ＡＲ１＋ＡＲ２＋ＡＲ５＋ＡＲ６のクラスタＣＬ１のモデルパラメータである。
例えばマクロ分解能単位Ｗ１の場合、クラスタＣＬ１に相当するため、図１５ＢのクラスタＣＬ１のモデルパラメータを取得する。

ステップＳ４０３でインバースモデル演算部２７は、インバースモデル演算を行う。即ちマクロ計測に基づいて得たＳＩＦから所望の物性値（例えば計測対象の形質）を求める。
このときにモデルパラメータとして、ステップＳ４０２で取得したミクロ計測に基づくパラメータを用いる。
これによりマクロ計測部２によるセンシングのみでは測定対象の形状や状態がわからない場合でも、実際の測定対象の形状や状態に応じた正しいＳＩＦを求めることができる。

以上の処理を、マクロ分解能単位Ｗ１からＷｎの全てについて行うまで、ステップＳ４０４からＳ４０１に戻って繰り返す。つまり、マクロ分解能単位Ｗ１からマクロ分解能単位Ｗｎについて、それぞれ、対応するクラスタについてのミクロ計測に基づくモデルパラメータを用いてインバースモデル演算を行っていく。
なお、以上はＳＩＦの例で説明したが、例えばマクロ計測に基づいてＮＤＶＩを得る場合には、そのマクロ計測に基づくＮＤＶＩからインバース演算で所望の物性値（例えば環境応答としてのクロロフィル濃度）を求めることもできる。

全てのマクロ分解能単位について処理を終えたら、インバースモデル演算部２７はステップＳ４０５に進み、演算結果を解析データバッファ３１に書き出す。この場合、マクロ分解能単位Ｗ１からマクロ分解能単位Ｗｎについてのそれぞれの演算結果を書き出すことになる。

なお、以上の処理では各マクロ分解能単位に対して対応するクラスタのモデルパラメータを適用するが、特にクラスタリングがされない場合もある。例えば圃場３００内が全て、同じ植物が同様の生育状態で植えられているような場合、ステップＳ１０５のクラスタリング処理を行ってもクラスタ分けされない場合がある。また、ステップＳ１０５の処理を行わない処理例も想定される。
それらの場合は、全てのマクロ分解能単位に対して、１つのミクロ計測範囲ＲＺ３の計測により得られたモデルパラメータを適用してインバースモデル演算を行えばよい。

以上の処理で図９のステップＳ１０７を終えたら、情報処理装置１はデータ保存・出力部３０の機能によりステップＳ１０８のカラーマッピング、ステップＳ１０９の画像合成、ステップＳ１１０の画像出力を行う。
これによりユーザは表示部５６等で、演算結果を確認することができる。

この場合のカラーマッピング等を加えた出力画像の例を説明していく。
図１６は上述のように得られたマクロ分解能単位毎のインバースモデル演算結果に対して色当て（カラーマッピング）した画像を生成する例である。ここでいう「色当て」とは、予め数値範囲毎に対応する色を設定しておき、対象の値に応じて色を選択し、該当画素に割り当てることをいう。
図１６Ａはマクロ分解能単位毎のインバースモデル演算結果を示している。このような値について色当てを行って、図１６Ｂのようなカラーマッピング画像を生成する。これは各領域について演算結果の値に該当する色が割り当てられた画像となる。
なお、図面では、斜線の種類や点描等により色の違いを示している。また有効な演算結果が存在しないマクロ分解能単位（例えば陽葉が存在しない部分など）は「NO DATA」として示している。「NO DATA」で示す領域については例えば背景色（白）が割り当てられる。

このようなカラーマッピング画像がユーザに提示されるようにすれば、各マクロ分解能単位の領域のインバースモデル演算結果が色により表現されるものとなり、ユーザがマクロ測定結果を把握し易い画像となる。

次に図１７は、植生の特定の状態である箇所に対して色当てした画像を合成する例である。図１７Ａはマクロ分解能単位毎のインバースモデル演算結果の値を示している。図１７Ｂは、陽葉を抽出した画像ＮＤＶＩｐ－ｐｒ（ＮＤＶＩPlants Filtered Par Filtered）である。陽葉を抽出した画像ＮＤＶＩｐ－ｐｒとは、ＮＤＶＩが一定以上で、かつＮＩＲ値が一定以上の範囲を抽出した画像である。
そしてそれぞれのマクロ分解能単位で陽葉部分に色当てを行って図１７Ｃのようなカラーマッピング画像を生成する。陽葉の部分のみが、インバースモデル演算結果に応じた色となる画像である。そのため、ユーザが領域毎の陽葉の分布ともにマクロ測定結果を把握し易い画像となる。

次に図１８は可視光画像（ＲＧＢ画像）にオーバーレイ表示する例である。
図１８Ａはマクロ分解能単位毎のインバースモデル演算結果の値を示している。図１８Ｂは、ＲＧＢ画像である。
そして図１８Ｃに示すように、ＲＧＢ画像において、各マクロ分解能単位にインバースモデル演算結果の値に応じて割り当てられた色がオーバーレイされるようにする。図では該当画素部分に色が付けられている状態を示している。
つまり、ＲＧＢ画像上で、演算結果を示す色が表現される画像となる。そのため、ユーザが通常視認する画像上でマクロ測定結果を把握し易い画像となる。
なお、オーバーレイでなく、該当の画素を割り当てた色で上書きするようにしてもよい。

例えば以上の図１６、図１７、図１８のように出力画像が生成され、表示部５６で表示されたり、ネットワーク５を用い外部装置に伝送したり、ファイル化してストレージデバイス６に保存されることで、ユーザは解析結果を利用できる。

＜４．各種例＞
ここまで植生センシングを想定して説明してきたが本開示の技術は多様な分野に適用できる。
例えばオフィスビル等の建物で中央熱源を用いている場合には、建物全体のエネルギー使用量がマクロ計測として把握できる。
またミクロ計測として建物の一部（例えば或るフロアに入居している事業所）に関する何らかの計測が可能である。
マクロ計測に基づく情報を用いてインバースモデル演算を行う場合に、そのモデルパラメータを、ミクロ計測に基づいて設定することが考えられる。

また例えば労働統計などの分野の例を挙げると、マクロ計測としてある程度の期間の失業率の推移を計測し、ミクロ計測としての季節毎の失業者の属性などを計測できる。
マクロ計測に基づく情報を用いてインバースモデル演算を行う場合に、そのモデルパラメータを、ミクロ計測に基づいて設定することが考えられる。

＜５．まとめ及び変形例＞
以上の実施の形態によれば次のような効果が得られる。
実施の形態の情報処理装置１は、計測対象のマクロ計測範囲ＲＺ２（第１の計測範囲）についてマクロ計測分解能（第１の空間分解能）でセンシングを行うマクロ計測部２からの検出データについて演算を行うマクロ計測分析演算部２１を備える。また情報処理装置１はマクロ計測範囲ＲＺ２に含まれるミクロ計測範囲ＲＺ３（第２の計測範囲）に対してマクロ計測分解能前より高い分解能であるミクロ計測分解能（第２の空間分解能）でセンシングを行うミクロ計測部３からの検出データについて演算を行うミクロ計測分析演算部２３を備える。さらに情報処理装置１は、マクロ計測分析演算部２１での演算結果を用いたインバースモデル演算に用いるモデルパラメータを、ミクロ計測分析演算部２３で求めたミクロ計測部３の検出データに基づいて取得するインバースモデル演算部２７を備える。
このようにミクロ計測に基づいてモデルパラメータを算出することで、マクロ計測分析演算部での演算結果を用いたインバースモデル演算に適したインバースモデルのパラメータを得ることができる。
また実施の形態では、インバースモデル演算部２７は、ミクロ計測分析演算部２３で求めたミクロ計測部３の検出データに基づくモデルパラメータを、マクロ計測分析演算部２１での演算結果を用いたインバースモデル演算におけるインバースモデルのパラメータに用いるようにしている。
インバースモデル演算を行う場合、計測対象の形状や状態がばらついている場合など、モデルが示す標準の形状や状態とは異なることがあるため、計測精度が低下することがある。本実施の形態の場合、インバースモデルパラメータをミクロ計測による実測に基づいて生成することで、形状や状態がばらついていたり、モデルの示す標準形状でない測定対象であっても精度のよい測定ができるようになる。
特にこの場合、空間分解能の高いセンシングが可能なミクロ計測部３の検出データを用いることでインバースモデルパラメータをより適切化でき、マクロ計測部２だけではできなかった、計測対象の形質や環境応答に応じたインバースモデル演算による計測ができるようになる。
より具体的には、飛行体２００による高分解能の測定で、実際の畑の植物の状態（植被率や背の高さ、葉の平均角、クロロフィルの濃度など）或は畝の設置状況などを計測し、人工衛星２１０のセンシングのインバースモデル演算に実物のパラメータを用いることで、形状や状態がばらついていたり、モデルの示す標準形状でない測定対象であっても高精度の測定ができる。
またこのような測定システムを用いれば、飛行体２００側からすると例えばＳＩＦ測定をせず光合成情報が得られるようになる。人工衛星２１０側からすると、これまで望めなかった高解像度の情報を取得できるという利点も生ずる。

実施の形態では、インバースモデル演算部２７は、ミクロ計測範囲ＲＺ３（第２の計測範囲）の検出データに基づくモデルパラメータを用いて、マクロ計測分解能（第１の空間分解能）の単位で演算結果を求めるようにしている（図１４，図１５参照）。
これによりマクロ計測範囲ＲＺ２内においてにマクロ計測分解能の単位で、インバースモデル演算によりミクロ計測を反映した計測値を求めることができる。
特には、人工衛星２１０による画像が出力範囲になるため、飛行体２００による画像よりも広い範囲の画像として、インバースモデル演算結果が得られる。

実施の形態では、インバースモデル演算部２７は、マクロ分解能単位の演算結果として計測対象の形質又は環境応答を求めるようにしている。
これにより計測対象の静的な形や特性、計測対象の動的な形や特性を求めるセンシングが実現される。
例えば植物の形状、植生指数、光合成に関する情報などを得るようにすることで農業に適したリモートセンシングが実現される。
例えば光合成に関する情報としては、測定対象の形状や状態がわからない場合でも正しいＳＩＦ（solar-induced chlorophyll fluorescence）や、正しいＳＩＦから計算される各種情報を得ることができる。

実施の形態では、マクロ計測部２は、ミクロ計測部３よりも計測対象４（例えば圃場３００）からの距離が遠い位置に配置されてセンシングを行うものとした。
マクロ計測部２が、計測対象４から比較的離れている状況とすれば、比較的大規模な装置、デバイスをマクロ計測部２或いはマクロ計測部２を搭載した装置として実現しやすくなる。
なおミクロ計測部３は飛行体２００に搭載され、マクロ計測部２は人工衛星２１０に搭載される例を挙げたが、マクロ計測部２もドローン等の飛行体２００に搭載されてもよい。例えばより上空を飛行する飛行体２００にマクロ計測部２を搭載してマクロ計測範囲ＲＺ２のセンシングを行うことも考えられる。

実施の形態では、インバースモデル演算部２７は、クラスタリングされた計測領域毎についての代表個体のモデルパラメータを取得し、クラスタリングされた計測領域毎にモデルパラメータを切り替えてインバースモデルに適用する例を挙げた（図１４，図１５参照）
ミクロ計測部による検出データの演算によりクラスタリングされた計測領域毎にモデルパラメータを求めることで、インバースモデル演算部２７はクラスタリングされた計測領域毎にモデルパラメータを使い分けることができる。
これによりマクロ計測範囲ＲＺ２内でも、クラスタリングされた計測領域毎、例えば異なる作物が栽培されている領域毎などに分けた適切な計測結果を得ることができる。
なおクラスタごとに、作物名も指定することで、モデルパラメータ（例えば背の高さ）だけでなく、モデルそのもの（トマトとコーンなど、品種ごとの形状の違いを反映したモデル）を自動的に切り替えても良い。

実施の形態では、クラスタリングは、領域を指定するユーザ入力に基づいて行われる例を挙げた。
例えば圃場３００などでは異なる作物を栽培している領域などが分かれている。例えば農場主等のユーザはそのような情報を入力することができる。
これにより栽培する作物が異なる領域、或いは栽培を開始した時期の異なる領域などの情報を明確に得ることができる。従って作物等の形質や環境応答を領域毎に適切に求めることができる。
またユーザ入力を反映したクラスタリングを行うことで、ユーザが望む領域毎の計測結果が得られるようになる。
なお図１２ではユーザ入力、マクロ計測値、ミクロ計測値に基づくクラスタリングを示したが、例えば図１２のステップＳ３０１のみが行われる、ユーザ入力のみに基づくクラスタリング演算が行われてもよい。

また実施の形態のでは、記クラスタリングは、マクロ計測部２による検出データ又はミクロ計測部３による検出データに基づいて行われる例を挙げた。
例えばマクロ計測部２やミクロ計測部３の検出データ（もしくはそれらから算出される情報）を用いれば、形状や状況が明確に異なる領域を判別できるため自動でクラスタリング演算を行うことができる。
これにより栽培する作物が異なる領域、或いは栽培を開始した時期の異なる領域などを分けるクラスタリングを自動化し、ユーザに手間をかけさせずに作物等の形質や環境応答を領域毎に正確に求めることができる。
図１２ではユーザ入力、マクロ計測値、ミクロ計測値に基づくクラスタリングを示したが、例えば図１２のステップＳ３０２のみが行われる、マクロ計測値、ミクロ計測値のみに基づくクラスタリング演算が行われてもよい。さらにはマクロ計測値のみに基づくクラスタリング演算や、ミクロ計測値のみに基づくクラスタリング演算も考えられる。

実施の形態では、クラスタリングは、領域を指定するユーザ入力、及びマクロ計測部による検出データ又はミクロ計測部による検出データに基づいて行われる例を挙げた。
即ち手動入力と自動判別の両方を反映したクラスタリング演算を行う。
図１２ではクラスタリング演算部２８は、マクロ計測部２による検出データ、ミクロ計測部３による検出データ、及び操作入力部７による入力データを用いてクラスタリングを行う例を挙げたが、この場合、ユーザ入力による正確性、要望の反映に加え、さらに植生状況の異なる領域の自動判別の要素も加わり、より適切な領域毎の計測結果が得られるようになる。
図１２ではユーザ入力によるクラスタリングを自動判別により細分化する例としたが、逆に自動判別によるクラスタリングをユーザ入力により細分化するようにしてもよい。

実施の形態で述べたモデルパラメータは、植物の三次元構造、植物の背の高さ、平均葉角度（葉の平均傾き）、植被率、ＬＡＩ、クロロフィル濃度、土壌の分光特性、陽葉比率のいずれか１つ又は複数とすることができる。
図１５ＢではＬＡＩ、平均葉角度、陽葉比率の例を挙げた。これ以外にも計測目的に応じてモデルパラメータとして適用できる。
これにより植生のリモートセンシングに適した測定に好適に適用できる。

実施の形態では、ミクロ計測部３は、ミクロ計測センサ３Ｓとして、可視光イメージセンサ、ステレオカメラ、レーザ画像検出及び測距のセンサ、偏光センサ、ＴｏＦセンサのいずれかを有する例を述べた。
これらは例えば形状分析など、計測対象の形質、環境応答、範囲、分布などの分析に適したセンサである。
またこれらは比較的、飛行体２００に搭載し易いセンサであり、ドローン等の小型無人飛行体としての飛行体２００の運用に適している。

実施の形態では、マクロ計測部２は、マクロ計測センサ２Ｓとして、マルチスペクトラムカメラ、ハイパースペクトラムカメラ、フーリエ変換赤外分光光度計、赤外線センサのいずれかを有する例を挙げた。
これらは例えば光合成に関する情報など、各種の物性値の分析に適したセンサである。
またこれらは比較的、飛行体２００に搭載しにくいセンサである。そこで例えば人工衛星２１０に搭載するものとすれば、ドローン等の小型無人飛行体としての飛行体２００の運用を容易化できる。

実施の形態の情報処理装置１は、インバースモデル演算部２７の演算結果に基づく画像データを生成して出力するデータ保存・出力部３０を有する。
インバースモデル演算部２７の演算結果は、そのままでは人が視認する画像としては適していない（評価結果がわかりにくい）場合がある。そこでデータ保存・出力部３０では、演算結果を人への提示に適した状態に画像化して表示部５６やネットワーク５、或はストレージデバイス６に出力する。これにより、演算結果を理解しやすい画像でユーザに提供できる。

実施の形態では、データ保存・出力部３０は、インバースモデル演算部２７の演算結果をカラーマッピングした出力画像を生成する例を挙げた（図１６参照）。
即ちインバースモデル演算部２７の演算結果がマクロ分解能単位である領域毎に得られている場合に、各領域に色当てした画像としてユーザに提示する画像を生成する。
これにより、色別で分析結果を認識できる画像をユーザに提供できる。

実施の形態では、データ保存・出力部３０は、インバースモデル演算部２７の演算結果をカラーマッピングした画像と、他の画像を合成した出力画像を生成する例を挙げた（図１７、図１８参照）。
データ保存・出力部３０は、他の画像とカラーマッピングした画像を例えばオーバーレイや上書きなどの形で合成することで、他の画像により各領域を認識しながら領域毎に色別で評価結果を認識できる画像をユーザに提供できる。

実施の形態では、マクロ計測部２は人工衛星２１０に搭載されている例を挙げた。
人工衛星２１０の場合、比較的高機能であったり規模の大きいセンサを搭載し易いため、高度なセンシングを行うマクロ計測部２の搭載に適している。
例えば人工衛星２１０のマクロ計測部２を多数の農業主、センシング実施組織などで共用することで、運用コストの低減やマクロ計測センサ２Ｓの有効利用を図ることもできる。
なお人工衛星２１０を用いずに、飛行体２００又は比較的大型の飛行体にマクロ計測部２を搭載し、ミクロ計測部３より高い位置からセンシングを行う例も考えられる。

実施の形態では、ミクロ計測部３は、無線操縦又は自動操縦が可能な飛行体２００に搭載されている例を挙げた。
無線操縦又は自動操縦が可能な飛行体２００としてはいわゆるドローン、小型無線操縦固定翼飛行機、小型無線操縦ヘリコプタなどがある。
小型の飛行体２００の場合、圃場３００などの計測対象から比較的低い高度でセンシングを行う。そしてこの場合、空間解像度の高いセンシングに適している。
また飛行体２００にはマクロ計測部２を搭載しないことで、小型の飛行体２００の運用が容易になったり、センシングを行うためのコストを低減できる。

実施の形態の情報処理装置１は、外部装置から入力されるインバースモデル演算プログラム及びインバースモデルを保持する保持部２６を有する例を挙げた。
即ち補完分析演算部の演算アルゴリズムを規定するプログラムを外部装置から取得できるようにしている。
例えばネットワーク５やストレージデバイス６などの外部装置から補間分析演算のためのプログラムを取得し、保持部２６に保存するようにし、このプログラムに基づいてインバースモデル演算部を行う。これにより情報処理装置１は多様なインバースモデル演算が可能となる。

実施の形態のプログラムは、情報処理装置１に、計測対象のマクロ計測範囲ＲＺ２についてマクロ計測分解能でセンシングを行うマクロ計測部２からの検出データについて演算を行うマクロ計測分析演算処理を実行させる。また該プログラムは、情報処理装置１に、マクロ計測範囲ＲＺ２に含まれるミクロ計測範囲ＲＺ３に対してマクロ計測分解能前より高い分解能であるミクロ計測分解能でセンシングを行うミクロ計測部３からの検出データについて演算を行うミクロ計測分析演算処理を実行させる。さらに該プログラムは、情報処理装置１に、ミクロ計測分析演算部２３で求めたミクロ計測部３の検出データに基づくモデルパラメータを、マクロ計測分析演算部２１での演算結果を用いたインバースモデル演算におけるインバースモデルのパラメータに用いるインバースモデル演算処理を実行させる。
即ち図９、図１０、図１４の処理を情報処理装置に実行させるプログラムである。

このようなプログラムにより本実施の形態の画像処理装置１の実現が容易となる。
そしてこのようなプログラムはコンピュータ装置等の機器に内蔵されている記録媒体や、ＣＰＵを有するマイクロコンピュータ内のＲＯＭ等に予め記憶しておくことができる。あるいはまた、半導体メモリ、メモリカード、光ディスク、光磁気ディスク、磁気ディスクなどのリムーバブル記録媒体に、一時的あるいは永続的に格納（記憶）しておくことができる。またこのようなリムーバブル記録媒体は、いわゆるパッケージソフトウェアとして提供することができる。
また、このようなプログラムは、リムーバブル記録媒体からパーソナルコンピュータ等にインストールする他、ダウンロードサイトから、ＬＡＮ、インターネットなどのネットワークを介してダウンロードすることもできる。

なお、本明細書に記載された効果はあくまでも例示であって限定されるものではなく、また他の効果があってもよい。

なお本技術は以下のような構成も採ることができる。
（１）
計測対象の第１の計測範囲について第１の空間分解能でセンシングを行うマクロ計測部からの検出データについて演算を行うマクロ計測分析演算部と、
前記計測対象の前記第１の計測範囲に含まれる第２の計測範囲に対して前記第１の空間分解能より高い分解能である第２の空間分解能でセンシングを行うミクロ計測部からの検出データについて演算を行うミクロ計測分析演算部と、
前記マクロ計測分析演算部での演算結果を用いたインバースモデル演算に用いるモデルパラメータを、前記ミクロ計測分析演算部で求めた前記ミクロ計測部の検出データに基づいて取得するインバースモデル演算部と、を備えた
情報処理装置。
（２）
前記インバースモデル演算部は、
前記ミクロ計測分析演算部で求めた前記ミクロ計測部の検出データに基づくモデルパラメータを、前記マクロ計測分析演算部での演算結果を用いたインバースモデル演算におけるインバースモデルのパラメータに用いる
上記（１）に記載の情報処理装置。
（３）
前記インバースモデル演算部は、前記第２の計測範囲の検出データに基づくモデルパラメータを用いて、前記第１の空間分解能の単位で演算結果を求める
上記（２）に記載の情報処理装置。
（４）
前記インバースモデル演算部は、前記第１の空間分解能の単位の演算結果として計測対象の形質又は環境応答を求める
上記（２）又は（３）に記載の情報処理装置。
（５）
前記マクロ計測部は、前記ミクロ計測部よりも前記計測対象からの距離が遠い位置でセンシングを行う
上記（１）から（４）のいずれかに記載の情報処理装置。
（６）
前記インバースモデル演算部は、クラスタリングされた計測領域毎についての代表個体のモデルパラメータを取得し、クラスタリングされた計測領域毎にモデルパラメータを切り替えてインバースモデルに適用する
上記（１）から（５）のいずれかに記載の情報処理装置。
（７）
前記クラスタリングは、領域を指定するユーザ入力に基づいて行われる
上記（６）に記載の情報処理装置。
（８）
前記クラスタリングは、前記マクロ計測部による検出データ又は前記ミクロ計測部による検出データに基づいて行われる
上記（６）又は（７）に記載の情報処理装置。
（９）
前記クラスタリングは、領域を指定するユーザ入力、及び前記マクロ計測部による検出データ又は前記ミクロ計測部による検出データに基づいて行われる
上記（６）から（８）のいずれかに記載の情報処理装置。
（１０）
前記モデルパラメータは、植物の三次元構造、植物の背の高さ、平均葉角度、植被率、ＬＡＩ、クロロフィル濃度、土壌の分光特性、陽葉比率のいずれかを含む
上記（１）から（９）のいずれかに記載の情報処理装置。
（１１）
前記ミクロ計測部は、ミクロ計測センサとして、可視光イメージセンサ、ステレオカメラ、レーザ画像検出及び測距のセンサ、偏光センサ、ＴｏＦセンサのいずれかを有する
上記（１）から（１０）のいずれかに記載の情報処理装置。
（１２）
前記マクロ計測部は、マクロ計測センサとして、マルチスペクトラムカメラ、ハイパースペクトラムカメラ、フーリエ変換赤外分光光度計、赤外線センサのいずれかを有する
上記（１）から（１１）のいずれかに記載の情報処理装置。
（１３）
前記インバースモデル演算部の演算結果に基づく出力画像データを生成して出力する出力部を有する
上記（１）から（１２）のいずれかに記載の情報処理装置。
（１４）
前記出力部は、前記インバースモデル演算部の演算結果をカラーマッピングした出力画像データを生成する
上記（１３）に記載の情報処理装置。
（１５）
前記出力部は、前記インバースモデル演算部の演算結果をカラーマッピングした画像と、他の画像を合成した出力画像データを生成する
上記（１３）に記載の情報処理装置。
（１６）
前記マクロ計測部は、人工衛星に搭載されている
上記（１）から（１５）のいずれかに記載の情報処理装置。
（１７）
前記ミクロ計測部は、無線操縦又は自動操縦が可能な飛行体に搭載されている
上記（１）から（１６）のいずれかに記載の情報処理装置。
（１８）
計測対象の第１の計測範囲について第１の空間分解能でセンシングを行うマクロ計測部からの検出データについて演算を行うマクロ計測分析処理と、
前記計測対象の前記第１の計測範囲に含まれる第２の計測範囲に対して前記第１の空間分解能より高い分解能である第２の空間分解能でセンシングを行うミクロ計測部からの検出データについて演算を行うミクロ計測分析処理と、
前記ミクロ計測分析処理で求めた前記ミクロ計測部の検出データに基づくモデルパラメータを、前記マクロ計測分析処理での演算結果を用いたインバースモデル演算におけるインバースモデルのパラメータに用いるインバースモデル演算処理と、
を情報処理装置が実行する情報処理方法。
（１９）
計測対象の第１の計測範囲について第１の空間分解能でセンシングを行うマクロ計測部からの検出データについて演算を行うマクロ計測分析処理と、
前記計測対象の前記第１の計測範囲に含まれる第２の計測範囲に対して前記第１の空間分解能より高い分解能である第２の空間分解能でセンシングを行うミクロ計測部からの検出データについて演算を行うミクロ計測分析処理と、
前記ミクロ計測分析処理で求めた前記ミクロ計測部の検出データに基づくモデルパラメータを、前記マクロ計測分析処理での演算結果を用いたインバースモデル演算におけるインバースモデルのパラメータに用いるインバースモデル演算処理と、
を情報処理装置に実行させるプログラム。
（２０）
計測対象の第１の計測範囲について第１の空間分解能でセンシングを行うマクロ計測部と、
前記計測対象の前記第１の計測範囲に含まれる第２の計測範囲に対して前記第１の空間分解能より高い分解能である第２の空間分解能でセンシングを行うミクロ計測部と、
前記マクロ計測部からの検出データについて演算を行うマクロ計測分析演算部と、
前記ミクロ計測部からの検出データについて演算を行うミクロ計測分析演算部と、
前記ミクロ計測分析演算部で求めた前記ミクロ計測部の検出データに基づくモデルパラメータを、前記マクロ計測分析演算部での演算結果を用いたインバースモデル演算におけるインバースモデルのパラメータに用いるインバースモデル演算部と、を備えた
センシングシステム。

１情報処理装置、２マクロ計測部、２Ｓマクロ計測センサ、３ミクロ計測部、３Ｓミクロ計測センサ、４測定対象、５ネットワーク、６ストレージデバイス、７操作入力部、１０データ入力部、１１センサ入力部、１２センサ入力部、１３プログラム・モデル入力部、２０分析実行部、２１マクロ計測分析演算部、２２マクロ計測分析値バッファ、２３ミクロ計測分析演算部、２４ミクロ計測分析値バッファ、２５ポジションマッピング部、２６インバース演算プログラム・モデル保持部、２７インバースモデル演算部、２８クラスタリング演算部、３０データ保存・出力部、３１解析データバッファ、３２カラーマッピング部、３３画像合成部、３４グラフ生成部、３５画像出力部、３６データ出力部、５１ＣＰＵ、５２ＲＯＭ、５３ＲＡＭ、５４バス、５５入出力インタフェース、５６表示部、５７入力部、５８スピーカ、５９記憶部、６０通信部、６１ドライブ、２００飛行体、２１０人工衛星、２２０撮像装置、２５０撮像装置、３００圃場

Claims

計測対象の第１の計測範囲について第１の空間分解能でセンシングを行うマクロ計測部からの検出データについて演算を行うマクロ計測分析演算部と、
前記計測対象の前記第１の計測範囲に含まれる第２の計測範囲に対して前記第１の空間分解能より高い分解能である第２の空間分解能でセンシングを行うミクロ計測部からの検出データについて演算を行うミクロ計測分析演算部と、
前記マクロ計測分析演算部での演算結果を用いたインバースモデル演算に用いるモデルパラメータを、前記ミクロ計測分析演算部で求めた前記ミクロ計測部の前記第２の計測範囲の検出データに基づいて取得し、取得したモデルパラメータを前記インバースモデル演算におけるインバースモデルのパラメータに用いて、前記第１の空間分解能の単位で演算結果を求めるインバースモデル演算部と、
を備え、
前記インバースモデル演算部は、クラスタリングされた計測領域毎についての代表個体のモデルパラメータを取得し、クラスタリングされた計測領域毎にモデルパラメータを切り替えてインバースモデルに適用する
情報処理装置。
前記インバースモデル演算部は、前記第１の空間分解能の単位の演算結果として計測対象の形質又は環境応答を求める
請求項１に記載の情報処理装置。
前記マクロ計測部は、前記ミクロ計測部よりも前記計測対象からの距離が遠い位置でセンシングを行う
請求項１又は請求項２に記載の情報処理装置。
前記クラスタリングは、領域を指定するユーザ入力に基づいて行われる
請求項１から請求項３のいずれかに記載の情報処理装置。
前記クラスタリングは、前記マクロ計測部による検出データ又は前記ミクロ計測部による検出データに基づいて行われる
請求項１から請求項４のいずれかに記載の情報処理装置。
前記クラスタリングは、領域を指定するユーザ入力、及び前記マクロ計測部による検出データ又は前記ミクロ計測部による検出データに基づいて行われる
請求項１から請求項５のいずれかに記載の情報処理装置。
前記モデルパラメータは、植物の三次元構造、植物の背の高さ、平均葉角度、植被率、ＬＡＩ、クロロフィル濃度、土壌の分光特性、陽葉比率のいずれかを含む
請求項１から請求項６のいずれか記載の情報処理装置。
前記ミクロ計測部は、ミクロ計測センサとして、可視光イメージセンサ、ステレオカメラ、レーザ画像検出及び測距のセンサ、偏光センサ、ＴｏＦセンサのいずれかを有する
請求項１から請求項７のいずれかに記載の情報処理装置。
前記マクロ計測部は、マクロ計測センサとして、マルチスペクトラムカメラ、ハイパースペクトラムカメラ、フーリエ変換赤外分光光度計、赤外線センサのいずれかを有する
請求項１から請求項８のいずれかに記載の情報処理装置。
前記インバースモデル演算部の演算結果に基づく出力画像データを生成して出力する出力部を有する
請求項１から請求項９のいずれかに記載の情報処理装置。
前記出力部は、前記インバースモデル演算部の演算結果をカラーマッピングした出力画像データを生成する
請求項１０に記載の情報処理装置。
前記出力部は、前記インバースモデル演算部の演算結果をカラーマッピングした画像と、他の画像を合成した出力画像データを生成する
請求項１０に記載の情報処理装置。
前記マクロ計測部は、人工衛星に搭載されている
請求項１から請求項１２のいずれかに記載の情報処理装置。
前記ミクロ計測部は、無線操縦又は自動操縦が可能な飛行体に搭載されている
請求項１から請求項１３のいずれかに記載の情報処理装置。
情報処理装置が、
計測対象の第１の計測範囲について第１の空間分解能でセンシングを行うマクロ計測部からの検出データについて演算を行うマクロ計測分析処理と、
前記計測対象の前記第１の計測範囲に含まれる第２の計測範囲に対して前記第１の空間分解能より高い分解能である第２の空間分解能でセンシングを行うミクロ計測部からの検出データについて演算を行うミクロ計測分析処理と、
前記マクロ計測分析処理の演算結果を用いたインバースモデル演算に用いるモデルパラメータを、前記ミクロ計測分析処理で求めた前記ミクロ計測部の前記第２の計測範囲の検出データに基づいて取得し、前記モデルパラメータを前記インバースモデル演算におけるインバースモデルのパラメータに用いて、前記第１の空間分解能の単位で演算結果を求めるインバースモデル演算処理と、
を実行するとともに、
前記インバースモデル演算処理では、クラスタリングされた計測領域毎についての代表個体のモデルパラメータを取得し、クラスタリングされた計測領域毎にモデルパラメータを切り替えてインバースモデルに適用する
情報処理方法。
情報処理装置に、
計測対象の第１の計測範囲について第１の空間分解能でセンシングを行うマクロ計測部からの検出データについて演算を行うマクロ計測分析処理と、
前記計測対象の前記第１の計測範囲に含まれる第２の計測範囲に対して前記第１の空間分解能より高い分解能である第２の空間分解能でセンシングを行うミクロ計測部からの検出データについて演算を行うミクロ計測分析処理と、
前記マクロ計測分析処理の演算結果を用いたインバースモデル演算に用いるモデルパラメータを、前記ミクロ計測分析処理で求めた前記ミクロ計測部の前記第２の計測範囲の検出データに基づいて取得し、前記モデルパラメータを前記インバースモデル演算におけるインバースモデルのパラメータに用いて、前記第１の空間分解能の単位で演算結果を求めるインバースモデル演算処理と、
を実行させるとともに、
前記インバースモデル演算処理では、クラスタリングされた計測領域毎についての代表個体のモデルパラメータを取得し、クラスタリングされた計測領域毎にモデルパラメータを切り替えてインバースモデルに適用する処理を実行させる
プログラム。
計測対象の第１の計測範囲について第１の空間分解能でセンシングを行うマクロ計測部と、
前記計測対象の前記第１の計測範囲に含まれる第２の計測範囲に対して前記第１の空間分解能より高い分解能である第２の空間分解能でセンシングを行うミクロ計測部と、
前記マクロ計測部からの検出データについて演算を行うマクロ計測分析演算部と、
前記ミクロ計測部からの検出データについて演算を行うミクロ計測分析演算部と、
前記マクロ計測分析演算部での演算結果を用いたインバースモデル演算に用いるモデルパラメータを、前記ミクロ計測分析演算部で求めた前記ミクロ計測部の前記第２の計測範囲の検出データに基づいて取得し、前記モデルパラメータを前記インバースモデル演算におけるインバースモデルのパラメータに用いて、前記第１の空間分解能の単位で演算結果を求めるインバースモデル演算部と、
を備え、
前記インバースモデル演算部は、クラスタリングされた計測領域毎についての代表個体のモデルパラメータを取得し、クラスタリングされた計測領域毎にモデルパラメータを切り替えてインバースモデルに適用する
センシングシステム。